Penambahan Modul Updating Data pada OLAP Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia Menggunakan Palo 2.5

ABSTRAK
RIZA MAHENDRA. Penambahan Modul Updating Data pada OLAP Berbasis Web untuk
Persebaran Hotspot di Wilayah Indonesia Menggunakan Palo 2.5. Dibimbing oleh ANNISA dan
IMAS S. SITANGGANG.
Penelitian ini merupakan penelitian lanjutan dari penelitian sebelumnya tentang Data
Warehouse dan OLAP Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia
menggunakan Palo 2.0. Dalam penelitian ini dibangun modul untuk melakukan updating data pada
data warehouse yang diintegrasikan dengan aplikasi OLAP untuk persebaran hotspot sehingga
data hotspot untuk tahun yang baru dapat ditambahkan pada aplikasi OLAP tersebut. Data hotspot
yang digunakan didapatkan dari Kementrian Lingkungan Hidup (KLH). Pengembangan modul
untuk updating data warehouse mengadopsi arsitektur three-tier data warehouse yang memiliki 3
lapisan yaitu lapisan bawah (basis data), lapisan tengah (OLAP Server), dan lapisan atas (web
browser). Pengembangan modul updating untuk Aplikasi OLAP dibuat dengan menggunakan
bahasa pemograman PHP dan Palo 2.5 sebagai OLAP Server menggantikan Palo 2.0 sebagai
OLAP Server pada aplikasi sebelumnya.
Disamping terbentuknya modul updating data, penelitian ini menghasilkan nilai agregasi
jumlah hotspot setiap wilayah Indonesia mulai dari tingkat pulau sampai tingkat kecamatan tahun
2005. Informasi tentang persebaran hotspot ditampilkan dalam bentuk crosstab dan grafik yang
menarik. Grafik ditampilkan dalam bentuk bar dan pie plot.
Kata kunci: hotspot, data warehouse, OLAP, updating

PENAMBAHAN MODUL UPDATING DATA PADA OLAP BERBASIS WEB UNTUK
PERSEBARAN HOTSPOT DI WILAYAH INDONESIA
MENGGUNAKAN PALO 2.5

RIZA MAHENDRA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008

PENAMBAHAN MODUL UPDATING DATA PADA OLAP BERBASIS WEB UNTUK
PERSEBARAN HOTSPOT DI WILAYAH INDONESIA
MENGGUNAKAN PALO 2.5

RIZA MAHENDRA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR
BOGOR
2008

PENAMBAHAN MODUL UPDATING DATA PADA OLAP BERBASIS WEB UNTUK
PERSEBARAN HOTSPOT DI WILAYAH INDONESIA
MENGGUNAKAN PALO 2.5

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

RIZA MAHENDRA
G64104051

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR

2008

ABSTRAK
RIZA MAHENDRA. Penambahan Modul Updating Data pada OLAP Berbasis Web untuk
Persebaran Hotspot di Wilayah Indonesia Menggunakan Palo 2.5. Dibimbing oleh ANNISA dan
IMAS S. SITANGGANG.
Penelitian ini merupakan penelitian lanjutan dari penelitian sebelumnya tentang Data
Warehouse dan OLAP Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia
menggunakan Palo 2.0. Dalam penelitian ini dibangun modul untuk melakukan updating data pada
data warehouse yang diintegrasikan dengan aplikasi OLAP untuk persebaran hotspot sehingga
data hotspot untuk tahun yang baru dapat ditambahkan pada aplikasi OLAP tersebut. Data hotspot
yang digunakan didapatkan dari Kementrian Lingkungan Hidup (KLH). Pengembangan modul
untuk updating data warehouse mengadopsi arsitektur three-tier data warehouse yang memiliki 3
lapisan yaitu lapisan bawah (basis data), lapisan tengah (OLAP Server), dan lapisan atas (web
browser). Pengembangan modul updating untuk Aplikasi OLAP dibuat dengan menggunakan
bahasa pemograman PHP dan Palo 2.5 sebagai OLAP Server menggantikan Palo 2.0 sebagai
OLAP Server pada aplikasi sebelumnya.
Disamping terbentuknya modul updating data, penelitian ini menghasilkan nilai agregasi
jumlah hotspot setiap wilayah Indonesia mulai dari tingkat pulau sampai tingkat kecamatan tahun
2005. Informasi tentang persebaran hotspot ditampilkan dalam bentuk crosstab dan grafik yang

menarik. Grafik ditampilkan dalam bentuk bar dan pie plot.
Kata kunci: hotspot, data warehouse, OLAP, updating

Judul

: Penambahan Modul Updating Data pada OLAP Berbasis Web untuk
Persebaran Hotspot di Wilayah Indonesia Menggunakan Palo 2.5

Nama : Riza Mahendra
NIM : G64104051

Menyetujui:

Pembimbing I,

Pembimbing II,

Annisa, S.Kom, M.Kom
NIP 132311930

Imas S. Sitanggang, S.Si, M.Kom
NIP 132206235

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Hasim, DEA
NIP 131578806

Tanggal Lulus:

RIWAYAT HIDUP
Penulis lahir di Banda Aceh tanggal 26 Januari 1986, anak ketiga dari empat bersaudara dari
pasangan Sofyan Amin dan Sri Yuliani. Pada tahun 2001, penulis menempuh pendidikan menengah
atas di SMU Negeri 3 Banda Aceh masuk program IPA dan lulus tahun 2004.
Pada tahun yang sama penulis diterima masuk di Institut Pertanian Bogor pada Departemen
Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam melalui jalur USMI. Pada tahun
2007 Penulis menjalankan praktek lapangan di Departemen Komunikasi dan Informatika
(Depkominfo) Divisi Pusat Data dan Informasi selama kurang lebih 2 bulan.

PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Penambahan Modul
Updating Data pada OLAP Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia
Menggunakan Palo 2.5 dapat diselesaikan. Shalawat serta salam juga penulis ucapkan kepada
junjungan kita 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 pertama dan kepada Ibu Imas S. Sitanggang, S.Si,
M.Kom selaku pembimbing kedua 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
2

Kedua orangtua tersayang atas segala do’a, kasih sayang, dan dukungannya.
Saudaraku Ari, Desri, dan adikku Defia yang selalu memberiku motivasi untuk dapat
menyelesaikan tugas akhir ini.
3 Bapak Hari Agung, S.Si, M.Kom selaku moderator dan penguji tugas akhir ini.
4 Nenk (Stk‘41) yang selalu setia memberi dukungan, semangat, bantuan dan do’a saat penulis

merasa jenuh dalam menjalani hari-hari selama di IPB.
5 Om Yan, tante Endang, mba yie, dan bang Yadi yang selalu menjaga penulis selama di Bogor.
6 Iwan, Indra, dan Hode yang telah membantu dalam memberikan solusi teknis.
7 Rafi, Hasan, Rizki, Diki, Putra, Iyol, Wawan, Salec, dan Dani yang selalu setia menemani saat
jenuh dalam menghadapi hari-hari dikosan.
8 Seluruh teman-teman Program Studi Ilmu Komputer angkatan 41 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,

Juli 2008

Riza Mahendra

v

DAFTAR ISI

Halaman
DAFTAR TABEL ........................................................................................................................... vi
DAFTAR GAMBAR ...................................................................................................................... vi
DAFTAR LAMPIRAN ................................................................................................................... vi
PENDAHULUAN
Latar Belakang ........................................................................................................................... 1
Tujuan ........................................................................................................................................ 1
Ruang Lingkup ........................................................................................................................... 1
Manfaat ...................................................................................................................................... 1
TINJAUAN PUSTAKA
Data Warehouse ......................................................................................................................... 1
Model Data Multidimensi .......................................................................................................... 2
OLAP (On-line Analytical Processing)...................................................................................... 3
Arsitektur Three-Tier Data Warehouse ..................................................................................... 3
Hotspot (titik panas) ................................................................................................................... 3
METODE PENELITIAN
Analisis Modul Updating ........................................................................................................... 4
Praproses Data ............................................................................................................................ 4
Arsitektur Data Warehouse ........................................................................................................ 4
Pembuatan Modul Updating Aplikasi OLAP ............................................................................. 5

Lingkungan Pengembangan ....................................................................................................... 6
HASIL DAN PEMBAHASAN
Kondisi Awal ............................................................................................................................. 6
Praproses Data ............................................................................................................................ 7
Perubahan Nama Elemen Dimensi ............................................................................................. 9
Struktur Kubus Data ................................................................................................................... 9
Pembuatan Modul Updating Data ............................................................................................ 10
Pemasukan Elemen Dimensi Baru ke Data Warehouse ........................................................... 10
Hasil Updating Pada Aplikasi OLAP ....................................................................................... 11
Presentasi Output Crosstab dan Grafik .................................................................................... 11
KESIMPULAN DAN SARAN
Kesimpulan .............................................................................................................................. 12
Saran......................................................................................................................................... 12
DAFTAR PUSTAKA .................................................................................................................... 12
LAMPIRAN ................................................................................................................................... 13

vi

DAFTAR TABEL
Halaman

1 Struktur tabel titikPanas ................................................................................................................ 6
2 Struktur tabel hotspotNew ............................................................................................................. 7
3 Struktur tabel HotspotBulan .......................................................................................................... 7
4 Struktur tabel hotspot .................................................................................................................... 8
5 Struktur tabel hotspotdaily ............................................................................................................ 8
6 Field-field dalam tabel hotspotcountdaily ..................................................................................... 9
7 Field-field dalam tabel hotspotcount ............................................................................................. 9
8 Deskripsi Kubus Data Hotspot pada basis data monthlyHotspot .................................................. 9
9 Deskripsi Kubus Data Hotspot pada basis data dailyHotspot ..................................................... 10

DAFTAR GAMBAR
Halaman
1 Skema bintang (Han & Kamber 2006). ......................................................................................... 2
2 Skema snowflake (Han & Kamber 2006). .................................................................................... 2
3 Skema galaksi (Han & Kamber 2006). ......................................................................................... 3
4 Arsitektur three-tier (Han & Kamber 2006). ................................................................................ 3
5 Tahapan umum proses updating ................................................................................................... 5
6 Skema bintang data warehouse persebaran data hotspot. ............................................................. 9
7 Tahapan proses updating dailyHotspot. ...................................................................................... 10
8 Tahapan proses updating monthlyHotspot. ................................................................................. 10

DAFTAR LAMPIRAN
Halaman
1 Tampilan OLAP sebelum dilakukan updating ............................................................................ 14
2 Perubahan nama elemen dimensi untuk tahun 2000 sampai tahun 2004 pada data hotspot ........ 15
3 Visualisasi crosstab hasil updating ............................................................................................. 16
4 Visualisasi grafik hasil updating terhadap dimensi waktu dan lokasi ......................................... 16
5 Hasil updating data tahun 2005 ................................................................................................... 17
6 Tampilan crosstab dan visualisasi grafik dari operasi dice dari filter dimensi............................ 22
7 Hasil empat operasi OLAP .......................................................................................................... 23

1

PENDAHULUAN
Latar Belakang
Teknologi data warehouse dan On-line
Analytical
Processing
(OLAP)
untuk
persebaran hotspot merupakan salah satu
solusi dari permasalahan penumpukan data
terhadap data hasil pencitraan lokasi jarak
jauh satelit guna mengetahui persebaran titik
panas atau hotspot kebakaran hutan yang
terjadi di wilayah Indonesia. Teknologi OLAP
dapat mengorganisasikan data persebaran
hotspot dan menampilkan informasi yang
terdapat di dalam data tersebut sehingga dapat
digunakan dalam pengambilan keputusan
guna membantu pengendalian kebakaran
hutan.
Data warehouse persebaran hotspot tahun
2000 sampai dengan 2004 telah dibangun
pada penelitian sebelumnya (Hayardisi 2008).
Aplikasi tersebut belum dapat melakukan
proses updating atau penambahan data hotspot
untuk tahun yang baru.
Belum adanya modul update data pada
aplikasi OLAP sebelumnya, mengakibatkan
sulitnya memperbaharui hasil operasi OLAP
dengan adanya data baru. Oleh karena itu
untuk mencegah terjadinya penumpukan data
pada
tahun-tahun
berikutnya
maka
ditambahkan modul update pada penelitian ini
sehingga dapat membantu pengguna untuk
memasukkan data terbaru setiap tahun baru
yang belum ada pada data warehouse melalui
aplikasi OLAP berbasis web.
Penambahan modul update pada penelitian
ini diharapkan berguna bagi organisasi atau
pengguna aplikasi OLAP persebaran hotspot
untuk menangani pemasukan data baru
sehingga dapat mencegah penumpukan data.
Diharapkan aplikasi OLAP tersebut dapat
digunakan untuk menganalisa titik panas
(hotspot)
yang
dapat
mengakibatkan
kebakaran hutan.
Tujuan
Tujuan dari penelitian ini adalah:
1 Membangun struktur updating data
warehouse
untuk
aplikasi
OLAP
persebaran hotspot (Hayardisi 2008)
2 Melakukan updating data warehouse
untuk data tahun 2005 pada aplikasi OLAP
persebaran hotspot dan memvisualisasikan
hasil operasi-operasi OLAP atau ringkasan
dalam bentuk crosstab dan grafik.

Ruang Lingkup
Ruang lingkup penelitian dibatasi pada
proses otomatisasi updating data warehouse
pada aplikasi OLAP persebaran hotspot yang
telah dibangun sebelumnya berdasarkan
periode update waktu tahunan. Data yang
digunakan adalah persebaran hotspot untuk
wilayah Indonesia pada tahun 2005 dari
Kementrian Lingkungan Hidup (KLH).
Manfaat
Penelitian ini diharapkan dapat bermanfaat
bagi pengguna atau administrator dalam
melakukan proses updating data persebaran
hotspot (titik panas) secara periodik, cepat,
dan akurat guna membantu dalam menyajikan
informasi untuk pengambilan keputusan
mengendalikan kebakaran hutan.

TINJAUAN PUSTAKA
Data Warehouse
Data warehouse menyediakan arsitektur
dan alat bagi para eksekutif bisnis untuk
mengatur secara sistematis, mengerti dan
menggunakan
data
tersebut
untuk
pengambilan keputusan (Han & Kamber
2006). Data warehouse adalah sekumpulan
data yang berorientasi subjek, terintegrasi,
time-variant dan nonvolatile yang mendukung
dalam manajemen pengambilan keputusan.
Karakteristik data warehouse yaitu
berorientasi subjek, terintegrasi, time-variant
dan nonvolatile merupakan hal yang
membedakan data warehouse dari sistem
penyimpanan data lainnya seperti sistem basis
data relasional, sistem proses transaksi, dan
sistem berkas. Penjelasan secara rinci dari
pengertian data warehouse (Han & Kamber
2006):
• Berorientasi subjek
Data warehouse disusun berdasarkan
subjek utama, seperti pelanggan, supplier,
produk, dan penjualan. Data warehouse
menyediakan tampilan yang sederhana dan
ringkas dengan menghilangkan data yang
tidak berguna dalam pengambilan keputusan.
• Terintegrasi
Data warehouse biasanya dibangun
dengan mengintegrasikan berbagai sumber
yang berbeda seperti basis data relasional, flat
files, dan catatan transaksi on-line. Teknik
pembersihan dan integrasi data dilakukan

2

untuk memastikan kekonsistenan data dalam
konversi penamaan, struktur penyandian,
pengukuran atribut dan lainnya.
• Time- variant

demikian skema ini disebut skema bintang.
Keuntungan star schema yaitu pada proses
query dan waktu respon yang cepat. Skema
bintang dapat dilihat pada Gambar 1.

Data disimpan untuk menyediakan
informasi berdasarkan perspektif waktu.
• Non-volatile
Data warehouse secara fisik selalu
terpisah dari basis data operasional. Data
warehouse tidak membutuhkan proses
transaksi, recover, dan concurrency control.
Model Data Multidimensi
Data warehouse dan alat bantu OLAP
berdasarkan pada model data multidimensi.
Model ini menampilkan data dalam bentuk
kubus data. Kubus data dapat memodelkan
dan menampilkan data dalam multidimensi.
Model data multidimensi dibagi menjadi dua
yaitu dimensi dan fakta (Han & Kamber
2006).
Dimensi adalah perspektif atau entitas
penting yang dimiliki organisasi untuk
menyimpan records. Setiap dimensi memiliki
tabel yang biasa disebut dengan tabel dimensi.
Tabel dimensi dapat dispesifikasikan oleh
pengguna atau para ahli, atau dihasilkan
secara otomatis dan diatur berdasarkan
distribusi data (Han & Kamber 2006).

Gambar 1 Skema bintang (Han & Kamber
2006).
2

Snowflake schema

Snowflake schema merupakan variasi dari
star schema dimana beberapa tabel
dimensinya
dinormalisasi
sehingga
menghasilkan beberapa tabel tambahan.
Perbedaan utama antara snowflake dan star
schema adalah tabel dimensi pada snowflake
dapat dijaga tetap dalam bentuk normal
sehingga mengurangi redudansi. Skema
snowflake dapat dilihat pada Gambar 2.

Fakta adalah ukuran-ukuran numerik.
Fakta merupakan kuantitas yang akan
dianalisis hubungan antar dimensi. Tabel fakta
berisi nama dari fakta (ukuran) dan juga keys
untuk setiap tabel dimensi yang berhubungan.
Dalam data warehouse kubus data adalah
n-dimensi. Kubus data disebut juga cuboid.
Cuboid yang tingkat kesimpulannya paling
rendah disebut base cuboid sedangkan cuboid
dengan tingkat paling tinggi disebut apex
cuboid.
Data warehouse membutuhkan skema
yang ringkas dan berorientasi subjek untuk
memfasilitasi analisis data secara on-line.
Model data yang paling populer untuk data
warehouse adalah model multidimensi. Tipetipe skema model multidimensi sebagai
berikut:
1 Star schema (skema bintang)
Star schema merupakan skema data
warehouse yang paling sederhana. Star
schema terdiri dari satu tabel fakta yang
dihubungkan dengan beberapa tabel dimensi
yang polanya menyerupai bintang. Dengan

Gambar 2 Skema snowflake (Han & Kamber
2006).
3 Galaxy schema
Beberapa aplikasi mungkin membutuhkan
membutuhkan tabel fakta yang banyak untuk
berbagi dengan tabel dimensi. Skema ini dapat
dilihat sebagai sekumpulan star schema atau
biasa disebut galaxy schema. Skema galaksi
dapat dilihat pada Gambar 3.

3

lapisan arsitektur three-tier adalah sebagai
berikut (Han & Kamber 2006) :
1 Lapisan bawah (bottom tier)
Lapisan bawah merupakan tempat
pengolahan sumber data warehouse yang
bertujuan agar data tersebut dapat digunakan
dengan baik. Pengolahan tersebut biasanya
menggunakan sistem basis data relasional.

Gambar 3 Skema galaksi (Han & Kamber
2006).
OLAP (On-line Analytical Processing)
OLAP merupakan sistem manajemen
basis data multidimensi yang menyediakan
suatu sistem informasi dengan struktur
organisasi yang sangat fleksibel dalam
mengakses data (Inmon 2002)
Operasi-operasi OLAP adalah sebagai
berikut (Han & Kamber 2006) :
1 Roll-up
Operasi roll-up dilakukan pada kubus
pusat dengan cara menaikkan tingkat suatu
hirarki. Pada saat roll-up dilakukan jumlah
dimensi berkurang. Misalkan operasi roll-up
dilakukan pada kubus data pada tingkat kota
menjadi tingkat propinsi atau negara.

Gambar 4 Arsitektur three-tier (Han &
Kamber 2006).
2 Lapisan tengah (middle tier)
Lapisan tengah merupakan OLAP Server
yang berfungsi menyimpan struktur dari
kubus data.

2 Drill-down

3 Lapisan atas (top tier)

Drill-down merupakan kebalikan dari
operasi roll-up. Operasi ini merepresentasikan
kubus data lebih detil.

Lapisan atas adalah lapisan untuk end-user
yang berisi query dan menampilkan informasi
atau ringkasan.

3 Slice dan dice

Hotspot (titik panas)

Operasi slice melakukan pemilihan satu
dimensi dari kubus sehingga dihasilkan
subcube. Operasi dice mendefinisikan
subcube dari pemilihan dua dimensi atau
lebih.

Pemantauan
hotspot
(titik
panas)
dilakukan dengan cara penginderaan jauh
(remote sensing) menggunakan satelit. Data
hotspot merupakan salah satu indikator
tentang kemungkinan terjadinya kebakaran
hutan sehingga dapat dilakukan analisis,
pemantauan, dan terkadang harus melakukan
pemeriksaan langsung ke lapangan untuk
mengetahui apakah diperlukan langkah
pencegahan kebakaran (Adinugroho et al
dalam Sukmawati 2006).

4 Pivot (rotate)
Pivot
merupakan
operasi
dalam
visualiasisasi yang memutar koordinat data
untuk menghasilkan presentasi data dalam
bentuk lain.
Arsitektur Three-Tier Data Warehouse
Arsitektur data warehouse yang umum
digunakan
yaitu
arsitektur
three-tier.
Arsitektur ini disebut three-tier karena terdiri
atas tiga lapisan. Representasi arsitektur threetier dapat dilihat pada Gambar 4. Lapisan-

Satelit yang biasa digunakan adalah satelit
NOAA (National Oceanic and Atmospheric
Administration) melalui sensor AVHRR
(Advanced Very High Resolution Radiometer)
karena sensor tersebut dapat membedakan
suhu permukaan di darat dan laut. Satelit
NOAA-AVHRR memiliki cakupan yang luas

4

dan mengunjungi tempat yang sama sebanyak
4 kali dalam satu hari sehingga data yang
didapatkan cukup aktual dan waktu analisis
yang cepat meskipun wilayahnya luas
(Adinugroho et al dalam Sukmawati 2006).
Sistem monitoring dengan menggunakan
satelit NOAA berfungsi untuk mendeteksi
terjadinya kebakaran hutan dan lahan
sehingga kebakaran tidak meluas dan
mengakibatkan kerusakan dan kerugian
ekonomi. Metode remote sensing memberikan
solusi yang efisien dalam kegiatan deteksi dan
pencegahan kebakaran hutan dan lahan pada
area yang sangat luas.
Satelit NOAA akan mendeteksi suatu
obyek di permukaan bumi yang memiliki suhu
relatif lebih tinggi dibandingkan sekitarnya.
Suhu yang dideteksi berkisar antara 210 K (37
o
C) untuk malam hari dan 315 K (42 oC)
untuk
siang
hari.
Hotspot
akan
direpresentasikan dalam suatu pixel pada
sebuah peta yang juga menunjukkan koordinat
geografisnya (Dephut dalam Sukmawati
2006).

METODE PENELITIAN
Analisis Modul Updating
Modul updating pada aplikasi OLAP
persebaran
hotspot
dibuat
untuk
memperbaharui elemen dimensi lokasi dan
elemen dimensi waktu, serta jumlah titik
panas. Dengan adanya pemekaran wilayah
(kecamatan atau kabupaten) di Indonesia,
dimungkinkan adanya kecamatan atau
kabupaten baru yang belum ada pada tahuntahun sebelumnya. Modul updating yang
dibuat harus dapat melakukan fungsi untuk
menentukan data elemen baru misalnya
kecamatan dan tahun baru yang tidak terdapat
pada masing-masing elemen dimensi tersebut.
Modul updating dibangun sedemikian
sehingga memudahkan pengguna dalam
memasukkan data hotspot tahun-tahun
terbaru.
Praproses Data
•

Seleksi atribut

Seleksi atribut dilakukan terhadap data
persebaran hotspot pada tahun 2005. Atribut
ini digunakan dalam memasukkan data baru
ke dalam data warehouse. Proses seleksi
atribut yang dilakukan sesuai dengan seleksi
atribut yang telah dilakukan dalam proses
pembuatan data warehouse pada penelitian

sebelumnya (Hayardisi 2008). Seleksi atribut
dilakukan untuk membuang atribut yang tidak
relevan.
Hasil seleksi atribut digunakan untuk
menentukan jumlah hotspot yang terjadi di
wilayah Indonesia yang terdapat pada data.
Seleksi atribut juga dibutuhkan dalam
menentukan skema pembuatan model data
elemen pada masing-masing dimensi yang
telah ada.
Sumber data hotspot tahun 2005 diperoleh
dari Kementrian Lingkungan Hidup (KLH)
Bagian Penanganan Kebakaran Hutan dengan
format Excel (.xls). Data hotspot tersebut
berasal dari pencatatan satelit NOAA. Data
tersebut akan digunakan dalam proses
updating. Pada awalnya data hanya berbentuk
file teks (.txt) yang berisi titik koordinat dan
tanggal. Data teks tersebut kemudian diolah
menjadi bentuk file Excel dengan cara menginput-kan titik koordinat ke dalam peta
administrasi KLH sehingga didapatkan nama
pulau, propinsi, kabupaten dan kecamatan.
Perubahan format file Excel (.xls) ke file teks
(.txt) dilakukan oleh KLH.
•

Konversi format data

Konversi dilakukan dari sumber data yang
dikonversi dari format (.xls) menjadi format
(.csv) ke dalam basis data.
•

Perubahan nama elemen dimensi

Perubahan
nama
elemen
dimensi
dilakukan pada data sumber hasil seleksi
atribut yang telah dimasukkan ke MSSQL
Server 2000.
Perubahan
nama
elemen
dimensi
dilakukan agar data memiliki nama yang
bersifat unik sehingga pada saat data baru
dimasukkan ke dalam OLAP Server Palo
tidak menghasilkan error karena adanya
kesamaan penamaan elemen dimensi.
Perubahan nama elemen dimensi pada data
hotspot 2005 dilakukan secara otomatis pada
saat data dimasukkan ke SQL Server 2000.
Arsitektur Data Warehouse
Dalam penelitian ini, modul update data
ditambahkan pada data warehouse yang
memiliki arsitektur three tier, yang terdiri dari
tiga lapisan:
1 Lapisan bawah (bottom tier)
Lapisan bawah merupakan suatu sistem
basis data relasional (DBMS SQL Server
2000) yang berfungsi sebagai tempat

5

penyimpanan dan pengolahan data. Pada
lapisan ini dilakukan praproses data agar data
yang digunakan valid untuk kemudian
ditransfer ke struktur kubus data Palo.

dailyHotspot.
Hal
ini
mengakibatkan
penyajian informasi menghasilkan nilai null di
beberapa cell.

2 Lapisan tengah (middle tier)
Lapisan tengah merupakan tempat
penyimpanan struktur kubus data yang biasa
disebut sebagai OLAP Server. Pada lapisan ini
telah dibangun struktur kubus data pada
penelitian sebelumnya (Hayardisi 2008). Pada
penelitian ini dilakukan konversi Palo versi
2.0 ke Palo versi 2.5 sebagai OLAP Server.
Proses updating pada struktur kubus data
OLAP Server dilakukan dengan cara membuat
script PHP yang berfungsi untuk memetakan
tabel elemen dimensi baru ke struktur kubus
data yang terdapat di OLAP Server Palo.
3 Lapisan atas (top tier)
Lapisan atas merupakan lapisan untuk end
user yang berfungsi untuk menampilkan
ringkasan isi data warehouse yang merupakan
hasil operasi OLAP. Setelah proses updating
dilakukan, hasil ringkasan data baru yang
masuk ditampilkan dalam bentuk crosstab dan
beberapa bentuk grafik. Alat bantu yang
digunakan untuk melihat hasil ringkasan
updating data baru dari data warehouse
adalah web browser.
Pembuatan
OLAP

Modul

Updating

Aplikasi

Modul update terdiri dari beberapa modul
program yang berfungsi untuk membantu
mempercepat proses pembentukan elemenelemen dimensi tahun yang baru untuk
dimasukkan ke dalam OLAP Server. Tahapan
umum proses updating dapat dilihat pada
Gambar 5.
Pembuatan modul update terbagi menjadi
dua bagian yaitu untuk proses updating basis
data dailyHotspot dan monthlyHotspot. Basis
data dailyhotspot merupakan basis data yang
memiliki dimensi lokasi dengan hirarki hingga
tingkat kecamatan dan dimensi waktu dengan
hirarki hingga tingkat hari. Sementara itu,
basis data monthlyHotspot merupakan basis
data yang memiliki dimensi lokasi dengan
hirarki hingga tingkat kabupaten dan dimensi
waktu dengan hirarki hingga tingkat bulan.
Pemisahan basis data dailyHotspot dan
basis data monthlyHotspot pada penelitian
sebelumnya (Hayardisi 2008) dilakukan
karena penyajian informasi pada Palo
memiliki keterbatasan dalam menampilkan
informasi sesuai kedalaman hirarki basis data

Gambar 5 Tahapan umum proses updating.
Perancangan modul update aplikasi OLAP
terdiri dari dua rancangan yaitu rancangan
basis data pada DBMS Microsoft SQL Server
2000 dan aplikasi OLAP. Rancangan basis
data yaitu fungsi untuk melakukan
pemrosesan data baru dari sumber sehingga
dapat dimasukkan ke OLAP Server.
Rancangan aplikasi OLAP merupakan
visualisasi hasil operasi OLAP yang
ditampilkan dalam bentuk crosstab dan grafik.
Grafik-grafik yang ditampilkan berupa bar
dan pie plot.
Modul-modul utama dalam pembuatan
proses updating yaitu:
• Config.php merupakan modul yang
berguna untuk mengatur urutan halaman
web.
• ImportMonth.php merupakan modul yang
berguna untuk membentuk elemen-elemen
kubus data yang unik dari sumber untuk
updating basis data monthlyHotspot
• ImportDaily.php merupakan modul yang
berguna untuk membentuk elemen-elemen
kubus data yang unik dari sumber untuk
updating basis data dailyHotspot
• updatelocation.php merupakan modul
yang berguna untuk melakukan proses
updating lokasi untuk basis data
monthlyHotspot
• updatelocationDaily.php
merupakan
modul yang berguna untuk melakukan

6

proses updating lokasi untuk basis data
dailyHotspot
• importime.php merupakan modul yang
berguna untuk melakukan proses updating
elemen dimensi waktu untuk basis data
monthlyHotspot
• importimeDaily.php merupakan berguna
untuk melakukan proses updating elemen
dimensi waktu untuk basis data
dailyHotspot.
Modul-modul
yang
terkait
dalam
menyajikan informasi visualisasi hasil operasi
OLAP yaitu (Hayardisi 2008):
• Olap.func.inc.php: modul ini merupakan
pecahan
dari
modul
program
palo_demo.php yang terdapat di dalam
Palo SDK (Software Development Kit)
1.0c. Palo_demo.php dipecah menjadi tiga
modul
yaitu
Olap.func.inc.php,
fetchData.inc.php, dan olapCrosstab.php.
Palo_demo.php merupakan contoh modul
program untuk membentuk struktur
crosstab dan operasi- operasi OLAP
seperti roll up, drill down, dan pivot.
Olap.func.inc.php berisi kumpulan fungsifungsi yang diperlukan dalam aplikasi.
• fetchData.inc.php: berguna untuk fetching
data dan proses pembuatan struktur
crosstab.
• olapCrosstab.php: menampilkan aplikasi
yang dibuat dalam sintaks HTML.
• folder graph: berisi dua modul program
yaitu graphBar.php dan graphPie.php.
Modul
tersebut
berguna
untuk
menggambarkan grafik hasil operasi
OLAP. Modul tersebut menggunakan
library jpGraph untuk menghasilkan
grafik.
Implementasi modul update aplikasi
OLAP berbasis web menggunakan bahasa
pemograman PHP 5 dan Palo PHP API yang
merupakan library yang digunakan untuk
menjalankan fungsi-fungsi Palo di PHP.
Koneksi PHP ke OLAP Server Palo
menggunakan library tambahan yang terdapat
di dalam kemasan SDK Palo versi
20080118_1000.
Penambahan
library
dilakukan agar fungsi-fungsi Palo dapat
dijalankan melalui script PHP.
Lingkungan Pengembangan
Modul updating aplikasi OLAP hotspot
dibangun dengan menggunakan perangkat

keras dan lunak dengan spesifikasi sebagai
berikut:
Perangkat keras:
• Processor Intel Centrino Duo 1.6 Ghz
• RAM 512 MB DDR 2
• HDD 80 GB
• Monitor 14.1 dengan resolusi 1280 × 800
• Mouse dan keyboard
Perangkat lunak:
• Sistem operasi Windows XP SP 2
• Microsof SQL Server 2000
• Palo Server Win32 2.5
• Web Server package WAMPP versi 2.0
• Bahasa pemograman PHP 5
• Web browser Mozilla Firefox 3.0
• Palo Excel Add-in 2.5.
Palo Excel Add-in 2.5 merupakan basis
data berbasis sel yang multidimensi,
hirarki dan berbasis memori. Palo
berfungsi
untuk
pembuatan
atau
pemodelan struktur kubus data dan proses
pemuatan data dari data warehouse ke
kubus data. Pada penelitian ini dilakukan
konversi dari versi Palo versi 2.0 ke Palo
versi 2.5. Palo versi 2.5 merupakan Palo
versi terbaru.

HASIL DAN PEMBAHASAN
Kondisi Awal
Sebelum melakukan proses updating data
baru, berikut dijelaskan struktur basis data dan
kondisi OLAP persebaran hotspot pada
penelitian sebelumnya. Struktur basis data
pada penelitian sebelumnya terdiri dari
beberapa tabel seperti dapat dilihat pada Tabel
1 dan Tabel 2.
Tabel 1 Struktur tabel titikPanas
Field

Data Type

Tanggal

Smalldatetime(4)

Pulau

Varchar(12)

Propinsi

Varchar(20)

Kabupaten

Varchar(22)

Kecamatan

Varchar(22)

7

Tabel 2 Struktur tabel hotspotNew
Field

Data Type

Tanggal

Varchar(5)

Bulan

Varchar(5)

Tahun

Varchar(5)

Pulau

Varchar(24)

Propinsi

Varchar(20)

Kabupaten

Varchar(22)

Kecamatan

Varchar(30)

Jumlah

Int(4)

Tabel 1 merupakan tabel tempat
menyimpan data hotspot yang dimasukkan
dari tahun 2000 sampai dengan 2004 dan
tempat melakukan pembersihan data. Setelah
dilakukan
pembersihan,
tabel
hotspot
dipindahkan ke tabel hotspotNew untuk
menentukan jumlah hotspot. Kemudian,
karena keterbatasan Palo dalam menyajikan
informasi hingga hirarki elemen kecamatan
dan elemen harian maka data hotspot
dipindahkan ke dalam tabel HotspotBulan
untuk menyajikan informasi hingga elemen
kabupaten dan elemen bulan seperti terlihat
pada Tabel 3
Tabel 3 Struktur tabel HotspotBulan
Field

Data Type

Bulan

Varchar(5)

Tahun

Varchar(5)

Pulau

Varchar(24)

Propinsi

Varchar(20)

Kabupaten

Varchar(22)

Jumlah

Int(4)

Kondisi tampilan OLAP persebaran
hotspot pada penelitian sebelumnya sebelum
dilakukan updating data tahun 2005 dapat
dilihat pada Lampiran 1.
Praproses Data
Data hotspot yang digunakan adalah data
pada tahun 2005. Data ini merupakan data
terbaru yang belum terdapat pada data OLAP
Server sebelumnya. Penelitian sebelumnya
hanya menggunakan data pada tahun 2000
sampai tahun 2004. Data sumber tersebut
memiliki format excel (*.xls) yang terdiri dari

kolom koordinat, tanggal, pulau, propinsi,
kabupaten, kecamatan, nama HPH (Hak
Pengusahaan Hutan), HTI (Hutan Tanaman
Industri), jenis tanah, Lithology dan lainnya.
Tahap awal yang dilakukan terhadap data
sumber dengan format (.xls) yaitu melakukan
seleksi atribut yang diperlukan sesuai dengan
penelitian sebelumnya. Seleksi atribut yang
dilakukan untuk proses updating basis data
dailyHotspot yaitu tanggal, pulau, propinsi,
kabupaten, dan kecamatan. Sementara itu,
seleksi atribut yang dilakukan untuk proses
updating basis data monthlyHotspot yaitu
tanggal, pulau, propinsi, dan kabupaten.
Pemilihan atribut tersebut berdasarkan
beberapa alasan antara lain:
1 atribut tersebut sesuai dengan tujuan dari
pembuatan data warehouse persebaran
hotspot,
2 atribut berkaitan satu dengan yang lain.
Setelah
pemilihan
atribut-atribut,
kemudian data tersebut disimpan dengan
format (.csv) untuk memudahkan dalam
proses pengambilan data secara langsung
melalui OLAP tool hotspot yang berbasis web
menggunakan script PHP. Perubahan format
file menjadi (.csv) dilakukan karena file yang
dihasilkan memiliki ukuran kapasitas yang
lebih kecil sehingga proses upload data dapat
lebih cepat.
Praproses data selanjutnya dilakukan
penggabungan pada data berformat (.csv) ke
DBMS SQL Server 2000 melalui OLAP tools
berbasis web. Pada proses ini, dilakukan
perubahan penamaan atribut setiap kabupaten
dan kecamatan dengan penambahan suatu
string (kab) dan (kec). Praproses untuk
updating basis data monthlyHotspot dilakukan
perubahan penamaan atribut hanya pada setiap
kabupaten dengan penambahan string (kab)
sedangkan untuk updating basis data
dailyHotspot dilakukan perubahan penamaan
atribut hanya pada setiap kabupaten dengan
penambahan string (kab) dan setiap
kecamatan dengan penambahan string (kec).
Perubahan
penamaan
atribut
tersebut
dilakukan karena alasan berikut:
1 Kesamaan nama kabupaten dan nama
kecamatan seperti kabupaten Solok dengan
kecamatan Solok di Sumatera Barat.
2 Penamaan yang sama antara satu
kabupaten tertentu dengan kecamatan
tertentu dari kabupaten lainnya dan
sebaliknya seperti kabupaten Kendal di

8

Jawa Tengah dengan kecamatan Kendal di
kabupaten Ngawi, Jawa Timur.
Selain itu, pada sumber data yang
digunakan untuk proses updating basis data
dailyHotspot terdapat nilai null pada field
pulau. Hal ini menunjukkan bahwa lokasi
hotspot tersebut terjadi di luar wilayah
Indonesia. Untuk itu, field pulau yang bernilai
null
diisi
dengan
“OUTSIDE
INDONESIA(ALL)”. Nama field pulau
tersebut untuk mewakili hotspot yang terjadi
di luar wilayah Indonesia dan nama field
kecamatan (elemen terendah dari dimensi
lokasi) diisi dengan “Outside Indonesia”.
Pada sumber data yang digunakan untuk
proses updating basis data monthlyHotspot
juga terdapat nilai null pada field pulau. Oleh
karena itu, field pulau yang bernilai null juga
diisi dengan “OUTSIDE INDONESIA(ALL)”
dan nama field kabupaten (elemen terendah
dari dimensi lokasi) diisi dengan “Outside
Indonesia”.
Perubahan nama atribut dilakukan agar
data tetap konsisten pada saat dilakukan
proses updating. Kemudian hasil perubahan
nama atribut data tersebut dimasukkan ke
DBMS SQL Server 2000 ke dalam satu tabel
hotspot
untuk
updating
basis
data
dailyHotspot dan tabel hotspotdaily untuk
updating basis data monthlyHotspot. Proses
perubahan penamaan elemen dimensi akan
dijelaskan lebih rinci pada subbab selanjutnya.
Hasil penggabungan dari data sumber
yang akan digunakan untuk updating basis
data monthlyHotspot dimasukkan pada tabel
hotspot yang berisi field Tanggal, Pulau,
Propinsi, Kabupaten. Field-field tabel hotspot
dapat dilihat pada Tabel 4.
Tabel 4 Struktur tabel hotspot
Field

Tipe data

Tanggal

Smalldatetime(4)

Pulau

Varchar(24)

Propinsi

Varchar(30)

Kabupaten

Varchar(40)

Hasil penggabungan dari data sumber
yang akan digunakan untuk updating basis
data dailyHotspot dimasukkan pada tabel
hotspotdaily yang berisi field Tanggal, Pulau,
Propinsi, Kabupaten, Kecamatan. Field-field
tabel hotspotdaily dapat dilihat pada Tabel 5.

Tabel 5 Struktur tabel hotspotdaily
Field

Data Type

Tanggal

Smalldatetime(4)

Pulau

Varchar(24)

Propinsi

Varchar(30)

Kabupaten

Varchar(40)

Kecamatan

Varchar(50)

Field tanggal pada tabel hotspot dipecah
menjadi field bulan, dan tahun. Field tanggal
pada tabel hotspotdaily dipecah menjadi field
tanggal, bulan, dan tahun. Pemecahan pada
field tersebut dilakukan untuk mempermudah
penghitungan jumlah hotspot pada tingkat
kecamatan dan harian serta jumlah hotspot
pada tingkat kabupaten dan bulanan. Modul
yang digunakan untuk memecah field tersebut
yaitu file trans.php yang berfungsi untuk
memecah
tabel
hotspot
dan
file
transDaily.php
yang
berfungsi
untuk
memecah tabel hotspotdaily.
Pada data sumber (.xls) hanya dicatat
tanggal dan wilayah hotspot sehingga jumlah
hotspot perlu ditentukan. Penjumlahan hotspot
dilakukan dengan membuat modul yaitu
sum.php
untuk
tabel
hostpot
dan
sumDaily.php untuk tabel hotspotdaily. File
sum.php digunakan untuk menjumlahkan
hotspot pada tingkat kabupaten dan bulanan.
File
sumDaily.php
digunakan
untuk
menjumlahkan
hotspot
pada
tingkat
kecamatan dan harian.
Hasil penjumlahan hotspot kemudian
disimpan di dalam tabel baru yaitu tabel
hotspotcount yang menampung jumlah
hotspot untuk tingkat kabupaten dan bulanan
serta
tabel
hotspotcountdaily
untuk
menyimpan hasil penjumlahan hotspot untuk
tingkatan kecamatan dan harian. Pemisahan
penjumlahan dan penyimpanan hotspot
dilakukan karena pada saat operasi di OLAP
penjumlahan hotspot pada tingkat kecamatan
menghasilkan banyak cell pada crosstab
sehingga pada saat penampilan data
menghasilkan nilai null di beberapa cell. Oleh
karena itu jumlah hotspot harian pada tingkat
kecamatan dan jumlah hotspot bulanan dan
kabupaten dipisahkan pada basis data yang
berbeda.
Berikut ini merupakan field-field tabel
hotspotcountdaily yang dapat dilihat pada

9

Tabel 6 dan untuk field-field dalam tabel
hotspotcount pada Tabel 7
Tabel 6 Field-field dalam tabel
hotspotcountdaily

nama kabupatennya. Hal yang sama juga
dilakukan untuk mencegah ketidakkonsistenan
penamaan yang terjadi pada elemen
kabupaten.

Tanggal

Varchar(5)

Bulan

Varchar(5)

Tahun

Varchar(5)

Pulau

Varchar(24)

Perubahan nama elemen pada kasus di
atas dilakukan untuk mencegah terjadi
penamaan ganda pada elemen dimensi di Palo.
Perubahan juga dilakukan terlebih dahulu
pada elemen dimensi kubus data untuk tahun
2000 sampai tahun 2004. Rincian perubahan
nama elemen untuk tahun 2000 sampai 2004
dapat dilihat pada Lampiran 2.

Propinsi

Varchar(30)

Struktur Kubus Data

Kabupaten

Varchar(40)

Kecamatan

Varchar(50)

Jumlah

Int(4)

Modul
updating
yang
dibuat
menggunakan skema data warehouse yang
dibuat pada penelitian sebelumnya (Hayardisi
2008) pada Gambar 6.

Field

Tipe data

Tabel 7 Field-field dalam tabel hotspotcount
Field

Tipe data

Bulan

Varchar(5)

Tahun

Varchar(5)

Pulau

Varchar(24)

Propinsi

Varchar(30)

Kabupaten

Varchar(40)

Jumlah

Int(4)

Perubahan Nama Elemen Dimensi
Proses perubahan nama elemen dimensi
dilakukan agar data yang ingin digunakan
dalam proses updating menjadi konsisten
sehingga tidak ada elemen yang memiliki
nama yang sama pada tiap hirarki pada
dimensi lokasi (unik).
Penamaan elemen dimensi menjadi tidak
konsisten dengan adanya kesamaan nama
kecamatan dari kabupaten dan propinsi yang
berbeda misal kecamatan Sukadana di
Lampung Timur dan Sukadana Kalimantan
Barat.
Ketidakkonsistenan pada kasus di atas
diatasi dengan melakukan pengecekan pada
saat data sumber dimasukkan ke SQL Server
2000. Hal ini dilakukan dengan cara membuat
suatu view pada basis data untuk menghitung
jumlah dari kecamatan agar apabila ada nama
elemen kecamatan yang memiliki jumlah
lebih dari satu maka elemen kecamatan
tersebut penamaannya akan digabung dengan
elemen satu hirarki di atasnya yaitu dengan

Gambar 6 Skema bintang data warehouse
persebaran data hotspot.
Dimensi-dimensi yang terdapat di dalam
basis data monthlyHotspot dan dailyHotspot
adalah waktu dan lokasi. Kubus data diberi
nama hotspot yang dibentuk dari kedua
dimensi tersebut. Struktur kubus data yang
digunakan pada penelitian ini merupakan
struktur kubus data yang dibuat pada
penelitian sebelumnya (Hayardisi 2008).
Deskripsi kubus data hotspot dapat dlihat pada
Tabel 8 dan Tabel 9.
Tabel 8 Deskripsi Kubus Data Hotspot pada
basis data monthlyHotspot
Nama
Dimensi

Deksripsi

Lokasi

Lokasi titik hotspot (pulau,
propinsi, kabupaten)

Waktu

Bulan dan tahun kejadian
hotspot (2000, 2001, 2002,
2003, 2004).

10

Tabel 9 Deskripsi Kubus Data Hotspot pada
basis data dailyHotspot
Nama
Dimensi

Deksripsi

Lokasi

Lokasi titik hotspot (pulau,
propinsi,
kabupaten,kecamatan).

Waktu

Hari, bulan dan tahun
kejadian hotspot (2000, 2001,
2002, 2003, 2004).

Pembuatan Modul Updating Data
Setelah tahapan praproses data maka
proses selanjutnya adalah updating data baru
yang sudah masuk ke DBMS SQL Server
2000 untuk dimasukkan ke basis data Palo.
Modul updating terdiri dari dua modul utama
yaitu modul untuk updating waktu dan
updating lokasi. Kedua modul updating
tersebut juga berbeda untuk masing-masing
basis data dailyHotspot dan monthlyHotspot.
Diagram alur tahapan proses updating pada
basis data dailyHotspot dan monthlyHotspot
dapat dilihat pada Gambar 7 dan Gambar 8.

Gambar 7 Tahapan proses updating
dailyHotspot.

Gambar 8 Tahapan proses updating
monthlyHotspot.
Modul yang digunakan untuk updating
basis data dailyHotspot pada elemen dimensi
lokasi yaitu updatelocationdaily.php. File ini
berfungsi untuk membandingkan elemenelemen baru pada dimensi lokasi sampai pada
tingkatan kecamatan. Modul yang digunakan
untuk melakukan updating basis data
monthlyHotspot pada elemen dimensi lokasi
yaitu updatelocation.php. Modul ini memiliki
fungsi
yang
sama
dengan
modul
updatelocation.php. Akan tetapi, modul ini
hanya melakukan updating lokasi sampai
tingkatan hirarki kabupaten. Kedua File
tersebut melakukan perbandingan data elemen
sesuai dengan hirarki elemen dimensi masingmasing pada basis data OLAP server
menggunakan library atau PHP Palo API.
Untuk melakukan updating elemenelemen dimensi waktu pada basis data palo
digunakan
modul
importime.php
dan
importimeDaily.php. Masing-masing modul
tersebut berfungsi untuk menentukan elemen
waktu yaitu tahun baru yang belum terdapat
pada basis data monthlyHotspot dan
dailyHotspot. Modul importime.php berfungsi
membentuk struktur hirarki elemen data baru
sesuai hirarkinya sampai pada tingkatan bulan
dan importimeDaily.php sampai pada
tingkatan harian.
Pemasukan Elemen Dimensi Baru ke Data
Warehouse
Tahapan selanjutnya dari proses updating
yaitu proses pemasukan data elemen baru dari
basis data relasional (SQL Server 2000) ke
OLAP Server Palo. Proses pemasukan data
dari basis data relasional ke OLAP Server

11

Palo menggunakan PHP Palo API yang
terdapat pada modul updatelocation.php dan
updatelocationDaily.php untuk pemasukan
data elemen dimensi lokasi baru serta
importime.php dan importimeDaily.php untuk
pemasukan elemen dimensi waktu baru.
Tahapan terakhir dari pemasukan data
yaitu memasukkan jumlah hotspot dari
masing-masing elemen dimensi lokasi dan
waktu yang telah berhasil disimpan ke OLAP
Server
Palo
menggunakan
modul
importjumlh.php dan importjumlhDaily.php.
Hasil Updating Pada Aplikasi OLAP
Hasil updating dari proses pemasukan data
baru dapat dilihat pada aplikasi OLAP untuk
persebaran hotspot. Aplikasi OLAP ini dapat
memberikan
informasi
mengenai
perkembangan jumlah hotspot setiap tahun di
wilayah Indonesia. Hasil penyajian updating
dapat dilihat dalam bentuk crosstab (tabel)
dan grafik.
Visualisasi crosstab hasil updating dapat
dilihat pada Lampiran 3 dan visualisasi grafik
hasil updating terhadap dimensi waktu dan
lokasi pada Lampiran 4. Dari hasil updating
dapat diperoleh informasi bahwa total hotspot
yang terjadi di wilayah Indonesia yaitu
sebesar 17.667. Jumlah hotspot pada tahun
2005 cenderung menurun jika dibandingkan
dengan tahun 2004. Jumlah hotspot yang
terjadi di wilyah Indonesia dari tahun 2000
sampai tahun 2005 menjadi 89.004 titik.
Proses updating untuk data tahun 2005
menghasilkan satu pulau baru, 3 propinsi
baru, 64 kabupaten baru, dan 242 kecamatan
baru. Informasi lengkap dari hasil updating
dapat dilihat pada Lampiran 5.
Presentasi Output dalam bentuk Crosstab
dan Grafik
Eksplorasi hasil updating menghasilkan
informasi tren persebaran jumlah hotspot di
wilayah Indonesia dari tahun 2000 sampai
tahun 2005. Sebagai contoh kita dapat melihat
persebaran hotspot pada setiap pulau di
Indonesia setelah dilakukan operasi dice
dengan menggunakan filter dimensi. Hasil
tampilan crosstab dan visualisasi grafik dari
operasi dice dari filter dimensi dapat dilihat
pada Lampiran 6. Hasil tersebut didapat
dengan memilih pulau: Jawa, Kalimantan,
Sulawesi,
Sumatera,
dan
OUTSIDE
INDONESIA(ALL) dan waktu: 2000, 2001,
2002, 2003, 2004 dan 2005.

Berdasarkan hasil operasi dice tersebut
pada dimensi waktu untuk tahun 2005 pulau
Sumatera memiliki jumlah hostspot tertinggi
sebanyak 10.077 titik. Jumlah hotspot
terbanyak pada urutan kedua yaitu pulau
Kalimantan sebanyak 4.403 titik disusul
OUTSIDE INDONESIA(ALL) sebanyak
2.502 titik, Sulawesi sebanyak 412 titik, Jawa
sebanyak 262 titik, dan Balinusra yang
merupakan pulau baru sebanyak 11 titik.
Berdasarkan dari informasi pada seluruh
tahun yaitu tahun 2000 sampai dengan 2005
terlihat bahwa pada tahun 2002 pulau
Kalimantan memiliki jumlah hotspot paling
tinggi sebanyak 17.938 titik dibandingkan
dengan jumlah hotspot untuk pulau
Kalimantan tahun lainnya. Pada dimensi
waktu tahun 2005 pulau Sumatera memiliki
titik hotspot tertinggi sebanyak 10.007 jika
dibandingkan dengan jumlah hotspot di pulau
Sumatera pada tahun-tahun sebelumnya.
Jumlah hotspot di pulau Sumatera pada tahun
2005 juga menempati urutan ketiga tertinggi
setelah pulau Kalimantan pada tahun 2002
yang berjumlah 17.938 titik dan tahun 2004
yang berjumlah 10.724 titik.
Dalam penelitian ini dicobakan operasioperasi OLAP dalam menganalisis seperti roll
up, drill down, slice,dan dice untuk tahun
2000 sampai dengan 2005. Operasi OLAP
tersebut mengambil contoh untuk menentukan
jumlah hotspot setiap kabupaten dari propinsi
Riau dari tahun 2000 sampai tahun 2005.
Kubus data awal memiliki dimensi lokasi dan
waktu. Dimensi lokasi direpresentasikan
melalui elemen propinsi dan dimensi waktu
direpresentasikan melalui elemen tahun.
Berikut merupakan operasi-operasi OLAP
yang diimplementasikan :
• Roll up
Operasi
roll-up
dilakukan
dengan
menaikkan hirarki dimensi waktu. Hirarki
pada dimensi waktu adalah All < tahun <
quarter < bulan. Sehingga operasi yang
dilakukan melihat jumlah hotspot dari setiap
propinsi di Sumatera berdasarkan tahun secara
keseluruhan (All).
• Drill down
Operasi drill down dilakukan dengan
menurunkan hirarki dimensi lokasi. Hirarki
pada dimensi lokasi adalah All < pulau <
propinsi < kabupaten. Sehingga operasi yang
dilakukan adalah melihat jumlah hotspot dari
setiap kabupaten di Riau pada tahun 2000
sampai tahun 2005.

12

• Slice
Operasi slice dilakukan dengan pemilihan
satu dimensi, yaitu dimensi lokasi dengan
kriteria kabupaten yaitu DUMAI(kab).
Sehingga operasi ya