PENAMBAHAN KUBUS SOSIAL EKONOMI PADA SISTEM OLAP SPASIAL UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MUHAMMAD ZULFIKAR

Transkripsi

1 PENAMBAHAN KUBUS SOSIAL EKONOMI PADA SISTEM OLAP SPASIAL UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MUHAMMAD ZULFIKAR DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Penambahan Kubus Sosial Ekonomi pada Sistem OLAP Spasial untuk Persebaran Titik Panas di Indonesia adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Juni 2016 Muhammad Zulfikar NIM G

4 ABSTRAK MUHAMMAD ZULFIKAR. Penambahan Kubus Sosial Ekonomi pada Sistem OLAP Spasial untuk Persebaran Titik Panas di Indonesia. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Titik panas dapat digunakan sebagai salah satu indikator untuk memprediksi kebakaran lahan dan hutan. Analisis kombinasi antara data titik panas dengan data sosial ekonomi berguna untuk mengidentifikasi faktor manusia yang dapat menyebabkan kebakaran hutan. Pada penelitian sebelumnya telah dibangun sistem spatial OLAP (SOLAP) yang menghasilkan ringkasan dan visualisasi sebaran titik panas di Indonesia. Namun, sistem ini belum memberikan informasi tentang faktor sosial ekonomi. Pada penelitian ini dilakukan pembuatan kubus data untuk sosial ekonomi dengan skema data warehouse yang digunakan adalah skema galaksi. Terdapat tambahan satu tabel fakta sosial ekonomi dan satu tabel dimensi sumber penghasilan pada skema galaksi yang dibangun. Penelitian ini juga membuat SOLAP dengan tambahan kubus data sosial ekonomi dan membuat modul location intelligence untuk kubus data sosial ekonomi. Pengujian SOLAP dan modul location intelligence dilakukan menggunakan metode pengujian black box. Hasil pengujian menunjukkan bahwa fungsi utama SOLAP dan modul location intelligence telah bekerja dengan baik sesuai dengan kebutuhan sistem. Kata kunci: SpagoBI, spatial data warehouse, spatial OLAP, titik panas ABSTRACT MUHAMMAD ZULFIKAR. Adding Socio-economic Cube on Spatial OLAP System for Hotspots Distribution in Indonesia. Supervised by IMAS SUKAESIH SITANGGANG. A hotspot can be used as an indicator of land and forest fire occurrence. Analyzing hotspot data by combining the socio-economic data is useful to identify human factors that might cause forest fires. In the previous research, a spatial OLAP (SOLAP) system that produce hotspot summary and distribution in Indonesia was developed. However, the system has not provided the information about socio-economic factors yet. This research built a data cube of socioeconomic with galaxy scheme as the data warehouse scheme. The data warehouse has one fact table of socio-economic and one dimension table of income source. This research also developed a SOLAP system including a socio-economic data cube and a location intelligence module for socio-economic data cube. The SOLAP and location intelligence module were tested using black box method. The testing showed that main function of SOLAP system and location intelligence module have worked correctly according to system requirements. Keywords: hotspot, SpagoBI, spatial data warehouse, spatial OLAP

5 PENAMBAHAN KUBUS SOSIAL EKONOMI PADA SISTEM OLAP SPASIAL UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MUHAMMAD ZULFIKAR Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

6 Penguji: 1 Husnul Khotimah, SKomp MKom 2 Rina Trisminingsih, SKom MT

7

8 Judul Skripsi : Penambahan Kubus Sosial Ekonomi pada Sistem OLAP Spasial untuk Persebaran Titik Panas di Indonesia Nama : Muhammad Zulfikar NIM : G Disetujui oleh Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus:

9 PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2016 ini ialah spatial data warehouse, dengan judul Penambahan Kubus Sosial Ekonomi pada Sistem OLAP Spasial untuk Persebaran Titik Panas di Indonesia. Terima kasih penulis ucapkan kepada: 1 Ayah (Samsul Huda) dan Ibu (Novia Syuryati) serta seluruh keluarga atas segala doa serta kasih sayang yang selalu mengiringi perjalanan penulis. 2 Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing skripsi yang memberikan banyak masukan dan arahan, baik selama perkuliahan maupun penelitian. 3 Ibu Husnul Khotimah, SKomp MKom dan Ibu Rina Trisminingsih, SKom MT selaku penguji yang telah memberikan masukan dan saran dalam penelitian. 4 Irwan Adriansyah, Ananda Inshany Putri, dan Defriani Putri atas bantuan dalam pembuatan skripsi ini. 5 Teman dekat semasa kuliah, Fathia Arifa Hasanah, Ahmad Waliyuddin, Segy Hendro Pratama, Alfin Mahasin, dan Haris Zamaludin atas dukungan, bantuan, hiburan, dan kenangan selama masa kuliah penulis. 6 Teman-teman Program S1 Ilmu Komputer angkatan 49 atas dukungan, kerja sama, hiburan, dan kenangan selama masa kuliah penulis. 7 Semua pihak yang terlibat dalam skripsi ini yang tidak dapat disebutkan satu persatu. Semoga karya ilmiah ini dapat memberikan manfaat bagi semua pihak yang membutuhkan. Bogor, Juni 2016 Muhammad Zulfikar

10 DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 3 TINJAUAN PUSTAKA 3 Data Warehouse 3 Spatial Online Analytical Processing (SOLAP) 6 Framework SpagoBI 8 METODE 8 Data Penelitian 8 Tahapan Penelitian 9 Peralatan Penelitian 11 HASIL DAN PEMBAHASAN 11 Analisis SOLAP Awal 11 Praproses Data 12 Perancangan Kubus Data Sosial Ekonomi 14 Implementasi Kubus Data Sosial Ekonomi 14 Perancangan SOLAP untuk Kubus Data Sosial Ekonomi 15 Implementasi SOLAP untuk Kubus Data Sosial Ekonomi 15 Perancangan Modul Location Intelligence untuk Kubus Data Sosial Ekonomi 17 Implementasi Modul Location Intelligence untuk Kubus Data Sosial Ekonomi 17 Pengujian SOLAP dan Modul Location Intelligence 19 SIMPULAN DAN SARAN 20 Simpulan 20 Saran 20 ix ix

11 DAFTAR PUSTAKA 20 RIWAYAT HIDUP 22

12 DAFTAR TABEL 1 Contoh data sosial ekonomi mengenai jumlah SD, SMP, dan SMA 9 2 Atribut pada data sosial ekonomi mengenai sumber penghasilan 9 3 Skenario dan hasil uji fungsi SOLAP 19 4 Skenario dan hasil uji verifikasi data 19 DAFTAR GAMBAR 1 Arsitektur skema star (Han et al. 2012) 4 2 Arsitektur skema snowflake (Han et al. 2012) 5 3 Arsitektur skema galaksi (Han et al. 2012) 5 4 Skema star untuk data warehouse Hasanah (2015) 7 5 Skema galaksi untuk data warehouse Adriansyah (2016) 7 6 Interaksi modul SpagoBI (Cazzin G 2012) 8 7 Tahapan penelitian 10 8 Tampilan hasil operasi drill down dimensi waktu pada OLAP (Adriansyah 2016) 12 9 Query untuk mengimpor file excel Query untuk menjumlahkan atribut SD, SMP dan SMA Query untuk mencari sumber penghasilan terbanyak Skema galaksi data warehouse yang digunakan Daftar tabel dalam DBMS PostgreSQL Perancangan SOLAP kubus data sosial ekonomi pada SpagoBI Studio Tampilan menu document browser pada folder biadmin Hasil operasi roll up pada dimensi lokasi dan slice pada SOLAP Hasil operasi drill down pada dimensi sumber penghasilan dan dice pada SOLAP Query untuk mengambil data sosial ekonomi Visualisasi peta pada modul location intelligence dengan filter sumber penghasilan adalah pertanian Nilai range perbedaan warna pada peta 18 DAFTAR LAMPIRAN 1 Rata-rata dan simpangan baku beberapa sifat físik dan kimia tanah dari 78 contoh tanah di Kebun Percobaan CiheuleutError! Bookmark not defined. 2 Umur, indeks luas daun, dan hasil biji kering jagung yang ditanam pada lima ketinggian tempat Error! Bookmark not defined.

13

14 PENDAHULUAN Latar Belakang Kebakaran lahan dan hutan di Indonesia adalah masalah yang sangat serius. Kebakaran ini dapat mengakibatkan kabut asap yang tercemar, emisi karbon, degradasi, dan deforestasi hutan yang mengakibatkan hilangnya hasil hutan seperti kayu, hasil hutan non kayu, dan keanekaragaman hayati serta berbagai jasa lingkungan yang diberikan hutan, serta kerugian di sektor pedesaan (contohnya dampak kabut asap pada hasil produksi pertanian) (Tacconi 2003). Kerugian ini akan semakin parah jika tidak ada penanggulangan terhadapnya baik dalam pengendalian atau pemantauan kebakaran hutan. Titik panas dapat digunakan sebagai salah satu indikator untuk memprediksi kebakaran lahan dan hutan. Data titik panas diambil dengan cara mencatat berdasarkan tempat dan urutan waktu tertentu sehingga data titik panas akan terus bertambah mengikuti urutan waktu tersebut. Data yang terus bertambah akan menghasilkan tumpukan dan kumpulan data yang besar yang sering kali hanya tersimpan tanpa diolah sehingga kurang bermanfaat (Han et al. 2012). Analisis data titik panas akan menghasilkan informasi yang lebih berguna jika dikombinasikan dengan karakteristik wilayahnya, seperti data sosial ekonomi. Kombinasi titik panas dengan kondisi sosial ekonomi berguna untuk mengidentifikasi faktor manusia yang dapat menyebabkan kebakaran hutan. Sekumpulan data titik panas biasanya disajikan dalam bentuk tabel berdasarkan daerah. Data ini dinamakan data spasial karena merupakan data yang merepresentasikan posisi atau lokasi geografis dari suatu objek di permukaan bumi. Data spasial berukuran sangat besar sehingga akan membuat pengguna kesulitan dalam menemukan ringkasan data sesuai yang diinginkan. Selain itu, data sosial ekonomi yang berukuran besar jika disajikan dalam bentuk tabel akan membuat data tersebut sulit dianalisis dan rumit untuk dipahami. Oleh karena itu, diperlukan suatu media untuk memudahkan pengguna untuk menganalisis data. Online Analytical Processing (OLAP) merupakan salah satu media yang dapat membantu visualisasi dan menganalisis data. Khusus untuk data spasial, berkembanglah media baru dari OLAP bernama OLAP Spasial (Spatial OLAP). Spatial OLAP disediakan untuk menganalisis data yang berukuran besar dalam spatial data warehouse karena SOLAP memungkinkan visualisasi data melalui kartografi (peta) dan menampilkan non-kartografi (tabel). Dengan demikian analisis data dapat dilakukan dengan mudah sehingga memudahkan untuk menganalisis penyebab dan faktor terjadinya kebakaran hutan. Beberapa penelitian telah dilakukan mengenai sistem SOLAP untuk persebaran titik panas yaitu Fadli (2011), Imaduddin (2013), Hasanah (2015) dan Adriansyah (2016). Adriansyah (2016), mengembangkan sistem SOLAP dengan penambahan kubus data cuaca. Skema data warehouse yang digunakan menggunakan skema galaksi. Pada penelitian Adriansyah (2016) juga dibangun modul free inquiry, modul ad hoc reporting, dan penambahan data filter pada modul location intelligence.

15 2 Penelitian ini melakukan penambahan kubus data sosial ekonomi pada sistem SOLAP untuk persebaran titik panas di Indonesia yang telah dibangun oleh peneliti sebelumnya. Alat yang digunakan untuk penelitian ini adalah framework SpagoBI. SpagoBI adalah salah satu business intelligence tool yang lengkap, fleksibel, open source dan memiliki fitur yakni OLAP, reporting, charts, KPIs, interactive cockpits, adhoc reporting, location intelligence, free inquiry, data mining, network analysis, ETL, collaboration, office automation, masterdata management, dan external processes sehingga ditemukan banyak solusi terbaik yang mampu menghemat waktu dan sumber daya ekonomi (Cazzin 2012). Menurut Golfarelli (2009), kelebihan yang dimiliki SpagoBI adalah adanya sistem yang memudahkan penambahan modul baru untuk dilakukan pengembangan dan perbaikan pada data yang dianalisis. Modul multidimensional analysis SpagoBI adalah modul yang menyediakan mesin OLAP yang flexible dan user friendly yang dapat memonitor data dari level-level yang berbeda melalui operasi drill down, drill up, slice, dice, dan sebagainya. Pada modul location intelligence, SpagoBI menyediakan dua mesin geografis (GEO dan GIS) yang dapat membuat hubungan antara data geografis dan data bisnis di dalam data warehouse. Perumusan Masalah Pada penelitian sebelumnya telah dibangun sistem spatial data warehouse yang menggabungkan visualisasi peta dan operasi OLAP berdasarkan aspek lokasi dan waktu untuk data titik panas. Masih ada aspek lain yang dapat digunakan untuk menganalisis data titik panas diantaranya aspek sosial ekonomi. Dengan menambahkan aspek sosial ekonomi, kita dapat mempelajari dan mengidentifikasi faktor manusia yang dapat menyebabkan kebakaran hutan. Data sosial ekonomi ini memiliki hubungan dengan aspek yang telah dibangun pada sistem, karenanya diperlukan penambahan kubus data baru. Oleh karena itu, rumusan permasalahan pada penelitian ini adalah bagaimana menambahkan kubus data sosial ekonomi ke dalam sistem SOLAP yang telah dibangun oleh peneliti sebelumnya dan skema apa yang akan diadopsi untuk mendukung integrasi kubus data baru tersebut. Tujuan Penelitian Tujuan dari penelitian ini adalah membuat dan menambahkan kubus data sosial ekonomi pada sistem Spatial OLAP (SOLAP) untuk persebaran titik panas di Indonesia. Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat memperkaya informasi mengenai persebaran titik panas. Hasil penambahan data sosial ekonomi diharapkan dapat digunakan untuk mengidentifikasi faktor penyebab pada kebakaran hutan berdasarkan keadaan sosial ekonomi di wilayah terjadinya titik panas. Hasil pembangunan sistem diharapkan dapat digunakan oleh pihak terkait seperti

16 peneliti bidang kebakaran hutan, masyarakat maupun pemerintah dalam pencegahan kebakaran hutan. 3 Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini adalah: 1 Data lokasi yang digunakan sampai level kabupaten 2 Pembuatan dan penambahan kubus data menggunakan framework SpagoBI. 3 Data sosial ekonomi mencakup kepadatan sekolah, populasi, dan sumber penghasilan keluarga yang diperoleh dari Badan Pusat Statistik (BPS) Indonesia. TINJAUAN PUSTAKA Data Warehouse Data warehouse merupakan kumpulan arsip informasi dari berbagai sumber yang tersimpan dalam skema yang saling terintegrasi, sehingga memungkinkan pengguna membuat query untuk membantu proses pengambilan keputusan. Dengan adanya data warehouse, proses transaksi pekerjaan yang lain dapat dilakukan tanpa terganggu oleh beban kerja proses pengambilan keputusan (Han et al. 2012). Data warehouse yang dikombinasikan dengan informasi spasial kemudian menghasilkan sebuah spatial data warehouse. Spatial data warehouse muncul sebagai teknologi yang memungkinkan untuk analisis data spasial, informasi spasial yang diperoleh dapat berupa informasi geografis (Golfarelli et al. 2014). Menurut Han et al. (2012), terdapat 4 karakteristik data warehouse yaitu: 1 Subject oriented: data warehouse dirancang fokus pada pemodelan dan analisis data untuk membuat keputusan berdasarkan subjek tertentu. 2 Integrated: data warehouse biasanya dibangun dengan mengintegrasikan berbagai sumber data yang bervariasi seperti basis data relasional, flat files, dan transaksi online. 3 Time variant: data yang disimpan menyediakan sejarah informasi atau data yang disimpan dalam rentang waktu tertentu (5-10 tahun). 4 Non volatile: data warehouse secara fisik selalu terpisah dari data transformasinya. Data warehouse tidak membutukan proses transaksi, pemulihan, dan concurrence control. Biasanya membutuhkan dua operasi yaitu initial loading dan access data. Data warehouse didefinisikan oleh tabel fakta dan tabel dimensi. Dalam pengertian umum, tabel dimensi adalah perspektif atau entitas yang ingin direkam. Tabel dimensi dapat dispesifikasikan secara manual oleh pengguna, atau secara otomatis berdasarkan persebaran data. Tabel fakta adalah tabel yang berisi ukuran numerik. Tabel fakta dapat berupa kuantitas yang ingin kita analisis hubungannya antar tabel dimensi (Han et al. 2012). Terdapat beberapa skema untuk memodelkan data multidimensi, yakni skema star, skema snowflake, dan skema fact constellation atau skema galaksi.

17 4 Menurut Han et al. (2012), skema star adalah pemodelan data yang paling sering digunakan. Di dalam data warehouse terdapat tabel pusat yang besar (tabel fakta) dan sekumpulan tabel yang lebih kecil (tabel dimensi). Gambar skema menyerupai bintang dengan tabel dimensi ditampilkan dalam pola radial antara tabel fakta pusat. Contoh arsitektur skema star ditunjukkan pada Gambar 1. Pada Gambar 1, terdapat satu tabel fakta (sales) dan empat tabel dimensi (time, item, branch, dan location) yang masing-masing tabel dimensi berhubungan dengan tabel fakta melalui foreign key. Gambar 1 Arsitektur skema star (Han et al. 2012) Skema snowflake adalah variasi dari model skema star yakni beberapa tabel dimensi dinormalisasikan, sehingga lebih membagi data ke tabel tambahan. Hasil dari skema ini membentuk struktur mirip snowflake. Contoh dari arsitektur skema snowflake ditunjukkan pada Gambar 2. Pada Gambar 2, terdapat satu tabel fakta (sales) dan enam tabel dimensi (time, item, supplier, branch, location, dan city). Empat tabel dimensi (time, item, branch, dan location) berhubungan dengan tabel fakta, sementara dua tabel dimensi lainnya (supplier dan city) adalah tabel dimensi dari normalisasi tabel dimensi yang lain (item dan location). Menurut Han et al. (2012), skema galaksi dapat dikatakan kumpulan dari Skema star pada data warehouse. Skema galaksi mengizinkan adanya tabel fakta yang banyak dan dimungkinkan untuk membagi tabel-tabel dimensi antara tabel fakta. Tabel fakta adalah tabel yang mengandung bagian terbesar dari data, sedangkan tabel dimensi adalah sekumpulan tabel yang lebih kecil dan memiliki primary key beserta atribut. Contoh arsitektur skema galaksi ditunjukkan pada Gambar 3. Pada Gambar 3, terdapat dua tabel fakta (sales dan shipping) sebagai pusat data dan lima tabel dimensi (time, item, shipper, branch, dan location). Tabel fakta sales berhubungan dengan tabel dimensi time, item, branch, dan location.

18 Tabel fakta shipping berhubungan dengan tabel timensi time, item, shipper dan location. 5 Gambar 2 Arsitektur skema snowflake (Han et al. 2012) Gambar 3 Arsitektur skema galaksi (Han et al. 2012) Menurut Kimball dan Ross (2013), untuk menentukan jumlah tabel fakta dalam perancangan data warehouse, ada empat hal yang perlu dipertimbangkan yakni, kebutuhan user, keunikan proses bisnis, keunikan sumber sistem, dan hubungan tabel dimensi dan tabel fakta. Untuk perancangan data warehouse dengan satu tabel fakta, Lane (2002) merekomendasikan untuk menggunakan skema star daripada skema snowflake. Skema snowflake memerlukan lebih banyak space, jumlah tabel dimensi, dan penggabungan foreign key untuk

19 6 normalisasi. Selain itu, query untuk mencari informasi pada skema snowflake akan lebih kompleks dan mengurangi kecepatan query. Spatial Online Analytical Processing (SOLAP) Spatial Online Analytical Processing (SOLAP) dapat didefinisikan sebagai platform visual yang dibangun secara khusus untuk mendukung dan memudahkan analisis spatio temporal dan eksplorasi data spasial. SOLAP mengikuti pendekatan multidimensional yang terdiri atas tingkat agregasi yang tersedia dalam tampilan cartography sebaik tampilan dalam tabel dan diagram (Rivest et al. 2005). SOLAP merupakan penggabungan dari Geographic Information Systems (GIS) dengan Online Analytical Processing (OLAP). SOLAP disajikan untuk menganalisis data yang besar dalam sebuah spatial data warehouse. SOLAP mengizinkan adanya visualisasi data melalui tampilan cartography (peta) dan non-cartography (tabel). Menurut Han et al. (2012), terdapat operasi-operasi yang dapat dilakukan pada OLAP, yaitu: 1 Roll-up Operasi ini biasanya disebut juga dengan operasi drill-up oleh beberapa perusahaan. Operasi roll-up melakukan agregasi dengan kubus data dan menaikkan level hirarki hingga ke level paling atas. Data yang dihasilkan dengan operasi ini yaitu data yang dilihat secara global atau umum. 2 Drill-down Operasi ini kebalikan dari operasi roll-up yaitu menurunkan level hirarki hingga ke level paling bawah. Data yang dihasilkan dengan operasi ini yaitu data yang dilihat secara khusus atau lebih detail. 3 Slice Operasi slice melakukan pilihan salah satu dimensi yang ada di kubus data sehingga menghasilkan sub cube data. 4 Dice Operasi dice merupakan proses pendefinisian sub cube dengan memilih dua atau lebih dari kubus data. 5 Pivot Operasi pivot (disebut juga dengan rotate) adalah operasi visualisasi yang dapat memutar sumbu data agar memudahkan dalam mempresentasikan data. Pada penelitian yang dilakukan oleh Hasanah (2015), telah dikembangkan perancangan sistem SOLAP titik panas menggunakan skema star. Skema yang dibentuk dengan satu tabel fakta sebagai pusat yang berisi foreign key dari masing-masing dimensi dan satu measure yaitu jumlah hotspot. Tabel dimensi yang dihasilkan adalah dimensi lokasi, dimensi satelit, dan dimensi waktu. Skema star untuk data warehouse Hasanah (2015) dapat dilihat pada Gambar 4. Penelitian tersebut mempunyai dua modul yakni modul multidimensional analysis dan modul location intelligence. Modul multidimensional analysis untuk menampilkan visualisasi OLAP dalam bentuk tabel crosstab dan grafik sehingga dapat membantu menyajikan ringkasan data titik panas. Modul location intelligence untuk menampilkan peta dinamis dalam bentuk map zone dan map point yang mampu menjalankan fungsinya dengan baik. Output dari sistem ini

20 adalah mampu menampilkan perbedaan warna berdasarkan jumlah hotspot di setiap kabupaten dan visualisasi map point dapat menampilkan ukuran titik yang merepresentasikan besarnya jumlah hotspot di setiap kabupaten. 7 Gambar 4 Skema star untuk data warehouse Hasanah (2015) Pada penelitian yang dilakukan oleh Adriansyah (2016), perancangan sistem SOLAP yang dibuat menggunakan skema galaksi. Penelitian ini melanjutkan penelitian Hasanah (2015) dengan menambahkan satu tabel fakta cuaca dan satu tabel dimensi stasiun sehingga terdapat dua tabel fakta yakni fact_forestfire dengan measure jumlah_hotspot dan fact_cuaca dengan measure suhumin, suhumaks, suhurata2, kelembabanrata2, hujan, dan sunshine serta empat tabel dimensi yakni tb_waktu, tb_lokasi, tb_satelit, dan tb_stasiun. Skema galaksi untuk data warehouse Adriansyah (2016) dapat dilihat pada Gambar 5. Gambar 5 Skema galaksi untuk data warehouse Adriansyah (2016)

21 8 Framework SpagoBI SpagoBI adalah framework open source yang lengkap dan fleksibel untuk Business Intelligence (BI) karena dapat memenuhi kebutuhan analisis seperti pelaporan, multidimensional analysis (OLAP), charts, KPI, data mining, dan location intelligence. SpagoBI juga dapat membantu developer, penguji, dan administrator dalam hal penjadwalan, import/export, manajemen metadata, dan workflow. SpagoBI menyediakan solusi terbaik dari kebutuhan pengguna dan menyediakan hasil yang cepat (Jesus dan Bernardino 2014). Menurut Jesus dan Bernardino (2014), ada lima modul dalam SpagoBI: SpagoBI Server, SpagoBI SDK, SpagoBI Meta, SpagoBI Studio dan SpagoBI Applications. SpagoBI Server adalah modul utama yang memberikan hasil analisis. SpagoBI SDK adalah modul yang dibangun dalam Java yang dapat melakukan pengintegrasian data. SpagoBI Meta adalah lingkungan grafis untuk perancangan data, bisnis model, dan dokumen BI. SpagoBI Studio mirip seperti SpagoBI Meta, namun pada SpagoBI Studio pengguna dapat membuat dokumen analisis seperti chart, laporan, dan dashboard. SpagoBI Applications untuk model analisis yang mengandung data model, ETL, dan dokumen analisis. Interaksi pada modul SpagoBI ditunjukkan pada Gambar 6. Gambar 6 Interaksi modul SpagoBI (Cazzin G 2012) METODE Data Penelitian Data yang digunakan pada penelitian ini adalah data sosial ekonomi tahun 2014 di daerah Sumatera dan Kalimantan serta data daerah dalam angka. Data ini merupakan bagian dari data potensi desa yang diperoleh dari Badan Pusat Statistik. Atribut yang digunakan yaitu sumber penghasilan, jumlah SD, jumlah SMP, jumlah SMA, jumlah penduduk, luas wilayah, kepadatan populasi dan kepadatan sekolah. Data luas wilayah dan kepadatan populasi diperoleh dari data daerah dalam angka serta data kepadatan sekolah diperoleh dari perhitungan antara jumlah sekolah dan luas wilayah. Atribut pada data sosial ekonomi dapat dilihat pada Tabel 1 dan Tabel 2.

22 9 Tabel 1 Contoh data sosial ekonomi mengenai jumlah SD, SMP, dan SMA ID_Lokasi Provinsi Kab/Kot Kecamatan Desa Jumlah SD Jumlah SMP Jumlah SMA Aceh Simeulue Teupah Latiung Selatan Aceh Simeulue Teupah Labuhan Selatan Bajau Aceh Simeulue Teupah Suak Selatan Lamatan Aceh Simeulue Teupah Ana Ao Selatan Aceh Simeulue Teupah Selatan Lataling Tabel 2 Atribut pada data sosial ekonomi mengenai sumber penghasilan ID_Lokasi Provinsi Kab/Kot Kecamatan Desa Sumber Penghasilan Aceh Simeulue Teupah Selatan Latiung Pertanian Padi Aceh Simeulue Teupah Selatan Labuhan Bajau Pertanian Padi Aceh Simeulue Teupah Selatan Suak Lamatan Pertanian Padi Aceh Simeulue Teupah Selatan Ana Ao Pertanian Padi Aceh Simeulue Teupah Selatan Lataling Pertanian Padi Seluruh atribut pada data sosial ekonomi digunakan dalam penelitian ini. Data sosial ekonomi akan dihubungkan ke dalam sistem SOLAP untuk mengetahui keadaan sosial ekonomi pada setiap lokasi. Tahapan Penelitian Penelitian ini dilakukan melalui beberapa tahap, tahapan awal dilakukan analisis sistem SOLAP yang telah dibuat oleh peneliti sebelumnya (Adriansyah 2016), lalu dilakukan identifikasi masalah dari analisis tersebut. Kemudian dilakukan praproses data untuk menyeleksi atribut, memperbaiki data, dan konversi data. Kemudian dilakukan perancangan serta implementasi kubus data sosial ekonomi dan perancangan serta implementasi SOLAP dan modul location intelligence untuk kubus data sosial ekonomi. Setelah SOLAP dan modul location intelligence selesai dibuat, dilakukan pengujian SOLAP dan modul location intelligence. Tahapan-tahapan pada penelitian ini dapat dilihat dalam Gambar 7. 1 Analisis SOLAP awal Tahap awal yang dilakukan dalam penelitian ini adalah analisis sistem hasil penelitian Adriansyah (2016). Tahap ini dilakukan untuk mengetahui arsitektur sistem secara detil sehingga akan memudahkan tahap penelitian selanjutnya. Analisis sistem yang dilakukan meliputi analisis arsitektur sistem, alur kerja sistem, dan skema kubus data yang digunakan. 2 Praproses Data Pada tahap ini dilakukan praproses data sosial ekonomi untuk menyeleksi atribut, memperbaiki data, dan konversi data.

23 10 3 Perancangan dan implementasi kubus data sosial ekonomi Pada tahap ini dilakukan perancangan kubus data sosial ekonomi. Dimensi baru ditambahkan pada kubus data menggunakan framework SpagoBI. Skema kubus data multidimensi yang digunakan pada sistem berupa skema galaksi. 4 Perancangan dan implementasi SOLAP dan location intelligence untuk kubus data sosial ekonomi Pada tahap ini dilakukan perancangan SOLAP dan modul location intelligence untuk kubus data sosial ekonomi. Sistem SOLAP terdiri atas operasi-operasi pada OLAP yaitu drill-down, roll-up, slice, dice, dan pivot. Modul location intelligence terdiri atas indikator dan filter sebagai penyajian data. Perancangan dan implementasi SOLAP ini dilakukan dalam aplikasi SpagoBI. 5 Pengujian SOLAP dan location intelligence Pengujian SOLAP menggunakan metode blackbox. Pengujian ini dilakukan untuk mengetahui apakah operasi OLAP dan location intelligence yang telah dibangun sesuai dengan fungsi-fungsi OLAP yang ditentukan dalam tahap perancangan. 6 Analisis hasil pengujian Tahap terakhir dari penelitian ini adalah menganalisis hasil pengujian yang telah dilakukan. Pengujian dinyatakan berhasil jika keseluruhan fungsi dapat berjalan dengan baik. Apabila ada beberapa fungsi yang tidak berjalan dengan baik maka dari analisis ini diharapkan diketahui penyebab tidak berjalannya suatu fungsi, sehingga kekurangan sistem dapat diperbaiki. Mulai Analisis SOLAP Awal Perancangan kubus data sosial ekonomi Praproses Data Implementasi data warehouse untuk kubus data sosial ekonomi Perancangan SOLAP dan modul location intelligence Pengujian SOLAP dan modul location intelligence Implementasi SOLAP dan modul location intelligence Analisis hasil pengujian Selesai Gambar 7 Tahapan penelitian

24 11 Peralatan Penelitian Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut: Perangkat keras yaitu komputer personal dengan spesifikasi: Processor Intel Core GHz, RAM 8 GB DDR2, dan Harddisk 320 GB Perangkat lunak yang digunakan adalah sebagai berikut: Sistem operasi Windows 7 Ultimate, Apache Tomcat 6.0 sebagai web server, SpagoBI Studio sebagai alat untuk membangun skema data warehouse dan pembentukan struktur kubus data multidimensi, SpagoBI Server sebagai spatial OLAP server untuk melakukan operasi OLAP dan tempat penyimpanan struktur kubus data multidimensi, GeoServer 2.7 sebagai web map server, OpenLayers 2.8 sebagai JavaScript library untuk menampilkan peta, PostgreSQL 9.2 sebagai database server dengan ekstensi PostGIS untuk menyimpan data spasial, JDBC 5.1 sebagai connector database PostgreSQL dengan SpagoBI, dan DbSceme untuk merancang struktur basis data. HASIL DAN PEMBAHASAN Analisis SOLAP Awal Sistem SOLAP untuk data titik panas yang telah dibuat oleh Adriansyah (2016) sudah dapat melakukan operasi-operasi SOLAP seperti drill down, roll up, slice, dice, dan pivot serta menampikan modul tambahan seperti modul free inquiry. Data yang digunakan pada penelitian Adriansyah (2016) yaitu data titik panas, data peta administratif kabupaten Indonesia, dan data cuaca. Data titik panas berasal dari hasil rekaman sensor MODIS dari satelit TERRA dan AQUA yang diperoleh dari NASA FIRMS MODIS dari tahun 2002 sampai tahun Data peta administratif kabupaten Indonesia tahun 2011 bersumber dari Badan Informasi Geospasial (BIG). Data cuaca berasal dari data online BMKG (Badan Meteorologi, Klimatologi dan Geofisika) pada website dari tahun 2002 sampai tahun Skema data warehouse yang digunakan pada sistem SOLAP Adriansyah (2016) adalah skema galaksi. Pada skema yang telah dibuat, terdapat dua tabel fakta dan empat tabel dimensi. Tabel fakta yakni tabel titik panas stasiun dan tabel cuaca. Tabel dimensi yakni tabel waktu, tabel lokasi, tabel satelit, dan tabel stasiun. Gambar 8 adalah tampilan hasil operasi OLAP dalam bentuk tabel crosstab yang telah dilakukan operasi drill down pada penelitian Adriansyah (2016). Fitur yang terdapat pada sistem OLAP lainnya yaitu MDX query, pengaturan operasi

25 12 OLAP, menyimpan hasil operasi OLAP, pengaturan grafik, dan pengaturan pencetakan hasil OLAP. Operasi OLAP yang telah dibangun oleh Adriansyah (2016) dapat dilakukan untuk mengetahui beberapa ukuran seperti suhu minimum (ºC), suhu maksimum (ºC), suhu rata-rata (ºC), sunshine (jam), curah hujan (mm), dan kelembaban ratarata (ºC). Fitur filter juga dapat dilakukan pada OLAP seperti menggunakan dimensi waktu dan dimensi stasiun. Gambar 8 Tampilan hasil operasi drill down dimensi waktu pada OLAP (Adriansyah 2016) Praproses Data Data sosial ekonomi yang digunakan adalah data potensi desa pada tahun 2014 dan data daerah dalam angka pada tahun 2014 yang diperoleh dari Badan Pusat Statistik. Kedua data tersebut diperoleh dalam format Microsoft Excel. Pada tahap ini dilakukan seleksi atribut, perbaikan data, dan konversi format data pada data sosial ekonomi. Atribut sumber penghasilan, jumlah SD, jumlah SMP, dan jumlah SMA diperoleh dari data potensi desa pada tahun Untuk mendapatkan data sampai level kabupaten, maka dilakukan penggabungan data desa untuk setiap kabupaten yang sama. Penggabungan data desa untuk atribut jumlah SD, jumlah SMP, dan jumlah SMA dilakukan dalam DBMS PostgreSQL dengan mengimpor fail Microsoft Excel data BPS. Kemudian dilakukan query untuk menjumlahkan data untuk setiap kabupaten. Penggabungan data desa untuk atribut sumber penghasilan dilakukan dengan mencari sumber penghasilan terbanyak untuk masing-masing kabupaten. Gambar 9 merupakan query untuk mengimpor fail Microsoft Excel dan Gambar 10 untuk menghitung jumlah data sekolah untuk masing-masing kabupaten. Pada Gambar 9, fungsi Copy pada baris 1 dilakukan untuk memindahkan data dari fail Microsoft Excel ke dalam tabel data_sekolah_desa. Using delimiters pada baris 3 menunjukkan pemisah data yang digunakan, CSV menunjukkan ekstensi fail, dan header menunjukkan bahwa fail memiliki header. Pada Gambar 10, Create table dilakukan untuk menyimpan hasil query ke dalam tabel data_sekolah_kab. Fungsi Sum pada baris 2 dilakukan pada query untuk menjumlahkan atribut SD, SMP, dan SMA. Group by pada baris 4 dilakukan agar penjumlahan atribut terbatas pada level kabupaten saja. Order by pada baris 5 dilakukan untuk mengurutkan hasil query agar mempermudah pengambilan data. Pada Gambar 11 merupakan query untuk mencari sumber penghasilan terbanyak.

26 13 1 COPY data_sekolah_desa 2 FROM 'D:/simz/Document/praproses data ffwsosek/data sekolah desa.csv' 3 USING DELIMITERS ',' CSV HEADER; 4 5 COPY data_sumber_penghasilan_desa 6 FROM 'D:/simz/Document/praproses data ffwsosek/data sumber penghasilan desa.csv' 7 USING DELIMITERS ',' CSV HEADER; Gambar 9 Query untuk mengimpor fail Microsoft Excel 1 CREATE TABLE data_sekolah_kab as 2 SELECT id_lokasi, provinsi, kabupaten, SUM(sd), SUM(smp), SUM(sma) 3 FROM data_sekolah_desa 4 GROUP BY kabupaten 5 ORDER BY id_lokasi Gambar 10 Query untuk menjumlahkan atribut SD, SMP dan SMA 1 CREATE TABLE data_sumber_penghasilan_kab as 2 SELECT s.id_lokasi, s.provinsi, s.kabupaten, s.sumber_penghasilan, MAX(s.freq) 3 FROM (SELECT id_lokasi, prov, kab, sumpang, 4 COUNT(sumpang) as freq 5 FROM data_sumber_penghasilan_desa 6 GROUP BY id_lokasi, prov, kab, sumber_penghasilan 7 ORDER BY id_lokasi ASC, freq DESC) 8 as s 9 GROUP BY s.kabupaten 10 ORDER BY s.id_lokasi ASC, s.sumpang Gambar 11 Query untuk mencari sumber penghasilan terbanyak Pencarian sumber penghasilan terbanyak dilakukan menggunakan fungsi Count pada baris 4 yang kemudian diatur sebagai frekuensi sumber penghasilan. Fungsi Max pada baris 2 digunakan untuk memilih frekuensi terbanyak pada sumber penghasilan. Group by pada baris 9 dilakukan agar penjumlahan atribut terbatas pada level kabupaten saja. Order by pada baris 10 dilakukan untuk mengurutkan hasil query agar mempermudah pengambilan data. Hasil dari query tersebut kemudian diubah ke dalam bentuk fail Microsoft Excel untuk mempermudah pemilihan atribut yang akan dipakai. Setelah didapat hasil dari query yang berupa fail Microsoft Excel, dilakukan perhitungan untuk atribut kepadatan sekolah. Atribut kepadatan sekolah didapat dari penjumlahan atribut jumlah SD, jumlah SMP, dan jumlah SMA pada satu kabupaten yang kemudian dibagi dengan luas wilayah kabupaten tersebut.

27 14 Perancangan Kubus Data Sosial Ekonomi Pada tahap ini dilakukan perancangan skema kubus data sosial ekonomi. Perancangan ini dilakukan dengan menambahkan kubus data sosial ekonomi pada SOLAP yang telah dibuat Adriansyah (2016). Skema yang digunakan pada penelitian ini adalah skema galaksi. Terdapat penambahan tabel fakta dan tabel dimensi pada penelitian ini seperti yang ditunjukkan pada Gambar 12. Atribut sumber penghasilan dijadikan tabel dimensi karena nilai sumber penghasilan tidak bisa dilakukan agregasi. Atribut lain yakni jumlah SD, jumlah SMP, jumlah SMA, jumlah penduduk, luas wilayah, kepadatan sekolah, dan kepadatan populasi dijadikan tabel fakta. Terdapat 3 tabel fakta sebagai pusat kubus data. Pada tabel sumber penghasilan, atribut sumber penghasilan menunjukkan nilai sumber penghasilan terbanyak di suatu kabupaten. Gambar 12 Skema galaksi data warehouse yang digunakan Implementasi Kubus Data Sosial Ekonomi Pada tahap ini skema galaksi data warehouse yang telah dirancang diimplementasikan menggunakan DBMS PostgreSQL. Kedua tabel dari hasil praproses data yakni tabel data sekolah dan tabel data sumber penghasilan yang telah di-export menjadi file csv digabungkan ke dalam tabel fakta sosial ekonomi dengan tambahan atribut luas wilayah dari data daerah dalam angka. Ketiga tabel fakta yakni fact_cuaca, fact_forestfire_stasiun, fact_sosek, dan lima tabel dimensi yakni tb_lokasi, tb_satelit, tb_stasiun, tb_sumber_penghasilan, dan tb_waktu disimpan dalam basis data. Gambar 13 adalah daftar tabel yang berhasil disimpan dalam PostgreSQL.

28 15 Tabel Fakta Tabel Dimensi Gambar 13 Daftar tabel dalam DBMS PostgreSQL Perancangan SOLAP untuk Kubus Data Sosial Ekonomi Perancangan SOLAP kubus data sosial ekonomi dilakukan di dalam SpagoBI Studio. Database yang telah disimpan di PostgreSQL dapat dihubungkan dengan SpagoBI Studio menggunakan connector PostgreSQL JDBC Driver. Kubus data yang dibangun dalam SpagoBI Studio dilakukan dengan menentukan tabel fakta menjadi cube, ukuran yang berada pada tabel fakta menjadi measure, dan tabel dimensi menjadi dimension. Gambar 14 adalah tampilan perancangan SOLAP kubus data sosial ekonomi pada SpagoBI Studio. Implementasi SOLAP untuk Kubus Data Sosial Ekonomi Pada tahap ini dilakukan implementasi SOLAP kubus data yang telah dibuat di SpagoBI Studio. SpagoBI server digunakan untuk menampilkan SOLAP dan melakukan operasi-operasi SOLAP. Sebelumnya dilakukan konfigurasi server pada SpagoBI Studio agar tersambung ke SpagoBI server. Setelah itu, dibuat template OLAP Mondrian dari perancangan SOLAP yang telah dibuat. Kemudian dilakukan pengiriman pada template OLAP tersebut ke dalam SpagoBI server. Pada SpagoBI server, hasil pengiriman template dapat dilihat pada menu document browser pada folder biadmin. Gambar 15 adalah tampilan menu document browser pada folder biadmin. Gambar 16 dan Gambar 17 adalah hasil dari implementasi SOLAP yang ditampilkan dalam bentuk tabel crosstab yang merupakan hasil operasi drill down, roll up, slice, dan dice. Pada Gambar 17, nilai 2506 pada tabel Jumlah SD mempunyai arti bahwa jumlah SD di semua kabupaten di pulau Sumatera dan Kalimantan yang mayoritas penghasilan penduduknya dari jasa adalah sebanyak 2506 sekolah.

29 16 Tabel Fakta Measure Relationship Tabel Dimensi Gambar 14 Perancangan SOLAP kubus data sosial ekonomi pada SpagoBI Studio Gambar 15 Tampilan menu document browser pada folder biadmin Gambar 16 Hasil operasi roll up pada dimensi lokasi dan slice pada SOLAP

30 17 Gambar 17 Hasil operasi drill down pada dimensi sumber penghasilan dan dice pada SOLAP Perancangan Modul Location Intelligence untuk Kubus Data Sosial Ekonomi Pada tahap ini dilakukan perancangan modul location intelligence. Langkah yang dilakukan adalah penyimpanan peta Indonesia, pembuatan dataset, dan pembuatan template JSON. Penyimpanan peta Indonesia dilakukan dalam Geoserver. Peta Indonesia yang disimpan memiliki format shapefile (.shp). Pembuatan dataset dilakukan dalam SpagoBI server. Dataset berfungsi sebagai pengambilan data yang terdapat dalam DBMS PostgreSQL untuk ditampilkan ke dalam peta Indonesia. Pengambilan data ini dilakukan dengan menggunakan query. Gambar 18 adalah query untuk mengambil data dalam PostgreSQL. 1 SELECT l.pulau, l.provinsi, l.kabupaten, s.sebagian_besar, s.rincian_pertanian, l.id_lokasitxt, f.sd, f.smp, f.sma, f.jumlah_penduduk, f.luas_wilayah, f.kepadatan_sekolah, f.populasi FROM fact_sosek f 2 JOIN tb_lokasi l on f.id_lokasi = l.id_lokasi 3 JOIN tb_sumber_penghasilan s on f.id_sumber_penghasilan = s.id_sumber_penghasilan Gambar 18 Query untuk mengambil data sosial ekonomi Pada Gambar 18, fungsi Select pada baris 1 dilakukan pada query untuk memilih atribut yang terdapat pada tabel fakta fact_sosek. Fungsi Join pada baris 2 dilakukan untuk menghubungkan id_lokasi pada tabel dimensi tb_lokasi dan tabel fakta fact_sosek. Fungsi Join pada baris 3 dilakukan untuk menghubungkan id_sumber_penghasilan pada tabel dimensi tb_sumber_penghasilan dan tabel fakta fact_sosek. Implementasi Modul Location Intelligence untuk Kubus Data Sosial Ekonomi Pada tahap ini dilakukan implementasi modul location intelligence yang telah dirancang. SpagoBI server digunakan untuk menampilkan visualisasi peta dengan cara membuat template JSON sebagai penghubung antara Geoserver dan SpagoBI server serta menentukan dataset yang telah dibuat. Gambar 19

31 18 merupakan hasil dari implementasi modul location intelligence untuk kubus data sosial ekonomi. Peta yang ditampilkan adalah data Jumlah SMA dengan filter sumber penghasilan pertanian. Data yang ditampilkan adalah seluruh daerah dengan sumber penghasilan pertanian saja. Perbedaan warna pada daerah menunjukkan perbedaan jumlah SMA pada masing-masing daerah. Gambar 20 adalah nilai range perbedaan warna pada peta yang ditampilkan. Warna hijau menunjukkan jumlah SMA yang semakin sedikit sementara warna merah menunjukkan jumlah SMA yang semakin banyak. Indikator yang dipilih Jumlah SMA Filter Sumber Penghasilan pertanian Gambar 19 Visualisasi peta pada modul location intelligence dengan filter sumber penghasilan adalah pertanian Gambar 20 Nilai range perbedaan warna pada peta

32 19 Pengujian SOLAP dan Modul Location Intelligence Pada tahap ini dilakukan pengujian pada SOLAP dan modul location intelligence. Metode pengujian yang dilakukan adalah metode black box. Fokus pengujian dilakukan pada fungsi-fungsi OLAP yang telah dibuat dan fungsi filter pada location intelligence. Jika setiap fungsi telah sesuai dengan kebutuhan sistem, maka tahap implementasi dinyatakan selesai. Berdasarkan Tabel 3, dapat dinyatakan bahwa semua fungsi telah berfungsi dengan baik sesuai kebutuhan sistem. Tabel 4 adalah kesimpulan hasil pengujian dengan verifikasi data pada setiap fungsi OLAP. Tabel 3 Skenario dan hasil uji fungsi SOLAP No Pengujian Skenario Hasil yang Diharapkan 1 Menampilkan hasil Mengubah tampilan operasi OLAP roll dimensi ke hirarki up paling atas 2 Menampilkan hasil operasi OLAP drill down 3 Menampilkan hasil operasi OLAP slice 4 Menampilkan hasil operasi OLAP dice 5 Menampilkan hasil filter pada location intelligence Mengubah tampilan dimensi ke hirarki paling bawah Memilih salah satu dimensi kubus data Memilih dua/ lebih dimensi kubus data Memilih filter untuk informasi provinsi Data ditampilkan sesuai operasi roll up Data ditampilkan sesuai operasi drill down Data ditampilkan sesuai operasi slice Data ditampilkan sesuai operasi dice Data ditampilkan sesuai filter yang dipilih Hasil Uji Sukses Sukses Sukses Sukses Sukses Tabel 4 Skenario dan hasil uji verifikasi data No Pengujian Skenario 1 Menampilkan hasil operasi OLAP roll up 2 Menampilkan hasil operasi OLAP drill down 3 Menampilkan hasil operasi OLAP slice 4 Menampilkan hasil operasi OLAP dice Operasi roll up dilakukan untuk mengetahui jumlah SD pada provinsi Kalimantan Utara Operasi drill down dilakukan untuk mengetahui jumlah SD pada kabupaten Bengkayang provinsi Kalimantan Barat Operasi slice dilakukan untuk memilih tabel dimensi sumber penghasilan beserta atributnya Operasi dice dilakukan untuk memilih dua tabel dimensi beserta atributnya Hasil pada OLAP Hasil pada Data Asli Hasil Verifikasi Sukses Sukses Semua atribut tersedia Semua atribut tersedia Semua atribut tersedia Semua atribut tersedia Sukses Sukses

33 20 No Pengujian Skenario 5 Menampilkan hasil filter pada location intelligence Filter dilakukan untuk mengetahui jumlah SMA pada kabupaten Kutai Barat provinsi Kalimantan Timur yang sumber penghasilannya adalah pertanian Hasil pada OLAP Hasil pada Data Asli Hasil Verifikasi Sukses SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil menambahkan data sosial ekonomi pada sistem sebelumnya menggunakan skema galaksi dengan tiga tabel fakta dan lima tabel dimensi. Skema data warehouse yang telah dibuat kemudian disimpan dalam basis data dalam DBMS PostgreSQL. Perancangan sistem SOLAP dilakukan di dalam framework SpagoBI Studio. Sistem SOLAP yang telah dibuat telah berhasil menampilkan data sosial ekonomi dan setiap operasi SOLAP telah berfungsi dengan baik. Perancangan modul location intelligence diawali dengan penyimpanan peta Indonesia dalam Geoserver, dan pembuatan dataset dalam SpagoBI server. Modul location intelligence yang dibuat telah berhasil menampilkan data spasial dan filter yang dilakukan telah berfungsi dengan baik. Hasil pengujian setiap fungsi SOLAP dan fitur filter pada modul location intelligence telah berfungsi dengan baik dan hasil verifikasi data sama dengan data asli. Saran Terdapat beberapa hal yang dapat ditambahkan atau diperbaiki untuk penelitian selanjutnya, yaitu: 1 Menghubungkan ketiga tabel fakta yang ada ke dalam satu OLAP untuk memperkaya informasi terkait sebaran titik panas menggunakan modul free inquiry dan ad hoc reporting. 2 Menyempurnakan fitur filter pada location intelligence agar sesuai dengan hirarki yang telah ditentukan. DAFTAR PUSTAKA Adriansyah I Penambahan kubus data cuaca pada sistem spatial online analytical processing (SOLAP) dengan spagobi [skripsi]. Bogor (ID): Institut Pertanian bogor.

34 Cazzin G Business Intelligence with SpagoBI. Padua (IT): SpagoBI Competency Center. Fadli MH Data warehouse spatio-temporal kebakaran hutan menggunakan Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor. Golfarelli M Open Source BI Platforms: a Functional and Architectural Comparisson. Di dalam: Mohania, Mukesh K, Tjoa, A Min, editor. Data Warehousing and Knowledge Discovery. 11th International Conference DaWak; 2009 August-September 31-2; Linz, Austria. Bologna (IT): University of Bologna. hlm Golfarelli M, Mantovani M, Ravaldi F, Rizzi S From business intelligence to location intelligence with the lily library. Di dalam: DOLAP 2014; Shanghai (CN): DOLAP hlm Han J, Kamber M, Pei J Data mining concepts and techniques. Ed ke-3. San Fransisco (US): Elsevier. Hasanah GU Aplikasi multidimensional analysis dan location intelligence untuk spatial data warehouse titik panas di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Imaduddin A Sinkronisasi antara visualisasi peta dan query olap pada spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Jesus E, Bernardino J Open source business intelligence in manufacturing. Di dalam: Instituto Politécnico De Coimbra; Coimbra (PT): Rua Pedro Nunes. hlm Kimball R, Ross M The Data Warehouse Toolkit: The definitive guide to Dimensional Modelling. Indianapolis (IN): Wiley Lane P Oracle9i Data Warehousing. Redwood City (US): Oracle Corporation. Mangandar Keterkaitan sosial masyarakat di sekitar hutan dengan kebakaran hutan: studi kasus di Propinsi Daerah Tingkat I Riau [tesis]. Bogor (ID): Institut Pertanian Bogor. Rivest S, Bédard Y, Proulx MJ SOLAP technology: merging business intelligence with geospatial technology for interactive spatio-temporal exploration and analysis of data. ISPRS Journal of Photogrammetry & Remote Sensing. 60: Tacconi L Kebakaran Hutan di Indonesia: Penyebab, Biaya, dan Implikasi Kebijakan. Bogor (ID): Center For International Forestry Research. 21

35 22 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 3 Mei 1995 dari Bapak Samsul Huda dan Ibu Novia Syuryati. Penulis adalah putra pertama dari empat bersaudara. Tahun 2009 penulis diterima di SMA Negeri 5 Bogor dan lulus pada tahun 2012 dengan hasil yang memuaskan. Tahun 2012 penulis diterima di Program S1 Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor (IPB) melalui jalur SNMPTN Undangan.