Pengembangan Location Intelligence Untuk Data Tanaman Hortikultura Menggunakan Spagobi Map
PENGEMBANGAN LOCATION INTELLIGENCE UNTUK DATA
HORTIKULTURA MENGGUNAKAN SPAGOBI MAP
NINDY HEDYA AVIANDITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
2
3
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan
Location Intelligence Untuk Data Hortikultura Menggunakan SpagoBI Map
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 2016
Nindy Hedya Aviandita
NIM G64134026
4
ABSTRAK
NINDY HEDYA AVIANDITA. Pengembangan Location Intelligence
untuk Data Tanaman Hortikultura Menggunakan SpagoBI Map. Dibimbing oleh
HUSNUL KHOTIMAH.
Kementerian Pertanian (Kementan) memiliki data tanaman hortikultura yang
terus bertambah setiap tahunnya. Penyajian data yang mencakup aspek komoditas,
lokasi, status angka, dan waktu masih dalam format tabel. Hal ini menyulitkan
pengguna untuk memperoleh informasi karena pengguna masih harus menarik
kesimpulan sendiri dari data tabel tersebut. Penyajian data dalam bentuk location
intelligence mampu menampilkan ringkasan data dalam bentuk peta. Penelitian ini
bertujuan membangun modul location intelligence menggunakan SpagoBI Map
pada data tanaman hortikultura. Map zone dapat menampilkan perbedaan warna
berdasarkan jumlah luas panen, jumlah produksi, dan produktivitas di setiap
kabupaten dan map point dapat menampilkan ukuran titik peta yang besaran
titiknya berdasarkan jumlah luas panen, produksi, dan produktivitas di setiap
kabupaten. Data tanaman hortikultura yang digunakan dalam penelitian ini
mencakup 91 tanaman hortikultura di seluruh Indonesia dari tahun 2006 sampai
tahun 2013 yang tersebar di 453 kabupaten di Indonesia.
Kata kunci: data warehouse, location intelligence, OLAP, SpagoBI Map, tanaman
hortikultura
ABSTRACT
NINDY HEDYA AVIANDITA. Development of Location Intelligence for
Horticultural Crops Data using SpagoBI Map. Supervised by HUSNUL
KHOTIMAH.
The Ministry of Agriculture (Kementan) has a lot of horticultural plant data
that continues to grow each year. The data, that covers many aspects such as
commodity status, location, number, and time, was still presented in the form of
tabular format. It is difficult for the users to get the gist of it, because they have to
draw their own conclusions from the table. The data presentation by means of
location intelligence is capable of displaying the data summary in a map format.
This research aimed to build the location intelligence module using SpagoBI for
those horticultural plants data. The map zone can display color differences based
on extensive amounts of crop, amount of production, and productivity of each
district. Whereas the map point is capable to display the map point size quantity
based on a broad number of harvesting, production, and productivity in each
district. The horticultural crops data that is used in this research includes 91 plants
across Indonesia between 2006 and 2013 which is spread over 453 regency in
Indonesia.
Keywords: data warehouse, horticultural crops, location intelligence, OLAP,
SpagoBI Map
5
PENGEMBANGAN LOCATION INTELLIGENCE UNTUK
DATA HORTIKULTURA MENGGUNAKAN SPAGOBI MAP
NINDY HEDYA AVIANDITA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
1 Rina Trisminingsih,
SKomp PERTANIAN
MT
INSTITUT
BOGOR
2 Dr. Yani Nurhadryani, SSi MTBOGOR
2016
Penguji:
6
Penguji:
1 Rina Trisminingsih, SKomp MT
2 Dr. Yani Nurhadryani, SSi MT
7
Judul Skripsi : Pengembangan Location Intelligence untuk Data Tanaman
Hortikultura Menggunakan SpagoBI Map
Nama
: Nindy Hedya Aviandita
NIM
: G64134026
Disetujui oleh
Husnul Khotimah, SKomp MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
8
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga skripsi dengan judul Pengembangan Location
Intelligence untuk Data Hortikultura menggunakan SpagoBI Map dapat
diselesaikan. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu
syarat untuk mencapai gelar Sarjana Ilmu Komputer pada Fakultas Matematika
dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyadari dalam
perjalanan masa perkuliahan sampai dengan pencapaian akhir ini banyak pihak
yang telah membantu dan mendukung penulis dalam hal apapun. Oleh karena itu,
penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada semua
pihak yang telah membantu dan mendukung penulis (baik secara langsung
maupun tidak langsung) selama ini, mulai dari masa perkuliahan, penelitian
hingga selesainya penulisan skripsi kepada:
1 Ibu (Hemmy Suhemy) dan Ayah (Tri Sediyono) serta Adik (Dhimita Jati
Praditya), yang selalu memberikan dukungan, motivasi dan cinta yang besar
kepada penulis.
2 Ibu Husnul Khotimah, SKomp MKom sebagai pembimbing skripsi yang
telah memberikan motivasi, memberikan dukungan dan arahan serta
senantiasa sabar dalam membimbing penulis.
3 Bapak Hari Agung Adrianto, SKomp MSi yang telah memberikan arahan
dan dukungan kepada penulis
4 Ibu Dr. Yani Nurhadyrani, S.Si MT dan Ibu Rina Trisminingsih, SKomp
MT selaku penguji skripsi ini.
5 Teman-teman penulis selama ini sudah memberikan banyak kenangan,
pelajaran, dukungan, hiburan, dan banyak hal lainnya. Teman-teman Alih
Jenis Ilmu Komputer 8, teruntuk Restu, Tentri, Tiffany, Fery, Asep,
Kusuma, Fahmi untuk perjuangannya bersama di IPB, dan Teruntuk Satria
Ardillah untuk segala bentuk dukungannya.
Akhir kata, penulis mengucapkan terimakasih kepada semua pihak yang telah
banyak membantu dalam menyelsaikan skripsi ini. Semoga skripsi ini dapat memberikan kontribusi yang bermakna bagi pengembangan wawasan para pembaca,
khususnya mahasiswa dan masyarakat pada umumnya.
Bogor, Maret 2016
Nindy Hedya Aviandita
9
DAFTAR ISI
DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Spatial Data Warehouse
2
SpagoBI
3
Location Intelligence
4
METODE
5
Tahapan Penelitian
5
Analisis Kebutuhan Sistem
6
Perancangan Dynamic Map Location Intelligence
6
Implementasi Dynamic Map Location Intelligence
6
Pengujian Modul Location Intelligence
6
Lingkungan Pengembangan
7
HASIL DAN PEMBAHASAN
7
Analisis Kebutuhan Sistem
7
Perancangan Dynamic Map Location intelligence
8
Implementasi Dynamic Map Location Intelligence
9
Penyimpanan Peta pada Geoserver
9
Pembuatan data source SpagoBI
10
Pembuatan dataset SpagoBI
10
Pembuatan Dynamic Map SpagoBI
10
Pengujian Modul Location intelligence
14
SIMPULAN DAN SARAN
15
10
Kesimpulan
16
Saran
16
DAFTAR PUSTAKA
16
RIWAYAT HIDUP
33
11
DAFTAR TABEL
1
2
3
4
5
6
7
8
Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009)
Struktur dimensi
Tabel fakta tanaman hortikultura
Tabel dimensi status angka
Tabel dimensi lokasi
Tabel dimensi waktu
Tabel dimensi komoditas
Skenario pengujian modul location intelligence
3
8
8
9
9
9
9
15
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
Peta statis SpagoBI
Peta dinamis SpagoBI
Tahapan penelitian
Skema bintang tanaman hortikultura (Hartomo 2015)
Potongan kueri dataset SpagoBI
Potongan kode program template peta
Tampilan visualisasi map zone tanaman hortikultura berdasarkan luas
panen
Tampilan visualisasi map point tanaman hortikultura berdasarkan
produksi
Pilihan tipe visualisasi peta
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen mangga
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen
Pilihan indikator peta
Pilihan filter peta
4
5
5
8
10
11
12
12
12
13
13
14
14
DAFTAR LAMPIRAN
1 Tabel nama kabupaten di Indonesia
2 Tabel nama komoditi
18
31
PENDAHULUAN
Latar Belakang
Pendataan tanaman hortikultura dalam periode tahunan di beberapa daerah
di Indonesia telah dilakukan oleh Kementerian Pertanian (Kementan). Data
tersebut mencakup empat aspek utama, yaitu komoditas, lokasi, status angka, dan
waktu yang tersaji dalam bentuk tabel per komoditas atau per daerah. Saat ini,
data tersebut masih tersaji berupa tabel dalam format Microsoft Excel (.xls). Hal
ini membuat pengguna kesulitan untuk mendapatkan ringkasan data yang
diinginkan dengan cepat sesuai dengan kebutuhan.
Saat ini telah berkembang aplikasi yang dapat digunakan untuk
menganalisis data, diantaranya modul location intelligence yang dapat
menggabungkan geographic information system (GIS) dengan business
intelligence (BI). Hal tersebut memudahkan pengguna untuk mendapatkan
informasi penting, mendukung pengambilan keputusan, dan mengoptimalkan
proses bisnis (SpagoBI 2015).
Penelitian menggunakan data tanaman hortikultura telah dilakukan oleh
Dwiprianti (2015). Pada penelitian tersebut dilakukan analisis tanaman
hortikultura menggunakan Palo sebagai aplikasi business intelligence (BI) dengan
mengimplementasikan online analytical processing (OLAP) berbasis web.
Kemudian penelitian tersebut dilanjutkan oleh Permana (2015) dengan melakukan
migrasi ke SpagoBI. Aplikasi tersebut telah berhasil membuat data warehouse
yang memiliki dimensi komoditas, lokasi, waktu, dan status angka dalam bentuk
OLAP, sehingga data dapat disajikan secara lebih mudah, lengkap, dan interaktif
menggunakan fasilitas drill down, roll up, cross tab, visualisasi tabel, dan
visualisasi grafik.
Penelitian yang dilakukan oleh Dwiprianti (2015) dan Permana (2015)
masih menggunakan proses extract, transform, load (ETL) secara manual.
Kemudian penelitian tersebut dilanjutkan kembali oleh Hartomo (2015) dengan
melakukan penambahan modul ETL secara otomatis menggunakan Kettle untuk
data tanaman hortikultura menggunakan data yang sama pada penelitian yang
dilakukan oleh (Permana 2015). Selain mendukung modul multidimensional
analysis (OLAP) SpagoBI juga mendukung modul location intelligence dengan
menyediakan mesin geografis berupa GEO dan GIS sehingga dapat
menghubungkan data geografis dengan data bisnis yang ada dalam data
warehouse. Dengan adanya location intelligence memberikan manfaat yakni
sebuah data dapat lebih mudah dipahami dan dimanfaatkan untuk pengambilan
keputusan (Bowes 2007).
Penelitian sejenis yang menggunakan modul location intelligence dalam
SpagoBI telah dilakukan oleh (Hasanah 2015) dengan menggunakan data titik
panas di Indonesia. Penelitian ini akan dikembangkan fitur location intelligence
dengan membangun visualisasi peta untuk data tanaman hortikultura
menggunakan SpagoBI Map.
2
Perumusan Masalah
Data hortikultura yang dikumpulkan oleh Kementan menggambarkan
persebaran produksi produk hortikultura di seluruh wilayah Indonesia. Analisis
pada data tersebut akan lebih menarik jika dilakukan secara analisis spasial. Pada
penelitian sebelumnya sudah dikembangkan suatu aplikasi OLAP namun belum
dapat dilakukan analisis secara spasial. Salah satu proses untuk memperoleh
ringkasan data spasial adalah Spatial Online Analytical Processing (SOLAP) yang
dapat dikembangkan melalui modul location intelligence yang terdapat pada
SpagoBI Map. Rumusan permasalahan pada penelitian ini adalah bagaimana
membangun sebuah modul location intelligence untuk tanaman hortikultura yang
tervisualisasi dalam bentuk peta dinamis menggunakan SpagoBI Map.
Tujuan Penelitian
Tujuan penelitian ini adalah membangun modul location intelligence dalam
bentuk peta dinamis untuk tanaman hortikultura dan melakukan penyesuaian data
yang telah dibangun pada penelitian sebelumnya menggunakan SpagoBI.
Manfaat Penelitian
Manfaat dari penelitian ini adalah sistem yang dibangun diharapkan dapat
menampilkan visualisasi menggunakan peta untuk membantu proses analisis data
tanaman hortikultura secara spasial. Hal ini dapat mempermudah pengguna dalam
memperoleh informasi tanaman hortikultura dengan lebih cepat.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini difokuskan pada perancangan dan
implementasi modul location intelligence berupa peta dinamis dengan
menggunakan SpagoBI 5.1. Data yang digunakan diperoleh dari peneliti
sebelumnya yaitu Hartomo (2015) yang merupakan data tanaman hortikultura
pada
tahun
2006
sampai
2013
yang
diperoleh
dari
situs
http://aplikasi.pertanian.go.id/bdsp/index.asp yang diakses pada 29 Maret 2015.
Komoditi yang digunakan terdiri dari 91 jenis komoditas dari subsektor tanaman
hortikultura. Status angka yang digunakan yakni angka tetap karena merupakan
angka realisasi suatu tahun yang seluruhnya dikumpulkan pada tahun tersebut.
TINJAUAN PUSTAKA
Data Warehouse
Menurut Han et al. (2012), data warehouse merupakan suatu koleksi data
spasial yang bersifat subject oriented, integrated, time variant, dan non volatile
3
yang digunakan pada proses pengambilan keputusan. Kumpulan data ini berasal
dari berbagai sumber data yang ditempatkan menjadi bentuk penyimpanan
multidimensional, kemudian dirancang untuk query dan reporting. Data
warehouse menggabungkan data warehouse dan teknologi spatial database yang
memungkinkan analisis representasi data historis (Malinowski dan Zimányi 2007).
Terdapat 4 karakteristik data warehouse menurut Han et al. (2012) yaitu:
1 Subject oriented: data warehouse yang dirancang fokus pada permodelan dan
analisis data untuk pembuatan keputusan berdasarkan subjek tertentu.
2 Integrated: data warehouse dibangun dengan mengintegrasikan berbagai
sumber yang bervariasi.
3 Time variant: data yang disimpan menyediakan sejarah informasi atau data
yang disimpan memiliki rentang waktu tertentu (5-10 tahun).
4 Non volatile: data warehouse secara fisik selalu terpisah dari data
transformasinya. Data warehouse tidak membutuhkan proses transaksi,
pemulihan, dan concurrency control.
SpagoBI
SpagoBI merupakan salah satu platform Business Intelligence (BI) yang free
dan open source software. Apabila dilihat dari segi arsitektur, fungsionalitas dan
usability, SpagoBI sebanding dengan platform BI lain yang bersifat commercial
open source software yakni Jasper dan Pentaho (Palo) edisi enterprise (Golfarelli
2009). Perbandingan fungsionalitas masing – masing software tersebut dapat
dilihat pada pada Tabel 1, dengan simbol ceklis (✓)untuk fungsionalitas yang
tersedia dan simbol cross (x) untuk fungsionalitas yang tidak tersedia.
Tabel 1 Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009)
Functionalities
SpagoBI
Pentaho
Pentaho Jasper
Ent. Ed.
Jasper
Ent.
Ed.
Activities scheduling
Ad-hoc reporting
Auditing
Collaborative BI
Data Mining
Dashboard
Document export
ETL
Geo-referenced analysis
OLAP
Query by Example
Report validation workflow
Reporting
User profilling
✓
x
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
X
X
X
X
✓
✓
✓
✓
✓
✓
X
X
✓
X
✓
✓
✓
x
✓
✓
✓
✓
✓
✓
x
✓
✓
✓
✓
✓
✓
X
X
✓
✓
✓
✓
✓
x
x
✓
✓
X
X
✓
X
X
X
✓
✓
X
✓
X
X
✓
X
4
Berdasarkan tabel perbandingan fungsi pada Tabel 1, SpagoBI yang bersifat
open source software sebanding dengan Jasper dan Pentaho yang merupakan
aplikasi enterprise. Beberapa fungsi utama yang dimiliki SpagoBI yakni reporting,
multi dimensional analysis (OLAP), chart, KPI, interactive cockpits, ad-hoc
reporting, location intelligence, free inquiry (driven data selection), data mining,
real time dashboards and console, collaboration, office automation, ETL, mobile,
external processes, dan master data management. Penelitian ini menggunakan
modul location intelligence untuk data tanaman hortikultura.
Location Intelligence
Location intelligence menggabungkan geographic information system (GIS)
dengan business intelligence (BI) untuk mendapatkan informasi penting,
mendukung pengambilan keputusan, dan mengoptimalkan proses bisnis SpagoBI.
SpagoBI menyediakan dua mesin geografis untuk mendukung modul location
intelligence yakni mesin GEO dan GIS. Dengan adanya fitur location intelligence
dapat menghubungkan antara data geografis dengan data bisnis di dalam data
warehouse Cazzin (2012). Mesin GEO pada SpagoBI dapat menghasilkan peta
statis yang dapat digunakan dalam domain geografis atau untuk memberikan
representasi grafis untuk struktur lain, seperti diagram alur proses dan skema
topologi dari perangkat keras. Tampilan peta pada SpagoBI menggunakan mesin
GEO dapat dilihat pada Gambar 1.
Gambar 1 Peta statis SpagoBI
Mesin GIS pada SpagoBI menghasilkan peta dalam bentuk yang dinamis.
Tingkat interaksi mesin GIS lebih tinggi dibandingkan dengan penggunaan mesin
GEO karena pada mesin GIS menggunakan sistem spasial yang aktual (web map
service dan web feature service) seperti penggunaan MapServer, OpenstreetMap,
dan Google. Dengan menggunakan mesin GIS dapat membantu pengguna untuk
menghasilkan data sesuai dengan kebutuhan menggunakan menu filter. Tampilan
peta pada SpagoBI menggunakan mesin GEO dapat dilihat pada Gambar 2.
5
Gambar 2 Peta dinamis SpagoBI
METODE
Data Penelitian
Data yang digunakan pada penelitian ini adalah data tanaman hortikultura
yang diperoleh dari peneliti sebelumnya yaitu Hartomo (2015) yang didapatkan
dari situs http://aplikasi.pertanian.go.id/bdsp/index.asp pada tahun 2006 sampai
tahun 2013 dalam format (.sql). Jenis tanaman yang digunakan adalah seluruh
komoditi yang ada pada tanaman hortikultura yang berjumlah 91 komoditi yang
tersebar di 453 kabupaten di Indonesia. Untuk data komoditi dapat dilihat pada
Lampiran 1 dan untuk data kabupaten pada Lampiran 2.
Tahapan Penelitian
Penelitian yang dilakukan terbagi menjadi beberapa tahapan proses.
Gambar 3 menunjukan tahapan proses tersebut.
Gambar 3 Tahapan penelitian
6
Analisis Kebutuhan Sistem
Tahapan awal dilakukan dengan analisis kebutuhan user dan fungsi utama
yang terdapat pada modul location intelligence. Selain itu, pada tahap ini juga
dilakukan pengumpulan data yang divisualisasikan pada modul location
intelligence. Selain data warehouse, dibutuhkan juga data peta adminsitratif
bertipe fail shapefile (.shp) yang bersumber dari Badan Informasi Geospasial
(BIG) untuk memvisualisasikan data warehouse dalam bentuk peta.
Perancangan Dynamic Map Location Intelligence
Pengembangan location intelligence membutuhkan spatial data warehouse.
Penelitian ini menggunakan data warehouse dengan model data multidimensional.
Model data multidimensional terdiri atas tabel fakta dan tabel dimensi. Skema
yang digunakan pada penelitian ini adalah skema bintang. Tabel fakta memiliki
measure dari tabel-tabel dimensi. Measure adalah data numerik yang dicari atau
dianalisis nilainya. Pada tahapan perancangan dilakukan pemilihan atribut untuk
dijadikan filter dan pemilihan measure sebagai indikator pada peta. Pada tahap ini
juga dilakukan transformasi data dengan cara penyesuaian terhadap atribut id
lokasi pada setiap sumber data agar mengacu pada kode wilayah baku dari
Kementerian Dalam Negeri (Kemendagri) dan penghilangan titik pada kode
wilayah karena sebelumnya terdapat titik pada atribut id kabupaten. Data kode
wilayah tersebut diperoleh dari situs http://www.kemendagri.go.id/pages/datawilayah yang diakses pada 04 Juni 2015. Data kode wilayah dapat dilihat pada
Lampiran 2.
Implementasi Dynamic Map Location Intelligence
Pada tahap ini dilakukan penyimpanan peta Indonesia yang bertipe (.shp)
pada Geosever. Pembuatan data source pada SpagoBI digunakan untuk
menyimpan database yang digunakan. Dataset yang digunakan pada penelitian ini
berupa kueri dari database. Hasil dari tahap ini mampu memvisualisasikan
penyebaran tanaman hortikultura berdasarkan measure yang ditetapkan pada
tahap perancangan.
Pengujian Modul Location Intelligence
Pengujian modul location intelligence menggunakan metode blackbox.
Pengujian ini dilakukan untuk mengetahui apakah setiap aspek pada map yang
telah dibangun sesuai dengan data yang tersimpan pada database. Apabila
pengujian telah sesuai maka pembuatan visualisasi peta untuk data tanaman
hortikultura telah selesai dilakukan. Penelitian ini juga melakukan verifikasi
antara data Hartomo (2015) dengan data asli dari Kementan berupa tabel dalam
format Microsoft Excel (.xls).
7
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah:
1. Perangkat keras berupa laptop dengan spesifikasi:
Processor Intel Core i3-2370M
RAM 6 GB
2. Perangkat lunak yang digunakan untuk membangun sistem adalah:
Sistem operasi Windows 7
DBMS PostgreSQL (sebagai basis data tempat penyimpanan data
warehouse)
Java 6.0
JDBC 5.1 sebagai connector basis data PostgreSQL dengan SpagoBI
Quantum GIS 2.8.2 sebagai media untuk mengubah atribut peta
HASIL DAN PEMBAHASAN
Analisis Kebutuhan Sistem
Hasil analisis untuk membangun modul location intelligence menggunakan
SpagoBI Map dapat dilihat pada Tabel 1. Fungsi utama modul location
intelligence pada SpagoBI adalah fungsi visualisasi map zone, fungsi visualisasi
map point, fungsi zoom in, dan zoom out pada peta, fungsi peta sesuai indikator,
dan fungsi filter pada peta.
Tabel 1 Tabel analisis kebutuhan user
No.
Kebutuhan User
1.
Melihat perbedaan warna pada peta untuk setiap
kabupaten
berdasarkan
nilai
di
database
2.
Melihat perbedaan ukuran simbol pada peta
untuk setiap kabupaten sesuai nilai di
database
3.
Memilih peta sesuai dengan measure yang
dipilih
4.
Melihat peta sebaran tanaman hortikultura
berdasarkan level kabupaten
5.
Melihat peta sebaran tanaman hortikultura
berdasarkan level provinsi
6.
Memilih nama kabupaten sesuai dengan
provinsi yang dipilih
7.
Melihat peta sebaran tanaman hortikultura
berdasarkan level komoditi
8.
Memperbesar dan memperkecil tampilan peta
Fungsi
Map zone
Map point
Indicator
Filter
Filter
Filter
Filter
Zoom in dan zoom out
8
Perancangan Dynamic Map Location intelligence
Perancangan data warehouse oleh Hartomo (2015) menghasilkan skema
bintang yang membentuk 1 tabel fakta dan 4 tabel dimensi. Bentuk skema yang
digunakan dapat dlihat pada Gambar 4. Struktur setiap dimensi ditunjukkan oleh
Tabel 2.
Gambar 4 Skema bintang tanaman hortikultura (Hartomo 2015)
Tabel 2 Struktur dimensi
Dimensi
Lokasi
Komoditas
Status
Waktu
Level 1
All
All
All
All
Level 2
Level 3
Provinsi
Kabupaten/Kota
Subsektor
Nama Komoditas
Status Angka
Tahun
-
Penelitian ini menggunakan tiga measure, yakni luas panen, produksi, dan
produktivitas. Atribut yang terdapat dalam tabel fakta dapat dilihat pada Tabel 3.
Atribut-atribut pada tabel dimensi komoditas, lokasi, status angka, dan waktu
ditunjukkan pada Tabel 4, 5, 6, dan 7. Hasil dari transformasi data untuk kode
wilayah dapat dilihat pada Lampiran 2.
Tabel 3 Tabel fakta tanaman hortikultura
Nama Atribut Deskripsi
id lokasi
Kode lokasi
id komoditas
Kode komoditas
id status angka Kode status angka
id waktu
Kode waktu (tahun)
luas panen
Nilai berdasarkan luas panen
produksi
Nilai berdasarkan produksi
produktivitas
Nilai berdasarkan produktivitas
9
Tabel 4 Tabel dimensi status angka
Nama Atribut
id status
status angka
Deskripsi
Kode status angka
Jenis status angka
Tabel 5 Tabel dimensi lokasi
Nama Atribut Deskripsi
id lokasi
Kode lokasi
Provinsi
Nama provinsi
Kabupaten
Nama kabupaten/kota
Tabel 6 Tabel dimensi waktu
Nama Atribut
id waktu
Tahun
Deskripsi
Kode waktu
Tahun
Tabel 7 Tabel dimensi komoditas
Nama Atribut
id komoditas
Subsector
nama komoditas
Deskripsi
Kode komoditas
Nama subsektor
Nama komoditas
Implementasi Dynamic Map Location Intelligence
Penyimpanan Peta pada Geoserver
Peta yang digunakan di SpagoBI disimpan di dalam aplikasi Geoserver.
SpagoBI hanya mampu menampilkan peta dengan ukuran maksimum 20 MB. Fail
peta bertipe (.shp) yang didapat dari BIG berukuran 70 MB, sehingga perlu
dilakukan simplify geometries pada Quantum GIS dengan nilai toleransi 0.0001
agar peta dapat ditampilkan di SpagoBI. Nilai toleransi sebesar 0.0001 dipilih
karena merupakan nilai maksimum dilakukannya simplify geometries.
Penambahan lembar kerja (workspace) pada Geoserver diperlukan untuk
mengatur peta sedangkan penambahan tempat penyimpanan (stores) pada
Geoserver digunakan untuk mengubungkan ke sumber data yang bertipe vektor
atau raster. Dalam penelitian ini digunakan data raster bertipe (.shp).
Pada tahap ini juga dilakukan penentuan coordinate reference system (CRS)
dan bounding boxes. Sistem referensi koordinat merupakan sistem (termasuk teori,
konsep, deskripsi fisis dan geometris, serta standar dan parameter) yang
digunakan dalam pendefinisian koordinat dari suatu atau beberapa titik dalam
ruang Abidin (2001). Sistem referensi yang digunakan pada penelitian ini adalah
WGS-84 (EPSG: 4326). Bounding boxes digunakan reproject native to declare
karena nilai native SRS tidak diketahui sehingga tidak dapat dicocokkan dengan
nomor EPSG.
10
Load data source SpagoBI
Tahap pembuatan data source pada SpagoBI diperlukan sebagai media
penyimpanan database yang digunakan. SpagoBI mendukung banyak tipe DBMS
diantaranya Oracle, SQL Server, HSQL, MySQL, PostgreSQL, dan MongoDB.
Selain mendukung banyak tipe DBMS, dapat diatur juga hak akses bagi pengguna
yang terdiri dari read only atau read and write. Penggunaan DBMS harus
disesuaikan dengan driver dan konektornya. Penelitian ini menggunakan DBMS
PostgreSQL dengan hak akses read and write, JDBC 5.1 sebagai konektor basis
data antara PostgreSQL dengan SpagoBI. Nama fail yang digunakan pada
database penelitian ini yakni DB_HORTIKULTURA.
Load dataset SpagoBI
Dataset pada SpagoBI diperlukan untuk memilih atribut yang perlu
ditampilkan pada visualisasi peta. Penelitian ini menggunakan satu buah dataset
berupa kueri dari database yang sudah tersimpan sebelumnya pada data source.
Dataset yang digunakan berupa dataset yang mencakup data luas panen, produksi,
dan produktivitas. Atribut yang dipilih untuk ditampilkan berupa nama komoditas,
id lokasi, nama kab kota, luas panen, produksi, dan produktivitas. Potongan kueri
yang digunakan pada dataset dapat dilihat pada Gambar 5.
Gambar 5 Potongan kueri dataset SpagoBI
Pembuatan Dynamic Map SpagoBI
Pemilihan pembutan visualisasi peta menggunakan dynamic map mampu
menampilkan peta dalam bentuk map zone dan map point. Pada tahap ini
dilakukan pemilihan tipe visualisasi, engine, data source, dan dataset yang
digunakan. Sinkronisasi antara database dengan peta ke dalam SpagoBI
dibutuhkan template dengan format JSON seperti yang dapat dilihat pada Gambar
6.
Pada SpagoBI memiliki dua tipe peta yakni peta yang bertipe choropleth
dan peta yang bertipe proportional symbol. Tipe peta default yang digunakan pada
penelitian ini merupakan peta bertipe choropleth yang berupa peta daerah yang
memiliki warna atau motif secara proporsional dengan pengukuran variabel
statistik yang ditampilkan pada peta. Metode klasifikasi data menggunakan
metode: ”CLASSIFY BY QUANTILS”. Pada tahap ini dilakukan perubahan
warna peta dari warna default yakni warna merah ke hijau, menjadi warna hijau
muda ke warna hijau tua.
11
Gambar 6 Potongan kode program template peta
Peta dinamis SpagoBI memiliki 2 layer yaitu layer bawah dan layer atas.
Layer bawah pada SpagoBI berasal dari OpenStreetMap dan layer atas merupakan
layer dari peta Indonesia bertipe fail (.shp) yang disimpan di Geoserver. Hasil
implementasi modul location intelligence dengan tipe peta choropleth untuk data
produksi tanaman hortikultura dapat dilihat pada Gambar 7. Hasil implementasi
modul location intelligence dengan tipe peta proportional symbol untuk data luas
panen tanaman hortikultura dapat dilihat pada Gambar 8.
Perbesaran huruf A pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 9 yang merupakan bagian untuk memilih jenis visualisasi peta. Map zone
akan menampilkan peta dalam bentuk poligon dan map point akan menampilkan
peta dalam bentuk titik (point).
Perbesaran dari huruf B dan E pada Gambar 7 dapat dilihat pada Gambar 10.
Perbedaan warna dari hijau muda menjadi hijau tua menunjukan perbedaan
besaran luas panen per kabupaten. Hal ini dapat terlihat dari kolom legenda yang
menampilkan lima klasifikasi berbeda berdasarkan jumlah luas panen. Semakin
tua warna hijau yang ditampilkan, maka semakin besar jumlah luas panen yang
ada pada kabupaten tersebut. Pada Gambar 10 terlihat untuk kabupaten
Majalengka memiliki hasil luas panen mangga yang tinggi.
12
Gambar 7
Tampilan visualisasi map zone tanaman hortikultura berdasarkan
produksi mangga
Gambar 8
Tampilan visualisasi map point tanaman hortikultura berdasarkan
produksi pisang
Gambar 9 Tampilan pilihan tipe visualisasi peta
13
Gambar 10
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen mangga
Perbesaran dari huruf B pada Gambar 8 dapat dilihat pada Gambar 11.
Kemunculan titik pada peta menampilkan visualisasi data produksi dari komoditas
pisang. Visualisasi map point digunakan ketika pengguna ingin melihat lebih rinci
kabupaten mana yang memiliki jumlah produksi terbesar dilihat dari besaran
ukuran titiknya.
Gambar 11 Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan produksi pisang
Perbesaran huruf C pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 12. Pada bagian tersebut, pengguna dapat memilih indikator peta yang
akan ditampilkan. Pada penelitian ini menggunakan tiga buah indikator yang
digunakan sebagai measure pada data warehouse. Indikator yang ditampilkan
terdiri dari jumlah luas panen (Ha), jumlah produksi (ton), dan jumlah
produktivitas (ton/rumpun).
14
Gambar 12 Pilihan indikator peta
Perbesaran huruf D pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 13. Filter peta digunakan untuk menampilkan visualisasi sesuai dengan
pilihan nama komoditas, provinsi, nama kabupaten, tahun, atau jumlah luas panen,
produksi, dan produktivitas tertentu. Banyaknya filter yang ditampilkan
berdasarkan dataset yang telah dibuat sebelumnya. Namun pada penelitian ini
belum dapat melakukan join filter untuk data nama kabupaten berdasarkan
provinsi.
Gambar 13 Pilihan filter peta
Pengujian Modul Location intelligence
Pada tahap ini dilakukan pengujian sistem dan verifikasi data. Pengujian
sistem dilakukan dengan metode blackbox. Pengujian ini dilakukan dengan cara
melihat kesesuaian fungsi-fungsi pada location intelligence apakah sudah berjalan
sesuai yang diharapkan. Tabel 8 menunjukkan kesesuaian fungsi sistem dengan
hasil akhir implementasi sistem.
Pada tahap verifikasi data dilakukan pencocokan data antara data Hartomo
(2015) yang berformat file SQL, dengan data asli dari Kementan yang berupa
tabel dalam format Microsoft Excel (.xls). Data komoditi apel dipilih untuk
dilakukan verifikasi data karena apel merupakan komoditi khas yang dihasilkan
oleh kabupaten Malang.
Pada tahap verifikasi data dilakukan pencocokan data antara data Hartomo
(2015) yang berformat file SQL, dengan data asli dari Kementan yang berupa
tabel dalam format Microsoft Excel (.xls). Data komoditi apel dipilih untuk
dilakukan verifikasi data karena apel merupakan komoditi khas yang dihasilkan
oleh kabupaten Malang.
15
Tabel 8 Skenario pengujian modul location intelligence
No. Fungsi sistem
1
2
3
4
5
6
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
Indonesia
berdasarkan
map zone
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
Indonesia
berdasarkan
map point
Fitur zoom in dan
zoom out
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
sesuai indikator
Melakukan
filter
pada
Peta
Skenario
pengujian
Memilih map
zone
Hasil
yang Hasil
diharapkan
pengujian
Terlihat perbedaan
Berhasil
warna pada peta
untuk
setiap kabupaten
berdasarkan nilai di
database
Memilih map Muncul
bulatan Berhasil
point
dengan
ukuran yang
berbeda sesuai luas
panen/ produksi/
produktivitas untuk
setiap kabupaten
Memilih
memperbesar
(zoom in) atau
memperkecil
(zoom
out)
Tampilan
peta Berhasil
menjadi
lebih besar atau
lebih kecil
Memilih salah Tampilan
peta Berhasil
satu indikator sesuai
yang tersedia
dengan
indikator
yang
dipilih
Memilih salah Tampilan
peta Berhasil
satu filter
sesuai
yang tersedia
dengan filter yang
dipilih
Memilih
nama Memilih salah Tampilan
nama Gagal
kabupaten
satu
nama kabuparten sesuai
berdasarkan provinsi provinsi yang dengan
provinsi
yang dipilih
tersedia
yang dipilih
Langkah pertama yang dilakukan yakni mengecek pada fail Microsoft Excel
untuk data komoditi apel di Kabupaten Malang. Pada file tersebut tercatat jumlah
produksi apel pada tahun 2012 sebesar 32.886 ton.
Langkah kedua dilakukan dengan pengecekan pada fail SQL. Pengecekan
terfokus pada tabel fakta dengan dilakukan query untuk id komoditi apel dengan
16
jumlah produksi sebesar 32.886 ton. Pada fail SQL ditemukan nama kabupaten
yang memiliki jumlah produksi sebesar 32.886 ton pada tahun 2012 yakni
kabupaten Banjarbaru bukan kabupaten Malang. Untuk kabupaten Banjarbaru,
pada saat dilakukan pengecekan ke fail Microsoft Excel tidak memproduksi apel.
Dari hasil verifikasi data tersebut ditemukan ketidaksesuaian antara data
dari Kementan dan data hasil extract, transform, dan load (ETL) pada penelitian
Hartomo (2015). Rekomendasi yang disarankan yakni melakukan pengkajian
ulang terhadap proses ETL yang sebelumnya telah dilakukan oleh Hartomo
(2015). Apabila sudah diperoleh database baru hasil proses ETL, maka hal yang
perlu dilakukan yakni load ulang data source pada SpagoBI dan menyesuaikan
nama fail database dengan nama fail database sebelumnya yakni
DB_HORTIKULTURA.
SIMPULAN DAN SARAN
Kesimpulan
Modul location intelligence untuk data tanaman hortikultura menggunakan
SpagoBI telah berhasil dibangun dengan fungsi visualisasi map zone, fungsi
visualisasi map point, fungsi zoom in dan zoom out pada peta, fungsi peta sesuai
indikator, dan fungsi filter pada peta. Dengan membangun modul location
intelligence telah menampilkan ringkasan data dalam bentuk visualisasi yang
diimplementasikan pada peta Indonesia. Peta yang disajikan dalam bentuk
dinamis mampu membantu memperdalam analisis secara visual.
Saran
Pada proses pengembangan selanjutnya, implementasi data tanaman
hortikultura disarankan menggunakan database tanaman hortikultura yang sesuai
dengan data asli dari Kementan. SpagoBI dapat dilengkapi dengan fitur-fitur
tambahan lain yang dapat lebih menunjang analisis di antaranya dengan
penambahan fitur report. Dengan adanya fitur report menggunakan cross
navigation informasi lebih detail terkait lokasi dapat disajikan secara lebih rinci.
Selain itu, untuk pengembangan selanjutnya diharapkan sistem mampu
melakukan filter kabupaten berdasarkan provinsi yang dipilih.
DAFTAR PUSTAKA
Abidin, H. 2001. Geodesi Satelit. Jakarta (ID), Pradnya Paramita.
Cazzin, Grazia. 2012. Business Intelligence with SpagoBI. Padua (IT): SpagoBI
Competency Center.
Dwiprianti, F. 2015. Online Analytical Processing (OLAP) Berbasis web untuk
tanaman hortikultura menggunakan Palo. [skripsi]. Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Golfarelli, M. 2009. Open source BI platforms: a functional and architectural
comparison. 11th International Conference DaWak. (Aug. 2009).
17
Han, J, Kamber M, dan Pei J. 2012. Data Mining: Concept and Techniques. 3th
Ed. San Fransisco (US): Morgan Kaufman Publisher.
Hartomo, R. 2015. Modul Extract, Transform, dan Load Untuk Data Warehouse
Tanaman Hortikultura Menggunakan Kettle. [skripsi]. Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Hasanah, G. 2015. Aplikasi Multidimensional Analysis dan Location Intelligence
untuk Spatial Data Warehouse Titik Panas di Indonesia Menggunakan
SpagoBI. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor.
Lightstone, S, Teorey T, dan Nadeau T. 2006. Database Modeling and Design:
Physical Database Design for Decision Support, Warehousing, and
OLAP. 4th ed. San Fransisco (US): Morgan Kaufman Publisher.
Malinowski, E dan E Zimanyi. 2007. Spatial Data Warehouses: Some Solutions
and Unresolved Problems. 2007 IEEE International Workshop on
Databases for Next Generation Researchers; Mei 2007; Istanbul, Turkey.
Piscataway (US): IEEE. hlm 1-7.
Permana, ER. 2015. Aplikasi Online Analytical Processing (OLAP) Berbasis Web
Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI. [skripsi].
Departemen Ilmu Komputer, Institut Pertanian Bogor.
[SpagoBI]. 2015. Location Intelligence [internet]. [diakses tanggal 15 Oktober
2015]. Tersedia pada: www.spagobi.org/homepage/product/locationintelligence/
18
Lampiran 1 Tabel nama kabupaten di Indonesia
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Id Lokasi
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1171
1172
1173
1174
1175
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
Provinsi
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
39
1216
Sumatera Utara
Nama Kabupaten
Kab. Aceh Selatan
Kab. Aceh Tenggara
Kab. Aceh Timur
Kab. Aceh Tengah
Kab. Aceh Barat
Kab. Aceh Besar
Kab. Aceh Pidie
Kab. Aceh Utara
Kab. Simeulue
Kab. Aceh Singkil
Kab. Bireun
Kab. Aceh Barat Daya
Kab. Gayo Lues
Kab. Aceh Jaya
Kab. Nagan Raya
Kab. Aceh Tamiang
Kab. Bener Meriah
Kab. Pidie Jaya
Kota Banda Aceh
Kota Sabang
Kota Lhokseumawe
Kota Langsa
Kota Subulussalam
Kab. Tapanuli Tengah
Kab. Tapanuli Utara
Kab. Tapanuli Selatan
Kab. Nias
Kab. Langkat
Kab. Karo
Kab. Deli Serdang
Kab. Simalungun
Kab. Asahan
Kab. Labuhan Batu
Kab. Dairi
Kab. Toba Samosir
Kab. Mandailing Natal
Kab. Nias Selatan
Kab. PakPak Bharat
Kab. Humbang
Hasundutan
19
Lampiran 1 Lanjutan
No.
40
41
42
43
44
Id Lokasi
1217
1218
1219
1220
1221
Provinsi
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
45
1222
Sumatera Utara
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
1223
1224
1225
1271
1272
1273
1274
1275
1276
1277
1278
1301
1302
1303
1304
1305
1306
1307
1308
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Barat
Sumatera Barat
Sumatera Barat
Kalimantan Selatan
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
65
1309
Sumatera Barat
66
67
68
69
70
71
72
73
74
75
76
77
1310
1311
1312
1371
1372
1373
1374
1375
1376
1377
1401
1402
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Riau
Riau
Nama Kabupaten
Kab. Samosir
Kab. Serdang Bedagai
Kab. Batubara
Kab. Padang Lawas Utara
Kab. Padang Lawas
Kab. Labuhan Batu
Selatan
Kab. Labuhan Batu Utara
Kab. Nias Utara
Kab. Nias Barat
Kota Medan
Kota Pematang Siantar
Kota Sibolga
Kota Tanjung Balai
Kota Binjai
Kota Tebing Tinggi
Kota Padang Sidimpuan
Kota Gunung Sitoli
Kab. Pesisir Selatan
Kab. Solok
Kab. Sijunjung
Kab. Tanah Datar
Kab. Padang Pariaman
Kab. Agam
Kab. Lima Puluh Kota
Kab. Pasaman
Kab. Kepulauan
Mentawai
Kab. Dharmas Raya
Kab. Solok Selatan
Kab. Pasaman Barat
Kota Padang
Kota Solok
Kota Sawah Lunto
Kota Padang Panjang
Kota Bukit Tinggi
Kota Payakumbuh
Kota Pariaman
Kab. Kampar
Kab. Indragiri Hulu
20
Lampiran 1 Lanjutan
No.
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
Id Lokasi
1403
1404
1405
1406
1407
1408
1409
1410
1471
1472
1501
1502
1503
1504
1505
Provinsi
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Jambi
Jambi
Jambi
Jambi
Jambi
93
1506
Jambi
94
1507
Jambi
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
1508
1509
1571
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611
1671
1672
1673
1674
1701
1702
1703
Jambi
Jambi
Jambi
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Bengkulu
Bengkulu
Bengkulu
Nama Kabupaten
Kab. Bengkalis
Kab. Indragiri Hilir
Kab. Pelalawan
Kab. Rokan Hulu
Kab. Rokan Hilir
Kab. Siak
Kab. Kuantan Singingi
Kab. Kepulauan Meranti
Kota Pekanbaru
Kota Dumai
Kab. Kerinci
Kab. Merangin
Kab. Sarolangun
kab. Batang Hari
Kab. Muaro Jambi
Kab. Tanjung Jabung
Barat
Kab. Tanjung Jabung
Timur
Kab. Bungo
Kab. Tebo
Kota Jambi
Kab. Ogan Komering Ulu
Kab. Ogan Komering Ilir
Kab. Muara Enim
Kab. Lahat
Kab. Musi Rawas
Kab. Musi Banyu Asin
Kab. Banyu Asin
Kab. OKU Timur
Kab. OKU Selatan
Kab. Ogan Ilir
Kab. Empat Lawang
Kota Palembang
Kota Pagaralam
Kota Lubuk Linggau
Kota Prabumulih
Kab. Bengkulu Selatan
Kab. Rejang Lebong
Kab. Bengkulu Utara
21
Lampiran 1 Lanjutan
No.
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
Id Lokasi
1704
1705
1706
1707
1708
1709
1771
1801
1802
1803
1804
1805
1806
1807
1808
1809
1810
1811
Provinsi
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
134
1812
Lampung
135
136
1871
1872
137
1901
138
1902
139
1903
140
1904
141
1905
142
1906
143
1971
144
145
146
147
2101
2102
2103
2104
Lampung
Lampung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Riau
Kepulauan Riau
Kepulauan Riau
Kepulauan Riau
148
2105
Kepulauan Riau
Nama Kabupaten
Kab. Kaur
Kab. Seluma
Kab. Muko Muko
Kab. Lebong
Kab. Kepahiang
Kab. Bengkulu Tengah
Kota Bengkulu
Kab. Lampung Selatan
Kab. Lampung Tengah
Kab. Lampung Utara
Kab. Lampung Barat
Kab. Tulang Bawang
Kab. Tanggamus
Kab. Lampung Timur
Kab. Way Kanan
Kab. Pesawaran
Kab. Pringsewu
Kab. Mesuji
Kab. Tulang Bawang
Barat
Kota Bandar Lampung
Kota Metro
Kab. Bangka
Kab. Belitung
Kab. Bangka Selatan
Kab. Bangka Tengah
Kab. Bangka Barat
Kab. Belitung Timur
Kota Pangkal Pinang
Kab. Bintan
Kab. Karimun
Kab. Natuna
Kab. Lingga
Kab. Kepulauan
Anambas
22
Lampiran 1 Lanjutan
No.
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
Id Lokasi Provinsi
2171
Kepulauan Riau
2172
Kepulauan Riau
2310
Kepulauan Riau
Daerah Khusus Ibukota
3171
Jakarta
Daerah Khusus Ibukota
3172
Jakarta
Daerah Khusus Ibukota
3173
Jakarta
Daerah Khusus Ibukota
3174
Jakarta
Daerah Khusus Ibukota
3175
Jakarta
3201
Jawa Barat
3202
Jawa Barat
3203
Jawa Barat
3204
Jawa Barat
3205
Jawa Barat
3206
Jawa Barat
3207
Jawa Barat
3208
Jawa Barat
3209
Jawa Barat
3210
Jawa Barat
3211
Jawa Barat
3212
Jawa Barat
3213
Jawa Barat
3214
Jawa Barat
3215
Jawa Barat
3216
Jawa Barat
3217
Jawa Barat
3271
Jawa Barat
3272
Jawa Barat
3273
Jawa Barat
3274
Jawa Barat
3275
Jawa Barat
3276
Jawa Barat
3277
Jawa Barat
3278
Jawa Barat
3279
Jawa Barat
3301
Jawa Tengah
3302
Jawa Tengah
Nama Kabupaten
Kota Batam
Kota Tanjung Pinang
Kab. Kepulauan Riau
Kota Jakarta Pusat
Kota Jakarta Utara
Kota Jakarta Barat
Kota Jakarta Selatan
Kota Jakarta Timur
Kab. Bogor
Kab. Sukabumi
Kab. Cianjur
Kab. Bandung
Kab. Garut
Kab. Tasikmalaya
Kab. Ciamis
Kab. Kuningan
Kab. Cirebon
Kab. Majalengka
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Purwakarta
Kab. Karawang
Kab. Bekasi
Kab. Bandung Barat
Kota Bogor
Kota Sukabumi
Kota Bandung
Kota Cirebon
Kota Bekasi
Kota Depok
Kota Cimahi
Kota Tasikmalaya
Kota Banjar
Kab. Cilacap
Kab. Banyumas
23
Lampiran 1 Lanjutan
No.
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
Id Lokasi
3303
3304
3305
3306
3307
3308
3309
3310
3311
3312
3313
3314
3315
3316
3317
3318
3319
3320
3321
3322
3323
3324
3325
3326
3327
3328
3329
3371
3372
3373
3374
3375
3376
3400
219
3401
220
3402
221
3403
Provinsi
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Papua
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Nama Kabupaten
Kab. Purbalingga
Kab. Banjarnegara
Kab. Kebumen
Kab. Purworejo
Kab. Wonosobo
Kab. Magelang
Kab. Boyolali
Kab. Klaten
Kab. Sukoharjo
Kab. Wonogiri
Kab. Karanganyar
Kab. Sragen
Kab. Grobogan
Kab. Blora
Kab. Rembang
Kab. Pati
Kab. Kudus
Kab. Jepara
Kab. Demak
Kab. Semarang
Kab. Temanggung
Kab. Kendal
Kab. Batang
Kab. Pekalongan
Kab. Pemalang
Kab. Tegal
Kab. Brebes
Kota Magelang
Kota Surakarta
Kota Salatiga
Kota Semarang
Kota Pekalongan
Kota Tegal
Kab. Yapen Waropen
Kab. Kulon Progo
Kab. Bantul
Kab. Gunung Kidul
24
Lampiran 1 Lanjutan
No.
Id Lokasi
222
3404
223
3471
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
3501
3502
3503
3504
3505
3506
3507
3508
3509
3510
3511
3512
3513
3514
3515
3516
3517
3518
3519
3520
3521
3522
3523
3524
3525
3526
3527
3528
3529
3571
3572
3573
3574
3575
3576
3577
Provinsi
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Nama Kabupaten
Kab. Sleman
Kota Yogyakarta
Kab. Pacitan
Kab. Ponorogo
Kab. Trenggalek
Kab. Tulungagung
Kab. Blitar
Kab. Kediri
Kab. Malang
Kab. Lumajang
Kab. Jember
Kab. Banyuwangi
Kab. Bondowoso
Kab. Situbondo
Kab. Probolinggo
Kab. Pasuruan
Kab. Sidoarjo
Kab. Mojokerto
Kab. Jombang
Kab. Nganjuk
Kab. Madiun
Kab. Magetan
Kab. Ngawi
Kab. Bojonegoro
Kab. Tuban
Kab. Lamongan
Kab. Gresik
Kab. Bangkalan
Kab. Sampang
Kab. Pamekasan
Kab. Sumenep
Kota Kediri
Kota Blitar
Kota Malang
Kota Probolinggo
Kota Pasuruan
Kota Mojokerto
Kota Madiun
25
Lampiran 1 Lanjutan
No.
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
Id Lokasi
3578
3579
3601
3602
3603
3604
3671
3672
3673
3674
5101
5102
5103
5104
5105
5106
5107
5108
5171
5201
5202
5203
5204
5205
5206
5207
5208
5271
5272
5301
Provinsi
Jawa Timur
Jawa Timur
Banten
Banten
Banten
Banten
Banten
Banten
Banten
Banten
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Timur
290
5302
Nusa Tenggara Timur
291
292
293
294
295
296
297
298
5303
5304
5305
5306
5307
5308
5309
5310
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nama Kabupaten
Kota Surabaya
Kota Batu
Kab. Pandeglang
Kab. Lebak
Kab. Tangerang
Kota Serang
Kota Tangerang
Kota Cilegon
Kab. Serang
Kota Tangerang Selatan
Kab. Jembrana
Kab. Tabanan
Kab. Badung
Kab. Gianyar
Kab. Klungkung
Kab. Bangli
Kab. Karang Asem
Kab. Buleleng
Kota Denpasar
Kab. Lombok Barat
Kab. Lombok Tengah
Kab. Lombok Timur
Kab. Sumbawa
Kab. Dompu
Kab. Bima
Kab. Sumbawa Barat
Kab. Lombok Utara
Kota Mataram
Kota Bima
Kab. Kupang
Kab. Timor Tengah
Selatan
Kab. Timor Tengah Utara
Kab. Belu
Kab. Alor
Kab. Flores Timur
Kab. Sikka
Kab. Ende
Kab. Ngada
Kab. Manggarai
26
Lampiran 1 Lanjutan
No.
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
Id Lokasi
5311
5312
5371
6101
6103
6104
6105
6106
6107
6108
6109
6110
6111
6112
6171
61711
6172
Provinsi
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
316
6201
Kalimantan Tengah
317
6202
Kalimantan Tengah
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
6203
6204
6205
6206
6207
6208
6209
6210
6211
6212
6213
6271
6301
63011
6302
6303
6304
6305
6306
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Selatan
Sumatera Barat
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Nama Kabupaten
Kab. Sumba Timur
Kab. Sumba Barat
Kota Kupang
Kab. Sambas
Kab. Sanggau
Kab. Ketapang
Kab. Sintang
Kab. Kapuas Hulu
Kab. Bengkayang
Kab. Landak
Kab. Sekadau
Kab. Melawi
Kab. Kayong Utara
Kab. Kubu Raya
Kota Pontianak
Kab. Pontianak
Kota Singkawang
Kab. Kota Waringin
Barat
Kab. Kota Waringin
Timur
Kab. Kapuas
Kab. Barito Selatan
Kab. Barito Utara
Kab. Katingan
Kab. Seruyan
Kab. Sukamara
Kab. Lamandau
Kab. Gunung Mas
Kab. Pulang Pisau
Kab. Murung Raya
Kab. Barito Timur
Kota Palangkaraya
Kab. Tanah Laut
Kab. Tanah Laut
Kab. Kota Baru
Kab. Banjar
Kab. Barito Kuala
Kab. Tapin
Kab. Hulu Sungai Selatan
27
Lampiran 1 Lanjutan
No.
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
Id Lokasi
6307
6308
6309
6310
6311
6371
6372
6
HORTIKULTURA MENGGUNAKAN SPAGOBI MAP
NINDY HEDYA AVIANDITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
2
3
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan
Location Intelligence Untuk Data Hortikultura Menggunakan SpagoBI Map
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 2016
Nindy Hedya Aviandita
NIM G64134026
4
ABSTRAK
NINDY HEDYA AVIANDITA. Pengembangan Location Intelligence
untuk Data Tanaman Hortikultura Menggunakan SpagoBI Map. Dibimbing oleh
HUSNUL KHOTIMAH.
Kementerian Pertanian (Kementan) memiliki data tanaman hortikultura yang
terus bertambah setiap tahunnya. Penyajian data yang mencakup aspek komoditas,
lokasi, status angka, dan waktu masih dalam format tabel. Hal ini menyulitkan
pengguna untuk memperoleh informasi karena pengguna masih harus menarik
kesimpulan sendiri dari data tabel tersebut. Penyajian data dalam bentuk location
intelligence mampu menampilkan ringkasan data dalam bentuk peta. Penelitian ini
bertujuan membangun modul location intelligence menggunakan SpagoBI Map
pada data tanaman hortikultura. Map zone dapat menampilkan perbedaan warna
berdasarkan jumlah luas panen, jumlah produksi, dan produktivitas di setiap
kabupaten dan map point dapat menampilkan ukuran titik peta yang besaran
titiknya berdasarkan jumlah luas panen, produksi, dan produktivitas di setiap
kabupaten. Data tanaman hortikultura yang digunakan dalam penelitian ini
mencakup 91 tanaman hortikultura di seluruh Indonesia dari tahun 2006 sampai
tahun 2013 yang tersebar di 453 kabupaten di Indonesia.
Kata kunci: data warehouse, location intelligence, OLAP, SpagoBI Map, tanaman
hortikultura
ABSTRACT
NINDY HEDYA AVIANDITA. Development of Location Intelligence for
Horticultural Crops Data using SpagoBI Map. Supervised by HUSNUL
KHOTIMAH.
The Ministry of Agriculture (Kementan) has a lot of horticultural plant data
that continues to grow each year. The data, that covers many aspects such as
commodity status, location, number, and time, was still presented in the form of
tabular format. It is difficult for the users to get the gist of it, because they have to
draw their own conclusions from the table. The data presentation by means of
location intelligence is capable of displaying the data summary in a map format.
This research aimed to build the location intelligence module using SpagoBI for
those horticultural plants data. The map zone can display color differences based
on extensive amounts of crop, amount of production, and productivity of each
district. Whereas the map point is capable to display the map point size quantity
based on a broad number of harvesting, production, and productivity in each
district. The horticultural crops data that is used in this research includes 91 plants
across Indonesia between 2006 and 2013 which is spread over 453 regency in
Indonesia.
Keywords: data warehouse, horticultural crops, location intelligence, OLAP,
SpagoBI Map
5
PENGEMBANGAN LOCATION INTELLIGENCE UNTUK
DATA HORTIKULTURA MENGGUNAKAN SPAGOBI MAP
NINDY HEDYA AVIANDITA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
1 Rina Trisminingsih,
SKomp PERTANIAN
MT
INSTITUT
BOGOR
2 Dr. Yani Nurhadryani, SSi MTBOGOR
2016
Penguji:
6
Penguji:
1 Rina Trisminingsih, SKomp MT
2 Dr. Yani Nurhadryani, SSi MT
7
Judul Skripsi : Pengembangan Location Intelligence untuk Data Tanaman
Hortikultura Menggunakan SpagoBI Map
Nama
: Nindy Hedya Aviandita
NIM
: G64134026
Disetujui oleh
Husnul Khotimah, SKomp MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus :
8
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga skripsi dengan judul Pengembangan Location
Intelligence untuk Data Hortikultura menggunakan SpagoBI Map dapat
diselesaikan. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu
syarat untuk mencapai gelar Sarjana Ilmu Komputer pada Fakultas Matematika
dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyadari dalam
perjalanan masa perkuliahan sampai dengan pencapaian akhir ini banyak pihak
yang telah membantu dan mendukung penulis dalam hal apapun. Oleh karena itu,
penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada semua
pihak yang telah membantu dan mendukung penulis (baik secara langsung
maupun tidak langsung) selama ini, mulai dari masa perkuliahan, penelitian
hingga selesainya penulisan skripsi kepada:
1 Ibu (Hemmy Suhemy) dan Ayah (Tri Sediyono) serta Adik (Dhimita Jati
Praditya), yang selalu memberikan dukungan, motivasi dan cinta yang besar
kepada penulis.
2 Ibu Husnul Khotimah, SKomp MKom sebagai pembimbing skripsi yang
telah memberikan motivasi, memberikan dukungan dan arahan serta
senantiasa sabar dalam membimbing penulis.
3 Bapak Hari Agung Adrianto, SKomp MSi yang telah memberikan arahan
dan dukungan kepada penulis
4 Ibu Dr. Yani Nurhadyrani, S.Si MT dan Ibu Rina Trisminingsih, SKomp
MT selaku penguji skripsi ini.
5 Teman-teman penulis selama ini sudah memberikan banyak kenangan,
pelajaran, dukungan, hiburan, dan banyak hal lainnya. Teman-teman Alih
Jenis Ilmu Komputer 8, teruntuk Restu, Tentri, Tiffany, Fery, Asep,
Kusuma, Fahmi untuk perjuangannya bersama di IPB, dan Teruntuk Satria
Ardillah untuk segala bentuk dukungannya.
Akhir kata, penulis mengucapkan terimakasih kepada semua pihak yang telah
banyak membantu dalam menyelsaikan skripsi ini. Semoga skripsi ini dapat memberikan kontribusi yang bermakna bagi pengembangan wawasan para pembaca,
khususnya mahasiswa dan masyarakat pada umumnya.
Bogor, Maret 2016
Nindy Hedya Aviandita
9
DAFTAR ISI
DAFTAR TABEL
ix
DAFTAR GAMBAR
ix
DAFTAR LAMPIRAN
ix
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Spatial Data Warehouse
2
SpagoBI
3
Location Intelligence
4
METODE
5
Tahapan Penelitian
5
Analisis Kebutuhan Sistem
6
Perancangan Dynamic Map Location Intelligence
6
Implementasi Dynamic Map Location Intelligence
6
Pengujian Modul Location Intelligence
6
Lingkungan Pengembangan
7
HASIL DAN PEMBAHASAN
7
Analisis Kebutuhan Sistem
7
Perancangan Dynamic Map Location intelligence
8
Implementasi Dynamic Map Location Intelligence
9
Penyimpanan Peta pada Geoserver
9
Pembuatan data source SpagoBI
10
Pembuatan dataset SpagoBI
10
Pembuatan Dynamic Map SpagoBI
10
Pengujian Modul Location intelligence
14
SIMPULAN DAN SARAN
15
10
Kesimpulan
16
Saran
16
DAFTAR PUSTAKA
16
RIWAYAT HIDUP
33
11
DAFTAR TABEL
1
2
3
4
5
6
7
8
Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009)
Struktur dimensi
Tabel fakta tanaman hortikultura
Tabel dimensi status angka
Tabel dimensi lokasi
Tabel dimensi waktu
Tabel dimensi komoditas
Skenario pengujian modul location intelligence
3
8
8
9
9
9
9
15
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
Peta statis SpagoBI
Peta dinamis SpagoBI
Tahapan penelitian
Skema bintang tanaman hortikultura (Hartomo 2015)
Potongan kueri dataset SpagoBI
Potongan kode program template peta
Tampilan visualisasi map zone tanaman hortikultura berdasarkan luas
panen
Tampilan visualisasi map point tanaman hortikultura berdasarkan
produksi
Pilihan tipe visualisasi peta
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen mangga
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen
Pilihan indikator peta
Pilihan filter peta
4
5
5
8
10
11
12
12
12
13
13
14
14
DAFTAR LAMPIRAN
1 Tabel nama kabupaten di Indonesia
2 Tabel nama komoditi
18
31
PENDAHULUAN
Latar Belakang
Pendataan tanaman hortikultura dalam periode tahunan di beberapa daerah
di Indonesia telah dilakukan oleh Kementerian Pertanian (Kementan). Data
tersebut mencakup empat aspek utama, yaitu komoditas, lokasi, status angka, dan
waktu yang tersaji dalam bentuk tabel per komoditas atau per daerah. Saat ini,
data tersebut masih tersaji berupa tabel dalam format Microsoft Excel (.xls). Hal
ini membuat pengguna kesulitan untuk mendapatkan ringkasan data yang
diinginkan dengan cepat sesuai dengan kebutuhan.
Saat ini telah berkembang aplikasi yang dapat digunakan untuk
menganalisis data, diantaranya modul location intelligence yang dapat
menggabungkan geographic information system (GIS) dengan business
intelligence (BI). Hal tersebut memudahkan pengguna untuk mendapatkan
informasi penting, mendukung pengambilan keputusan, dan mengoptimalkan
proses bisnis (SpagoBI 2015).
Penelitian menggunakan data tanaman hortikultura telah dilakukan oleh
Dwiprianti (2015). Pada penelitian tersebut dilakukan analisis tanaman
hortikultura menggunakan Palo sebagai aplikasi business intelligence (BI) dengan
mengimplementasikan online analytical processing (OLAP) berbasis web.
Kemudian penelitian tersebut dilanjutkan oleh Permana (2015) dengan melakukan
migrasi ke SpagoBI. Aplikasi tersebut telah berhasil membuat data warehouse
yang memiliki dimensi komoditas, lokasi, waktu, dan status angka dalam bentuk
OLAP, sehingga data dapat disajikan secara lebih mudah, lengkap, dan interaktif
menggunakan fasilitas drill down, roll up, cross tab, visualisasi tabel, dan
visualisasi grafik.
Penelitian yang dilakukan oleh Dwiprianti (2015) dan Permana (2015)
masih menggunakan proses extract, transform, load (ETL) secara manual.
Kemudian penelitian tersebut dilanjutkan kembali oleh Hartomo (2015) dengan
melakukan penambahan modul ETL secara otomatis menggunakan Kettle untuk
data tanaman hortikultura menggunakan data yang sama pada penelitian yang
dilakukan oleh (Permana 2015). Selain mendukung modul multidimensional
analysis (OLAP) SpagoBI juga mendukung modul location intelligence dengan
menyediakan mesin geografis berupa GEO dan GIS sehingga dapat
menghubungkan data geografis dengan data bisnis yang ada dalam data
warehouse. Dengan adanya location intelligence memberikan manfaat yakni
sebuah data dapat lebih mudah dipahami dan dimanfaatkan untuk pengambilan
keputusan (Bowes 2007).
Penelitian sejenis yang menggunakan modul location intelligence dalam
SpagoBI telah dilakukan oleh (Hasanah 2015) dengan menggunakan data titik
panas di Indonesia. Penelitian ini akan dikembangkan fitur location intelligence
dengan membangun visualisasi peta untuk data tanaman hortikultura
menggunakan SpagoBI Map.
2
Perumusan Masalah
Data hortikultura yang dikumpulkan oleh Kementan menggambarkan
persebaran produksi produk hortikultura di seluruh wilayah Indonesia. Analisis
pada data tersebut akan lebih menarik jika dilakukan secara analisis spasial. Pada
penelitian sebelumnya sudah dikembangkan suatu aplikasi OLAP namun belum
dapat dilakukan analisis secara spasial. Salah satu proses untuk memperoleh
ringkasan data spasial adalah Spatial Online Analytical Processing (SOLAP) yang
dapat dikembangkan melalui modul location intelligence yang terdapat pada
SpagoBI Map. Rumusan permasalahan pada penelitian ini adalah bagaimana
membangun sebuah modul location intelligence untuk tanaman hortikultura yang
tervisualisasi dalam bentuk peta dinamis menggunakan SpagoBI Map.
Tujuan Penelitian
Tujuan penelitian ini adalah membangun modul location intelligence dalam
bentuk peta dinamis untuk tanaman hortikultura dan melakukan penyesuaian data
yang telah dibangun pada penelitian sebelumnya menggunakan SpagoBI.
Manfaat Penelitian
Manfaat dari penelitian ini adalah sistem yang dibangun diharapkan dapat
menampilkan visualisasi menggunakan peta untuk membantu proses analisis data
tanaman hortikultura secara spasial. Hal ini dapat mempermudah pengguna dalam
memperoleh informasi tanaman hortikultura dengan lebih cepat.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini difokuskan pada perancangan dan
implementasi modul location intelligence berupa peta dinamis dengan
menggunakan SpagoBI 5.1. Data yang digunakan diperoleh dari peneliti
sebelumnya yaitu Hartomo (2015) yang merupakan data tanaman hortikultura
pada
tahun
2006
sampai
2013
yang
diperoleh
dari
situs
http://aplikasi.pertanian.go.id/bdsp/index.asp yang diakses pada 29 Maret 2015.
Komoditi yang digunakan terdiri dari 91 jenis komoditas dari subsektor tanaman
hortikultura. Status angka yang digunakan yakni angka tetap karena merupakan
angka realisasi suatu tahun yang seluruhnya dikumpulkan pada tahun tersebut.
TINJAUAN PUSTAKA
Data Warehouse
Menurut Han et al. (2012), data warehouse merupakan suatu koleksi data
spasial yang bersifat subject oriented, integrated, time variant, dan non volatile
3
yang digunakan pada proses pengambilan keputusan. Kumpulan data ini berasal
dari berbagai sumber data yang ditempatkan menjadi bentuk penyimpanan
multidimensional, kemudian dirancang untuk query dan reporting. Data
warehouse menggabungkan data warehouse dan teknologi spatial database yang
memungkinkan analisis representasi data historis (Malinowski dan Zimányi 2007).
Terdapat 4 karakteristik data warehouse menurut Han et al. (2012) yaitu:
1 Subject oriented: data warehouse yang dirancang fokus pada permodelan dan
analisis data untuk pembuatan keputusan berdasarkan subjek tertentu.
2 Integrated: data warehouse dibangun dengan mengintegrasikan berbagai
sumber yang bervariasi.
3 Time variant: data yang disimpan menyediakan sejarah informasi atau data
yang disimpan memiliki rentang waktu tertentu (5-10 tahun).
4 Non volatile: data warehouse secara fisik selalu terpisah dari data
transformasinya. Data warehouse tidak membutuhkan proses transaksi,
pemulihan, dan concurrency control.
SpagoBI
SpagoBI merupakan salah satu platform Business Intelligence (BI) yang free
dan open source software. Apabila dilihat dari segi arsitektur, fungsionalitas dan
usability, SpagoBI sebanding dengan platform BI lain yang bersifat commercial
open source software yakni Jasper dan Pentaho (Palo) edisi enterprise (Golfarelli
2009). Perbandingan fungsionalitas masing – masing software tersebut dapat
dilihat pada pada Tabel 1, dengan simbol ceklis (✓)untuk fungsionalitas yang
tersedia dan simbol cross (x) untuk fungsionalitas yang tidak tersedia.
Tabel 1 Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009)
Functionalities
SpagoBI
Pentaho
Pentaho Jasper
Ent. Ed.
Jasper
Ent.
Ed.
Activities scheduling
Ad-hoc reporting
Auditing
Collaborative BI
Data Mining
Dashboard
Document export
ETL
Geo-referenced analysis
OLAP
Query by Example
Report validation workflow
Reporting
User profilling
✓
x
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
✓
X
X
X
X
✓
✓
✓
✓
✓
✓
X
X
✓
X
✓
✓
✓
x
✓
✓
✓
✓
✓
✓
x
✓
✓
✓
✓
✓
✓
X
X
✓
✓
✓
✓
✓
x
x
✓
✓
X
X
✓
X
X
X
✓
✓
X
✓
X
X
✓
X
4
Berdasarkan tabel perbandingan fungsi pada Tabel 1, SpagoBI yang bersifat
open source software sebanding dengan Jasper dan Pentaho yang merupakan
aplikasi enterprise. Beberapa fungsi utama yang dimiliki SpagoBI yakni reporting,
multi dimensional analysis (OLAP), chart, KPI, interactive cockpits, ad-hoc
reporting, location intelligence, free inquiry (driven data selection), data mining,
real time dashboards and console, collaboration, office automation, ETL, mobile,
external processes, dan master data management. Penelitian ini menggunakan
modul location intelligence untuk data tanaman hortikultura.
Location Intelligence
Location intelligence menggabungkan geographic information system (GIS)
dengan business intelligence (BI) untuk mendapatkan informasi penting,
mendukung pengambilan keputusan, dan mengoptimalkan proses bisnis SpagoBI.
SpagoBI menyediakan dua mesin geografis untuk mendukung modul location
intelligence yakni mesin GEO dan GIS. Dengan adanya fitur location intelligence
dapat menghubungkan antara data geografis dengan data bisnis di dalam data
warehouse Cazzin (2012). Mesin GEO pada SpagoBI dapat menghasilkan peta
statis yang dapat digunakan dalam domain geografis atau untuk memberikan
representasi grafis untuk struktur lain, seperti diagram alur proses dan skema
topologi dari perangkat keras. Tampilan peta pada SpagoBI menggunakan mesin
GEO dapat dilihat pada Gambar 1.
Gambar 1 Peta statis SpagoBI
Mesin GIS pada SpagoBI menghasilkan peta dalam bentuk yang dinamis.
Tingkat interaksi mesin GIS lebih tinggi dibandingkan dengan penggunaan mesin
GEO karena pada mesin GIS menggunakan sistem spasial yang aktual (web map
service dan web feature service) seperti penggunaan MapServer, OpenstreetMap,
dan Google. Dengan menggunakan mesin GIS dapat membantu pengguna untuk
menghasilkan data sesuai dengan kebutuhan menggunakan menu filter. Tampilan
peta pada SpagoBI menggunakan mesin GEO dapat dilihat pada Gambar 2.
5
Gambar 2 Peta dinamis SpagoBI
METODE
Data Penelitian
Data yang digunakan pada penelitian ini adalah data tanaman hortikultura
yang diperoleh dari peneliti sebelumnya yaitu Hartomo (2015) yang didapatkan
dari situs http://aplikasi.pertanian.go.id/bdsp/index.asp pada tahun 2006 sampai
tahun 2013 dalam format (.sql). Jenis tanaman yang digunakan adalah seluruh
komoditi yang ada pada tanaman hortikultura yang berjumlah 91 komoditi yang
tersebar di 453 kabupaten di Indonesia. Untuk data komoditi dapat dilihat pada
Lampiran 1 dan untuk data kabupaten pada Lampiran 2.
Tahapan Penelitian
Penelitian yang dilakukan terbagi menjadi beberapa tahapan proses.
Gambar 3 menunjukan tahapan proses tersebut.
Gambar 3 Tahapan penelitian
6
Analisis Kebutuhan Sistem
Tahapan awal dilakukan dengan analisis kebutuhan user dan fungsi utama
yang terdapat pada modul location intelligence. Selain itu, pada tahap ini juga
dilakukan pengumpulan data yang divisualisasikan pada modul location
intelligence. Selain data warehouse, dibutuhkan juga data peta adminsitratif
bertipe fail shapefile (.shp) yang bersumber dari Badan Informasi Geospasial
(BIG) untuk memvisualisasikan data warehouse dalam bentuk peta.
Perancangan Dynamic Map Location Intelligence
Pengembangan location intelligence membutuhkan spatial data warehouse.
Penelitian ini menggunakan data warehouse dengan model data multidimensional.
Model data multidimensional terdiri atas tabel fakta dan tabel dimensi. Skema
yang digunakan pada penelitian ini adalah skema bintang. Tabel fakta memiliki
measure dari tabel-tabel dimensi. Measure adalah data numerik yang dicari atau
dianalisis nilainya. Pada tahapan perancangan dilakukan pemilihan atribut untuk
dijadikan filter dan pemilihan measure sebagai indikator pada peta. Pada tahap ini
juga dilakukan transformasi data dengan cara penyesuaian terhadap atribut id
lokasi pada setiap sumber data agar mengacu pada kode wilayah baku dari
Kementerian Dalam Negeri (Kemendagri) dan penghilangan titik pada kode
wilayah karena sebelumnya terdapat titik pada atribut id kabupaten. Data kode
wilayah tersebut diperoleh dari situs http://www.kemendagri.go.id/pages/datawilayah yang diakses pada 04 Juni 2015. Data kode wilayah dapat dilihat pada
Lampiran 2.
Implementasi Dynamic Map Location Intelligence
Pada tahap ini dilakukan penyimpanan peta Indonesia yang bertipe (.shp)
pada Geosever. Pembuatan data source pada SpagoBI digunakan untuk
menyimpan database yang digunakan. Dataset yang digunakan pada penelitian ini
berupa kueri dari database. Hasil dari tahap ini mampu memvisualisasikan
penyebaran tanaman hortikultura berdasarkan measure yang ditetapkan pada
tahap perancangan.
Pengujian Modul Location Intelligence
Pengujian modul location intelligence menggunakan metode blackbox.
Pengujian ini dilakukan untuk mengetahui apakah setiap aspek pada map yang
telah dibangun sesuai dengan data yang tersimpan pada database. Apabila
pengujian telah sesuai maka pembuatan visualisasi peta untuk data tanaman
hortikultura telah selesai dilakukan. Penelitian ini juga melakukan verifikasi
antara data Hartomo (2015) dengan data asli dari Kementan berupa tabel dalam
format Microsoft Excel (.xls).
7
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah:
1. Perangkat keras berupa laptop dengan spesifikasi:
Processor Intel Core i3-2370M
RAM 6 GB
2. Perangkat lunak yang digunakan untuk membangun sistem adalah:
Sistem operasi Windows 7
DBMS PostgreSQL (sebagai basis data tempat penyimpanan data
warehouse)
Java 6.0
JDBC 5.1 sebagai connector basis data PostgreSQL dengan SpagoBI
Quantum GIS 2.8.2 sebagai media untuk mengubah atribut peta
HASIL DAN PEMBAHASAN
Analisis Kebutuhan Sistem
Hasil analisis untuk membangun modul location intelligence menggunakan
SpagoBI Map dapat dilihat pada Tabel 1. Fungsi utama modul location
intelligence pada SpagoBI adalah fungsi visualisasi map zone, fungsi visualisasi
map point, fungsi zoom in, dan zoom out pada peta, fungsi peta sesuai indikator,
dan fungsi filter pada peta.
Tabel 1 Tabel analisis kebutuhan user
No.
Kebutuhan User
1.
Melihat perbedaan warna pada peta untuk setiap
kabupaten
berdasarkan
nilai
di
database
2.
Melihat perbedaan ukuran simbol pada peta
untuk setiap kabupaten sesuai nilai di
database
3.
Memilih peta sesuai dengan measure yang
dipilih
4.
Melihat peta sebaran tanaman hortikultura
berdasarkan level kabupaten
5.
Melihat peta sebaran tanaman hortikultura
berdasarkan level provinsi
6.
Memilih nama kabupaten sesuai dengan
provinsi yang dipilih
7.
Melihat peta sebaran tanaman hortikultura
berdasarkan level komoditi
8.
Memperbesar dan memperkecil tampilan peta
Fungsi
Map zone
Map point
Indicator
Filter
Filter
Filter
Filter
Zoom in dan zoom out
8
Perancangan Dynamic Map Location intelligence
Perancangan data warehouse oleh Hartomo (2015) menghasilkan skema
bintang yang membentuk 1 tabel fakta dan 4 tabel dimensi. Bentuk skema yang
digunakan dapat dlihat pada Gambar 4. Struktur setiap dimensi ditunjukkan oleh
Tabel 2.
Gambar 4 Skema bintang tanaman hortikultura (Hartomo 2015)
Tabel 2 Struktur dimensi
Dimensi
Lokasi
Komoditas
Status
Waktu
Level 1
All
All
All
All
Level 2
Level 3
Provinsi
Kabupaten/Kota
Subsektor
Nama Komoditas
Status Angka
Tahun
-
Penelitian ini menggunakan tiga measure, yakni luas panen, produksi, dan
produktivitas. Atribut yang terdapat dalam tabel fakta dapat dilihat pada Tabel 3.
Atribut-atribut pada tabel dimensi komoditas, lokasi, status angka, dan waktu
ditunjukkan pada Tabel 4, 5, 6, dan 7. Hasil dari transformasi data untuk kode
wilayah dapat dilihat pada Lampiran 2.
Tabel 3 Tabel fakta tanaman hortikultura
Nama Atribut Deskripsi
id lokasi
Kode lokasi
id komoditas
Kode komoditas
id status angka Kode status angka
id waktu
Kode waktu (tahun)
luas panen
Nilai berdasarkan luas panen
produksi
Nilai berdasarkan produksi
produktivitas
Nilai berdasarkan produktivitas
9
Tabel 4 Tabel dimensi status angka
Nama Atribut
id status
status angka
Deskripsi
Kode status angka
Jenis status angka
Tabel 5 Tabel dimensi lokasi
Nama Atribut Deskripsi
id lokasi
Kode lokasi
Provinsi
Nama provinsi
Kabupaten
Nama kabupaten/kota
Tabel 6 Tabel dimensi waktu
Nama Atribut
id waktu
Tahun
Deskripsi
Kode waktu
Tahun
Tabel 7 Tabel dimensi komoditas
Nama Atribut
id komoditas
Subsector
nama komoditas
Deskripsi
Kode komoditas
Nama subsektor
Nama komoditas
Implementasi Dynamic Map Location Intelligence
Penyimpanan Peta pada Geoserver
Peta yang digunakan di SpagoBI disimpan di dalam aplikasi Geoserver.
SpagoBI hanya mampu menampilkan peta dengan ukuran maksimum 20 MB. Fail
peta bertipe (.shp) yang didapat dari BIG berukuran 70 MB, sehingga perlu
dilakukan simplify geometries pada Quantum GIS dengan nilai toleransi 0.0001
agar peta dapat ditampilkan di SpagoBI. Nilai toleransi sebesar 0.0001 dipilih
karena merupakan nilai maksimum dilakukannya simplify geometries.
Penambahan lembar kerja (workspace) pada Geoserver diperlukan untuk
mengatur peta sedangkan penambahan tempat penyimpanan (stores) pada
Geoserver digunakan untuk mengubungkan ke sumber data yang bertipe vektor
atau raster. Dalam penelitian ini digunakan data raster bertipe (.shp).
Pada tahap ini juga dilakukan penentuan coordinate reference system (CRS)
dan bounding boxes. Sistem referensi koordinat merupakan sistem (termasuk teori,
konsep, deskripsi fisis dan geometris, serta standar dan parameter) yang
digunakan dalam pendefinisian koordinat dari suatu atau beberapa titik dalam
ruang Abidin (2001). Sistem referensi yang digunakan pada penelitian ini adalah
WGS-84 (EPSG: 4326). Bounding boxes digunakan reproject native to declare
karena nilai native SRS tidak diketahui sehingga tidak dapat dicocokkan dengan
nomor EPSG.
10
Load data source SpagoBI
Tahap pembuatan data source pada SpagoBI diperlukan sebagai media
penyimpanan database yang digunakan. SpagoBI mendukung banyak tipe DBMS
diantaranya Oracle, SQL Server, HSQL, MySQL, PostgreSQL, dan MongoDB.
Selain mendukung banyak tipe DBMS, dapat diatur juga hak akses bagi pengguna
yang terdiri dari read only atau read and write. Penggunaan DBMS harus
disesuaikan dengan driver dan konektornya. Penelitian ini menggunakan DBMS
PostgreSQL dengan hak akses read and write, JDBC 5.1 sebagai konektor basis
data antara PostgreSQL dengan SpagoBI. Nama fail yang digunakan pada
database penelitian ini yakni DB_HORTIKULTURA.
Load dataset SpagoBI
Dataset pada SpagoBI diperlukan untuk memilih atribut yang perlu
ditampilkan pada visualisasi peta. Penelitian ini menggunakan satu buah dataset
berupa kueri dari database yang sudah tersimpan sebelumnya pada data source.
Dataset yang digunakan berupa dataset yang mencakup data luas panen, produksi,
dan produktivitas. Atribut yang dipilih untuk ditampilkan berupa nama komoditas,
id lokasi, nama kab kota, luas panen, produksi, dan produktivitas. Potongan kueri
yang digunakan pada dataset dapat dilihat pada Gambar 5.
Gambar 5 Potongan kueri dataset SpagoBI
Pembuatan Dynamic Map SpagoBI
Pemilihan pembutan visualisasi peta menggunakan dynamic map mampu
menampilkan peta dalam bentuk map zone dan map point. Pada tahap ini
dilakukan pemilihan tipe visualisasi, engine, data source, dan dataset yang
digunakan. Sinkronisasi antara database dengan peta ke dalam SpagoBI
dibutuhkan template dengan format JSON seperti yang dapat dilihat pada Gambar
6.
Pada SpagoBI memiliki dua tipe peta yakni peta yang bertipe choropleth
dan peta yang bertipe proportional symbol. Tipe peta default yang digunakan pada
penelitian ini merupakan peta bertipe choropleth yang berupa peta daerah yang
memiliki warna atau motif secara proporsional dengan pengukuran variabel
statistik yang ditampilkan pada peta. Metode klasifikasi data menggunakan
metode: ”CLASSIFY BY QUANTILS”. Pada tahap ini dilakukan perubahan
warna peta dari warna default yakni warna merah ke hijau, menjadi warna hijau
muda ke warna hijau tua.
11
Gambar 6 Potongan kode program template peta
Peta dinamis SpagoBI memiliki 2 layer yaitu layer bawah dan layer atas.
Layer bawah pada SpagoBI berasal dari OpenStreetMap dan layer atas merupakan
layer dari peta Indonesia bertipe fail (.shp) yang disimpan di Geoserver. Hasil
implementasi modul location intelligence dengan tipe peta choropleth untuk data
produksi tanaman hortikultura dapat dilihat pada Gambar 7. Hasil implementasi
modul location intelligence dengan tipe peta proportional symbol untuk data luas
panen tanaman hortikultura dapat dilihat pada Gambar 8.
Perbesaran huruf A pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 9 yang merupakan bagian untuk memilih jenis visualisasi peta. Map zone
akan menampilkan peta dalam bentuk poligon dan map point akan menampilkan
peta dalam bentuk titik (point).
Perbesaran dari huruf B dan E pada Gambar 7 dapat dilihat pada Gambar 10.
Perbedaan warna dari hijau muda menjadi hijau tua menunjukan perbedaan
besaran luas panen per kabupaten. Hal ini dapat terlihat dari kolom legenda yang
menampilkan lima klasifikasi berbeda berdasarkan jumlah luas panen. Semakin
tua warna hijau yang ditampilkan, maka semakin besar jumlah luas panen yang
ada pada kabupaten tersebut. Pada Gambar 10 terlihat untuk kabupaten
Majalengka memiliki hasil luas panen mangga yang tinggi.
12
Gambar 7
Tampilan visualisasi map zone tanaman hortikultura berdasarkan
produksi mangga
Gambar 8
Tampilan visualisasi map point tanaman hortikultura berdasarkan
produksi pisang
Gambar 9 Tampilan pilihan tipe visualisasi peta
13
Gambar 10
Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan luas panen mangga
Perbesaran dari huruf B pada Gambar 8 dapat dilihat pada Gambar 11.
Kemunculan titik pada peta menampilkan visualisasi data produksi dari komoditas
pisang. Visualisasi map point digunakan ketika pengguna ingin melihat lebih rinci
kabupaten mana yang memiliki jumlah produksi terbesar dilihat dari besaran
ukuran titiknya.
Gambar 11 Perbesaran tampilan visualisasi map zone tanaman hortikultura
berdasarkan produksi pisang
Perbesaran huruf C pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 12. Pada bagian tersebut, pengguna dapat memilih indikator peta yang
akan ditampilkan. Pada penelitian ini menggunakan tiga buah indikator yang
digunakan sebagai measure pada data warehouse. Indikator yang ditampilkan
terdiri dari jumlah luas panen (Ha), jumlah produksi (ton), dan jumlah
produktivitas (ton/rumpun).
14
Gambar 12 Pilihan indikator peta
Perbesaran huruf D pada Gambar 7 dan Gambar 8 dapat dilihat pada
Gambar 13. Filter peta digunakan untuk menampilkan visualisasi sesuai dengan
pilihan nama komoditas, provinsi, nama kabupaten, tahun, atau jumlah luas panen,
produksi, dan produktivitas tertentu. Banyaknya filter yang ditampilkan
berdasarkan dataset yang telah dibuat sebelumnya. Namun pada penelitian ini
belum dapat melakukan join filter untuk data nama kabupaten berdasarkan
provinsi.
Gambar 13 Pilihan filter peta
Pengujian Modul Location intelligence
Pada tahap ini dilakukan pengujian sistem dan verifikasi data. Pengujian
sistem dilakukan dengan metode blackbox. Pengujian ini dilakukan dengan cara
melihat kesesuaian fungsi-fungsi pada location intelligence apakah sudah berjalan
sesuai yang diharapkan. Tabel 8 menunjukkan kesesuaian fungsi sistem dengan
hasil akhir implementasi sistem.
Pada tahap verifikasi data dilakukan pencocokan data antara data Hartomo
(2015) yang berformat file SQL, dengan data asli dari Kementan yang berupa
tabel dalam format Microsoft Excel (.xls). Data komoditi apel dipilih untuk
dilakukan verifikasi data karena apel merupakan komoditi khas yang dihasilkan
oleh kabupaten Malang.
Pada tahap verifikasi data dilakukan pencocokan data antara data Hartomo
(2015) yang berformat file SQL, dengan data asli dari Kementan yang berupa
tabel dalam format Microsoft Excel (.xls). Data komoditi apel dipilih untuk
dilakukan verifikasi data karena apel merupakan komoditi khas yang dihasilkan
oleh kabupaten Malang.
15
Tabel 8 Skenario pengujian modul location intelligence
No. Fungsi sistem
1
2
3
4
5
6
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
Indonesia
berdasarkan
map zone
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
Indonesia
berdasarkan
map point
Fitur zoom in dan
zoom out
Menampilkan
visualisasi
data tanaman
hortikultura
pada
peta
sesuai indikator
Melakukan
filter
pada
Peta
Skenario
pengujian
Memilih map
zone
Hasil
yang Hasil
diharapkan
pengujian
Terlihat perbedaan
Berhasil
warna pada peta
untuk
setiap kabupaten
berdasarkan nilai di
database
Memilih map Muncul
bulatan Berhasil
point
dengan
ukuran yang
berbeda sesuai luas
panen/ produksi/
produktivitas untuk
setiap kabupaten
Memilih
memperbesar
(zoom in) atau
memperkecil
(zoom
out)
Tampilan
peta Berhasil
menjadi
lebih besar atau
lebih kecil
Memilih salah Tampilan
peta Berhasil
satu indikator sesuai
yang tersedia
dengan
indikator
yang
dipilih
Memilih salah Tampilan
peta Berhasil
satu filter
sesuai
yang tersedia
dengan filter yang
dipilih
Memilih
nama Memilih salah Tampilan
nama Gagal
kabupaten
satu
nama kabuparten sesuai
berdasarkan provinsi provinsi yang dengan
provinsi
yang dipilih
tersedia
yang dipilih
Langkah pertama yang dilakukan yakni mengecek pada fail Microsoft Excel
untuk data komoditi apel di Kabupaten Malang. Pada file tersebut tercatat jumlah
produksi apel pada tahun 2012 sebesar 32.886 ton.
Langkah kedua dilakukan dengan pengecekan pada fail SQL. Pengecekan
terfokus pada tabel fakta dengan dilakukan query untuk id komoditi apel dengan
16
jumlah produksi sebesar 32.886 ton. Pada fail SQL ditemukan nama kabupaten
yang memiliki jumlah produksi sebesar 32.886 ton pada tahun 2012 yakni
kabupaten Banjarbaru bukan kabupaten Malang. Untuk kabupaten Banjarbaru,
pada saat dilakukan pengecekan ke fail Microsoft Excel tidak memproduksi apel.
Dari hasil verifikasi data tersebut ditemukan ketidaksesuaian antara data
dari Kementan dan data hasil extract, transform, dan load (ETL) pada penelitian
Hartomo (2015). Rekomendasi yang disarankan yakni melakukan pengkajian
ulang terhadap proses ETL yang sebelumnya telah dilakukan oleh Hartomo
(2015). Apabila sudah diperoleh database baru hasil proses ETL, maka hal yang
perlu dilakukan yakni load ulang data source pada SpagoBI dan menyesuaikan
nama fail database dengan nama fail database sebelumnya yakni
DB_HORTIKULTURA.
SIMPULAN DAN SARAN
Kesimpulan
Modul location intelligence untuk data tanaman hortikultura menggunakan
SpagoBI telah berhasil dibangun dengan fungsi visualisasi map zone, fungsi
visualisasi map point, fungsi zoom in dan zoom out pada peta, fungsi peta sesuai
indikator, dan fungsi filter pada peta. Dengan membangun modul location
intelligence telah menampilkan ringkasan data dalam bentuk visualisasi yang
diimplementasikan pada peta Indonesia. Peta yang disajikan dalam bentuk
dinamis mampu membantu memperdalam analisis secara visual.
Saran
Pada proses pengembangan selanjutnya, implementasi data tanaman
hortikultura disarankan menggunakan database tanaman hortikultura yang sesuai
dengan data asli dari Kementan. SpagoBI dapat dilengkapi dengan fitur-fitur
tambahan lain yang dapat lebih menunjang analisis di antaranya dengan
penambahan fitur report. Dengan adanya fitur report menggunakan cross
navigation informasi lebih detail terkait lokasi dapat disajikan secara lebih rinci.
Selain itu, untuk pengembangan selanjutnya diharapkan sistem mampu
melakukan filter kabupaten berdasarkan provinsi yang dipilih.
DAFTAR PUSTAKA
Abidin, H. 2001. Geodesi Satelit. Jakarta (ID), Pradnya Paramita.
Cazzin, Grazia. 2012. Business Intelligence with SpagoBI. Padua (IT): SpagoBI
Competency Center.
Dwiprianti, F. 2015. Online Analytical Processing (OLAP) Berbasis web untuk
tanaman hortikultura menggunakan Palo. [skripsi]. Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Golfarelli, M. 2009. Open source BI platforms: a functional and architectural
comparison. 11th International Conference DaWak. (Aug. 2009).
17
Han, J, Kamber M, dan Pei J. 2012. Data Mining: Concept and Techniques. 3th
Ed. San Fransisco (US): Morgan Kaufman Publisher.
Hartomo, R. 2015. Modul Extract, Transform, dan Load Untuk Data Warehouse
Tanaman Hortikultura Menggunakan Kettle. [skripsi]. Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Hasanah, G. 2015. Aplikasi Multidimensional Analysis dan Location Intelligence
untuk Spatial Data Warehouse Titik Panas di Indonesia Menggunakan
SpagoBI. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor.
Lightstone, S, Teorey T, dan Nadeau T. 2006. Database Modeling and Design:
Physical Database Design for Decision Support, Warehousing, and
OLAP. 4th ed. San Fransisco (US): Morgan Kaufman Publisher.
Malinowski, E dan E Zimanyi. 2007. Spatial Data Warehouses: Some Solutions
and Unresolved Problems. 2007 IEEE International Workshop on
Databases for Next Generation Researchers; Mei 2007; Istanbul, Turkey.
Piscataway (US): IEEE. hlm 1-7.
Permana, ER. 2015. Aplikasi Online Analytical Processing (OLAP) Berbasis Web
Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI. [skripsi].
Departemen Ilmu Komputer, Institut Pertanian Bogor.
[SpagoBI]. 2015. Location Intelligence [internet]. [diakses tanggal 15 Oktober
2015]. Tersedia pada: www.spagobi.org/homepage/product/locationintelligence/
18
Lampiran 1 Tabel nama kabupaten di Indonesia
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
Id Lokasi
1101
1102
1103
1104
1105
1106
1107
1108
1109
1110
1111
1112
1113
1114
1115
1116
1117
1118
1171
1172
1173
1174
1175
1201
1202
1203
1204
1205
1206
1207
1208
1209
1210
1211
1212
1213
1214
1215
Provinsi
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Aceh
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
39
1216
Sumatera Utara
Nama Kabupaten
Kab. Aceh Selatan
Kab. Aceh Tenggara
Kab. Aceh Timur
Kab. Aceh Tengah
Kab. Aceh Barat
Kab. Aceh Besar
Kab. Aceh Pidie
Kab. Aceh Utara
Kab. Simeulue
Kab. Aceh Singkil
Kab. Bireun
Kab. Aceh Barat Daya
Kab. Gayo Lues
Kab. Aceh Jaya
Kab. Nagan Raya
Kab. Aceh Tamiang
Kab. Bener Meriah
Kab. Pidie Jaya
Kota Banda Aceh
Kota Sabang
Kota Lhokseumawe
Kota Langsa
Kota Subulussalam
Kab. Tapanuli Tengah
Kab. Tapanuli Utara
Kab. Tapanuli Selatan
Kab. Nias
Kab. Langkat
Kab. Karo
Kab. Deli Serdang
Kab. Simalungun
Kab. Asahan
Kab. Labuhan Batu
Kab. Dairi
Kab. Toba Samosir
Kab. Mandailing Natal
Kab. Nias Selatan
Kab. PakPak Bharat
Kab. Humbang
Hasundutan
19
Lampiran 1 Lanjutan
No.
40
41
42
43
44
Id Lokasi
1217
1218
1219
1220
1221
Provinsi
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
45
1222
Sumatera Utara
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
1223
1224
1225
1271
1272
1273
1274
1275
1276
1277
1278
1301
1302
1303
1304
1305
1306
1307
1308
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Utara
Sumatera Barat
Sumatera Barat
Sumatera Barat
Kalimantan Selatan
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
65
1309
Sumatera Barat
66
67
68
69
70
71
72
73
74
75
76
77
1310
1311
1312
1371
1372
1373
1374
1375
1376
1377
1401
1402
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Sumatera Barat
Riau
Riau
Nama Kabupaten
Kab. Samosir
Kab. Serdang Bedagai
Kab. Batubara
Kab. Padang Lawas Utara
Kab. Padang Lawas
Kab. Labuhan Batu
Selatan
Kab. Labuhan Batu Utara
Kab. Nias Utara
Kab. Nias Barat
Kota Medan
Kota Pematang Siantar
Kota Sibolga
Kota Tanjung Balai
Kota Binjai
Kota Tebing Tinggi
Kota Padang Sidimpuan
Kota Gunung Sitoli
Kab. Pesisir Selatan
Kab. Solok
Kab. Sijunjung
Kab. Tanah Datar
Kab. Padang Pariaman
Kab. Agam
Kab. Lima Puluh Kota
Kab. Pasaman
Kab. Kepulauan
Mentawai
Kab. Dharmas Raya
Kab. Solok Selatan
Kab. Pasaman Barat
Kota Padang
Kota Solok
Kota Sawah Lunto
Kota Padang Panjang
Kota Bukit Tinggi
Kota Payakumbuh
Kota Pariaman
Kab. Kampar
Kab. Indragiri Hulu
20
Lampiran 1 Lanjutan
No.
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
Id Lokasi
1403
1404
1405
1406
1407
1408
1409
1410
1471
1472
1501
1502
1503
1504
1505
Provinsi
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Riau
Jambi
Jambi
Jambi
Jambi
Jambi
93
1506
Jambi
94
1507
Jambi
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
1508
1509
1571
1601
1602
1603
1604
1605
1606
1607
1608
1609
1610
1611
1671
1672
1673
1674
1701
1702
1703
Jambi
Jambi
Jambi
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Sumatera Selatan
Bengkulu
Bengkulu
Bengkulu
Nama Kabupaten
Kab. Bengkalis
Kab. Indragiri Hilir
Kab. Pelalawan
Kab. Rokan Hulu
Kab. Rokan Hilir
Kab. Siak
Kab. Kuantan Singingi
Kab. Kepulauan Meranti
Kota Pekanbaru
Kota Dumai
Kab. Kerinci
Kab. Merangin
Kab. Sarolangun
kab. Batang Hari
Kab. Muaro Jambi
Kab. Tanjung Jabung
Barat
Kab. Tanjung Jabung
Timur
Kab. Bungo
Kab. Tebo
Kota Jambi
Kab. Ogan Komering Ulu
Kab. Ogan Komering Ilir
Kab. Muara Enim
Kab. Lahat
Kab. Musi Rawas
Kab. Musi Banyu Asin
Kab. Banyu Asin
Kab. OKU Timur
Kab. OKU Selatan
Kab. Ogan Ilir
Kab. Empat Lawang
Kota Palembang
Kota Pagaralam
Kota Lubuk Linggau
Kota Prabumulih
Kab. Bengkulu Selatan
Kab. Rejang Lebong
Kab. Bengkulu Utara
21
Lampiran 1 Lanjutan
No.
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
Id Lokasi
1704
1705
1706
1707
1708
1709
1771
1801
1802
1803
1804
1805
1806
1807
1808
1809
1810
1811
Provinsi
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Bengkulu
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
Lampung
134
1812
Lampung
135
136
1871
1872
137
1901
138
1902
139
1903
140
1904
141
1905
142
1906
143
1971
144
145
146
147
2101
2102
2103
2104
Lampung
Lampung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Bangka
Belitung
Kepulauan Riau
Kepulauan Riau
Kepulauan Riau
Kepulauan Riau
148
2105
Kepulauan Riau
Nama Kabupaten
Kab. Kaur
Kab. Seluma
Kab. Muko Muko
Kab. Lebong
Kab. Kepahiang
Kab. Bengkulu Tengah
Kota Bengkulu
Kab. Lampung Selatan
Kab. Lampung Tengah
Kab. Lampung Utara
Kab. Lampung Barat
Kab. Tulang Bawang
Kab. Tanggamus
Kab. Lampung Timur
Kab. Way Kanan
Kab. Pesawaran
Kab. Pringsewu
Kab. Mesuji
Kab. Tulang Bawang
Barat
Kota Bandar Lampung
Kota Metro
Kab. Bangka
Kab. Belitung
Kab. Bangka Selatan
Kab. Bangka Tengah
Kab. Bangka Barat
Kab. Belitung Timur
Kota Pangkal Pinang
Kab. Bintan
Kab. Karimun
Kab. Natuna
Kab. Lingga
Kab. Kepulauan
Anambas
22
Lampiran 1 Lanjutan
No.
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
Id Lokasi Provinsi
2171
Kepulauan Riau
2172
Kepulauan Riau
2310
Kepulauan Riau
Daerah Khusus Ibukota
3171
Jakarta
Daerah Khusus Ibukota
3172
Jakarta
Daerah Khusus Ibukota
3173
Jakarta
Daerah Khusus Ibukota
3174
Jakarta
Daerah Khusus Ibukota
3175
Jakarta
3201
Jawa Barat
3202
Jawa Barat
3203
Jawa Barat
3204
Jawa Barat
3205
Jawa Barat
3206
Jawa Barat
3207
Jawa Barat
3208
Jawa Barat
3209
Jawa Barat
3210
Jawa Barat
3211
Jawa Barat
3212
Jawa Barat
3213
Jawa Barat
3214
Jawa Barat
3215
Jawa Barat
3216
Jawa Barat
3217
Jawa Barat
3271
Jawa Barat
3272
Jawa Barat
3273
Jawa Barat
3274
Jawa Barat
3275
Jawa Barat
3276
Jawa Barat
3277
Jawa Barat
3278
Jawa Barat
3279
Jawa Barat
3301
Jawa Tengah
3302
Jawa Tengah
Nama Kabupaten
Kota Batam
Kota Tanjung Pinang
Kab. Kepulauan Riau
Kota Jakarta Pusat
Kota Jakarta Utara
Kota Jakarta Barat
Kota Jakarta Selatan
Kota Jakarta Timur
Kab. Bogor
Kab. Sukabumi
Kab. Cianjur
Kab. Bandung
Kab. Garut
Kab. Tasikmalaya
Kab. Ciamis
Kab. Kuningan
Kab. Cirebon
Kab. Majalengka
Kab. Sumedang
Kab. Indramayu
Kab. Subang
Kab. Purwakarta
Kab. Karawang
Kab. Bekasi
Kab. Bandung Barat
Kota Bogor
Kota Sukabumi
Kota Bandung
Kota Cirebon
Kota Bekasi
Kota Depok
Kota Cimahi
Kota Tasikmalaya
Kota Banjar
Kab. Cilacap
Kab. Banyumas
23
Lampiran 1 Lanjutan
No.
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
Id Lokasi
3303
3304
3305
3306
3307
3308
3309
3310
3311
3312
3313
3314
3315
3316
3317
3318
3319
3320
3321
3322
3323
3324
3325
3326
3327
3328
3329
3371
3372
3373
3374
3375
3376
3400
219
3401
220
3402
221
3403
Provinsi
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Jawa Tengah
Papua
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Nama Kabupaten
Kab. Purbalingga
Kab. Banjarnegara
Kab. Kebumen
Kab. Purworejo
Kab. Wonosobo
Kab. Magelang
Kab. Boyolali
Kab. Klaten
Kab. Sukoharjo
Kab. Wonogiri
Kab. Karanganyar
Kab. Sragen
Kab. Grobogan
Kab. Blora
Kab. Rembang
Kab. Pati
Kab. Kudus
Kab. Jepara
Kab. Demak
Kab. Semarang
Kab. Temanggung
Kab. Kendal
Kab. Batang
Kab. Pekalongan
Kab. Pemalang
Kab. Tegal
Kab. Brebes
Kota Magelang
Kota Surakarta
Kota Salatiga
Kota Semarang
Kota Pekalongan
Kota Tegal
Kab. Yapen Waropen
Kab. Kulon Progo
Kab. Bantul
Kab. Gunung Kidul
24
Lampiran 1 Lanjutan
No.
Id Lokasi
222
3404
223
3471
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
3501
3502
3503
3504
3505
3506
3507
3508
3509
3510
3511
3512
3513
3514
3515
3516
3517
3518
3519
3520
3521
3522
3523
3524
3525
3526
3527
3528
3529
3571
3572
3573
3574
3575
3576
3577
Provinsi
Daerah Istimewa
Yogyakarta
Daerah Istimewa
Yogyakarta
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Jawa Timur
Nama Kabupaten
Kab. Sleman
Kota Yogyakarta
Kab. Pacitan
Kab. Ponorogo
Kab. Trenggalek
Kab. Tulungagung
Kab. Blitar
Kab. Kediri
Kab. Malang
Kab. Lumajang
Kab. Jember
Kab. Banyuwangi
Kab. Bondowoso
Kab. Situbondo
Kab. Probolinggo
Kab. Pasuruan
Kab. Sidoarjo
Kab. Mojokerto
Kab. Jombang
Kab. Nganjuk
Kab. Madiun
Kab. Magetan
Kab. Ngawi
Kab. Bojonegoro
Kab. Tuban
Kab. Lamongan
Kab. Gresik
Kab. Bangkalan
Kab. Sampang
Kab. Pamekasan
Kab. Sumenep
Kota Kediri
Kota Blitar
Kota Malang
Kota Probolinggo
Kota Pasuruan
Kota Mojokerto
Kota Madiun
25
Lampiran 1 Lanjutan
No.
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
Id Lokasi
3578
3579
3601
3602
3603
3604
3671
3672
3673
3674
5101
5102
5103
5104
5105
5106
5107
5108
5171
5201
5202
5203
5204
5205
5206
5207
5208
5271
5272
5301
Provinsi
Jawa Timur
Jawa Timur
Banten
Banten
Banten
Banten
Banten
Banten
Banten
Banten
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Bali
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Barat
Nusa Tenggara Timur
290
5302
Nusa Tenggara Timur
291
292
293
294
295
296
297
298
5303
5304
5305
5306
5307
5308
5309
5310
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Nama Kabupaten
Kota Surabaya
Kota Batu
Kab. Pandeglang
Kab. Lebak
Kab. Tangerang
Kota Serang
Kota Tangerang
Kota Cilegon
Kab. Serang
Kota Tangerang Selatan
Kab. Jembrana
Kab. Tabanan
Kab. Badung
Kab. Gianyar
Kab. Klungkung
Kab. Bangli
Kab. Karang Asem
Kab. Buleleng
Kota Denpasar
Kab. Lombok Barat
Kab. Lombok Tengah
Kab. Lombok Timur
Kab. Sumbawa
Kab. Dompu
Kab. Bima
Kab. Sumbawa Barat
Kab. Lombok Utara
Kota Mataram
Kota Bima
Kab. Kupang
Kab. Timor Tengah
Selatan
Kab. Timor Tengah Utara
Kab. Belu
Kab. Alor
Kab. Flores Timur
Kab. Sikka
Kab. Ende
Kab. Ngada
Kab. Manggarai
26
Lampiran 1 Lanjutan
No.
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
Id Lokasi
5311
5312
5371
6101
6103
6104
6105
6106
6107
6108
6109
6110
6111
6112
6171
61711
6172
Provinsi
Nusa Tenggara Timur
Nusa Tenggara Timur
Nusa Tenggara Timur
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
Kalimantan Barat
316
6201
Kalimantan Tengah
317
6202
Kalimantan Tengah
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
6203
6204
6205
6206
6207
6208
6209
6210
6211
6212
6213
6271
6301
63011
6302
6303
6304
6305
6306
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Tengah
Kalimantan Selatan
Sumatera Barat
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Kalimantan Selatan
Nama Kabupaten
Kab. Sumba Timur
Kab. Sumba Barat
Kota Kupang
Kab. Sambas
Kab. Sanggau
Kab. Ketapang
Kab. Sintang
Kab. Kapuas Hulu
Kab. Bengkayang
Kab. Landak
Kab. Sekadau
Kab. Melawi
Kab. Kayong Utara
Kab. Kubu Raya
Kota Pontianak
Kab. Pontianak
Kota Singkawang
Kab. Kota Waringin
Barat
Kab. Kota Waringin
Timur
Kab. Kapuas
Kab. Barito Selatan
Kab. Barito Utara
Kab. Katingan
Kab. Seruyan
Kab. Sukamara
Kab. Lamandau
Kab. Gunung Mas
Kab. Pulang Pisau
Kab. Murung Raya
Kab. Barito Timur
Kota Palangkaraya
Kab. Tanah Laut
Kab. Tanah Laut
Kab. Kota Baru
Kab. Banjar
Kab. Barito Kuala
Kab. Tapin
Kab. Hulu Sungai Selatan
27
Lampiran 1 Lanjutan
No.
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
Id Lokasi
6307
6308
6309
6310
6311
6371
6372
6