Week 4 - Basis Data dan Manajemen Data

• Akurat (Accuracy): Data harus mencerminkan kondisi riil di lapangan tanpa kesalahan input. (Contoh: Harga barang di sistem harus sama persis dengan harga di rak toko).
• Lengkap (Completeness): Tidak ada elemen data penting yang hilang atau kosong. (Contoh: Profil pelanggan wajib mencakup nomor telepon yang aktif untuk keperluan pengiriman barang).
• Konsisten (Consistency): Data yang sama di berbagai departemen tidak boleh saling bertentangan. (Contoh: Alamat pelanggan di sistem Penjualan harus sama dengan alamat di sistem Keuangan).
• Tepat Waktu (Timeliness): Data harus diperbarui (up-to-date) secara real-time atau berkala sesuai kebutuhan bisnis. (Contoh: Data sisa stok barang di gudang harus diperbarui setiap detik setelah terjadi transaksi di kasir).
• Relevan (Relevance): Data yang dikumpulkan harus sesuai dengan kebutuhan analisis manajemen, tidak meluas ke hal-hal yang tidak diperlukan.

1. Format yang Jelas: Disajikan dalam bentuk yang mudah dipahami (grafik, tabel, atau dashboard), bukan tumpukan teks paragraf panjang.
2. Dapat Diverifikasi: Sumber datanya jelas dan dapat dilacak kembali ke belakang jika ditemukan kejanggalan.
3. Bernilai Ekonomis: Biaya untuk mengumpulkan dan memproses data tersebut tidak boleh lebih besar daripada keuntungan bisnis yang dihasilkan dari informasi tersebut.

• Fungsi: Mencatat nama field, tipe data (angka, teks, tanggal), panjang karakter, dan siapa yang berwenang mengubahnya.
• Contoh: Field NIM didefinisikan sebagai tipe data teks sepanjang 10 karakter dan bersifat unik (tidak boleh ada yang sama).

• Primary Key (Kunci Utama): Field unik yang menjadi identitas mutlak dari sebuah record dan tidak boleh kembar. (Contoh: ID_Pelanggan pada Tabel Pelanggan).
• Foreign Key (Kunci Asing): Field di sebuah tabel yang merujuk pada Primary Key di tabel lain untuk menciptakan hubungan (relasi). (Contoh: Kolom ID_Pelanggan dimasukkan ke dalam Tabel Transaksi untuk mengetahui siapa yang melakukan pembelian).

• Operasi Dasar: CRUD (Create / Menambah data, Read / Membaca data, Update / Memperbarui data, Delete / Menghapus data).

• Redundansi Data: Data yang sama disimpan berulang kali di divisi berbeda (pemborosan memori server).
• Inkonsistensi Data: Alamat pelanggan sudah diubah di departemen penjualan, tetapi di departemen keuangan masih menggunakan alamat lama.
• Isolasi Data: Data tersebar di berbagai file dengan format berbeda, sehingga manajer kesulitan membuat laporan gabungan secara cepat.

Poin Kunci Mahasiswa: Jangan tertukar antara Basis Data dan Sistem Basis Data. Basis data hanyalah kumpulan datanya (seperti buku-buku di perpustakaan). Sedangkan Sistem Basis Data adalah seluruh operasional perpustakaan tersebut, termasuk gedung, katalog digital, pustakawan, dan aturan peminjamannya.

1. Data: Komponen inti yang disimpan secara terstruktur. Data ini mencakup data operasional harian perusahaan (transaksi, inventaris) hingga dokumen penting (metadata).
2. Perangkat Keras (Hardware): Infrastruktur fisik tempat sistem berjalan. Meliputi komputer server pusat, harddisk berkecepatan tinggi (SSD/SAN), memori (RAM) yang besar, dan jaringan penghubung.
3. Perangkat Lunak (Software/DBMS): Perangkat lunak antara yang mengontrol akses ke basis data. (Contoh: MySQL, PostgreSQL, Oracle Database).
4. Pengguna (Brainware): Manusia yang berinteraksi dengan sistem. Dibagi menjadi:
   • Database Administrator (DBA): Pengelola penuh keamanan dan kinerja database.
   • Programmer: Pembuat aplikasi yang menghubungkan bisnis dengan database.
   • End-User: Karyawan atau manajer yang menginput atau membaca data.
5. Prosedur: Aturan main tertulis tentang bagaimana data dimasukkan, dicadangkan (backup), dipulihkan jika rusak (recovery), dan siapa saja yang memiliki hak akses legal.

• Level Eksternal (View Level / Pandangan Pengguna): Level tertinggi yang dilihat langsung oleh karyawan atau manajer. Sistem hanya menampilkan data yang sesuai dengan kebutuhan kerja mereka. (Contoh: Bagian keuangan hanya bisa melihat tabel gaji, sedangkan bagian gudang hanya melihat tabel stok barang).
• Level Konseptual (Logical Level): Level tengah yang mendeskripsikan data apa saja yang sebenarnya disimpan di dalam seluruh database dan bagaimana hubungan (relasi) antar-tabel tersebut. (Contoh: Struktur perancangan tabel oleh System Analyst).
• Level Internal (Physical Level): Level terendah yang menjelaskan bagaimana data tersebut benar-benar disimpan secara fisik di dalam media penyimpanan/harddisk komputer (berupa blok data, bit, atau enkripsi biner).

• Penyimpanan Kamus Data (Data Dictionary): Menyimpan definisi, tipe, dan struktur dari setiap elemen data harian, sehingga standarisasi data di seluruh divisi tetap terjaga.
• Manajemen Keamanan Data: Mengatur hak akses secara ketat (role-based access control). Sistem memastikan bahwa staf biasa tidak bisa melihat data rahasia seperti margin keuntungan atau gaji direksi.
• Manajemen Integritas Data: Memastikan data yang dimasukkan mematuhi aturan bisnis. (Contoh: Sistem menolak jika jumlah penjualan diinput dengan angka minus atau huruf).
• Manajemen Transaksi & Konkurensi: Mengatur agar database tidak rusak atau crash ketika diakses dan diubah oleh ribuan pengguna secara bersamaan. (Contoh: Mencegah dua pelanggan membeli tiket bioskop untuk kursi yang sama di waktu yang sama).
• Pencadangan dan Pemulihan (Backup & Recovery): Menyediakan fitur otomatis untuk menyalin data secara berkala dan memulihkannya jika terjadi pemadaman listrik atau kegagalan sistem terpusat.

1. DDL (Data Definition Language): Kumpulan perintah yang digunakan untuk membangun struktur database, seperti membuat tabel baru, mengubah kolom, atau menghapus tabel. (Contoh perintah SQL: CREATE, ALTER, DROP).
2. DML (Data Manipulation Language): Kumpulan perintah yang digunakan untuk mengolah isi data di dalam tabel yang sudah dibuat. (Contoh perintah SQL: SELECT untuk mencari, INSERT untuk menambah, UPDATE untuk mengubah, dan DELETE untuk menghapus).

• Entitas (Entity): Objek, orang, tempat, atau kejadian di dunia nyata yang datanya ingin dikumpulkan oleh perusahaan. Di dalam database, entitas diwujudkan dalam bentuk Tabel.
  • Contoh: Entitas Mahasiswa, Entitas Produk, Entitas Transaksi_Penjualan.
• Atribut (Attribute): Karakteristik atau properti yang melekat dan menjelaskan suatu entitas. Di dalam database, atribut diwujudkan dalam bentuk Kolom (Field).
  • Contoh: Atribut untuk entitas Produk adalah ID_Produk, Nama_Produk, Harga, dan Stok.
• Instansiasi (Instance / Record): Satu baris data tunggal yang berisi kumpulan nilai dari atribut-atribut suatu entitas. Di dalam database, ini disebut Baris (Row).
  • Contoh: Satu baris data produk berisi: P001 (ID), Kopi Susu (Nama), 15000 (Harga), 50 (Stok).
• Hubungan (Relationship): Asosiasi atau keterkaitan antara satu entitas dengan entitas lainnya.
  • Contoh: Hubungan antara entitas Pelanggan dan entitas Pesanan (Satu pelanggan dapat melakukan banyak pesanan).

1. File Data (Data Files): File fisik di dalam harddisk/SSD yang berisi data mentah dari tabel, indeks, dan catatan transaksi organisasi.
2. Kamus Data (Data Dictionary / Metadata): Komponen terintegrasi yang menyimpan data tentang data. Kamus data mencatat definisi skema tabel, tipe data kolom, aturan validasi, hingga hak akses pengguna.
3. Indeks (Indexes): Struktur data khusus yang dibuat oleh DBMS untuk mempercepat proses pencarian data.
   • Analogi: Seperti indeks di halaman belakang buku teks yang membantu pembaca menemukan halaman kata kunci dengan cepat tanpa harus membaca seluruh isi buku.
4. Log Transaksi (Transaction Logs / Redo Logs): File yang mencatat setiap riwayat perubahan (tambah, ubah, hapus) yang terjadi pada database secara kronologis. Komponen ini sangat krusial untuk memulihkan data (recovery) jika terjadi mati listrik mendadak atau kegagalan sistem.

• Karakteristik: Data disimpan dalam bentuk Tabel Dua Dimensi (terdiri dari baris dan kolom). Hubungan antar-tabel dihubungkan secara logis melalui Primary Key dan Foreign Key.
• Kelebihan: Sangat fleksibel, mudah dipahami oleh pengguna bisnis, dan didukung oleh bahasa standar SQL.
• Contoh: Sistem penjualan e-commerce yang menghubungkan tabel Pelanggan, tabel Pesanan, dan tabel Produk.

• Karakteristik: Hubungan antar-data digambarkan seperti hubungan Orang Tua dan Anak (Parent-to-Child Relationship). Satu orang tua bisa memiliki banyak anak, tetapi satu anak hanya boleh memiliki tepat satu orang tua.
• Kelebihan/Kekurangan: Sangat cepat untuk mencari data satu arah, namun sangat kaku dan sulit diubah jika proses bisnis perusahaan berkembang.

• Karakteristik: Memiliki struktur grafis (graph structure) di mana satu anak dapat memiliki lebih dari satu orang tua (Many-to-Many Relationship).
• Kelebihan/Kekurangan: Lebih fleksibel dibanding hierarkis, namun struktur jalurnya sangat rumit untuk dikelola oleh tim IT.

• Karakteristik: Sangat cocok untuk mengelola jenis data multimedia yang kompleks (gambar, suara, video, atau desain grafis 3D) yang sulit ditampung oleh tabel dua dimensi biasa.

• Key-Value Store: Menyimpan data sebagai pasangan kunci dan nilai sederhana.
• Document Store: Menyimpan data dalam format dokumen fleksibel (seperti JSON/BSON). (Contoh: MongoDB).

• Contoh Kasus: Toko Buku "Pintar" membutuhkan sistem pencatatan. Entitas utamanya adalah: BUKU, PELANGGAN, dan TRANSAKSI.

• Tabel BUKU: ID_Buku (Primary Key), Judul, Penulis, Harga, Stok.
• Tabel PELANGGAN: ID_Pelanggan (Primary Key), Nama, No_Telepon, Alamat.

• Aturan Bisnis: Satu pelanggan dapat melakukan banyak transaksi pembelian buku (One-to-Many Relationship).

• Tabel TRANSAKSI: ID_Transaksi (Primary Key), Tanggal, Total_Harga, ID_Pelanggan (Foreign Key - ditarik dari tabel Pelanggan untuk mengetahui siapa pembelinya), ID_Buku (Foreign Key - ditarik dari tabel Buku untuk mengetahui buku apa yang dibeli).

• 1NF (First Normal Form): Setiap kolom hanya boleh berisi satu nilai tunggal (Atomic Value). Tidak boleh ada tumpukan teks atau daftar koma di dalam satu kotak sel. (Contoh: Kolom nomor telepon tidak boleh diisi dua nomor sekaligus, harus dipecah menjadi baris baru).
• 2NF (Second Normal Form): Seluruh kolom non-kunci wajib bergantung sepenuhnya pada Primary Key tabel tersebut. Jangan mencampur data buku ke dalam tabel pelanggan.

Pembeda Utama untuk Ujian: Jangan menyamakan Database biasa dengan Data Warehouse. Database operasional biasa dirancang untuk mendukung transaksi harian harian secara real-time seperti tambah, ubah, dan hapus data (proses OLTP). Sementara Data Warehouse dirancang khusus untuk menganalisis data historis dalam jumlah besar guna mendukung pelaporan dan pengambilan keputusan strategis manajemen puncak (proses OLAP). [1, 2, 3]

• Berorientasi Subjek (Subject-Oriented): Data disusun berdasarkan tema besar atau area perhatian utama bisnis perusahaan (seperti penjualan, pelanggan, atau produk), bukan berdasarkan proses aplikasi harian. [1, 2]
• Terintegrasi (Integrated): Menggabungkan data dari berbagai format sumber yang berbeda (seperti Excel, sistem CRM, dan log web) menjadi satu format standar yang seragam setelah melalui pembersihan data. [1, 2]
• Rentang Waktu (Time-Variant): Data di dalamnya selalu memiliki penanda waktu (time stamp). Data disimpan dalam jangka panjang (5?"10 tahun) untuk melihat tren perkembangan masa lalu hingga prediksi masa depan. [1, 2]
• Statis / Tidak Berubah (Non-Volatile): Data yang sudah masuk ke dalam gudang data bersifat permanen. Sistem hanya melakukan penambahan data (insert) baru secara berkala tanpa ada aktivitas edit atau hapus data harian oleh pengguna. [1, 2]

Pembeda Utama untuk Ujian: Sering kali mahasiswa bingung membedakan antara Manajemen Data dan Tata Kelola Data. Berdasarkan pandangan tata kelola DAMA-DMBOK, manajemen data adalah aspek teknis operasional harian (seperti coding, ETL, setup hardware server). Sementara Data Governance adalah penentu arah kebijakan strategisnya?"menetapkan siapa yang berhak mengambil keputusan, aturan apa yang harus dipatuhi, dan bagaimana audit datanya.

• People (Manusia/Struktur Organisasi): Menetapkan peran dan tanggung jawab yang jelas atas kepemilikan data. Peran krusial di dalamnya meliputi:
  • Data Stewards: Karyawan dari unit bisnis yang bertanggung jawab mengontrol kualitas data harian di divisinya sendiri.
  • Data Owners: Manajer atau pejabat eksekutif yang memegang otoritas penuh atas legalitas keamanan jenis data tertentu.
• Process (Proses/Kebijakan): Menyusun alur kerja dan prosedur standar tertulis (SOP) tentang bagaimana data diklasifikasikan, dibersihkan, disimpan, dan dimusnahkan.
• Technology (Teknologi): Menggunakan perangkat lunak bantu untuk mendokumentasikan asal-usul data (Data Lineage), enkripsi keamanan siber, dan pelacakan riwayat akses.

1. Menghindari Data Silo: Memastikan standardisasi definisi data antar-departemen agar laporan eksekutif tidak bertentangan satu sama lain.
2. Kepatuhan Regulasi Pemerintah (Compliance): Menjaga agar pemrosesan data perusahaan mematuhi undang-undang yang berlaku, seperti undang-undang perlindungan data pribadi konsumen.
3. Keamanan Aset dari Kebocoran: Menetapkan klasifikasi data yang ketat (Data Publik, Data Internal, atau Data Rahasia Negara/Perusahaan) guna meminimalisir risiko peretasan massal.

• Akurasi (Accuracy): Data harus mencerminkan fakta atau kondisi riil di lapangan tanpa kesalahan. (Contoh: Jumlah stok fisik barang di rak gudang harus sama persis dengan angka yang tertera di layar komputer).
• Kelengkapan (Completeness): Tidak boleh ada elemen data wajib yang kosong atau hilang. (Contoh: Formulir data pelanggan baru wajib terisi nomor telepon dan alamat email agar pengiriman barang tidak tersangkut).
• Konsistensi (Consistency): Data yang sama di berbagai departemen atau tabel tidak boleh saling bertentangan. (Contoh: Status pembayaran pelanggan di tabel penjualan harus selaras dengan status di tabel keuangan).
• Tepat Waktu (Timeliness): Data harus diperbarui secara berkala atau real-time saat dibutuhkan oleh manajer untuk mengambil tindakan. (Contoh: Data pergerakan harga saham atau kurs mata uang asing harus diperbarui per detik).
• Keunikan (Uniqueness): Tidak boleh ada duplikasi data (data redundancy) untuk satu objek yang sama. (Contoh: Satu pelanggan hanya boleh memiliki tepat satu ID_Pelanggan agar riwayat belanjanya tidak terpecah-pecah).
• Validitas (Validity): Data harus ditulis sesuai dengan format, aturan, dan tipe data yang telah ditentukan di kamus data. (Contoh: Kolom Tanggal_Lahir harus ditulis dengan format DD-MM-YYYY, sistem akan menolak jika diinput karakter huruf).

1. Parsing: Membedah baris data untuk mendeteksi komponen format yang salah.
2. Correcting: Memperbaiki data yang salah ketik secara manual atau menggunakan algoritma otomatis.
3. Deleting: Menghapus data ganda (double input) yang tidak sengaja terekam dua kali oleh sistem.
4. Consolidating: Menyatukan data yang terfragmentasi agar rapi kembali ke dalam basis data terpusat.

• Keamanan Data (Data Security): Upaya melindungi data dari akses ilegal, pencurian, peretasan, atau modifikasi oleh pihak yang tidak berwenang (Fokus: Siapa yang boleh melihat/mengubah data?).
• Integritas Data (Data Integrity): Upaya menjaga agar data tetap akurat, konsisten, lengkap, dan tidak rusak selama siklus hidupnya (Fokus: Apakah datanya benar, valid, dan bebas dari eror teknis?).

• Kontrol Akses (Authentication & Authorization): Proses verifikasi identitas pengguna menggunakan kata sandi, kode OTP, atau pemindai biometrik (sidik jari/wajah), dilanjutkan dengan pembatasan hak akses sesuai fungsi jabatan (Role-Based Access Control).
• Enkripsi Data (Cryptography): Mengubah data teks biasa yang dapat dibaca menjadi kode acak rahasia (ciphertext) saat disimpan di harddisk atau dikirim melalui jaringan, sehingga data tidak dapat dibaca oleh peretas.
• Pencadangan Otomatis (Backup & Disaster Recovery): Pembuatan salinan database secara berkala yang disimpan di lokasi fisik atau cloud server terpisah agar data dapat dipulihkan jika terjadi kegagalan sistem total.

1. Integritas Entitas (Entity Integrity): Aturan yang mewajibkan setiap tabel memiliki Primary Key yang unik dan nilainya tidak boleh kosong (Not Null).
2. Integritas Referensial (Referential Integrity): Aturan yang memastikan hubungan antar-tabel tetap sinkron. Sistem akan menolak jika pengguna memasukkan data transaksi untuk ID_Pelanggan yang tidak terdaftar di Tabel Pelanggan.
3. Integritas Domain (Domain Integrity): Membatasi nilai yang boleh dimasukkan ke dalam suatu kolom berdasarkan tipe data atau rentang angka yang valid. (Contoh: Kolom Umur_Karyawan harus berupa angka antara 17 hingga 65).

• Backup Data (Pencadangan Data): Proses membuat salinan (copy) dari data atau basis data aktif perusahaan dan menyimpannya di media atau lokasi terpisah yang aman.
• Recovery Data (Pemulihan Data): Proses mengembalikan (restore) data dari salinan cadangan kembali ke sistem aktif agar operasional bisnis bisa berjalan normal pasca-terjadinya kerusakan atau kehilangan.

• Full Backup: Menyalin seluruh data dan database tanpa terkecuali.
  • Karakteristik: Paling aman dan paling cepat saat proses recovery, namun membutuhkan waktu paling lama saat proses backup dan memakan banyak ruang penyimpanan.
• Differential Backup: Hanya menyalin data yang berubah atau bertambah sejak terakhir kali Full Backup dilakukan.
  • Karakteristik: Lebih cepat daripada Full Backup dan ruang penyimpanan yang digunakan lebih hemat.
• Incremental Backup: Hanya menyalin data yang berubah atau bertambah sejak terakhir kali aktivitas backup jenis apa pun dilakukan.
  • Karakteristik: Proses backup berjalan paling cepat dan hemat ruang, namun proses recovery membutuhkan waktu lebih lama karena sistem harus menyusun kembali potongan-potongan data secara berurutan.

1. Miliki minimal 3 salinan data (1 data utama aktif, dan 2 data cadangan).
2. Simpan cadangan di 2 jenis media yang berbeda (misalnya 1 di server lokal SSD, dan 1 di kaset pita magnetik/harddisk eksternal).
3. Simpan 1 salinan di luar lokasi fisik kantor (Off-site Storage), yang saat ini paling populer memanfaatkan layanan Cloud Backup (seperti AWS, Google Cloud, atau Microsoft Azure).

• Volume: Jumlah ukuran data yang sangat masif (mencapai tingkatan Petabyte hingga Eksabyte).
• Velocity: Kecepatan pertumbuhan dan aliran transmisi data yang sangat tinggi (data mengalir secara real-time).
• Variety: Keberagaman bentuk format data, mulai dari data terstruktur (tabel), semi-terstruktur (XML/JSON), hingga tidak terstruktur (video, audio, unggahan media sosial).
• Veracity: Tingkat keandalan, kebenaran, dan tingkat kesucian kualitas data dari noise atau sampah informasi.
• Value: Nilai ekonomi dan manfaat bisnis strategis yang bisa diekstrak dari pemrosesan data tersebut.

• Karakteristik: Menggunakan prinsip Schema-on-Read (struktur data baru ditentukan saat data akan dianalisis). Sangat fleksibel dan murah untuk menampung data tidak terstruktur skala besar.

• Cloud Data Management: Memindahkan seluruh infrastruktur basis data dan pengolahan data ke layanan komputasi awan. Hal ini memangkas biaya pembelian hardware server fisik secara drastis.
• Data Mesh: Pendekatan arsitektur yang mendesentralisasikan kepemilikan data. Pengelolaan data tidak lagi dibebankan terpusat pada satu tim IT, melainkan didelegasikan langsung ke tim bisnis atau divisi masing-masing sebagai pemilik domain data (data-as-a-product).
• In-Memory Computing: Pemrosesan data yang tidak lagi mengandalkan pembacaan dari harddisk/SSD, melainkan langsung diletakkan di dalam memori utama (RAM) server. Pendekatan ini membuat proses analisis data kompleks berorientasi Online Analytical Processing (OLAP) berjalan ribuan kali lebih cepat.

• Dulu, ketika ribuan analis bisnis Capital One melakukan kueri pencarian data (querying) secara bersamaan pada basis data tradisional, kinerja sistem melambat drastis akibat keterbatasan hardware fisik.
• Dengan mengadopsi platform Snowflake Data Cloud, Capital One memanfaatkan fitur pemisahan antara kapasitas penyimpanan (storage) dan kapasitas komputasi/pemrosesan (compute). Sistem secara elastis memperbesar memori pemrosesan secara otomatis saat beban kueri memuncak tanpa perlu membeli harddisk baru, menghemat pemakaian listrik, dan menjaga respons data tetap real-time.

• Capital One menggunakan teknologi Data Warehouse berbasis awan untuk melatih algoritma Machine Learning. Data historis nasabah selama bertahun-tahun diolah secara instan.
• Hasil pemrosesan data warehouse ini digunakan untuk menggerakkan Eno, asisten virtual berbasis kecerdasan buatan (AI) milik Capital One. Eno bekerja membaca pola transaksi database secara mendalam untuk mendeteksi penipuan (fraud detection) dan langsung mengirimkan peringatan otomatis ke ponsel nasabah jika ada transaksi yang tidak biasa.

• Tantangan Nyata: Pada tahun 2019, Capital One sempat mengalami insiden kebocoran data akibat kesalahan konfigurasi dinding keamanan (firewall) pada infrastruktur publik cloud AWS mereka. Peristiwa ini menjadi pembelajaran mahal bahwa faktor manusia (brainware) dan prosedur harus berjalan ketat.
• Solusi Tata Kelola: Capital One membangun perangkat lunak internal khusus bernama Capital One Slingshot untuk memperketat Data Governance. Alat ini menerapkan otomatisasi kebijakan akses (automated governance), pelacakan biaya konsumsi data tiap divisi, serta memastikan hanya karyawan dengan hak akses terverifikasi (Role-Based Access Control) yang dapat menyentuh database sensitif nasabah guna mencegah kebocoran berulang.

1. Data adalah Senjata Kompetitif: Di industri keuangan, kecepatan memproses data transaksi menjadi informasi keputusan adalah penentu loyalitas nasabah.
2. Infrastruktur Modern Menghapus Silo: Peralihan dari database lokal ke Cloud Data Warehouse memungkinkan data dari ribuan cabang terkonsolidasi menjadi satu titik kebenaran (Single Source of Truth).
3. Teknologi Tanpa Kendali adalah Bahaya: Secanggih apa pun sistem komputasi awan yang disewa, integritas dan keamanan data tetap bergantung penuh pada kedisiplinan perusahaan dalam menjalankan Data Governance Framework.