BAB IV HASIL DAN PEMBAHASAN

perpustakaan.uns.ac.id

digilib.uns.ac.id

BAB IV HASIL DAN PEMBAHASAN 4.1.

Deskripsi Data Dalam penelitian ini sumber data yang digunakan berasal dari database

akademik yang terdapat dalam Universitas Sebelas Maret Surakarta. Database tersebut adalah : a. SIAKAD yang menggunakan DBMS MySQL untuk menyimpan data-data kemahasiswaan dan perkuliahan pada sistem informasi akademik dimana data-data tersebut terdapat di pusat komputer (PUSKOM) UNS. b. SPMB yang menggunakan DBMS MySQL untuk menyimpan data-data calon mahasiswa baru yang melakukan pendaftaran di UNS dimana data-data tersebut terdapat di kantor SPMB UNS. c. SIGEJE yang menggunakan DBMS SQL Server untuk menyimpan data-data penjadwalan matakuliah dan beban SKS dosen semua program studi dan fakultas di UNS dimana data-data tersebut terdapat di kantor BAAPSI UNS. 4.2.

Analisis Sistem Berikut ini pada Gambar 4.1 merupakan schema diagram SPMB, Gambar

4.2 merupakan schema diagram SIAKAD sedangkan Gambar 4.3 merupakan schema diagram SIGEJE.

Gambar 4.1 Sumber Data SPMB

commit to user 23


digilib.uns.ac.id 24

Gambar 4.2 Sumber Data SIGEJE

Gambar 4.3 Sumber Data SIAKAD

commit to user



Dari sumber data tersebut dan hasil dari studi literatur dapat dilakukan analisa untuk mengetahui informasi- informasi apa saja yang harus disediakan oleh sistem. Berikut adalah fungsi yang dapat ditangani sistem beserta sumber data yang dibutuhkan : a. Tabel 4.1 merupakan sumber data untuk melihat jumlah mahasiswa, jumlah lulusan, jumlah mahasiswa yang diwisuda, jumlah calon mahasiswa baru dari berbagai dimensi. Tabel 4.1 Sumber Data Jumlah Camaba, Mahasiswa dan Lulusan Fakta Database SIAKAD SIAKAD SIAKAD

Tabel Replika_camaba Repilka_alumni Replika_mahasiswa

Database SIAKAD SIAKAD SIAKAD SIGEJE SIGEJE

Dimensi Tabel Replika_camaba Repilka_alumni Replika_mahasiswa PRODI FAKULTAS

b. Tabel 4.2 merupakan sumber data untuk melihat profil IPK dan lama studi lulusan. Tabel 4.2 Sumber Data IPK dan Lama Studi Lulusan Fakta Database SIAKAD

Tabel Replika_alumni

Database SIAKAD SIGEJE SIGEJE

Dimensi Tabel Replika_alumni PRODI FAKULTAS

c. Tabel 4.3 merupakan sumber data untuk melihat profil beban sks dosen. Tabel 4.3 Sumber Data Beban SKS Dosen Fakta Database SIGEJE

Tabel Plot_dosen

Database SIGEJE SIGEJE SIGEJE SIGEJE SIGEJE SIGEJE

Dimensi Tabel DOSEN PRODI FAKULTAS TAS KELAS MATAKULIAH

d. Tabel 4.4 merupakan sumber data untuk melihat nilai mahasiswa. Tabel 4.4 Sumber Data Nilai Mahasis wa Fakta Database SIAKAD SIAKAD SIAKAD

Tabel Replika_khs_mipa Replika_khs_fk Replika_khs_hukum

Database SIAKAD SIGEJE SIGEJE

commit to user

Dimensi Tabel Replika_mahasiswa PRODI FAKULTAS



SIAKAD SIAKAD

Replika_khs_ekonomi Replika_khs_fisip

SIGEJE

TAS

e. Tabel 4.5 merupakan sumber data untuk melihat persentase pemakaian ruang. Tabel 4.5 Sumber Data Pe makaian Ruang Fakta Database SIGEJE SIGEJE SIGEJE

Dimensi

Tabel RUANGWAKTU RUANG WAKTU

Database SIGEJE SIGEJE SIGEJE SIGEJE

Tabel RUANG TAS GEDUNG FAKULTAS

f. Tabel 4.6 merupakan sumber data untuk melakukan pengelompokkan data. Tabel 4.6 Sumber Data Pengelompokkan Data Fakta Database SIAKAD

Tabel Replika_alu mni

Dimensi Database SIAKAD SIAKAD SIGEJE SIGEJE

Tabel Replika_alu mni Replika_ mahasiswa PRODI FAKULTAS

Dari analisis yang dilakukan maka dibuatlah sebuah skema model data dimensional menggunakan snowflake schema yang akan digunakan untuk membangun data warehouse seperti pada Gambar 4.4.

Gambar 4.4 Rancangan Snowflake Schema

commit to user



Agar data-data yang terdapat dalam schema diagram SIAKAD dan SIGEJE dapat digunakan dalam data warehouse, maka beberapa tipe data dalam database tersebut akan diolah sesuai dengan format dalam data warehouse, se

nvarchar

dan data-data yang akan digunakan untuk proses perhitungan, tipe datanya akan diubah sesuai dengan kebutuhan seperti dari format atau dari format 4.3.

ke format

integer .

Desain Sistem

Gambar 4.5 Arsitektur Perangkat Lunak Dalam proses pengambilan data dari data sumber sampai dengan pembuatan laporan akan dilakukan seperti arsitektur perangkat lunak pada Gambar 4.5. Pada sumber data SIAKAD, SPMB dan SIGEJE akan dilakukan proses ETL dimana dalam proses ETL ini data-data akan ditransformasikan sesuai dengan kebutuhan data warehouse. Setelah proses ETL selesai dilakukan maka proses selanjutnya adalah membuat OLAP dan clustering K-means. Setelah itu proses terakhir adalah pembuatan report atau laporan OLAP dan clustering.

Gambar 4.6 Arsitektur Perangkat Ke ras

commit to user



Pada sistem ini, seperti arsitektur perangkat keras pada Gambar 4.6, arsitektur yang digunakan berupa client server, dimana semua data disimpan database di server. Dan sistem dapat diakses oleh klien pada lingkungan sistem operasi apapun yang mempunyai aplikasi penjelajah situs (web browser). Pengguna akan berinteraksi dengan sistem melalui antarmuka GUI (Graphical User Interface). Tahapan-tahapan proses dalam membangun data warehouse menggunakan tools SQL Server 2008R2 dijelaskan dalam Tabel 4.7 berikut: Tabel 4.7 Tahapan pe mbangunan data warehouse Proses

Sumber dan Tujuan

Tools yang Digunakan

Data Sumber ke Staging Area

SQL Server dan MySQL ke SQL Server

SQL Server Integration Service

Staging Area ke Data warehouse

SQL Server ke SQL Server

SQL Server Integration Service

Pembuatan Cube

SQL Server ke Analys is Service Database

SQL Server Analys is Services

4.4.

Tahapan Dalam Proses Membuat package baru Menentukan Control Flow Item yang akan digunakan Menentukan sumber metadata Menentukan staging area untuk metadata Membersihkan, menggabungkan dan me-load tabel-tabel pada staging area Execute Package Load data ke staging area Membuat package baru Menentukan Control Flow Item yang akan digunakan Menentukan sumber metadata Menentukan metadata untuk data warehouse Me-load data ke tabel dimensi dan tabel fakta Execute Package Load data ke data warehouse Menentukan data source Menentukan data source views Membuat cube Mengubah attribut, measure dan hirarki pada cube Mendefinis ikan kalkulasi pada cube Deploy Analys is Services database

Implementasi Sistem

4.4.1. Implementasi Pe mbe rsihan Data (ETL) Sebelum dilakukan proses ETL, database-database yang digunakan seperti data staging dan data warehouse harus disiapkan terlebih dahulu dan

commit to user



berada di server sebelum membuat proyek dengan SQL Server Integration Service (SSIS). 1.

Loading Data Sumber ke Staging Area Pada Tabel 4.8 merupakan daftar tabel data sumber yang akan di-load dan

daftar tabel pada database DB_Staging2 yang merupakan daerah tujuan pemetaan (staging area). Tabel 4.8 Daftar Tabel Sumbe r Data dan Staging Area No 1 2 3 5 6 7 8 9 10 11 12 13 14 15

Database Sumber SIGEJE SIGEJE SIGEJE SIAKAD SIGEJE SIGEJE SIGEJE SPMB SIAKAD SIGEJE SIGEJE SIGEJE SIGEJE SIAKAD

16 17 18

SIGEJE SIGEJE SIGEJE

Tabel Sumber FAKULTAS PRODI LOKASI replika_identitas_mahasiswa DOSEN MATAKULIAH TAS replika_camaba replika_alumni KELAS GEDUNG PLOTDOSEN MAKULPENAWARAN replika_khs_mipa replika_khs_ekonomi replika_khs_fk replika_khs_fisip replika_khs_fkip replika_khs_hukum replika_khs_teknik replika_khs_sastra RUANG WAKTU RUANGWAKTU

Staging Area fakultas prodi lokasi r_mahasiswa dosen matakuliah TAS r_camaba r_alumni Kelas gedung plot_dosen mapen r_khs

ruang waktu ruang_waktu

Untuk proses loading dari data sumber ke staging area pada container Staging akan dibuat desain proses seperti pada Gambar 4.7 berikut :

commit to user



Gambar 4.7 Desain Control Flow pada Container Pada sequence container bernama

Staging

erdapat Execute SQL Task yang digunakan untuk menghapus isi data

staging sebelum proses ETL dijalankan. Untuk menjalankan sequence container tersebut mengguna 203.6.149.

taging2

Sedangkan dalam sequence container

erdapat beberapa

data flow task yang digunakan untuk melakukan proses ETL dari data sumber ke data staging. Data flow task tersebut adalah : 1)

Fakultas

Gambar 4.8 Desain Data Flow Task Fakultas Pada desain Gambar 4.8, OLE DB Source digunakan untuk mengambil data fakultas dari SIGEJE dimana nama fakultas tidak boleh null. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging fakultas.

commit to user



2)

Prodi

Gambar 4.9 Desain Data Flow Task Prodi Pada desain Gambar 4.9, OLE DB Source digunakan untuk mengambil data prodi dari SIGEJE dimana kode prodi tidak boleh kosong atau null dan id fakultas tidak null. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging prodi. 3)

Lokasi

Gambar 4.10 Desain Data Flow Task Lokasi Pada desain Gambar 4.10, OLE DB Source digunakan untuk mengambil data lokasi dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging lokasi. 4)

Matakuliah

Gambar 4.11 Desain Data Flow Task Matakuliah Pada desain Gambar 4.11, OLE DB Source digunakan untuk mengambil data matakuliah dari SIGEJE dimana kode makul, sks makul, semester makul dan nama makul tidak boleh null. Kemudian data dikonversi sesuai dengan format tabel tujuan. Sedangkan Derived Column digunakan untuk menggabungkan kode matakuliah dan nama matakuliah. OLE DB Destination digunakan untuk meload data ke data staging matakuliah. 5)

lot Dosen

Gambar 4.12 Desain Data Flow Task Plot Dosen

commit to user



Pada desain Gambar 4.12, OLE DB Source digunakan untuk mengambil data plot_dosen dari SIGEJE. Kemudian pada Derived Column digunakan untuk mengubah koma menjadi titik. Sedangkan Derived Column1 digunakan untuk mengubah data yang bernilai NULL Data Conversion 1 digunakan untuk mengubah tipe data pada kolom SKS menjadi decimal. OLE DB Destination digunakan untuk meload data ke data staging plot_dosen. 6)

TAS

Gambar 4.13 Desain Data Flow Task TAS Pada desain Gambar 4.13, OLE DB Source digunakan untuk mengambil data TAS dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. Sedangkan pada Derived Column akan mengganti IDSEMESTER yang OLE DB Destination digunakan untuk meload data ke data staging TAS. 7)

Ruang

Gambar 4.14 Desain Data Flow Task Ruang Pada desain Gambar 4.14, OLE DB Source digunakan untuk mengambil data ruang dari SIGEJE dimana id prodi dan daya tampung ruang tidak boleh null. Kemudian data dikonversi sesuai dengan format tabel tujuan. Pada Derived Column digunakan untuk mengganti IDGEDUNG yang bernilai NULL dengan OLE DB Destination digunakan untuk meload data ke data staging ruang. 8)

Waktu

Gambar 4.15 Desain Data Flow Task Waktu Pada desain Gambar 4.15, OLE DB Source digunakan untuk mengambil data waktu dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel

commit to user



tujuan. Pada Derived Column digunakan untuk mengganti nilai IDFAKULTAS yang bernilai NULL

OLE DB Destination digunakan untuk meload

data ke data staging waktu. 9)

Kelas

Gambar 4.16 Desain Data Flow Task Kelas Pada desain Gambar 4.16, OLE DB Source digunakan untuk mengambil data kelas dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging kelas. 10)

Gambar 4.17 Desain Data Flow Task Ruang Waktu Pada desain Gambar 4.17, OLE DB Source digunakan untuk mengambil data ruang_waktu dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging ruang_waktu. 11) Dosen

Gambar 4.18 Desain Data Flow Task Dosen Pada desain Gambar 4.18, OLE DB Source digunakan untuk mengambil data dosen dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. Pada Derived Colomn data yang bernilai kosong atau NULL diganti OLE DB Destination digunakan untuk meload data ke data staging dosen. 12) Gedung

Gambar 4.19 Desain Data Flow Task Gedung

commit to user



Pada desain Gambar 4.19, OLE DB Source digunakan untuk mengambil data gedung dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging gedung. 13) Mapen

Gambar 4.20 Desain Data Flow Task Mapen Pada desain Gambar 4.20, OLE DB Source digunakan untuk mengambil data mapen dari SIGEJE. Kemudian data dikonversi sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging mapen. 14) r_camaba

Gambar 4.21 Desain Data Flow Task r_camaba Pada desain Gambar 4.21, ADO NET Source digunakan untuk mengambil data camaba dari SIAKAD. Pada Data Conversion digunakan untuk mengubah Data Conversion 1 mengubah string. Kemudian pada Derived Colomn -

bernilai 1 menja

OLE DB Destination

digunakan untuk meload data ke data staging r_camaba. 15)

Gambar 4.22 Desain Data Flow Task r_alumni

commit to user



Pada desain Gambar 4.22, OLE DB Source digunakan untuk mengambil data alumni dari SIAKAD. Lalu Data Conversion akan mengubah tipe data Data Conversion 1 sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging r_alumni. 16) r_khs

Gambar 4.23 Desain Data Flow Task r_khs Pada desain Gambar 4.23, ADO NET Source digunakan untuk mengambil data khs per fakultas dari SIAKAD dimana data yang diambil memiliki semester A,B,C atau D. Kemudian data tersebut digabungkan menjadi satu menggunkan Union All. Kemudian Data Conversion akan mengubah tipe data menjadi Data Conversion 1 sesuai dengan format tabel tujuan. Pada Derived Colomn NIL_AKHIR yang bernilai NULL A OLE DB Destination digunakan untuk meload data ke data staging r_khs. 17)

Gambar 4.24 Desain Data Flow Task r_mahasis wa

commit to user



Pada desain Gambar 4.24, OLE DB Source digunakan untuk mengambil data mahasiswa dari SIAKAD. Lalu Data Conversion akan mengubah tipe data Data Conversion 1 sesuai dengan format tabel tujuan. OLE DB Destination digunakan untuk meload data ke data staging r_mahasiswa. Saat package dijalankan, warna pada item (task) menandakan status eksekusi dari item (task) tersebut. Warna kuning berarti eksekusi sedang dijalankan pada item (task) tersebut. Warna hijau berarti eksekusi sukses dijalankan. Warna merah berarti gagal dan eksekusi dihentikan pada item (task) tersebut. 2.

Loading Staging Area ke Data warehouse Di bawah ini merupakan daftar tabel pada DB_Staging2 yang akan di-load

dan daftar tabel pada database data_warehouse2 yang merupakan daerah tujuan pemetaan. Tabel 4.9 Daftar Tabel DB_Staging2 dan Tabel data_warehouse2 Staging Area Fakultas Prodi Lokasi r_mahasiswa r_mahasiswa Dosen r_camaba r_mahasiswa r_mahasiswa

Data Warehouse (Result) dim_fakultas dim_prodi dim_lokasi dim_provinsi dim_kabupaten dim_dosen dim_smta

Mapen Matakuliah Ruang TAS r_khs r_camaba r_alumni kelas lokasi gedung plot_dosen

dim_matakuliah

dim_SMTA, dim_kabupaten, dim_provinsi -

dim_ruang dim_tahun_ajar

-

dim_camaba dim_lulusan dim_kelas dim_lokasi dim_gedung fact_camaba fact_beban_dosen

dim_smta dim_mahasiswa dim_camaba, dim_mahasiswa dim_matakuliah, dim_kelas,

dim_mahasiswa

commit to user

Data Warehouse (Area) dim_provinsi -



mapen r_khs ruang waktu ruang_waktu

dim_tahun_ajar, dim_dosen dim_mahasiswa, dim_matakuliah, dim_tahun_ajar -

fact_nilai Fact_ruang

Untuk proses loading dari staging area ke data warehouse pada container Warehouse akan dibuat desain proses seperti pada Gambar 4.25 berikut :

Gambar 4.25 Desain Control Flow pada Container Pada sequence container Task bernama

Warehouse erdapat Execute SQL

Warehouse yang digunakan untuk menghapus isi

data warehouse sebelum proses ETL dijalankan. Untuk menjalankan sequence container tersebut menggunakan koneksi ke database

Sedangkan dalam sequence container

warehouse

erdapat

beberapa data flow task yang digunakan untuk melakukan proses ETL dari data staging ke data warehouse. Garis hijau pada sequence container tersebut

commit to user



menunjukkan bahwa proses ETL akan dilakukan sesuai urutan data flow task. Data flow task tersebut adalah : 1)

Gambar 4.26 Desain Data Flow Task DimFakultas Pada Gambar 4.26, OLE DB Source digunakan untuk mengambil data fakultas dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_fakultas. 2)

Gambar 4.27 Desain Data Flow Task DimProdi Pada Gambar 4.27, OLE DB Source digunakan untuk mengambil data prodi dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_prodi. 3)

Gambar 4.28 Desain Data Flow Task DimDosen Pada Gambar 4.28, OLE DB Source digunakan untuk mengambil data dosen dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_dosen. 4)

Gambar 4.29 Desain Data Flow Task DimSMTA

commit to user



Pada Gambar 4.29, OLE DB Source digunakan untuk mengambil data SMTA dari data staging r_camaba dan r_mahasiswa. Kemudian data SMTA digabungkan menggunakan Union All lalu data diurutkan menggunakan Sort. OLE DB Destination digunakan untuk meload data ke data warehouse dim_SMTA. 5)

Gambar 4.30 Desain Data Flow Task DimProvinsi Pada Gambar 4.30 Desain Data Flow Task DimProvinsi, OLE DB Source digunakan untuk mengambil data provinsi dari data staging r_mahasiswa. Kemudian Script Component digunakan untuk memberi nilai ID Provinsi. OLE DB Destination digunakan untuk meload data ke data warehouse dim_provinsi. 6)

Gambar 4.31 Desain Data Flow Task DimKabupaten Pada Gambar 4.31, OLE DB Source r_mahasiswa digunakan untuk mengambil data kabupaten dan provinsi dari data staging r_mahasiswa. Sedangkan OLE DB Source dim_provinsi untuk mengambil data provinsi data warehouse. Kemudian data diurutkan sebelum digabungkan dengan merge join. Penggabungan ini bertujuan untuk mengganti nama provinsi pada r_mahasiswa menjadi id_provinsi pada dimensi provinsi. Lalu Script Component digunakan untuk memberi nilai ID kabupaten. OLE DB Destination digunakan untuk meload data ke data warehouse dim_kabupaten.

commit to user



7)

Gambar 4.32 Desain Data Flow Task DimMahasis wa Pada Gambar 4.32, OLE DB Source stg_mahasiswa digunakan untuk mengambil data mahasiswa dari data staging r_mahasiswa. Sedangkan OLE DB Source

dwh_kabupaten,

dwh_provinsi dan dwh_smta

digunakan

untuk

mengambil data yang dimilikinya agar dapat digabungkan dengan data mahasiswa dimana sebelumnya data telah diurutkan terlebih dahulu. Penggabungan ini bertujuan untuk mengganti nama kabupaten, nama provinsi dan nama SMTA menjadi id kabupaten, id provinsi dan id SMTA. Setelah itu OLE DB Destination digunakan untuk meload data ke data warehouse dim_mahasiswa. 8)

Gambar 4.33 Desain Data Flow Task DimMakul Pada Gambar 4.33, OLE DB Source digunakan untuk mengambil data matakuliah dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_matakuliah. 9)

Gambar 4.34 Desain Data Flow Task DimTahunAjar

commit to user



Pada Gambar 4.34, OLE DB Source digunakan untuk mengambil data tahun ajaran dan semester dari data staging TAS dan r_khs. Kemudian data dijadikan satu dengan fungsi Merge. Setelah itu, data diurutkan menggunakan Sort2 sekaligus menghilangkan duplikasi data. Kemudian Script Component digunakan untuk memberi nilai ID TAS secara auto increment. OLE DB Destination digunakan untuk meload data ke data warehouse dim_tahun_ajar. 10)

Gambar 4.35 Desain Data Flow Task DimCamaba Pada Gambar 4.35, OLE DB Source r_camaba digunakan untuk mengambil data camaba dari data staging yang akan digabungkan dengan OLE DB Source smta dari data warehouse setelah data diurutkan terlebih dahulu. Penggabungan ini bertujuan untuk mengganti nama SMTA menjadi ID SMTA. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_camaba. 11)

Gambar 4.36 Desain Data Flow Task DimLulusan Pada Gambar 4.36 Desain Data Flow Task DimLulusan, OLE DB Source r_alumni digunakan untuk mengambil data lulusan dari data staging yang akan digabungkan dengan OLE DB Source dim_mahasiswa dari data warehouse setelah data diurutkan terlebih dahulu. Penggabungan ini bertujuan untuk memastikan nim lulusan juga terdapat dalam nim mahasiswa. OLE DB Destination digunakan untuk meload data ke data warehouse dim_lulusan.

commit to user



12)

Gambar 4.37 Desain Data Flow Task DimKelas Pada Gambar 4.37, OLE DB Source digunakan untuk mengambil data kelas dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_kelas. 13)

Gambar 4.38 Desain Data Flow Task DimLokasi Pada Gambar 4.38, OLE DB Source digunakan untuk mengambil data matakuliah dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_matakuliah. 14)

Gambar 4.39 Desain Data Flow Task DimGedung Pada Gambar 4.39, OLE DB Source digunakan untuk mengambil data gedung dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_gedung. 15)

Gambar 4.40 Desain Data Flow Task DimRuang Pada desain Gambar 4.40, OLE DB Source digunakan untuk mengambil data ruang dari data staging. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse dim_ruang.

commit to user



16)

Gambar 4.41 Desain Data Flow Task FactCamaba Pada desain Gambar 4.41, OLE DB Source digunakan untuk mengambil data dim_camaba dan dim_mahasiswa dari data warehouse dimana dalam pengambilan data ini jika pilihan camaba sama dengan kode prodi maka pilihan tersebut bernilai 1 sedangkan yang lain 0 dan jika no test dim_camaba tersebut terdapat dalam no test dim_mahasiswa maka registrasi bernilai 1 karena camaba tersebut telah melakukan registrasi. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse fact_camaba. 17)

Gambar 4.42 Desain Data Flow Task FactBebanDosen Pada Gambar 4.42, OLE DB Source stg plot dosen digunakan untuk mengambil data plot dosen dari data staging yang akan digabungkan dengan dwh tahun ajar untuk menambah id TAS sesuai dengan tahun ajar dan semester setelah data diurutkan. Kemudian data digabungkan lagi dengan OLE DB Source dwh dosen, dwh matakuliah, dwh kelas dari data warehouse setelah data diurutkan terlebih dahulu. Penggabungan ini bertujuan untuk memastikan data dosen, matakuliah, dan kelas yang terdapat dalam plot dosen juga ada dalam data warehouse. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse fact_beban_dosen.

commit to user



18)

Gambar 4.43 Desain Data Flow Task FactNilai Pada Gambar 4.43, OLE DB Source r_khs digunakan untuk mengambil data khs mahasiswa dari data staging yang akan digabungkan dengan OLE DB Source dwh mahasiswa, dwh tahun ajar dan dwh matakuliah dari data warehouse setelah data diurutkan terlebih dahulu. Penggabungan ini bertujuan untuk menambah id TAS sesuai dengan tahun ajaran dan semester pada r_khs mahasiswa dan memastikan NIM mahasiswa dan kode matakuliah pada r_khs terdapat dalam NIM mahasiswa dan kode matakuliah dalam data warehouse. Kemudian OLE DB Destination digunakan untuk meload data ke data warehouse fact_nilai setelah data kembali diurutkan. 19)

Gambar 4.44 Desain Data Flow Task FactRuang Pada Gambar 4.44, OLE DB Source digunakan untuk mengambil data ruang, waktu dan ruang waktu dari data staging yang digabungkan untuk menghitung jumlah pemakaian ruang berdasarkan id prodi, id ruang, dan id tas. Kemudian data dikonversi sesuai dengan tabel tujuan. Setelah itu, data ruang akan digabungkan dengan dwh tahun ajar setelah diurutkan. Penggabungan ini untuk menambah id TAS dalam data ruang sesuai dengan tahun ajaran dan semester data ruang. OLE DB Destination digunakan untuk meload data ke data warehouse fact_ruang.

commit to user



Saat package dijalankan, warna pada item (task) menandakan status eksekusi dari item (task) tersebut. Warna kuning berarti eksekusi sedang dijalankan pada item (task) tersebut. Warna hijau berarti eksekusi sukses dijalankan. Warna merah berarti gagal dan eksekusi dihentikan pada item (task) tersebut. 4.4.2. Implementasi Pe mbuatan Online Analytical Processing (OLAP) Sebuah cube dibutuhkan untuk menganalisis data warehouse agar dapat digunakan untuk mendukung pengambilan keputusan. Pembuastan cube untuk kepentingan analisis

data

warehouse

tersebut akan

dilakukan dengan

menggunakan tools SQL Server Analysis Service (SSAS). 1. Mendefinisikan Data Source Data source merepresentasikan koneksi ke data yang akan digunakan dalam proses analisa data warehouse. Untuk menciptakan data source hal- hal yang diperlukan adalah : a. Mendefinisikan koneksi yang akan digunakan. Pada data connection pilih localhost.Data_Warehouse2. b. Pada data source name

Data warehouse

koneksi ke database 2. Mendefinisikan Data Source View Data Source View digunakan untuk fitur- fitur tingkat tinggi seperti caching metadata, menambah relationship dan menciptakan kalkulasi. Berikut adalah hal- hal yang diperlukan dalam Data Source View : a. Data source yang akan digunakan. Pada relational data source menggunakan Data warehouse

data source yang dibuat sebelumnya).

b. Menentukkan objek dari relational database yang akan digunakan dalam data source view. Pilih semua tabel dimensi dan tabel fakta karena semua tabel akan digunakan dalam analisis. c. Pada data source view

Data warehouse

commit to user



Pada Gambar 4.45 merupakan keterkaitan antar tabel setelah data source view selesai dibuat.

Gambar 4.45 Data Source View 3. Mendefinisikan Cube Untuk membuat cube dari data source view, hal-hal yang diperlukan adalah : a. Mendefinisikan Data Source View warehouse

Data

Data Source View yang dibuat sebelumnya). Pilih tabel

measure yang akan digunakan. b. Memilih measure-mesaure yang akan digunakan dan membuang measuremeasure yang tidak terpakai. c. Memilih dimensi yang akan digunakan dan membuang dimensi yang tidak terpakai. d. Memberi nama cube Data warehouse

commit to user

textbox cube name.



e. Warna tabel pada Data Source View akan berubah menjadi kuning untuk tabel fakta dan berubah menjadi biru untuk tabel dimensi seperti pada Gambar 4.46

Gambar 4.46 Hasil Pe mbuatan Cube 4. Modifikasi Dimensi, Measure, Atribut, dan Hirarki pada Cube Tahapan ini dilakukan untuk mengubah cube sesuai dengan kebutuhan analisis dan lebih mudah digunakan dalam analisis : a. Modifikasi pada Dimensi Mahasiswa 1) Menambah atribut baru dari kolom atribut Dim Mahasiswa : NIM, ANGKATAN, GENDER, KABUPATEN, NAMA FAKULTAS, NAMA PRODI, NAMA PROVINSI, NAMA SMTA 2) Menambah hirarki baru -Provtahun angkatan

yang memiliki tingkatan hirarki

nama provinsi

Gambar 4.47

commit to user

nama kabupaten seperti pada



Gambar 4.47 Hirarki Angkatan, Provinsi, Kabupaten tahun angkatan


nama SMTA seperti pada Gambar 4.48

Gambar 4.48 Hirarki Angkatan, SMTA tahun angkatan


jenis kelamin (gender) seperti pada Gambar

4.49

Gambar 4.49 Hirarki Angkatan Gender -Prodinama fakultas


nama prodi

tahun angkatan seperti pada

Gambar 4.50

Gambar 4.50 Hirarki Fakultas, Prodi, Angkatan b. Modifikasi pada Dimensi Prodi 1) Menambah atribut baru dari kolom atribut Dim Prodi : JENJANG, NAMA PRODI, NAMA FAKULTAS

commit to user



2) Menambah hirarki baru dengan nama tingkatan hirarki nama fakultas

-

nama prodi seperti pada Gambar

4.51

Gambar 4.51 Hirarki Fakultas, Prodi c. Modifikasi pada Dimensi Lulusan 1) Menambah atribut baru dari kolom atribut Dim Lulusan : NIM LULUSAN, ANGKATAN, GENDER, IPK, KAB, LAMA STUDI, NAMA FAKULTAS, NAMA PRODI, NAMA PROVINSI, NAMA SMTA, STATUS, TAHUN LULUS 2) Menambah hirarki baru -Provtahun wisuda

nama provinsi

miliki tingkatan hirarki nama kabupaten seperti pada

Gambar 4.52

Gambar 4.52 Hirarki Tahun Wisuda, Provinsi, Kabupaten tahun wisuda

hirarki


Gambar 4.53 Hirarki tahun Wisuda, SMTA -Prodhirarki nama fakultas

nama prodi

pada Gambar 4.54

commit to user

angkatan alumni seperti



Gambar 4.54 Hirarki Fakultas, Prodi, Angkatan tahun wisuda

jenis kelamin (gender) seperti pada Gambar 4.55

Gambar 4.55 Hirarki Tahun Wisuda, Gender tahun wisuda

jenis kelamin (gender) seperti pada Gambar 4.56

Gambar 4.56 Hirarki Tahun Wisuda, Status d. Modifikasi pada Dimensi Kelas 1) Menambah atribut baru dari kolom atribut Dim Kelas : ID KELAS, ID PRODI, NAMA KELAS, NAMA PRODI e. Modifikasi pada Dimensi Tahun Ajar 1) Menambah atribut baru dari kolom atribut Dim Tahun Ajar : ID TIME, SEMESTER, TAHUN AKAD 2)

tingkatan hirarki tahun akademik

semester seperti pada Gambar

4.57

Gambar 4.57 Hirarki Tahun Akademik, Semester

commit to user



f. Modifikasi pada Dimensi Matakuliah 1) Menambah atribut baru dari kolom atribut Dim Matakuliah : ID MATKUL, ID PRODI, JENIS, KODE MATKUL, SKS, SMT g. Modifikasi pada Dimensi Dosen 1) Menambah atribut baru dari kolom atribut Dim Dosen : ID DOSEN, ID PRODI, NAMA DOSEN, NAMA FAKULTAS, NAMA PRODI 2)

-Prodmemiliki tingkatan hirarki nama fakultas

nama prodi

nama dosen

seperti pada Gambar 4.58

Gambar 4.58 Hirarki Fakultas, Prodi, Dosen h. Modifikasi pada Dimensi Camaba 1) Menambah atribut baru dari kolom atribut Dim Camaba : ID CAMABA, ID SMTA, AGAMA, ANGKATAN, GENDER, NAMA SMTA, PILIHAN1, PILIHAN2, PILIHAN3 2) Menambah hirarki baru Dengan

-

angkatan camaba


Gambar 4.59 Hirarki Angkatan, SMTA angkatan camaba

agama seperti pada Gambar 4.60

commit to user



Gambar 4.60 Hirarki Angkatan, Agama angkatan camaba

gender Gambar 4.61

Gambar 4.61 Hirarki Angkatan, Gender i.

Modifikasi pada Dimensi Gedung 1) Menambah atribut baru dari kolom atribut Dim Gedung : ID GEDUNG, ID FAKULTAS, NAMA GEDUNG

j. Modifikasi pada Dimensi Ruang 1) Menambah atribut baru dari kolom atribut Dim Ruang : ID PRODI, ID RUANG, JENIS, KAPASITAS, NAMA RUANG k. Modifikasi pada Fakta Lulusan Modifikasi dilakukan dengan menambahkah measure yang diperlukan. 1) Measure Min IPK Usage Source Tabel Source Column

: Minimum : dim_lulusan : IPK

Digunakan untuk mencari nilai minimum dari kolom IPK pada tabel fact_lulusan. 2) Measure Max IPK Usage Source Tabel Source Column

: Maximum : dim_lulusan : IPK

Digunakan untuk mencari nilai maksimum dari kolom IPK pada tabel fact_lulusan. 3) Measure MIN LAMA STUDI Usage

: Minimum

commit to user



Source Tabel Source Column

: dim_lulusan : LAMA_STUDI

Digunakan untuk mencari nilai minimum dari kolom LAMA_STUDI pada tabel fact_lulusan. 4) Measure MAX LAMA STUDI Usage Source Tabel Source Column

: Maxsimum : dim_lulusan : LAMA_STUDI

Digunakan untuk mencari nilai minimum dari kolom LAMA_STUDI pada tabel fact_lulusan. l.

Modifikasi pada Fakta Beban Dosen Modifikasi dilakukan dengan menambahkah measure yang diperlukan. 1) Measure BEBAN Usage Source Tabel Source Column

: Sum : fact_beban_dosen : BEBAN

Digunakan untuk menghitung total nilai dari kolom BEBAN pada tabel fact_beban_dosen. 2) Measure Beban Dosen Count Usage Source Tabel

Digunakan

: Count of row : fact_beban_dosen

untuk

menghitung

jumlah

baris

pada

tabel

fact_beban_dosen. m. Modifikasi pada Fakta Camaba Modifikasi dilakukan dengan menambahkah measure yang diperlukan. 1) Measure JML_PILIHAN1 Usage Source Tabel Source Column

: Sum : fact_camaba : JML_PILIHAN1

Digunakan untuk menghitung total nilai dari kolom JML_PILIHAN1 pada tabel fact_camaba. 2) Measure JML_PILIHAN2 Usage Source Tabel Source Column


commit to user



Digunakan untuk menghitung total nilai dari kolom JML_PILIHAN2 pada tabel fact_camaba. 3) Measure JML_PILIHAN3 Usage Source Tabel Source Column


Digunakan untuk menghitung total nilai dari kolom JML_PILIHAN3 pada tabel fact_camaba. 4) Measure REGISTRASI Usage Source Tabel Source Column

: Sum : fact_camaba : REGISTRASI

Digunakan untuk menghitung total nilai dari kolom REGISTRASI pada tabel fact_camaba. 5) Measure Camaba Count Usage Source Tabel

: Count of row : fact_camaba

Digunakan untuk menghitung jumlah baris pada tabel fact_camaba. n. Modifikasi pada Fakta Nilai Modifikasi dilakukan dengan menambahkah measure yang diperlukan. 1) Measure NILAI Usage Source Tabel Source Column

: Sum : fact_nilai : NILAI

Digunakan untuk menghitung total nilai dari kolom NILAI pada tabel fact_nilai. 2) Measure SKS Usage Source Tabel Source Column

: Sum : fact_nilai : SKS

Digunakan untuk menghitung total nilai dari kolom SKS pada tabel fact_nilai. 3) Measure JUMLAH Usage Source Tabel Source Column

: Sum : fact_nilai : JUMLAH

commit to user



Digunakan untuk menghitung total nilai dari kolom JUMLAH pada tabel fact_nilai. 4) Measure Nilai Count Usage Source Tabel

: Count of row : fact_nilai

Digunakan untuk menghitung jumlah baris pada tabel fact_nilai. o. Modifikasi pada Fakta Ruang Modifikasi dilakukan dengan menambahkah measure yang diperlukan. 1) Measure PRS RUANG Usage Source Tabel Source Column

: Sum : fact_ruang : PRS_RUANG

Digunakan untuk menghitung total nilai dari kolom PRS_RUANG pada tabel fact_ruang. 2) Measure Ruang Count Usage Source Tabel

: Count of row : fact_ruang

Digunakan untuk menghitung jumlah baris pada tabel fact_ruang. p. Modifikasi pada Fakta Mahasiswa Modifikasi dilakukan dengan menambahkah measure Mahasiswa Count Usage Source Tabel

: Count of row : dim_mahasiswa

Digunakan untuk menghitung jumlah baris pada tabel dim_mahasiswa. 5. Mendefinisikan Relationship Antara Dimensi dengan Measure pada Cube Tahapan ini dilakukan untuk menghubungkan tabel fakta ke berbagai anggota dimensi melalui definisi Reguler Relationship atau Referenced Relationship. Berikut adalah hal- hal yang diperlukan untuk mendefinisikan relationship antara dimensi dengan measure : a. Akses cube designer dan klik tab Dimension Usage. b. Melakukan definisi untuk Reguler Relationship atau Referenced Relationship pada sel persimpangan measure dan dimension. c. Gambar 4.62 merupakan gambar perubahan pada Dimension Usage setelah relationship selesai didefinisikan.

commit to user



Gambar 4.62 Dimension Usage Cube 6. Mendefinisikan Kalkulasi pada Cube Kalkulasi pada cube perlu didefinisikan untuk memenuhi kebutuhan analisis. Calculated Member merupakan anggota measure yang didefinisikan berdasarkan kombinasi data cube, operator aritmatika, angka dan fungsi. Berikut ini adalah Calculated Member yang dibuat : a. Fakta Fact Lulusan 1) [<2.75] Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai ipk lulusan dibawah 2.75. Spesifikasi pada measure ini : Name : [<2.75] Parent Hierarchy : Measure Expression : SUM(FILTER([DimLulusan].[IPK].MEMBERS,[Dim Lulusan].[IPK]. MEMBERVALUE<2.75 ),[Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

2) [2.75

3.50]

Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai ipk lulusan diantara 2.75 sampai 3.50. Spesifikasi pada measure ini : Name : [2.75 3.50] Parent Hierarchy : Measure Expression : SUM(FILTER([Dim Lulusan].[IPK].MEMBERS,[Dim Lulusan].[IPK]. MEMBERVALUE>=2.75 AND [Dim Lulusan].[IPK].MEMBERVALUE<=3.50 ),[Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

commit to user



3) [>3.50] Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai ipk lulusan diatas 3.50. Spesifikasi pada measure ini : Name : [>3.50] Parent Hierarchy : Measure Expression : SUM(FILTER([Dim Lulusan].[IPK].MEMBERS,[Dim Lulusan].[IPK]. MEMBERVALUE>3.50 AND [Dim Lulusan].[IPK].MEMBERVALUE<4) ,[Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

4) [<2.75 (%)] Kalkulasi ini digunakan untuk menghitung persentase jumlah alumni yang mempunyai ipk lulusan dibawah 2.75. Spesifikasi pada measure ini : Name : [<2.75 (%)] Parent Hierarchy : Measure Expression : [Measures].[<2.75]/[Measures].[Lulusan Count] Format string Visible : true Associated Measure Group : Fact Lulusan

5) [2.75

3.50 (%)]

Kalkulasi ini digunakan untuk menghitung persentase jumlah alumni yang mempunyai IPK lulusan antara 2.75 sampai 3.50. Spesifikasi pada measure ini : Name : Parent Hierarchy : Expression : [Measures].[2.75 Format string Visible : Associated Measure

[2.75 3.50 (%)] Measure 3.50]/[Measures].[Lulusan Count] true Group : Fact Lulusan

6) [>3.50 (%)] Kalkulasi ini digunakan untuk menghitung persentase jumlah alumni yang mempunyai ipk lulusan diatas 3.50. Spesifikasi pada measure ini : Name : [>3.50 (%)] Parent Hierarchy : Measure Expression : [Measures].[>3.50]/[Measures].[Lulusan Count] Format string Visible : true Associated Measure Group : Fact Lulusan

commit to user



7) [<4 tahun] Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai lama studi dibawah 4 tahun. Spesifikasi pada measure ini : Name : [<4 tahun] Parent Hierarchy : Measure Expression : SUM(FILTER([Dim Lulusan].[LAMA STUDI].MEMBERS, [Dim Lulusan]. [LAMA STUDI].MEMBERVALUE<48 ),[Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

8) [4-5 tahun] Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai lama studi diantara 4 samapi 5 tahun. Spesifikasi pada measure ini : Name : [4-5 tahun] Parent Hierarchy : Measure Expression : SUM(FILTER([Dim Lulusan].[LAMA STUDI].MEMBERS,[Dim Lulusan]. [LAMA STUDI].MEMBERVALUE>=48 AND [Dim Lulusan].[LAMA STUDI]. MEMBERVALUE<=60 ), [Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

9) [>5 tahun] Kalkulasi ini digunakan untuk menghitung jumlah alumni yang mempunyai lama studi diatas 5 tahun. Spesifikasi pada measure ini : Name : [>5 tahun] Parent Hierarchy : Measure Expression : SUM(FILTER([Dim Lulusan].[LAMA STUDI].MEMBERS,[Dim Lulusan]. [LAMA STUDI].MEMBERVALUE>60 AND [Dim Lulusan].[LAMA STUDI]. MEMBERVALUE<=96 ), [Measures].[Lulusan Count]) Visible : true Associated Measure Group : Fact Lulusan

10) [<4 tahun (%)] Kalkulasi ini digunakan untuk menghitung persentase jumlah alumni yang mempunyai lama studi dibawah 4 tahun. Spesifikasi pada measure ini : Name : [<4 tahun (%)] Parent Hierarchy : Measure Expression : [Measures].[< 4 tahun]/[Measures].[Lulusan Count] Format string

commit to user



Visible : true Associated Measure Group : Fact Lulusan

11) [4-5 tahun (%)] Kalkulasi ini digunakan untuk menghitung persentase jumlah lulusan yang mempunyai lama studi antara 4 sampai 5 tahun. Spesifikasi pada measure ini: Name : [4-5 tahun(%)] Parent Hierarchy : Measure Expression : [Measures].[4 - 5 tahun]/[Measures].[Lulusan Count] Format string Visible : true Associated Measure Group : Fact Lulusan

12) [>5 tahun (%)] Kalkulasi ini digunakan untuk menghitung persentase jumlah alumni yang mempunyai lama studi diatas 5 tahun. Spesifikasi pada measure ini : Name : [>5 tahun(%)] Parent Hierarchy : Measure Expression : [Measures].[> 5 tahun]/[Measures].[Lulusan Count] Format string Visible : true Associated Measure Group : Fact Lulusan

13) [Rata-rata IPK] Kalkulasi ini digunakan untuk menghitung rata-rata IPK alumni dengan membagi measure IPK dan measure Fact Lulusan Count . Spesifikasi pada measure ini : Name : [Rata2 IPK] Parent Hierarchy : Measure Expression : [Measures].[IPK]/[Measures].[Lulusan Count] Format string : "#,#.00" Visible : true Associated Measure Group : Fact Lulusan

14) [Rata-rata Lama Studi] Kalkulasi ini digunakan untuk menghitung rata-rata lama studi alumni dengan membagi measure LAMA STUDI dan measure Fact Lulusan Count . Spesifikasi pada measure ini : Name : [Rata2 lama studi] Parent Hierarchy : Measure

commit to user



Expression : [Measures].[LAMA STUDI]/[Measures].[Lulusan Count] Format string : "#,#.00" Visible : true Associated Measure Group : Fact Lulusan

b. Fakta Fact Ruang 1) [Pemakaian Ruang (%)] Kalkulasi ini digunakan untuk menghitung persentase pemakaian gedung perkuliahan. Spesifikasi pada measure ini : Name : [Pemakaian Ruang(%)] Parent Hierarchy : Measure Expression : [Measures].[PRS RUANG]/(14*5*[Measures].[Fact Ruang Count]) Format string Visible : true Associated Measure Group : Fact Ruang

c. Fakta Fact Nilai 1) [IP Mahasiswa] Kalkulasi ini digunakan untuk menghitung persentase pemakaian gedung perkuliahan. Spesifikasi pada measure ini : Name : [IP Mahasiswa] Parent Hierarchy : Measure Expression : [Measures].[JUMLAH]/ [Measures].[SKS] Format string : "#,#.00" Visible : true Associated Measure Group : Fact Nilai

Proyek harus di-deploy agar data dapat dilihat dari cube "Data warehouse2". Setelah deploy sukses dijalankan, cube dapat diakses dari microsoft Sharepoint 2010 untuk membuat dashboard laporan. 4.4.3. Implementasi Pe mbuatan Report OLAP Dalam pembuatan report OLAP sesuai dengan kebutuhan yang diinginkan. Pembuatan report OLAP ini menggunakan tool Sharepoint 2010.

commit to user



Gambar 4.63 Penggunaan OLAP Dalam Sharepoint Gambar 4.63 merupakan tampilan dalam pembuatan report OLAP menggunakan sharepoint yang terbagi menjadi beberapa bagian yaitu : 1. Bagian A adalah data connections OLAP yang akan digunakan untuk membuat report. 2. Bagian B adalah Performancepoint yang dapat diisi tabel atau grafik sesuai dengan kebutuhan report. 3. Bagian C adalah Details yang berisi tabel fakta dan dimensi yang berasal dari data connections OLAP. 4. Bagian D adalah Rows dan Colomn dimana pada bagian ini nanti akan diisi tabel fakta dan dimensi pada bagian C sesuai dengan kebutuhan report. 5. Bagian E adalah design tampilan hasil dari bagian D yang sudah diisi. Pada bagian E ini dapat berupa grafik atau tabel sesuai dengan kebutuhan report. Berikut ini merupakan hasil dari tampilan laporan sesuai dengan fungsi sistem: a. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk, provinsi dan kabupaten seperti pada Gambar 4.64

commit to user



Gambar 4.64 Dashboard Laporan Alamat Mahasis wa b. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk dan asal SMTA seperti pada Gambar 4.65

Gambar 4.65 Dashboard Laporan Asal SMTA Mahasiswa c. Melihat jumlah mahasiswa dari dimensi fakultas, prodi, tahun masuk dan gender seperti pada Gambar 4.66

commit to user



Gambar 4.66 Dashboard Laporan Gender Mahasiswa d. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda, provinsi dan kabupaten seperti pada Gambar 4.67

Gambar 4.67 Dashboard Laporan Alamat Lulusan e. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan asal SMTA seperti pada Gambar 4.68

Gambar 4.68 Dashboard Laporan asal SMTA Lulusan

commit to user



f.

Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan gender seperti pada Gambar 4.69

Gambar 4.69 Dashboard Laporan Gender Lulusan g. Melihat jumlah lulusan dari dimensi fakultas, prodi, tahun wisuda dan status seperti pada Gambar 4.70

Gambar 4.70 Dashboard Laporan Status Lulusan h. Melihat profil IPK lulusan yang terdiri dari nilai ipk minimal, ipk maksimal, rata-rata IPK dan persentase IPK yang dilihat dari dimensi fakultas, prodi dan tahun wisuda seperti pada Gambar 4.71

commit to user



Gambar 4.71 Dashboard Laporan Profil IPK i.

Melihat profil lama studi lulusan yang terdiri dari lama studi terlama, lama studi tercepat, rata-rata lama studi dan persentase lama studi yang dilihat dari dimensi fakultas, prodi, angkatan dan tahun wisuda seperti pada Gambar 4.42

Gambar 4.72 Dashboard Laporan Profil Lama Studi j.

Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan SMTA seperti pada Gambar 4.73

commit to user



Gambar 4.73 Dashboard Laporan asal SMTA Camaba k. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan gender seperti pada Gambar 4.74

Gambar 4.74 Dashboard Laporan Gender Camaba l.

Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun dan agama seperti pada Gambar 4.75

Gambar 4.75 Dashboard Laporan Agama Camaba

commit to user



m. Melihat data calon mahasiswa baru dari dimensi fakultas, prodi, tahun, jumlah pilihan 1, jumlah pilihan 2, jumlah pilihan 3, total camaba yang melakukan registrasi seperti pada Gambar 4.76

Gambar 4.76 Dashboard Laporan Pilihan Camaba n. Melihat data beban sks dosen dari dimensi fakultas, prodi, dosen dan tahun ajaran seperti pada Gambar 4.77

Gambar 4.77 Dashboard Laporan Beban SKS Dosen o. Melihat data pemakaian ruang dari dimensi fakultas, prodi, ruang, tahun ajaran dan semester seperti pada Gambar 4.78

commit to user



Gambar 4.78 Dashboard Laporan Pe makaian Ruang p. Melihat nilai IP mahasiswa dari dimensi fakultas, prodi, NIM, tahun ajaran dan semester seperti pada Gambar 4.79

Gambar 4.79 Dashboard Laporan Nilai IP Mahasis wa 4.4.4. Implementasi K-means Clustering K-means clustering digunakan untuk mengelompokkan data-data alumni UNS sesuai dengan attribute yang digunakan. Dalam penggunaan K-means ini attribute yang digunakan adalah lama studi dan nilai IPK setiap alumni UNS. Dalam penelitian ini, data yang digunakan untuk melakukan clustering adalah data alumni jurusan S1 Informatika Fakultas MIPA dari tahun lulus 2013 sampai 2014 dengan jumlah cluster sebanyak 3 buah. Berikut ini adalah perhitungan K-means menggunakan sample data seperti pada Tabel 4.10:

commit to user



Tabel 4.10 Sample Data K-means NIM_LULUSAN M0509006

LAMA_STUDI 4.5

IPK 3.22

1. Langkah pertama dalam proses perhitungan ini adalah menentukan k

cluster yang diinginkan yaitu 3 buah.

2. Langkah kedua adalah menentukan centroid setiap cluster. a. Pusat cluster 1 (4.48 ; 3.17) b. Pusat cluster 2 (4.29 ; 3.43) c. Pusat cluster 3 (4.10 ; 3.69) 3. Langkah ketiga adalah menghitung jarak obyek ke pusat cluster (centriod). Tabel 4.11 merupakan hasil perhitungan jarak obyek ke pusat cluster (centriod). P1(xi

j)

=

4.5 4.48

2

+ 3.22 3.17

2

= 0.0004 + 0.0025 = 0.053852

Tabel 4.11 Hasil perhitungan jarak obyek ke centroid Pusat Lama Studi IPK Jarak P1 4.48 3.17 0.053852 P2 4.29 3.43 0.296985 P3 4.10 3.69 0.617171 4. Kemudian data dikelompokkan berdasarkan jarak minimum obyek ke pusat cluster. Tabel 4.11 merupakan tabel hasil perhitungan jarak obyek ke pusat cluster. Dari tabel tersebut diketahui bahwa jarak terdekat sample data adalah dengan pusat cluster 1 (P1) sehingga sample data masuk kedalam kelompok cluster 1. 5. Selanjutnya dilakukan pengecekan kelompok data sample terhadap kelompok data sebelumnya, apabila data mengalami perubahan cluster maka nilai centriod akan diperbarui dimana nilai centroid yang baru diperoleh dari ratarata kelompok cluster yang sama. Kemudian kembali ke langkah nomer 3. 1

=

=

4.5+4.58+4.58+4.58 4

commit to user

1

1



= 1

=

= =

18 .24 4

= 4.56

1 1

3.22 +3.06 +3.05+3.36

12.69 4

4

= 3.173 Tabel 4. 12 Hasil Perhitungan Pusat Cluster Baru Pusat P1 P2 P3

Lama (4.48 ; 3.17) (4.29 ; 3.43) (4.10 ; 3.69)

Baru (4.56 ; 3.173) (4.29 ; 3.405) (4.11 ; 3.660)

Jika sudah tidak ada lagi data yang berpindah kelompok pada masingmasing cluster maka proses dinyatakan selesai. Berikut adalah report hasil dari proses k- means clustering : a. Chart hasil clustering

Gambar 4.80 Chart hasil K-means Clustering Pada Gambar 4.80 diatas merupakan tampilan hasil clustering yang ditampilkan dalam bentuk chart. Dalam chart tersebut terdapat pusat cluster dan data-data yang telah dikelompokkan. Setiap warna dalam chart tersebut menunjukkan sebuah kelompok. Warna biru menunjukkan

commit to user



kelompok 1, warna hijau menunjukkan kelompok 2, sedangkan warna merah menujukkan kelompok 3. b. Pusat Cluster Terakhir

Gambar 4.81 Hasil Pusat Cluster Dari pusat cluster pada Gambar 4.81 tersebut, terlihat bahwa kelompok 1 merupakan kelompok yang buruk karena mempunyai IPK paling rendah dan lama studi paling lama. kemudian kelompok 2 merupakan kelompok biasa/sedang. Sedangkan kelompok 3 merupakan kelompok yang paling bagus karena mempunyai lama studi paling cepat dan IPK paling tinggi. c. Dimensi IPK

Gambar 4.82 Dimensi IPK Hasil Clustering Pada Gambar 4.82 merupakan tampilan hasil clustering dimensi IPK lulusan. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi IPK lulusan yang terbagi menjadi 3 yaitu rentang IPK 2.00 sampai 2.75, IPK 2.76 sampai 3.50 dan IPK 3.51 sampai 4.00.

commit to user



d. Dimensi Lama Studi

Gambar 4.83 Dimensi Lama Studi Hasil Clustering Pada Gambar 4.83 merupakan tampilan hasil clustering dimensi lama studi lulusan. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi lama studi lulusan yang terbagi menjadi 3 yaitu lama studi kurang dari 4 tahun, lama studi 4 sampai 5 tahun dan lama studi lebih dari 5 tahun. e. Dimensi Gender

Gambar 4.84 Dimensi Gender Hasil Clustering Pada Gambar 4.84 merupakan tampilan hasil clustering dimensi gender. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi gender lulusan dimana gender P adalah perempuan sedangkan gender L adalah laki- laki.

commit to user



f. Dimensi SMTA

Gambar 4.85 Dimensi SMTA Hasil Clustering Pada Gambar 4.85 merupakan tampilan hasil clustering dimensi SMTA. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi asal SMTA lulusan. g. Dimensi Provinsi

Gambar 4.86 Dimensi Provinsi Hasil Clustering

commit to user



Pada Gambar 4.86 merupakan tampilan hasil clustering dimensi Provinsi. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi asal provinsi lulusan. h. Dimensi Kabupaten

Gambar 4.87 Dimensi Kabupaten Hasil Clustering Pada Gambar 4.87merupakan tampilan hasil clustering dimensi Kabupaten. Dalam tabel tersebut data yang ada dalam masingmasing kelompok akan ditampilkan sesuai dengan isi dimensi asal kabupaten lulusan. 4.5.

Pengujian Hasil Clustering Berikut ini adalah hasil pengujian K-means clustering menggunakan

metode Sum Square Error (SSE).

commit to user



Gambar 4.88 Hasil Pengujian SSE Dari Gambar 4.88 terlihat bahwa dalam proses pengelompokkan data menggunakan K- means clustering. Setiap kali iterasi dilakukan, nilai SSE selalu berkurang. Pada iterasi pertama nilai SSE adalah 0.398 sedangkan pada iterasi kedua turun menjadi 0.357. Hal ini menunjukkan bahwa proses clustering berjalan sesuai dengan yang diharapkan dan. 4.6.

Pembahasan Dalam penelitian ini berhasil mengembangkan sistem OLAP dan

clustering yang dimulai dari perancangan snowflake schema, pembangunan data warehouse, pembuatan cube, pengelompokkan data menggunakan k-means clustering dan pembuatan report. Hal ini dibuktikan dengan warna hijau saat package ETL dijalankan dan tidak ada pesan error saat melakukan deploy OLAP dan deploy report OLAP dan juga saat melakukan pengelompokkan data lulusan dan report k-means clustering. Sistem dalam penelitian ini berhasil memenuhi fungsionalitas sistem yang diinginkan seperti yang terlihat dalam implementasi report OLAP Gambar 4.64 sampai dengan Gambar 4.79. Sistem juga berhasil mengelompokkan data IPK dan lama studi lulusan menggunakan k- means clustering dan dari hasil pengujian pengelompokkan data dapat disimpulkan bahwa setiap kali iterasi dilakukan nilai SSE selalu berkurang. Hal ini menunjukkan bawaha hasil algoritma K-means clustering bersifat konvergen.

commit to user

BAB IV HASIL DAN PEMBAHASAN

Recommend Documents