Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)

PEMBANGUNAN DATA WAREHOUSE DAN APLIKASI OLAP
BERBASIS WEB (STUDI KASUS DATA SKRIPSI
MAHASISWA ILMU KOMPUTER IPB)

SILVIANI YULIASARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pembangunan Data
Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi
Mahasiswa Ilmu Komputer IPB) 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, September 2013
Silviani Yuliasari
NIM G64090075

ABSTRAK
SILVIANI YULIASARI. Pembangunan Data Warehouse dan Aplikasi OLAP
Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB).
Dibimbing oleh ANNISA.
Setiap tahunnya Departemen Ilmu Komputer selalu meluluskan
mahasiswanya dari berbagai angkatan yang sudah menyelesaikan studi dan tugas
akhir. Kondisi tersebut akan menghasilkan data skripsi yang semakin menumpuk.
Dari penumpukan data tersebut bisa diambil suatu informasi diantaranya, topik
skripsi, IPK, dosen pembimbing, dan lab keilmuan yang bisa memengaruhi
kelulusan seorang mahasiswa. Pada penelitian ini, dibuat sebuah data warehouse
yang terintegrasi dengan (On-Line Analytical Processing) OLAP untuk
mendapatkan informasi yang berpotensi menunjang kelulusan mahasiswa tepat
waktu. OLAP server yang digunakan adalah Mondrian 3.5.0. Data yang
digunakan adalah data skripsi mahasiswa Ilmu Komputer IPB tahun masuk 2001,

dan 2005 sampai dengan 2008. Tahapan yang dilakukan meliputi analisis, desain,
praproses, diakhiri dengan pembuatan data warehouse dan implementasi operasi
OLAP. Skema data warehouse yang dibuat menggunakan skema galaksi.
Penelitian ini menghasilkan sebelas dimensi (IPK, Tahun Masuk, Tahun Lulus,
Lab Keilmuan, Dosen Pembimbing, Jalur Masuk, Jenis Kelamin, Asal Daerah,
Kata Kunci, Lama Studi, NIM) dan dua fakta (Skripsi, Mahasiswa).
Kata Kunci : data warehouse, Mondrian 3.5.0, OLAP server

ABSTRACT
SILVIANI YULIASARI. Development of Data Warehouse and OLAP
Application Web Based (Case Study of Computer Science Students Thesis Data
IPB). Supervised by ANNISA.
Each year the Department of Computer Science graduates several students, upon
the completion of their thesis. This results in the accumulation of the thesis data.
From the data bank, some information related to the timely graduations of
students, such as title of thesis, GPA, supervisor, and lab can be retrieved. This
research created an integrated data warehouse with (On-Line Analytical
Processing) OLAP to see the pattern that support timely graduation. The OLAP
server used in this research is Mondrian 3.5.0. The data used are the thesises of
IPB Computer Science students year 2001, 2005 to 2008. The steps being taken

include analysis, design, preprocessing, and concluded with the implementation of
data warehouse and OLAP operations. The data warehouse schema is created
using the galaxy scheme. This research resulted in eleven dimensions (GPA, Time
Entry, Time Pass, Lab, Lecturer, Entrance, Gender, District, Keywords, Duration
of Study, NIM) and two facts table (Thesis, Student).
Keywords: data warehouse, Mondrian 3.5.0, OLAP server

PEMBANGUNAN DATA WAREHOUSE DAN APLIKASI OLAP
BERBASIS WEB (STUDI KASUS DATA SKRIPSI
MAHASISWA ILMU KOMPUTER IPB)

SILVIANI YULIASARI

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

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR
BOGOR
2013

Dosen Penguji : 1 Dr Imas S Sitanggang Mkom
2 Hari Agung Adrianto Skom MSi

Judul Skripsi: Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web
(Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)
Nama
: Silviani Yuliasari
NIM
: G64090075

Disetujui oleh

Annisa Skom MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono MSi MKom
Ketua Departemen

Tanggal Lulus:

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 April 2013 ini ialah data
warehouse, dengan judul Pembangunan Data Warehouse dan Aplikasi OLAP
Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)
Terima kasih penulis ucapkan kepada Ibu Annisa SKom Mkom selaku
pembimbing yang telah memberikan saran, masukkan, dan ide-ide kepada Penulis
dalam menyusun skripsi, serta Ibu Dr Imas S. Sitanggang Ssi Mkom dan Bapak
Hari Agung A. Skom MSi selaku penguji yang telah memberikan saran kepada
Penulis.
Ungkapan terima kasih juga disampaikan kepada ayah, ibu, adik, serta
seluruh keluarga, atas segala doa dan kasih sayangnya. Ridwan Agung yang
memberikan motivasi dan membantu dalam penyelesaian skripsi. Keluarga kos

WH, Siti, Deby, Rita, Evi, Dina, Childa, Nurul, Ka Didi, Lily, dan Novia tempat
bertukar pikiran dengan Penulis selama perkuliahan. Retno D, Lizza, Anggi, dan
Intan teman-teman satu bimbingan yang menemani Penulis selama mengerjakan
tugas akhir. Teman-teman Ilmu Komputer angkatan 46 yang telah banyak
membantu Penulis selama perkuliahan. Departemen Ilmu Komputer, staf, dan
dosen yang telah banyak membantu baik selama penelitian maupun pada masa
perkuliahan. Kepada semua pihak lainnya yang telah memberikan kontribusi yang
besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu,
Penulis ucapkan terima kasih banyak.
Semoga karya ilmiah ini bermanfaat.

Bogor, September 2013
Silviani Yuliasari

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Data Warehouse

2

Operasi Dasar OLAP ( On-Line Analytical Processing)

2

Model Data Multidimensi (Han dan Kamber 2006)

3

Mondrian

5

METODE

5

Analisis

5

Desain

7

Praproses Data

7

Pemuatan Data

7

Pembuatan Data Warehouse

8

Aplikasi OLAP

8

Uji Query

8

Lingkungan Pengembangan

9

HASIL DAN PEMBAHASAN

9

Analisis Data

9

Klasifikasi

11

Desain Konseptual dan Desain Logikal

11

Integrasi Data, Reduksi Data, dan Pembersihan Data

12

Transformasi data

13

Pemuatan Data

13

Eksplorasi dan Presentasi Hasil

13

SIMPULAN DAN SARAN

26

Simpulan

26

Saran

26

DAFTAR PUSTAKA

26

RIWAYAT HIDUP

34

DAFTAR TABEL
1
2
3
4
5
6
7
8

Atribut pada data skripsi
Atribut pada data dosen
Atribut pada data lab keilmuan
Atribut pada data mahasiswa
Atribut hasil analisis
Contoh klasifikasi untuk tabel fakta skripsi
Desain fisik fakta skripsi
Desain fisik fakta mahasiswa

10
10
10
10
10
11
12
13

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Skema Bintang
Skema Snowflake
Skema Galaksi
Tahapan Penelitian
Arsitektur data warehouse dan OLAP
Skema galaksi dengan dua tabel fakta
Tampilan awal aplikasi
Tampilan aplikasi untuk kubus skripsi
Tampilan aplikasi untuk kubus mahasiswa
Tampilan editor query MDX topik skripsi
Tampilan OLAP Navigator topik skripsi
Tampilan hasil topik skripsi
Tampilan editor query MDX Dosen pembimbing
Tampilan OLAP Navigator Dosen Pembimbing
Tabel pivot menunjukkan dosen pembimbing yang meluluskan
mahasiswa tepat waktu
Tampilan editor query MDX Lab Keilmuan
Tampilan OLAP Navigator Lab Keilmuan
Tabel pivot dan grafik batang menunjukkan jumlah mahasiswa lulus
tepat waktu berdasarkan lab keilmuan
Tampilan editor query MDX IPK TPB
Tampilan OLAP Navigator IPK TPB
Tabel pivot menunjukkan kelulusan tepat waktu berdasarkan IPK TPB
Tampilan editor query MDX Jenis Kelamin Mahasiswa
Tampilan OLAP Navigator Jenis Kelamin Mahasiswa
Tabel pivot dan grafik operasi drill-down menunjukkan jumlah
mahasiswa lulus tepat waktu berdasarkan jenis kelamin
Tampilan editor query MDX Jalur Masuk Mahasiswa
Tampilan OLAP Navigator Jalur Masuk Mahasiswa
Tabel pivot dan grafik operasi drill-down menunjukkan jumlah
mahasiswa lulus tepat waktu berdasarkan jalur masuk
Tampilan editor query MDX Asal Daerah Mahasiswa
Tampilan OLAP Navigator Asal Daerah Mahasiswa
Grafik batang kelulusan tepat waktu berdasarkan asal daerah mahasiswa

4
4
5
6
8
12
14
14
14
15
16
16
17
17
18
19
19
19
20
20
21
21
22
22
23
23
24
25
25
25

PENDAHULUAN
Latar Belakang
Seorang mahasiswa dikatakan lulus apabila telah menyelesaikan studi dan
tugas akhir. Adapun penyelesaian masa studi setiap mahasiswa berbeda-beda
dilihat dari selisih tahun lulus dengan tahun masuknya. Mahasiswa IPB memiliki
lama studi maksimal sebesar 12 semester dan dikatakan lulus tepat waktu apabila
selesai studi selama delapan semester (IPB 2011).
Salah satu faktor yang memengaruhi lama studi mahasiswa adalah skripsi
atau tugas akhir, untuk itu dibutuhkan informasi mengenai topik skripsi yang
dilihat dari kata kunci setiap judul skripsi, waktu masuk dan waktu lulus, dosen
pembimbing, lab keilmuan, jenis kelamin, jalur masuk, asal daerah, dan IPK. Dari
aspek tersebut ingin diketahui aspek mana yang memengaruhi lama penyelesaian
studi seorang mahasiswa.
Data yang dihasilkan dari setiap judul skripsi yang masuk ke perpustakaan
Departemen Ilmu Komputer dan perpustakaan IPB akan disimpan dalam suatu
tempat penyimpanan data dalam bentuk berkas Excel (xls dan xlsx). Penyimpanan
data yang dilakukan secara rutin dari tahun ke tahun menyebabkan data yang
tersimpan semakin menumpuk walaupun saat ini media penyimpanan sudah
memiliki kapasitas yang besar (sampai terabyte), penumpukan data tetap akan
menimpulkan masalah apabila tidak dikelola dengan baik. Kondisi seperti ini
biasa disebut dengan istilah “rich of data but poor of information” (Han dan
Kamber 2006).
Beberapa penelitian sebelumnya yang melakukan pengolahan data
diantaranya adalah Herlambang (2007) membangun data warehouse dan operasioperasi OLAP untuk data PPMB IPB dan data IPK TPB IPB menggunakan Palo
Server 1.0c. Penelitian tersebut menghasilkan data warehouse data PPMB yang
terdiri dari dua kubus data. Selanjutnya, Aulia (2011) melakukan penelitian yang
sama dengan menggunakan data Departemen Ilmu Komputer IPB tahun 2005
sampai dengan 2009 (mayor dan minor). Penelitian tersebut menggunakan
Mondrian sebagai OLAP server, sistem operasi ubuntu, dan menghasilkan dua
kubus data.
Penelitian Herlambang (2007) dijadikan acuan dalam pembuatan arsitektur
data warehouse sedangkan penelitian Aulia (2009) dijadikan acuan dalam
penggunaan OLAP server Mondrian. Selain itu, penelitian keduanya sama-sama
dijadikan acuan dalam pembuatan skema galaksi dengan dua tabel fakta. Sehingga,
diharapkan hasil dari penelitian ini mampu memberikan manfaat untuk pengguna,
yaitu pihak-pihak terkait yang ada di Departemen Ilmu Komputer dalam membuat
kebijakan yang mampu mendukung mahasiswa lulus tepat waktu.
Perumusan Masalah
Data skripsi yang setiap tahunnya rutin masuk ke perpustakaan IPB dan
perpustakaan Ilmu Komputer mengakibatkan penumpukan data dan data skripsi
yang ada tidak pernah dikelola lebih lanjut. Oleh karena itu dibutuhkan data
warehouse dan OLAP untuk memanfaatkan penumpukan data skripsi tersebut dan
mendapatkan informasi yang mampu menunjang kelulusan mahasiswa tepat waku.

2
Tujuan Penelitian
1

2

Tujuan dari penelitian ini adalah:
Membangun data warehouse dan operasi OLAP untuk data skripsi
mahasiswa Ilmu Komputer IPB serta membangun aplikasi untuk
memvisualisasikan hasil operasi OLAP.
Mendapatkan informasi yang berpotensi menunjang kelulusan mahasiswa
tepat waktu.
Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat kepada pihak-pihak
terkait yang ada di Departemen Ilmu Komputer IPB yaitu komisi akademik, Ketua
Departemen, dan para dosen untuk membuat kebijakan yang dapat mendukung
mahasiswa lulus tepat waktu.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini dibatasi pada pembuatan data warehouse dan
pembangunan aplikasi OLAP berbasis web menggunakan Mondrian 3.5.0 sebagai
OLAP server dan operasi sistem Windows. Data yang digunakan adalah data
skripsi program sarjana mahasiswa Ilmu Komputer IPB tahun masuk 2001 dan
2005 sampai dengan 2008 yang terdapat di perpustakaan IPB dalam bentuk berkas
Excel (xls dan xlsx) yang didapatkan pada April 2013.

TINJAUAN PUSTAKA
Data Warehouse
Data warehouse adalah koleksi data yang memiliki sifat subject oriented,
integrated, time variant, dan nonvolatile sehingga memungkinkan suatu lembaga,
organisasi, atau perusahaan dalam membuat keputusan (Han dan Kamber 2006).
Empat karakteristik data warehouse menurut Han dan Kamber (2006) yaitu:
1 Subject oriented, data warehouse didesain untuk menganalisis data
berdasarkan subjek tertentu dalam lembaga, organisasi, atau perusahaan bukan
berdasarkan fungsi atau proses aplikasi tertentu.
2 Integrated, data dibangun dengan mengintegrasikan berbagai sumber data.
3 Time variant, data yang disimpan memberikan sejarah informasi dengan kata
lain data yang disimpan valid pada rentang waktu tertentu.
4 Nonvolatile, proses yang diijinkan dalam data warehouse hanya pemuatan dan
akses data tanpa mengubah data sumber sehingga data yang tersimpan tidak
dapat diperbarui atau dihapus.
Operasi Dasar OLAP ( On-Line Analytical Processing)
OLAP adalah sistem yang memfokuskan pada interaktif analisis data dan
biasanya memiliki kemampuan luas mengenai visualisasi data dan
membangkitkan ringkasan statistika. Karena alasan ini, pendekatan analisis

3
multidimensional data didasarkan pada terminologi dan konsep OLAP ( Han dan
Kamber 2006). Data yang biasanya ditampilkan oleh OLAP adalah fungsi
agregasi seperti summary, max, min, dan average. OLAP menyediakan proses
kalkulasi dan perbandingan data serta dapat menampilkan hasil dalam bentuk
tabel dan grafik.
Operasi dasar OLAP menurut Han dan Kamber (2006) sebagai berikut:
• Slicing
Slicing adalah proses melakukan pemilihan satu dimensi dari suatu kubus data
sehingga menghasilkan subcube.
• Dicing
Dicing adalah proses melakukan pemilihan dua atau lebih dimensi dari suatu
kubus data sehingga menghasilkan subcube.
• Roll up
Operasi roll up dilakukan pada kubus data dengan cara menaikkan tingkat
suatu hierarki atau mereduksi jumlah dimensi.
• Drill 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.
• Pivoting
Pivoting merupakan kemampuan OLAP yang dapat melihat data dari berbagai
sudut pandang. Sumbu pada kubus data dalam aplikasi OLAP dapat diatur
sehingga dapat diperoleh data yang diinginkan sesuai dengan sudut pandang
analisis yang diperlukan.
Model Data Multidimensi (Han dan Kamber 2006)
Pembuatan data warehouse didasarkan pada model data multidimensi.
Model ini menampilkan data dalam bentuk kubus. Model data multidimensi
terdiri dari dimensi (dimensions) dan fakta (facts).
Dimensi adalah perspektif atau entitas penting yang dimiliki oleh organisasi.
Dimensi akan berubah jika analisis kebutuhan pengguna berubah. Tabel dimensi
berukuran lebih kecil daripada tabel fakta dan berisi data tidak numerik. Pada data
warehouse, kubus data merupakan kubus dengan n-dimensi.
Fakta adalah kuantitas yang akan dianalisis hubungan antar dimensinya dan
berisi data numerik. Tabel fakta berisi measure dan key dari tabel-tabel dimensi
yang berelasi dengan tabel fakta itu. Data fakta diekstrak dari berbagai sumber.
Data fakta cenderung stabil dan tidak berubah seiring waktu.
Skema basis data berisi kumpulan entitas dan hubungan antar entitas. Tipetipe skema model data multidimensi yaitu:
1 Skema bintang (star schema)
Skema bintang adalah data warehouse yang paling sederhana. Disebut skema
bintang karena hubungan antar tabel dimensi dan tabel fakta menyerupai
bintang, dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi.
Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya
adalah tabel-tabel dimensi. Keuntungan yang didapat jika menggunakan
skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang

4
lebih efisien, dan waktu respon yang cepat. Bentuk skema bintang dapat
dilihat pada Gambar 1.

Gambar 1 Skema Bintang
2 Skema snowflake (snowflake schema)
Skema snowflake adalah variasi dari skema bintang dengan beberapa tabel
dimensi dinormalisasi sehingga dihasilkan beberapa tabel tambahan.
Keuntungan yang didapat dengan menggunakan skema ini adalah
penghematan memori tapi waktu yang dibutuhkan untuk pemrosesan query
menjadi lebih lama. Bentuk skema snowflake dapat dilihat pada Gambar 2.

Gambar 2 Skema Snowflake
3 Skema galaksi (fact constellation)
Pada skema galaksi beberapa tabel fakta berbagi tabel dimensi. Keuntungan
menggunakan skema ini adalah menghemat memori. Bentuk skema galaksi
dapat dilihat pada Gambar 3.

5

Gambar 3 Skema Galaksi
Mondrian
Mondrian merupakan aplikasi server OLAP berbasis open source dan
menggunakan bahasa pemograman Java. Mondrian mengeksekusi query yang
ditulis menggunakan bahasa Multi-Dimensional Expression (MDX), membaca
data dari database Relational Database Management System (RDBMS), dan
mempresentasikan hasil multidimensional dengan format java API (Hyde 2005).

METODE
Metode yang digunakan terdiri atas tahap analisis, desain, praproses data,
pemuatan data, pembuatan data warehouse, aplikasi OLAP, dan uji query. Alur
kerja penelitian dapat dilihat pada Gambar 4.
Analisis
Pada tahap ini dilakukan analisis spesifikasi untuk mengetahui karakteristik
dari masing-masing data sehingga memudahkan untuk menentukan desain data
warehouse yang akan dirancang. Data yang akan dianalisis yaitu data skripsi
mahasiswa program sarjana Ilmu Komputer yang didapat dari perpustakaan IPB,
data dosen dan data lab keilmuan didapat dari Sekretariat Departemen Ilmu
Komputer, serta data mahasiswa Ilmu Komputer didapat dari sekretariat TPB
dalam bentuk Excel.
Terdapat unit kerja di perpustakaan Ilmu Komputer IPB yang melakukan
pengumpulan data yaitu pegawai khusus bagian perpustakaan sekaligus yang akan
menjadi administrator. Administrator memiliki akses langsung ke sistem
manajemen basis data MySQL tempat data disimpan. Pengguna adalah Ketua
Departemen dan dosen yang dapat berinteraksi langsung dengan antarmuka
aplikasi berbasis web sehingga dapat memanfaatkan fasilitas sistem dengan
mudah. Adapun fasilitas untuk pengguna adalah sebagai berikut:

6
•
•
•

Memilih dimensi dan measure melalui OLAP navigator.
Menampilkan data secara roll up, drill down, slice, dan dice.
Menampilkan data dalam bentuk grafik (bar, pie, dan line).
Dari aplikasi ini diharapkan dapat memberikan informasi kepada pengguna
seperti:
1
Menampilkan informasi penunjang kelulusan tepat waktu dilihat dari faktor:
• Topik skripsi,
• Dosen pembimbing,
• Lab keilmuan,
• IPK,
• Jenis kelamin mahasiswa,
• Jalur masuk,
• Asal daerah.
2
Tren skripsi mahasiswa Ilmu Komputer untuk setiap dosen pembimbing dan
lab keilmuan.
3
Rata-rata lama studi mahasiswa Ilmu Komputer.
Tahap awal sebelum proses pembuatan data warehouse dilakukan
pengumpulan data dan menganalisis atributnya untuk mendapatkan atribut-atribut
yang tepat dalam pembuatan data warehouse. Setelah dipilih dan diketahui
atribut-atributnya kemudian dilanjutkan ke tahapan praproses data.

Gambar 4 Tahapan Penelitian

7
Desain
Pada tahap desain, terdapat tiga fase yaitu:
Desain konseptual
Pada tahap ini dilakukan desain skema pembuatan data warehouse, dimensidimensi, dan measure yang akan digunakan. Measure menunjukkan hasil analisis
data warehouse dari dimensi-dimensi yang dibuat. Tahap ini bertujuan untuk
mengidentifikasi hubungan atribut-atribut dalam data warehouse.
2
Desain logikal
Pada tahap ini dilakukan perencanaan dan pembuatan data warehouse
dengan membuat relasi-relasi data dan menentukan hubungan antar atribut. Tahap
ini bertujuan untuk menerjemahkan representasi konseptual data warehouse dari
tahap sebelumnya ke tahap implementasi.
3
Desain fisik
Pada tahap ini kubus data yang sudah siap, akan digunakan ke dalam data
warehouse. Selain itu, skema sudah bisa diimplementasikan ke dalam data
warehouse yang akan dibangun.
1

Praproses Data
Setelah melalui tahap analisis dan desain, data yang ada harus melalui tahap
praproses terlebih dahulu. Tahapan praproses data dalam penelitian ini meliputi :
1
Integrasi dan Reduksi Data
Atribut-atribut data skripsi, data dosen, data lab keilmuan, dan data
mahasiswa yang relevan dipilih terlebih dahulu sebelum diimpor ke sistem
manajemen basis data MySQL. Integrasi dilakukan dengan menggabungkan
atribut-atribut yang menarik dari tabel-tabel yang telah diperoleh. Data direduksi
dilakukan bersamaan dengan proses integrasi, yaitu membuang atribut-atribut
yang tidak menarik dan tidak relevan.
2
Pembersihan Data
Pembersihan data dilakukan terhadap record-record yang mengandung nilai
null dan nilai yang tidak konsisten. Kondisi tersebut dapat diatasi dengan
membuang atau menyeragamkan nilainya dengan menggunakan nilai rataan untuk
atribut yang bernilai angka. Pada tahap ini juga terdapat tahap transformasi untuk
menjaga konsistensi data.
3
Transformasi Data
Transformasi ke bentuk data yang tepat agar dapat digunakan untuk proses
selanjutnya. Hal yang dilakukan meliputi penyeragaman nama atribut,
generalisasi, agregasi, dan konstruksi atribut atau dimensi. Akhir dari tahap ini
adalah terbentuknya sebuah data warehouse.
Pemuatan Data
Pada tahap ini data yang terseleksi telah siap untuk dimuat ke dalam data
warehouse. Pemuatan data bertujuan untuk memuat data yang terseleksi ke dalam
data warehouse tujuan.

8
Pembuatan Data Warehouse
Pada tahap ini dilakukan pembuatan data warehouse menggunakan metode
arsitektur three-tier data warehouse Han dan Kamber (2006) meliputi :
1
Lapisan bawah (bottom tier)
Pada lapisan ini terdapat server data warehouse yaitu sistem manajemen
basis data MySQL yang berfungsi sebagai tempat pengolahan data.
2
Lapisan tengah (middle tier)
Lapisan tengah merupakan lapisan tempat menyimpan struktur kubus data
yang biasa disebut dengan OLAP server. Dalam penelitian ini digunakan
Mondrian Server 3.5.0. Sedangkan tempat pembuatan atau pemodelan
struktur kubus data dan pemuatan data dari data warehouse ke kubus data
menggunakan Schema Worbench.
3
Lapisan atas (top tier)
Lapisan ini merupakan lapisan untuk end user yang memiliki fungsi
menampilkan ringkasan data warehouse yang merupakan hasil dari operasi
OLAP. Gambaran umum arsitektur data warehouse dan OLAP dapat dilihat
pada Gambar 5.

Gambar 5 Arsitektur data warehouse dan OLAP
Aplikasi OLAP
Langkah awal membangun aplikasi adalah membentuk struktur kubus data
dalam Mondrian 3.5.0. Sebelum membentuk struktur kubus data, dilakukan
koneksi terlebih dahulu dengan sistem manajemen basis data yang telah dibangun
menggunakan fasilitas connection. Selanjutnya dilakukan perancangan aplikasi
yang terdiri dari rancangan antarmuka, fungsi, dan modul.
Uji Query
Tahap ini dilakukan setelah pembuatan data warehouse selesai. Pengujian
ini dilakukan untuk melihat apakah operasi OLAP yang dibangun sudah berhasil
diimplementasikan dan sesuai dengan analisis awal. Pengujian query dibantu
dengan memvisualisasikan kubus-kubus data dengan grafik dan tabel untuk
akurasi hasil.

9
Lingkungan Pengembangan
Aplikasi OLAP ini dibangun dengan menggunakan perangkat sebagai
berikut:
Perangkat keras berupa komputer personal dengan spesifikasi:
•
Prosesor Intel Core i3.
•
Memory 2 GB.
•
Harddisk 500 GB.
•
Monitor 14.1”.
•
Mouse dan keyboard.
Perangkat lunak yang digunakan untuk membuat sistem ialah:
• Sistem Operasi Microsoft Windows 7 Profesional 64 bit.
• MySQL (perangkat lunak bantu untuk pemrosesan data dan pembuatan skema
data warehouse).
• Apache Server XAMPP.
• Schema Workbench (tempat pemodelan struktur kubus data dan pemuatan data
dari data warehouse ke kubus data)
• Mondrian Server 3.5.0 (OLAP server yang melakukan fungsi agregasi dan
tempat penyimpanan struktur kubus data multidimensi)
• Web browser Google Chrome.

HASIL DAN PEMBAHASAN
Analisis Data
Pada penelitian ini, sumber data diperoleh dengan format Excel (xls dan
xlsx) berisi data skripsi mahasiswa tahun masuk 2001 dan 2005 sampai dengan
2008 sebanyak 318 record, data dosen sebanyak 38 record, data lab keilmuan
sebanyak 28 record, dan data mahasiswa sebanyak 454 record. Data skripsi
diperoleh dari perpustakaan IPB, data dosen dan data lab keilmuan diperoleh dari
bagian administrasi Departemen Ilmu Komputer, sedangkan data mahasiswa
didapat dari Tingkat Persiapan Bersama (TPB).
Proses analisis dilakukan untuk menemukan atribut-atribut yang tepat untuk
perancangan desain data warehouse. Atribut-atribut pada data skripsi, data dosen,
data lab keilmuan, dan data mahasiswa masing-masing dapa dilihat pada Tabel 1,
Tabel 2, Tabel 3, dan Tabel 4 sedangkan atribut hasil analisis dapat dilihat pada
Tabel 5.
Proses analisis yang dilakukan sebagai berikut:
1 Pada data skripsi, atribut subjek dan judul tidak diambil karena topik skripsi
sudah bisa diketahui dari setiap kata kunci.
2 Pada data dosen, atribut nomor, NIP, NIDN, dan keterangan tidak diambil
karena pada data skripsi yang dipakai adalah nama dosen, sedangkan inisial
dosen diambil untuk menjadi primary key pada entity dosen dan menjadi
foreign key pada entity skripsi.
3 Pada data lab keilmuan, atribut NIP dosen tidak diambil karena nama dosen
sudah mewakili sebagai dosen pembimbing.

10
4 Pada data mahasiswa, atribut kode pos tidak diambil karena atribut kota sudah
mewakili sebagai asal daerah mahasiswa.
Tabel 1 Atribut pada data skripsi
No
Atribut
1
NIM
2
Nama Mahasiswa
3
Kata Kunci
4
Subjek
5
Tahun
6
Judul
7
Dosen Pembimbing
Tabel 2 Atribut pada data dosen
No
Atribut
1
No
2
Nama
3
NIP
4
NIDN
5
Inisial
6
Keterangan
Tabel 3 Atribut pada data lab keilmuan
No
Atribut
1
Nama dosen
2
Inisial Lab
3
NIP
Tabel 4 Atribut pada data mahasiswa
No
Atribut
1
NIM
2
Kota
3
Jenis Kelamin
4
Tahun Masuk
5
Jalur Masuk
6
IPK
7
Kode pos

Nama Atribut
NIM
Nama mhs
Kata kunci
Tahun lulus
Nama dosen
Inisial dosen

Tabel 5 Atribut hasil analisis
Deskripsi
Nomor induk mahasiswa
Nama mahasiswa
Kata kunci di setiap judul skripsi
Tahun mahasiswa lulus
Nama dosen di Departemen Ilmu Komputer
Inisial nama dosen

11
Tabel 5 Atribut hasil analisis (lanjutan)
Nama Atribut
Deskripsi
Nama lab
Nama lab keilmuan
Inisial lab
Inisial nama lab keilmuan
Asal daerah
Kota asal mahasiswa
Jenis Kelamin Jenis kelamin mahasiswa
Tahun masuk
Tahun mahasiswa masuk IPB
Jalur masuk
Jalur masuk IPB
IPK
IPK mahasiswa waktu TPB
Klasifikasi
Klasifikasi digunakan untuk mengetahui keberadaan seorang mahasiswa
masuk lab keilmuan mana. Contoh sebelum klasifikasi dapat dilihat pada Tabel 6.
Setelah ditelusuri dengan melihat kata kunci dan dosen pembimbing, maka skripsi
tersebut berasal dari lab keilmuan Computational Intelligence (CI). Tahap ini
bertujuan mengetahui tren topik skripsi pada masing-masing lab keilmuan.
Nama
Mahasiswa
Muhammad
Agung
Nugroho

Tabel 6 Contoh klasifikasi untuk tabel fakta skripsi
Kata
Judul Skripsi
Subjek
Dosbing
Kunci
Perbandingan
Jaringan Buono,
beberapa metode
syaraf
Agus;
praproses pada
tiruan
Neyman
pengenalan karakter
Shelvie
tulisan tangan
Nidya;
menggunakan
jaringan syaraf tiruan
propagasi balik

Lab
?

CI

Desain Konseptual dan Desain Logikal
Tahap ini merujuk kepada tujuan penelitian, yaitu melihat pola-pola
informasi yang berpotensi menunjang kelulusan mahasiswa tepat waktu. Sehingga
membutuhkan tabel fakta skripsi yang akan menghasilkan faktor-faktor yang
memengaruhi seorang mahasiswa lulus tepat waktu atau tidak. Faktor tersebut
diimplementasikan dalam sebelas atribut (inisial_dosen, inisial_lab, nim, th_lulus,
inisial_key, th_masuk, IPK, lama_studi, id_jm, id_jk, id_kab) dan dua measure
(jumlah_judul_skripsi, rata_lama_studi). Data yang digunakan adalah data skripsi
mahasiswa Ilmu Komputer yang sudah lulus sebanyak 318 record. Hasil dari
sebelas atribut dan dua measure digunakan untuk melihat tren skripsi dan tujuh
faktor (dosen, lab, kata kunci, IPK, jalur masuk, jenis kelamin, atau asal daerah)
yang paling berpengaruh terhadap kelulusan mahasiswa.
Selanjutnya, dibuat skema multidimensi untuk data warehouse yang dapat
dilihat pada Gambar 6. Skema data multidimensi yang dihasilkan merupakan hasil
desain logikal.

12

Gambar 6 Skema galaksi dengan dua tabel fakta
Integrasi Data, Reduksi Data, dan Pembersihan Data
Tahap ini diawali dengan melakukan penggabungan atribut-atribut yang
menarik dari tabel-tabel yang dianalisis menjadi satu tabel besar untuk dijadikan
tabel fakta. Penggabungan yang dilakukan adalah menggabungkan data skripsi,
data dosen, data lab keilmuan, dan data mahasiswa.
Reduksi data dan pembersihan data dilakukan dengan membuang atributatribut yang tidak terpilih, record yang kosong (null), mengandung noise, dan
tidak konsisten berdasarkan hasil analisis data. Nilai atribut yang berulang dalam
tabel-tabel sumber tidak disertakan dalam proses selanjutnya. Praproses data
menghasilkan tabel baru yaitu tabel skripsi dan tabel mahasiswa.
Hasil dari praproses data menghasilkan desain fisik final yang selanjutnya
dijadikan tabel fakta dapat dilihat pada Tabel 7 dan Tabel 8. Setelah melakukan
praproses data selanjutnya data dari format Excel (xls dan xlsx) diimpor menjadi
file SQL.
Tabel 7 Desain fisik fakta skripsi
Nama atribut Deskripsi
inisial_dosen Kode dosen pembimbing
inisial_lab
Kode lab keilmuan
nim
Nomor induk mahasiswa
th_lulus
Tahun lulus mahasiswa
inisial_key
Kode kata kunci setiap judul skripsi
th_masuk
Tahun masuk mahasiswa
lama_studi
Lama studi mahasiswa
IPK TPB
Nilai IPK saat TPB
id_jm
Kode jalur masuk IPB
id_jk
Kode jenis kelamin mahasiswa
id_kab
Kode asal daerah mahasiswa

13
Tabel 8 Desain fisik fakta mahasiswa
Nama atribut Deskripsi
nim
Nomor induk mahasiswa
th_masuk
Tahun masuk mahasiswa
id_jm
Kode jalur masuk IPB
id_jk
Kode jenis kelamin mahasiswa
id_kab
Kode asal daerah mahasiswa
Transformasi data
Transformasi data meliputi penyeragaman nama atribut, generalisasi,
agregasi, dan konstruksi atribut atau dimensi. Proses ini dilakukan dengan
berpedoman pada skema data warehouse yang sudah dibuat. Langkah
transformasi yang dilakukan antara lain:
1 Mengubah nama atribut pada tabel data hasil pembersihan sesuai dengan nama
atribut dimensi yang ada pada skema galaksi.
2 Proses transformasi juga dilakukan dengan mengkontruksi atribut baru
menggunakan data dari atribut yang sudah ada. Atribut NIM dari tabel skripsi
digeneralisasi menjadi tahun_masuk dengan mengambil lima digit awal,
kemudian dari digit tersebut diambil tiga digit awal dan dua digit
terakhir. Misalnya NIM = ‘G64070101’→’G6407’→’G64’→’07 sehingga
mahasiswa yang memiliki NIM tersebut adalah mahasiswa Departemen Ilmu
Komputer IPB dengan tahun masuk 2007.
3 Langkah selanjutnya adalah menentukan nilai agregasi atribut-atribut menjadi
ukuran (measure). Data tabel fakta skripsi ditentukan nilai agregasinya untuk
menentukan ukuran rata-rata lama studi.
Pemuatan Data
Data warehouse yang sudah selesai dibuat, selanjutnya dimuat ke kubus
data OLAP server Mondrian. Kemudian, skema data warehouse dimodelkan
dengan menentukan dimensi-dimensi, ukuran-ukuran, dan kubus data. Kubus data
yang dibuat yaitu, kubus skripsi dan kubus mahasiswa. Kubus skripsi dibuat untuk
tabel fakta skripsi dan kubus mahasiswa dibuat untuk tabel fakta mahasiswa.
Eksplorasi dan Presentasi Hasil
Eksplorasi data dilakukan dengan menggunakan operasi OLAP untuk
menghasilkan beberapa informasi yang diinginkan. Operasi OLAP yang dapat
dijalankan dapat dilihat pada tiap kubus yang terbentuk.
Tampilan aplikasi dapat dilihat pada Gambar 7. Pada aplikasi ini dibuat dua
modul yaitu modul skripsi untuk kubus skripsi pada Gambar 8 dan modul
mahasiswa untuk kubus mahasiswa pada Gambar 9.

14

Gambar 7 Tampilan awal aplikasi

Gambar 8 Tampilan aplikasi untuk kubus skripsi

Gambar 9 Tampilan aplikasi untuk kubus mahasiswa

15
Pada kubus Skripsi dapat dilihat beberapa operasi OLAP misalnya operasi
roll-up, drill-down, slice, dan dice. Berikut tampilan aplikasi untuk informasi
penunjang kelulusan tepat waktu dilihat dari faktor:
a Topik skripsi
Pengguna memiliki dua pilihan untuk mengggunakan aplikasi ini yaitu,
manual (menggunakan query MDX) dan praktis (menggunakan OLAP navigator).
Gambar 10 merupakan tampilan editor query MDX. Untuk menggunakan editor
tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari setiap
query yang ditulis pada Gambar 10:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[Kata kunci].[All]}) ON ROWS - Hirarki atau dimensi
yang digunakan adalah Kata Kunci (topik skripsi) ditampilkan dalam
bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.

Gambar 10 Tampilan editor query MDX topik skripsi
Gambar 11 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Kata Kunci, dan pada bagian filter
terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna
cukup mengklik button Open OLAP Navigator.

16

Gambar 11 Tampilan OLAP Navigator topik skripsi
Gambar 12 merupakan potongan tampilan hasil topik skripsi mahasiswa
dengan lama studi empat tahun. Kekurangan pada fungsi ini adalah kata kunci
skripsi masih dalam bentuk hierarki. Contohnya dari Gambar 12, Natural
language processing berada pada tingkatan ketiga di bawah Knowledge graph dan
berada di bawah Adverb. Oleh karena itu dibutuhkan data hasil klasifikasi
keberadaan suatu kata kunci masuk dalam sebuah kategori tertentu sesuai dengan
bidang kajiannya.

Gambar 12 Tampilan hasil topik skripsi
b Dosen pembimbing
Gambar 13 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 13:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.

17
o Hierarchize({[Dosen Pembimbing].[All]}) ON ROWS - Hirarki atau
dimensi yang digunakan adalah Dosen Pembimbing ditampilkan dalam
bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.

Gambar 13 Tampilan editor query MDX Dosen pembimbing

Gambar 14 Tampilan OLAP Navigator Dosen Pembimbing
Gambar 14 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Dosen Pembimbing, dan pada
bagian filter terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut,
pengguna cukup mengklik button Open OLAP Navigator. Untuk hasilnya
diketahui bahwa dosen pembimbing yang banyak meluluskan mahasiswa tepat
waktu adalah Bapak Julio Adisantoso dapat dilihat pada Gambar 15.

18

Gambar 15 Tabel pivot menunjukkan dosen pembimbing
yang meluluskan mahasiswa tepat waktu
c Lab Keilmuan
Gambar 16 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 16:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[Lab Keilmuan].[All]}) ON ROWS - Hirarki atau dimensi
yang digunakan adalah Lab Keilmuan ditampilkan dalam bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.
Gambar 17 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Lab Keilmuan, dan pada bagian
filter terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut,
pengguna cukup mengklik button Open OLAP Navigator. Untuk hasilnya
diketahui bahwa lab keilmuan Computational Intelligence (CI) paling banyak
meluluskan mahasiswa tepat waktu sedangkan lab keilmuan yang paling sedikit
meluluskan mahasiswa tepat waktu adalah SEINS dapat dilihat pada Gambar 18.

19

Gambar 16 Tampilan editor query MDX Lab Keilmuan

Gambar 17 Tampilan OLAP Navigator Lab Keilmuan

Gambar 18 Tabel pivot dan grafik batang menunjukkan
jumlah mahasiswa lulus tepat waktu
berdasarkan lab keilmuan

20
d IPK
Gambar 19 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 19:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[IPK TPB].[All]}) ON ROWS - Hirarki atau dimensi yang
digunakan adalah IPK TPB ditampilkan dalam bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.

Gambar 19 Tampilan editor query MDX IPK TPB

Gambar 20 Tampilan OLAP Navigator IPK TPB

21
Gambar 20 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat IPK TPB, dan pada bagian filter
terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna
cukup mengklik button Open OLAP Navigator. Untuk hasilnya diketahui bahwa
IPK diatas 2.5 cenderung lulus tepat waktu, sedangkan IPK di bawah 2.5 hanya
sedikit yang mampu lulus tepat waktu dilihat pada Gambar 21.

Gambar 21 Tabel pivot menunjukkan kelulusan tepat
waktu berdasarkan IPK TPB
e Jenis Kelamin Mahasiswa
Gambar 22 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 22:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[Jenis Kelamin].[All]}) ON ROWS - Hirarki atau dimensi
yang digunakan adalah Jenis Kelamin ditampilkan dalam bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.
Gambar 23 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Jenis Kelamin, dan pada bagian filter
terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna
cukup mengklik button Open OLAP Navigator. Hasilnya pada Gambar 24
diketahui bahwa mahasiswa perempuan paling banyak lulus tepat waktu daripda
mahasiswa laki-laki, tetapi perbedaannya tidak terlalu signifikan.

Gambar 22 Tampilan editor query MDX Jenis Kelamin Mahasiswa

22

Gambar 23 Tampilan OLAP Navigator Jenis Kelamin Mahasiswa

Gambar 24 Tabel pivot dan grafik operasi drill-down
menunjukkan jumlah mahasiswa lulus tepat
waktu berdasarkan jenis kelamin
f Jalur Masuk
Gambar 25 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 25:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[Jalur Masuk].[All]}) ON ROWS - Hirarki atau dimensi
yang digunakan adalah Jalur Masuk ditampilkan dalam bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.
Gambar 26 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Jalur Masuk, dan pada bagian filter
terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna
cukup mengklik button Open OLAP Navigator.

23

Gambar 25 Tampilan editor query MDX Jalur Masuk Mahasiswa

Gambar 26 Tampilan OLAP Navigator Jalur Masuk Mahasiswa
Gambar 27 menunjukkan kelulusan mahasiswa tepat waktu berasal dari
jalur masuk USMI daripada jalur masuk SNMPTN, BUD. Sedangkan berdasarkan
jalur masuk Prestasi Internasinal-Nasional (PIN), asing, dan Ujian Talenta Masuk
(UTM) tidak ada mahasiswa yang lulus tepat waktu.

24

Gambar 27 Tabel pivot dan grafik operasi drill-down
menunjukkan jumlah mahasiswa lulus tepat
waktu berdasarkan jalur masuk
g Asal Daerah
Gambar 28 merupakan tampilan editor query MDX. Untuk menggunakan
editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari
setiap query yang ditulis pada Gambar 28:
o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau
measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam
bentuk kolom.
o Hierarchize({[Asal Daerah].[All]}) ON ROWS - Hirarki atau dimensi
yang digunakan adalah Asal Daerah ditampilkan dalam bentuk baris.
o from [Skripsi] – diambil dari kubus Skripsi.
o where [Lama Studi].[4] – slicer untuk melihat mahasiswa dengan lama
studi empat tahun.
Gambar 29 merupakan tampilan OLAP navigator. Pada bagian columns
terdapat Measure, pada bagian rows terdapat Asal Daerah, dan pada bagian filter
terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna
cukup mengklik button Open OLAP Navigator. Hasilnya pada Gambar 30
menunjukkan bahwa jumlah kelulusan tepat waktu terbanyak berasal dari Pulau
Jawa, sedangkan dari daerah Maluku dan Sulawesi tidak ada mahasiswa yang
lulus tepat waktu.

25

Gambar 28 Tampilan editor query MDX Asal Daerah Mahasiswa

Gambar 29 Tampilan OLAP Navigator Asal Daerah Mahasiswa

Gambar 30 Grafik batang kelulusan tepat waktu berdasarkan asal
daerah mahasiswa

26

SIMPULAN DAN SARAN
Simpulan
Hasil penelitian pembangunan data warehouse dan OLAP berbasis web
data skripsi Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data skripsi
dan mahasiswa. Kubus data skripsi berisi sebelas dimensi, yaitu Dosen
Pembimbing, Lab Keilmuan, NIM, Tahun Lulus, Kata Kunci, Tahun Masuk,
Lama Studi, IPK TPB, Jalur Masuk, Jenis Kelamin, dan Asal Daerah. Measure
yang digunakan yaitu Jumlah Judul Skripsi dan Rata Lama Studi. Sedangkan
kubus data mahasiswa berisi lima dimensi, yaitu NIM, Tahun Masuk, Jalur Masuk,
Jenis Kelamin, dan Asal Daerah. Measure yang digunakan yaitu Jumlah
Mahasiswa.
Aplikasi OLAP yang dibangun dapat digunakan untuk operasi-operasi
OLAP seperti roll-up, drill-down, slice, dice, dan pivot. Aplikasi ini menyediakan
navigator OLAP untuk memilih measure dan dimensi tanpa harus memasukkan
query-query SQL. Hasil operasi OLAP divisualisasikan dalam bentuk grafik yang
dinamis dan dapat dicetak dalam bentuk PDF dan Excel.
Saran
Saran untuk penelitian data warehouse dan OLAP selanjutnya, yaitu data
yang lengkap untuk mendapatkan hasil OLAP dan hasil analisis yang tepat,
aplikasi OLAP dikembangkan dengan menambah fasilitas login sehingga aplikasi
hanya diakses oleh pihak-pihak yang berkepentingan dan kerahasian data terjamin,
hierarki kata kunci diperbaiki menjadi klasifikasi berdasarkan bidang kajian lab
keilmuan, dan operasi slice dan dice dioperasikan dalam OLAP navigator.

DAFTAR PUSTAKA
Aulia K. 2011. Data warehouse dan Aplikasi OLAP Akademik Kurikulum
Mayor-Minor Berbasis Linux. [skripsi]. Bogor (ID): Departemen Ilmu
Komputer, FMIPA, Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining: Concept and Techniques, San Francisco
(US): Morgan Kaufmann Publisher.
Herlambang A. 2007. Pembangunan Data warehouse dan Aplikasi OLAP
Berbasis Web Menggunakan Palo (Studi Kasus: Data PPMB IPB). [skripsi].
Bogor (ID): Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Hyde J. 2007. Developing OLAP Solution with Mondrian.
[IPB] Institut Pertanian Bogor. 2013. Sekilas Tentang Penerimaan Mahasiswa
Baru
IPB.
http://admisi.ipb.ac.id/p/single/penerimaanmahasiswabaruipb
(diakses tanggal 18 Juli 2013)
[IPB] Institut Pertanian Bogor. 2011. Panduan Program Pendidikan Sarjana Edisi
2011. Bogor (ID): IPB Press.

27
Lampiran 1 Data Dimensi
a Dimensi Dosen
inisial_dosen nama_dosen
MAI
Istiadi; Muhammad Abrar
TTH
Haryanto; Toto
WAK
Kusuma; Wisnu Ananta
AGB
Buono; Agus
AZK
Kustiyo; Aziz
KLN
Nisa; Karlina Khiyarin
MUS
Mushthofa
YHY
Herdiyeni; Yeni
ANN
Annisa
HAA
Adrianto; Hari Agung
ISS
Sitanggang; Imas S.
ARD
Ridha; Ahmad
JAS
Adisantoso; Julio
SHW
Wijaya; Sony Hartono
ARA
Akbar; Auriza Rahmad
EPG
Giri; Endang Purnama
HRS
Sukoco; Heru
HRW
Rahmawan; Hendra
KPR
Priandana; Karlisa
SGN
Guritman; Sugi
SNN
Neyman; Shelvie Nidya
SWJ
Wahjuni; Sri
AAS
Asfarian; Auzi
FAR
Ardiansyah; Firman
IRH
Hermadi; Irman
KBS
Seminar; Kudang Boro
MAA
Agmaloro; Muhammad Ashyar
MTR
Rachmaniah; Meuthia
RKD
Karyadin; Rindang
YNY
Nurhadryani; Yani
ARF
Ramadhan; Arief
ARR
Rambe; Abdurrauf
DAR
Ramadhan; Dean Aprilia
DKM
Kartika; Desina
PWA
Wasmana; Panji
SNI
Nurdiati; Sri
b Dimensi Lab
Inisial_lab
IR
NCC
SEINS

Nama_lab
Information Retrieval
Net-Centric Computing
Software Engineering and Information Sciences

28
Dimensi Lab (lanjutan)
Inisial_lab Nama_lab
CI
Computational Intelligence
DM
Data Mining
BIF
Bioinformatika

c

Dimensi NIM
nim
G64101028
G64101027
G64101025
G64101024
G64101022
G64101021
G64101019
G64101018
G64101017
G64101016
G64101014
G64101013
G64101012
G64101010
G64101009
G64101008
G64101007
G64101006
G64101004
G64101003
G64101001
G64070072
G64070071
G64070070
G64070069
G64070066
G64070065
G64070064
G64070063
G64070062
G64070061
G64070060
G64070059
G64070058
G64070057
G64070054

nama_mhs
Favorisen Rosyking Lumbanraja
Tri Priyo Sudarmanto
Holan
Yani Mandasari
Wibawa Andriyanto Nugroho
Usep Aris Sutandi
Dyah Ruwiyanti
Rony Setiawan
Toto Haryanto
Nugraha Tejapermana
Elmi Achelia
Ardian Ariono
Rades Wandri
Aisyah Marlian Daulay
Ratna Purnama Sari
Marico Djakasaputra
Andika Wahyu Agusetyawan
Muslikhah Fajriyati
Novi Apriyanti
Sifilia
Erwin Wahyu
Akbar Riyan Nugroho
Nutri Rahayuni
Windy Wahyu Astuti Islamiyah
Dean Apriana Ramadhan
Ni Made Febryantini Dwi Ariny
Ria Astriratma
Remarchtito Heyziputra
Nur Nissa Amyati Dillyani
Windy Widowati
Isna Mariam
Gema Alief Utama
Devi Dian Pramana Putra
Adi Gunarso
Fani Valerina
Rani Dwijayanti

29
Dimensi NIM (lanjutan)
nim
nama_mhs
G64070050 Yoga Herawan
G64070048 Wiwiek Dewi Anggraeni
G64070047 Rendy Eka Saputra
G64070046 Rahman Sujatman
G64070043 Fandi Rahmawan
G64070040 Dhieka Avrilia Lantana
d Dimensi Waktu Lulus
th_lulus
2005
2006
2007
2008
2009
2010
2011
2012
2013
e

Dimensi Kata Kunci
inisial_key
kata_kunci1
Fuzzy cCIG64101010
means
CIG64080065

CIG64080030
CIG64063196
CIG64062552

CIG64052475
CIG64051561
CIG64101068
CIG64050964
CIG64101064
CIG64101059

kata_kunci2

kata_kunci3

kata_kunci4

Character
Asterinaceae Selection
Document
classificatio
Chi-square
n
Speech
Mobile robot recognition
Certainty
Expert
factor
system
Central
Online
tabulating
voting
faciliteis
Density
GIS
analysis
Citra sidik
jari
Flocking
Separation
Objek tiga
Sistem
dimensi
kordinat
Berbasis
Zakat
web

Identification
Key

Important
Characters

Document
identification
Hidden
markov model

K-fold cross
validation
Mfcc

ADHD
Two central
faciliteis
Bakosurtanal

Cohesion
Model
waterfall

Pest
Shortest
Path

30
Dimensi Kata Kunci (lanjutan)
inisial_key
kata_kunci1
Kinerja
algoritma
CIG64101027

CIG64101028
CIG64101006

CIG64101070
.
.
.

Association
Mining Rule
Jaringan
syaraf tiruan
Sistem
pembelajara
n cerdas
.
.
.

SEINSG64070010 Android
SEINSG64070015 ASP.net
SEINSG64070033 3D Map
Business
SEINSG64070048 Intelligence

SEINSG64070082
SEINSG64070106
SEINSG64080001
SEINSG64080026

Augmented
Reality (AR)
Android
Browser
Customer

SEINSG64080040 Analysis
Transaction
Processing
SEINSG64080051 System
f

Dimensi Waktu Masuk
th_masuk angkatan
2001
38
2005
42
2006
43
2007
44
2008
45

kata_kunci2

Personalisas
i
rekomendasi
Propagasi
Balik
Model
komunikasi
.
.
.
Augmented
Reality
Forest usage
Bezier
Curve
Data
Warehouse
Usability
Engineering
Lifecycle
Rotate
E-commerce
E-commerce

kata_kunci3

kata_kunci4

Profil minat
Ketepatan
Prediksi

Profil
perilaku
NguyenWidrow

Model pakar
.
.
.

Modul
pedagogig
.
.
.

IPB
GIS

Navigation
Google
Maps API

IPB

RIA

Metadata

OLAP

Prototype
Map
Evaluator
Parameter

Parenting

R4
framework

Navigation
Kajian
Transactor
Social
network
developmen
t

Kindergarte
n

Requirement
Analysis

Zachman
Framework

31
g Dimensi Lama Studi
lama_studi
4
5
6
7
h Dimensi IPK
Id_ipk rentang_ipk
E
1