Migrasi dan Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi Linux Ubuntu

MIGRASI DAN IMPLEMENTASI SISTEM SPATIAL ONLINE
ANALYTICAL PROCESSING (SOLAP) PERSEBARAN TITIK
PANAS PADA SISTEM OPERASI LINUX UBUNTU

TENANG CARLES RINALDI SILITONGA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Migrasi dan
Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran
Titik Panas pada Sistem Operasi Linux Ubuntu 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, Maret 2015
Tenang Carles Rinaldi Silitonga
NIM G64114037

ABSTRAK
TENANG CARLES RINALDI SILITONGA. Migrasi dan Implementasi Sistem
Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada
Sistem Operasi Linux Ubuntu. Dibimbing oleh HARI AGUNG ADRIANTO.
Satelit NOAA digunakan untuk mengamati persebaran kemunculan titik
panas sebagai indikator kebakaran lahan dan hutan. Data histori titik panas yang
dihasilkan oleh satelit tersebut sangat banyak dan menumpuk. Teknologi data
warehouse dibutuhkan dalam penanggulangan kebakaran hutan dengan
menyimpan data historis kebakaran hutan. Sebelumnya teknologi ini digunakan
untuk mengembangkan sebuah sistem yang dapat mensinkronisasi visualisasi map
dan query OLAP pada sistem operasi Windows. Tujuan penelitian ini ialah
migrasi sistem spatial online analytical processing (SOLAP) persebaran titik
panas dari penelitian sebelumnya Windows ke sistem operasi Linux Ubuntu. Hal
ini meningkatkan kinerja sistem dalam melakukan operasi OLAP. Penelitian ini

juga mengimplementasi sistem tersebut ke dalam suatu server sehingga dapat
diakses dimanapun. Proses menampilkan halaman peta di Linux Ubuntu 1.26 kali
lebih cepat dibandingkan Windows. Proses menampilkan halaman Jpivot di Linux
Ubuntu lebih cepat 2.63 kali dibandingkan Windows. Proses olap4js di Linux
Ubuntu lebih cepat 1.62 kali dibandingkan Windows.
Kata kunci: data warehouse, Linux Ubuntu, server, spatial OLAP, titik panas

ABSTRACT
TENANG CARLES RINALDI SILITONGA. Migration and Sistem Spatial
Online Analytical Processing (SOLAP) implementation of hotspot spread on
Ubuntu Linux Operating System. Supervised by HARI AGUNG ADRIANTO.
The NOAA satellite is used to observe the spread of hotspots as forest fires
indicators. Hotspot historical data generated by the satellite are huge and
accumulated. Warehouse data technology is needed in forest fire control by
storing the historical data. Previously this technology was used to develop a
system that can synchronize map visualization and OLAP queries on a Windows
operating system. The purpose of this research is to migrate the OLAP system of
the hotspot spread from the Windows to the Linux Ubuntu operating system. This
increases the performance of the system in performing OLAP operations. This
research also implements the system into a Ubuntu Linux server that can be

accessed anywhere. The process of displaying map pages on Linux Ubuntu is of
1.26 times faster than those on Windows. The process of displaying Jpivot pages
on Linux Ubuntu is of 2.63 times faster than those on Windows. The olap4js
process on Linux Ubuntu is of 1.62 times faster than those on Windows.
Keywords: data warehouse, hotspot, Linux Ubuntu, server, spatial OLAP

MIGRASI DAN IMPLEMENTASI SISTEM SPATIAL ONLINE
ANALYTICAL PROCESSING (SOLAP) PERSEBARAN TITIK
PANAS PADA SISTEM OPERASI LINUX UBUNTU

TENANG CARLES RINALDI SILITONGA

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
2015

Penguji:
1 Dr Imas Sukaesih Sitanggang, SSi MKom
2 Dr Eng. Heru Sukoco, SSi MT

Judul Skripsi : Migrasi dan Implementasi Sistem Spatial Online Analytical
Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi
Linux Ubuntu
Nama
: Tenang Carles Rinaldi Silitonga
NIM
: G64114037

Disetujui oleh

Hari Agung Adrianto, SKom MSi
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2013 ialah data
warehouse kebakaran hutan, dengan judul Migrasi dan Implementasi Sistem
Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada
Sistem Operasi Linux Ubuntu.
Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom
MSi selaku pembimbing yang telah memberikan arahan, saran, dan motivasi
dengan sabar dalam membantu penulis dalam menyelesaikan skripsi ini. Terima
kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa,
kasih sayang, dan dukungannya. Serta teman-teman program studi S1 Ilmu

Komputer IPB alih jenis angkatan 6 dan teman-teman satu bimbingan yang saling
memberikan semangat dan menjadi teman diskusi. Semoga karya ilmiah ini
bermanfaat.
Bogor, Maret 2015
Tenang Carles Rinaldi Silitonga

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
PENDAHULUAN

vi
vi
1

Latar Belakang

1

Tujuan Penelitian

1

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Titik Panas

2

Data Warehouse

2

Spatial Online Analytical Processing (SOLAP)

3

Multi-Dimensional eXpressions (MDX) Query

3

Spatialytics

4

METODE

5

Tahapan Penelitian

5

Lingkungan Pengembangan

6

HASIL DAN PEMBAHASAN

6

Analisis Sistem Awal

6

Pengukuran Kinerja pada Sistem Operasi Windows

8

Konfigurasi pada Sistem Operasi Linux Ubuntu

11

Pengukuran Kinerja pada Sistem Operasi Linux Ubuntu

11

Verifikasi Sistem SOLAP

13

Pengujian Query

13

Visualisasi Sistem SOLAP

17

SIMPULAN DAN SARAN

19

Simpulan

19

Saran

19

DAFTAR PUSTAKA

20

LAMPIRAN

21

RIWAYAT HIDUP

22

DAFTAR TABEL
1 Hasil pengukuran kinerja SOLAP berbasis Windows
2 Pengukuran kinerja SOLAP berbasis Linux Ubuntu

10
12

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Arsitektur Spatialytics (Spatialytics 2013)
Tahapan penelitian
Skema database penelitian Wipriyance (2013)
Arsitektur sistem penelitian Wipriyance (2013)
Proses pengukuran menampilkan halaman peta
Proses pengukuran menampilkan halaman jpivot
Proses pengukuran olap4js
Hasil query titik panas di pulau Sumatera tahun 1997
Hasil query titik panas di pulau Sumatera tahun 2005
Tampilan sistem setelah ditambahkan layer Google Physical
Tampilan sistem setelah ditambahkan layer Google Streets
Tampilan sistem setelah ditambahkan layer Google Satellite
Tampilan sistem setelah ditambahkan layer Google Hybrid
Hasil pembesaran sistem awal
Hasil pembesaran dengan Google Physic
Hasil pembesaran dengan Google Streets
Hasil pembesaran dengan Google Satellite
Hasil pembesaran dengan Google Hybrid

4
5
7
8
9
9
10
14
14
15
15
16
16
17
17
18
18
19

PENDAHULUAN
Latar Belakang
Kebakaran hutan yang terjadi di Indonesia merupakan masalah serius yang
dihadapi saat ini, terutama pada saat musim kemarau panjang. Pulau Sumatera
merupakan wilayah yang memiliki jumlah titik panas cukup banyak. Berdasarkan
data yang diperoleh, pada Juni 2013 terdapat lebih dari 8000 titik panas yang
terdeteksi oleh satelit (Austin et al. 2013). Salah satu cara memantau tersebut
ialah menggunakan teknologi data warehouse dengan online analytical processing
(OLAP). OLAP dapat memperlihatkan peta atau grafik sehingga membantu dalam
pengambilan keputusan terhadap persebaran titik panas di kawasan hutan di
Indonesia.
Fadli (2011) melakukan penelitian dan membangun sebuah sistem data
warehouse kebakaran hutan di Indonesia dengan modul visualisasi kartografis.
Selanjutnya, Imaduddin (2012) mengembangkan penelitian sebelumnya dengan
melakukan sinkronisasi antara query OLAP dan visualisasi peta. Hasil penelitian
Imaduddin (2012) berhasil menampilkan 190 titik panas dan memudahkan
pengguna untuk melakukan analisis spatial OLAP serta menghindari terjadinya
inkonsistensi data yang disebabkan proses input berbeda. Pada tahun berikutnya,
Wipriyance (2013) melanjutkan penelitian Imaduddin dengan melakukan
peningkatan kinerja runtime sistem, sehingga data yang berhasil muncul 1500 titik
panas. Selanjutnya, Qahhariana (2014) melakukan analisis dan konfigurasi sistem
pada penelitian sebelumnya sehingga mampu menampilkan jumlah titik panas
sebanyak 5344 titik panas.
Penelitian berikutnya, Prianto (2014) melakukan konfigurasi tambahan
untuk meningkatkan kualitas visualisasi peta pada sistem yang telah
dikembangkan oleh Wipriyance (2013). Kusumah (2014) melakukan penelitian
dengan menambahkan modul update data titik panas yang didapat dari file teks
yang dimiliki oleh DPKH dan menambahkannya secara otomatis ke dalam sistem
data warehouse pada penelitian sebelumnya. Terakhir, Hasan (2014) melakukan
penelitian dengan menambahkan format modul keluaran berupa shapefile (shp)
pada sistem penelitian sebelumnya.
Penelitian ini mencoba untuk menggabungkan pengembangan sistem yang
sudah dilakukan di atas dengan mengimplementasikannya pada sistem operasi
Linux Ubuntu. Sistem operasi ini dipilih karena lebih baik dari Windows pada
perangkat keras yang setara (Beckman dan Hirsch 2006). Diharapkan pada
penelitian ini dapat meningkatkan kinerja runtime sistem SOLAP tersebut dalam
menampilkan peta dan persebaran titik panas di Indonesia. Sistem SOLAP yang
sudah berhasil diimplementasikan pada sistem operasi Linux Ubuntu akan di
hosting atau dipublikasikan ke dalam server.
Tujuan Penelitian
Tujuan dari penelitian ini ialah:
1 Migrasi sistem SOLAP persebaran titik panas dari sistem operasi Windows ke
sistem operasi Linux Ubuntu.

2
2 Melakukan analisis dan pengukuran runtime sistem dalam menampilkan peta
dan titik panas yang muncul pada sistem operasi Windows dan Linux Ubuntu.
3 Mempublikasikan sistem SOLAP persebaran titik panas ke dalam server.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan kemudahan bagi user
untuk mengakses data dan informasi pada sistem SOLAP persebaran titik panas,
terkait keperluan persebaran kebakaran hutan di Indonesia.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini ialah:
1 Data yang digunakan ialah data titik panas kebakaran hutan di wilayah
Indonesia tahun 1997-2005 yang bersumber dari Direktorat Pengendalian
Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia.
2 Skema data warehouse menggunakan hasil penelitian Wipriyance (2013),
modul visualisasi peta menggunakan penelitian Prianto (2014), fungsi ekstraksi
data titik panas menggunakan penelitian Kusumah (2014), dan penambahan
format modul keluaran berupa shapefile (shp) menggunakan penelitian Hasan
(2014).
3 Visualisasi peta berupa penambahan layer Google Maps pada sistem SOLAP.
4 Lingkungan pengembangan sistem menggunakan sistem operasi Linux Ubuntu.

TINJAUAN PUSTAKA
Titik Panas
Titik panas merupakan titik-titik di permukaan bumi yang mengindikasikan
terjadinya kebakaran hutan dan lahan. Suhu panas pada kebakaran hutan akan
naik ke atmosfer kemudian akan terdeteksi oleh satelit sebagai titik panas
berdasarkan ambang batas suhu (threshold) tertentu. Satelit yang digunakan untuk
mendeteksi adanya kebakaran hutan yaitu NOAA-AVHRR. Citra data titik panas
dari satelit AVHR-NOAA dapat dijadikan indikasi kebakaran hutan yang dapat
berupa kebakaran tajuk (crown fire), kebakaran permukaan (surface fire), maupun
kebakaran bawah (ground fire). Satelit yang diluncurkan pertama kali pada tahun
1972 ini memiliki 4 buah sensor yaitu advance very high resolution radiometer
(AVHRR), tiros operational vertical 3 sonders (TOVS), data collection and
location system (DCLS), dan space environment monitoring (SEM) (Ratnasari
2000).
Data Warehouse
Data warehouse menurut Han et al. (2012) adalah suatu teknologi
penyimpanan data yang berukuran besar dan dibangun terpisah dari database
lainnya. Data warehouse bersifat operational seperti sistem basis data relasional,
sistem proses transaksi, dan sistem file biasa.

3
Menurut Han dan Kamber (2006) ada empat karakteristik data warehouse
ialah:
1 Subject oriented
Data warehouse didesain untuk menganalisis data berdasarkan subjek tertentu
dalam lembaga, organisasi, atau perusahaan bukan berdasarkan fungsi atau
proses aplikasi tertentu.
2 Integrated
Data warehouse dapat menyimpan data yang berasal dari sumber yang terpisah
ke dalam satu format yang konsisten.
3 Time variant
Data yang disimpan memiliki sejarah informasi, atau valid pada rentang waktu
tertentu.
4 Nonvolatile
Proses yang diizinkan dalam data warehouse hanya pemuatan dan akses data
tanpa mengubah data sumber sehingga data yang tersimpan tidak dapat diupdate atau di-delete.
Spatial Online Analytical Processing (SOLAP)
Spatial online analytical processing (SOLAP) merupakan implikasi dari
konsep OLAP. Model atau pola SOLAP harus mendefinisikan informasi spatial
yang diadaptasikan dengan fungsi agregasi, dimensi spatial dan hirarki, spatial
OLAP algebra, antar muka yang memiliki fitur tabular dan kartografi, dan lainlain (Bimonte et al. 2007).
Menurut Han et al. (2012) operasi-operasi pada SOLAP yang digunakan
antara lain, yaitu:
1 Operasi Roll Up
Operasi ini melakukan agregasi terhadap kubus data dengan menaikan hirarki
sampai dengan level paling atas. Operasi ini melakukan navigasi terhadap data
sehingga data dapat dilihat secara umum atau global.
2 Operasi Drill Down
Operasi drill down melakukan navigasi terhadap data menjadi lebih terperinci.
3 Operasi Slice dan Dice
Operasi ini melakukan seleksi data pada satu dimensi dari kubus data yang
diberikan sehingga menghasilkan sub kubus data.
4 Operasi Pivot (Rotate)
Operasi ini merupakan kemampuan OLAP untuk 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.
Multi-Dimensional eXpressions (MDX) Query
Multidimensional expression (MDX) merupakan bahasa yang menyediakan
sintaks khusus untuk query dan memanipulasi data multidimensi yang disimpan
dalam kubus OLAP. MDX memungkinkan pengguna untuk memasukkan query
pada data dengan struktur yang mirip seperti SQL (Whitehorn et al. 2005).

4
Berikut contoh penggunaan query MDX yang menampilkan data jumlah
titik panas berdasarkan dimensi satelit pada tahun 1997:
SELECT
{ [Satelit].[Semua Satelit] } ON COLUMNS,
{ [Measures].[jumlah_hotspot] } ON ROWS
FROM [geohotspot]
WHERE [Waktu].[1997]

Spatialytics
Spatialytics merupakan framework yang memungkinkan pengguna untuk
menganalisis data multidimensi dari berbagai perspektif. Spatialytics mampu
melakukan operasi OLAP yang terdiri dari operasi roll up, drill down, slicing, dan
dicing (Spatialytics 2013).
Spatialytics memiliki arsitektur three tiers yang meliputi:
1 Lapisan bawah (bottom tier)
Lapisan bawah merupakan suatu sistem database relasional (DBMS
PostgreSQL) yang diberi library tambahan (PostGIS) sehingga mampu
menangani data spatial.
2 Lapisan tengah (middle tier)
Lapisan tengah merupakan tempat penyimpanan struktur kubus data atau
OLAP server.
3 Lapisan atas (top tier)
Lapisan atas merupakan lapisan untuk end user yang berfungsi menampilkan
ringkasan dari isi data warehouse yang merupakan hasil operasi OLAP serta
menampilkan (peta) persebaran titik panas. Arsitektur Spatialytics ditunjukkan
pada Gambar 1.

Gambar 1 Arsitektur Spatialytics (Spatialytics 2013)

5

METODE
Tahapan Penelitian
Penelitian ini dilakukan dengan beberapa tahapan proses seperti terlihat
pada Gambar 2.

Analisis Sistem Awal
Pengukuran Kinerja pada Sistem
Operasi Windows
Konfigurasi pada Sistem Operasi
Linux Ubuntu
Pengukuran Kinerja pada Sistem
Operasi Linux Ubuntu
Tidak
Optimal ?
Ya
Pengujian Query
Gambar 2 Tahapan penelitian
1 Analisis sistem awal
Pada tahapan ini dilakukan analisis terhadap sistem yang telah dibuat
Wipriyance (2013). Tahapan tersebut meliputi analisis data dan analisis sistem
OLAP. Sistem sudah berhasil mengintegrasi peta dan query OLAP namun
runtime sistem lambat dan data titik panas yang ditampilkan juga sedikit.
Runtime sistem dapat dipengaruhi salah satunya oleh JRE yang digunakan.
Kecepatan runtime sistem berubah sesuai dengan versi JRE. Semakin baru
versi yang digunakan, semakin cepat runtime sistem yang dihasilkan.
2 Pengukuran kinerja pada sistem operasi Windows
Sistem yang telah dibuat pada penelitian sebelumnya ialah sistem operasi
Windows diimplementasikan kembali tanpa mengubah konfigurasi. Setelah
dilakukan konfigurasi, kemudian diukur kinerjanya berupa runtime sistem dan
jumlah titik panas yang muncul.
3 Konfigurasi pada sistem operasi Linux Ubuntu
Sistem awal pada penelitian sebelumnya diimplementasikan dan disesuaikan
dengan lingkungan sistem operasi Linux Ubuntu. Proses konfigurasi yang
dilakukan salah satunya pemindahan folder atau directory agar sistem dapat
berjalan pada lingkungan sistem operasi Linux Ubuntu.

6
4 Pengukuran kinerja pada sistem operasi Linux Ubuntu
Setelah sistem berhasil diimplementasikan pada sistem operasi Linux Ubuntu,
kemudian dilakukan pengukuran berupa runtime sistem. Proses pengukuran
yang dilakukan ialah pengujian terhadap jumlah titik panas dan kecepatan
sistem SOLAP menampilkan halaman peta, halaman Jpivot, dan proses olap4js.
Pengujian jumlah titik panas dilakukan dengan melakukan kueri untuk
menghasilkan titik panas. Pada pengujian terhadap kecepatan sistem SOLAP
dilakukan dengan mengukur proses kueri utama sebanyak 10 kali perulangan
dari masing-masing jumlah titik panas dengan menggunakan tools firebug.
5 Verifikasi
Tahapan ini membandingkan sistem SOLAP pada sistem operasi Windows
dengan sistem operasi Linux Ubuntu. Sistem lebih optimal jika data titik panas
yang ditampilkan lebih banyak dan waktu proses atau runtime sistem
menampilkan peta dan persebaran titik panas lebih cepat. Jika tidak optimal,
maka dilakukan konfigurasi ulang pada sistem operasi Linux Ubuntu.
6 Pengujian query
Tahap pengujian query dilakukan untuk mengetahui keberhasilan fungsi query
MDX pada sistem yang dikembangkan di Linux Ubuntu. Fungsi yang diujikan
ialah submit query, reload jpivot, dynamics equal interval, dan fixed interval.
Lingkungan Pengembangan
Penelitian ini diimplementasikan menggunakan perangkat keras dan lunak
sebagai berikut:
1 Perangkat Keras
 Processor Intel Core i3 CPU 2.13 GHz.
 Memory 2 GB.
 Harddisk 320 GB.
2 Perangkat Lunak
 Sistem operasi Ubuntu 12.04.
 Tomcat 6.
 PostgreSQL 9 sebagai database server dengan ekstensi Postgis 2 untuk
menyimpan data spasial.
 Java.

HASIL DAN PEMBAHASAN
Analisis Sistem Awal
Pada penelitian ini terdapat dua basis data yang digunakan yaitu
db_forestfire dan geohotspot. Database db_forestfire berfungsi sebagai layer
dasar peta yang berisi data titik panas dari tahun 1997-2005 yang berjumlah
473892 titik panas. Sistem sebelumnya telah berhasil menampilkan 1500 titik
panas yang disimpan sebagai database geohotspot. Database geohotspot
berfungsi untuk menangani query yang dimasukkan pada sistem dan diproses oleh
Geomondrian.

7
Skema database disimpan dalam file XML yang akan diproses oleh
Geomondrian. Skema database Geomondrian memiliki tabel fakta_forestfire yang
berisi jumlah munculnya area titik panas yang ditangkap oleh satelit tertentu pada
waktu tertentu. Tabel tersebut merupakan tabel fakta yang menjadi pusat kubus
data. Kubus data terdiri dari tiga dimensi yaitu dimensi satelit, lokasi, dan waktu.
Dimensi satelit memiliki satu level yaitu nama satelit. Dimensi lokasi memiliki
tiga level yang terdiri dari level hotspot, provinsi, dan kabupaten. Dimensi waktu
memiliki tiga level yang terdiri dari level tahun, kuartil, dan bulan. Berikut skema
database dari penelitian Wipriyance (2013) dapat dilihat pada Gambar 3.
tb_satelit
PK

id_satelit

tb_geohotspot

PK

nama_satelit

fakta_forestfire

hotspot_geom
kode_kab

tb_kabupaten
PK

id_hotspot
id_waktu
id_satelit
jumlah

tb_waktu
PK

id_waktu
tahun
kuartil
bulan

kode_hotspot

kode_kab
nama_kab
kab_geom
kode_prov

tb_provinsi
PK

kode_prov
nama_prov
prov_geom

Gambar 3 Skema database penelitian Wipriyance (2013)
Sistem yang telah dikembangkan tersebut merupakan sistem data
warehouse kebakaran hutan yang menggunakan Geoserver sebagai web map
server berbasis Java. Pada sistem ini Geoserver berperan sebagai penyedia layer
peta wilayah Indonesia. Operasi query OLAP pada sistem ini menggunakan
Geomondrian. Geomondrian mampu menangani data spatial sehingga dapat
menyimpan data dalam bentuk raster maupun vektor. Pada sistem ini
Geomondrian bertugas menangani proses query yang dimasukkan pengguna.
Berdasarkan sistem yang dikembangkan oleh Wipriyance (2013), sistem
data warehouse kebakaran hutan menggunakan framework Spatialytics memiliki
arsitektur tiga lapisan meliputi sebagai berikut:
1 Lapisan atas (client) terdiri atas modul peta dan modul Jpivot. Modul peta
divisualisasikan oleh GeoServer serta data hasil eksekusi query dari
Geomondrian. Modul JPivot menampilkan hasil eksekusi query dalam bentuk
tabel dan grafik.
2 Lapisan tengah (server). Merupakan tempat penyimpanan server yang terdiri
atas Apache Tomcat 6.0 sebagai tempat menjalankan aplikasi Spatialytics,
GeoServer, dan GeoMondrian. Spatialytics server menerima query masukkan
dari pengguna kemudian mengirimkannya ke GeoMondrian dan
mengembalikan hasil eksekusi query ke client. GeoServer sebagai WMS yang
berfungsi membuat workspace dan membuat layer peta wilayah Indonesia
menggunakan data yang telah dibuat pada PostgreSQL dan PostGIS.
GeoMondrian merupakan OLAP server tempat query OLAP dieksekusi.

8
3 Lapisan bawah (database) merupakan sistem basis data yang meliputi
Database Management System (DBMS), PostgreSQL dengan ekstensi PostGIS
untuk menangani data spatial.
Alur kerja pada penelitian Wipriyance (2013) dapat dilihat pada Gambar 4.
Server
Client

Application Server

Spatialytics client

Apache Tomcat 6.0

OpenLayers 2.8

GeoServer 2.1

PostgreSQL
JDBC Driver
jPivot
(GeoMondrian 1.0)

Database Server

PostgreSQL 8.4
+ PostGIS

GeoMondrian 1.0
server

Spatialytics
server

Gambar 4 Arsitektur sistem penelitian Wipriyance (2013)
Penjelasan alur kerja berdasarkan Gambar 4 ialah sebagai berikut:
1 Pengguna memasukkan query pada form editor query MDX.
2 Query akan dibaca melalui proses JSON olap4js.
3 olap4js berfungsi untuk pengolahan data SOLAP pada Geomondrian melalui
framework Spatialytics server.
4 Geomondrian server kemudian melakukan koneksi terhadap basis data melalui
PostreSQL JDBC Driver.
5 Setelah terkoneksi maka akan dilakukan pencarian pada database berdasarkan
query yang ditentukan oleh pengguna.
6 Query pada editor query MDX juga akan dibaca dan diolah oleh modul
featurizer.
7 Hasil pembacaan data oleh modul featurizer akan diolah melalui SOLAP
context. Hasil SOLAP context akan dapat diakses oleh pengguna melalui
OpenLayers 2.8.
8 OpenLayers 2.8 mengambil informasi layer peta poligon kabupaten di
Indonesia pada Geoserver 2.1.
9 Geoserver 2.1. mengambil informasi spatial layer poligon melalui basis data
yang terkoneksi menggunakan PostreSQL JDBC Driver.
10 Peta pada Geoserver dapat diakses oleh pengguna melalui OpenLayers 2.8.
11 Pengguna dapat melakukan operasi-operasi OLAP pada Geomondrian melalui
modul jPivot.
Pengukuran Kinerja pada Sistem Operasi Windows
Penelitian ini menggunakan perangkat keras dan lunak sebagai berikut:
1 Perangkat Keras
 Processor Intel Core i3 CPU 2.13 GHz.

9
 Memory 2 GB.
 Harddisk 320 GB.
2 Perangkat Lunak
 Sistem operasi Windows 7.
 PostgreSQL 9 dengan ekstensi Postgis2.
Tahap pengujian terhadap kecepatan sistem SOLAP dilakukan dengan
mengukur proses kueri utama sebanyak 10 kali perulangan dari masing-masing
jumlah titik panas dengan menggunakan tools firebug. Pada sistem sebelumnya
diukur waktu kinerjanya dalam mengeksekusi setiap proses. Parameter-parameter
yang diukur ialah waktu eksekusi dalam menampilkan halaman peta,
menampilkan halaman Jpivot, dan proses olap4js. Parameter menampilkan
halaman peta yaitu waktu yang dibutuhkan sistem dalam menampilkan titik panas
pada halaman awal peta. Contoh proses pengukuran menampilkan halaman peta
dapat dilihat pada Gambar 5.

Gambar 5 Proses pengukuran menampilkan halaman peta
Selanjutnya parameter menampilkan halaman Jpivot ialah waktu yang
dibutuhkan sistem menampilkan hasil eksekusi query pada halaman Jpivot.
Contoh proses pengukuran menampilkan hasil eksekusi query pada halaman
Jpivot dapat dilihat pada Gambar 6.

Gambar 6 Proses pengukuran menampilkan halaman jpivot

10
Proses olap4js yaitu waktu parsing query dari masukkan pengguna sampai
munculnya hasil query titik panas. Contoh proses pengukuran olap4js dapat
dilihat pada Gambar 7.

Gambar 7 Proses pengukuran olap4js
Data sampel titik panas sesuai dengan data sampel yang diambil
berdasarkan penelitian Wipriyance (2013) untuk pulau Sumatera yang meliputi
data titik panas di provinsi Aceh, Sumatera Utara, Bengkulu, Jambi, Riau,
Kepulauan Riau, Sumatera Barat, Sumatera Selatan, Lampung pada tahun 1997
dan 2005. Adapun query dari titik panas tersebut ialah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{ [lokasi].[Hotspot].Members } ON ROWS,
FROM [geohotspot]
WHERE [waktu].[Semua Waktu]

Query di atas menghasilkan 1500 titik panas. Hasil pengukuran dilakukan
sebanyak 10 kali iterasi yang ditunjukkan pada Tabel 1.
Tabel 1 Hasil pengukuran kinerja SOLAP berbasis Windows
Pengukuran kinerja (ms)
Iterasi
1
2
3
4
5
6
7
8
9
10
Rata-rata

Menampilkan
halaman peta
22600
15510
15150
11130
10980
10960
10880
10850
10760
10320
12914

Menampilkan halaman
Jpivot
831
716
714
674
667
658
575
572
554
553
651

Proses olap4js
9030
8100
8020
8000
7820
7820
7730
7680
7670
7370
7924

Hasil pengukuran kinerja SOLAP bebasis Windows setelah dilakukan 10
kali iterasi, maka diperoleh waktu eksekusi rata-rata untuk menampilkan halaman

11
peta 12914 ms. Sedangkan waktu eksekusi rata-rata untuk menampilkan halaman
Jpivot 651 ms, dan waktu eksekusi rata-rata pada proses olap4js diperoleh sebesar
7924 ms.
Konfigurasi pada Sistem Operasi Linux Ubuntu
Sistem pada penelitian sebelumnya diimplementasikan sesuai dengan
lingkungan sistem operasi Linux Ubuntu lalu dilakukan beberapa konfigurasi agar
sistem dapat berjalan pada lingkungan Linux Ubuntu. Untuk Linux Ubuntu,
prosedur pemindahan folder atau directory sistem berbeda dengan di Windows
karena Linux Ubuntu secara default tidak berjalan sebagai root atau admin. Oleh
karena itu, perlu dilakukan beberapa pengaturan sistem yang meliputi pemindahan
directory work dan webapps.
Setelah konfigurasi sistem selesai, sistem tidak bisa langsung berjalan di
sistem operasi Linux Ubuntu, melainkan dibutuhkan build project pada Eclipse
untuk menyesuaikan pengaturan directory yang berbeda dengan sistem operasi
Windows. Build dilakukan untuk file OLAPQuery.java, build.properties, dan
SpatialyticsServlet.java.
File OLAPQuery.java berfungsi untuk mengatur string koneksi database,
skema kubus database, dan string mdxquery. File build.properties berfungsi
mengatur sistem Spatialytics agar berjalan pada project Eclipse. File
SpatialyticsServlet.java berfungsi untuk mengatur dan membuat file javascript
sehingga query dapat berubah sesuai masukkan dari pengguna.
Pada penelitian Prianto (2014), dilakukan perubahan kode pada bagian
OpenLayers, yaitu perubahan bagian base map. Base map yang awalnya
menggunakan web map service (WMS) diubah menjadi Google Maps. Base map
yang sudah ada sebelumnya tidak dihilangkan, layer tersebut dimodifikasi di
GeoServer agar dapat ditampilkan bersama Google Maps. Modifikasi yang
dilakukan berupa perubahan style yang dipakai menjadi hanya berupa garis batas
kabupaten saja.
Pengukuran Kinerja pada Sistem Operasi Linux Ubuntu
Sistem yang sudah berhasil diimplementasikan ke sistem operasi Linux
Ubuntu diukur kinerjanya berupa kecepatan menampilkan halaman peta, query,
dan proses olap4js. Data sampel titik panas diambil berdasarkan penelitian
Wipriyance (2013) untuk pulau Sumatera yang meliputi data titik panas di
provinsi Aceh, Sumatera Utara, Bengkulu, Jambi, Riau, Kepulauan Riau,
Sumatera Barat, Sumatera Selatan, Lampung pada tahun 1997 dan 2005. Query
dari titik panas tersebut ialah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{ [lokasi].[Hotspot].Members } ON ROWS,
FROM [geohotspot]
WHERE [waktu].[Semua Waktu]

Query di atas menghasilkan 1500 titik panas. Hasil pengukuran dilakukan
sebanyak 10 kali iterasi yang ditunjukkan pada Tabel 2.

12
Tabel 2 Pengukuran kinerja SOLAP berbasis Linux Ubuntu
Pengukuran kinerja (ms)
Iterasi
1
2
3
4
5
6
7
8
9
10
Rata-rata

Menampilkan
halaman peta
12570
12180
10600
10420
9920
9540
9420
9380
9060
9030
10212

Menampilkan
halaman Jpivot
327
290
263
242
230
227
227
225
222
222
248

Proses olap4js
8370
4940
4800
4760
4710
4650
4440
4120
4060
4060
4891

Hasil pengukuran kinerja SOLAP berbasis Linux Ubuntu setelah dilakukan
10 kali iterasi, maka diperoleh waktu eksekusi rata-rata untuk menampilkan
halaman peta 10212 ms. Sedangkan waktu eksekusi rata-rata untuk menampilkan
halaman Jpivot 248 ms, dan waktu eksekusi rata-rata pada proses olap4js
diperoleh sebesar 4891 ms.
Selanjutnya hasil pengukuran kinerja SOLAP di lingkungan Windows
berdasarkan Tabel 1, dibandingkan dengan hasil pengukuran di lingkungan Linux
Ubuntu Tabel 2 dengan mengambil nilai rata-rata dari 10 kali iterasi bagi ketiga
parameter yang digunakan yaitu menampilkan halaman peta, menampilkan
halaman Jpivot, dan proses olap4js. Berikut ini hasil perbandingan kecepatan
waktu eksekusi dan proses SOLAP berbasis Windows dengan Linux Ubuntu
dengan mengambil nilai rata-rata untuk setiap parameter.

13
Berdasarkan hasil perbandingan kinerja SOLAP di lingkungan Windows
dengan Linux Ubuntu, waktu maksimum dan rata-rata pengujian proses query
utama sistem mengalami penurunan. Hasil tersebut menunjukkan bahwa kinerja
SOLAP pada sistem operasi Linux Ubuntu meningkat kecepatannya dibandingkan
dengan Windows. Dalam menampilkan halaman peta Linux Ubuntu 1.26 kali
lebih cepat dibandingkan Windows, dalam menampilkan halaman Jpivot lebih
cepat 2.63 kali, dan dalam proses olap4js lebih cepat 1.62 kali.
Peningkatan tersebut terjadi karena Linux Ubuntu secara default tidak
berjalan sebagai root atau administrator, sehingga setiap program atau script tidak
dapat secara otomatis membuat perubahan pada sistem tanpa hak eksplisit dari
pengguna. Hal tersebut juga memastikan bahwa Linux Ubuntu menawarkan
keamanan lebih dibandingkan sistem operasi Windows.
Verifikasi Sistem SOLAP
Jika hasil dari pengukuran kinerja sistem SOLAP di lingkungan Linux
Ubuntu lebih cepat dalam menampilkan halaman peta, query, dan proses olap4js,
maka tidak perlu dilakukan konfigurasi ulang. Jika proses menampilkan halaman
peta, query, dan proses olap4js lebih lama daripada di Windows maka dilakukan
konfigurasi lagi pada sistem operasi Linux Ubuntu, sampai mendapatkan hasil
yang paling baik. Hasil pengukuran kinerja di lingkungan Windows akan
dibandingkan dengan hasil pengukuran di lingkungan Linux Ubuntu dengan
mengambil nilai rata-rata dari semua iterasi bagi ketiga parameter yang digunakan
yaitu menampilkan halaman peta, menampilkan halaman Jpivot, dan proses
olap4js.
Pengujian Query
Uji query dilakukan untuk mengetahui keberhasilan fungsi query MDX
pada sistem yang dikembangkan di Linux Ubuntu. Fungsi yang diujikan antara
lain submit query, reload jpivot, dynamics equal interval, dan fixed interval.
Sistem akan mengeksekusi default query sebagai berikut saat pertama kali
dijalankan:
SELECT
{[Measures].[Jumlah_Hotspot]} ON COLUMNS,
{[lokasi].[Hotspot].Members} ON ROWS
FROM [geohotspot]
WHERE [waktu].[1997]

Tampilan SOLAP yang menampilkan hasil query persebaran titik panas di
pulau Sumatera pada tahun 1997 dapat dilihat pada Gambar 8.

14

Gambar 8 Hasil query titik panas di pulau Sumatera tahun 1997
Sedangkan query berikut ini akan menampilkan persebaran titik panas di
wilayah pulau Sumatera pada tahun 2005 yang ditunjukkan pada Gambar 9.
SELECT
{[Measures].[Jumlah_Hotspot]} ON COLUMNS,
{[lokasi].[Hotspot].Members} ON ROWS
FROM [geohotspot]
WHERE [waktu].[2005]

Gambar 9 Hasil query titik panas di pulau Sumatera tahun 2005

15
Selanjutnya, setelah dilakukan konfigurasi pada sistem server Linux Ubuntu,
berikut ini tampilan empat layer Google Maps yang ditambahkan ke dalam
sistem:
1 Layer Google Physical (peta berupa denah). Tampilan sistem setelah
ditambahkan google physical dapat dilihat pada Gambar 10.

Gambar 10 Tampilan sistem setelah ditambahkan layer Google Physical
2 Layer Google Streets (peta berupa jalur jalan). Tampilan sistem setelah
ditambahkan Google Streets dapat dilihat pada Gambar 11.

Gambar 11 Tampilan sistem setelah ditambahkan layer Google Streets

16
3 Layer Google Satellite (peta berupa hasil foto satelit). Tampilan sistem setelah
ditambahkan google satelite dapat dilihat pada Gambar 12.

Gambar 12 Tampilan sistem setelah ditambahkan layer Google Satellite
4 Layer Google Hybrid (peta gabungan dari Google Satellite dan Streets).
Tampilan sistem setelah ditambahkan Google Hybrid dapat dilihat pada
Gambar 13.

Gambar 13 Tampilan sistem setelah ditambahkan layer Google Hybrid

17
Visualisasi Sistem SOLAP
Hasil dari tahap ini adalah visualisasi yang dihasilkan oleh sistem SOLAP di
lingkungan Linux Ubuntu yang berbeda dengan penelitian sebelumnya dan lebih
baik secara visual. Visualisasi pada sistem SOLAP yang baru memberikan
informasi tambahan berupa keadaan sekitar lokasi titik panas yang ditampilkan.
Hasil perbesaran visualisasi terhadap suatu titik panas pada sistem awal dapat
dilihat pada Gambar 14.

Gambar 14 Hasil pembesaran sistem awal
Informasi yang dihasilkan dari visualisasi pada Gambar 14 terlalu sedikit
sehingga kurang dapat membantu untuk melakukan tindak lanjut terhadap titik
panas tersebut. Setelah ditambahkan Google Physic terlihat bahwa terdapat akses
jalan terdekat ke lokasi titik panas. Informasi akses jalan tersebut digunakan untuk
menentukan cara tercepat mencapai lokasi titik panas tersebut. Hasil pembesaran
dengan Google Physic dapat dilihat pada Gambar 15.

Gambar 15 Hasil pembesaran dengan Google Physic

18
Hasil pembesaran yang diperoleh dari Google Streets kita bisa melihat jalur
akses ke lokasi titik panas dari jalan-jalan utama. Hasil pembesaran dengan
Google Streets dapat dilihat pada Gambar 16.

Gambar 16 Hasil pembesaran dengan Google Streets
Selanjutnya dengan menggunakan pembesaran Google Satellite dapat
diketahui bahwa titik panas tersebut ada di daerah hutan atau pemukiman.
Informasi ini bisa digunakan sebagai verifikasi terhadap titik panas yang
terdeteksi oleh satelit. Jika titik panas tersebut terletak di daerah hutan, maka titik
panas tersebut dapat berpotensi menimbulkan kebakaran hutan. Hasil pembesaran
dengan Google Satellite dapat dilihat pada Gambar 17.

Gambar 17 Hasil pembesaran dengan Google Satellite
Hasil pembesaran Google Hybrid mirip dengan pembesaran Google
Satellite. Perbedaannya ialah pada pembesaran Google Hybrid bisa dilihat jalur
akses ke lokasi titik panas. Hasil pembesaran dengan Google Hybrid dapat dilihat
pada Gambar 18.

19

Gambar 18 Hasil pembesaran dengan Google Hybrid
Bedasarkan hasil visualisasi sistem SOLAP tersebut dapat terlihat jelas
lokasi persebaran titik panas di pulau Sumatera. Setelah ditambahkan Google
Maps pada visualisasi peta, terdapat peningkatan informasi yang diperoleh.
Peningkatan informasi tersebut berupa keadaan sekitar lokasi titik panas seperti
akses jalan dan sungai, serta lokasi titik panas tersebut di daerah pemukiman atau
hutan.

SIMPULAN DAN SARAN
Simpulan
Sistem spatial online analytical processing (SOLAP) persebaran titik panas
telah berhasil diimplementasikan pada server Linux Ubuntu, dan seluruh fungsi
berjalan dengan baik. Sistem tersebut juga telah dilengkapi penambahan layer
peta. Dari hasil pengukuran runtime sistem yang dilakukan, sistem yang
dikembangkan pada Linux Ubuntu lebih cepat dibandingkan pada sistem operasi
Windows. Dalam menampilkan halaman peta Linux Ubuntu 1.26 kali lebih cepat
dibandingkan Windows, dalam menampilkan halaman Jpivot lebih cepat 2.63 kali,
dan dalam proses olap4js lebih cepat 1.62 kali.
Saran
Penelitian ini masih terbatas dalam menampilkan jumlah titik panas,
sehingga perlu dilakukan eksplorasi lebih lanjut terhadap konfigurasi pada
lingkungan Linux Ubuntu. Untuk itu pada penelitian berikutnya diharapkan sistem
ini mampu menampilkan persebaran titik panas di seluruh Indonesia dengan
menggunakan hasil penelitian Qahhariana (2014). Selain itu perlu juga di susun
pernyataan MDX untuk menampilkan data titik panas dalam bentuk crosstab
lokasi dan waktu.

20

DAFTAR PUSTAKA
Austin K, Alisjahbana A, Sizer N. 2013. Data terbaru menunjukkan kebakaran
hutan di Indonesia adalah krisis yang telah berlangsung sejak lama [Internet].
[diunduh 2013 Okt 28]. Tersedia pada: http://insights.wri.org/news/2013/06/
data-terbaru-menunjukkan-kebakaran-hutan-di-indonesia-adalah-krisisyangtelah-berlangs.htm.
Beckman D, Hirsch D. 2006. Use Linux and open-source software on a junk
nachine for a near-free PC [Internet]. [diunduh 2014 Jul 20]. Tersedia pada:
http://abajournal.com/magazine/article/a_lot_for_a_little/.
Bimonte S, Tchounikine A, Miquel M. 2007. Spatial OLAP: open issues and a
web based prototype. Di dalam: 10th AGILE International Conference on
Geographic Information Science 2007; 2007 Mei 8-11; Aalborg. Denmark.
Aalborg (DK): Aalborg University. hlm 1-11.
Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan
Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining: Concept and Techniques. San Fransisco
(US): Morgan Kaufman.
Han J, Kamber M, Pei J. 2012. Data Mining Concepts and Techniques. Ed ke-3.
San Fransisco (US): Elsevier.
Hasan M. 2014. Penambahan modul keluaran pada sistem data warehouse
kebakaran hutan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada
spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Kusumah B. 2014. Penambahan modul update sistem spatial data warehouse
kebakaran hutan [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Prianto A. 2014. Penambahan layer Google Maps pada spatial data warehouse
titik panas di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Qahhariana A. 2014. Peningkatan kinerja sistem spatial online analytical
processing (SOLAP) titik panas kebakaran hutan [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Ratnasari E. 2000. Pemantauan kebakaran hutan dengan menggunakan data citra
NOAA-AVHRR dan citra landsat-TM [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Spatialytics. 2013. Spatialytics OLAP [Internet]. [diunduh 2014 Sep 21]. Tersedia
pada:http://docs.spatialytics.com/doku.php?id=en:spatialytics_olap:
001_introduction.
Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. Ed ke-2.
London (GB): Springer.
Wipriyance L. 2013. Peningkatan kinerja sistem spatial data warehouse
kebakaran hutan menggunakan Geoserver dan Geomondrian [skripsi].
Bogor (ID): Institut Pertanian Bogor.

21

LAMPIRAN
Lampiran 1 Perintah untuk pemindahan directory work dan webapps di Linux
Ubuntu.
Directory Work
sudo cp -r
/home/tenang/bi_workshop/tomcat/work/Catalina/
localhost/* /var/lib/tomcat6/work/Catalina/localhost/*
Directory Webapps
sudo cp –r /home/tenang/bi_workshop/tomcat/webapps/*
/var/lib/tomcat6/webapps/
File yang telah dipindahkan tidak dapat langsung dijalankan karena belum
bersifat read, write, execute. Untuk mengakses file tersebut menggunakan
perintah sebagai berikut:
Directory Work
sudo chmod -R 777 /var/lib/tomcat6/work/*
Directory Webapps
sudo chmod -R 777 /var/lib/tomcat6/webapps/*

22

RIWAYAT HIDUP
Penulis dilahirkan di Binjai, Sumatera Utara pada tanggal 21 Februari
1989. Penulis merupakan anak keempat dari empat bersaudara dari pasangan
Bapak Abidan Silitonga dan Ibu Roida Simatupang. Penulis menempuh
pendidikan formal di SMA Negeri 2 Binjai dan lulus pada tahun 2007. Pada tahun
yang sama, penulis melanjutkan pendidikan di Program Diploma Ilmu Komputer
Universitas Sumatera Utara dan lulus pada tahun 2010. Penulis kemudian
melanjutkan pendidikan S1 Alih Jenis pada Program Studi Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada
tahun 2011.