Implementasi Fuzzy OLAP Pada Data potensi Desa Di Propinsi Jawa BArat Tahun 2003 dan 2006

IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI
PROVINSI JAWA BARAT TAHUN 2003 DAN 2006

SOFIYANTI INDRIASARI
G64103046

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007

ABSTRAK
SOFIYANTI INDRIASARI. Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi Jawa
Barat Tahun 2003 dan 2006. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan SRI
NURDIATI.
Kurangnya pemanfaatan atau pengolahan terhadap gunung data yang sebenarnya dapat
menghasilkan suatu informasi atau pengetahuan yang penting untuk mendukung pengambilan
keputusan. Data Potensi Desa yang bersumber dari Badan Pusat Statistik (BPS) memiliki peranan
yang cukup strategis di masa yang akan datang dan merupakan produk unggulan BPS. Untuk itu
sangat penting melakukan analisis data Podes secara efisien dan cepat. Data warehouse adalah
tempat penyimpanan data terintegrasi yang dapat digunakan untuk query dan analisis. Operasi

query ini dilakukan dengan On-line Analytical Processing (OLAP). Data real dijumpai sering kali
mengandung informasi yang tidak tepat dan ketidakpastian (uncertain). Teori himpunan fuzzy
digunakan untuk menangani masalah tersebut. Penelitian ini bertujuan membangun data
warehouse untuk data Potensi Desa di Provinsi Jawa Barat tahun 2003 dan 2006 yang
direpresentasikan dalam model data multidimensi dengan menggunakan teori himpunan fuzzy dan
mengimplementasikan operasi OLAP.
Ruang lingkup penelitian adalah dibatasi pada implementasi fuzzy OLAP untuk data Potensi
Desa di Provinsi Jawa Barat tahun 2003 dan 2006. Sistem yang akan dibangun mengikuti
arsitektur data warehouse tiga tingkat. Struktur data pada data warehouse digambarkan dengan
skema galaksi. Operasi-operasi yang diimplementasikan adalah operasi roll-up, drill-down, slice,
dice, dan pivot. Operasi untuk fuzzy OLAP dilakukan sesuai dengan konsep pengoperasian data
multidimensi fuzzy.
Hasil penelitian ini adalah terbentukya data warehouse yang diimplementasikan dengan
konsep fuzzy serta data warehouse untuk data crisp sebagai pelengkap penyajian informasi. Data
warehouse yang dibangun menggunakan konsep fuzzy terlebih dahulu melalui tahapan praproses
data dan proses clustering menggunakan algoritma FCM untuk mendapatkan himpunan fuzzy dan
nilai derajat keanggotaan tiap atribut. Data warehouse tersebut memiliki 4 kubus data yaitu
penduduk, rumah tangga, lahan, dan sekolah. Data dapat ditampilkan dalam bentuk crosstab atau
grafik. Penelitian ini memberikan informasi berupa data fuzzy dan data crisp. Data fuzzy yang
disajikan memberikan informasi natural dengan mendefinisikan variabel linguistic. Data crisp

disajikan sebagai penunjang untuk mendapatkan informasi.

Kata kunci: data warehouse, OLAP, model data multidimensi, fuzzy.

IMPLEMENTASI FUZZY OLAP PADA DATA POTENSI DESA DI
PROVINSI JAWA BARAT TAHUN 2003 DAN 2006

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

Oleh :
SOFIYANTI INDRIASARI
G64103046

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2007

Judul

: Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi
Jawa Barat Tahun 2003 dan 2006
Nama : Sofiyanti Indriasari
NIM
: G64103046

Menyetujui:
Pembimbing I,

Pembimbing II,

Imas S. Sitanggang, S.Si, M.Kom
NIP 132 206 235

Dr. Ir. Sri Nurdiati, M.Sc
NIP 131 578 805

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

Prof. Dr. Ir. Yonny Koesmaryono, MS
NIP 131 473 999

Tanggal Lulus :

v

PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala
curahan rahmat dan karunia-Nya sehingga penelitian ini berhasil diselesaikan. Tema yang dipilih dalam
penelitian yang dilaksanakan sejak bulan Januari 2007 ini ialah data warehouse, dengan judul
Implementasi Fuzzy OLAP pada Data Potensi Desa di Provinsi Jawa Barat Tahun 2003 dan 2006
Penyelesaian penelitian ini tidak terlepas dari bantuan berbagai pihak, karena itu penulis
mengucapkan terima kasih sebesar-besarnya kepada:
1.
Ayahanda Achmad Azhari dan Ibunda Syafa’atur Rofiah , Kakakku Sofyan Rizalanda, serta adikadikku Asrofi Hanafiah dan Asrofi Hanifah atas doa, kasih sayang, dan kehangatannya yang tidak

pernah berhenti tercurah selama ini,
2.
Ibu Imas S. Sitanggang, S.Si., M.Kom. selaku pembimbing I, Ibu Dr. Ir. Sri Nurdiati, M.Sc. selaku
pembimbing II dan Bapak Hari Agung Adrianto, S.Kom. selaku dosen penguji,
3.
Keluarga besar Ibu Sri Nurdiati di Bogor yang telah menjadi keluarga kedua bagi penulis,
4.
Kak Hendra dan Kak Ifnu atas kesabarannya menjawab pertanyaan penulis, serta Diku atas
tumpangannya mengangkut komputer untuk keperluan penelitian ini,
5.
Sahabat penulis: Gibtha, Meynar, Firat, Pandi, Qwill, Ratih, Ghofar, Jemi, Hida, Dina, Vita, dan
Nanik atas saran, dukungan, kerjasama, bantuan, dan hiburannya,
6.
Teman-teman seperjuangan Ilkomers 40 lainnya untuk pengalaman dan kenangan yang tak ternilai,
7.
Mas Irvan atas bantuannya mencari referensi untuk penelitian ini dan Pak Soleh atas bantuan dan
nasehatnya,
8.
Departemen Ilmu Komputer, staf dan dosen yang telah begitu banyak membantu baik selama
penelitian maupun pada masa perkuliahan.

Segala kesempurnaan hanya milik Allah SWT, semoga hasil penelitian ini dapat bermanfaat, Amin.

Bogor, Mei 2007

Sofiyanti Indriasari

vi

RIWAYAT HIDUP
Penulis dilahirkan di Blitar pada tanggal 5 Oktober 1984 dari ayah Achmad Azhari dan ibu
Syafa’atur Rofiah. Penulis merupakan putri kedua dari empat bersaudara. Tahun 2003 penulis lulus dari
SMU Negeri I Sidoarjo. Pada tahun yang sama penulis diterima di Program Studi Ilmu Komputer,
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor
melalui jalur USMI.
Selama mengikuti perkuliahan, penulis pernah menjadi pengurus Korps Sukarela PMI Unit I IPB
tahun kepengurusan 2004/2005. Selain itu, penulis juga pernah menjadi pengurus Himpunan
Mahasiswa Ilmu Komputer (HIMALKOM) tahun kepengurusan 2005/2006. Pada tahun 2006, penulis
pernah melakukan kegiatan praktik lapangan selama dua bulan di Pusat Data dan Informasi Kesejahteraan
Sosial, Departemen Sosial Republik Indonesia.

vii

DAFTAR ISI
Halaman
DAFTAR TABEL........................................................................................................................................... viii
DAFTAR GAMBAR...................................................................................................................................... viii
DAFTAR LAMPIRAN .................................................................................................................................. viii
PENDAHULUAN ............................................................................................................................................. 1
Latar Belakang .............................................................................................................................................. 1
Tujuan Penelitian .......................................................................................................................................... 1
Ruang Lingkup Penelitian ............................................................................................................................ 1
Manfaat Penelitian ........................................................................................................................................ 1
TINJAUAN PUSTAKA .................................................................................................................................... 1
Data Warehouse............................................................................................................................................ 1
Model Data Multidimensi............................................................................................................................. 2
On-line Analytical Processing (OLAP) ....................................................................................................... 2
Himpunan Fuzzy ........................................................................................................................................... 4
Fuzzy C-Means (FCM) ................................................................................................................................. 5
Ukuran Kevalidan Cluster ............................................................................................................................ 5
Kubus Data Fuzzy ......................................................................................................................................... 6

Dimensi Fuzzy............................................................................................................................................... 6
METODE PENELITIAN .................................................................................................................................. 7
Tahapan Penelitian........................................................................................................................................ 7
Praproses Data............................................................................................................................................... 7
Arsitektur Sistem .......................................................................................................................................... 8
Lingkungan Pengembangan Sistem ............................................................................................................. 8
HASIL DAN PEMBAHASAN ......................................................................................................................... 8
Praproses Data............................................................................................................................................... 8
Tingkat Bawah (Bottom Tier)..................................................................................................................... 10
Tingkat Tengah (Middle Tier) .................................................................................................................... 13
Tingkat Atas (Top Tier) .............................................................................................................................. 13
KESIMPULAN DAN SARAN ....................................................................................................................... 18
Kesimpulan ................................................................................................................................................. 18
Saran............................................................................................................................................................ 19
DAFTAR PUSTAKA...................................................................................................................................... 19
LAMPIRAN..................................................................................................................................................... 20

viii

DAFTAR TABEL

Halaman
1
2
3
4
5
6

Validasi atribut lahan bukan sawah untuk non pertanian 2006 .................................................................. 10
Validasi atribut lahan bukan sawah untuk non pertanian 2003 .................................................................. 10
Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data crisp.......................... 10
Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data crisp............................... 10
Tabel dimensi yang terbentuk dalam pengembangan data warehouse untuk data fuzzy.......................... 11
Tabel fakta yang terbentuk dalam pengembangan data warehouse untuk data fuzzy............................... 11

DAFTAR GAMBAR
Halaman
1
2
3

4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Skema bintang (Han & Kamber 2001)....................................................................................................... 2
Skema snowflake (Han & Kamber 2001).................................................................................................... 2

Skema galaksi (Han & Kamber 2001) ........................................................................................................ 2
Contoh operasi roll-up (Han & Kamber 2001)........................................................................................... 3
Contoh operasi drill-down (Han & Kamber 2001) ..................................................................................... 3
Contoh operasi slice (Han & Kamber 2001)............................................................................................... 4
Contoh operasi dice (Han & Kamber 2001) ............................................................................................... 4
Contoh operasi pivot (Han & Kamber 2001) ............................................................................................. 4
Contoh kubus data fuzzy 3 dimensi (Alhajj & Mehmet 2003) ................................................................... 6
Contoh path pada dimensi fuzzy.................................................................................................................. 7
Tahap praproses data ................................................................................................................................... 7
Arsitektur tiga tingkat data warehouse (Han & Kamber 2001) ................................................................. 8
Skema galaksi untuk data crisp ................................................................................................................. 12
Skema galaksi untuk data fuzzy ................................................................................................................ 12
Contoh tampilan fuzzy OLAP untuk subjek penduduk tahun 2003 pada level desa................................ 14
Contoh operasi roll-up pada dimensi lokasi.............................................................................................. 14
Contoh tampilan data crisp untuk contoh kasus tampilan subjek penduduk tahun 2003. ...................... 15
Contoh tampilan modul_desa .................................................................................................................... 16
Contoh tampilan modul_kecamatan.......................................................................................................... 17
Contoh tampilan modul_kabupaten .......................................................................................................... 18

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7
8
9

Atribut-atribut yang terpilih dari hasil ekstraksi ......................................................................................... 21
Hasil validasi cluster.................................................................................................................................... 23
Contoh hasil clustering berupa linguistic dan derajat keanggotaan ........................................................... 29
Skema galaksi yang disesuaikan dengan kebutuhan software Oracle........................................................ 31
Skema relasi modul pendukung .................................................................................................................. 32
Contoh tampilan fuzzy OLAP dan hasil operasinya................................................................................... 35
Tampilan data yang dikombinasikan dengan bentuk visualisasi model graph .......................................... 38
Tampilan query builder ............................................................................................................................... 38
Keterangan kode-kode kategori umum pada modul pendukung ................................................................ 40

1

PENDAHULUAN
Latar Belakang
Dewasa ini, ketersediaan data semakin
melimpah, apalagi ditunjang dengan banyaknya
kegiatan yang sudah dilakukan secara
terkomputerisasi. Namun seringkali data tersebut
hanya disimpan tanpa diolah lebih lanjut untuk
keperluan di masa mendatang. Padahal jika
dianalisis lebih dalam, data tersebut dapat
menghasilkan informasi atau pengetahuan yang
penting dan berharga. Data Potensi Desa (Podes)
yang bersumber dari Badan Pusat Statistik (BPS)
memiliki peranan yang cukup strategis di masa
yang akan datang dan merupakan produk
unggulan BPS. Untuk itu sangat penting
dilakukan analisis data Podes secara efisien dan
cepat.
Data warehouse adalah tempat penyimpanan
data terintegrasi yang dapat digunakan untuk
query dan analisis. Operasi query ini dilakukan
dengan On-line Analytical Processing (OLAP).
OLAP akan menghasilkan data dalam bentuk
ringkasan. Dengan operasi ini query dapat
dijalankan lebih mudah dan lebih efisien. OLAP
muncul dengan sebuah cara pandang data
multidimensi. Cara pandang multimensi ini
didukung oleh teknologi basis data multidimensi.
Data warehouse dan On-Line Analytical
Processing (OLAP) merupakan elemen penting
dalam
mendukung
proses
pengambilan
keputusan.
Data real yang dijumpai sering kali
mengandung informasi yang tidak tepat dan
ketidakpastian (uncertain).
Teori himpunan
fuzzy digunakan untuk menangani masalah
tersebut.

Ruang Lingkup Penelitian
Penelitian ini dibatasi pada implementasi
fuzzy OLAP pada data Potensi Desa di Provinsi
Jawa Barat tahun 2003 dan 2006 yang bersumber
dari Badan Pusat Statistik (BPS). Penelitian ini
akan menghasilkan aplikasi fuzzy OLAP yang
dapat menampilkan informasi untuk mendukung
proses pengambilan keputusan.
Manfaat Penelitian
Aplikasi yang dihasilkan pada penelitian ini
diharapkan dapat digunakan oleh pihak yang
berkepentingan untuk mendapatkan informasi
yang menarik dan akurat sebagai pendukung
proses pengambilan keputusan terkait dengan
data Potensi Desa. Sistem diharapkan dapat
menyediakan informasi ringkas dan jelas secara
cepat melalui operasi-operasi OLAP seperti rollup, drill-down, slice,dice, dan pivot.

TINJAUAN PUSTAKA
Data Warehouse
Data Warehouse adalah sekumpulan data
berorientasi subjek, terintegrasi, time-variant,
dan non-volatile yang mendukung proses
manajemen pembuatan keputusan (Inmon 1996).
Kata kunci dari pengertian data warehouse di
atas adalah (Han & Kamber 2001):
•

Berorientasi subjek: data warehouse
diorganisasikan berdasarkan subjek-subjek
utama, seperti pelanggan, produk atau
penjualan. Data warehouse menyediakan
tampilan yang sederhana dan ringkas untuk
subjek tertentu dengan menghilangkan data
yang tidak berguna dalam proses pembuatan
keputusan.

•

Terintegrasi: data warehouse dibangun
dengan mengintegrasikan berbagai sumber
data yang heterogen, seperti basis data
relasional, flat file, dan transaksi on-line.
Teknik pembersihan dan integrasi data
digunakan untuk memastikan data tetap
konsisten.

•

Time-variant:
data
disimpan
untuk
menyediakan
informasi
berdasarkan
kejadian yang sudah lewat.

•

Non-volatile: data warehouse adalah tempat
penyimpanan data yang terpisah dari basis
data operasional.

Tujuan Penelitian
Tujuan dari penelitian ini adalah :
1.

2.

Membangun data warehouse untuk data
Potensi Desa tahun 2003 dan 2006. Aplikasi
yang dibangun mengolah data yang
direpresentasikan dalam model data
multidimensi dengan menggunakan teori
himpunan fuzzy.
Mengimplementasikan
operasi-operasi
OLAP, yaitu roll-up, drill-down, slice, dice,
dan pivot dengan menggunakan pendekatan
fuzzy.

2

Model Data Multidimensi
Model data multidimensi menampilkan data
dalam bentuk kubus data. Kubus data
memungkinkan
data
dimodelkan
dan
ditampilkan dalam dimensi banyak. Kubus data
disebut juga cuboid. Pola-pola cuboid dapat
dibuat apabila diberikan satu kumpulan dimensi.
Masing-masing pola menampilkan data pada
tingkat kesimpulan yang berbeda-beda (Han &
Kamber 2001).
Untuk menggambarkan hubungan antardata
pada data multidimensi digunakan skema
multidimensi. Pada data warehouse, skema
merupakan sekumpulan tabel yang berhubungan.
Skema digunakan untuk menunjukkan hubungan
antara tabel dimensi dengan tabel fakta. Skema
ditentukan
berdasarkan
kebutuhan
data
warehouse dan keinginan pembuat data
warehouse. Data warehouse membutuhkan
skema yang ringkas dan berorientasi subjek.
Tipe-tipe skema multidimensi antara lain (Han &
Kamber 2001):
• Skema bintang (star schema)
Skema bintang adalah skema data
warehouse yang paling sederhana. Skema ini
disebut skema bintang karena hubungan antara
tabel dimensi dan tabel fakta menyerupai
bintang di mana satu tabel fakta dihubungkan
dengan beberapa tabel dimensi. Titik tengah
skema bintang adalah satu tabel fakta besar
dan sudut-sudutnya adalah tabel-tabel dimensi.
Bentuk skema bintang dapat dilihat pada
Gambar 1. Keuntungan yang didapat jika
menggunakan skema ini adalah peningkatan
kinerja data warehouse, pemrosesan query
yang lebih efisien, dan waktu respon yang
cepat.

• Skema snowflake (snowflake schema)
Skema snowflake adalah variasi dari skema
bintang di mana beberapa tabel dimensi
dinormalisasi, jadi dihasilkan beberapa tabel
tambahan. Bentuk skema snowflake dapat
dilihat pada Gambar 2. Keuntungan yang
didapat dengan menggunakan skema ini
adalah penghematan memory, tapi waktu yang
dibutuhkan untuk pemrosesan query menjadi
lebih lama.

Gambar 2 Skema snowflake (Han & Kamber
2001)
• Skema galaksi (fact constellation)
Pada skema galaksi, beberapa tabel fakta
berbagi tabel dimensi. Bentuk skema galaksi
dapat dilihat pada Gambar 3. Keuntungan
menggunakan skema ini adalah menghemat
memory dan mengurangi kesalahan yang
mungkin terjadi.

Gambar 3 Skema galaksi (Han & Kamber 2001)

Gambar 1 Skema bintang (Han & Kamber 2001)

On-line Analytical Processing (OLAP)
OLAP adalah operasi basis data untuk
mendapatkan data dalam bentuk ringkasan
dengan
menggunakan
agregasi
sebagai
mekanisme utama. OLAP menyediakan tampilan
data yang fleksibel dari sudut pandang yang
berbeda dan menyediakan lingkungan yang userfriendly untuk membantu analisis data.
Tipe-tipe operasi OLAP antara lain (Han &
Kamber 2001):

3
• Roll-up
Operasi ini melakukan pengelompokan
pada kubus data dengan cara mengurutkan
suatu hirarki konsep secara menaik
(ascending) atau mereduksi dimensi. Contoh
operasi roll-up untuk kubus data penjualan
dapat dilihat pada Gambar 4.
Contoh :
Suatu hirarki lokasi: kota < provinsi <
negara
Operasi roll-up melakukan pengelompokan
dengan mengurutkan hirarki lokasi dari tingkat
kota sampai pada tingkat negara.
• Drill-down
Drill-down adalah kebalikan dari roll-up.
Drill-down dapat dilakukan dengan cara
mengurutkan suatu hirarki konsep secara
menurun
(descending)
atau
dengan
menambahkan nilai dimensi. Contoh operasi
drill-down untuk kubus data penjualan dapat
dilihat pada Gambar 5.

Suatu hirarki waktu: bulan < kuartal <
tahun
Drill-down melakukan pengelompokan
dengan mengurutkan hirarki waktu dari tingkat
tahun ke tingkat yang lebih detil yaitu tingkat
bulan.
• Slice dan dice
Operasi slice melakukan pemilihan satu
dimensi
dari
kubus
data
sehingga
menghasilkan bagian kubus (subcube). Contoh
operasi slice untuk kubus data penjualan dapat
dilihat pada Gambar 6. Operasi dice
menghasilkan bagian kubus (subcube) dengan
melakukan pemilihan dua atau lebih dimensi.
Contoh operasi dice untuk kubus data
penjualan dapat dilihat pada Gambar 7.
• Pivot (rotate)
Pivot adalah operasi yang memutar
koordinat data pada tampilan dengan tujuan
untuk menyediakan alternatif tampilan data.
Contoh operasi pivot untuk kubus data
penjualan dapat dilihat pada Gambar 8.

Contoh :

Gambar 4 Contoh operasi roll-up (Han & Kamber 2001)

Gambar 5 Contoh operasi drill-down (Han & Kamber 2001)

4

Gambar 6 Contoh operasi slice (Han & Kamber 2001)

Gambar 7 Contoh operasi dice (Han & Kamber 2001)

Gambar 8 Contoh operasi pivot (Han & Kamber 2001)

Himpunan Fuzzy
Konsep logika fuzzy pertama kali
diperkenalkan oleh Prof. Lutfi A Zadeh dari
Universitas California pada bulan Juni 1965.
Logika fuzzy merupakan generalisasi dari logika
klasik yang hanya memiliki dua nilai
keanggotaan 0 dan 1. Dalam logika fuzzy nilai

kebenaran suatu pernyataan berkisar dari
sepenuhnya benar ke sepenuhnya salah. Inti dari
himpunan fuzzy yaitu fungsi keanggotaan yang
menggambarkan hubungan antara domain
himpunan fuzzy dengan nilai
derajat
keanggotaan. Dengan teori himpunan fuzzy
suatu objek dapat menjadi anggota dari banyak
himpunan dengan derajat keanggotaan yang

5

berbeda dalam masing-masing himpunan.
Derajat
keanggotaan
menujukkan
nilai
keanggotaan suatu objek pada suatu himpunan.
Nilai keanggotaan ini berkisar antara 0 sampai 1
(Cox 2005). Teori himpunan fuzzy telah banyak
digunakan dalam pembangunan sistem data
mining. Alhajj dan Mehmet (2003) telah
menggunakan
himpunan
fuzzy
untuk
membangun kubus data fuzzy.
Fuzzy C-Means (FCM)
Menurut Jang et al. (1997), Fuzzy C-Means
merupakan algoritma clustering data di mana
setiap titik data masuk dalam sebuah cluster
dengan ditandai oleh derajat keanggotaan. FCM
membagi sebuah koleksi dari n data vektor xj
(j=1, 2, …, n) menjadi c cluster, dan
menemukan sebuah pusat cluster (center) untuk
tiap kelompok dengan meminimalisasi ukuran
dari fungsi objektif. Pada FCM hasil dari
clustering adalah sebuah titik data dapat
menjadi anggota untuk beberapa cluster yang
ditandai oleh derajat keanggotaannya antara 0
dan 1.
Berikut tahapan clustering menggunakan
algoritma FCM:
1. Inisialisasi keanggotaan matriks U yang
berisi derajat keanggotan terhadap cluster
dengan nilai antara 0 dan 1, sehingga
c

∑ u ij = 1,

∀ j = 1,..., n

digunakan untuk clustering data
fuzzy adalah sama dengan 2.
Kemudian melihat kondisi berhenti :
• Jika (|Jt –Jt-1| < nilai toleransi
terkecil yang diharapkan) atau (t >
maksimal iterasi) maka proses
berhenti.
• Jika tidak : t = t + 1, mengulangi
langkah 3.
4. Penghitungan matriks U baru menggunakan
formula berikut:

u

ij

k =1

c

ci =

j =1
n

j =1

S =

J (U , c1 ,..., c c ) =

∑ J i = ∑∑
i =1

i =1 j

.
2

n

∑ ∑ µij 2 || Vi − X j ||2
i =1 j =1

adalah

nilai

n

3. Penghitungan fungsi objektif (Ji):
n

i =1 j =1

2

i, j

•
c

n

n min Vi − V j

c

(uij ) m

c

2
m −1)

dengan:

.

∑

kj

∑ ∑ µij2 Vi − X j

2. Penghitungan c sebagai pusat cluster,
ci , i = 1, …, c dengan menggunakan

∑

ij

⎞(
⎟
⎟
⎠

Ukuran Kevalidan Cluster
Menurut Xie dan Beni (1991), ukuran
kevalidan cluster merupakan proses evaluasi
hasil clustering untuk menentukan cluster mana
yang terbaik. Kevalidan sebuah cluster (S)
ditentukan oleh dua hal yaitu: ukuran kedekatan
antaranggota pada tiap cluster (compactness),
dan ukuran keterpisahan antarcluster satu
dengan cluster yang lainnya (separation).
Semakin kecil nilai S, maka cluster tersebut
semakin valid.

.

((uij ) m x j )

⎛ d
∑ ⎜⎜
⎝ d
c

i =1

n

1

=

u ijm d ij2

di mana:
• uij adalah elemen matriks U yang
bernilai antara 0 dan 1,
• dij = ||ci - xj|| adalah jarak antara
pusat cluster ke-i dan titik data
ke-j,
• ci adalah pusat cluster ke-i,
• m ∈ [1, ∞ ] adalah parameter
fuzzifikasi. Nilai m yang umum

•
•

compactness,
n adalah banyaknya titik data,
V adalah pusat cluster,

•

∑ di j 2

n

adalah variation dari cluster

j =1

ke-i,
•

dij = µij || X j − Vi ||

adalah

fuzzy

deviation Xj dari cluster ke-i, dan
notasi ||y|| biasanya merupakan norma
(panjang)
penghitungan
jarak
Euclidean,

6

•

dij adalah jarak antara Xj dan Vi yang
diboboti oleh derajat keanggotaan
fuzzy titik ke-j pada cluster ke-i,
2
adalah separation yang
min Vi − V j

•

i, j

merupakan jarak minimum antarpusat
cluster.
Kubus Data Fuzzy
Himpunan fuzzy dapat didefinisikan untuk
atribut kuantitatif, misalkan x, dengan fungsi
keanggotaan setiap himpunan fuzzy sedemikian
sehingga nilai dari x memenuhi persyaratan
berada dalam satu atau lebih himpunanhimpunan fuzzy tersebut.
Misalkan Fx =
{ f x1 , f x2 ,..., f xn } adalah himpunan dari n himpunan
fuzzy untuk atribut x. Fungsi keanggotaan dari
himpunan fuzzy ke-j dalam Fx, dinotasikan
dengan µ j , menyatakan pemetaan dari
fx

domain untuk x ke dalam interval [0, 1]. Jika
µ j ( v) = 1 maka nilai v dari x secara penuh
fx

j

merupakan anggota untuk himpunan fuzzy f x .
Jika µ j ( v) = 0 berarti bahwa v bukanlah
fx

j

anggota dari f x . Semua nilai yang lain di
antara 0 dan 1, menentukan keanggotaan parsial
(Alhajj & Mehmet 2003). Konsep tersebut
selanjutnya digunakan untuk membangun kubus
data fuzzy.
Gambar 9 menunjukkan kubus data fuzzy 3
dimensi, di mana setiap dimensi memiliki dua
atribut dan banyaknya fungsi keanggotaan dari
setiap atribut berkisar 2 dan 3. Dalam Gambar
9, setiap dimensi dari kubus data mengandung
k

∑n +1
i =1

i

nilai dengan ni adalah banyaknya

fungsi keanggotaan dari atribut x i , k adalah
banyaknya atribut, keduanya dalam dimensi X,
dan “+1” menunjukkan nilai total di mana
setiap sel menyimpan nilai agregasi dari barisbaris sebelumnya. Seperti halnya dalam kubus
data crisp, terhadap kubus data fuzzy dapat
diaplikasikan operasi-operasi seperti dice, slice,
roll-up dan drill-down.

Gambar 9 Contoh kubus data fuzzy 3 dimensi
(Alhajj & Mehmet 2003)
Dimensi Fuzzy
Elemen (sel) pada dimensi data crisp dapat
digabungkan menjadi satu elemen pada level di
atasnya. Untuk kasus fuzzy, suatu elemen dapat
direlasikan dengan lebih dari satu elemen pada
level di atasnya dan derajat dari relasi tersebut
berada pada interval [0,1]. Kinship relation
mendefinisikan derajat dari relasi tersebut
sebagai berikut (Molina et al. 2006 ):
Untuk tiap pasangan level li dan lj di mana lj
∈ Hi, didefinisikan

µ ij : li × l j

→ [0,1]

Setiap
derajat
dari
elemen-elemen
dimasukkan di dalam satu elemen pada level
parent dapat dilakukan dengan menggunakan
relasi tersebut. Dengan menggunakan relasi
antarelemen dalam dua level berurutan, dapat
didefinisikan relasi antara tiap-tiap pasangan
nilai dalam level yang berbeda di suatu dimensi
yang disebut extended kinship relation. Untuk
menghasilkan suatu nilai agregasi, dilakukan
pertimbangan terhadap semua kemungkinan
path antarelemen dalam hirarki. Masing-masing
nilai dikalkulasikan dengan mengagregasikan
kinship relation pada dua level menggunakan
operator ⊗ dan ⊕ di mana operator tersebut
secara berurutan adalah t-norm dan t-conorm
yaitu implementasi dari operator minimum dan
maksimum. Contoh sederhana dapat dilihat
pada Gambar 10 (Molina et al. 2006 ).

7

Praproses Data
Praproses data adalah proses yang harus
dilakukan sebelum membuat data warehouse.
Proses-proses tersebut adalah:
1 Ekstraksi (extraction)
Gambar 10 Contoh path pada dimensi fuzzy
Gambar 10 menunjukkan path yang akan
menjadi alur untuk mengkalkulasikan nilai
agregasi. Proses kalkulasi nilai-nilai dari contoh
tersebut adalah sebagai berikut:
(1 ⊗ 0.7) ⊕ (1 ⊗ 0.3) ⊕ (1 ⊗ 0) = 0.7

METODE PENELITIAN
Tahapan Penelitian
Tahapan penelitian
tahapan yaitu:

terdiri

dari

empat

1.

Pengumpulan dataset yang terdiri dari
atribut numerik

2.

Tahapan praproses data meliputi ekstraksi,
pembersihan, transformasi, dan pemuatan
(load). Tahap-tahap praproses data dapat
dilihat pada Gambar 11.

Ekstraksi adalah pengambilan data yang
relevan untuk analisis dari basis data
operasional sebelum masuk ke data
warehouse. Pada ekstraksi, atribut-atribut
dan record-record yang diinginkan dipilih
dan diambil dari basis data operasional. Hal
ini perlu dilakukan karena tidak semua
elemen data berguna dalam analisis dan
pembuatan keputusan. Elemen data yang
diperlukan adalah atribut pada data Podes
Jawa Barat tahun 2003 dan 2006 yang
bersifat
numerik
agar
dapat
diimplementasikan konsep fuzzy dan
merupakan atribut data yang mengandung
konsep hirarki agar dapat terlihat pola
agregasi pada saat pengimplementasian
operasi OLAP, serta atribut yang terdapat
pada data Potensi Desa Jawa Barat tahun
2003 dan 2006 antartahun.
2 Pembersihan (cleaning)
Pada pembersihan semua kesalahan
dihilangkan dan diperbaiki. Pembersihan
dilakukan untuk menghilangkan kesalahan
(error). Kesalahan yang umum terjadi
adalah nilai yang hilang (missing values),
noise, dan data yang tidak konsisten.
Pembersihan dilakukan dengan mengisi nilai
yang kosong dan menghilangkan noise.
3 Transformasi (transformation)
Pada transformasi, data Podes Jawa
Barat tahun 2003 dan 2006 yang terpilih
diberikan format dan nama yang umum.
Proses transformasi dilakukan agar data
tetap konsisten. Transformasi yang paling
penting adalah transformasi nama agar tidak
ada nama atribut yang sama atau atribut
yang sama memiliki nama yang berbeda
pada basis data yang berbeda. Setelah
transformasi nama, semua elemen data harus
dikonversikan ke format yang sama.

Gambar 11 Tahap praproses data
3.

Perancangan
dan
multidimensi fuzzy

konstruksi

data

4.

Perancangan antarmuka kueri Fuzzy OLAP.

Transformasi
selanjutnya
adalah
transformasi nilai dari data crisp ke data
fuzzy. Pembentukan data fuzzy dilakukan
melalui proses clustering menggunakan
algoritma
FCM
untuk
menentukan

8

himpunan fuzzy dan derajat keanggotaannya.
Langkah selanjutnya adalah menentukan
validitas cluster. Tujuan dilakukannya
validasi terhadap fuzzy clustering yaitu
untuk mencari skema clustering di mana
sebagian besar vektor dari suatu himpunan
data menunjukkan derajat keanggotaan yang
tinggi dalam suatu cluster. Pengukuran
kevalidan cluster dilakukan menurut metode
Xie dan Beni (1991) yang menjelaskan
bahwa kevalidan sebuah cluster (S)
ditentukan oleh dua hal yaitu: ukuran
kedekatan antaranggota pada tiap cluster
(compactness), dan ukuran keterpisahan
antarcluster satu dengan cluster yang
lainnya (separation). Semakin kecil nilai S,
maka cluster tersebut semakin valid.
4 Pemuatan (loading)
Setelah tahap ekstraksi, pembersihan,
dan transformasi dilakukan, maka data
dapat dimasukkan ke data warehouse. Data
yang dimasukkan ke dalam data warehouse
adalah data crisp dan data fuzzy.
Arsitektur Sistem
Sistem yang akan dibangun mengikuti
arsitektur data warehouse tiga tingkat seperti
terlihat pada Gambar 12:

Gambar 12 Arsitektur tiga tingkat data
warehouse (Han & Kamber 2001)
1 Tingkat bawah (bottom tier)
Tingkat bawah arsitektur data
warehouse adalah server basis data
warehouse yang biasanya sebuah sistem
basis data relasional. Tahap ini data

diambil dari basis data operasional dan
sumber eksternal lainnya. Data disimpan
sebagai data warehouse.
2 Tingkat tengah (middle tier)
Pada tingkat tengah, operasi OLAP
dilakukan pada data warehouse yang
sudah terbentuk. Implementasi operasi
OLAP disesuaikan dengan struktur data
Podes Jawa Barat 2003 dan 2006, yang
mencakup struktur hirarki data. Pada
penelitian
ini,
operasi
OLAP
diimplementasikan sesuai dengan aturanaturan pada konsep fuzzy, termasuk
fungsi agregasi fuzzy yang digunakan.
3 Tingkat atas (top tier)
Pada tingkat atas, data warehouse
telah terbentuk dan digunakan oleh
pengguna. Perangkat analisis berupa
perangkat query dan grafik dibuat untuk
memudahkan analisis data.
Lingkungan Pengembangan Sistem
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan dalam pengembangan
sistem adalah sebagai berikut:
a. Perangkat keras berupa komputer personal
dengan spesifikasi:
- Processor: AMD AthlonTM XP 2700+
- Memory: 768 MB
- Harddisk 40 GB
- Keyboard dan mouse
- Monitor
b. Perangkat lunak:
- Sistem operasi: Microsoft Windows
XP Professional
- DBMS: Oracle 10g Release 2
- Data Warehouse dan OLAP: Analytic
Workspace Manager dan Measure
Data Viewer
- MATLAB 7 untuk clustering data
- Microsoft SQL Server 2000 dan
Microsoft Excel untuk praproses data.

HASIL DAN PEMBAHASAN
Praproses Data
Praproses dilakukan terhadap data Podes
Jawa Barat 2003 dan 2006, tahapan praproses
yang dilakukan adalah sebagai berikut:

9

1. Ekstraksi
Tahapan ekstraksi adalah melakukan
pemilihan atribut yang relevan untuk
analisis yaitu atribut numerik, atribut
berhirarki, dan atribut yang ada pada data
Potensi Desa Jawa Barat tahun 2003 dan
2006 antartahun. Atribut pada data Potensi
Desa Jawa Barat tahun 2003 dan 2006 yang
terpilih adalah atribut lokasi meliputi desa,
kecamatan, dan kabupaten di Jawa Barat,
serta atribut yang berhubungan dengan
kependudukan yang meliputi jumlah
penduduk dan jumlah rumah tangga
prasejahtera 1 serta jumlah keluarga
keseluruhan di masing-masing desa, luasan
lahan, dan pendidikan yang meliputi jumlah
sekolah dari TK sampai SMA. Atributatribut yang terpilih dan deskripsinya dapat
dilihat pada Lampiran 1.
2. Pembersihan
Tahap pembersihan data tidak perlu
dilakukan, karena data yang digunakan
sudah bersih.
3. Transformasi
Tahap transformasi adalah memberikan
format yang umum pada data, meliputi
menyamakan nama atribut yang sama pada
data tahun 2003 dan 2006 atau memberikan
nama atribut dengan nama yang umum
sehingga atribut antartahun menjadi seragam
dan lebih informatif. Selain itu, juga
dilakukan penggabungan atribut pada data
tahun 2003 karena pada data tahun 2006
beberapa atribut yang sesuai dengan atribut
data
tahun
2003
dijadikan
satu.
Pembentukan atribut baru juga dilakukan
yang bertujuan untuk mendefinisikan secara
lengkap hirarki data. Atribut baru yang
dibuat adalah atribut ”Keluarga bukan
Prasejahtera I ”. Nilai-nilai atribut tersebut
didapatkan dari mengurangi nilai atribut
jumlah keluarga keseluruhan dengan nilai
atribut jumlah keluarga Prasejahtera I,
sehingga nantinya akan dapat didefinisikan
hirarki data untuk dimensi rumah tangga.
Pada penelitian kali ini, data yang akan
dimasukkan ke dalam data warehouse
bukan hanya data fuzzy tetapi juga data
dalam bentuk crisp. Praproses data yang
telah
dilakukan
sebelumnya
adalah

menghasilkan data crisp, untuk itu perlu
adanya proses lanjutan untuk menghasilkan
data dalam bentuk fuzzy. Pembentukan data
fuzzy dilakukan dengan proses clustering
terhadap seluruh atribut yang telah terpilih
dengan menggunakan algoritma FCM untuk
menentukan himpunan fuzzy dan fungsi
keanggotaannya.
Proses clustering menggunakan algoritma
FCM dapat menentukan jumlah cluster yang
diinginkan. Akan tetapi, untuk memilih cluster
yang terbaik dilakukan pengukuran kevalidan
cluster, sehingga proses clustering dicobakan
berulang-ulang dengan jumlah cluster yang
berbeda-beda kemudian dilihat nilai kevalidan
cluster. Cluster yang valid adalah yang
memiliki nilai kevalidan cluster (S) terkecil.
Pada penelitian kali ini, penentuan
himpunan fuzzy tidak hanya berdasarkan pada
ukuran
kevalidan
cluster
tetapi
juga
memperhatikan kesamaan jumlah cluster pada
dimensi yang sama. Hal ini dilakukan dengan
pertimbangan bahwa dalam struktur data
warehouse atribut dalam satu dimensi yang
sama harus sama jumlahnya termasuk measure
yang digunakan juga harus sama.
Clustering dilakukan terpisah antara atributatribut dalam data tahun 2003 dan 2006,
sehingga
memungkinkan
terjadinya
ketidaksamaan jumlah cluster yang valid
antartahun pada dimensi yang sama. Jika
terjadi ketidaksesuaian maka dilakukan
penyesuaian dengan memilih selisih nilai S
terkecil. Atribut yang memiliki selisih S terkecil
akan dipilih cluster yang jumlahnya sama
dengan atribut yang berada pada dimensi yang
sama dan memiliki selisih nilai S lebih besar.
Jadi pemilihan cluster pada atribut tersebut
bukan berdasarkan pada nilai S terkecilnya, tapi
disesuaikan dengan nilai S terkecil atribut lain
dalam satu dimensi. Selain itu, percobaan untuk
menentukan jumlah cluster hanya dibatasi
sampai lima cluster saja. Hal ini disebabkan jika
lebih dari lima cluster yang terbentuk maka
variabel linguistic yang dihasilkan menjadi
kurang informatif.
Pada Tabel 1 nilai S terkecil sama dengan
0,00117 saat jumlah cluster yang digunakan
sama dengan 2, sedangkan pada Tabel 2 nilai S
terkecil sama dengan 0,00003 yang terjadi pada
saat jumlah cluster sama dengan 3. Selisih

10

nilai S antara jumlah cluster dua dan tiga pada
Tabel 1 sama dengan 0.10084. Selisih selisih
nilai S antara jumlah cluster dua dan tiga pada
Tabel 2 sama dengan 0.00001. Oleh karena
selisih nilai S antara jumlah cluster dua dan tiga
pada Tabel 2 lebih sedikit daripada selisih nilai
S antara jumlah cluster dua dan tiga pada Tabel
1, maka pemilihan jumlah cluster untuk Tabel 2
disesuaikan dengan jumlah cluster valid yang
terbentuk pada Tabel 1, jadi jumlah cluster yang
terpilih untuk dua atribut tersebut adalah sama
dengan dua cluster.
Tabel 1 Validasi atribut lahan bukan sawah
untuk non pertanian 2006
Jumlah
Cluster Compactness Separation
S
2
4,E+04
3,E+07 0,00117
3
2,E+04
2,E+05 0,10201
4
9,E+03
1,E+05 0,06102
5
5,E+03
4,E+04 0,12196
Tabel 2 Validasi atribut lahan bukan sawah
untuk non pertanian 2003
Jumlah
Cluster Compactness Separation
S
2
4,69E+05
1,19E+10 0,00004
3
7,70E+04
2,68E+09 0,00003
4
4,54E+04
6,15E+04 0,73807
5
2,78E+03
4,48E+04 0,06198
Hasil keseluruhan pengukuran kevalidan
cluster dapat dilihat pada Lampiran 2 dan
beberapa contoh hasil dari proses clustering
yaitu derajat keanggotaan dan linguistic yang
sesuai dengan jumlah cluster valid yang terpilih
dapat dilihat pada Lampiran 3.
4. Pemuatan (loading)
Tahap pemuatan atau loading adalah tahap
pemasukan data yang sudah siap ke data
warehouse.
Tingkat Bawah (Bottom Tier)
Pada tingkat ini data diambil dari basis data
operasional. Selain itu, dilakukan penyesuaian
struktur data terhadap skema data warehouse.
Data yang dimasukkan ke dalam data
warehouse disesuaikan dengan rancangan
skema data multidimensi yang dinginkan, untuk
menggambarkan hubungan antardata. Sebelum
skema didefinisikan, terlebih dahulu dilakukan

pembuatan tabel-tabel yang nantinya akan
digunakan untuk mendefinisikan hubungan
antardata yang digambarkan pada skema. Tabeltabel yang perlu dibuat adalah tabel dimensi
yang terlihat pada Tabel 3 dan 5, serta dan
tabel fakta yang terlihat pada Tabel 4 dan 6.
Tabel 3 Tabel dimensi yang terbentuk dalam
pengembangan data warehouse untuk data crisp
Nama Tabel
Deskripsi
Dim_Lokasi_Crisp

Berisikan kode dan
lokasi atau daerah
dari tingkat desa
sampai tingkat
provinsi di Jawa
Barat

Dim_Tahun_Crisp

Berisikan kode dan
tahun data yang
digunakan

Dim_Penduduk_Crisp

Berisikan kode dan
penjelasan tentang
struktur penduduk

Dim_Rt_Crisp

Berisikan kode dan
penjelasan struktur
rumah tangga

Dim_Lahan_Crisp

Berisikan kode dan
penjelasan struktur
atau macam-macam
pengelompokan lahan

Dim_Sekolah_Crisp

Berisikan kode dan
penjelasan struktur
atau macam-macam
sekolah

Tabel 4 Tabel fakta yang terbentuk dalam
pengembangan data warehouse untuk data crisp
Nama Tabel
Deskripsi
Fakta_Penduduk_Crisp

Berisikan kode dan
nilai numerik atau
measure data crisp
penduduk yang
berupa jumlah
penduduk dalam
satuan orang

11

Tabel 4 lanjutan
Nama Tabel

Deskripsi

Tabel 5 lanjutan
Nama Tabel

Deskripsi

Fakta_Lahan_Crisp

Berisikan kode dan
nilai numerik atau
measure data crisp
lahan yang berupa
luas lahan dalam
satuan Ha

Dim_Lahan

Berisikan kode dan
penjelasan struktur
atau macam-macam
pengelompokan lahan
termasuk linguistic
lahan

Fakta_Sekolah_Crisp

Berisikan kode dan
nilai numerik atau
measure data crisp
sekolah yang berupa
jumlah sekolah dalam
satuan unit

Dim_Sekolah

Berisikan kode dan
penjelasan struktur
atau macam-macam
sekolah termasuk
linguistic sekolah

Fakta_Rt_Crisp

Berisikan kode dan
nilai numerik atau
measure data crisp
rumah tangga yang
berupa jumlah rumah
tangga dalam satuan
keluarga

Tabel 6 Tabel fakta yang terbentuk dalam
pengembangan data warehouse untuk data fuzzy
Nama Tabel
Deskripsi

Tabel 5 Tabel dimensi yang terbentuk dalam
pengembangan data warehouse untuk data fuzzy
Nama Tabel
Deskripsi
Dim_Lokasi

Berisikan kode dan
lokasi atau daerah
dari tingkat desa
sampai tingkat
provinsi di Jawa
Barat

Dim_Tahun

Berisikan kode dan
tahun data yang
digunakan

Dim_Penduduk

Berisikan kode dan
penjelasan tentang
struktur penduduk
termasuk linguistic
penduduk

Dim_Rt

Berisikan kode dan
penjelasan tentang
struktur rumah tangga
termasuk linguistic
rumah tangga

Fakta_Penduduk

Berisikan kode dan
nilai numerik atau
measure yang berupa
nilai-nilai derajat
keanggotaan sesuai
dengan linguistic-nya

Fakta_Rt

Berisikan kode dan
nilai numerik atau
measure yang berupa
nilai-nilai derajat
keanggotaan sesuai
dengan linguistic-nya

Fakta_Lahan

Berisikan kode dan
nilai numerik atau
measure yang berupa
nilai-nilai derajat
keanggotaan sesuai
dengan linguistic-nya

Fakta_Sekolah

Berisikan kode dan
nilai numerik atau
measure yang berupa
nilai-nilai derajat
keanggotaan sesuai
dengan linguistic-nya

Setelah itu, dilakukan perancangan skema
yang digunakan untuk menunjukkan hubungan
antara tabel dimensi dengan tabel fakta. Skema
ditentukan berdasarkan kebutuhan data
warehouse dan keinginan pembuat data
warehouse. Penelitian ini menggunakan skema

12

galaksi untuk menggambarkan hubungan
antardata. Skema galaksi untuk data crisp yang
terbentuk dapat dilihat pada Gambar 13 dan
skema galaksi untuk data fuzzy terlihat pada
Gambar 14.
Skema yang terlihat pada Gambar 13 dan 14
akan digunakan sebagai kerangka untuk
pembangunan data warehouse utama. Masingmasing skema memiliki enam tabel dimensi
yang mendefinisikan atribut-atribut kategorik
serta hirarki data dan memiliki 4 tabel fakta
yang berisikan nilai-nilai numerik berupa
primary key dari setiap dimensi yang
dihubungkan serta nilai measure yang akan
dioperasikan. Dimensi lokasi dan dimensi tahun
digunakan secara bersama-sama (shared). Pada
tiap-tiap skema terbentuk masing-masing empat
kubus data sesuai dengan subjeknya. Kubus
data dibentuk berdasarkan kombinasi dari
beberapa tabel dimensi dan tabel fakta yang
saling berhubungan seperti yang telah
tergambarkan pada skema yang ditunjukkan
pada Gambar 13 dan 14.
Untuk keperluan implementasi, dibuat
skema galaksi yang menyesuaikan keperluan
software Oracle. Skema tersebut merupakan
pengembangan dari skema yang terlihat pada
Gambar 13 dan 14. Skema yang dihasilkan
dapat dilihat di Lampiran 4.

Gambar 13 Skema galaksi untuk data crisp

Data warehouse dalam bentuk crisp terdiri
dari empat kubus data dengan masing-masing
subjeknya yaitu penduduk, rumah tangga, lahan,
dan sekolah. Pada tiap-tiap kubus data memiliki
measure secara berurutan sesuai subjeknya
adalah jumlah penduduk (orang), jumlah rumah
tangga (keluarga), luas (Ha), dan jumlah
sekolah (unit)
Data warehouse dalam bentuk fuzzy juga
terdiri dari empat kubus data dengan subjek
yang sama dengan data warehouse crisp. Hal
yang membedakan adalah pada data warehouse
fuzzy memiliki measure yang merupakan nilai
derajat keanggotaan pada tiap-tiap fungsi
keanggotaan hinpunan fuzzy yang telah
didefinisikan pada masing-masing dimensinya.
Misalnya nilai fuzzy penduduk pada kubus data
penduduk merupakan nilai derajat keanggotaan
terhadap variabel linguistic banyak dan sedikit
yang telah terdefinisi pada dimensi penduduk.
Gambar 14 Skema galaksi untuk data fuzzy

13

Selain melakukan loading data crisp dan
data fuzzy ke dalam dua warehouse yang
terpisah, dibuat juga modul tambahan berisi
table-tabel pendukung yang bertujuan untuk
menjelaskan tentang
pemaknaan nilai-nilai
agregasi yang terdapat pada kubus data fuzzy,
serta penggabungan antara nilai crisp dan fuzzy.
Modul yang dibangun ada tiga yaitu
modul_desa,
modul_kecamatan,
dan
modul_kabupaten. Rancangan skema relasi
untuk masing-masing modul dapat dilihat pada
Lampiran 5.
Tingkat Tengah (Middle Tier)
Pada tingkat tengah adalah implementasi
operasi OLAP pada data warehouse yang sudah
terbentuk.
Operasi
OLAP
yang
diimplementasikan meliputi operasi roll-up,
drill-down, slice, dice, dan pivot. Pada
penelitian ini, operasi OLAP pada data crisp
menggunakan fungsi agregasi biasa yaitu
menggunakan operator agregasi berupa sum,
seperti yang terlihat pada Gambar 17 bahwa
untuk nilai di level kecamatan, kabupaten, dan
provinsi adalah hasil penjumlah nilai sel-sel di
level bawahnya. Untuk data fuzzy operasi
OLAP diimplementasikan sesuai dengan aturanaturan pada konsep fuzzy. Untuk menghasilkan
suatu nilai agregasi, dilakukan pertimbangan
terhadap semua kemungkinan path antarelemen
dalam
hirarki.
Masing-masing
nilai
dikalkulasikan dengan mengagregasikan kinship
relation menggunakan operator ⊗ dan ⊕ di
mana operator tersebut secara berurutan adalah
t-norm dan t-conorm. Nilai pada level yang
saling berurutan di suatu path dikalkulasikan
dengan
menggunakan
operator
t-norm
kemudian hasil dari kalkulasi tiap-tiap path
diagregasikan menggunakan operator t-conorm
untuk mendapatkan nilai agregasi pada level
yang lebih tinggi. Fungsi t-norm adalah
mengambil nilai minimum dari path yang
levelnya berurutan, sedangkan fungsi t-conorm
adalah mengambil nilai maksimum dari hasil
kalkulasi pada tiap-tiap
path yang telah
dikalkulasikan
dengan
fungsi
t-norm
sebelumnya. Misalnya seperti yang terlihat pada
Gambar 15 desa Malasari untuk kasus
penduduk laki-laki nilai pada linguistic banyak
nilainya sama dengan 0.02 dan nilai pada
linguistic sedikit 0.98, maka nilai untuk derajat
keanggotaan laki-laki secara keseluruhan adalah

0.98. Nilai tersebut adalah nilai maksimum
antara linguistic banyak dan linguistic sedikit.
Maksud dari ringkasan nilai laki-laki sama
dengan 0.98 adalah menjelaskan bahwa jumlah
penduduk laki-laki di desa Malasari masuk ke
dalam kategori linguistic banyak.
Tingkat Atas (Top Tier)
Pada tingkat top tier adalah menampilkan
data warehouse yang telah terbentuk, sehingga
dapat digunakan oleh pengguna. Penyajian data
dapat dilakukan dari berbagai sudut pandang,
misalnya ringkasan data yang menampilkan
elemen-elemen yang merupakan potensi daerah
di Provinsi Jawa Barat atau penyajian data
secara detil di elemen terkecil yaitu tingkat
desa. Gambar 15 adalah contoh tampilan kubus
data fuzzy untuk subjek penduduk tahun 2003 di
level paling bawah yaitu level desa. Operasi
OLAP yang diimplementasikan salah satunya
adalah operasi roll-up seperti yang terlihat pada
Gambar 16 yang merupakan hasil dari operasi
roll-up pada dimensi lokasi untuk contoh kasus
yang terlihat pada Gambar 15, di mana nilai
pada setiap sel di kecamatan adalah hasil
agregasi yang merupakan nilai maksimum dari
derajat keanggotaan di masing-masing desa.
C