APLIKASI ONLINE ANALYTICAL PROCESSING (OLAP) BERBASIS WEB DATA WAREHOUSE TANAMAN HORTIKULTURA MENGGUNAKAN SPAGOBI
EDO RAHARDI PERMANA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2015 Edo Rahardi Permana NIM G64100004
ABSTRAK EDO RAHARDI PERMANA. Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI. Dibimbing oleh HARI AGUNG ADRIANTO. Data tanaman hortikultura yang dimiliki oleh Kementerian Pertanian selalu bertambah setiap tahun. Data tersebut mencakup aspek komoditas, lokasi, status angka dan waktu yang masih tersaji dalam bentuk tabel. Hal ini menyebabkan ringkasan data susah untuk diperoleh. Aplikasi Online Analycal Processing (OLAP) yang terintegrasi dengan data warehouse dapat menjadi solusi persoalan ini. Penelitian ini mengolah data tanaman hortikultura yang meliputi buah-buahan, sayuran, tanaman hias, dan tanaman obat di seluruh Indonesia mulai tahun 2000 sampai 2013. Skema star yang dipakai membentuk kubus data dengan satu tabel fakta dan 4 dimensi. OLAP SpagoBI dipilih karena sebagai aplikasi open source, SpagoBI memiliki fitur yang lengkap dan juga user friendly. Sistem yang terbangun mampu menampilkan ringkasan data tanaman hortikultura dalam bentuk crosstab dan grafik. Kata kunci: data warehouse, OLAP, SpagoBI, tanaman hortikultura
ABSTRACT EDO RAHARDI PERMANA. Web Based Aplication Online Analytical Processing (OLAP) Data Warehouse of Horticultural Crops using SpagoBI. Supervised by HARI AGUNG ADRIANTO. Horticultural crops data that the Ministry of Agricultural has are updated every year. The data includes aspect of commodity, location, status number and the time which are presented as tables. This condition causes the summary of horticultural crops data is difficult to be accesed. Online Analytical Processing (OLAP) which is integrated to data warehouse can be a solution in this case. This research processed horticultural crops data which included fruits, vegetables, ornamental plants, and medicinal plants throughout Indonesia from 2000 to 2013. Star scheme used in this research composed data cube by a single fact table and 4 dimensions. SpagoBI OLAP was choosen because the application is open source, complete, and user friendly. The system can represent summary horticultural crops data into the form of crosstab and charts. Keywords: data warehouse, horticultural crops , OLAP, SpagoBI
APLIKASI ONLINE ANALYTICAL PROCESSING (OLAP) BERBASIS WEB DATA WAREHOUSE TANAMAN HORTIKULTURA MENGGUNAKAN SPAGOBI
EDO RAHARDI PERMANA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji : 1 Dr Imas Sukaesih Sitanggang, SSi, MKom 2 Rina Trisminingsih, SKomp, MT
Judul Skripsi : Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI Nama : Edo Rahardi Permana NIM : G64100004
Disetujui oleh
Hari Agung Adrianto, SKom, MSi Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini terasa istimewa karena dikerjakan setelah menyelesaikan amanah menjadi wakil presiden mahasiswa meskipun tergolong terlambat dibandingkan mahasiswa secara umum. Terima kasih dan penghargaan penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom, MSi selaku pembimbing, Ibu Rina Trisminingsih, SKom, MT yang pernah membimbing dan Ibu Dr Imas Sukaesih Sitanggang, SSi, MKom yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Febri Dwiprianti yang telah penulis lanjutkan penelitian dan datanya, Bapak Bayu Chandra Winata dan Aang Khudairi sebagai pembimbing ruhani serta seluruh dosen dan staf Departemen Ilmu Komputer yang telah membantu selama masa kuliah. Ungkapan terima kasih juga disampaikan kepada ibu, kakak, seluruh keluarga, teman-teman ilmu komputer angkatan 47, teman-teman BEM FMIPA Sahabat Sinergi dan BEM KM Berani Beda atas segala doa, dukungan dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, April 2015 Edo Rahardi Permana
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
METODE
4
Data Penelitian
4
Tahapan Penelitian
4
Analisis Kebutuhan Sistem
5
Praproses Data
5
Perancangan Data Warehouse
5
Implementasi Data Warehouse
6
Perancangan dan Implementasi OLAP
6
Pengujian Operasi OLAP
6
Lingkungan Pengembangan Sistem
6
SpagoBI
6
HASIL DAN PEMBAHASAN
11
Data Penelitian
11
Analisis Kebutuhan Sistem
11
Praproses Data
11
Perancangan Data Warehouse
12
Perancangan Konseptual
12
Implementasi Data Warehouse
13
Perancangan dan implementasi OLAP
15
Pengujian Operasi OLAP
17
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
18
DAFTAR PUSTAKA
18
LAMPIRAN
19
RIWAYAT HIDUP
24
DAFTAR TABEL 1 2 3 4 5 6 7 8 9
Perbandingan SpagoBI dengan Pentaho dan Jasper Struktur hierarki dimensi tanaman hortikultura Nama dan deskripsi dimensi kubus data tanaman hortikultura Nama dan atribut tabel fakta Nama dan atribut dimensi lokasi Nama dan atribut dimensi komoditi Nama dan atribut dimensi waktu Nama dan atribut dimensi status angka Skenario pengujian operasi OLAP
7 12 13 13 13 14 14 14 17
DAFTAR GAMBAR 1 2 3 4 5 6 7 8
Tahapan metode penelitian Skema bintang dari kubus data tanaman hortikultura Basis data kultura dalam MySQL Kubus data tanaman hortikultura Kode program template OLAP Halaman muka aplikasi OLAP Pengaturan operasi OLAP Representasi dalam bentuk tabel crosstab dan grafik
4 12 14 15 15 16 16 17
DAFTAR LAMPIRAN 1 2 3 4 5
Memulai membangun kubus data dengan membuat proyek baru dalam SpagoBI Studio 19 Membuat koneksi antara basis data MySQL dan SpagoBI menggunakan MySQL JDBC dalam SpagoBI Studio 20 Membuat model baru sebagai tempat membangun dan mengatur kubus data dalam SpagoBI Studio 21 Membuat hierarki dari setiap dimensi yang ada pada model data dalam SpagoBI Studio 22 Membuat server SpagoBI sebagai basis aplikasi OLAP dalam SpagoBI Studio 23
PENDAHULUAN Latar Belakang Kementerian Pertanian (Kementan) Indonesia mendata perkembangan tanaman hortikultura berbagai daerah di Indonesia dalam periode tahunan. Data yang dimiliki Kementan tersedia dan dapat diakses dalam situs resmi yang dimiliki instansi ini. Data tersebut mencakup empat aspek utama, yaitu komoditi, lokasi, status angka, dan waktu yang tersaji dalam bentuk tabel per komoditi atau daerah. Belum terintegrasinya data tersebut membuat pengguna akan kesulitan untuk menemukan ringkasan data sesuai yang diinginkan dengan cepat. Data yang terus bertambah menghasilkan tumpukan dan kumpulan data besar yang sering kali hanya tersimpan tanpa diolah sehingga kurang bermanfaat (Han dan Kamber 2011). Kumpulan data besar sebenarnya dapat diintegrasikan dengan menyimpan dan merancangnya dalam suatu basis data sehingga mempermudah pengguna dalam menganalisis data dan membuat laporan, yang merupakan tujuan dari adanya data warehouse. Apalagi saat ini banyak berkembang aplikasi yang dapat membantu menganalisis data yang terintegrasi dengan data warehouse. Salah satu media yang cukup terkenal adalah aplikasi Online Analytical Processing (OLAP). Aplikasi OLAP dapat membantu membuat visualisasi dari data warehouse yang terbuat dan dilengkapi dengan alat yang cocok untuk menganalisisnya. Pembangunan aplikasi OLAP yang diintegrasikan dengan data warehouse cukup menjadi solusi untuk memecahkan persoalan yang dihadapi saat ini. Beberapa penelitian sejenis telah dilakukan, termasuk penelitian terakhir yang dilakukan oleh Dwiprianti (2015) dengan menggunakan data yang sama. Pada penelitian tersebut telah dilakukan analisis tanaman hortikultura menggunakan Palo sebagai aplikasi OLAP berbasis web. Namun masih ada beberapa hal yang menjadi catatan untuk terus dilakukan perbaikan dan pengembangan. Selain keterbatasan akses karena aplikasi yang digunakan berbayar, sistem yang sudah dibuat belum mampu menyimpan data hasil dari tabel operasi-operasi OLAP. Dalam penelitian kali ini, peneliti membuat data warehouse beserta OLAP berbasis web dengan menggunakan SpagoBI. Data dan analisis yang dipakai masih menggunakan apa yang sudah dikerjakan oleh peneliti sebelumnya, namun aplikasi OLAP yang dipilih adalah SpagoBI. Penghargaan besar diberikan kepada peneliti sebelumnya atas kontribusi yang dilakukan telah mengunduh semua data tanaman hortikultura yang berjumlah 951 fail satu per satu sehingga bisa langsung digunakan dalam penelitian kali ini. Data tersebut didapatkan dari situs Kementan berupa tanaman hortikultura tahun 2000 sampai 2013 dalam format Microsoft Excel (.xls) yang dianalisis berdasarkan komoditi, waktu, lokasi, dan status angka. Data tanaman hortikultura tersebut dibagi menjadi empat kelompok yaitu kelompok buah-buahan, sayuran, tanaman obat, dan tanaman hias. Peneliti memilih menggunakan SpagoBI karena aplikasi ini merupakan salah satu pengembangan aplikasi data warehouse beserta OLAP yang tersedia open source. Jika dibandingkan denga Palo, SpagoBI ini memberikan kemudahan dapat secara otomatis memasukkan data dari basis data ke kubus data. Palo belum mendukung hal ini dan harus dijembatani dengan kode program sehingga proses masukan data
2 lebih lama. Dengan aplikasi SpagoBI ini diharapkan dapat menampilkan ringkasan data tanaman hortikultura sesuai yang diinginkan dengan cepat. Perumusan Masalah Kumpulan data besar tanaman hortikultura dalam situs Kementan masih tersaji dalam bentuk tabel per komoditi atau daerah. Hal ini menyebabkan pengguna kesulitan menemukan ringkasan data tanaman hortikultura yang diinginkan dengan cepat. Oleh sebab itu, diperlukan sebuah sistem data warehouse untuk menyatukan beragam data yang tersimpan dalam sebuah basis data yang pada penelitian ini mengunakan basis data MySQL. Rumusan permasalahan pada penelitian ini adalah: 1 Bagaimana membangun sebuah data warehouse tanaman hortikultura yang tervisualisasi dengan aplikasi OLAP berbasis web menggunakan SpagoBI? 2 Bagaimana operasi - operasi OLAP dapat diimplementasikan pada data tanaman hortikultura itu? Tujuan Penelitian Tujuan penelitian ini adalah membangun data warehouse tanaman hortikultura yang dilengkapi dengan aplikasi OLAP berbasis web untuk menampilkan hasil dari operasi-operasi analisisnya dengan menggunakan SpagoBI. Manfaat Penelitian Manfaat dari penelitian ini adalah aplikasi OLAP yang dibangun diharapkan dapat menampilkan ringkasan data tanaman hortikultura sehingga membantu pengguna dalam memperoleh informasi tanaman hortikultura sesuai keinginan dengan lebih cepat dan membuat analisis datanya. Ruang Lingkup Penelitian Ruang lingkup penelitian ini difokuskan pada perancangan data warehouse dan aplikasi OLAP berbasis web sebagai visualisasinya dengan menggunakan SpagoBI 5.0. Data yang digunakan didapatkan dari peneliti sebelumnya yaitu Dwiprianti (2015) yang merupakan data tanaman hortikultura pada tahun 2000 sampai 2013 yang diperoleh dari situs http: //aplikasi.deptan.go.id/bdsp/index.asp. Komoditi yang disimpan dalam basis data terbagi menjadi kategori sayuran, buahbuahan, tanaman hias, dan tanaman obat. Komoditi yang dipakai hanya 3 jenis dari masing-masing kategori komoditi
3
TINJAUAN PUSTAKA Data Warehouse Data warehouse merupakan kumpulan arsip informasi dari berbagai sumber yang tersimpan dalam skema yang saling terintegrasi, sehingga memungkinkan pengguna menciptakan query untuk membantu proses pengambilan keputusan (Han dan Kamber 2011). Data atau informasi tersebut memiliki ciri tersimpan dalam jangka waktu yang yang lama (tahunan). Dengan adanya data warehouse, proses transaksi pekerjaan yang lain dapat dilakukan tanpa terganggu oleh beban kerja proses pengambilan keputusan (Han dan Kamber 2011). Tujuan utama dari pembuatan data warehouse adalah untuk menyatukan beragam data di dalam sebuah tempat penyimpanan sehingga pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis terhadap data yang ada. Secara rinci dijelaskan oleh Inmon (2002) bahwa data warehouse mempunyai empat karakteristik yaitu: Berorientasi subjek Data warehouse berfokus pada pemodelan dan analisis data untuk pembuatan keputusan. Oleh karena itu, data warehouse biasanya memberikan pandangan sederhana dan ringkas yang berisi informasi yang relevan untuk mendukung keputusan. Terintegrasi Sebuah data warehouse biasanya dibangun dengan mengintegrasikan beberapa sumber yang bervariasi seperti basis data relasional, flat files, dan catatan transaksi online. Pembersihan data dan integrasi data dilakukan untuk memastikan konsistensi dalam konvensi penamaan, pengkodean, dan atribut. Time-variant Data yang tersimpan dalam data warehouse bersifat time-variant atau bersifat akurat pada periode tertentu. Non-volatile Data warehouse secara fisik selalu terpisah dari data yang ditransformasikan. Data warehouse tidak memerlukan proses transaksi, recovery, dan concurrency control. Biasanya hanya membutuhkan dua operasi yaitu initial loading dan access data. Online Analytical Processing (OLAP) Online Analytical Processing (OLAP) digunakan untuk mengeksplorasi data warehouse secara detail, menggunakan model data multidimensi (Boulil et al. 2014). Sistem OLAP mengelola data historis dengan jumlah yang besar, menyediakan fasilitas untuk ringkasan dan agregasi agar membuat data lebih mudah digunakan untuk pengambilan keputusan (Han dan Kamber 2011). Operasi yang terdapat dalam aplikasi OLAP (Teoray 2006) yaitu: Drill-down : operasi untuk berpindah ringkasan data yang lebih rinci Roll-up : operasi untuk berpindah dari data yang rinci ke data ringkasan secara lebih detail.
4 Slice : operasi untuk melakukan pemilihan satu dimensi dari kubus data sehingga menghasilkan sub cube. Dice : operasi untuk menghasilkan bagian kubus dengan memilih dua atau lebih dimensi. Pivot : operasi untuk melakukan visualisasi dengan cara berputar untuk memberikan penyajian data secara alternatif.
METODE Data Penelitian Data yang digunakan pada penelitian ini adalah data tanaman hortikultura yang diperoleh dari peneliti sebelumnya yaitu Dwiprianti (2015) yang didapatkan dari situs http://aplikasi.deptan.go.id/bdsp/index.asp pada tahun 2000 sampai tahun 2013 dan masih dalam format Microsoft Excel (.xls). Jenis tanaman hortikultura yang akan digunakan adalah tanaman obat, buah-buahan, sayuran, dan tanaman hias. Masing-masing jenis komoditi terbatas hanya dengan mengambil tiga jenis data. Pemilihan jenis komoditi berdasarkan kelengkapan data dan tidak banyak yang bernilai kosong. Jenis komoditi dalam penelitian ini yaitu komoditi sayuran meliputi buncis, wortel, dan cabe. Komoditi buah-buahan meliputi alpukat, belimbing, dan durian. Komoditi tanaman hias meliputi bunga anggrek, bunga mawar, dan bunga sedap malam. Sementara itu, untuk tanaman obat meliputi jahe, lengkuas, dan kunyit. Tahapan Penelitian Penelitian kali ini menggunakan tahapan penelitian seperti terlihat pada Gambar 1. Mulai
Studi Literatur
Analisis Kebutuhan Sistem
Implementasi Operasi OLAP
Perancangan Operasi OLAP
Implementasi Data Warehouse
Praproses Data
Perancangan Data Warehouse
tidak Pengujian Operasi OLAP
Sesuai
Selesai y a
Gambar 1 Tahapan metode penelitian
5 Analisis Kebutuhan Sistem Pengembangan data warehouse dilakukan dengan perancangan basis data yang jelas. Tahap pertama adalah analisis spesifikasi kebutuhan yang dilakukan dengan mempertimbangkan analisis penelitian sebelumnya, idealnya memang mengumpulkan kebutuhan sistem dari permintaan pengguna. Tahap analisis ini juga ditujukan untuk mengetahui karakteristik dari masing-masing data yang diketahui, sehingga memudahkan dalam menentukan rancangan data warehouse yang akan dibuat. Pada penelitian ini, data tanaman hortikultura yang didapatkan perlu disimpan dalam DBMS MySQL. Untuk mendapatkan ringkasan data sesuai keinginan pengguna akan dibuat operasi-operasi OLAP yang hasilnya direpresentasikan dalam bentuk tabel crosstab dan grafik. Praproses Data Tahapan berikutnya adalah praproses data. Pada tahap ini, data yang ada diolah dengan perlakuan untuk dapat menghasilkan komposisi data yang sesuai dengan rancangan yang ada. Pada tahap ini yang dilakukan adalah mengunduh data dalam situs Kementan. Kemudian dilakukan integrasi dan seleksi atribut karena tidak semua data yang digunakan, hanya yang sesuai dengan hasil analisis dan rancangan yang akan diperlukan. Untuk menyempurnakan dilakukan pembersihan dan perbaikan data, serta menyesuaikan formatnya. Perancangan Data Warehouse Langkah awal dalam membuat data warehouse adalah dengan merancang skema data warehouse terlebih dahulu. Perancangan skema data warehouse terdiri atas desain konseptual, desain logikal, dan desain fisik (Malinowski dan Zim’anyi 2008). 1 Perancangan konseptual Tahap ini akan menggambarkan atribut-atribut yang ada dalam data warehouse, sekaligus keterhubungan diantaranya. Integrasi atribut-atribut tersebut menghasilkan tabel fakta. Tabel fakta dibentuk berdasarkan informasi yang akan ditampilkan pada aplikasi OLAP. Tabel fakta terdiri atas key dari dimensi dan measure. Selanjutnya dilakukan integrasi tabel fakta dan dimensi yang akan membentuk skema bintang dalam penelitian kali ini. 2 Perancangan logikal Pada tahap ini diterjemahkan representasi konseptual basis data dari tahap sebelumnya ke implementasi basis data menggunakan DBMS MySQL. Model data pada data warehouse adalah multidimensional. Model multidimensional menampilkan data dalam bentuk kubus. Model ini terdiri dari dimensi (dimensions) dan fakta (facts) (Han dan Kamber 2011). 3 Perancangan fisik Pada tahap ini ditentukan Server OLAP yang dapat menyimpan data dalam bentuk kubus data. Kubus data dan dimensi terbentuk melalui hubungan antar elemen yang ada. Pada penelitian kali ini tahap perancangan fisik langsung digabungkan ke dalam implementasi karena konsep perancangannya dapat langsung diaplikasikan.
6 Implementasi Data Warehouse Data tanaman hortikultura yang telah disatukan kemudian disimpan ke dalam basis data MySQL. Dari basis data itu dibuat struktur kubus data yang terdiri dari dimensi, measure dan fakta. Pembuatan struktur kubus data tersebut dilakukan dalam tool SpagoBI Studio. Penelitian kali ini menggunakan SpagoBI server sebagai servernya. Perancangan dan Implementasi OLAP Aplikasi OLAP dibangun untuk merepresentasikan hasil operasi-operasi OLAP yaitu drill-down, roll-up, slice, dice, dan pivot ke dalam bentuk tabel crosstab dan grafik. Perancangan dan implementasi operasi-operasi OLAP ini dilakukan dalam aplikasi SpagoBI server yang sudah terbentuk dengan memanfaatkan tool yang sudah ada. Pengujian Operasi OLAP Pengujian operasi OLAP menggunakan metode blackbox. Pengujian ini dilakukan untuk mengetahui apakah operasi OLAP yang telah dibangun sesuai dengan fungsi-fungsi OLAP yang ditentukan dalam tahap perancangan. Jika pengujian tersebut telah sesuai maka pembuatan data warehouse telah selesai dilakukan. Lingkungan Pengembangan Sistem Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah: 1 Perangkat keras berupa komputer personal dengan spesifikasi: Intel ® Core™ i5 CPU 2.67 GHz RAM 4 GB 2 Perangkat lunak yang digunakan untuk membuat sistem ialah: Sistem operasi Windows 8 DBMS MySQL (sebagai basis data tempat penyimpanan data warehouse) Java 6.0 JDBC 5.1 sebagai connector basis data MySQL dengan SpagoBI SpagoBI Studio sebagai tool untuk membangun skema data warehouse dan pembentukan struktur kubus data multidimensi SpagoBI Server sebagai OLAP Server yang melakukan fungsi agregasi dan tempat penyimpanan struktur kubus data multidimensi SpagoBI SpagoBI merupakan salah satu platform BI yang free dan open source software. SpagoBI dilengkapi lebih dari tiga puluh mesin operasional dan analitik. Semua fungsi dari produk ini dapat diakses dan digunakan secara free. Apabila SpagoBI dilihat dari segi arsitektur, fungsionalitas dan usability, produk ini sebanding dengan dua platform BI yang commercial open source software yaitu Jasper dan Pentaho (Palo) edisi enterprise. Hal ini dapat terlihat pada Tabel 1 (Golfarelli 2009). Nilai tambah yang menjadi kelebihan produk ini adalah semakin
7 memungkinkan mudahnya modul baru itu muncul untuk pengembangan dan memperbaiki kekurangan produk dengan digunakannya sistem integrasi. Tabel 1 Perbandingan SpagoBI dengan Pentaho dan Jasper Functionalities Activities scheduling Ad-hoc reporting Auditing Collaborative BI Data Mining Dashboard Document export ETL Geo-referenced analysis OLAP Query by Example Report validation workflow Reporting User profilling
SpagoBI Pentaho √ x √ √ √ √ √ √ √ √ √ √ √ √
x x x X √ √ √ √ √ √ x x √ x
Pentaho Ent. Ed. √ √ √ x √ √ √ √ √ √ x √ √ √
Jasper x x √ x x x √ √ x √ x x √ x
Jasper Ent. Ed. √ √ √ x x √ √ √ √ √ x x √ √
Dapat dilihat dalam perbandingan fungsi pada Tabel 1 bahwa SpagoBI memiliki fungsi-fungsi setara dengan aplikasi enterprise dari Jasper dan Pentaho. Bahkan dalam versi yang terbaru SpagoBI 5.0 (2012), fungsi Ad-hoc reeporting sudah dapat dinikmati juga untuk digunakan melengkapi aplikasi yang dibuat. Hal ini sangat membantu dan memberikan kenyamanan kepada pengguna yang ingin mengembangkan sistemnya. Engineering Group sebagai penyedia jasa aplikasi ini telah menjelaskan kelengkapan fungsi-fungsi yang menjadi karakteristik SpagoBI dalam SpagoBI Suite Brochure. Beberapa fungsi utama yang dimiliki SpagoBI yaitu: Reporting SpagoBI menyediakan fasilitas untuk membuat laporan lebih terstruktur dan juga dapat mengubahnya ke dalam format-format yang umum digunakan (HTML, PDF, XLS, TXT, CSV, XML). Mesin yang digunakan adalah JasperReport, BIRT, BO, dan Accessible report. Multidimensional Analysis (OLAP) SpagoBI menyediakan mesin OLAP yang flexible dan user friendly yang dapat memonitor data dari level-level yang berbeda melalui drill-down, slice, dice, drill-through, dan sebagainya. Mesin yang digunakan adalah Jpivot/Mondrian, Jpalo/Mondrian, dan JPXMLA. Charts SpagoBI menyediakan alat untuk mengembangkan tampilan grafik yang lebih interaktif dari data yang kaya. Mesin yang digunakan adalah JfreeChart, Hchart, dan ExtChart.
8
KPI SpagoBI menyediakan alat yang dibutuhkan untuk membuat, mengatur, melihat, dan mencari model hirarki KPI dengan metode yang berbeda. Mesin yang digunakan adalah KPI. Interactive Cockpits SpagoBI memiliki kemampuan untuk memudahkan pengguna untuk membuat tampilan tunggal dari beberapa dokumen yag ada dengan interaksi yang dinamis. Mesin yang digunakan adalah composed document dan inmemory. Ad-hoc Reporting SpagoBI memberikan kebebasan kepada pengguna untuk membuat multisheet reports sesuai keinginannya dengan layout yang disukai. Mesin yang digunakan adalah worksheet. Location Intelligence SpagoBI menyediakan dua mesin geografis yang dapat membuat hubungan antara data geografis dan data bisnis di dalam data warehouse. Mesin yang digunakan adalah GEO dan GIS. Free Inquiry (Driven Data Selection) Pengguna dapat membuat query melalui grafik dan interfase berbasis web yang ada. Pengguna dapat mengeksekusi, melihat hasil, mengekspor dan menyimpan hasilnya ke dalam reporting template yang ada. Mesin yang digunakan adalah QBE dan Smart Filter. Data Mining SpagoBI memberikan keuntungan dalam kemampuan analisis data dengan menggunakan proses data mining yang bertujuan mencari informasi tersembunyi dari data yang besar. Mesin yang digunakan adalah Weka dan R(1). Real time Dashboards and Console SpagoBI menyediakan alat yang khusus untuk mengawasi pekerjaan produksi secara real time. Mesin yang digunakan adalah Dash dan Console. Collaboration SpagoBI menyediakan fasilitas untuk membuat berkas laporan secara otomatis dengan dilengkapi catatan dan informasi dari para penggunanya. Mesin yang digunakan adalah Analytical Dossier. Office Automation SpagoBI menyediakan alat yang spesifik untuk publikasi dokumen personal di lingkungan BI melalui office tools yang umum. Mesin yang digunakan adalah office. ETL SpagoBI memberikan fasilitas untuk dapat load data ke dalam data warehouse dan mengaturnya. Mesin yang digunakan adalah Talend. Mobile SpagoBI mengembangkan fasilitas aplikasinya berbasis interaksi touchscreen untuk memudahkan kombinasi BI dengan device mobile. Mesin yang digunakan yaitu Table, Chart,Cockpit, dan KPI.
9
External Processes SpagoBI menawarkan suatu komponen yang dapat mengatur proses yang berjalan di belakang layar dalam pembuatan jadwal waktu running sistemnya. Mesin yang digunakan adalah CommonJ. Master Data Management SpagoBI mengizinkan pengguna untuk mengambil keuntungan melakukan fungsi write-back dalam basis data yang dimiliki dan dapat memodifikasi tabel data pada user interface dengan sangat sederhana. Mesin yang digunakan adalah Registry (QBE) Pada penelitian kali ini fasilitas yang dimanfaatkan oleh penulis yaitu Multidimensional Analysis (OLAP), Charts dan Reporting (PDF dan XLS). Technical report dalam penggunaan SpagoBI (pada penelitian ini) adalah: 1 Download All-In-One-SpagoBI-Server-5.0 dan SpagoBIStudio_5.0 2 Install All-In-One-SpagoBI-Server-5.0 a Membuat CATALINA_HOME di Environment Variables. Pilih Control Panel > System > Advance System Setting > Environment Variables > New User Variables. Isi variable name dengan CATALINA_ HOME dan variable value dengan path folder All-In-One-SpagoBI-Server. b Download dan install Java 6.0 (apabila belum ter-install Java) c Membuat JAVA_HOME di Environment Variables. Pilih Control Panel > System > Advance System Setting > Environment Variables > Edit Variable ‘Path’ pada System variable. Tambahkan di variable value dengan path folder Java. d Masuk folder All-In-One-SpagoBI-Server-5.0 > pilih ‘bin’ > mulai dengan memilih fail SpagoBIStartup e SpagoBI sudah bisa diakses di Localhost. 3 Merancang dan membuat basis data, dalam penelitian ini memakai DBMS MySQL 4 Masuk ke dalam SpagoBI Studio dengan cara klik fail .exe di folder SpagoBI- Studio_5.0 5 Membuat fail proyek baru dengan memilih File > New > SpagoBI Project. Isi Project name dengan nama proyek yang diinginkan. 6 Lakukan koneksi basis data yang ada dengan SpagoBI. a Pada ‘Data Source Explorer’, klik kanan pilih ‘New’ b Pilih basis data yang dipakai, dalam penelitian ini MySQL. c Tentukan Driver sesuai connector yang tepat untuk basis data yang digunakan, dalam penelitian ini digunakan MySQL JDBC 5.0, atur pada JAR list. d Atur setting pada properties. Pada ‘Database’ ganti dengan nama basis data yang sudah dibuat serta pada ‘URL’ sesuaikan nama belakangannya dengan nama basis data itu. e Test Connection, kalau ‘Succes’ berarti basis data sudah terkoneksi ke SpagoBI 7 Membuat server baru atau dalam penelitian ini artinya menghubungkan dengan SpagoBI server yang sudah di-install di awal.
10 Pada ‘Resources’ >> ‘Server’ , klik kanan pilih ‘New’ Isi pada ‘URL’ dengan ’http://localhost:8080/SpagoBI’ Beri nama sesuai keinginan serta isi ‘User’ dan ‘Password’ dengan ‘biadmin’ d Ceklist ‘Active’ dan test server-nya 8 Membuat model kubus data a Pilih ‘New Model’ dan beri nama sesuai keinginan b Pilih koneksi basis data yang sudah dibuat sebelumnya c Pilih tabel-tabel yang akan terpakai dalam pembuatan kubus data untuk menjadi tabel fisik dalam model d Dari tabel yang sudah dipilih, seleksi kembali yang akan diatur menjadi ‘Business Model Classes’. Langkah c dan d bisa dilewati jika menghendaki semua tabel menjadi kelas di bisnis modelnya e Tentukan tabel yang menjadi kubusnya dengan cara klik kanan tabel > OLAP > “Create Cube” f Pilih dan atur atribut mana yang menjadi measure dengan cara klik kanan atribut > OLAP > Add measure g Atur fungsi dari masing-masing measure pada Properties > Aggregation type h Tentukan tabel yang menjadi dimensi dengan cara klik kanan tabel > OLAP > “Create Dimension” i Buat hirarki dari masing-masing tabel dimensi dengan cara klik kanan tabel > OLAP > Edit Hierarchies. j Buat hubungan antara primary key pada masing-masing tabel dimensi dengan foreign key –nya yang ada pada tabel fakta, dengan cara klik kanan pada ‘Business Model’ > Edit > Add Relationship k Apabila semua relationship sudah dibuat, maka dapat dibangun template OLAP nya dengan cara klik kanan pada ‘Business Model’ > Create > Mondrian Template 9 Membuat ‘datasource’ pada SpagoBI server a Masuk ke aplikasi SpagoBI server di Localhost sebagai ‘biadmin’ b Pilih menu ‘Resources’ kemudian ‘Data source’ c Klik ‘Add’ dan beri nama label sesuai nama data yang diinginkan d Pada kolom ‘Dialect’ pilih sesuai basis data yang digunakan, dalam penelitian ini menggunakan MySQL e Isi URL dengan connector dan tempat tersimpannya basis data, dalam penelitian ini diisi “jdbc:mysql://localhost:3306/[nama basis data]” f Isi ‘User’ dengan “root” g Isi ‘Driver’ dengan ” com.mysql.jdbc.Driver” 10 Menyiapkan dan membangun OLAP a Memperbaiki fail .xml pada template OLAP yang sudah dibuat sesuai format yang benar b Bangun OLAP dengan cara klik kanan template > Deploy OLAP template. c Beri nama sesuai keinginan dan pilih ‘datasource’ dengan data yang sudah di-setting pada SpagoBI Server a b c
11
11 Mulai menggunakan aplikasi OLAP dan mengatur operasinya a Buka aplikasinya di ’http://localhost:8080/SpagoBI’ b Masuk dengan user dan password ‘biadmin’ c Mulai mengatur dan menampilkan OLAP dari document, pilih data yang sudah dibuat
HASIL DAN PEMBAHASAN Data Penelitian Data tanaman hortikultura yang ada terbagi menjadi empat dimensi yaitu komoditi, lokasi, status angka, dan waktu. Akan tetapi dari masing-masing komoditi tersebut hanya diambil tiga jenis data. Data yang terdapat pada masingmasing dimensi tersebut adalah: Dimensi Komoditi Dimensi komoditi ini dibagi menjadi empat kategori yaitu sayuran, buahbuahan, tanaman hias, dan tanaman obat. Jenis komoditi sayuran yang dianalisis yaitu wortel, cabe, dan buncis. Jenis komoditi buah-buahan yaitu alpukat, belimbing, dan durian. Jenis komoditi tanaman hias yaitu anggrek, mawar, dan sedap malam. Sedangkan, data untuk komoditi tanaman obat yaitu kunyit, jahe, dan lengkuas. Dimensi Lokasi Dimensi lokasi dibagi menjadi empat bagian yaitu nasional, pulau, provinsi, dan kabupaten. Elemen dimensi nasional diambil dari seluruh daerah yang tersebar di 28 provinsi di Indonesia. Dimensi Waktu Data dimensi waktu diambil dari tahun 2000 sampai dengan tahun 2013 untuk masing-masing komoditi. Dimensi Status Angka Data dimensi status angka terdiri dari status saat ini, angka sementara, dan angka tetap. Analisis Kebutuhan Sistem Sistem yang dibangun adalah sistem berbasis web. Sistem ini dibuat untuk memudahkan pengguna dalam mencari ringkasan data yang diinginkan dengan cepat dan pengguna dapat memanfaatkan fasilitas sistem dengan mudah, yaitu: 1 Memilih data sesuai dengan kriteria yang diinginkan pengguna. 2 Menampilkan measure (ukuran) berdasarkan dimensi komoditi, lokasi, waktu, dan status angka. 3 Menampilkan ringkasan data dalam bentuk tabel crosstab, grafik batang, dan grafik baris. Praproses Data Pada tahap ini peneliti mendapatkan data mentah dari peneliti sebelumnya, Dwiprianti (2015) yang telah diunduh dalam situs http://aplikasi.deptan.go.id/bdsp/ index.asp. Langkah-langkah yang dilakukan adalah: Mendapatkan data
12 Data diperoleh dari peneliti sebelumnya sebanyak 951 file dalam format Microsoft Excel (.xls) berbentuk tabel per komoditi. Selain itu peneliti juga memperoleh data bersih yang terseleksi atributnya. Pembersihan dan perbaikan data Tahap ini menghilangkan data yang tidak konsisten sehingga perlu penyeragaman penulisan untuk keperluan kelancaran pembuatan basis data, contoh penulisan Kab.Nias dengan Kab. Nias. Konversi format data Data yang sudah bersih dan seragam dikonversi ke dalam format (.csv) untuk dimasukkan ke dalam DBMS MySQL. Perancangan Data Warehouse Perancangan Konseptual Pada tahap ini ditentukan dan dibentuk tabel-tabel yang diperlukan untuk membuat data warehouse berdasar atribut yang ada. Terbentuklah empat tabel dimensi dan satu tabel fakta. Tabel fakta berisi key dari setiap dimensi dan juga measure. Measure adalah data numerik yang akan dicari jejak nilainya, sedangkan dimensi adalah parameter atau sudut pandang terhadap measure sehingga dapat mendefinisikan suatu nilai. Measure pada penelitian kali ini adalah ukuran produksi, ukuran produktivitas, dan ukuran luas panen. Tabel dimensi yang terbentuk yaitu dimensi lokasi, dimensi komoditi, dimensi tahun, dan dimensi status. Dibuatlah struktur hierarki dari tiap dimensi yang ditunjukkan oleh Tabel 2. Level dari setiap dimensi menunjukkan tingkatan dari struktur dimensi, dimana level 1 menunjukkan tingkatan paling tinggi. Tabel 2 Struktur hierarki dimensi tanaman hortikultura Dimensi Level 1 Level 2 Level 3 Level 4 Lokasi Nasional Pulau Provinsi Kabupaten Komoditi All Kategori Nama Komoditi Status angka All Jenis status angka Waktu All Tahun Perancangan Logikal Tabel fakta dan tabel dimensi diintegrasikan sehingga membentuk skema bintang sesuai perancangan konseptual seperti yang terlihat pada Gambar 2. dim: status angka PK id_status Status dim: lokasi PK id_lokasi Pulau provinsi kabupaten
fact: tanaman_hortikultura id_status id_waktu id_komoditi id_lokasi Produksi produktivitas luas panen
dim: waktu PK id_waktu Tahun dim: komoditi PK id_komoditi Kategori komoditi
Gambar 2 Skema bintang dari kubus data tanaman hortikultura
13 Hasil dari perancangan logika ini terbentuknya satu kubus data yaitu tabel fakta tanaman hortikultura yang ditunjukkan oleh Tabel 3. Tabel 3 Nama dan deskripsi dimensi kubus data tanaman hortikultura Nama dimensi Deskripsi Status Angka Status angka tanaman hortikultura Lokasi Lokasi tumbuhnya tanaman hortikultura Waktu Tahun pendataan tanaman hortikultura Komoditi Jenis komoditi tanaman hortikultura Measure Produksi Jumlah produksi tanaman hortikultura yang dihasilkan Measure Produktivitas Jumlah produktivitas tanaman hortikultura Measure Luas Panen Jumlah luas panen tanaman hortikultura Implementasi Data Warehouse Pada tahap ini mulai dibuat basis data sesuai rancangan yang disimpan dalam DBMS MySQL yang terdiri dari tabel fakta dan tabel dimensi. Atribut yang terdapat dalam tabel fakta dapat dilihat pada Tabel 4. Measure diambil berdasarkan indikator yaitu produksi, produktivitas dan luas panen. Tabel 4 Nama dan atribut tabel fakta Tipe atribut Deskripsi id_lokasi Kode lokasi id_komoditi Kode komoditi id_status Kode status angka id_waktu Kode waktu dalam tahun Measure produksi Nilai berdasar produksi Measure produktivitas Nilai berdasar produktivitas Measure luas panen Nilai berdasar luas panen Sebelum mengimplementasikan Tabel 4 yaitu tabel fakta, perlu dibuat dahulu tabel-tabel dimensi yang memang mengandung primary key dan dijadikan foreign key dalam tabel fakta tersebut. Tabel 5 akan menunjukkan atribut dalam dimensi lokasi. Atribut dimensi komoditi dapat dilihat pada Tabel 6. Tabel 7 akan menunjukkan atribut dalam dimensi waktu. Sementara itu, atribut dimensi status angka dapat dilihat pada Tabel 8. Tabel 5 Nama dan atribut dimensi lokasi Tipe atribut id_lokasi Kabupaten Provinsi Pulau
Deskripsi Kode lokasi Nama kabupaten Nama provinsi Nama pulau
14 Tabel 6 Nama dan atribut dimensi komoditi Tipe atribut id_komoditi Kategori Komoditi
Deskripsi Kode komoditi Jenis kategori Nama komoditi Tabel 7 Nama dan atribut dimensi waktu
Tipe atribut id_waktu Waktu
Deskripsi Kode waktu dalam tahun Tahun pendataan Tabel 8 Nama dan atribut dimensi status angka
Tipe atribut id_status Status
Deskripsi Kode status angka Status angka data
Gambar 3 menunjukkan struktur tabel basis data tanaman hortikultura yang dibuat dalam MySQL, setelah itu mulai dibuat projek baru dalam SpagoBI Studio untuk membangaun kubus data dari data warehouse yang ditunjukkan oleh Lampiran 1. Perlu adanya koneksi dari DBMS MySQL untuk dapat membaca basis data yang sudah dibuat ke dalam SpagoBI, yang pada penelitian ini digunakan MySQL JDBC 5.1 seperti terlihat pada Lampiran 2. Kemudian Lampiran 3 memperlihatkan model baru dibuat dalam proyek ini yang sudah terkoneksi dengan basis data sesuai kelima tabel yang ada.
. Gambar 3 Basis data kultura dalam MySQL Dalam model ini kubus data tanaman hortikultura dirancang dan disimpan. Langkah awalnya yaitu dengan membuat tabel fakta menjadi cube (kubus). Kemudian memilih dan mengatur fungsi measure seperti yang telah dirancang. Selain itu mengatur tabel dimensi agar bertipe dimension. Hasil dari proses diatas terbentuklah kubus data yang dapat dilihat pada Gambar 4. Kemudian dibuatlah hirarki dari masing-masing dimensi serta keterhubungan diantaranya yang terlihat pada Lampiran 4. Proses tersebut menandai data warehouse sudah selesai terbentuk.
15
Gambar 4 Kubus data Tanaman Hortikultura Perancangan dan implementasi OLAP Aplikasi OLAP dengan operasi-operasi yang ada didalamnya akan dibangun dalam web dengan SpagoBI sebagai servernya. Langkah awal yang perlu dilakukan adalah menghubungkan kubus data yang tersimpan di SpagoBI Studio dengan server SpagoBI seperti Lampiran 5. Kemudian dibuatlah template OLAP dengan menggunakan format xml. yang ditunjukkan potongan programnya pada Gambar 5.
Gambar 5 Kode program template OLAP Beberapa operasi OLAP yang dapat dioperasikan dalam aplikasi ini adalah drill-down, roll-up, slice, dice dan pivot. Operasi drill-down yaitu menampilkan data dari level tinggi ke level rendah, misalnya menampilkan nama komoditi dari level kategori pada dimensi komoditi. Operasi roll-up yaitu kebalikan dari operasi
16 drill-down, misalnya menampilkan data buah-buahan dari data alpukat. Operasi slice yaitu pemilihan satu dimensi dari kubus data yang ada, misalnya menampilkan data tahun 2000 dari level dimensi waktu. Operasi dice merupakan operasi yang memilih dua dimensi atau lebih sehingga membentuk subcube, misalya memilih data Waktu tahun 2001 pada dimensi waktu dan memilih beberapa nama Kabupaten pada dimensi lokasi sehingga membentuk subcube. Pada Gambar 6 dapat dilihat halaman muka sistem yang terbuat. Untuk memilih operasi-operasi OLAP yang akan dipakai dapat dilihat pada Gambar 7. Sementara itu, contoh hasil tabel crosstab dan grafik yang tebentuk dapat terlihat pada Gambar 8.
Gambar 6 Halaman muka aplikasi OLAP
Gambar 7 Pengaturan operasi OLAP
17
Gambar 8 Representasi dalam bentuk tabel crosstab dan grafik Pengujian Operasi OLAP Pengujian sistem dilakukan dengan cara melihat kesesuaian fungsi-fungsi sistem pada tahap analisis. Metode yang dilakukan untuk menguji adalah metode black box. Tabel 9 menunjukkan kesesuaian fungsi sistem dengan hasil akhir implementasi sistem. Tabel 9 Skenario pengujian operasi OLAP Fungsi Sistem Skenario Pengujian Hasil yang Hasil diharapkan Pengujian Memilih data Menentukan salah Data tampil Sesuai yang berdasarkan satu measure dan sesuai measure diharapan dimensi dan salah satu dimensi dan dimensi yang measure ditentukan Menampilkan Menentukan measure Data tampil di Sesuai yang data dalam bentuk dan dimensi, data dalam tabel diharapan tabel crosstab secara default akan crosstab tampil dalam tabel crosstab Menampilkan Menentukan measure data dalam bentuk dan dimensi, memilih grafik button “show chart”, pilih bentuk grafik yang diinginkan Menampilkan Menentukan data data secara roll yang akan up, drill down, ditampilkan, memilih slice, dice dan fungsi operasinya pivot
Data direpresentasikan dalam grafik sesuai keinginan
Sesuai yang diharapan
Data akan tampil secara roll up/ drill down/ slice/ dice/ pivot
Sesuai yang diharapan
18
SIMPULAN DAN SARAN Simpulan Pembangunan data warehouse dan aplikasi OLAP tanaman hortikultura dapat membantu menemukan ringkasan data yang sesuai keinginan dari tumpukan data yang sangat besar di situs Deptan. Pemanfaatan operasi OLAP semakin memudahkan dalam pemilihan jenis data yang ingin ditampilkan. SpagoBI yang merupakan salah satu aplikasi open source OLAP memberikan kemudahan dalam pembangunan sistem, selain memiliki tools yang lengkap, user friendly menjadi keunggulan aplikasi ini. Aplikasi OLAP yang terbentuk mampu menjalankan fungsinya dengan baik serta dapat menyimpan hasil operasi OLAP atau langsung mencetaknya. Saran Penelitian selanjutnya dapat menambahkan jumlah komoditi dari masingmasing kategori sehingga bisa memperkaya informasi yang bisa didapatkan untuk memperbesar manfaat bagi pengguna. Masih banyak sekali fitur dalam OLAP SpagoBI yang bisa dimanfaatkan untuk membuat tampilan yang lebih menarik serta meningkatkan kemampuan dan kemudahan pengguna. Aspek usability antar muka OLAP dapat dijadikan tambahan kajian untuk memudahkan pengguna awam. Selain itu, perlu dikaji sistem dengan kondisi measure yang memiliki unit satuan yang berbeda.
DAFTAR PUSTAKA Boulil K, Ber LF, Bimonte S, Grac C, Cernesson F. 2014. Multidimensional modeling and analysis of large and complex watercourse data: an OLAP-based solution. Ecological Informatics. 24: 90-106. Dwiprianti F. 2015. Online Analytical Processing (OLAP) Berbasis web untuk tanaman hortikultura menggunakan Palo [skripsi]. Bogor (ID): Institut Pertanian Bogor. Golfarelli M. 2009. Open Source BI Platforms: a Functional and Architectural Comparisson. Di dalam: Mohania, Mukesh K, Tjoa, A Min, editor. Data Warehousing and Knowledge Discovery. 11th International Conference DaWak; 2009 August-September 31-2; Linz, Austria. Bologna (IT): University of Bologna. hlm 287-297. Han J, Kamber M. 2011. Data Mining: Concepts and Techniques. Ed ke-3. San Francisco (US): Morgan Kaufmann. Inmon WH. 2002. Building The Data Warehouse. Ed ke-3. New Jersey (US): J Wiley. Malinowski E, Zim’anyi E. 2008. Advanced Data Warehouse Design. Berlin (DE): Springer. Teorey T, Lightstone S, Nadeau T. 2006. Database Modeling and Design: Physical Database Design for Decision Support, Warehousing, and OLAP. Ed ke-4. San Francisco (US): Morgan Kaufmann.
19 Lampiran 1 Memulai membangun kubus data dengan membuat proyek baru dalam SpagoBI Studio
20 Lampiran 2 Membuat koneksi antara basis data MySQL dan SpagoBI menggunakan MySQL JDBC dalam SpagoBI Studio
21 Lampiran 3 Membuat model baru sebagai tempat membangun dan mengatur kubus data dalam SpagoBI Studio
22
Lampiran 4 Membuat hierarki dari setiap dimensi yang ada pada model data dalam SpagoBI Studio
23
Lampiran 5 Membuat server SpagoBI sebagai basis aplikasi OLAP dalam SpagoBI Studio
24
RIWAYAT HIDUP Penulis dilahirkan di Kabupaten Magetan pada tanggal 2 Juli 1991, sebuah daerah paling barat di Jawa Timur di bawah kaki Gunung Lawu. Penulis merupakan anak bungsu dari 3 bersaudara, pasangan R.Rahardjo, SH dan Anitawati. Sejak kecil penulis sering berpindah tempat tinggal dari Magetan, Tabanan Bali dan Gresik. Penulis menamatkan pendidikan Sekolah Menengah Atas (SMA) di SMAN 1 Magetan pada tahun 2010. Pada tahun yang sama, penulis diterima masuk di Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI) Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam. Selama menuntut ilmu di kampus ini, penulis aktif di beberapa organisasi. Mulai tingkat satu TPB, penulis aktif di Lembaga Dakwah Ikatan Keluarga Muslim TPB, UKM Kewirausahaan Century dan organisasi mahasiswa daerah IMPATA. Tingkat dua ketika masuk ke fakultas, penulis mulai aktif menjadi Wakil Ketua Departemen Kajian Strategis BEM FMIPA 2012. Setahun selanjutnya penulis diberikan kesempatan dan kepercayaan menjadi Ketua BEM FMIPA Kabinet Sahabat Sinergi. Pada tingkat akhir atau tahun keempat, penulis diberikan kepercayaan oleh mahasiswa IPB untuk menjadi Wakil Presiden Mahasiswa IPB 2014 Kabinet Berani Beda. Selain itu, penulis juga melaksanakan praktik kerja lapangan di Direktorat Komunikasi dan Sistem Informasi IPB pada tahun 2013.
