15
BAB III METODE PENELITIAN
Sistem informasi geografis persebaran hotspot di Indonesia merupakan suatu sistem yang bertujuan untuk memantau dan memberikan informasi mengenai persebaran hotspot yang ada di wilayah Indonesia berdasarkan kurun waktu tertentu. Sistem ini memanfaatkan data yang diambil dari satelit NOAA, TERRA
dan
AQUA
kemudian
dilakukan
ekstraksi
informasi
sehingga
menghasilkan informasi yang berguna dan menampilkan informasi tersebut dalam sebuah tampilan web. Sistem informasi geografis persebaran hotspot ini terdiri atas tiga modul utama, yaitu modul untuk ekstraksi informasi, modul untuk visualisasi data dan terakhir adalah modul update data. Modul visualisasi berfungsi untuk menampilkan informasi-informasi dari hasil ekstraksi informasi agar dapat dengan mudah dimengerti oleh orang banyak. Secara umum modul visualisasi ini terdiri atas dua bagian, yaitu bagian pertama untuk menampilkan hasil dalam bentuk grafik dan bagian kedua untuk menampilkan hasil dalam bentuk peta. Visualisasi hotspot dalam bentuk grafik dibangun menggunakan Mondrian OLAP. Pembangunan ini meliputi pembangunan data warehouse dan OLAP untuk visualisasi persebaran hotspot di wilayah Indonesia. Pembangunan data warehouse dilakukan dengan beberapa tahapan. Tahapan-tahapan tersebut adalah tahapan yang harus dilengkapi agar pembangunan data warehouse berhasil. Tahapan-tahapan penelitian pengembangan data warehouse dan spatio-temporal dapat dilihat pada Gambar 3.
16
Studi Literatur
Pembuatan Data Warehouse
Analisis Data
Pembuatan Peta
Ekstraksi Data
Transformasi Data
Pemuatan Data
Uji Query
Integrasi SOLAP
Evaluasi Sistem
Gambar 3 Tahapan Pengembangan Data Warehouse. 3.1
Studi Literatur Untuk mendukung dalam proses penelitian ini, terlebih dahulu mencari
informasi sebagai bahan literatur untuk pengembangan data warehouse ini. Sumber informasi yang didapat diantaranya dari buku, internet, jurnal dan artikel. 3.2
Analisis Pada penelitian ini data yang ditambahkan antara lain data hotspot dari
satelit
tahun 2000 sampai dengan tahun 2009 dan AQUA. Data hotspot yang
telah diperoleh kemudian dianalisis untuk mendapatkan atribut-atribut yang tepat dan sesuai dalam pembuatan spatio-temporal data warehouse. Hasil analisis ini digunakan untuk menentukan dimensi, tabel fakta, dan skema yang tepat untuk model data multidimensi. 3.3
Ekstraksi Data Ekstraksi adalah tahap pengambilan data yang relevan dari database
relasional sebelum masuk ke dalam data warehouse. Pada ekstraksi, atributatribut dan record-record yang diinginkan dipilih dan diambil dari database relasional. Dalam tahap ekstraksi ini, dilakukan pula pembersihan data yaitu dengan pemilihan atribut-atribut yang sesuai dengan atribut yang ada dalam
17
database sebelumnya. Selain itu dalam tahapan ini dilakukan pengecekan terhadap data-data yang kurang lengkap ataupun data-data yang sama. 3.4
Transformasi Data Transformasi data merupakan proses generalisasi atau penyeragaman nama
atribut, agregasi, dan konstruksi atribut atau dimensi. Pada tahap transformasi ini, data yang berasal dari semua sumber dikonversi ke dalam format umum yang disesuaikan dengan skema multidimensional yang telah dibuat. Transformasi terpenting adalah transformasi pada label penamaan yang bertujuan agar tidak terdapat nama atribut yang serupa atau pada atribut yang sama memiliki nama yang berbeda pada database yang berbeda. 3.5
Pemuatan data Setelah tahap ekstraksi dan transformasi data dilakukan, maka data telah
siap untuk dimuat (load) ke dalam data warehouse. Pada tahap ini, dilakukan pula pengurutan dan peninjauan integritas suatu data. Proses selanjutnya yaitu dengan melakukan proses penambahan waktu satelit, id satelit dan kode satelit. 3.6
Pembuatan Data Warehouse Proses dilanjutkan dengan pembuatan spatio-temporal data warehouse.
Input data dilakukan berdasarkan skema multidimensional (dalam penelitian ini menggunakan skema snowflake) yang telah dirancang. Skema snowflake yang telah dirancang kemudian diimplementasikan menjadi sebuah kubus data geometri multidimensi (geocube) menggunakan schema workbench. Kemudian, data yang telah dimuatkan dalam membangun data warehouse ini di retrieve oleh SOLAP berdasarkan struktur kubus data geometri multidimensi yang terbentuk. 3.7
Pembuatan Peta Setelah tahapan ekstraksi, transformasi, pemuatan data (Extraction,
Transform, Load /ETL) dan diikuti dengan pembuatan data warehouse, kemudian tahap berikutnya dilanjutkan dengan pembuatan peta berupa layer-layer yang dikonstruksi berdasarkan sql query. Tahapan pertama sebelum layer peta dikonstruksi adalah dengan membuat workspace pada web map server. Kemudian dilanjutkan dengan membangun data store pada workspace yang telah dibuat pada
18
web map server. Data store merupakan tempat penyimpanan yang dapat menampung berbagai layer yang hendak dikonstruksi. Layer-layer yang disimpan dalam data store dapat berupa layer point, line, maupun polygon. Layer-layer yang dihasilkan dari sql query tersebut merupakan layer dengan tingkat relevansi yang disesuaikan dengan data warehouse yang dibangun. 3.8
Uji Query Uji query merupakan tahap untuk menguji apakah spatio-temporal data
warehouse yang dibuat telah sesuai dengan kebutuhan dan memeriksa apakah operasi dasar SOLAP berhasil diimplementasikan untuk data spasial. Query yang diujikan
berupa
query
biasa
dan
query
spasial
menggunakan
fungsi
Multidimensional Expressions (MDX). Pengujian dilakukan dengan geocube atau kubus data geometri yang divisualisasikan dalam bentuk tabel dan grafik dengan GeoMondrian, serta visualisasi peta dengan Geoserver (Web Map Server) dalam satu web yang terintegrasi (Web Integration). Uji query pun dilakukan pada Geoserver dalam bentuk Common Query Language (CQL) yang bertujuan untuk membuat suatu layer yang dapat menampilkan visualisasi dalam bentuk peta sebagai timbal balik atas query yang diberikan ke dalam web map server. 3.9
Integrasi SOLAP Pada tahap ini pengguna dapat menggunakan operasi-operasi OLAP seperti
roll up, drill down, slice, dice, dan pivot yang digabungkan dengan dimensi spasialnya. Contoh operasi OLAP yang dapat dijalankan antara lain:
Roll up Operasi roll up ditampilkan dengan menaikkan hierarki dimensi waktu. Hierarki dimensi waktu terdiri atas dua level yaitu tahun dan bulan. Operasi roll up dapat dilakukan dengan melihat jumlah hotspot per bulan maupun roll up menjadi per tahun secara keseluruhan.
Drill down Operasi drill down merupakan kebalikan dari operasi roll up. Operasi ini dilakukan dengan menurunkan hierarki dari hierarki tahun menjadi hierarki bulan. Operasi ini dilakukan untuk melihat secara lebih mendetail jumlah hotspot setiap bulan.
19
Slice Operasi slice dilakukan dengan memilih salah satu dimensi, misalkan hanya menampilkan jumlah hotspot hanya pada tahun-tahun tertentu saja yakni dengan memilih dimensi waktunya.
Dice Operasi dice dilakukan dengan memilih dua dimensi yaitu dimensi waktu dan dimensi tempat. Contohnya adalah dengan memilih provinsi Kalimantan Tengah dan juga memilih tahun 2003.
Operasi pivot Operasi pivot dilakukan dengan menukarkan axis dimensi. Misalkan axis-x (dimensi hotspot) diubah menjadi dimensi waktu dan axis-y (dimensi waktu) diubah menjadi dimensi hotspot. Operasi ini berguna untuk menampilkan tabel dengan sudut pandang yang berbeda. Operasi OLAP yang diintegrasikan dengan dimensi spasial akan menghasilkan bentuk informasi yang lebih jelas dan menarik.
3.10 Evaluasi Sistem Untuk melakukan kinerja sistem persebaran hotspot dilakukan evaluasi sistem terhadap sistem persebaran hotspot yang baru dan sistem persebaran hotspot yang sedang berjalan. Evaluasi ini dilakukan dengan cara memberikan kuesioner kepada pengguna data hotspot. Hasil evaluasi ini berguna untuk mengetahui sejauh mana kinerja sistem persebaran hotspot dan diharapkan mendapatkan saran dan masukan mengenai kekurangan dan kelebihan mengenai sistem persebaran hotspot itu.
