OLAP operations and addition of aggregate functions in the food crops temporal data warehouse in Karo
ABSTRACT
KARINA GUSRIANI. OLAP Operations and Addition of Aggregate Functions in The Food Crops
Temporal Data Warehouse in Karo. Under direction of ANNISA.
Yearly data recorded in an organization would lead to accumulation of the data. Many
organizations now already use data warehouse technology to obtain more structured information.
Data warehouse could help them in making decisions by analyzing historical data, but changes in
the process of recording object data such as split and merge, would complicate search in the data
warehouse. Currently there's already a developed data warehouse with temporal approach to
address issues such as split and merge.
This study improves food crop temporal data warehouse in Karo by adding OLAP operations.
Implementation of OLAP in multidimensional data would make data analysis in the data
warehouse easier for the user. OLAP operations which will be developed in this temporal data
warehouse is slicing, dicing, drill down, and roll up process, and also aggregate functions.
Key words: Temporal Data Warehouse, OLAP Operations, Aggregate Function.
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
KARINA GUSRIANI. OLAP Operations and Addition of Aggregate Functions in The Food Crops
Temporal Data Warehouse in Karo. Under direction of ANNISA.
Yearly data recorded in an organization would lead to accumulation of the data. Many
organizations now already use data warehouse technology to obtain more structured information.
Data warehouse could help them in making decisions by analyzing historical data, but changes in
the process of recording object data such as split and merge, would complicate search in the data
warehouse. Currently there's already a developed data warehouse with temporal approach to
address issues such as split and merge.
This study improves food crop temporal data warehouse in Karo by adding OLAP operations.
Implementation of OLAP in multidimensional data would make data analysis in the data
warehouse easier for the user. OLAP operations which will be developed in this temporal data
warehouse is slicing, dicing, drill down, and roll up process, and also aggregate functions.
Key words: Temporal Data Warehouse, OLAP Operations, Aggregate Function.
Judul
Nama
NIM
: Penambahan Operasi OLAP dan Fungsi Agregat pada Temporal Data Warehouse
Tanaman Pangan Kabupaten Karo
: Karina Gusriani
: G64052349
Menyetujui:
Pembimbing
Annisa, S.Kom., M.Kom.
NIP. 197907312005012
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 14 Agustus 1987, sebagai anak kedua
dari dua bersaudara pasangan Bapak Muchtar Thoyib dan Ibu Endang Yusmariah. Pada tahun
2005, penulis lulus dari SMA Negeri 3 Bogor dan pada tahun yang sama penulis diterima menjadi
mahasiswa Institut Pertanian Bogor melalui jalur SPMB (Seleksi Penerimaan Mahasiswa Baru).
Pada tahun 2006, berdasarkan hasil seleksi Mayor Minor, penulis diterima di Departemen Ilmu
Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB) yang merupakan
departemen pilihan pertama penulis. Selain itu, untuk melengkapi kompetensi, penulis memilih
minor Pengembangan Masyarakat pada Departemen Komunikasi dan Pengembangan Masyarakat
Fakultas Ekologi Manusia IPB (FEMA IPB).
Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi
Himalkom FMIPA IPB periode 2006/2007 sebagai anggota komunitas Database. Pada tahun 2008
penulis melaksanakan kegiatan Praktik Kerja Lapangan di Balai Besar Industri Agro Bogor. Pada
tahun 2008, penulis mendapatkan beasiswa Bantuan Belajar Mahasiswa (BBM) dari DIKTI.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur yang sedalam-dalamnya penulis panjatkan
kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir
yang berjudul Penambahan Operasi OLAP dan Fungsi Agregat pada Temporal Data Warehouse
Tanaman Pangan Kabupaten Karo dapat diselesaikan.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Kedua orang tua, Ibu dan Bapak, Kakak tercinta, Kartika Muchtar yang selalu memberikan
do‟a, semangat, nasehat serta dukungan untuk penulis,
2. Ibu Annisa, S.Kom.,M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan
bimbingan, kesabaran, perhatian dan waktunya kepada penulis dalam menyelesaikan skripsi
ini,
3. Dosen-dosen Departemen Ilmu Komputer IPB yang telah begitu mulia membagi ilmunya
kepada penulis, terutama Pak Hari Agung dan Pak Firman sebagai penguji, dan Ibu Sri
Nurdiati sebagai penasehat terbaik,
4. Mirna, Mega, Agnes, Tsamrul, dan Kurni sebagai teman-teman satu bimbingan yang selalu
memberikan masukan, saran dan semangat kepada penulis,
5. Venerate Zone, Vera Yunita, Yuni Arti, Sri Danuriati, Zissalwa Hafsari, Ninon NF dan semua
anak-anak kost Harmony, Wisma Cantik, RZ atas dukungan dan semangat yang telah
diberikan,
6. Teman-teman seperjuangan di Ilkomerz 42 IPB. Annisa, Chika, Ida, Elen, Indah, Siti, Banio,
Dika, Anindra, Akhyar, Dani dan semua teman-teman yang selalu memberi keceriaan,
7. Kakak-kakak angkatan yang telah bersedia berbagi ilmu, terutama Kak Jefry, Mba Ayu, Kak
Iwan,
8. Teman-teman yang selalu dekat di hati, Adi Adrian, Erdiansyah, Bang Ragil, Deasy, Shintana,
Ratna, Uti, Mena, Lili, Monik, Anggi, Cipie, Icha.
9. Para staf di Departemen Ilmu Komputer IPB.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi
ini dapat memberikan manfaat bagi siapapun yang membaca.
Bogor, Agustus 2009
Karina Gusriani
DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................................................... v
DAFTAR GAMBAR ....................................................................................................................... v
DAFTAR LAMPIRAN .................................................................................................................... v
PENDAHULUAN ........................................................................................................................... 1
Latar belakang ............................................................................................................................ 1
Tujuan ........................................................................................................................................ 1
Ruang Lingkup ........................................................................................................................... 1
TINJAUAN PUSTAKA ................................................................................................................... 1
Temporal Data Warehouse ......................................................................................................... 1
Versi Struktur ............................................................................................................................. 1
Transformation Function ............................................................................................................ 2
OLAP (On-Line Analytical Processing) ...................................................................................... 2
Operasi-Operasi pada OLAP ....................................................................................................... 3
Model Data Multidimensi ........................................................................................................... 4
Data Level .................................................................................................................................. 4
Arsitektur Data Warehouse ........................................................................................................ 5
METODE PENELITIAN ................................................................................................................. 5
Analisis Data .............................................................................................................................. 5
Pembuatan Data warehouse ........................................................................................................ 5
Penambahan Operasi OLAP ....................................................................................................... 5
Penambahan Fungsi Agregat ....................................................................................................... 5
Uji Query ................................................................................................................................... 6
Lingkup Pengembangan ............................................................................................................. 6
HASIL DAN PEMBAHASAN ........................................................................................................ 6
Analisis Data .............................................................................................................................. 6
Pemuatan Data ........................................................................................................................... 7
Penambahan Operasi OLAP ....................................................................................................... 8
Penambahan Fungsi Agregat ..................................................................................................... 10
Analisis Visual dari Cross-tabulation dan Grafik ..................................................................... 10
KESIMPULAN DAN SARAN ...................................................................................................... 11
Kesimpulan .............................................................................................................................. 11
Saran ........................................................................................................................................ 11
DAFTAR PUSTAKA .................................................................................................................... 11
iv
DAFTAR TABEL
Halaman
1 Jumlah bunga yang memiliki bagian kombinasi antara lebar daun bunga, panjang daun bunga,
dan tipe spesies ........................................................................................................................... 3
2 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Setosa. ....................................................................................................................................... 3
3 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Versicolor .................................................................................................................................. 3
4 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Virginica .................................................................................................................................... 3
5 Cross-tabulation untuk operasi dicing pada spesies Virginica dengan panjang daun bunga
„high‟ .......................................................................................................................................... 4
6 Pembagian versi struktur berdasarkan perubahan yang terjadi. ...................................................... 7
7 Dimensi dan elemen dimensi pada setiap cube. ............................................................................ 8
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Dimensi divisi sales .................................................................................................................... 2
Empat level data ......................................................................................................................... 4
Arsitektur three-tier (Han and Kamber 2006) ............................................................................... 5
Ilustrasi arsitektur penelitian ........................................................................................................ 5
Diagram alir metode penelitian ................................................................................................... 6
Skema bintang untuk temporal data warehouse tanaman pangan .................................................. 6
Hirarki pada versi struktur tahun 2003 (StructureVersion1) ......................................................... 7
Hirarki pada versi struktur tahun 2004-2005 (StructureVersion2) ............................................... 7
Hirarki pada versi struktur tahun 2006-2007 (StructureVersion3) ................................................ 7
Hasil query total produksi padi pada tahun 2003 hingga 2007 ...................................................... 9
Hasil operasi drill down pada penelitian Malau (2009) ................................................................. 9
Hasil operasi drill down setelah ditambah fungsi transformasi data atomik ................................... 9
Hasil operasi drill down pada dimensi waktu................................................................................ 9
Contoh operasi slicing ............................................................................................................... 10
Contoh operasi dicing ................................................................................................................ 10
Hasil query untuk fungsi agregat min, max, dan average ............................................................ 10
Cross-tabulation dan grafik batang untuk perkembangan produksi padi dan jagung pada tahun
2003 hingga 2007 di Kabupaten Karo ........................................................................................ 10
DAFTAR LAMPIRAN
Halaman
1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan pada
dimensi waktu dan wilayah. Measure yang ditampilkan adalah luas tanam dalam satuan Ha ...... 13
2 Visualisasi 3-D luas panen untuk semua wilayah berdasarkan pada dimensi waktu, komoditas
pangan, dan wilayah. Measure yang ditampilkan adalah luas panen dalam satuan Ha ................. 14
v
PENDAHULUAN
Latar Belakang
Analisis data historis dan pengolahan data
multidimensi bukan merupakan hal yang baru
untuk mendukung suatu pengambilan
keputusan. Namun perubahan objek data yang
dicatat, membuat analisis data historis dan
penelusuran terhadap data menjadi sulit untuk
dilakukan. Misalnya, pada tahun 2003, objek
yang dicatat oleh perusahaan adalah produksi
padi dan jagung, sementara itu pada tahun
2004, objek yang dicatat oleh perusahaan
adalah produksi padi sawah, padi gogo,
jagung komposit dan jagung hybrida. Oleh
karena itu, jika pengguna ingin mengetahui
total produksi padi dari tahun 2003 hingga
2004, maka akan sulit memperoleh informasi
total produksi padi, karena perubahan atribut
yang dicatat tersebut. Untuk itu, teknologi
data warehouse saat ini sudah dikembangkan
dengan melakukan pendekatan secara
temporal atau data warehouse berorientasi
waktu untuk menangani perubahan objek.
Penelitian mengenai temporal data
warehouse sudah pernah dilakukan oleh Eder
(2001).
Penelitian
tersebut
memberi
penjelasan mengenai model untuk temporal
data warehouse bagi penelitian selanjutnya.
Selanjutnya, penelitian Eder (2001) tersebut
coba diterapkan oleh Malau (2009) untuk data
tanaman pangan dan hortikultura di
Kabupaten Karo. Penelitian lanjutan tersebut
telah mampu menangani masalah split dan
merge serta fungsi agregat sum.
Namun ada beberapa kekurangan dari
temporal data warehouse yang dilakukan oleh
Malau (2009) tersebut, yaitu belum dapat
mendukung operasi OLAP seperti slicing,
dicing, drill down, dan roll up. Oleh karena
itu, sebagai pelengkap dari temporal data
warehouse yang sudah dibuat, diperlukan
penambahan operasi OLAP seperti slicing,
dicing, drill down, roll up serta fungsi agregat
seperti min, max, dan average agar menjadi
temporal data warehouse yang lebih baik.
Tujuan
Merancang dan membangun suatu model
temporal data warehouse yang memiliki fitur
operasi dasar data warehouse yaitu roll up,
drill down, slicing, dan dicing serta fungsi
agregat seperti min, max, dan average.
Ruang Lingkup
Penelitian ini difokuskan pada operasi
dasar data warehouse yaitu slicing, dicing,
roll up, drill down, dan penggunaan fungsi
agregasi summary, max, min, dan average
pada data tanaman pangan terutama padi dan
jagung.
TINJAUAN PUSTAKA
Temporal Data Warehouse
Temporal data warehouse merupakan
suatu perbaikan dari teknologi data
warehouse dengan melakukan pendekatan
temporal, sehingga mampu menangani operasi
dasar data warehouse seperti roll up, drill
down, slicing dan dicing serta operasi-operasi
yang kompleks seperti split (pembagian) dan
merge (penggabungan). Temporal data
warehouse menitikberatkan pada fungsi
transformasi yang berasal dari versi struktur
(Eder et al 2001). Contoh permasalahan yang
tidak dapat ditangani oleh data warehouse
biasa, misalnya diketahui sebuah divisi A
mengalami pembagian divisi yaitu divisi A1
dan divisi A2 pada bulan Maret tahun 2000,
jika ingin diketahui perkembangan divisi A,
maka tanpa pendekatan temporal data
warehouse tersebut tidak akan mampu
memberikan informasi mengenai seluruh
perkembangan divisi A. Informasi yang
diperoleh oleh pengguna mengenai divisi A
hanya sampai pada bulan Februari 2000,
sebelum divisi A mengalami perubahan
struktur. Namun demikian, apabila data
warehouse tersebut telah menggunakan
pendekatan
temporal,
maka
akan
diperlihatkan
seluruh
data
melalui
penelusuran structure version yang didukung
fungsi transformasi. Dengan demikian,
operasi split (pembagian) dan merge
(penggabungan) yang terjadi pada divisi A
dapat diketahui dan query pengguna mengenai
seluruh data divisi A dapat dipenuhi.
Versi Struktur
Versi struktur merepresentasikan sudut
pandang pada temporal data warehouse yang
menangani struktur valid untuk interval waktu
[Ts,Te]. Modifikasi anggota dimensi atau
relasi hirarki memastikan berada pada suatu
versi struktur. Jika interval waktu tertentu
tidak ada berada dalam suatu versi struktur
maka diperlukan suatu versi struktur baru
yang dapat memastikan interval waktu
tersebut dapat tertangani (Eder et al 2001).
Secara umum structure version (SV)
terdiri atas empat tuple dengan format
dimana SVid adalah unique identifier, T
merepresentasikan waktu yang valid dari
1
structure version dengan selang waktu [Ts,
Te], Ts adalah start time atau waktu awal, dan
Te adalah end time atau waktu akhir. DMDi, SVid adalah himpunan dari semua anggotaanggota dimensi, dimana merupakan bagian
dari dimensi Di dan valid untuk waktu P
dengan Ts ≤ P ≤ Te. DMF,SVid adalah himpunan
dari seluruh fakta-fakta yang valid pada waktu
P dengan Ts ≤ P ≤ Te, HSvid adalah himpunan
dari penambahan hirarki yang valid pada
waktu P dengan Ts ≤ P ≤ Te.
Ilustrasi untuk structure version (SV)
seperti diperlihatkan pada Gambar 1,
mengenai dimensi divisi untuk penjualan
(sales) yang disertai interval (selang) waktu
(Eder et al 2001):
Divisions
, ∞>
Div. A
, ∞>
SubDiv.D
, ∞>
Divisions
Div. B
, ∞>
Div. C
, ∞>
SubDiv.E
, ∞>
Gambar 1 Dimensi divisi sales.
Pada Gambar 1 terlihat bahwa SubDiv.D
telah dimodifikasi pada waktu M4, SubDiv.
yang baru yaitu SubDiv.E dimasukkan pada
saat waktu M4, Div.C merupakan subdivisi
dari Div.B pada waktu M1 sampai M3 (pada
gambar ditandai dengan garis putus-putus).
Berdasarkan Gambar 1, diperoleh beberapa
structure version (SV), yaitu:
1.
2.
Structure version yang diperoleh ada dua
yaitu SV1 dan SV2. SV1 dan seluruh anggotaanggota dimensi (Divisions, Div.A, Div.B,…)
dan penambahan hirarki (Div.A →
Divisions,…) valid pada saat M1 ke M3,
sedangkan untuk SV2 valid pada saat M4
sampai dengan waktu yang belum ditentukan.
Transformation Function (TF)
Transformation function dalam temporal
data warehouse dinamakan dengan MapF
(Mapping Function) dan menggunakan
operasi dasar penjumlahan (sum). Misalnya
suatu divisi A mengalami split pada bulan
Maret tahun 2000 menjadi divisi A1 dan A2.
Jika kita ingin menganalisis semua bulan pada
tahun 2000 untuk divisi A, perusahaan hanya
memiliki data untuk bulan Januari dan
Februari, dimana untuk bulan Maret ke depan,
perusahaan memiliki data untuk divisi A1 dan
A2. Contoh jika ingin merepresentasikan
omset dari divisi A1 untuk periode sebelum
Maret tahun 2000 maka sebagai fungsi omset
(A1, periode) = 30% dari omset (A, periode).
Contoh lainnya, jika kita ingin mengetahui
seluruh periode pada bulan Maret ke depan
pada tahun 2000, maka jumlah dari karyawan
M# dari divisi A terkait dengan fungsi M# (A,
periode) = M# (A1, periode) + M# (A2,
periode). Fungsi inilah yang disebut
transformation function (MapF) dan untuk
operasi yang digunakan adalah operasi sum
(Eder et al 2001).
Pada data tanaman pangan, operasi MapF
akan digunakan untuk data jumlah produksi,
luas tanam dan luas panen dari tanaman
pangan, padi dan jagung. Misalnya, pada
tahun 2003, padi yang ditanam berasal dari
satu varietas saja (A), untuk itu pencatatan
total padi untuk semua kecamatan dapat
dikumulatifkan. Namun, pada tahun 2004,
terdapat 2 varietas padi yaitu B dan C yang
ditanam pada beberapa kecamatan. Dengan
demikian, apabila pengguna ingin mengetahui
hasil padi pada 2003 hingga 2004, sistem
tidak akan mampu menjawab query tersebut.
Pada kasus ini, jika struktur pencatatan padi
tidak berubah, maka sistem tidak akan mampu
menjawab query tentang berapa hasil produksi
padi jenis A, B, atau C, karena pencatatan
sebelumnya tidak membedakan jenis padi.
Untuk itu diperlukan sebuah struktur baru dan
bentuk MapF yang sesuai bagi struktur
tersebut sehingga dapat menjawab query
mengenai berapa hasil produksi padi di tahun
2003 hingga 2004 di setiap kecamatan.
OLAP ( On-Line Analytical Processing)
OLAP adalah sistem yang memfokuskan
pada interaktif analisis data dan biasanya
memiliki
kemampuan
luas
mengenai
visualisasi data dan membangkitkan ringkasan
statistika. Karena alasan ini, pendekatan
analisis multidimensional data didasarkan
2
pada terminologi dan konsep OLAP ( Tan et
al 2006).
Data yang biasanya ditampilkan oleh
OLAP adalah fungsi agregasi seperti
summary, max, min, dan average. OLAP
menyediakan
proses
kalkulasi
dan
perbandingan data serta dapat menampilkan
hasil dalam bentuk tabel dan grafik.
Operasi-Operasi pada OLAP
Operasi-operasi OLAP adalah sebagai berikut
(Han dan Kamber 2006):
-
Petal length
Petal
width
Species type
Count
high
high
Versicolour
2
high
high
Virginica
Operasi slicing yang dilakukan pada data
di Tabel 1 digambarkan pada Tabel 2, Tabel
3, dan Tabel 4 sebagai berikut.
Tabel 2 Cross-tabulation dari bunga yang
berdasarkan panjang dan lebar daun bunga
untuk tipe spesies Setosa.
Slicing
Width
Slicing
adalah
proses
melakukan
pemilihan satu dimensi dari suatu kubus data
sehingga menghasilkan subcube.
-
Length
Dicing
Dicing adalah proses melakukan pemilihan
dua atau lebih dimensi dari suatu kubus data
sehingga menghasilkan subcube.
-
Roll up
Operasi roll up dilakukan pada kubus data
dengan cara menaikkan tingkat suatu hirarki.
Pada saat roll up dilakukan, maka jumlah
dimensi akan berkurang. Contohnya, operasi
roll up yang dilakukan pada kubus data di
tingkat kecamatan menjadi tingkat kabupaten.
-
44
medium
High
low
medium
46
2
2
0
0
0
high
0
0
0
Tabel 3 Cross-tabulation dari bunga
berdasarkan pada panjang dan lebar daun
bunga untuk spesies Versicolour.
Width
Length
Drill down
Drill down adalah operasi yang
berkebalikan dengan roll up. Operasi ini
merepresentasikan kubus data dengan lebih
terperinci.
low
low
medium
high
low
0
0
0
medium
high
0
0
43
2
3
2
Tabel 4
Cross-tabulation dari bunga
berdasarkan pada panjang dan lebar daun
bunga untuk spesies Virginica.
Ilustrasi mengenai operasi slicing dan
dicing dapat dilihat pada Tabel 1 berikut ini
(Tan et al 2006).
Tabel 1 Jumlah bunga yang memiliki bagian
kombinasi antara lebar daun bunga, panjang
daun bunga, dan tipe spesies.
Petal length
Petal
width
Species type
Low
Low
Setosa
46
Low
Medium
Setosa
2
Medium
Low
Setosa
2
Medium
Medium
Versicolour
43
Medium
High
Versicolour
3
Medium
High
Virginica
3
High
Medium
Versicolour
2
High
Medium
Virginica
3
Count
Width
Length
low
medium
high
low
medium
0
0
0
0
0
3
high
0
3
44
Berdasarkan pada Tabel 2, Tabel 3, dan
Tabel 4 telah dihasilkan tiga slice dari operasi
slicing yang telah dilakukan pada data iris
yang diperoleh dari tiga nilai terpisah untuk
dimensi spesies. Di sisi lain, hasil dari operasi
dicing merupakan suatu subset dari ketiga
tabel tersebut dengan memilih ukuran panjang
daun bunga atau lebar daun bunga. Misalnya
dicing yang dilakukan untuk spesies Virginica
dengan panjang daun bunga „high‟.
3
Tabel 5 Cross-tabulation untuk operasi dicing
pada spesies Virginica dengan panjang
daun bunga „high‟.
Query
Data ringkasan
Data atomik
Width
Length
high
low
medium
high
0
3
44
Data operasional
Gambar 2 Empat level data.
1. Data operasional
-
Pivoting
Pivoting merupakan suatu kemampuan
OLAP yang dapat melihat data dari berbagai
sudut pandang (view point). Kita dapat
mengatur sumbu pada cube sehingga
memperoleh data yang diinginkan sesuai
dengan sudut pandang analisis yang
diperlukan.
Model Data Multidimensi
Model data multidimensi adalah model
data yang digunakan pada data warehouse.
Model data multidimensi terdiri atas dua data
yaitu (Mallach 2000 dalam Kusumaningtias
2007) :
-
Data dimensi
Data dimensi adalah entitas yang ingin
disimpan oleh perusahaan (organisasi). Data
dimensi akan berubah jika analisis kebutuhan
pengguna
berubah.
Data
dimensi
mendefinisikan label yang membentuk isi
laporan. Setiap dimensi diulang untuk setiap
kelompok. Atribut data dimensi diletakkan
pada tabel dimensi. Tabel dimensi berukuran
lebih kecil daripada tabel fakta, berisi data
bukan numerik yang berasosiasi dengan
atribut dimensi.
-
Data fakta
Data fakta adalah data utama dari data
multidimensi yang merupakan kuantitas yang
ingin
diketahui
dengan
menganalisis
hubungan antar dimensi. Data fakta diekstrak
dari berbagai sumber. Data fakta cenderung
stabil dan tidak berubah seiring waktu. Atribut
data fakta diletakkan pada tabel fakta.
Data Level
Lingkungan data warehouse terdiri atas 4
tingkatan data, dapat dilihat pada Gambar 2
(Mallach 2000) berikut ini.
Data yang berada di data warehouse
berasal dari database operasional perusahaan.
Data warehouse tidak akan berjalan tanpa
data operasional. Contoh, hari ini saya
menabung Rp. 150.000.
2. Data atomik
Data atomik terdiri atas data barang itu
sendiri. Data atomik merupakan tingkat data
terendah dari data dalam data warehouse.
Semua fungsi data warehouse dimulai dengan
data atomik atau dengan data yang berasal
dari data atomik. Data atomik sesuai untuk
data transaksi dengan penambahan dimensi
waktu. Tingkat ini merupakan data yang
dimasukkan ke dalam database data
warehouse
dari
database
operasional
perusahaan. Contoh, saldo tabungan pada
bulan Agustus adalah Rp. 240.000.
3. Data ringkasan data warehouse
Para analis memerlukan pengetahuan yang
cukup mengenai kegunaan data warehouse.
Ringkasan suatu data akan diperlukan pada
proses analisis sehingga ringkasan tersebut
akan digunakan secara berulang. Contoh, pada
akhir bulan Agustus perusahaan memiliki
pelanggan sebanyak 1487 yang berada di kode
pos 16610-16180.
4. Data yang dapat menjawab pertanyaan
yang spesifik
Tingkat ini biasanya dibuat sebagai
kebutuhan dan disimpan hanya sampai
pengguna yang meminta itu selesai
menggunakan data tersebut. Jika pengguna
ingin menyimpan itu,
microcomputer
pengguna tersebut biasanya memiliki fasilitas
untuk menyimpan data tersebut. Data
warehouse sendiri tidak mementingkan proses
penyimpanan tersebut. Contoh, pelanggan
yang berada dalam kode pos 16610-16180
memiliki pertumbuhan sebesar 3.95 persen
selama tiga bulan dari Juni hingga Agustus.
4
Arsitektur Data Warehouse
Arsitektur data warehouse yang umum
digunakan adalah arsitektur three-tier.
Arsitektur ini memiliki tiga lapisan yaitu
lapisan bawah, lapisan tengah, dan lapisan
atas (Han & Kamber 2006). Ilustrasi arsitektur
three-tier dapat lihat pada Gambar 3.
Gambar 4 menjelaskan bahwa lapisan bawah
dari arsitektur temporal data warehouse ini
adalah data warehouse yang direpresentasikan
dengan model dimensi, yaitu skema bintang.
Lapisan tengah dari arsitektur temporal data
warehouse adalah penyimpanan struktur
kubus data yang dilakukan oleh tools Palo
server. Lapisan atas dari arsitektur temporal
data warehouse ini berupa aplikasi untuk enduser, aplikasi yang digunakan adalah
Microsoft Office Excel.
METODE PENELITIAN
Data yang digunakan pada penelitian ini
adalah data tanaman pangan yang berupa padi
dan jagung di Kabupaten Karo dari tahun
2003 hingga tahun 2007 pada ruang lingkup
jumlah produksi, luas tanam dan luas panen.
Data diperoleh dari Dinas Pertanian,
Peternakan, Perikanan dan Perkebunan
Kabupaten Karo.
Analisis Data
Gambar 3 Arsitektur three-tier (Han and
Kamber 2006).
Penelitian ini mengacu pada arsitektur
data warehouse three-tier, tiga lapisan
tersebut adalah:
1. Lapisan bawah (bottom tier)
Lapisan bawah merupakan tempat
pengolahan sumber data warehouse yang
bertujuan agar data tersebut dapat digunakan
dengan baik.
2. Lapisan tengah (middle tier)
Lapisan tengah merupakan OLAP server
yang berfungsi menyimpan struktur dari
kubus data.
3. Lapisan atas (top tier)
Lapisan atas adalah lapisan untuk end-user
yang berisi query dan menampilkan informasi
atau ringkasan. Query yang diuji pada
penelitian ini dilakukan di Palo Add-in Win32
3.0 yang terintegrasi dengan Microsoft Office
Excel.
Arsitektur
data
warehouse
dalam
penelitian ini dapat diilustrasikan pada
Gambar 4 berikut.
Data tanaman pangan yang telah diperoleh
selanjutnya dianalisis untuk mendapatkan
atribut-atribut yang tepat dalam pembuatan
temporal data warehouse. Hasil analisis ini
digunakan untuk menentukan dimensi, fakta,
dan skema yang tepat untuk model data
multidimensi.
Pembuatan Data warehouse
Setelah dilakukan analisis data, dilakukan
proses pembuatan data warehouse. Input data
dilakukan berdasarkan skema yang telah
dirancang. Data yang dimasukkan berdasarkan
pada versi struktur yang terbentuk.
Penambahan Operasi OLAP
Pada tahap ini, dilakukan penambahan
operasi dasar OLAP seperti slicing, dicing,
roll up, dan drill down. Proses ini dilakukan
dengan menransformasikan lower level dari
setiap dimensi.
Penambahan Fungsi Agregat
Fungsi agregat yang ditambahkan pada
temporal data warehouse ini adalah min, max,
dan average. Fungsi agregat tersebut
merupakan suatu measure untuk melihat
informasi nilai minimum, nilai maksimum,
dan rata-rata produksi dari setiap kecamatan
setiap tahunnya.
Gambar 4 Ilustrasi arsitektur penelitian
5
Uji Query
-
Keyboard dan mouse
Uji query adalah tahap untuk menguji
temporal data warehouse apakah telah sesuai
dengan kebutuhan dan berfungsi dengan baik
serta memeriksa apakah operasi dasar data
warehouse dan fungsi agregat berhasil
diterapkan tanpa mengubah versi struktur dan
fungsi transformasi. Pengujian dilakukan
dengan kubus data yang divisualisasikan
dengan tools OLAP pada Palo.
-
Monitor LCD 14‟ dengan resolusi 1280
x 800
Metode penelitian dapat digambarkan
dengan visualisasi diagram alir pada Gambar
5.
Studi pustaka
Analisis data
Versi struktur
dan fungsi
transformasi
Pemuatan data
Implementasi
operasi OLAP
Implementasi fungsi tidak
agregat
Perangkat lunak :
-
Sistem operasi Windows 7 RC 1
-
Microsoft Office 2007 SP 1
-
Palo add-in Win32 3.0
HASIL DAN PEMBAHASAN
Analisis Data
Data yang digunakan pada penelitian ini
adalah data tanaman pangan dan hortikultura
pada tahun 2003 sampai tahun 2007. Atribut
yang terdapat pada data sumber adalah data
kecamatan, waktu, dan jenis tanaman pangan.
Fakta yang terkait dengan tanaman pangan
meliputi luas tanam, luas panen,dan produksi.
Kabupaten Karo memiliki 13 kecamatan
yaitu Barusjahe, Tigapanah, Kabanjahe,
Simpang IV, Payung, Munte, Tigabinanga,
Juhar, Kutabuluh, Mardingding, Berastagi,
Merek, Lau Baleng. Elemen waktu yang
dimiliki adalah tahun 2003, 2004, 2005, 2006,
dan 2007. Jenis tanaman pangan yang
dianalisis adalah tanaman padi dan jagung.
Pembuatan temporal data warehouse ini
bertujuan untuk mengatasi permasalahan
sulitnya menganalisis data apabila terjadi
perubahan objek pada data tersebut.
Berdasarkan atribut yang terdapat pada
sumber data, dihasilkan tiga tabel dimensi
yaitu dimensi waktu, dimensi lokasi, dan
dimensi komoditas, serta satu tabel fakta.
Ilustrasi data multidimensi dari atribut yang
telah diketahui dapat dilihat pada Gambar 6.
Berhasil ?
ya
Temporal data
warehouse
Gambar 5 Diagram alir metode penelitian.
Lingkup Pengembangan
Temporal
data
warehouse
ini
menggunakan perangkat keras dan perangkat
lunak dengan spesifikasi sebagai berikut :
Perangkat keras :
-
Processor Intel Core 2 Duo 1.83 GHz
-
RAM 2GB DDR2
-
HDD 160 GB
Gambar 6 Skema bintang untuk temporal data
warehouse tanaman pangan.
Atribut target yang akan dianalisis pada
temporal data warehouse ini adalah luas
tanam, luas panen, jumlah produksi,
6
minimum, maksimum dan rata-rata untuk nilai
luas tanam, luas panen, serta jumlah produksi.
Konseptual model data multidimensional
merupakan
bagian
inti
dari
proses
perancangan dan pemeliharaan yang berisi
gabungan dari semua kebutuhan pengguna
tapi belum tentu bagian dari kelengkapan
implementasi. Semua model data yang terjadi
selanjutnya dalam proses perancangan
merupakan perbaikan dari model konseptual
(Blaschka 1999).
Perubahan struktur yang terjadi pada data
yang digunakan dalam penelitian ini
diantaranya adalah pada tahun 2003 diketahui
jumlah produksi, luas tanam, dan luas panen
dari komoditas padi dan jagung. Lalu pada
tahun 2004 hingga 2005, data jagung dan data
padi mengalami split (pemecahan) yaitu data
padi terdiri dari data padi gogo dan padi
sawah serta data jagung terdiri dari data
jagung hybrida dan jagung komposit.
Selanjutnya pada tahun 2006 hingga 2007
data padi dan jagung yang telah mengalami
split
tersebut
mengalami
merge
(penggabungan) sehingga data padi dan
jagung mengalami versi struktur yang sama
pada tahun 2003. Ilustrasi dari versi struktur
yang terjadi pada data tersebut dapat dilihat
pada Gambar 7, Gambar 8, dan Gambar 9.
Berdasarkan Gambar 5, Gambar 6, dan
Gambar 7 diperoleh tiga versi struktur yaitu
versi struktur 1 dengan interval waktu 2003,
data dimensi komoditas yang valid pada versi
struktur 1 adalah padi dan jagung. Versi
struktur 2 dengan interval waktu 2004 hingga
2005, data dimensi komoditas yang valid
adalah padi sawah, padi gogo, jagung hybrida,
dan jagung komposit. Versi struktur 3 dengan
interval waktu 2006 hingga 2007, data
dimensi komoditas yang valid adalah padi dan
jagung. Penjelasan lebih jelas dapat dilihat
pada Tabel 6 berikut ini.
Tabel 6 Pembagian versi struktur berdasarkan
perubahan yang terjadi.
Versi Struktur
Jenis Perubahan
Versi Struktur 1
Padi
dan
Jagung
mengalami perubahan.
tidak
Versi Struktur 2
Padi dibagi menjadi 2 bagian
yaitu padi sawah dan padi gogo.
Jagung
juga
mengalami
perubahan yaitu dibagi menjadi
2 bagian yaitu jagung hybrida
dan jagung komposit.
Versi Stuktur 3
Padi dan
kembali.
Jagung
digabung
Tanaman pangan
2003
2003
padi
Pemuatan Data
jagung
Gambar 7 Hirarki pada versi struktur tahun
2003 (StructureVersion1).
Tanaman pangan
2003
2003
padi
2004,2005
Padi sawah
jagung
2004, 2005
2004, 2005
2004, 2005
Jagung
hybrid
Padi gogo
Jagung
komposit
Gambar 8 Hirarki pada versi struktur tahun
2004-2005 (StructureVersion2).
Tanaman pangan
2006, 2007
padi
2006, 2007
jagung
Gambar 9 Hirarki pada versi struktur tahun
2006-2007 (StructureVersion3).
Versi struktur adalah sudut pandang dalam
temporal data warehouse valid untuk
mengetahui periode waktu [Ts, Te]. Semua
anggota dimensi dan semua hubungan hirarki
serta struktur multidimensional harus valid
pada setiap waktu interval. Dengan kata lain,
dalam satu versi struktur tidak boleh ada versi
berbeda dari anggota dimensi dan hubungan
hirarki. Dan setiap modifikasi dari anggota
dimensi atau hubungan hirarki pasti akan
menjadi versi struktur yang baru, jika struktur
versi untuk waktu interval yang ada belum
terpenuhi (Eder et al 2001).
Berdasarkan pada penjelasan di atas, maka
untuk versi struktur 1, versi struktur 2, dan
versi struktur 3 dibuat cube yang berbeda,
secara
berurutan
diberi
nama
StructureVersion1, StructureVersion2, dan
StructureVersion3. Setiap cube tersusun atas
tiga tabel dimensi dan satu tabel fakta. Dalam
implementasi, Palo tidak membedakan antara
measure dan dimensi. Atribut target yang ada
seperti luas tanam, luas panen dan jumlah
7
produksi dibuat dalam dimensi yang bernama
measure. Dimensi dan elemen dimensi dari
setiap cube dapat dilihat pada Tabel 7.
Tabel 7 Dimensi dan elemen dimensi pada
setiap cube
Versi struktur
Dimensi
Elemen dimensi
StructureVersion1
Waktu
2003
Lokasi
All
Kecamatan
Komoditas
All
Padi
Jagung
Measure
Produksi
Luas tanam
Luas panen
StructureVersion2
Waktu
2004
2005
Lokasi
All
Kecamatan
Komoditas
All
Padi sawah
Padi gogo
Jagung hybrida
Jagung komposit
Measure
Produksi
Luas tanam
Luas panen
StructureVersion3
Waktu
2006
2007
Lokasi
All
Kecamatan
Komoditas
All
Padi
Jagung
Measure
diinginkan yang berasal dari cube atau versi
struktur yang berbeda, diperlukan fungsi
transformasi yang dapat memetakan data dari
satu versi struktur ke versi struktur yang lain.
Palo mendukung terbentuknya suatu fungsi
transformasi dengan membentuk serangkaian
rule. Rule tersebut disimpan didalam suatu
cube. Cube tersebut diberi nama cube query.
Cube query merupakan cube yang dapat
menangani beberapa query yang berkaitan
dengan penggunaan versi struktur dan fungsi
transformasi. Cube query memiliki dimensi
yang sama dengan dimensi versi struktur yang
lain yaitu dimensi lokasi, dimensi waktu,
dimensi komoditas, dan dimensi measure.
Data dimensi komoditas yang berada dalam
cube query adalah tanaman padi dan jagung
tanpa dibedakan berdasarkan jenis.
Produksi
Luas tanam
Luas panen
Setelah dilakukan pembuatan cube dari
setiap versi struktur, selanjutnya dilakukan
pemuatan data. Pemuatan data merupakan
proses pemindahan data dari spreadsheet
excel ke cube yang dibuat di tools Palo.
Untuk menjawab query pada data
warehouse, pengguna harus menentukan versi
struktur mana yang harus digunakan. Oleh
karena itu, apabila pengguna ingin melihat
data yang berasal dari dua versi struktur yang
berbeda, pengguna harus melihat data dengan
menggunakan dua cube. Untuk memudahkan
pengguna agar mendapatkan data yang
Konsep hirarki yang ada pada cube query
misalnya, untuk dimensi waktu terdapat
elemen dimensi 20032007 yang merupakan
upper level dari tahun 2003, 2004, 2005,
2006, 2007. Konsep hirarki pada dimensi
lokasi adalah All sebagai upper level untuk
lower level kecamatan. Konsep hirarki pada
dimensi komoditas adalah All sebagai upper
level untuk padi dan jagung.
TOLAP (Temporal On-Line Analytical
Processing)
merupakan
bahasa
yang
berdasarkan rule (rule-based) (Vaisman
2002). Palo mendukung pendekatan temporal
pada
data
warehouse
karena
Palo
menyediakan fitur untuk membuat suatu rule.
Syntax dari rule dalam PALO secara umum
yaitu : [target] = f[source], dimana target
adalah area di dalam cube yang dihitung atau
didefinisikan dengan rule. Target area
didefinisikan dengan elemen dimensi.
Contoh query agregat yang membutuhkan
MapF adalah, “ total produksi tanaman padi
pada tahun 2003 sampai 2007 di kabupaten
Karo”, karena pada query tersebut terjadi
perubahan versi struktur pada tahun 2003
sampai dengan tahun 2007. Untuk menjawab
query diatas, MapF yang digunakan adalah
sebagai berikut : Produksi[2003-2007,
wilayah: All, padi] = Padi (2003, wilayah:
All) + Padi Gogo (2004-2005, wilayah: All) +
Padi Sawah (2004-2005, wilayah: All) + Padi
(2006-2007, wilayah: All).
Penambahan Operasi Dasar OLAP
Operasi dasar OLAP yang ditambahkan
dalam temporal data warehouse ini adalah
slicing, dicing, roll up, dan drill down.
Penelitian Malau (2009) belum dapat
8
mengimplementasikan operasi dasar OLAP
tersebut.
Contoh, untuk query, total produksi padi
tahun 2003 hingga 2007 pada seluruh wilayah
Kabupaten Karo, hasil yang ditampilkan dapat
dilihat pada Gambar 10.
dilakukan penambahan fungsi transformasi
untuk data atomik dari setiap kecamatan, hasil
yang diperoleh apabila Gambar 8 dikenakan
operasi drill down, dapat terlihat pada Gambar
12.
Gambar 10 Hasil query total produksi padi
pada tahun 2003 hingga 2007.
Query tersebut merupakan query yang
melibatkan data yang berada pada upper level.
All pada dimensi wilayah merupakan upper
level untuk kecamatan. Data yang bersifat
upper level merupakan hasil agregat dari
elemen dimensi yang berada di level bawah.
Artinya elemen All untuk dimensi wilayah
merupakan hasil agregat dari level kecamatan.
Nilai konsolidasi yang dimiliki oleh All
dapat menghasilkan suatu tampilan yang lebih
detail berupa data produksi dari setiap
kecamatan. Proses tersebut belum dapat
ditangani oleh penelitian Malau (2009). Hal
yang dilakukan agar proses tersebut dapat
ditangani adalah dengan menransformasikan
data atomik sebagai penyusun data summary.
Gambar 12 Hasil operasi drill down setelah
ditambah fungsi transformasi data atomik.
Hasil perbaikan dari Gambar 11 dapat
dilihat dari ilustrasi Gambar 12, dimana hasil
produksi padi pada tahun 2003 hingga 2007
dapat diperoleh beserta informasi detail
mengenai total produksi padi pada setiap
kecamatan. Operasi drill down tidak hanya
dapat dilakukan pada dimensi wilayah saja,
dimensi waktu pun dapat dikenakan operasi
drill down. Hasil dari drill down pada dimensi
waktu dapat dilihat pada Gambar 13.
Hasil yang dilakukan pada penelitian
Malau (2009) apabila pada Gambar 10
dikenakan operasi drill down, akan terlihat
seperti pada Gambar 11.
Gambar 13 Hasil operasi drill down pada
dimensi waktu.
Gambar 11 Hasil operasi drill down pada
penelitian Malau (2009).
Hasil yang diperoleh dari query tersebut
adalah 490.308,00 Ton padi pada tahun 2003
hingga 2007. Pada Gambar 11, terlihat hasil
produksi padi pada setiap kecamatan bernilai
nol. Hal ini terjadi karena fungsi transformasi
pada data atomik belum ada. Setelah
Operasi drill down seperti pada Gambar 13
dibutuhkan rule untuk memetakan data atomik
dari 13 kecamatan yang ada di Kabupaten
Karo untuk jangka waktu 5 tahun. Cell value
dari anggota dimensi yang berada dalam
upper level dihitung dari subordinat lower
level–nya. Sebelum melakukan transformasi
data, kita memilih cube dari anggota dimensi
yang
berada
di
lower
level
dan
menransformasikan setiap cell value untuk
menghitung upper level- nya. Oleh karena itu,
kolom dan baris yang diberi tanda pada
Gambar 13, tidak memerlukan rule untuk
mendeskripsikan nilai di setiap cell value-nya,
karena kolom dan baris tersebut merupakan
9
upper level dari level yang berada di
bawahnya.
Contoh operasi slicing pada temporal data
warehouse ini diilustrasikan pada Gambar 14.
Gambar 16 Hasil query untuk fungsi agregat
min, max, dan average.
Berdasarkan hasil query di atas, diperoleh
hasil rata-rata produksi tahun 2003 hingga
2005 adalah 9.093,67, produksi minimum
adalah 7.903,00, dan produksi maksimum
adalah 9.728,00.
Gambar 14 Contoh operasi slicing.
Contoh operasi dicing pada temporal data
warehouse dapat dilihat pada Gambar 15.
Analisis Visual dari Cross-tabulation dan
Grafik
Informasi yang dapat diperoleh dari
temporal data warehouse ini misalnya,
perkembangan produksi tanaman jagung yang
terjadi di Kabupaten Karo dari tahun 2003
hingga tahun 2007. Crosstab dan grafik dari
informasi di atas dapat dilihat pada Gambar
17.
Gambar 15 Contoh operasi dicing.
Penambahan Fungsi Agregat
Fungsi agregat yang ditambahkan pada
temporal data warehouse ini adalah min, max,
dan average. Min adalah fungsi agregat untuk
mencari nilai minimum dari suatu subset. Max
adalah fungsi agregat untuk mencari nilai
maksimum dari suatu subset. Average adalah
fungsi agregat untuk mencari nilai rata-rata
dari suatu subset. Fungsi agregat tersebut
ditambahkan dalam dimensi measure.
Contoh query untuk mengetahui fungsi
agregat misalnya, produksi minimum,
produksi maksimum dan nilai rata-rata padi
pada tahun 2003 hingga 2005 untuk kota
Barusjahe. Hasil yang akan diperoleh dari
query tersebut dapat dilihat pada Gambar 16.
Gambar 17 Cross-tabulation dan grafik
batang untuk perkembangan produksi padi
dan jagung pada tahun 2003 hingga 2007 di
Kabupaten Karo.
Dilihat dari dimensi waktu, pada tahun
2007, Kabupaten Karo menghasilkan produksi
jagung sebanyak 400.609 Ton dan produksi
padi pada tahun 2007 sebanyak 113.366 Ton.
Pada tahun 2007, padi dan jagung mengalami
peningkatan produksi tertinggi yaitu sebesar
82.030 Ton untuk jagung dan 23.450 Ton
untuk padi. Tahun 2005 produksi jagung dan
padi di Kabupaten Karo mengalami
penurunan produksi yang paling besar dalam
jangka waktu lima tahun terakhir. Produksi
padi pada tahun 2005, Kabupaten Karo
mengalami penurunan sebesar 14.804 Ton dan
menghasilkan 81.969 Ton. Produksi jagung
mengalami penurunan sebesar 30.470 Ton,
10
dan hasil yang diperoleh pada tahun 2005
sebesar 244.583 Ton.
KESIMPULAN DAN SARAN
Kesimpulan
Temporal data warehouse yang telah
dilakukan dengan menggunakan PALO 3.0
telah berhasil menangani beberapa query yang
mengalami perubahan struktur. Perubahan
struktur yang terjadi pada tahun 2003 hingga
2007 adalah split dan merge. Semakin banyak
perubahan struktur yang terjadi maka semakin
banyak kubus data yang terbentuk.
Operasi OLAP (drill down, roll up,
slicing, dicing) dapat diimplementasikan
dengan baik dalam temporal data warehouse.
Fungsi agregat seperti min, max dan average
telah berhasil diimplementasikan pada
temporal data warehouse. Perkembangan
produksi, luas tanam, dan luas panen pada
setiap kecamatan dapat dilihat lebih jelas
dengan analisis visual terhadap crosstab dan
grafik.
Keunggulan dari pendekatan temporal
pada data warehouse tanaman pangan adalah
ketika terjadi suatu perubahan pencatatan
objek antara tahun 2003-2007, analisis data
historis masih dapat berjalan dengan baik. Hal
ini terjadi karena perubahan yang ada dalam
suatu interval waktu yaitu pada tahun 2003,
2004-2005, dan 2006-2007 dibentuk ke dalam
tiga versi struktur dan dipetakan oleh fungsi
transformasi
berupa
MapF
(Mapping
Function) sehingga perubahan dimensi yang
terjadi karena operasi split dan merge dapat
ditangani.
Warehouses. University of Klagenfurt;
Dep. of Informatics-Systems.
Eder J, Christian K, Tadeuz M. 2001. A Model
for Temporal Data Warehouse. In Proc. of
the Int. OESSEO 2001 Conference.
Han J, Kamber M. 2006. Data Mining:
Concepts and Techniques. San Fransisco:
Morgan Kaufman Publisher.
Hayardisi. 2008. Data Warehouse dan OLAP
Berbasis Web Untuk Persebaran Hotspot
di Wilayah Indonesia Menggunakan Palo
2.0 [skripsi]. Bogor: Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Kusumaningtias, DW. 2007.Pembuatan Data
Warehouse Potensi Desa di Wilayah
Bogor
Menggunakan
Oracle Data
Warehouse [skripsi]. Bogor : Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Malau, TJ. 2009. Pembuatan Temporal Data
Warehouse pada Komoditi Tanaman
Pangan dan Hortikultura Kabupaten Karo,
Sumatera Utara [skripsi]. Bogor :
Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Mallach, EG. 2000. Decision Support and
Data warehouse System. USA : Mc. GrawHill, Inc.
Tan et al. 2006. Introduction to Data Mining.
USA : Pearson Education, Inc.
Vaisman, A. 2002. A Temporal Query
Language for OLAP Implementation and a
Case Study. In Proc. of the 8th Biennial
Workshop
on
Data
Bases
and
Programming Languages (DBPL).
Saran
Perubahan pencatatan data yang dilakukan
setiap tahun akan banyak membutuhkan kubus
data karena perubahan versi struktur yang
terjadi. Oleh karena itu, diperlukan suatu
mekanisme penyimpanan kubus data yang
lebih baik. Pembuatan modul input dan modul
update
untuk
penelitian
selanjutnya
diharapkan dapat mempermudah pengguna
dalam pembuatan temporal data warehouse.
DAFTAR PUSTAKA
Blaschka M. 1998. On Evolution in
Multidimensional Databases. In Proc. of
the DaWak‟99 Conference.
Eder J, Christian K. 2001. Evolution of
Dimension Data in Temporal Data
11
LAMPIRAN
Lampiran 1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan
pada dimensi waktu dan wilayah. Measure yang ditampilkan adalah luas tanam dalam satuan Ha.
13
Lampiran 2 Visualisasi 3-D luas panen untuk semua wilayah berdasarkan pada dimensi waktu,
komoditas pangan, dan wilayah. Measure yang ditampilkan adalah luas panen dalam satuan Ha.
14
LAMPIRAN
Lampiran 1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan
pada dimensi waktu
KARINA GUSRIANI. OLAP Operations and Addition of Aggregate Functions in The Food Crops
Temporal Data Warehouse in Karo. Under direction of ANNISA.
Yearly data recorded in an organization would lead to accumulation of the data. Many
organizations now already use data warehouse technology to obtain more structured information.
Data warehouse could help them in making decisions by analyzing historical data, but changes in
the process of recording object data such as split and merge, would complicate search in the data
warehouse. Currently there's already a developed data warehouse with temporal approach to
address issues such as split and merge.
This study improves food crop temporal data warehouse in Karo by adding OLAP operations.
Implementation of OLAP in multidimensional data would make data analysis in the data
warehouse easier for the user. OLAP operations which will be developed in this temporal data
warehouse is slicing, dicing, drill down, and roll up process, and also aggregate functions.
Key words: Temporal Data Warehouse, OLAP Operations, Aggregate Function.
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
PENAMBAHAN OPERASI OLAP DAN FUNGSI AGREGAT
PADA TEMPORAL DATA WAREHOUSE TANAMAN PANGAN
KABUPATEN KARO
KARINA GUSRIANI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
ABSTRACT
KARINA GUSRIANI. OLAP Operations and Addition of Aggregate Functions in The Food Crops
Temporal Data Warehouse in Karo. Under direction of ANNISA.
Yearly data recorded in an organization would lead to accumulation of the data. Many
organizations now already use data warehouse technology to obtain more structured information.
Data warehouse could help them in making decisions by analyzing historical data, but changes in
the process of recording object data such as split and merge, would complicate search in the data
warehouse. Currently there's already a developed data warehouse with temporal approach to
address issues such as split and merge.
This study improves food crop temporal data warehouse in Karo by adding OLAP operations.
Implementation of OLAP in multidimensional data would make data analysis in the data
warehouse easier for the user. OLAP operations which will be developed in this temporal data
warehouse is slicing, dicing, drill down, and roll up process, and also aggregate functions.
Key words: Temporal Data Warehouse, OLAP Operations, Aggregate Function.
Judul
Nama
NIM
: Penambahan Operasi OLAP dan Fungsi Agregat pada Temporal Data Warehouse
Tanaman Pangan Kabupaten Karo
: Karina Gusriani
: G64052349
Menyetujui:
Pembimbing
Annisa, S.Kom., M.Kom.
NIP. 197907312005012
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim, DEA
NIP 196103281986011002
Tanggal Lulus:
RIWAYAT HIDUP
Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 14 Agustus 1987, sebagai anak kedua
dari dua bersaudara pasangan Bapak Muchtar Thoyib dan Ibu Endang Yusmariah. Pada tahun
2005, penulis lulus dari SMA Negeri 3 Bogor dan pada tahun yang sama penulis diterima menjadi
mahasiswa Institut Pertanian Bogor melalui jalur SPMB (Seleksi Penerimaan Mahasiswa Baru).
Pada tahun 2006, berdasarkan hasil seleksi Mayor Minor, penulis diterima di Departemen Ilmu
Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam IPB (FMIPA IPB) yang merupakan
departemen pilihan pertama penulis. Selain itu, untuk melengkapi kompetensi, penulis memilih
minor Pengembangan Masyarakat pada Departemen Komunikasi dan Pengembangan Masyarakat
Fakultas Ekologi Manusia IPB (FEMA IPB).
Selama menjadi mahasiswa di Institut Pertanian Bogor, penulis aktif pada organisasi
Himalkom FMIPA IPB periode 2006/2007 sebagai anggota komunitas Database. Pada tahun 2008
penulis melaksanakan kegiatan Praktik Kerja Lapangan di Balai Besar Industri Agro Bogor. Pada
tahun 2008, penulis mendapatkan beasiswa Bantuan Belajar Mahasiswa (BBM) dari DIKTI.
PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur yang sedalam-dalamnya penulis panjatkan
kepada Allah Subhanahu wa Ta’ala atas limpahan rahmat dan hidayah-Nya sehingga tugas akhir
yang berjudul Penambahan Operasi OLAP dan Fungsi Agregat pada Temporal Data Warehouse
Tanaman Pangan Kabupaten Karo dapat diselesaikan.
Penulis juga menyampaikan ucapan terima kasih kepada:
1. Kedua orang tua, Ibu dan Bapak, Kakak tercinta, Kartika Muchtar yang selalu memberikan
do‟a, semangat, nasehat serta dukungan untuk penulis,
2. Ibu Annisa, S.Kom.,M.Kom. selaku dosen pembimbing yang telah memberikan arahan dan
bimbingan, kesabaran, perhatian dan waktunya kepada penulis dalam menyelesaikan skripsi
ini,
3. Dosen-dosen Departemen Ilmu Komputer IPB yang telah begitu mulia membagi ilmunya
kepada penulis, terutama Pak Hari Agung dan Pak Firman sebagai penguji, dan Ibu Sri
Nurdiati sebagai penasehat terbaik,
4. Mirna, Mega, Agnes, Tsamrul, dan Kurni sebagai teman-teman satu bimbingan yang selalu
memberikan masukan, saran dan semangat kepada penulis,
5. Venerate Zone, Vera Yunita, Yuni Arti, Sri Danuriati, Zissalwa Hafsari, Ninon NF dan semua
anak-anak kost Harmony, Wisma Cantik, RZ atas dukungan dan semangat yang telah
diberikan,
6. Teman-teman seperjuangan di Ilkomerz 42 IPB. Annisa, Chika, Ida, Elen, Indah, Siti, Banio,
Dika, Anindra, Akhyar, Dani dan semua teman-teman yang selalu memberi keceriaan,
7. Kakak-kakak angkatan yang telah bersedia berbagi ilmu, terutama Kak Jefry, Mba Ayu, Kak
Iwan,
8. Teman-teman yang selalu dekat di hati, Adi Adrian, Erdiansyah, Bang Ragil, Deasy, Shintana,
Ratna, Uti, Mena, Lili, Monik, Anggi, Cipie, Icha.
9. Para staf di Departemen Ilmu Komputer IPB.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga skripsi
ini dapat memberikan manfaat bagi siapapun yang membaca.
Bogor, Agustus 2009
Karina Gusriani
DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................................................... v
DAFTAR GAMBAR ....................................................................................................................... v
DAFTAR LAMPIRAN .................................................................................................................... v
PENDAHULUAN ........................................................................................................................... 1
Latar belakang ............................................................................................................................ 1
Tujuan ........................................................................................................................................ 1
Ruang Lingkup ........................................................................................................................... 1
TINJAUAN PUSTAKA ................................................................................................................... 1
Temporal Data Warehouse ......................................................................................................... 1
Versi Struktur ............................................................................................................................. 1
Transformation Function ............................................................................................................ 2
OLAP (On-Line Analytical Processing) ...................................................................................... 2
Operasi-Operasi pada OLAP ....................................................................................................... 3
Model Data Multidimensi ........................................................................................................... 4
Data Level .................................................................................................................................. 4
Arsitektur Data Warehouse ........................................................................................................ 5
METODE PENELITIAN ................................................................................................................. 5
Analisis Data .............................................................................................................................. 5
Pembuatan Data warehouse ........................................................................................................ 5
Penambahan Operasi OLAP ....................................................................................................... 5
Penambahan Fungsi Agregat ....................................................................................................... 5
Uji Query ................................................................................................................................... 6
Lingkup Pengembangan ............................................................................................................. 6
HASIL DAN PEMBAHASAN ........................................................................................................ 6
Analisis Data .............................................................................................................................. 6
Pemuatan Data ........................................................................................................................... 7
Penambahan Operasi OLAP ....................................................................................................... 8
Penambahan Fungsi Agregat ..................................................................................................... 10
Analisis Visual dari Cross-tabulation dan Grafik ..................................................................... 10
KESIMPULAN DAN SARAN ...................................................................................................... 11
Kesimpulan .............................................................................................................................. 11
Saran ........................................................................................................................................ 11
DAFTAR PUSTAKA .................................................................................................................... 11
iv
DAFTAR TABEL
Halaman
1 Jumlah bunga yang memiliki bagian kombinasi antara lebar daun bunga, panjang daun bunga,
dan tipe spesies ........................................................................................................................... 3
2 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Setosa. ....................................................................................................................................... 3
3 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Versicolor .................................................................................................................................. 3
4 Cross-tabulation dari bunga yang berdasarkan panjang dan lebar daun bunga untuk tipe spesies
Virginica .................................................................................................................................... 3
5 Cross-tabulation untuk operasi dicing pada spesies Virginica dengan panjang daun bunga
„high‟ .......................................................................................................................................... 4
6 Pembagian versi struktur berdasarkan perubahan yang terjadi. ...................................................... 7
7 Dimensi dan elemen dimensi pada setiap cube. ............................................................................ 8
DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Dimensi divisi sales .................................................................................................................... 2
Empat level data ......................................................................................................................... 4
Arsitektur three-tier (Han and Kamber 2006) ............................................................................... 5
Ilustrasi arsitektur penelitian ........................................................................................................ 5
Diagram alir metode penelitian ................................................................................................... 6
Skema bintang untuk temporal data warehouse tanaman pangan .................................................. 6
Hirarki pada versi struktur tahun 2003 (StructureVersion1) ......................................................... 7
Hirarki pada versi struktur tahun 2004-2005 (StructureVersion2) ............................................... 7
Hirarki pada versi struktur tahun 2006-2007 (StructureVersion3) ................................................ 7
Hasil query total produksi padi pada tahun 2003 hingga 2007 ...................................................... 9
Hasil operasi drill down pada penelitian Malau (2009) ................................................................. 9
Hasil operasi drill down setelah ditambah fungsi transformasi data atomik ................................... 9
Hasil operasi drill down pada dimensi waktu................................................................................ 9
Contoh operasi slicing ............................................................................................................... 10
Contoh operasi dicing ................................................................................................................ 10
Hasil query untuk fungsi agregat min, max, dan average ............................................................ 10
Cross-tabulation dan grafik batang untuk perkembangan produksi padi dan jagung pada tahun
2003 hingga 2007 di Kabupaten Karo ........................................................................................ 10
DAFTAR LAMPIRAN
Halaman
1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan pada
dimensi waktu dan wilayah. Measure yang ditampilkan adalah luas tanam dalam satuan Ha ...... 13
2 Visualisasi 3-D luas panen untuk semua wilayah berdasarkan pada dimensi waktu, komoditas
pangan, dan wilayah. Measure yang ditampilkan adalah luas panen dalam satuan Ha ................. 14
v
PENDAHULUAN
Latar Belakang
Analisis data historis dan pengolahan data
multidimensi bukan merupakan hal yang baru
untuk mendukung suatu pengambilan
keputusan. Namun perubahan objek data yang
dicatat, membuat analisis data historis dan
penelusuran terhadap data menjadi sulit untuk
dilakukan. Misalnya, pada tahun 2003, objek
yang dicatat oleh perusahaan adalah produksi
padi dan jagung, sementara itu pada tahun
2004, objek yang dicatat oleh perusahaan
adalah produksi padi sawah, padi gogo,
jagung komposit dan jagung hybrida. Oleh
karena itu, jika pengguna ingin mengetahui
total produksi padi dari tahun 2003 hingga
2004, maka akan sulit memperoleh informasi
total produksi padi, karena perubahan atribut
yang dicatat tersebut. Untuk itu, teknologi
data warehouse saat ini sudah dikembangkan
dengan melakukan pendekatan secara
temporal atau data warehouse berorientasi
waktu untuk menangani perubahan objek.
Penelitian mengenai temporal data
warehouse sudah pernah dilakukan oleh Eder
(2001).
Penelitian
tersebut
memberi
penjelasan mengenai model untuk temporal
data warehouse bagi penelitian selanjutnya.
Selanjutnya, penelitian Eder (2001) tersebut
coba diterapkan oleh Malau (2009) untuk data
tanaman pangan dan hortikultura di
Kabupaten Karo. Penelitian lanjutan tersebut
telah mampu menangani masalah split dan
merge serta fungsi agregat sum.
Namun ada beberapa kekurangan dari
temporal data warehouse yang dilakukan oleh
Malau (2009) tersebut, yaitu belum dapat
mendukung operasi OLAP seperti slicing,
dicing, drill down, dan roll up. Oleh karena
itu, sebagai pelengkap dari temporal data
warehouse yang sudah dibuat, diperlukan
penambahan operasi OLAP seperti slicing,
dicing, drill down, roll up serta fungsi agregat
seperti min, max, dan average agar menjadi
temporal data warehouse yang lebih baik.
Tujuan
Merancang dan membangun suatu model
temporal data warehouse yang memiliki fitur
operasi dasar data warehouse yaitu roll up,
drill down, slicing, dan dicing serta fungsi
agregat seperti min, max, dan average.
Ruang Lingkup
Penelitian ini difokuskan pada operasi
dasar data warehouse yaitu slicing, dicing,
roll up, drill down, dan penggunaan fungsi
agregasi summary, max, min, dan average
pada data tanaman pangan terutama padi dan
jagung.
TINJAUAN PUSTAKA
Temporal Data Warehouse
Temporal data warehouse merupakan
suatu perbaikan dari teknologi data
warehouse dengan melakukan pendekatan
temporal, sehingga mampu menangani operasi
dasar data warehouse seperti roll up, drill
down, slicing dan dicing serta operasi-operasi
yang kompleks seperti split (pembagian) dan
merge (penggabungan). Temporal data
warehouse menitikberatkan pada fungsi
transformasi yang berasal dari versi struktur
(Eder et al 2001). Contoh permasalahan yang
tidak dapat ditangani oleh data warehouse
biasa, misalnya diketahui sebuah divisi A
mengalami pembagian divisi yaitu divisi A1
dan divisi A2 pada bulan Maret tahun 2000,
jika ingin diketahui perkembangan divisi A,
maka tanpa pendekatan temporal data
warehouse tersebut tidak akan mampu
memberikan informasi mengenai seluruh
perkembangan divisi A. Informasi yang
diperoleh oleh pengguna mengenai divisi A
hanya sampai pada bulan Februari 2000,
sebelum divisi A mengalami perubahan
struktur. Namun demikian, apabila data
warehouse tersebut telah menggunakan
pendekatan
temporal,
maka
akan
diperlihatkan
seluruh
data
melalui
penelusuran structure version yang didukung
fungsi transformasi. Dengan demikian,
operasi split (pembagian) dan merge
(penggabungan) yang terjadi pada divisi A
dapat diketahui dan query pengguna mengenai
seluruh data divisi A dapat dipenuhi.
Versi Struktur
Versi struktur merepresentasikan sudut
pandang pada temporal data warehouse yang
menangani struktur valid untuk interval waktu
[Ts,Te]. Modifikasi anggota dimensi atau
relasi hirarki memastikan berada pada suatu
versi struktur. Jika interval waktu tertentu
tidak ada berada dalam suatu versi struktur
maka diperlukan suatu versi struktur baru
yang dapat memastikan interval waktu
tersebut dapat tertangani (Eder et al 2001).
Secara umum structure version (SV)
terdiri atas empat tuple dengan format
dimana SVid adalah unique identifier, T
merepresentasikan waktu yang valid dari
1
structure version dengan selang waktu [Ts,
Te], Ts adalah start time atau waktu awal, dan
Te adalah end time atau waktu akhir. DMDi, SVid adalah himpunan dari semua anggotaanggota dimensi, dimana merupakan bagian
dari dimensi Di dan valid untuk waktu P
dengan Ts ≤ P ≤ Te. DMF,SVid adalah himpunan
dari seluruh fakta-fakta yang valid pada waktu
P dengan Ts ≤ P ≤ Te, HSvid adalah himpunan
dari penambahan hirarki yang valid pada
waktu P dengan Ts ≤ P ≤ Te.
Ilustrasi untuk structure version (SV)
seperti diperlihatkan pada Gambar 1,
mengenai dimensi divisi untuk penjualan
(sales) yang disertai interval (selang) waktu
(Eder et al 2001):
Divisions
, ∞>
Div. A
, ∞>
SubDiv.D
, ∞>
Divisions
Div. B
, ∞>
Div. C
, ∞>
SubDiv.E
, ∞>
Gambar 1 Dimensi divisi sales.
Pada Gambar 1 terlihat bahwa SubDiv.D
telah dimodifikasi pada waktu M4, SubDiv.
yang baru yaitu SubDiv.E dimasukkan pada
saat waktu M4, Div.C merupakan subdivisi
dari Div.B pada waktu M1 sampai M3 (pada
gambar ditandai dengan garis putus-putus).
Berdasarkan Gambar 1, diperoleh beberapa
structure version (SV), yaitu:
1.
2.
Structure version yang diperoleh ada dua
yaitu SV1 dan SV2. SV1 dan seluruh anggotaanggota dimensi (Divisions, Div.A, Div.B,…)
dan penambahan hirarki (Div.A →
Divisions,…) valid pada saat M1 ke M3,
sedangkan untuk SV2 valid pada saat M4
sampai dengan waktu yang belum ditentukan.
Transformation Function (TF)
Transformation function dalam temporal
data warehouse dinamakan dengan MapF
(Mapping Function) dan menggunakan
operasi dasar penjumlahan (sum). Misalnya
suatu divisi A mengalami split pada bulan
Maret tahun 2000 menjadi divisi A1 dan A2.
Jika kita ingin menganalisis semua bulan pada
tahun 2000 untuk divisi A, perusahaan hanya
memiliki data untuk bulan Januari dan
Februari, dimana untuk bulan Maret ke depan,
perusahaan memiliki data untuk divisi A1 dan
A2. Contoh jika ingin merepresentasikan
omset dari divisi A1 untuk periode sebelum
Maret tahun 2000 maka sebagai fungsi omset
(A1, periode) = 30% dari omset (A, periode).
Contoh lainnya, jika kita ingin mengetahui
seluruh periode pada bulan Maret ke depan
pada tahun 2000, maka jumlah dari karyawan
M# dari divisi A terkait dengan fungsi M# (A,
periode) = M# (A1, periode) + M# (A2,
periode). Fungsi inilah yang disebut
transformation function (MapF) dan untuk
operasi yang digunakan adalah operasi sum
(Eder et al 2001).
Pada data tanaman pangan, operasi MapF
akan digunakan untuk data jumlah produksi,
luas tanam dan luas panen dari tanaman
pangan, padi dan jagung. Misalnya, pada
tahun 2003, padi yang ditanam berasal dari
satu varietas saja (A), untuk itu pencatatan
total padi untuk semua kecamatan dapat
dikumulatifkan. Namun, pada tahun 2004,
terdapat 2 varietas padi yaitu B dan C yang
ditanam pada beberapa kecamatan. Dengan
demikian, apabila pengguna ingin mengetahui
hasil padi pada 2003 hingga 2004, sistem
tidak akan mampu menjawab query tersebut.
Pada kasus ini, jika struktur pencatatan padi
tidak berubah, maka sistem tidak akan mampu
menjawab query tentang berapa hasil produksi
padi jenis A, B, atau C, karena pencatatan
sebelumnya tidak membedakan jenis padi.
Untuk itu diperlukan sebuah struktur baru dan
bentuk MapF yang sesuai bagi struktur
tersebut sehingga dapat menjawab query
mengenai berapa hasil produksi padi di tahun
2003 hingga 2004 di setiap kecamatan.
OLAP ( On-Line Analytical Processing)
OLAP adalah sistem yang memfokuskan
pada interaktif analisis data dan biasanya
memiliki
kemampuan
luas
mengenai
visualisasi data dan membangkitkan ringkasan
statistika. Karena alasan ini, pendekatan
analisis multidimensional data didasarkan
2
pada terminologi dan konsep OLAP ( Tan et
al 2006).
Data yang biasanya ditampilkan oleh
OLAP adalah fungsi agregasi seperti
summary, max, min, dan average. OLAP
menyediakan
proses
kalkulasi
dan
perbandingan data serta dapat menampilkan
hasil dalam bentuk tabel dan grafik.
Operasi-Operasi pada OLAP
Operasi-operasi OLAP adalah sebagai berikut
(Han dan Kamber 2006):
-
Petal length
Petal
width
Species type
Count
high
high
Versicolour
2
high
high
Virginica
Operasi slicing yang dilakukan pada data
di Tabel 1 digambarkan pada Tabel 2, Tabel
3, dan Tabel 4 sebagai berikut.
Tabel 2 Cross-tabulation dari bunga yang
berdasarkan panjang dan lebar daun bunga
untuk tipe spesies Setosa.
Slicing
Width
Slicing
adalah
proses
melakukan
pemilihan satu dimensi dari suatu kubus data
sehingga menghasilkan subcube.
-
Length
Dicing
Dicing adalah proses melakukan pemilihan
dua atau lebih dimensi dari suatu kubus data
sehingga menghasilkan subcube.
-
Roll up
Operasi roll up dilakukan pada kubus data
dengan cara menaikkan tingkat suatu hirarki.
Pada saat roll up dilakukan, maka jumlah
dimensi akan berkurang. Contohnya, operasi
roll up yang dilakukan pada kubus data di
tingkat kecamatan menjadi tingkat kabupaten.
-
44
medium
High
low
medium
46
2
2
0
0
0
high
0
0
0
Tabel 3 Cross-tabulation dari bunga
berdasarkan pada panjang dan lebar daun
bunga untuk spesies Versicolour.
Width
Length
Drill down
Drill down adalah operasi yang
berkebalikan dengan roll up. Operasi ini
merepresentasikan kubus data dengan lebih
terperinci.
low
low
medium
high
low
0
0
0
medium
high
0
0
43
2
3
2
Tabel 4
Cross-tabulation dari bunga
berdasarkan pada panjang dan lebar daun
bunga untuk spesies Virginica.
Ilustrasi mengenai operasi slicing dan
dicing dapat dilihat pada Tabel 1 berikut ini
(Tan et al 2006).
Tabel 1 Jumlah bunga yang memiliki bagian
kombinasi antara lebar daun bunga, panjang
daun bunga, dan tipe spesies.
Petal length
Petal
width
Species type
Low
Low
Setosa
46
Low
Medium
Setosa
2
Medium
Low
Setosa
2
Medium
Medium
Versicolour
43
Medium
High
Versicolour
3
Medium
High
Virginica
3
High
Medium
Versicolour
2
High
Medium
Virginica
3
Count
Width
Length
low
medium
high
low
medium
0
0
0
0
0
3
high
0
3
44
Berdasarkan pada Tabel 2, Tabel 3, dan
Tabel 4 telah dihasilkan tiga slice dari operasi
slicing yang telah dilakukan pada data iris
yang diperoleh dari tiga nilai terpisah untuk
dimensi spesies. Di sisi lain, hasil dari operasi
dicing merupakan suatu subset dari ketiga
tabel tersebut dengan memilih ukuran panjang
daun bunga atau lebar daun bunga. Misalnya
dicing yang dilakukan untuk spesies Virginica
dengan panjang daun bunga „high‟.
3
Tabel 5 Cross-tabulation untuk operasi dicing
pada spesies Virginica dengan panjang
daun bunga „high‟.
Query
Data ringkasan
Data atomik
Width
Length
high
low
medium
high
0
3
44
Data operasional
Gambar 2 Empat level data.
1. Data operasional
-
Pivoting
Pivoting merupakan suatu kemampuan
OLAP yang dapat melihat data dari berbagai
sudut pandang (view point). Kita dapat
mengatur sumbu pada cube sehingga
memperoleh data yang diinginkan sesuai
dengan sudut pandang analisis yang
diperlukan.
Model Data Multidimensi
Model data multidimensi adalah model
data yang digunakan pada data warehouse.
Model data multidimensi terdiri atas dua data
yaitu (Mallach 2000 dalam Kusumaningtias
2007) :
-
Data dimensi
Data dimensi adalah entitas yang ingin
disimpan oleh perusahaan (organisasi). Data
dimensi akan berubah jika analisis kebutuhan
pengguna
berubah.
Data
dimensi
mendefinisikan label yang membentuk isi
laporan. Setiap dimensi diulang untuk setiap
kelompok. Atribut data dimensi diletakkan
pada tabel dimensi. Tabel dimensi berukuran
lebih kecil daripada tabel fakta, berisi data
bukan numerik yang berasosiasi dengan
atribut dimensi.
-
Data fakta
Data fakta adalah data utama dari data
multidimensi yang merupakan kuantitas yang
ingin
diketahui
dengan
menganalisis
hubungan antar dimensi. Data fakta diekstrak
dari berbagai sumber. Data fakta cenderung
stabil dan tidak berubah seiring waktu. Atribut
data fakta diletakkan pada tabel fakta.
Data Level
Lingkungan data warehouse terdiri atas 4
tingkatan data, dapat dilihat pada Gambar 2
(Mallach 2000) berikut ini.
Data yang berada di data warehouse
berasal dari database operasional perusahaan.
Data warehouse tidak akan berjalan tanpa
data operasional. Contoh, hari ini saya
menabung Rp. 150.000.
2. Data atomik
Data atomik terdiri atas data barang itu
sendiri. Data atomik merupakan tingkat data
terendah dari data dalam data warehouse.
Semua fungsi data warehouse dimulai dengan
data atomik atau dengan data yang berasal
dari data atomik. Data atomik sesuai untuk
data transaksi dengan penambahan dimensi
waktu. Tingkat ini merupakan data yang
dimasukkan ke dalam database data
warehouse
dari
database
operasional
perusahaan. Contoh, saldo tabungan pada
bulan Agustus adalah Rp. 240.000.
3. Data ringkasan data warehouse
Para analis memerlukan pengetahuan yang
cukup mengenai kegunaan data warehouse.
Ringkasan suatu data akan diperlukan pada
proses analisis sehingga ringkasan tersebut
akan digunakan secara berulang. Contoh, pada
akhir bulan Agustus perusahaan memiliki
pelanggan sebanyak 1487 yang berada di kode
pos 16610-16180.
4. Data yang dapat menjawab pertanyaan
yang spesifik
Tingkat ini biasanya dibuat sebagai
kebutuhan dan disimpan hanya sampai
pengguna yang meminta itu selesai
menggunakan data tersebut. Jika pengguna
ingin menyimpan itu,
microcomputer
pengguna tersebut biasanya memiliki fasilitas
untuk menyimpan data tersebut. Data
warehouse sendiri tidak mementingkan proses
penyimpanan tersebut. Contoh, pelanggan
yang berada dalam kode pos 16610-16180
memiliki pertumbuhan sebesar 3.95 persen
selama tiga bulan dari Juni hingga Agustus.
4
Arsitektur Data Warehouse
Arsitektur data warehouse yang umum
digunakan adalah arsitektur three-tier.
Arsitektur ini memiliki tiga lapisan yaitu
lapisan bawah, lapisan tengah, dan lapisan
atas (Han & Kamber 2006). Ilustrasi arsitektur
three-tier dapat lihat pada Gambar 3.
Gambar 4 menjelaskan bahwa lapisan bawah
dari arsitektur temporal data warehouse ini
adalah data warehouse yang direpresentasikan
dengan model dimensi, yaitu skema bintang.
Lapisan tengah dari arsitektur temporal data
warehouse adalah penyimpanan struktur
kubus data yang dilakukan oleh tools Palo
server. Lapisan atas dari arsitektur temporal
data warehouse ini berupa aplikasi untuk enduser, aplikasi yang digunakan adalah
Microsoft Office Excel.
METODE PENELITIAN
Data yang digunakan pada penelitian ini
adalah data tanaman pangan yang berupa padi
dan jagung di Kabupaten Karo dari tahun
2003 hingga tahun 2007 pada ruang lingkup
jumlah produksi, luas tanam dan luas panen.
Data diperoleh dari Dinas Pertanian,
Peternakan, Perikanan dan Perkebunan
Kabupaten Karo.
Analisis Data
Gambar 3 Arsitektur three-tier (Han and
Kamber 2006).
Penelitian ini mengacu pada arsitektur
data warehouse three-tier, tiga lapisan
tersebut adalah:
1. Lapisan bawah (bottom tier)
Lapisan bawah merupakan tempat
pengolahan sumber data warehouse yang
bertujuan agar data tersebut dapat digunakan
dengan baik.
2. Lapisan tengah (middle tier)
Lapisan tengah merupakan OLAP server
yang berfungsi menyimpan struktur dari
kubus data.
3. Lapisan atas (top tier)
Lapisan atas adalah lapisan untuk end-user
yang berisi query dan menampilkan informasi
atau ringkasan. Query yang diuji pada
penelitian ini dilakukan di Palo Add-in Win32
3.0 yang terintegrasi dengan Microsoft Office
Excel.
Arsitektur
data
warehouse
dalam
penelitian ini dapat diilustrasikan pada
Gambar 4 berikut.
Data tanaman pangan yang telah diperoleh
selanjutnya dianalisis untuk mendapatkan
atribut-atribut yang tepat dalam pembuatan
temporal data warehouse. Hasil analisis ini
digunakan untuk menentukan dimensi, fakta,
dan skema yang tepat untuk model data
multidimensi.
Pembuatan Data warehouse
Setelah dilakukan analisis data, dilakukan
proses pembuatan data warehouse. Input data
dilakukan berdasarkan skema yang telah
dirancang. Data yang dimasukkan berdasarkan
pada versi struktur yang terbentuk.
Penambahan Operasi OLAP
Pada tahap ini, dilakukan penambahan
operasi dasar OLAP seperti slicing, dicing,
roll up, dan drill down. Proses ini dilakukan
dengan menransformasikan lower level dari
setiap dimensi.
Penambahan Fungsi Agregat
Fungsi agregat yang ditambahkan pada
temporal data warehouse ini adalah min, max,
dan average. Fungsi agregat tersebut
merupakan suatu measure untuk melihat
informasi nilai minimum, nilai maksimum,
dan rata-rata produksi dari setiap kecamatan
setiap tahunnya.
Gambar 4 Ilustrasi arsitektur penelitian
5
Uji Query
-
Keyboard dan mouse
Uji query adalah tahap untuk menguji
temporal data warehouse apakah telah sesuai
dengan kebutuhan dan berfungsi dengan baik
serta memeriksa apakah operasi dasar data
warehouse dan fungsi agregat berhasil
diterapkan tanpa mengubah versi struktur dan
fungsi transformasi. Pengujian dilakukan
dengan kubus data yang divisualisasikan
dengan tools OLAP pada Palo.
-
Monitor LCD 14‟ dengan resolusi 1280
x 800
Metode penelitian dapat digambarkan
dengan visualisasi diagram alir pada Gambar
5.
Studi pustaka
Analisis data
Versi struktur
dan fungsi
transformasi
Pemuatan data
Implementasi
operasi OLAP
Implementasi fungsi tidak
agregat
Perangkat lunak :
-
Sistem operasi Windows 7 RC 1
-
Microsoft Office 2007 SP 1
-
Palo add-in Win32 3.0
HASIL DAN PEMBAHASAN
Analisis Data
Data yang digunakan pada penelitian ini
adalah data tanaman pangan dan hortikultura
pada tahun 2003 sampai tahun 2007. Atribut
yang terdapat pada data sumber adalah data
kecamatan, waktu, dan jenis tanaman pangan.
Fakta yang terkait dengan tanaman pangan
meliputi luas tanam, luas panen,dan produksi.
Kabupaten Karo memiliki 13 kecamatan
yaitu Barusjahe, Tigapanah, Kabanjahe,
Simpang IV, Payung, Munte, Tigabinanga,
Juhar, Kutabuluh, Mardingding, Berastagi,
Merek, Lau Baleng. Elemen waktu yang
dimiliki adalah tahun 2003, 2004, 2005, 2006,
dan 2007. Jenis tanaman pangan yang
dianalisis adalah tanaman padi dan jagung.
Pembuatan temporal data warehouse ini
bertujuan untuk mengatasi permasalahan
sulitnya menganalisis data apabila terjadi
perubahan objek pada data tersebut.
Berdasarkan atribut yang terdapat pada
sumber data, dihasilkan tiga tabel dimensi
yaitu dimensi waktu, dimensi lokasi, dan
dimensi komoditas, serta satu tabel fakta.
Ilustrasi data multidimensi dari atribut yang
telah diketahui dapat dilihat pada Gambar 6.
Berhasil ?
ya
Temporal data
warehouse
Gambar 5 Diagram alir metode penelitian.
Lingkup Pengembangan
Temporal
data
warehouse
ini
menggunakan perangkat keras dan perangkat
lunak dengan spesifikasi sebagai berikut :
Perangkat keras :
-
Processor Intel Core 2 Duo 1.83 GHz
-
RAM 2GB DDR2
-
HDD 160 GB
Gambar 6 Skema bintang untuk temporal data
warehouse tanaman pangan.
Atribut target yang akan dianalisis pada
temporal data warehouse ini adalah luas
tanam, luas panen, jumlah produksi,
6
minimum, maksimum dan rata-rata untuk nilai
luas tanam, luas panen, serta jumlah produksi.
Konseptual model data multidimensional
merupakan
bagian
inti
dari
proses
perancangan dan pemeliharaan yang berisi
gabungan dari semua kebutuhan pengguna
tapi belum tentu bagian dari kelengkapan
implementasi. Semua model data yang terjadi
selanjutnya dalam proses perancangan
merupakan perbaikan dari model konseptual
(Blaschka 1999).
Perubahan struktur yang terjadi pada data
yang digunakan dalam penelitian ini
diantaranya adalah pada tahun 2003 diketahui
jumlah produksi, luas tanam, dan luas panen
dari komoditas padi dan jagung. Lalu pada
tahun 2004 hingga 2005, data jagung dan data
padi mengalami split (pemecahan) yaitu data
padi terdiri dari data padi gogo dan padi
sawah serta data jagung terdiri dari data
jagung hybrida dan jagung komposit.
Selanjutnya pada tahun 2006 hingga 2007
data padi dan jagung yang telah mengalami
split
tersebut
mengalami
merge
(penggabungan) sehingga data padi dan
jagung mengalami versi struktur yang sama
pada tahun 2003. Ilustrasi dari versi struktur
yang terjadi pada data tersebut dapat dilihat
pada Gambar 7, Gambar 8, dan Gambar 9.
Berdasarkan Gambar 5, Gambar 6, dan
Gambar 7 diperoleh tiga versi struktur yaitu
versi struktur 1 dengan interval waktu 2003,
data dimensi komoditas yang valid pada versi
struktur 1 adalah padi dan jagung. Versi
struktur 2 dengan interval waktu 2004 hingga
2005, data dimensi komoditas yang valid
adalah padi sawah, padi gogo, jagung hybrida,
dan jagung komposit. Versi struktur 3 dengan
interval waktu 2006 hingga 2007, data
dimensi komoditas yang valid adalah padi dan
jagung. Penjelasan lebih jelas dapat dilihat
pada Tabel 6 berikut ini.
Tabel 6 Pembagian versi struktur berdasarkan
perubahan yang terjadi.
Versi Struktur
Jenis Perubahan
Versi Struktur 1
Padi
dan
Jagung
mengalami perubahan.
tidak
Versi Struktur 2
Padi dibagi menjadi 2 bagian
yaitu padi sawah dan padi gogo.
Jagung
juga
mengalami
perubahan yaitu dibagi menjadi
2 bagian yaitu jagung hybrida
dan jagung komposit.
Versi Stuktur 3
Padi dan
kembali.
Jagung
digabung
Tanaman pangan
2003
2003
padi
Pemuatan Data
jagung
Gambar 7 Hirarki pada versi struktur tahun
2003 (StructureVersion1).
Tanaman pangan
2003
2003
padi
2004,2005
Padi sawah
jagung
2004, 2005
2004, 2005
2004, 2005
Jagung
hybrid
Padi gogo
Jagung
komposit
Gambar 8 Hirarki pada versi struktur tahun
2004-2005 (StructureVersion2).
Tanaman pangan
2006, 2007
padi
2006, 2007
jagung
Gambar 9 Hirarki pada versi struktur tahun
2006-2007 (StructureVersion3).
Versi struktur adalah sudut pandang dalam
temporal data warehouse valid untuk
mengetahui periode waktu [Ts, Te]. Semua
anggota dimensi dan semua hubungan hirarki
serta struktur multidimensional harus valid
pada setiap waktu interval. Dengan kata lain,
dalam satu versi struktur tidak boleh ada versi
berbeda dari anggota dimensi dan hubungan
hirarki. Dan setiap modifikasi dari anggota
dimensi atau hubungan hirarki pasti akan
menjadi versi struktur yang baru, jika struktur
versi untuk waktu interval yang ada belum
terpenuhi (Eder et al 2001).
Berdasarkan pada penjelasan di atas, maka
untuk versi struktur 1, versi struktur 2, dan
versi struktur 3 dibuat cube yang berbeda,
secara
berurutan
diberi
nama
StructureVersion1, StructureVersion2, dan
StructureVersion3. Setiap cube tersusun atas
tiga tabel dimensi dan satu tabel fakta. Dalam
implementasi, Palo tidak membedakan antara
measure dan dimensi. Atribut target yang ada
seperti luas tanam, luas panen dan jumlah
7
produksi dibuat dalam dimensi yang bernama
measure. Dimensi dan elemen dimensi dari
setiap cube dapat dilihat pada Tabel 7.
Tabel 7 Dimensi dan elemen dimensi pada
setiap cube
Versi struktur
Dimensi
Elemen dimensi
StructureVersion1
Waktu
2003
Lokasi
All
Kecamatan
Komoditas
All
Padi
Jagung
Measure
Produksi
Luas tanam
Luas panen
StructureVersion2
Waktu
2004
2005
Lokasi
All
Kecamatan
Komoditas
All
Padi sawah
Padi gogo
Jagung hybrida
Jagung komposit
Measure
Produksi
Luas tanam
Luas panen
StructureVersion3
Waktu
2006
2007
Lokasi
All
Kecamatan
Komoditas
All
Padi
Jagung
Measure
diinginkan yang berasal dari cube atau versi
struktur yang berbeda, diperlukan fungsi
transformasi yang dapat memetakan data dari
satu versi struktur ke versi struktur yang lain.
Palo mendukung terbentuknya suatu fungsi
transformasi dengan membentuk serangkaian
rule. Rule tersebut disimpan didalam suatu
cube. Cube tersebut diberi nama cube query.
Cube query merupakan cube yang dapat
menangani beberapa query yang berkaitan
dengan penggunaan versi struktur dan fungsi
transformasi. Cube query memiliki dimensi
yang sama dengan dimensi versi struktur yang
lain yaitu dimensi lokasi, dimensi waktu,
dimensi komoditas, dan dimensi measure.
Data dimensi komoditas yang berada dalam
cube query adalah tanaman padi dan jagung
tanpa dibedakan berdasarkan jenis.
Produksi
Luas tanam
Luas panen
Setelah dilakukan pembuatan cube dari
setiap versi struktur, selanjutnya dilakukan
pemuatan data. Pemuatan data merupakan
proses pemindahan data dari spreadsheet
excel ke cube yang dibuat di tools Palo.
Untuk menjawab query pada data
warehouse, pengguna harus menentukan versi
struktur mana yang harus digunakan. Oleh
karena itu, apabila pengguna ingin melihat
data yang berasal dari dua versi struktur yang
berbeda, pengguna harus melihat data dengan
menggunakan dua cube. Untuk memudahkan
pengguna agar mendapatkan data yang
Konsep hirarki yang ada pada cube query
misalnya, untuk dimensi waktu terdapat
elemen dimensi 20032007 yang merupakan
upper level dari tahun 2003, 2004, 2005,
2006, 2007. Konsep hirarki pada dimensi
lokasi adalah All sebagai upper level untuk
lower level kecamatan. Konsep hirarki pada
dimensi komoditas adalah All sebagai upper
level untuk padi dan jagung.
TOLAP (Temporal On-Line Analytical
Processing)
merupakan
bahasa
yang
berdasarkan rule (rule-based) (Vaisman
2002). Palo mendukung pendekatan temporal
pada
data
warehouse
karena
Palo
menyediakan fitur untuk membuat suatu rule.
Syntax dari rule dalam PALO secara umum
yaitu : [target] = f[source], dimana target
adalah area di dalam cube yang dihitung atau
didefinisikan dengan rule. Target area
didefinisikan dengan elemen dimensi.
Contoh query agregat yang membutuhkan
MapF adalah, “ total produksi tanaman padi
pada tahun 2003 sampai 2007 di kabupaten
Karo”, karena pada query tersebut terjadi
perubahan versi struktur pada tahun 2003
sampai dengan tahun 2007. Untuk menjawab
query diatas, MapF yang digunakan adalah
sebagai berikut : Produksi[2003-2007,
wilayah: All, padi] = Padi (2003, wilayah:
All) + Padi Gogo (2004-2005, wilayah: All) +
Padi Sawah (2004-2005, wilayah: All) + Padi
(2006-2007, wilayah: All).
Penambahan Operasi Dasar OLAP
Operasi dasar OLAP yang ditambahkan
dalam temporal data warehouse ini adalah
slicing, dicing, roll up, dan drill down.
Penelitian Malau (2009) belum dapat
8
mengimplementasikan operasi dasar OLAP
tersebut.
Contoh, untuk query, total produksi padi
tahun 2003 hingga 2007 pada seluruh wilayah
Kabupaten Karo, hasil yang ditampilkan dapat
dilihat pada Gambar 10.
dilakukan penambahan fungsi transformasi
untuk data atomik dari setiap kecamatan, hasil
yang diperoleh apabila Gambar 8 dikenakan
operasi drill down, dapat terlihat pada Gambar
12.
Gambar 10 Hasil query total produksi padi
pada tahun 2003 hingga 2007.
Query tersebut merupakan query yang
melibatkan data yang berada pada upper level.
All pada dimensi wilayah merupakan upper
level untuk kecamatan. Data yang bersifat
upper level merupakan hasil agregat dari
elemen dimensi yang berada di level bawah.
Artinya elemen All untuk dimensi wilayah
merupakan hasil agregat dari level kecamatan.
Nilai konsolidasi yang dimiliki oleh All
dapat menghasilkan suatu tampilan yang lebih
detail berupa data produksi dari setiap
kecamatan. Proses tersebut belum dapat
ditangani oleh penelitian Malau (2009). Hal
yang dilakukan agar proses tersebut dapat
ditangani adalah dengan menransformasikan
data atomik sebagai penyusun data summary.
Gambar 12 Hasil operasi drill down setelah
ditambah fungsi transformasi data atomik.
Hasil perbaikan dari Gambar 11 dapat
dilihat dari ilustrasi Gambar 12, dimana hasil
produksi padi pada tahun 2003 hingga 2007
dapat diperoleh beserta informasi detail
mengenai total produksi padi pada setiap
kecamatan. Operasi drill down tidak hanya
dapat dilakukan pada dimensi wilayah saja,
dimensi waktu pun dapat dikenakan operasi
drill down. Hasil dari drill down pada dimensi
waktu dapat dilihat pada Gambar 13.
Hasil yang dilakukan pada penelitian
Malau (2009) apabila pada Gambar 10
dikenakan operasi drill down, akan terlihat
seperti pada Gambar 11.
Gambar 13 Hasil operasi drill down pada
dimensi waktu.
Gambar 11 Hasil operasi drill down pada
penelitian Malau (2009).
Hasil yang diperoleh dari query tersebut
adalah 490.308,00 Ton padi pada tahun 2003
hingga 2007. Pada Gambar 11, terlihat hasil
produksi padi pada setiap kecamatan bernilai
nol. Hal ini terjadi karena fungsi transformasi
pada data atomik belum ada. Setelah
Operasi drill down seperti pada Gambar 13
dibutuhkan rule untuk memetakan data atomik
dari 13 kecamatan yang ada di Kabupaten
Karo untuk jangka waktu 5 tahun. Cell value
dari anggota dimensi yang berada dalam
upper level dihitung dari subordinat lower
level–nya. Sebelum melakukan transformasi
data, kita memilih cube dari anggota dimensi
yang
berada
di
lower
level
dan
menransformasikan setiap cell value untuk
menghitung upper level- nya. Oleh karena itu,
kolom dan baris yang diberi tanda pada
Gambar 13, tidak memerlukan rule untuk
mendeskripsikan nilai di setiap cell value-nya,
karena kolom dan baris tersebut merupakan
9
upper level dari level yang berada di
bawahnya.
Contoh operasi slicing pada temporal data
warehouse ini diilustrasikan pada Gambar 14.
Gambar 16 Hasil query untuk fungsi agregat
min, max, dan average.
Berdasarkan hasil query di atas, diperoleh
hasil rata-rata produksi tahun 2003 hingga
2005 adalah 9.093,67, produksi minimum
adalah 7.903,00, dan produksi maksimum
adalah 9.728,00.
Gambar 14 Contoh operasi slicing.
Contoh operasi dicing pada temporal data
warehouse dapat dilihat pada Gambar 15.
Analisis Visual dari Cross-tabulation dan
Grafik
Informasi yang dapat diperoleh dari
temporal data warehouse ini misalnya,
perkembangan produksi tanaman jagung yang
terjadi di Kabupaten Karo dari tahun 2003
hingga tahun 2007. Crosstab dan grafik dari
informasi di atas dapat dilihat pada Gambar
17.
Gambar 15 Contoh operasi dicing.
Penambahan Fungsi Agregat
Fungsi agregat yang ditambahkan pada
temporal data warehouse ini adalah min, max,
dan average. Min adalah fungsi agregat untuk
mencari nilai minimum dari suatu subset. Max
adalah fungsi agregat untuk mencari nilai
maksimum dari suatu subset. Average adalah
fungsi agregat untuk mencari nilai rata-rata
dari suatu subset. Fungsi agregat tersebut
ditambahkan dalam dimensi measure.
Contoh query untuk mengetahui fungsi
agregat misalnya, produksi minimum,
produksi maksimum dan nilai rata-rata padi
pada tahun 2003 hingga 2005 untuk kota
Barusjahe. Hasil yang akan diperoleh dari
query tersebut dapat dilihat pada Gambar 16.
Gambar 17 Cross-tabulation dan grafik
batang untuk perkembangan produksi padi
dan jagung pada tahun 2003 hingga 2007 di
Kabupaten Karo.
Dilihat dari dimensi waktu, pada tahun
2007, Kabupaten Karo menghasilkan produksi
jagung sebanyak 400.609 Ton dan produksi
padi pada tahun 2007 sebanyak 113.366 Ton.
Pada tahun 2007, padi dan jagung mengalami
peningkatan produksi tertinggi yaitu sebesar
82.030 Ton untuk jagung dan 23.450 Ton
untuk padi. Tahun 2005 produksi jagung dan
padi di Kabupaten Karo mengalami
penurunan produksi yang paling besar dalam
jangka waktu lima tahun terakhir. Produksi
padi pada tahun 2005, Kabupaten Karo
mengalami penurunan sebesar 14.804 Ton dan
menghasilkan 81.969 Ton. Produksi jagung
mengalami penurunan sebesar 30.470 Ton,
10
dan hasil yang diperoleh pada tahun 2005
sebesar 244.583 Ton.
KESIMPULAN DAN SARAN
Kesimpulan
Temporal data warehouse yang telah
dilakukan dengan menggunakan PALO 3.0
telah berhasil menangani beberapa query yang
mengalami perubahan struktur. Perubahan
struktur yang terjadi pada tahun 2003 hingga
2007 adalah split dan merge. Semakin banyak
perubahan struktur yang terjadi maka semakin
banyak kubus data yang terbentuk.
Operasi OLAP (drill down, roll up,
slicing, dicing) dapat diimplementasikan
dengan baik dalam temporal data warehouse.
Fungsi agregat seperti min, max dan average
telah berhasil diimplementasikan pada
temporal data warehouse. Perkembangan
produksi, luas tanam, dan luas panen pada
setiap kecamatan dapat dilihat lebih jelas
dengan analisis visual terhadap crosstab dan
grafik.
Keunggulan dari pendekatan temporal
pada data warehouse tanaman pangan adalah
ketika terjadi suatu perubahan pencatatan
objek antara tahun 2003-2007, analisis data
historis masih dapat berjalan dengan baik. Hal
ini terjadi karena perubahan yang ada dalam
suatu interval waktu yaitu pada tahun 2003,
2004-2005, dan 2006-2007 dibentuk ke dalam
tiga versi struktur dan dipetakan oleh fungsi
transformasi
berupa
MapF
(Mapping
Function) sehingga perubahan dimensi yang
terjadi karena operasi split dan merge dapat
ditangani.
Warehouses. University of Klagenfurt;
Dep. of Informatics-Systems.
Eder J, Christian K, Tadeuz M. 2001. A Model
for Temporal Data Warehouse. In Proc. of
the Int. OESSEO 2001 Conference.
Han J, Kamber M. 2006. Data Mining:
Concepts and Techniques. San Fransisco:
Morgan Kaufman Publisher.
Hayardisi. 2008. Data Warehouse dan OLAP
Berbasis Web Untuk Persebaran Hotspot
di Wilayah Indonesia Menggunakan Palo
2.0 [skripsi]. Bogor: Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Kusumaningtias, DW. 2007.Pembuatan Data
Warehouse Potensi Desa di Wilayah
Bogor
Menggunakan
Oracle Data
Warehouse [skripsi]. Bogor : Departemen
Ilmu Komputer, Institut Pertanian Bogor.
Malau, TJ. 2009. Pembuatan Temporal Data
Warehouse pada Komoditi Tanaman
Pangan dan Hortikultura Kabupaten Karo,
Sumatera Utara [skripsi]. Bogor :
Departemen Ilmu Komputer, Institut
Pertanian Bogor.
Mallach, EG. 2000. Decision Support and
Data warehouse System. USA : Mc. GrawHill, Inc.
Tan et al. 2006. Introduction to Data Mining.
USA : Pearson Education, Inc.
Vaisman, A. 2002. A Temporal Query
Language for OLAP Implementation and a
Case Study. In Proc. of the 8th Biennial
Workshop
on
Data
Bases
and
Programming Languages (DBPL).
Saran
Perubahan pencatatan data yang dilakukan
setiap tahun akan banyak membutuhkan kubus
data karena perubahan versi struktur yang
terjadi. Oleh karena itu, diperlukan suatu
mekanisme penyimpanan kubus data yang
lebih baik. Pembuatan modul input dan modul
update
untuk
penelitian
selanjutnya
diharapkan dapat mempermudah pengguna
dalam pembuatan temporal data warehouse.
DAFTAR PUSTAKA
Blaschka M. 1998. On Evolution in
Multidimensional Databases. In Proc. of
the DaWak‟99 Conference.
Eder J, Christian K. 2001. Evolution of
Dimension Data in Temporal Data
11
LAMPIRAN
Lampiran 1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan
pada dimensi waktu dan wilayah. Measure yang ditampilkan adalah luas tanam dalam satuan Ha.
13
Lampiran 2 Visualisasi 3-D luas panen untuk semua wilayah berdasarkan pada dimensi waktu,
komoditas pangan, dan wilayah. Measure yang ditampilkan adalah luas panen dalam satuan Ha.
14
LAMPIRAN
Lampiran 1 Visualisasi 2-D dari luas tanam padi untuk semua wilayah kecamatan berdasarkan
pada dimensi waktu