BAB III METODE PENELITIAN
Sistem informasi geografis persebaran hotspot di Indonesia merupakan suatu sistem yang bertujuan untuk memantau dan memberikan informasi
mengenai persebaran hotspot yang ada di wilayah Indonesia berdasarkan kurun waktu tertentu. Sistem ini memanfaatkan data yang diambil dari satelit NOAA,
TERRA dan AQUA kemudian dilakukan ekstraksi informasi sehingga menghasilkan informasi yang berguna dan menampilkan informasi tersebut dalam
sebuah tampilan web. Sistem informasi geografis persebaran hotspot ini terdiri atas tiga modul
utama, yaitu modul untuk ekstraksi informasi, modul untuk visualisasi data dan terakhir adalah modul update data. Modul visualisasi berfungsi untuk
menampilkan informasi-informasi dari hasil ekstraksi informasi agar dapat dengan mudah dimengerti oleh orang banyak. Secara umum modul visualisasi ini terdiri
atas dua bagian, yaitu bagian pertama untuk menampilkan hasil dalam bentuk grafik dan bagian kedua untuk menampilkan hasil dalam bentuk peta. Visualisasi
hotspot dalam bentuk grafik dibangun menggunakan Mondrian OLAP. Pembangunan ini meliputi pembangunan data warehouse dan OLAP untuk
visualisasi persebaran hotspot di wilayah Indonesia. Pembangunan data warehouse dilakukan dengan beberapa tahapan. Tahapan-tahapan tersebut adalah
tahapan yang harus dilengkapi agar pembangunan data warehouse berhasil. Tahapan-tahapan penelitian pengembangan data warehouse dan spatio-temporal
dapat dilihat pada Gambar 3.
3.1 Studi Literatur
Untuk mendukung dalam proses penelitian ini, terlebih dahulu mencari informasi sebagai bahan literatur untuk pengembangan data warehouse ini.
Sumber informasi yang didapat diantaranya dari buku, internet, jurnal dan artikel.
3.2 Analisis
Pada penelitian ini data yang ditambahkan antara lain data hotspot dari satelit tahun 2000 sampai dengan tahun 2009 dan AQUA. Data hotspot yang
telah diperoleh kemudian dianalisis untuk mendapatkan atribut-atribut yang tepat dan sesuai dalam pembuatan spatio-temporal data warehouse. Hasil analisis ini
digunakan untuk menentukan dimensi, tabel fakta, dan skema yang tepat untuk model data multidimensi.
3.3 Ekstraksi Data
Ekstraksi adalah tahap pengambilan data yang relevan dari database relasional sebelum masuk ke dalam data warehouse. Pada ekstraksi, atribut-
atribut dan record-record yang diinginkan dipilih dan diambil dari database relasional. Dalam tahap ekstraksi ini, dilakukan pula pembersihan data yaitu
dengan pemilihan atribut-atribut yang sesuai dengan atribut yang ada dalam Gambar 3 Tahapan Pengembangan Data Warehouse.
Evaluasi Sistem Analisis Data
Studi Literatur
Transformasi Data
Pemuatan Data Pembuatan Data Warehouse
Ekstraksi Data Analisis Data
Studi Literatur
Transformasi Data
Pemuatan Data Ekstraksi Data
Analisis Data Studi Literatur
Transformasi Data
Pemuatan Data Pembuatan Peta
Uji Query
Integrasi SOLAP Ekstraksi Data
database sebelumnya. Selain itu dalam tahapan ini dilakukan pengecekan terhadap data-data yang kurang lengkap ataupun data-data yang sama.
3.4 Transformasi Data
Transformasi data merupakan proses generalisasi atau penyeragaman nama atribut, agregasi, dan konstruksi atribut atau dimensi. Pada tahap transformasi ini,
data yang berasal dari semua sumber dikonversi ke dalam format umum yang disesuaikan dengan skema multidimensional yang telah dibuat. Transformasi
terpenting adalah transformasi pada label penamaan yang bertujuan agar tidak terdapat nama atribut yang serupa atau pada atribut yang sama memiliki nama
yang berbeda pada database yang berbeda.
3.5 Pemuatan data
Setelah tahap ekstraksi dan transformasi data dilakukan, maka data telah siap untuk dimuat load ke dalam data warehouse. Pada tahap ini, dilakukan pula
pengurutan dan peninjauan integritas suatu data. Proses selanjutnya yaitu dengan melakukan proses penambahan waktu satelit, id satelit dan kode satelit.
3.6 Pembuatan Data Warehouse
Proses dilanjutkan dengan pembuatan spatio-temporal data warehouse. Input data dilakukan berdasarkan skema multidimensional dalam penelitian ini
menggunakan skema snowflake yang telah dirancang. Skema snowflake yang telah dirancang kemudian diimplementasikan menjadi sebuah kubus data geometri
multidimensi geocube menggunakan schema workbench. Kemudian, data yang telah dimuatkan dalam membangun data warehouse ini di retrieve oleh SOLAP
berdasarkan struktur kubus data geometri multidimensi yang terbentuk.
3.7 Pembuatan Peta
Setelah tahapan ekstraksi, transformasi, pemuatan data Extraction, Transform, Load ETL dan diikuti dengan pembuatan data warehouse, kemudian
tahap berikutnya dilanjutkan dengan pembuatan peta berupa layer-layer yang dikonstruksi berdasarkan sql query. Tahapan pertama sebelum layer peta
dikonstruksi adalah dengan membuat workspace pada web map server. Kemudian dilanjutkan dengan membangun data store pada workspace yang telah dibuat pada
web map server. Data store merupakan tempat penyimpanan yang dapat menampung berbagai layer yang hendak dikonstruksi. Layer-layer yang disimpan
dalam data store dapat berupa layer point, line, maupun polygon. Layer-layer yang dihasilkan dari sql query tersebut merupakan layer dengan tingkat relevansi
yang disesuaikan dengan data warehouse yang dibangun.
3.8 Uji Query
Uji query merupakan tahap untuk menguji apakah spatio-temporal data warehouse yang dibuat telah sesuai dengan kebutuhan dan memeriksa apakah
operasi dasar SOLAP berhasil diimplementasikan untuk data spasial. Query yang diujikan berupa query biasa dan query spasial menggunakan fungsi
Multidimensional Expressions MDX. Pengujian dilakukan dengan geocube atau kubus data geometri yang divisualisasikan dalam bentuk tabel dan grafik dengan
GeoMondrian, serta visualisasi peta dengan Geoserver Web Map Server dalam satu web yang terintegrasi Web Integration. Uji query pun dilakukan pada
Geoserver dalam bentuk Common Query Language CQL yang bertujuan untuk membuat suatu layer yang dapat menampilkan visualisasi dalam bentuk peta
sebagai timbal balik atas query yang diberikan ke dalam web map server.
3.9 Integrasi SOLAP
Pada tahap ini pengguna dapat menggunakan operasi-operasi OLAP seperti roll up, drill down, slice, dice, dan pivot yang digabungkan dengan dimensi
spasialnya. Contoh operasi OLAP yang dapat dijalankan antara lain:
Roll up Operasi roll up ditampilkan dengan menaikkan hierarki dimensi waktu.
Hierarki dimensi waktu terdiri atas dua level yaitu tahun dan bulan. Operasi roll up dapat dilakukan dengan melihat jumlah hotspot per bulan maupun
roll up menjadi per tahun secara keseluruhan.
Drill down Operasi drill down merupakan kebalikan dari operasi roll up. Operasi ini
dilakukan dengan menurunkan hierarki dari hierarki tahun menjadi hierarki bulan. Operasi ini dilakukan untuk melihat secara lebih mendetail jumlah
hotspot setiap bulan.
