Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI

APLIKASI ONLINE ANALYTICAL PROCESSING (OLAP)
BERBASIS WEB DATA WAREHOUSE TANAMAN
HORTIKULTURA MENGGUNAKAN SPAGOBI

EDO RAHARDI PERMANA

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

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Online
Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman
Hortikultura Menggunakan SpagoBI adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, April 2015
Edo Rahardi Permana
NIM G64100004

ABSTRAK
EDO RAHARDI PERMANA. Aplikasi Online Analytical Processing (OLAP)
Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI.
Dibimbing oleh HARI AGUNG ADRIANTO.
Data tanaman hortikultura yang dimiliki oleh Kementerian Pertanian selalu
bertambah setiap tahun. Data tersebut mencakup aspek komoditas, lokasi, status
angka dan waktu yang masih tersaji dalam bentuk tabel. Hal ini menyebabkan
ringkasan data susah untuk diperoleh. Aplikasi Online Analycal Processing
(OLAP) yang terintegrasi dengan data warehouse dapat menjadi solusi persoalan
ini. Penelitian ini mengolah data tanaman hortikultura yang meliputi buah-buahan,
sayuran, tanaman hias, dan tanaman obat di seluruh Indonesia mulai tahun 2000
sampai 2013. Skema star yang dipakai membentuk kubus data dengan satu tabel
fakta dan 4 dimensi. OLAP SpagoBI dipilih karena sebagai aplikasi open source,
SpagoBI memiliki fitur yang lengkap dan juga user friendly. Sistem yang terbangun

mampu menampilkan ringkasan data tanaman hortikultura dalam bentuk crosstab
dan grafik.
Kata kunci: data warehouse, OLAP, SpagoBI, tanaman hortikultura

ABSTRACT
EDO RAHARDI PERMANA. Web Based Aplication Online Analytical Processing
(OLAP) Data Warehouse of Horticultural Crops using SpagoBI. Supervised by
HARI AGUNG ADRIANTO.
Horticultural crops data that the Ministry of Agricultural has are updated
every year. The data includes aspect of commodity, location, status number and the
time which are presented as tables. This condition causes the summary of
horticultural crops data is difficult to be accesed. Online Analytical Processing
(OLAP) which is integrated to data warehouse can be a solution in this case. This
research processed horticultural crops data which included fruits, vegetables,
ornamental plants, and medicinal plants throughout Indonesia from 2000 to 2013.
Star scheme used in this research composed data cube by a single fact table and 4
dimensions. SpagoBI OLAP was choosen because the application is open source,
complete, and user friendly. The system can represent summary horticultural crops
data into the form of crosstab and charts.
Keywords: data warehouse, horticultural crops , OLAP, SpagoBI

APLIKASI ONLINE ANALYTICAL PROCESSING (OLAP)
BERBASIS WEB DATA WAREHOUSE TANAMAN
HORTIKULTURA MENGGUNAKAN SPAGOBI

EDO RAHARDI PERMANA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

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

Penguji : 1 Dr Imas Sukaesih Sitanggang, SSi, MKom

2 Rina Trisminingsih, SKomp, MT

Judul Skripsi : Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data
Warehouse Tanaman Hortikultura Menggunakan SpagoBI
Nama
: Edo Rahardi Permana
NIM
: G64100004

Disetujui oleh

Hari Agung Adrianto, SKom, MSi
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini
terasa istimewa karena dikerjakan setelah menyelesaikan amanah menjadi wakil
presiden mahasiswa meskipun tergolong terlambat dibandingkan mahasiswa secara
umum.
Terima kasih dan penghargaan penulis ucapkan kepada Bapak Hari Agung
Adrianto, SKom, MSi selaku pembimbing, Ibu Rina Trisminingsih, SKom, MT
yang pernah membimbing dan Ibu Dr Imas Sukaesih Sitanggang, SSi, MKom yang
telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan
kepada Febri Dwiprianti yang telah penulis lanjutkan penelitian dan datanya,
Bapak Bayu Chandra Winata dan Aang Khudairi sebagai pembimbing ruhani serta
seluruh dosen dan staf Departemen Ilmu Komputer yang telah membantu selama
masa kuliah. Ungkapan terima kasih juga disampaikan kepada ibu, kakak, seluruh
keluarga, teman-teman ilmu komputer angkatan 47, teman-teman BEM FMIPA
Sahabat Sinergi dan BEM KM Berani Beda atas segala doa, dukungan dan kasih
sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, April 2015
Edo Rahardi Permana

DAFTAR ISI
DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

3

METODE

4

Data Penelitian

4

Tahapan Penelitian

4

Analisis Kebutuhan Sistem

5

Praproses Data

5

Perancangan Data Warehouse

5

Implementasi Data Warehouse

6

Perancangan dan Implementasi OLAP

6

Pengujian Operasi OLAP

6

Lingkungan Pengembangan Sistem

6

SpagoBI

6

HASIL DAN PEMBAHASAN

11

Data Penelitian

11

Analisis Kebutuhan Sistem

11

Praproses Data

11

Perancangan Data Warehouse

12

Perancangan Konseptual

12

Implementasi Data Warehouse

13

Perancangan dan implementasi OLAP

15

Pengujian Operasi OLAP

17

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

18

DAFTAR PUSTAKA

18

LAMPIRAN

19

RIWAYAT HIDUP

24

DAFTAR TABEL
1
2
3
4
5
6
7
8
9

Perbandingan SpagoBI dengan Pentaho dan Jasper
Struktur hierarki dimensi tanaman hortikultura
Nama dan deskripsi dimensi kubus data tanaman hortikultura
Nama dan atribut tabel fakta
Nama dan atribut dimensi lokasi
Nama dan atribut dimensi komoditi
Nama dan atribut dimensi waktu
Nama dan atribut dimensi status angka
Skenario pengujian operasi OLAP

7
12
13
13
13
14
14
14
17

DAFTAR GAMBAR
1
2
3
4
5
6
7
8

Tahapan metode penelitian
Skema bintang dari kubus data tanaman hortikultura
Basis data kultura dalam MySQL
Kubus data tanaman hortikultura
Kode program template OLAP
Halaman muka aplikasi OLAP
Pengaturan operasi OLAP
Representasi dalam bentuk tabel crosstab dan grafik

4
12
14
15
15
16
16
17

DAFTAR LAMPIRAN
1
2
3
4
5

Memulai membangun kubus data dengan membuat proyek baru
dalam SpagoBI Studio
19
Membuat koneksi antara basis data MySQL dan SpagoBI
menggunakan MySQL JDBC dalam SpagoBI Studio
20
Membuat model baru sebagai tempat membangun dan mengatur
kubus data dalam SpagoBI Studio
21
Membuat hierarki dari setiap dimensi yang ada pada model data
dalam SpagoBI Studio
22
Membuat server SpagoBI sebagai basis aplikasi OLAP dalam
SpagoBI Studio
23

PENDAHULUAN
Latar Belakang
Kementerian Pertanian (Kementan) Indonesia mendata perkembangan
tanaman hortikultura berbagai daerah di Indonesia dalam periode tahunan. Data
yang dimiliki Kementan tersedia dan dapat diakses dalam situs resmi yang dimiliki
instansi ini. Data tersebut mencakup empat aspek utama, yaitu komoditi, lokasi,
status angka, dan waktu yang tersaji dalam bentuk tabel per komoditi atau daerah.
Belum terintegrasinya data tersebut membuat pengguna akan kesulitan untuk
menemukan ringkasan data sesuai yang diinginkan dengan cepat. Data yang terus
bertambah menghasilkan tumpukan dan kumpulan data besar yang sering kali
hanya tersimpan tanpa diolah sehingga kurang bermanfaat (Han dan Kamber 2011).
Kumpulan data besar sebenarnya dapat diintegrasikan dengan menyimpan
dan merancangnya dalam suatu basis data sehingga mempermudah pengguna dalam
menganalisis data dan membuat laporan, yang merupakan tujuan dari adanya data
warehouse. Apalagi saat ini banyak berkembang aplikasi yang dapat membantu
menganalisis data yang terintegrasi dengan data warehouse. Salah satu media yang
cukup terkenal adalah aplikasi Online Analytical Processing (OLAP). Aplikasi
OLAP dapat membantu membuat visualisasi dari data warehouse yang terbuat dan
dilengkapi dengan alat yang cocok untuk menganalisisnya.
Pembangunan aplikasi OLAP yang diintegrasikan dengan data warehouse
cukup menjadi solusi untuk memecahkan persoalan yang dihadapi saat ini.
Beberapa penelitian sejenis telah dilakukan, termasuk penelitian terakhir yang
dilakukan oleh Dwiprianti (2015) dengan menggunakan data yang sama. Pada
penelitian tersebut telah dilakukan analisis tanaman hortikultura menggunakan Palo
sebagai aplikasi OLAP berbasis web. Namun masih ada beberapa hal yang menjadi
catatan untuk terus dilakukan perbaikan dan pengembangan. Selain keterbatasan
akses karena aplikasi yang digunakan berbayar, sistem yang sudah dibuat belum
mampu menyimpan data hasil dari tabel operasi-operasi OLAP.
Dalam penelitian kali ini, peneliti membuat data warehouse beserta OLAP
berbasis web dengan menggunakan SpagoBI. Data dan analisis yang dipakai masih
menggunakan apa yang sudah dikerjakan oleh peneliti sebelumnya, namun aplikasi
OLAP yang dipilih adalah SpagoBI. Penghargaan besar diberikan kepada peneliti
sebelumnya atas kontribusi yang dilakukan telah mengunduh semua data tanaman
hortikultura yang berjumlah 951 fail satu per satu sehingga bisa langsung digunakan
dalam penelitian kali ini. Data tersebut didapatkan dari situs Kementan berupa
tanaman hortikultura tahun 2000 sampai 2013 dalam format Microsoft Excel (.xls)
yang dianalisis berdasarkan komoditi, waktu, lokasi, dan status angka. Data
tanaman hortikultura tersebut dibagi menjadi empat kelompok yaitu kelompok
buah-buahan, sayuran, tanaman obat, dan tanaman hias. Peneliti memilih
menggunakan SpagoBI karena aplikasi ini merupakan salah satu pengembangan
aplikasi data warehouse beserta OLAP yang tersedia open source. Jika
dibandingkan denga Palo, SpagoBI ini memberikan kemudahan dapat secara
otomatis memasukkan data dari basis data ke kubus data. Palo belum mendukung
hal ini dan harus dijembatani dengan kode program sehingga proses masukan data

2
lebih lama. Dengan aplikasi SpagoBI ini diharapkan dapat menampilkan ringkasan
data tanaman hortikultura sesuai yang diinginkan dengan cepat.
Perumusan Masalah
Kumpulan data besar tanaman hortikultura dalam situs Kementan masih
tersaji dalam bentuk tabel per komoditi atau daerah. Hal ini menyebabkan pengguna
kesulitan menemukan ringkasan data tanaman hortikultura yang diinginkan dengan
cepat. Oleh sebab itu, diperlukan sebuah sistem data warehouse untuk menyatukan
beragam data yang tersimpan dalam sebuah basis data yang pada penelitian ini
mengunakan basis data MySQL. Rumusan permasalahan pada penelitian ini adalah:
1 Bagaimana membangun sebuah data warehouse tanaman hortikultura
yang tervisualisasi dengan aplikasi OLAP berbasis web menggunakan
SpagoBI?
2 Bagaimana operasi - operasi OLAP dapat diimplementasikan pada data
tanaman hortikultura itu?
Tujuan Penelitian
Tujuan penelitian ini adalah membangun data warehouse tanaman
hortikultura yang dilengkapi dengan aplikasi OLAP berbasis web untuk
menampilkan hasil dari operasi-operasi analisisnya dengan menggunakan SpagoBI.
Manfaat Penelitian
Manfaat dari penelitian ini adalah aplikasi OLAP yang dibangun diharapkan
dapat menampilkan ringkasan data tanaman hortikultura sehingga membantu
pengguna dalam memperoleh informasi tanaman hortikultura sesuai keinginan
dengan lebih cepat dan membuat analisis datanya.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini difokuskan pada perancangan data warehouse
dan aplikasi OLAP berbasis web sebagai visualisasinya dengan menggunakan
SpagoBI 5.0. Data yang digunakan didapatkan dari peneliti sebelumnya yaitu
Dwiprianti (2015) yang merupakan data tanaman hortikultura pada tahun 2000
sampai 2013 yang diperoleh dari situs http: //aplikasi.deptan.go.id/bdsp/index.asp.
Komoditi yang disimpan dalam basis data terbagi menjadi kategori sayuran, buahbuahan, tanaman hias, dan tanaman obat. Komoditi yang dipakai hanya 3 jenis dari
masing-masing kategori komoditi

3

TINJAUAN PUSTAKA
Data Warehouse
Data warehouse merupakan kumpulan arsip informasi dari berbagai sumber
yang tersimpan dalam skema yang saling terintegrasi, sehingga memungkinkan
pengguna menciptakan query untuk membantu proses pengambilan keputusan (Han
dan Kamber 2011). Data atau informasi tersebut memiliki ciri tersimpan dalam
jangka waktu yang yang lama (tahunan). Dengan adanya data warehouse, proses
transaksi pekerjaan yang lain dapat dilakukan tanpa terganggu oleh beban kerja
proses pengambilan keputusan (Han dan Kamber 2011).
Tujuan utama dari pembuatan data warehouse adalah untuk menyatukan
beragam data di dalam sebuah tempat penyimpanan sehingga pengguna dapat
dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis
terhadap data yang ada. Secara rinci dijelaskan oleh Inmon (2002) bahwa data
warehouse mempunyai empat karakteristik yaitu:
 Berorientasi subjek
Data warehouse berfokus pada pemodelan dan analisis data untuk
pembuatan keputusan. Oleh karena itu, data warehouse biasanya
memberikan pandangan sederhana dan ringkas yang berisi informasi yang
relevan untuk mendukung keputusan.
 Terintegrasi
Sebuah data warehouse biasanya dibangun dengan mengintegrasikan
beberapa sumber yang bervariasi seperti basis data relasional, flat files, dan
catatan transaksi online. Pembersihan data dan integrasi data dilakukan
untuk memastikan konsistensi dalam konvensi penamaan, pengkodean, dan
atribut.
 Time-variant
Data yang tersimpan dalam data warehouse bersifat time-variant atau
bersifat akurat pada periode tertentu.
 Non-volatile
Data warehouse secara fisik selalu terpisah dari data yang
ditransformasikan. Data warehouse tidak memerlukan proses transaksi,
recovery, dan concurrency control. Biasanya hanya membutuhkan dua
operasi yaitu initial loading dan access data.
Online Analytical Processing (OLAP)
Online Analytical Processing (OLAP) digunakan untuk mengeksplorasi
data warehouse secara detail, menggunakan model data multidimensi (Boulil et al.
2014). Sistem OLAP mengelola data historis dengan jumlah yang besar,
menyediakan fasilitas untuk ringkasan dan agregasi agar membuat data lebih
mudah digunakan untuk pengambilan keputusan (Han dan Kamber 2011).
Operasi yang terdapat dalam aplikasi OLAP (Teoray 2006) yaitu:
 Drill-down : operasi untuk berpindah ringkasan data yang lebih rinci
 Roll-up
: operasi untuk berpindah dari data yang rinci ke data ringkasan
secara lebih detail.


4
Slice : operasi untuk melakukan pemilihan satu dimensi dari kubus data
sehingga menghasilkan sub cube.
Dice : operasi untuk menghasilkan bagian kubus dengan memilih dua atau lebih
dimensi.
Pivot : operasi untuk melakukan visualisasi dengan cara berputar untuk
memberikan penyajian data secara alternatif.

METODE
Data Penelitian
Data yang digunakan pada penelitian ini adalah data tanaman hortikultura
yang diperoleh dari peneliti sebelumnya yaitu Dwiprianti (2015) yang didapatkan
dari situs http://aplikasi.deptan.go.id/bdsp/index.asp pada tahun 2000 sampai tahun
2013 dan masih dalam format Microsoft Excel (.xls). Jenis tanaman hortikultura
yang akan digunakan adalah tanaman obat, buah-buahan, sayuran, dan tanaman hias.
Masing-masing jenis komoditi terbatas hanya dengan mengambil tiga jenis
data. Pemilihan jenis komoditi berdasarkan kelengkapan data dan tidak banyak
yang bernilai kosong. Jenis komoditi dalam penelitian ini yaitu komoditi sayuran
meliputi buncis, wortel, dan cabe. Komoditi buah-buahan meliputi alpukat,
belimbing, dan durian. Komoditi tanaman hias meliputi bunga anggrek, bunga
mawar, dan bunga sedap malam. Sementara itu, untuk tanaman obat meliputi jahe,
lengkuas, dan kunyit.
Tahapan Penelitian
Penelitian kali ini menggunakan tahapan penelitian seperti terlihat pada
Gambar 1.
Mulai

Studi Literatur

Analisis
Kebutuhan
Sistem

Implementasi
Operasi OLAP

Perancangan
Operasi OLAP

Implementasi
Data
Warehouse

Praproses Data

Perancangan
Data
Warehouse

tidak
Pengujian
Operasi OLAP

Sesuai

Selesai
y
a

Gambar 1 Tahapan metode penelitian

5
Analisis Kebutuhan Sistem
Pengembangan data warehouse dilakukan dengan perancangan basis data
yang jelas. Tahap pertama adalah analisis spesifikasi kebutuhan yang dilakukan
dengan mempertimbangkan analisis penelitian sebelumnya, idealnya memang
mengumpulkan kebutuhan sistem dari permintaan pengguna. Tahap analisis ini
juga ditujukan untuk mengetahui karakteristik dari masing-masing data yang
diketahui, sehingga memudahkan dalam menentukan rancangan data warehouse
yang akan dibuat.
Pada penelitian ini, data tanaman hortikultura yang didapatkan perlu disimpan
dalam DBMS MySQL. Untuk mendapatkan ringkasan data sesuai keinginan
pengguna akan dibuat operasi-operasi OLAP yang hasilnya direpresentasikan
dalam bentuk tabel crosstab dan grafik.
Praproses Data
Tahapan berikutnya adalah praproses data. Pada tahap ini, data yang ada
diolah dengan perlakuan untuk dapat menghasilkan komposisi data yang sesuai
dengan rancangan yang ada. Pada tahap ini yang dilakukan adalah mengunduh data
dalam situs Kementan. Kemudian dilakukan integrasi dan seleksi atribut karena
tidak semua data yang digunakan, hanya yang sesuai dengan hasil analisis dan
rancangan yang akan diperlukan. Untuk menyempurnakan dilakukan pembersihan
dan perbaikan data, serta menyesuaikan formatnya.
Perancangan Data Warehouse
Langkah awal dalam membuat data warehouse adalah dengan merancang
skema data warehouse terlebih dahulu. Perancangan skema data warehouse terdiri
atas desain konseptual, desain logikal, dan desain fisik (Malinowski dan Zim’anyi
2008).
1 Perancangan konseptual
Tahap ini akan menggambarkan atribut-atribut yang ada dalam data
warehouse, sekaligus keterhubungan diantaranya. Integrasi atribut-atribut tersebut
menghasilkan tabel fakta. Tabel fakta dibentuk berdasarkan informasi yang akan
ditampilkan pada aplikasi OLAP. Tabel fakta terdiri atas key dari dimensi dan
measure. Selanjutnya dilakukan integrasi tabel fakta dan dimensi yang akan
membentuk skema bintang dalam penelitian kali ini.
2 Perancangan logikal
Pada tahap ini diterjemahkan representasi konseptual basis data dari tahap
sebelumnya ke implementasi basis data menggunakan DBMS MySQL. Model data
pada data warehouse adalah multidimensional. Model multidimensional
menampilkan data dalam bentuk kubus. Model ini terdiri dari dimensi (dimensions)
dan fakta (facts) (Han dan Kamber 2011).
3 Perancangan fisik
Pada tahap ini ditentukan Server OLAP yang dapat menyimpan data dalam
bentuk kubus data. Kubus data dan dimensi terbentuk melalui hubungan antar
elemen yang ada. Pada penelitian kali ini tahap perancangan fisik langsung
digabungkan ke dalam implementasi karena konsep perancangannya dapat
langsung diaplikasikan.

6
Implementasi Data Warehouse
Data tanaman hortikultura yang telah disatukan kemudian disimpan ke dalam
basis data MySQL. Dari basis data itu dibuat struktur kubus data yang terdiri dari
dimensi, measure dan fakta. Pembuatan struktur kubus data tersebut dilakukan
dalam tool SpagoBI Studio. Penelitian kali ini menggunakan SpagoBI server
sebagai servernya.
Perancangan dan Implementasi OLAP
Aplikasi OLAP dibangun untuk merepresentasikan hasil operasi-operasi
OLAP yaitu drill-down, roll-up, slice, dice, dan pivot ke dalam bentuk tabel
crosstab dan grafik. Perancangan dan implementasi operasi-operasi OLAP ini
dilakukan dalam aplikasi SpagoBI server yang sudah terbentuk dengan
memanfaatkan tool yang sudah ada.
Pengujian Operasi OLAP
Pengujian operasi OLAP menggunakan metode blackbox. Pengujian ini
dilakukan untuk mengetahui apakah operasi OLAP yang telah dibangun sesuai
dengan fungsi-fungsi OLAP yang ditentukan dalam tahap perancangan. Jika
pengujian tersebut telah sesuai maka pembuatan data warehouse telah selesai
dilakukan.
Lingkungan Pengembangan Sistem
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah:
1 Perangkat keras berupa komputer personal dengan spesifikasi:
 Intel ® Core™ i5 CPU 2.67 GHz
 RAM 4 GB
2 Perangkat lunak yang digunakan untuk membuat sistem ialah:
 Sistem operasi Windows 8
 DBMS MySQL (sebagai basis data tempat penyimpanan data
warehouse)
 Java 6.0
 JDBC 5.1 sebagai connector basis data MySQL dengan SpagoBI
 SpagoBI Studio sebagai tool untuk membangun skema data warehouse
dan pembentukan struktur kubus data multidimensi
 SpagoBI Server sebagai OLAP Server yang melakukan fungsi agregasi
dan tempat penyimpanan struktur kubus data multidimensi
SpagoBI
SpagoBI merupakan salah satu platform BI yang free dan open source
software. SpagoBI dilengkapi lebih dari tiga puluh mesin operasional dan analitik.
Semua fungsi dari produk ini dapat diakses dan digunakan secara free. Apabila
SpagoBI dilihat dari segi arsitektur, fungsionalitas dan usability, produk ini
sebanding dengan dua platform BI yang commercial open source software yaitu
Jasper dan Pentaho (Palo) edisi enterprise. Hal ini dapat terlihat pada Tabel 1
(Golfarelli 2009). Nilai tambah yang menjadi kelebihan produk ini adalah semakin

7
memungkinkan mudahnya modul baru itu muncul untuk pengembangan dan
memperbaiki kekurangan produk dengan digunakannya sistem integrasi.
Tabel 1 Perbandingan SpagoBI dengan Pentaho dan Jasper
Functionalities
Activities scheduling
Ad-hoc reporting
Auditing
Collaborative BI
Data Mining
Dashboard
Document export
ETL
Geo-referenced analysis
OLAP
Query by Example
Report validation workflow
Reporting
User profilling

SpagoBI Pentaho
√
x
√
√
√
√
√
√
√
√
√
√
√
√

x
x
x
X
√
√
√
√
√
√
x
x
√
x

Pentaho
Ent. Ed.
√
√
√
x
√
√
√
√
√
√
x
√
√
√

Jasper
x
x
√
x
x
x
√
√
x
√
x
x
√
x

Jasper
Ent. Ed.
√
√
√
x
x
√
√
√
√
√
x
x
√
√

Dapat dilihat dalam perbandingan fungsi pada Tabel 1 bahwa SpagoBI memiliki
fungsi-fungsi setara dengan aplikasi enterprise dari Jasper dan Pentaho. Bahkan
dalam versi yang terbaru SpagoBI 5.0 (2012), fungsi Ad-hoc reeporting sudah dapat
dinikmati juga untuk digunakan melengkapi aplikasi yang dibuat. Hal ini sangat
membantu dan memberikan kenyamanan kepada pengguna yang ingin
mengembangkan sistemnya.
Engineering Group sebagai penyedia jasa aplikasi ini telah menjelaskan
kelengkapan fungsi-fungsi yang menjadi karakteristik SpagoBI dalam SpagoBI
Suite Brochure. Beberapa fungsi utama yang dimiliki SpagoBI yaitu:
 Reporting
SpagoBI menyediakan fasilitas untuk membuat laporan lebih terstruktur dan
juga dapat mengubahnya ke dalam format-format yang umum digunakan
(HTML, PDF, XLS, TXT, CSV, XML). Mesin yang digunakan adalah
JasperReport, BIRT, BO, dan Accessible report.
 Multidimensional Analysis (OLAP)
SpagoBI menyediakan mesin OLAP yang flexible dan user friendly yang
dapat memonitor data dari level-level yang berbeda melalui drill-down,
slice, dice, drill-through, dan sebagainya. Mesin yang digunakan adalah
Jpivot/Mondrian, Jpalo/Mondrian, dan JPXMLA.
 Charts
SpagoBI menyediakan alat untuk mengembangkan tampilan grafik yang
lebih interaktif dari data yang kaya. Mesin yang digunakan adalah
JfreeChart, Hchart, dan ExtChart.

8





















KPI
SpagoBI menyediakan alat yang dibutuhkan untuk membuat, mengatur,
melihat, dan mencari model hirarki KPI dengan metode yang berbeda.
Mesin yang digunakan adalah KPI.
Interactive Cockpits
SpagoBI memiliki kemampuan untuk memudahkan pengguna untuk
membuat tampilan tunggal dari beberapa dokumen yag ada dengan interaksi
yang dinamis. Mesin yang digunakan adalah composed document dan inmemory.
Ad-hoc Reporting
SpagoBI memberikan kebebasan kepada pengguna untuk membuat multisheet reports sesuai keinginannya dengan layout yang disukai. Mesin yang
digunakan adalah worksheet.
Location Intelligence
SpagoBI menyediakan dua mesin geografis yang dapat membuat hubungan
antara data geografis dan data bisnis di dalam data warehouse. Mesin yang
digunakan adalah GEO dan GIS.
Free Inquiry (Driven Data Selection)
Pengguna dapat membuat query melalui grafik dan interfase berbasis web
yang ada. Pengguna dapat mengeksekusi, melihat hasil, mengekspor dan
menyimpan hasilnya ke dalam reporting template yang ada. Mesin yang
digunakan adalah QBE dan Smart Filter.
Data Mining
SpagoBI memberikan keuntungan dalam kemampuan analisis data dengan
menggunakan proses data mining yang bertujuan mencari informasi
tersembunyi dari data yang besar. Mesin yang digunakan adalah Weka dan
R(1).
Real time Dashboards and Console
SpagoBI menyediakan alat yang khusus untuk mengawasi pekerjaan
produksi secara real time. Mesin yang digunakan adalah Dash dan Console.
Collaboration
SpagoBI menyediakan fasilitas untuk membuat berkas laporan secara
otomatis dengan dilengkapi catatan dan informasi dari para penggunanya.
Mesin yang digunakan adalah Analytical Dossier.
Office Automation
SpagoBI menyediakan alat yang spesifik untuk publikasi dokumen personal
di lingkungan BI melalui office tools yang umum. Mesin yang digunakan
adalah office.
ETL
SpagoBI memberikan fasilitas untuk dapat load data ke dalam data
warehouse dan mengaturnya. Mesin yang digunakan adalah Talend.
Mobile
SpagoBI mengembangkan fasilitas aplikasinya berbasis interaksi touchscreen untuk memudahkan kombinasi BI dengan device mobile. Mesin yang
digunakan yaitu Table, Chart,Cockpit, dan KPI.

9


External Processes
SpagoBI menawarkan suatu komponen yang dapat mengatur proses yang
berjalan di belakang layar dalam pembuatan jadwal waktu running
sistemnya. Mesin yang digunakan adalah CommonJ.
 Master Data Management
SpagoBI mengizinkan pengguna untuk mengambil keuntungan melakukan
fungsi write-back dalam basis data yang dimiliki dan dapat memodifikasi
tabel data pada user interface dengan sangat sederhana. Mesin yang
digunakan adalah Registry (QBE)
Pada penelitian kali ini fasilitas yang dimanfaatkan oleh penulis yaitu
Multidimensional Analysis (OLAP), Charts dan Reporting (PDF dan XLS).
Technical report dalam penggunaan SpagoBI (pada penelitian ini) adalah:
1 Download All-In-One-SpagoBI-Server-5.0 dan SpagoBIStudio_5.0
2 Install All-In-One-SpagoBI-Server-5.0
a Membuat CATALINA_HOME di Environment Variables.
Pilih Control Panel > System > Advance System Setting >
Environment Variables > New User Variables. Isi variable name
dengan CATALINA_ HOME dan variable value dengan path folder
All-In-One-SpagoBI-Server.
b Download dan install Java 6.0 (apabila belum ter-install Java)
c Membuat JAVA_HOME di Environment Variables.
Pilih Control Panel > System > Advance System Setting >
Environment Variables > Edit Variable ‘Path’ pada System variable.
Tambahkan di variable value dengan path folder Java.
d Masuk folder All-In-One-SpagoBI-Server-5.0 > pilih ‘bin’ > mulai
dengan memilih fail SpagoBIStartup
e SpagoBI sudah bisa diakses di Localhost.
3 Merancang dan membuat basis data, dalam penelitian ini memakai DBMS
MySQL
4 Masuk ke dalam SpagoBI Studio dengan cara klik fail .exe di folder
SpagoBI- Studio_5.0
5 Membuat fail proyek baru dengan memilih File > New > SpagoBI Project.
Isi Project name dengan nama proyek yang diinginkan.
6 Lakukan koneksi basis data yang ada dengan SpagoBI.
a Pada ‘Data Source Explorer’, klik kanan pilih ‘New’
b Pilih basis data yang dipakai, dalam penelitian ini MySQL.
c Tentukan Driver sesuai connector yang tepat untuk basis data yang
digunakan, dalam penelitian ini digunakan MySQL JDBC 5.0, atur
pada JAR list.
d Atur setting pada properties. Pada ‘Database’ ganti dengan nama basis
data yang sudah dibuat serta pada ‘URL’ sesuaikan nama
belakangannya dengan nama basis data itu.
e Test Connection, kalau ‘Succes’ berarti basis data sudah terkoneksi ke
SpagoBI
7 Membuat server baru atau dalam penelitian ini artinya menghubungkan
dengan SpagoBI server yang sudah di-install di awal.

10
a Pada ‘Resources’ >> ‘Server’ , klik kanan pilih ‘New’
b Isi pada ‘URL’ dengan ’http://localhost:8080/SpagoBI’
c Beri nama sesuai keinginan serta isi ‘User’ dan ‘Password’ dengan
‘biadmin’
d Ceklist ‘Active’ dan test server-nya
8 Membuat model kubus data
a Pilih ‘New Model’ dan beri nama sesuai keinginan
b Pilih koneksi basis data yang sudah dibuat sebelumnya
c Pilih tabel-tabel yang akan terpakai dalam pembuatan kubus data untuk
menjadi tabel fisik dalam model
d Dari tabel yang sudah dipilih, seleksi kembali yang akan diatur menjadi
‘Business Model Classes’. Langkah c dan d bisa dilewati jika
menghendaki semua tabel menjadi kelas di bisnis modelnya
e Tentukan tabel yang menjadi kubusnya dengan cara klik kanan tabel >
OLAP > “Create Cube”
f Pilih dan atur atribut mana yang menjadi measure dengan cara klik
kanan atribut > OLAP > Add measure
g Atur fungsi dari masing-masing measure pada Properties > Aggregation
type
h Tentukan tabel yang menjadi dimensi dengan cara klik kanan tabel >
OLAP > “Create Dimension”
i Buat hirarki dari masing-masing tabel dimensi dengan cara klik kanan
tabel > OLAP > Edit Hierarchies.
j Buat hubungan antara primary key pada masing-masing tabel dimensi
dengan foreign key –nya yang ada pada tabel fakta, dengan cara klik
kanan pada ‘Business Model’ > Edit > Add Relationship
k Apabila semua relationship sudah dibuat, maka dapat dibangun
template OLAP nya dengan cara klik kanan pada ‘Business Model’ >
Create > Mondrian Template
9 Membuat ‘datasource’ pada SpagoBI server
a Masuk ke aplikasi SpagoBI server di Localhost sebagai ‘biadmin’
b Pilih menu ‘Resources’ kemudian ‘Data source’
c Klik ‘Add’ dan beri nama label sesuai nama data yang diinginkan
d Pada kolom ‘Dialect’ pilih sesuai basis data yang digunakan, dalam
penelitian ini menggunakan MySQL
e Isi URL dengan connector dan tempat tersimpannya basis data, dalam
penelitian ini diisi “jdbc:mysql://localhost:3306/[nama basis data]”
f Isi ‘User’ dengan “root”
g Isi ‘Driver’ dengan ” com.mysql.jdbc.Driver”
10 Menyiapkan dan membangun OLAP
a Memperbaiki fail .xml pada template OLAP yang sudah dibuat sesuai
format yang benar
b Bangun OLAP dengan cara klik kanan template > Deploy OLAP
template.
c Beri nama sesuai keinginan dan pilih ‘datasource’ dengan data yang
sudah di-setting pada SpagoBI Server

11

11 Mulai menggunakan aplikasi OLAP dan mengatur operasinya
a Buka aplikasinya di ’http://localhost:8080/SpagoBI’
b Masuk dengan user dan password ‘biadmin’
c Mulai mengatur dan menampilkan OLAP dari document, pilih data
yang sudah dibuat

HASIL DAN PEMBAHASAN
Data Penelitian
Data tanaman hortikultura yang ada terbagi menjadi empat dimensi yaitu
komoditi, lokasi, status angka, dan waktu. Akan tetapi dari masing-masing
komoditi tersebut hanya diambil tiga jenis data. Data yang terdapat pada masingmasing dimensi tersebut adalah:
 Dimensi Komoditi
Dimensi komoditi ini dibagi menjadi empat kategori yaitu sayuran, buahbuahan, tanaman hias, dan tanaman obat. Jenis komoditi sayuran yang
dianalisis yaitu wortel, cabe, dan buncis. Jenis komoditi buah-buahan yaitu
alpukat, belimbing, dan durian. Jenis komoditi tanaman hias yaitu anggrek,
mawar, dan sedap malam. Sedangkan, data untuk komoditi tanaman obat
yaitu kunyit, jahe, dan lengkuas.
 Dimensi Lokasi
Dimensi lokasi dibagi menjadi empat bagian yaitu nasional, pulau, provinsi,
dan kabupaten. Elemen dimensi nasional diambil dari seluruh daerah yang
tersebar di 28 provinsi di Indonesia.
 Dimensi Waktu
Data dimensi waktu diambil dari tahun 2000 sampai dengan tahun 2013 untuk
masing-masing komoditi.
 Dimensi Status Angka
Data dimensi status angka terdiri dari status saat ini, angka sementara, dan
angka tetap.
Analisis Kebutuhan Sistem
Sistem yang dibangun adalah sistem berbasis web. Sistem ini dibuat untuk
memudahkan pengguna dalam mencari ringkasan data yang diinginkan dengan
cepat dan pengguna dapat memanfaatkan fasilitas sistem dengan mudah, yaitu:
1 Memilih data sesuai dengan kriteria yang diinginkan pengguna.
2 Menampilkan measure (ukuran) berdasarkan dimensi komoditi, lokasi,
waktu, dan status angka.
3 Menampilkan ringkasan data dalam bentuk tabel crosstab, grafik batang,
dan grafik baris.
Praproses Data
Pada tahap ini peneliti mendapatkan data mentah dari peneliti sebelumnya,
Dwiprianti (2015) yang telah diunduh dalam situs http://aplikasi.deptan.go.id/bdsp/
index.asp. Langkah-langkah yang dilakukan adalah:
 Mendapatkan data

12
Data diperoleh dari peneliti sebelumnya sebanyak 951 file dalam format
Microsoft Excel (.xls) berbentuk tabel per komoditi. Selain itu peneliti juga
memperoleh data bersih yang terseleksi atributnya.
 Pembersihan dan perbaikan data
Tahap ini menghilangkan data yang tidak konsisten sehingga perlu
penyeragaman penulisan untuk keperluan kelancaran pembuatan basis data,
contoh penulisan Kab.Nias dengan Kab. Nias.
 Konversi format data
Data yang sudah bersih dan seragam dikonversi ke dalam format (.csv)
untuk dimasukkan ke dalam DBMS MySQL.
Perancangan Data Warehouse
Perancangan Konseptual
Pada tahap ini ditentukan dan dibentuk tabel-tabel yang diperlukan untuk
membuat data warehouse berdasar atribut yang ada. Terbentuklah empat tabel
dimensi dan satu tabel fakta. Tabel fakta berisi key dari setiap dimensi dan juga
measure. Measure adalah data numerik yang akan dicari jejak nilainya, sedangkan
dimensi adalah parameter atau sudut pandang terhadap measure sehingga dapat
mendefinisikan suatu nilai. Measure pada penelitian kali ini adalah ukuran
produksi, ukuran produktivitas, dan ukuran luas panen.
Tabel dimensi yang terbentuk yaitu dimensi lokasi, dimensi komoditi,
dimensi tahun, dan dimensi status. Dibuatlah struktur hierarki dari tiap dimensi
yang ditunjukkan oleh Tabel 2. Level dari setiap dimensi menunjukkan tingkatan
dari struktur dimensi, dimana level 1 menunjukkan tingkatan paling tinggi.
Tabel 2 Struktur hierarki dimensi tanaman hortikultura
Dimensi
Level 1
Level 2
Level 3
Level 4
Lokasi
Nasional
Pulau
Provinsi
Kabupaten
Komoditi
All
Kategori
Nama
Komoditi
Status angka
All
Jenis status
angka
Waktu
All
Tahun
Perancangan Logikal
Tabel fakta dan tabel dimensi diintegrasikan sehingga membentuk skema
bintang sesuai perancangan konseptual seperti yang terlihat pada Gambar 2.
dim: status angka
PK id_status
Status
dim: lokasi
PK id_lokasi
Pulau
provinsi
kabupaten

fact: tanaman_hortikultura
id_status
id_waktu
id_komoditi
id_lokasi
Produksi
produktivitas
luas panen

dim: waktu
PK id_waktu
Tahun
dim: komoditi
PK id_komoditi
Kategori
komoditi

Gambar 2 Skema bintang dari kubus data tanaman hortikultura

13
Hasil dari perancangan logika ini terbentuknya satu kubus data yaitu tabel
fakta tanaman hortikultura yang ditunjukkan oleh Tabel 3.
Tabel 3 Nama dan deskripsi dimensi kubus data tanaman hortikultura
Nama dimensi
Deskripsi
Status Angka
Status angka tanaman hortikultura
Lokasi
Lokasi tumbuhnya tanaman
hortikultura
Waktu
Tahun pendataan tanaman hortikultura
Komoditi
Jenis komoditi tanaman hortikultura
Measure Produksi
Jumlah produksi tanaman hortikultura
yang dihasilkan
Measure Produktivitas
Jumlah produktivitas tanaman
hortikultura
Measure Luas Panen
Jumlah luas panen tanaman
hortikultura
Implementasi Data Warehouse
Pada tahap ini mulai dibuat basis data sesuai rancangan yang disimpan
dalam DBMS MySQL yang terdiri dari tabel fakta dan tabel dimensi. Atribut yang
terdapat dalam tabel fakta dapat dilihat pada Tabel 4. Measure diambil berdasarkan
indikator yaitu produksi, produktivitas dan luas panen.
Tabel 4 Nama dan atribut tabel fakta
Tipe atribut
Deskripsi
id_lokasi
Kode lokasi
id_komoditi
Kode komoditi
id_status
Kode status angka
id_waktu
Kode waktu dalam tahun
Measure produksi
Nilai berdasar produksi
Measure produktivitas
Nilai berdasar produktivitas
Measure luas panen
Nilai berdasar luas panen
Sebelum mengimplementasikan Tabel 4 yaitu tabel fakta, perlu dibuat
dahulu tabel-tabel dimensi yang memang mengandung primary key dan dijadikan
foreign key dalam tabel fakta tersebut. Tabel 5 akan menunjukkan atribut dalam
dimensi lokasi. Atribut dimensi komoditi dapat dilihat pada Tabel 6. Tabel 7 akan
menunjukkan atribut dalam dimensi waktu. Sementara itu, atribut dimensi status
angka dapat dilihat pada Tabel 8.
Tabel 5 Nama dan atribut dimensi lokasi
Tipe atribut
id_lokasi
Kabupaten
Provinsi
Pulau

Deskripsi
Kode lokasi
Nama kabupaten
Nama provinsi
Nama pulau

14
Tabel 6 Nama dan atribut dimensi komoditi
Tipe atribut
id_komoditi
Kategori
Komoditi

Deskripsi
Kode komoditi
Jenis kategori
Nama komoditi
Tabel 7 Nama dan atribut dimensi waktu

Tipe atribut
id_waktu
Waktu

Deskripsi
Kode waktu dalam tahun
Tahun pendataan
Tabel 8 Nama dan atribut dimensi status angka

Tipe atribut
id_status
Status

Deskripsi
Kode status angka
Status angka data

Gambar 3 menunjukkan struktur tabel basis data tanaman hortikultura yang
dibuat dalam MySQL, setelah itu mulai dibuat projek baru dalam SpagoBI Studio
untuk membangaun kubus data dari data warehouse yang ditunjukkan oleh
Lampiran 1. Perlu adanya koneksi dari DBMS MySQL untuk dapat membaca basis
data yang sudah dibuat ke dalam SpagoBI, yang pada penelitian ini digunakan
MySQL JDBC 5.1 seperti terlihat pada Lampiran 2. Kemudian Lampiran 3
memperlihatkan model baru dibuat dalam proyek ini yang sudah terkoneksi dengan
basis data sesuai kelima tabel yang ada.

.
Gambar 3 Basis data kultura dalam MySQL
Dalam model ini kubus data tanaman hortikultura dirancang dan disimpan.
Langkah awalnya yaitu dengan membuat tabel fakta menjadi cube (kubus).
Kemudian memilih dan mengatur fungsi measure seperti yang telah dirancang.
Selain itu mengatur tabel dimensi agar bertipe dimension. Hasil dari proses diatas
terbentuklah kubus data yang dapat dilihat pada Gambar 4. Kemudian dibuatlah
hirarki dari masing-masing dimensi serta keterhubungan diantaranya yang terlihat
pada Lampiran 4. Proses tersebut menandai data warehouse sudah selesai terbentuk.

15

Gambar 4 Kubus data Tanaman Hortikultura
Perancangan dan implementasi OLAP
Aplikasi OLAP dengan operasi-operasi yang ada didalamnya akan
dibangun dalam web dengan SpagoBI sebagai servernya. Langkah awal yang perlu
dilakukan adalah menghubungkan kubus data yang tersimpan di SpagoBI Studio
dengan server SpagoBI seperti Lampiran 5. Kemudian dibuatlah template OLAP
dengan menggunakan format xml. yang ditunjukkan potongan programnya pada
Gambar 5.

Gambar 5 Kode program template OLAP
Beberapa operasi OLAP yang dapat dioperasikan dalam aplikasi ini adalah
drill-down, roll-up, slice, dice dan pivot. Operasi drill-down yaitu menampilkan
data dari level tinggi ke level rendah, misalnya menampilkan nama komoditi dari
level kategori pada dimensi komoditi. Operasi roll-up yaitu kebalikan dari operasi

16
drill-down, misalnya menampilkan data buah-buahan dari data alpukat. Operasi
slice yaitu pemilihan satu dimensi dari kubus data yang ada, misalnya menampilkan
data tahun 2000 dari level dimensi waktu. Operasi dice merupakan operasi yang
memilih dua dimensi atau lebih sehingga membentuk subcube, misalya memilih
data Waktu tahun 2001 pada dimensi waktu dan memilih beberapa nama Kabupaten
pada dimensi lokasi sehingga membentuk subcube. Pada Gambar 6 dapat dilihat
halaman muka sistem yang terbuat. Untuk memilih operasi-operasi OLAP yang
akan dipakai dapat dilihat pada Gambar 7. Sementara itu, contoh hasil tabel
crosstab dan grafik yang tebentuk dapat terlihat pada Gambar 8.

Gambar 6 Halaman muka aplikasi OLAP

Gambar 7 Pengaturan operasi OLAP

17

Gambar 8 Representasi dalam bentuk tabel crosstab dan grafik
Pengujian Operasi OLAP
Pengujian sistem dilakukan dengan cara melihat kesesuaian fungsi-fungsi
sistem pada tahap analisis. Metode yang dilakukan untuk menguji adalah metode
black box. Tabel 9 menunjukkan kesesuaian fungsi sistem dengan hasil akhir
implementasi sistem.
Tabel 9 Skenario pengujian operasi OLAP
Fungsi Sistem
Skenario Pengujian
Hasil yang
Hasil
diharapkan
Pengujian
Memilih data
Menentukan salah
Data tampil
Sesuai yang
berdasarkan
satu measure dan
sesuai measure
diharapan
dimensi dan
salah satu dimensi
dan dimensi yang
measure
ditentukan
Menampilkan
Menentukan measure Data tampil di
Sesuai yang
data dalam bentuk dan dimensi, data
dalam tabel
diharapan
tabel crosstab
secara default akan
crosstab
tampil dalam tabel
crosstab
Menampilkan
Menentukan measure
data dalam bentuk dan dimensi, memilih
grafik
button “show chart”,
pilih bentuk grafik
yang diinginkan
Menampilkan
Menentukan data
data secara roll
yang akan
up, drill down,
ditampilkan, memilih
slice, dice dan
fungsi operasinya
pivot

Data
direpresentasikan
dalam grafik
sesuai keinginan

Sesuai yang
diharapan

Data akan tampil
secara roll up/
drill down/ slice/
dice/ pivot

Sesuai yang
diharapan

18

SIMPULAN DAN SARAN
Simpulan
Pembangunan data warehouse dan aplikasi OLAP tanaman hortikultura
dapat membantu menemukan ringkasan data yang sesuai keinginan dari tumpukan
data yang sangat besar di situs Deptan. Pemanfaatan operasi OLAP semakin
memudahkan dalam pemilihan jenis data yang ingin ditampilkan. SpagoBI yang
merupakan salah satu aplikasi open source OLAP memberikan kemudahan dalam
pembangunan sistem, selain memiliki tools yang lengkap, user friendly menjadi
keunggulan aplikasi ini. Aplikasi OLAP yang terbentuk mampu menjalankan
fungsinya dengan baik serta dapat menyimpan hasil operasi OLAP atau langsung
mencetaknya.
Saran
Penelitian selanjutnya dapat menambahkan jumlah komoditi dari masingmasing kategori sehingga bisa memperkaya informasi yang bisa didapatkan untuk
memperbesar manfaat bagi pengguna. Masih banyak sekali fitur dalam OLAP
SpagoBI yang bisa dimanfaatkan untuk membuat tampilan yang lebih menarik serta
meningkatkan kemampuan dan kemudahan pengguna. Aspek usability antar muka
OLAP dapat dijadikan tambahan kajian untuk memudahkan pengguna awam.
Selain itu, perlu dikaji sistem dengan kondisi measure yang memiliki unit satuan
yang berbeda.

DAFTAR PUSTAKA
Boulil K, Ber LF, Bimonte S, Grac C, Cernesson F. 2014. Multidimensional
modeling and analysis of large and complex watercourse data: an OLAP-based
solution. Ecological Informatics. 24: 90-106.
Dwiprianti F. 2015. Online Analytical Processing (OLAP) Berbasis web untuk
tanaman hortikultura menggunakan Palo [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Golfarelli M. 2009. Open Source BI Platforms: a Functional and Architectural
Comparisson. Di dalam: Mohania, Mukesh K, Tjoa, A Min, editor. Data
Warehousing and Knowledge Discovery. 11th International Conference
DaWak; 2009 August-September 31-2; Linz, Austria. Bologna (IT): University
of Bologna. hlm 287-297.
Han J, Kamber M. 2011. Data Mining: Concepts and Techniques. Ed ke-3. San
Francisco (US): Morgan Kaufmann.
Inmon WH. 2002. Building The Data Warehouse. Ed ke-3. New Jersey (US): J
Wiley.
Malinowski E, Zim’anyi E. 2008. Advanced Data Warehouse Design. Berlin (DE):
Springer.
Teorey T, Lightstone S, Nadeau T. 2006. Database Modeling and Design: Physical
Database Design for Decision Support, Warehousing, and OLAP. Ed ke-4. San
Francisco (US): Morgan Kaufmann.

19
Lampiran 1 Memulai membangun kubus data dengan membuat proyek baru
dalam SpagoBI Studio

20
Lampiran 2 Membuat koneksi antara basis data MySQL dan SpagoBI
menggunakan MySQL JDBC dalam SpagoBI Studio

21
Lampiran 3 Membuat model baru sebagai tempat membangun dan mengatur
kubus data dalam SpagoBI Studio

22

Lampiran 4 Membuat hierarki dari setiap dimensi yang ada pada model data dalam
SpagoBI Studio

23

Lampiran 5 Membuat server SpagoBI sebagai basis aplikasi OLAP dalam
SpagoBI Studio

24

RIWAYAT HIDUP
Penulis dilahirkan di Kabupaten Magetan pada tanggal 2 Juli 1991, sebuah
daerah paling barat di Jawa Timur di bawah kaki Gunung Lawu. Penulis merupakan
anak bungsu dari 3 bersaudara, pasangan R.Rahardjo, SH dan Anitawati. Sejak
kecil penulis sering berpindah tempat tinggal dari Magetan, Tabanan Bali dan
Gresik. Penulis menamatkan pendidikan Sekolah Menengah Atas (SMA) di SMAN
1 Magetan pada tahun 2010. Pada tahun yang sama, penulis diterima masuk di
Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI)
Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menuntut ilmu di kampus ini, penulis aktif di beberapa organisasi.
Mulai tingkat satu TPB, penulis aktif di Lembaga Dakwah Ikatan Keluarga Muslim
TPB, UKM Kewirausahaan Century dan organisasi mahasiswa daerah IMPATA.
Tingkat dua ketika masuk ke fakultas, penulis mulai aktif menjadi Wakil Ketua
Departemen Kajian Strategis BEM FMIPA 2012. Setahun selanjutnya penulis
diberikan kesempatan dan kepercayaan menjadi Ketua BEM FMIPA Kabinet
Sahabat Sinergi. Pada tingkat akhir atau tahun keempat, penulis diberikan
kepercayaan oleh mahasiswa IPB untuk menjadi Wakil Presiden Mahasiswa IPB
2014 Kabinet Berani Beda. Selain itu, penulis juga melaksanakan praktik kerja
lapangan di Direktorat Komunikasi dan Sistem Informasi IPB pada tahun 2013.