Data Warehouse Spatio Temporal Kebakaran Hutan Menggunakan GeoMondrian dan GeoServer

DATA WAREHOUSE SPATIO-TEMPORAL KEBAKARAN
HUTAN MENGGUNAKAN GEOMONDRIAN DAN GEOSERVER

MUHAMMAD HILMAN FADLI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011

ABSTRACT
MUHAMMAD HILMAN FADLI. Forest Fire Spatio-Temporal Data Warehouse using GeoMondrian
and GeoServer. Supervised by HARI AGUNG ADRIANTO
Indonesia is a country that has tremendous wealth of forests in the world. But Indonesia's
forests decreases each year by deforestation amounted to 1.87 million hectares (FAO 2007). One of
the main causes of deforestation in Indonesia is forest fires. Catastrophic forest fires cause major
problems and need complex ways to overcome. One form of forest fire prevention is monitoring
hotspots using the National Oceanic and Atmospheric Administration (NOAA) satellites. This satellite
imagery capturing the form of hotspots, which could indicate the existence of forest fires based on
location and time. Data obtained from these satellites have particularly large amount, causing the

accumulation of data hotspot. This can be overcome by the presence spatio-temporal data warehouse
technology with Spatial Online Analytical Processing (SOLAP) applications. Spatio-temporal data
warehouse capabilities in integrating data into a quick and comprehensive information to assist
decision-making process in terms of controlling forest fires.
This study developed a geographic information system that integrates data warehousing
applications spatio-temporaly with Spatial On-Line Analytical Processing (SOLAP) application using
the framework Geomondrian and Geoserver as a web map server. Pre-process data such as data
extraction, data transformation and loading of data, performed before the data warehouse is built in
accordance with the dimensional data model (the concept of design in building a data warehouse) and
integrated with Geoserver that handles the presentation of data in map form. The system was
developed to visualize data of forest fires in the form of pivot tables, graphs and maps spread of
hotspots in a web-based environment, so the system can support decision-making in an effort to
control forest fire in Indonesia.
Key word : foreset fire, geographic information system, multidimensional data, spatiotemporal data warehouse, SOLAP, geomondrian, map server, geoserver.

DATA WAREHOUSE SPATIO-TEMPORAL KEBAKARAN
HUTAN MENGGUNAKAN GEOMONDRIAN DAN GEOSERVER

MUHAMMAD HILMAN FADLI

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
2011

Judul
Nama
NIM

: Data Warehouse Spatio-Temporal Kebakaran Hutan Menggunakan GeoMondrian dan
GeoServer
: Muhammad Hilman Fadli
: G64070122

Menyetujui:
Pembimbing,

Hari Agung Adrianto, S.Kom, M.Si
NIP. 19760917 200501 1 001

Mengetahui:
Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc.
NIP. 19601126 198601 2 001

Tanggal Lulus:

KATA PENGANTAR
Puji syukur senantiasa penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat
dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi berjudul “Data Warehouse SpatioTemporal Kebakaran Hutan Menggunakan Geomondrian dan Geoserver” sebagai syarat untuk
memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer, Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Dalam menyelesaikan skripsi ini, banyak pihak yang selalu memberikan dukungan dan

bantuannya kepada penulis, oleh sebab itu penulis ingin menyampaikan rasa terima kasih kepada:
1 Ibunda, kakak-kakakku, beserta keluarga tercinta yang telah memberikan dukungan, doa, materi,
dan kasih sayang yang tiada henti mengalir
2 Bapak Hari Agung Adrianto, S.Kom, M.Si, selaku dosen pembimbing yang selalu memberikan
bimbingan dan saran selama penyelesaian skripsi
3 Ibu Dr. Yani dan Ibu Annisa, S.Kom, M.Kom selaku dosen penguji atas kesediaannya menguji
pada waktu sidang
4 Bapak Ir. Julio Adisantoso, M.Kom, selaku pembimbing akademik selama penulis berkuliah
5 Arif, Ana, Romi, Hendra dan Erna, rekan-rekan satu bimbingan penulis
6 Teman-teman seperjuangan Ilmu Komputer angkatan 44 yang penulis banggakan dan senantiasa
memberikan semangat satu sama lain
7 Semua pihak yang telah membantu dalam penyelesaian skripsi ini yang tidak dapat penulis
sebutkan satu persatu.
Semoga tulisan ini dapat bermanfaat dan dapat terus dikembangkan di masa mendatang.

Bogor, Agustus 2011

Muhammad Hilman Fadli

RIWAYAT HIDUP

Muhammad Hilman Fadli dilahirkan di Jakarta pada tanggal 13 Juni 1989 sebagai anak
keenam dari enam bersaudara dengan ayah bernama H. D Hidayat (alm) dan Ibu bernama Hj. Zainab.
Pada tahun 2007 lulus dari Sekolah Menengah Atas (SMA) Albayan Boarding School Sukabumi dan
diterima di Departemen Ilmu Komputer Institut Pertanian Bogor melalui jalur SPMB yakni Seleksi
Penerimaan Mahasiswa Baru pada tahun yang sama.
Pada tahun ajaran 2010/2011 penulis tergabung dalam tim asisten praktikum Metode
Kuantitatif dan Penerapan Komputer di Departemen Ilmu Komputer IPB. Penulis pernah
melaksanakan Praktik Kerja Lapangan (PKL) di Lembaga Penerbangan dan Antariksa Nasional divisi
kedirgantaraan.

DAFTAR ISI
Halaman
DAFTAR GAMBAR .......................................................................................................................... v
DAFTAR TABEL ............................................................................................................................... v
DAFTAR LAMPIRAN ....................................................................................................................... v
PENDAHULUAN
Latar Belakang................................................................................................................................ 1
Tujuan ............................................................................................................................................ 2
Ruang Lingkup ............................................................................................................................... 2
TINJAUAN PUSTAKA

Kebakaran Hutan ............................................................................................................................ 2
Hotspot (Titik panas) ...................................................................................................................... 3
Satelit NOAA-AVHRR................................................................................................................... 3
Spatio-Temporal Data Warehouse .................................................................................................. 3
Spatial OLAP ................................................................................................................................. 4
Operasi-operasi pada Spatial OLAP ................................................................................................ 4
Arsitektur Spatial OLAP ................................................................................................................. 4
Model Data Multidimensi ............................................................................................................... 4
Geomondrian .................................................................................................................................. 5
MDX Query .................................................................................................................................... 5
Geoserver ....................................................................................................................................... 5
OpenLayers .................................................................................................................................... 6
Geoext ............................................................................................................................................ 6
Pewarnaan Peta ............................................................................................................................... 6
METODE PENELITIAN
Studi Literatur................................................................................................................................. 6
Analisis Data .................................................................................................................................. 6
Ekstraksi Data................................................................................................................................. 7
Transformasi Data .......................................................................................................................... 7
Pemuatan Data ................................................................................................................................ 7

Pembuatan Spatio-Temporal Data Warehouse ................................................................................ 7
Pembuatan Peta .............................................................................................................................. 7
Uji Query ........................................................................................................................................ 7
Geomondrian-Geoserver ................................................................................................................. 8
Lingkungan Pengembangan ............................................................................................................ 8
HASIL DAN PEMBAHASAN
Analisis Data .................................................................................................................................. 8
Ekstraksi Data............................................................................................................................... 10
Transformasi Data ........................................................................................................................ 10
Konversi Data ............................................................................................................................... 11
Pemuatan Data .............................................................................................................................. 11
Pembuatan Data Warehouse ......................................................................................................... 11
Pembuatan Peta ............................................................................................................................ 12
Uji Query ...................................................................................................................................... 13
Gambaran Umum Spatial OLAP (SOLAP) ................................................................................... 14
Desain AntarmukaAplikasi ........................................................................................................... 15
Eksplorasi dan Presentasi Hasil Operasi OLAP ............................................................................. 15
KESIMPULAN DAN SARAN
Kesimpulan................................................................................................................................... 16
Saran ............................................................................................................................................ 16

DAFTAR PUSTAKA ....................................................................................................................... 17
LAMPIRAN ..................................................................................................................................... 18

iv

DAFTAR GAMBAR
Halaman
1 Deteksi hotspot satelit NOAA dan .................................................................................................... 1
2 Daerah terdeteksi hotspot pada ......................................................................................................... 1
3 Segitiga api (Clar dan Chatten, 1954) ............................................................................................... 3
4 Jenis dimensi data spasial. ................................................................................................................ 4
5 Tahap-tahap penelitian. .................................................................................................................... 6
6 Tahap pengembangan sistem. ........................................................................................................... 8
7 Skema snowflake. ............................................................................................................................. 9
8 Skema snowflake pada schema workbench. ...................................................................................... 9
9 Arsitektur spatio-temporal data...................................................................................................... 11
10 Arsitektur Geoserver (WebMap .................................................................................................... 12
11 Hasil query MDX biasa. ............................................................................................................... 14
12 Hasil query MDX spasial. ............................................................................................................ 14
13 CQL pada GeoExt. ....................................................................................................................... 14

14 Tabel pivot spatial OLAP ............................................................................................................. 15
15 Grafik persebaran hotspot di......................................................................................................... 15
16 Tabel pivot dengan ukuran geometrik. .......................................................................................... 15

DAFTAR TABEL
Halaman
1 Kemampuan Spektral dari NOAA-AVHRR ..................................................................................... 3
2 Frekuensi kemunculan hotspot ......................................................................................................... 7
3 Hasil reduksi data ........................................................................................................................... 10
4 Hasil pembersihan data .................................................................................................................. 10
5 Nama dan deskripsi kubus data forestfire_spatialcube .................................................................... 11

DAFTAR LAMPIRAN
Halaman
1 Struktur forestfire_spatialcube.xml ................................................................................................. 19
2 Antarmuka Sistem .......................................................................................................................... 20
3 Visualisasi data dalam bentuk Tabel Pivot, Grafik dan Peta............................................................ 21
4 Web Map Server (Geoserver) - GeoExt .......................................................................................... 25
5 Spatial OLAP dan keterangan ........................................................................................................ 34
6 Contoh-contoh Hasil Operasi OLAP .............................................................................................. 34

v

PENDAHULUAN
Latar Belakang
Indonesia merupakan salah satu negara yang
memiliki kekayaan hutan sangat besar di dunia.
Seiring berjalannya waktu, hutan Indonesia
semakin berkurang. Hal ini ditandai dengan
adanya fakta yang mengatakan bahwa laju
kerusakan hutan di Indonesia sekitar 1,87 juta
hektar atau sekitar 2% dari 88,495 juta hektar
luas hutan yang tersisa pada tahun 2005 (FAO
2007). Salah satunya disebabkan adanya
kebakaran hutan dengan jumlah frekuensi
persebaran hotspot yang tidak menentu dari
tahun ke tahun di beberapa wilayah Indonesia.
Hal ini dapat menimbulkan dampak buruk
terhadap lingkungan, sehingga seluruh makhluk
hidup di bumi pun dapat terkena dampaknya

secara langsung maupun tidak langsung.
Salah satu bentuk penanggulangan masalah
kebakaran hutan yaitu dengan melakukan
pemantauan titik panas (hotspot) menggunakan
satelit National Oceanic Atmospheric and
Administration (NOAA) maupun MODIS
(Terra dan Aqua). Satelit NOAA menangkap
citra satelit berupa titik panas (hotspot) yang
dapat mengindikasikan adanya kebakaran hutan
berdasarkan letak dan waktu tertentu. Proses
pendeteksian kebakaran hutan oleh satelit
NOAA yakni dengan mengetahui indikasi
adanya hotspot yang memiliki suhu di atas
ambang batas, berikut merupakan proses
pengambilan data satelit NOAA dan perjalanan
data yang dapat dilihat pada Gambar 1.

Gambar 1 Deteksi hotspot satelit NOAA dan
proses perjalanan data hotspot
(dimodifikasi dari http://dishut.
tabalongkab.go.id/wp-content/
uploads/2010/05/GIS.jpg)
Data yang diperoleh berupa hasil interpretasi
citra dari satelit. Menurut SSFFMP (2004)

dalam Toha (2008), terdapat beberapa
kelemahan pada satelit NOAA seperti sensornya
yang tidak dapat menembus awan, asap atau
aerosol. Rendahnya resolusi citra NOAA, yakni
sekitar 1,1 km x 1,1 km merupakan kelemahan
yang sangat mendasar dari sistem pendeteksian
kebakaran hutan. Dalam luasan sekitar 1,2 km2
tersebut, tidak dapat diketahui secara persis di
mana lokasi kebakaran berada, sehingga luasan
tersebut dinilai sebagai sebuah hotspot. Suatu
wilayah akan terpantau sebagai hotspot apabila
wilayah tersebut cukup luas dan memiliki suhu
yang cukup untuk dideteksi oleh satelit NOAA,
akan tetapi apabila luasan wilayah yang
terbakar tersebut kecil, maka diperlukan suhu
yang sangat tinggi agar wilayah tersebut dapat
terpantau sebagai suatu hotspot oleh satelit
NOAA. Ilustrasi mengenai hal tersebut dapat
dilihat pada Gambar 2.

Gambar 2 Daerah terdeteksi hotspot pada
satelit NOAA
Data yang diperoleh dari satelit tersebut
memiliki jumlah yang sangat besar dan
umumnya hanya disimpan kemudian tidak
dilakukan proses pengolahan, sehingga sangat
sedikit sekali informasi yang dapat diperoleh
dari penumpukan data hotspot tersebut. Hal ini
dapat diatasi dengan hadirnya teknologi spatiotemporal data warehouse dengan aplikasi
Spatial Online Analytical Processing (SOLAP).
Kemampuan spatio-temporal data warehouse
dalam mengintegrasikan data menjadi suatu
informasi secara cepat dan menyeluruh,
sehingga dapat membantu proses pengambilan
keputusan dalam hal pengendalian kebakaran
hutan. Namun karena resolusi citra satelit sangat
kasar (1.1 km x 1.1 km pada NOAA) maka
sangat
dimungkinkan dapat
mengalami
penyimpangan lokasi, sehingga kurang akurat
dalam identifikasi kebakaran hutan.
Hayardisi (2008) telah membangun data
warehouse dengan aplikasi OLAP persebaran
hotspot dengan sebuah kubus data dengan nilai
agregasi jumlah hotspot setiap wilayah di
Indonesia mulai dari tingkat pulau hingga

1

tingkat kabupaten. Penelitian ini telah
membangun data warehouse dengan satu tabel
fakta (hotspot) dan dua tabel dimensi (waktu
dan lokasi). Pada penelitian berikutnya, Hasan
(2009) menambahkan empat dimensi, yaitu
dimensi Hutan Tanaman Industri (HTI),
dimensi jenis tanah, dimensi Hak Pengusahaan
Hutan (HPH), dan dimensi litologi, ke dalam
kubus data penelitian Hayardisi. Kedua
penelitian tersebut membangun data warehouse
dengan
model
multidimensional
serta
menyajikan data dalam bentuk tabel dan grafik
menggunakan PALO
(OLAP server).
Trisminingsih (2010) melengkapi pembangunan
datawarehouse
ini
dengan
melakukan
pendekatan spasial terhadap dimensi lokasi
menggunakan framework Geomondrian. Pada
tahun yang sama, Sari (2010) mengembangkan
sistem informasi geografis persebaran hotspot
provinsi Kalimantan Tengah menggunakan
framework Pmapper. Penelitian tersebut
memberikan visualisasi dalam bentuk peta dari
persebaran hotspot di Kalimantan Tengah,
namun belum menggunakan data warehouse
sebagai sumber data – sehingga belum dapat
memproses data dengan cepat dalam jumlah
yang besar.
Penelitian ini mencoba merangkum dari
penelitian sebelumnya yang telah disebutkan,
yakni dengan mengintegrasikan spatio-temporal
data warehouse dengan aplikasi SOLAP
menggunakan framework Geomondrian dan
Geoserver sebagai web map server. Hasil akhir
dari penelitian ini diharapkan dapat menyajikan
data dalam bentuk tabel, grafik dan peta
persebaran hotspot sebagai indikasi kebakaran
hutan yang terdapat dalam satu sistem yang
terintegrasi, sehingga sangat efektif dalam
mendukung
dalam proses pengambilan
keputusan.
Tujuan
Tujuan dari penelitian ini adalah:
1. Menambahkan modul visualisasi atau
penyajian data persebaran hotspot dalam
bentuk peta dan melakukan penyesuaian
data warehouse yang telah dibangun pada
penelitian sebelumnya.
2. Mengembangkan suatu sistem spatiotemporal data warehouse kebakaran hutan
berbasis web dengan hasil akhir penyajian
dalam bentuk tabel, grafik dan peta yang
terintegrasi.

4. Mengukur jarak antar hotspot dan
menentukan luasan suatu daerah pada
visualisasi dalam bentuk peta.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1. Data yang digunakan adalah data hotspot
kebakaran hutan yang berada di wilayah
Indonesia tahun 1997-2005 yang didapatkan
dari satelit NOAA.
2. Sistem mendukung data dimensi dengan
ukuran numerik dan ukuran geografik
(lokasi).
3. Data persebaran hotspot kebakaran hutan
tidak spesifik terhadap suhu, yakni tidak
memiliki tingkat kepanasan tertentu pada
titik panas kebakaran hutan, sehingga titik
panas tidak dapat dikuantisasi berdasarkan
suhu.
4. Sistem
yang
dikembangkan
belum
mendukung sinkronisasi secara menyeluruh
dalam hal visualisasi peta dengan visualisasi
tabel pivot dan grafik.
TINJAUAN PUSTAKA
Kebakaran Hutan
Kebakaran merupakan suatu proses reaksi
yang menyebar secara bebas dari perpaduan
antara unsur oksigen, bahan bakar hutan dan
panas, ditandai dengan adanya cahaya, panas
dan asap. Proses ini menyebar dengan bebas
dan mengonsumsi bahan bakar alam yang
terdapat di hutan seperti serasah, rumput,
humus, ranting-ranting, kayu mati, tiang, gulma,
semak, dedaunan dan pepohonan segar lainnya
(Brown dan Davis 1973).
Proses
kebakaran
hutan
merupakan
kebalikan dari proses fotosintesis (Brown dan
Davis 1973) :
Proses fotosintesis,
CO2+H2O+energi matahari  CH6H12O6+O2
Proses pembakaran,
CH6H12O6+O2+sumber panas  CO2+H2O
+energi panas
Proses kebakaran hanya dapat terjadi apabila
terdapat tiga unsur yang saling mendukung,
yakni bahan bakar, oksigen dan sumber panas
yang disebut dengan segitiga api (Clar dan
Chatten 1954).

3. Mengetahui pola persebaran hotspot yang
mengindikasikan kebakaran hutan dalam
wilayah dan waktu tertentu.

2

Ilustrasi ketiga unsur tersebut dapat dilihat pada
Gambar 3.

Tabel 1 Kemampuan Spektral dari NOAAAVHRR

Bahan bakar

Panjang
Gelombang
(µm)

Spektral

Kegunaan

1

0,58-0,60

Sinar
tampak

Untuk deteksi
asap, awan dan
vegetasi

2

0,725-1,10

Infra merah
dekat

Untuk deteksi
vegetasi

3

3,55-3,93

Infra merah
termal

Untuk titik
panas, seperti
kebakaran hutan

10,3-11,3

Infra merah
jauh

Untuk
temperatur
permukaan

11,5-12,5

Infra merah
jauh

Untuk
temperatur
permukaan

Band

API
Oksigen

Panas

Gambar 3 Segitiga api (Clar dan Chatten, 1954)
Hotspot (Titik panas)
Hotspot merupakan titik-titik di permukaan
bumi dimana titik-titik tersebut merupakan
indikasi adanya kebakaran hutan dan lahan
(Ratnasari 2000). Indikasi yang dimaksud
adalah suhu panas hasil kebakaran hutan yang
naik ke atas atmosfer (suhu yang relatif lebih
tinggi dibandingkan dengan suhu sekitarnya)
dan ditangkap oleh satelit serta didefinisikan
sebagai hotspot berdasarkan ambang batas suhu
(threshold) tertentu. Terdapat beberapa satelit
yang dapat dimanfaatkan untuk memantau
hotspot, seperti AVHRR–NOAA (Advanced
Very High Resolution Radiometer–National
Oceanic and Atmospheric Administration) dan
MODIS (Moderate Resolution Imaging
Spectroradiometer).
Satelit NOAA-AVHRR
Satelit
NOAA
merupakan
satelit
meteorologi yang diluncurkan untuk pertama
kalinya pada tahun 1972. Satelit NOAA
memiliki 4 buah sensor, antara lain :
 Advance Very High Resolution Radiometer
(AVHRR) yang memiliki lima buah band
 Tiros Operational Vertical Sonders (TOVS)
 Data Collection and Location System
(DCLS)
 Space Environment Monitoring (SEM)
Menurut
Ratnasari
(2000)
satelit
meteorologi yang sedang beroperasi adalah
satelit NOAA yang membawa sensor AVHRR,
memiliki resolusi temporal yang sangat tinggi,
yaitu dua kali setiap hari dengan resolusi spasial
1,1 km x 1,1 km. Kemampuan spektral dari
sensor AVHRR-NOAA dapat dilihat pada Tabel
1. Menurut Sitanggang (1999) dalam Ratnasari
(2000), Sensor data AVHRR sangat bermanfaat
dalam memantau kondisi lingkungan dan cuaca
secara global.

4

5

Spatio-Temporal Data Warehouse
Spatial data warehouse merupakan suatu
koleksi data, baik data spasial maupun data
nonspasial, yang bersifat subject-oriented,
integrated, time-variant, dan non-volatile yang
digunakan pada spatial data mining dan proses
pengambilan keputusan yang berkaitan dengan
data spasial (Han & Kamber 2006). Koleksi
atau kumpulan data ini berasal dari berbagai
sumber data yang ditempatkan ke dalam satu
tempat penyimpanan yang berukuran besar dan
diproses
menjadi
bentuk
penyimpanan
multidimensional, kemudian didesain untuk
query dan reporting. Dengan demikian, spatiotemporal data warehouse adalah spatial data
warehouse yang berdasarkan aspek ruang dan
waktu sebagai dimensi akses utama dalam
SOLAP yang mendukung proses pengambilan
keputusan.
Terdapat
empat
karakteristik
data
warehouse menurut Han dan Kamber (2006),
yaitu:
1. Berorientasi subjek, data terorganisasi pada
subjek utama sesuai topik bisnis atau
berdasarkan subjek dari organisasi.
2. Terintegrasi,
data
dibangun
dengan
mengintegrasikan berbagai sumber data.
3. Time variant, dimensi waktu secara eksplisit
termasuk dalam data, jadi model dan
perubahannya dapat diketahui setiap saat.

3

4. Non-volatile, data terpisah dari database
operasional sehingga hanya memerlukan
pemuatan dan akses data tanpa mengubah
data sumber.
Spatial OLAP
Spatial Online Analytical Processing
(SOLAP) didefinisikan sebagai platform visual
yang dibangun untuk mendukung proses
analisis spatio-temporal dan eksplorasi data
dengan pendekatan multidimensional dan
ditampilkan dalam lingkungan kartografis yang
dilengkapi diagram tabular (Bédard 1997).
SOLAP merupakan aplikasi berbasiskan web
pada level klien dalam lingkup aplikasi data
warehouse yang disajikan dalam lingkungan
aplikasi OLAP dan sistem informasi geografis.
Operasi-operasi pada Spatial OLAP
Operasi-operasi pada spatial OLAP sama
seperti operasi pada OLAP. Beberapa operasi
OLAP menurut Han dan Kamber (2006) yaitu:
1. Roll up (drill up)
Operasi roll up dilakukan dengan cara
meningkatkan
tingkat
hierarki
atau
mereduksi jumlah dimensi.
2. Drill down (roll down)
Drill down merupakan operasi kebalikan
dari roll up. Operasi ini dapat
merepresentasikan data secara lebih detail
atau spesifik dari level tinggi ke level
rendah.
3. Slicing
Slicing merupakan proses pemilihan satu
dimensi dari kubus data yang bersangkutan
sehingga menghasilkan subcube.
4. Dicing
Dicing merupakan proses pendefinisian
subcube dengan memilih dua dimensi atau
lebih dari kubus data.
5. Pivoting
Pivoting merupakan suatu kemampuan
OLAP yang dapat melihat data dari berbagai
sudut pandang (view point). Sumbu pada
kubus data dalam aplikasi OLAP dapat
diatur, sehingga dapat diperoleh data yang
diinginkan sesuai dengan sudut pandang
analisis yang diperlukan.
Arsitektur Spatial OLAP
Menurut Bimonte (2006), arsitektur sistem
spatial
OLAP
tersusun
atas
struktur
multidimensional pada database spasial,
SOLAP server, dan SOLAP client. Database
spasial menyimpan geometri yang diasosiasikan
dengan dimensi dan ukuran data. SOLAP server

menangani database spasial dalam bentuk
multidimensional dan komputasi numerik untuk
penentuan nilai yang merupakan asosiasi atau
relasional antar dimensi atau parameter yang
memungkinkan untuk dilakukan. SOLAP client
dapat didefinisikan sebagai suatu perangkat
lunak yang menyediakan navigasi dengan
database spasial dengan penyajian data dalam
bentuk diagram, tabel dan peta yang
bersinkronisasi antardata.
Model Data Multidimensi
Model data multidimensi merupakan konsep
desain yang digunakan untuk mengembangkan
data warehouse. Model multidimensional
tersebut terdiri atas struktur data yang
diperlukan untuk merepresentasikan dimensidimensi serta fakta dari proses bisnis yang ada.
Model data multidimensi terdiri atas dua data
yaitu (Malach 2000):
1. Data Dimensi
Data dimensi merupakan 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.
Menurut Han & Kamber (2006), dalam
kubus data spasial terdapat tiga jenis data
dimensi yaitu:
1. Dimensi nonspatial yang berisi data
nonspasial pada setial level hierarkinya.
2. Dimensi
spatial-to-nonspatial
merupakan dimensi yang memiliki level
data spasial tetapi sebagian besar
levelnya berupa data nonspasial.
Dimensi ini secara umum dikategorikan
sebagai dimensi nonspatial.
3. Dimensi
spatial-to-spatial
adalah
dimensi yang setiap levelnya, dari level
primitif hingga level tertinggi, secara
umum berupa data spasial.
Ilustrasi jenis data dimensi menurut Han &
Kamber (2006) dapat dilihat pada Gambar 4.
Nonspatial

Spatialto-spatial

Spatial-tononspatial

Gambar 4 Jenis dimensi data spasial.

4

2. Data Fakta
Data fakta merupakan data utama dari
data multidimensi yang berisi kuantitas yang
ingin diketahui dengan menganalisis
hubungan antardimensi. Data fakta diekstrak
dari berbagai sumber. Data fakta cenderung
stabil dan tidak berubah seiring dengan
waktu. Atribut data fakta diletakkan pada
tabel fakta. Tabel fakta berukuran besar,
memiliki jumlah baris sesuai dengan jumlah
kombinasi nilai dimensi yang mungkin dan
jumlah kolom sesuai dengan jumlah dimensi
yang direpresentasikan. Tabel fakta berisi
nama-nama fakta, ukuran, dan foreign key
dari tabel dimensi yang berhubungan.

yang dapat menangani tipe data geometri
sehingga mampu menyimpan bentuk vektor
geometri (points, polygons, lines) ke dalam
kubus data.
MDX Query
Multidimensional eXpression (MDX Query)
merupakan bahasa yang mampu menangani
struktur data multidimensi atau query yang
diimplementasikan
pada
kubus
data
multidimensi, baik kubus data biasa maupun
geometri. Query ini digunakan pada SOLAP
untuk memanipulasi dan menangani data yang
ingin diretrieve sesuai dengan kubus data yang
dibuat berdasarkan skema multidimensi.
Geoserver

Ukuran dalam tabel fakta untuk kubus
data spasial terdiri atas dua jenis ukuran
(Han & Kamber 2006), yaitu: ukuran
numerik dan ukuran spasial. Ukuran
numerik hanya berisi data numerik,
contohnya jumlah frekuensi kemunculan
hotspot. Ukuran spasial berisi sekumpulan
pointer dari objek spasial, contohnya
wilayah yang mempunyai range ketinggian
yang sama dapat dikelompokkan menjadi
kolom yang sama dengan ukuran luas
wilayah.

Geoserver merupakan salah satu perangkat
lunak open source yang dibangun menggunakan
Java, perangkat lunak ini memungkinkan
pengguna
untuk
menampilkan
dan
memanipulasi data geospasial. Geoserver
dirancang
untuk
interoperability,
yaitu
menerbitkan data dari semua sumber data
spasial. Sebagai project berbasis komunitas,
Geoserver dikembangkan, diuji, dan didukung
oleh berbagai kelompok individu dan organisasi
dari seluruh dunia.

Model data multidimensi dapat menyajikan
data dalam bentuk kubus yang merupakan inti
dari model ini dan dapat digambarkan dalam
bentuk skema bintang, skema snowflake, dan
skema galaksi (Han & Kamber 2006). Skema
bintang merupakan rancangan database
sederhana, yakni data dimensi terpisah dari data
fakta (data transaksi). Skema snowflake
merupakan versi pengembangan dari skema
bintang, dimana tabel-tabel dimensinya
merupakan hasil normalisasi dari beberapa tabel
yang berhubungan. Skema galaksi merupakan
kumpulan skema bintang dengan lebih dari satu
tabel fakta yang saling berhubungan.

GeoServer dibangun dengan library
GeoTools. GeoTools adalah Java Toolkit untuk
mengembangkan aplikasi berbasis Java
berdasarkan standar dari OpenGIS. GeoServer
menitikberatkan pada kemudahan penggunaan
dan standar dalam menyajikan data geospatial
melalui web. GeoServer dirancang untuk
menerbitkan data dari semua sumber data
spasial dengan menggunakan standar OGC
(Open Geospatial Consortium). Layanan yang
disediakan oleh GeoServer adalah layanan yang
sesuai dengan open geospatial consortium
(OGC) yaitu web feature service (WFS) dan
web map service (WMS).

Geomondrian

Sebuah web map service (WMS)
menghasilkan peta bereferensi geografis. Peta
yang dimaksud merupakan representasi visual
dari geodata. Spesifikasi WMS memberikan
standar bagaimana peta dapat diminta oleh
client dan bagaimana server menjelaskan data
yang dimilikinya.

Geomondrian merupakan versi spasial dari
Pentaho
Analysis Services
(Mondrian).
Geomondrian merupakan implementasi pertama
dari SOLAP server yang bersifat open source
dimana pengguna dapat memodifikasi modul
yang
telah
ada
sesuai
dengan
kebutuhan. Teknologi ini mengintegrasikan
objek spasial ke dalam struktur kubus data
OLAP
secara
langsung. Geomondrian
menerapkan
tipe
data
geometri
dan
menyediakan fungsi MDX untuk ekstensi
spasial sehingga mampu menganalisis data
spasial dengan query analitis (Bédard 2009).
Geomondrian menambahkan library tambahan

Pada spesifikasi implementasi WMS, terdapat
tiga operasi WMS, yaitu :
 GetCapabilities
Menampilkan service-level metadata yang
berisi deskripsi informasi yang dimiliki
WMS dan parameter permintaan yang dapat
diterima. Dengan kata lain, layanan ini

5

menghasilkan parameter mengenai WMS
dan layanan layer yang disediakan.
 GetMap
Mendapatkan peta dengan parameter
dimensi dan geospasial yang telah
didefinisikan dengan jelas.
 GetFeatureInfo
Meminta informasi mengenai fitur tertentu
yang ditampilkan pada peta.
WFS atau web feature service merupakan
layanan publikasi data geospasial pada tingkat
fitur data spasial melalui media web. Spesifikasi
OGC untuk WFS menggunakan teknologi XML
(Extensible Markup Language) dan protokol
HTTP (Hyper Text Transfer Protocol) sebagai
media penyampaiannya atau mungkin lebih
tepatnya menggunakan geography markup
language (GML) yang merupakan subset dari
XML.
OpenLayers

 Natural breaks
Pengelompokan pola data, dengan
nilai-nilai dalam kelas yang cenderung sama
dan nilai-nilai antar kelas yang berbeda.
Data nilai cluster ditempatkan dalam satu
kelas.
 Standar deviasi
Masing-masing kelas didefinisikan
dengan jarak dari nilai rata-rata dari semua
fitur.
 Quantile
Setiap kelas memiliki fitur yang sama,
serta
membandingkan
daerah
yang
berukuran hampir sama, dan menekankan
posisi relatif antar fitur (Mitchell 1999).
METODE PENELITIAN
Tahapan yang dilakukan penelitian ini
dalam hal pembangunan spatio-temporal data
warehouse dapat dilihat pada Gambar 5.

OpenLayers merupakan aplikasi klien
berbasis javascript untuk menampilkan data
peta pada web browser tanpa tergantung pada
web server (OpenLayers 2010). OpenLayers
mengimplementasikan JavaScript API yang
digunakan untuk membangun aplikasi SIG
berbasis web. OpenLayers adalah perangkat
lunak gratis yang dikembangkan dari dan untuk
komunitas perangkat lunak open source.
Geoext
Geoext ini merupakan library open source
yang ditulis menggunakan Javascript, yakni
hasil pengembangan dari library OpenLayers
dan ExtJs (Anonim 2010). Library ini berperan
dalam hal interface atau antarmuka penyajian
peta sebagai jembatan penghubung antara web
map server dengan pengguna.

Gambar 5 Tahap-tahap penelitian.

Pewarnaan Peta

Studi Literatur

Pewarnaan pada peta ditujukan untuk
membedakan wilayah satu dengan lainnya.
Pembagian warna peta, misalnya ditujukan
untuk membedakan tingkat kepadatan populasi
penduduk pada suatu daerah. Metode
pembagian warna pada peta dapat berdasarkan
kategori berikut ini :
 Equal range
Setiap kelas memiliki rentang nilai
yang sama. Perbedaan antara nilai yang
tertinggi dengan terendah untuk setiap kelas
adalah sama.

Tahap ini merupakan proses pengumpulan
informasi dan literatur yang berkaitan dengan
topik penelitian. Informasi dan literatur yang
dimaksud merupakan bahan-bahan yang
diperlukan untuk mendukung penelitian ini.
Bahan-bahan tersebut dapat berupa data hotspot
maupun suatu literatur yang diperoleh dari
internet, buku, jurnal, dan artikel yang
membahas mengenai spatio-temporal data
warehouse dan implementasi SOLAP.
Analisis Data
Data hotspot yang telah diperoleh kemudian
dianalisis untuk mendapatkan atribut-atribut
yang tepat dan sesuai dalam pembuatan spatio-

6

temporal data warehouse. Hasil analisis ini
digunakan untuk menentukan dimensi, tabel
fakta, dan skema yang tepat untuk model data
multidimensi.

pada label penamaan yang bertujuan agar tidak
terdapat nama atribut yang serupa atau pada
atribut yang sama memiliki nama yang berbeda
pada database yang berbeda.

Ekstraksi Data

Pemuatan Data

Ekstraksi adalah tahap pengambilan data
yang relevan dari database relasional sebelum
masuk ke dalam data warehouse. Pada tahap
ekstraksi, atribut-atribut dan record-record yang
diinginkan dipilih dan diambil dari database
relasional. Hal ini perlu dilakukan karena tidak
seluruh elemen data berguna dalam pembuatan
keputusan. Dalam tahap ekstraksi ini, dilakukan
pula pembersihan data yang meliputi :

Setelah tahap ekstraksi dan transformasi
data dilakukan, maka data telah siap untuk
dimuat (load) ke dalam data warehouse. Pada
tahap ini, dilakukan pula pengurutan dan
peninjauan integritas suatu data. Tahap
pemuatan data bertujuan untuk memuat data
yang terseleksi ke dalam data warehouse dan
membuat indeks yang diperlukan.






Pembersihan nilai kosong (null)
Pembersihan noise
Perbaikan data yang tidak konsisten
Pembersihan data yang redudansi

Pembersihan data ini berguna dalam hal
pemerikasaan kesalahan penulisan, kurang
lengkapnya data, dan ketidakkonsistenannya
data. Untuk mendapatkan nilai frekuensi
kemunculan hotspot pada lokasi dan waktu
tertentu, perlu dilakukan proses ekstrasi guna
mereduksi data hotspot yang terjadi pada waktu
dan lokasi yang sama secara berulang. Ilustrasi
perhitungan hasil ekstraksi berdasarkan
frekuensi kemunculan hotspot dapat dilihat pada
Tabel 2.
Tabel 2 Frekuensi kemunculan hotspot
Frekuensi kemunculan hotspot
Bulan (ex: Juni)
akumulasi
per-bulan

Tanggal
Lokasi\waktu

1

2

3

…

21

27

30

L1

1

1

1

…

0

1

1

1

L2

1

1

0

…

1

0

1

1

L3

1

0

1

…

1

1

0

1

L4

0

1

0

…

0

1

0

1

… Li

…

…

…

…

…

…

…

1

Ket : [Li : Lokasi ke-i, ex : Point (140.07, -2.97)]

Transformasi Data
Transformasi data merupakan proses
generalisasi atau penyeragaman nama atribut,
agregasi dan konstruksi atribut atau dimensi.
Pada tahap transformasi ini, data yang berasal
dari semua sumber dikonversi ke dalam format
umum yang disesuaikan dengan skema
multidimensional
yang
telah
dibuat.
Transformasi terpenting adalah transformasi

Pembuatan Spatio-Temporal Data Warehouse
Proses dilanjutkankan dengan pembuatan
spatio-temporal data warehouse. Input data
dilakukan berdasarkan skema multidimensional
(dalam penelitian ini menggunakan skema
snowflake) yang telah dirancang. Skema
snowflake yang telah dirancang kemudian
diimplementasikan menjadi sebuah kubus data
geometri multidimensi (geocube) menggunakan
schema workbench. Kemudian, data yang telah
dimuatkan dalam membangun data warehouse
ini diretrieve oleh SOLAP berdasarkan struktur
kubus data geometri multidimensi yang
terbentuk.
Pembuatan Peta
Setelah tahapan ekstraksi, transformasi,
pemuatan data (Extraction, Transform, Load
/ETL) dan diikuti dengan pembuatan data
warehouse, kemudian tahap berikutnya
dilanjutkan dengan pembuatan peta berupa
layer-layer yang dikonstruksi berdasarkan sql
query. Tahapan pertama sebelum layer peta
dikonstruksi
adalah
dengan
membuat
workspace pada web map server. Kemudian
dilanjutkan dengan membangun data store pada
workspace yang telah dibuat pada web map
server. Data store merupakan tempat
penyimpanan yang dapat menampung berbagai
layer yang hendak dikonstruksi. Layer-layer
yang disimpan dalam data store dapat berupa
layer point, line, maupun polygon. Layer-layer
yang dihasilkan dari sql query tersebut
merupakan layer dengan tingkat relevansi yang
disesuaikan dengan data warehouse yang
dibangun.
Uji Query
Uji query merupakan tahap untuk menguji
apakah spatio-temporal data warehouse yang
dibuat telah sesuai dengan kebutuhan dan
memeriksa apakah operasi dasar SOLAP
berhasil diimplementasikan untuk data spasial.

7

Query yang diujikan berupa query biasa dan
query
spasial
menggunakan
fungsi
Multidimensional
Expressions
(MDX).
Pengujian dilakukan dengan geocube atau
kubus data geometri yang divisualisasikan
dalam bentuk tabel pivot dan grafik dengan
GeoMondrian, serta visualisasi peta dengan
Geoserver (Web Map Server) dalam satu web
yang terintegrasi (Web Integration). Uji query
pun dilakukan pada Geoserver dalam bentuk
Common Query Language (CQL) yang
bertujuan untuk membuat suatu layer yang
dapat menampilkan visualisasi dalam bentuk
peta sebagai timbal balik atas query yang
diberikan ke dalam web map server.
Geomondrian-Geoserver
Rangkaian dari tahapan penelitian ini
bermuara pada suatu aplikasi yang dapat
menghasilkan suatu penyajian data persebaran
hotspot di wilayah Indonesia berupa tabel pivot,
grafik dan peta. Aplikasi yang telah
dikembangkan pada penelitian sebelumnya
menggunakan geomondrian, sebagai suatu
framework yang memegang peranan penting
dalam penyajian data dalam bentuk tabel pivot
dan grafik. Skema pengembangan sistem yang
dilakukan pada penelitian sebelumnya, yakni
hanya sebatas pada lingkup geomondrian dan
menghasilkan penyajian data dalam bentuk
tabel pivot dan grafik. Pada penelitian ini
mencoba menambahkan fungsi atau modul yang
dapat menyajikan data dalam bentuk peta
dengan menggunakan geoserver sebagai web
map server, sehingga menjadi suatu sistem yang
terintegrasi. Peranan dari geomondrian dan
geoserver dalam tahapan pengembangan sistem
selengkapnya dapat dilihat pada Gambar 6.

(.shp) ataupun dapat pula diolah ke dalam
postgresql/postGIS secara langsung. Kemudian
dilanjutkan dengan tahap extraction, transform
dan loading (ETL), sehingga didapatkan
database yang sudah siap diimplementasikan ke
dalam data warehouse maupun peta pada web
map server. Pembangunan data warehouse
spatio-temporal pada Geomondrian diawali
dengan pembentukan geocube atau kubus data
geometri multidimensi, setelah terbentuk
barulah diimplementasikan pada Geomondrian.
Kemudian proses pembuatan layer-layer peta
pada
Geoserver
dilakukan
dengan
menggunakan sql query di dalamnya. Setelah
layer-layer terbentuk dalam web map server,
layer-layer tersebut kemudian disajikan
menggunakan
library
GeoExt
dan
diintegrasikan ke dalam sistem yang terdapat
Spatial
OLAP
(SOLAP)
menggunakan
Geomondrian menjadi suatu sistem yang
terintegrasi.
Lingkungan Pengembangan
Perangkat lunak yang digunakan untuk
penelitian yaitu:
1. Windows 7 Ultimate sebagai sistem operasi.
2. Apache Tomcat 7.0 sebagai web server.
3. GeoMondrian yang merupakan framework
spatial OLAP (SOLAP).
4. PostgreSQL dengan library PostGIS sebagai
perangkat lunak RDBMS.
5. Quantum GIS 1.5.0-Tethys dan uDig 1.2
RC-3 (User-friendly Desktop Internet)
sebagai perangkat lunak untuk mengolah
data spasial.
6. Schema Workbench sebagai tool desain
kubus data.
7. Geoserver 2.1.0 sebagai web map server
yang mengakomodasikan data dalam bentuk
peta.
8. Geoext sebagai library dalam manajemen
layer yang diambil dalam Geoserver.
HASIL DAN PEMBAHASAN
Analisis Data

Gambar 6 Tahap pengembangan sistem.
Secara garis besar, berdasarkan Gambar 6,
data yang diperoleh dalam bentuk excel (.xls)
dan text (.txt), dapat diolah menjadi shapefile

Data yang digunakan pada penelitian ini
adalah data hotspot kebakaran hutan dari tahun
1997 hingga tahun 2005 di seluruh wilayah
Indonesia. Berdasarkan penelitian sebelumnya,
data tersebut diperoleh dari Direktorat
Pengendalian Kebakaran Hutan (DPKH)
Departemen Kehutanan Republik Indonesia
dalam bentuk excel (.xls) dan text (.txt). Data
tersebut dapat diakses juga pada situs
www.indofire.org, situs resmi DPKH tentang

8

kebakaran hutan. Atribut-atribut yang terdapat
dalam data hotspot yaitu tahun, bulan, tanggal,
waktu, NOAA (satelit), bujur, lintang, provinsi,
dan kabupaten. Data spasial dan atribut wilayah
administrasi Indonesia yang meliputi kode
provinsi, nama provinsi, kode kabupaten, dan
nama kabupaten diperoleh dari www.inigis.info
dalam format .shp dengan skala 1: 25.000.
Dalam format ini, peta Indonesia terdiri atas 30
provinsi dan 440 kabupaten/kota.
Analisis data yang dilakukan pada data
tersebut yakni memilih atribut-atribut yang tepat
untuk mengembangkan aplikasi spatio-temporal
data warehouse. Atribut-atribut yang digunakan
adalah tahun, bulan, satelit (NOAA), bujur,
lintang dan wilayah atau lokasi. Berdasarkan
atribut-atribut yang dipilih tersebut, kemudian
dibentuk suatu tabel fakta dan tabel dimensi.
Analisis data ini sejatinya telah dilakukan oleh
penelitian sebelumnya, akan tetapi perlu
dilakukan penyesuain kembali terhadap apa
yang telah dihasilkan. Dari hasil analisis data
pada penelitian sebelumnya didapatkan sebuah
tabel fakta dengan measure jumlah hotspot dan
lima tabel dimensi, kemudian pada penelitian
ini dilakukan penyesuaian dengan adanya
penambahan sebuah dimensi, yakni dimensi
pulau atau kepulauan, sebagai salah satu level
hierarki tambahan pada dimensi lokasi. Selain
penambahan tabel dimensi pulau, dilakukan
pula perubahan measure jumlah menjadi
frekuensi dan penambahan measure luasan
hotspot pada skema multidimensi yang dibuat.
Luasan hotspot tersebut didapatkan dari hasil
perhitungan sederhana, yakni Luas = Frekuensi
kemunculan hotspot x 1,21 km2(luas dari
sebuah titik hotspot). Hasil dari perhitungan ini
masih sangat kasar dan dapat salah arti. Hal ini
disebabkan karena adanya satu daerah yang
terdeteksi berulangkali atau dalam satu pixel
(1,21 km2) sejatinya hanya sebagian area yang
mengalami kebakaran yang tidak dapat
dipastikan lokasi kebakarannya dalam hotspot
tersebut karena masih sangat terbatasnya
kemampuan satelit NOAA.
Skema data warehouse yang digunakan
adalah skema snowflake. Skema snowflake ini
digunakan untuk menangani redundansi data
geometri pada dimensi lokasi (spasial). Skema
snowflake dapat dilihat pada Gambar 7 dan
skema snowflake dalam schema workbench
dapat dilihat pada Gambar 8.

Gambar 7 Skema snowflake.

Gambar 8 Skema snowflake pada schema
workbench.

9

Ekstraksi Data
Pada
tahap
ini
dilakukan
proses
pengambilan data yang relevan sesuai dengan
model skema multidimensional yang telah
dibuat. Proses ini mereduksi atribut-atribut yang
tidak terpilih pada tahap analisis. Hasil reduksi
data dapat dilihat pada Tabel 3.

3

Perbaikan data
yang tidak
konsisten

 Penyeragaman
penulisan nama
dan nilai atribut,
seperti penulisan
nama kabupaten,
provinsi
dan
pulau
menggunakan
huruf kapital.

Pembersihan
data yang
redudansi

 Menghapus
record
data
hotspot
yang
terjadi
secara
berulang
pada
lokasi yang sama
di waktu tertentu
pada level bulan.
 Mendapatkan
nilai akumulasi
frekuensi
kemunculan
hotspot

Tabel 3 Hasil reduksi data
Atribut

Tipe data

Tahun

Integer

Bulan

Varchar (20)

NOAA (satelit)

Varchar(20)

Bujur

Text

Lintang

Text

Kode kabupaten

Integer

Kabupaten

Varchar(50)

Kode provinsi

Integer

Provinsi

Varchar(50)

Kode pulau

Integer

Pulau

Varchar(50)

4

Pada tahap ini dilakukan pula pembersihan
data untuk menangani masalah data kosong
(null), noise, data yang tidak konsisten
(inconsistency data) dan data yang redudansi.
Tahap pembersihan data ini selengkapnya dapat
dilihat pada Tabel 4.
Tabel 4 Hasil pembersihan data
No

1

2

Tahap
pembersihan
data

Keterangan

Pembersihan
nilai kosong
(null)

 Menghapus
record
data
atribut
yang
mengandung nilai
kosong (null).

Pembersihan
noise

 Menghapus
record
data
atribut
yang
mengandung
noise,
seperti
terdapatnya
hotspot
yang
berada
pada
wilayah perairan
Indonesia.

Pembersihan data pada tahap 1-3 telah
dilakukan Trisminingsih (2010), yakni dengan
melakukan
pengolahan
data
vektor
menggunakan ArcView. Jumlah data yang
dihasilkan penelitian sebelumnya setelah
pembersihan data adalah 565.693 record. Proses
hasil kstraksi pada penelitian sebelumnya masih
terdapat data hotspot yang terjadi pada lokasi
dan waktu yang sama secara berulang, sehingga
untuk menentukan frekuensi kemunculan
hotspot-nya, hanya diambil satu kejadian pada
lokasi tersebut di level bulan. Untuk itu pada
penelitian ini dilakukan penyesuaian data
kembali, dan didapatkan jumlah record sebesar
473.892 sebagai suatu jumlah frekuensi
kemunculan hotspot tersebut dengan melakukan
pereduksian data sebesar sebesar 91.801.
Transformasi Data
Proses transformasi dilakukan berdasarkan
skema snowflake yang telah dibuat pada tahap
analisis. Nama-nama atribut disesuaikan
berdasarkan nama atribut pada skema tersebut.
Atribut tahun dan bulan dikembangkan menjadi
tahun, kuartil, dan bulan. Dimensi lokasi
diperluas menjadi empat dimensi yaitu dimensi
pulau, dimensi provinsi, dimensi kabupaten dan
dimensi geohotspot. Pada data fakta ditentukan
nilai agregasi atribut-atribut yang menjadi
ukuran (measure). Atribut baru dikonstruksi
untuk menampung ukuran berupa frekuensi
kemunculan hotspot dan luasan hotspot dari
hasil agregasi. Fungsi agregat yang digunakan
adalah fungsi sum untuk proses penjumlahan

10

frekuensi kemunculan hotspot dan akumulasi
luasan kasar dari hotspot.
Konversi Data
Tahap selanjutnya yakni memuat data vektor
dan data shp ke database PostgreSQL dengan
ekstensi PostGIS. Berdasarkan penelitian
sebelumnya, data hotspot yang diperoleh dalam
format .xls dan .txt dikonversi m