Sinkronisasi antara Visualisasi Peta dan Query OLAP pada Spatial Data Warehouse Kebakaran Hutan di Indonesia

1

SINKRONISASI ANTA
NTARA VISUALISASI PETA DAN QUERY
Q
OLAP
PADA SPATIAL
AL DATA
D
WAREHOUSE KEBAKARAN
AN HUTAN
DI INDONESIA

AYI IMADUDDIN

DEPA
EPARTEMEN ILMU KOMPUTER
FAKULTAS MATEM
TEMATIKA DAN ILMU PENGETAHU
HUAN ALAM
INSTI

STITUT PERTANIAN BOGOR
BOGOR
2013

1

SINKRONISASI ANTARA VISUALISASI PETA DAN QUERY OLAP
PADA SPATIAL DATA WAREHOUSE KEBAKARAN HUTAN
DI INDONESIA

AYI IMADUDDIN

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer

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

BOGOR
2013

1

ABSTRACT
AYI IMADUDDIN. Map Visualization and OLAP Query Synchronization on Spatial Data
Warehouse Forest Fire in Indonesia. Supervised by ANNISA.
This research is a continuation from the previous research concerning data warehouse and
spatial OLAP forest fire in Indonesia based on web using framework GeoMondrian and Geoserver. In
the previous research, OLAP analysis process and hotspot location visualization are performed
separately. In this research, the synchronization between OLAP analysis process and hotspot location
visualization uses Spatialytics framework. This synchronization can be done because GeoMondrian
and OpenLayers are embedded on Spatialytics, therefore OLAP analysis process and hotspot location
visualization can be done by using just one query, that is MDX. This research develops a system
which uses Spatialytics framework, PostGIS as spatial database, and GeoMondrian as spatial OLAP
server. The system uses snowflake scheme with one table of fact and three dimensions consisting of
the time dimension, the satelite dimension, and the location dimension. The System is built with threetier architecture consisting of the bottom layer, middle layer, and the top layer. The advantage of this
system compared to the previous one is that this system takes only one input query, which is MDX to
do OLAP analysis and show hotspot location. OLAP operations such as roll up, drill down, and

slicing has been implemented in this system whilst dicing has not been implement because of
Spatialytics limitation. For further research, system can be developed that is capable of dicing
operation, data modification, such as insert, delete and update, without changing any scheme or
structure.
Keywords: spatial OLAP, query synchronization, map visualization.

1

Judul Skripsi
Nama
NIM

: Sinkronisasi antara Visualisasi Peta dan Query OLAP pada Spatial Data
Warehouse Kebakaran Hutan di Indonesia
: Ayi Imaduddin
: G64070090

Menyetujui:
Dosen Pembimbing

Annisa, S.Kom, M.Kom
NIP. 19790731 200501 2 002

Mengetahui:
Ketua Departemen

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP.19660702 199302 1 001

Tanggal Lulus:

1

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Subhanahu wa-ta'ala karena hanya dengan
berkat, rahmat, dan karunia-Nya penelitian ini dapat diselesaikan dengan baik. Selawat serta salam
penulis sampaikan kepada junjungan Nabi Muhammad shallallahu’alaihiwasallam, juga kepada
keluarganya, sahabatnya, dan para pengikutnya. Penyelesaian penelitian ini juga tidak lepas dari
bantuan berbagai pihak, untuk itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada:
1

2
3
4

5

6

Kedua orang tua penulis, Bapak Tata Sutama dan Ibu Nurhayati, terima kasih atas doa, kasih
sayang, dukungan, motivasi,pengertian, pengorbanan, dan nasihat yang selalu mengiringi
perjalanan penulis.
Ibu Annisa, S.Kom, M.Kom selaku dosen pembimbing, terima kasih akan kesabaran, ilmu,
waktu, motivasi, dan nasihat yang diberikan selama penyelesaian penelitian ini.
Kakak penulis, Atun Fitrianti dan Fardan Salahuddin, terima kasih atas kasih sayang dan
dukungan yang telah diberikan.
Teman-teman satu bimbingan,Fani Wulandari, Dhieka, Dedek, Yuridhis Kurniawan, Yoga
Permana, Remarchtito,dan Hidayat, terima kasih atas bantuan, dukungan, ilmu, serta motivasi
yang selalu diberikan.
Teman-teman club renang ilkom (CROM), Bangun, Bintang, Sayed, Arif, Teguh, Ridwan,

Anggit, Akbar Mulyono, terima kasih atas bantuan dan dukungan yang telah diberikan selama
penulis belajar berenang.
Tri Setiowati, Fanny Risnuraini, Laras, Ira, Arizal Notyasa, Khamdan Amin, El Kriyar, Yoga
Herawan, dan seluruh Ilkom 44 yang tak bisa disebutkan satu persatu, terima kasih atas
semangat dan kebersamaannya.

Penulis menyadari bahwa penelitian ini masih terdapat kekurangan. Penulis berharap semoga
hasil penelitian ini dapat memberikan manfaat.

Bogor, Januari 2013

Ayi Imaduddin

1

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 24 Mei 1988 merupakan anak ketiga dari tiga
bersaudara dari pasangan Bapak Tata Sutama dan Ibu Nurhayati. Penulis menempuh pendidikan
formal di SMA Negeri 1 Jakarta. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada
tahun 2007 melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima sebagai

mahasiswa Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut
Pertanian Bogor.
Pada bulan Juli-Agustus 2010 penulis berkesempatan melaksanakan kegiatan Praktik Kerja
Lapangan di Lembaga Penerbangan dan Antariksa Nasional (LAPAN), Rumpin, Bogor. Selama
menjadi mahasiswa penulis juga pernah menjadi asisten praktikum Penerapan Komputer dan Sistem
Informasi.

v

DAFTAR ISI
Halaman
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR LAMPIRAN.......................................................................................................................... vi
PENDAHULUAN
Latar Belakang ................................................................................................................................... 1
Tujuan Penelitian ................................................................................................................................ 1
Ruang Lingkup Penelitian .................................................................................................................. 1
Manfaat Penelitian .............................................................................................................................. 1
TINJAUAN PUSTAKA
Data Warehouse dan Spatial Data Warehouse .................................................................................. 1

Operasi Dasar OLAP .......................................................................................................................... 2
Sinkronisasi ........................................................................................................................................ 2
Layer Peta ........................................................................................................................................... 2
Visualisasi Peta................................................................................................................................... 2
Multi-Dimensional eXpressions (MDX) ............................................................................................ 3
Titik Panas .......................................................................................................................................... 4
Spatialytics ......................................................................................................................................... 4
METODE PENELITIAN
Analisis ............................................................................................................................................... 5
Modifikasi Data Warehouse............................................................................................................... 5
Pembuatan Layer Peta ........................................................................................................................ 5
Sinkronisasi Query OLAP .................................................................................................................. 6
Pengujian ............................................................................................................................................ 6
Lingkungan Pengembangan ............................................................................................................... 6
HASIL DAN PEMBAHASAN
Analisis ............................................................................................................................................... 6
Modifikasi Data Warehouse............................................................................................................... 7
Pembuatan Layer Peta ........................................................................................................................ 7
Sinkronisasi Query OLAP .................................................................................................................. 8
Antarmuka Spatial OLAP ................................................................................................................ 10

Pengujian .......................................................................................................................................... 10
KESIMPULAN DAN SARAN
Kesimpulan....................................................................................................................................... 12
Saran ................................................................................................................................................. 12
DAFTAR PUSTAKA ........................................................................................................................... 12
LAMPIRAN ......................................................................................................................................... 14

v

vi

DAFTAR GAMBAR
Halaman
1 Urutan layer peta. ............................................................................................................................. 2
2 Ilustrasi dimensi, measure, dan member. .......................................................................................... 3
3 Ilustrasi agregasi. .............................................................................................................................. 4
4 Ilustrasi hierarki dan level. ................................................................................................................ 4
5 Arsitektur Spatialytics....................................................................................................................... 5
6 Tahapan penelitian. ........................................................................................................................... 5
7 Arsitektur penelitian sebelumnya...................................................................................................... 5

8 Proses input query CQL. ................................................................................................................... 6
9 Proses input query MDX. ................................................................................................................. 6
10 Hasil query CQL dan query MDX. ................................................................................................... 7
11 Perbedaan hasil query CQL dan query MDX. .................................................................................. 7
12 Skema snowflake modifikasi............................................................................................................. 8
13 Skema snowflake penelitian sebelumnya. .......................................................................................... 8
14 Blok diagram proses sinkronisasi. .................................................................................................... 9
15 Antarmuka spatial OLAP. .............................................................................................................. 10
16 Antarmuka widget spatial OLAP.................................................................................................... 10
17 Antarmuka tab Map dan JPivot. ..................................................................................................... 10
18 Hasil eksekusi query. ...................................................................................................................... 11
19 Visualisasi grafik dan tabulasi. ....................................................................................................... 11
20 Input query sistem. .......................................................................................................................... 11
21 Proses roll up. ................................................................................................................................. 11
22 Hasil peta setelah proses roll up. .................................................................................................... 11
23 Proses drill down di Kabupaten Ketapang. ..................................................................................... 12
24 Hasil peta setelah proses drill down. ............................................................................................... 12

DAFTAR LAMPIRAN
Halaman

1 Operasi OLAP. .................................................................................................................................. 15
2 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat................................ 15
3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah. ................ 16
4 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat................................ 17
5 Hasil eksekusi query. ......................................................................................................................... 18
6 Struktur geohotspot.xml..................................................................................................................... 18

vi

1

PENDAHULUAN
Latar Belakang
Teknologi data warehouse dengan tool online analytical processing (OLAP) untuk persebaran titik panas atau hotspot merupakan salah
satu solusi dari permasalahan penumpukan data
terhadap data hasil pencitraan lokasi jarak jauh
satelit guna mengetahui persebaran 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.
Penelitian yang berjudul pembangunan
spatial data warehouse berbasis web untuk
persebaran hotspot di wilayah Indonesia telah
dilakukan oleh Trisminingsih (2010). Pada
penelitian tersebut, Trisminingsih membangun
data warehouse menggunakan data spatial.
Pada tahun berikutnya, Fadli (2011) melakukan
penelitian yang berjudul data warehouse spatiotemporal kebakaran hutan menggunakan
GeoMondrian dan Geoserver di wilayah
Indonesia. Pada penelitian tersebut, Fadli
menambahkan modul visualisasi kartografis
berdasarkan data penelitian Trisminingsih
sehingga sistem yang dihasilkan mampu melakukan analisis multidimensional dan menampilkan visualisasi kartografis yang dilengkapi
diagram tabular. Namun, modul visualisasi
yang dibuat belum tersinkronisasi. Pengguna
harus melakukan proses input query sebanyak
dua kali. Untuk melakukan analisis multidimensional, pengguna harus menggunakan query
multidimensional expressions (MDX), sedangkan untuk menampilkanvisualisasi kartografis
menggunakan common query language (CQL).
Query CQL merupakan filter yang digunakan
untuk menyeleksi suatu layer yang telah dibuat
dan terdapat dalam Geoserver.
Penelitian ini mencoba melengkapi kekurangan pada penelitian sebelumnya, yaitu
melakukan sinkronisasi antara query OLAP dan
visualisasi
peta
sehingga
memudahkan
pengguna dalam melakukan analisis spatial
OLAP.
Selain
itu,
sinkronisasi
juga
menghindari terjadinya inkonsistensi data yang
disebabkan proses input berbeda.
Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan
sinkronisasi antara query OLAP dan visualisasi
peta berdasarkan penelitian Fadli (2011). Dalam
sistem ini, pengguna dapat mengetahui per-

sebaran titik panas cukup dengan memasukkan
query MDX.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini meliputi:
1 Data yang digunakan merupakan data
kebakaran hutan di wilayah Indonesia pada
tahun 1997 – 2005 yang didapatkan dari
penelitian sebelumnya yang bersumber dari
Direktorat Pengendalian Kebakaran Hutan
(DPKH) Departemen Kehutanan Republik
Indonesia.
2 Contoh kasus yang digunakan terdiri atas
190 titik hotspot di Indonesia.
3 Sinkronisasi peta dan navigasi OLAP yang
memiliki operasi dasar seperti roll up,
slicing, dan drill down.
Manfaat Penelitian
Penelitian ini diharapkan dapat mempermudah pengguna dalam penyajian data atau
informasi persebaran hotspot di Indonesia tanpa
melibatkan penggunaan query yang banyak.
Pengguna cukup menggunakan query MDX
saat melakukan analisis persebaran titik panas.

TINJAUAN PUSTAKA
Data Warehouse dan Spatial Data Warehouse
Data warehouse merupakan koleksi data
yang memiliki sifat subject oriented, integrated,
time variant, dan nonvolatile sehingga memungkinkan suatu lembaga, organisasi atau
perusahaan dalam membuat keputusan. Pada
dasarnya, data warehouse adalah database
besar yang mengatur operasional data dalam
sebuah repositori dengan tujuan memudahkan
query dan analisis.
Spatial data warehouse merupakan teknologi yang menggabungkan teknologi data
warehouse dengan komponen spatial. Hal ini
dikarenakan 80% data yang tersimpan dalam
databaselembaga, organisasi, atau perusahaan
merupakan komponen spasial, seperti: alamat,
kode pos, dan lokasi (Franklin 1992 dalam
Badard 2010). Adapun empat karakteristik data
warehouse ialah:
1

Subject oriented, data warehouse didesain
untuk menganalisis data berdasarkan
subjek tertentu dalam lembaga, organisasi,
atau perusahaan bukan berdasarkan fungsi
atau proses aplikasi tertentu.

2

2

Integrated, data ware
arehouse dapat menyimpan data yang be
berasal dari sumber
yang terpisah ke dalam
am satu format yang
konsisten.

3

Time variant, data yan
ang disimpan memberikan sejarah inform
rmasi. Dengan kata
lain, data yang disim
isimpan valid pada
rentang waktu tertentu.
u.

4

Nonvolatile, proses yan
yang diizinkan dalam
data warehouse hanyaa pemuatan
p
dan akses
data tanpa menguba
bah data sumber
sehingga data yang ters
ersimpan tidak dapat
di-update atau di-delete
te.

Operasi Dasar OLAP
m
Han dan
Operasi dasar OLAP menurut
Kamber (2006) yaitu:
1 Roll up
Operasi roll up dilakukan
kan pada kubus data
dengan cara menaikka
kan tingkat suatu
hierarki atau mereduksi ju
jumlah dimensi.
2 Drill down
Drill down merupakann operasi kebalikan
dari roll up. Operasi in
ini dapat merepresentasikan data secaraa lebih detail atau
spesifik dari level tinggii kke level rendah.
3 Slicing
Slicing merupakan prose
oses pemilihan satu
dimensi dari suatu kub
ubus data sehingga
menghasilkan subcube.

proses sehingga dapat berja
rjalan dengan lancar
(Messerschmitt 1990).
Layer Peta
Umumnya terdapat dua
ua jenis layer pada
peta, base layer dan overlay
lay layer. Base layer
atau layer dasar terletak paling
p
bawah dari
daftar layer dan semua layer
lay lain berada di
atasnya, sedangkan layer lain yang tidak
digunakan sebagai base layer
lay disebut overlay
layer. Untuk dapat menamp
mpilkan sebuah peta
dibutuhkan minimal satu buah
bua layer yang akan
digunakan sebagai layer
yer dasar. proses
pembuatan layer peta dapatt dianalogikan
d
seperti
menggambar pada kertas
as transparan dan
menumpuknya. Tumpukann kertas
k
yang berada
di bawah disebut basee layer, sedangkan
tumpukan lainnya disebut overlay
ov
layer. Urutan
tumpukan layer pada saat pembuatan
pem
peta harus
diperhatikan karena aka
akan memengaruhi
tampilan peta. Layer yang
ya
mendominasi
tampilan sebaiknya digunak
akan pada tumpukan
terbawah atau bisa juga dijadikan
dij
base layer
(Hazzard 2011). Sebagai contoh,
co
sebuah peta
sederhana terdiri atas tigaa buah layer, layer
provinsi, layer kabupaten, dan
da layer kecamatan.
Layer provinsi digunakan sebagai
s
base layer,
sedangkan layer kabupa
upaten dan layer
kecamatan digunakan seba
bagai overlay layer
dengan urutan layer kecama
matan berada di atas
layer kabupaten. Ilustrasii urutan layer peta
seperti Gambar 1.

4 Dicing
Dicing merupakan prose
oses pemilihan dua
atau lebih dimensi dari
ri suatu kubus data
sehingga menghasilkan subcube.
su
5 Pivoting
ke
OLAP
Pivoting merupakan kemampuan
yang dapat melihat dataa ddari berbagai sudut
pandang. Sumbu pada kkubus data dalam
aplikasi OLAP dapat diat
iatur sehingga dapat
diperoleh data yang ddiinginkan sesuai
dengan sudut pandang
ang analisis yang
diperlukan
Ilustrasi mengenai oper
perasi OLAP dapat
dilihat pada Lampiran 1.
Sinkronisasi
Proses operasi dalam sis
sistem digital dapat
dilakukan secara bersamaan.
n. Untuk memastikan
proses yang dilakukan meng
engikuti aturan yang
telah ditetapkan dibutuhkann sinkronisasi.Tujuan
s
dilakukan sinkronisasi adalah
ada
menghindari
terjadinya inkonsitensi dat
data karena pengaksesan oleh beberapa pros
roses yang berbeda
serta untuk mengatur urutan
tan jalannya proses-

Gambar 1 Urutan layer
l
peta.

Visualisasi Peta
Visualisasi merupakan
an konversi data
geospatial dari database ke dalam bentuk
grafis. Dalam sistem database
dat
geospatial,
informasi spatial biasanya
ya disimpan dalam
format data raster atau data
da vektor. Untuk
memvisualisasikan data rast
aster, program harus
mengubah informasi geogr
ografis yang terkait
dengan setiap pixel menjadi
di warna tertentu dan
menyajikan setiap pixel secara individual,
sedangkan untuk memvi
visualisasikan data
vektor, program harus men
engidentifikasi data

3

geometri (berupa titik, garis, kurva, dan
poligon), mengonversi sistem geospatial
koordinat asli ke sistem koordinat layar,
mengasosiasikan warna tertentu untuk setiap
bentuk, dan menghasilkan output melalui
drawing function yang disediakan oleh sistem
operasi (Wu 2008). Visualisasi peta memungkinkan pengguna untuk melihat struktur atau
fenomena dari daerah yang direpresentasikan.
Adapun proses visualisasi peta menurut Kraak
(2003) hendaknya mengacu pada kaidah “How
do I say what to whom, and is it effective?”,
sedangkan berdasarkan kegunaannya, peta
tergantung pada faktor-faktor berikut:
1

Pengguna
Pengguna akan mempengaruhi tampilan
peta. Peta untuk pariwisata dan peta
topografi dari daerah yang sama sangat
jauh berbeda dalam hal kontendan
tampilan karena dibuat untuk pengguna
yang berbeda.

2

Tujuan
Tujuan peta menentukan fitur apa saja
yang akan ditampilkan dan bagaimana
mereka diwakili. Perbedaan tujuan seperti
orientasi dan navigasi, perencanaan fisik,
manajemen, dan pendidikan membutuhkan
peta yang berbeda.

3

Konten
Kegunaan suatu peta juga bergantung pada
konten. Konten dapat dilihat sebagai
konten utama (tema utama), konten
sekunder (informasi peta) dan konten
pendukung (legenda, skala, dll).

4

Skala Peta
Skala peta adalah perbandingan antara
jarak di peta dan jarak sebenarnya. Skala
mengontrol jumlah detail dan luasnya
daerah yang dapat ditampilkan. Skala peta
didasarkan pada pertimbangan seperti:
tujuan peta, kebutuhan pengguna, konten,
ukuran area yang dipetakan, dan akurasi
yang diperlukan.

5

Proyeksi Peta
Pemilihan proyeksi peta menentukan
bagaimana, di mana, dan berapa banyak
peta terdistorsi. Biasanya, proyeksi peta
yang dipilih digunakan untuk peta
topografi di negara tertentu.

6

Ketepatan
GIS telah menyederhanakan proses
ekstraksi informasi dan komunikasi.
Menggabungkan atau mengintegrasikan
berbagai perangkat data telah menjadi
mungkin. Namun, ada kemungkinan data

yang terintegrasi tidak relevan atau tidak
konsisten. Pengguna harus sadar dengan
aspek kualitas data atau akurasi seperti:
lokasi, nilai atribut, label peta, dan
kelengkapan data.
Multi-Dimensional eXpressions (MDX)
MDX merupakan query language pada
OLAP, sama halnya dengan query SQL pada
relational database. Disamping itu, ekspresi
MDX dapat digunakan untuk penambahan
business logic ke dalam kubus data, menentukan pengaturan keamanan, membuat custom
member roll up, custom level roll up, dan lainlain. Dengan kata lain, MDX digunakan hampir
pada seluruh desain OLAP yang efektif
(Whitehorn et al.2005).
Beberapa istilah yang sering digunakan
dalam MDX diantaranya: dimensi, measure,
member, hierarki, agregasi, dan level. Gambar 2
menampilkan ilustrasi dimensi, measure, dan
member. Pada ilustrasi Gambar 2 terdapat dua
buah dimensi, yaitu dimensi waktu dan dimensi
satelit. Dimensi satelit memilliki empat buah
member, yaitu: NOAA_10, NOAA_12,
NOAA_13, dan NOAA_14. Dimensi waktu
juga memiliki empat buah member April–Juli.
Terdapat satu buah measure, yaitu jumlah
hotspot, berupa jumlah hotspot yang muncul
dalam waktu satu bulan.

Gambar 2 Ilustrasi dimensi, measure, dan
member.
Umumnya pada sebuah kubus data terdapat
sebuah dimensi waktu dan kebanyakan berbentuk hierarki yang memiliki tingkatan atau
level. Sebagai contoh, dimensi waktu memiliki
empat buah level: all, tahun, kuarter, dan bulan.
Level teratas merepresentasikan jumlah informasi terbesar dari level yang berada di
bawahnya. Representasi nilai yang tersimpan
merupakan penambahan atau agregasi data asli
pada kubus data. Ilustrasi agregasi data dapat
dilihat pada Gambar 3, sedangkan ilustrasi
hieraki dan level dapat dilihat pada Gambar 4.

4

meskipun wilayahnya luas (Adinugroho et al.
2005 dalam Hayardisi 2008).
Spatialytics

Gambar 3 Ilustrasi agregasi.

Gambar 4 Ilustrasi hierarki dan level.
Berikut contoh penggunaan query MDX
yang menampilkan data jumlah hotspot pada
dimensi satelit pada tahun 1998:
SELECT
{ [Satelit].[Semua Satelit] } ON
COLUMNS,
{ [Measures].[jumlah_hotspot] } ON
ROWS
FROM [geohotspot]
WHERE [Waktu].[1998]

Spatialytics merupakan komponen kartografik (framework) yang mampu melakukan navigasi kubus data geospatial (spatial OLAP).
Spatialytics dikembangkan oleh GeoSOA Research Team menggunakan Dojo Toolkit dan
OpenLayers yang bersifat open source. Sebagai
web mapping client, Spatialytics mampu
melakukan operasi OLAP seperti roll up dan
drill down serta menampilkan spatial measures
atau pengukuran dalam bentuk spatial. Contoh,
pada saat melakukan perhitungan jumlah
hotspot di Kabupaten Ketapang, data
warehouse yang belum mendukung data spatial
hanya mampu menampilkan jumlah hotspot
pada kabupaten tersebut. Namun, dengan
menggunakan Spatialytics, pengguna tidak
hanya mengetahui jumlah hotspot tetapi juga
dapat melihat persebaran hotspot di kabupaten
tersebut. Spatialytics memiliki arsitektur three
tier yang meliputi:
1

Lapisan bawah (bottom tier)
Lapisan bawah merupakan suatu sistem
database relasional (DBMS PostgreSQL)
yang diberi library tambahan (PostGIS)
sehingga mampu menangani data spatial.

2

Lapisan tengah (middle tier)
Lapisan tengah merupakan tempat
penyimpanan struktur kubus data atau
OLAP server. Spatialytics menggunakan
OLAP server GeoMondrian yang merupakan modifikasi dari OLAP server
Mondrian sehingga mampu menangani
data spatial.

3

Lapisan atas (top tier)
Lapisan atas merupakan lapisan untuk end
user yang berfungsi menampilkan ringkasan dari isi data warehouse yang
merupakan hasil operasi OLAP serta
menampilkan (peta) persebaran hotspot.
Implementasi user interface pada lapisan
atas menggunakan Dojo Toolkit, sedangkan visualisasi persebaran hotspot menggunakan OpenLayers.

Titik Panas
Pemantauan titik panas dilakukan dengan
cara penginderaan jauh (remote sensing) menggunakan satelit. Data titik panas 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. 2005 dalam Hayardisi 2008).
Satelit yang biasa digunakan adalah satelit
National Oceanic and Atmospheric Administration (NOAA) melalui sensor Advanced Very
High Resolution Radiometer (AVHRR) karena
sensor tersebut dapat membedakan suhu
permukaan di darat dan di laut. Satelit NOAAAVHRR memiliki cakupan yang luas dan
mengunjungi tempat yang sama sebanyak 4 kali
dalam satu hari sehingga data yang didapatkan
cukup aktual dengan waktu analisis yang cepat

Gambar 5 menampilkan arsitektur framework Spatialytics.

METODE PENELITIAN
Berikut adalah tahapan yang dilakukan pada
penelitian ini. Tahapan penelitian dijelaskan
pada Gambar 6.

5

sistem OLAP. Namun, mod
odul tersebut belum
terintegrasi. Dibutuhkan query
qu
yang berbeda
untuk menampilkan peta dan
da operasi OLAP.
Oleh sebab itu, perlu dilak
ilakukan sinkronisasi
antara visualisasi peta dan operasi
op
OLAP.
Skema yang digunak
akan pada sistem
merupakan skema snowfla
flake. Terdapat satu
tabel fakta dan tiga dimen
ensi, yaitu: dimensi
waktu, dimensi satelit, da
dan dimensi lokasi.
Arsitektur yang digunak
akan menggunakan
arsitektur three tier yang
ng meliputi lapisan
bawah, lapisan tengah, dan
d
lapisan atas.
Gambar 7 menampilkan
an arsitektur yang
digunakan pada penelitian sebelumnya.
seb
Gambar 5 Arsitekturr Spatialytics.

Gambar 7 Arsitektur penel
nelitian sebelumnya.

use
Modifikasi Data Warehouse
Berdasarkan analisis yan
ang telah dilakukan,
terdapat kesamaan antara data
da warehouse pada
penelitian sebelumnya dan
an data warehouse
yang akan digunakan pada
pa
penelitian ini
sehingga pada tahap ini tidak dilakukan
pembuatan data warehouse
use baru melainkan
memodifikasi data warehou
ouse yang sudah ada
dari penelitian sebelumnya.
a. Proses modifikasi
yang dilakukan meliputii modifikasi skema
multidimensional, berupa file XML, dan penentuan tabel fakta.
Pembuatan Layer Peta

Gambar 6 Tahapann penelitian.
p
Analisis
an analisis terhadap
Pada tahap ini dilakukan
sistem spatial OLAP yang
ng sudah ada. Pada
penelitian sebelumnya, sistem
tem tersebut berhasil
menambahkan modul visualis
alisasi peta ke dalam

Layer peta yang terda
dapat pada aplikasi
spatial OLAP terdiri atas layer
lay dasar dan layer
persebaran hotspot. Layer dasar
d
bersifat statis.
Fungsi dari layer dasar ialah
ia
menampilkan
wilayah administratif Indone
onesia hingga tingkat
kabupaten. Layer persebara
aran hotspot bersifat
dinamis. Layer ini berfun
fungsi menampilkan
persebaran hotspot berdasa
asarkan query yang
dimasukkan oleh penggu
guna. Implementasi
pembuatan layer dasar dilak
ilakukan dengan tool
Geoserver.

6

Sinkronisasi Query OLAP
Pada penelitian sebelumnya, proses menampilkan peta dan data tabulasi serta grafik menggunakan dua query yang berbeda. Proses menampilkan peta menggunakan query CQL,
sedangkan untuk menampilkan data tabulasi
dan grafik menggunakan query MDX. CQL
merupakan filter seleksi yang digunakan pada
Geoserver untuk menyeleksi suatu layer,
sedangkan MDX merupakan query yang umum
digunakan pada operasi OLAP. Proses sinkronisasi query ditujukan untuk menghubungkan
operasi OLAP dengan visualisasi peta serta
mempermudah pengguna dalam melakukan
analisis persebaran hotspot. Dengan adanya
sinkronisasi, pengguna cukup memasukkan
sebuah query untuk melakukan analisis.
Pengujian
Proses pengujian dilakukan untuk mengetahui apakah aplikasi telah sesuai dengan
kebutuhan dan memeriksa apakah operasi dasar
OLAP berhasil diimplementasikan. Pengujian
dilakukan pada kubus data geometri yang
divisualisasikan dalam bentuk peta. Pengujian
yang dilakukan pada tahap ini diantaranya
pengujian fungsi-fungsi sistem dan uji query.
Fungsi sistem yang dilakukan pengujian pada
tahap adalah fungsi drill down dan fungsi roll
up, sedangkan query yang diujikan berupa
query MDX.

• Web browser menggunakan Mozilla
Firefox 3.6.x dan Google Chrome.

HASIL DAN PEMBAHASAN
Analisis
Pada
penelitian
sebelumnya,
proses
visualisasi peta dan analisis OLAP membutuhkan input query yang berbeda, visualisasi
peta menggunakan query CQL, sedangkan
analisis OLAP menggunakan query MDX.
Sebagai contoh, untuk menampilkan hotspot di
Pulau Kalimantan pada bulan Mei tahun 2000
query yang digunakan untuk menampilkan
proses input query CQL dapat dilihat pada
Gambar 8, sedangkan query yang digunakan
untuk menampilkan proses input query MDX
dapat dilihat pada Gambar 9. Gambar 10
menampilkan hasil kedua query tersebut.
Namun, pada wilayah yang memiliki hotspot di
atas 150 titik, kedua query menampilkan hasil
yang berbeda. Hal ini dikarenakan peta yang
dihasilkan hanya mampu menampilkan
sebanyak 150 titik. Sebagai contoh, hotspot
pada Pulau Sulawesi bulan Mei tahun 2000
hasil query MDX menampilkan 773 titik, tetapi
hasil query CQL menampilkan 150 titik. Begitu
pula dengan hotspot pada Pulau Jawa tahun
2000. Gambar 11 menampilkan perbedaan hasil
query CQL dan MDX pada hotspot Pulau Jawa
tahun 2000.

Lingkungan Pengembangan
Aplikasi spatial data warehouse dibangun
menggunakan perangkat keras dan perangkat
lunak dengan spesifikasi sebagai berikut:
Perangkat keras:
•
•
•
•

Processor Intel Core2Duo @2.1 GHz.
RAM 2 GB DDR3.
HDD 320 GB.
Monitor LCD 14,1” dengan resolusi
1366 x 768.
• Mouse dan keyboard.

Perangkat lunak:
•
•
•
•

Sistem operasi Windows 7 Professional.
Apache Tomcat 6.x sebagai web server.
GeoMondrian sebagai OLAP server.
Schema workbench untuk mendesain
skema kubus data multidimensional.
• Spatialytics sebagai spatial OLAP
framework.
• PostgreSQL 8.4 sebagai database server
dengan library PostGIS untuk menyimpan data spatial.

Gambar 8 Proses input query CQL.

Gambar 9 Proses input query MDX.

7

hotspot dari measure. Penghapusan level pulau
dari dimensi lokasi dikarenakan keterbatasan
data yang diperoleh dari penelitian sebelumnya.
Data geometri pada tabel pulau dalam database
bernilai null (tidak ada data geometri pada tabel
tersebut). Datageometri pulau digunakan untuk
merepresentasikan kartografik berdasarkan
pulau yang ada di wilayah Indonesia. Skema
snowflake penelitian ini dapat dilihat pada
Gambar 12, sedangkan skema snowflake
penelitian sebelumnya dapat dilihat pada
Gambar 13.

Gambar 10 Hasil query CQL dan query MDX.

Adapun penghapusan measure luasan hotspot dikarenakan perhitungan yang dilakukan
mengenai luas wilayah yang terbakar pada
penelitian sebelumnya tidak terlalu akurat. Luas
hotspot senilai 1.21 km2 yang didapat pada
penelitian sebelumnya merupakan resolusi citra
dari satelit NOAA (1.1 km x 1.1 km). Menurut
Thoha (2008) meskipun jumlah titik panas
dalam luasan tersebut lebih dari satu, luasan
tersebut tetap akan diwakili oleh sebuah titik
hotspot dengan lokasi tepat ditengah luasan
persegi tersebut. Oleh sebab itu, penentuan luas
daerah yang terbakar berdasarkan data satelit
NOAA tidak dilakukan karena menyebabkan
bias yang sangat besar.
Pembuatan Layer Peta

Gambar 11 Perbedaan hasil query CQL dan
query MDX.

Modifikasi Data Warehouse
Proses modifikasi dilakukan pada skema
multidimensional dalam bentuk file XML.
Implementasi modifikasi skema multidimensional dilakukan dengan tool schema workbench. Skema multidimensional yang digunakan berupa skema snowflake yang terdiri atas
dimensi waktu, dimensi satelit, dan dimensi
lokasi. Skema ini digunakan untuk menangani
redudansi data geometri pada dimensi lokasi.
Dari hasil analisis data pada penelitian
sebelumnya didapatkan dua buah measure,yaitu
frekuansi hotspot dan luasan hotspot, sedangkan
pada dimensi lokasi terdapat empat buah level,
yakni level hotspot, level kabupaten, level
provinsi, dan level pulau.
Proses modifikasi yang dilakukan pada
penelitian ini berupa penghapusan level pulau
dari dimensi lokasi dan penghapusan luasan

Layer peta yang terdapat pada aplikasi
spatial OLAP terdiri atas layer dasar dan layer
persebaran hotspot. Implementasi pembuatan
layer dasar dilakukan dengan tool Geoserver
terdiri atas tiga tahap, yaitu: pembuatan
workspace, pembuatan data store, dan
pembuatan layer.
Workspace dibuat sebagai ruang kerja dari
layer dan berfungsi untuk menampung layer
yang dibuat. Konfigurasi data store dilakukan
untuk menentukan lokasi penyimpanan data.
Pada penelitian ini, data disimpan di dalam
database
management
system
(DBMS)
PostgreSQL dengan library PostGIS untuk
mendukung data spatial. Data tersebut
digunakan untuk menampilkan layer dasar yang
didapat dari nilai geometri pada tabel provinsi
dan kabupatendi dalam database. Pembuatan
layer dilakukan agar layer peta yang dihasilkan
hanya menampilkan wilayah Indonesia. Pada
tahap ini dilakukan konfigurasi sistem referensi
koordinat, dan bounding box. Sistem referensi
koordinat merupakan sistem acuan yang
digunakan
untuk
mendefinisikan
dan
menyatakan koordinat suatu titik baik koordinat
horizontal maupun vertikal. Sistem referensi
koordinat yang digunakan pada penelitian ini
adalah WGS-84 (EPSG:4326). Bounding box

8

merepresentasikan batasan suatu wilayah di
permukaan bumi yang akan ditampilkan.
Bounding box pada penelitian ini adalah posisi
wilayah Indonesia yaitu 95.06 pada sumbu X
minimum (950 bujur timur), 141.007 pada
sumbu X maksimum (1410 bujur timur), 5.907
pada sumbuY maksimum (60 lintang utara), dan
-10.997 pada sumbu Y minimum (110 lintang
selatan).

FROM [geohotspot]
WHERE [waktu].[1999]
SELECT
{[Measures].[Jumlah_Hotspot]} ON
COLUMNS,
{[lokasi].[RIAU].[BENGKALIS].children}
ON ROWS
FROM [geohotspot]
WHERE [waktu].[1999]

Gambar

13

Skema snowflake
sebelumnya.

penelitian

Sinkronisasi Query OLAP
Gambar 12 Skema snowflake modifikasi.
Layer persebaran hotspot menampilkan peta
berdasarkan query yang dimasukkan pengguna.
Layer ini menampilkan dua macam fitur objek
yakni polygon dan point. Objek point ditampilkan saat pengguna memasukkan query yang
menanyakan lokasi hotspot sedangkan objek
polygon ditampilkan saat pengguna memasukkan query yang menanyakan wilayah yang
terdapat hotspot. Berikut contoh penggunaan
query yang menampilkan objek polygon dan
point secara berurut:
SELECT
{[Measures].[Jumlah_Hotspot]} ON
COLUMNS,
{[lokasi].[RIAU].children} ON ROWS

Secara umum proses sinkronisasi terdiri atas
tiga tahap, yaitu:
1
2
3

Spatialytics Client melakukan submit
query menuju server,
server mengolah query dan mengambil
data yang dibutuhkan dari database,
data yang telah terpilih kemudian
dikembalikan menuju Spatialytics Client
oleh server.

Implementasi proses sinkronisasi query
OLAP menggunakan tool olap4js. Tool tersebut
memiliki dua fungsi, yaitu menangani query
yang dimasukkan pengguna dan menerimadata
yang dikirim oleh GeoMondian melalui server.
Data yang dikirim oleh server berupa JSON
objek. Blok diagram proses sinkronisasi
ditampilkan pada Gambar 14.

9

Gambar 14 Blok diagram proses sinkronisasi.

Saat sistem dijalankan pertama kali,
Spatialytics Client, diwakili oleh olap4js,
melakukan submit query MDX menuju server.
Server kemudian membangun koneksi dengan
GeoMondrian.
Setelah
koneksi
dengan
GeoMondrian terhubung, server mengirimkan
query
menuju
GeoMondrian.
Oleh
GeoMondrian, query dieksekusi dan dilakukan
pengambilan data yang dibutuhkan dari
database. Berikut adalah contoh kode program
method eksekusi query:
123
124
125
126

127
128
129
130
131

void executeParsedQuery
(ParseTreeNode parsedQueryNode) {
try {
SelectNode node = (SelectNode)
parsedQueryNode;
resultCellSet =
_OLAP4jStatement.executeOLAP
Query(node);
executedQuery = node;
} catch (OLAPException e) {
LOGGER.warn("Could not execute
MDX query", e);
}
}

Hasil eksekusi query oleh GeoMondrian
dikirim menuju server dalam bentuk JSON agar
lebih mudah diolah. JSON tersebut oleh server
dikirim menuju client dan diterima oleh olap4js
untuk dilakukan pengecekan terlebih dahulu.
Proses pengecekan pada modul olap4js meliputi
pengecekan struktur data multidimensi, seperti:
hierarki, member, level, elemen, dan dimensi.
Pengecekan dimensi dan elemen bertujuan
mengetahui operasi OLAP yang dilakukan. Hal
ini dikarenakan sistem belum mampu
menangani operasi OLAP dicing. Dicing
merupakan proses pemilihan dua atau lebih
dimensi dari suatu kubus data. Setelah
dilakukan pengecekan, data dikirim menuju

modul Featurizer. Oleh Featurizer kemudian
dilakukan proses parsing untuk mendapatkan
fitur objek atau spatial member berupa nilai
geometri, nama member, nilai objek, dan
member ordinal. Berikut adalah contoh kode
program Featurizer:
127
128
129
130
131
132
133
134
135
136
137
138

var geojsonFeat = {
geometry: geomPropValue,
id: i,
properties: {
memberName: geomMember.name,
value: cellValue,
axisOrdinal:
this.geomAxisOrdinal,
positionOrdinal: i,
memberOrdinal:
this.geomHierarchyOrdinal
},
type: "Feature"
};

Fitur objek yang telah terseleksi kemudian
dikirim menuju modul SOLAPContext. Oleh
modul SOLAPContext, fitur objek yang telah
dihasilkan kemudian dikumpulkan bersama data
lain yang dibutuhkan saat proses penggambaran
peta misalnya proyeksi peta dan style peta.
Berikut adalah contoh kode program
SOLAPContext:
35
69

70

101
102
103
104
105

GeoSOA.Spatialytics.SOLAPContext =
function (options) { ...
this.mapStyle = options.mapStyle ||
new GeoSOA.Spatialytics.mapstyles
.MapStyle();
this.projection = options
.projection || new OpenLayers
.Projection("EPSG:4326"); ...
this.vectorLayer = new OpenLayers
.Layer.Vector("Spatialytics test",
{
features: that._vectors,
styleMap: that.mapStyle
.getStyleMap(),
projection: that.projection

10

106
136

} ); ...
};

Setelah ditambahkan proyek
yeksi dan style peta
oleh SOLAPContext, data
ta dikirim menuju
OpenLayers untuk dilakukan
an proses rendering
peta.
Antarmuka Spatial OLAP

persebaran hotspot, sedan
angkan tab JPivot
digunakan untuk menampi
pilkan data dalam
bentuk tabulasi dan diagram
am. Pada bagian kiri
atas peta terdapat dua buah
bu
button untuk
melakukan operasi roll up dan drill down.
Antarmuka Map dan JPivot
ot dapat dilihat pada
Gambar 17.

Antarmuka spatial OLA
LAP dikembangkan
menggunakan JavaScript Dojo Toolkit.
Tampilan antarmuka sistem
m dapat dilihat pada
Gambar 15. Pada bagian kanan
ka
terdapat tiga
buah widget berupa thematic
tic style, information,
dan MDX query editor. Wid
idget thematic style
digunakan pada proses rende
ndering peta. Widget
Information menampilkan informasi berupa
nama atau id hotspot dan jumlah
jum
hotspot yang
terdapat di wilayah tertent
entu saat pengguna
meng-hover peta. Widget MDX
M
query editor
berfungsi
sebagai
edito
itor
query
yang
dimasukkan pengguna. Antarmuka
A
ketiga
widget tersebut dapat dilihatt pada
p
Gambar 16.

Gambar 15 Antarmukaa spatial OLAP.
Gambar 17 Antarmuka tab Map dan JPivot.

Pengujian
Saat pertama kali dijala
alankan, sistem akan
mengeksekusi default query sebagai berikut:
SELECT
{[Measures].[Jumlah_Hot
otspot]} ON
COLUMNS,
mbers} ON ROWS
{[lokasi].[Hotspot].Mem
FROM [geohotspot]
WHERE [waktu].[1997]

an persebaran hotspot
Query tersebut menampilkan
di seluruh wilayah Indonesia
esia pada tahun 1997
(dalam hal ini hanya wilay
layah Provinsi Riau,
Provinsi Kalimantan Selatan,
an, Provinsi Sumatera
Selatan, Provinsi Kalimanta
ntan Timur, Provinsi
Kalimantan Tengah, dan Provinsi
Pr
Kalimantan
Barat). Hasil eksekusi query
ery dapat dilihat pada
Gambar 18, sedangkan peny
nyajian data tabulasi
dan grafik dapat dilihat pada
da Gambar 19.
Gambar 16 Antarmuka widg
idget spatial OLAP.
Pada bagian kiri terdap
apat tab Map dan
JPivot. Tab Map berfungsi
si menampilkan peta

Pada
penelitian
sebelumnya,
seb
untuk
melakukan analisis OLAP dan melihat peta
persebaran hotspot dibutuh
tuhkan proses input
query sebanyak dua kalii seperti
s
ditampilkan
pada Gambar 8 dan Gambar
Ga
9. Setelah
dilakukan sinkronisasi, pengguna cukup

11

melakukan input query sebanyak
se
satu kali
seperti ditampilkan pada Gam
ambar 20.

down menggunakan OLAP
P tool box sebagai
berikut:
1

mengaktifkan tombol
ol OLAP tool box,
tombol

2

Gambar 18 Hasil ekse
ksekusi query.

untukk

operasi

roll

up

untuk operasi drill
sedangkan tombol
down,
tekan peta yang ingin
gin dilakukan proses
roll up ataupun drill down.
dow

Gambar 21 menampilkan
an proses roll up dan
Gambar 22 menampilkan hasil
ha operasi roll up,
sedangkan Gambar 23 menampilkan
me
proses
drill down pada wilayah Kabupaten
Ka
Ketapang
dan Gambar 24 menampilkan
kan hasil operasi drill
down menggunakan OLAP tool box. Lampiran
2 menampilkan tahapan yang
ang dibutuhkan untuk
melakukan proses roll up sebelum dilakukan
sinkronisasi, Lampiran 3 menampilkan
me
tahapan
yang dibutuhkan untuk mel
elakukan proses roll
up,dan Lampiran 4 menamppilkan tahapan yang
dibutuhkan untuk melakukan
kan proses drill down
menggunakan query MDX
X sesudah dilakukan
sinkronisasi.

gra dan tabulasi.
Gambar 19 Visualisasi grafik

Gambar 21 Proses
ses roll up.

Gambar 20 Input query
que sistem.
Proses roll up dan drill down pada
penelitian ini dapat dilakukan
kan dengan dua cara,
yaitu melakukan input query
ry dan menggunakan
OLAP tool box. Tahapann yang dibutuhkan
untuk melakukan proses roll
rol up maupun drill

telah proses roll up.
Gambar 22 Hasil peta setel

12

Tengah, Kalimantan Barat,
t, Kalimantan
K
Timur,
dan Kalimantan Selatan.
Kekurangan pada peneliti
litian ini ialah sistem
belum mampu mengolah data
d
dalam jumlah
yang banyak (umumnya dat
data kebakaran hutan
berjumlah ratusan ribu). Sel
elain itu, sistem juga
belum mampu melakukan op
operasi OLAP dicing.
Operasi dicing memungkink
inkan pengguna menampilkan peta beberapa tahu
ahun sekaligus.
Saran
miliki banyak kekuSistem ini masih memi
rangan sehingga diharapkan
kan dapat dilakukan
pengembangan selanjutnya.. Saran untuk penelitian selanjutnya, yaitu:
Gambar 23

Proses drill down
do
di Kabupaten
Ketapang.

ma
menampilkan
1 Membuat sistem yang mampu
data kebakaran hutan dalam
da
jumlah nyata
bukan sample.
2 Membuat sistem yang mampu
m
melakukan
operasi OLAP dicing.. Operasi
O
dicing memungkinkan penggunaa dalam melakukan
perbandingan.
ate, insert, dan delete
3 Menambah modul update
yang dapat memudahkan
an pengguna apabila
terdapat data baru.

DAFTAR PUS
USTAKA
Adinugroho WC, Suryadipu
iputra INN, Saharjo
BH, Siboro L. 2005.
5. Panduan PengenDalian Kebakaran Hutan
H
dan Lahan
Gambut. Proyek Clima
mate Change, Forests
and Peatlands in Indonesia.
I
Bogor:
Wetlands Internationa
onal–Indonesia Programme dan Wildlife Habitat
H
Canada.

Gambar 24 Hasil peta setelah
lah proses drill
down.

KESIMPULAN DAN
DA SARAN
Kesimpulan
Sistem spatial OLAP telah berhasil dibangun menggunakan frame
mework Spatialytics.
Sistem mampu melakukann sinkronisasi query
antara visualisasi peta dan operasi
ope
OLAP.
Sistem ini dapat mempe
permudah pengguna
melakukan analisis hotspot.. Pengguna cukup
memasukkan query MDX dalam melakukan
analisis. Data sampel yang
ng digunakan pada
penelitian ini berjumlah 190
1
titik hotspot,
meliputi wilayah provinsii Riau, Kalimantan

Badard T. 2010. Openn source geospatial
business intelligencee in action with
GeoMondrian and SOLAPLayers!.
SO
Di
dalam:
FOSS4G
2010
workshop;
Barcelona, 9 Sep 2010.
0.
Fadli MH. 2011. Data warehouse spatiotemporal kebakaran hutan
h
menggunakan
Geomondrian dan Geoserver
Ge
[skripsi].
Bogor: Fakultas Mate
atematika dan Ilmu
Pengetahuan Alam,, Institut Pertanian
Bogor.
Franklin C. 1992. Ann introduction to
geographic information
ion systems: linking
maps to databases. Data
atabase15(2):12–21.
Han J, Kamber M. 2006. Dat
ata Mining: Concept
and Techniques. Sann Fransisco: Morgan
Kaufman Publisher.
Hayardisi G. 2008. Data war
arehouse dan OLAP
berbasis web untuk pers
ersebaran hotspot di

13

wilayah Indonesia menggunakan PALO 2.0
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Hazzard E. 2011.OpenLayers 2.10 Beginner’s
Guide. Birmingham: Packt Publishing.
Kraak MJ. 2003. Geovisualization illustrated.
ISPRS Journal of Photogrammetry and
Remote Sensing 57:1–10.
Messerschmitt DG. 1990. Synchronization in
digital system design.IEEE Journal on
Selected Areas in Communications 8:1–10.
Thoha AS. 2008. Penggunaan data hotspot
untuk monitoring kebakaran hutan dan lahan

di Indonesia. [karya Tulis].
Universitas Sumatera Utara.

Medan:

Trisminingsih R. 2010. Pembangunan spatial
data warehouse berbasis web untuk
persebaran hotspot di wilayah Indonesia
[skripsi]. Bogor: Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Whitehorn M, Zare R, Pasumansky M. 2005.
Fast Track to MDX. London: Springer.
Wu S. 2008. Visualizing Constraint Data. Di
dalam: Shekhar S, Xiong H, editor.
Encyclopedia of GIS. Springer. hlm 1228–
1232.

14

LAMPIRAN

14

15

Lampiran 1 Operasi OLAP.

d Kabupaten Ketapang menjadi Provinsi Kalimantan
tanBarat.
Lampiran 2 Operasi roll up, dari

Tampilann peta
p dan query sebelum dilakukan operasi roll up

16

Lanjutan

Tampilan peta dan query setelah dilakukan operasi roll up

Lampiran 3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah.

Tampilan peta dan query sebelum dilakukan
operasi drill down

17

Lanjutan

Tampilan peta dan query setelah dilakukan
operasi drill down

Lampiran 4 Operasi roll up,dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat.

Tampilan peta dan query sebelum dilakukan
operasi roll up

Tampilan peta dan query setelah dilakukan
operasi roll up

18

Lampiran 5 Hasil eksekusi query.

Lampiran 6 Struktur geohotspot.xml.