Tabel fact_rekapitulasi Tabel fact_laporan_produksi Kebutuhan Komponen dan Kebutuhan Sistem

Gambar 3.6 merupakan proses pembentukan tabel dimensi_waktu. Table dimensi_waktu berasal dari tabel master_operasional. Pada tabel dimensi_tiket ini memiliki primary key sk_waktu dan field lainnya yaitu day, month, year. 2. Tabel fakta yang terbentuk dari perancangan gudang data ini merupakan tabel yang berhubungan dengan pelayanan operasional di PT. ASDP Indonesia Ferry Cabang Kupang. Pembentukan tabel fakta dapat dijelaskan sebagai berikut :

a. Tabel fact_rekapitulasi

Tabel ini berisi semua data yang berhubungan dengan pelayanan operasional produksi dan pendapatan ASDP yang terdiri dari sk_rekapitulasi, sk_waktu, sk_lintasan, sk_kapal, sk_tiket, produksi, dan pendapatan. master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_rekapitulasi PK sk_rekapitulasi sk_waktu sk_lintasan sk_kapal sk_tiket produksi pendapatan Gambar 3.7 Pembentukan tabel fact_rekapitulasi

b. Tabel fact_laporan_produksi

Tabel ini berisi semua data yang berhubungan dengan pelayanan operasional produksi ASDP yang terdiri dari sk_fact_laporan_produksi, sk_waktu, sk_lintasan, sk_kapal, sk_tiket, produksi. master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_laporan_produksi PK sk_fact_laporan_produksi sk_waktu sk_lintasan sk_kapal sk_tiket produksi Gambar 3.8 Pembentukan tabel fact_laporan_produksi

c. Tabel fact_laporan_pendapatan

Tabel ini berisi semua data yang berhubungan dengan pendapatan pelayanan operasional ASDP yang terdiri dari sk_fact_laporan_produksi, sk_waktu, sk_lintasan, sk_kapal, sk_tiket, pendapatan. master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_laporan_pendapatan PK sk_fact_laporan_pendapatan sk_waktu sk_lintasan sk_kapal sk_tiket pendapatan Gambar 3.9 Pembentukan tabel fact_laporan_pendapatan Proses pembentukan OLAP ASDP ini memerlukan 3 cube yaitu cube laporan_rekapitulasi, cube laporan_produksi, dan cube laporan_pendapatan. Cube laporan_rekapitulasi merupakan cube yang digunakan untuk melihat hasil rekapitulasi semua data produksi dan pendapatan yang dilihat dari perspektif waktu, lintasan, kapal, dan tiket. Cube laporan_produksi merupakan cube yang digunakan untuk melihat laporan besar produksi yang dilihat dari perspektif waktu, lintasan, kapal, dan tiket. Cube laporan_pendapatan merupakan cube yang digunakan untuk melihat laporan besar pendapatan pelayan operasional PT. ASDP Ferry Cabang Kupang yang dilihat dari perspektif waktu, lintasan, kapal, dan tiket. Ketiga cube ini berhubungan dengan tabel dimensi. Berikut ini penjelasan mengenai cube dalam pembentukan OLAP

1. Cube laporan_rekapitulasi

Cube laporan_rekapitulasi dengan star schema laporan_rekapitulasi. Pada star schema laporan_rekapitulasi memilki tabel fakta yaitu fact_rekapitulasi dan tabel dimensi yaitu tabel dimensi_waktu, dimensi_lintasan, dimensi_kapal, dan dimensi_tiket. Nilai pengukuran dalam cube adalah jumlah produksi dan besar pendapatan pelayanan operasional PT. ASDP Ferry Cabang Kupang. Star schema laporan_rekapitulasi dapat dilihat pada gambar 3.10 master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_rekapitulasi PK sk_rekapitulasi sk_waktu sk_lintasan sk_kapal sk_tiket produksi pendapatan Gambar 3.10 Star Schema laporan_rekapitulasi

2. Cube laporan_produksi

Cube laporan_produksi dengan star schema laporan_produksi. Pada star schema laporan_produksi memilki tabel fakta yaitu fact_laporan_produksi dan tabel dimensi yaitu tabel dimensi_waktu, dimensi_lintasan, dimensi_kapal, dan dimensi_tiket. Nilai pengukuran dalam cube adalah jumlah produksi pelayanan operasional PT. ASDP Ferry Cabang Kupang. Star schema laporan_produksi dapat dilihat pada gambar 3.11 master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_laporan_produksi PK sk_fact_laporan_produksi sk_waktu sk_lintasan sk_kapal sk_tiket produksi Gambar 3.11 Star Schema laporan_produksi

3. Cube laporan_pendapatan

Cube laporan_pendapatan dengan star schema laporan_pendapatan. Pada star schema laporan_pendapatan memilki tabel fakta yaitu fact_laporan_pendapatan dan tabel dimensi yaitu tabel dimensi_waktu, dimensi_lintasan, dimensi_kapal, dan dimensi_tiket. Nilai pengukuran dalam cube adalah besar pendapatan pelayanan operasional PT. ASDP Ferry Cabang Kupang. Star schema laporan_pendapatan dapat dilihat pada gambar 3.12 master_operasional PK no tanggal_opr lintasan kapal id_kategori_tiket kategori_tiket id_tiket tiket produksi pendapatan dimensi_waktu PK sk_waktu day month year dimensi_tiket PK sk_tiket id_kategori_tiket kategori_tiket id_tiket tiket dimensi_kapal PK sk_kapal kapal dimensi_lintasan PK sk_lintasan lintasan fact_laporan_pendapatan PK sk_fact_laporan_pendapatan sk_waktu sk_lintasan sk_kapal sk_tiket pendapatan Gambar 3.12 Star Schema laporan_pendapatan

3.7.2 Penerapan Algoritma Apriori

. Association rule aturan asosiatif adalah salah satu teknik utama dalam penambangan data dan merupakan bentuk yang paling umum dipakai dalam menemukan pattern atau pola dari suatu kumpulan data. Salah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algoritma Apriori. Ciri dari algoritma Apriori adalah jika suatu itemset termasuk dalam large itemset, maka semua himpunan bagian subset dari itemset tersebut juga termasuk large itemset.. Pada proses perhitungan association rule pengguna menentukan dataset atau parameter yang akan digunakan dalam proses. Data set yang digunakan berasal dari gudang data yang telah terbentuk yakni dari tabel master_operasional. Atribut yang dipakai untuk proses asosiasi adalah hari, lintasan, dan pendapatan. Tabel 3.3 Contoh data dari atribut Hari Lintasan Pendapatan Sabtu AIMERE_KUPANG 21.324.000 Rabu AIMERE_KUPANG 11.602.000 Rabu AIMERE_KUPANG 13.336.900 Selasa AIMERE_WAINGAPU 7.835.100 Kamis AIMERE_WAINGAPU 4.457.300 Sabtu AIMERE_WAINGAPU 3.710.100 Jumat BARANUSA_KALABAHI 851.000 Minggu BARANUSA_LEWOLEBA 408.000 Senin BARANUSA_LEWOLEBA 513.000 Selasa ENDE_KUPANG 9.895.700 Senin ENDE_KUPANG 11.968.800 ..dst ..dst ..dst Data atribut pendapatan dilakukan partisi sebanyak 5 partisi antara lain SANGAT TINGGI, TINGGI, CUKUP, RENDAH, SANGAT RENDAH. Kriteria pendapatan sangat tinggi 30 juta, tinggi berkisar antara 19 juta sampai dengan 29,9 juta, kriteria cukup berkisar antara 9 juta hingga 18,9 juta, kriteria rendah berkisar 1,2 juta hingga 8,9 juta, dan kriteria sangat rendah 1,19 juta. . Selanjutnya pengguna menentukan nilai minimum support dan minimum confidence yang akan digunakan dalam proses. Nilai minimum support dan minimum confidence yang dimasukkan adalah antara 0 – 100. Setelah menentukan nilai minimum support dan minimum confidence yang akan digunakan dalam proses, baru dilakukan proses perhitungan association rule. Setelah proses perhitungan selesai, system akan menampilkan rule yang dihasilkan dan nilai confidencenya. Rule ini menunjukkan hasil asosiasi antara hari, lintasan, dan pendapatan. Proses perhitungan association rule terdiri dari beberapa tahap antara lain 1. Sistem men-scan database untuk mendapatkan kandidiat 1-itemset himpunan item yang terdiri dari 1 item dan menghitung nilai support nya.. Support dari suatu itemset S merupakan presentase dari transaksi dalam T yang mengandung S. Kemudian nilai support tersebut dibandingkan dengan minimum support yang telah ditentukan. Jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut trmasuk dalam large itemset. 2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya di-prune 3. Pada iterasi kedua, system akan menggunakan hasil large itemset pada iterasi pertama L 1 untuk membentuk kandidat itemset kedua L 2 . Pada iterasi selanjutnya system akan menggunakan hasil large itemset pada iterasi sebelumnya L k-1 untuk membentuk kandidat itemset berikutnya L k . System akan menggabungkan join L k-1 dengan L k-1 untuk mendapatkan L k seperti pada itersi sebelumnya system akan menghapus prune kombinasi itemset yang tidak termasuk dalam large itemset. 4. Setelah dilakukan operasi join, maka pasangan itemset baru dari hasil proses join tersebut juga dihitung supportnya. 5. Proses pembentukan kandidat yang terdiri dari proses join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah tidak ada lagi kandidat yang akan dibentuk. 6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan. 7. Pada pembentukan association rule nilai yang sama dianggap satu nilai 8. Association rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan 9. Untuk setiap large itemset L, dicari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk a ÞL - a jika support L dan support a lebih besar dari minimum support

3.8 Analisis Kebutuhan

3.8.1 Use Case

Diagram use case ini dapat menggambarkan kebutuhan dari Supervisor Lintasan PT. ASDP terhadap sistem yang akan dibangun. Gambar 3.13 merupakan gambar diagram use case untuk aplikasi gudang data PT. ASDP Kupang. Melihat laporan rekapitulasi Melihat laporan produksi depends on Cari aturan asosiasi Supervisor Lintasan Login Melihat laporan pendapatan Transfer data produksi dan pendapatan Gambar 3.13 Diagram Use Case

3.8.2 Narasi Use Case

Tabel 3.4 Narasi use case login ID Use case : Ferry_01 Nama use case Login Aktor : Supervisor Lintasan Deskripsi Use Case : Use case ini menggambarkan proses dimana supervisor lintasan melakukan login sebelum masuk ke sistem. Pengguna harus memasukkan username dan password ke sistem. Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 2. Petugas Operasional memilih menu “Login” 4. Memasukkan username dan password 6. Menampilkan halaman utama untuk petugas opersional 1.Menampilkan halaman utama 3.Menampilkan halaman login 5.sistem mengecek validasi di database Langkah Alternatif - Kesimpulan Use case ini berhenti apabila pengguna akan memilih menu lain Tabel 3.5 Narasi use case melihat laporan rekapitulasi ID Use case : Ferry_02 Nama use case Melihat laporan rekapitulasi Aktor : Supervisor Lintasan Deskripsi Use Use case ini berfungsi untuk melihat hasil pembentukan OLAP Case : rekapitulasi pelayanan operasional Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 1. Supervisor Lintasan memilih menu “Rekapitulasi Pelayanan” 2. Sistem menampilkan hasil OLAP rekapitulasi pelayanan Langkah Alternatif - Kesimpulan Use case ini berhenti apabila supervisor lintasan akan memilih menu lain Tabel 3.6 Narasi use case melihat laporan produksi ID Use case : Ferry_03 Nama use case Melihat laporan produksi Aktor : Supervisor Lintasan Deskripsi Use Case : Use case ini berfungsi untuk melihat hasil pembentukan OLAP Laporan Produksi dair pelayanan PT. ASDP Ferry Kupang Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 1. Supervisor Lintasan memilih menu “Laporan Produksi” 2. Sistem menampilkan hasil OLAP laporan produksi Langkah Alternatif - Kesimpulan Use case ini berhenti apabila supervisor lintasan akan memilih menu lain Tabel 3.7 Narasi use case melihat laporan pendapatan ID Use case : Ferry_04 Nama use case Melihat laporan pendapatan Aktor : Supervisor Lintasan Deskripsi Use Case : Use case ini berfungsi untuk melihat hasil pembentukan OLAP laporan pendapatan pelayanan PT. ASDP Ferry Kupang Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 1. Supervisor Lintasan memilih menu “Laporan Pendapatan” 2. Sistem menampilkan hasil OLAP laporan pendapatan Langkah Alternatif - Kesimpulan Use case ini berhenti apabila supervisor lintasan akan memilih menu lain Tabel 3.8 Narasi use case transfer data produksi dan pendapatan ID Use case : Ferry_05 Nama use case Transfer data produksi dan pendapatan Aktor : Supervisor Lintasan Deskripsi Use Case : Use case ini berfungsi untuk melakukan transfer data produksi dan pendapatan Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 1. Memilih menu “Transformasi Data” 3. Supervisor Lintasan memilih tombol “transfer data” 2. Menampilkan halaman transfer data 4. Sistem melakukan proses transfer data Langkah Alternatif - Kesimpulan Use case ini berhenti apabila supervisor lintasan akan memilih menu lain Tabel 3.9 Narasi use case Cari Aturan Asosiasi ID Use case : Ferry_06 Nama use case Cari aturan asosiasi Aktor : Supervisor Lintasan Deskripsi Use Use case ini berfungsi untuk proses pencarian aturan asosiasi Case : antara hari, lintasan, dan pendapatan Prakondisi : - Trigger : - Langkah Umum Kegiatan Aktor Respon Sistem 1. Supervisor Lintasan memilih menu “Aturan Asosiasi” 3. Supervisor lintasan memasukkan support dan confidence 2.sistem menampilkan halaman aturan asosiasi 5.Sistem melakukan proses association dengan algoritma apriori 6.Menampilkan hasil perhitungan apriori Langkah Alternatif - Kesimpulan Use case ini berhenti apabila supervisor lintasan akan memilih menu lain

3.8.3 Desain Antar Muka

Aplikasi yang akan dibangun digunakan pengguna agar dapat berinteraksi dengan sistem melalui Graphical User Interface GUI untuk layanan login, layanan pelaporan yakni melihat laporan rekapitulasi, laporan produksi, dan laporan pendapatan PT. ASDP Ferry Kupang. Selain itu juga GUI yang terbentuk disediakan untuk layanan perhitungan asosiasi kapal yang beoperasi di PT. ASDP Ferry Kupang. Berikut ini rancangan antar muka yang disediakan dalam aplikasi 1. Halaman Login Halaman login digunakan untuk memasukkan username dan password pengelola sistem ini yakni Supervisor Lintasan. Halaman ini memiliki dua tombol yaitu Login dan Batal. Tombol logi digunakan untuk melakukan proses login untuk masuk ke halaman utama sistem. Tampilan halaman login dapat dilihat pada gambar 3.14 Username Password Login PT. ASDP INDONESIA FERRY KUPANG Gudang Data Pemantauan Pelayanan Operasional Batal Gambar 3.14 Halaman Login 2. Rancangan layar menu Menu yang terdapat dalam sistem antara lain Rekapitulasi Pelayanan, Laporan Produksi, Laporan Pendapatan, Transformasi Data, Perhitungan Asosiasi Kapal. Setelah pengguna berhasil melakukan login, sistem secara langsung akan menampilkan hasil mondrian rekapitulasi pelayanan. Tampilan rancangan menu dapat dilihat pada gambar 3.15 PT. ASDP Indonesia Ferry Persero Cabang Kupang Rekapitulasi Pelayanan Laporan Produksi Laporan Pendapatan Mondrian Rekapitulasi Pelayanan Logout Aturan Asosiasi Transformasi Data Gambar 3.15 Halaman Home 3. Halaman Laporan Produksi Halaman ini menampilkan hasil data analisis produksi PT. ASDP Ferry Kupang. Tampilan halaman laporan produksi ini tampak pada gambar 3.16 PT. ASDP Indonesia Ferry Persero Cabang Kupang Rekapitulasi Pelayanan Laporan Produksi Laporan Pendapatan Mondrian Laporan Produksi Logout Aturan Asosiasi Transformasi Data Gambar 3.16 Halaman Laporan Produksi 4. Halaman Laporan Pendapatan Halaman ini menampilkan hasil data analisis pendapatan PT. ASDP Ferry Kupang. Tampilan halaman laporan pendapatan ini tampak pada gambar 3.17 PT. ASDP Indonesia Ferry Persero Cabang Kupang Rekapitulasi Pelayanan Laporan Produksi Laporan Pendapatan Mondrian Laporan Pendapatan Logout Aturan Asosiasi Transformasi Data Gambar 3.17 Halaman Laporan Pendapatan 5. Halaman Transformasi Data Pada halaman ini terdapat tombol transfer data yang berfungsi melakukan proses transfer dan automatisasi data. Tampilan halaman ini dapat dilihat pada gambar 3.18 PT. ASDP Indonesia Ferry Persero Cabang Kupang Rekapitulasi Pelayanan Laporan Produksi Laporan Pendapatan Transfer Data Produksi dan Pendapatan Logout Aturan Asosiasi Transformasi Data Transfer Data Gambar 3.18 Halaman Transfer Data 6. Halaman Aturan Asosiasi Penerapan algoritma apriori diproses pada halaman ini. Pengguna akan memasukkan minimum support dan minimum confidence untuk melakukan perhitungan asosiasi atribut hari, lintasan, dan pendapatan. Tombol confirm akan berfungsi melakukan proses apriori sehingga hasil proses akan ditampilkan pada bagian hasil. PT. ASDP Indonesia Ferry Persero Cabang Kupang Rekapitulasi Pelayanan Laporan Produksi Laporan Pendapatan Logout Aturan Asosiasi Transformasi Data Minimum support Minimum confidence Hasil confirm Gambar 3.19 Halaman Hasil Perhitungan Asosiasi Kapal

3.9 Kebutuhan Komponen dan Kebutuhan Sistem

Adapun kebutuhan komponen yang menunjang terbentuknya gudang data ini antara lain: a. Pentaho merupakan komponen utama untuk melakukan eksekusi terhadap kettle, Mondrian, jpivot, dan schema workbench untuk mendukung fungsi-fungsi yang telah disediakan b. Kettle merupakan komponen yang dibutuhkan untuk melakukan ETL Extract, Transform, Load data c. Mondrian merupakan komponen yang dibutuhkan untuk melakukan ETL data dan digunakan sebagai OLAP Server d. Schema Workbench merupakan komponen yang digunakan untuk membuat file skema mondrian dalam format XML untuk memetakan kubus, dimensi, dan measure dengan tabel relasi e. JPivot merupakan komponen yang digunakan untuk mendukung pembuatan laporan dan menyajikan hasil dari tabel-tabel OLAP

BAB IV IMPLEMENTASI DAN ANALISIS SISTEM

Pada bab ini akan dijelaskan mengenai implementasi pembuatan gudang data dan pembahasannya. Pembuatan gudang data mengacu pada kebutuhan informasi yang dibutuhkan Supervisor Lintasan.

4.1 Implementasi Arsitektur Gudang Data

Pada bab sebelumnya telah dibahas mengenai rancangan arsitektur gudang data. Gudang data yang terbentuk akan dimanfaatkan untuk kebutuhan OLAP dan teknik Penambangan Data dengan algoritma Apriori. Arsitektur sistem tampak pada gambar 4.1 Clean Extract Transform Load Refresh Gudang Data Pelayanan Produksi ASDP Kupang OLAP Data Mining – Algoritma Apriori Report Pola asosiasi antar kapal di tiap lintasan Gambar 4.1 Arsitektur Sistem Untuk mendukung arsitektur sistem diperlukan beberapa spesifikasi software dan hardware yang mendukung yaitu: 1. Gudang data pelayanan operasional PT. ASDP Ferry Kupang menggunakan sistem basis data terpusat, karena gudang data hanya