IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G

Transkripsi

1 IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 SOFIYANTI INDRIASARI G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007

2 ABSTRAK SOFIYANTI INDRIASARI. Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi Jawa Barat Tahun 2003 dan Dibimbing oleh IMAS SUKAESIH SITANGGANG dan SRI NURDIATI. Kurangnya pemanfaatan atau pengolahan terhadap gunung data yang sebenarnya dapat menghasilkan suatu informasi atau pengetahuan yang penting untuk mendukung pengambilan keputusan. Data Potensi Desa yang bersumber dari Badan Pusat Statistik (BPS) memiliki peranan yang cukup strategis di masa yang akan datang dan merupakan produk unggulan BPS. Untuk itu sangat penting melakukan analisis data Podes secara efisien dan cepat. Data warehouse adalah tempat penyimpanan data terintegrasi yang dapat digunakan untuk query dan analisis. Operasi query ini dilakukan dengan On-line Analytical Processing (OLAP). Data real dijumpai sering kali mengandung informasi yang tidak tepat dan ketidakpastian (uncertain). Teori himpunan fuzzy digunakan untuk menangani masalah tersebut. Penelitian ini bertujuan membangun data warehouse untuk data Potensi Desa di Provinsi Jawa Barat tahun 2003 dan 2006 yang direpresentasikan dalam model data multidimensi dengan menggunakan teori himpunan fuzzy dan mengimplementasikan operasi OLAP. Ruang lingkup penelitian adalah dibatasi pada implementasi fuzzy OLAP untuk data Potensi Desa di Provinsi Jawa Barat tahun 2003 dan Sistem yang akan dibangun mengikuti arsitektur data warehouse tiga tingkat. Struktur data pada data warehouse digambarkan dengan skema galaksi. Operasi-operasi yang diimplementasikan adalah operasi roll-up, drill-down, slice, dice, dan pivot. Operasi untuk fuzzy OLAP dilakukan sesuai dengan konsep pengoperasian data multidimensi fuzzy. Hasil penelitian ini adalah terbentukya data warehouse yang diimplementasikan dengan konsep fuzzy serta data warehouse untuk data crisp sebagai pelengkap penyajian informasi. Data warehouse yang dibangun menggunakan konsep fuzzy terlebih dahulu melalui tahapan praproses data dan proses clustering menggunakan algoritma FCM untuk mendapatkan himpunan fuzzy dan nilai derajat keanggotaan tiap atribut. Data warehouse tersebut memiliki 4 kubus data yaitu penduduk, rumah tangga, lahan, dan sekolah. Data dapat ditampilkan dalam bentuk crosstab atau grafik. Penelitian ini memberikan informasi berupa data fuzzy dan data crisp. Data fuzzy yang disajikan memberikan informasi natural dengan mendefinisikan variabel linguistic. Data crisp disajikan sebagai penunjang untuk mendapatkan informasi. Kata kunci: data warehouse, OLAP, model data multidimensi, fuzzy.

3 IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI PROVINSI JAWA BARAT TAHUN 2003 DAN 2006 Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Oleh : SOFIYANTI INDRIASARI G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007

4 Judul : Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi Jawa Barat Tahun 2003 dan 2006 Nama : Sofiyanti Indriasari NIM : G Pembimbing I, Menyetujui: Pembimbing II, Imas S. Sitanggang, S.Si, M.Kom Dr. Ir. Sri Nurdiati, M.Sc NIP NIP Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Prof. Dr. Ir. Yonny Koesmaryono, MS NIP Tanggal Lulus :

5 v PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala curahan rahmat dan karunia-nya sehingga penelitian ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2007 ini ialah data warehouse, dengan judul Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi Jawa Barat Tahun 2003 dan 2006 Penyelesaian penelitian ini tidak terlepas dari bantuan berbagai pihak, karena itu penulis mengucapkan terima kasih sebesar-besarnya kepada: 1. Ayahanda Achmad Azhari dan Ibunda Syafa atur Rofiah, Kakakku Sofyan Rizalanda, serta adikadikku Asrofi Hanafiah dan Asrofi Hanifah atas doa, kasih sayang, dan kehangatannya yang tidak pernah berhenti tercurah selama ini, 2. Ibu Imas S. Sitanggang, S.Si., M.Kom. selaku pembimbing I, Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku pembimbing II dan Bapak Hari Agung Adrianto, S.Kom. selaku dosen penguji, 3. Keluarga besar Ibu Sri Nurdiati di Bogor yang telah menjadi keluarga kedua bagi penulis, 4. Kak Hendra dan Kak Ifnu atas kesabarannya menjawab pertanyaan penulis, serta Diku atas tumpangannya mengangkut komputer untuk keperluan penelitian ini, 5. Sahabat penulis: Gibtha, Meynar, Firat, Pandi, Qwill, Ratih, Ghofar, Jemi, Hida, Dina, Vita, dan Nanik atas saran, dukungan, kerjasama, bantuan, dan hiburannya, 6. Teman-teman seperjuangan Ilkomers 40 lainnya untuk pengalaman dan kenangan yang tak ternilai, 7. Mas Irvan atas bantuannya mencari referensi untuk penelitian ini dan Pak Soleh atas bantuan dan nasehatnya, 8. Departemen Ilmu Komputer, staf dan dosen yang telah begitu banyak membantu baik selama penelitian maupun pada masa perkuliahan. Segala kesempurnaan hanya milik Allah SWT, semoga hasil penelitian ini dapat bermanfaat, Amin. Bogor, Mei 2007 Sofiyanti Indriasari

6 vi RIWAYAT HIDUP Penulis dilahirkan di Blitar pada tanggal 5 Oktober 1984 dari ayah Achmad Azhari dan ibu Syafa atur Rofiah. Penulis merupakan putri kedua dari empat bersaudara. Tahun 2003 penulis lulus dari SMU Negeri I Sidoarjo. Pada tahun yang sama penulis diterima di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur USMI. Selama mengikuti perkuliahan, penulis pernah menjadi pengurus Korps Sukarela PMI Unit I IPB tahun kepengurusan 2004/2005. Selain itu, penulis juga pernah menjadi pengurus Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) tahun kepengurusan 2005/2006. Pada tahun 2006, penulis pernah melakukan kegiatan praktik lapangan selama dua bulan di Pusat Data dan Informasi Kesejahteraan Sosial, Departemen Sosial Republik Indonesia.

7 vii DAFTAR ISI Halaman DAFTAR TABEL... viii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... viii PENDAHULUAN... 1 Latar Belakang... 1 Tujuan Penelitian... 1 Ruang Lingkup Penelitian... 1 Manfaat Penelitian... 1 TINJAUAN PUSTAKA... 1 Data Warehouse... 1 Model Data Multidimensi... 2 On-line Analytical Processing (OLAP)... 2 Himpunan Fuzzy... 4 Fuzzy C-Means (FCM)... 5 Ukuran Kevalidan Cluster... 5 Kubus Data Fuzzy... 6 Dimensi Fuzzy... 6 METODE PENELITIAN... 7 Tahapan Penelitian... 7 Praproses Data... 7 Arsitektur Sistem... 8 Lingkungan Pengembangan Sistem... 8 HASIL DAN PEMBAHASAN... 8 Praproses Data... 8 Tingkat Bawah (Bottom Tier) Tingkat Tengah (Middle Tier) Tingkat Atas (Top Tier) KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 20

8 viii DAFTAR TABEL Halaman 1 Validasi atribut lahan bukan sawah untuk non pertanian Validasi atribut lahan bukan sawah untuk non pertanian Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data crisp Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data crisp Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data fuzzy Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data fuzzy DAFTAR GAMBAR Halaman 1 Skema bintang (Han & Kamber 2001) Skema snowflake (Han & Kamber 2001) Skema galaksi (Han & Kamber 2001) Contoh operasi roll-up (Han & Kamber 2001) Contoh operasi drill-down (Han & Kamber 2001) Contoh operasi slice (Han & Kamber 2001) Contoh operasi dice (Han & Kamber 2001) Contoh operasi pivot (Han & Kamber 2001) Contoh kubus data fuzzy 3 dimensi (Alhajj & Mehmet 2003) Contoh path pada dimensi fuzzy Tahap praproses data Arsitektur tiga tingkat data warehouse (Han & Kamber 2001) Skema galaksi untuk data crisp Skema galaksi untuk data fuzzy Contoh tampilan fuzzy OLAP untuk subjek penduduk tahun 2003 pada level desa Contoh operasi roll-up pada dimensi lokasi Contoh tampilan data crisp untuk contoh kasus tampilan subjek penduduk tahun Contoh tampilan modul_desa Contoh tampilan modul_kecamatan Contoh tampilan modul_kabupaten DAFTAR LAMPIRAN Halaman 1 Atribut-atribut yang terpilih dari hasil ekstraksi Hasil validasi cluster Contoh hasil clustering berupa linguistic dan derajat keanggotaan Skema galaksi yang disesuaikan dengan kebutuhan software Oracle Skema relasi modul pendukung Contoh tampilan fuzzy OLAP dan hasil operasinya Tampilan data yang dikombinasikan dengan bentuk visualisasi model graph Tampilan query builder Keterangan kode-kode kategori umum pada modul pendukung... 40

9 1 PENDAHULUAN Latar Belakang Dewasa ini, ketersediaan data semakin melimpah, apalagi ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara terkomputerisasi. Namun seringkali data tersebut hanya disimpan tanpa diolah lebih lanjut untuk keperluan di masa mendatang. Padahal jika dianalisis lebih dalam, data tersebut dapat menghasilkan informasi atau pengetahuan yang penting dan berharga. Data Potensi Desa (Podes) yang bersumber dari Badan Pusat Statistik (BPS) memiliki peranan yang cukup strategis di masa yang akan datang dan merupakan produk unggulan BPS. Untuk itu sangat penting dilakukan analisis data Podes secara efisien dan cepat. Data warehouse adalah tempat penyimpanan data terintegrasi yang dapat digunakan untuk query dan analisis. Operasi query ini dilakukan dengan On-line Analytical Processing (OLAP). OLAP akan menghasilkan data dalam bentuk ringkasan. Dengan operasi ini query dapat dijalankan lebih mudah dan lebih efisien. OLAP muncul dengan sebuah cara pandang data multidimensi. Cara pandang multimensi ini didukung oleh teknologi basis data multidimensi. Data warehouse dan On-Line Analytical Processing (OLAP) merupakan elemen penting dalam mendukung proses pengambilan keputusan. Data real yang dijumpai sering kali mengandung informasi yang tidak tepat dan ketidakpastian (uncertain). Teori himpunan fuzzy digunakan untuk menangani masalah tersebut. Tujuan Penelitian Tujuan dari penelitian ini adalah : 1. Membangun data warehouse untuk data Potensi Desa tahun 2003 dan Aplikasi yang dibangun mengolah data yang direpresentasikan dalam model data multidimensi dengan menggunakan teori himpunan fuzzy. 2. Mengimplementasikan operasi-operasi OLAP, yaitu roll-up, drill-down, slice, dice, dan pivot dengan menggunakan pendekatan fuzzy. Ruang Lingkup Penelitian Penelitian ini dibatasi pada implementasi fuzzy OLAP pada data Potensi Desa di Provinsi Jawa Barat tahun 2003 dan 2006 yang bersumber dari Badan Pusat Statistik (BPS). Penelitian ini akan menghasilkan aplikasi fuzzy OLAP yang dapat menampilkan informasi untuk mendukung proses pengambilan keputusan. Manfaat Penelitian Aplikasi yang dihasilkan pada penelitian ini diharapkan dapat digunakan oleh pihak yang berkepentingan untuk mendapatkan informasi yang menarik dan akurat sebagai pendukung proses pengambilan keputusan terkait dengan data Potensi Desa. Sistem diharapkan dapat menyediakan informasi ringkas dan jelas secara cepat melalui operasi-operasi OLAP seperti rollup, drill-down, slice,dice, dan pivot. TINJAUAN PUSTAKA Data Warehouse Data Warehouse adalah sekumpulan data berorientasi subjek, terintegrasi, time-variant, dan non-volatile yang mendukung proses manajemen pembuatan keputusan (Inmon 1996). Kata kunci dari pengertian data warehouse di atas adalah (Han & Kamber 2001): Berorientasi subjek: data warehouse diorganisasikan berdasarkan subjek-subjek utama, seperti pelanggan, produk atau penjualan. Data warehouse menyediakan tampilan yang sederhana dan ringkas untuk subjek tertentu dengan menghilangkan data yang tidak berguna dalam proses pembuatan keputusan. Terintegrasi: data warehouse dibangun dengan mengintegrasikan berbagai sumber data yang heterogen, seperti basis data relasional, flat file, dan transaksi on-line. Teknik pembersihan dan integrasi data digunakan untuk memastikan data tetap konsisten. Time-variant: data disimpan untuk menyediakan informasi berdasarkan kejadian yang sudah lewat. Non-volatile: data warehouse adalah tempat penyimpanan data yang terpisah dari basis data operasional.

10 2 Model Data Multidimensi Model data multidimensi menampilkan data dalam bentuk kubus data. Kubus data memungkinkan data dimodelkan dan ditampilkan dalam dimensi banyak. Kubus data disebut juga cuboid. Pola-pola cuboid dapat dibuat apabila diberikan satu kumpulan dimensi. Masing-masing pola menampilkan data pada tingkat kesimpulan yang berbeda-beda (Han & Kamber 2001). Untuk menggambarkan hubungan antardata pada data multidimensi digunakan skema multidimensi. Pada data warehouse, skema merupakan sekumpulan tabel yang berhubungan. Skema digunakan untuk menunjukkan hubungan antara tabel dimensi dengan tabel fakta. Skema ditentukan berdasarkan kebutuhan data warehouse dan keinginan pembuat data warehouse. Data warehouse membutuhkan skema yang ringkas dan berorientasi subjek. Tipe-tipe skema multidimensi antara lain (Han & Kamber 2001): Skema bintang (star schema) Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang di mana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabel-tabel dimensi. Bentuk skema bintang dapat dilihat pada Gambar 1. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat. Skema snowflake (snowflake schema) Skema snowflake adalah variasi dari skema bintang di mana beberapa tabel dimensi dinormalisasi, jadi dihasilkan beberapa tabel tambahan. Bentuk skema snowflake dapat dilihat pada Gambar 2. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memory, tapi waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama. Gambar 2 Skema snowflake (Han & Kamber 2001) Skema galaksi (fact constellation) Pada skema galaksi, beberapa tabel fakta berbagi tabel dimensi. Bentuk skema galaksi dapat dilihat pada Gambar 3. Keuntungan menggunakan skema ini adalah menghemat memory dan mengurangi kesalahan yang mungkin terjadi. Gambar 3 Skema galaksi (Han & Kamber 2001) Gambar 1 Skema bintang (Han & Kamber 2001) On-line Analytical Processing (OLAP) OLAP adalah operasi basis data untuk mendapatkan data dalam bentuk ringkasan dengan menggunakan agregasi sebagai mekanisme utama. OLAP menyediakan tampilan data yang fleksibel dari sudut pandang yang berbeda dan menyediakan lingkungan yang userfriendly untuk membantu analisis data. Tipe-tipe operasi OLAP antara lain (Han & Kamber 2001):

11 3 Roll-up Operasi ini melakukan pengelompokan pada kubus data dengan cara mengurutkan suatu hirarki konsep secara menaik (ascending) atau mereduksi dimensi. Contoh operasi roll-up untuk kubus data penjualan dapat dilihat pada Gambar 4. Contoh : Suatu hirarki lokasi: kota < provinsi < negara Operasi roll-up melakukan pengelompokan dengan mengurutkan hirarki lokasi dari tingkat kota sampai pada tingkat negara. Drill-down Drill-down adalah kebalikan dari roll-up. Drill-down dapat dilakukan dengan cara mengurutkan suatu hirarki konsep secara menurun (descending) atau dengan menambahkan nilai dimensi. Contoh operasi drill-down untuk kubus data penjualan dapat dilihat pada Gambar 5. Contoh : Suatu hirarki waktu: bulan < kuartal < tahun Drill-down melakukan pengelompokan dengan mengurutkan hirarki waktu dari tingkat tahun ke tingkat yang lebih detil yaitu tingkat bulan. Slice dan dice Operasi slice melakukan pemilihan satu dimensi dari kubus data sehingga menghasilkan bagian kubus (subcube). Contoh operasi slice untuk kubus data penjualan dapat dilihat pada Gambar 6. Operasi dice menghasilkan bagian kubus (subcube) dengan melakukan pemilihan dua atau lebih dimensi. Contoh operasi dice untuk kubus data penjualan dapat dilihat pada Gambar 7. Pivot (rotate) Pivot adalah operasi yang memutar koordinat data pada tampilan dengan tujuan untuk menyediakan alternatif tampilan data. Contoh operasi pivot untuk kubus data penjualan dapat dilihat pada Gambar 8. Gambar 4 Contoh operasi roll-up (Han & Kamber 2001) Gambar 5 Contoh operasi drill-down (Han & Kamber 2001)

12 4 Gambar 6 Contoh operasi slice (Han & Kamber 2001) Gambar 7 Contoh operasi dice (Han & Kamber 2001) Gambar 8 Contoh operasi pivot (Han & Kamber 2001) Himpunan Fuzzy Konsep logika fuzzy pertama kali diperkenalkan oleh Prof. Lutfi A Zadeh dari Universitas California pada bulan Juni Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan 0 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar ke sepenuhnya salah. Inti dari himpunan fuzzy yaitu fungsi keanggotaan yang menggambarkan hubungan antara domain himpunan fuzzy dengan nilai derajat keanggotaan. Dengan teori himpunan fuzzy suatu objek dapat menjadi anggota dari banyak himpunan dengan derajat keanggotaan yang

13 5 berbeda dalam masing-masing himpunan. Derajat keanggotaan menujukkan nilai keanggotaan suatu objek pada suatu himpunan. Nilai keanggotaan ini berkisar antara 0 sampai 1 (Cox 2005). Teori himpunan fuzzy telah banyak digunakan dalam pembangunan sistem data mining. Alhajj dan Mehmet (2003) telah menggunakan himpunan fuzzy untuk membangun kubus data fuzzy. Fuzzy C-Means (FCM) Menurut Jang et al. (1997), Fuzzy C-Means merupakan algoritma clustering data di mana setiap titik data masuk dalam sebuah cluster dengan ditandai oleh derajat keanggotaan. FCM membagi sebuah koleksi dari n data vektor x j (j=1, 2,, n) menjadi c cluster, dan menemukan sebuah pusat cluster (center) untuk tiap kelompok dengan meminimalisasi ukuran dari fungsi objektif. Pada FCM hasil dari clustering adalah sebuah titik data dapat menjadi anggota untuk beberapa cluster yang ditandai oleh derajat keanggotaannya antara 0 dan 1. Berikut tahapan clustering menggunakan algoritma FCM: 1. Inisialisasi keanggotaan matriks U yang berisi derajat keanggotan terhadap cluster dengan nilai antara 0 dan 1, sehingga c uij = 1, j = 1,..., n. i= 1 2. Penghitungan c sebagai pusat cluster, c i, i = 1,, c dengan menggunakan n m (( uij ) x j ) j= 1. ci = n m ( uij ) j= 1 3. Penghitungan fungsi objektif (J i ): c c n m 2 J ( U, c1,..., cc ) = J i = uij dij i= 1 i= 1 j di mana: u ij adalah elemen matriks U yang bernilai antara 0 dan 1, d ij = c i - x j adalah jarak antara pusat cluster ke-i dan titik data ke-j, c i adalah pusat cluster ke-i, m [1, ] adalah parameter fuzzifikasi. Nilai m yang umum digunakan untuk clustering data fuzzy adalah sama dengan 2. Kemudian melihat kondisi berhenti : Jika ( J t J t-1 < nilai toleransi terkecil yang diharapkan) atau (t > maksimal iterasi) maka proses berhenti. Jika tidak : t = t + 1, mengulangi langkah Penghitungan matriks U baru menggunakan formula berikut: u ij = c d k = 1 d 1 ij kj 2 ( m 1 ) Ukuran Kevalidan Cluster Menurut Xie dan Beni (1991), ukuran kevalidan cluster merupakan proses evaluasi hasil clustering untuk menentukan cluster mana yang terbaik. Kevalidan sebuah cluster (S) ditentukan oleh dua hal yaitu: ukuran kedekatan antaranggota pada tiap cluster (compactness), dan ukuran keterpisahan antarcluster satu dengan cluster yang lainnya (separation). Semakin kecil nilai S, maka cluster tersebut semakin valid. c n 2 2 µ ij Vi X j i= 1 j= 1 S = 2 n min Vi V j i, j dengan: c n 2 2 µ ij Vi X j i= 1 j= 1 adalah nilai n compactness, n adalah banyaknya titik data, V adalah pusat cluster, n 2 d adalah variation dari cluster i j j= 1 ke-i, dij = µ ij X j Vi adalah fuzzy deviation X j dari cluster ke-i, dan notasi biasanya merupakan norma (panjang) penghitungan jarak Euclidean,.

14 6 d ij adalah jarak antara X j dan V i yang diboboti oleh derajat keanggotaan fuzzy titik ke-j pada cluster ke-i, 2 min V V adalah separation yang i, j i j merupakan jarak minimum antarpusat cluster. Kubus Data Fuzzy Himpunan fuzzy dapat didefinisikan untuk atribut kuantitatif, misalkan x, dengan fungsi keanggotaan setiap himpunan fuzzy sedemikian sehingga nilai dari x memenuhi persyaratan berada dalam satu atau lebih himpunanhimpunan fuzzy tersebut. Misalkan F x = 1 2 n { f x, fx,..., f x } adalah himpunan dari n himpunan fuzzy untuk atribut x. Fungsi keanggotaan dari himpunan fuzzy ke-j dalam F x, dinotasikan dengan µ j, menyatakan pemetaan dari f x domain untuk x ke dalam interval [0, 1]. Jika µ j (v) = 1 maka nilai v dari x secara penuh f x j merupakan anggota untuk himpunan fuzzy f x. Jika µ j (v) = 0 berarti bahwa v bukanlah f x anggota dari f x j. Semua nilai yang lain di antara 0 dan 1, menentukan keanggotaan parsial (Alhajj & Mehmet 2003). Konsep tersebut selanjutnya digunakan untuk membangun kubus data fuzzy. Gambar 9 menunjukkan kubus data fuzzy 3 dimensi, di mana setiap dimensi memiliki dua atribut dan banyaknya fungsi keanggotaan dari setiap atribut berkisar 2 dan 3. Dalam Gambar 9, setiap dimensi dari kubus data mengandung k n i i= nilai dengan n i adalah banyaknya fungsi keanggotaan dari atribut x i, k adalah banyaknya atribut, keduanya dalam dimensi X, dan +1 menunjukkan nilai total di mana setiap sel menyimpan nilai agregasi dari barisbaris sebelumnya. Seperti halnya dalam kubus data crisp, terhadap kubus data fuzzy dapat diaplikasikan operasi-operasi seperti dice, slice, roll-up dan drill-down. Gambar 9 Contoh kubus data fuzzy 3 dimensi (Alhajj & Mehmet 2003) Dimensi Fuzzy Elemen (sel) pada dimensi data crisp dapat digabungkan menjadi satu elemen pada level di atasnya. Untuk kasus fuzzy, suatu elemen dapat direlasikan dengan lebih dari satu elemen pada level di atasnya dan derajat dari relasi tersebut berada pada interval [0,1]. Kinship relation mendefinisikan derajat dari relasi tersebut sebagai berikut (Molina et al ): Untuk tiap pasangan level l i dan l j di mana l j H i, didefinisikan µ ij : l i l j [0,1] Setiap derajat dari elemen-elemen dimasukkan di dalam satu elemen pada level parent dapat dilakukan dengan menggunakan relasi tersebut. Dengan menggunakan relasi antarelemen dalam dua level berurutan, dapat didefinisikan relasi antara tiap-tiap pasangan nilai dalam level yang berbeda di suatu dimensi yang disebut extended kinship relation. Untuk menghasilkan suatu nilai agregasi, dilakukan pertimbangan terhadap semua kemungkinan path antarelemen dalam hirarki. Masing-masing nilai dikalkulasikan dengan mengagregasikan kinship relation pada dua level menggunakan operator dan di mana operator tersebut secara berurutan adalah t-norm dan t-conorm yaitu implementasi dari operator minimum dan maksimum. Contoh sederhana dapat dilihat pada Gambar 10 (Molina et al ).

15 7 Gambar 10 Contoh path pada dimensi fuzzy Gambar 10 menunjukkan path yang akan menjadi alur untuk mengkalkulasikan nilai agregasi. Proses kalkulasi nilai-nilai dari contoh tersebut adalah sebagai berikut: (1 0.7) (1 0.3) (1 0) = 0.7 METODE PENELITIAN Tahapan Penelitian Tahapan penelitian terdiri dari empat tahapan yaitu: 1. Pengumpulan dataset yang terdiri dari atribut numerik 2. Tahapan praproses data meliputi ekstraksi, pembersihan, transformasi, dan pemuatan (load). Tahap-tahap praproses data dapat dilihat pada Gambar 11. Gambar 11 Tahap praproses data 3. Perancangan dan konstruksi data multidimensi fuzzy 4. Perancangan antarmuka kueri Fuzzy OLAP. Praproses Data Praproses data adalah proses yang harus dilakukan sebelum membuat data warehouse. Proses-proses tersebut adalah: 1 Ekstraksi (extraction) Ekstraksi adalah pengambilan data yang relevan untuk analisis dari basis data operasional sebelum masuk ke data warehouse. Pada ekstraksi, atribut-atribut dan record-record yang diinginkan dipilih dan diambil dari basis data operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam analisis dan pembuatan keputusan. Elemen data yang diperlukan adalah atribut pada data Podes Jawa Barat tahun 2003 dan 2006 yang bersifat numerik agar dapat diimplementasikan konsep fuzzy dan merupakan atribut data yang mengandung konsep hirarki agar dapat terlihat pola agregasi pada saat pengimplementasian operasi OLAP, serta atribut yang terdapat pada data Potensi Desa Jawa Barat tahun 2003 dan 2006 antartahun. 2 Pembersihan (cleaning) Pada pembersihan semua kesalahan dihilangkan dan diperbaiki. Pembersihan dilakukan untuk menghilangkan kesalahan (error). Kesalahan yang umum terjadi adalah nilai yang hilang (missing values), noise, dan data yang tidak konsisten. Pembersihan dilakukan dengan mengisi nilai yang kosong dan menghilangkan noise. 3 Transformasi (transformation) Pada transformasi, data Podes Jawa Barat tahun 2003 dan 2006 yang terpilih diberikan format dan nama yang umum. Proses transformasi dilakukan agar data tetap konsisten. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada basis data yang berbeda. Setelah transformasi nama, semua elemen data harus dikonversikan ke format yang sama. Transformasi selanjutnya adalah transformasi nilai dari data crisp ke data fuzzy. Pembentukan data fuzzy dilakukan melalui proses clustering menggunakan algoritma FCM untuk menentukan

16 8 himpunan fuzzy dan derajat keanggotaannya. Langkah selanjutnya adalah menentukan validitas cluster. Tujuan dilakukannya validasi terhadap fuzzy clustering yaitu untuk mencari skema clustering di mana sebagian besar vektor dari suatu himpunan data menunjukkan derajat keanggotaan yang tinggi dalam suatu cluster. Pengukuran kevalidan cluster dilakukan menurut metode Xie dan Beni (1991) yang menjelaskan bahwa kevalidan sebuah cluster (S) ditentukan oleh dua hal yaitu: ukuran kedekatan antaranggota pada tiap cluster (compactness), dan ukuran keterpisahan antarcluster satu dengan cluster yang lainnya (separation). Semakin kecil nilai S, maka cluster tersebut semakin valid. 4 Pemuatan (loading) Setelah tahap ekstraksi, pembersihan, dan transformasi dilakukan, maka data dapat dimasukkan ke data warehouse. Data yang dimasukkan ke dalam data warehouse adalah data crisp dan data fuzzy. Arsitektur Sistem Sistem yang akan dibangun mengikuti arsitektur data warehouse tiga tingkat seperti terlihat pada Gambar 12: Gambar 12 Arsitektur tiga tingkat data warehouse (Han & Kamber 2001) 1 Tingkat bawah (bottom tier) Tingkat bawah arsitektur data warehouse adalah server basis data warehouse yang biasanya sebuah sistem basis data relasional. Tahap ini data diambil dari basis data operasional dan sumber eksternal lainnya. Data disimpan sebagai data warehouse. 2 Tingkat tengah (middle tier) Pada tingkat tengah, operasi OLAP dilakukan pada data warehouse yang sudah terbentuk. Implementasi operasi OLAP disesuaikan dengan struktur data Podes Jawa Barat 2003 dan 2006, yang mencakup struktur hirarki data. Pada penelitian ini, operasi OLAP diimplementasikan sesuai dengan aturanaturan pada konsep fuzzy, termasuk fungsi agregasi fuzzy yang digunakan. 3 Tingkat atas (top tier) Pada tingkat atas, data warehouse telah terbentuk dan digunakan oleh pengguna. Perangkat analisis berupa perangkat query dan grafik dibuat untuk memudahkan analisis data. Lingkungan Pengembangan Sistem Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam pengembangan sistem adalah sebagai berikut: a. Perangkat keras berupa komputer personal dengan spesifikasi: - Processor: AMD Athlon TM XP Memory: 768 MB - Harddisk 40 GB - Keyboard dan mouse - Monitor b. Perangkat lunak: - Sistem operasi: Microsoft Windows XP Professional - DBMS: Oracle 10g Release 2 - Data Warehouse dan OLAP: Analytic Workspace Manager dan Measure Data Viewer - MATLAB 7 untuk clustering data - Microsoft SQL Server 2000 dan Microsoft Excel untuk praproses data. HASIL DAN PEMBAHASAN Praproses Data Praproses dilakukan terhadap data Podes Jawa Barat 2003 dan 2006, tahapan praproses yang dilakukan adalah sebagai berikut:

17 9 1. Ekstraksi Tahapan ekstraksi adalah melakukan pemilihan atribut yang relevan untuk analisis yaitu atribut numerik, atribut berhirarki, dan atribut yang ada pada data Potensi Desa Jawa Barat tahun 2003 dan 2006 antartahun. Atribut pada data Potensi Desa Jawa Barat tahun 2003 dan 2006 yang terpilih adalah atribut lokasi meliputi desa, kecamatan, dan kabupaten di Jawa Barat, serta atribut yang berhubungan dengan kependudukan yang meliputi jumlah penduduk dan jumlah rumah tangga prasejahtera 1 serta jumlah keluarga keseluruhan di masing-masing desa, luasan lahan, dan pendidikan yang meliputi jumlah sekolah dari TK sampai SMA. Atributatribut yang terpilih dan deskripsinya dapat dilihat pada Lampiran Pembersihan Tahap pembersihan data tidak perlu dilakukan, karena data yang digunakan sudah bersih. 3. Transformasi Tahap transformasi adalah memberikan format yang umum pada data, meliputi menyamakan nama atribut yang sama pada data tahun 2003 dan 2006 atau memberikan nama atribut dengan nama yang umum sehingga atribut antartahun menjadi seragam dan lebih informatif. Selain itu, juga dilakukan penggabungan atribut pada data tahun 2003 karena pada data tahun 2006 beberapa atribut yang sesuai dengan atribut data tahun 2003 dijadikan satu. Pembentukan atribut baru juga dilakukan yang bertujuan untuk mendefinisikan secara lengkap hirarki data. Atribut baru yang dibuat adalah atribut Keluarga bukan Prasejahtera I. Nilai-nilai atribut tersebut didapatkan dari mengurangi nilai atribut jumlah keluarga keseluruhan dengan nilai atribut jumlah keluarga Prasejahtera I, sehingga nantinya akan dapat didefinisikan hirarki data untuk dimensi rumah tangga. Pada penelitian kali ini, data yang akan dimasukkan ke dalam data warehouse bukan hanya data fuzzy tetapi juga data dalam bentuk crisp. Praproses data yang telah dilakukan sebelumnya adalah menghasilkan data crisp, untuk itu perlu adanya proses lanjutan untuk menghasilkan data dalam bentuk fuzzy. Pembentukan data fuzzy dilakukan dengan proses clustering terhadap seluruh atribut yang telah terpilih dengan menggunakan algoritma FCM untuk menentukan himpunan fuzzy dan fungsi keanggotaannya. Proses clustering menggunakan algoritma FCM dapat menentukan jumlah cluster yang diinginkan. Akan tetapi, untuk memilih cluster yang terbaik dilakukan pengukuran kevalidan cluster, sehingga proses clustering dicobakan berulang-ulang dengan jumlah cluster yang berbeda-beda kemudian dilihat nilai kevalidan cluster. Cluster yang valid adalah yang memiliki nilai kevalidan cluster (S) terkecil. Pada penelitian kali ini, penentuan himpunan fuzzy tidak hanya berdasarkan pada ukuran kevalidan cluster tetapi juga memperhatikan kesamaan jumlah cluster pada dimensi yang sama. Hal ini dilakukan dengan pertimbangan bahwa dalam struktur data warehouse atribut dalam satu dimensi yang sama harus sama jumlahnya termasuk measure yang digunakan juga harus sama. Clustering dilakukan terpisah antara atributatribut dalam data tahun 2003 dan 2006, sehingga memungkinkan terjadinya ketidaksamaan jumlah cluster yang valid antartahun pada dimensi yang sama. Jika terjadi ketidaksesuaian maka dilakukan penyesuaian dengan memilih selisih nilai S terkecil. Atribut yang memiliki selisih S terkecil akan dipilih cluster yang jumlahnya sama dengan atribut yang berada pada dimensi yang sama dan memiliki selisih nilai S lebih besar. Jadi pemilihan cluster pada atribut tersebut bukan berdasarkan pada nilai S terkecilnya, tapi disesuaikan dengan nilai S terkecil atribut lain dalam satu dimensi. Selain itu, percobaan untuk menentukan jumlah cluster hanya dibatasi sampai lima cluster saja. Hal ini disebabkan jika lebih dari lima cluster yang terbentuk maka variabel linguistic yang dihasilkan menjadi kurang informatif. Pada Tabel 1 nilai S terkecil sama dengan 0,00117 saat jumlah cluster yang digunakan sama dengan 2, sedangkan pada Tabel 2 nilai S terkecil sama dengan 0,00003 yang terjadi pada saat jumlah cluster sama dengan 3. Selisih

18 10 nilai S antara jumlah cluster dua dan tiga pada Tabel 1 sama dengan Selisih selisih nilai S antara jumlah cluster dua dan tiga pada Tabel 2 sama dengan Oleh karena selisih nilai S antara jumlah cluster dua dan tiga pada Tabel 2 lebih sedikit daripada selisih nilai S antara jumlah cluster dua dan tiga pada Tabel 1, maka pemilihan jumlah cluster untuk Tabel 2 disesuaikan dengan jumlah cluster valid yang terbentuk pada Tabel 1, jadi jumlah cluster yang terpilih untuk dua atribut tersebut adalah sama dengan dua cluster. Tabel 1 Validasi atribut lahan bukan sawah untuk non pertanian 2006 Jumlah Cluster Compactness Separation S 2 4,E+04 3,E+07 0, ,E+04 2,E+05 0, ,E+03 1,E+05 0, ,E+03 4,E+04 0,12196 Tabel 2 Validasi atribut lahan bukan sawah untuk non pertanian 2003 Jumlah Cluster Compactness Separation S 2 4,69E+05 1,19E+10 0, ,70E+04 2,68E+09 0, ,54E+04 6,15E+04 0, ,78E+03 4,48E+04 0,06198 Hasil keseluruhan pengukuran kevalidan cluster dapat dilihat pada Lampiran 2 dan beberapa contoh hasil dari proses clustering yaitu derajat keanggotaan dan linguistic yang sesuai dengan jumlah cluster valid yang terpilih dapat dilihat pada Lampiran Pemuatan (loading) Tahap pemuatan atau loading adalah tahap pemasukan data yang sudah siap ke data warehouse. Tingkat Bawah (Bottom Tier) Pada tingkat ini data diambil dari basis data operasional. Selain itu, dilakukan penyesuaian struktur data terhadap skema data warehouse. Data yang dimasukkan ke dalam data warehouse disesuaikan dengan rancangan skema data multidimensi yang dinginkan, untuk menggambarkan hubungan antardata. Sebelum skema didefinisikan, terlebih dahulu dilakukan pembuatan tabel-tabel yang nantinya akan digunakan untuk mendefinisikan hubungan antardata yang digambarkan pada skema. Tabeltabel yang perlu dibuat adalah tabel dimensi yang terlihat pada Tabel 3 dan 5, serta dan tabel fakta yang terlihat pada Tabel 4 dan 6. Tabel 3 Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data crisp Nama Tabel Deskripsi Dim_Lokasi_Crisp Dim_Tahun_Crisp Dim_Penduduk_Crisp Dim_Rt_Crisp Dim_Lahan_Crisp Dim_Sekolah_Crisp Berisikan kode dan lokasi atau daerah dari tingkat desa sampai tingkat provinsi di Jawa Barat Berisikan kode dan tahun data yang digunakan Berisikan kode dan penjelasan tentang struktur penduduk Berisikan kode dan penjelasan struktur rumah tangga Berisikan kode dan penjelasan struktur atau macam-macam pengelompokan lahan Berisikan kode dan penjelasan struktur atau macam-macam sekolah Tabel 4 Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data crisp Nama Tabel Deskripsi Fakta_Penduduk_Crisp Berisikan kode dan nilai numerik atau measure data crisp penduduk yang berupa jumlah penduduk dalam satuan orang

19 11 Tabel 4 lanjutan Nama Tabel Fakta_Lahan_Crisp Fakta_Sekolah_Crisp Fakta_Rt_Crisp Deskripsi Berisikan kode dan nilai numerik atau measure data crisp lahan yang berupa luas lahan dalam satuan Ha Berisikan kode dan nilai numerik atau measure data crisp sekolah yang berupa jumlah sekolah dalam satuan unit Berisikan kode dan nilai numerik atau measure data crisp rumah tangga yang berupa jumlah rumah tangga dalam satuan keluarga Tabel 5 Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data fuzzy Nama Tabel Deskripsi Dim_Lokasi Dim_Tahun Dim_Penduduk Dim_Rt Berisikan kode dan lokasi atau daerah dari tingkat desa sampai tingkat provinsi di Jawa Barat Berisikan kode dan tahun data yang digunakan Berisikan kode dan penjelasan tentang struktur penduduk termasuk linguistic penduduk Berisikan kode dan penjelasan tentang struktur rumah tangga termasuk linguistic rumah tangga Tabel 5 lanjutan Nama Tabel Dim_Lahan Dim_Sekolah Deskripsi Berisikan kode dan penjelasan struktur atau macam-macam pengelompokan lahan termasuk linguistic lahan Berisikan kode dan penjelasan struktur atau macam-macam sekolah termasuk linguistic sekolah Tabel 6 Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data fuzzy Nama Tabel Deskripsi Fakta_Penduduk Fakta_Rt Fakta_Lahan Fakta_Sekolah Berisikan kode dan nilai numerik atau measure yang berupa nilai-nilai derajat keanggotaan sesuai dengan linguistic-nya Berisikan kode dan nilai numerik atau measure yang berupa nilai-nilai derajat keanggotaan sesuai dengan linguistic-nya Berisikan kode dan nilai numerik atau measure yang berupa nilai-nilai derajat keanggotaan sesuai dengan linguistic-nya Berisikan kode dan nilai numerik atau measure yang berupa nilai-nilai derajat keanggotaan sesuai dengan linguistic-nya Setelah itu, dilakukan perancangan skema yang digunakan untuk menunjukkan hubungan antara tabel dimensi dengan tabel fakta. Skema ditentukan berdasarkan kebutuhan data warehouse dan keinginan pembuat data warehouse. Penelitian ini menggunakan skema

20 12 galaksi untuk menggambarkan hubungan antardata. Skema galaksi untuk data crisp yang terbentuk dapat dilihat pada Gambar 13 dan skema galaksi untuk data fuzzy terlihat pada Gambar 14. Skema yang terlihat pada Gambar 13 dan 14 akan digunakan sebagai kerangka untuk pembangunan data warehouse utama. Masingmasing skema memiliki enam tabel dimensi yang mendefinisikan atribut-atribut kategorik serta hirarki data dan memiliki 4 tabel fakta yang berisikan nilai-nilai numerik berupa primary key dari setiap dimensi yang dihubungkan serta nilai measure yang akan dioperasikan. Dimensi lokasi dan dimensi tahun digunakan secara bersama-sama (shared). Pada tiap-tiap skema terbentuk masing-masing empat kubus data sesuai dengan subjeknya. Kubus data dibentuk berdasarkan kombinasi dari beberapa tabel dimensi dan tabel fakta yang saling berhubungan seperti yang telah tergambarkan pada skema yang ditunjukkan pada Gambar 13 dan 14. Untuk keperluan implementasi, dibuat skema galaksi yang menyesuaikan keperluan software Oracle. Skema tersebut merupakan pengembangan dari skema yang terlihat pada Gambar 13 dan 14. Skema yang dihasilkan dapat dilihat di Lampiran 4. Data warehouse dalam bentuk crisp terdiri dari empat kubus data dengan masing-masing subjeknya yaitu penduduk, rumah tangga, lahan, dan sekolah. Pada tiap-tiap kubus data memiliki measure secara berurutan sesuai subjeknya adalah jumlah penduduk (orang), jumlah rumah tangga (keluarga), luas (Ha), dan jumlah sekolah (unit) Data warehouse dalam bentuk fuzzy juga terdiri dari empat kubus data dengan subjek yang sama dengan data warehouse crisp. Hal yang membedakan adalah pada data warehouse fuzzy memiliki measure yang merupakan nilai derajat keanggotaan pada tiap-tiap fungsi keanggotaan hinpunan fuzzy yang telah didefinisikan pada masing-masing dimensinya. Misalnya nilai fuzzy penduduk pada kubus data penduduk merupakan nilai derajat keanggotaan terhadap variabel linguistic banyak dan sedikit yang telah terdefinisi pada dimensi penduduk. Gambar 13 Skema galaksi untuk data crisp Gambar 14 Skema galaksi untuk data fuzzy

21 13 Selain melakukan loading data crisp dan data fuzzy ke dalam dua warehouse yang terpisah, dibuat juga modul tambahan berisi table-tabel pendukung yang bertujuan untuk menjelaskan tentang pemaknaan nilai-nilai agregasi yang terdapat pada kubus data fuzzy, serta penggabungan antara nilai crisp dan fuzzy. Modul yang dibangun ada tiga yaitu modul_desa, modul_kecamatan, dan modul_kabupaten. Rancangan skema relasi untuk masing-masing modul dapat dilihat pada Lampiran 5. Tingkat Tengah (Middle Tier) Pada tingkat tengah adalah implementasi operasi OLAP pada data warehouse yang sudah terbentuk. Operasi OLAP yang diimplementasikan meliputi operasi roll-up, drill-down, slice, dice, dan pivot. Pada penelitian ini, operasi OLAP pada data crisp menggunakan fungsi agregasi biasa yaitu menggunakan operator agregasi berupa sum, seperti yang terlihat pada Gambar 17 bahwa untuk nilai di level kecamatan, kabupaten, dan provinsi adalah hasil penjumlah nilai sel-sel di level bawahnya. Untuk data fuzzy operasi OLAP diimplementasikan sesuai dengan aturanaturan pada konsep fuzzy. Untuk menghasilkan suatu nilai agregasi, dilakukan pertimbangan terhadap semua kemungkinan path antarelemen dalam hirarki. Masing-masing nilai dikalkulasikan dengan mengagregasikan kinship relation menggunakan operator dan di mana operator tersebut secara berurutan adalah t-norm dan t-conorm. Nilai pada level yang saling berurutan di suatu path dikalkulasikan dengan menggunakan operator t-norm kemudian hasil dari kalkulasi tiap-tiap path diagregasikan menggunakan operator t-conorm untuk mendapatkan nilai agregasi pada level yang lebih tinggi. Fungsi t-norm adalah mengambil nilai minimum dari path yang levelnya berurutan, sedangkan fungsi t-conorm adalah mengambil nilai maksimum dari hasil kalkulasi pada tiap-tiap path yang telah dikalkulasikan dengan fungsi t-norm sebelumnya. Misalnya seperti yang terlihat pada Gambar 15 desa Malasari untuk kasus penduduk laki-laki nilai pada linguistic banyak nilainya sama dengan 0.02 dan nilai pada linguistic sedikit 0.98, maka nilai untuk derajat keanggotaan laki-laki secara keseluruhan adalah Nilai tersebut adalah nilai maksimum antara linguistic banyak dan linguistic sedikit. Maksud dari ringkasan nilai laki-laki sama dengan 0.98 adalah menjelaskan bahwa jumlah penduduk laki-laki di desa Malasari masuk ke dalam kategori linguistic banyak. Tingkat Atas (Top Tier) Pada tingkat top tier adalah menampilkan data warehouse yang telah terbentuk, sehingga dapat digunakan oleh pengguna. Penyajian data dapat dilakukan dari berbagai sudut pandang, misalnya ringkasan data yang menampilkan elemen-elemen yang merupakan potensi daerah di Provinsi Jawa Barat atau penyajian data secara detil di elemen terkecil yaitu tingkat desa. Gambar 15 adalah contoh tampilan kubus data fuzzy untuk subjek penduduk tahun 2003 di level paling bawah yaitu level desa. Operasi OLAP yang diimplementasikan salah satunya adalah operasi roll-up seperti yang terlihat pada Gambar 16 yang merupakan hasil dari operasi roll-up pada dimensi lokasi untuk contoh kasus yang terlihat pada Gambar 15, di mana nilai pada setiap sel di kecamatan adalah hasil agregasi yang merupakan nilai maksimum dari derajat keanggotaan di masing-masing desa. Contoh tampilan hasil operasi OLAP lainnya dapat dilihat pada Lampiran 6. Tampilan yang terbentuk juga dilengkapi dengan grafik sebagai bentuk visualisasi data seperti yang terlihat pada Lampiran 7. Selain itu, juga dilengkapi dengan query builder dalam bentuk query wizard yang dapat mempermudah pengguna untuk menjalankan operasi OLAP. Bentuk query builder dapat dilihat di Lampiran 8. Nilai-nilai yang ditampilkan di setiap elemen pada kubus data crisp adalah berupa nilai numerik yang sesuai dengan sumber data aslinya. Nilai data crisp untuk level yang lebih tinggi merupakan hasil agregasi menggunakan operator sum, yang memiliki makna jelas pada masing-masing subjek dan measure yang telah didefinisikan. Contoh tampilan data crisp terlihat pada Gambar 17 dengan contoh kasus menampilkan subjek penduduk tahun Pada Gambar 17 nilai di setiap elemen adalah nilai real jumlah penduduk baik laki-laki maupun perempuan di masing-masing daerahnya.

22 14 Gambar 15 Contoh tampilan fuzzy OLAP untuk subjek penduduk tahun 2003 pada level desa Gambar 16 Contoh operasi roll-up pada dimensi lokasi

23 15 Gambar 17 Contoh tampilan data crisp untuk contoh kasus tampilan subjek penduduk tahun Nilai-nilai yang ditampilkan pada kubus data fuzzy adalah nilai derajat keanggotaan terhadap himpunan fuzzy yang telah dibentuk dan diproses terlebih dahulu. Nilai derajat keanggotaan pada level lebih tinggi merupakan nilai maksimum dari level di bawahnya. Untuk memahami makna nilai agregasi tersebut adalah dengan mempertimbangkan perbandingan nilai derajat keanggotaan antarlinguisticnya, misalnya jika derajat keanggotaan pada linguistic A lebih besar daripada nilai derajat keanggotaan pada linguistic B maka nilai tersebut masuk ke dalam kategori A. Contohnya pada Gambar 15 derajat keanggotaan penduduk laki-laki di kecamatan Nanggung sama dengan 1 dan dikatakan panduduk laki-laki di kecamatan Nanggung termasuk sedikit. Hal ini diperoleh dari nilai maksimum antara linguistic banyak dan sedikit pada kecamatan tersebut. Oleh karena nilai linguistic banyak sama 0.32 dan nilai linguistic sedikit sama dengan 1 maka kecamatan Nanggung masuk ke kategori sedikit. Akan tetapi, jika nilai hasil agregasi menunjukkan bahwa perbandingan nilai linguistic-nya adalah sama, maka dilakukan pertimbangan dengan mengacu pada elemen-elemen di level yang paling bawah, yaitu jika nilai hasil agregasi pada setiap linguistic-nya sama maka dilakukan pertimbangan dengan melihat nilai maksimum jumlah derajat keanggotaan yang nilainya lebih dari 0,5 pada masing-masing linguistic yang telah didefinisikan. Linguistic yang memiliki jumlah nilai keanggotaan lebih dari 0,5 yang paling besar akan menjadi kategori dari nilai tersebut. Contohnya pada Gambar 15 untuk kecamatan Nanggung penduduk memiliki derajat keanggotan sama dengan 1 dan dikatakan masuk kategori sedikit. Ringkasan ini diperoleh dari mengambil nilai derajat keanggotaan maksimum pada level penduduk laki-laki dan perempuan serta di setiap nilai pada linguistic-nya. Oleh karena jumlah derajat keanggotan yang nilainya lebih dari 0.5 pada linguistic sedikit di masingmasing level laki-laki dan perempuan jumlahnya lebih besar dari pada di linguistic banyak, maka

24 16 penduduk di kecamatan Nanggung masuk kategori sedikit. Modul-modul tambahan yang telah dibuat untuk membantu dalam memahami makna nilai agregasi fuzzy terdiri dari: Modul_desa Modul_desa menampilkan nilai crisp dan nilai derajat keanggotaan. Contoh tampilan modul desa dapat dilihat pada Gambar 18. Derajat keanggotaan yang ditampilkan adalah derajat keanggotaan dasar pada level terbawah untuk dimensi subjeknya yaitu dimensi penduduk dan dimensi lokasi. Selain itu, juga menampilkan nilai crisp yang dapat diagregasikan berdasarkan dimensi lokasi. Pada Gambar 18 terlihat di level desa dijelaskan secara rinci baik itu nilai cirsp maupun nilai di setiap linguistic-nya. Gambar 18 Contoh tampilan modul_desa Modul_kecamatan Modul_kecamatan menampilkan nilai crisp dan kategori umum untuk tingkat kecamatan. Beberapa keterangan mengenai kategori umum dapat dilihat pada Lampiran 9. Contoh tampilan modul_kecamatan dapat dilihat pada Gambar 19. Nilai crisp dan kategori umum yang ditampilkan tidak dapat langsung disimpulkan dengan menghubungkan keduanya. Pada Gambar 19 terlihat bahwa untuk kecamatan Majalaya jumlah penduduk laki-laki orang dan masuk kategori umum 1 yaitu banyak, sedangkan kecamatan Rancaekek jumlah penduduk laki-laki orang dan masuk kategori umum 2 yaitu sedikit. Kasus di atas akan terlihat tidak valid jika disimpulkan secara langsung. Pengambilan kesimpulan yang benar untuk nilai tersebut adalah kecamatan Majalaya memiliki jumlah penduduk laki-laki orang di mana jumlah derajat keanggotaan yang lebih dari 0,5 di level desa pada linguistic banyak lebih besar daripada jumlah derajat keanggotaan

25 17 yang lebih dari 0,5 pada linguistic sedikit, sehingga jumlah penduduk laki-laki di kecamatan Majalaya masuk kategori umum 1 yaitu banyak atau dapat dikatakan bahwa jumlah penduduk laki-laki di kecamatan Majalaya secara umum di masing-masing daerahnya masuk kategori banyak. Untuk kecamatan Rancaekek meskipun secara real jumlah penduduk laki-laki lebih besar daripada jumlah penduduk laki-laki di kecamatan Majalaya, kecamatan Rancaekek masuk ke dalam ketegori umum 2 yaitu sedikit. Hal ini dikarenakan jumlah derajat keanggotaan yang lebih dari 0,5 pada linguistic sedikit lebih besar daripada jumlah derajat keanggotaan yang lebih dari 0,5 pada linguistic banyak atau secara umum jumlah penduduk laki-laki pada masing-masing daerah di kecamatan Rancaekek termasuk dalam kategori sedikit. Gambar 19 Contoh tampilan modul_kecamatan Modul_kabupaten Modul_kabupaten menampilkan nilai crisp dan kategori umum untuk tingkat kabupaten. Beberapa keterangan mengenai kategori umum dapat dilihat pada Lampiran 9. Contoh tampilan modul_ kabupaten dapat dilihat pada Gambar 20. Sama halnya seperti pada modul_kecamatan, nilai crisp dan kategori umum yang ditampilkan tidak dapat langsung disimpulkan dengan menghubungkan keduanya. Pada Gambar 20 terlihat bahwa untuk kabupaten Cimahi jumlah penduduk laki-laki orang dan masuk kategori umum 1 yaitu banyak, sedangkan kabupaten Cianjur jumlah penduduk laki-laki orang dan masuk kategori umum 2 yaitu sedikit. Kasus di atas akan terlihat tidak valid jika disimpulkan secara langsung. Pengambilan kesimpulan yang benar untuk nilai tersebut adalah kabupaten Cimahi memiliki jumlah penduduk laki-laki orang di mana jumlah derajat keanggotaan yang lebih dari 0,5 di level desa pada linguistic banyak lebih besar daripada jumlah derajat keanggotaan yang lebih dari 0,5 pada linguistic sedikit, sehingga jumlah penduduk laki-laki di

26 18 kabupaten Cimahi masuk kategori umum 1 yaitu banyak atau dapat dikatakan bahwa jumlah penduduk laki-laki di kabupaten Cimahi secara umum di masing-masing daerahnya masuk kategori banyak. Untuk kabupaten Cianjur meskipun secara real jumlah penduduk laki-laki lebih besar daripada jumlah penduduk laki-laki di kabupaten Cimahi, kabupaten Cianjur masuk ke dalam ketegori umum 2 yaitu sedikit. Hal ini dikarenakan jumlah derajat keanggotaan yang lebih dari 0,5 pada linguistic sedikit lebih besar daripada jumlah derajat keanggotaan yang lebih dari 0,5 pada linguistic banyak atau secara umum jumlah penduduk laki-laki pada masing-masing daerah di kabupaten Cianjur termasuk dalam kategori sedikit. Gambar 20 Contoh tampilan modul_kabupaten KESIMPULAN DAN SARAN Kesimpulan Penelitian ini menghasilkan data warehouse yang dibangun berdasarkan konsep fuzzy serta data warehouse untuk data crisp sebagai pelengkap penyajian informasi. Data warehouse yang dibangun menggunakan konsep fuzzy selain melalui tahapan praproses data juga melalui proses clustering menggunakan algoritma FCM untuk mendapatkan himpunan fuzzy dan nilai derajat keanggotaan tiap atribut. Nilai derajat keanggotaan yang didapatkan merupakan measure, sedangkan linguistic yang didefinisikan dari jumlah cluster merupakan salah satu dari atribut pada level terbawah dalam dimensi yang terkait. Data warehouse fuzzy memiliki 4 kubus data yaitu penduduk, rumah tangga, lahan, dan sekolah. Operasi-operasi yang diimplementasikan adalah operasi roll-up, drill-down, slice, dice, dan pivot. Operasi untuk fuzzy OLAP dilakukan sesuai dengan konsep pengoperasian data multidimensi fuzzy. Operator untuk mendapatkan nilai agregasi pada konsep fuzzy adalah menggunakan operator t-norm atau t-conorm yang merupakan implementasi dari operator minimum atau maksimum. Tampilan data disajikan dalam bentuk crosstab dan graph.