PEMBANGUNAN SPATIOTEMPORAL DATA WAREHOUSE KEBAKARAN HUTAN DI WILAYAH INDONESIA MUHAMAD ARIF FAUZI

Transkripsi

1 PEMBANGUNAN SPATIOTEMPORAL DATA WAREHOUSE KEBAKARAN HUTAN DI WILAYAH INDONESIA MUHAMAD ARIF FAUZI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2011

2 ABSTRACT MUHAMAD ARIF FAUZI. The Development of Spatio-Temporal Data Warehouse Forest Fire in Indonesia. Supervised by ANNISA. Data warehouse is a repository of information collected from multiple sources, stored under a unified schema, and that usually resides at a single site. If there is a change in the data structure, such as data separation and data merging, the data warehouse should be modified to handle the changes in the existing structure. This research was done with the development of a data warehouse approach with aspects of spatio-temporal, by using spatial data, which expected to be able to handle any case related to structural changes in the data. Hotspot data was used in this research come from the Directorate of Forest Fire Control (DPKH) Ministry of Forestry, Republic of Indonesia that has been revised by Kurniawan (2011). The result of this study is a data warehouse that can provide valid information value of data aggregation and the number of hotspot in the whole country of Indonesia starting from provincial to district level. Information on the distribution of hotspot is displayed in the form of crosstab and with interesting graphic. The graphic is displayed in the form of bar graphs and pie plots. Keyword : data warehouse, hotspot, merge, spatio-temporal, split.mplementasi Operator Perbandingan Temporal dan Operator Spasial pada Data Spatiotemporal Nama : Dhieka Avrilia Lantana NRP : G Menyetujui: Pembimbing, Annisa, S.Kom, M.Kom. NIP Mengetahui: Ketua Departemen Ilmu Komputer, iii

3 PEMBANGUNAN SPATIOTEMPORAL DATA WAREHOUSE KEBAKARAN HUTAN DI WILAYAH INDONESIA MUHAMAD ARIF FAUZI 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 2011 ii

4 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 26 Oktober 1988 sebagai anak kedua dari empat bersaudara. Tahun 2004 penulis mendapatkan pendidikan di SMU Negeri 72 Jakarta Utara, hingga tahun Tanggal 2 Juli 2007 penulis resmi menjadi mahasiswa Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Setelah menyelesaikan Tingkat I (Tingkat Persiapan Bersama) di IPB pada tahun 2008, penulis diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi Bina Desa BEM KM IPB periode 2008/2009 sebagai kepala divisi Pengembangan Sumberdaya Mahasiswa (PSDM). Pada tahun 2007 Penulis menjalankan praktek lapangan di Badan Pengkajian dan Penerapan Teknologi (BPPT) Divisi Pusat Data Informasi dan Standarisasi selama kurang lebih 2 bulan. v

5 PRAKATA Alhamdulillahi Rabbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas limpahan rahmat dan hidayah-nya sehingga tugas akhir dengan judul Pembangunan Spatio-Temporal Data Warehouse Kebakaran Hutan di Wilayah Indonesia dapat diselesaikan. Shalawat serta salam juga penulis ucapkan kepada junjungan Nabi Muhammad SAW beserta seluruh sahabat dan umatnya hingga akhir zaman. Dalam menyelesaikan tugas akhir ini penulis menyampaikan terima kasih kepada Ibu Annisa, S.Kom, M.Kom selaku pembimbing atas bimbingan dan arahannya selama pengerjaan tugas akhir ini. Selain itu penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1 Kedua orang tua tersayang atas segala do a, kasih sayang, dan dukungannya. 2 Saudaraku Nurfadhillah, adikku Faradina Anisah dan Muhammad Fuadi Aulia yang selalu memberiku motivasi untuk dapat menyelesaikan tugas akhir ini. 3. Bapak Hari Agung Adrianto S.Kom, M.Si dan Bapak Toto Haryanto S.kom, M.Si selaku dosen penguji yang memberikan saran dalam penyelesaian skripsi ini. 4. Ana Maulida (Ilkom 44) yang selalu setia memberi dukungan, semangat, bantuan dan do a. 5. Dekha, Yoga, Yuridis, Tito, Dedek, Fani, Hidayat, Ayi, Arif, Fadli dan Kriyar yang telah membantu dalam memberikan solusi teknis. 6. Hendra, Rori, Rama, Gery, Mufid, Tantry, Suhe, dan Joko yang selalu setia menemani saat jenuh dalam menghadapi hari-hari dikosan. 7. Seluruh teman-teman Program Studi Ilmu Komputer angkatan 44 yang tidak dapat disebutkan namanya satu-persatu. Penulis juga mengucapkan terima kasih kepada semua pihak yang telah membantu selama pengerjaan penyelesaian tugas akhir ini yang tidak dapat disebutkan satu-persatu. Semoga penelitian ini dapat memberikan manfaat Bogor, November 2011 Muhamad Arif Fauzi vi

6 DAFTAR ISI Halaman DAFTAR GAMBAR... viii DAFTAR TABEL... viii DAFTAR LAMPIRAN... viii PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 TINJAUAN PUSTAKA Data Warehouse... 1 Data Spatiotemporal... 2 Spatiotemporal Data Warehouse... 2 Structure Version (SV)... 2 Mapping Function (MapF)... 3 OLAP... 3 Model Data Multidimensi... 4 Kebakaran Hutan... 5 Titik Api (Hotspot)... 5 MDX Query... 6 METODE PENELITIAN Analisis Data... 6 Ekstraksi Data... 6 Transformasi Data... 6 Pemuatan Data... 6 Pembuatan Structure Version (SV)... 6 Pembuatan Mapping Function (MapF)... 7 Uji Query... 7 Lingkungan Pengembangan... 7 HASIL DAN PEMBAHASAN Analisis Data... 7 Ekstraksi Data... 8 Transformasi Data... 9 Konversi Data... 9 Pemuatan Data... 9 Pembuatan Structure Version pada Data Warehouse... 9 Pembuatan Mapping Function (MapF) Pembuatan dan Pengujian Query dalam SpatioTemporal Data Warehouse KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN vii

7 DAFTAR GAMBAR Halaman 1 Ilustrasi temporal data warehouse Dimensi keseluruhan divisi sales Perubahan struktur varietas padi Jenis Dimensi Data Spasial Skema bintang Skema galaksi Skema snowflake Segitiga api Daerah terdeteksi hotspot pada satelit NOAA Alir Metode Penelitian Ilustrasi perubahan structure version Hubungan Mapping Function dengan structure version Skema snowflake Hierarki pada Structure Version Hierarki pada Structure Version Struktur version pada schema workbench Tampilan Hasil Query MDX Biasa Tampilan Hasil Query Spasial Hasil query untuk jumlah hotspot Hasil query untuk jumlah hotspot provinsi Bali Hasil operasi drill down pada dimensi wilayah Contoh operasi slicing Contoh operasi dicing DAFTAR TABEL Halaman 1 Hasil Reduksi Data Structure Version hotspot... 9 DAFTAR LAMPIRAN Halaman 1 Rincian Pembersihan Data Hotspot Struktur hotspot.xml MapF (Mapping Function) jumlah hotspot pada tahun 1998 ditambah tahun Tampilan spatio-temporal OLAP dan keterangan viii

8 Latar Belakang PENDAHULUAN Data warehouse hotspot merupakan salah satu metode yang dapat digunakan untuk proses penggudangan data hotspot dengan mengambil data historis yang memiliki struktur yang sama. Namun jika terjadi perubahan struktur pada data, misalnya proses pemisahan (split) data atau proses penggabungan (merge) data, maka data warehouse hotspot perlu dikembangkan lagi untuk menangani perubahan struktur yang ada. Pada penelitian sebelumnya Malau (2009) telah melakukan pengembangan data warehouse dengan menerapkan pendekatan aspek temporal. Dengan pengembangan tersebut data warehouse yang dihasilkan mampu menangani setiap kasus yang berhubungan dengan perubahan struktur pada data. Perubahan struktur dapat berupa split dan merge dengan mengambil data tanaman pangan dan hortikultura untuk bagian produksi, luas tanam dan luas panen dengan menggunakan agregasi SUM. Penelitian Malau (2009) dilanjutkan oleh Gusriani (2009) dengan melakukan penambahan modul operasi OLAP (Online Analytical Processing) seperti slicing, dicing, drill down, roll up serta fungsi agregat seperti min, max, dan average agar menjadi temporal data warehouse yang lebih baik. Kedua penelitian di atas telah membangun data warehouse dengan model multidimensional dan menampilkan data dalam bentuk tabel crosstab dan grafik dengan OLAP server PALO. Trisminingsih (2010) fokus kepada pengembangan data warehouse dengan pendekatan spasial terhadap dimensi lokasi menggunakan framework Geomondrian. Pada tahun berikutnya, Fadli (2011) melakukan pembuatan data warehouse dengan aplikasi SOLAP (Spasial Online Analytical Processing) menggunakan framework Geomondrian dan Geoserver sebagai web map server. Penelitian tersebut hanya memfasilitasi pembuatan data warehouse yang mengintegrasikan data spasial ke dalam model data multidimensi. Dengan demikian hanya bisa menangani data spasial tanpa bisa melakukan tracking history. Kurniawan (2011) membuat pemodelan data dengan konsep event-based spatiotemporal data model (ESTDM) untuk memodelkan data real berupa point yaitu data hotspot. Data point yang digunakan hanya mengalami dua proses dalam evolusinya, yaitu muncul (appearance) dan hilang (disappearance). Penelitian ini mencoba merangkum dan melengkapi data warehouse spasial pada penelitian Trisminingsih dengan konsep temporal dari penelitian Malau serta memodelkan data pada penelitian Kurniawan, yakni dengan membuat sebuah Spatiotemporal data warehouse dengan aplikasi SOLAP menggunakan framework Geomondrian. Hasil akhir dari penelitian ini diharapkan dapat menyajikan data spasial dalam bentuk tabel dan grafik serta dapat melakukan query temporal persebaran hotspot sebagai indikasi kebakaran hutan dalam satu sistem dalam waktu tertentu, sehingga dapat mendukung dalam proses pengambilan keputusan. Tujuan Tujuan dari penelitian ini adalah 1. Mengembangkan suatu sistem spatio temporal data warehouse pada data kebakaran hutan berbasis web dengan hasil akhir penyajian dalam bentuk tabel dan grafik yang terintegrasi. 2. Mengetahui pola persebaran hotspot dengan melakukan tracking history dalam wilayah dan waktu tertentu. 3. Mengetahui kemunculan dan menghilangnya titik hotspot dalam wilayah dan waktu tertentu. Ruang Lingkup Ruang lingkup penelitian ini meliputi: 1. Data yang digunakan adalah data hotspot kebakaran hutan di wilayah Indonesia pada tahun yang di dapat dari satelit NOAA. 2. Pembuatan data warehouse spatiotemporal difokuskan untuk menjawab query yang terkait dengan adanya perubahan struktur hierarki data (split dan merge) dengan melakukan operasi agregasi sum. 3. Menampilkan dalam bentuk OLAP seperti slicing, dicing, roll up, drill down pada data kebakaran hutan di Indonesia. Data Warehouse TINJAUAN PUSTAKA Data warehouse adalah repositori dari informasi yang dikumpulkan dari berbagai sumber yang disimpan di bawah skema tertentu dan biasanya berada di satu lokasi (Han & Kamber 2006). Empat karakteristik 1

9 data warehouse menurut Han dan Kamber (2006) yaitu: 1 Berorientasi subjek, terorganisasi pada subjek utama sesuai topik bisnis atau berdasarkan subjek dari organisasi, 2 Terintegrasi, data dibangun dengan mengintegrasikan berbagai sumber data, 3 Time variant, dimensi waktu secara eksplisit termasuk dalam data, jadi model dan perubahannya dapat diketahui setiap saat, 4 Non-volatile, data terpisah dari database operasional sehingga hanya memerlukan pemuatan dan akses data tanpa mengubah data sumber. Tujuan utama dari pembuatan data warehouse adalah untuk menyatukan beragam data ke dalam sebuah tempat penyimpanan. Dengan demikian pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis terhadap data yang ada. Data Spatiotemporal Data spasial adalah data yang memiliki referensi ruang kebumian (georeference) dimana berbagai data atribut terletak dalam berbagai unit spasial. Format data spasial dapat berupa vektor (poligon, garis, titik) maupun raster. Di lain pihak data spatiotemporal sebenarnya adalah data spasial yang berubah seiring waktu (Rahim 2006). Jadi, data spatiotemporal adalah data spasial yang memiliki elemen temporal (waktu). Ketika suatu ruang berubah seiring dengan waktu, maka data spasial akan berubah menjadi data spasial yang memiliki unsur temporal (waktu). Spatiotemporal Data Warehouse Spatial data warehouse adalah suatu koleksi data, baik data spasial maupun data nonspasial, yang bersifat subject oriented, integrated, time variant, dan non-volatile yang digunakan pada spatial data mining dan proses pengambilan keputusan yang berkaitan dengan data spasial (Han & Kamber 2006). Koleksi atau kumpulan data ini berasal dari berbagai sumber data yang ditempatkan ke dalam satu tempat penyimpanan yang berukuran besar dan diproses menjadi bentuk penyimpanan multidimensional, kemudian didesain untuk query dan reporting. Pada temporal data warehouse menurut Eder et al (2001) menggambarkan perkembangan data sepanjang waktu dengan pendekatan temporal. Dengan demikian bisa menangani operasi kompleks seperti pemisahan (split) dan penggabungan (merge). Ilustrasi temporal data warehouse dapat dilihat pada Gambar 1. Gambar 1 Ilustrasi temporal data warehouse Pada Gambar 1 di atas terdapat sebuah dimensi Lokasi mempunyai provinsi Jawa Barat yang mengalami pemekaran wilayah sehingga dibagi menjadi dua provinsi yaitu provinsi Jawa Barat dan Banten pada bulan Januari tahun Jika menggunakan data warehouse biasa kita hanya bisa melihat perkembangan dari provinsi Jawa Barat sampai sebelum pembagian yaitu bulan Desember 2000 saja, setelah itu (Januari 2001) tidak dapat ditampilkan oleh data warehouse karena sudah terjadi perubahan. Di lain pihak dengan menggunakan temporal data warehouse akan diperlihatkan secara jelas perubahan apa saja yang terjadi pada provinsi Jawa Barat melalui penelusuran (Tracking History). Oleh karena itu pada spatiotemporal data warehouse tidak hanya menyimpan keadaan saat ini dari data spasial tetapi menyimpan juga seluruh sejarah dari perkembangan data spasial tersebut (Gunting & Scheneider 2001). Structure Version (SV) Structure Version (SV) adalah view dari struktur multidimensional yang valid untuk interval (selang) waktu [T s, T e ] yang diberikan (Eder et al 2001). Setiap perubahan dari dimensi anggota atau hubungan hirarki mengarah ke struktur versi baru, jika struktur versi untuk interval waktu yang diberikan sudah tidak ada. Secara umum structure version (SV) terdiri atas empat tuple dengan format <SV id, T, {DM Di, SVid,, DM DN, SVid, DM F,SVid }, H SVid > dimana SV id adalah unique identifier, T merepresentasikan waktu yang valid dari structure version sebagai selang waktu [T s, T e ]. DM Di, SVid adalah himpunan dari semua anggota-anggota dimensi, dimana merupakan bagian dari dimensi D i dan valid untuk waktu P dengan T s P T e. DM F,SVid adalah himpunan dari seluruh fakta-fakta yang valid 2

10 pada waktu P dengan T s P T e, H Svid adalah himpunan dari penambahan hirarki yang valid pada waktu P dengan T s P T e. Ilustrasi untuk structure version (SV) seperti pada Gambar 2 mengenai dimensi keseluruhan divisi untuk penjualan (sales) yang mengikutsertakan interval (selang) waktu (Eder & Christian 2001): <M 1, > <M 1, > <M 4, > Div. A <M 1, > Divisions Div. B <M 1, > <M 1, > <M 4, > <M 1, M 3> Div. C <M 1, > Mapping Function (MapF) Mapping Function (MapF) adalah operasi untuk memetakan structure version yang berbeda dan biasanya menggunakan operasi dasar penjumlahan (sum). Operasi dasar MapF tidak hanya penjumlahan, tetapi dapat juga menggunakan operasi dasar lain seperti pengurangan, perkalian dan pembagian. Contoh, jika kita ingin mengetahui jumlah panen padi. Pada tahun 2003, padi yang ditanam berasal dari satu varietas saja (A), untuk itu pencatatan total padi untuk semua kecamatan dapat diakumulatifkan. Namun, pada tahun 2004, terdapat beberapa padi varietas baru B dan C bantuan pemerintah yang ditanam pada beberapa kecamatan. Ilustrasi pada Gambar 3. SubDiv.D <M 4, > Divis ions <M 1, M 3> SubDiv.E <M 4, > Gambar 2 Dimensi keseluruhan divisi sales. Pada Gambar 2 diperlihatkan dimensi divisi secara keseluruhan untuk penjualan (sales) yang memberikan selang waktu. Beberapa node dan edge pada Gambar 2 memiliki selang waktu. Pada Gambar 2 terlihat bahwa pada SubDiv.D telah dimodifikasi pada waktu M 4, SubDiv. yang baru yaitu SubDiv.E dimasukkan pada saat waktu M 4 dan pada saat Div.C merupakan subdivisi dari Div.B pada waktu M 1 sampai M 3 (pada Gambar ditandai dengan garis putus-putus), dari Gambar 2, dapat diperlihatkan dua structure version (SV), yaitu: 1. <SV 1, [M 1, M 3 ], {{Divisions, Div.A, Div.B, Div.C, SubDiv.D}, {Sales}}, {Div.A Divisions, SubDIv.D Div.A, }> 2. <SV 2, [M 4, ], {{Divisions, Div.A, Div.B, Div.C, SubDiv.D, SubDiv.E}, {Sales}}, {Div.A Divisions, SubDiv.D Div.A, SubDiv.E Div.A, }> Structure version yang diperoleh ada dua yaitu SV 1 dan SV 2. SV 1 dan seluruh anggotaanggota dimensi (Divisions, Div.A, Div.B, ) dan penambahan hirarki (Div.A Divisions, ) valid pada saat M 1 ke M 3, sedangkan untuk SV 2 valid pada saat M 4 sampai dengan tak hingga, misalnya sampai sekarang. Gambar 3 Perubahan struktur varietas padi Maka untuk mengetahui jumlah panen padi (P#) pada tahun 2003 sampai 2004 terkait dengan fungsi P# (P, ) = P# (A, 2003) + P# (A, 2004) + P# (B, 2004) + P# (C, 2004). Fungsi inilah yang disebut transformation function (MapF) dan untuk operasi yang digunakan adalah operasi sum. Fungsi MapF yang akan digunakan untuk penelitian ini, akan fokus pada masalah perubahan jumlah hotspot pada tahun 1997 sampai dengan tahun OLAP Online Analytical Processing (OLAP) didefinisikan sebagai platform visual yang dibangun untuk mendukung proses analisis spatio-temporal dan eksplorasi data dengan pendekatan multidimensional dan ditampilkan dalam lingkungan kartografis yang dilengkapi diagram tabular (Bédard 1997). OLAP merupakan jenis aplikasi level klien dalam lingkup aplikasi data warehouse yang disajikan dalam lingkungan aplikasi OLAP dan sistem informasi geografis atau pemetaan dalam lingkungan web. 3

11 Beberapa operasi OLAP menurut Han dan Kamber (2006) yaitu: 1 Roll up (drill up) Operasi roll up dilakukan dengan cara meningkatkan tingkat hierarki atau mereduksi jumlah dimensi. 2 Drill down (roll down) Drill down merupakan operasi kebalikan dari roll up. Operasi ini dapat merepresentasikan data secara lebih detail atau spesifik dari level tinggi ke level rendah. 3 Slicing Slicing adalah proses pemilihan satu dimensi dari kubus data yang bersangkutan sehingga menghasilkan subcube. 4 Dicing Dicing adalah proses mendefinisikan subcube dengan memilih dua dimensi atau lebih dari kubus data. 5 Pivoting Pivoting merupakan suatu kemampuan OLAP yang dapat melihat data dari berbagai sudut pandang (view point). Pengguna dapat mengatur sumbu pada kubus data sehingga memperoleh data yang diinginkan sesuai dengan sudut pandang analisis yang diperlukan. Model Data Multidimensi Model data multidimensi merupakan konsep desain yang digunakan untuk mengembangkan data warehouse. Model multidimensional tersebut terdiri atas struktur data yang diperlukan untuk merepresentasikan dimensi dimensi serta fakta dari proses kegiatan yang ada. Model data multidimensi terdiri atas dua data, yaitu (Malach 2000): 1. Data dimensi Data dimensi adalah entitas yang ingin disimpan oleh perusahaan (organisasi). Data dimesi akan berubah jika analisis kebutuhan pengguna berubah. Data dimesi mendefinisikan label yang membentuk isi laporan. Setiap dimensi diulang untuk setiap kelompok. Atribut data dimensi diletakkan pada tabel dimensi. Menurut Han & Kamber (2006), dalam kubus data spasial terdapat tiga jenis data dimensi yaitu: 1 Dimensi nonspatial yang berisi data nonspasial pada setial level hierarkinya. 2 Dimensi spatial-to-nonspatial merupakan dimensi yang memiliki level data spasial tetapi sebagian besar levelnya berupa data nonspasial. Dimensi ini secara umum dikategorikan sebagai dimensi nonspatial. 3 Dimensi spatial-to-spatial adalah dimensi yang setiap levelnya, dari level primitif hingga level tertinggi, secara umum berupa data spasial. Ilustrasi jenis data dimensi menurut Han & Kamber (2006) dapat dilihat pada Gambar 4. Nonspatial Gambar 4 Jenis Dimensi Data Spasial. 2. Data fakta Data fakta adalah data utama dari data multidimensi yang berisi kuantitas yang ingin diketahui dengan menganalisis hubungan antar dimensi. Data fakta cenderung stabil dan tidak berubah seiring dengan waktu. Atribut data fakta diletakkan pada tabel fakta. Model data multidimensional dapat menampilkan data dalam bentuk kubus yang merupakan inti dari model ini dan dapat digambarkan dalam bentuk skema bintang, skema snowflake, skema galaksi (Han & Kamber 2001). 1. Skema bintang, rancangan database sederhana dimana data dimensi terpisah dari data fakta (data transaksi). Ilustrasi dapat dilihat pada Gambar 5. Gambar 5 Skema bintang Spatialto-spatial Spatial-tononspatial 2. Skema galaksi, merupakan kumpulan skema bintang dengan lebih dari satu tabel fakta yang saling berhubungan. Ilustrasi dapat dilihat pada Gambar 6. 4

12 lainnya (Brown dan Davis dalam Sophia, 2009). Ilustrasi tiga unsur yang mendukung terjadinya kebakaran hutan dapat dilihat pada Gambar 8. Gambar 6 Skema galaksi 3. Skema snowflake, merupakan versi pengembangan dari skema bintang, dimana tabel tabel dimensinya merupakan hasil normalisasi dari beberapa tabel yang berhubungan. Ilustrasi dapat dilihat pada Gambar 7. Kebakaran Hutan Gambar 7 Skema snowflake Kebakaran hutan adalah suatu proses reaksi yang menyebar secara bebas dari perpaduan antar tiga unsur yang saling mendukung oksigen, bahan bakar dan panas, yang ditandai dengan adanya panas, cahaya dan asap. Proses ini menyebar dengan bebas dan mengkonsumsi bahan bakar alam yang terdapat di hutan seperti serasah, rumput, humus, ranting ranting, kayu mati, tiang, gulma, semak, dedaunan, dan pohon segar Gambar 8 Segitiga api (Brown dan Davis, 1973) Proses kebakaran hutan merupakan kebalikan dari proses fotosintesis (Brown dan Davis 1973) : Proses fotosintesis, 6CO 2 + 6H 2 O + cahaya matahari C 6 H 12 O 6 +6O 2 Proses pembakaran, CH 6 H 12 O 6 + O 2 + sumber panas +energi panas Titik Api (Hotspot) CO 2 +H 2 O Titik api merupakan titik di permukaan bumi dimana titik titik tersebut merupakan indikasi adanya kebakaran hutan dan lahan (Ratnasari dalam Rina, 2010). Indikasi yang dimaksud adalah suhu panas (suhu yang relatif lebih tinggi dari suhu di sekitarnya) hasil kebakaran hutan yang naik ke atas atmosfer dan ditangkap oleh satelit serta didefinisikan sebagai hotspot berdasarkan ambang batas suhu tertentu. Gambar 9 merupakan ilustrasi daerah terdeteksi hotspot menggunakan satelit NOAA. Gambar 9 Daerah terdeteksi hotspot pada satelit NOAA (Fadli, 2011) 5

13 Dalam pemantauan hotspot, terdapat beberapa satelit yang dapat di gunakan, yaitu satelit AVHRR-NOAA (Advanced Very High Resolution Radiometer-National Oceanic and Atmospheric Administration) dan MODIS (Moderate Resolution Imaging Spectroradiometer). MDX Query Multidimensional expression (MDX Query) merupakan query yang diimplementasikan pada kubus data multidimensi atau bahasa yang mampu menangani struktur data multidimensi, baik kubus data biasa maupun geometri. MDX query digunakan pada OLAP untuk memanipulasi dan menangani data yang ingin di retrieve sesuai dengan kubus data yang dibuat berdasarkan skema multidimensi. Geomondrian menerapkan tipe data geometri dan menyediakan fungsi MDX untuk ekstensi spasial sehingga mampu menganalisis data spasial dengan query analitis (Bédard dalam Fadli, 2011). METODE PENELITIAN Tahapan yang dilakukan pada penelitian pembangunan spatio-temporal data warehouse dapat dilihat pada Gambar 10. Gambar 10 Alir Metode Penelitian Analisis Data Data hotspot yang telah diperoleh selanjutnya dianalisis untuk mendapatkan atribut atribut yang tepat dalam pembuatan spatiotemporal data warehouse. Hasil analisis ini digunakan untuk menentukan dimensi, fakta, dan skema yang tepat untuk model data multidimensi. Dalam analisis ditemukan perubahan struktur hierarki pada dimensi lokasi. Yaitu pada tahun 1997 dimensi lokasi di Indonesia memiliki dua hierarki yaitu hierarki provinsi dan hierarki kabupaten, namun pada tahun 2001 hierarki pada dimensi lokasi mengalami penggabungan (merge) menjadi hierarki provinsi. Selain itu, pada tahun yang sama terjadi pemekaran wilayah (split) pada hierarki provinsi, yaitu pada provinsi Sulawesi Utara menjadi provinsi Sulawesi Utara dan provinsi Gorontalo. Ekstraksi Data Ekstraksi data adalah pengambilan data yang relevan dari database operasional sebelum masuk ke dalam data warehouse. Pada ekstraksi, atribut dan record yang diinginkan, dipilih dan diambil dari database operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam pengambilan keputusan. Dalam tahap ekstraksi ini, dilakukan pula pembersihan data dikarenakan data operasional sangat rendah kualitasnya seperti kesalahan penulisan, duplikasi data, data kurang lengkap, dan data tidak konsisten. Transformasi Data Pada tahap transformasi, data dari semua sumber dikonversi ke dalam format yang umum sesuai dengan skema multidimensional yang telah dibuat. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada database yang berbeda. Pemuatan Data Setelah tahap ekstraksi dan transformasi data dilakukan, maka data telah siap untuk dimuat (load) ke dalam data warehouse. Pada tahap ini dilakukan pula pengurutan dan pengecekan integritas suatu data. Tahap pemuatan bertujuan untuk memuat data yang terseleksi ke dalam data warehouse tujuan dan membuat indeks yang diperlukan. Pembuatan Structure Version (SV) Proses dilanjutkan dengan pembuatan structure version. Structure version dibuat berdasarkan perubahan struktur data yang telah dianalisis pada proses analisis data. Gambar 11 merupakan ilustrasi perubahan structure version yang dibuat. 6

14 Gambar 11 Ilustrasi perubahan structure version Pada Gambar 11 di atas terdapat sebuah dimensi Lokasi mempunyai dua structure version. Pada structure version 1 dimensi lokasi mempunyai hierarky provinsi A dan hierarki kabupaten. Pada tahun 2001 hierarki pada dimensi lokasi mengalami penggabungan (merge) menjadi hierarki provinsi tanpa terdapat kabupaten. Selain itu, di beberapa wilayah di Indonesia mengalami pemekaran wilayah pada hierarki provinsi menjadi dua provinsi yaitu provinsi A dan B pada bulan Januari tahun Tool yang digunakan dalam membangun structure version adalah tool schema workbench. Data yang dimuatkan berdasarkan structure version yang terbentuk. Pembuatan Mapping Function (MapF) Tahap kedua setelah selesai pembuatan structure version, kemudian dilakukan pembuatan Mapping Function (MapF). Gambar 12 merupakan ilustrasi hubungan Mapping Function dengan structure version. Gambar 12 Hubungan Mapping Function dengan structure version. Pada pembuatan MapF pada Gambar 12 di atas dibuat dengan menghubungkan antar dua structure version berbeda. Pada penelitian ini difokuskan pada dimensi lokasi dan waktu. Fungsi MapF ini akan difokuskan pada masalah penjumlahan hotspot. Uji Query Uji query adalah tahap untuk menguji spatio-temporal data warehouse apakah telah sesuai dengan kebutuhan dan memeriksa apakah operasi dasar OLAP berhasil di implemetasikan pada spasio-temporal data warehouse. Lingkungan Pengembangan Aplikasi spatio-temporal data warehouse dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras: Processor Intel Core2Duo 1,67 GHz RAM 1 GB DDR 2 HDD 160 GB Monitor LCD 12,1 dengan resolusi 1280 x 800 Mouse dan keyboard Perangkat Lunak: Sistem Operasi Windows 7 ultimate Microsoft Office 2007 SP 1 Apache Tomcat 7.0 GeoMondrian yang merupakan framework spatial OLAP PostgreSQL dengan library PostGIS sebagai perangkat lunak DBMS Schema Workbench sebagai tool desain kubus data. HASIL DAN PEMBAHASAN Analisis Data Data yang digunakan dalam penelitian ini adalah data hotspot kebakaran hutan dari tahun 1997 sampai dengan tahun 2005 di seluruh wilayah Indonesa. Data tersebut diperoleh dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia yang telah direvisi oleh Kurniawan (2011) dalam bentuk excel (.xls) dan text (.txt). Atribut-atribut yang terdapat dalam data hotspot yaitu tahun muncul, bulan muncul, tanggal muncul, tahun hilang, bulan hilang, tanggal hilang, NOAA (satelit), bujur, lintang, provinsi, dan kabupaten. Data spasial dan atribut wilayah administrasi Indonesia yang meliputi kode pulau, nama pulau, kode provinsi, nama provinsi, kode kabupaten, dan nama kabupaten diperoleh dari dalam format.shp dengan skala 1: Dalam format ini, peta Indonesia terdiri atas 30 provinsi dan 440 kabupaten/kota. Analisis data yang dilakukan pada data tersebut ialah memilih atribut-atribut yang tepat untuk mengembangkan aplikasi spatiotemporal data warehouse. Atribut-atribut 7

15 yang digunakan adalah tahun muncul, quartil muncul, bulan muncul, tanggal muncul, tahun hilang, quartil hilang, bulan hilang, tanggal hilang, NOAA (satelit), bujur, lintang, sedangkan dimensi lokasi menggunakan atribut wilayah dari file.shp. Berdasarkan atribut-atribut yang terpilih kemudian dibuat tabel fakta dan tabel dimensi. Dari hasil analisis dihasilkan sebuah tabel fakta dan tabel dimensi. Skema data warehouse yang digunakan adalah skema snowflake. Skema snowflake ini digunakan untuk menangani redundansi data geometri pada dimensi lokasi (spasial). Ilustrasi skema snowflake dapat dilihat pada Gambar 13. Ekstraksi Data Gambar 13 Skema snowflake Pada tahap ini dilakukan proses pengambilan data yang relevan dengan model skema yang telah dibuat. Proses ini mereduksi atribut-atribut yang tidak terpilih pada tahap analisis. Hasil reduksi data dapat dilihat pada Tabel 1. Table 1 Hasil Reduksi Data Atribut Tipe Data Tahun muncul Integer Quartil muncul Varchar (2) Bulan muncul Varchar (10) Tanggal muncul Integer Tahun hilang Integer Quartil hilang Varchar (2) Bulan hilang Varchar (10) Tanggal hilang Integer NOAA (satelit) Varchar(20) Bujur Real Lintang Real Kode pulau Integer Pulau Varchar(50) Kode provinsi Integer Atribut Provinsi Kode kabupaten Kabupaten Tipe Data Varchar(50) Integer Varchar(50) Pembersihan data juga dilakukan pada tahap ini untuk menangani data kosong (null), noise, dan data yang tidak konsisten. Proses ini dilakukan oleh Trisminingsih R (2010), dengan mengolah data vektor pada ArcView. Pembersihan data yang dilakukan meliputi: 1 Pembersihan nilai kosong (null) Pada beberapa kolom atribut ditemukan nilai kosong (null). Nilai null pada atribut tahun dan bulan ditangani dengan menghapus record data tersebut. Pada atribut NOAA (satelit) ditemukan nilai null pada data tahun Nilai null tersebut diisi dengan 0. Atribut dimensi lokasi yang berasal dari file.shp digabung dengan data vektor menggunakan arcview dengan operasi spatial join. Pada atribut dimensi lokasi pada data gabungan ditemukan nilai null, hal ini menunjukkan bahwa hotspot yang terdeteksi berada di luar wilayah Indonesia. Record-record dengan titik hotspot yang berada di luar wilayah Indonesia dihapus karena penelitian ini hanya menggunakan data hotspot yang berada di wilayah Indonesia. 2 Pembersihan noise Pada data hotspot kebakaran hutan ditemukan noise berupa titik-titik hotspot yang berada di wilayah Indonesia tetapi terletak di atas wilayah perairan Indonesia. Penulis mengasumsikan bahwa data tersebut merupakan data penambangan minyak lepas pantai atau kesalahan pemasukan data sumber akibat kerusakan satelit. Data yang mengandung noise tersebut dihapus karena dapat mempengaruhi hasil analisis data. 3 Perbaikan data yang tidak konsisten Pada setiap atribut data hotspot terdapat data tidak konsisten terutama atribut dimensi lokasi sehingga perlu dilakukan pembenaran agar tetap seragam. Penulisan nama kabupaten dan provinsi digunakan huruf kapital. Jumlah data yang dihasilkan setelah pembersihan data adalah record. Rincian pembersihan data yang dilakukan dalam penelitian ini dapat dilihat pada Lampiran 1. 8

16 Transformasi Data Dalam transformasi data dilakukan proses penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut atau dimensi. Proses transformasi dilakukan berdasarkan skema snowflake yang telah dibuat pada tahap analisis. Nama-nama atribut disesuaikan dengan nama atribut pada skema tersebut. Pada data fakta ditentukan nilai agregasi atribut-atribut yang menjadi ukuran (measure). Atribut baru dikonstruksi untuk menampung ukuran berupa jumlah hotspot hasil agregasi. Fungsi agregat yang digunakan adalah fungsi sum untuk proses penjumlahan hotspot. Konversi Data Setelah proses ekstraksi dan transformasi data, data vektor dan data shp dimuat ke database PostgreSQL yang dilengkapi library PostGIS. Data hotspot yang diperoleh dalam format.xls dan.txt dikonversi menjadi atribut dari format shapefile. Proses konversi dilakukan dengan tool QuantumGIS. Data yang telah dikonversi dalam bentuk shapefile dimuat ke dalam database dengan mengimpor data. Proses import data dilakukan dengan menggunakan plugin manager SPIT (Shapefile to PostgreSQL/PostGIS Import Tool) pada QuantumGIS. Pemuatan data ke dalam tabel database tidak perlu dilakukan lagi karena pada saat melakukan import data shapefile ke format.sql maka data telah tersusun sesuai nama tabel pada format shapefile. Pemuatan Data Data yang telah dikonversi ke dalam PostgreSQL, disesuaikan dengan structure version data berdasarkan skema snowflake yang telah dibuat. Data yang telah terseleksi pada tahap ekstraksi dan transformasi akan dimuat ke dalam structure version. Pembuatan Structure Version pada Data Warehouse Tahapan selanjutnya adalah pembuatan model dari data warehouse. Pemodelan dilakukan dengan cara menentukan structure version berdasarkan perubahan struktur yang terjadi. Perubahan struktur yang terjadi pada data kebakaran hutan terdapat pada tahun 1997 dan tahun Yaitu pada tahun 1997, dimensi lokasi di Indonesia terdapat dua hierarki yaitu provinsi dan kabupaten sedangkan pada tahun 2001, provinsi dan kabupaten mengalami penggabungan (merge) menjadi satu bagian yaitu provinsi dan terdapat provinsi yang mengalami pemekaran wilayah (split) pada daerah tertentu. Pembagian structure version hotspot dapat dilihat pada Tabel 2. Table 2 Structure Version hotspot Structure Version Structure Version 1 Structure Version 2 Jenis Perubahan Lokasi tidak mengalami perubahan. Lokasi mengalami penggabungan (merge) menjadi hanya satu hierarki yaitu provinsi dan terjadi pemekaran wilayah (split) Berdasarkan Tabel 2, maka hierarki dari masing-masing structure version pada Tabel 2 di atas terlihat pada Gambar 14 dan 15. <1997> <1997> Gambar 14 Hierarki pada Structure Version 1 <2001> <2001> Provinsi A Lokasi Provinsi A Kabupaten Lokasi Provinsi B Gambar 15 Hierarki pada Structure Version 2 Implementasi pembuatan structure version mengggunakan tool schema workbench. Cube (kubus) yang dibuat disesuaikan dengan skema snowflake yang telah dirancang. Pada Gambar 16 berikut merupakan structure version yang telah dirancang menggunakan tool schema workbench. 9

17 Gambar 16 Struktur version pada schema workbench Struktur format XML yang dihasilkan dari schema struktur version data dapat di lihat pada Lampiran 2. Pembuatan Mapping Function (MapF) Tahapan selanjutnya dalam pembuatan temporal data warehouse adalah pembuatan Mapping Function (MapF). Mapping Function yang dibuat berdasarkan structure version yang sudah ada. Berikut merupakan MapF yang dibuat antara lain: Jumlah hotspot [ ] = jumlah hotspot (1998) + jumlah hotspot (2005). Jumlah hotspot [ ] = jumlah hotspot (SV1) + jumlah hotspot (SV2). Implementasi MapF dapat dilihat pada Lampiran 3. Dalam penggunaan mapping function masih dimasukkan ke dalam query secara langsung, karena dalam penelitian ini masih belum ditemukan generalisasi rule secara otomatis. Pembuatan dan Pengujian Query dalam SpatioTemporal Data Warehouse Uji query dilakukan untuk menguji spatiotemporal data warehouse apakah telah sesuai dengan kebutuhan dan memeriksa apakah operasi dasar OLAP berhasil diimplementasikan untuk data spasial dan temporal. Query yang digunakan untuk menguji sistem ini adalah query dalam bentuk fungsi MDX. Fungsi MDX mendukung query untuk objek multidimensional dan menjalankan perintah-perintah yang mampu menghasilkan dan memanipulasi data dari objek tersebut. Pada penelitian ini, MDX yang digunakan mampu mendukung query biasa, query spasial, dan query temporal dan query spatio-temporal. 1. Query biasa Struktur query ini mirip dengan query database relasional, Structured Query Language (SQL). Query ini mendukung operasi dengan konsep model data logika. Pada uji query biasa akan dilakukan uji menampilkan jumlah hotspot yang muncul dari semua satelit pada tahun Ilustrasi query yang diujikan adalah sebagai berikut: Select {[Measures].[Jumlah Hotspot]} on columns, {([satelit].[semua Satelit])} ON rows from [forestfire] where (Valid_start. [1998]) Ilustrasi tampilan hasil query dapat dilihat pada Gambar 17. Gambar 17 Tampilan Hasil Query MDX Biasa. Hasil yang diperoleh dari query biasa adalah jumlah hotspot semua satelit adalah titik pada tahun Query spasial Query ini mendukung model data spasial Open Geodata Interchange Standard (OGIS). Model data OGIS mampu menangani bentuk geometri seperti point, polygon, dan curve. Pada uji query spasial akan dilakukan uji menampilkan jumlah hotspot dan titik dari konversi geometry pada kecamatan Buleleng. Ilustrasi query spasial yang diujikan dalam penelitian ini adalah sebagai berikut: SELECT {[Measures].[Jumlah Hotspot]} ON COLUMNS, {([Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI]. [BULELENG].[194675], [Valid_start].[Semua Waktu].[2000])} ON ROWS from [forestfire] Ilustrasi tampilan hasil query dapat dilihat pada Gambar

18 maka pada data warehouse yang menggunakan temporal akan memperlihatkan hasil seperti Gambar 19 di bawah ini: Gambar 19 Hasil query untuk jumlah hotspot Gambar 18 Tampilan Hasil Query Spasial. Hasil yang diperoleh dari query spasial adalah jumlah hotspot dan koordinat titik dari kabupaten Buleleng. 3. Query temporal Perbedaan data warehouse yang menggunakan sisi temporal dengan data warehouse tanpa menggunakan sisi temporal yaitu dari sisi query dan hasil yang diinginkan, sebagai contoh akan dilakukan uji menampilkan berapa jumlah hotspot pada tahun 1998 ditambah tahun 2005 di provinsi Jawa Barat. Ilustrasi query temporal yang diujikan dalam penelitian ini adalah sebagai berikut: With member [Lokasi.hierarki wilayah].[jawa BARAT] as '(([Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[JAWA BARAT] + [Lokasi2.hierarki wilayah].[seluruh Indonesia].[JAWA].[JAWA BARAT]) + [Lokasi2.hierarki wilayah].[seluruh Indonesia].[JAWA].[BANTEN])' member [Valid_start].[1998 to 2005] as '([Valid_start].[Semua Waktu].[1998] + [Valid_start].[Semua Waktu].[2005])' SELECT {[Measures].[Jumlah Hotspot]} ON COLUMNS, Crossjoin({[Lokasi.hierarki wilayah].[jawa BARAT]}, Crossjoin({[Valid_start].[1998 to 2005], [Valid_start].[Semua Waktu].[1998], [Valid_start].[Semua Waktu].[2005]}, {([Satelit].[Semua Satelit], [Event].[Semua Event], [Valid_End].[Semua Waktu])})) ON ROWS FROM [forestfire] Gambar 19 menunjukkan jumlah hotspot di Jawa Barat pada tahun 1998 ditambah tahun 2003 adalah 60. Pada structure version 2 Jawa Barat mengalami pemekaran wilayah yaitu menjadi provinsi Jawa Barat dan Banten sehingga pada saat query dilakukan, SV1 (Jawa Barat) dan SV2 (Jawa Barat + Banten) dihitung berdasarkan mapping function, jumlah hotspot = jumlah hotspot (SV1) + jumlah hotspot (SV2). 4. Query spatio- temporal Query ini mendukung model data spasial Open Geodata Interchange Standard (OGIS) dalam penjumlahan waktu tertentu. Sebagai contoh akan dilakukan uji menampilkan berapa jumlah hotspot di provinsi Bali pada tahun 2000 ditambah tahun 2005, Ilustrasi query spatio-temporal yang diujikan dalam penelitian ini adalah sebagai berikut: With member [Lokasi.hierarki wilayah].[bali] as '([Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI] + [Lokasi2.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI])' member [Valid_start].[2000 to 2005] as '([Valid_start].[Semua Waktu].[2000] + [Valid_start].[Semua Waktu].[2005])' SELECT {[Measures].[Jumlah Hotspot]} ON COLUMNS, Crossjoin({[Lokasi.hierarki wilayah].[bali], [Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI].[BULELENG ].[194675], [Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI].[BULELENG ].[194678], [Lokasi.hierarki wilayah].[seluruh Indonesia].[JAWA].[BALI].[BULELENG ].[194679]}, Crossjoin({[Valid_start].[2000 to 2005], [Valid_start].[Semua Waktu].[2000], 11

19 [Valid_start].[Semua Waktu].[2005]}, {([Satelit].[Semua Satelit], [Event].[Semua Event], [Valid_End].[Semua Waktu])})) ON ROWS FROM [forestfire] maka pada data warehouse yang menggunakan spatio-temporal akan memperlihatkan hasil seperti Gambar 20 di bawah ini: Gambar 20 Hasil query untuk jumlah hotspot provinsi Bali Gambar 20 menunjukkan jumlah hotspot provinsi Bali tahun 2000 pada structure version 1 ditambah tahun 2005 pada structure version 2 adalah 4. Pada Gambar 20 diperlihatkan juga koordinat point pada setiap titik. Dalam pengujian, dilakukan juga pengujian operasi OLAP untuk mengetahui apakah operasi OLAP dapat dilakukan pada data spatio temporal. Ilustrasi tampilan spatio-temporal OLAP dan keterangan dapat di lihat pada Lampiran 4. Uji operasi drill down yang dilakukan pada dimensi wilayah. Hasil dari drill down pada dimensi wilayah dapat dilihat pada Gambar 21. Gambar 22 Contoh operasi slicing. Hasil yang diperoleh dari operasi slicing tersebut adalah jumlah hotspot di seluruh Indonesia pada tahun Contoh operasi dicing pada spatiotemporal data warehouse adalah akan dipilih dua dimensi yaitu dimensi tahun dan lokasi dengan dua hierarki. Contoh operasi dicing dapat dilihat pada Gambar 23. Gambar 21 Hasil operasi drill down pada dimensi wilayah. Hasil yang diperoleh dari query tersebut adalah jumlah hotspot pada tahun 1997 hingga Contoh operasi slicing pada spatio-temporal data warehouse ini diilustrasikan pada Gambar 22. Gambar 23 Contoh operasi dicing. Hasil yang diperoleh dari operasi dicing tersebut adalah 29 jumlah hotspot di pulau 12

20 jawa pada tahun 1998 dan 164 jumlah hotspot pada tahun Di lain pihak di pulau Irian Jaya 3 jumlah hotspot pada tahun 1998 dan tidak ada jumlah hotspot pada tahun Aplikasi spatial-temporal berbasis web dibuat dengan framework Geomondrian mampu menampilkan tabel pivot dan grafik dan melakukan operasi OLAP. Structure version dibuat berdasarkan perubahan struktur yang terjadi pada data. Dengan demikian data warehouse spatiotemporal mampu memberikan hasil jika dilakukan uji query untuk data yang mengalami perubahan struktur. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil pembuatan spatialtemporal data warehouse dengan menggunakan GeoMondrian diperoleh beberapa kesimpulan, yaitu: 1. Aplikasi spatial-temporal berbasis web dibuat dengan framework Geomondrian mampu menampilkan tabel pivot dan grafik. Aplikasi ini dapat menangani query biasa, query spasial, dan query temporal dengan fungsi multidimensional expression (MDX). Aplikasi ini juga telah mendukung dimensi data dengan ukuran numerik dan geografik. Namun, aplikasi ini belum mampu menampilkan peta dengan Open Layers yang bersinkronisasi dengan tabel pada Jpivot. 2. Spatial-temporal yang dibuat dengan Geomondrian mampu melakukan operasi OLAP seperti roll up, drill down, slice, dice, dan pivot sehingga dapat membantu menganalisis data secara interaktif. Fasilitas menu yang disediakan oleh Geomondrian seperti menu memilih kubus data, ukuran, dan dimensi, filter dimensi, dan menu lain yang memudahkan pengguna menganalisis tabel yang dihasilkan. 3. Data warehouse yang tidak menggunakan structure version tidak akan mampu untuk memberikan hasil jika terjadi perubahan struktur pada data warehouse tersebut. 4. Data warehouse yang menggunakan structure version dan fungsi pemetaan (mapping function) mampu memberikan hasil jika dilakukan uji query untuk data yang mengalami perubahan struktur. 5. Perubahan struktur yang terjadi pada data persebaran hotspot di Indonesia hanya terbatas pada tempat dan tahun perubahan struktur saja. Saran Spatiotemporal data warehouse memiliki banyak kekurangan sehingga masih membutuhkan pengembangan lebih lanjut. Saran untuk penelitian spatio-temporal data warehouse selanjutnya adalah: 1 Menampilkan visualisasi peta yang dapat bersinkronisasi dengan kubus data spatiotemporal yang dibuat dengan framework Open Layers. 2 Membuat suatu framework yang dapat menampilkan visualisasi peta, tabel, dan grafik temporal dalam satu antarmuka. 3 Menambah modul update, insert, dan delete yang dapat memudahkan pengguna apabila terdapat data baru. DAFTAR PUSTAKA Bedard Y Spatial OLAP, Videoconference. Di dalam : 2eme Forum annuel sur la R-D, Geomatique VI. Montreal, November. Brown AA, Davis P Forest Fire Control and Use.New York: McGraw- Hill Books Company. Hlm 658 Clar CD, Chatten LR Principles of Forest Fire Management Department of Natural Resources Division of Forestry. California. hlm 200. Date CJ, Darwen H, Lorentzos NA Temporal Data and The Relational Model. Amsterdam: Morgan Kaufmann Publisher. Eder J, Christian K Evolution of Dimension Data in Temporal Data Warehouses. Paper. Eder J, Christian K, Tadeuz M A Model for Temporal Data Warehouse. Paper. Fadli MH Data Warehouse Spatio- Temporal Kebakaran Hutan Menggunakan GeoMondrian dan GeoServer [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Gusriani K Penambahan Operasi OLAP dan Fungsi Agregat pada Temporal Data Warehouse Tanaman Pangan Kabupaten Karo, Sumatera Utara 13

21 [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Guting RH, Schneider M Moving Objects Databases. San Francisco: Morgan Kaufmann Publisher. Han J, Kamber M Data Mining: Concept and Techniques second edition. San Fransisco: Morgan Kaufman Publisher. Kurniawan, Y Pembangunan Spatiotemporal Data Model Pada Data Hotspot Dengan Konsep Event-Based Spatiotemporal Data Model (ESTDM) [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Malach EG Decision Support and Data Warehouse System.USA: Mc.Graw- Hill.Inc. Malau TJ Pembuatan Temporal Data Warehouse pada Komoditi Tanaman Pangan dan Hortikultura Kabupaten Karo, Sumatera Utara [skripsi]. Bogor : Departemen Ilmu Komputer, Institut Pertanian Bogor. Maryam MS Pembuatan Database dengan Pendekatan Event-Based Spatiotemporal [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Rahim MS The Development of Spatiotemporal Data Model for Dynamic Visualization of Virtual Geographical Information System [tesis]. Johor: Fakultas Sains Komputer dan Sistem Maklumat, Universitas Teknologi Malaysia. Ratnasari E Pemantauan Kebakaran Hutan dengan Menggunakan Data Citra NOAA-AVHRR dan Citra Landsat TM: Studi Kasus di Daerah Kalimantan Timur. [skripsi]. Bogor: Institut Pertanian Bogor. Triminingsih R Pembangunan Spatial Data Warehouse Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia. [skripsi]. Bogor: Institut Pertanian Bogor. Zahra JZ Pengembangan Data Warehouse untuk Kebakaran Hutan dan Lahan Di Kalimantan Timur. [skripsi]. Bogor: Institut Pertanian Bogor. 14

22 LAMPIRAN 15

23 Lampiran 1 Rincian Pembersihan Data Hotspot Atribut Tahun, bulan dan hari Jumlah tuple kosong Jumlah tuple mengand ung noise Jumlah tuple tidak konsisten Keterangan a) 5 b) 3 c) 37 a) Atribut bernilai null b) Tahun berisi tahun dan bulan berisi bulan c) Untuk bulan mei yang seharusnya 5 berisi 55 Aksi a) Dihapus b) Dihapus c) Update menjadi nilai yang sesuai dengan bulan mei yaitu 5 Satelit a) b) 0 c) 0 a) Atribut bernilai null a) Update menjadi 0 bila atribut hotspot (bujur dan lintang) tidak null Hotspot (bujur dan lintang) a) 5 b) c) 0 a) Atribut bernilai null b) Titik berada pada wilayah luar indonesia atau berada di atas perairan Kabupaten a) b) 0 c) a) Nama kabupaten bernilai null c) Memiliki lebih dari satu nama tetapi satu nilai, misal OKI dan Ogan Kemiring Ilir Provinsi a) b) 0 c) a) Nama provinsi bernilai null c) Memiliki lebih dari satu nama tetapi satu nilai, misal Aceh, NAD, Daerah Istimewa Aceh a) Dihapus b) Dihapus a) Dihapus c) Update menjadi Ogan Kemiring Ilir a) Dihapus b) Update menjadi Nanggroe Aceh Darussalam 16

24 Lampiran 2 Struktur hotspot.xml <Schema name="hotspot"> <Cube name="forestfire" cache="true" enabled="true"> <Table name="hotspot" schema="public"></table> <Dimension type="timedimension" foreignkey="time_id" highcardinality="false" name="valid_start"> <Hierarchy name="valid_start" hasall="true" allmembername="semua Waktu" primarykey="time_id"> <Table name="time" schema="public"> </Table> <Level name="tahun" column="time_year" type="string" uniquemembers="false" leveltype="timeyears" hidememberif="never" captioncolumn="time_year"> </Level> <Level name="quarter" column="time_quarter" type="string" uniquemembers="false" leveltype="timequarters" hidememberif="never" captioncolumn="time_quarter"> </Level> <Level name="bulan" column="time_month" type="string" uniquemembers="false" leveltype="timemonths" hidememberif="never" captioncolumn="time_month"> </Level> <Level name="hari" column="time_day" type="numeric" uniquemembers="false" leveltype="timedays" hidememberif="never" captioncolumn="time_day"> </Level> </Hierarchy> </Dimension> <Dimension type="standarddimension" foreignkey="id_hotspot" highcardinality="false" name="lokasi"> <Hierarchy name="hierarki wilayah" hasall="true" allmembername="seluruh Indonesia" primarykey="id_hotspot" primarykeytable="tb_geohotspot"> <Join leftkey="kode_kab" rightalias="tb_kabupaten" rightkey="kode_kab"> <Table name="tb_geohotspot" schema="public"> </Table> <Join leftkey="kode_prov" rightalias="tb_provinsi" rightkey="kode_prov"> <Table name="tb_kabupaten" schema="public"> </Table> <Join leftkey="kode_pulau" rightkey="kode_pulau"> <Table name="tb_provinsi" schema="public"> </Table> <Table name="tb_pulau" schema="public"> </Table> </Join> </Join> </Join> <Level name="hotspot Pulau" table="tb_pulau" column="nama_pulau" type="string" uniquemembers="true" leveltype="regular" hidememberif="never"> </Level> <Level name="hotspot Provinsi" table="tb_provinsi" column="nama_prov" type="string" uniquemembers="true" leveltype="regular" hidememberif="never"> </Level> <Level name="hotspot Kabupaten" table="tb_kabupaten" column="nama_kab" type="string" uniquemembers="true" leveltype="regular" hidememberif="never"> <Property name="kabupaten_geom" column="kab_geom" type="geometry"> </Property> </Level> <Level name="hotspot" table="tb_geohotspot" column="id_hotspot" type="string" uniquemembers="true" leveltype="regular" hidememberif="ifblankname"> <Property name="hotspot_geom" column="hotspot_geom" type="geometry"> </Property> </Level> </Hierarchy> </Dimension> <Dimension type="timedimension" foreignkey="timeend_id" highcardinality="false" name="valid_end"> <Hierarchy name="valid_end" hasall="true" allmembername="semua Waktu" primarykey="time_id"> <Table name="timeend" schema="public"> </Table> <Level name="ve_tahun" column="time_year" type="string" uniquemembers="false" leveltype="timeyears" hidememberif="never" captioncolumn="time_year"> </Level> <Level name="ve_quarter" column="time_quarter" type="string" uniquemembers="false" leveltype="timequarters" hidememberif="never" captioncolumn="time_quarter"> </Level> <Level name="ve_bulan" column="time_month" type="string" uniquemembers="false" leveltype="timemonths" hidememberif="never" captioncolumn="time_month"> </Level> <Level name="ve_hari" column="time_day" type="numeric" uniquemembers="false" leveltype="timedays" hidememberif="never" captioncolumn="time_day"> </Level> </Hierarchy> </Dimension> <Dimension type="standarddimension" foreignkey="id_satelit" highcardinality="false" name="satelit"> 17

25 Lampiran 2 Lanjutan <Hierarchy name="satelit" hasall="true" allmembername="semua Satelit" primarykey="satelit_id"> <Table name="satelit" schema="public"> </Table> <Level name="satelit" column="satelit_name" type="string" uniquemembers="true" leveltype="regular" hidememberif="never" captioncolumn="satelit_name"> </Level> </Hierarchy> </Dimension> <Dimension type="standarddimension" foreignkey="id_spatialinfo" highcardinality="false" name="event"> <Hierarchy name="event" hasall="true" allmembername="semua Event" primarykey="id_spatialinfo"> <Table name="spatialinfo" schema="public"> </Table> <Level name="event" column="event" type="string" uniquemembers="false" leveltype="regular" hidememberif="never" captioncolumn="event"> </Level> </Hierarchy> </Dimension> <Dimension type="standarddimension" foreignkey="id_hotspot" highcardinality="false" name="titik"> <Hierarchy name="titik" hasall="true" primarykey="id_hotspot"> <Table name="tb_geohotspot" schema="public"> </Table> <Level name="bujur" column="koordinat_bujur" type="string" uniquemembers="false" leveltype="regular" hidememberif="never" captioncolumn="koordinat_bujur"> </Level> <Level name="lintang" column="koordinat_lintang" type="string" uniquemembers="false" leveltype="regular" hidememberif="never" captioncolumn="koordinat_lintang"> </Level> </Hierarchy> </Dimension> <Dimension type="standarddimension" foreignkey="id_hotspot2" highcardinality="false" name="lokasi2"> <Hierarchy name="hierarki wilayah" hasall="true" allmembername="seluruh Indonesia" primarykey="id_hotspot" primarykeytable="tb_geohotspot2"> <Join leftkey="kode_kab" rightalias="tb_kabupaten2" rightkey="kode_kab"> <Table name="tb_geohotspot2" schema="public"> </Table> <Join leftkey="kode_prov" rightalias="tb_provinsi" rightkey="kode_prov"> <Table name="tb_kabupaten2" schema="public"> </Table> <Join leftkey="kode_pulau" rightkey="kode_pulau"> <Table name="tb_provinsi" schema="public"> </Table> <Table name="tb_pulau" schema="public"> </Table> </Join> </Join> </Join> <Level name="hotspot Pulau" table="tb_pulau" column="nama_pulau" type="string" uniquemembers="true" leveltype="regular" hidememberif="never"> </Level> <Level name="hotspot Provinsi" table="tb_provinsi" column="nama_prov" type="string" uniquemembers="true" leveltype="regular" hidememberif="never"> </Level> <Level name="hotspot" table="tb_geohotspot2" column="id_hotspot" type="string" uniquemembers="true" leveltype="regular" hidememberif="ifblankname"> <Property name="hotspot_geom" column="hotspot_geom" type="geometry"> </Property> </Level> </Hierarchy> </Dimension> <Measure name="jumlah Hotspot" column="jumlah_hotspot" datatype="integer" aggregator="sum" visible="false"> </Measure> </Cube> </Schema> 18

26 Lampiran 3 MapF (Mapping Function) jumlah hotspot pada tahun 1998 ditambah tahun

27 Lampiran 4 Tampilan spatio-temporal OLAP dan keterangan Keterangan : : Open OLAP Navigator : Show MDX Query : Config OLAP Table : Show Parent Members : Hide Spans : Show Properties : Suppress Empty Rows/Columns : Swap Axes : Drill Member : Drill Positions : Drill Replace : Drill Through : Show Chart : Chart Config : Configure Print Setting : Print This Page via pdf 20