Apa saja trade-off antara normalization dan denormalization?

Question

IT Interview Practice · Accepted Answer

**Normalization** mengorganisasi data sehingga setiap fakta hidup di tepat satu tempat, menghilangkan redundansi. **Denormalization** dengan sengaja menduplikasi data untuk membuat pembacaan lebih cepat. Sebagian besar skema dimulai dalam keadaan ter-normalisasi dan hanya melakukan denormalisasi di tempat yang pengukurannya menuntut demikian.

## Normalization (hingga 3NF)

Setiap tabel mendeskripsikan satu entitas; data terkait direferensikan melalui foreign key.

```sql
-- Normalized: a customer's city is stored once
customers(id, name, city_id)
cities(id, name)
orders(id, customer_id, total)
```

- **Kelebihan** — tidak ada update anomaly (ubah nama kota di satu baris), penyimpanan lebih kecil, integritas melalui foreign key.
- **Kekurangan** — pembacaan membutuhkan JOIN; sebuah laporan yang menyentuh banyak entitas dapat men-join lima tabel.

## Denormalization

```sql
-- Denormalized: city copied onto every order for fast reporting
orders(id, customer_id, city_name, total)
-- + a summary table maintained by the app or triggers
order_daily_totals(day, city_name, total_sales)
```

- **Kelebihan** — lebih sedikit join, pembacaan lebih cepat, agregat lebih murah.
- **Kekurangan** — data yang terduplikasi harus dijaga tetap sinkron (menulis lebih banyak, risiko drift), lebih banyak penyimpanan, dan setiap penulis harus ingat memperbarui setiap salinan.

## Cara memutuskan

Default-nya adalah ter-normalisasi demi correctness. Lakukan denormalisasi pada **jalur pembacaan panas yang spesifik** hanya setelah EXPLAIN menunjukkan bahwa join adalah bottleneck — dan lebih baik menjaga source of truth tetap ter-normalisasi sambil memelihara salinan turunan (summary table, materialized cache) yang dapat Anda bangun ulang.

## Mengapa ini penting

Ini adalah trade-off desain skema inti: over-normalizing membuat dashboard merangkak, over-denormalizing melahirkan data yang tidak konsisten yang mahal untuk direkonsiliasi. Mengetahui *mengapa* Anda menduplikasi data — dan bagaimana menjaga salinan tetap tepercaya — membedakan skema yang scalable dari yang membusuk.

Normalization (hingga 3NF)

Denormalization

Cara memutuskan

Mengapa ini penting

Pertanyaan terkait