Bab 4 Hasil Implementasi dan Analisis 4.1
Pengantar Pada bagian keempat ini akan dibahas implementasi dari
perancangan skenario perbandingan yang sudah dibuat pada bagian sebelumnya, yaitu implementasi arsitektur Traditional Business Intelligence dan arsitektur Service-oriented Business Intelligence (SoBI). Setelah implementasi selesai dilakukan untuk masingmasing desain arsitektur, selanjutnya akan dilakukan analisis terhadap proses yang sudah dilakukan.
4.2
Implementasi Traditional Business Intelligence Berikut ini akan disajikan hasil implementasi dari desain
Traditional Business Intelligence yang sudah dibuat pada Bab 3. Berdasarkan desain tersebut, langkah-langkah yang harus dilakukan adalah: 1.
Indentifikasi Data dari Sumber Data Langkah pertama adalah mengidentifikasi sumber data, yaitu
data akademik pada database SIASAT dan data keuangan pada database SIKASA. Pada proses ini dilakukan identifikasi data-data apa saja yang akan diambil untuk diintegrasikan. Data-data yang akan di-extract meliputi data pribadi mahasiswa (biodata, hasil studi/IPK, IPS, data fakultas, data program studi, dan data tagihan mahasiswa).
41
42
2.
Proses Extract Data dari Sumber Data Selanjutnya proses dilanjutkan dengan melakukan extract
terhadap data yang akan diambil. Untuk data akademik, proses ini dilakukan menggunakan fitur Data Transformation Service (DTS) pada SQL Server 2000. Langkah-langkah ini dilakukan dengan cara berikut: a.
Membuat package baru pada Data Transform Service. Langkah ini terlihat pada Gambar 4.1.
Gambar 4.1 Proses Koneksi untuk Extract Data
b.
Langkah berikutnya adalah menambahkan koneksi untuk proses pemindahan data. Koneksi ini adalah koneksi dari sumber data (SQL Server 2000) dengan data tujuan yaitu dalam format excel. Pada sumber data, dibuat New Connection dan memilih database yang akan diakses. Langkah ini terlihat pada Gambar 4.2.
43
Gambar 4.2 Penentuan Sumber Data
Sedangkan untuk data tujuan dipilih dalam format excel dan terlihat pada Gambar 4.3.
Gambar 4.3 Penentuan Data Tujuan
44
c.
Selanjutnya sumber data dan tujuan data akan dihubungkan menggunakan Task dan diatur untuk data yang akan dipindahkan. Data ini dipindahkan berdasarkan tabel dalam database. Untuk eksperimen, akan dipindahkan data dari tabel mahasiswa. Hal ini dilakukan dengan memilih tabel mahasiswa pada tab Source seperti terlihat pada Gambar 4.4.
Gambar 4.4 Penentuan Tabel Sumber Data
d.
Setelah tabel sumber data ditetapkan, berikutnya adalah memilih Destination atau tempat tujuan untuk memindahkan data. Langkah ini terlihat pada Gambar 4.5.
Gambar 4.5 Penentuan Data Tujuan Pada Sheet Excel
45
e.
Langkah berikutnya dapat dilakukan pada Tab Transformation, yaitu untuk menentukan field-field yang akan dipindahkan. Proses ini terlihat pada Gambar 4.6.
Gambar 4.6 Penentuan Field untuk Pemindahan Data
f.
Langkah terakhir adalah melakukan execute untuk memulai proses pemindahan data. Hal ini terlihat pada Gambar 4.7.
Gambar 4.7 Proses Pemindahan Data
46
Data hasil extract ini tersimpan dalam file excel seperti terlihat pada Gambar 4.8.
Gambar 4.8 Hasil Extract Data Akademik dalam Format Excel
Proses extract data keuangan dari database MySQL berbeda dengan proses extract data dari database SQL Server 2000. Untuk melakukan extract data dari MySQL digunakan tool Navicat 8 for MySQL. Langkah-langkah yang harus dikerjakan yaitu: a.
Langkah pertama adalah menentukan tabel
yang akan
dipindahkan datanya. Untuk eksperimen ini akan dipindahkan data piutang mahasiswa dari MySQL ke dalam format excel.
Gambar 4.9 Tabel yang Akan Dipindahkan
b.
Langkah
kedua
yaitu
melakukan
export
data
dengan
menggunakan fitur Export Data pada Navicat 8 for MySQL. Hal ini terlihat pada Gambar 4.10.
47
Gambar 4.10 Export Data ke Format Excel
c.
Langkah ketiga yaitu menentukan Source dan tujuan dalam export data ini. Proses ini terlihat pada Gambar 4.11 di mana sumber data adalah tbpiutangmhs dan tujuannya adalah ke dalam sebuah file excel.
Gambar 4.11 Penentuan Source dan Tujuan Export Data
48
d.
Langkah terakhir adalah melakukan execute untuk memulai memindahkan data. Proses ini terlihat pada Gambar 4.12.
Gambar 4.12 Proses Export Data
Pada Gambar 4.12 terlihat proses export data berhasil dilakukan dalam waktu 51.922 detik. 3.
Proses Transformasi Data Hasil Extract Data hasil extract dari SIASAT dalam format excel pada
Gambar 4.8 akan dilakukan transform terlebih dahulu untuk disesuaikan dengan desain data warehouse. Data hasil extract ini berada dalam 1 sheet file excel, sehingga harus dipecah sesuai dengan desain data warehouse. Data hasil extract tadi dipecah menjadi data fakultas, data program studi, data mahasiswa, data periode, data orang tua, data hasil studi, data jurusan, data status dan data propinsi. Data hasil extract dari SIKASA juga dilakukan proses yang sama dengan data hasil extract dari SIASAT. Data dari SIKASA ini
49
dipecah menjadi data mahasiswa, data fakultas, data program studi, data periode dan data piutang. 4.
Proses Loading Data ke Dalam Data Warehouse Data hasil transform tadi akan di-loading ke data warehouse
yang sudah dibuat. Proses loading data ini dilakukan dengan memanfaatkan fitur import data pada SQL Server 2008. Langkah pertama adalah memilih sumber data yang akan di-import ke dalam data warehouse. Pada Data Source pilih Microsoft Excel karena data yang akan di-import adalah data dalam format excel dan dipilih file excel yang akan di-import. Langkah ini terlihat pada Gambar 4.13.
Gambar 4.13 Jendela Data Source untuk Import Data
50
Langkah kedua adalah menentukan destination atau database tujuan untuk menyimpan data hasil import. Destination adalah berupa database SQL Server 2008, jadi pada pilihan Destination dipilih Microsoft OLE DB Provider for SQL Server seperti terlihat pada Gambar 4.14.
Gambar 4.14 Jendela Destination untuk Import Data
Proses dilanjutkan hingga data berhasil di-import ke dalam data warehouse. Hasil dari proses import ini dapat dilihat pada Gambar 4.15.
51
Gambar 4.15 Jendela Konfirmasi Hasil Import Data
.
4.3
Implementasi
Service-oriented
Business
Intelligence (SoBI) Berikut ini akan disajikan hasil implementasi dari desain Service-oriented Business Intelligence (SoBI) yang sudah dibuat pada Bab 3. Berdasarkan desain tersebut, langkah-langkah yang harus dilakukan adalah: 1.
Mengidentifikasi Data yang Akan Diambil Dari Sumber Data Langkah pertama adalah menentukan data-data apa saja yang
akan diambil dari sumber data yaitu database SIASAT dan SIKASA. Data-data ini disesuaikan dengan desain data warehouse yang sudah dirancang sebelumnya. Pada eksperimen ini data-data tersebut adalah:
52
- Data mahasiswa: NIM, kode status, kode jurusan, kode program studi, kode orang tua, kode propinsi, nama, alamat, kota, tempat lahir, tanggal lahir, jenis kelamin, agama, nama SMA, kota SMA dan angkatan. - Data Indeks Prestasi Semester (IPS): kode IPS, NIM, kode program studi, kode periode, total SKS dan IPS. - Data Indeks Prestasi Kumulatif: kode IPK, NIM, kode program studi, total SKS, total angka kumulatif dan IPK. - Data Piutang Mahasiswa: kode piutang, NIM, kode program studi, kode periode, jumlah tagihan, jumlah terbayar dan jumlah saldo. 2.
Membuat Web Service untuk Mengambil Data Setelah data-data yang akan diambil diidentifikasi, langkah
kedua adalah membuat web service pada SIASAT dan SIKASA yang
bertugas
untuk
mengambil
data-data
tadi.
Adapun
implementasi web service tersebut adalah sebagai berikut: - getDataHasilStudi() - getDataIPS() - getDataMahasiswa() - getKodeProgdi() - getKodeProgdiMhs() - getPeriodeIPS() Secara keseluruhan, web service pada SIASAT tersebut dapat dilihat pada class diagram hasil generate dari Microsoft Visual Studio 2010 yaitu pada Gambar 4.16.
53
Gambar 4.16 Implementasi Web Service pada SIASAT
Sedangkan implementasi web service pada SIKASA adalah: - getDataPiutang() - getPeriodePiutang Gambar 4.17 merupakan implementasi dari web service tersebut.
Gambar 4.17 Implementasi Web Service Pada SIKASA
3.
Memanggil Web Service Langkah ketiga adalah membuat sebuah aplikasi yang
digunakan untuk memanggil web service yang sudah dibuat tadi. Dengan aplikasi ini, proses pengambilan dan loading data ke dalam
54
data warehouse akan dilakukan dari aplikasi ini. Gambar 4.18 merupakan tampilan untuk aplikasi ini.
Gambar 4.18 Halaman untuk Loading Data
4.
Melakukan Loading Data ke Dalam Data Warehouse Langkah terakhir adalah melakukan loading data ke dalam
data warehouse menggunakan aplikasi yang sudah dibuat. Pada eksperimen ini akan dilakukan loading data piutang mahasiswa. Proses ini terihat pada Gambar 4.19.
Gambar 4.19 Proses Tambah Data Piutang via Web Service
Gambar 4.19 adalah proses tambah data piutang ke dalam data warehouse. Untuk menambahkan data, administrator harus memilih kode periode melalui combo box. Kode periode dalam combo box diambil dari database SIKASA melalui web service.
55
Setelah memilih kode periode, proses tambah data dapat dilakukan dengan menekan tombol Tambah Data. Hasilnya terlihat pada Gambar 4.20.
Gambar 4.20 Hasil Tambah Data Piutang Mahasiswa Periode 20112
Pada Gambar 4.20 terlihat bahwa proses tambah data berhasil dilakukan, yaitu sebanyak 1.681 record. Waktu proses tambah data ini adalah selama 1.9465379714966 detik seperti pada Gambar 4.21.
Gambar 4.21 Konfirmasi Hasil Tambah Data Piutang
4.4
Perbandingan dan Analisis Berdasarkan eksperimen yang telah dilakukan untuk proses
implementasi Traditional Business Intelligence dan Service-oriented Business
Intelligence
perbandingan
dari
(SoBI),
berikut
implementasi
kedua
ini
akan
arsitektur
disajikan tersebut
berdasarkan kriteria perbandingan yang telah dibuat pada Bab 3.
56
4.4.1 Perbandingan dari Perspektif Developer Proses implementasi dari kedua arsitektur telah dilakukan, masing-masing arsitektur memerlukan beberapa proses yang harus dikerjakan oleh developer. Proses tersebut sudah diuraikan pada bagian sebelumnya. Hasil rangkuman dari proses implementasi kedua arsitektur yang harus dilakukan developer dapat dilihat pada Tabel 4.1. Tabel 4.1 Proses Implementasi Traditional BI dan SoBI
Traditional Business Intelligence
Service-oriented
Business
Intelligence (SoBI) 1. Identifikasi data dari sumber 1. Indentikasi data dari sumber data
data
2. Melakukan extract data secara 2. Membuat manual
service
untuk
mengambil data
3. Melakukan
transform
data 3. Membuat
secara manual
aplikasi
untuk
memanggil service
4. Melakukan loading data secara 4. Melakukan manual
loading
data
menggunakan aplikasi
Berdasarkan Tabel 4.1 dan berdasarkan eksperimen yang telah
dilakukan
untuk
implementasi
Traditional
Business
Intelligence dan Service-oriented Business Intelligence (SoBI), dapat diketahui bahwa implementasi Traditional Business Intelligence lebih rumit dibandingkan dengan implementasi Service-oriented Business Intelligence. Hal ini dapat dilihat berdasarkan pengalaman yang telah dilakukan untuk implementasi kedua arsitektur ini. Pada implementasi Traditional Business Intelligence, proses yang
harus
dilakukan
lebih
banyak
dibandingkan
dengan
57
implementasi SoBI, terutama untuk proses Extract, Transform dan Loading Data (ETL). Proses ETL pada Traditional Business Intelligence harus dilakukan menggunakan fitur-fitur pada SQL Server 2000, Navicat 8 for MySQL dan SQL Server 2008. Sedangkan pada SoBI, proses ETL jauh lebih sederhana, yaitu dengan menggunakan aplikasi yang didukung dengan web service untuk pengambilan data. Traditional Business Intelligence mendukung sumber data dalam format yang bermacam-macam, bisa dalam format excel (.xls/.xlsx), Dbase File (.dbf), Text File (.txt), MS Access Database (.mdf) dan format lainnya, walaupun proses ETL harus dilakukan secara manual. Sedangkan pada SoBI telah mendukung sumber data yang berasal langsung dari database sumber data dan bisa juga dilakukan manual dengan berbagai format file sumber data seperti pada Traditional Business Intelligence. 4.4.2 Perbandingan dari Perspektif User User merupakan pihak yang akan menggunakan sistem, dalam kasus ini adalah user untuk mengelola data akademik dan keuangan. Tabel 4.2 menunjukkan proses yang harus dilakukan user untuk menambah/loading data ke dalam data warehouse. Tabel 4.2 Langkah Loading Data pada Traditional BI dan SoBI
Traditional Business Intelligence
Service-oriented
Business
Intelligence Menggunakan
Fitur
Import
Data pada SQL Server 2008: 1. Memilih menu Import Data 2. Menentukan
source
data
Menggunakan Aplikasi yang Didukung Web Service: 1. Memilih
data
ditambahkan
yang
akan
58
yaitu berupa file excel
2. Melakukan loading data
3. Menentukan destination atau tujuan untuk penyimpanan data 4. Melakukan loading data
Berdasarkan Tabel 4.2 dan berdasarkan eksperimen yang telah dilakukan, didapatkan bahwa dari sisi user yang melakukan proses penambahan data, proses pada SoBI lebih sederhana, yaitu dengan menggunakan aplikasi yang di dalamnya terdapat web service untuk mengambil data dari sumber data dan sistem akan memasukkannya secara otomatis ke dalam data warehouse. Untuk user pemula juga dapat dengan mudah melakukan proses ini. Hal ini berbeda dengan proses yang harus dilakukan pada Traditional Business Intelligence yang harus dilakukan secara manual, yaitu menggunakan fitur Import Data pada SQL Server 2008. Namun, pada Traditional Business Intelligence, user dapat melakukan ETL dengan format data yang bermacam-macam. 4.4.3 Perbandingan dari Perspektif Pengembangan Sistem Setelah melihat hasil eksperimen dapat pula dilihat perbedaan dari kedua arsitektur untuk proses pengembangan lebih lanjut di kemudian hari. Pada SoBI, proses integrasi data dapat dilakukan dengan lebih sederhana dan dapat menangani masalah technology integration. Misalnya jika di kemudian hari ingin diintegrasikan dengan data yang berasal dari database yang berbeda teknologi, maka arsitektur SoBI dapat mengatasinya lebih sederhana dibandingan dengan Traditional BI. Traditional BI juga dapat
59
mengatasinya, namun harus melalui proses ETL yang cukup rumit untuk menyatukan data dari berbagai sumber data yang berbeda teknologi. Selain
itu,
sifat
dari
web
service
yang
reusable
memungkinkan untuk memanfaatkan kembali web service yang sudah dibuat sebelumnya untuk digunakan kembali di kemudian hari. 4.4.4 Perbandingan dari Perspektif Aplikasi Dashboard Pada arsitektur Traditional BI dan juga SoBI sama-sama dapat mendukung aplikasi front-end untuk menyajikan data dalam data warehouse. Data-data tersebut dapat disajikan dalam berbagai bentuk, yaitu dalam grafik dan juga tabel, sehingga dapat membantu user dalam melakukan analisis data. Misal untuk user fakultas dapat melihat jumlah mahasiswa aktif di fakultas tersebut, seperti yang terlihat pada Gambar 4.22.
Gambar 4.22 Grafik Jumlah Mahasiswa Fakultas Dimensi Program Studi
Penyajian data juga disediakan dalam bentuk tabel seperti terlihat pada Gambar 4.23.
60
Gambar 4.23 Tabel Jumlah Mahasiswa Fakultas Dimensi Program Studi
Informasi yang disajikan pada Gambar 4.23 masih bisa didrill down ke tingkat angkatan. Hasilnya terlihat pada Gambar 4.24.
Gambar 4.24 Grafik Hasil Drill Down Tiap Angkatan
Informasi jumlah mahasiswa pada level fakultas ini dapat digunakan pimpinan fakultas untuk beberapa hal, misalnya dalam kegiatan promosi dan akreditasi program studi. Perbedaan aplikasi dashboard dari kedua arsitektur terletak pada fitur untuk mengelola data dalam data warehouse. Pada Traditional BI, proses untuk mengelola data masih melibatkan proses ETL yang cukup rumit, yaitu user harus melakukan transformasi file dari sumber data ke bentuk yang sesuai dengan desain data warehouse lalu memasukkan data tersebut dengan cara
61
manual dengan bantuan tools seperti SQL Server 2000 atau SQL Server 2008. Aplikasi dashboard dalam SoBI dapat dilengkapi dengan fitur untuk mengelola data dalam data warehouse dengan lebih mudah. Fitur ini dapat digunakan untuk memantau data dari sumber data. Jadi, jika di sumber data terdapat data yang belum dimasukkan dalam data warehouse, maka sistem dapat menampilkan informasi ini. Hal ini terlihat pada Gambar 4.25.
Gambar 4.25 Informasi Data IPS pada Dashboard
Aplikasi dashboard pada SoBI pada Gambar 4.25 dapat digunakan untuk memantau data yang ada pada sumber data dengan lebih mudah. Hal ini dibuktikan dengan ditampilkannya data IPS terbaru dari sumber data yang diambil dan disajikan dalam combo box pada Gambar 4.25. Untuk menambahkan data ini, user hanya perlu memilih kode periode dalam combo box dan menekan tombol Tambah Data. Secara otomatis, data dari sumber data akan diambil melalui web service dan akan dimasukkan ke dalam data warehouse.
62
4.4.5 Perbandingan Scability Sistem Pada kriteria perbandingan scability sistem, akan dilihat perbandingan Traditional BI dan SoBI dalam mendukung proses integrasi data dalam berbagai ukuran data. Dalam eksperimen ini akan dilakukan input data mahasiswa dan piutang mahasiswa dalam 4 (empat) ukuran data, yaitu puluhan data, ratusan data, ribuan data dan puluhan ribu data.
Gambar 4.26 Hasil Import Data dalam 4 (empat) Ukuran Data pada Traditional BI
Gambar 4.26 merupakan hasil eksperimen untuk uji scalability data pada Traditional BI. Berdasarkan eksperimen
63
tersebut, Traditional BI telah mampu mendukung import data dalam jumlah yang berbeda-beda. Pada eksperimen tersebut telah dilakukan import data dengan jumlah 34 record, 403 record, 1.492 record dan 12.616 record dan semua data tersebut berhasil dimasukkan ke dalam data warehouse menggunakan fitur import data pada SQL Server 2008.
Gambar 4.27 Grafik Import Data dalam 4 (empat) Ukuran Data pada SoBI
Gambar 4.27 merupakan grafik hasil import data dalam berbagai ukuran data menggunakan konsep SoBI. Berdasarkan eksperimen tersebut, konsep SoBI juga dapat mendukung import data dalam berbagai ukuran data yang berbeda-beda, dengan demikian untuk perbandingan scalabitilas data, konsep Traditional BI dan SoBI menunjukkan hasil yang berimbang. 4.4.6 Perbandingan Stability Sistem Perbandingan untuk stability sistem dilihat berdasarkan kestabilan sistem dalam mendukung import data dengan ukuran data yang berbeda-beda. Berdasarkan eksperimen untuk import data yang berbeda ukuran tersebut didapatkan bahwa Traditioanal BI dan SoBI sama-sama stabil dalam melakukan proses import data. Hal ini terlihat dengan proses import data yang berjalan dengan lancar, yaitu tanpa terjadi error.
