DATA WAREHOUSE DAN APLIKASI OLAP DATA AKADEMIK ILMU KOMPUTER IPB BERBASIS WEB MENGGUNAKAN PALO 2.0
YAGHI AMANDA PERMANA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008
DATA WAREHOUSE DAN APLIKASI OLAP DATA AKADEMIK ILMU KOMPUTER IPB BERBASIS WEB MENGGUNAKAN PALO 2.0
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
YAGHI AMANDA PERMANA G64104008
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008
Judul : Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer Berbasis Web Menggunakan Palo 2.0 Nama : Yaghi Amanda Permana NIM : G64104008
Menyetujui:
Pembimbing I,
Pembimbing II,
Hari Agung Adrianto, S.Kom, M.Si NIP 132 311 918
Imas S. Sitanggang, S.Si, M.Kom NIP 132 206 235
Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. drh. Hasim, DEA NIP 131 578 806
Tanggal Lulus:
ABSTRAK YAGHI AMANDA PERMANA. Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer Berbasis Web Menggunakan Palo 2.0. Dibimbing oleh HARI AGUNG ADRIANTO dan IMAS S. SITANGGANG. Informasi tentang nilai mata kuliah dan perkembangan nilai indeks prestasi pada mahasiswa diperlukan Bagian Akademik Ilmu Komputer untuk meningkatkan mutu pengajaran di mata kuliah tersebut. Proses analisis data nilai akademik masih dilakukan secara manual dengan melihat tabel data yang saling berhubungan. Hal itu membutuhkan waktu lama karena dari data tersebut masih dilakukan query manual pada tiap tabel data. Analisis perkembangan IP maupun IPK tiap angkatan mahasiswa serta kecenderungan nilai mata kuliah tertentu yang diambil mahasiswa Ilmu Komputer pada tiap tahunnya dapat dilakukan dengan membangun aplikasi OLAP yang diintegrasikan dengan data warehouse. Penelitian ini bertujuan untuk membangun sebuah data warehouse dan sebuah aplikasi OLAP berbasis web untuk data akademik Program Studi Ilmu Komputer IPB dengan menggunakan Palo 2.0 sebagai OLAP server. Tahapan yang dilakukan meliputi proses persiapan data, pembersihan data, integrasi data dan transformasi data, dilanjutkan dengan implementasi operasi OLAP. Skema data warehouse yang dibuat menggunakan skema galaksi. Penelitian ini menghasilkan terbentuknya enam dimensi (Waktu, Angkatan, JenisKelamin, MataKuliah, Mutu, dan StatusStudi) dan dua fakta (MataKuliah_Mutu dan IndexPrestasi). Pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data MataKuliah_Mutu dan IndexPrestasi. Kedua kubus data tersebut dapat divisualisasikan dengan tepat, cepat dan akurat dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart dengan menggunakan OLAP Palo 2.0. Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up, drill-down, dice, dan slice. Kata kunci: data warehouse, kubus data, data akademik, OLAP server, Palo 2.0.
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 17 Juli 1986 di Batang. Penulis adalah anak pertama dari tiga bersaudara pasangan Herry Soepranoto dan Suparti. Pada tahun 2004, penulis lulus dari SMA Negeri 1 Batang kemudian penulis diterima sebagai mahasiswa di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk Institut (USMI). Semasa mengikuti perkuliahan, penulis aktif di organisasi kemahasiswaan di antaranya yaitu Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) di Divisi Kerohanian sebagai ketua divisi periode tahun 2004-2005 dan Serambi Ruhiyah Mahasiswa MIPA (SERUM G) periode tahun 20052007. Penulis juga pernah menjadi asisten Pendidikan Agama Islam mata kuliah Tingkat Persiapan Bersama (TPB) dan asisten praktikum Sistem Informasi di Program Studi Ilmu Komputer IPB. Penulis melakukan Praktik Kerja Lapangan (PKL) di Badan Litbang Departemen Pertanian RI pada tanggal 2 Juli 2007–24 Agustus 2007 di Bagian Kerjasama dan Humas.
KATA PENGANTAR Puji syukur kepada Allah SWT karena atas limpahan rahmat dan karunia-Nya skripsi ini berhasil diselesaikan. Skripsi ini mengambil judul Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer Berbasis Web Menggunakan Palo 2.0. Penulis menyampaikan terima kasih kepada semua pihak yang telah membantu dalam penulisan tugas akhir ini khususnya kepada Bapak Hari Agung Adrianto, S.Kom, M.Si., Ibu Imas S. Sitanggang, S.Si, M.Kom yang telah membimbing dengan penuh ketekunan dan kesabaran hingga selesainya penulisan tugas akhir ini. Di samping itu, penulis juga mengucapkan terima kasih kepada: 1 Bapak Wisnu Ananta Kusuma, S.T., M.T. atas kesediaannya menjadi penguji sidang. 2 Bapak dan Ibu serta adik-adikku di rumah yang senantiasa memahami kesibukan penulis serta kasih sayang, perhatian, dukungan dan doanya selama ini. 3 Abi Herlambang, S.Kom. sebagai kakak kelas yang telah membantu atas kesulitan yang dialami penulis selama penelitian. 4 Ganang yang telah meminjamkan notebook-nya pada saat bimbingan, seminar, dan sidang penulis. 5 Teman-teman satu bimbingan (Arif, Ajeng, Alvira, Heni, Intan) atas dukungan dan motivasi yang telah diberikan. 6 Saudara-saudaraku seperjuangan Ikhwah_41 IPB yang telah memberikan semangat dan doanya. 7 Teman-teman seperjuangan Ilkom 41 lainnya untuk pengalaman dan kenangan yang tak ternilai. 8 Semua pihak yang tidak dapat disebutkan satu per satu. Semoga tugas akhir ini dapat bermanfaat bagi semua pihak, khususnya Departemen Ilmu Komputer FMIPA IPB. Amin.
Bogor, 27 Agustus 2008
Yaghi Amanda Permana
DAFTAR ISI DAFTAR GAMBAR ........................................................................................................................ v DAFTAR TABEL............................................................................................................................. v DAFTAR LAMPIRAN ..................................................................................................................... v PENDAHULUAN ............................................................................................................................ 1 Latar Belakang.............................................................................................................................. 1 Tujuan .......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 Manfaat ........................................................................................................................................ 1 TINJAUAN PUSTAKA .................................................................................................................... 1 Praproses Data .............................................................................................................................. 1 Data Warehouse ........................................................................................................................... 2 Model Data Multidimensi ............................................................................................................. 2 Operasi-operasi pada Online Analytical Processing (OLAP) .......................................................... 3 Arsitektur Three-Tier .................................................................................................................... 3 METODE PENELITIAN .................................................................................................................. 3 Analisis ........................................................................................................................................ 3 Praproses Data .............................................................................................................................. 4 Aplikasi OLAP ............................................................................................................................. 4 Lingkungan Pengembangan .......................................................................................................... 5 HASIL DAN PEMBAHASAN.......................................................................................................... 5 Analisis Data ................................................................................................................................ 5 Integrasi dan Reduksi Data ............................................................................................................ 6 Pembersihan Data ......................................................................................................................... 7 Transformasi Data......................................................................................................................... 7 Pemuatan Data .............................................................................................................................. 8 Eksplorasi dan Presentasi Hasil ..................................................................................................... 8 KESIMPULAN DAN SARAN........................................................................................................ 10 Kesimpulan................................................................................................................................. 10 Saran .......................................................................................................................................... 10 DAFTAR PUSTAKA ..................................................................................................................... 11 LAMPIRAN ................................................................................................................................... 12
iv
DAFTAR GAMBAR 1 Skema galaksi (Han & Kamber 2006) .......................................................................................... 3 2 Arsitektur three-tier data warehousing (Han & Kamber 2006) ..................................................... 3 3 Arsitektur aplikasi OLAP berbasis web (Sumber: diadopsi dari Herlambang 2007) ....................... 5 4 Skema galaksi dengan tabel fakta MataKuliah_Mutu dan IndexPrestasi ........................................ 6 5 Crosstab dengan operasi OLAP roll-up dengan ukuran rataan IPK, dimensi Angkatan, dimensi StatusStudi .................................................................................................................................. 8 6 Grafik hasil operasi drill-down dimensi MataKuliah pilihan dengan ukuran jumlah mahasiswa, dimensi Angkatan, dan dimensi Mutu untuk nilai mutu A............................................................ 9 7 Grafik hasil operasi slice dengan ukuran jumlah mahasiswa, dimensi mutu, dimensi waktu, dan dimensi MataKuliah untuk Basis Data .......................................................................................... 9 8 Grafik hasil operasi dice dengan ukuran jumlah mahasiswa, dimensi Angkatan, dimensi Waktu.. 10
DAFTAR TABEL 1 Nama dan deskripsi atribut tabel tempfakta1 hasil integrasi dan reduksi ........................................ 6 2 Nama dan deskripsi atribut tabel tempfakta2 hasil integrasi dan reduksi ........................................ 6 3 Nama dan deskripsi dimensi dari kubus MataKuliah_Mutu........................................................... 8 4 Nama dan deskripsi dimensi dari kubus IndexPrestasi .................................................................. 8
DAFTAR LAMPIRAN 1 Model data hirarki pada dimensi ................................................................................................ 13 2 Data dalam tabel dimensi ........................................................................................................... 14 3 Hasil kubus data dari operasi OLAP ........................................................................................... 17
v
PENDAHULUAN Latar Belakang Saat ini persaingan antar Departemen di IPB semakin ketat. Setiap Departemen berlombalomba untuk memperbaiki kualitas dari mahasiswanya baik dalam nilai akademik maupun sikap. Dalam hal ini, Departemen berusaha meningkatkan jumlah lulusan yang terbaik baik dari segi kuantitas maupun kualitas. Kualitas mahasiswa dapat dilihat dari kondisi akademik mahasiswa tersebut selama menempuh kuliah, yaitu melalui nilai tiap mata kuliah yang diambilnya. Semakin tinggi nilai yang diperoleh maka predikat kelulusan juga akan semakin bagus. Informasi tentang nilai mata kuliah dan perkembangan nilai indeks prestasi pada mahasiswa diperlukan Bagian Akademik Ilmu Komputer untuk meningkatkan mutu pengajaran di mata kuliah tersebut. Proses analisis data nilai akademik masih dilakukan secara manual dengan melihat tabel data yang saling berhubungan. Hal itu membutuhkan waktu lama karena dari data tersebut masih dilakukan query manual pada tiap tabel data. Untuk menganalisis dan mengetahui perkembangan IP maupun IPK tiap angkatan mahasiswa serta kecenderungan nilai mata kuliah tertentu yang diambil mahasiswa pada tiap tahunnya dapat dilakukan dengan membangun aplikasi OLAP yang diintegrasikan dengan data warehouse. Proses pembuatan data warehouse dilakukan dengan mengambil, mengumpulkan, mempersiapkan, menyimpan, dan menyediakan data untuk aplikasi yang bersifat query atau reporting. Saat ini telah tersedia beberapa teknologi data warehouse yang menggunakan OLAP server sebagai tool pembantu untuk analisis data, salah satu yang berbasis open source adalah Palo (www.jedox.com). Diharapkan tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai tampilan data dan didukung dengan representasi data grafik yang dinamis. Tujuan Penelitian ini bertujuan untuk membangun sebuah data warehouse dan sebuah aplikasi OLAP berbasis web untuk data akademik Program Studi Ilmu Komputer IPB dengan menggunakan Palo 2.0 sebagai OLAP server.
Ruang Lingkup Ruang lingkup penelitian dibatasi pada pembuatan data warehouse dan aplikasi OLAP berbasis web. Tahapan yang akan dilakukan meliputi proses persiapan data, pembersihan data, integrasi data dan transformasi data, dilanjutkan dengan implementasi operasi OLAP. Data yang digunakan adalah data akademik Program Studi Ilmu Komputer IPB tahun masuk 2001 sampai 2004 (Passing Out). Manfaat Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di Departemen Ilmu Komputer dalam memberikan informasi konklusif, cepat, dan menarik. Selain itu juga dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.
TINJAUAN PUSTAKA Praproses Data Praproses data merupakan proses yang harus dilakukan sebelum memasuki tahap pemrosesan membuat data warehouse. Data yang digunakan seringkali bersifat noisy (data tidak jelas atau rusak), inclomplete (data kekurangan nilai atributnya atau hanya berisi data agregasi), dan inconsistent (data tidak konsisten). Berikut adalah tahapan praproses data menurut Han dan Kamber (2006) : 1 Pembersihan Data Proses ini merupakan tahapan pembersihan data, yaitu mengisi data yang hilang, mengatasi data yang kotor dan rusak, mengidentifikasi atau membuang data pencilan, memperbaiki data yang tidak konsisten. Permasalahan data kotor dan cara membersihkannya yaitu : Nilai yang kosong (null) Untuk mengisi nilai yang kosong dalam data dapat dilakukan dengan tidak menghiraukan data nilainya yang hilang, mengganti nilainya secara manual, mengisi dengan konstanta “tidak diketahui” untuk data kategori dan konstanta “0” untuk data numerik, menggunakan nilai rataan dari atribut yang kosong, dan mengisinya dengan nilai rataan dari kelas yang sama.
2
Nilai yang mengandung noise Data dengan nilai yang mengandung noise dapat diganti menggunakan nilai hasil perhitungan dengan teknik binning (melakukan pengisian dengan nilai sekitar), regresi, atau dengan cara clustering. Data tidak konsisten Data tidak konsisten dapat diperbaiki secara manual dengan menyeragamkan data. 2 Integrasi data Integrasi data adalah penggabungan data dari berbagai sumber penyimpanan data untuk menjadi satu kesatuan data yang koheren (Han & Kamber 2006). Menurut Kantardzic (2003), integrasi data merupakan proses mengambil data operasional dari satu sumber atau lebih dan memetakannya field demi field ke dalam struktur data yang baru pada data warehouse. Dalam proses mengintegrasikan data dari berbagai sumber terdapat beberapa masalah yang dihadapi, yaitu redudansi (terdapat lebih dari satu tuple untuk satu data unik), dan duplikasi suatu data. 3 Transformasi data Transformasi data yaitu proses pengubahan data menjadi bentuk yang tepat. Proses ini dilakukan agar kondisi data tetap konsisten dan dapat digunakan untuk proses selanjutnya (Han & Kamber 2006). Menurut Han dan Kamber (2006), tranformasi data mencakup hal-hal berikut : Smoothing Hal yang berhubungan dengan noise pada data. Beberapa teknik yang dilakukan termasuk binning, regresi, dan clustering. Agregasi Operasi agregat atau peringkasan yang diterapkan pada data. Generalisasi data Penggantian data berlevel rendah dengan data berlevel tinggi menggunakan konsep hirarki. Normalisasi Pembuatan skala atribut data dengan range nilai yang kecil.
Konstruksi atribut Pembuatan konstruksi atribut-atribut baru dan memasukkannya ke suatu set atribut. 4 Reduksi data Teknik reduksi data diterapkan untuk memperoleh representasi tereduksi dari sejumlah data yang berimplikasi pada volume yang jauh lebih kecil. Data Warehouse Data warehouse dibangun untuk mengatasi masalah teknis dan bisnis, yang berkaitan dengan penggunaan data dan informasi untuk mengambil keputusan. Secara rinci dijelaskan oleh Han dan Kamber (2006) bahwa data warehouse mempunyai empat karateristik yaitu: Berorientasi subjek, terorganisasi pada subjek utama sesuai topik bisnis atau berdasarkan subjek dari organisasi. Terintegrasi, data dibangun dengan mengintegrasikan berbagai sumber data. Time-variant, dimensi waktu secara eksplisit termasuk dalam data, jadi model dan perubahannya dapat diketahui setiap saat. Non-volatile, data terpisah dari basis data operasional sehingga hanya memerlukan pemuatan dan akses data. Data tidak dapat berubah atau tetap. Model Data Multidimensi Model data multidimensi terdiri dari satu atau lebih tabel dimensi dan tabel fakta. Dimensi adalah perspektif atau entitas yang digunakan sebagai tempat menyimpan beberapa record yang saling berhubungan. Sedangkan fakta adalah suatu pengukuran data numerik dan data historis yang terdiri dari facts, measures dan keys dari tabel dimensi yang bersangkutan (Han & Kamber 2006). Model tersebut dapat menampilkan data dalam bentuk kubus yang merupakan inti dari model ini dan dapat digambarkan dalam bentuk skema bintang, skema snowflake, dan skema galaksi (Han & Kamber 2006). Skema galaksi merupakan kumpulan dari skema bintang. Skema ini terdiri dari berbagai tabel fakta yang berbagi beberapa tabel dimensi, sehingga membentuk seperti galaksi bintang. Bentuk skema galaksi dapat dilihat pada Gambar 1. Keuntungan menggunakan skema ini adalah menghemat memory dan mengurangi kesalahan yang mungkin terjadi.
3
Gambar 1 Skema galaksi (Han & Kamber 2006). Operasi-operasi pada Processing (OLAP)
Online
Analytical
Online analitycal Processing (OLAP) terdiri dari seperangkat tool untuk membantu proses analisis dan perbandingan data dalam basis data. Tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai tampilan data, dan didukung dengan representasi data grafik yang dinamis. Beberapa operasi OLAP menurut Han dan Kamber (2006) yaitu : Roll up (drill-up): ringkasan data, yaitu dengan menaikkan konsep hirarki atau mereduksi dimensi. Drill down (roll down): kebalikan dari rollup, yaitu melihat data secara lebih detail atau spesifik dari level tinggi ke level rendah. Slice and dice: slice adalah pemilihan pada satu dimensi dari kubus data yang bersangkutan dan dice mendefinisikan subcube dengan memilih dua dimensi atau lebih. Pivot (rotate): memvisualisasikan operasi yang merotasikan sumbu data dalam view sebagai alternatif presentasi data. Operasi lain: drill across yaitu operasi yang melibatkan lebih dari satu tabel fakta, drill through yaitu operasi yang mengijinkan pengguna untuk dapat melihat tabel data yang menampilkan nilai-nilai pada suatu sel data. Arsitektur Three-Tier Data warehouse pada umumnya mengadopsi arsitektur three-tier, seperti digambarkan pada Gambar 2.
Gambar 2 Arsitektur three-tier data warehousing (Han & Kamber 2006). Menurut Han dan Kamber (2006), lapisanlapisan arsitektur data warehousing tersebut adalah : 1 Lapisan bawah (bottom tier) Lapisan bawah adalah server data warehouse yang biasanya sebuah sistem basis data relasional. Pada lapisan ini data diambil dari basis data operasional dan sumber eksternal lainnya, diekstrak, dibersihkan, dan ditransformasi. Data disimpan sebagai data warehouse. 2 Lapisan tengah (middle tier) Lapisan tengah OLAP server yang biasanya diimplementasikan dengan OLAP Rasional (ROLAP) atau OLAP Multidimensional (MOLAP). 3 Lapisan Atas (top tier) Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (seperti: analisis tren, prediksi, dan lainnya).
METODE PENELITIAN Analisis Dari segi kebutuhan sistem, pengguna aplikasi OLAP berbasis web ini adalah dosen sebagai pengguna biasa dan komisi akademik sebagai administrator. Untuk mengelola aplikasi ini, administrator memiliki akses langsung ke sistem manajemen basis data SQL Server dimana data akademik ditempatkan serta ke modul Palo dimana data warehouse tersebut dikelola.
4
Sedangkan dosen sebagai pengguna biasa, dapat berinteraksi dengan sistem melalui antarmuka grafis berbasis web sehingga dapat memanfaatkan fasilitas sistem dengan mudah, yaitu: memilih dimensi / atribut melalui kotak drop-down list. menampilkan data dalam bentuk tabel crosstab. menampilkan data dalam bentuk grafik batang. menampilkan data dalam bentuk grafik garis. menampilkan data dalam bentuk pie chart. Dari aplikasi ini diharapkan dapat memberikan beberapa informasi sebagai berikut : Perkembangan jumlah mahasiswa per tahun, Daftar huruf mutu angkatan mahasiswa baik dalam waktu tertentu maupun selama menempuh pendidikan, Daftar huruf mutu pada kelas perkuliahan tertentu (misal kuliah basis data tahun 2001), Tren perkembangan Huruf Mutu mata kuliah (misal kuliah basis data dari tahun 2001 hingga 2004), Tren perkembangan indeks prestasi tiap angkatan mahasiswa berdasarkan status studi. Daftar jumlah dan nilai indeks prestasi pada tiap angkatan mahasiswa yang memiliki status studi tertentu (misal status studi “Drop Out” dari angkatan 2001-2004). Tahap awal sebelum ke proses pembuatan data warehouse, dilakukan pengumpulan data dan menganalisis nilai dan atributnya untuk mendapatkan atribut-atribut yang tepat untuk membuat data warehouse. Setelah dipilih dan diketahui atribut-atributnya, kemudian dilanjutkan ke tahapan praproses data. Praproses data Sebelum masuk ke pembuatan data warehouse, data harus diproses terlebih dahulu. Tahapan praproses pada data akademik Program Studi Ilmu Komputer meliputi: 1 Integrasi dan reduksi data Departemen Ilmu Komputer IPB menggunakan basis data yang dikelola oleh
Microsoft Access. Sebelum diimpor ke Microsoft SQL Server 2000, atribut-atribut data yang relevan dipilih. Pemilihan atribut ini berdasarkan tujuan pembuatan data warehouse. Integrasi dilakukan dengan menggabungkan atribut-atribut yang menarik dari tabel yang dianalisis yaitu tabel data KRS mahasiswa (krs) dengan tabel data KRS mata kuliah (krsmk) dan tabel data mahasiswa (mhs). Reduksi dilakukan bersamaan dengan proses integrasi, yaitu dengan membuang atribut-atribut yang kurang menarik dari tabel yang dianalisis. 2 Pembersihan Pembersihan data dilakukan terhadap data atribut mata kuliah yang tidak konsisten penulisannya. Kondisi tersebut dapat diatasi dengan menyeragamkan nilainya. Pada data atribut yang bernilai null seperti nilai rataan IPK, dilakukan pengisian dengan nilai nilai rataan dari semua nilai IPK. 3 Transformasi Proses transformasi yang dilakukan adalah generalisasi atribut nomor KRS (nokrs) menjadi atribut tahun akademik dan atribut semester. Selain generalisasi, pada proses ini juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada. Aplikasi OLAP Aplikasi OLAP dibangun menggunakan Palo PHP API (Application Program Interface) dan terhubung ke OLAP server Palo yang melakukan fungsi agregasi dan terdapat kubus data di dalamnya. Palo menyediakan Palo Excel Add-In yang dapat diintegrasikan dengan Microsoft Office Excel. Palo Excel Add-In memiliki fasilitas untuk menampilkan data dari kubus data Palo, membentuk struktur kubus data Palo, dan membuat data dari sumber eksternal ke kubus data Palo. Gambar 3 menunjukkan arsitektur aplikasi OLAP berbasis web, yang dapat dijelaskan sebagai berikut: 1 Pemrosesan data dan pembuatan skema data warehouse dengan DBMS Microsoft SQL Server 2000 2 Pembentukan struktur kubus data dilakukan di Palo Excel Add-In. 3 Pengisian struktur kubus data yang sudah terbentuk dengan data dari data warehouse melalui fasilitas Data Import di Palo Excel Add-In.
5
4 Web server mengakses kubus data Palo server melalui Palo PHP API. Aplikasi OLAP menggunakan library JpGraph untuk menampilkan grafik.
Grafik
Line Plot
Lapis atas: Web browser
Crosstab
Web Server package WAMPP versi 2.0
Laptop PC
Bahasa Pemrograman PHP 5.1.2
JpGraph
JpGraph
Palo API
1.20 (library menghasilkan grafik)
Palo OLAP server
Apache PHP Web server
MsSQL Server Data Warehouse
Lapis bawah: Data Warehouse DBMS
Palo Excel Add-In
MDB
Web browser Mozilla Firefox 3.0
Pada penelitian ini, data diperoleh dengan format Access (.mdb). Proses analisis dilakukan terhadap data untuk mendapatkan atribut-atribut yang tepat untuk membangun data warehouse. MDB
Gambar 3 Arsitektur aplikasi OLAP berbasis web (Sumber: diadopsi dari Herlambang 2007). Lingkungan Pengembangan Aplikasi OLAP berbasis web ini dibangun dengan menggunakan perangkat sebagai berikut: Perangkat keras berupa komputer personal dengan spesifikasi : Prosessor AMD Sempron 2500 + 1.4 GHz Memori 512 MB DDR RAM Harddisk 80 GB Monitor 15” dengan resolusi 1024 × 768
Data yang digunakan adalah data KRS mahasiswa (krs), data KRS mata kuliah (krsmk), dan data mahasiswa (mhs). Ketiga kelompok data tersebut dipilih karena sudah memenuhi beberapa kriteria dari informasi yang ingin ditampilkan. Tabel KRS mahasiswa berisi isian KRS mahasiswa tiap semester sedangkan tabel data KRS mata kuliah berisi perolehan nilai pada mata kuliah yang diambil tiap semester. Pada tabel mahasiswa berisi keterangan dari data mahasiswa yang masuk ke Program Studi S1 Ilmu Komputer. Dari tabeltabel itu, kemudian dipilih atribut-atribut yang akan digunakan untuk membuat data warehouse. Atribut yang akan digunakan berdasarkan ketentuan sebagai berikut: 1 Atribut yang dianalisis
dipilih
menarik
dipilih untuk
2 Atribut tersebut berkaitan dengan atribut di tabel data yang lain
Mouse dan Keyboard yang
untuk
Analisis Data
Data sumber
MDB
PHP
HASIL DAN PEMBAHASAN
Praproses data
Perangkat lunak membuat sistem:
Palo Server 2.0 (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan kubus data multidimensi) Palo Excel Add-In 2.0 (tempat pembuatan atau pemodelan struktur kubus data dan proses pemuatan data dari data warehouse ke kubus data)
Presentasi OLAP
Lapis tengah: Web server OLAP server
Microsoft SQL Server 2000 (perangkat lunak bantu untuk pemrosesan data dan pembuatan skema data warehouse)
dibutuhkan
untuk
Sistem Operasi Microsoft Windows XP Professional SP2
3 Data yang dianalisis tidak terlalu banyak mengandung nilai null Setelah pemilihan atribut, maka langkah selanjutnya adalah menentukan atribut-atribut yang menjadi ukuran (measure) dan non ukuran
6
(non-measure). Hasil analisis data ditentukan dua tabel fakta (MataKuliah_Mutu dan IndexPrestasi) dan enam dimensi (Waktu, Angkatan, JenisKelamin, MataKuliah, Mutu, dan StatusStudi). Fakta terdiri dari foreign key dari tabel dimensi, ukuran jumlah mahasiswa, rataan IP, dan rataan IPK. Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang dapat dilihat pada Gambar 4.
Sedangkan tabel baru tempfakta2 merupakan hasil integrasi dan reduksi dari proses query tabel krs dan mhs. Nama dan deskripsi atribut dari tabel-tabel tersebut dapat dilihat pada Tabel 1 dan Tabel 2. Tabel 1 Nama dan deskripsi atribut tabel tempfakta1 hasil integrasi dan reduksi Nama Atribut
Integrasi dan Reduksi Data Proses integrasi diawali dengan mengkonversi seluruh data sumber dengan format Access (.mdb) menjadi format Microsoft SQL server (.mdf). Selanjutnya dilakukan penggabungan atribut-atribut yang menarik dari tabel-tabel yang dianalisis menjadi satu tabel besar untuk dijadikan tabel fakta. Penggabungan yang pertama adalah menggabungkan tabel data KRS mahasiswa (krs) dengan tabel KRS mata kuliah (krsmk) dan tabel mahasiswa (mhs). Penggabungan yang kedua adalah menggabungkan tabel KRS mahasiswa (krs) dengan tabel mahasiswa (mhs).
Deskripsi
nokrs
nomor KRS-tahun akademik- semester
nrp
nomor registrasi pokok mahasiswa
sex
kode jenis kelamin
kodemk
kode matakuliah
mutu
huruf mutu
Tabel 2 Nama dan deskripsi atribut tabel tempfakta2 hasil integrasi dan reduksi
Reduksi data dilakukan dengan membuang atribut-atribut yang tidak terpilih berdasarkan hasil analisis data dan menyeleksi data dengan hanya mengambil mahasiswa Ilmu Komputer. Nilai atribut yang redundan dalam tabel-tabel sumber tidak disertakan dalam proses selanjutnya.
Nama Atribut
Proses integrasi dan reduksi data membentuk tabel baru, yaitu tabel tempfakta1 dan tempfakta2. Tabel baru tempfakta1 merupakan hasil integrasi dan reduksi dari proses query tabel krs, krsmk, dan mhs.
Deskripsi
nokrs
Nomor KRS - tahun akademik - semester
nrp
nomor registrasi pokok mahasiswa
sex
kode jenis kelamin
IP
nilai IP
IPK
nilai IPK
Waktu PK
MataKuliah PK
id_mk namamk kriteria
Mutu PK
id_mutu
id_waktu thakademik semester
MataKuliah_Mutu
IndexPrestasi StatusStudi
FK1 FK2 FK3 FK4 FK5
id_waktu id_angkt id_jk id_mk id_mutu jml_mhs
Angkatan PK
id_angkt angkatan
kategori_mutu
FK1 FK2 FK3 FK4
id_waktu id_angkt id_jk id_status jml_mhs RataanIP RataanIPK
PK
JenisKelamin PK
id_jk jeniskelamin
Gambar 4 Skema galaksi dengan tabel fakta MataKuliah_Mutu dan IndexPrestasi.
id_status kelasIPK statusstudi
7
Pembersihan Data Proses pembersihan data dilakukan dengan mengidentifikasi data yang kosong (null), mengandung noise, dan tidak konsisten karena proses pengentrian data sumber maupun akibat proses integrasi data. Dalam pembersihan data terdapat beberapa nilai yang kosong (null). Nilai kosong pada atribut IP dan IPK di-update menjadi nilai rataan. Pada atribut mutu, nilai huruf mutu yang bernilai null di-update menjadi nilai „BM‟ (Belum Masuk) dan huruf mutu F dan T di-update menjadi nilai „E‟. Dalam atribut nokrs dilakukan penghapusan terhadap nilai atribut nokrs untuk tahun akademik „0708‟, karena tahun akademik tersebut masih banyak nilai yang belum masuk sehingga bernilai null. Sedangkan noise pada tabel krsmk dengan atribut nama mata kuliah (namamk) di-update dengan menyeragamkan nilai dari atributnya. Penyeragaman nilai dilakukan dengan mengambil jumlah yang lebih dominan muncul dari nama tersebut. Hal itu dilakukan untuk menjaga konsistensi data, karena dalam data sumber terdapat satu kode mata kuliah yang mempunyai dua nama mata kuliah yang berbeda. Selain itu pembersihan data terhadap data yang tidak konsisten juga dilakukan pada atribut nokrs. Pada atribut ini dilakukan penghapusan data terhadap nokrs yang tidak sesuai antara kode tahun di nokrs dan di nrp. Misalnya mahasiswa angkatan 2001 dengan nokrs xxx-0102-1, yang berarti bahwa mahasiswa tersebut ada di tahun akademik 2001/2002 semester ganjil, seharusnya setiap angkatan 2001 yang baru masuk IPB hanya mempunyai nokrs TPB yaitu xxx-0102-2. Setelah dilakukan proses pembersihan, tabel tempfakta1 berkurang 369 tuple menjadi 13308 tuple. Sedangkan pada tabel tempfakta2 berkurang 86 tuple menjadi 1684 tuple. Transformasi Data Proses transformasi data meliputi penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut atau dimensi. Proses ini dilakukan dengan berpedoman pada skema data warehouse yang sudah dibuat. Langkah awal transformasi dilakukan dengan mengubah nama atribut dari tabel hasil pembersihan sesuai dengan nama atribut dimensi yang ada pada skema. Data untuk atribut nokrs dari tabel tempfakta1 digeneralisasi dengan mengubah nilainya menjadi tahun akademik dan semester dengan mengambil enam digit akhir dari nokrs. Atribut nrp dari tabel tempfakta2 digeneralisasi menjadi
kode tahun masuk IPB dengan mengambil 5 digit belakang, kemudian dari digit tersebut diambil 2 digit awal. Misalnya: nrp=‟G64104008‟ „04008‟ „04‟. Proses transformasi juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada. Data dari atribut IPK digunakan untuk mengkonstruksi atribut status dengan mengelompokkan range nilai IPK tertentu ke dalam status tertentu. Misalnya: range nilai IPK dari 2,76 - 3,50 memiliki status tanpa syarat. Hasil transformasi dimasukkan ke dalam tabel baru, tabel tempfakta1 menjadi tabel fakta1 dan tabel tempfakta2 menjadi tabel fakta2. Langkah berikutnya adalah menentukan nilai agregasi atribut-atribut yang menjadi ukuran (measure). Data tabel fakta1 ditentukan nilai agregasinya untuk mendapatkan ukuran jumlah mahasiswa dengan menghitung banyaknya nrp dari mahasiswa dan mengelompokkannya berdasarkan atributatribut yang ada. Kemudian membuat atribut baru untuk menampung ukuran jumlah mahasiswa hasil agregasi. Pada data tabel fakta2 dilakukan agregasi untuk mendapatkan ukuran jumlah mahasiswa, rataan nilai IP dan IPK. OLAP server Palo belum mendukung fungsi agregasi rataan. Oleh karena itu nilai agregasi rataan ditentukan dengan menentukan nilai total dari ukuran, kemudian membaginya dengan ukuran jumlah data. Untuk data atribut rataan IP dan IPK dari tabel fakta2 ditentukan nilai totalnya dan dihitung jumlah mahasiswa, dikelompokkan berdasarkan atribut-atribut nonukuran. Atribut baru dikonstruksi untuk ukuran jumlah mahasiswa. Hasil dari transformasi dengan operasi agregasi ini dipindahkan ke tabel baru yang merupakan tabel fakta data warehouse sesungguhnya. Tabel-tabel fakta tersebut adalah tabel fact_mkmutu yang terdiri dari lima dimensi dan satu ukuran, dan tabel fact_indexprestasi yang terdiri dari empat dimensi dan tiga ukuran. Tahap transformasi terakhir adalah melakukan konstruksi tabel-tabel dimensi. Keenam tabel dimensi tersebut dibuat dengan nama dim_time, dim_mk, dim_mutu, dim_angktn, dim_jk, dan dim_statusstudy. Tabel dimensi Waktu (dim_time) dibuat dari generalisasi kode nokrs, dimana empat digit awal dari enam digit akhir nokrs diidentifikasi sebagai tahun akademik dan satu digit terakhir dari enam digit akhir nokrs diidentifikasi sebagai semester. Tabel dimensi Angkatan (dim_angktn) dibuat dari generalisasi kode NRP, di dalamnya menjelaskan tahun masuk
8
mahasiswa ke IPB. Adapun model hierarki dari dimensi-dimensi tersebut dapat dilihat setiap Lampiran 1 dan data dalam tabel dimensi dapat dilihat setiap Lampiran 2. Pemuatan Data Data warehouse yang sudah dibuat selesai dibuat, selanjutnya di-load ke kubus data OLAP server Palo. Kemudian, skema data warehouse dimodelkan dengan menentukan dimensidimensi, elemen-elemen dari dimensi, ukuranukuran, dan kubus data. Kubus data yang dibuat yaitu, kubus MataKuliah-Mutu dan kubus IndexPrestasi. Kubus data MataKuliah-Mutu dibuat untuk tabel fakta fact_mkmutu sedangkan kubus data IndexPrestasi dibuat untuk tabel fakta fact_indexprestasi. Ukuran pada struktur Palo dimasukkan dalam struktur dimensi tabel fakta yang tidak mempunyai id_key. Selanjutnya data dimuat menggunakan fasilitas Data Import dari Excel Add-In Palo. Nama dan deskripsi dari kubus data dapat dilihat pada Tabel 3 dan Tabel 4. Tabel 3 Nama dan deskripsi dimensi dari kubus MataKuliah-Mutu Nama Dimensi
Deskripsi
Waktu
Tahun akademik dan semester
Angkatan
Angkatan masuk IPB
Jenis Kelamin
Jenis kelamin mahasiswa
Mata Kuliah
Mata kuliah
Mutu
Nilai mutu
Ukuran Matakuliah_Mutu
Nama-nama ukuran (jumlah mahasiswa)
Aplikasi OLAP yang dibuat menyediakan fasilitas-fasilitas berikut : 1 Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan dimensi-dimensi yang akan ditampilkan untuk dianalisis. 2 Filter dimensi, fungsi ini menyaring dimensi yang ditampilkan pada sumbu x dan sumbu y untuk menampilkan elemen-elemen tertentu dari dimensi. Dimensi lainnya dapat dipilih satu elemen dari tiap-tiap dimensi. 3 Visualisasi Crosstab dan Graph, dimana data hasil operasi OLAP yang dilakukan pengguna dapat ditampilkan ke dalam bentuk crosstab dan/atau grafik. Grafik yang ditampilkan berupa bar plot atau line plot. Eksplorasi dan Presentasi Hasil Ekplorasi data dilakukan dengan menggunakan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Contohnya adalah operasi roll-up untuk melihat dan menganalisis tren perkembangan indeks prestasi mahasiswa Ilmu Komputer pada setiap angkatan. Proses eksplorasi dan operasi ini menggunakan kubus IndexPrestasi yang mempunyai ukuran jumlah mahasiswa, rataan IP, dan rataan IPK. Untuk melihat nilai rataan IPK tiap angkatan, dapat dilakukan pemilihan dari kelas IPK ke status studi yang diinginkan. Hasil perkembangan rataan IPK tiap angkatan dapat dilihat pada Gambar 5.
Tabel 4 Nama dan deskripsi dimensi dari kubus IndexPrestasi Nama Dimensi
Deskripsi
Waktu
Tahun akademik dan semester
Angkatan
Angkatan masuk IPB
Jenis Kelamin
Jenis kelamin mahasiswa
Status Studi
Status studi mahasiswa
Ukuran IndexPrestasi
Nama-nama ukuran (jumlah mahasiswa, rataan IP, rataan IPK)
Gambar 5 Crosstab dengan operasi OLAP roll-up dengan ukuran rataan IPK, dimensi angkatan, dimensi status studi. Selain operasi roll up, dapat dilakukan operasi drill-down untuk melihat jumlah mahasiswa yang mendapatkan nilai mutu A dari semua mata kuliah pilihan. Hasil operasi tersebut dapat dilihat pada Gambar 6 dalam bentuk grafik garis.
9
Gambar 6 Grafik hasil operasi drill-down dimensi mata kuliah pilihan dengan ukuran jumlah mahasiswa, dimensi angkatan, dan dimensi mutu untuk nilai mutu A. Operasi yang dapat dilakukan lainnya adalah mencari pola sebaran perkembangan huruf mutu mata kuliah Basis Data dari tahun akademik 2001/2002 sampai 2006/2007. Grafik pada Gambar 7 merupakan hasil operasi slice dengan peserta mata kuliah Basis Data pada semua angkatan dan tahun akademik. Untuk tahun
akademik 2003/2004 dan 2004/2005 nilai mutu mata kuliah tersebut umumnya B. Sedangkan pada tahun akademik 2005/2006 mahasiswa yang mengambil Basis Data lebih banyak mendapatkan nilai mutu C.
Gambar 7 Grafik hasil operasi slice dengan ukuran jumlah mahasiswa, dimensi mutu, dimensi waktu, dan dimensi mata kuliah untuk Basis Data.
10
Selain itu juga dapat dilihat daftar jumlah mahasiswa pada angkatan dan tahun tertentu dengan kelas IPK yang diinginkan dengan operasi dice. Misalkan akan dilihat jumlah mahasiswa angkatan 2003-2004 pada rentang waktu tahun akademik 2001/2002 sampai 2006/2007 dengan kelas IPK lebih dari 3.51. Hasil operasi tersebut dapat dilihat pada Gambar 8.
Hasil dari penelitian ini dapat memberikan manfaat bagi pengguna di Departemen Ilmu Komputer dalam mempermudah analisis data akademik ukuran besar sehingga dapat membantu dalam pengaksesan data tersebut, penyampaian informasi, pembuatan laporan dan pembuatan keputusan yang lebih baik. Saran Saran untuk penelitian data warehousing dan OLAP selanjutnya adalah: 1 Memperbanyak jumlah data, yaitu dengan melibatkan semua data mahasiswa di setiap tahun akademik untuk masing-masing angkatan yang terdapat di Departemen Ilmu Komputer IPB. Data akademik tersebut lebih mencakup pada kurikulum mayor minor. 2 Dibangun modul program untuk pemasukan data baru yang nantinya diintegrasikan ke dalam aplikasi OLAP.
Gambar 8 Grafik hasil operasi dice dengan ukuran jumlah mahasiswa, dimensi angkatan, dimensi waktu. Dari beberapa contoh eksplorasi yang ditampilkan dalam bentuk grafik, dapat dilihat bentuk kubus data dari operasi OLAP pada Lampiran 3. KESIMPULAN DAN SARAN Kesimpulan Pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data MataKuliah_Mutu dan IndexPrestasi. Kedua kubus data tersebut dapat divisualisasikan dengan tepat, cepat dan akurat dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart dengan menggunakan OLAP Palo 2.0. Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up (misalnya untuk melihat dan menganalisis tren perkembangan indeks prestasi mahasiswa Ilmu Komputer pada setiap angkatan), drill-down (misalnya untuk melihat jumlah mahasiswa yang mendapatkan nilai mutu A dari semua mata kuliah pilihan), dice (misalnya untuk melihat jumlah mahasiswa angkatan 2003-2004 pada rentang waktu tahun akademik 2001/2002 sampai 2006/2007 dengan kelas IPK lebih dari 3.51), dan slice (misalnya untuk mengetahui perkembangan huruf mutu mata kuliah Basis Data).
3 Dikembangkan operasi-operasi OLAP dalam aplikasi. Operasi dice dan slice lebih disempurnakan, sehingga setiap sumbu dari crosstab dapat diisi lebih dari dua dimensi. Penambahan operasi pivot untuk memutar sumbu. 4 Diintegrasikan dengan aplikasi pendukung untuk menambahkan link menu yang ketika dipilih, langsung menampilkan visualisasi sesuai perintah menu tersebut.
11
DAFTAR PUSTAKA Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Francisco : Morgan Kaufmann Publisher. Herlambang A. 2007. Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web Menggunakan Palo. [Skripsi]. Bogor : Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Inmon WH. 1996. Building the Data Warehouse. New York, USA : John Wiley and Sons, Inc. Kantardzic M. 2003. Data Mining : Concepts, Models, Methods, and Algorithms. New Jersey : John Wiley and Sons, Inc. Raue K, Barczaitis H. 2007. Palo 2.0 Manual. German : Jedox GmbH.
LAMPIRAN
13
Lampiran 1 Model hierarki pada dimensi a Model hierarki dimensi Waktu
b Model hierarki dimensi Angkatan
c Model hierarki dimensi JenisKelamin
d Model hierarki dimensi MataKuliah
e Model hierarki dimensi Mutu
f
Model hierarki dimensi StatusStudi
14
Lampiran 2 Data dalam tabel dimensi a Data tabel dim_time (dimensi Waktu) id_waktu
thakad
semester
0102-0
2001/2002
genap
0102-1
2001/2002
ganjil
0102-2
2001/2002
tpb
0203-0
2002/2003
genap
0203-1
2002/2003
ganjil
0203-2
2002/2003
tpb
0304-0
2003/2004
genap
0304-1
2003/2004
ganjil
0304-2
2003/2004
tpb
0405-0
2004/2005
genap
0405-1
2004/2005
ganjil
0405-2
2004/2005
tpb
0506-0
2005/2006
genap
0506-1
2005/2006
ganjil
0607-0
2006/2007
genap
0607-1
2006/2007
ganjil
b Data tabel dim_jeniskelamin (dimensi JenisKelamin) id_jk
jeniskelamin
0
Perempuan
1
Laki-laki
c Data tabel dim_angktn (dimensi Angkatan) id_angkt
th_angkt
1
2001
2
2002
3
2003
4
2004
d Data tabel dim_mutu (dimensi Mutu) id_mutu
kategori_mutu
0
BM
A
A
B
B
C
C
D
D
E
E
15
Lanjutan e Data tabel dim_statusstudy (dimensi StatusStudi)
f
id_status
kelasIPK
statusstudi
1
1.[IPK>=3.51]
A.Tanpa Syarat
2
2.[2.76<=IPK<3.51]
A.Tanpa Syarat
3
3.[2.00<=IPK<2.76]
A.Tanpa Syarat
4
1.[IP>=2, 1.50< IPK <2.00]
B.Peringatan
5
2.[IP<2, 1.50< IPK <2.00]
B.Peringatan
6
1.[1.00< IPK <=1.50]
C.Drop Out
7
2.[0.00<=IPK<=1.00]
C.Drop Out
Data tabel dim_mk (dimensi MataKuliah) id_mk
namamk
kriteria
BIO101
Biologi B
TPB
BIO400
Pengantar Bioteknologi
Pilihan
FIS101
Fisika Dasar I
TPB
FIS102
Fisika Dasar II
TPB
FIS270
Elektronika Dasar
Pilihan
FIS374
Mikroprosesor
Pilihan
IPB100
Pengantar Ilmu Pertanian
TPB
KIM100
Kimia Umum
TPB
KOM121
Bahasa Pemrograman
TPB
KOM122
Algoritma dan Pemrograman
TPB
KOM191
Pengenalan ilmu Komputer
TPB
KOM201
Analisis Numerik
Wajib
KOM211
Teori Bahasa dan Otomata
Wajib
KOM212
Struktur Data
Wajib
KOM231
Rangkaian Digital
Wajib
KOM232
Organisasi Komputer
Wajib
KOM261
Rekayasa Perangkat Lunak
Wajib
KOM271
Basis Data
Wajib
KOM301
Metode Kuantitatif
Wajib
KOM303
Pengantar Kriptografi
Pilihan
KOM304
Simulasi Komputer
Pilihan
KOM311
Analisis Algoritma
Wajib
KOM331
Sistem Operasi
Wajib
KOM332
Komunikasi Data dan Jaringan Komputer
Wajib
KOM333
Pemrosesan Paralel
Wajib
KOM334
Sistem Berkas
Pilihan
KOM341
Komputer Grafik
Pilihan
KOM342
Sistem Multimedia
Pilihan
KOM361
Pengembangan Sistem Berorientasi Obyek
Wajib
16
Lanjutan id_mk
namamk
kriteria
KOM362
Manajemen Proyek Perangkat Lunak
Pilihan
KOM371
Sistem Informasi Manajemen
Wajib
KOM372
Sistem Informasi Geografis
Pilihan
KOM373
Perpustakaan Digital
Pilihan
KOM381
Pengantar Kecerdasan Buatan
Wajib
KOM382
Pengenalan Pola dan Analisis Citra
Pilihan
KOM431
Basisdata Terdistribusi
Pilihan
KOM432
Jaringan Komputer Lanjut
Pilihan
KOM433
Rekayasa Trafik
Pilihan
KOM441
Interaksi Manusia dan Komputer
Wajib
KOM451
Kapita Selekta Ilmu Komputer
Wajib
KOM471
Temu Kembali Informasi
Pilihan
KOM481
Sistem Pakar
Pilihan
KOM482
Kecerdasan Komputasional
Pilihan
KOM491
Seminar
Wajib
KOM492
Metodologi Penelitian dan Telaah Pustaka
Wajib
KOM493
Praktek Kerja Lapangan
Wajib
KOM494
Kolokium
Wajib
KOM495
Tugas Akhir
Wajib
MAT101
Matematika Dasar
TPB
MAT112
Kalkulus I
TPB
MAT201
Pengantar Logika Matematika
Pilihan
MAT213
Kalkulus Lanjut
Wajib
MAT221
Aljabar Linier
Wajib
MAT272
Graph Algoritmik
Pilihan
MAT273
Matematika Diskret
Wajib
MAT361
Pengoptimuman
Pilihan
MET200
Pengantar Geosains
Pilihan
MKU110
Pendidikan Agama
TPB
MKU123
Pendidikan Kewarganegaraan
TPB
MKU131
Bahasa Indonesia
TPB
MKU141
Bahasa Inggris I
TPB
MKU142
Bahasa Inggris Lanjut
Wajib
MKU191
Olahraga dan Seni
TPB
SEP120
Sosiologi Umum
TPB
SEP150
Ekonomi Umum
TPB
STK201
Pengantar Hitung Peluang
Wajib
STK210
Metode Statistika I
Wajib
STK305
Metode Riset Operasi
Pilihan
STK381
Komputasi Statistika
Pilihan
STK425
Analisis Peubah Ganda
Pilihan
17
Lampiran 3 a Drill-down
b Roll-up
c Slice
Hasil kubus data dari operasi OLAP
18
Lanjutan d Dice
