The Development of Spatio-Temporal Data Warehouse Forest Fire in Indonesia

PEMBANGUNAN SPATIOTEMPORAL DATA WAREHOUSE
KEBAKARAN HUTAN DI WILAYAH INDONESIA

MUHAMAD ARIF FAUZI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

ABSTRACT
MUHAMAD ARIF FAUZI. The Development of Spatio-Temporal Data Warehouse Forest Fire in
Indonesia. Supervised by ANNISA.
Data warehouse is a repository of information collected from multiple sources, stored under a
unified schema, and that usually resides at a single site. If there is a change in the data structure, such
as data separation and data merging, the data warehouse should be modified to handle the changes in
the existing structure. This research was done with the development of a data warehouse approach
with aspects of spatio-temporal, by using spatial data, which expected to be able to handle any case
related to structural changes in the data. Hotspot data was used in this research come from the
Directorate of Forest Fire Control (DPKH) Ministry of Forestry, Republic of Indonesia that has been

revised by Kurniawan (2011). The result of this study is a data warehouse that can provide valid
information value of data aggregation and the number of hotspot in the whole country of Indonesia
starting from provincial to district level. Information on the distribution of hotspot is displayed in the
form of crosstab and with interesting graphic. The graphic is displayed in the form of bar graphs and
pie plots.
Keyword : data warehouse, hotspot, merge, spatio-temporal, split.mplementasi Operator
Perbandingan Temporal dan Operator Spasial pada Data
Spatiotemporal
Nama : Dhieka Avrilia Lantana
NRP : G64070040

Menyetujui:
Pembimbing,

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

Mengetahui:
Ketua Departemen Ilmu Komputer,

iii

PEMBANGUNAN SPATIOTEMPORAL DATA WAREHOUSE
KEBAKARAN HUTAN DI WILAYAH INDONESIA

MUHAMAD ARIF FAUZI

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
2011

ii

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 26 Oktober 1988 sebagai anak kedua dari empat
bersaudara. Tahun 2004 penulis mendapatkan pendidikan di SMU Negeri 72 Jakarta Utara, hingga
tahun 2007. Tanggal 2 Juli 2007 penulis resmi menjadi mahasiswa Institut Pertanian Bogor melalui
jalur Undangan Seleksi Masuk IPB (USMI). Setelah menyelesaikan Tingkat I (Tingkat Persiapan
Bersama) di IPB pada tahun 2008, penulis diterima sebagai mahasiswa Departemen Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi Bina Desa
BEM KM IPB periode 2008/2009 sebagai kepala divisi Pengembangan Sumberdaya Mahasiswa
(PSDM). Pada tahun 2007 Penulis menjalankan praktek lapangan di Badan Pengkajian dan Penerapan
Teknologi (BPPT) Divisi Pusat Data Informasi dan Standarisasi selama kurang lebih 2 bulan.

v

PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
limpahan rahmat dan hidayah-Nya sehingga tugas akhir dengan judul Pembangunan Spatio-Temporal
Data Warehouse Kebakaran Hutan di Wilayah Indonesia dapat diselesaikan. Shalawat serta salam
juga penulis ucapkan kepada junjungan 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 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 Kedua orang tua tersayang atas segala do‟a, kasih sayang, dan dukungannya.
2 Saudaraku Nurfadhillah, adikku Faradina Anisah dan Muhammad Fuadi Aulia yang selalu
memberiku motivasi untuk dapat menyelesaikan tugas akhir ini.
3. Bapak Hari Agung Adrianto S.Kom, M.Si dan Bapak Toto Haryanto S.kom, M.Si selaku dosen
penguji yang memberikan saran dalam penyelesaian skripsi ini.
4. Ana Maulida (Ilkom 44) yang selalu setia memberi dukungan, semangat, bantuan dan do‟a.
5. Dekha, Yoga, Yuridis, Tito, Dedek, Fani, Hidayat, Ayi, Arif, Fadli dan Kriyar yang telah
membantu dalam memberikan solusi teknis.
6. Hendra, Rori, Rama, Gery, Mufid, Tantry, Suhe, dan Joko yang selalu setia menemani saat jenuh
dalam menghadapi hari-hari dikosan.
7. Seluruh teman-teman Program Studi Ilmu Komputer angkatan 44 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,

November 2011

Muhamad Arif Fauzi

vi

DAFTAR ISI
Halaman
DAFTAR GAMBAR ................................................................................................................ viii
DAFTAR TABEL .................................................................................................................... viii
DAFTAR LAMPIRAN ............................................................................................................. viii
PENDAHULUAN
Latar Belakang ........................................................................................................................ 1
Tujuan ..................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................ 1
TINJAUAN PUSTAKA
Data Warehouse ...................................................................................................................... 1
Data Spatiotemporal ................................................................................................................ 2

Spatiotemporal Data Warehouse ............................................................................................. 2
Structure Version (SV)............................................................................................................. 2
Mapping Function (MapF) ....................................................................................................... 3
OLAP ...................................................................................................................................... 3
Model Data Multidimensi ........................................................................................................ 4
Kebakaran Hutan ..................................................................................................................... 5
Titik Api (Hotspot) .................................................................................................................. 5
MDX Query ............................................................................................................................ 6
METODE PENELITIAN
Analisis Data ........................................................................................................................... 6
Ekstraksi Data.......................................................................................................................... 6
Transformasi Data ................................................................................................................... 6
Pemuatan Data ......................................................................................................................... 6
Pembuatan Structure Version (SV) ........................................................................................... 6
Pembuatan Mapping Function (MapF) ..................................................................................... 7
Uji Query ................................................................................................................................ 7
Lingkungan Pengembangan ..................................................................................................... 7
HASIL DAN PEMBAHASAN
Analisis Data ........................................................................................................................... 7
Ekstraksi Data.......................................................................................................................... 8

Transformasi Data ................................................................................................................... 9
Konversi Data .......................................................................................................................... 9
Pemuatan Data ......................................................................................................................... 9
Pembuatan Structure Version pada Data Warehouse................................................................. 9
Pembuatan Mapping Function (MapF) ................................................................................... 10
Pembuatan dan Pengujian Query dalam SpatioTemporal Data Warehouse .............................. 10
KESIMPULAN DAN SARAN
Kesimpulan ........................................................................................................................... 13
Saran ..................................................................................................................................... 13
DAFTAR PUSTAKA ................................................................................................................ 13
LAMPIRAN .............................................................................................................................. 15

vii

DAFTAR GAMBAR
Halaman
1 Ilustrasi temporal data warehouse ............................................................................................. 2
2 Dimensi keseluruhan divisi sales. .............................................................................................. 3
3 Perubahan struktur varietas padi ................................................................................................ 3
4 Jenis Dimensi Data Spasial. ...................................................................................................... 4

5 Skema bintang .......................................................................................................................... 4
6 Skema galaksi ........................................................................................................................... 5
7 Skema snowflake ...................................................................................................................... 5
8 Segitiga api ............................................................................................................................... 5
9 Daerah terdeteksi hotspot pada satelit NOAA ............................................................................ 5
10 Alir Metode Penelitian ............................................................................................................ 6
11 Ilustrasi perubahan structure version ....................................................................................... 7
12 Hubungan Mapping Function dengan structure version. .......................................................... 7
13 Skema snowflake .................................................................................................................... 8
14 Hierarki pada Structure Version 1 ........................................................................................... 9
15 Hierarki pada Structure Version 2 ........................................................................................... 9
16 Struktur version pada schema workbench .............................................................................. 10
17 Tampilan Hasil Query MDX Biasa. ....................................................................................... 10
18 Tampilan Hasil Query Spasial. .............................................................................................. 11
19 Hasil query untuk jumlah hotspot 1998 + 2003. ..................................................................... 11
20 Hasil query untuk jumlah hotspot provinsi Bali 2000 + 2005. ................................................ 12
21 Hasil operasi drill down pada dimensi wilayah. ..................................................................... 12
22 Contoh operasi slicing. ......................................................................................................... 12
23 Contoh operasi dicing. .......................................................................................................... 12

DAFTAR TABEL
Halaman
1 Hasil Reduksi Data ................................................................................................................... 8
2 Structure Version hotspot .......................................................................................................... 9

DAFTAR LAMPIRAN
Halaman
1 Rincian Pembersihan Data Hotspot ......................................................................................... 16
2 Struktur hotspot.xml ............................................................................................................... 17
3 MapF (Mapping Function) jumlah hotspot pada tahun 1998 ditambah tahun 2001 ................... 19
4 Tampilan spatio-temporal OLAP dan keterangan .................................................................... 20

viii

PENDAHULUAN
Latar Belakang
Data warehouse hotspot merupakan salah
satu metode yang dapat digunakan untuk
proses penggudangan data hotspot dengan
mengambil data historis yang memiliki

struktur yang sama. Namun jika terjadi
perubahan struktur pada data, misalnya proses
pemisahan
(split)
data
atau
proses
penggabungan (merge) data, maka data
warehouse hotspot perlu dikembangkan lagi
untuk menangani perubahan struktur yang
ada.
Pada penelitian sebelumnya Malau (2009)
telah melakukan pengembangan
data
warehouse dengan menerapkan pendekatan
aspek temporal. Dengan pengembangan
tersebut data warehouse yang dihasilkan
mampu menangani setiap kasus yang
berhubungan dengan perubahan struktur pada
data. Perubahan struktur dapat berupa split

dan merge dengan mengambil data tanaman
pangan dan hortikultura untuk bagian
produksi, luas tanam dan luas panen dengan
menggunakan agregasi SUM. Penelitian
Malau (2009) dilanjutkan oleh Gusriani
(2009) dengan melakukan penambahan modul
operasi OLAP (Online Analytical Processing)
seperti slicing, dicing, drill down, roll up serta
fungsi agregat seperti min, max, dan average
agar menjadi temporal data warehouse yang
lebih baik. Kedua penelitian di atas telah
membangun data warehouse dengan model
multidimensional dan menampilkan data
dalam bentuk tabel crosstab dan grafik
dengan OLAP server PALO.
Trisminingsih (2010) fokus kepada
pengembangan data warehouse dengan
pendekatan spasial terhadap dimensi lokasi
menggunakan framework Geomondrian. Pada
tahun berikutnya, Fadli (2011) melakukan
pembuatan data warehouse dengan aplikasi
SOLAP
(Spasial
Online
Analytical
Processing)
menggunakan
framework
Geomondrian dan Geoserver sebagai web map
server.
Penelitian
tersebut
hanya
memfasilitasi pembuatan data warehouse
yang mengintegrasikan data spasial ke dalam
model data multidimensi. Dengan demikian
hanya bisa menangani data spasial tanpa bisa
melakukan tracking history. Kurniawan
(2011) membuat pemodelan data dengan
konsep event-based spatiotemporal data
model (ESTDM) untuk memodelkan data real
berupa point yaitu data hotspot. Data point
yang digunakan hanya mengalami dua proses

dalam evolusinya, yaitu muncul (appearance)
dan hilang (disappearance).
Penelitian ini mencoba merangkum dan
melengkapi data warehouse spasial pada
penelitian Trisminingsih dengan konsep
temporal dari penelitian Malau serta
memodelkan data pada penelitian Kurniawan,
yakni dengan membuat sebuah Spatiotemporal data warehouse dengan aplikasi
SOLAP
menggunakan
framework
Geomondrian. Hasil akhir dari penelitian ini
diharapkan dapat menyajikan data spasial
dalam bentuk tabel dan grafik serta dapat
melakukan query temporal persebaran hotspot
sebagai indikasi kebakaran hutan dalam satu
sistem dalam waktu tertentu, sehingga dapat
mendukung dalam proses pengambilan
keputusan.
Tujuan
1.

2.

3.

Tujuan dari penelitian ini adalah
Mengembangkan suatu sistem spatio
temporal data warehouse pada data
kebakaran hutan berbasis web dengan
hasil akhir penyajian dalam bentuk tabel
dan grafik yang terintegrasi.
Mengetahui pola persebaran hotspot
dengan melakukan tracking history dalam
wilayah dan waktu tertentu.
Mengetahui
kemunculan
dan
menghilangnya titik hotspot dalam
wilayah dan waktu tertentu.

Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
Data yang digunakan adalah data hotspot
kebakaran hutan di wilayah Indonesia
pada tahun 1997-2005 yang di dapat dari
satelit NOAA.
2. Pembuatan data warehouse spatiotemporal difokuskan untuk menjawab
query yang terkait dengan adanya
perubahan struktur hierarki data (split
dan merge) dengan melakukan operasi
agregasi sum.
3. Menampilkan dalam bentuk OLAP
seperti slicing, dicing, roll up, drill down
pada data kebakaran hutan di Indonesia.

1.

TINJAUAN PUSTAKA
Data Warehouse
Data warehouse adalah repositori dari
informasi yang dikumpulkan dari berbagai
sumber yang disimpan di bawah skema
tertentu dan biasanya berada di satu lokasi
(Han & Kamber 2006). Empat karakteristik

1

data warehouse menurut Han dan Kamber
(2006) yaitu:
1 Berorientasi subjek, terorganisasi pada
subjek utama sesuai topik bisnis atau
berdasarkan subjek dari organisasi,
2 Terintegrasi, data dibangun dengan
mengintegrasikan berbagai sumber data,
3 Time variant, dimensi waktu secara
eksplisit termasuk dalam data, jadi model
dan perubahannya dapat diketahui setiap
saat,
4 Non-volatile, data terpisah dari database
operasional sehingga hanya memerlukan
pemuatan dan akses data tanpa mengubah
data sumber.
Tujuan utama dari pembuatan data
warehouse adalah untuk menyatukan beragam
data ke dalam sebuah tempat penyimpanan.
Dengan demikian pengguna dapat dengan
mudah menjalankan query, menghasilkan
laporan, dan melakukan analisis terhadap data
yang ada.
Data Spatiotemporal
Data spasial adalah data yang memiliki
referensi ruang kebumian (georeference)
dimana berbagai data atribut terletak dalam
berbagai unit spasial. Format data spasial
dapat berupa vektor (poligon, garis, titik)
maupun raster. Di lain pihak data
spatiotemporal sebenarnya adalah data spasial
yang berubah seiring waktu (Rahim 2006).
Jadi, data spatiotemporal adalah data
spasial yang memiliki elemen temporal
(waktu). Ketika suatu ruang berubah seiring
dengan waktu, maka data spasial akan
berubah menjadi data spasial yang memiliki
unsur temporal (waktu).
Spatiotemporal Data Warehouse
Spatial data warehouse adalah suatu
koleksi data, baik data spasial maupun data
nonspasial, yang bersifat subject –oriented,
integrated, time variant, dan non-volatile
yang digunakan pada spatial data mining dan
proses pengambilan keputusan yang berkaitan
dengan data spasial (Han & Kamber 2006).
Koleksi atau kumpulan data ini berasal dari
berbagai sumber data yang ditempatkan ke
dalam satu tempat penyimpanan yang
berukuran besar dan diproses menjadi bentuk
penyimpanan multidimensional, kemudian
didesain untuk query dan reporting.
Pada temporal data warehouse menurut
Eder et al (2001) menggambarkan
perkembangan data sepanjang waktu dengan
pendekatan temporal. Dengan demikian bisa

menangani
operasi
kompleks
seperti
pemisahan (split) dan penggabungan (merge).
Ilustrasi temporal data warehouse dapat
dilihat pada Gambar 1.

Gambar 1 Ilustrasi temporal data warehouse
Pada Gambar 1 di atas terdapat sebuah
dimensi Lokasi mempunyai provinsi Jawa
Barat yang mengalami pemekaran wilayah
sehingga dibagi menjadi dua provinsi yaitu
provinsi Jawa Barat dan Banten pada bulan
Januari tahun 2001. Jika menggunakan data
warehouse biasa kita hanya bisa melihat
perkembangan dari provinsi Jawa Barat
sampai sebelum pembagian yaitu bulan
Desember 2000 saja, setelah itu (Januari
2001) tidak dapat ditampilkan oleh data
warehouse karena sudah terjadi perubahan. Di
lain pihak dengan menggunakan temporal
data warehouse akan diperlihatkan secara
jelas perubahan apa saja yang terjadi pada
provinsi Jawa Barat melalui penelusuran
(Tracking History). Oleh karena itu pada
spatiotemporal data warehouse tidak hanya
menyimpan keadaan saat ini dari data spasial
tetapi menyimpan juga seluruh sejarah dari
perkembangan data spasial tersebut (Gunting
& Scheneider 2001).
Structure Version (SV)
Structure Version (SV) adalah view dari
struktur multidimensional yang valid untuk
interval (selang) waktu [Ts, Te] yang diberikan
(Eder et al 2001). Setiap perubahan dari
dimensi anggota atau hubungan hirarki
mengarah ke struktur versi baru, jika struktur
versi untuk interval waktu yang diberikan
sudah tidak ada.
Secara umum structure version (SV)
terdiri atas empat tuple dengan format
dimana SVid adalah unique identifier, T
merepresentasikan waktu yang valid dari
structure version sebagai selang waktu [Ts,
Te]. DMDi, SVid adalah himpunan dari semua
anggota-anggota dimensi, dimana merupakan
bagian dari dimensi Di dan valid untuk waktu
P dengan Ts ≤ P ≤ Te. DMF,SVid adalah
himpunan dari seluruh fakta-fakta yang valid

2

pada waktu P dengan Ts ≤ P ≤ Te, HSvid adalah
himpunan dari penambahan hirarki yang valid
pada waktu P dengan Ts ≤ P ≤ Te.
Ilustrasi untuk structure version (SV)
seperti pada Gambar 2 mengenai dimensi
keseluruhan divisi untuk penjualan (sales)
yang mengikutsertakan interval (selang)
waktu (Eder & Christian 2001):
Divisions

Div. A


Div. B



∞>
SubDiv.D

Divis
ions
∞>, M >


3

4, ∞>


Div. C


∞>

Mapping Function (MapF)
Mapping Function (MapF) adalah operasi
untuk memetakan structure version yang
berbeda dan biasanya menggunakan operasi
dasar penjumlahan (sum). Operasi dasar
MapF tidak hanya penjumlahan, tetapi dapat
juga menggunakan operasi dasar lain seperti
pengurangan, perkalian dan pembagian.
Contoh, jika kita ingin mengetahui jumlah
panen padi. Pada tahun 2003, padi yang
ditanam berasal dari satu varietas saja (A),
untuk itu pencatatan total padi untuk semua
kecamatan dapat diakumulatifkan. Namun,
pada tahun 2004, terdapat beberapa padi
varietas baru B dan C bantuan pemerintah
yang ditanam pada beberapa kecamatan.
Ilustrasi pada Gambar 3.

SubDiv.E

∞>

Gambar 2 Dimensi keseluruhan divisi sales.
Pada Gambar 2 diperlihatkan dimensi
divisi secara keseluruhan untuk penjualan
(sales) yang memberikan selang waktu.
Beberapa node dan edge pada Gambar 2
memiliki selang waktu. Pada Gambar 2
terlihat bahwa pada SubDiv.D telah
dimodifikasi pada waktu M4, SubDiv. yang
baru yaitu SubDiv.E dimasukkan pada saat
waktu M4 dan pada saat Div.C merupakan
subdivisi dari Div.B pada waktu M1 sampai
M3 (pada Gambar ditandai dengan garis
putus-putus), dari Gambar 2, dapat
diperlihatkan dua structure version (SV),
yaitu:
1.
2.
Structure version yang diperoleh ada dua
yaitu SV1 dan SV2. SV1 dan seluruh anggotaanggota dimensi (Divisions, Div.A, Div.B,…)
dan penambahan hirarki (Div.A →
Divisions,…) valid pada saat M1 ke M3,
sedangkan untuk SV2 valid pada saat M4
sampai dengan tak hingga, misalnya sampai
sekarang.

Gambar 3 Perubahan struktur varietas padi
Maka untuk mengetahui jumlah panen padi
(P#) pada tahun 2003 sampai 2004 terkait
dengan fungsi P# (P, 2003-2004) = P# (A,
2003) + P# (A, 2004) + P# (B, 2004) + P# (C,
2004).
Fungsi
inilah
yang
disebut
transformation function (MapF) dan untuk
operasi yang digunakan adalah operasi sum.
Fungsi MapF yang akan digunakan untuk
penelitian ini, akan fokus pada masalah
perubahan jumlah hotspot pada tahun 1997
sampai dengan tahun 2005.
OLAP
Online Analytical Processing (OLAP)
didefinisikan sebagai platform visual yang
dibangun untuk mendukung proses analisis
spatio-temporal dan eksplorasi data dengan
pendekatan multidimensional dan ditampilkan
dalam lingkungan kartografis yang dilengkapi
diagram tabular (Bédard 1997). OLAP
merupakan jenis aplikasi level klien dalam
lingkup aplikasi data warehouse yang
disajikan dalam lingkungan aplikasi OLAP
dan sistem informasi geografis atau pemetaan
dalam lingkungan web.

3

Beberapa operasi OLAP menurut Han dan
Kamber (2006) yaitu:
1 Roll up (drill up)
Operasi roll up dilakukan dengan cara
meningkatkan tingkat hierarki atau
mereduksi jumlah dimensi.
2 Drill down (roll down)
Drill down merupakan operasi kebalikan
dari roll up. Operasi ini dapat
merepresentasikan data secara lebih detail
atau spesifik dari level tinggi ke level
rendah.
3 Slicing
Slicing adalah proses pemilihan satu
dimensi
dari
kubus
data
yang
bersangkutan sehingga menghasilkan
subcube.
4 Dicing
Dicing adalah proses mendefinisikan
subcube dengan memilih dua dimensi atau
lebih dari kubus data.
5 Pivoting
Pivoting merupakan suatu kemampuan
OLAP yang dapat melihat data dari
berbagai sudut pandang (view point).
Pengguna dapat mengatur sumbu pada
kubus data sehingga memperoleh data
yang diinginkan sesuai dengan sudut
pandang analisis yang diperlukan.
Model Data Multidimensi
Model data multidimensi merupakan
konsep desain yang digunakan untuk
mengembangkan data warehouse. Model
multidimensional tersebut terdiri atas struktur
data yang diperlukan untuk merepresentasikan
dimensi–dimensi serta fakta dari proses
kegiatan yang ada. Model data multidimensi
terdiri atas dua data, yaitu (Malach 2000):
1. Data dimensi
Data dimensi adalah entitas yang ingin
disimpan oleh perusahaan (organisasi). Data
dimesi akan berubah jika analisis kebutuhan
pengguna
berubah.
Data
dimesi
mendefinisikan label yang membentuk isi
laporan. Setiap dimensi diulang untuk setiap
kelompok. Atribut data dimensi diletakkan
pada tabel dimensi.
Menurut Han & Kamber (2006), dalam
kubus data spasial terdapat tiga jenis data
dimensi yaitu:
1 Dimensi nonspatial yang berisi data
nonspasial
pada
setial
level
hierarkinya.

2 Dimensi
spatial-to-nonspatial
merupakan dimensi yang memiliki
level data spasial tetapi sebagian besar
levelnya berupa data nonspasial.
Dimensi
ini
secara
umum
dikategorikan
sebagai
dimensi
nonspatial.
3 Dimensi spatial-to-spatial adalah
dimensi yang setiap levelnya, dari
level primitif hingga level tertinggi,
secara umum berupa data spasial.
Ilustrasi jenis data dimensi menurut Han &
Kamber (2006) dapat dilihat pada Gambar 4.
Nonspatial

Spatialto-spatial

Spatial-tononspatial

Gambar 4 Jenis Dimensi Data Spasial.
2. Data fakta
Data fakta adalah data utama dari data
multidimensi yang berisi kuantitas yang ingin
diketahui dengan menganalisis hubungan
antar dimensi. Data fakta cenderung stabil dan
tidak berubah seiring dengan waktu. Atribut
data fakta diletakkan pada tabel fakta.
Model data multidimensional dapat
menampilkan data dalam bentuk kubus yang
merupakan inti dari model ini dan dapat
digambarkan dalam bentuk skema bintang,
skema snowflake, skema galaksi (Han &
Kamber 2001).
1. Skema bintang, rancangan database
sederhana dimana data dimensi terpisah
dari data fakta (data transaksi). Ilustrasi
dapat dilihat pada Gambar 5.

Gambar 5 Skema bintang
2. Skema galaksi, merupakan kumpulan
skema bintang dengan lebih dari satu
tabel fakta yang saling berhubungan.
Ilustrasi dapat dilihat pada Gambar 6.

4

lainnya (Brown dan Davis dalam Sophia,
2009). Ilustrasi tiga unsur yang mendukung
terjadinya kebakaran hutan dapat dilihat pada
Gambar 8.

Gambar 6 Skema galaksi
3. Skema snowflake, merupakan versi
pengembangan dari skema bintang,
dimana
tabel–tabel
dimensinya
merupakan hasil normalisasi dari
beberapa tabel yang berhubungan.
Ilustrasi dapat dilihat pada Gambar 7.

Gambar 8 Segitiga api (Brown dan Davis, 1973)
Proses kebakaran hutan merupakan
kebalikan dari proses fotosintesis (Brown dan
Davis 1973) :
Proses fotosintesis,
6CO2 + 6H2O + cahaya matahari
C6H12O6+6O2
Proses pembakaran,
CH6H12O6 + O2 + sumber panas
+energi panas

CO2+H2O

Titik Api (Hotspot)
Gambar 7 Skema snowflake
Kebakaran Hutan
Kebakaran hutan adalah suatu proses
reaksi yang menyebar secara bebas dari
perpaduan antar tiga unsur yang saling
mendukung oksigen, bahan bakar dan panas,
yang ditandai dengan adanya panas, cahaya
dan asap. Proses ini menyebar dengan bebas
dan mengkonsumsi bahan bakar alam yang
terdapat di hutan seperti serasah, rumput,
humus, ranting–ranting, kayu mati, tiang,
gulma, semak, dedaunan, dan pohon segar

Titik api merupakan titik di permukaan
bumi dimana titik–titik tersebut merupakan
indikasi adanya kebakaran hutan dan lahan
(Ratnasari dalam Rina, 2010). Indikasi yang
dimaksud adalah suhu panas (suhu yang
relatif lebih tinggi dari suhu di sekitarnya)
hasil kebakaran hutan yang naik ke atas
atmosfer dan ditangkap oleh satelit serta
didefinisikan sebagai hotspot berdasarkan
ambang batas suhu tertentu. Gambar 9
merupakan ilustrasi daerah terdeteksi hotspot
menggunakan satelit NOAA.

Gambar 9 Daerah terdeteksi hotspot pada satelit NOAA (Fadli, 2011)

5

Dalam pemantauan hotspot, terdapat beberapa
satelit yang dapat di gunakan, yaitu satelit
AVHRR-NOAA (Advanced Very High
Resolution Radiometer-National Oceanic and
Atmospheric Administration) dan MODIS
(Moderate
Resolution
Imaging
Spectroradiometer).
MDX Query
Multidimensional
expression
(MDX
Query)
merupakan
query
yang
diimplementasikan
pada
kubus
data
multidimensi atau bahasa yang mampu
menangani struktur data multidimensi, baik
kubus data biasa maupun geometri. MDX
query digunakan pada OLAP untuk
memanipulasi dan menangani data yang ingin
di retrieve sesuai dengan kubus data yang
dibuat berdasarkan skema multidimensi.
Geomondrian menerapkan tipe data geometri
dan menyediakan fungsi MDX untuk ekstensi
spasial sehingga mampu menganalisis data
spasial dengan query analitis (Bédard dalam
Fadli, 2011).
METODE PENELITIAN
Tahapan yang dilakukan pada penelitian
pembangunan
spatio-temporal
data
warehouse dapat dilihat pada Gambar 10.

multidimensi. Dalam analisis ditemukan
perubahan struktur hierarki pada dimensi
lokasi. Yaitu pada tahun 1997 dimensi lokasi
di Indonesia memiliki dua hierarki yaitu
hierarki provinsi dan hierarki kabupaten,
namun pada tahun 2001 hierarki pada dimensi
lokasi mengalami penggabungan (merge)
menjadi hierarki provinsi. Selain itu, pada
tahun yang sama terjadi pemekaran wilayah
(split) pada hierarki provinsi, yaitu pada
provinsi Sulawesi Utara menjadi provinsi
Sulawesi Utara dan provinsi Gorontalo.
Ekstraksi Data
Ekstraksi data adalah pengambilan data
yang relevan dari database operasional
sebelum masuk ke dalam data warehouse.
Pada ekstraksi, atribut dan record yang
diinginkan, dipilih dan diambil dari database
operasional. Hal ini perlu dilakukan karena
tidak semua elemen data berguna dalam
pengambilan keputusan. Dalam tahap
ekstraksi ini, dilakukan pula pembersihan data
dikarenakan data operasional sangat rendah
kualitasnya seperti kesalahan penulisan,
duplikasi data, data kurang lengkap, dan data
tidak konsisten.
Transformasi Data
Pada tahap transformasi, data dari semua
sumber dikonversi ke dalam format yang
umum sesuai dengan skema multidimensional
yang telah dibuat. Transformasi yang paling
penting adalah transformasi nama agar tidak
ada nama atribut yang sama atau atribut yang
sama memiliki nama yang berbeda pada
database yang berbeda.
Pemuatan Data
Setelah tahap ekstraksi dan transformasi
data dilakukan, maka data telah siap untuk
dimuat (load) ke dalam data warehouse. Pada
tahap ini dilakukan pula pengurutan dan
pengecekan integritas suatu data. Tahap
pemuatan bertujuan untuk memuat data yang
terseleksi ke dalam data warehouse tujuan
dan membuat indeks yang diperlukan.
Pembuatan Structure Version (SV)

Gambar 10 Alir Metode Penelitian
Analisis Data
Data hotspot yang telah diperoleh
selanjutnya dianalisis untuk mendapatkan
atribut – atribut yang tepat dalam pembuatan
spatiotemporal data warehouse. Hasil analisis
ini digunakan untuk menentukan dimensi,
fakta, dan skema yang tepat untuk model data

Proses dilanjutkan dengan pembuatan
structure version. Structure version dibuat
berdasarkan perubahan struktur data yang
telah dianalisis pada proses analisis data.
Gambar 11 merupakan ilustrasi perubahan
structure version yang dibuat.

6

sesuai dengan kebutuhan dan memeriksa
apakah operasi dasar OLAP berhasil di
implemetasikan pada spasio-temporal data
warehouse.
Lingkungan Pengembangan

Gambar 11 Ilustrasi perubahan structure
version
Pada Gambar 11 di atas terdapat sebuah
dimensi Lokasi mempunyai dua structure
version. Pada structure version 1 dimensi
lokasi mempunyai hierarky provinsi A dan
hierarki kabupaten. Pada tahun 2001 hierarki
pada
dimensi
lokasi
mengalami
penggabungan (merge) menjadi hierarki
provinsi tanpa terdapat kabupaten. Selain itu,
di beberapa wilayah di Indonesia mengalami
pemekaran wilayah pada hierarki provinsi
menjadi dua provinsi yaitu provinsi A dan B
pada bulan Januari tahun 2001.
Tool yang digunakan dalam membangun
structure version adalah tool schema
workbench. Data yang dimuatkan berdasarkan
structure version yang terbentuk.

Aplikasi spatio-temporal data warehouse
dibangun dengan menggunakan perangkat
keras dan perangkat lunak dengan spesifikasi
sebagai berikut:
Perangkat keras:

Processor Intel Core2Duo 1,67 GHz

RAM 1 GB DDR 2

HDD 160 GB

Monitor LCD 12,1” dengan resolusi
1280 x 800

Mouse dan keyboard
Perangkat Lunak:

Sistem Operasi Windows 7 ultimate

Microsoft Office 2007 SP 1

Apache Tomcat 7.0

GeoMondrian
yang
merupakan
framework spatial OLAP

PostgreSQL dengan library PostGIS
sebagai perangkat lunak DBMS

Schema Workbench sebagai tool desain
kubus data.

Pembuatan Mapping Function (MapF)
Tahap kedua setelah selesai pembuatan
structure version, kemudian dilakukan
pembuatan Mapping Function (MapF).
Gambar 12 merupakan ilustrasi hubungan
Mapping Function dengan structure version.

Gambar 12 Hubungan Mapping Function
dengan structure version.
Pada pembuatan MapF pada Gambar 12 di
atas dibuat dengan menghubungkan antar dua
structure version berbeda. Pada penelitian ini
difokuskan pada dimensi lokasi dan waktu.
Fungsi MapF ini akan difokuskan pada
masalah penjumlahan hotspot.
Uji Query
Uji query adalah tahap untuk menguji
spatio-temporal data warehouse apakah telah

HASIL DAN PEMBAHASAN
Analisis Data
Data yang digunakan dalam penelitian ini
adalah data hotspot kebakaran hutan dari
tahun 1997 sampai dengan tahun 2005 di
seluruh wilayah Indonesa. Data tersebut
diperoleh dari Direktorat Pengendalian
Kebakaran Hutan (DPKH) Departemen
Kehutanan Republik Indonesia yang telah
direvisi oleh Kurniawan (2011) dalam bentuk
excel (.xls) dan text (.txt). Atribut-atribut yang
terdapat dalam data hotspot yaitu tahun
muncul, bulan muncul, tanggal muncul, tahun
hilang, bulan hilang, tanggal hilang, NOAA
(satelit), bujur, lintang, provinsi, dan
kabupaten. Data spasial dan atribut wilayah
administrasi Indonesia yang meliputi kode
pulau, nama pulau, kode provinsi, nama
provinsi, kode kabupaten, dan nama
kabupaten diperoleh dari www.inigis.info
dalam format .shp dengan skala 1: 25.000.
Dalam format ini, peta Indonesia terdiri atas
30 provinsi dan 440 kabupaten/kota.
Analisis data yang dilakukan pada data
tersebut ialah memilih atribut-atribut yang
tepat untuk mengembangkan aplikasi spatiotemporal data warehouse. Atribut-atribut

7

yang digunakan adalah tahun muncul, quartil
muncul, bulan muncul, tanggal muncul, tahun
hilang, quartil hilang, bulan hilang, tanggal
hilang, NOAA (satelit), bujur, lintang,
sedangkan dimensi lokasi menggunakan
atribut wilayah dari file .shp. Berdasarkan
atribut-atribut yang terpilih kemudian dibuat
tabel fakta dan tabel dimensi. Dari hasil
analisis dihasilkan sebuah tabel fakta dan
tabel dimensi. Skema data warehouse yang
digunakan adalah skema snowflake. Skema
snowflake ini digunakan untuk menangani
redundansi data geometri pada dimensi lokasi
(spasial). Ilustrasi skema snowflake dapat
dilihat pada Gambar 13.

Gambar 13 Skema snowflake
Ekstraksi Data
Pada tahap ini dilakukan proses
pengambilan data yang relevan dengan model
skema yang telah dibuat. Proses ini mereduksi
atribut-atribut yang tidak terpilih pada tahap
analisis. Hasil reduksi data dapat dilihat pada
Tabel 1.
Table 1 Hasil Reduksi Data
Atribut
Tahun muncul
Quartil muncul
Bulan muncul
Tanggal muncul
Tahun hilang
Quartil hilang
Bulan hilang
Tanggal hilang
NOAA (satelit)
Bujur
Lintang
Kode pulau
Pulau
Kode provinsi

Tipe Data
Integer
Varchar (2)
Varchar (10)
Integer
Integer
Varchar (2)
Varchar (10)
Integer
Varchar(20)
Real
Real
Integer
Varchar(50)
Integer

Atribut
Provinsi
Kode kabupaten
Kabupaten

Tipe Data
Varchar(50)
Integer
Varchar(50)

Pembersihan data juga dilakukan pada
tahap ini untuk menangani data kosong (null),
noise, dan data yang tidak konsisten. Proses
ini dilakukan oleh Trisminingsih R (2010),
dengan mengolah data vektor pada ArcView.
Pembersihan data yang dilakukan meliputi:
1 Pembersihan nilai kosong (null)
Pada beberapa kolom atribut ditemukan
nilai kosong (null). Nilai null pada atribut
tahun dan bulan ditangani dengan
menghapus record data tersebut. Pada
atribut NOAA (satelit) ditemukan nilai
null pada data tahun 1997-1998. Nilai null
tersebut diisi dengan “0”. Atribut dimensi
lokasi yang berasal dari file .shp digabung
dengan data vektor menggunakan arcview
dengan operasi spatial join. Pada atribut
dimensi lokasi pada data gabungan
ditemukan nilai null, hal ini menunjukkan
bahwa hotspot yang terdeteksi berada di
luar wilayah Indonesia. Record-record
dengan titik hotspot yang berada di luar
wilayah Indonesia dihapus karena
penelitian ini hanya menggunakan data
hotspot yang berada di wilayah Indonesia.
2 Pembersihan noise
Pada data hotspot kebakaran hutan
ditemukan noise berupa titik-titik hotspot
yang berada di wilayah Indonesia tetapi
terletak di atas wilayah perairan Indonesia.
Penulis mengasumsikan bahwa data
tersebut merupakan data penambangan
minyak lepas pantai atau kesalahan
pemasukan data sumber akibat kerusakan
satelit. Data yang mengandung noise
tersebut
dihapus
karena
dapat
mempengaruhi hasil analisis data.
3 Perbaikan data yang tidak konsisten
Pada setiap atribut data hotspot terdapat
data tidak konsisten terutama atribut
dimensi lokasi sehingga perlu dilakukan
pembenaran agar tetap seragam. Penulisan
nama kabupaten dan provinsi digunakan
huruf kapital.
Jumlah data yang dihasilkan setelah
pembersihan data adalah 362.587 record.
Rincian pembersihan data yang dilakukan
dalam penelitian ini dapat dilihat pada
Lampiran 1.

8

Transformasi Data
Dalam transformasi data dilakukan proses
penyeragaman nama atribut, generalisasi,
agregasi, dan konstruksi atribut atau dimensi.
Proses transformasi dilakukan berdasarkan
skema snowflake yang telah dibuat pada tahap
analisis. Nama-nama atribut disesuaikan
dengan nama atribut pada skema tersebut.
Pada data fakta ditentukan nilai agregasi
atribut-atribut
yang
menjadi
ukuran
(measure). Atribut baru dikonstruksi untuk
menampung ukuran berupa jumlah hotspot
hasil agregasi. Fungsi agregat yang digunakan
adalah fungsi sum untuk proses penjumlahan
hotspot.

menjadi satu bagian yaitu provinsi dan
terdapat provinsi yang mengalami pemekaran
wilayah (split) pada daerah tertentu.
Pembagian structure version hotspot dapat
dilihat pada Tabel 2.
Table 2 Structure Version hotspot
Structure Version

Jenis Perubahan

Structure Version 1

Lokasi tidak mengalami
perubahan.

Lokasi mengalami
penggabungan (merge)
menjadi hanya satu hierarki
Structure Version 2
yaitu provinsi dan terjadi
pemekaran wilayah (split)

Konversi Data
Setelah proses ekstraksi dan transformasi
data, data vektor dan data shp dimuat ke
database PostgreSQL yang dilengkapi library
PostGIS. Data hotspot yang diperoleh dalam
format .xls dan .txt dikonversi menjadi atribut
dari format shapefile. Proses konversi
dilakukan dengan tool QuantumGIS. Data
yang telah dikonversi dalam bentuk shapefile
dimuat ke dalam database dengan mengimpor
data. Proses import data dilakukan dengan
menggunakan
plugin
manager
SPIT
(Shapefile to PostgreSQL/PostGIS Import
Tool) pada QuantumGIS. Pemuatan data ke
dalam tabel database tidak perlu dilakukan
lagi karena pada saat melakukan import data
shapefile ke format .sql maka data telah
tersusun sesuai nama tabel pada format
shapefile.

Berdasarkan Tabel 2, maka hierarki dari
masing-masing structure version pada Tabel
2 di atas terlihat pada Gambar 14 dan 15.
Lokasi


Provinsi A


Kabupaten
Gambar 14 Hierarki pada Structure Version 1

Lokasi

Pemuatan Data
Data yang telah dikonversi ke dalam
PostgreSQL, disesuaikan dengan structure
version data berdasarkan skema snowflake
yang telah dibuat. Data yang telah terseleksi
pada tahap ekstraksi dan transformasi akan
dimuat ke dalam structure version.
Pembuatan Structure Version pada Data
Warehouse
Tahapan selanjutnya adalah pembuatan
model dari data warehouse. Pemodelan
dilakukan dengan cara menentukan structure
version berdasarkan perubahan struktur yang
terjadi. Perubahan struktur yang terjadi pada
data kebakaran hutan terdapat pada tahun
1997 dan tahun 2001. Yaitu pada tahun 1997,
dimensi lokasi di Indonesia terdapat dua
hierarki yaitu provinsi dan kabupaten
sedangkan pada tahun 2001, provinsi dan
kabupaten mengalami penggabungan (merge)



Provinsi A



Provinsi B

Gambar 15 Hierarki pada Structure Version 2
Implementasi pembuatan structure version
mengggunakan tool schema workbench. Cube
(kubus) yang dibuat disesuaikan dengan
skema snowflake yang telah dirancang. Pada
Gambar 16 berikut merupakan structure
version yang telah dirancang menggunakan
tool schema workbench.

9

query spasial, dan query temporal dan query
spatio-temporal.
Query biasa
Struktur query ini mirip dengan query
database relasional, Structured Query
Language (SQL). Query ini mendukung
operasi dengan konsep model data logika.
Pada uji query biasa akan dilakukan uji
menampilkan jumlah hotspot yang muncul
dari semua satelit pada tahun 1998. Ilustrasi
query yang diujikan adalah sebagai berikut:

1.

Gambar 16 Struktur version pada schema
workbench
Struktur format XML yang dihasilkan dari
schema struktur version data dapat di lihat
pada Lampiran 2.

Select
{[Measures].[Jumlah Hotspot]} on
columns,
{([satelit].[Semua Satelit])} ON rows
from [forestfire]
where (Valid_start. [1998])
Ilustrasi tampilan hasil query dapat dilihat
pada Gambar 17.

Pembuatan Mapping Function (MapF)
Tahapan selanjutnya dalam pembuatan
temporal data warehouse adalah pembuatan
Mapping Function (MapF). Mapping
Function yang dibuat berdasarkan structure
version yang sudah ada.
Berikut merupakan MapF yang dibuat
antara lain:
 Jumlah hotspot [1998-2005] = jumlah
hotspot (1998) + jumlah hotspot (2005).
 Jumlah hotspot [1998-2005] = jumlah
hotspot (SV1) + jumlah hotspot (SV2).
Implementasi MapF dapat dilihat pada
Lampiran 3. Dalam penggunaan mapping
function masih dimasukkan ke dalam query
secara langsung, karena dalam penelitian ini
masih belum ditemukan generalisasi rule
secara otomatis.
Pembuatan dan Pengujian Query dalam
SpatioTemporal Data Warehouse
Uji query dilakukan untuk menguji spatiotemporal data warehouse apakah telah sesuai
dengan kebutuhan dan memeriksa apakah
operasi
dasar
OLAP
berhasil
diimplementasikan untuk data spasial dan
temporal. Query yang digunakan untuk
menguji sistem ini adalah query dalam bentuk
fungsi MDX. Fungsi MDX mendukung query
untuk
objek
multidimensional
dan
menjalankan perintah-perintah yang mampu
menghasilkan dan memanipulasi data dari
objek tersebut. Pada penelitian ini, MDX yang
digunakan mampu mendukung query biasa,

Gambar 17 Tampilan Hasil Query MDX
Biasa.
Hasil yang diperoleh dari query biasa adalah
jumlah hotspot semua satelit adalah 29.947
titik pada tahun 1998.
Query spasial
Query ini mendukung model data spasial
Open Geodata Interchange Standard (OGIS).
Model data OGIS mampu menangani bentuk
geometri seperti point, polygon, dan curve.
Pada uji query spasial akan dilakukan uji
menampilkan jumlah hotspot dan titik dari
konversi geometry pada kecamatan Buleleng.
Ilustrasi query spasial yang diujikan dalam
penelitian ini adalah sebagai berikut:

2.

SELECT {[Measures].[Jumlah
Hotspot]} ON COLUMNS,
{([Lokasi.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[BALI].
[BULELENG].[194675],
[Valid_start].[Semua
Waktu].[2000])} ON ROWS
from [forestfire]
Ilustrasi tampilan hasil query dapat dilihat
pada Gambar 18.

10

maka
pada
data
warehouse
yang
menggunakan temporal akan memperlihatkan
hasil seperti Gambar 19 di bawah ini:

Gambar 19 Hasil query untuk jumlah hotspot
1998 + 2003.

Gambar 18 Tampilan Hasil Query Spasial.
Hasil yang diperoleh dari query spasial adalah
jumlah hotspot dan koordinat titik dari
kabupaten Buleleng.
Query temporal
Perbedaan
data
warehouse
yang
menggunakan sisi temporal dengan data
warehouse tanpa menggunakan sisi temporal
yaitu dari sisi query dan hasil yang
diinginkan, sebagai contoh akan dilakukan uji
menampilkan berapa jumlah hotspot pada
tahun 1998 ditambah tahun 2005 di provinsi
Jawa Barat. Ilustrasi query temporal yang
diujikan dalam penelitian ini adalah sebagai
berikut:
3.

With member [Lokasi.hierarki
wilayah].[JAWA BARAT] as
'(([Lokasi.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[JAWA BARAT] +
[Lokasi2.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[JAWA BARAT]) +
[Lokasi2.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[BANTEN])'
member [Valid_start].[1998 to 2005] as
'([Valid_start].[Semua Waktu].[1998] +
[Valid_start].[Semua Waktu].[2005])'
SELECT {[Measures].[Jumlah Hotspot]}
ON COLUMNS,
Crossjoin({[Lokasi.hierarki
wilayah].[JAWA BARAT]},
Crossjoin({[Valid_start].[1998 to
2005], [Valid_start].[Semua
Waktu].[1998], [Valid_start].[Semua
Waktu].[2005]}, {([Satelit].[Semua
Satelit], [Event].[Semua Event],
[Valid_End].[Semua Waktu])})) ON
ROWS
FROM [forestfire]

Gambar 19 menunjukkan jumlah hotspot
di Jawa Barat pada tahun 1998 ditambah
tahun 2003 adalah 60. Pada structure version
2 Jawa Barat mengalami pemekaran wilayah
yaitu menjadi provinsi Jawa Barat dan Banten
sehingga pada saat query dilakukan, SV1
(Jawa Barat) dan SV2 (Jawa Barat + Banten)
dihitung berdasarkan mapping function,
jumlah hotspot = jumlah hotspot (SV1) +
jumlah hotspot (SV2).
Query spatio- temporal
Query ini mendukung model data spasial
Open Geodata Interchange Standard (OGIS)
dalam penjumlahan waktu tertentu. Sebagai
contoh akan dilakukan uji menampilkan
berapa jumlah hotspot di provinsi Bali pada
tahun 2000 ditambah tahun 2005, Ilustrasi
query spatio-temporal yang diujikan dalam
penelitian ini adalah sebagai berikut:

4.

With member [Lokasi.hierarki wilayah].[Bali]
as '([Lokasi.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[BALI] +
[Lokasi2.hierarki wilayah].[Seluruh
Indonesia].[JAWA].[BALI])'
member [Valid_start].[2000 to 2005] as
'([Valid_start].[Semua Waktu].[2000] +
[Valid_start].[Semua Waktu].[2005])'
SELECT {[Measures].[Jumlah
Hotspot]} ON COLUMNS,
Crossjoin({[Lokasi.hierarki
wilayah].[Bali], [Lokasi.hierarki
wilayah].[Seluruh
Indonesia].[JAWA].[BALI].[BULELENG
].[194675], [Lokasi.hierarki
wilayah].[Seluruh
Indonesia].[JAWA].[BALI].[BULELENG
].[194678], [Lokasi.hierarki
wilayah].[Seluruh
Indonesia].[JAWA].[BALI].[BULELENG
].[194679]},
Crossjoin({[Valid_start].[2000 to 2005],
[Valid_start].[Semua Waktu].[2000],

11

[Valid_start].[Semua Waktu].[2005]},
{([Satelit].[Semua Satelit], [Event].[Semua
Event], [Valid_End].[Semua Waktu])}))
ON ROWS
FROM [forestfire]
maka
pada
data
warehouse
yang
menggunakan
spatio-temporal
akan
memperlihatkan hasil seperti Gambar 20 di
bawah ini:

Gambar 22 Contoh operasi slicing.

Gambar 20 Hasil query untuk jumlah hotspot
provinsi Bali 2000 + 2005.
Gambar 20 menunjukkan jumlah hotspot
provinsi Bali tahun 2000 pada structure
version 1 ditambah tahun 2005 pada structure
version 2 adalah 4. Pada Gambar 20
diperlihatkan juga koordinat point pada setiap
titik.
Dalam
pengujian,
dilakukan
juga
pengujian operasi OLAP untuk mengetahui
apakah operasi OLAP dapat dilakukan pada
data spatio temporal. Ilustrasi tampilan
spatio-temporal OLAP dan keterangan dapat
di lihat pada Lampiran 4. Uji operasi drill
down yang dilakukan pada dimensi wilayah.
Hasil dari drill down pada dimensi wilayah
dapat dilihat pada Gambar 21.

Hasil yang diperoleh dari operasi slicing
tersebut adalah 29.947 jumlah hotspot di
seluruh Indonesia pada tahun 1998.
Contoh operasi dicing pada spatiotemporal data warehouse adalah akan dipilih
dua dimensi yaitu dimensi tahun dan lokasi
dengan dua hierarki. Contoh operasi dicing
dapat dilihat pada Gambar 23.

Gambar 21 Hasil operasi drill down pada
dimensi wilayah.
Hasil yang diperoleh dari query tersebut
adalah 362.587 jumlah hotspot pada tahun
1997 hingga 2005. Contoh operasi slicing
pada spatio-temporal data warehouse ini
diilustrasikan pada Gambar 22.

Gambar 23 Contoh operasi dicing.
Hasil yang diperoleh dari operasi dicing
tersebut adalah 29 jumlah hotspot di pulau

12

jawa pada tahun 1998 dan 164 jumlah hotspot
pada tahun 2000. Di lain pihak di pulau Irian
Jaya 3 jumlah hotspot pada tahun 1998 dan
tidak ada jumlah hotspot pada tahun 2000.
Aplikasi spatial-temporal berbasis web
dibuat dengan framework Geomondrian
mampu menampilkan tabel pivot dan grafik
dan melakukan operasi OLAP. Structure
version dibuat berdasarkan perubahan struktur
yang terjadi pada data. Dengan demikian data
warehouse
spatiotemporal
mampu
memberikan hasil jika dilakukan uji query
untuk data yang mengalami perubahan
struktur.

KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil pembuatan spatialtemporal
data
warehouse
dengan
menggunakan
GeoMondrian
diperoleh
beberapa