Pengembangan Modul Update Data pada Sistem Spatial Data Warehouse Hotspot
PENGEMBANGAN MODUL UPDATE DATA PADA SISTEM
SPATIAL DATA WAREHOUSE HOTSPOT
BOLIVIANTO KUSUMAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Modul
Update Data pada Sistem Spatial Data Warehouse Hotspot adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2014
Bolivianto Kusumah
NIM G64114047
ABSTRAK
BOLIVIANTO KUSUMAH. Pengembangan Modul Update Data pada Sistem
Spatial Data Warehouse Hotspot. Dibimbing oleh HARI AGUNG ADRIANTO.
Sistem spatial on-line analytical processing (SOLAP) telah dikembangkan
untuk membantu melakukan pengamatan terhadap titik panas. Sistem tersebut
mampu melakukan analisis SOLAP dan menampilkan visualisasi persebaran titik
panas, namun belum mampu memperbarui data titik panas ke dalam data
warehouse. Penelitian ini bertujuan untuk mengembangkan modul update data.
Sistem dibuat menggunakan bahasa pemrograman Java dan memiliki graphical
user interface (GUI). Sumber data yang digunakan oleh sistem ini adalah hasil
pencitraan satelit berupa fail teks, berisikan informasi titik panas milik Direktorat
Pengendalian Kebakaran Hutan (DPKH). Ekstraksi dilakukan untuk mengambil
informasi titik panas pada fail teks dan melakukan penyesuaian bentuk skema agar
dapat disimpan pada data warehouse. Dengan mengacu pada konsep extraction,
transformation, dan loading (ETL), sistem ini mampu memetakan data dari data
source ke dalam data warehouse, dan dapat memproses beberapa fail teks
sekaligus.
Kata kunci: data warehouse, ETL, kebakaran hutan, SOLAP, spasial, titik panas
ABSTRACT
BOLIVIANTO KUSUMAH. Development of Data Updating Module for Hotspot
Spatial Data Warehouse. Supervised by HARI AGUNG ADRIANTO.
The spatial on-line analytical processing (SOLAP) was developed to support
hotspots monitoring. The system is able to perform SOLAP analysis and provide
the visualization of hotspot distribution. However, this system has not been able to
update the hotspots data into a data warehouse. This research aimed to develop a
data updating module. This system was built in Java programming language and
has a graphical user interface (GUI). The data source used by this system was the
result of satellite imagery in the form of a text file, which contains information of
hotspots owned by Directorate of Forest Fire Control. Extraction was done to
retrieve hotspots information in the text file and make the schematic adjustments
in order to be stored in the data warehouse. Refers to the concept of extraction,
transformation, and loading (ETL), the system is able to map the data from the
data source into the data warehouse, and can process multiple text files.
Keywords: data warehouse, ETL, forest fires, hotspot, SOLAP, spatial
PENGEMBANGAN MODUL UPDATE DATA PADA SISTEM
SPATIAL DATA WAREHOUSE HOTSPOT
BOLIVIANTO KUSUMAH
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
2014
Judul Skripsi : Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot
Nama
: Bolivianto Kusumah
NIM
: G64114047
Disetujui oleh
Hari Agung Adrianto, SKom MSi
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
Judul SkIipsi: Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot
Nama
: Bolivianto Kusumah
NIM
: G64114047
Disetujui oleh
Adrianto SKom MSi
Pembimbing I
Tanggal Lulus:
1 Z MAR 2014
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah titik
panas, dengan judul Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot.
Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto Skom
MSi selaku pembimbing, serta teman-teman departemen ilmu komputer yang
telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada
ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2014
Bolivianto Kusumah
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Sumber Data
3
Ekstraksi Data
4
Data Staging Area
4
Pembersihan Data
4
Data Store
4
Transformasi Data
5
Loading
5
Pengujian
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Pemilihan Berkas
7
Ekstraksi Data
7
Data Staging Area
8
Pemuatan Data
9
Pengujian
SIMPULAN DAN SARAN
10
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
13
LAMPIRAN
13
RIWAYAT HIDUP
15
DAFTAR TABEL
1
2
3
4
Waktu eksekusi ekstraksi data
Waktu eksekusi transformasi data
Waktu eksekusi pemuatan data
Waktu eksekusi keseluruhan (dengan 200 data valid)
11
12
12
12
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Framework umum pada proses ETL (El-Bastawissy et al. 2011)
Proses ETL modifikasi
Skema snowflake modifikasi (Imaduddin, 2012)
List view fail teks
Model class Hotspot
List view hasil ekstraksi
Model class fakta
Hasil proses transaksi pemuatan data pada console
Visualisasi hotspot pada peta
3
3
5
7
8
8
9
10
11
DAFTAR LAMPIRAN
1 Format sumber data
2 Antarmuka sistem
14
15
PENDAHULUAN
Latar Belakang
Kebakaran hutan dan lahan dapat dipantau dengan menggunakan AVHRRNOAA (Advanced Very High Resolution Radiometer – National Oceanic and
Atmospheric Administration) yaitu melalui pengamatan titik panas (Thoha, 2008).
Direktorat Pengendalian Kebakaran Hutan (DPKH) menggunakan data titik panas
hasil pencitraan lokasi jarak jauh oleh satelit NOAA untuk memonitor titik panas
dalam upaya pengendalian kebakaran hutan dan lahan. DPKH secara rutin
melakukan pengambilan data titik panas di beberapa wilayah di Indonesia,
kemudian menyimpan data tersebut dalam bentuk citra dan fail teks. Menurut
Imaduddin (2012) teknologi data warehouse dengan tool on-line analytical
processing (OLAP) merupakan salah satu solusi permasalahan penumpukan data
hasil pencitraan lokasi jarak jauh. OLAP dapat digunakan untuk
mengorganisasikan data persebaran titik panas dan menampilkan informasi
sehingga dapat digunakan untuk pengambilan keputusan dalam pengendalian
kebakaran hutan.
Trisminingsih (2010) telah melakukan penelitian dengan judul
pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di
wilayah Indonesia. Penelitian tersebut kemudian dilanjutkan oleh Fadli (2011)
dengan menambahkan modul visualisasi kartografis. Pada tahun berikutnya
Imaduddin (2012) mencoba melengkapi kekurangan penelitian Fadli (2011), yaitu
dengan melakukan sinkronisasi antara query OLAP dengan peta sehingga
memudahkan pengguna dalam melakukan analisis spatial dengan tool OLAP.
Dari ketiga penelitian tersebut kekurangan yang dimiliki adalah tidak tersedianya
modul untuk melakukan update data titik panas, dan data yang tersedia hanya
pada rentang tahun 1997 – 2005 yang merupakan hasil praproses secara manual
yang dilakukan Trisminingsih (2010).
Penelitian ini dilakukan dalam upaya untuk melengkapi ketiga penelitian
tersebut dengan menambahkan modul update data titik panas. Dengan bersumber
pada data yang dimiliki oleh DPKH yaitu berupa fail teks, modul ini memiliki
fungsi membaca (parsing) data didalam fail tersebut lalu mempersiapkan data
tersebut sebelum memasuki data warehouse. Dengan demikian pengguna
diharapkan tidak lagi melakukan praproses data secara manual untuk
menambahkan data titik panas secara langsung pada data warehouse.
Perumusan Masalah
Pengambilan data titik panas dilakukan menggunakan satelit kemudian hasil
tersebut disimpan dalam bentuk citra dan fail teks. Sumber data yang digunakan
dalam penelitian ini ialah data titik panas yang berupa fail teks. Untuk
memasukkan data titik panas ke dalam data warehouse guna keperluan analisis,
pengguna harus melakukan praproses terlebih dahulu terhadap fail teks dan
menambahkannya ke dalam data warehouse. Sedangkan, setiap fail teks tersebut
terdiri atas beberapa baris dan kolom informasi titik panas, dan diperbarui secara
terus menerus dalam rentang waktu tertentu.
2
Penambahan titik panas dengan melakukan praproses data secara manual
tidak lagi memungkinkan untuk dilakukan, mengingat jumlah data yang harus
diproses sangat banyak. Oleh karena itu penelitian ini dilakukan dalam upaya
membantu pengguna menangani penambahan data titik panas baru ke dalam data
warehouse. Tantangan yang dihadapi adalah:
1
Bagaimana melakukan ekstraksi data pada fail teks?
2
Bagaimana mengubah hasil ekstraksi tersebut ke dalam bentuk yang sesuai
dengan kebutuhan data warehouse?
3
Bagaimana menyimpan data dengan format yang sesuai dengan skema pada
data warehouse?
Berdasarkan pada kondisi tersebut pendekatan yang mungkin dilakukan
adalah menggunakan metode extraction, transformation, dan loading (ETL). ETL
merupakan tahapan yang digunakan dalam praproses data. Dimulai dari
pengambilan data sampai dengan penyimpanan data pada data warehouse.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk menambahkan modul update data titik
panas, pada sistem yang telah dikembangkan oleh Imaduddin (2012) yaitu dengan
melakukan ekstraksi data titik panas baru yang didapat dari fail teks yang dimiliki
oleh DPKH dan menambahkannya ke dalam data warehouse guna keperluan
analisis.
Manfaat Penelitian
Hasil penelitian ini diharapkan dapat memudahkan pengguna dalam
melakukan update data titik panas ke dalam data warehouse dengan melakukan
praproses data secara otomatis.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini adalah:
Penelitian dilakukan pada data milik DPKH berupa fail teks yang dapat
diunduh secara bebas pada situs resmi DPKH.
Data yang digunakan adalah data yang berisi informasi dan atribut - atribut
titik panas.
Penelitian yang dilakukan hanya sampai pada penyimpanan data ke dalam
data warehouse.
METODE
Metode yang digunakan pada penelitian ini mengacu pada konsep extraction,
transformation dan loading (ETL). ETL merupakan tahapan yang digunakan
untuk melakukan praproses data dalam kegiatan data warehousing. Framework
3
umum dalam proses ETL menurut El-Bastawissy et al. (2011) ditunjukkan pada
Gambar 1. Data staging area (DSA) menunjukkan tempat dimana terjadinya
proses transformasi sebelum dimuat ke dalam data warehouse (DW).
Selama proses ETL, data diekstraksi dari basis data OLTP, kemudian
ditransformasi ke dalam bentuk yang sesuai dengan skema data warehouse, dan
dimuat ke dalam data warehouse database (Berson dan Smith, 1997; Moss, 2005)
di dalam El-Bastawissy et al. (2011). Sumber data bagi data warehouse juga
dapat berasal dari sistem selain OLTP seperti fail teks, legacy systems, dan
spreadsheets (El-Bastawissy et al. 2011).
Penelitian ini memiliki alur yang merupakan hasil modifikasi dari
framework umum yang dikemukakan oleh El-Bastawissy et al. (2011), seperti
ditunjukkan pada Gambar 2, dengan menambahkan data store (DS) sebagai media
penyimpanan data. Data store akan menyimpan data hasil ekstraksi yang telah
melalui tahap pembersihan data.
Ekstraksi data dilakukan pada sumber data dengan melakukan teknik
parsing pada fail teks, kemudian hasil parsing dimasukkan ke dalam DSA untuk
dilakukan proses pembersihan data dan transformasi data. Data yang telah
dibersihkan akan disimpan pada data store terlebih dahulu, sebelum dilakukan
transformasi data dan pemuatan data ke dalam data warehouse.
Sumber Data
Sumber data merupakan data yang digunakan sebagai sumber masukan
untuk data warehouse, data tersebut akan diambil melalui proses ekstraksi data
untuk kemudian dimuat ke dalam data warehouse. Sumber data pada penelitian
ini berfokus pada satu tipe format yaitu fail teks berisikan informasi titik panas
milik DPKH, yang telah dipublikasikan dan bebas diunduh pada situs resmi
DPKH. Format sumber data seperti ditunjukkan pada Lampiran 1.
Gambar 1 Framework umum pada proses ETL (ElBastawissy et al. 2011)
Gambar 2 Proses ETL modifikasi
4
Ekstraksi Data
Proses ekstraksi data bertujuan untuk mendapatkan data dari sumber data,
yang diperlukan oleh data warehouse. Langkah yang dilakukan pada proses ini
adalah text parsing. Text parsing merupakan proses pengambilan informasi teks
pada fail berbasis teks. Proses ekstraksi data dapat dilakukan terhadap satu atau
beberapa sumber data sekaligus. Hasil ekstraksi kemudian dilanjutkan kedalam
tahap data staging area kemudian data yang telah bersih disimpan ke dalam data
store.
Data Staging Area
Data yang telah diekstraksi dari beberapa sumber data berbeda, kemudian
dipindahkan ke dalam data staging area dimana data akan ditransformasikan dan
dibersihkan sebelum dipetakan ke dalam data warehouse (El-Bastawissy et al.
2011).
Proses yang terjadi pada tahapan ETL adalah melakukan ekstraksi terhadap
sumber data, kemudian hasil ekstraksi akan dimuat ke dalam DSA. DSA
merupakan area khusus dalam kegiatan data warehousing, yaitu merupakan
tempat dimana data akan ditransformasikan, diseragamkan, dan dibersihkan
(Simitsis dan Vassiliadis 2009).
Penelitian ini menggunakan ArrayList pada bahasa pemrograman Java,
sebagai data staging area, yang secara fisik berada di dalam memori dan bersifat
non-volatile. Masing-masing data hasil ekstraksi dimodelkan dalam bentuk objek
hotspot, yang merupakan hasil bentukan dari class Hotspot pada Java, kemudian
objek-objek hotspot tersebut dimasukkan kedalam list objek hotspot yang bertipe
data ArrayList.
Pembersihan Data
Pembersihan data adalah proses membuang data hasil ekstraksi data yang
dianggap tidak valid yang terjadi di dalam data staging area. Pada tahap ini
proses yang dilakukan adalah mendeteksi missing value, mendeteksi redudansi
data, dan melakukan validasi lokasi hotspot pada tiap objek yang berada di dalam
data staging area. Objek hotspot dikatakan tidak valid apabila terdapat missing
value pada atribut yang dibutuhkan oleh data warehouse, terjadi redundansi data
hotspot, dan atau objek hotspot yang bukan merupakan hotspot yang berada di
dalam wilayah Indonesia. Objek hotspot yang tidak valid akan dikeluarkan dari
data staging area. Data yang telah bersih kemudian akan disimpan ke dalam data
store sebelum memasuki tahap transformasi data.
Data Store
Data store merupakan media penyimpanan data, yang secara fisik adalah
database yang menyimpan informasi hotspot hasil ekstraksi data dari sumber data,
yang telah dibersihkan dan diseragamkan. Data yang berada di dalam data store
5
menjadi acuan untuk proses pembersihan data yaitu menghilangkan redudansi.
Data yang berada pada data staging area akan dibuang apabila data tersebut telah
ada di dalam data store dengan membandingkan nilai atribut-atribut seperti lat,
long, dan date, sedangkan data yang belum terdapat di dalam data store akan
disimpan.
Transformasi Data
Setelah melalui tahap ekstraksi data dan pembersihan data maka tahapan
berikutnya adalah tahap transformasi data. Transformasi data adalah proses
mengubah data hasil ekstraksi dan pembersihan data menjadi bentuk yang sesuai
bagi skema data warehouse, proses ini terjadi di dalam data staging area. Skema
data warehouse terdiri atas satu tabel fakta dan tiga tabel dimensi. Adapun tabeltabel dimensi tersebut yakni dimensi titik panas, dimensi waktu, dan dimensi
satelit. Bentuk skema data warehouse hasil modifikasi yang dibuat Imaduddin
(2012) dari penelitian sebelumnya dapat dilihat pada Gambar 3.
Proses yang terjadi pada tahap ini adalah membaca kembali data titik panas
hasil ekstraksi yang tersimpan pada data store, kemudian hasil pembacaan dari
data store akan dimodelkan kedalam bentuk class pada bahasa pemrograman
Java, mengikuti skema data warehouse. Atribut date mengalami perubahan
bentuk menjadi dimensi waktu yang memiliki atribut yaitu tahun, kuartil, dan
bulan.
Loading
Loading merupakan tahap terakhir dalam proses ETL, yaitu memuat data
pada data warehouse. Data yang telah diekstraksi, dibersihkan, dan ditransformasi
di dalam data staging area kemudian dipetakan ke dalam data warehouse. Data
Gambar 3 Skema snowflake modifikasi (Imaduddin,
2012)
6
warehouse harus dinonaktifkan terlebih dahulu dari kegiatan operasional sebelum
proses loading, agar tidak mengganggu kegiatan operasional.
Proses insert data dilakukan menggunakan query insert dengan memetakan
tabel-tabel dimensi terlebih dahulu kemudian tabel fakta, hal ini dilakukan untuk
mendapatkan foreign key yang dibutuhkan oleh tabel fakta. Untuk menghindari
agar tidak terjadi kesalahan dalam proses insert data, maka digunakan fitur
rollback. Fitur rollback akan membatalkan transaksi insert data ketika terjadi
kesalahan.
Pengujian
Pengujian terhadap modul update hasil penelitian ini dilakukan dalam dua
tahap yaitu uji query dan uji performa sistem. Uji query dilakukan terhadap sistem
SOLAP dengan memasukkan query MDX, kemudian melihat apakah data hotspot
yang baru ditambahkan melalui modul update muncul pada peta atau tidak. Uji
performa dilakukan untuk mengetahui berapa waktu yang dibutuhkan untuk
melakukan praproses di masing-masing tahap ETL dan waktu keseluruhan.
Lingkungan Pengembangan
Penelitian ini diimplementasikan menggunakan bahasa pemrograman Java
dan SQL serta dengan spesifikasi perangkat keras dan lunak sebagai berikut:
1
Perangkat Keras
Spesifikasi perangkat keras yang digunakan adalah:
o Intel ® Core™ i5 CPU 1.8 GHz.
o Memori 4 GB 1600 MHz DDR 3.
o Harddisk 256 GB SSD.
o Keyboard dan mouse.
2
Perangkat Lunak
o Sistem operasi Mac OS X Mavericks 1.9 64 bit.
o NetBeans IDE 7.2.1.
o Postgres 9.3.0 dengan ekstensi PostGIS 2.0.
o pgAdmin3 1.18.1.
HASIL DAN PEMBAHASAN
Hasil penelitian ini berupa sistem yang mampu melakukan praproses data
terhadap sumber data dengan mengacu pada proses ETL, dan memiliki antarmuka
untuk membantu pengguna dalam melakukan praproses. Sistem ini memiliki
empat fitur yaitu pemilihan berkas, ekstraksi data, transformasi data, dan
pemuatan data yang masing-masing direpresentasikan secara berurutan dengan
tombol "Browse", "Extraction", "Staging & Transform", dan "Loading" pada
antarmuka sistem. Antarmuka sistem ditunjukkan pada Lampiran 2. Masingmasing fitur saling terkait antara satu dan yang lain dengan mengikuti alur proses
ETL.
7
Pemilihan Berkas
Pemilihan berkas merupakan fitur yang digunakan untuk memilih berkas
sumber data yaitu fail teks berisikan informasi titik panas, yang akan diproses
untuk tahap ekstraksi data. Pemilihan berkas dapat dilakukan terhadap beberapa
berkas sekaligus. Berkas-berkas terpilih kemudian akan ditampilkan di dalam list
view fail teks pada antarmuka seperti ditunjukkan pada Gambar 4.
Ekstraksi Data
Ekstraksi data merupakan fitur yang digunakan untuk melakukan proses
pengambilan data terhadap berkas sumber data terpilih. Proses ekstraksi data
dilakukan dengan menggunakan teknik parsing pada fail teks yang memiliki
format data seperti pada Lampiran 1. Sumber data memiliki 12 atribut, namum
tidak seluruh atribut dibutuhkan untuk kegiatan data warehousing, untuk itu perlu
dilakukan seleksi atribut terlebih dahulu. Atribut-atribut yang dipilih pada sumber
data adalah:
1
Latitude, merupakan informasi garis lintang.
2
Longitude, merupakan informasi garis bujur.
3
Satelit, merupakan informasi nama satelit.
4
Orbit, merupakan informasi waktu satelit mengambil titik panas.
5
Time UTC, merupakan informasi keterangan waktu siang atau malam.
6
Date, merupakan informasi tanggal titik panas tersebut diambil.
7
Source, merupakan informasi mengenai sumber.
Langkah-langkah dalam melakukan parsing yaitu membaca fail teks baris
demi baris, kemudian memotong baris tersebut menjadi kolom-kolom sesuai
dengan atribut terpilih, dengan pemisah yaitu “ ” (space). Baris
merepresentasikan record dan kolom merepresentasikan atribut. Data hasil
parsing kemudian dimodelkan dalam bentuk class, yaitu class Hotspot (Gambar
5), yang merupakan representasi dari tabel hotspot pada data store.
Pemodelan ke dalam bentuk class dimaksudkan untuk menjaga integrasi
antar atribut, serta melakukan penyesuaian tipe data. Hasil ekstraksi kemudian
dimasukkan ke dalam list hotspot yang bertindak sebagai data staging area. List
hotspot merupakan sebuah array bertipe data class hotspot yang menampung
objek-objek hasil pemodelan class. List hotspot dapat divisualisasikan ke dalam
list view pada antarmuka seperti ditunjukkan pada Gambar 6.
Gambar 4 List view fail teks
8
Gambar 5 Model class Hotspot
Gambar 6 List view hasil ekstraksi
Data Staging Area
Data staging area merupakan tempat persiapan data hasil ekstraksi,
sebelum data dimuat ke dalam data warehouse. Persiapan data melibatkan proses
data cleaning dan transformasi data. Setelah data dibersihkan, data yang telah
bersih kemudian disimpan pada data store. Data store merupakan tempat
penyimpanan data dari berbagai sumber, yang sudah terintegrasi, dari hasil
ekstraksi dan telah melalui proses pembersihan data.
Data Cleaning
Data cleaning merupakan proses pembersihan data titik panas yang tidak
valid. Data yang termasuk kategori tidak valid adalah terdapat redudansi data,
berada diluar wilayah Indonesia, atau terdapat missing value. Apabila data
dikategorikan tidak valid maka data tersebut akan dikeluarkan dari staging area.
Mendeteksi redudansi data dapat dilakukan dengan menelusur apakah di
dalam data store sudah tersimpan titik panas yang sama atau tidak, dengan
membandingkan atribut lat, long, dan tanggal. Apabila ketiga nilai tersebut sama,
maka telah terjadi redudansi, kemudian data yang redundan tersebut akan
dikeluarkan dari data staging area.
Melakukan validasi terhadap lokasi titik panas dilakukan pada sisi basis data
dengan melakukan query, dua buah data bertipe geometry akan dibandingkan.
Basis data Postgres dengan ekstensi PostGIS, memiliki fungsi pengolahan data
spatial yaitu _st_contains(geometry Kabupaten, geometry Hotspot) untuk
membandingkan apakah geometry kabupaten yang bertipe polygon mengandung
bagian geometry titik panas yang bertipe point. Jika point titik panas tersebut
9
termasuk bagian dari salah satu polygon kabupaten, maka titik panas tersebut
masuk ke dalam wilayah Indonesia, dan jika bukan merupakan bagian polygon
kabupaten, titik panas tersebut akan dikeluarkan dari data staging area.
Pendeteksian missing value dilakukan dengan menelusur atribut penting
yang akan digunakan dalam kegiatan data warehousing pada objek-objek hotspot
di dalam data staging area. Atribut-atribut penting yang dimaksud yakni latitude,
longitude, satelit, dan tanggal. Apabila salah satu nilai tersebut tidak ada atau null
maka objek hotspot tersebut akan dikeluarkan dari dalam data staging area.
Transformasi Data
Transformasi data dilakukan terhadap data source yang telah diekstraksi
dan telah melalui proses data cleaning. Transformasi bertujuan untuk mengubah
data menjadi bentuk yang sesuai bagi skema data warehouse. Data class hotspot
akan diubah menjadi model class fakta dan dimensi-dimensi mengikuti skema
data warehouse. Model class terdiri atas satu model fakta dan tiga model dimensi,
model dimensi terdiri atas dimensi geohotspot, dimensi waktu, dan dimensi satelit.
Proses transformasi mengubah model class hotspot (Gambar 5) menjadi
model class fakta (Gambar 7) sesuai dengan skema data warehouse dengan
melakukan penyesuaian tipe data. Atribut lat, long, dan idKab akan dipetakan ke
dalam dimensi geohotspot, atribut tanggal akan diubah formatnya menjadi bulan,
kuartil, dan tahun kemudian dipetakan ke dalam dimensi waktu, lalu atribut satelit
akan dipetakan ke dalam dimensi satelit. Objek-objek fakta akan dimasukkan
kedalam list fakta yang merupakan array bertipe data class fakta. List fakta ini
merupakan data staging area bagi data yang telah mengalami tahap transformasi.
Pemuatan Data
Pemuatan data adalah proses memindahkan data pada data staging area ke
dalam data warehouse. Proses ini dilakukan terhadap data yang berada dalam
data staging area, yang telah mengalami proses transformasi data. Data-data
tersebut telah siap untuk dimuat ke dalam data warehouse. Proses pemuatan data
dilakukan terhadap data warehouse yang sebelumnya telah dinon-aktifkan dari
kegiatan operasional.
Tabel fakta pada data warehouse membutuhkan foreign key dari dimensi-
Gambar 7 Model class fakta
10
dimensi terkait sebagai referensi. Untuk itu pemuatan data dilakukan dengan
memuat model dimensi-dimensi terlebih dahulu ke dalam data warehouse, dan
mengembalikan nomor id record yang baru dimasukkan, untuk mendapatkan
referensi foreign key bagi model class fakta. Setelah foreign key didapatkan untuk
masing-masing dimensi, kemudian dilakukan pemuatan model class fakta.
Untuk menghindari terjadinya kesalahan dalam pemuatan data ke dalam
data warehouse, maka dilakukan penyatuan proses-proses pemuatan ke dalam
sebuah proses transaksi, dimana didalamnya terdapat operasi-operasi query
terhadap data warehouse. Setiap proses transaksi akan dinyatakan sebagai proses
yang berhasil atau gagal sebagai satu kesatuan. Apabila operasi-operasi di dalam
proses transaksi salah satunya mengalami kegagalan, maka pemuatan data atas
transaksi tersebut dibatalkan, dan sistem akan memroses data berikutnya. Setiap
transaksi pemuatan data pada data warehouse akan ditampilkan pada console
seperti ditunjukkan pada Gambar 8.
Pengujian
Uji Query
Uji query dilakukan untuk melihat apakah data hotspot hasil ekstraksi dari
sumber data berhasil dimuat ke dalam data warehouse dan ditampilkan pada peta
atau tidak. Data uji yang digunakan adalah fail teks milik DPKH pada rentang
tanggal 1-9 Januari tahun 2013 yang berjumlah 9 fail. Pengujian ini dilakukan
dengan memasukkan query MDX berikut:
SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS,
{[lokasi].[Hotspot].Members} ON ROWS FROM [geohotspot] WHERE
[waktu].[2013]
Query MDX tersebut akan menampilkan seluruh sebaran data hotspot yang
ada pada tahun 2013 (data hotspot yang baru ditambahkan) yang berjumlah 77
titik (valid) dari 1615 informasi hotspot pada fail teks seperti ditunjukkan pada
Gambar 9.
Uji Performa
Uji performa dilakukan untuk melihat waktu eksekusi yang dibutuhkan pada
tiap tahapan ETL dan total waktu eksekusi untuk keseluruhan proses ETL. Data
uji yang digunakan adalah fail teks yang berisi record-record data hotspot. Jumlah
data yang diuji berturut-turut yaitu 100, 200, 300, 400, dan 500 record data
hotspot yang berada pada satu buah fail teks pada masing-masing proses. Skala
pengukuran uji performa adalah waktu dalam satuan millisecond (ms) dan
Gambar 8 Hasil proses transaksi pemuatan data pada
console
11
Gambar 9 Visualisasi hotspot pada peta
dilakukan sebanyak tiga kali iterasi. Empat tahapan proses yang diuji sebagai
berikut:
1
Ekstraksi Data
Waktu eksekusi proses ekstraksi data terhadap sumber data, cenderung lebih
cepat dibandingkan dengan proses lainnya di dalam ETL. Hal ini dikarenakan
proses ekstraksi hanya melibatkan proses parsing text dan tidak melibatkan
kegiatan penyimpanan data seperti halnya pada penyimpanan data ke dalam data
store dan pemuatan data ke dalam data warehouse. Pengujian waktu eksekusi
ekstraksi data ditunjukkan oleh Tabel 1.
Tabel 1 Waktu eksekusi ekstraksi data
Jumlah Data
100
200
300
400
500
2
Waktu eksekusi ekstraksi data pada iterasi ke1
2
3
Waktu eksekusi (ms)
120
133
111
212
209
201
327
333
319
411
401
407
481
477
471
Staging dan Transformasi Data
Proses transformasi melibatkan proses pembersihan data serta penyimpanan
data yang telah dibersihkan ke dalam data store sehingga waktu eksekusi proses
transformasi memakan waktu lebih lama dibandingkan dengan ekstraksi data dan
pemuatan data. Setiap seratus jumlah data ditambahkan waktu eksekusi akan
meningkat lebih kurang 3000 ms atau sekitar 3 detik. Pengujian waktu eksekusi
transformasi data ditunjukkan oleh Tabel 2.
12
Tabel 2 Waktu eksekusi transformasi data
Jumlah Data
100
200
300
400
500
Waktu eksekusi transformasi data pada iterasi ke1
2
3
Waktu eksekusi (ms)
3508
3505
3487
6633
6864
6785
10221
10055
10103
13467
13621
13767
16667
16777
16669
3
Pemuatan Data
Pemuatan data dilakukan terhadap data yang dianggap valid yang telah
melalui proses pembersihan data dan penyeragaman data. Di dalam penelitian ini
data valid dikondisikan sampai dengan 200 data valid untuk pemuatan ke dalam
data warehouse. Proses pemuatan data seperti dilihat pada Tabel 3.
Tabel 3 Waktu eksekusi pemuatan data
Jumlah Data
100
200
Waktu eksekusi pemuatan data pada iterasi ke1
2
3
Waktu eksekusi (ms)
213
205
201
398
395
403
4
Keseluruhan Proses ETL
Pengujian keseluruhan proses dilakukan dengan menambahkan waktu
eksekusi pada masing-masing proses. Untuk proses pemuatan data akan
digunakan waktu eksekusi hasil dari pemuatan 200 data valid pada masing-masing
iterasi. Waktu eksekusi proses ETL keseluruhan ditunjukkan pada Tabel 4.
Tabel 4 Waktu eksekusi keseluruhan (dengan 200 data valid)
Jumlah Data
200 (200 data valid)
300 (200 data valid)
400 (200 data valid)
500 (200 data valid)
Waktu eksekusi keseluruhan data pada iterasi ke1
2
3
Waktu eksekusi (ms)
7243
7468
7389
10946
10783
10825
14276
14417
14577
17546
17649
17543
13
SIMPULAN DAN SARAN
Simpulan
Praproses data titik panas yang bersumber pada fail teks milik DPKH, tidak
lagi dilakukan secara manual. Dengan mengacu pada konsep ETL sistem mampu
melakukan praproses terhadap data titik panas berupa fail teks. Praproses
dilakukan oleh sistem dengan memilih fail teks yang akan disimpan pada data
warehouse. Sistem ini mampu melakukan pembersihan data terhadap data titik
panas yang tidak valid, dan mampu untuk melakukan pembatalan ketika memuat
data ke dalam data warehouse, apabila terjadi kesalahan.
Saran
Sistem ini hanya dapat melakukan praproses data terhadap data titik panas
pada fail teks milik DPKH, dan tidak dapat melakukan praproses data terhadap
sumber yang lain. Penambahan dan pemilihan dimensi mungkin dibutuhkan
seiring dengan penambahan lingkup analisis pada sistem SOLAP ataupun terjadi
perubahan skema pada data warehouse.
Untuk itu pada pengembangan berikutnya diharapkan sistem mampu
melakukan praproses data terhadap sumber data yang lain serta dapat menambah,
dan memilih dimensi sesuai dengan kebutuhan analisis.
DAFTAR PUSTAKA
Berson A, Smith SJ. 1997. Data Warehousing, Data Mining, and OLAP. New
York (US): McGraw-Hill.
El-Bastawissy AH, El-Sappagh SHA, Hendawi AMA. 2011. Journal of King Saud
University. A Proposed Model for Data Warehouse ETL Processes. 23(1):91104.
Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan
Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining. Ed ke-2. San Francisco (US): Morgan
Kaufmann Publishers.
Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada
spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Simitsis A, Vassiliadis P. 2009. Encyclopedia of Database Systems. Extraction,
Transformation, and Loading.doi:10.1007/978-0-387-39940-9_158.
Thoha AS. 2008. Penggunaan data hotspot untuk monitoring kebakaran hutan dan
lahan di Indonesia [karya tulis]. Medan (ID): Universitas Sumatera Utara.
Trisminingsih R. 2010. Pembangunan spatial data warehouse berbasis web untuk
persebaran hotspot di wilayah Indonesia [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
14
Lampiran 1 Format sumber data
15
Lampiran 2 Antarmuka sistem
16
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 19 Januari 1990 dan memiliki
nama lengkap Bolivianto Kusumah. Penulis merupakan putra pertama dari tiga
bersaudara dari pasangan Wowon Trestiady dan Mimin Mintarsih.
Penulis telah menyelesaikan studi Sekolah Menengah Atas di SMA Negeri
4 Bogor pada tahun 2008. Kemudian penulis melanjutkan studi tingkat perguruan
tinggi pada tahun 2008, dengan mengikuti seleksi masuk di Program Diploma
Institut Pertanian Bogor dengan program keahlian Manajemen Informatika, dan
dinyatakan lulus pada tahun 2011. Pada tahun yang sama penulis mengikuti
proses seleksi masuk program ekstensi Ilmu Komputer di IPB dan dinyatakan
diterima sebagai mahasiswa program ekstensi Ilmu Komputer pada tahun 2011.
SPATIAL DATA WAREHOUSE HOTSPOT
BOLIVIANTO KUSUMAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Modul
Update Data pada Sistem Spatial Data Warehouse Hotspot adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2014
Bolivianto Kusumah
NIM G64114047
ABSTRAK
BOLIVIANTO KUSUMAH. Pengembangan Modul Update Data pada Sistem
Spatial Data Warehouse Hotspot. Dibimbing oleh HARI AGUNG ADRIANTO.
Sistem spatial on-line analytical processing (SOLAP) telah dikembangkan
untuk membantu melakukan pengamatan terhadap titik panas. Sistem tersebut
mampu melakukan analisis SOLAP dan menampilkan visualisasi persebaran titik
panas, namun belum mampu memperbarui data titik panas ke dalam data
warehouse. Penelitian ini bertujuan untuk mengembangkan modul update data.
Sistem dibuat menggunakan bahasa pemrograman Java dan memiliki graphical
user interface (GUI). Sumber data yang digunakan oleh sistem ini adalah hasil
pencitraan satelit berupa fail teks, berisikan informasi titik panas milik Direktorat
Pengendalian Kebakaran Hutan (DPKH). Ekstraksi dilakukan untuk mengambil
informasi titik panas pada fail teks dan melakukan penyesuaian bentuk skema agar
dapat disimpan pada data warehouse. Dengan mengacu pada konsep extraction,
transformation, dan loading (ETL), sistem ini mampu memetakan data dari data
source ke dalam data warehouse, dan dapat memproses beberapa fail teks
sekaligus.
Kata kunci: data warehouse, ETL, kebakaran hutan, SOLAP, spasial, titik panas
ABSTRACT
BOLIVIANTO KUSUMAH. Development of Data Updating Module for Hotspot
Spatial Data Warehouse. Supervised by HARI AGUNG ADRIANTO.
The spatial on-line analytical processing (SOLAP) was developed to support
hotspots monitoring. The system is able to perform SOLAP analysis and provide
the visualization of hotspot distribution. However, this system has not been able to
update the hotspots data into a data warehouse. This research aimed to develop a
data updating module. This system was built in Java programming language and
has a graphical user interface (GUI). The data source used by this system was the
result of satellite imagery in the form of a text file, which contains information of
hotspots owned by Directorate of Forest Fire Control. Extraction was done to
retrieve hotspots information in the text file and make the schematic adjustments
in order to be stored in the data warehouse. Refers to the concept of extraction,
transformation, and loading (ETL), the system is able to map the data from the
data source into the data warehouse, and can process multiple text files.
Keywords: data warehouse, ETL, forest fires, hotspot, SOLAP, spatial
PENGEMBANGAN MODUL UPDATE DATA PADA SISTEM
SPATIAL DATA WAREHOUSE HOTSPOT
BOLIVIANTO KUSUMAH
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
2014
Judul Skripsi : Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot
Nama
: Bolivianto Kusumah
NIM
: G64114047
Disetujui oleh
Hari Agung Adrianto, SKom MSi
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
Judul SkIipsi: Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot
Nama
: Bolivianto Kusumah
NIM
: G64114047
Disetujui oleh
Adrianto SKom MSi
Pembimbing I
Tanggal Lulus:
1 Z MAR 2014
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah titik
panas, dengan judul Pengembangan Modul Update Data pada Sistem Spatial Data
Warehouse Hotspot.
Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto Skom
MSi selaku pembimbing, serta teman-teman departemen ilmu komputer yang
telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada
ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2014
Bolivianto Kusumah
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Sumber Data
3
Ekstraksi Data
4
Data Staging Area
4
Pembersihan Data
4
Data Store
4
Transformasi Data
5
Loading
5
Pengujian
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Pemilihan Berkas
7
Ekstraksi Data
7
Data Staging Area
8
Pemuatan Data
9
Pengujian
SIMPULAN DAN SARAN
10
13
Simpulan
13
Saran
13
DAFTAR PUSTAKA
13
LAMPIRAN
13
RIWAYAT HIDUP
15
DAFTAR TABEL
1
2
3
4
Waktu eksekusi ekstraksi data
Waktu eksekusi transformasi data
Waktu eksekusi pemuatan data
Waktu eksekusi keseluruhan (dengan 200 data valid)
11
12
12
12
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Framework umum pada proses ETL (El-Bastawissy et al. 2011)
Proses ETL modifikasi
Skema snowflake modifikasi (Imaduddin, 2012)
List view fail teks
Model class Hotspot
List view hasil ekstraksi
Model class fakta
Hasil proses transaksi pemuatan data pada console
Visualisasi hotspot pada peta
3
3
5
7
8
8
9
10
11
DAFTAR LAMPIRAN
1 Format sumber data
2 Antarmuka sistem
14
15
PENDAHULUAN
Latar Belakang
Kebakaran hutan dan lahan dapat dipantau dengan menggunakan AVHRRNOAA (Advanced Very High Resolution Radiometer – National Oceanic and
Atmospheric Administration) yaitu melalui pengamatan titik panas (Thoha, 2008).
Direktorat Pengendalian Kebakaran Hutan (DPKH) menggunakan data titik panas
hasil pencitraan lokasi jarak jauh oleh satelit NOAA untuk memonitor titik panas
dalam upaya pengendalian kebakaran hutan dan lahan. DPKH secara rutin
melakukan pengambilan data titik panas di beberapa wilayah di Indonesia,
kemudian menyimpan data tersebut dalam bentuk citra dan fail teks. Menurut
Imaduddin (2012) teknologi data warehouse dengan tool on-line analytical
processing (OLAP) merupakan salah satu solusi permasalahan penumpukan data
hasil pencitraan lokasi jarak jauh. OLAP dapat digunakan untuk
mengorganisasikan data persebaran titik panas dan menampilkan informasi
sehingga dapat digunakan untuk pengambilan keputusan dalam pengendalian
kebakaran hutan.
Trisminingsih (2010) telah melakukan penelitian dengan judul
pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di
wilayah Indonesia. Penelitian tersebut kemudian dilanjutkan oleh Fadli (2011)
dengan menambahkan modul visualisasi kartografis. Pada tahun berikutnya
Imaduddin (2012) mencoba melengkapi kekurangan penelitian Fadli (2011), yaitu
dengan melakukan sinkronisasi antara query OLAP dengan peta sehingga
memudahkan pengguna dalam melakukan analisis spatial dengan tool OLAP.
Dari ketiga penelitian tersebut kekurangan yang dimiliki adalah tidak tersedianya
modul untuk melakukan update data titik panas, dan data yang tersedia hanya
pada rentang tahun 1997 – 2005 yang merupakan hasil praproses secara manual
yang dilakukan Trisminingsih (2010).
Penelitian ini dilakukan dalam upaya untuk melengkapi ketiga penelitian
tersebut dengan menambahkan modul update data titik panas. Dengan bersumber
pada data yang dimiliki oleh DPKH yaitu berupa fail teks, modul ini memiliki
fungsi membaca (parsing) data didalam fail tersebut lalu mempersiapkan data
tersebut sebelum memasuki data warehouse. Dengan demikian pengguna
diharapkan tidak lagi melakukan praproses data secara manual untuk
menambahkan data titik panas secara langsung pada data warehouse.
Perumusan Masalah
Pengambilan data titik panas dilakukan menggunakan satelit kemudian hasil
tersebut disimpan dalam bentuk citra dan fail teks. Sumber data yang digunakan
dalam penelitian ini ialah data titik panas yang berupa fail teks. Untuk
memasukkan data titik panas ke dalam data warehouse guna keperluan analisis,
pengguna harus melakukan praproses terlebih dahulu terhadap fail teks dan
menambahkannya ke dalam data warehouse. Sedangkan, setiap fail teks tersebut
terdiri atas beberapa baris dan kolom informasi titik panas, dan diperbarui secara
terus menerus dalam rentang waktu tertentu.
2
Penambahan titik panas dengan melakukan praproses data secara manual
tidak lagi memungkinkan untuk dilakukan, mengingat jumlah data yang harus
diproses sangat banyak. Oleh karena itu penelitian ini dilakukan dalam upaya
membantu pengguna menangani penambahan data titik panas baru ke dalam data
warehouse. Tantangan yang dihadapi adalah:
1
Bagaimana melakukan ekstraksi data pada fail teks?
2
Bagaimana mengubah hasil ekstraksi tersebut ke dalam bentuk yang sesuai
dengan kebutuhan data warehouse?
3
Bagaimana menyimpan data dengan format yang sesuai dengan skema pada
data warehouse?
Berdasarkan pada kondisi tersebut pendekatan yang mungkin dilakukan
adalah menggunakan metode extraction, transformation, dan loading (ETL). ETL
merupakan tahapan yang digunakan dalam praproses data. Dimulai dari
pengambilan data sampai dengan penyimpanan data pada data warehouse.
Tujuan Penelitian
Tujuan penelitian ini adalah untuk menambahkan modul update data titik
panas, pada sistem yang telah dikembangkan oleh Imaduddin (2012) yaitu dengan
melakukan ekstraksi data titik panas baru yang didapat dari fail teks yang dimiliki
oleh DPKH dan menambahkannya ke dalam data warehouse guna keperluan
analisis.
Manfaat Penelitian
Hasil penelitian ini diharapkan dapat memudahkan pengguna dalam
melakukan update data titik panas ke dalam data warehouse dengan melakukan
praproses data secara otomatis.
Ruang Lingkup Penelitian
1
2
3
Ruang lingkup dalam penelitian ini adalah:
Penelitian dilakukan pada data milik DPKH berupa fail teks yang dapat
diunduh secara bebas pada situs resmi DPKH.
Data yang digunakan adalah data yang berisi informasi dan atribut - atribut
titik panas.
Penelitian yang dilakukan hanya sampai pada penyimpanan data ke dalam
data warehouse.
METODE
Metode yang digunakan pada penelitian ini mengacu pada konsep extraction,
transformation dan loading (ETL). ETL merupakan tahapan yang digunakan
untuk melakukan praproses data dalam kegiatan data warehousing. Framework
3
umum dalam proses ETL menurut El-Bastawissy et al. (2011) ditunjukkan pada
Gambar 1. Data staging area (DSA) menunjukkan tempat dimana terjadinya
proses transformasi sebelum dimuat ke dalam data warehouse (DW).
Selama proses ETL, data diekstraksi dari basis data OLTP, kemudian
ditransformasi ke dalam bentuk yang sesuai dengan skema data warehouse, dan
dimuat ke dalam data warehouse database (Berson dan Smith, 1997; Moss, 2005)
di dalam El-Bastawissy et al. (2011). Sumber data bagi data warehouse juga
dapat berasal dari sistem selain OLTP seperti fail teks, legacy systems, dan
spreadsheets (El-Bastawissy et al. 2011).
Penelitian ini memiliki alur yang merupakan hasil modifikasi dari
framework umum yang dikemukakan oleh El-Bastawissy et al. (2011), seperti
ditunjukkan pada Gambar 2, dengan menambahkan data store (DS) sebagai media
penyimpanan data. Data store akan menyimpan data hasil ekstraksi yang telah
melalui tahap pembersihan data.
Ekstraksi data dilakukan pada sumber data dengan melakukan teknik
parsing pada fail teks, kemudian hasil parsing dimasukkan ke dalam DSA untuk
dilakukan proses pembersihan data dan transformasi data. Data yang telah
dibersihkan akan disimpan pada data store terlebih dahulu, sebelum dilakukan
transformasi data dan pemuatan data ke dalam data warehouse.
Sumber Data
Sumber data merupakan data yang digunakan sebagai sumber masukan
untuk data warehouse, data tersebut akan diambil melalui proses ekstraksi data
untuk kemudian dimuat ke dalam data warehouse. Sumber data pada penelitian
ini berfokus pada satu tipe format yaitu fail teks berisikan informasi titik panas
milik DPKH, yang telah dipublikasikan dan bebas diunduh pada situs resmi
DPKH. Format sumber data seperti ditunjukkan pada Lampiran 1.
Gambar 1 Framework umum pada proses ETL (ElBastawissy et al. 2011)
Gambar 2 Proses ETL modifikasi
4
Ekstraksi Data
Proses ekstraksi data bertujuan untuk mendapatkan data dari sumber data,
yang diperlukan oleh data warehouse. Langkah yang dilakukan pada proses ini
adalah text parsing. Text parsing merupakan proses pengambilan informasi teks
pada fail berbasis teks. Proses ekstraksi data dapat dilakukan terhadap satu atau
beberapa sumber data sekaligus. Hasil ekstraksi kemudian dilanjutkan kedalam
tahap data staging area kemudian data yang telah bersih disimpan ke dalam data
store.
Data Staging Area
Data yang telah diekstraksi dari beberapa sumber data berbeda, kemudian
dipindahkan ke dalam data staging area dimana data akan ditransformasikan dan
dibersihkan sebelum dipetakan ke dalam data warehouse (El-Bastawissy et al.
2011).
Proses yang terjadi pada tahapan ETL adalah melakukan ekstraksi terhadap
sumber data, kemudian hasil ekstraksi akan dimuat ke dalam DSA. DSA
merupakan area khusus dalam kegiatan data warehousing, yaitu merupakan
tempat dimana data akan ditransformasikan, diseragamkan, dan dibersihkan
(Simitsis dan Vassiliadis 2009).
Penelitian ini menggunakan ArrayList pada bahasa pemrograman Java,
sebagai data staging area, yang secara fisik berada di dalam memori dan bersifat
non-volatile. Masing-masing data hasil ekstraksi dimodelkan dalam bentuk objek
hotspot, yang merupakan hasil bentukan dari class Hotspot pada Java, kemudian
objek-objek hotspot tersebut dimasukkan kedalam list objek hotspot yang bertipe
data ArrayList.
Pembersihan Data
Pembersihan data adalah proses membuang data hasil ekstraksi data yang
dianggap tidak valid yang terjadi di dalam data staging area. Pada tahap ini
proses yang dilakukan adalah mendeteksi missing value, mendeteksi redudansi
data, dan melakukan validasi lokasi hotspot pada tiap objek yang berada di dalam
data staging area. Objek hotspot dikatakan tidak valid apabila terdapat missing
value pada atribut yang dibutuhkan oleh data warehouse, terjadi redundansi data
hotspot, dan atau objek hotspot yang bukan merupakan hotspot yang berada di
dalam wilayah Indonesia. Objek hotspot yang tidak valid akan dikeluarkan dari
data staging area. Data yang telah bersih kemudian akan disimpan ke dalam data
store sebelum memasuki tahap transformasi data.
Data Store
Data store merupakan media penyimpanan data, yang secara fisik adalah
database yang menyimpan informasi hotspot hasil ekstraksi data dari sumber data,
yang telah dibersihkan dan diseragamkan. Data yang berada di dalam data store
5
menjadi acuan untuk proses pembersihan data yaitu menghilangkan redudansi.
Data yang berada pada data staging area akan dibuang apabila data tersebut telah
ada di dalam data store dengan membandingkan nilai atribut-atribut seperti lat,
long, dan date, sedangkan data yang belum terdapat di dalam data store akan
disimpan.
Transformasi Data
Setelah melalui tahap ekstraksi data dan pembersihan data maka tahapan
berikutnya adalah tahap transformasi data. Transformasi data adalah proses
mengubah data hasil ekstraksi dan pembersihan data menjadi bentuk yang sesuai
bagi skema data warehouse, proses ini terjadi di dalam data staging area. Skema
data warehouse terdiri atas satu tabel fakta dan tiga tabel dimensi. Adapun tabeltabel dimensi tersebut yakni dimensi titik panas, dimensi waktu, dan dimensi
satelit. Bentuk skema data warehouse hasil modifikasi yang dibuat Imaduddin
(2012) dari penelitian sebelumnya dapat dilihat pada Gambar 3.
Proses yang terjadi pada tahap ini adalah membaca kembali data titik panas
hasil ekstraksi yang tersimpan pada data store, kemudian hasil pembacaan dari
data store akan dimodelkan kedalam bentuk class pada bahasa pemrograman
Java, mengikuti skema data warehouse. Atribut date mengalami perubahan
bentuk menjadi dimensi waktu yang memiliki atribut yaitu tahun, kuartil, dan
bulan.
Loading
Loading merupakan tahap terakhir dalam proses ETL, yaitu memuat data
pada data warehouse. Data yang telah diekstraksi, dibersihkan, dan ditransformasi
di dalam data staging area kemudian dipetakan ke dalam data warehouse. Data
Gambar 3 Skema snowflake modifikasi (Imaduddin,
2012)
6
warehouse harus dinonaktifkan terlebih dahulu dari kegiatan operasional sebelum
proses loading, agar tidak mengganggu kegiatan operasional.
Proses insert data dilakukan menggunakan query insert dengan memetakan
tabel-tabel dimensi terlebih dahulu kemudian tabel fakta, hal ini dilakukan untuk
mendapatkan foreign key yang dibutuhkan oleh tabel fakta. Untuk menghindari
agar tidak terjadi kesalahan dalam proses insert data, maka digunakan fitur
rollback. Fitur rollback akan membatalkan transaksi insert data ketika terjadi
kesalahan.
Pengujian
Pengujian terhadap modul update hasil penelitian ini dilakukan dalam dua
tahap yaitu uji query dan uji performa sistem. Uji query dilakukan terhadap sistem
SOLAP dengan memasukkan query MDX, kemudian melihat apakah data hotspot
yang baru ditambahkan melalui modul update muncul pada peta atau tidak. Uji
performa dilakukan untuk mengetahui berapa waktu yang dibutuhkan untuk
melakukan praproses di masing-masing tahap ETL dan waktu keseluruhan.
Lingkungan Pengembangan
Penelitian ini diimplementasikan menggunakan bahasa pemrograman Java
dan SQL serta dengan spesifikasi perangkat keras dan lunak sebagai berikut:
1
Perangkat Keras
Spesifikasi perangkat keras yang digunakan adalah:
o Intel ® Core™ i5 CPU 1.8 GHz.
o Memori 4 GB 1600 MHz DDR 3.
o Harddisk 256 GB SSD.
o Keyboard dan mouse.
2
Perangkat Lunak
o Sistem operasi Mac OS X Mavericks 1.9 64 bit.
o NetBeans IDE 7.2.1.
o Postgres 9.3.0 dengan ekstensi PostGIS 2.0.
o pgAdmin3 1.18.1.
HASIL DAN PEMBAHASAN
Hasil penelitian ini berupa sistem yang mampu melakukan praproses data
terhadap sumber data dengan mengacu pada proses ETL, dan memiliki antarmuka
untuk membantu pengguna dalam melakukan praproses. Sistem ini memiliki
empat fitur yaitu pemilihan berkas, ekstraksi data, transformasi data, dan
pemuatan data yang masing-masing direpresentasikan secara berurutan dengan
tombol "Browse", "Extraction", "Staging & Transform", dan "Loading" pada
antarmuka sistem. Antarmuka sistem ditunjukkan pada Lampiran 2. Masingmasing fitur saling terkait antara satu dan yang lain dengan mengikuti alur proses
ETL.
7
Pemilihan Berkas
Pemilihan berkas merupakan fitur yang digunakan untuk memilih berkas
sumber data yaitu fail teks berisikan informasi titik panas, yang akan diproses
untuk tahap ekstraksi data. Pemilihan berkas dapat dilakukan terhadap beberapa
berkas sekaligus. Berkas-berkas terpilih kemudian akan ditampilkan di dalam list
view fail teks pada antarmuka seperti ditunjukkan pada Gambar 4.
Ekstraksi Data
Ekstraksi data merupakan fitur yang digunakan untuk melakukan proses
pengambilan data terhadap berkas sumber data terpilih. Proses ekstraksi data
dilakukan dengan menggunakan teknik parsing pada fail teks yang memiliki
format data seperti pada Lampiran 1. Sumber data memiliki 12 atribut, namum
tidak seluruh atribut dibutuhkan untuk kegiatan data warehousing, untuk itu perlu
dilakukan seleksi atribut terlebih dahulu. Atribut-atribut yang dipilih pada sumber
data adalah:
1
Latitude, merupakan informasi garis lintang.
2
Longitude, merupakan informasi garis bujur.
3
Satelit, merupakan informasi nama satelit.
4
Orbit, merupakan informasi waktu satelit mengambil titik panas.
5
Time UTC, merupakan informasi keterangan waktu siang atau malam.
6
Date, merupakan informasi tanggal titik panas tersebut diambil.
7
Source, merupakan informasi mengenai sumber.
Langkah-langkah dalam melakukan parsing yaitu membaca fail teks baris
demi baris, kemudian memotong baris tersebut menjadi kolom-kolom sesuai
dengan atribut terpilih, dengan pemisah yaitu “ ” (space). Baris
merepresentasikan record dan kolom merepresentasikan atribut. Data hasil
parsing kemudian dimodelkan dalam bentuk class, yaitu class Hotspot (Gambar
5), yang merupakan representasi dari tabel hotspot pada data store.
Pemodelan ke dalam bentuk class dimaksudkan untuk menjaga integrasi
antar atribut, serta melakukan penyesuaian tipe data. Hasil ekstraksi kemudian
dimasukkan ke dalam list hotspot yang bertindak sebagai data staging area. List
hotspot merupakan sebuah array bertipe data class hotspot yang menampung
objek-objek hasil pemodelan class. List hotspot dapat divisualisasikan ke dalam
list view pada antarmuka seperti ditunjukkan pada Gambar 6.
Gambar 4 List view fail teks
8
Gambar 5 Model class Hotspot
Gambar 6 List view hasil ekstraksi
Data Staging Area
Data staging area merupakan tempat persiapan data hasil ekstraksi,
sebelum data dimuat ke dalam data warehouse. Persiapan data melibatkan proses
data cleaning dan transformasi data. Setelah data dibersihkan, data yang telah
bersih kemudian disimpan pada data store. Data store merupakan tempat
penyimpanan data dari berbagai sumber, yang sudah terintegrasi, dari hasil
ekstraksi dan telah melalui proses pembersihan data.
Data Cleaning
Data cleaning merupakan proses pembersihan data titik panas yang tidak
valid. Data yang termasuk kategori tidak valid adalah terdapat redudansi data,
berada diluar wilayah Indonesia, atau terdapat missing value. Apabila data
dikategorikan tidak valid maka data tersebut akan dikeluarkan dari staging area.
Mendeteksi redudansi data dapat dilakukan dengan menelusur apakah di
dalam data store sudah tersimpan titik panas yang sama atau tidak, dengan
membandingkan atribut lat, long, dan tanggal. Apabila ketiga nilai tersebut sama,
maka telah terjadi redudansi, kemudian data yang redundan tersebut akan
dikeluarkan dari data staging area.
Melakukan validasi terhadap lokasi titik panas dilakukan pada sisi basis data
dengan melakukan query, dua buah data bertipe geometry akan dibandingkan.
Basis data Postgres dengan ekstensi PostGIS, memiliki fungsi pengolahan data
spatial yaitu _st_contains(geometry Kabupaten, geometry Hotspot) untuk
membandingkan apakah geometry kabupaten yang bertipe polygon mengandung
bagian geometry titik panas yang bertipe point. Jika point titik panas tersebut
9
termasuk bagian dari salah satu polygon kabupaten, maka titik panas tersebut
masuk ke dalam wilayah Indonesia, dan jika bukan merupakan bagian polygon
kabupaten, titik panas tersebut akan dikeluarkan dari data staging area.
Pendeteksian missing value dilakukan dengan menelusur atribut penting
yang akan digunakan dalam kegiatan data warehousing pada objek-objek hotspot
di dalam data staging area. Atribut-atribut penting yang dimaksud yakni latitude,
longitude, satelit, dan tanggal. Apabila salah satu nilai tersebut tidak ada atau null
maka objek hotspot tersebut akan dikeluarkan dari dalam data staging area.
Transformasi Data
Transformasi data dilakukan terhadap data source yang telah diekstraksi
dan telah melalui proses data cleaning. Transformasi bertujuan untuk mengubah
data menjadi bentuk yang sesuai bagi skema data warehouse. Data class hotspot
akan diubah menjadi model class fakta dan dimensi-dimensi mengikuti skema
data warehouse. Model class terdiri atas satu model fakta dan tiga model dimensi,
model dimensi terdiri atas dimensi geohotspot, dimensi waktu, dan dimensi satelit.
Proses transformasi mengubah model class hotspot (Gambar 5) menjadi
model class fakta (Gambar 7) sesuai dengan skema data warehouse dengan
melakukan penyesuaian tipe data. Atribut lat, long, dan idKab akan dipetakan ke
dalam dimensi geohotspot, atribut tanggal akan diubah formatnya menjadi bulan,
kuartil, dan tahun kemudian dipetakan ke dalam dimensi waktu, lalu atribut satelit
akan dipetakan ke dalam dimensi satelit. Objek-objek fakta akan dimasukkan
kedalam list fakta yang merupakan array bertipe data class fakta. List fakta ini
merupakan data staging area bagi data yang telah mengalami tahap transformasi.
Pemuatan Data
Pemuatan data adalah proses memindahkan data pada data staging area ke
dalam data warehouse. Proses ini dilakukan terhadap data yang berada dalam
data staging area, yang telah mengalami proses transformasi data. Data-data
tersebut telah siap untuk dimuat ke dalam data warehouse. Proses pemuatan data
dilakukan terhadap data warehouse yang sebelumnya telah dinon-aktifkan dari
kegiatan operasional.
Tabel fakta pada data warehouse membutuhkan foreign key dari dimensi-
Gambar 7 Model class fakta
10
dimensi terkait sebagai referensi. Untuk itu pemuatan data dilakukan dengan
memuat model dimensi-dimensi terlebih dahulu ke dalam data warehouse, dan
mengembalikan nomor id record yang baru dimasukkan, untuk mendapatkan
referensi foreign key bagi model class fakta. Setelah foreign key didapatkan untuk
masing-masing dimensi, kemudian dilakukan pemuatan model class fakta.
Untuk menghindari terjadinya kesalahan dalam pemuatan data ke dalam
data warehouse, maka dilakukan penyatuan proses-proses pemuatan ke dalam
sebuah proses transaksi, dimana didalamnya terdapat operasi-operasi query
terhadap data warehouse. Setiap proses transaksi akan dinyatakan sebagai proses
yang berhasil atau gagal sebagai satu kesatuan. Apabila operasi-operasi di dalam
proses transaksi salah satunya mengalami kegagalan, maka pemuatan data atas
transaksi tersebut dibatalkan, dan sistem akan memroses data berikutnya. Setiap
transaksi pemuatan data pada data warehouse akan ditampilkan pada console
seperti ditunjukkan pada Gambar 8.
Pengujian
Uji Query
Uji query dilakukan untuk melihat apakah data hotspot hasil ekstraksi dari
sumber data berhasil dimuat ke dalam data warehouse dan ditampilkan pada peta
atau tidak. Data uji yang digunakan adalah fail teks milik DPKH pada rentang
tanggal 1-9 Januari tahun 2013 yang berjumlah 9 fail. Pengujian ini dilakukan
dengan memasukkan query MDX berikut:
SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS,
{[lokasi].[Hotspot].Members} ON ROWS FROM [geohotspot] WHERE
[waktu].[2013]
Query MDX tersebut akan menampilkan seluruh sebaran data hotspot yang
ada pada tahun 2013 (data hotspot yang baru ditambahkan) yang berjumlah 77
titik (valid) dari 1615 informasi hotspot pada fail teks seperti ditunjukkan pada
Gambar 9.
Uji Performa
Uji performa dilakukan untuk melihat waktu eksekusi yang dibutuhkan pada
tiap tahapan ETL dan total waktu eksekusi untuk keseluruhan proses ETL. Data
uji yang digunakan adalah fail teks yang berisi record-record data hotspot. Jumlah
data yang diuji berturut-turut yaitu 100, 200, 300, 400, dan 500 record data
hotspot yang berada pada satu buah fail teks pada masing-masing proses. Skala
pengukuran uji performa adalah waktu dalam satuan millisecond (ms) dan
Gambar 8 Hasil proses transaksi pemuatan data pada
console
11
Gambar 9 Visualisasi hotspot pada peta
dilakukan sebanyak tiga kali iterasi. Empat tahapan proses yang diuji sebagai
berikut:
1
Ekstraksi Data
Waktu eksekusi proses ekstraksi data terhadap sumber data, cenderung lebih
cepat dibandingkan dengan proses lainnya di dalam ETL. Hal ini dikarenakan
proses ekstraksi hanya melibatkan proses parsing text dan tidak melibatkan
kegiatan penyimpanan data seperti halnya pada penyimpanan data ke dalam data
store dan pemuatan data ke dalam data warehouse. Pengujian waktu eksekusi
ekstraksi data ditunjukkan oleh Tabel 1.
Tabel 1 Waktu eksekusi ekstraksi data
Jumlah Data
100
200
300
400
500
2
Waktu eksekusi ekstraksi data pada iterasi ke1
2
3
Waktu eksekusi (ms)
120
133
111
212
209
201
327
333
319
411
401
407
481
477
471
Staging dan Transformasi Data
Proses transformasi melibatkan proses pembersihan data serta penyimpanan
data yang telah dibersihkan ke dalam data store sehingga waktu eksekusi proses
transformasi memakan waktu lebih lama dibandingkan dengan ekstraksi data dan
pemuatan data. Setiap seratus jumlah data ditambahkan waktu eksekusi akan
meningkat lebih kurang 3000 ms atau sekitar 3 detik. Pengujian waktu eksekusi
transformasi data ditunjukkan oleh Tabel 2.
12
Tabel 2 Waktu eksekusi transformasi data
Jumlah Data
100
200
300
400
500
Waktu eksekusi transformasi data pada iterasi ke1
2
3
Waktu eksekusi (ms)
3508
3505
3487
6633
6864
6785
10221
10055
10103
13467
13621
13767
16667
16777
16669
3
Pemuatan Data
Pemuatan data dilakukan terhadap data yang dianggap valid yang telah
melalui proses pembersihan data dan penyeragaman data. Di dalam penelitian ini
data valid dikondisikan sampai dengan 200 data valid untuk pemuatan ke dalam
data warehouse. Proses pemuatan data seperti dilihat pada Tabel 3.
Tabel 3 Waktu eksekusi pemuatan data
Jumlah Data
100
200
Waktu eksekusi pemuatan data pada iterasi ke1
2
3
Waktu eksekusi (ms)
213
205
201
398
395
403
4
Keseluruhan Proses ETL
Pengujian keseluruhan proses dilakukan dengan menambahkan waktu
eksekusi pada masing-masing proses. Untuk proses pemuatan data akan
digunakan waktu eksekusi hasil dari pemuatan 200 data valid pada masing-masing
iterasi. Waktu eksekusi proses ETL keseluruhan ditunjukkan pada Tabel 4.
Tabel 4 Waktu eksekusi keseluruhan (dengan 200 data valid)
Jumlah Data
200 (200 data valid)
300 (200 data valid)
400 (200 data valid)
500 (200 data valid)
Waktu eksekusi keseluruhan data pada iterasi ke1
2
3
Waktu eksekusi (ms)
7243
7468
7389
10946
10783
10825
14276
14417
14577
17546
17649
17543
13
SIMPULAN DAN SARAN
Simpulan
Praproses data titik panas yang bersumber pada fail teks milik DPKH, tidak
lagi dilakukan secara manual. Dengan mengacu pada konsep ETL sistem mampu
melakukan praproses terhadap data titik panas berupa fail teks. Praproses
dilakukan oleh sistem dengan memilih fail teks yang akan disimpan pada data
warehouse. Sistem ini mampu melakukan pembersihan data terhadap data titik
panas yang tidak valid, dan mampu untuk melakukan pembatalan ketika memuat
data ke dalam data warehouse, apabila terjadi kesalahan.
Saran
Sistem ini hanya dapat melakukan praproses data terhadap data titik panas
pada fail teks milik DPKH, dan tidak dapat melakukan praproses data terhadap
sumber yang lain. Penambahan dan pemilihan dimensi mungkin dibutuhkan
seiring dengan penambahan lingkup analisis pada sistem SOLAP ataupun terjadi
perubahan skema pada data warehouse.
Untuk itu pada pengembangan berikutnya diharapkan sistem mampu
melakukan praproses data terhadap sumber data yang lain serta dapat menambah,
dan memilih dimensi sesuai dengan kebutuhan analisis.
DAFTAR PUSTAKA
Berson A, Smith SJ. 1997. Data Warehousing, Data Mining, and OLAP. New
York (US): McGraw-Hill.
El-Bastawissy AH, El-Sappagh SHA, Hendawi AMA. 2011. Journal of King Saud
University. A Proposed Model for Data Warehouse ETL Processes. 23(1):91104.
Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan
Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining. Ed ke-2. San Francisco (US): Morgan
Kaufmann Publishers.
Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada
spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Simitsis A, Vassiliadis P. 2009. Encyclopedia of Database Systems. Extraction,
Transformation, and Loading.doi:10.1007/978-0-387-39940-9_158.
Thoha AS. 2008. Penggunaan data hotspot untuk monitoring kebakaran hutan dan
lahan di Indonesia [karya tulis]. Medan (ID): Universitas Sumatera Utara.
Trisminingsih R. 2010. Pembangunan spatial data warehouse berbasis web untuk
persebaran hotspot di wilayah Indonesia [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
14
Lampiran 1 Format sumber data
15
Lampiran 2 Antarmuka sistem
16
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 19 Januari 1990 dan memiliki
nama lengkap Bolivianto Kusumah. Penulis merupakan putra pertama dari tiga
bersaudara dari pasangan Wowon Trestiady dan Mimin Mintarsih.
Penulis telah menyelesaikan studi Sekolah Menengah Atas di SMA Negeri
4 Bogor pada tahun 2008. Kemudian penulis melanjutkan studi tingkat perguruan
tinggi pada tahun 2008, dengan mengikuti seleksi masuk di Program Diploma
Institut Pertanian Bogor dengan program keahlian Manajemen Informatika, dan
dinyatakan lulus pada tahun 2011. Pada tahun yang sama penulis mengikuti
proses seleksi masuk program ekstensi Ilmu Komputer di IPB dan dinyatakan
diterima sebagai mahasiswa program ekstensi Ilmu Komputer pada tahun 2011.