Desain model Data Warehouse dengan conto
Desain model Data Warehouse dengan contoh kasus
Perguruan Tinggi
Spits Warnars
Department of Computing and Mathematics, Manchester Metropolitan University
John Dalton Building, Chester Street, Manchester M1 5GD, United Kingdom
s.warnars@mmu.ac.uk, Telp. +44 (0)161 247 1779, fax: +44 (0)161 247 6831
Abstract
The growth high education has been raising the competition in high education market
and Data Warehouse can be used as an effective technology weapon for going to battle in high
education competition market. Data Warehouse can produce the reliable reports for high level
management on high education in short time in order to make the faster and best decision
making for not just only increasing number of students, but possibility to find mining fund which
have never thinking before limited by high education ordinance. Efficient percentage
differentiation will be based on length and amount of processed records, total processed byte,
amount of processed tables, time to run query and produced record by query on database
OLTP and data warehouse. Efficient percentage will be measured by percent increase formula
and average efficient percentage 461,801.04% show that using data warehouse is more
powerfull and efficient rather using database OLTP. Data Warehouse will be modelled based on
hypercube which is created by limited high demand reports which usually used by high level
management and in every fact and dimension table will be inserted with fields which represent
the construction merge loading as an ETL (Extraction, Transformation and Loading) extraction.
Keywords: Data Warehouse, High Education, Hypercube, Business Dimensional concept
Abstrak
Pertumbuhan perguruan tinggi menimbulkan persaingan pada pasar perguruan tinggi
dan Data Warehouse dapat digunakan sebagai sebuah senjata teknologi untuk bersaing dalam
pasar perguruan tinggi. Data Warehouse menghasilkan dalam waktu yang singkat laporan
yang dapat dipercaya bagi manajemen tingkat atas perguruan tinggi didalam membuat
keputusan yang cepat dan terbaik dan tidak hanya menambah jumlah mahasiswa akan tetapi
kemungkinan untuk mendapatkan dana atau investasi yang tak pernah terpikirkan berdasarkan
aturan perguruan tinggi. Perbandingan prosentasi efisiensi akan diukur berdasarkan pada total
byte yang dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang
diproses, waktu dan record yang dihasilkan pada database OLTP dan data warehouse.
Prosentase efisiensi diukur dengan rumus kenaikan prosentase dan rata-rata efisiensi kenaikan
prosentase 461,801.84%, menunjukkan bahwa penggunaan data warehouse lebih handal dan
efisien dibandingkan penggunaan database OLTP. Data Warehouse dimodelkan dengan
hypercube yang terbentuk dan dibatasi berdasarkan laporan-laporan yang sering dipakai oleh
manajemen tingkat atas dan didalam setiap tabel fakta dan dimensi akan diberikan field yang
mencirikan metode Loading constructive merge dimana proses ETL (Extraction, Transformation
and Loading) akan dijalankan berdasarkan perbedaan berkas lama dan baru.
Kata Kunci: Data Warehouse, Perguruan Tinggi, Hypercube, konsep dimensi bisnis
1. PENDAHULUAN
Persaingan untuk mendapatkan mahasiswa antar perguruan tinggi tidak dapat
dipelakkan lagi seiring dengan pertumbuhan perguruan tinggi [1] yang semakin pesat dan
setiap peguruan tinggi harus memperlengkapi dirinya untuk dapat bertahan didalam persaingan
yang pada akhirnya perguruan tinggi yang tidak peka akan kalah bersaing dan menutup
usahanya. Di tangan yang handal dan tepat database sebagai teknologi penyimpanan transaksi
harian yang permanent akan dapat dirubah menjadi sebuah senjata teknologi yang handal
untuk menang didalam menghadapi persaingan [2-3]. Tidak pada tempatnya lagi perguruan
tinggi hanya mengejar keuntungan semata-mata dengan mengabaikan teknologi yang
seharusnya bisa membantu proses bisnis didalam perguruan tinggi tersebut. Dimana biasanya
kekalahan didalam persaingan perguruan tinggi hanya bisa menyalahkan manajemen tingkat
atas yang tidak pernah diperlengkapi dengan teknologi dan hanya mengandalkan hal yang
bersifat tebak-tebak atau perkiraan saja. Tuntutan masyarakat untuk transparansi pendidikan
perguruan tinggi dapat terwujud dan memudahkan Dirjen Pendidikan tinggi memantau
perguruan tinggi secara transparansi[9].
Data yang ada pada perguruan tinggi yang begitu besar dan banyak membutuhkan
alokasi tempat penyimpanan akan terbantu dan menjadi efisien dengan adanya Data
Warehouse[10]. Dengan adanya Data Warehouse menangkap seluruh data bisnis proses yang
ada dari mulai yang berhadapan dengan mahasiswa sebagai konsumen, proses pengajaran
dan keseluruhan sistem informasi yang ada dalam perguruan tinggi[11].
Tak pelak lagi sudah saatnya Data Warehouse harus diimplementasikan pada
perguruan tinggi dan sudah banyak yang menerapkannya[4], bahkan Data Warehouse
digunakan pada proses pembelajaran sebagai proses utama didalam perguruan tinggi[5-7]
bahkan lebih dari itu mengarah ke Data Mining[8]. Berbeda dengan penelitian pada [5-7]
dimana hanya terbatas pada pentingnya penerapan data warehouse pada sebuah universitas,
maka penulisan ini akan menekankan dengan nilai kuantitatif sebagai pembuktian bahwa
penggunaan data warehouse lebih handal dan efektif dibandingkan database OLTP. Selain itu
sebuah sample desain data warehouse akan dibahas ini dimana pembentukannya dibatasi
berdasarkan hypercubes bentukan dari laporan-laporan yang sering digunakan oleh
manajemen tingkat atas. Selain itu efisiensi pada bentukan hypercubes akan dijelaskan pada
masing-masing pembentukan hypercubes dengan mengurangi tabel dimensi dan menyatukan
dalam sebuah tabel dimensi sebagai sebuah improvisasi untuk peningkatan kinerja query
sewaktu mengakses data warehouse.
Data warehouse bukan produk perangkat lunak atau perangkat keras yang dapat dibeli
untuk menyediakan informasi strategis. Ini lebih menyerupai lingkungan komputer dimana
pengguna dapat mendapatkan informasi strategis, sebuah lingkungan dimana pengguna dapat
secara langsung mengakses terhadap data-data informasional yang sudah tidak dapat diubah
lagi yang dibutuhkan untuk membuat keputusan[12]. Jadi Data warehouse tidak lain adalah
database itu sendiri tapi dalam bentuk lain yang lebih kekar dan perkasa, tahan dalam
pertarungan menghadapi pesaing. Dalam kata lain database transaksional yang digunakan
dalam kegiatan transaksi bisnis harian disebut juga database TPS (Transaction Processing
System) atau database OLTP (Online Transactional Processing) sedangkan database yang
didesain sebagai Data Warehouse disebut juga sebagai database OLAP (Online Analytical
Processing) [13].
2. METODE PENELITIAN
Penelitian ini adalah penelitian deksriptif kuantitatif, dimana hasil penelitian akan
menjelaskan prosedur pengimplementasian data warehouse, tanpa melakukan perbandingan
ataupun dihubungkan dengan penelitian lainnya dan hasil prosentase kuantitatif dari penelitian
ini sebagai penegas keberhasilan penelitian ini dalam bentuk angka, bahwa penggunaan data
warehouse lebih handal dibandingkan menggunakan database OLTP.
Penelitian ini dilakukan dengan langkah-langkah berikut :
1) Pembatasan masalah dengan hanya mengumpulkan 5 laporan yang sering digunakan oleh
manajemen tingkat atas
2) Mendesain hypercubes dari masing-masing laporan
3) Mendesain model data logika data warehouse berdasarkan hypercubes yang terbentuk.
4) Implementasi database OLTP dengan menggunakan aplikasi database MySQL
berdasarkan pembatasan pada pembuatan kelima laporan diatas
5) Implementasi database data warehouse dengan menggunakan aplikasi database MySQL.
6) Proses eksekusi query dengan menggunakan database OLTP untuk menghasilkan kelima
laporan diatas.
7) Proses eksekusi query dengan menggunakan database data warehouse untuk
menghasilkan kelima laporan diatas.
8) Pembandingan efisiensi proses antara database OLTP dan data warehouse berdasarkan
a. Total byte yang dikelola
b. Record yang dikelola
c. Panjang record yang diproses
d. Jumlah tabel yang diproses
e. Waktu menjalankan query
f. Record yang dihasilkan dari query.
9) Nilai kuantitatif dibuktikan dengan efisiensi dengan tren prosentasi kenaikan dengan rumus:
(Data lama – Data baru)/ data baru * 100
Untuk mendesain model Data Warehouse digunakan konsep dimensi bisnis yang
merupakan dasar untuk mendefinisikan kebutuhan Data Warehouse. Dimensi bisnis ini
merupakan pandangan manajer bisnis terhadap sistem yang berjalan sesuai dengan kebutuhan
manajemen tingkat atas sebagai pengguna Data Warehouse [12]. Dimensi bisnis biasa
digambarkan dengan kubus, dengan asumsi dimensi yang ada pada sebuah Data Warehouse
umumnya mencapai 3 dimensi. Jika dimensi bisnis lebih dari 3 dimensi maka disebut
bermacam dimensi yang menampilkan kubus multidimensi yang disebut juga hypercube.
PSJenjang
Sekolah
JurSMA
Gambar 1. Dimensi bisnis
Setiap hypercube yang terbentuk dari setiap laporan merupakan komponen rangkaian
kecil yang jika dihubungkan dengan hypercube lainnya akan membentuk sebuah desain model
Data Warehouse yang juga merupakan hypercube. Hypercube ini merupakan sebuah alat untuk
menangkap kebutuhan user dan menggambarkan model dimensi bisnis atau struktur basis data
Data Warehouse. Melihat dari laporan-laporan yang ada sebelumnya dimana setiap laporan
mempunyai lebih dari 3 dimensi, maka dimensi bisnis ini akan digambarkan dengan kubus
multidimensi yaitu hypercube.
Dibandingkan dengan basis data transaksional umumnya maka Data Warehouse
mempunyai struktur yang tidak normal. Ada 2 jenis tabel yang terdapat pada Data Warehouse
yaitu :
1) Tabel dimensional, berisi penjelasan detail dari setiap informasi yang didapatkan dari hasil
analisa kebutuhan Sistem, sebuah field yang berlaku sebagai primary key akan terhubung
ke tabel fakta dan berlaku sebagai foreign key pada tabel fakta.
2) Tabel fakta, berisi data rinci dan agregat yang merupakan kumpulan dari beberapa atribut
yang bersifat sebagai Foreign Key sebagai penghubung ke tabel dimensional, dan atribut
tambahan lainnya yang merupakan nilai data. Pada tabel ini primary key merupakan
composite/compound key (Primary key yang merupakan gabungan dari beberapa foreign
key).
Untuk membentuk Data Warehouse langkah pertama yang harus dilakukan adalah
membentuk tabel dimensional. Ada 3 Pendekatan yang dipakai dalam pengembangan model
dimensi [12], adapun tipe pendekatan tersebut adalah :
1) Mengacu pada data, pengembangan model dimensi yang berorientasi ke sistem OLTP
(Online Transcational Processing)
2) Mengacu pada pengguna, pengembangan model dimensi yang berorientasi kepada
kebutuhan pengguna yang dilakukan dengan menggunakan metode pengumpulan data
seperti wawancara, brainstorming, JAD (Joint Application Development), dll.
3) Mengacu pada tujuan, pengembangan model dimensi yang berorientasi kepada tujuan
organisasi yang tercantum dalam visi dan misi perusahaan.
Pada tulisan ini pendekatan yang akan dipakai dalam pengembangan model dimensi
adalah mengacu pada pengguna dengan pertimbangan sebagai berikut :
1) Memuaskan kebutuhan berbagai tingkat manajemen, terutama manajemen tingkat
menengah sampai manajemen tingkat atas.
2) Mendapatkan kebutuhan laporan dan mendesain Data Warehouse yang memang
dibutuhkan oleh manajemen.
Sesuai dengan metode penelitian yang dijelaskan sebelumnya maka langkah pertama
penelitian ini dimana untuk lebih memudahkan dan meningkatkan tingkat kerumitan data dan
laporan-laporan yang dikelola, sebagai contoh akan digunakan 5 buah laporan-laporan yang
sering digunakan atau dibutuhkan oleh manajemen tingkat atas perguruan tinggi. Adapun
laporan-laporan tersebut adalah:
1) Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
2) Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi
Per Jenis Kelamin Per Angkatan.
3) Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang
Program Studi Per Angkatan
4) Laporan Jumlah Komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan
5) Laporan Pengajaran Dosen Per Semester Tahun Ajaran
Gambar 2 dibawah ini merupakan class diagram model data logika dari database
transaksional yang digunakan untuk menghasilkan kelima laporan diatas.
MFAKULTAS
CKDFAK (PK)
CNMFAK
CSINGKAT
MMAHASISWA
MPRODI
1
1..*
CKDPROGST (PK)
CNMPROGST
CKDJEN
(FK)
CKDFAK
(FK)
CSINGKAT
1
1..*
1..*
TDOSFAK
CKDDOS
(PK)
CKDFAK
(FK)
CSTATDOS
NSKSMAX
CNAMADOS
CANTAR
CTHAJAR
CSMT
NHONOR
1
MJENJANG
CKDJEN (PK)
CNMJEN
CSINGKAT
TRKRS
1
1..*
TJADKUL
CKDFAK
(FK)
CTHAJAR
CSMT
CNOTAB
CKELOMPOK
CKDDOS
(FK)
CKDRUANG
(FK)
CHARI
CSESI
NSKS
NJMLSESI
NMAKS
NISI
CNAMADOS
1
1..*
CKDFAK
(FK)
CTHAJAR
CSMT
CNOTAB
CNIM
(FK)
CKELOMPOK
NNILABS
NNILTGS
NNILPRAK
NNILMID
NNILFIN
NNILAKHIR
CGRADE
NSKS
CKULIAHDI
NANGKA
CWAKTU
CKDRUANG (FK)
CKET
1..*
1
MTbmtkl
CNOTAB
(PK)
CNAMAMK
CINGMK
CSINGMK
NSKS
CKDDOS
CBINA
CNAMASMS
1..*
1
CNIM
(PK)
CNIRM
CKDLOK
CNAMA
CALAMAT
CNORMH
CRT
CRW
CNOTELP
CKDPOS
CTEMPLHR
DTGLHR
CJENKEL
CGOLDAR
CAGAMA
CSTATNKH
CWARGA
CTINGGAL
CNOSTTB
DTGLSTTB
CBISTUDI
CSTATBEA
CKERJA
COLAHRAGA
CSENI
CNMORTU
CALORTU
CKDPORTU
CTLPORTU
CKEADAYAH
CKEADAIBU
CKERJAYAH
CKERJAIBU
CPENDAYAH
CPENDIIBU
DTGLMASUK
DTGLWISUDA
DTGLYUDISI
DTGLTEORI
CFLAGSPBM
CFLAGNILAI
CSTATAWAL
CPTLAIN
CKDPROGST (FK)
CKDMINAT
CSTATREC
CFLAGREC
CKDJEN
CALIHJ
CTHMASUK
NNEM
CJNSMA
CSTATSEK
CNMSEK
CNJSLTA
CLOSMA
CJURSMA
Gambar 2 Class Diagram model data logika OLTP
3. DESAIN HYPERCUBES
Langkah kedua pada metode penelitian ini adalah mendesain hypercubes masingmasing kelima pembatasan laporan diatas dan efisiensi akan dilakukan pada masing-masing
hypercubes, dimana tabel dimensi akan dikurangi dan disatukan pada sebuah tabel dimensi
dengan tujuan untuk peningkatan kinerja query dimana dengan berkurangnya jumlah tabel
dalam proses join didalam query akan meningkatkan kinerja query. Eliminasi dimensi akan
dilakukan pada dimensi jenis kelamin, angkatan, jenjang studi, tahun ajaran, semester, grade,
mata kuliah, dosendan kelompok Indeks prestasi. Eliminasi dimensi akan dijelaskan pada
masing-masing pembentukan hypercube.
Gambar 3 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Per Jenjang
Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Program Studi
Gambar 3. Hypercube Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis
Kelamin Per Angkatan
Berdasarkan hypercube gambar 3 maka akan terbentuk 1 tabel fakta dan 4 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada
model data gambar 4.
WPRODI
WData1
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Gambar 4. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan
Tabel Fakta adalah WData1 dan tabel dimensi adalah WPRODI. Tabel dimensi
WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing)
yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Akhirnya jika menggunakan Data
Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WData1 dan WPRODI
dimana jika menggunakan database OLTP menggunakan 4 tabel yaitu MMAHASISWA,
MPRODI, MFAKULTAS dan MJENJANG.
Gambar 5 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester
Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Program Studi
Semester
Gambar 5. Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per
Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Berdasarkan hypercube gambar 5 maka akan terbentuk 1 tabel fakta dan 6 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi
data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi
oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Oleh
karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model
data gambar 6.
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
WAktif
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Gambar 6. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Aktif Per Semester
Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Tabel Fakta adalah WAktif dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI
adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel
MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini
membutuhkan 2 tabel basis data yaitu WAktif dan WPRODI dimana jika menggunakan
database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI, MFAKULTAS
dan MJENJANG.
Gambar 7 memperlihatkan Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Angkatan.
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Kurang/Cukup/Baik
Program Studi
Semester
Gambar 7. Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran
Per Jenjang Program Studi Per Angkatan
Berdasarkan hypercube gambar 7 maka akan terbentuk 1 tabel fakta dan 6 tabel
Dimensi, namun untuk dimensi Angkatan tidak perlu membuat tabel dimensi karna dimensi
Angkatan ini hanya berisi tahun masuk mahasiswa. Demikian juga untuk dimensi Tahun ajaran
juga tidak perlu membuat tabel dimensi oleh karena hanya berisi data tahun ajaran, demikian
juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi
dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Begitu juga dengan dimensi
Kurang/Cukup/Baik hanya akan berisi dengan 3 nilai yaitu K untuk data yang mempunyai IPS
(Indeks Prestasi Semester) kurang dari 2.5, C untuk data yang mempunyai IPS (Indeks Prestasi
Semester) antara 2.5 sampai 3.0, B untuk data yang mempunyai IPS (Indeks Prestasi
Semester) lebih dari 3.0. Oleh karena itu tidak perlu membuat tabel dimensi untuk dimensi
Kurang/Cukup/Baik ini. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang
studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi
diploma 3. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat
pada model data gambar 8.
WIPS
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
KCB
JUM
TglMULAI
TglAKHIR
Gambar 8. Class Diagram Data Warehouse Laporan Jumlah Komposisi Indeks Prestasi Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Angkatan
Tabel Fakta adalah WIPS dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI
adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel
MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini
membutuhkan 2 tabel basis data yaitu WIPS dan WPRODI dimana jika menggunakan database
OLTP menggunakan 4 tabel yaitu TRKRS, MPRODI, MFAKULTAS dan MJENJANG.
Gambar 9 memperlihatkan Hypercube Laporan Jumlah Komposisi Grade Nilai Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Program Studi
Semester
Grade
Gambar 9. Hypercube Laporan Jumlah komposisi Grade Nilai Per Semester Tahun Ajaran Per
Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Berdasarkan hypercube gambar 9 maka akan terbentuk 1 tabel fakta dan 7 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi
data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi
oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap.
Begitu juga dengan dimensi Grade hanya akan berisi dengan 6 nilai yaitu Grade A, B, C,D, E,
dan – untuk yang tidak mengikuti ujian, maka tidak perlu membuat tabel dimensi untuk dimensi
Grade ini. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat
pada model data gambar 10.
WGrade
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
TglMULAI
TglAKHIR
Gambar 10. Class Diagram Data Warehouse Laporan Jumlah komposisi Grade Nilai Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per
Angkatan
Tabel Fakta adalah WGrade dan tabel dimensi adalah WPRODI. Tabel dimensi
WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing)
yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka
laporan ini membutuhkan 2 tabel basis data yaitu WGrade dan WPRODI dimana jika
menggunakan database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI,
MFAKULTAS dan MJENJANG.
Gambar 11 memperlihatkan Hypercube Laporan Pengajaran Dosen Per Semester
Tahun Ajaran.
Mata Kuliah
Jumlah
Mahasiswa
Tahun Ajaran
Dosen
Semester
Gambar 11. Hypercube Laporan Pengajaran Dosen Per Semester Tahun Ajaran
Berdasarkan hypercube gambar 11 maka akan terbentuk 1 tabel fakta dan 4 tabel
Dimensi, namun untuk dimensi Tahun ajaran tidak perlu membuat tabel dimensi oleh karena
hanya berisi data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat
tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau
semester Genap. Untuk dimensi Dosen tidak perlu dibuat tabel dimensi oleh karena laporan ini
hanya menampilkan nama dosen,maka nama dosen tersebut disertakan pada tabel fakta.
Demikian juga dengan dimensi Mata kuliah tidak perlu dibuat tabel dimensi oleh karena laporan
ini hanya menampilkan nama mata kuliah dan SKS (Satuan Kredit Semester) mata kuliah serta
nama dosen pembina, maka nama singkatan mata kuliah dan SKS (Satuan Kredit Semester)
mata kuliah serta nama dosen Pembina disertakan pada tabel fakta. Oleh karena itu akan
terbentuk 1 tabel fakta dan tidak ada tabel dimensi, hal ini akan terlihat pada model data
gambar 12.
WJadkul
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
TglMULAI
TglAKHIR
Gambar 12. Class Diagram Data Warehouse Laporan Pengajaran Dosen Per Semester Tahun
Ajaran
Jika menggunakan Data Warehouse maka laporan ini membutuhkan hanya 1 tabel
basis data yaitu WJadkul dimana jika menggunakan database OLTP menggunakan 4 tabel
yaitu TJADKUL, TDOSFAK, MTBMTK dan MFAKULTAS.
Pada masing-masing tabel diatas baik tabel fakta atau dimensi ditambahkan field
TglMULAI dan TglAkhir yang berfungsi sebagai proses pembaharuan data record, oleh karena
pada Data Warehouse tidak boleh dilakukan proses penghapusan record. Data record yang
masih berlaku adalah apabila field TglAkhir masih kosong, apabila field TglAkhir telah terisi
maka akan terbentuk record duplikat yang menggambarkan data record yang terkini.
4. MODEL DATA LOGIKA DATA WAREHOUSE
Langkah ketiga pada metode penelitian ini adalah mendesain model data logika data
warehouse berdasarkan hypercubes bentukan diatas dan secara keseluruhan model data
logika Data Warehouse yang terbentuk berdasar analisa laporan-laporan diatas yang
menggunakan konsep dimensi bisnis dengan pendekatan kubus multidimensi hypercube
terlihat pada gambar 13.
WData1
1..*
WGrade
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
1..*
TglMULAI
TglAKHIR
WJadkul
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
WPRODI
1
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1
WAktif
1..*
1
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
WIPS
1..* CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
KCB
JUM
TglMULAI
TglAKHIR
TglMULAI
TglAKHIR
Gambar 13. Class Diagram model data logika Data Warehouse
Tabel 1 dibawah ini merupakan spesifikasi basis data tabel fakta WDATA1.
Tabel 1. Tabel spesifikasi basis data WDATA1
No
1
2
3
4
5
6
7
Nama Field
ANG
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 2 dibawah ini merupakan spesifikasi basis data tabel fakta WGRADE.
Tabel 2. Tabel spesifikasi basis data WGRADE
No
1
2
3
4
5
6
7
8
9
10
Nama Field
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Grade Nilai
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 3 dibawah ini merupakan spesifikasi basis data tabel fakta WJADKUL.
Tabel 3. Tabel spesifikasi basis data WJADKUL
No
1
2
3
4
5
6
7
8
9
10
11
Nama Field
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(5)
VARCHAR2(25)
NUMBER(1)
VARCHAR2(6)
VARCHAR2(6)
VARCHAR2(50)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Nomor Tabel Mata Kuliah
Singkatan nama
SKS
Nama Dosen Koordinator
Dosen Mengajar
Nama Dosen Mengajar
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 4 dibawah ini merupakan spesifikasi basis data tabel fakta WAKTIF.
Tabel 4. Tabel spesifikasi basis data WAKTIF
No
1
2
3
4
5
6
7
8
9
Nama Field
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 5 dibawah ini merupakan spesifikasi basis data tabel fakta WIPS.
Tabel 5. Tabel spesifikasi basis data WIPS
No
Nama Field
Tipe dan Lebar Field
Keterangan
1
2
3
4
5
6
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
KCB
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
7
8
9
JUM
TglMULAI
TglAKHIR
NUMBER(5)
DATE
DATE
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
K = Kurang (IPS < 2.5)
C = Cukup (IPS antara
2.5 s/d 3.0)
B = Baik (IPS > 3.0)
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 6 dibawah ini merupakan spesifikasi basis data tabel dimensi WPRODI.
Tabel 6. Tabel spesifikasi basis data WPRODI
No
1
2
3
4
5
6
7
8
Nama Field
Tipe dan Lebar Field
Keterangan
CKDPROGST VARCHAR2(2)
Kode Program Studi
CNMPROGST VARCHAR2(2)
Nama Singkatan Program Studi
CKDJEN
VARCHAR2(2)
Kode Jenjang
CNMJEN
VARCHAR2(2)
Nama Singkatan Jenjang
CKDFAK
VARCHAR2(2)
Kode Fakultas
CNMFAK
VARCHAR2(5)
Nama Singkatan Fakultas
TglMULAI
DATE
Tanggal berlaku record
TglAKHIR
DATE
Tanggal berakhir record
Langkah kelima pada metode penelitian ini adalah pengimplementasian database
data warehouse dengan menggunakan aplikasi database MySQL dan dimana sebelumnya
langkah keempat telah dilakukan dimana database OLTP diimplementasikan juag dengan
aplikasi database MySQL. Langkah keenam pada metode penelitian ini dilakukan dengan
menjalankan query untuk menghasilkan record yang akan menampilkan laporan dengan
menggunakan database OLTP dan demikian pula dengan langkah ketujuh dimana dilakukan
dengan menjalankan query untuk menghasilkan record yang akan menampilkan laporan
dengan menggunakan data warehouse.
5. PEMBUKTIAN EFISIENSI PROSENTASE
Untuk membuktikan bahwa penggunaan Data Warehouse lebih efektif daripada
database pada umumnya, maka akan dibuktikan dari efisiensi pada total byte yang dikelola,
record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses, waktu dan
record yang dihasilkan. Tabel 7 merupakan besaran 8 tabel database OLTP yang terdapat
pada gambar 2, yang mempunyai total panjang record 1,099 byte, total jumlah record 131,171
record dan total keseluruhan byte adalah 31,303,511 byte. Sedangkan Tabel 8 merupakan
besaran 6 tabel Data Warehouse yang terdapat pada gambar 13, yang mempunyai total
panjang record 326 byte, total jumlah record 1,138 record dan total keseluruhan byte adalah
71,555 byte.
Tabel 9 memperlihatkan prosentase efisiensi dimana penggunaan Data Warehouse
lebih efisien 237.12% (1099-326)/326*100 untuk panjang record, lebih efisien 11,426.45%
(131,171-1138)/1138*100 untuk jumlah record dan lebih efisien 43,467.48% (31,303,51171,555)/71,555*100 untuk total keseluruhan byte. Prosentase efisiensi ini diukur sesuai
dengan langkah kesembilan pada metode penelitian ini dimana nilai kuantitatif ini diukur
dengan prosentase kenaikan dengan rumus : (data lama – data baru)/ data baru *100.
Tabel 7. Tabel besaran isi tabel database transaksional
Nama Tabel
Panjang record
Jumlah record
Total byte
MMAHASIWA
MPRODI
MFAKULTAS
MJENJANG
TRKRS
TJADKUL
TDOSFAK
MTBMTKL
Total
586 byte
42977 record
25 184 522 byte
48 byte
16 record
768 byte
65 byte
7 record
455 byte
24 byte
3 record
72 byte
68 byte
84774 record
5 764 632 byte
88 byte
1988 record
174 944 byte
73 byte
386 record
28 178 byte
147 byte
1020 record
149 940 byte
1099 byte
131171 record
31303511 byte
Tabel 8. Tabel besaran isi tabel Data Warehouse
Nama Tabel
Panjang record
Jumlah record
Total byte
35 byte
16 record
560 byte
WPRODI
127 byte
303 record
38481 byte
WJADKUL
44 byte
368 record
16192 byte
WGRADE
34 byte
279 record
9486 byte
WDATA1
43 byte
74 record
3182 byte
WAKTIF
43 byte
98 record
4214 byte
WIPS
Total
326 byte
1138 record
71555 byte
Tabel 9. Tabel total perbandingan kapasitas database transaksional dan Data Warehouse
Total database OLTP
Total Data Warehouse
Prosentase Efisiensi
Perbandingan Database / DW
Panjang record
1099 byte
326 byte
237.12 %
Jumlah record
131171 record
1138 record
11,426.45%
Total byte
31303511 byte
71555 byte
43,647.48%
Sesuai dengan langkah kedelapan pada metode penelitian ini dimana tabel 10
memperlihatkan bahwa penggunaan Data Warehouse lebih efisien pada total byte yang
dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses,
waktu dan record yang dihasilkan pada kelima laporan diatas. Prosentase efisiensi pada tabel
10 ini diukur sesuai dengan langkah kesembilan pada metode penelitian ini dimana nilai
kuantitatif ini diukur dengan prosentase kenaikan dengan rumus :
(data lama – data baru)/ data baru *100.
Berikut ini penjelasan dasar pembentukan masing-masing pengukuran prosentase efisiensi :
a. Total byte yang dikelola didapatkan dari total perkalian record yang dikelola dan panjang
record yang dikelola dari tabel database yang digunakan dalam menghasilkan sebuah
laporan baik dengan menggunakan database OLTP atau data warehouse.
b. Record yang dikelola didapatkan dari total jumlah record yang diproses dalam
menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
c. Panjang record yang dikelola didapatkan dari total panjang byte record yang diproses
dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
d. Jumlah Tabel yang digunakan didapatkan dari penjelasan bab sebelumnya diatas dalam
menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
e. Waktu proses didapatkan dari pengujian pengeksekusian query dalam menghasilkan record
untuk membentuk masing-masing laporan dengan menggunakan aplikasi database MySql,
baik dengan menggunakan database OLTP ataupun dengan data warehouse.
f. Record yang dihasilkan didapatkan dari hasil eksekusi query pada masing-masing laporan
untuk membentuk laporan tersebut dengan menggunakan aplikasi database MySQL, baik
dengan menggunakan database OLTP ataupun dengan data warehouse, dimana hasil
record tersebut mempunyai hasil yang sama pada beberapa laporan.
Sebagai contoh laporan 1 adalah Laporan Jumlah Mahasiswa Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan. Dimana pada pada tabel 10 dibawah laporan ini jika
dihasilkan dengan menggunakan Data Warehouse akan mempunyai prosentase efisiensi
sebagai berikut :
a. Prosentasi efisiensi pada total byte yang dikelola sebanyak 250,605.31% (25,185,85510,046)/10.046*100.
b. Prosentase efisiensi pada record yang dikelola sebanyak 14,477.63% (43,004295)/295*100.
c. Prosentase efisiensi pada panjang record yang diproses sebanyak 947.83% (72369)/69*100.
d. Prosentase efisiensi pada jumlah tabel yang diproses sebanyak 100% (4-2)/2*100.
e. Prosentasi efisiensi pada waktu per detik sebanyak 31,200% (3.13-0.01)/0.01*100.
f. Prosentase efisiensi pada jumlah record yang dihasilkan sebanyak 0% (279-279)/279*100.
Yang menarik pada tabel 10 semua efisiensi mengalami kenaikan prosentase, namun
untuk efisiensi record yang dihasilkan pada laporan 1, 2 dan 3 tidak mengalami kenaikan
prosentase. Prosentase kenaikan efisiensi tertinggi adalah 5,008,200% pada efisiensi waktu
pada laporan 4 dan kenaikan efisiensi terendah adalah 95.38% yaitu pada efisiensi record yang
dihasilkan pada laporan 5.
Tabel 10. Tabel Efisiensi perbandingan penggunaan Database dan Data Warehouse
Laporan 1
Total Byte
Database
Datawarehouse
Efisiensi
Record yang
Database
Dikelola
Datawarehouse
Efisiensi
Panjang
Database
Record
Datawarehouse
Efisiensi
25,185,855.00
Laporan 2
Laporan 3
30,255,131.00
Laporan 4
5,040,609.00
Laporan 5
30,225,131.00
352,023.00
10,046.00
3,742.00
4,774.00
16,752.00
38,481.00
250,605.31%
808,428.35%
105,484.60%
180,327.00%
814.80%
43,004.00
117,111.00
74,134.00
117,111.00
3,384.00
295.00
90.00
114.00
384.00
303.00
14,477.63%
130,023.33%
64,929.82%
30,397.66%
1,016.83%
723.00
791.00
205.00
791.00
373.00
69.00
78.00
78.00
79.00
127.00
947.83%
914.10%
162.82%
901.27%
193.70%
4
Tabel yang
Database
4
5
4
5
digunakan
Datawarehouse
2
2
2
2
1
100.00%
150.00%
100.00%
150.00%
300.00%
Database
3.13
245.61
439.68
500.83
119.15
Datawarehouse
0.01
0.01
0.01
0.01
0.01
Efisiensi
Waktu/Detik
Efisiensi
31,200.00%
2,456,000.00%
4,396,700.00%
5,008,200.00%
1,191,400.00%
Record yang
Database
279.00
74.00
3091.00
368.00
592.00
dihasilkan
Datawarehouse
279.00
74.00
98.00
368.00
303.00
Efisiensi
0.00%
0.00%
3,054.08%
0.00%
95.38%
6. KESIMPULAN
Memanfaatkan dan menggunakan database secara lebih baik dan tepat akan membuat
kita menghargai kemampuan dan kelebihan database sebagai tidak hanya untuk menyimpan
data dan mendukung kegiatan operasional transaksi harian saja. Terlebih dari itu pemisahan
antara database transaksional dan database Data Warehouse akan meningkatkan aselerasi
tingkat pencapaian sistem, sehingga kekuatan database dapat dimanfaatkan semaksimal
mungkin sebagai sebuah senjata ampuh untuk bertarung dalam persaingan bisnis yang sehat.
Data Warehouse mempengaruhi proses transaksi pada database dimana database
Data Wareouse yang dihasilkan akan lebih ramping dan perintah sql yang dijalankan untuk
mengakses Data Warehouse jelas-jelas akan lebih cepat yaitu jumlah record yang diproses
makin sedikit dan proses join berkurang. Data-data perbedaan dalam pembuatan laporan
dimana pembuatan laporan dengan menggunakan database transaksional melibatkan banyak
tabel dan dengan menggunakan Data Warehouse penggunaan tabel dikurangi sehingga akan
mengurangi proses join dalam perintah sql, dimana pengurangan proses join pada perintah sql
dapat meningkatkan proses sehingga aselerasi tingkat pencapaian dapat tercapai.
Dari keseluruhan efisiensi kenaikan prosentase jika digabungkan akan menghasilkan
rata-rata efisiensi kenaikan prosentase 461,801.84%, yang menunjukkan bahwa penggunaan
data warehouse lebih handal dan efisien dibandingkan penggunaan database OLTP.
DAFTAR PUSTAKA
[1] Silva F.S.C., Panigassi R., Hulot C.,”Learning Management Systems Desiderata for
Competitive Universities”, European Journal of Open Distance and E-Learning, No.2,
2007.
[2] Ward J. & Peppard J.,”Strategic planning for Information Systems”,Edidi 3,John Willey &
Sons, Ltd, West Sussex, England,2003
[3] Porter M.E., “Strategy and the Internet”, Harvard Business Review, pp. 62-78,2001.
[4] Hans D., Gomez J.M., Peters D., Solsbach A.,”Case Study-Design for Higher EducationA Demonstration in the Data Warehouse Environment”, W. Abramowicz & D. Flejter
(Eds), BIS 2009 Workshop, LNBIP 37, pp. 231-241, 2009.
[5] Wu T,”System of Teaching quality analyzing and evaluating based on Data
Warehouse”, Computer Engineering and Design, Vol 30, No. 6, pp.1545-1547, 2009.
[6] Zhou L., Wu M., Li S., “Design of Data Warehouse in teaching state based on OLAP
and Data Mining”, Proc. SPIE (The International Society for Optical Engineering), Vol.
7344, 2009.
[7] Gombiro C., Munyoka W., Hove S., Chengetanai G., Zano C.,”The Need for Data
Warehousing in Sharing Learning Materials”,Journal of Sustainable Development in
Africa, Vol. 10, No.2,pp. 422-449, 2008.
[8] Ranjan J., Khalil S.,”Conceptual Framework of Data Mining Process in Management
Education in India: An Institutional Perspective”, Information Technology Journal, Vol.7,
No, 1, 2008.
[9] Dimokas N., Mittas N., Nanopoulos A., Angelis L.,”A Prototype System for Educational
Data Warehousing and Mining”, In Proceedings of the 2008 Panhellenic Conference on
Informatics, pp. 199-203, 2008.
[10] Wikramanayake G.N.& Goonetillake J.S., “Managing Very Large Databases and Data
Warehousing”, Sri Lankan Journal of Librarianship and Information Management, Vol. 2,
No.1, pp. 22-29, 2006.
[11] Goldstein P.J.,”Academic Analytics: The Uses of Management Information and
Technology in Higher Education”, ECAR Key Findings, EDUCAUSE, 2005.
[12] Ponniah P.,”Data Warehousing Fundamentals”, John Willey & Sons, Inc, New York,
USA,2001
[13] S.Chaudhuri & U. Dayal,”An overview of data warehousing and olap technology”,
SIGMOD Record, Vol. 26, No. 1, pp.65-74, 1997
Perguruan Tinggi
Spits Warnars
Department of Computing and Mathematics, Manchester Metropolitan University
John Dalton Building, Chester Street, Manchester M1 5GD, United Kingdom
s.warnars@mmu.ac.uk, Telp. +44 (0)161 247 1779, fax: +44 (0)161 247 6831
Abstract
The growth high education has been raising the competition in high education market
and Data Warehouse can be used as an effective technology weapon for going to battle in high
education competition market. Data Warehouse can produce the reliable reports for high level
management on high education in short time in order to make the faster and best decision
making for not just only increasing number of students, but possibility to find mining fund which
have never thinking before limited by high education ordinance. Efficient percentage
differentiation will be based on length and amount of processed records, total processed byte,
amount of processed tables, time to run query and produced record by query on database
OLTP and data warehouse. Efficient percentage will be measured by percent increase formula
and average efficient percentage 461,801.04% show that using data warehouse is more
powerfull and efficient rather using database OLTP. Data Warehouse will be modelled based on
hypercube which is created by limited high demand reports which usually used by high level
management and in every fact and dimension table will be inserted with fields which represent
the construction merge loading as an ETL (Extraction, Transformation and Loading) extraction.
Keywords: Data Warehouse, High Education, Hypercube, Business Dimensional concept
Abstrak
Pertumbuhan perguruan tinggi menimbulkan persaingan pada pasar perguruan tinggi
dan Data Warehouse dapat digunakan sebagai sebuah senjata teknologi untuk bersaing dalam
pasar perguruan tinggi. Data Warehouse menghasilkan dalam waktu yang singkat laporan
yang dapat dipercaya bagi manajemen tingkat atas perguruan tinggi didalam membuat
keputusan yang cepat dan terbaik dan tidak hanya menambah jumlah mahasiswa akan tetapi
kemungkinan untuk mendapatkan dana atau investasi yang tak pernah terpikirkan berdasarkan
aturan perguruan tinggi. Perbandingan prosentasi efisiensi akan diukur berdasarkan pada total
byte yang dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang
diproses, waktu dan record yang dihasilkan pada database OLTP dan data warehouse.
Prosentase efisiensi diukur dengan rumus kenaikan prosentase dan rata-rata efisiensi kenaikan
prosentase 461,801.84%, menunjukkan bahwa penggunaan data warehouse lebih handal dan
efisien dibandingkan penggunaan database OLTP. Data Warehouse dimodelkan dengan
hypercube yang terbentuk dan dibatasi berdasarkan laporan-laporan yang sering dipakai oleh
manajemen tingkat atas dan didalam setiap tabel fakta dan dimensi akan diberikan field yang
mencirikan metode Loading constructive merge dimana proses ETL (Extraction, Transformation
and Loading) akan dijalankan berdasarkan perbedaan berkas lama dan baru.
Kata Kunci: Data Warehouse, Perguruan Tinggi, Hypercube, konsep dimensi bisnis
1. PENDAHULUAN
Persaingan untuk mendapatkan mahasiswa antar perguruan tinggi tidak dapat
dipelakkan lagi seiring dengan pertumbuhan perguruan tinggi [1] yang semakin pesat dan
setiap peguruan tinggi harus memperlengkapi dirinya untuk dapat bertahan didalam persaingan
yang pada akhirnya perguruan tinggi yang tidak peka akan kalah bersaing dan menutup
usahanya. Di tangan yang handal dan tepat database sebagai teknologi penyimpanan transaksi
harian yang permanent akan dapat dirubah menjadi sebuah senjata teknologi yang handal
untuk menang didalam menghadapi persaingan [2-3]. Tidak pada tempatnya lagi perguruan
tinggi hanya mengejar keuntungan semata-mata dengan mengabaikan teknologi yang
seharusnya bisa membantu proses bisnis didalam perguruan tinggi tersebut. Dimana biasanya
kekalahan didalam persaingan perguruan tinggi hanya bisa menyalahkan manajemen tingkat
atas yang tidak pernah diperlengkapi dengan teknologi dan hanya mengandalkan hal yang
bersifat tebak-tebak atau perkiraan saja. Tuntutan masyarakat untuk transparansi pendidikan
perguruan tinggi dapat terwujud dan memudahkan Dirjen Pendidikan tinggi memantau
perguruan tinggi secara transparansi[9].
Data yang ada pada perguruan tinggi yang begitu besar dan banyak membutuhkan
alokasi tempat penyimpanan akan terbantu dan menjadi efisien dengan adanya Data
Warehouse[10]. Dengan adanya Data Warehouse menangkap seluruh data bisnis proses yang
ada dari mulai yang berhadapan dengan mahasiswa sebagai konsumen, proses pengajaran
dan keseluruhan sistem informasi yang ada dalam perguruan tinggi[11].
Tak pelak lagi sudah saatnya Data Warehouse harus diimplementasikan pada
perguruan tinggi dan sudah banyak yang menerapkannya[4], bahkan Data Warehouse
digunakan pada proses pembelajaran sebagai proses utama didalam perguruan tinggi[5-7]
bahkan lebih dari itu mengarah ke Data Mining[8]. Berbeda dengan penelitian pada [5-7]
dimana hanya terbatas pada pentingnya penerapan data warehouse pada sebuah universitas,
maka penulisan ini akan menekankan dengan nilai kuantitatif sebagai pembuktian bahwa
penggunaan data warehouse lebih handal dan efektif dibandingkan database OLTP. Selain itu
sebuah sample desain data warehouse akan dibahas ini dimana pembentukannya dibatasi
berdasarkan hypercubes bentukan dari laporan-laporan yang sering digunakan oleh
manajemen tingkat atas. Selain itu efisiensi pada bentukan hypercubes akan dijelaskan pada
masing-masing pembentukan hypercubes dengan mengurangi tabel dimensi dan menyatukan
dalam sebuah tabel dimensi sebagai sebuah improvisasi untuk peningkatan kinerja query
sewaktu mengakses data warehouse.
Data warehouse bukan produk perangkat lunak atau perangkat keras yang dapat dibeli
untuk menyediakan informasi strategis. Ini lebih menyerupai lingkungan komputer dimana
pengguna dapat mendapatkan informasi strategis, sebuah lingkungan dimana pengguna dapat
secara langsung mengakses terhadap data-data informasional yang sudah tidak dapat diubah
lagi yang dibutuhkan untuk membuat keputusan[12]. Jadi Data warehouse tidak lain adalah
database itu sendiri tapi dalam bentuk lain yang lebih kekar dan perkasa, tahan dalam
pertarungan menghadapi pesaing. Dalam kata lain database transaksional yang digunakan
dalam kegiatan transaksi bisnis harian disebut juga database TPS (Transaction Processing
System) atau database OLTP (Online Transactional Processing) sedangkan database yang
didesain sebagai Data Warehouse disebut juga sebagai database OLAP (Online Analytical
Processing) [13].
2. METODE PENELITIAN
Penelitian ini adalah penelitian deksriptif kuantitatif, dimana hasil penelitian akan
menjelaskan prosedur pengimplementasian data warehouse, tanpa melakukan perbandingan
ataupun dihubungkan dengan penelitian lainnya dan hasil prosentase kuantitatif dari penelitian
ini sebagai penegas keberhasilan penelitian ini dalam bentuk angka, bahwa penggunaan data
warehouse lebih handal dibandingkan menggunakan database OLTP.
Penelitian ini dilakukan dengan langkah-langkah berikut :
1) Pembatasan masalah dengan hanya mengumpulkan 5 laporan yang sering digunakan oleh
manajemen tingkat atas
2) Mendesain hypercubes dari masing-masing laporan
3) Mendesain model data logika data warehouse berdasarkan hypercubes yang terbentuk.
4) Implementasi database OLTP dengan menggunakan aplikasi database MySQL
berdasarkan pembatasan pada pembuatan kelima laporan diatas
5) Implementasi database data warehouse dengan menggunakan aplikasi database MySQL.
6) Proses eksekusi query dengan menggunakan database OLTP untuk menghasilkan kelima
laporan diatas.
7) Proses eksekusi query dengan menggunakan database data warehouse untuk
menghasilkan kelima laporan diatas.
8) Pembandingan efisiensi proses antara database OLTP dan data warehouse berdasarkan
a. Total byte yang dikelola
b. Record yang dikelola
c. Panjang record yang diproses
d. Jumlah tabel yang diproses
e. Waktu menjalankan query
f. Record yang dihasilkan dari query.
9) Nilai kuantitatif dibuktikan dengan efisiensi dengan tren prosentasi kenaikan dengan rumus:
(Data lama – Data baru)/ data baru * 100
Untuk mendesain model Data Warehouse digunakan konsep dimensi bisnis yang
merupakan dasar untuk mendefinisikan kebutuhan Data Warehouse. Dimensi bisnis ini
merupakan pandangan manajer bisnis terhadap sistem yang berjalan sesuai dengan kebutuhan
manajemen tingkat atas sebagai pengguna Data Warehouse [12]. Dimensi bisnis biasa
digambarkan dengan kubus, dengan asumsi dimensi yang ada pada sebuah Data Warehouse
umumnya mencapai 3 dimensi. Jika dimensi bisnis lebih dari 3 dimensi maka disebut
bermacam dimensi yang menampilkan kubus multidimensi yang disebut juga hypercube.
PSJenjang
Sekolah
JurSMA
Gambar 1. Dimensi bisnis
Setiap hypercube yang terbentuk dari setiap laporan merupakan komponen rangkaian
kecil yang jika dihubungkan dengan hypercube lainnya akan membentuk sebuah desain model
Data Warehouse yang juga merupakan hypercube. Hypercube ini merupakan sebuah alat untuk
menangkap kebutuhan user dan menggambarkan model dimensi bisnis atau struktur basis data
Data Warehouse. Melihat dari laporan-laporan yang ada sebelumnya dimana setiap laporan
mempunyai lebih dari 3 dimensi, maka dimensi bisnis ini akan digambarkan dengan kubus
multidimensi yaitu hypercube.
Dibandingkan dengan basis data transaksional umumnya maka Data Warehouse
mempunyai struktur yang tidak normal. Ada 2 jenis tabel yang terdapat pada Data Warehouse
yaitu :
1) Tabel dimensional, berisi penjelasan detail dari setiap informasi yang didapatkan dari hasil
analisa kebutuhan Sistem, sebuah field yang berlaku sebagai primary key akan terhubung
ke tabel fakta dan berlaku sebagai foreign key pada tabel fakta.
2) Tabel fakta, berisi data rinci dan agregat yang merupakan kumpulan dari beberapa atribut
yang bersifat sebagai Foreign Key sebagai penghubung ke tabel dimensional, dan atribut
tambahan lainnya yang merupakan nilai data. Pada tabel ini primary key merupakan
composite/compound key (Primary key yang merupakan gabungan dari beberapa foreign
key).
Untuk membentuk Data Warehouse langkah pertama yang harus dilakukan adalah
membentuk tabel dimensional. Ada 3 Pendekatan yang dipakai dalam pengembangan model
dimensi [12], adapun tipe pendekatan tersebut adalah :
1) Mengacu pada data, pengembangan model dimensi yang berorientasi ke sistem OLTP
(Online Transcational Processing)
2) Mengacu pada pengguna, pengembangan model dimensi yang berorientasi kepada
kebutuhan pengguna yang dilakukan dengan menggunakan metode pengumpulan data
seperti wawancara, brainstorming, JAD (Joint Application Development), dll.
3) Mengacu pada tujuan, pengembangan model dimensi yang berorientasi kepada tujuan
organisasi yang tercantum dalam visi dan misi perusahaan.
Pada tulisan ini pendekatan yang akan dipakai dalam pengembangan model dimensi
adalah mengacu pada pengguna dengan pertimbangan sebagai berikut :
1) Memuaskan kebutuhan berbagai tingkat manajemen, terutama manajemen tingkat
menengah sampai manajemen tingkat atas.
2) Mendapatkan kebutuhan laporan dan mendesain Data Warehouse yang memang
dibutuhkan oleh manajemen.
Sesuai dengan metode penelitian yang dijelaskan sebelumnya maka langkah pertama
penelitian ini dimana untuk lebih memudahkan dan meningkatkan tingkat kerumitan data dan
laporan-laporan yang dikelola, sebagai contoh akan digunakan 5 buah laporan-laporan yang
sering digunakan atau dibutuhkan oleh manajemen tingkat atas perguruan tinggi. Adapun
laporan-laporan tersebut adalah:
1) Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
2) Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per Jenjang Program Studi
Per Jenis Kelamin Per Angkatan.
3) Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran Per Jenjang
Program Studi Per Angkatan
4) Laporan Jumlah Komposisi Grade Nilai Per Semester Tahun Ajaran Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan
5) Laporan Pengajaran Dosen Per Semester Tahun Ajaran
Gambar 2 dibawah ini merupakan class diagram model data logika dari database
transaksional yang digunakan untuk menghasilkan kelima laporan diatas.
MFAKULTAS
CKDFAK (PK)
CNMFAK
CSINGKAT
MMAHASISWA
MPRODI
1
1..*
CKDPROGST (PK)
CNMPROGST
CKDJEN
(FK)
CKDFAK
(FK)
CSINGKAT
1
1..*
1..*
TDOSFAK
CKDDOS
(PK)
CKDFAK
(FK)
CSTATDOS
NSKSMAX
CNAMADOS
CANTAR
CTHAJAR
CSMT
NHONOR
1
MJENJANG
CKDJEN (PK)
CNMJEN
CSINGKAT
TRKRS
1
1..*
TJADKUL
CKDFAK
(FK)
CTHAJAR
CSMT
CNOTAB
CKELOMPOK
CKDDOS
(FK)
CKDRUANG
(FK)
CHARI
CSESI
NSKS
NJMLSESI
NMAKS
NISI
CNAMADOS
1
1..*
CKDFAK
(FK)
CTHAJAR
CSMT
CNOTAB
CNIM
(FK)
CKELOMPOK
NNILABS
NNILTGS
NNILPRAK
NNILMID
NNILFIN
NNILAKHIR
CGRADE
NSKS
CKULIAHDI
NANGKA
CWAKTU
CKDRUANG (FK)
CKET
1..*
1
MTbmtkl
CNOTAB
(PK)
CNAMAMK
CINGMK
CSINGMK
NSKS
CKDDOS
CBINA
CNAMASMS
1..*
1
CNIM
(PK)
CNIRM
CKDLOK
CNAMA
CALAMAT
CNORMH
CRT
CRW
CNOTELP
CKDPOS
CTEMPLHR
DTGLHR
CJENKEL
CGOLDAR
CAGAMA
CSTATNKH
CWARGA
CTINGGAL
CNOSTTB
DTGLSTTB
CBISTUDI
CSTATBEA
CKERJA
COLAHRAGA
CSENI
CNMORTU
CALORTU
CKDPORTU
CTLPORTU
CKEADAYAH
CKEADAIBU
CKERJAYAH
CKERJAIBU
CPENDAYAH
CPENDIIBU
DTGLMASUK
DTGLWISUDA
DTGLYUDISI
DTGLTEORI
CFLAGSPBM
CFLAGNILAI
CSTATAWAL
CPTLAIN
CKDPROGST (FK)
CKDMINAT
CSTATREC
CFLAGREC
CKDJEN
CALIHJ
CTHMASUK
NNEM
CJNSMA
CSTATSEK
CNMSEK
CNJSLTA
CLOSMA
CJURSMA
Gambar 2 Class Diagram model data logika OLTP
3. DESAIN HYPERCUBES
Langkah kedua pada metode penelitian ini adalah mendesain hypercubes masingmasing kelima pembatasan laporan diatas dan efisiensi akan dilakukan pada masing-masing
hypercubes, dimana tabel dimensi akan dikurangi dan disatukan pada sebuah tabel dimensi
dengan tujuan untuk peningkatan kinerja query dimana dengan berkurangnya jumlah tabel
dalam proses join didalam query akan meningkatkan kinerja query. Eliminasi dimensi akan
dilakukan pada dimensi jenis kelamin, angkatan, jenjang studi, tahun ajaran, semester, grade,
mata kuliah, dosendan kelompok Indeks prestasi. Eliminasi dimensi akan dijelaskan pada
masing-masing pembentukan hypercube.
Gambar 3 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Per Jenjang
Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Program Studi
Gambar 3. Hypercube Laporan Jumlah Mahasiswa Per Jenjang Program Studi Per Jenis
Kelamin Per Angkatan
Berdasarkan hypercube gambar 3 maka akan terbentuk 1 tabel fakta dan 4 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada
model data gambar 4.
WPRODI
WData1
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Gambar 4. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan
Tabel Fakta adalah WData1 dan tabel dimensi adalah WPRODI. Tabel dimensi
WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing)
yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Akhirnya jika menggunakan Data
Warehouse maka laporan ini membutuhkan 2 tabel basis data yaitu WData1 dan WPRODI
dimana jika menggunakan database OLTP menggunakan 4 tabel yaitu MMAHASISWA,
MPRODI, MFAKULTAS dan MJENJANG.
Gambar 5 memperlihatkan Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester
Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Program Studi
Semester
Gambar 5. Hypercube Laporan Jumlah Mahasiswa Aktif Per Semester Tahun Ajaran Per
Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Berdasarkan hypercube gambar 5 maka akan terbentuk 1 tabel fakta dan 6 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi
data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi
oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Oleh
karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat pada model
data gambar 6.
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
WAktif
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Gambar 6. Class Diagram Data Warehouse Laporan Jumlah Mahasiswa Aktif Per Semester
Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Tabel Fakta adalah WAktif dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI
adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel
MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini
membutuhkan 2 tabel basis data yaitu WAktif dan WPRODI dimana jika menggunakan
database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI, MFAKULTAS
dan MJENJANG.
Gambar 7 memperlihatkan Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Angkatan.
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Kurang/Cukup/Baik
Program Studi
Semester
Gambar 7. Hypercube Laporan Jumlah Komposisi Indeks Prestasi Per Semester Tahun Ajaran
Per Jenjang Program Studi Per Angkatan
Berdasarkan hypercube gambar 7 maka akan terbentuk 1 tabel fakta dan 6 tabel
Dimensi, namun untuk dimensi Angkatan tidak perlu membuat tabel dimensi karna dimensi
Angkatan ini hanya berisi tahun masuk mahasiswa. Demikian juga untuk dimensi Tahun ajaran
juga tidak perlu membuat tabel dimensi oleh karena hanya berisi data tahun ajaran, demikian
juga untuk dimensi Semester tidak perlu membuat tabel dimensi oleh karena hanya berisi
dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap. Begitu juga dengan dimensi
Kurang/Cukup/Baik hanya akan berisi dengan 3 nilai yaitu K untuk data yang mempunyai IPS
(Indeks Prestasi Semester) kurang dari 2.5, C untuk data yang mempunyai IPS (Indeks Prestasi
Semester) antara 2.5 sampai 3.0, B untuk data yang mempunyai IPS (Indeks Prestasi
Semester) lebih dari 3.0. Oleh karena itu tidak perlu membuat tabel dimensi untuk dimensi
Kurang/Cukup/Baik ini. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang
studi ini hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi
diploma 3. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat
pada model data gambar 8.
WIPS
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
KCB
JUM
TglMULAI
TglAKHIR
Gambar 8. Class Diagram Data Warehouse Laporan Jumlah Komposisi Indeks Prestasi Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Angkatan
Tabel Fakta adalah WIPS dan tabel dimensi adalah WPRODI. Tabel dimensi WPRODI
adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing) yaitu tabel
MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka laporan ini
membutuhkan 2 tabel basis data yaitu WIPS dan WPRODI dimana jika menggunakan database
OLTP menggunakan 4 tabel yaitu TRKRS, MPRODI, MFAKULTAS dan MJENJANG.
Gambar 9 memperlihatkan Hypercube Laporan Jumlah Komposisi Grade Nilai Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per Angkatan.
Jenis Kelamin
Angkatan
Jenjang Studi
Jumlah
Mahasiswa
Tahun Ajaran
Program Studi
Semester
Grade
Gambar 9. Hypercube Laporan Jumlah komposisi Grade Nilai Per Semester Tahun Ajaran Per
Jenjang Program Studi Per Jenis Kelamin Per Angkatan
Berdasarkan hypercube gambar 9 maka akan terbentuk 1 tabel fakta dan 7 tabel
Dimensi, namun untuk dimensi Jenis kelamin karna hanya berisi dengan 2 nilai yaitu Pria atau
Wanita,maka kita tidak perlu membuat tabel dimensi untuk dimensi jenis kelamin ini. Hal ini juga
sama dengan dimensi Angkatan, dimana dimensi Angkatan ini hanya berisi tahun masuk
mahasiswa. Demikian juga dengan dimensi jenjang studi dimana dimensi jenjang studi ini
hanya berisi kode 50 untuk jenjang studi strata satu dan kode 30 untuk jenjang studi diploma 3.
Untuk dimensi Tahun ajaran juga tidak perlu membuat tabel dimensi oleh karena hanya berisi
data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat tabel dimensi
oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau semester Genap.
Begitu juga dengan dimensi Grade hanya akan berisi dengan 6 nilai yaitu Grade A, B, C,D, E,
dan – untuk yang tidak mengikuti ujian, maka tidak perlu membuat tabel dimensi untuk dimensi
Grade ini. Oleh karena itu akan terbentuk 1 tabel fakta dan 1 tabel dimensi, hal ini akan terlihat
pada model data gambar 10.
WGrade
WPRODI
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1..*
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
TglMULAI
TglAKHIR
Gambar 10. Class Diagram Data Warehouse Laporan Jumlah komposisi Grade Nilai Per
Semester Tahun Ajaran Per Jenjang Program Studi Per Jenis Kelamin Per
Angkatan
Tabel Fakta adalah WGrade dan tabel dimensi adalah WPRODI. Tabel dimensi
WPRODI adalah penggabungan 3 tabel pada sistem OLTP (Online Transactional Processing)
yaitu tabel MPRODI, MFAKULTAS dan MJENJANG. Jika menggunakan Data Warehouse maka
laporan ini membutuhkan 2 tabel basis data yaitu WGrade dan WPRODI dimana jika
menggunakan database OLTP menggunakan 5 tabel yaitu MMAHASISWA, TRKRS, MPRODI,
MFAKULTAS dan MJENJANG.
Gambar 11 memperlihatkan Hypercube Laporan Pengajaran Dosen Per Semester
Tahun Ajaran.
Mata Kuliah
Jumlah
Mahasiswa
Tahun Ajaran
Dosen
Semester
Gambar 11. Hypercube Laporan Pengajaran Dosen Per Semester Tahun Ajaran
Berdasarkan hypercube gambar 11 maka akan terbentuk 1 tabel fakta dan 4 tabel
Dimensi, namun untuk dimensi Tahun ajaran tidak perlu membuat tabel dimensi oleh karena
hanya berisi data tahun ajaran, demikian juga untuk dimensi Semester tidak perlu membuat
tabel dimensi oleh karena hanya berisi dengan 2 nilai yaitu semester Ganjil/Gasal atau
semester Genap. Untuk dimensi Dosen tidak perlu dibuat tabel dimensi oleh karena laporan ini
hanya menampilkan nama dosen,maka nama dosen tersebut disertakan pada tabel fakta.
Demikian juga dengan dimensi Mata kuliah tidak perlu dibuat tabel dimensi oleh karena laporan
ini hanya menampilkan nama mata kuliah dan SKS (Satuan Kredit Semester) mata kuliah serta
nama dosen pembina, maka nama singkatan mata kuliah dan SKS (Satuan Kredit Semester)
mata kuliah serta nama dosen Pembina disertakan pada tabel fakta. Oleh karena itu akan
terbentuk 1 tabel fakta dan tidak ada tabel dimensi, hal ini akan terlihat pada model data
gambar 12.
WJadkul
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
TglMULAI
TglAKHIR
Gambar 12. Class Diagram Data Warehouse Laporan Pengajaran Dosen Per Semester Tahun
Ajaran
Jika menggunakan Data Warehouse maka laporan ini membutuhkan hanya 1 tabel
basis data yaitu WJadkul dimana jika menggunakan database OLTP menggunakan 4 tabel
yaitu TJADKUL, TDOSFAK, MTBMTK dan MFAKULTAS.
Pada masing-masing tabel diatas baik tabel fakta atau dimensi ditambahkan field
TglMULAI dan TglAkhir yang berfungsi sebagai proses pembaharuan data record, oleh karena
pada Data Warehouse tidak boleh dilakukan proses penghapusan record. Data record yang
masih berlaku adalah apabila field TglAkhir masih kosong, apabila field TglAkhir telah terisi
maka akan terbentuk record duplikat yang menggambarkan data record yang terkini.
4. MODEL DATA LOGIKA DATA WAREHOUSE
Langkah ketiga pada metode penelitian ini adalah mendesain model data logika data
warehouse berdasarkan hypercubes bentukan diatas dan secara keseluruhan model data
logika Data Warehouse yang terbentuk berdasar analisa laporan-laporan diatas yang
menggunakan konsep dimensi bisnis dengan pendekatan kubus multidimensi hypercube
terlihat pada gambar 13.
WData1
1..*
WGrade
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
1..*
TglMULAI
TglAKHIR
WJadkul
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
WPRODI
1
CKDPROGST
CKDJEN
CNMPROGST
CNMJEN
CKDFAK
CNMFAK
TglMULAI
TglAKHIR
1
1
WAktif
1..*
1
CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
WIPS
1..* CTHAJAR
CSMT
Ang
CKDPROGST
CKDJEN
KCB
JUM
TglMULAI
TglAKHIR
TglMULAI
TglAKHIR
Gambar 13. Class Diagram model data logika Data Warehouse
Tabel 1 dibawah ini merupakan spesifikasi basis data tabel fakta WDATA1.
Tabel 1. Tabel spesifikasi basis data WDATA1
No
1
2
3
4
5
6
7
Nama Field
ANG
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 2 dibawah ini merupakan spesifikasi basis data tabel fakta WGRADE.
Tabel 2. Tabel spesifikasi basis data WGRADE
No
1
2
3
4
5
6
7
8
9
10
Nama Field
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
JENKEL
Grade
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Grade Nilai
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 3 dibawah ini merupakan spesifikasi basis data tabel fakta WJADKUL.
Tabel 3. Tabel spesifikasi basis data WJADKUL
No
1
2
3
4
5
6
7
8
9
10
11
Nama Field
CTHAJAR
CSMT
CNOTAB
CSINGMK
NSKS
DosenBina
CKDDOS
CNAMADOS
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(5)
VARCHAR2(25)
NUMBER(1)
VARCHAR2(6)
VARCHAR2(6)
VARCHAR2(50)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Nomor Tabel Mata Kuliah
Singkatan nama
SKS
Nama Dosen Koordinator
Dosen Mengajar
Nama Dosen Mengajar
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 4 dibawah ini merupakan spesifikasi basis data tabel fakta WAKTIF.
Tabel 4. Tabel spesifikasi basis data WAKTIF
No
1
2
3
4
5
6
7
8
9
Nama Field
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
JENKEL
JUM
TglMULAI
TglAKHIR
Tipe dan Lebar Field
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
NUMBER(5)
DATE
DATE
Keterangan
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
Jenis Kelamin
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 5 dibawah ini merupakan spesifikasi basis data tabel fakta WIPS.
Tabel 5. Tabel spesifikasi basis data WIPS
No
Nama Field
Tipe dan Lebar Field
Keterangan
1
2
3
4
5
6
CTHAJAR
CSMT
ANG
CKDPROGST
CKDJEN
KCB
VARCHAR2(8)
VARCHAR2(1)
VARCHAR2(4)
VARCHAR2(2)
VARCHAR2(2)
VARCHAR2(1)
7
8
9
JUM
TglMULAI
TglAKHIR
NUMBER(5)
DATE
DATE
Tahun Ajaran
Semester
Angkatan Kuliah
Kode Program Studi
Kode Jenjang
K = Kurang (IPS < 2.5)
C = Cukup (IPS antara
2.5 s/d 3.0)
B = Baik (IPS > 3.0)
Jumlah data
Tanggal berlaku record
Tanggal berakhir record
Tabel 6 dibawah ini merupakan spesifikasi basis data tabel dimensi WPRODI.
Tabel 6. Tabel spesifikasi basis data WPRODI
No
1
2
3
4
5
6
7
8
Nama Field
Tipe dan Lebar Field
Keterangan
CKDPROGST VARCHAR2(2)
Kode Program Studi
CNMPROGST VARCHAR2(2)
Nama Singkatan Program Studi
CKDJEN
VARCHAR2(2)
Kode Jenjang
CNMJEN
VARCHAR2(2)
Nama Singkatan Jenjang
CKDFAK
VARCHAR2(2)
Kode Fakultas
CNMFAK
VARCHAR2(5)
Nama Singkatan Fakultas
TglMULAI
DATE
Tanggal berlaku record
TglAKHIR
DATE
Tanggal berakhir record
Langkah kelima pada metode penelitian ini adalah pengimplementasian database
data warehouse dengan menggunakan aplikasi database MySQL dan dimana sebelumnya
langkah keempat telah dilakukan dimana database OLTP diimplementasikan juag dengan
aplikasi database MySQL. Langkah keenam pada metode penelitian ini dilakukan dengan
menjalankan query untuk menghasilkan record yang akan menampilkan laporan dengan
menggunakan database OLTP dan demikian pula dengan langkah ketujuh dimana dilakukan
dengan menjalankan query untuk menghasilkan record yang akan menampilkan laporan
dengan menggunakan data warehouse.
5. PEMBUKTIAN EFISIENSI PROSENTASE
Untuk membuktikan bahwa penggunaan Data Warehouse lebih efektif daripada
database pada umumnya, maka akan dibuktikan dari efisiensi pada total byte yang dikelola,
record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses, waktu dan
record yang dihasilkan. Tabel 7 merupakan besaran 8 tabel database OLTP yang terdapat
pada gambar 2, yang mempunyai total panjang record 1,099 byte, total jumlah record 131,171
record dan total keseluruhan byte adalah 31,303,511 byte. Sedangkan Tabel 8 merupakan
besaran 6 tabel Data Warehouse yang terdapat pada gambar 13, yang mempunyai total
panjang record 326 byte, total jumlah record 1,138 record dan total keseluruhan byte adalah
71,555 byte.
Tabel 9 memperlihatkan prosentase efisiensi dimana penggunaan Data Warehouse
lebih efisien 237.12% (1099-326)/326*100 untuk panjang record, lebih efisien 11,426.45%
(131,171-1138)/1138*100 untuk jumlah record dan lebih efisien 43,467.48% (31,303,51171,555)/71,555*100 untuk total keseluruhan byte. Prosentase efisiensi ini diukur sesuai
dengan langkah kesembilan pada metode penelitian ini dimana nilai kuantitatif ini diukur
dengan prosentase kenaikan dengan rumus : (data lama – data baru)/ data baru *100.
Tabel 7. Tabel besaran isi tabel database transaksional
Nama Tabel
Panjang record
Jumlah record
Total byte
MMAHASIWA
MPRODI
MFAKULTAS
MJENJANG
TRKRS
TJADKUL
TDOSFAK
MTBMTKL
Total
586 byte
42977 record
25 184 522 byte
48 byte
16 record
768 byte
65 byte
7 record
455 byte
24 byte
3 record
72 byte
68 byte
84774 record
5 764 632 byte
88 byte
1988 record
174 944 byte
73 byte
386 record
28 178 byte
147 byte
1020 record
149 940 byte
1099 byte
131171 record
31303511 byte
Tabel 8. Tabel besaran isi tabel Data Warehouse
Nama Tabel
Panjang record
Jumlah record
Total byte
35 byte
16 record
560 byte
WPRODI
127 byte
303 record
38481 byte
WJADKUL
44 byte
368 record
16192 byte
WGRADE
34 byte
279 record
9486 byte
WDATA1
43 byte
74 record
3182 byte
WAKTIF
43 byte
98 record
4214 byte
WIPS
Total
326 byte
1138 record
71555 byte
Tabel 9. Tabel total perbandingan kapasitas database transaksional dan Data Warehouse
Total database OLTP
Total Data Warehouse
Prosentase Efisiensi
Perbandingan Database / DW
Panjang record
1099 byte
326 byte
237.12 %
Jumlah record
131171 record
1138 record
11,426.45%
Total byte
31303511 byte
71555 byte
43,647.48%
Sesuai dengan langkah kedelapan pada metode penelitian ini dimana tabel 10
memperlihatkan bahwa penggunaan Data Warehouse lebih efisien pada total byte yang
dikelola, record yang dikelola, panjang record yang diproses, jumlah tabel yang diproses,
waktu dan record yang dihasilkan pada kelima laporan diatas. Prosentase efisiensi pada tabel
10 ini diukur sesuai dengan langkah kesembilan pada metode penelitian ini dimana nilai
kuantitatif ini diukur dengan prosentase kenaikan dengan rumus :
(data lama – data baru)/ data baru *100.
Berikut ini penjelasan dasar pembentukan masing-masing pengukuran prosentase efisiensi :
a. Total byte yang dikelola didapatkan dari total perkalian record yang dikelola dan panjang
record yang dikelola dari tabel database yang digunakan dalam menghasilkan sebuah
laporan baik dengan menggunakan database OLTP atau data warehouse.
b. Record yang dikelola didapatkan dari total jumlah record yang diproses dalam
menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
c. Panjang record yang dikelola didapatkan dari total panjang byte record yang diproses
dalam menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
d. Jumlah Tabel yang digunakan didapatkan dari penjelasan bab sebelumnya diatas dalam
menghasilkan sebuah laporan baik dengan menggunakan database OLTP atau data
warehouse.
e. Waktu proses didapatkan dari pengujian pengeksekusian query dalam menghasilkan record
untuk membentuk masing-masing laporan dengan menggunakan aplikasi database MySql,
baik dengan menggunakan database OLTP ataupun dengan data warehouse.
f. Record yang dihasilkan didapatkan dari hasil eksekusi query pada masing-masing laporan
untuk membentuk laporan tersebut dengan menggunakan aplikasi database MySQL, baik
dengan menggunakan database OLTP ataupun dengan data warehouse, dimana hasil
record tersebut mempunyai hasil yang sama pada beberapa laporan.
Sebagai contoh laporan 1 adalah Laporan Jumlah Mahasiswa Per Jenjang Program
Studi Per Jenis Kelamin Per Angkatan. Dimana pada pada tabel 10 dibawah laporan ini jika
dihasilkan dengan menggunakan Data Warehouse akan mempunyai prosentase efisiensi
sebagai berikut :
a. Prosentasi efisiensi pada total byte yang dikelola sebanyak 250,605.31% (25,185,85510,046)/10.046*100.
b. Prosentase efisiensi pada record yang dikelola sebanyak 14,477.63% (43,004295)/295*100.
c. Prosentase efisiensi pada panjang record yang diproses sebanyak 947.83% (72369)/69*100.
d. Prosentase efisiensi pada jumlah tabel yang diproses sebanyak 100% (4-2)/2*100.
e. Prosentasi efisiensi pada waktu per detik sebanyak 31,200% (3.13-0.01)/0.01*100.
f. Prosentase efisiensi pada jumlah record yang dihasilkan sebanyak 0% (279-279)/279*100.
Yang menarik pada tabel 10 semua efisiensi mengalami kenaikan prosentase, namun
untuk efisiensi record yang dihasilkan pada laporan 1, 2 dan 3 tidak mengalami kenaikan
prosentase. Prosentase kenaikan efisiensi tertinggi adalah 5,008,200% pada efisiensi waktu
pada laporan 4 dan kenaikan efisiensi terendah adalah 95.38% yaitu pada efisiensi record yang
dihasilkan pada laporan 5.
Tabel 10. Tabel Efisiensi perbandingan penggunaan Database dan Data Warehouse
Laporan 1
Total Byte
Database
Datawarehouse
Efisiensi
Record yang
Database
Dikelola
Datawarehouse
Efisiensi
Panjang
Database
Record
Datawarehouse
Efisiensi
25,185,855.00
Laporan 2
Laporan 3
30,255,131.00
Laporan 4
5,040,609.00
Laporan 5
30,225,131.00
352,023.00
10,046.00
3,742.00
4,774.00
16,752.00
38,481.00
250,605.31%
808,428.35%
105,484.60%
180,327.00%
814.80%
43,004.00
117,111.00
74,134.00
117,111.00
3,384.00
295.00
90.00
114.00
384.00
303.00
14,477.63%
130,023.33%
64,929.82%
30,397.66%
1,016.83%
723.00
791.00
205.00
791.00
373.00
69.00
78.00
78.00
79.00
127.00
947.83%
914.10%
162.82%
901.27%
193.70%
4
Tabel yang
Database
4
5
4
5
digunakan
Datawarehouse
2
2
2
2
1
100.00%
150.00%
100.00%
150.00%
300.00%
Database
3.13
245.61
439.68
500.83
119.15
Datawarehouse
0.01
0.01
0.01
0.01
0.01
Efisiensi
Waktu/Detik
Efisiensi
31,200.00%
2,456,000.00%
4,396,700.00%
5,008,200.00%
1,191,400.00%
Record yang
Database
279.00
74.00
3091.00
368.00
592.00
dihasilkan
Datawarehouse
279.00
74.00
98.00
368.00
303.00
Efisiensi
0.00%
0.00%
3,054.08%
0.00%
95.38%
6. KESIMPULAN
Memanfaatkan dan menggunakan database secara lebih baik dan tepat akan membuat
kita menghargai kemampuan dan kelebihan database sebagai tidak hanya untuk menyimpan
data dan mendukung kegiatan operasional transaksi harian saja. Terlebih dari itu pemisahan
antara database transaksional dan database Data Warehouse akan meningkatkan aselerasi
tingkat pencapaian sistem, sehingga kekuatan database dapat dimanfaatkan semaksimal
mungkin sebagai sebuah senjata ampuh untuk bertarung dalam persaingan bisnis yang sehat.
Data Warehouse mempengaruhi proses transaksi pada database dimana database
Data Wareouse yang dihasilkan akan lebih ramping dan perintah sql yang dijalankan untuk
mengakses Data Warehouse jelas-jelas akan lebih cepat yaitu jumlah record yang diproses
makin sedikit dan proses join berkurang. Data-data perbedaan dalam pembuatan laporan
dimana pembuatan laporan dengan menggunakan database transaksional melibatkan banyak
tabel dan dengan menggunakan Data Warehouse penggunaan tabel dikurangi sehingga akan
mengurangi proses join dalam perintah sql, dimana pengurangan proses join pada perintah sql
dapat meningkatkan proses sehingga aselerasi tingkat pencapaian dapat tercapai.
Dari keseluruhan efisiensi kenaikan prosentase jika digabungkan akan menghasilkan
rata-rata efisiensi kenaikan prosentase 461,801.84%, yang menunjukkan bahwa penggunaan
data warehouse lebih handal dan efisien dibandingkan penggunaan database OLTP.
DAFTAR PUSTAKA
[1] Silva F.S.C., Panigassi R., Hulot C.,”Learning Management Systems Desiderata for
Competitive Universities”, European Journal of Open Distance and E-Learning, No.2,
2007.
[2] Ward J. & Peppard J.,”Strategic planning for Information Systems”,Edidi 3,John Willey &
Sons, Ltd, West Sussex, England,2003
[3] Porter M.E., “Strategy and the Internet”, Harvard Business Review, pp. 62-78,2001.
[4] Hans D., Gomez J.M., Peters D., Solsbach A.,”Case Study-Design for Higher EducationA Demonstration in the Data Warehouse Environment”, W. Abramowicz & D. Flejter
(Eds), BIS 2009 Workshop, LNBIP 37, pp. 231-241, 2009.
[5] Wu T,”System of Teaching quality analyzing and evaluating based on Data
Warehouse”, Computer Engineering and Design, Vol 30, No. 6, pp.1545-1547, 2009.
[6] Zhou L., Wu M., Li S., “Design of Data Warehouse in teaching state based on OLAP
and Data Mining”, Proc. SPIE (The International Society for Optical Engineering), Vol.
7344, 2009.
[7] Gombiro C., Munyoka W., Hove S., Chengetanai G., Zano C.,”The Need for Data
Warehousing in Sharing Learning Materials”,Journal of Sustainable Development in
Africa, Vol. 10, No.2,pp. 422-449, 2008.
[8] Ranjan J., Khalil S.,”Conceptual Framework of Data Mining Process in Management
Education in India: An Institutional Perspective”, Information Technology Journal, Vol.7,
No, 1, 2008.
[9] Dimokas N., Mittas N., Nanopoulos A., Angelis L.,”A Prototype System for Educational
Data Warehousing and Mining”, In Proceedings of the 2008 Panhellenic Conference on
Informatics, pp. 199-203, 2008.
[10] Wikramanayake G.N.& Goonetillake J.S., “Managing Very Large Databases and Data
Warehousing”, Sri Lankan Journal of Librarianship and Information Management, Vol. 2,
No.1, pp. 22-29, 2006.
[11] Goldstein P.J.,”Academic Analytics: The Uses of Management Information and
Technology in Higher Education”, ECAR Key Findings, EDUCAUSE, 2005.
[12] Ponniah P.,”Data Warehousing Fundamentals”, John Willey & Sons, Inc, New York,
USA,2001
[13] S.Chaudhuri & U. Dayal,”An overview of data warehousing and olap technology”,
SIGMOD Record, Vol. 26, No. 1, pp.65-74, 1997