Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran Hutan

PENINGKATAN KINERJA SISTEM SPATIAL ONLINE
ANALYTICAL PROCESSING (SOLAP) TITIK PANAS
KEBAKARAN HUTAN

ANNA QAHHARIANA

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Peningkatan Kinerja
Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran
Hutan 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, Januari 2014
Anna Qahhariana
NIM G64114035

ABSTRAK
ANNA QAHHARIANA. Peningkatan Kinerja Sistem Spatial Online Analytical
Processing (SOLAP) Titik Panas Kebakaran Hutan. Dibimbing oleh IMAS
SUKAESIH SITANGGANG.
Satelit NOAA-AVHRR digunakan untuk melakukan pemantauan terhadap
titik panas kebakaran hutan. Data histori titik panas yang dihasilkan oleh satelit
tersebut sangat banyak dan menumpuk. Data histori titik panas tersebut dikelola
dengan teknologi data warehouse dan sistem spatial online analytical processing
(SOLAP). Pada penelitian sebelumnya telah dilakukan peningkatan kinerja
terhadap sistem tersebut sehingga titik panas yang mampu dihasilkan meningkat
menjadi 1500 titik. Penelitian ini bertujuan untuk meningkatkan kinerja sistem
SOLAP data titik panas yang telah dibangun dalam penelitian sebelumnya.
Peningkatan kinerja meliputi konfigurasi dari sisi perangkat lunak seperti
peningkatan Java runtime environment (JRE), peningkatan server Apache Tomcat,

dan peringkasan proses Javascript object notation (JSON) sedangkan spesifikasi
perangkat keras menggunakan spesifikasi RAM dan processor yang sama dengan
penelitian sebelumnya. Jumlah titik panas hasil query yang mampu dihasilkan dari
konfigurasi tersebut meningkat menjadi 5344 titik.
Kata kunci: kebakaran hutan, spatial data warehouse, spatial OLAP, titik panas

ABSTRACT
ANNA QAHHARIANA. Performance Improvement of Forest Fire Hotspot Spatial
Online Analytical (SOLAP) System. Supervised by IMAS SUKAESIH
SITANGGANG.
NOAA-AVHRR satellite is used for monitoring forest fire hotspots. There
are a large historical hotspot data which provided by this satellite. The data can be
stored in a spatial data warehouse and it can be managed using a spatial online
analytical processing (SOLAP) system. The previous research has succesfully
improved the performance of SOLAP for hotspot data so that the number of hotspot
which can be displayed was increased to 1500 points. This research intends to
enhance the performance of SOLAP system for hotspots data that has been built in
the previous work. Performance improvement involves configuration which is
focused on software specification including Java runtime environment (JRE),
Apache Tomcat server, and simplify some processes of Javascript object notation

(JSON). The new configuration was performed using hardware including RAM and
processor with the same spesification as those in the previous research. It was found
that the number of hotspots as the results of queries in the new configuration of
SOLAP increase to 5344 hotspots.
Keywords: forest fire, hotspot, spatial data warehouse, spatial OLAP

PENINGKATAN KINERJA SISTEM SPATIAL ONLINE
ANALYTICAL PROCESSING (SOLAP) TITIK PANAS
KEBAKARAN HUTAN

ANNA QAHHARIANA

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
2014

Penguji:
1 Hari Agung Adrianto, SKom MSi
2 Endang Purnama Giri, SKom MKom

Judul Skripsi : Peningkatan Kinerja Sistem Spatial Online Analytical Processing
(SOLAP) Titik Panas Kebakaran Hutan
Nama
: Anna Qahhariana
NIM
: G64114035

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Peningkatan Kinerja Sistem Spatial Online Analytical Processing
(SOLAP) Titik Panas Kebakaran Hutan
: Anna Qahhariana
Nama
: G64114035
NIM

Disetujui oleh

C\\lllU\
Dr Imas Sukaesih Sitanggang, SSi MKom
Pembimbing

Tanggal Lulus:

2 8 JAN 201'

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah spatial
online analytical processing dengan judul Peningkatan Kinerja Sistem Spatial
Online Analytical Processing (SOLAP) Titik Kebakaran Hutan.
Dalam pelaksanaan penelitian tugas akhir ini, penulis ingin menyampaikan
terima kasih kepada:
1 Ayahanda Diding Rosidin, Ibunda Ika Herliana, Adik-adik, dan keluarga yang
senantiasa memberikan doa dan dukungan.
2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing atas
nasihat dan bimbingannya selama proses pengerjaan tugas akhir ini.
3 Bapak Hari Agung Adrianto, SKom MSi dan Bapak Endang Purnama Giri,
SKom MKom selaku dosen penguji atas kesediaannya menjadi penguji pada
ujian tugas akhir ini.
4 Deepak Dhamija yang senantiasa memberikan semangat dan inspirasi.

5 Teman-teman satu bimbingan yang senantiasa saling memberikan semangat.
6 Rekan-rekan dari departemen ilmu komputer IPB alih-jenis angkatan 6 yang
senantiasa memberikan semangat dan motivasi.
Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2014
Anna Qahhariana

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
PENDAHULUAN

vi
vi
1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Titik Panas

2

Data Spasial

3

Data Warehouse

3

Spatial Data Warehouse

4

Spatial Online Analytical Processing (SOLAP)

5

Multi-Dimensional eXpressions (MDX) Query

6

METODE

6

Data Penelitian dan Area Studi

6

Tahapan Penelitian

7

Lingkungan Pengembangan

8

HASIL DAN PEMBAHASAN

8

Analisis Awal Sistem SOLAP

8

Identifikasi Masalah

11

Rekomendasi Solusi

12

Konfigurasi Ulang SOLAP

12

Pengujian

12

Analisis Hasil Pengujian

17

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

19

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

24

DAFTAR TABEL
1 Jumlah data titik panas tahun 1997 sampai dengan 2005
2 Hasil pengukuran kinerja proses kueri pada konfigurasi 1 (K1) dan
konfigurasi 2 (K2)
3 Perbandingan waktu rata-rata, maksimum, dan minimum proses
kueri antara konfigurasi 1 (K1) dan konfigurasi 2 (K2)

7
17
18

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Skema star menurut Han et al. (2012)
Skema snowflake menurut Han et al. (2012)
Skema fact constellation menurut Han et al. (2012)
Tahapan implementasi spatial data warehouse Kyung et al. (2011)
Tahapan penelitian
Arsitektur awal sistem SOLAP Wipriyance (2013)
Skema data warehouse sistem SOLAP Wipriyance (2013)
Alur kerja sistem SOLAP Wipriyance (2013)
Output SOLAP yang menampilkan 1500 titik panas
Output JPivot (Geomondrian) 1500 titik panas
Output SOLAP yang menampilkan 2093 titik panas
Output JPivot (Geomondrian) 2093 titik panas
Output SOLAP yang menampilkan 3148 titik panas
Output JPivot (Geomondrian) 3148 titik panas
Output SOLAP yang menampilkan 5344 titik panas
Output JPivot (Geomondrian) 5344 titik panas

3
4
4
5
7
9
10
10
13
13
14
14
15
15
16
16

PENDAHULUAN
Latar Belakang
Kebakaran hutan dan lahan adalah suatu peristiwa kebakaran yang terjadi
secara alami atau ulah perbuatan dengan ditandai adanya penjalaran api secara
bebas serta membakar bahan-bahan yang ada di hutan dan lahan (Adinugroho et al.
2004). Bencana kebakaran hutan menjadi suatu isu lingkungan dan ekonomi yang
sangat menarik dunia internasional khususnya setelah terjadi bencana el nino pada
tahun 1997-1998. Bencana tersebut menghanguskan lahan hutan seluas 25 juta
hektar di seluruh dunia. Indonesia sebagai salah satu negara yang memiliki
kekayaan hutan sangat besar juga mengalami kebakaran hutan paling parah di dunia
pada tahun yang sama (Tacconi 2003).
Salah satu bentuk penanggulangan terhadap bencana kebakaran hutan di
Indonesia adalah melakukan pemantauan terhadap titik panas. Pemantauan tersebut
menggunakan satelit khusus yaitu satelit NOAA-AVHRR (Ratnasari 2000). Satelit
tersebut menangkap citra satelit berupa titik panas yang dapat mengindikasikan
adanya kebakaran hutan berdasarkan letak dan waktu tertentu (Fadli 2011). Data
titik panas yang dihasilkan oleh satelit NOAA-AVHRR sangat banyak dan
menumpuk. Penumpukan data yang dihasilkan oleh satelit NOAA-AVHRR
tersebut dapat diatasi dengan teknologi spatio-temporal data warehouse dan
aplikasi spatial online analytical processing (SOLAP). Teknologi tersebut telah
berhasil diterapkan pada data titik panas oleh Fadli (2011). Kemudian penelitian
tersebut disempurnakan oleh penelitian Imaddudin (2012) dengan penambahan
sinkronisasi antara visualisasi dan peta dan query online analytical processing
(OLAP) namun aplikasi tersebut hanya berhasil menampilkan data sampel titik
panas sebanyak 190 titik. Penelitian Wipriyance (2013) melakukan peningkatan
kinerja sistem SOLAP tersebut dengan meningkatkan versi Java runtime
environment (JRE) dan melakukan konfigurasi pada java heap pada sisi server.
Jumlah titik panas yang berhasil ditampilkan pada penelitian Wipriyance (2013)
tersebut adalah 1500 titik panas.
Jumlah titik panas pada data warehouse yang telah dibuat mencapai 473 892
titik dengan cakupan wilayah di 32 provinsi Indonesia dan rentang waktu dari tahun
1997 sampai dengan 2005 (Wipriyance 2013). Sedangkan sistem SOLAP yang
telah dioptimasi pada penelitian Wipriyance (2013) hanya mampu menampilkan
jumlah titik panas yang sedikit. Hal tersebut masih jauh dari kebutuhan pengguna.
Sistem tersebut perlu dianalisis dan dikonfigurasi ulang agar kinerjanya meningkat
sehingga mampu menampilkan jumlah titik panas yang lebih banyak dan optimal.
Menurut penelitian Wipriyance (2013) besarnya jumlah titik yang dapat
ditangani oleh sistem dipengaruhi oleh ukuran Java heap. Ukuran Java heap ini
dapat diatur dengan menyesuaikan besarnya RAM yang digunakan. Spesifikasi
ukuran RAM yang digunakan pada penelitian Wipriyance (2013) adalah 2GB
sedangkan ukuran pengaturan Java heap yang digunakan adalah 1024 MB. Dengan
spesifikasi pengaturan tersebut menurut Wipriyance (2013) tidak mampu
menampilkan jumlah titik panas lebih dari 1500 titik dan untuk menampilkan
jumlah titik panas yang lebih banyak perlu peningkatan spesifikasi dari sisi
perangkat keras seperti peningkatan RAM dan processor.

2
Penelitian ini menggunakan spesifikasi RAM dan processor yang sama
dengan penelitian Wipriyance (2013). Peningkatan kinerja dilakukan dari sisi
perangkat lunak seperti peningkatan JRE, peningkatan server Apache Tomcat, dan
peringkasan proses Javascript object notation (JSON).
Perumusan Masalah
Rumusan permasalahan pada penelitian ini adalah bagaimana melakukan
peningkatan kinerja sistem SOLAP yang pernah dibuat dan dioptimasi pada
penelitian sebelumnya agar data histori titik panas kebakaran hutan yang dapat
dikelola lebih banyak tanpa mengubah spesifikasi perangkat keras seperti RAM dan
processor.
Tujuan Penelitian
Tujuan dari penelitian ini adalah melakukan analisis dan meningkatkan
kinerja SOLAP yang sudah ada sehingga jumlah titik panas yang dapat dikelola
lebih banyak.
Manfaat Penelitian
Hasil dari penelitian ini yaitu sistem SOLAP dapat mengelola data histori titik
panas lebih banyak untuk keperluan pengguna dalam mengambil keputusan terkait
persebaran kebakaran hutan.
Ruang Lingkup Penelitian
Lingkup dari penelitian ini, yaitu:
1 Penelitian ini dibatasi pada peningkatan kinerja dan lingkungan pengembangan
sistem SOLAP yang telah dibuat dan dioptimasi pada penelitian Wipriyance
(2013).
2 Spesifikasi perangkat keras seperti ukuran RAM dan jenis processor yang
digunakan sama seperti pada penelitian Wipriyance (2013).
3 Perubahan konfigurasi dilakukan dari sisi lingkungan pengembangan perangkat
lunak.

TINJAUAN PUSTAKA
Titik Panas
Titik panas merupakan titik-titik panas di permukaan bumi dimana titik-titik
tersebut merupakan indikasi adanya kebakaran hutan atau lahan. Suhu panas pada
kebakaran hutan akan naik ke atmosfer kemudian akan terdeteksi oleh satelit
sebagai titik panas berdasarkan ambang batas suhu (threshold) tertentu. Satelit yang
digunakan untuk mendeteksi adanya kebakaran hutan yaitu NOAA-AVHRR.
Satelit yang pertama kali diluncurkan pada tahun 1972 ini memiliki 4 buah sensor
yaitu advance very high resolution radiometer (AVHRR), tiros operational vertical

3
sonders (TOVS), data collection and location system (DCLS), dan space
environment monitoring (SEM) (Ratnasari 2000).
Data Spasial
Data spasial menurut O’Sullivan dan Unwin (2003) dalam dunia sistem
informasi geografis, dibagi menjadi dua jenis, yaitu:
1 Data Vektor
Tipe data ini biasanya digunakan untuk representasi titik koordinat berupa titik
(point), garis (lines), dan region (area), misalnya representasi titik (point) dapat
mewakili letak suatu kota.
2 Data Raster
Tipe data ini biasanya digunakan untuk representasi bentuk grid atau sel,
misalnya jenis tanah, kelembaban tanah, dan suhu.
Data Warehouse
Pengertian data warehouse menurut Han et al. (2012) adalah suatu teknologi
penyimpanan data yang berukuran besar dan dibangun terpisah dari database
lainnya yang bersifat operational seperti sistem basis data relasional, sistem proses
transaksi, dan sistem file biasa. Teknologi data warehouse memiliki skema
tersendiri. Menurut Han et al. (2012), jenis - jenis skema tersebut yaitu:
1 Skema Star
Skema ini memiliki sebuah tabel fakta sebagai pusatnya. Pada tabel fakta
tersebut memiliki foreign key dari setiap tabel dimensi. Skema star dapat dilihat
pada Gambar 1.

Gambar 1 Skema star menurut Han et al. (2012)
2 Skema Snowflake
Skema ini merupakan variasi dari skema star. Namun pada skema ini, tabel
dimensi mengalami normalisasi. Skema snowflake dapat dilihat pada Gambar 2.

4

Gambar 2 Skema snowflake menurut Han et al. (2012)
3 Skema Fact Constellation
Skema ini dapat memiliki lebih dari satu tabel fakta sebagai pusatnya. Skema
fact constellation dapat dilihat pada Gambar 3.

Gambar 3 Skema fact constellation menurut Han et al. (2012)
Spatial Data Warehouse
Informasi yang bersifat spatial mulai popular. Salah satu contohnya adalah
informasi peta yang berasal dari satelit dan sistem telemetri. Informasi spasial yang
dihasilkan sangat besar dan perlu dianalisis secara efisien. Dalam analogi nonspatial, tentunya teknologi spatial data warehouse dapat diterapkan dan didukung
dengan operasi online analytical processing baik pada data spasial maupun data
tidak spasial (Papadias et al. 2001).
Tahapan-tahapan implementasi spatial data warehouse menurut Kyung et al.
(2011) dapat dilihat pada Gambar 4.

5
Identifikasi Faktor Terkait Data Geospasial

Perancangan Logika dan Fisik SDW

Konstruksi SDW Menggunakan Spasial ETL

Pembentukan Kubus Data untuk SOLAP

Gambar 4 Tahapan implementasi spatial data warehouse Kyung et al. (2011)
Berdasarkan Gambar 4, langkah awal untuk merancang suatu sistem
keputusan untuk data geospatial adalah mengidentifikasi dan menganalisis faktorfaktor yang terkait dengan perancangan spatial data warehouse. Dari hasil analisis
tersebut dibuat perancangan logika serta tabel dimensi dan tabel fakta dijabarkan
pada tahap pemodelan fisik. Data geospatial dan data lainnya yang terkait
diekstraksi kemudian diintegrasikan melalui proses spatial extract, transform, and
load (ETL) untuk membangun sebuah spatial data warehouse. Setelah melakukan
implementasi spatial data warehouse, kubus data dikonfigurasi untuk keperluan
proses spatial online analytical processing (SOLAP).
Spatial Online Analytical Processing (SOLAP)
Spatial online analytical processing (SOLAP) merupakan implikasi dari
konsep online analytical processing (OLAP). Paradigma spatial online analytical
processing (SOLAP) harus mendefinisikan informasi spatial yang diadaptasikan
dengan fungsi agregasi, dimensi spatial dan hirarki, spatial OLAP algebra, antar
muka yang memiliki fitur tabular dan kartografi, dan lain-lain (Bimonte et al. 2007).
Operasi-operasi pada spatial online analytical processing (SOLAP) sama
dengan operasi pada OLAP perbedaannya adalah operasi ini diaplikasikan pada
data spasial. Menurut Han et al (2012) operasi-operasi pada SOLAP atau OLAP
yang digunakan antara lain, yaitu:
1 Operasi Roll Up
Operasi ini melakukan agregasi terhadap kubus data dengan menaikan hirarki
sampai dengan level paling atas. Operasi ini melakukan navigasi terhadap data
sehingga data dapat dilihat secara umum atau global.
2 Operasi Drill Down
Operasi ini merupakan kebalikan dari operasi roll up. Operasi drill down
melakukan navigasi terhadap data menjadi lebih terperinci.
3 Operasi Slice dan Dice
Operasi ini melakukan seleksi data pada satu dimensi dari kubus data yang
diberikan sehingga menghasilkan sub kubus data.

6
4 Operasi Pivot (Rotate)
Operasi ini merupakan operasi visualisasi dengan memutar data.
Multi-Dimensional eXpressions (MDX) Query
Multi-Dimensional eXpressions (MDX) Query merupakan struktur bahasa
yang memungkinkan pengguna untuk melakukan kueri OLAP terhadap kubus data.
MDX query memiliki struktur yang mirip dengan structured query language (SQL)
pada basis data relasional. MDX query dapat digunakan untuk menambah logika
bisnis pada kubus data, mendefinisikan pengaturan keamanan baik yang sederhana
maupun kompleks, membuat kustomisasi member untuk fungsi roll-up, dll
(Whitehorn et al. 2005). Struktur dasar MDX query menurut Whitehorn et al.
(2005) adalah sebagai berikut:
SELECT
{definisi kolom} ON COLUMNS,
{definisi baris} ON ROWS FROM [nama kubus data]

Berikut contoh pemakaian MDX query pada data titik panas misalnya data
titik panas pada tahun 1997 di daerah kabupaten Banyu Asin, Sumatera Selatan,
yaitu:
SELECT
{[Measures].[Jumlah_Hotspot]} ON COLUMNS,
NON EMPTY {[lokasi].[SUMATERA SELATAN].[BANYU ASIN].children} ON
ROWS FROM [geohotspot] WHERE [waktu].[1997]

METODE
Data Penelitian dan Area Studi
Data yang digunakan pada penelitian ini adalah data warehouse persebaran
titik panas (hotspot) kebakaran hutan di 32 provinsi Indonesia pada tahun 1997
sampai dengan tahun 2005 pada penelitian Wipriyance (2013). Cakupan wilayah
meliputi Bali, Bangka Belitung, Banten, Bengkulu, Daerah Istimewa Yogyakarta,
DKI Jakarta, Gorontalo, Irian Jaya Barat, Jambi, Jawa Barat, Jawa Tengah, Jawa
Timur, Kalimantan Barat, Kalimantan Selatan, Kalimantan Tengah, Kalimantan
Timur, Kepulauan Riau, Lampung, Maluku, Maluku Utara, Nangroe Aceh
Darussalam, Nusa Tenggara Barat, Nusa Tenggara Timur, Papua, Riau, Sulawesi
Selatan, Sulawesi Tengah, Sulawesi Tenggara, Sulawesi Utara, Sumatera Barat,
Sumatera Selatan, dan Sumatera Utara. Jumlah data titik panas tahun 1997 sampai
dengan 2005 dapat dilihat pada Tabel 1.

7
Tabel 1 Jumlah data titik panas tahun 1997 sampai dengan 2005
Tahun
1997
1998
1999
2000
2001
2002
2003
2004
2005
Rata - rata

Jumlah
113 449
42 340
27 603
11 245
26 223
70 082
66 270
77 992
38 688
52 655

Tahapan Penelitian
Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada
Gambar 5.
Analisis Hasil Pengujian

Analisis Awal Sistem SOLAP Wipriyance (2013)

Ya
Identifikasi Masalah

Tidak

Optimal

Pengujian

Rekomendasi Solusi

Konfigurasi Ulang SOLAP

Gambar 5 Tahapan penelitian
1 Analisis awal sistem SOLAP
Pada tahap ini, dilakukan analisis awal terhadap sistem meliputi analisis
arsitektur sistem, lingkungan pengembangan sistem, alur kerja sistem,
konfigurasi yang telah dilakukan, dan hasil pengujian dari konfigurasi yang
telah dilakukan.
2 Identifikasi masalah
Tahapan ini menguraikan permasalahan yang terjadi pada sistem terkait dengan
hasil analisis awal.
3 Rekomendasi solusi
Tahapan ini memberikan rekomendasi solusi berdasarkan permasalahan yang
terjadi pada sistem dan hasil analisis awal sistem.
4 Konfigurasi ulang SOLAP
Tahapan ini melakukan konfigurasi ulang terhadap sistem berdasarkan
rekomendasi solusi yang diberikan.

8

5 Pengujian
Pada tahap ini melakukan pengujian terhadap kecepatan dan jumlah titik panas
yang mampu ditampilkan berdasarkan hasil dari konfigurasi ulang. Apabila
pengujian menghasilkan hasil yang optimal maka proses dapat berlanjut pada
tahap analisis hasil pengujian. Namun apabila hasil pengujian belum sesuai
maka proses akan kembali ke tahapan konfigurasi ulang. Kriteria optimal pada
penelitian ini yaitu dapat menampilkan lebih dari 1500 titik panas tanpa error.
6 Analisis hasil pengujian
Tahapan ini melakukan analisis terhadap hasil pengujian yang sudah sesuai
dengan hasil yang diharapkan.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras berupa komputer personal dengan spesifikasi
 Processor Intel Core i3-3227U
 Memory RAM 2 GB DDR 3
 Harddisk 320 GB
Perangkat lunak:
 Sistem Operasi Windows 8
 Geoserver sebagai web map server
 Geomondrian sebagai spatial OLAP server
 Notepad ++ sebagai editor
 Server Apache Tomcat versi 6.0.20 dan versi 7.0.0 sebagai server web
 Spatialytics sebagai spatial OLAP framework
 Postgres versi 9.1.1 sebagai sistem manajemen basis data
 Geokettle untuk alat migrasi data dalam jumlah besar
 JRE versi 1.6.0 dan versi 1.7.0

HASIL DAN PEMBAHASAN
Analisis Awal Sistem SOLAP
Lingkungan Pengembangan Sistem Awal
Lingkungan pengembangan awal dari sistem SOLAP pada penelitian
Wipriyance (2013), yaitu:
Perangkat keras:
 Processor Intel Core i3-2350M
 RAM 2 GB DDR3
 HDD 640 GB
Perangkat lunak:
 Sistem operasi Windows 7 Ultimate
 Apache Tomcat 6.0 sebagai server web
 Spatialytics sebagai spatial OLAP framework

9






JRE versi 1.6.0
GeoMondrian sebagai spatial OLAP server
GeoServer 2.1 sebagai web map server
OpenLayers 2.8 sebagai library javascript untuk menampilkan peta
PostgreSQL 8.4 sebagai server basis data dengan ekstensi PostGIS untuk
menyimpan data spasial
 Schema Workbench 1.0 untuk membuat kubus data multidimensi

Arsitektur Sistem Awal
Arsitektur awal sistem SOLAP pada penelitian Wipriyance (2013) dapat
dilihat pada Gambar 6.
Server
Client

Application Server

Spatialytics client

Apache Tomcat 6.0

OpenLayers 2.8

GeoServer 2.1

PostgreSQL
JDBC Driver
jPivot
(GeoMondrian 1.0)

Database Server

PostgreSQL 8.4
+ PostGIS

GeoMondrian 1.0
server

Spatialytics
server

Gambar 6 Arsitektur awal sistem SOLAP Wipriyance (2013)
Pada Gambar 6 arstitektur sistem SOLAP terdiri dari tiga lapisan, yaitu :
1 Lapisan Database Server
Lapisan ini merupakan tempat penyimpanan data warehouse titik panas. Sistem
manajemen basis data yang digunakan yaitu PostgreSQL 8.4 dengan ekstensi
tambahan PostGIS.
2 Lapisan Application Server
Lapisan ini berjalan pada server Apache Tomcat 6.0. Lapisan ini terdiri dari
beberapa aplikasi berikut:
 Geoserver sebagai map server untuk menyimpan peta.
 PostgreSQL JDBC Driver sebagai konektor penghubung antara database
server dengan application server.
 GeoMondrian 1.0 sebagai OLAP server.
 Spatialytics sebagai framework dari aplikasi GeoMondrian.
3 Lapisan Client
Lapisan ini merupakan lapisan antarmuka pengguna. Lapisan ini terdiri dari
Openlayers 2.8 yang merupakan library javascript untuk mengambil peta dari
geoserver serta melakukan pemetaan terhadap titik panas dan jPivot sebagai
antarmuka Geomondrian 1.0 untuk mengolah data titik panas.

10
Skema Data Warehouse
Sistem SOLAP pada penelitian Wipriyance (2013) ini menggunakan skema
data warehouse snowflake. Skema data warehouse dapat dilihat pada Gambar 7.
tb_satelit

tb_geohotspot

id_satelit

PK

PK

kode_hotspot

nama_satelit

hotspot_geom
kode_kab

fakta_forestfire

tb_kabupaten
PK

kode_kab

id_hotspot
id_waktu
id_satelit
jumlah

nama_kab
kab_geom
kode_prov

tb_waktu
PK

tb_provinsi

id_waktu

PK

kode_prov

tahun
kuartil
bulan

nama_prov
prov_geom

Gambar 7 Skema data warehouse sistem SOLAP Wipriyance (2013)
Pada Gambar 7 skema data warehouse tersebut memiliki satu buah tabel fakta
yaitu fakta_forestfire dan lima buah tabel dimensi yaitu tb_satelit, tb_geohotspot,
tb_kabupaten, tb_provinsi, dan tb_waktu. Measurement pada tabel fakta adalah
jumlah titik panas.
Alur Kerja Sistem
Alur kerja pada penelitian Wipriyance (2013) dapat dilihat pada Gambar 8.
Server
Client

Application Server

Spatialytics client

Apache Tomcat 6.0

Database Server

Modul Peta
(j)

OpenLayers 2.8
(h)

GeoServer 2.1
(i)

SOLAPContext
(g)

Featurizer

PostgreSQL
JDBC Driver

(e)

PostgreSQL 8.4
+ PostGIS

(d)
(f)

olap4js
(a)
Editor kueri MDX

(b)

GeoMondrian 1.0
server
(c)

Spatialytics
server

Modul jPivot
(GeoMondrian 1.0)
(k)

Gambar 8 Alur kerja sistem SOLAP Wipriyance (2013)
Penjelasan alur kerja berdasarkan Gambar 8 adalah sebagai berikut:
a Pengguna memasukan kueri pada form editor kueri MDX.
b Kueri tersebut akan dibaca melalui proses JSON olap4js.
c olap4js berfungsi untuk pengolahan data SOLAP pada Geomondrian melalui
framework Spatialytics server.

11
d Geomondrian server kemudian melakukan koneksi terhadap basis data melalui
PostreSQL JDBC Driver.
e Setelah terkoneksi dengan basis data maka akan dilakukan pencarian pada
database berdasarkan kueri yang ditentukan oleh pengguna.
f Kueri pada editor kueri MDX juga akan dibaca dan diolah oleh modul featurizer.
g Hasil pembacaan data oleh modul featurizer akan diolah melalui SOLAP
context. Hasil SOLAP context akan dapat diakses oleh pengguna melalui
OpenLayers 2.8.
h OpenLayers 2.8 mengambil informasi layer peta poligon kabupaten di Indonesia
pada Geoserver 2.1.
i Geoserver 2.1. mengambil informasi spatial layer poligon melalui basis data
yang terkoneksi menggunakan PostreSQL JDBC Driver.
j Peta pada Geoserver dapat diakses oleh pengguna melalui OpenLayers 2.8.
k Pengguna dapat melakukan operasi-operasi OLAP pada Geomondrian melalui
modul jPivot.
Peningkatan Sistem Pada Penelitian Sebelumnya
Konfigurasi-konfigurasi yang telah dilakukan pada penelitian Wipriyance
untuk meningkatkan kinerja sistem, yaitu:
1 Peningkatan versi JRE dari versi JRE 1.4.0 menjadi 1.6.0.16.
2 Konfigurasi java heap space. Java heap space merupakan konfigurasi alokasi
penggunaan RAM pada server Apache Tomcat 6.0. Alokasi RAM yang
digunakan pada penelitian Wipriyance (2013) yaitu 1024 MB.
3 Penanganan error pada OpenLayers. OpenLayers merupakan library javascript
yang berfungsi untuk melakukan pemetaaan pada sistem SOLAP.
Hasil Pengujian Konfigurasi Penelitian Sebelumnya
Hasil pengujian pada konfigurasi yang telah dilakukan oleh penelitian
Wipriyance (2013) yaitu jumlah titik panas pada sistem SOLAP (Spatial Online
Analytical Processing) meningkat dari 190 titik menjadi 1500 titik panas. Penelitian
Wipriyance (2013) juga mencoba menampilkan lebih dari 1500 titik panas tetapi
terjadi error pada sistem. Menurut Wipriyance (2013) error tersebut terjadi
dikarenakan ukuran Java heap yang kurang sehingga tidak mampu menampilkan
titik panas dengan jumlah lebih dari 1500 titik. Ukuran Java heap dapat diatur pada
Tomcat dengan mengubah nilai minimum dan maksimumnya tetapi penelitian
tersebut tidak dilakukan penambahan nilai maksimum dikarenakan spesifikasi
perangkat keras yang kurang memadai sehingga tetap pada pengaturan awal yakni
1024 MB.
Identifikasi Masalah
Berdasarkan analisis awal dari sistem SOLAP pada penelitian Wipriyance
(2013), jumlah titik panas yang ada pada data warehouse mencapai 473 892 titik
sedangkan jumlah titik yang mampu ditampilkan oleh penelitian Wipriyance baru
mencapai 1500 titik sehingga diperlukan analisis lebih lanjut dan konfigurasi ulang
terhadap sistem SOLAP agar titik panas yang mampu ditampilkan jumlahnya
meningkat.

12
Rekomendasi Solusi
Rekomendasi solusi yang digunakan untuk meningkatan kinerja dari sistem
SOLAP yang telah dioptimasi pada penelitian Wipriyance (2013), yaitu :
1 Analisis terhadap konfigurasi pada Apache Tomcat selain pengaturan java heap
space yaitu connectionTimeout. Konfigurasi connectionTimeout mengatur batas
waktu tunggu konektor setelah terkoneksi untuk terhubung dengan jalur Uniform
Resource Identifier (URI). Nilai waktu tersebut dapat diatur dengan nilai -1 agar
waktu maksimumnya tidak terbatas (Apache 2013b). Waktu connectionTimeout
pada penelitian Wipriyance (2013) adalah 20 000 mili detik atau 20 detik.
2 Peningkatan versi JRE 1.6.0.16 menjadi versi 1.7.0.
3 Peningkatan server Apache Tomcat versi 6.0 menjadi versi 7.0.
4 Konfigurasi java heap space tetap sama yaitu 1024 MB.
5 Peringkasan proses JSON pada sistem SOLAP. Jumlah proses yang berjalan saat
ini berjumlah 81 proses.
Konfigurasi Ulang SOLAP
Pada tahapan ini dilakukan tiga skema konfigurasi, yaitu:
1 Konfigurasi 1
Pada konfigurasi ini dilakukan perubahan sistem operasi dari Windows 7
menjadi Windows 8, peningkatan versi JRE 1.6.0.16 menjadi versi 1.7.0, nilai
connectionTimeout diubah menjadi -1, dan konfigurasi java heap space tetap
sama yaitu 1024 MB.
2 Konfigurasi 2
Pengaturan konfigurasi seperti pada konfigurasi 1 tetapi terdapat penambahan
konfigurasi yaitu peningkatan server Apache Tomcat 6.0 menjadi Apache
Tomcat 7.0.
3 Konfigurasi 3
Pada konfigurasi ini dilakukan peringkasan proses proses JSON.
Pengujian
Pada tahap ini dilakukan pengujian terhadap jumlah titik panas dan kecepatan
pada sistem SOLAP berdasarkan konfigurasi 1 dan konfigurasi 2. Pengujian jumlah
titik panas dilakukan dengan melakukan kueri untuk menghasilkan titik panas.
Kueri dikelompokkan berdasarkan jumlah titik panas yang dihasilkan, yaitu:
1 Kueri 1
Data sampel titik panas sesuai dengan data sampel yang diambil pada penelitian
Wipriyance (2013) meliputi data hotspot di provinsi Bengkulu, Jambi, Riau,
Lampung, Aceh, Kepulauan Riau, Sumatera Barat, Sumatera Selatan, Sumatera
Utara pada tahun 2005 dan 1997. Adapun kueri dari titik panas tersebut adalah
sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{ [lokasi].[Hotspot].Members } ON ROWS,
FROM [geohotspot]
WHERE [waktu].[Semua Waktu]

13
Kueri 1 di atas menghasilkan 1500 titik panas. Tampilan SOLAP yang
menampilkan hasil kueri dapat dilihat pada Gambar 9 sedangkan Gambar 10
menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 9 Output SOLAP yang menampilkan 1500 titik panas

Gambar 10 Output JPivot (Geomondrian) 1500 titik panas
2 Kueri 2
Data titik panas merupakan titik panas di provinsi Sumatera Utara pada tahun
1998. Adapun kueri dari titik panas tersebut adalah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{[lokasi].[SUMATERA UTARA].[ASAHAN].children,
[lokasi].[SUMATERA UTARA].[BINJAI (KOTA)].children,
[lokasi].[SUMATERA UTARA].[DAIRI].children,
[lokasi].[SUMATERA UTARA].[DELI SERDANG].children,
[lokasi].[SUMATERA UTARA].[HUMBANG HASUNDUTAN].children,
[lokasi].[SUMATERA UTARA].[KARO].children,
[lokasi].[SUMATERA UTARA].[LABUHAN BATU].children,
[lokasi].[SUMATERA UTARA].[LANGKAT].children,
[lokasi].[SUMATERA UTARA].[MANDAILING NATAL].children,
[lokasi].[SUMATERA UTARA].[MEDAN (KOTA)].children,
[lokasi].[SUMATERA UTARA].[NIAS].children,
[lokasi].[SUMATERA UTARA].[NIAS SELATAN].children,
[lokasi].[SUMATERA UTARA].[PADANG SIDEMPUAN (KOTA)].children,
[lokasi].[SUMATERA UTARA].[PEMATANG SIANTAR (KOTA)].children,

14
[lokasi].[SUMATERA UTARA].[SAMOSIR].children,
[lokasi].[SUMATERA UTARA].[SERDANG BEDAGAI].children,
[lokasi].[SUMATERA UTARA].[SIMALUNGUN].children,
[lokasi].[SUMATERA UTARA].[TAPANULI SELATAN].children,
[lokasi].[SUMATERA UTARA].[TAPANULI TENGAH].children,
[lokasi].[SUMATERA UTARA].[TAPANULI UTARA].children,
[lokasi].[SUMATERA UTARA].[TEBING TINGGI (KOTA)].children,
[lokasi].[SUMATERA UTARA].[TOBA SAMOSIR].children} ON ROWS,
FROM [geohotspot]
WHERE [waktu].[1998]

Kueri 2 di atas menghasilkan 2093 titik panas. Tampilan SOLAP yang
menampilkan hasil kueri dapat dilihat pada Gambar 11 sedangkan Gambar 12
menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 11 Output SOLAP yang menampilkan 2093 titik panas

Gambar 12 Output JPivot (Geomondrian) 2093 titik panas
3 Kueri 3
Data titik panas merupakan titik panas di provinsi Kalimantan Selatan pada
tahun 2002. Adapun kueri dari titik panas tersebut adalah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{ [lokasi].[KALIMANTAN SELATAN].[BALANGAN].children,
[lokasi].[KALIMANTAN SELATAN].[BANJAR].children,
[lokasi].[KALIMANTAN SELATAN].[BANJAR BARU (KOTA)].children,
[lokasi].[KALIMANTAN SELATAN].[BANJARMASIN (KOTA)].children,

15
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
[lokasi].[KALIMANTAN
FROM [geohotspot]
WHERE [waktu].[2002]

SELATAN].[BARITO KUALA].children,
SELATAN].[HULU SUNGAI SELATAN].children,
SELATAN].[HULU SUNGAI TENGAH].children,
SELATAN].[HULU SUNGAI UTARA].children,
SELATAN].[KOTA BARU].children,
SELATAN].[TABALONG].children,
SELATAN].[TANAH BUMBU].children,
SELATAN].[TANAH LAUT].children,
SELATAN].[TAPIN].children} ON ROWS,

Kueri 3 di atas menghasilkan 3148 titik panas. Tampilan SOLAP yang
menampilkan hasil kueri dapat dilihat pada Gambar 13 sedangkan Gambar 14
menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 13 Output SOLAP yang menampilkan 3148 titik panas

Gambar 14 Output JPivot (Geomondrian) 3148 titik panas
4 Kueri 4
Data titik panas merupakan titik panas di provinsi Sumatera Selatan pada tahun
1999. Adapun kueri dari titik panas tersebut adalah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS,
{[lokasi].[SUMATERA SELATAN].[BANYU ASIN].children,
[lokasi].[SUMATERA SELATAN].[LAHAT].children,
[lokasi].[SUMATERA SELATAN].[LUBUK LINGGAU (KOTA)].children,
[lokasi].[SUMATERA SELATAN].[MUARA ENIM].children,

16
[lokasi].[SUMATERA SELATAN].[MUSI BANYU ASIN].children,
[lokasi].[SUMATERA SELATAN].[MUSI RAWAS].children,
[lokasi].[SUMATERA SELATAN].[OGAN ILIR].children,
[lokasi].[SUMATERA SELATAN].[OGAN KOMERING ILIR].children,
[lokasi].[SUMATERA SELATAN].[OGAN KOMERING ULU].children,
[lokasi].[SUMATERA SELATAN].[OKU SELATAN].children,
[lokasi].[SUMATERA SELATAN].[OKU TIMUR].children,
[lokasi].[SUMATERA SELATAN].[PAGAR ALAM (KOTA)].children,
[lokasi].[SUMATERA SELATAN].[PALEMBANG (KOTA)].children,
[lokasi].[SUMATERA SELATAN].[PRABUMULIH (KOTA)].children,
} ON ROWS,
FROM [geohotspot]
WHERE [waktu].[1999]

Kueri 4 di atas menghasilkan 5344 titik panas. Tampilan SOLAP yang
menampilkan hasil kueri dapat dilihat pada Gambar 15 sedangkan Gambar 16
menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 15 Output SOLAP yang menampilkan 5344 titik panas

Gambar 16 Output JPivot (Geomondrian) 5344 sampel panas
Ketika dilakukan pengujian SOLAP setelah dilakukan konfigurasi 1 dan
konfigurasi 2 jumlah titik panas yang dihasilkan mencapai 5344 titik.
Pada proses pemangkasan proses JSON, proses yang mampu diringkas
berjumlah 9 proses yaitu loader_xd.js, loader_debug.js, Textarea.js, sniff.js,
typematic.js, sorter.js, _KeyNavContainer.js, MenuItem.js, dan PopupMenuItem.js.
Keseluruhan proses JSON yang berjalan pada sistem dapat dilihat pada Lampiran
1.

17
Analisis Hasil Pengujian
Setelah dilakukan konfigurasi ulang sesuai dengan konfigurasi 1 dan
konfigurasi 2, jumlah titik panas yang mampu ditampilkan meningkat mencapai
5344 titik padahal penelitian ini menggunakan RAM yang ukurannya sama yaitu
sebesar 2GB dan pengaturan java heap space yang sama yaitu 1024 MB pada
penelitian Wipriyance (2013). Hal tersebut menimbulkan temuan yang baru
berkaitan dengan konfigurasi connectionTimeout. Hasil analisis tersebut
menunjukkan bahwa ketidakmampuan sistem SOLAP yang dioptimasi oleh
Wipriyance (2013) menampilkan lebih dari 1500 titik panas bukan karena
keterbatasan RAM melainkan karena keseluruhan waktu proses yang berjalan pada
sistem tersebut melebihi batas waktu connectionTimeout.
Pada pengujian terhadap kecepatan sistem SOLAP dilakukan dengan
mengukur proses kueri utama sebanyak 5 kali perulangan dari masing-masing
jumlah titik panas dengan menggunakan tools firebug. Hasil pengujian kecepatan
berdasarkan konfigurasi 1 dan konfigurasi 2 dapat dilihat pada Tabel 2.
Tabel 2 Hasil pengukuran kinerja proses kueri pada konfigurasi 1 (K1) dan
konfigurasi 2 (K2)
Kueri

Jumlah titik
panas

Iterasi ke -

Waktu (detik)

1

1500

1
2
3
4
5

K1
26.38
2.86
2.22
2.31
2.26

K2
2.05
2.03
1.09
1.28
1.29

2

2093

1
2
3
4
5

34.92
2.41
1.88
2.11
1.89

2.03
1.91
1.94
2.06
2.27

3

3148

1
2
3
4
5

110.00
3.56
3.40
8.19
3.38

27.25
3.05
2.84
2.72
2.75

5

5344

1
2
3
4
5

157.00
9.51
15.14
8.65
8.89

141.00
9.29
6.99
13.67
10.77

18
Hasil perbandingan waktu eksekusi rata-rata, minimum, dan maksimum dari
hasil inputan konfigurasi 1 dan konfigurasi 2 dapat dilihat pada Tabel 3.
Tabel 3 Perbandingan waktu rata-rata, maksimum, dan minimum proses kueri
antara konfigurasi 1 (K1) dan konfigurasi 2 (K2)
Kueri
1
2
3
4

Minimum (detik)
Jumlah
titik panas
K1
K2
1500
2.22
1.09
2093
1.88
1.91
3148
3.38
2.72
5344
8.65
6.99

Maksimum (detik)
K1
26.38
34.92
110.00
157.00

Rata-rata (detik)

K2
K1
2.05 7.206
2.27 8.642
27.25 25.706
141.00 39.838

K2
1.548
2.042
7.722
36.344

Berdasarkan perbandingan Tabel 3, waktu maksimum dan rata-rata pengujian
proses kueri utama sistem mengalami penurunan. Hal ini menunjukan bahwa
perubahan yang terjadi pada konfigurasi 2 terhadap konfigurasi 1 sangat
berpengaruh. Perubahan tersebut menyebabkan kinerja proses utama sistem
meningkat kecepatannya. Adapun perubahan yang terjadi pada konfigurasi 2
terhadap konfigurasi 1 yaitu peningkatan server Apache Tomcat versi 6.0 menjadi
versi 7.0. Adapun beberapa perbaikan dan fitur baru pada apache tomcat versi 7.0
terhadap versi 6.0 menurut Apache (2013a), yaitu:
 Adanya asynchronous processing untuk file handler.
 Dukungan terhadap web-fragment.
 Peningkatan terhadap kontrol perekaman session.
 Pembersihan kode internal seperti pembersihan field, parameter, dan methodmethod yang tidak diperlukan.
 Peningkatan keamanan terhadap aplikasi manager dan host manager.
Namun meskipun penelitian ini mampu menampilkan 5344 titik panas, waktu
rata-rata proses kueri utama yang dihasilkan yaitu 36.344 detik masih belum
memenuhi waktu ideal toleransi pengguna untuk menerima informasi. Menurut Nah
(2003), waktu toleransi pengguna untuk menerima informasi dari sebuah sistem
berbasis web yaitu sekitar 2 detik.
Proses JSON pada sistem SOLAP kecuali proses kueri utama dipanggil saat
pertama kali sistem mengalami reload. Proses-proses tersebut berjalan secara
bersamaan waktu maksimum saat pengukuran berdasarkan konfigurasi 1 adalah
sebesar 358 ms namun setelah dilakukan skema konfigurasi 2 dan 3 maka waktu
proses maksimum pemanggilan proses tersebut mengalami penurunan sebanyak
120 ms sehingga waktu maksimumnya menjadi 265 ms.

SIMPULAN DAN SARAN
Simpulan
Kesimpulan dari hasil penelitian ini, yaitu:
1 Ketidakmampuan sistem SOLAP yang telah dioptimasi oleh Wipriyance (2013)
dalam menampikan jumlah titik panas melebihi 1500 bukan dikarenakan oleh

19

2

3

4
5

keterbatasan ukuran fisik RAM yang digunakan melainkan waktu keseluruhan
proses yang berjalan pada sistem tersebut melebihi batas waktu
connectionTimeout pada server Apache Tomcat.
Peningkatan versi JRE sangat berpengaruh terhadap kinerja sistem. Semakin
tinggi dan baru versi JRE maka semakin cepat kinerja sistem dan semakin
banyak pula titik panas yang mampu ditampilkan oleh sistem.
Peningkatan versi server Apache Tomcat sangat berpengaruh terhadap kinerja
sistem. Hal ini dikarenakan adanya beberapa perbaikan dan fitur yang dilakukan
oleh pengembang server tersebut.
Jumlah titik panas yang mampu ditampilkan pada penelitian ini adalah 5344 titik
dengan waktu paling optimal rata-rata eksekusi kueri 36.344 detik.
Proses JSON yang mampu diringkas sebanyak 9 proses. Setelah dilakukan
penerapan konfigurasi 2 dan 3 maka pemanggilan proses JSON (kecuali proses
kueri utama) pada saat sistem mengalami reload menurun hingga 120 ms.
Saran

Penelitian ini sudah menghasilkan kinerja sistem yang lebih baik dari
penelitian sebelumnya, tetapi penelitian ini masih memiliki kekurangan dan
perbaikan agar pada penelitian selanjutnya dapat menghasilkan kinerja yang lebih
optimal, yaitu:
1 Kurang optimalnya proses pada konfigurasi peringkasan JSON. Jumlah proses
JSON yang berjalan berjumlah 81 proses namun proses JSON yang mampu
diringkas masih sedikit sehingga perlu dilakukan peringkasan ulang terhadap
proses tersebut.
2 Perlu dilakukan eksplorasi lebih lanjut terhadap konfigurasi lainnnya pada
Apache Tomcat selain pengaturan java heap space dan waktu
connectionTimeout.
3 Penambahan layer agregasi berdasarkan titik panas pada lokasi koordinat yang
sama.

DAFTAR PUSTAKA
Adinugroho WC, Suryadiputra NN, Saharjo BH, Siboro L. 2004. Panduan
Pengendalian Kebakaran Hutan dan Lahan Gambut. Bogor (ID): Wetlands
International.
Apache. 2013a. Apache Tomcat 7 changelog [Internet]. [diunduh 2013 Nov 1].
Tersedia pada: http://tomcat.apache.org/tomcat-7.0-doc/changelog.html.
Apache. 2013b. Apache Tomcat 7 the HTTP connector [Internet]. [diunduh 2013
Nov 1]. Tersedia pada: http://tomcat.apache.org/tomcat-7.0-doc/config/http.
html
Bimonte S, Tchounikine A, Miquel M. 2007. Spatial OLAP: open issues and a web
based prototype. Di dalam: 10th AGILE International Conference on
Geographic Information Science 2007; 2007 Mei 8-11; Aalborg. Denmark.
Aalborg (DK): Aalborg University. hlm 1-11.
Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan
Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor.

20
Han J, Kamber M, Pei J. 2012. Data Mining Concepts and Techniques. Ed ke-3.
San Fransisco (US): Elsevier.
Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada
spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID):
Institut Pertanian Bogor.
Kyung M, Yom J, Kim S. 2012. Spatial data warehouse design and spatial OLAP
implementation for decision making of geospatial data update. KSCE Journal
of Civil Engineering. 16(6):1023-1031. doi: 10.1007/s12205-012-1410-2.
Nah F. 2003. A study on tolerable waiting time: how long are web users willing to
wait? Di dalam: 9th Americas Conference on Information Systems, AMCIS
2003; 2003 Agustus 4-6; Florida. United States of America. Florida (US):
DBLP. hlm 153-163.
O’Sullivan D, Unwin D. 2003. Geographic Information Analysis. New York (US):
J Wiley.
Papadias D, Kalnis P, Jun Z, Yufei T. 2001. Efficient OLAP operations in spatial
data warehouses. Di dalam: Jensen CS, Schneider M, Seeger B, Tsotras VJ,
editor. Proceedings of the 7th International Symposium on Advances in
Spatial and Temporal Databases; London. United Kingdom. United
Kingdom (GB): Springer-Verlag. hlm 443-459.
Ratnasari E. 2000. Pemantauan kebakaran hutan dengan menggunakan data citra
NOAA-AVHRR dan citra landsat-TM [skripsi]. Bogor (ID): Institut
Pertanian Bogor.
Tacconi L. 2003. Kebakaran Hutan di Indonesia: Penyebab, Biaya, dan Implikasi
Kebijakan. Bogor (ID): Center for International Forestry Research.
Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. Ed ke-2. London
(GB): Springer.
Wipriyance L. 2013. Peningkatan kinerja sistem spatial data warehouse kebakaran
hutan menggunakan Geoserver dan Geomondrian [skripsi]. Bogor (ID):
Institut Pertanian Bogor.

21

LAMPIRAN
Lampiran 1 Keseluruhan proses JSON, proses yang ditandai dengan tanda kotak
merupakan proses yang diringkas.

22
Lampiran 1 Lanjutan

23
Lampiran 1 Lanjutan

24

RIWAYAT HIDUP
Penulis dilahirkan di Ujung Pandang, Sulawesi Selatan pada tanggal 16 Juli
1988. Penulis merupakan anak pertama dari lima bersaudara dari pasangan Bapak
Diding Rosidin dan Ibu Ika Herliana. Penulis menempuh pendidikan formal di
SMA Negeri 5 Tasikmalaya dan lulus pada tahun 2007. Pada tahun yang sama,
penulis melanjutkan pendidikan di Program Keahlian Teknik Komputer Direktorat
Program Diploma Institut Pertanian Bogor dan lulus pada tahun 2010. Penulis
kemudian melanjutkan pendidikan S1 Alih Jenis pada Program Studi Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor pada tahun 2011.
Penulis pernah bekerja sebagai web programmer dan konsultan geography
information system (GIS). Penulis juga pernah mengikuti kegiatan lomba Gemastik
2013 yang diadakan oleh Kementrian Pendidikan dan Kebudayan dan Institut
Teknologi Bandung dan masuk sebagai 6 besar finalis Gemastik 2013 untuk
kategori lomba data mining.