BAB 4
PERANCANGAN BUSINESS INTELLIGENCE
4.1. Business Case 4.1.1 Business Driver Dalam perancangan business intelligence diperlukan penyesuaian dengan business driver dari organisasi. Dengan tujuan memelihara keseimbangan wacana kehidupan sistem kelembagaan masyarakat yang hakekatnya berarah ganda menuju kadar intelektual meningkat dan kedewasaan moral, dirancang business intelligence yang memberikan informasi hasil analisa yang mendukung tujuan organisasi. 4.1.2 Business Analysis Issues Proses rancangan dan pengolahan data berupa tampilan informasi merupakan hasil dari business intelligence. Analisa permasalahan kebutuhan inovasi pengolahan data pada Direktorat Jenderal Pendidikan Tinggi berupa perkiraan jumlah kelulusan mahasiswa mendatang yang akan digunakan sebagai panduan dalam pengambilan kebijakan dalam organisasi Direktorat Jenderal Pendidikan Tinggi. 4.1.3 Risk Assement Proses perancangan dan pengimplementasian aplikasi mungkin memiliki resiko yang akan terjadi. Tabel dibawah ini dibuat untuk mengevaluasi
88
89
resiko-resiko
yang mungkin terjadi pada proses perancangan dan
pengimplementasian. Tabel 4.1 Risk Assestment Tingkat Resiko Variabel
Merah Hijau (Rendah)
Kuning (Sedang) (Tinggi)
Teknologi
Teknologi yang ada sudah mampu untuk pengimplementasian business inteligence
Kompleksitas Simpel. Aplikasi business intelligence tidak merubah proses bisnis yang ada. Organisasi
Signifikan, Aplikasi business intelligence mendukung kegiatan organisasi
Project Team
Tim terdiri dari 3 orang mahasiswa tingkat akhir yang kurang
90
berpengalaman tapi memiliki tekat yang kuat untuk menyelesaikan proyek. Financial
Biaya yang diperlukan tidak besar, sehingga organisasi tidak perlu mengeluarkan uang banyak untuk aplikasi business intelligence ini.
4.1.4 Determine the BI Application Objectives Dengan mengimplementasikan business intelligence, proses penganalisaan informasi dari kumpulan data menjadi lebih efektif. Informasi yang dihasilkan berdasarkan data yang valid sehingga membantu pengambilan kebijakan dimasa mendatang. Memberikan kemudahan pada pimpinan untuk mengakses tanpa ketergantungan pada pihak tertentu.
91
4.2. Business Planning 4.4.1 Enterprise Infrastructure Evaluation Keberhasilan implementasi business intelligence dipengaruhi oleh berbagai infrastruktur.
Perusahaan membutuhkan 2 komponen infrastruktur yaitu:
infrastruktur teknikal dan infrastrutur non-teknikal. 4.2.2.1
Technical Infrastructure Evaluation
Hardware dan software yang digunakan untuk menjalankan aplikasi business intelligence adalah : Tabel 4.2 Tabel Spesifikasi Hardware dan Software Client
Server
Pentium® 4 Processor
Intel® Core 2 Duo
2.0 GHz
2,7 GHz
Memory
1 GB
4 GB
Harddisk
250 GB
1 TB
OS
Windows® XP or later
Windows® 7 or later
Processor
Network
Wireless LAN IEEE 802.11
Security
Antivirus, WEP dam WPA
DBMS
SQL Server
Software
Microsoft Visual Studio
Tools
DevExpress / QlikView
92
Dengan Spesifikasi seperti di tabel 4.2 maka dipastikan bahwa aplikasi business intelligence yang dibangun dapat di implementasikan dan akan berjalan dengan baik.
4.2.2.2
Non-Technical Infrastructure Evaluation
Enterprise Standarts Direktorat Jenderal Pendidikan Tinggi telah melakukan serangkaian tindakan dengan tujuan mengumpulkan data pendidikan Indonesia dan melakukan pengolahan data sehingga memudahkan masyarakat untuk mengakses informasi yang ada. Direktorat Jenderal Pendidikan Tinggi juga mengelola www.dikti.go.id sebagai sebuah portal untuk mengakses informasi dan data umum yang telah diakses banyak orang. Development approach Direktorat Jenderal Pendidikan Tinggi telah siap untuk mendukung perancangan aplikasi Business Intelligence. Teori Business intelligence roadmap the complete project lifecycle for decision support applications digunakan dalam perancangan proyek ini. Dari tahap Justification sampai construction digunakan dalam rancangan proyek ini. Security Process Direktorat Jenderal Pendidikan Tinggi memiliki pembatasan dalam hak akses. Dengan mengajukan permohonan permintaan data kepada salah satu staff data Direktorat Jenderal Pendidikan Tinggi, data dalam
93
perancangan proyek ini dikumpulkan, sehingga data utama pada proyek ini dapat dikatakan valid. Metadata Metadata menggambarkan data dari proses bisnis dan objek data. Direktorat Jenderal Pendidikan Tinggi memiliki DBMS yang berisi kumpulan data yang dapat diakses oleh pimpinan dan staff Direktorat Jenderal Pendidikan Tinggi dan dikelola oleh divisi IT.
4.4.2 Project Planning Perencanaan proyek merupakan rangkaian kegiatan yang membutuhkan waktu, sehingga dibutuhkan perencanaan yang matang agar dapat diselesaikan sesuai jadwal.
4.2.2.1
Project Charter
Berisi tentang kesepakatan antara staff IT dan staff bisnis tentang definisi, ruang lingkup, kendala dan jadwal proyek business intelligence.
94
Judul Proyek
: Business
Intelligence
pada
Direktorat
Jenderal
Pendidikan Tinggi Tanggal Mulai Proyek : 22 Januari 2011 Tanggal Akhir Proyek : 22 Mei 2013 Anggota Tim Proyek : Satriya Wibowo, Irvan Jonathan, Gary Stefan Tujuan Proyek
: Merancang Business Intelligence berupa tampilan dashboard
yang menampilkan informasi forecasting kelulusan mahasiswa berdasarkan data kelulusan periode sebelumnya, infomasi pengelompokan data kelulusan berdasarkan wilayah, dan perbandingan informasi kebutuhan tenaga kerja dengan informasi kelulusan mahasiswa. Ruang Lingkup: •
Membahas mengenai data kelulusan mahasiswa.
•
Membahas seputar universitas, perguruan tinggi, akademik.
•
Membahas informasi kebutuhan tenaga kerja di Indonesia.
Pendekatan: •
Melakukan pertemuan langsung dengan klien (pihak DIKTI) guna mendapatkan data.
•
Melakukan review terhadap template internal dan eksternal serta contoh-contoh dokumen manajemen proyek.
•
Melakukan riset perangkat lunak untuk menyediakan jaminan keamanan dan mengelola data.
95
4.2.2.1.1
Goals and Objective
Dengan tujuan meningkat intelektual masyarakat pada umumnya dirancang aplikasi business intelligence yang memberikan informasi hasil analisa dari kumpulan data guna mendukung pengambilan kebijakan pemerintah. 4.2.2.1.2
Statement of the Business Problem
Kebutuhan informasi mengenai perkiraan kelulusan dan perbandingan dengan jumlah kebutuhan tenaga kerja menjadi landasan perancangan proyek ini. 4.2.2.1.3
Proposed Business Intelligence solution
Memberikan kemudahan kepada pimpinan untuk menentukan kebijakan pendidikan agar tujuan organisasi dapat berjalan dengan baik. 4.2.2.2
Project Plan
Perencanaan proyek berisi tampilan grafis yang berisi perkiraan tugas dan kegiatan dan perkiraan waktu pelaksanaan juga batasan waktu. Berikut adalah tampilan pemetaan dari proyek ini:
96
97
4.3. Business Analysis 4.3.1 Project Requirement Definition Pada tahap ini dilakukan pengkajian ulang terhadap infrastruktur teknikal dan Non-teknikal. Requirement dijelaskan pada table 4.2.
4.3.2 Data Analysis Pada tahap ini dilakukan pengevaluasian data internal dan data eksternal yang digunakan untuk membangun proyek business intelligence. Pada data internal yang bersumber dari database Direktorat Jenderal Pendidikan Tinggi terdapat banyak kolom yang kosong dan tipe data yang tidak sesuai. Setelah dilakukan indentifikasi masalah pada data, maka
untuk
meningkatkan konsistensi data, dilakukan proses cleansing agar data tersebut dapat digunakan untuk proses extract, transform, load
dan proses
selanjutnya.
4.3.3 Application Prototyping Aplikasi business intelligence yang kita rancang memberikan laporan tentang informasi forecasting kelulusan mahasiswa berdasarkan data kelulusan periode sebelumnya, infomasi pengelompokan data kelulusan berdasarkan wilayah, dan informasi kebutuhan tenaga kerja. Pada tahap ini akan didemonstrasikan hasil prototype yang dirancangkan.
98
Gambar 4.1 Prototype aplikasi
99
Pada bagian kiri akan di tampilkan pengelompokan kelulusan mahasiswa berdasarkan wilayah, pada bagian kanan akan ditampilkan jumlah dari kelulusan menggunakan diagram agar tampilan lebih menarik.
4.3.4 Meta Data Repository Analysis Tahap ini menghasilkan entity relationship meta data, yang menampilkan nama field, tipe data, ukuran, sumber data, transformasi. Tabel 4.4 Metadata Program Studi Sumber Data Nama Field
Tipe Data
Kode_PS
Int
Nama_PS
nvarchar
Fakultas
nvarchar
Ukuran
Field
Transformasi Table
Kode_Program_Studi Program studi Nama_Program_Sudi Program studi Nama_Fakultas Fakultas
Copy Copy Copy
100
Tabel 4.5 Metadata Perguruan Tinggi Sumber Data Nama Field
Tipe Data
Kode_PT
int
Nama_P T
nvarcha r
Propinsi
nvarcha r
Jenis_PT
nvarcha r
Keteranga n Kode Perguruan Tinggi Nama Perguruan Tinggi Nama Propinsi Jenis Perguruan Tinggi
Transformas i
Field
Table
Kode_Perguruan_Tingg i
Pergurua n Tinggi
Copy
Nama_PT
Pergurua n Tinggi
Copy
Nama_Propinsi
Propinsi
Copy
Jenis_PT
Pergurua n Tinggi
Copy
Tabel 4.6 Metadata Jenjang
Nama Field
Tipe Data
Keteranga n
Kode_Jenja ng
int
Kode Jenjang
Jenjang
nvarch ar
Tingkat Jenjang
Sumber Data Field Kode_Jenjang_Pendidik an Group_Jenjang_Pendidi kan
Transforma si Table Jenjang Copy Pendidika n Jenjang Copy Pendidika n
101
Tabel 4.7 Metadata Fact Table Sumber Data Nama Field
Number
Tipe Data
int
Kode_PT
int
Kode_PS
int
Kode_Jenjang int Tahun_Lulus
Date
Jumlah
int
Keterangan Nomor Urut (unique) Kode Perguruan Tinggi Kode Program Studi Kode Jenjang Tahun Kelulusan Jumlah Kelulusan
Field
Transformasi
Table Create
Kode_PT
DIM Perguruan Tinggi Kode_PS DIM Program studi Kode_Jenjang DIM Jenjang Tahun_Lulus DIM Time
Copy
Copy
Copy Copy Copy
102
Tabel 4.8 Metadata Kebutuhan Tenaga Kerja Sumber Data
Tip e Dat a
Keterang an
Kode_Kebutuhan_Tenaga_ Kerja
int
Kode Kebutuha n Tenaga Kerja
Tahun
Dat e
Waktu
int
Jumlah Jumlah_Kebutu Kebutuha han n Tenaga Kerja
Nama Field
Kebutuhan_Tenaga_Kerja
Field
Transform asi Table
Create
Create Extern al
Copy
103
4.4. Business Design 4.4.1 Database Design Pada tahap database design ini dilakukan perancangan star schema berdasarkan kumpulan data yang diperoleh. Star schema terdiri dari fact table dan dimension.
Gambar 4.2 Star schema business inteligence Direktorat Jenderal Pendidikan Tinggi
104
4.4.2 Meta Data Repository Design Berikut adalah proses pembuatan meta data.
Gambar 4.3 Microsoft Visual Studio Buka applikasi Microsoft Visual Studio lalu open project. Buka solution explorernya lalu klik kanan dibagian “Data Source” dan pilih new data source.
105
Gambar 4.4 New Data Source
Gambar 4.5 Create Data Source Klik new maka akan muncul tampilan seperti Gambar 4.6. ganti providernya menjadi “Native OLE DB\Micorsoft OLE DB Provider for SQL Server”. Pilih Server sesuai dengan nama PC dan pilih database yang ingin disambungkan yaitu “Mahasiswa”. Klik tombol Test Connection di kiri bawah, jika berhasil klik OK.
106
Gambar 4.6 Connection Manager Layar akan kembali seperti pada Gambar 4.5. tetapi sekarang sudah ada connection terhadap database yang dipilih. Klik Next untuk ketahap selanjutnya.
107
Gambar 4.7 Create Data Source 2 Ditahap berikutnya pilih radiobox “use the service account”. Klik Next lalu Finish.
108
Gambar 4.8 Data Source Wizard Kembali dibagian solution explorer dan klik kanan dibagian “Data Source View” dan pilih new data source view.
Gambar 4.9 New Data Source View
109
Gambar 4.10 Create Data Source View Klik “New Data Source”. Dilayar berikut, pindahkan tabel-tabel yang akan dipakai kesebelah kanan yaitu tabel Program Studi, Perguruan Tinggi, Jenjang, dan Fact Table. Klik Next lalu Finish.
110
Gambar 4.11 Data Source View Wizard Selanjutnya membuat dimensi dengan cara klik kanan “Dimension” pada solution explorer dan pilih new dimension.
Gambar 4.12 New Dimension
111
Gambar 4.13 Create Dimension Pilih radiobox “Use an existing table” setelah itu pilih Next.
Gambar 4.14 Dimension Perguruan Tinggi
112
Ganti main tablenya dengan tabel Perguruan Tinggi dan kosongkan name columnnya. Klik Next.
Gambar 4.15 Atribut tabel Perguruan Tinggi Check Kode_PT, Nama_PT, Propinsi, dan Jenis PT. Klik Next lalu Finish.
113
Gambar 4.16 Hierachy Perguruan Tinggi Buat hierarchy dari perguruan tinggi dengan cara drag and drop atributnya kesebelah kanan yaitu bagian hierarchies. Urutkan hingga menjadi : 1. Propinsi 2. Jenis PT 3. Nama PT
Ulangi tahap membuat dimensi sampai ditahap memilih tabelnya. Sekarang ganti main table menjadi Program Studi. Kosongkan name column dan klik Next.
114
Gambar 4.17 Dimension Program Studi
Gambar 4.18 Atribut tabel Program Studi
115
Check semua checkbox atribut Program Studi dan klik Next lalu Finish.
Gambar 4.19 Hierachy Program Studi Buat hierarchy dari program studi. Urutkan hingga menjadi : 1. Fakultas 2. Nama PS
Ulangi lagi tahap membuat dimensi sampai ditahap memilih tabelnya. Sekarang ganti main table menjadi Jenjang. Kosongkan name column dan klik Next.
116
Gambar 4.20 Dimension Jenjang
Gambar 4.21 Atribut tabel Jenjang
117
Check semua checkbox atribut Jenjang dan klik Next lalu Finish.
Gambar 4.22 Hierachy Jenjang Buat hierarchy dari Jenjang, dan hanya jenjang yang dimasukan. Yang terakhir adalah dimensi Time. Buat dimensi baru, saat tampilan seperti Gambar 4.23. pilih “Generate a time table on the server” dan klik Next.
Gambar 4.23 Create Dimension Time
118
Gambar 4.24 Menentukan periode waktu Ganti first calendar day menjadi tahun awal dimana data dimulai dan last calendar day menjadi tahun akhir dimana data berakhir. Pilih time periods sesuai dengan kebutuhan yaitu berdasarkan tahun (Year). Klik Next.
119
Gambar 4.25 Menentukan kalender yang digunakan Centang checkbox Regular calendar karena kalender yang digunakan adalah kalender seperti pada umumnya. Klik Next lalu Finish.
Selanjutnya kembali ke Solution Explorer disamping dan klik kanan di dimensi kemudian pilih process dan pilih yes maka akan keluar tampilan seperti di Gambar 4.26.
120
Gambar 4.26 Memproses Dimensi Klik Run dan tunggu sampai proses selesai. Lalu pilih tab Browser untuk melihat tampilah hierarki pada dimensi yang telah dirancang.
4.1. Construction 4.5. ETL Development
121
Berikut adalah langkah-langkah untuk melakukan proses ETL. Buka aplikasi “Imoprt and Export Data (32bit)” yang merupkan aplikasi bawaan dari SQL Server.
Gambar 4.27 Tampilan awal ETL Pilih data source “Microsoft Excel” karena sumber data yang akan diolah dari excel. Lalu klik browse untuk memilih data yang akan diproses. Pilih datanya ditempat data excel tersebut disimpan. Klik checkbox menjadi tercentang pada “first row has column name” jika baris pertama merupakan nama kolom di data sourcenya seperti gambar 4.28. Klik Next untuk ke tampilan selanjutnya.
122
Gambar 4.28 Data source excel
Gambar 4.29 Tampilan ETL bagian kedua Ganti destinationnya menjadi “Microsoft OLE DB Provider for SQL Server” dan pastikan “Server Name” sesuai dengan nama server pada komputer tersebut. Untuk databasenya lebih baik membuat database yang baru dengan cara klik tombol New. Setelah itu akan keluar tampilan seperti Gambar 4.30.
123
Gambar 4.30 Tampilan Create Database Masukan nama database yang diinginkan. Jika data yang akan diproses merupakan data yang cukup banyak, maka “Initial size” harus dinaikan sehingga database tidak akan kekurangan tempat untuk menyimpan data. Klik OK, maka tampilan akan kembali seperti Gambar 4.29 tetapi “Database” akan menampilkan nama database sesuai dengan database yang telah dibuat ditahap sebelumnya.
124
Gambar 4.31 Tampilan setelah database dibuat Klik Next untuk ketahap selanjutnya.
Gambar 4.32 Tampilan ETL bagian ketiga
125
Pilih radiobox yang pertama untuk semua data yang dipilih agar diproses, pilih radiobox yang kedua untuk menentukan data tertentu saja yang akan diproses dengan cara melakukan query. Karena ingin memproses semua data, maka dipilih radiobox yang pertama. Klik Next untuk melanjutkan ke tahap berikut.
Gambar 4.33 Tampilan ETL bagian keempat Klik semua checkbox sehingga semua tables dan views yang ada tercentang. Klik 2 kali pada tables dan views yang diinginkan untuk merubah tipe data.
126
Gambar 4.34 Tampilan tipe data Fact Table Ubah semua data didalam Fact Table menjadi Integer (Int) kecuali Tahun_Lulus karena tahun harus berupa Date. Klik OK.
Gambar 4.35 Tampilan tipe data Jenjang Ubah hanya Kode_Jenjang ke Integer (Int). Klik OK.
127
Gambar 4.36 Tampilan tipe data Perguruan Tinggi Ubah Kode_PT dan Kode_Pendidikan menjadi Integer (Int), sedangkan yang lain tetap menjadi nvarchar. Klik OK.
Gambar 4.37 Tampilan tipe data Program Studi
128
Ubah Kode_PS menjadi Integer (Int), yang lain tetap nvarchar. Klik OK. Setelah semua tables dan views sudah diubah tipe datanya, klik Next. Selanjutnya akan muncul tampilan seperti Gambar 4.38. cek kembali apakah semua tables dan views yang diinginkan sudah masuk dan semua tipe datanya sudah benar. Klik Next lalu finish dan akan muncul tampilan seperti gambar 4.39. tunggu sampai semua proses selesai. Close program setelah semua proses selesai.
Gambar 4.38 Tampilan ETL bagian kelima
129
Gambar 4.39 Proses ETL Untuk mengubah tipe data juga bisa dari SQL Server Management Studio. Berikut adalah langkah-langkahnya.
Gambar 4.40 SQL Server Management Studio
130
Buka SQL Server Management Studio lalu pilih server type “Database Engine” agar tersambung dengan database yang ada diserver. Setelah masuk, buka Object Explorer disamping, lalu buka database yang telah dibuat saat proses ETL yaitu Database “Mahasiswa” dan buka tablesnya. Klik kanan di tables yang ingin diubah tipe datanya dan pilih “Design” seperti di Gambar 4.41. maka akan muncul tampilan seperti Gambar 4.42.
Gambar 4.41 Object Explorer
131
Gambar 4.42 Tabel Fact Table Ubah tipe datanya dan selalu save setelah mengubahnya.
132
4.6. Application Development
Gambar 4.43 Tampilan visualisasi
133
Pada gambar 4.43, tampilan visualisasi digambarkan dalam bentuk grafik yang menunjukkan pemetaan persebaran jumlah kelulusan mahasiswa berdasarkan wilayah. Pada gambar tersebut dicontohkan ada 6 propinsi yang sedang dibandingkan, yaitu Aceh, Ambon, Bali, Bandar Lampung, Bandung dan Bangka Belitung. Perhatikan bahwa pada setiap batang (bar) pada grafik tersebut, misalnya Aceh, ada beberapa warna yang ada pada bar tersebut, ini menandakan bahwa warna-warna tersebut merepresentasikan tahun kelulusan mahasiswa pada propinsi tersebut.
134
Gambar 4.44 Tampilan Visualisasi 2
135
Pada gambar 4.44 ini, ada beberapa bagian pada dashboard yang telah dirancang, diantara lain, bagian sumber data (source), yaitu berisikan nama-nama perguruan tinggi, program studi, jenjang pendidikan, dan juga tahun lulus. Pada bagian kedua, terdapat bagian yang dapat menampilkan angka (numeric) yang dapat ter-update secara otomatis pada saat pengubahan pada source data yang telah dijelaskan sebelumnya. Contohnya pada gambar diatas, dipilih bagian perguruan tinggi Universitas Bina Nusantara, Universitas Gadjah Mada, Universitas Tarumanagara, dan Universitas Trisakti. Dibagian source jenjang, dipilih hanya bagian S-1 saja, dan dengan range tahun kelulusan dari tahun 2003 – 2007. Dapat disimpulkan bahwa angka kelulusan dari 4 universitas diatas dengan jenjang pendidikan S-1 dalam range kelulusan dari tahun 2003 – 2007 mencapai 83.423 orang. Pada bagian ketiga, terdapat bagian yang bernama indicator kelulusan, yang berfungsi sebagai indikator tingkat kelulusan mahasiswa. Arti dari warna-warna tersebut adalah Hijau, dimana jumlah kelulusan dibawah rata-rata normal(0-360), Kuning, dimana jumlah kelulusan sudah dalam batas wajar(361-720), dan Merah, dimana jumlah kelulusan sudah terlalu banyak(721-∞). Dan yang terakhir, pada bagian bawah dashboard, terdapat grafik persebaran jumlah kelulusan mahasiswa berdasarkan nama perguruan tinggi dalam kurun waktu tahun tertentu. Berdasarkan contoh diatas, biru menunjukkan Universitas Bina Nusantara, merah menunjukkan Universitas Gadjah Mada, hijau menunjukkan Universitas Tarumanagara, dan kuning menunjukka Universitas Trisakti.
136
137
Gambar 4.45 Tampilan Visualisasi 3 Pada gambar 4.45, desain dashboard tidak jauh berbeda dengan gambar sebelumnya. Yang menjadi perbedaan hanya pada kegunaan dashboard yang digunakan. Pada dashboard ini, user dapat melakukan perbandingan jumlah kelulusan mahasiswa dengan jumlah kebutuhan tenaga kerja yang dimaksud pada penjelasan di bab 2. Contohnya pada gambar diatas, kelulusan mahasiswa pada bidang perhotelan adalah 722 orang di seluruh Indonesia, namun kebutuhan tenaga kerja untuk bidang perhotelan mencapai 4.662 orang. Di bagian kanan atas dashboard, user dapat membandingkan dalam format speedometer antara tingkat kelulusan dengan tingkat kebutuhan tenaga kerja pada bidang tersebut. Pada speedometer tersebut, terdapat 3 warna yang mereprentasikan arti yang berbeda-beda. Hijau pada speedometer menunjukkan bahwa jumlah yang dicapai relative kecil(1-360), Kuning menunjukkan bahwa jumlah yang dicapai normal (361730), dan Merah jika jumlah telah melewati batas normal (731- ∞ ). Dibagian bawah dashboard, terdapat grafik persebaran nama perguruan tinggi berdasarkan program studi yang telah dipilih, contohnya, pada bidang perhotelan, terdapat 10 perguruan tinggi yang tersebar di seluruh Indonesia. Nama-nama perguruan tinggi yang dimaksud dapat dilihat pada legend yang ada pada di bagian kanan dari grafik tersebut.
138
4.7. Data Mining Tehnik data mining yang digunakan adalah time series dan clustering. Time series digunakan untuk memperkirakan kelulusan untuk beberapa tahun kedepan,
sedangkan
clustering
digunakan
untuk
mengelompokan
berdasarkan wilayahnya. Berikut adalah proses data miningnya.
Gambar 4.46 Create Data Mining Klik kanan di mining structure dan pilih new mining structure. Pilih radiobox “From existing relational database or data warehouse” untuk mengambil datanya dari database atau data warehouse yang sudah ada. Klik Next.
139
Gambar 4.47 Create Data Mining bagian kedua
Gambar 4.48 Create Data Mining Clustering
140
Pilih radiobox “Create mining structure with a mining model” dan juga pilih tehniknya. Yang pertama adalah dengan menggunakan tehnik clustering jadi pilih tehnik “Microsoft Clustering”. Klik Next.
Gambar 4.49 Create Data Mining Clustering bagian kedua Pilih data source view yang akan dipakai yaitu Mahasiswa. Klik Next.
141
Gambar 4.50 Create Data Mining Clustering bagian ketiga Pilih Kode_PT sebagai key dan Propinsi sebagai input. Klik Next.
142
Gambar 4.51 Create Data Mining Clustering bagian keempat Samakan seperti gambar 4.51 dan pastikan benar. Klik Finish.
Gambar 4.52 Create Data Mining Clustering bagian kelima
143
Buka tab mining model viewer dan klik yes.
Gambar 4.53 Create Data Mining Clustering bagian keenam Klik yes lagi ketika muncul tampilan seperti Gambar 4.53.
144
Gambar 4.54 Process Data Mining Clustering Klik Run lalu tunggu sampai prosesnya selesai.
145
Gambar 4.55 Hasil Data Mining Clustering 1
146
Gambar 4.56 Hasil Data Mining Clustering 2
147
Untuk time series, ulangi tahap create data mining sampai ke bagian kedua seperti yang sudah dijelaskan sebelumnya. Saat tampilan selanjutnya yaitu memilih tehnik data miningnya, maka pilih tehnik “Microsoft Time Series” dan klik Next.
Gambar 4.57 Create Data Mining Time Series
148
Gambar 4.58 Create Data Mining Time Series bagian kedua Pilih data source view yang akan dipakai yaitu Mahasiswa. Klik Next.
149
Gambar 4.59 Create Data Mining Time Series bagian ketiga Pilih Tahun_Lulus sebagai key dan Jumlah sebagai Prediction. Klik Next.
150
Gambar 4.60 Create Data Mining Time Series bagian keempat Ganti Content Type dari Tahun Lulus dari “Key” menjadi “Key Time” dan ganti juga Data Type menjadi “Date”. Klik Next lalu Finnish.
151
Gambar 4.61 Create Data Mining Time Series bagian kelima Buka tab mining model viewer dan klik yes. Kemudian akan muncul window baru seperti Gambar 4.62. klik Yes.
Gambar 4.62 Create Data Mining Time Series bagian keenam
152
Gambar 4.63 Proses Data Mining Time Series Klik Run lalu tunggu sampai prosesnya selesai.
153
Gambar 4.64 Hasil Data Mining Time Series
154
Data yang dipakai adalah data kelulusan dari tahun 2000 sampai tahun 2009 dan dari data ini akan dicari perkiraan untuk kelulusan 5 tahun kedepan yaitu tahun 2010 sampai tahun 2014. Kenaikan pertama adalah 68%, kedua 122%, ketiga 79%, keempat 9,5%, kelima 6,2%, keenam 1,8%, ketujuh 3,2%, dan kelapan turun 1,4%, dan yang terakhir naik 1,2%.
Tabel 4.9 Trend Analysis Tahun
Jumlah (Y)
t
tY
t2
2000
63266
1
63266
1
2001
106458
2
212916
4
2002
236740
3
710220
9
2003
423434
4
1693736
16
2004
463621
5
2318105
25
2005
492440
6
2954640
36
2006
501171
7
3508197
49
2007
517444
8
4139552
64
2008
510141
9
4591269
81
2009
516286
10
5162860
100
3831001
55
25354761
385
155
Berdasarkan rumus yang ada untuk time series, maka dapat dihitung seperti berikut. b=10(25354761)-3831001(55)/10(385)-(55)2 b=51930 a=3831001/10 – 51930(55/10) a=97485 Trendnya adalah 51930 kenaikan kelulusan pertahun dan 97485 perkiraan kenaikan kelulusan saat t=0 Forecasting ditahun 2011 = 97485 + 51930(12) = 720645 dikarenakan adanya penurunan ditahun 2008 maka forecasting ditahun 2010 juga menurun dengan menggunakan hasil terakhir 516286 dikurangi a yaitu 97485.
156
4.8. Meta Data Repository Development Pada tahap ini ditampilkan hasil metadata yang dirancang berdasarkan informasi data yang berhasil dikumpulkan. 4.5.4.1
Meta Data Repository Fact Table
Meta Data Repository Fact Table memiliki atribut Kode_PT, Kode_PS, Kode_Jenjang, Tahun_Lulus, Jumlah.
Gambar 4.65 FACTTABLE
157
4.5.4.2
Meta Data Repository Dimension Jenjang
Meta Data Repository Dimension Jenjang memiliki atribut Kode_Jenjang dan Jenjang.
Gambar 4.66 DIMJENJANG
158
4.5.4.3
Meta Data Repository Dimension Program Studi
Meta Data Repository Dimension Program Studi memiliki atribut Kode_PS, Nama_PS, Fakultas.
Gambar 4.67 DIMPROGRAMSTUDI
159
4.5.4.4
Meta Data Repository Dimension Perguruan Tinggi
Meta Data Repository Dimension Perguruan Tinggi memiliki atribut Kode_PT, Nama_PT, Propinsi, Jenis_PT.
Gambar 4.68 DIMPERGURUANTINGGI
4.2. Deployment Tidak dilanjutkan sampai tahap ini karena kurangnya kebutuhan material maupun non-material sehingga tidak memungkinkan untuk dilanjutkan.
