Desain model Data Warehouse dengan contoh kasus Perguruan Tinggi

Desain model Data Warehouse dengan contoh kasus Perguruan Tinggi Spits Warnars Department of Computing and Mathematics, Manchester Metropolitan University John Dalton Building, Chester Street, Manchester M1 5GD, United Kingdom s.warnars@mmu.ac.uk, Telp. +44 (0)161 247 1779, fax: +44 (0)161 247 6831 Abstract The growth high education has been raising the competition in high education market and Data Warehouse can be used as an effective technology weapon for going to battle in high education competition market. Data Warehouse can produce the reliable reports for high level management on high education in short time in order to make the faster and best decision making for not just only increasing number of students, but possibility to find mining fund which have never thinking before limited by high education ordinance. Efficient percentage differentiation will be based on length and amount of processed records, total processed byte, amount of processed tables, time to run query and produced record by query on database OLTP and data warehouse. Efficient percentage will be measured by percent increase formula and average efficient percentage 461,801.04% show that using data warehouse is more powerfull and efficient rather using database OLTP. Data Warehouse will be modelled based on hypercube which is created by limited high demand reports which usually used by high level management and in every fact and dimension table will be inserted with fields which represent the construction merge loading as an ETL (Extraction, Transformation and Loading) extraction. Keywords: Data Warehouse, High Education, Hypercube, Business Dimensional concept Abstrak Pertumbuhan perguruan tinggi menimbulkan persaingan pada pasar perguruan tinggi dan Data Warehouse dapat digunakan sebagai sebuah senjata teknologi untuk bersaing dalam pasar perguruan tinggi. Data Warehouse menghasilkan dalam waktu yang singkat laporan yang dapat dipercaya bagi manajemen tingkat atas perguruan tinggi didalam membuat keputusan yang cepat dan terbaik dan tidak hanya menambah jumlah mahasiswa akan tetapi kemungkinan untuk mendapatkan dana atau investasi yang tak pernah terpikirkan berdasarkan aturan perguruan tinggi. Perbandingan prosentasi efisiensi akan diukur berdasarkan pada total byte yang dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses, waktu dan record yang dihasilkan pada database OLTP dan data warehouse. Prosentase efisiensi diukur dengan rumus kenaikan prosentase dan rata-rata efisiensi kenaikan prosentase 461,801.84%, menunjukkan bahwa penggunaan data warehouse lebih handal dan efisien dibandingkan penggunaan database OLTP. Data Warehouse dimodelkan dengan hypercube yang terbentuk dan dibatasi berdasarkan laporan-laporan yang sering dipakai oleh manajemen tingkat atas dan didalam setiap tabel fakta dan dimensi akan diberikan field yang mencirikan metode Loading constructive merge dimana proses ETL (Extraction, Transformation and Loading) akan dijalankan berdasarkan perbedaan berkas lama dan baru. Kata Kunci: Data Warehouse, Perguruan Tinggi, Hypercube, konsep dimensi bisnis 1. PENDAHULUAN Persaingan untuk mendapatkan mahasiswa antar perguruan tinggi tidak dapat dipelakkan lagi seiring dengan pertumbuhan perguruan tinggi [1] yang semakin pesat dan

setiap peguruan tinggi harus memperlengkapi dirinya untuk dapat bertahan didalam persaingan yang pada akhirnya perguruan tinggi yang tidak peka akan kalah bersaing dan menutup usahanya. Di tangan yang handal dan tepat database sebagai teknologi penyimpanan transaksi harian yang permanent akan dapat dirubah menjadi sebuah senjata teknologi yang handal untuk menang didalam menghadapi persaingan [2-3]. Tidak pada tempatnya lagi perguruan tinggi hanya mengejar keuntungan semata-mata dengan mengabaikan teknologi yang seharusnya bisa membantu proses bisnis didalam perguruan tinggi tersebut. Dimana biasanya kekalahan didalam persaingan perguruan tinggi hanya bisa menyalahkan manajemen tingkat atas yang tidak pernah diperlengkapi dengan teknologi dan hanya mengandalkan hal yang bersifat tebak-tebak atau perkiraan saja. Tuntutan masyarakat untuk transparansi pendidikan perguruan tinggi dapat terwujud dan memudahkan Dirjen Pendidikan tinggi memantau perguruan tinggi secara transparansi[9]. Data yang ada pada perguruan tinggi yang begitu besar dan banyak membutuhkan alokasi tempat penyimpanan akan terbantu dan menjadi efisien dengan adanya Data Warehouse[10]. Dengan adanya Data Warehouse menangkap seluruh data bisnis proses yang ada dari mulai yang berhadapan dengan mahasiswa sebagai konsumen, proses pengajaran dan keseluruhan sistem informasi yang ada dalam perguruan tinggi[11]. Tak pelak lagi sudah saatnya Data Warehouse harus diimplementasikan pada perguruan tinggi dan sudah banyak yang menerapkannya[4], bahkan Data Warehouse digunakan pada proses pembelajaran sebagai proses utama didalam perguruan tinggi[5-7] bahkan lebih dari itu mengarah ke Data Mining[8]. Berbeda dengan penelitian pada [5-7] dimana hanya terbatas pada pentingnya penerapan data warehouse pada sebuah universitas, maka penulisan ini akan menekankan dengan nilai kuantitatif sebagai pembuktian bahwa penggunaan data warehouse lebih handal dan efektif dibandingkan database OLTP. Selain itu sebuah sample desain data warehouse akan dibahas ini dimana pembentukannya dibatasi berdasarkan hypercubes bentukan dari laporan-laporan yang sering digunakan oleh manajemen tingkat atas. Selain itu efisiensi pada bentukan hypercubes akan dijelaskan pada masing-masing pembentukan hypercubes dengan mengurangi tabel dimensi dan menyatukan dalam sebuah tabel dimensi sebagai sebuah improvisasi untuk peningkatan kinerja query sewaktu mengakses data warehouse. Data warehouse bukan produk perangkat lunak atau perangkat keras yang dapat dibeli untuk menyediakan informasi strategis. Ini lebih menyerupai lingkungan komputer dimana pengguna dapat mendapatkan informasi strategis, sebuah lingkungan dimana pengguna dapat secara langsung mengakses terhadap data-data informasional yang sudah tidak dapat diubah lagi yang dibutuhkan untuk membuat keputusan[12]. Jadi Data warehouse tidak lain adalah database itu sendiri tapi dalam bentuk lain yang lebih kekar dan perkasa, tahan dalam pertarungan menghadapi pesaing. Dalam kata lain database transaksional yang digunakan dalam kegiatan transaksi bisnis harian disebut juga database TPS (Transaction Processing System) atau database OLTP (Online Transactional Processing) sedangkan database yang didesain sebagai Data Warehouse disebut juga sebagai database OLAP (Online Analytical Processing) [13]. 2. METODE PENELITIAN Penelitian ini adalah penelitian deksriptif kuantitatif, dimana hasil penelitian akan menjelaskan prosedur pengimplementasian data warehouse, tanpa melakukan perbandingan ataupun dihubungkan dengan penelitian lainnya dan hasil prosentase kuantitatif dari penelitian ini sebagai penegas keberhasilan penelitian ini dalam bentuk angka, bahwa penggunaan data warehouse lebih handal dibandingkan menggunakan database OLTP. Penelitian ini dilakukan dengan langkah-langkah berikut : 1) Pembatasan masalah dengan hanya mengumpulkan 5 laporan yang sering digunakan oleh manajemen tingkat atas 2) Mendesain hypercubes dari masing-masing laporan 3) Mendesain model data logika data warehouse berdasarkan hypercubes yang terbentuk. 4) Implementasi database OLTP dengan menggunakan aplikasi database MySQL berdasarkan pembatasan pada pembuatan kelima laporan diatas 5) Implementasi database data warehouse dengan menggunakan aplikasi database MySQL.

6) Proses eksekusi query dengan menggunakan database OLTP untuk menghasilkan kelima laporan diatas. 7) Proses eksekusi query dengan menggunakan database data warehouse untuk menghasilkan kelima laporan diatas. 8) Pembandingan efisiensi proses antara database OLTP dan data warehouse berdasarkan a. Total byte yang dikelola b. Record yang dikelola c. Panjang record yang diproses d. Jumlah tabel yang diproses e. Waktu menjalankan query f. Record yang dihasilkan dari query. 9) Nilai kuantitatif dibuktikan dengan efisiensi dengan tren prosentasi kenaikan dengan rumus: (Data lama Data baru)/ data baru * 100 Untuk mendesain model Data Warehouse digunakan konsep dimensi bisnis yang merupakan dasar untuk mendefinisikan kebutuhan Data Warehouse. Dimensi bisnis ini merupakan pandangan manajer bisnis terhadap sistem yang berjalan sesuai dengan kebutuhan manajemen tingkat atas sebagai pengguna Data Warehouse [12]. Dimensi bisnis biasa digambarkan dengan kubus, dengan asumsi dimensi yang ada pada sebuah Data Warehouse umumnya mencapai 3 dimensi. Jika dimensi bisnis lebih dari 3 dimensi maka disebut bermacam dimensi yang menampilkan kubus multidimensi yang disebut juga hypercube. PSJenjang Sekolah JurSMA Gambar 1. Dimensi bisnis Setiap hypercube yang terbentuk dari setiap laporan merupakan komponen rangkaian kecil yang jika dihubungkan dengan hypercube lainnya akan membentuk sebuah desain model Data Warehouse yang juga merupakan hypercube. Hypercube ini merupakan sebuah alat untuk menangkap kebutuhan user dan menggambarkan model dimensi bisnis atau struktur basis data Data Warehouse. Melihat dari laporan-laporan yang ada sebelumnya dimana setiap laporan mempunyai lebih dari 3 dimensi, maka dimensi bisnis ini akan digambarkan dengan kubus multidimensi yaitu hypercube. Dibandingkan dengan basis data transaksional umumnya maka Data Warehouse mempunyai struktur yang tidak normal. Ada 2 jenis tabel yang terdapat pada Data Warehouse yaitu : 1) Tabel dimensional, berisi penjelasan detail dari setiap informasi yang didapatkan dari hasil analisa kebutuhan Sistem, sebuah field yang berlaku sebagai primary key akan terhubung ke tabel fakta dan berlaku sebagai foreign key pada tabel fakta. 2) Tabel fakta, berisi data rinci dan agregat yang merupakan kumpulan dari beberapa atribut yang bersifat sebagai Foreign Key sebagai penghubung ke tabel dimensional, dan atribut tambahan lainnya yang merupakan nilai data. Pada tabel ini primary key merupakan composite/compound key (Primary key yang merupakan gabungan dari beberapa foreign key). Untuk membentuk Data Warehouse langkah pertama yang harus dilakukan adalah membentuk tabel dimensional. Ada 3 Pendekatan yang dipakai dalam pengembangan model dimensi [12], adapun tipe pendekatan tersebut adalah :

1) Mengacu pada data, pengembangan model dimensi yang berorientasi ke sistem OLTP (Online Transcational Processing) 2) Mengacu pada pengguna, pengembangan model dimensi yang berorientasi kepada kebutuhan pengguna yang dilakukan dengan menggunakan metode pengumpulan data seperti wawancara, brainstorming, JAD (Joint Application Development), dll. 3) Mengacu pada tujuan, pengembangan model dimensi yang berorientasi kepada tujuan organisasi yang tercantum dalam visi dan misi perusahaan. Pada tulisan ini pendekatan yang akan dipakai dalam pengembangan model dimensi adalah mengacu pada pengguna dengan pertimbangan sebagai berikut : 1) Memuaskan kebutuhan berbagai tingkat manajemen, terutama manajemen tingkat menengah sampai manajemen tingkat atas. 2) Mendapatkan kebutuhan laporan dan mendesain Data Warehouse yang memang dibutuhkan oleh manajemen. Sesuai dengan metode penelitian yang dijelaskan sebelumnya maka langkah pertama penelitian ini dimana untuk lebih memudahkan dan meningkatkan tingkat kerumitan data dan laporan-laporan yang dikelola, sebagai contoh akan digunakan 5 buah laporan-laporan yang sering digunakan atau dibutuhkan oleh manajemen tingkat atas perguruan tinggi. Adapun laporan-laporan tersebut adalah: 1) Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per katan. 2) Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan. 3) Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang Program Studi Per katan 4) Laporan Jumlah Komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan 5) Laporan Pengajaran Dosen Per Semester Tahun Ajaran Gambar 2 dibawah ini merupakan class diagram model data logika dari database transaksional yang digunakan untuk menghasilkan kelima laporan diatas.

MFAKULTAS CKDFAK (PK) CNMFAK CSINGKAT TDOSFAK CKDDOS (PK) CKDFAK (FK) CSTATDOS NSKSMAX CNAMADOS CANTAR NHONOR 1 1..* TJADKUL CKDFAK (FK) CNOTAB CKELOMPOK CKDDOS (FK) CKDRUANG (FK) CHARI CSESI NSKS NJMLSESI NMAKS NISI CNAMADOS 1..* 1 MTbmtkl CNOTAB (PK) CNAMAMK CINGMK CSINGMK NSKS CKDDOS CBINA CNAMASMS 1 1..* MPRODI (PK) CNMPROGST (FK) CKDFAK (FK) CSINGKAT 1..* 1 MJENJANG (PK) CNMJEN CSINGKAT TRKRS CKDFAK (FK) CNOTAB CNIM (FK) CKELOMPOK NNILABS 1 1..* NNILTGS NNILPRAK NNILMID NNILFIN NNILAKHIR CGRADE NSKS CKULIAHDI NANGKA CWAKTU CKDRUANG (FK) CKET 1 1..* 1..* 1 MMAHASISWA CNIM (PK) CNIRM CKDLOK CNAMA CALAMAT CNORMH CRT CRW CNOTELP CKDPOS CTEMPLHR DTGLHR CJENKEL CGOLDAR CAGAMA CSTATNKH CWARGA CTINGGAL CNOSTTB DTGLSTTB CBISTUDI CSTATBEA CKERJA COLAHRAGA CSENI CNMORTU CALORTU CKDPORTU CTLPORTU CKEADAYAH CKEADAIBU CKERJAYAH CKERJAIBU CPENDAYAH CPENDIIBU DTGLMASUK DTGLWISUDA DTGLYUDISI DTGLTEORI CFLAGSPBM CFLAGNILAI CSTATAWAL CPTLAIN (FK) CKDMINAT CSTATREC CFLAGREC CALIHJ CTHMASUK NNEM CJNSMA CSTATSEK CNMSEK CNJSLTA CLOSMA CJURSMA Gambar 2 Class Diagram model data logika OLTP 3. DESAIN HYPERCUBES Langkah kedua pada metode penelitian ini adalah mendesain hypercubes masingmasing kelima pembatasan laporan diatas dan efisiensi akan dilakukan pada masing-masing hypercubes, dimana tabel dimensi akan dikurangi dan disatukan pada sebuah tabel dimensi dengan tujuan untuk peningkatan kinerja query dimana dengan berkurangnya jumlah tabel dalam proses join didalam query akan meningkatkan kinerja query. Eliminasi dimensi akan dilakukan pada dimensi jenis kelamin, angkatan, jenjang studi, tahun ajaran, semester, grade, mata kuliah, dosendan kelompok Indeks prestasi. Eliminasi dimensi akan dijelaskan pada masing-masing pembentukan hypercube. Gambar 3 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per katan. Jenis Kelamin katan Jumlah Mahasiswa Jenjang Studi Program Studi

Gambar 3. Hypercube Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per katan Berdasarkan hypercube gambar 3 maka akan terbentuk 1 tabel fakta dan 4 tabel Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga sama dengan dimensi katan, dimana dimensi katan ini hanya berisi tahun masuk mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model data gambar 4. WPRODI CNMPROGST CNMJEN CKDFAK CNMFAK WData1 1 1..* JENKEL Gambar 4. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per katan Tabel Fakta adalah WData1 dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Akhirnya jika menggunakan Data Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WData1 dan WPRODI dimana jika menggunakan database OLTP menggunakan 4 tabel yaitu MMAHASISWA, MPRODI, MFAKULTAS dan MJENJANG. Gambar 5 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan. Jenis Kelamin katan Jumlah Mahasiswa Jenjang Studi Program Studi Tahun Ajaran Semester Gambar 5. Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan Berdasarkan hypercube gambar 5 maka akan terbentuk 1 tabel fakta dan 6 tabel Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga sama dengan dimensi katan, dimana dimensi katan ini hanya berisi tahun masuk mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3. Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi

data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model data gambar 6. WPRODI CNMPROGST CNMJEN CKDFAK CNMFAK 1 1..* WAktif JENKEL Gambar 6. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan Tabel Fakta adalah WAktif dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WAktif dan WPRODI dimana jika menggunakan database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI, MFAKULTAS dan MJENJANG. Gambar 7 memperlihatkan Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang Program Studi Per katan. katan Jumlah Mahasiswa Jenjang Studi Program Studi Tahun Ajaran Kurang/Cukup/Baik Semester Gambar 7. Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang Program Studi Per katan Berdasarkan hypercube gambar 7 maka akan terbentuk 1 tabel fakta dan 6 tabel Dimensi, namun untuk dimensi katan tidak perlu membuat tabel dimensi karna dimensi katan ini hanya berisi tahun masuk mahasiswa. Demikian juga untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Begitu juga dengan dimensi Kurang/Cukup/Baik hanya akan berisi dengan 3 nilai yaitu K untuk data yang mempunyai IPS (Indeks Prestasi Semester) kurang dari 2.5, C untuk data yang mempunyai IPS (Indeks Prestasi Semester) antara 2.5 sampai 3.0, B untuk data yang mempunyai IPS (Indeks Prestasi Semester) lebih dari 3.0. Oleh karena itu tidak perlu membuat tabel dimensi untuk dimensi Kurang/Cukup/Baik ini. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model data gambar 8.

WPRODI CNMPROGST CNMJEN CKDFAK CNMFAK 1 1..* WIPS KCB Gambar 8. Class Diagram Data Warehouse Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang Program Studi Per katan Tabel Fakta adalah WIPS dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WIPS dan WPRODI dimana jika menggunakan database OLTP menggunakan 4 tabel yaitu TRKRS, MPRODI, MFAKULTAS dan MJENJANG. Gambar 9 memperlihatkan Hypercube Laporan Jumlah Komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan. Jenis Kelamin katan Jumlah Mahasiswa Jenjang Studi Program Studi Tahun Ajaran Grade Semester Gambar 9. Hypercube Laporan Jumlah komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan Berdasarkan hypercube gambar 9 maka akan terbentuk 1 tabel fakta dan 7 tabel Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga sama dengan dimensi katan, dimana dimensi katan ini hanya berisi tahun masuk mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3. Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Begitu juga dengan dimensi Grade hanya akan berisi dengan 6 nilai yaitu Grade A, B, C,D, E, dan untuk yang tidak mengikuti ujian, maka tidak perlu membuat tabel dimensi untuk dimensi Grade ini. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model data gambar 10. WPRODI CNMPROGST CNMJEN CKDFAK CNMFAK 1 1..* WGrade JENKEL Grade

Gambar 10. Class Diagram Data Warehouse Laporan Jumlah komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per katan Tabel Fakta adalah WGrade dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WGrade dan WPRODI dimana jika menggunakan database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI, MFAKULTAS dan MJENJANG. Gambar 11 memperlihatkan Hypercube Laporan Pengajaran Dosen Per Semester Tahun Ajaran. Mata Kuliah Jumlah Mahasiswa Tahun Ajaran Dosen Semester Gambar 11. Hypercube Laporan Pengajaran Dosen Per Semester Tahun Ajaran Berdasarkan hypercube gambar 11 maka akan terbentuk 1 tabel fakta dan 4 tabel Dimensi, namun untuk dimensi Tahun ajaran tidak perlu membuat tabel dimensi oleh karena hanya berisi data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Untuk dimensi Dosen tidak perlu dibuat tabel dimensi oleh karena laporan ini hanya menampilkan nama dosen,maka nama dosen tersebut disertakan pada tabel fakta. Demikian juga dengan dimensi Mata kuliah tidak perlu dibuat tabel dimensi oleh karena laporan ini hanya menampilkan nama mata kuliah dan SKS (Satuan Kredit Semester) mata kuliah serta nama dosen pembina, maka nama singkatan mata kuliah dan SKS (Satuan Kredit Semester) mata kuliah serta nama dosen Pembina disertakan pada tabel fakta. Oleh karena itu akan terbentuk 1 tabel fakta dan tidak ada tabel dimensi, hal ini akan terlihat pada model data gambar 12. WJadkul CNOTAB CSINGMK NSKS DosenBina CKDDOS CNAMADOS Gambar 12. Class Diagram Data Warehouse Laporan Pengajaran Dosen Per Semester Tahun Ajaran Jika menggunakan Data Warehouse maka laporan ini membutuhkan hanya 1 tabel basis data yaitu WJadkul dimana jika menggunakan database OLTP menggunakan 4 tabel yaitu TJADKUL, TDOSFAK, MTBMTK dan MFAKULTAS.

Pada masing-masing tabel diatas baik tabel fakta atau dimensi ditambahkan field dan TglAkhir yang berfungsi sebagai proses pembaharuan data record, oleh karena pada Data Warehouse tidak boleh dilakukan proses penghapusan record. Data record yang masih berlaku adalah apabila field TglAkhir masih kosong, apabila field TglAkhir telah terisi maka akan terbentuk record duplikat yang menggambarkan data record yang terkini. 4. MODEL DATA LOGIKA DATA WAREHOUSE Langkah ketiga pada metode penelitian ini adalah mendesain model data logika data warehouse berdasarkan hypercubes bentukan diatas dan secara keseluruhan model data logika Data Warehouse yang terbentuk berdasar analisa laporan-laporan diatas yang menggunakan konsep dimensi bisnis dengan pendekatan kubus multidimensi hypercube terlihat pada gambar 13. WGrade JENKEL Grade WJadkul CNOTAB CSINGMK NSKS DosenBina CKDDOS CNAMADOS 1..* 1 WPRODI CNMPROGST CNMJEN CKDFAK CNMFAK 1..* 1 1 1..* 1 1..* WData1 JENKEL WAktif JENKEL WIPS KCB Gambar 13. Class Diagram model data logika Data Warehouse Tabel 1 dibawah ini merupakan spesifikasi basis data tabel fakta WDATA1. Tabel 1. Tabel spesifikasi basis data WDATA1 No Nama Field Tipe dan Lebar Field Keterangan 1 ANG VARCHAR2(4) katan Kuliah 2 VARCHAR2(2) Kode Program Studi 3 VARCHAR2(2) Kode Jenjang 4 JENKEL VARCHAR2(1) Jenis Kelamin 5 NUMBER(5) Jumlah data 6 DATE Tanggal berlaku record 7 DATE Tanggal berakhir record

Tabel 2 dibawah ini merupakan spesifikasi basis data tabel fakta WGRADE. Tabel 2. Tabel spesifikasi basis data WGRADE No Nama Field Tipe dan Lebar Field Keterangan 1 VARCHAR2(8) Tahun Ajaran 2 VARCHAR2(1) Semester 3 ANG VARCHAR2(4) katan Kuliah 4 VARCHAR2(2) Kode Program Studi 5 VARCHAR2(2) Kode Jenjang 6 JENKEL VARCHAR2(1) Jenis Kelamin 7 Grade VARCHAR2(1) Grade Nilai 8 NUMBER(5) Jumlah data 9 DATE Tanggal berlaku record 10 DATE Tanggal berakhir record Tabel 3 dibawah ini merupakan spesifikasi basis data tabel fakta WJADKUL. Tabel 3. Tabel spesifikasi basis data WJADKUL No Nama Field Tipe dan Lebar Field Keterangan 1 VARCHAR2(8) Tahun Ajaran 2 VARCHAR2(1) Semester 3 CNOTAB VARCHAR2(5) Nomor Tabel Mata Kuliah 4 CSINGMK VARCHAR2(25) Singkatan nama 5 NSKS NUMBER(1) SKS 6 DosenBina VARCHAR2(6) Nama Dosen Koordinator 7 CKDDOS VARCHAR2(6) Dosen Mengajar 8 CNAMADOS VARCHAR2(50) Nama Dosen Mengajar 9 NUMBER(5) Jumlah data 10 DATE Tanggal berlaku record 11 DATE Tanggal berakhir record Tabel 4 dibawah ini merupakan spesifikasi basis data tabel fakta WAKTIF. Tabel 4. Tabel spesifikasi basis data WAKTIF No Nama Field Tipe dan Lebar Field Keterangan 1 VARCHAR2(8) Tahun Ajaran 2 VARCHAR2(1) Semester 3 ANG VARCHAR2(4) katan Kuliah 4 VARCHAR2(2) Kode Program Studi 5 VARCHAR2(2) Kode Jenjang 6 JENKEL VARCHAR2(1) Jenis Kelamin 7 NUMBER(5) Jumlah data 8 DATE Tanggal berlaku record 9 DATE Tanggal berakhir record Tabel 5 dibawah ini merupakan spesifikasi basis data tabel fakta WIPS. Tabel 5. Tabel spesifikasi basis data WIPS No Nama Field Tipe dan Lebar Field Keterangan

1 VARCHAR2(8) Tahun Ajaran 2 VARCHAR2(1) Semester 3 ANG VARCHAR2(4) katan Kuliah 4 VARCHAR2(2) Kode Program Studi 5 VARCHAR2(2) Kode Jenjang 6 KCB VARCHAR2(1) K = Kurang (IPS < 2.5) C = Cukup (IPS antara 2.5 s/d 3.0) B = Baik (IPS > 3.0) 7 NUMBER(5) Jumlah data 8 DATE Tanggal berlaku record 9 DATE Tanggal berakhir record Tabel 6 dibawah ini merupakan spesifikasi basis data tabel dimensi WPRODI. Tabel 6. Tabel spesifikasi basis data WPRODI No Nama Field Tipe dan Lebar Field Keterangan 1 VARCHAR2(2) Kode Program Studi 2 CNMPROGST VARCHAR2(2) Nama Singkatan Program Studi 3 VARCHAR2(2) Kode Jenjang 4 CNMJEN VARCHAR2(2) Nama Singkatan Jenjang 5 CKDFAK VARCHAR2(2) Kode Fakultas 6 CNMFAK VARCHAR2(5) Nama Singkatan Fakultas 7 DATE Tanggal berlaku record 8 DATE Tanggal berakhir record Langkah kelima pada metode penelitian ini adalah pengimplementasian database data warehouse dengan menggunakan aplikasi database MySQL dan dimana sebelumnya langkah keempat telah dilakukan dimana database OLTP diimplementasikan juag dengan aplikasi database MySQL. Langkah keenam pada metode penelitian ini dilakukan dengan menjalankan query untuk menghasilkan record yang akan menampilkan laporan dengan menggunakan database OLTP dan demikian pula dengan langkah ketujuh dimana dilakukan dengan menjalankan query untuk menghasilkan record yang akan menampilkan laporan dengan menggunakan data warehouse. 5. PEMBUKTIAN EFISIENSI PROSENTASE Untuk membuktikan bahwa penggunaan Data Warehouse lebih efektif daripada database pada umumnya, maka akan dibuktikan dari efisiensi pada total byte yang dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses, waktu dan record yang dihasilkan. Tabel 7 merupakan besaran 8 tabel database OLTP yang terdapat pada gambar 2, yang mempunyai total panjang record 1,099 byte, total jumlah record 131,171 record dan total keseluruhan byte adalah 31,303,511 byte. Sedangkan Tabel 8 merupakan besaran 6 tabel Data Warehouse yang terdapat pada gambar 13, yang mempunyai total panjang record 326 byte, total jumlah record 1,138 record dan total keseluruhan byte adalah 71,555 byte. Tabel 9 memperlihatkan prosentase efisiensi dimana penggunaan Data Warehouse lebih efisien 237.12% (1099-326)/326*100 untuk panjang record, lebih efisien 11,426.45% (131,171-1138)/1138*100 untuk jumlah record dan lebih efisien 43,467.48% (31,303,511-71,555)/71,555*100 untuk total keseluruhan byte. Prosentase efisiensi ini diukur sesuai dengan langkah kesembilan pada metode penelitian ini dimana nilai kuantitatif ini diukur dengan prosentase kenaikan dengan rumus : (data lama data baru)/ data baru *100. Tabel 7. Tabel besaran isi tabel database transaksional Nama Tabel Panjang record Jumlah record Total byte

MMAHASIWA 586 byte 42977 record 25 184 522 byte MPRODI 48 byte 16 record 768 byte MFAKULTAS 65 byte 7 record 455 byte MJENJANG 24 byte 3 record 72 byte TRKRS 68 byte 84774 record 5 764 632 byte TJADKUL 88 byte 1988 record 174 944 byte TDOSFAK 73 byte 386 record 28 178 byte MTBMTKL 147 byte 1020 record 149 940 byte Total 1099 byte 131171 record 31303511 byte Tabel 8. Tabel besaran isi tabel Data Warehouse Nama Tabel Panjang record Jumlah record Total byte WPRODI 35 byte 16 record 560 byte WJADKUL 127 byte 303 record 38481 byte WGRADE 44 byte 368 record 16192 byte WDATA1 34 byte 279 record 9486 byte WAKTIF 43 byte 74 record 3182 byte WIPS 43 byte 98 record 4214 byte Total 326 byte 1138 record 71555 byte Tabel 9. Tabel total perbandingan kapasitas database transaksional dan Data Warehouse Panjang record Jumlah record Total byte Total database OLTP 1099 byte 131171 record 31303511 byte Total Data Warehouse 326 byte 1138 record 71555 byte Prosentase Efisiensi Perbandingan Database / DW 237.12 % 11,426.45% 43,647.48% Sesuai dengan langkah kedelapan pada metode penelitian ini dimana tabel 10 memperlihatkan bahwa penggunaan Data Warehouse lebih efisien pada total byte yang dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses, waktu dan record yang dihasilkan pada kelima laporan diatas. Prosentase efisiensi pada tabel 10 ini diukur sesuai dengan langkah kesembilan pada metode penelitian ini dimana nilai kuantitatif ini diukur dengan prosentase kenaikan dengan rumus : (data lama data baru)/ data baru *100. Berikut ini penjelasan dasar pembentukan masing-masing pengukuran prosentase efisiensi : a. Total byte yang dikelola didapatkan dari total perkalian record yang dikelola dan panjang record yang dikelola dari tabel database yang digunakan dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data warehouse. b. Record yang dikelola didapatkan dari total jumlah record yang diproses dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data warehouse. c. Panjang record yang dikelola didapatkan dari total panjang byte record yang diproses dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data warehouse. d. Jumlah Tabel yang digunakan didapatkan dari penjelasan bab sebelumnya diatas dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data warehouse. e. Waktu proses didapatkan dari pengujian pengeksekusian query dalam menghasilkan record untuk membentuk masing-masing laporan dengan menggunakan aplikasi database MySql, baik dengan menggunakan database OLTP ataupun dengan data warehouse. f. Record yang dihasilkan didapatkan dari hasil eksekusi query pada masing-masing laporan untuk membentuk laporan tersebut dengan menggunakan aplikasi database MySQL, baik dengan menggunakan database OLTP ataupun dengan data warehouse, dimana hasil record tersebut mempunyai hasil yang sama pada beberapa laporan.

Sebagai contoh laporan 1 adalah Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per katan. Dimana pada pada tabel 10 dibawah laporan ini jika dihasilkan dengan menggunakan Data Warehouse akan mempunyai prosentase efisiensi sebagai berikut : a. Prosentasi efisiensi pada total byte yang dikelola sebanyak 250,605.31% (25,185,855-10,046)/10.046*100. b. Prosentase efisiensi pada record yang dikelola sebanyak 14,477.63% (43,004-295)/295*100. c. Prosentase efisiensi pada panjang record yang diproses sebanyak 947.83% (723-69)/69*100. d. Prosentase efisiensi pada jumlah tabel yang diproses sebanyak 100% (4-2)/2*100. e. Prosentasi efisiensi pada waktu per detik sebanyak 31,200% (3.13-0.01)/0.01*100. f. Prosentase efisiensi pada jumlah record yang dihasilkan sebanyak 0% (279-279)/279*100. Yang menarik pada tabel 10 semua efisiensi mengalami kenaikan prosentase, namun untuk efisiensi record yang dihasilkan pada laporan 1, 2 dan 3 tidak mengalami kenaikan prosentase. Prosentase kenaikan efisiensi tertinggi adalah 5,008,200% pada efisiensi waktu pada laporan 4 dan kenaikan efisiensi terendah adalah 95.38% yaitu pada efisiensi record yang dihasilkan pada laporan 5. Tabel 10. Tabel Efisiensi perbandingan penggunaan Database dan Data Warehouse Laporan 1 Laporan 2 Laporan 3 Laporan 4 Laporan 5 Total Byte Database 25,185,855.00 30,255,131.00 5,040,609.00 30,225,131.00 352,023.00 Datawarehouse 10,046.00 3,742.00 4,774.00 16,752.00 38,481.00 Efisiensi 250,605.31% 808,428.35% 105,484.60% 180,327.00% 814.80% Record yang Database 43,004.00 117,111.00 74,134.00 117,111.00 3,384.00 Dikelola Datawarehouse 295.00 90.00 114.00 384.00 303.00 Efisiensi 14,477.63% 130,023.33% 64,929.82% 30,397.66% 1,016.83% Panjang Database 723.00 791.00 205.00 791.00 373.00 Record Datawarehouse 69.00 78.00 78.00 79.00 127.00 Efisiensi 947.83% 914.10% 162.82% 901.27% 193.70% Tabel yang Database 4 5 4 5 4 digunakan Datawarehouse 2 2 2 2 1 Efisiensi 100.00% 150.00% 100.00% 150.00% 300.00% Waktu/Detik Database 3.13 245.61 439.68 500.83 119.15 Datawarehouse 0.01 0.01 0.01 0.01 0.01 Efisiensi 31,200.00% 2,456,000.00% 4,396,700.00% 5,008,200.00% 1,191,400.00% Record yang Database 279.00 74.00 3091.00 368.00 592.00 dihasilkan Datawarehouse 279.00 74.00 98.00 368.00 303.00 Efisiensi 0.00% 0.00% 3,054.08% 0.00% 95.38% 6. KESIMPULAN Memanfaatkan dan menggunakan database secara lebih baik dan tepat akan membuat kita menghargai kemampuan dan kelebihan database sebagai tidak hanya untuk menyimpan data dan mendukung kegiatan operasional transaksi harian saja. Terlebih dari itu pemisahan antara database transaksional dan database Data Warehouse akan meningkatkan aselerasi tingkat pencapaian sistem, sehingga kekuatan database dapat dimanfaatkan semaksimal mungkin sebagai sebuah senjata ampuh untuk bertarung dalam persaingan bisnis yang sehat. Data Warehouse mempengaruhi proses transaksi pada database dimana database Data Wareouse yang dihasilkan akan lebih ramping dan perintah sql yang dijalankan untuk mengakses Data Warehouse jelas-jelas akan lebih cepat yaitu jumlah record yang diproses makin sedikit dan proses join berkurang. Data-data perbedaan dalam pembuatan laporan

dimana pembuatan laporan dengan menggunakan database transaksional melibatkan banyak tabel dan dengan menggunakan Data Warehouse penggunaan tabel dikurangi sehingga akan mengurangi proses join dalam perintah sql, dimana pengurangan proses join pada perintah sql dapat meningkatkan proses sehingga aselerasi tingkat pencapaian dapat tercapai. Dari keseluruhan efisiensi kenaikan prosentase jika digabungkan akan menghasilkan rata-rata efisiensi kenaikan prosentase 461,801.84%, yang menunjukkan bahwa penggunaan data warehouse lebih handal dan efisien dibandingkan penggunaan database OLTP. DAFTAR PUSTAKA [1] Silva F.S.C., Panigassi R., Hulot C., Learning Management Systems Desiderata for Competitive Universities, European Journal of Open Distance and E-Learning, No.2, 2007. [2] Ward J. & Peppard J., Strategic planning for Information Systems,Edidi 3,John Willey & Sons, Ltd, West Sussex, England,2003 [3] Porter M.E., Strategy and the Internet, Harvard Business Review, pp. 62-78,2001. [4] Hans D., Gomez J.M., Peters D., Solsbach A., Case Study-Design for Higher Education- A Demonstration in the Data Warehouse Environment, W. Abramowicz & D. Flejter (Eds), BIS 2009 Workshop, LNBIP 37, pp. 231-241, 2009. [5] Wu T, System of Teaching quality analyzing and evaluating based on Data Warehouse, Computer Engineering and Design, Vol 30, No. 6, pp.1545-1547, 2009. [6] Zhou L., Wu M., Li S., Design of Data Warehouse in teaching state based on OLAP and Data Mining, Proc. SPIE (The International Society for Optical Engineering), Vol. 7344, 2009. [7] Gombiro C., Munyoka W., Hove S., Chengetanai G., Zano C., The Need for Data Warehousing in Sharing Learning Materials,Journal of Sustainable Development in Africa, Vol. 10, No.2,pp. 422-449, 2008. [8] Ranjan J., Khalil S., Conceptual Framework of Data Mining Process in Management Education in India: An Institutional Perspective, Information Technology Journal, Vol.7, No, 1, 2008. [9] Dimokas N., Mittas N., Nanopoulos A., elis L., A Prototype System for Educational Data Warehousing and Mining, In Proceedings of the 2008 Panhellenic Conference on Informatics, pp. 199-203, 2008. [10] Wikramanayake G.N.& Goonetillake J.S., Managing Very Large Databases and Data Warehousing, Sri Lankan Journal of Librarianship and Information Management, Vol. 2, No.1, pp. 22-29, 2006. [11] Goldstein P.J., Academic Analytics: The Uses of Management Information and Technology in Higher Education, ECAR Key Findings, EDUCAUSE, 2005. [12] Ponniah P., Data Warehousing Fundamentals, John Willey & Sons, Inc, New York, USA,2001 [13] S.Chaudhuri & U. Dayal, An overview of data warehousing and olap technology, SIGMOD Record, Vol. 26, No. 1, pp.65-74, 1997