atribut tahun akademik dan atribut semester. Selain generalisasi, pada proses ini juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada.
pemuatan data dari data warehouse ke kubus data) Web Server Apache Tomcat Notepad++ sebagai editor program
4 Pemuatan Data Pada tahap ini, data telah siap untuk dimuat (load) ke dalam data warehouse. Tahap pemuatan bertujuan untuk memuat data yang terseleksi ke dalam data warehouse tujuan dan membuat indeks yang diperlukan. Pembuatan Data Warehouse Tahap ketiga yang dilakukan pada penelitian ini adalah membuat data warehouse dengan menggunakan data akademik departemen mayor-minor Ilmu Komputer mulai tahun 2005 sampai tahun 2009. Uji Query Tahap ini dilakukan setelah pembuatan data warehouse selesai. Pengujian ini dilakukan untuk melihat apakah operasi dasar OLAP berhasil diimplementasikan dan sesuai dengan informasi yang ditampilkan. Pengujian dilakukan dengan memvisualisasikan kubus data dengan grafik dan tabel pivot. Lingkungan Pengembangan Aplikasi dibangun dengan menggunakan perangkat sebagai berikut: Perangkat keras berupa komputer personal dengan spesifikasi:
Web browser Mozilla Firefox 3.0.1, Microsoft Internet Explorer 8, safari. HASIL DAN PEMBAHASAN Analisis Data Pada penelitian ini, sumber data diperoleh dengan format .xls. Proses analisis dilakukan terhadap data untuk mendapatkan atribut-atribut yang tepat untuk membangun data warehouse. Data yang digunakan antara lain data mami, transkrip_mahasiswa, wisudawan_mami, dan ambil_minor. Data tersebut dipilih karena telah sesuai dengan kriteria informasi yang akan ditampilkan. Tabel data mami merupakan perolehan nilai pada mata kuliah yang diambil tiap semester, transkrip_mahasiswa berisi nilai IP maupun IPK yang diperoleh tiap semester, wisudawan_mami berisi informasi tentang mahasiswa yang telah lulus antara lain berupa judul skripsi, lama studi, predikat kelulusan dan informasi lain yang berhubungan sedangkan tabel ambil_minor berisi informasi tentang minor yang diambil oleh tiap mahasiswa. Dari tabel-tabel itu, kemudian dipilih atribut-atribut untuk membuat data warehouse. Atribut yang akan digunakan dipilih berdasarkan ketentuan sebagai berikut :
Prosesor Intel(R) Pentium(R) Dual CPU 1.9 GHz
1 atribut yang dipilih menarik untuk dianalisis
Memori 1536 MB DDR RAM
2 atribut tersebut berkaitan dengan atribut di tabel data yang lain
Harddisk 160 GB Monitor 14.1” dengan resolusi 1024 × 768 Mouse dan Keyboard Perangkat lunak: Sistem Operasi Microsoft Ultimate 32 bit
Windows 7
PostgreSQL 8.4.1 (perangkat lunak bantu untuk pemrosesan data dan pembuatan skema data warehouse) Mondrian Server 3.1.6 (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan kubus data multidimensi) Schema Workbench (tempat pembuatan atau pemodelan struktur kubus data dan proses
3 data yang dianalisis tidak terlalu banyak mengandung nilai null Setelah pemilihan atribut, maka langkah selanjutnya adalah menentukan desain konseptual dengan cara memilih atribut-atribut yang menjadi ukuran (measure) dan non ukuran (non-measure). Hasil analisis data ditentukan tiga tabel fakta (mata kuliah mutu, indeks prestasi, dan sebaran minor) dan tujuh dimensi (Waktu, Angkatan, Minor, Mata Kuliah, Mutu, Status Studi, dan jenis kelamin). Fakta terdiri dari foreign key dari tabel dimensi, ukuran jumlah mahasiswa, rataan IP, rataan IPK, dan sebaran minor. Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang dapat dilihat pada Gambar 2. Skema data multidimensi yang dihasilkan merupakan desain logikal kemudian dihasilkan desain fisik final pada proses integrasi dan reduksi.
iii5
Integrasi dan Reduksi Data Tahap ini diawali dengan melakukan penggabungan atribut-atribut yang menarik dari tabel-tabel yang dianalisis menjadi satu tabel besar untuk dijadikan tabel fakta. Penggabungan yang dilakukan adalah menggabungkan tabel data mami dengan tabel transkrip_mahasiswa. Reduksi data dilakukan dengan membuang atribut-atribut yang tidak terpilih berdasarkan hasil analisis data. Nilai atribut yang redundan dalam tabel-tabel sumber tidak disertakan dalam proses selanjutnya. Proses integrasi dan reduksi data membentuk tabel baru, antara lain tabel tempfakta_mkmutu, tempfaktaindeksprestasi dan tempfakta_minor yang selanjutnya dijadikan tabel fakta sekaligus kubus data. Proses integrasi dan reduksi ini menghasilkan desain fisik final yang dapat dilihat pada Tabel 1, Tabel 2, dan Tabel 3. Setalah proses integrasi dan reduksi selesai selanjutnya mengonversi seluruh data sumber dari format Excel (.xls) menjadi format PostgreSQL (.sql). Tabel 1 Desain Fisik tempfakta_mkmutu hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis kelamin mahasiswa
th_akademik
Tahun akademik semester
kode_mk
Kode mata diambil
Mutu
huruf mutu
dari
kuliah
tiap yang
Tabel 2 Desain Fisik tempfakta_minor hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis mahasiswa
th_akademik
Tahun akademik dari tiap semester
kode_minor
Kode minor dari tiap-tiap departemen
kelamin
Tabel 3 Desain Fisik tempfaktaindeksprestasi hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis mahasiswa
th_akademik
Tahun akademik dari tiap semester
kode_statusstudi
Kode yang menunjukkan status studi mahasiswa berdasarkan IPK yang diperoleh tiap semester
IP
Nilai IP per semester
IPK
Nilai IPK
kelamin
Pembersihan Data Proses pembersihan data dilakukan dengan mengidentifikasi data yang kosong (null) dan tidak konsisten karena proses peng-entri-an data sumber maupun akibat proses integrasi data. Dalam pembersihan data terdapat beberapa nilai yang kosong (null). Perlakuan nilai yang kosong antara lain : atribut minor nilai yang kosong diisi dengan supporting course atribut huruf mutu nilai yang kosong diisi dengan BM atribut kode minor awal (kodeminorawal) nilai yang kosong diisi dengan kode minor yg sedang diambil sesuai dengan nilai dari atribut kodeminor Data yang tidak konsisten pada tabel mami dengan atribut nama mata kuliah (namamk) diupdate dengan menyeragamkan nilai dari atributnya. Beberapa contoh nilai yang tidak konsisten antara lain : Algoritme dan Pemrograman diubah menjadi Algoritma dan Pemrograman Analisis Algoritme diubah menjadi Analisis Algoritma Sistem Pengembangan Berorientasi Obyek diubah dengan Sistem Pengembangan Berorientasi Objek Praktek Lapang diubah menjadi Praktek Kerja Lapangan
iii6
Status Studi
waktu PK
PK
id_waktu
kode_statusstudi KelasIPK statusstudi
thakademik semester Mata Kuliah PK
kode_mk nama_mk kriteria
id_waktu id_jk id_angkatan kode_mk id_mutu jml_mhs
Mutu PK
indeks prestasi
mata kuliah mutu
id_mutu
sebaran minor
id-waktu id_jk id_angkatan kode_statusstudi jml_mhs RataanIP RataanIPK
id_waktu id_jk id_angkatan kode_minor SebaranMinor
mutu Angkatan PK
id_angkatan th_masuk
Jenis Kelamin PK
id_jk jenis_kelamin
Minor PK
kode_minor minor
Gambar 2. Desain Logikal Skema Galaksi dengan Tiga Tabel Fakta Penyeragaman nilai dilakukan dengan mengambil nama mata kuliah yang terdapat pada buku panduan sarjana. 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 penghapusan data yang redundan juga dilakukan. Sebuah data set mungkin meliputi objek data yang merupakan duplikat, atau hampir, dari data yang lain. Banyak orang menerima surat yang sama (duplikat) karena muncul berkali-kali dalam database dengan nama yang agak berbeda. Untuk mendeteksi dan menghilangkan duplikasi data perlu diperhatikan hal-hal berikut : 1. Jika terdapat dua objek yang secara aktual merepresentasikan sebuah objek, maka nilai dari atribut yang terkait dapat berbeda, dan nilai yang tidak konsisten tersebut harus diatasi. 2. Diperlukan langkah yang hati-hati untuk menghindari penggabungan secara tidak sengaja dari data objek yang mirip, tetapi bukan duplikat, misalnya dua orang yang berbeda dengan nama yang identik. 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. Transformasi yang dilakukan antara lain : Mengubah nama atribut dari tabel hasil pembersihan sesuai dengan nama atribut dimensi yang ada pada skema galaksi. Proses transformasi juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada. Atribut id_mhs dari tiap tabel tempfakta digeneralisasi menjadi tahun masuk IPB dengan mengambil lima digit awal, kemudian dari digit tersebut diambil dua digit belakang. Misalnya: id_mhs=‟G64061481‟ „G6406‟ „06‟ sehingga mahasiswa yang memiliki id tersebut masuk pada tahun 2006. 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. Data untuk atribut th_akademik dari tiap tabel tempfakta dikonstruksi menjadi atribut atribut atribut baru dengan nama id_waktu dan mengubah nilainya menjadi tahun akademik dan semester dengan mengambil
iii7
dua digit akhir dari tahun akademik. Semester genap dikodekan dengan angka 0, semester ganjil dikodekan dengan angka 1 dan TPB dikodekan dengan angka 2. Misal : tahun akademik 2007/2008 semester 3 dikodekan menjadi 0708-1. Langkah berikutnya adalah menentukan nilai agregasi atribut-atribut yang menjadi ukuran (measure). Data tabel fakta mata kuliah mutu ditentukan nilai agregasinya untuk mendapatkan ukuran jumlah mahasiswa dengan menghitung banyaknya id_mhs dari mahasiswa dan mengelompokkannya berdasarkan atribut-atribut yang ada. Kemudian membuat atribut baru untuk menampung ukuran jumlah mahasiswa hasil agregasi. Pada data tabel fakta indeks prestasi dilakukan agregasi untuk mendapatkan ukuran jumlah mahasiswa, rataan nilai IP dan IPK. Atribut baru dikonstruksi untuk ukuran jumlah mahasiswa. Pada data tabel fakta persebaran minor dilakukan agregasi untuk mendapatkan ukuran jumlah mahasiswa yang mengambil minor tertentu di IPB.
dan kubus sebaran minor. Kubus data mata kuliah mutu dibuat untuk tabel fakta tempfakta_mkmutu, kubus data indeks prestasi dibuat untuk tabel fakta tempfaktaindeksprestasi, sedangkan kubus data sebaran minor dibuat untuk tabel fakta tempfakta_minor. Nama dan deskripsi dari kubus data dapat dilihat pada Tabel 4, Tabel 5, dan Tabel 6. Tabel 4 Nama dan deskripsi dimensi dari kubus mata kuliah mutu Nama Dimensi Waktu
Tahun akademik semester
Jenis kelamin
Jenis kelamin mahasiswa
Angkatan
Angkatan masuk IPB
Mata Kuliah
Mata kuliah
Mutu
Nilai mutu
Ukuran Matakuliah_Mutu
Nama-nama ukuran (jumlah mahasiswa)
Tahap transformasi terakhir adalah melakukan konstruksi tabel-tabel dimensi. Ketujuh tabel dimensi tersebut dibuat dengan nama dim_waktu, dim_mk, dim_mutu, dim_angkatan, dim_minor, dim_jk dan dim_statusstudi. Tabel dimensi waktu (dim_waktu) dibuat dari generalisasi tahun akademik dan semester. Tabel dimensi Angkatan (dim_angkatan) dibuat dari generalisasi id_mhs, di dalamnya menjelaskan tahun masuk mahasiswa ke IPB. Data warehouse yang sudah selesai dibuat, selanjutnya di-load ke kubus data OLAP server Mondrian. Kemudian, desain konseptual data warehouse dimodelkan dengan menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran. Kubus data yang dibuat yaitu, kubus mata kuliah mutu, kubus indeks prestasi,
dan
Tabel 5 Nama dan deskripsi dimensi dari kubus indeks prestasi Nama Dimensi
Tabel-tabel fakta tersebut adalah tabel tempfakta_mkmutu yang terdiri dari empat dimensi dan satu ukuran, tabel tempfaktaindeksprestasi yang terdiri dari tiga dimensi dan tiga ukuran sedangkan tabel tempfakta_minor terdiri dari tiga dimensi dan satu ukuran.
Deskripsi
Deskripsi
Waktu
Tahun akademik dan semester
Jenis kelamin
Jenis mahasiswa
Angkatan
Angkatan masuk IPB
Status Studi
Status studi mahasiswa
Ukuran IndeksPrestasi
Nama-nama ukuran (jumlah mahasiswa, rataan IP, rataan IPK)
kelamin
Tabel 6 Nama dan deskripsi dimensi dari kubus sebaran minor Nama Dimensi
Deskripsi
Waktu
Tahun akademik semester
dan
Jenis kelamin
Jenis kelamin mahasiswa
Angkatan
Angkatan masuk IPB
Minor
Status studi mahasiswa
Sebaran Minor
jumlah mahasiswa yang mengambil minor tertentu
iii8
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, line plot dan pie chart. Gambaran Umum Aplikasi Arsitektur penelitian ini mengadopsi arsitektur three-tier. Pada lapisan bawah adalah pemrosesan data dan pembuatan skema data warehouse dengan DBMS PostgreSQL 8.4. Pembentukan dan pemuatan kubus data menggunakan Schema Workbench. Di lapisan tengah aplikasi OLAP yang dibuat dengan bahasa pemrograman java berjalan pada web server Apache Tomcat. Pada lapisan ini terdapat OLAP server Mondrian yang menyimpan data dalam kubus data. Web server mengakses kubus data Mondrian Di lapisan atas visualisasi dari aplikasi OLAP dilakukan oleh web browser. Di lapisan ini pengguna dapat melakukan pencarian data, mengevaluasi pola, dan mendapatkan representasi informasi dalam bentuk yang mudah dipahami yaitu crosstab dan grafik. Arsitektur three-tier data warehousing pada penelitian ini dapat dilihat pada Gambar 3.
3. Aplikasi OLAP dirancang agar dapat digunakan untuk bermacam data warehouse, bukan hanya data warehouse data akademik mayor-minor Ilmu Komputer IPB. Untuk menggunakan data warehouse lain, beberapa file konfigurasi harus dikonfigurasi ulang. Terdapat beberapa kekurangan utama pada aplikasi, yaitu: 1. Tidak ada fasilitas untuk memodelkan struktur kubus data dan memuat data baru ke dalam kubus data. 2. Saat ini hanya terbatas pada tujuh dimensi saja. 3. Belum dapat membedakan antara mata kuliah minor dengan supporting course. Eksplorasi dan Presentasi Hasil Ekplorasi data dilakukan dengan menggunakan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Operasi OLAP yang dapat dijalankan dapat dilihat pada tiap kubus yang terbentuk. 1 Kubus Mata Kuliah Mutu Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up, drilldown, dan slice. Operasi roll-up pada kubus ini misalnya dalam mencari pola sebaran perkembangan huruf mutu mata kuliah mayor, interdepartemen, pilihan, dan elektif pada setiap angkatan. Grafik pada Gambar 4 merupakan hasil operasi roll-up dengan peserta mata kuliah mayor, interdepartemen, pilihan, dan elektif.
Kelebihan dan Kekurangan Sistem Aplikasi OLAP yang dibangun memiliki beberapa kelebihan, antara lain: 1. Aplikasi OLAP berbasis web, dapat diterapkan dalam internet atau intranet. Teknologi web ini mengeliminasi kebutuhan akan instalasi paket perangkat lunak pada komputer pengguna. 2. Aplikasi yang dibangun dan perangkat lunak bantu yang digunakan berbasis open source sehingga memudahkan pengembangan aplikasi selanjutnya.
Gambar 4. Grafik operasi roll-up dengan dimensi mata kuliah, mutu, dan angkatan Dari grafik di atas terlihat bahwa secara umum jumlah nilai mahasiswa Ilmu Komputer tiap kriteria (mayor, interdepartemen, elektif, dan supporting course) mengalami penurunan. Namun demikian yang perlu dilihat adalah kriteria interdepartemen karena perbandingan
iii9
jumlah mata kuliah interdepartemen dengan mahasiswa yang mendapat nilai D dan E cukup besar. Perbandingan tersebut dapat dilihat pada tabel 7.
mahasiswa yang mendapat nilai mutu A,B,C,D, dan E pada tiap mata kuliah interdepartemen.
Tabel 7 Perbandingan Jumlah Mahasiswa yang mendapat Nilai D dan E dengan Jumlah Mata Kuliah Interdepartemen Angkatan
Jml
Nilai
Nilai
%
%
mhs
D
E
D
E
2005
520
31
5
0,05
0,0096
2006
545
45
2
0,08
0,0037
2007
536
43
4
0,08
0,0075
2008
363
60
26
0,16
0,07
Keterangan :
Mata kuliah interdepartemen sebanyak enam
Pada angkatan 2008, mata kuliah yang sudah diambil sebanyak empat
Gambar 5. Tabel pivot Jumlah Mahasiswa yang Mendapat Nilai A,B,C,D, dan E pada Mata Kuliah Interdepartemen Dari Gambar 5 di atas dapat dilihat bahwa rata-rata mahasiswa yang mendapat nilai D dan E masih cukup banyak. Hal ini perlu mendapat perhatian khusus dari sisi mahasiswa dan pengajaran yang dilakukan oleh dosen terlebih lagi untuk mata kuliah Aljabar Linier karena mahasiswa yang mendapat nilai E masih tergolong cukup banyak. Jika nilai mata kuliah Aljabar Linier akan dibandingkan pada tiap angkatan maka hasilnya diperoleh dengan operasi slice. Hasil operasi slice dapat dilihat pada Gambar 6.
Gambar 3. Arsitektur data warehousing dan aplikasi OLAP pada penelitian Dari Tabel 7 di atas dapat dilihat bahwa persentase mahasiswa yang mendapat nilai D pada mata kuliah interdepartemen meningkat dari tahun ke tahun. Persentase mahasiswa yang mendapat nilai E menurun pada angkatan 2006 dan meningkat pada angkatan 2007 dan 2008. Jika dilihat nilai tiap mata kuliah interdepartemen tahun 2008 maka menggunakan operasi drill-down. Gambar 6 dalam bentuk tabel pivot menunjukkan jumlah
Dari grafik Gambar 6 di bawah dapat dilihat bahwa jumlah mahasiswa yang mendapat nilai D dan E meningkat cukup signifikan dari tahun 2007 ke tahun 2008
10 iii
Gambar 6. Grafik operasi slice pada nilai mata kuliah Aljabar Linier tiap angkatan 2 Kubus Indeks Prestasi Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up dalam menentukan rataan IPK mahasiswa tiap angkatan. Grafik pada Gambar 7 merupakan hasil operasi roll-up dengan rataan IPK pada tiap angkatan.
Gambar 7. Grafik operasi roll-up pada Rataan IPK tiap angkatan berdasarkan semester yang telah dilalui Grafik di atas menunjukkan rata-rata IPK pada tiap angkatan. Rata-rata IPK tersebut dihitung berdasarkan semester yang telah dilalui. Jika dilakukan operasi drill-down berdasarkan tahun akademik dan jenis kelamin diperoleh grafik pada Gambar 8. Pada umumnya Rata-rata IPK perempuan lebih tinggi daripada laki-laki. Rata-rata IPK baik laki-laki maupun perempuan mengalami fluktuasi naik turun dan tidak stabil.
Gambar 8. Grafik operasi drill-down Rataan IPK berdasarkan jenis kelamin dan tahun akademik Selain operasi roll-up dan drill-down dapat juga dilakukan operasi slice misalnya untuk mengetahui jumlah mahasiswa drop out setiap angkatan berdasarkan jenis kelamin. Gambar 9 merupakan hasil operasi slice jumlah mahasiswa drop out tiap angkatan.
Gambar
9.
Grafik operasi slice jumlah mahasiswa yang drop out tiap angkatan berdasarkan jenis kelamin
Dari grafik di atas dapat dilihat bahwa jumlah mahasiswa yang drop out lebih banyak laki-laki. Pada angkatan 2005 dan 2006 tidak ada mahasiswa yang drop out sehingga tidak ditampilkan dalam grafik. Pada angkatan 2007 terdapat sembilan mahasiswa laki-laki dan satu mahasiswa perempuan yang drop out sedangkan pada tahun 2008 terdapat dua mahasiswa laki-laki dan satu mahasiswa perempuan yang drop out. Persentase mahasiswa drop out pada angkatan 2007 dan 2008 dapat dihitung dengan rumus sebagai berikut
11 iii
% DO 2007 = =
x 100 % x 100%
= 10,31 % % DO 2008 = =
x 100 %
Pada umumnya sebagian besar mahasiswa mengambil minor sesuai dengan yang disarankan. Namun demikian, mahasiswa yang mengambil supporting course juga relatif banyak. Perbandingan lima minor yang banyak diambil mahasiswa dan supporting course dapat dilihat pada Gambar 11 dalam bentuk tabel pivot.
x 100%
= 3,06 % Jika hasil tersebut dibandingkan dengan standar mutu akademik sarjana Institut Pertanian Bogor, maka hasil tersebut belum memuaskan. Penilaian mengenai hal tersebut dikategorikan sangat baik jika Persentase mahasiswa program studi S1 yang drop-out pada angkatan yang sama ≤ 2%.
3 Kubus Sebaran Minor Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up dalam melihat sebaran minor yang diambil oleh mahasiswa Ilmu Komputer dari tiap angkatan. Dari operasi tersebut dilihat lima minor yang paling banyak diambil oleh tiap angkatan pada tiap semester. Grafik lima minor yang paling banyak diambil oleh tiap angkatan dapat dilihat pada Gambar 10.
Gambar 11. Tabel pivot Lima Minor yang paling banyak diambil oleh mahasiswa dan supporting course Dari gambar tersebut dapat dilihat bahwa mahasiswa yang mengambil supporting course juga relatif banyak. Hal tersebut kemungkinan disebabkan karena jadwal kuliah antara minor dengan mayor yang diambil berbenturan sehingga mahasiswa lebih memilih untuk mengambil supporting course daripada minor. Dari tahun ke tahun minor yang paling banyak diambil adalah manajemen fungsional. Hal ini dapat dijadikan rekomendasi kepada Departemen Manajemen untuk mengatur jadwal secara rapi agar tidak berbenturan dengan jadwal mayor Ilmu Komputer. Rekomendasi lain adalah mahasiswa yang mengambil minor Manajemen Fungsional dijadikan satu kelas dan dicari jadwal yang sesuai antara mahasiswa dan dosen pengajar.
KESIMPULAN DAN SARAN Kesimpulan
Gambar 10. Lima Minor yang paling banyak diambil oleh mahasiswa Pada Grafik tersebut terlihat bahwa minor yang paling banyak diambil antara lain Fisika Instrumentasi, Manajemen Fungsional, Riset Operasi, Kewirausahaan Agribisnis, dan Pengembangan Usaha Agribisnis. Minor yang disarankan bagi mahasiswa Ilmu Komputer antara lain Fisika Instrumentasi, Riset Operasi, Manajemen Fungsional, dan Statistika Industri.
Hasil penelitian menyimpulkan bahwa, pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan tiga kubus data, yaitu kubus data mata kuliah mutu, indeks prestasi, dan sebaran minor. Ketiga 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 Mondrian 3.1.6. Selain itu juga dapat dicetak dalam bentuk pdf dan excel. Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up (misalnya mencari pola sebaran perkembangan huruf mutu mata kuliah 12 iii
