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