MODUL EXTRACT, TRANSFORM, LOAD (ETL) UNTUK DATA WAREHOUSE AKADEMIK DEPARTEMEN ILMU KOMPUTER IPB MENGGUNAKAN KETTLE
NURHASNI FADILAH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Modul Extract, Transform, Load (ETL) untuk Data Warehouse Akademik Departemen Ilmu Komputer IPB Menggunakan Kettle adalah benar karya saya dengan arahan dari dosen pembimbing dan belum diajukan dalam bentuk apapun ke perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2014 Nurhasni Fadilah NIM G64124015
ABSTRAK NURHASNI FADILAH. Modul Extract, Transform, Load (ETL) untuk Data Warehouse Akademik Departemen Ilmu Komputer IPB Menggunakan Kettle. Dibimbing oleh RINA TRISMININGSIH. Proses extraction, transformation, dan loading (ETL) merupakan proses yang memiliki peranan penting untuk menentukan kualitas dari sebuah data warehouse. ETL menjadi penghubung antara sumber data dan data warehouse. Aktivitas proses seperti pembersihan, pengintegrasian dan pemuatan data ke data warehouse dilakukan pada proses ETL. Pembuatan ETL secara manual terbilang tidak efisien, selain karena jumlah data yang akan terus bertambah juga sumber data yang berbeda-beda menjadi masalah tersendiri dalam pengintegrasian data. Dalam penelitian ini dilakukan pembuatan ETL dengan menggunakan perangkat khusus yang diharapkan dapat mempermudah proses ETL dan menghasilkan data yang konsisten. Perangkat ETL yang digunakan adalah Kettle, sedangkan pemodelan data warehouse menggunakan Pentaho Schema Workbench dan hasilnya divisualisasikan dalam OLAP dengan Mondrian untuk menguji proses ETL. Hasil dari penelitian ini berupa data warehouse yang memiliki ETL dinamis dan terintegrasi. Kata Kunci: data warehouse, ETL, kettle, mondrian, pentaho schema workbench
ABSTRACT NURHASNI FADILAH. Extract, Transform, Load (ETL) Module for Academic Data Warehousing at Computer Science Departement of IPB Using Kettle. Supervised by RINA TRISMININGSIH. Extraction, transformation, and loading (ETL) are processes which have important role to determine data warehouse quality. ETL is bridging between data source and data warehouse. Activities such as cleaning, integration, and data loading at data were done in this process. Making ETL manually is inefficient, because data that will grow and data with different sources become problematic in data integration. This research performs ETL using special tools that are expected to simplified the ETL process and consistently of data output. ETL tool which used are Kettle, while designing a data warehouse using Pentaho Schema Workbench and result are visualized in OLAP in Mondrian to test the ETL process. The result in this research is a data warehouse having integrated and dynamic ETL.
Keywords: data warehouse, ETL, kettle, mondrian, pentaho schema workbench
MODUL EXTRACT, TRANSFORM, LOAD (ETL) UNTUK DATA WAREHOUSE AKADEMIK DEPARTEMEN ILMU KOMPUTER IPB MENGGUNAKAN KETTLE
NURHASNI FADILAH
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR BOGOR 2014
Penguji: 1 2
Dr Imas Sukaesih Sitanggang, SSi MKom Hari Agung Adrianto, SKom MSi
Judul Skripsi : Modul Extract, Transform, Load (ETL) untuk Data Warehouse Akademik Departemen Ilmu Komputer IPB Menggunakan Kettle Nama : Nurhasni Fadilah NIM : G64124015
Disetujui oleh
Rina Trisminingsih, SKom MT Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Segala puji bagi Allah atas ketinggian ilmu-Nya, yang dengannya, Allah memudahkan penulis untuk bisa memahami metode dan menerapkannya. Tentunya hal tersebut diiringi dengan usaha yang optimal. Tak lupa shalawat serta salam teruntuk Nabi Muhammad shalallahu’alaihi wa salam, para sahabat, dan keluarganya hingga akhir zaman. Tiada ucapan yang sangat ingin disampaikan selain “Alhamdulillah” dan “terima kasih”. Dua kata tersebut mewakili kebahagiaan atas tercapainya penelitian ini dengan lancar. Meskipun masih terdapat kekurangan, penulis berharap hasil penelitian ini dapat memberikan sumbangsih kepada dunia pengetahuan khususnya dalam bidang Ilmu Komputer dan dapat bermanfaat untuk civitas akademika dalam mengelola data warehouse akademik. Adapun faktor yang sangat berperan terhadap kelancaran penelitian ini adalah bimbingan dari dosen pembimbing dan juga dukungan dari keluarga, maka izinkan penulis untuk menyampaikan terima kasih secara khusus kepada: 1 Ibunda Sumaini dan Ayahanda Hasan Basri serta kakak juga adik yang senantiasa memberikan doa dan dukungan baik moril maupun materiil. 2 Ibu Rina Trisminingsih, SKom MT selaku dosen pembimbing atas bimbingan dan kesabarannya memberi arahan kepada penulis selama masa penelitian. 3 Ibu Eliyawati selaku guru juga teman yang membantu penulis menyadari hakikat kehidupan ini. 4 Departemen Ilmu Komputer IPB yang sudah berkenan memberikan data yang dibutuhkan dalam penelitian. 5 Dosen Universitas Ionnina dari Yunani yaitu Panos Vassiliadis yang memberikan kesempatan kepada penulis untuk mendiskusikan beberapa hal yang kurang dipahami dari prosiding beliau. 6 Teman-teman dari Yayasan Rubi Indonesia yang menghibur penulis dikala jenuh dalam mengerjakan penelitian dengan kegiatan-kegiatan yang luar biasa. 7 Teman-teman dari Program Studi S1 Alih Jenis Ilmu Komputer yang saling menyemangati. Sejatinya, kesuksesan seseorang tidak berasal hanya dari dirinya sendiri tetapi juga karena bantuan, dukungan, doa dan motivasi dari orang-orang di sekelilingnya. Semoga penulis dapat mengamalkan ilmu yang didapat dari universitas untuk menjadi orang yang bermanfaat di kemudian hari.
Bogor, Desember 2014 Nurhasni Fadilah
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
3
Lingkungan Pengembangan
3
Analisis Data
4
Pemodelan ETL
5
Implementasi ETL
7
Perancangan Data Warehouse
8
HASIL DAN PEMBAHASAN Analisis Data
9 9
Pemodelan ETL
12
Implementasi ETL
15
Perancangan Data Warehouse
18
Pengujian
20
SIMPULAN DAN SARAN
23
Simpulan
23
Saran
23
DAFTAR PUSTAKA
23
LAMPIRAN
25
RIWAYAT HIDUP
34
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11 12
Atribut tabel biodata Atribut tabel dosen Atribut tabel bagian Atribut fail prestasi Atribut tabel lokasi Atribut jalur masuk Atribut fail tugas akhir Atribut fail IPK Hasil pemetaan atribut Pencocokan fungsi transformasi Perbandingan data pada pengujian pertama Perbandingan data pada peng kedua
10 10 10 10 10 10 10 10 10 18 22 23
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Diagram alir penelitian Skema galaksi (Han et al. 2011) Notasi pemodelan konseptual ETL (Vassiliadis et al. 2002) Template transformasi (Vassiliadis et al. 2002) Notasi pemodelan logical (Simitsis 2005) Deployment diagram (Lujan-Mora dan Trujilo 2004) Ilustrasi kubus data 3-D (time, item, dan location) dengan measures dollars_sold (Han et al. 2011) Skema galaksi (Fhatiyya 2014) Perbaikan skema galaksi Pemodelan konseptual tabel fakta akademik Pemodelan logical tabel fakta akademik Pemodelan fisik ETL Modul transformation tabel fakta akademik Hasil transformation tabel fakta akademik Rancangan job Skema multidimensi data warehouse akademik Refresh skema Visualisasi OLAP Hasil step metrics untuk tabel fakta akademik Hasil kueri SQL tabel fakta akademik Hasil OLAP tabel fakta akademik Hasil kueri SQL untuk kabupaten Ciamis Hasil OLAP untuk kabupaten Ciamis
3 5 5 6 6 7 8 11 12 13 14 15 16 17 17 19 19 20 21 21 22 22 22
DAFTAR LAMPIRAN 1 Pemodelan konseptual tabel fakta tugas akhir 25 2 Pemodelan konseptual tabel fakta prestasi Error! Bookmark not defined.
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Pemodelan logical tabel fakta tugas akhir Pemodelan logical tabel fakta prestasi Modul transformation tabel fakta tugas akhir Modul transformation tabel fakta prestasi Hasil transformation tabel fakta tugas akhir Hasil transformation tabel fakta prestasi Hasil step metrics tabel fakta tugas akhir Hasil step metrics tabel fakta prestasi Hasil kueri SQL tabel fakta tugas akhir Hasil OLAP tabel fakta tugas akhir Hasil kueri SQL tabel fakta prestasi Hasil OLAP tabel fakta prestasi Hasil kueri SQL untuk kata kunci data warehouse Hasil OLAP untuk kata kunci data warehouse Hasil kueri SQL untuk kategori PKM Hasil OLAP untuk kategori PKM
26 26 26 27 28 28 29 29 30 30 30 31 31 31 32 32
PENDAHULUAN Latar Belakang Proses extraction, transformation, dan loading (ETL) digunakan untuk memindahkan data dari satu atau banyak sumber data ke dalam target sistem untuk disimpan dalam repositori data, data mart, atau data warehouse. Proses extraction adalah tahap pertama dari serangkaian proses ETL, yakni proses memindahkan data yang relevan ke dalam area staging. Proses selanjutnya adalah proses transformation, proses ini disebut sebagai jantungnya ETL. Teknik pengintegrasian, pembersihan, dan pembuangan data dilakukan pada proses ini sehingga proses ini menjadi lebih kompleks. Proses akhir dari ETL adalah proses loading. Proses ini memasukkan data yang terintegrasi, terkonsolidasi, dan bersih di area staging ke dalam data warehouse (Albrecht et al. 2008). Dalam pembuatan data warehouse, ETL memiliki peranan penting yang tidak dapat ditinggalkan karena proses ETL akan menentukan kualitas data warehouse. Data yang salah dan kurang relevan akan membuat keputusan bisnis yang salah. Oleh karena itu, pemodelan proses ETL yang baik dan benar akan meningkatkan kualitas data warehouse. Ada beberapa tugas yang harus dilakukan, yakni mengagregasikan data, mengonversi tipe dan format data ke format yang umum, mengecek primary dan foreign keys untuk menjamin kualitas data, dan memberikan surrogate keys untuk data operasional yang terdapat pada data warehouse, serta memfilter data. Tugas-tugas dalam proses ETL yang begitu kompleks membutuhkan pemodelan untuk membantu pemodelan dan pengaturan proses ETL (Trujilo et al. 2003). Vasiliadis et al. (2002) telah melakukan penelitian dengan membuat pondasi formal untuk merepresentasikan pemodelan konseptual dari sebuah proses ETL. Dalam penelitian tersebut, dihasilkan pemodelan konseptual dengan dilengkapi notasi-notasi grafik yang memudahkan desainer data warehouse untuk membuat dokumentasi proyek data warehouse secara cepat. Selain itu, Simitsis (2005) telah melakukan penelitian untuk pemetaan pemodelan konseptual ke pemodelan logical untuk proses ETL. Penelitian tersebut menghasilkan notasi-notasi grafik yang dapat digunakan dalam membuat pemodelan logical. Lujan-Mora et al. (2004) melakukan penelitian terhadap pemodelan fisik untuk data warehouse menggunakan UML. Penelitian tersebut memberikan tahapan pemodelan yang perlu dibuat dari sumber data sampai OLAP. Pemodelan ETL juga telah dilakukan oleh Indra dan Painem (2012) untuk mengimplementasikan data warehouse yang mampu menyelesaikan pelaporan Evaluasi Program Studi Berdasarkan Evaluasi Diri (EPSBED) menggunakan Kettle dan berhasil membuat laporan EPSBED dengan cepat. Kemudian, Fhatiyya (2014) telah mengembangkan data warehouse dan OLAP untuk memantau akademik dan prestasi mahasiswa Ilmu Komputer IPB. Namun, pada penelitian tersebut proses ETL yang dilakukan masih manual yaitu pemrosesan data masih menggunakan dokumen Microsoft Excel. Hal ini akan menjadi kendala ketika data yang diolah sangat banyak. Penelitian ini menerapkan pemodelan ETL dan mengimplementasikan ETL menggunakan perangkat khusus yaitu Kettle. Selain itu, penelitian ini juga
2 melakukan pemodelan data warehouse menggunakan Pentaho Schema Workbench dan memvisualisasikannya dalam OLAP menggunakan Mondrian. Ketiga perangkat lunak tersebut merupakan open source dari Pentaho Corporation. Penelitian ini mengadopsi skema galaksi yang telah dibuat oleh Fhatiyya (2014). Skema tersebut menjadi acuan dalam pembuatan proses ETL. Hasil dari penelitian ini berupa data warehouse yang memiliki ETL dinamis dan terintegrasi.
Perumusan Masalah Rumusan masalah dalam penelitian ini adalah: 1 Bagaimana menerapkan pemodelan konseptual, logical, dan fisik untuk proses ETL pada data SIMAK IPB dengan mengacu skema multidimensi Fhatiyya (2014)? 2 Bagaimana mengimplementasikan pemodelan ETL menggunakan Kettle? 3 Bagaimana merancang data warehouse? 4 Bagaimana cara menguji proses ETL?
Tujuan Penelitian Adapun tujuan dari penelitian ini adalah: 1 Membuat pemodelan dan mengimplementasikan proses ETL untuk data warehouse akademik. 2 Merancang data warehouse dan membangun aplikasi OLAP untuk menguji ETL.
Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat bagi para stakeholder untuk mendukung pengambilan keputusan di Departemen Ilmu Komputer.
Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah: 1 Penelitian ini menggunakan data dari: o Data akademik Ilmu Komputer IPB dari DIDSI IPB tahun 2006-2013. o Data Indeks Prestasi Mahasiswa (IPK) tahun 2006-2015. o Data jalur masuk tahun 2007-2009. o Data prestasi mahasiswa Ilmu Komputer tahun 2012 dan 2013. o Data tugas akhir mahasiswa tahun 2006-2008. o Data pulau, provinsi, kabupaten di seluruh Indonesia merujuk pada data BPS (Badan Pusat Statistik) tahun 2014. 2 Pembuatan ETL mengadopsi skema galaksi yang telah dibuat Fhatiyya (2014). 3 Data yang diolah hanya data mahasiswa sarjana program reguler dan yang berasal dari Indonesia.
3
METODE Penelitian ini dikembangkan dengan beberapa tahap penelitian, diagram alir penelitian dapat dilihat pada Gambar 1. Mulai Analisis Data Identifikasi fitur dan atribut data
Pemetaan atribut
Pembuatan skema galaksi
Pemodelan ETL Pemodelan Konseptual
Pemodelan Logical
Pemodelan Fisik
Implementasi ETL Perancangan Data Warehouse Implementasi OLAP
Tidak
Pengujian
Sesuai Ya Selesai Gambar 1 Diagram alir penelitian
Lingkungan Pengembangan Penelitian ini diimplementasikan menggunakan spesifikasi perangkat keras dan lunak sebagai berikut:
4 1 Perangkat Keras Spesifikasi perangkat keras yang digunakan adalah: o Intel® Dual Core™ CPU 2.10GHz o Memori 3 GB o Harddisk 160 GB o Keyboard dan mouse o Monitor 2 Perangkat Lunak o Kettle 5.0.1.A o Java Runtime Environment (JRE) 7 o Java Development Kit (JDK) 1.7.0_67 o MySQL 5.5.32 o Microsoft Visio 2007 untuk membuat desain skema data warehouse o Microsoft Word 2007 untuk membuat pemodelan ETL o Pentaho Skema Workbench 3.8 o Pentaho BI Server 4.8
Analisis Data Pada tahap ini data dianalisis dengan 3 tahap, yaitu: 1 Identifikasi fitur dan atribut data Tahapan ini untuk mengidentifikasi data yang terlibat dalam pemodelan ETL dan melakukan pengecekan isi data secara manual untuk mengetahui apakah isi data sudah sesuai atau belum. Isi data dikatakan sesuai apabila data tidak bernilai null, data bersifat tunggal dalam satu baris, dan tidak terdapat kesalahan ejaan. 2 Pemetaan atribut Tahapan ini untuk memetakan atribut pada data operasional ke atribut yang ada pada data warehouse. Hal tersebut guna menghindari konflik nama pada atribut yang biasa terjadi karena menggunakan lebih dari satu sumber data. Konflik atribut dapat mempengaruhi konsistensi data pada saat dilakukan pemuatan ke dalam data warehouse. 3 Pembuatan skema galaksi Sebuah data warehouse dan OLAP bersandar pada model data multidimensi. Model data multidimensi biasanya memiliki sebuah tabel yang menjadi pusat untuk tabel lainnya, tabel ini dinamakan tabel fakta. Pada tabel fakta terdapat numeric measures yang nilainya berasal dari tabel dimensi yang dipilih untuk dianalisis keterhubungannya. Skema yang populer ada 3 jenis, yakni skema star, skema snowflake, dan skema fact constellation (galaksi). Skema galaksi membolehkan tabel dimensi digunakan oleh lebih dari satu tabel fakta. Ilustrasi skema galaksi dapat dilihat pada Gambar 2. Jenis skema ini sangat umum digunakan dalam pembuatan data warehouse, terlebih bila modelnya banyak dan subjeknya saling berhubungan (Han et al. 2011).
5
Gambar 2 Skema galaksi (Han et al. 2011)
Pemodelan ETL Pemodelan ETL terbagi menjadi 3 tahap, yaitu: 1 Pemodelan Konseptual Menurut Vassiliadis et al. (2002), tujuan tahap ini adalah membuat pemodelan konseptual untuk aktivitas yang terjadi pada proses ETL yaitu membuat spesifikasi tingkat tinggi pada entitas yang berorientasi subjek yang digunakan untuk mengambil semantik dari proses ETL. Pemodelan ini direpresentasikan dengan notasi grafik dan metamodel sesuai dengan tujuan penelitian. Notasi-notasi yang digunakan dalam pemodelan konseptual dapat dilihat pada Gambar 3.
Gambar 3 Notasi pemodelan konseptual ETL (Vassiliadis et al. 2002) Keterangan notasi: o Attribute: modul informasi. Aturan atribut sama dengan standar model entity relationship (ER) yaitu berbentuk oval. o Concept: representasi sebuah entitas dalam database atau data warehouse.
6 o Transformation: representasi sebagian atau seluruh dari kode modul yang mengeksekusi tugas tunggal. o ETL Constraints: atribut konsep yang memenuhi banyak syarat. o Note: tags informal yang dibuat desainer data warehouse. o Part of Relationship: konsep dibentuk dari kumpulan atribut. o Candidate relationship: konsep memiliki lebih dari satu sumber data yang dapat dimuat ke target. o Active candidate relationship: candidate relationship yang memiliki kesamaan struktur dan penyaringan semantik. Untuk notasi transformasi terdapat template yang dapat digunakan untuk melengkapi pemodelan konseptual. Template dapat dilihat pada Gambar 4.
Gambar 4 Template transformasi (Vassiliadis et al. 2002) 2
Pemodelan Logical Menurut Simitsis (2005), tujuan pemodelan logical adalah untuk menyingkat aliran data dari aktivitas data warehouse dan penyimpanan data. Notasi grafik pemodelan logical dapat dilihat pada Gambar 5.
Gambar 5 Notasi pemodelan logical (Simitsis 2005) Keterangan notasi: o Attributes: karakteristik nama dan tipe data.
7 o Recordset: karakteristik berdasarkan nama (kumpulan record dalam skema recordset). o Elementary Activites: abstraksi logical untuk sebagian atau seluruh modul kode. o Provider relationship: menghubungkan activities dari atribut dengan recordset. o Part-of relationship: menghubungkan atribut dan parameter ke activities, recordset, atau fungsi. Pemodelan Fisik Menurut Lujan-Mora dan Trujilo (2004), pemodelan fisik untuk proses ETL dapat didefinisikan dengan Integration Transportation Diagram (ITD). ITD adalah struktur fisik dari proses ETL yang digunakan untuk memuat data dari sumber data ke data warehouse. Diagram yang dimaksud adalah deployment diagram. Deployment diagram merupakan sebuah diagram yang menggambarkan konfigurasi waktu dalam memproses elemen dan komponen perangkat lunak, proses dan objek yang dieksekusi. Ilustrasi deployment diagram dapat dilihat pada Gambar 6. 3
Gambar 6 Deployment diagram (Lujan-Mora dan Trujilo 2004)
Implementasi ETL Tahap ketiga dari penelitian ini adalah implementasi ETL. Menurut Caster et al. (2010), terdapat 3 tahap dalam implementasi ETL, yaitu: 1 Ekstraksi Pada tahap ini, ektraksi memproses penyimpanan data yang beragam, kemudian mengekstrak data dari penyimpanan tersebut dan menghasilkan data yang siap digunakan.
8 2
3
Transformasi Tahap transformasi memproses hasil ekstraksi data dengan operasi-operasi transformasi. Beberapa operasi yang dapat dilakukan pada tahapan ini sebagai berikut: o Memindahkan data. o Melakukan validasi data. o Melakukan modifikasi isi atau struktur data. o Mengintegrasikan data dengan data lainnya. o Menghitung nilai pembagian atau agregasi berdasarkan proses data. Loading Tahapan ini adalah tahapan akhir dari implementasi ETL. Pada tahapan ini dilakukan proses pemuatan data ke sistem yang menjadi target. Proses yang terjadi adalah mengelola surrogate keys dan mengelola tabel dimensi.
Perancangan Data Warehouse Perancangan data warehouse merupakan tahapan setelah implementasi ETL. Perancangan ini dilakukan untuk mengubah bentuk data relasional ke data multidimensi. Memetakan seluruh tabel fakta dan dimensi ke kubus-kubus data multidimensi. Sebuah kubus data dapat memodelkan dan menampilkan banyak dimensi. Sebuah kubus di dalam struktur geometri biasanya merepresentasikan data 3-D, namun di dalam data warehouse, kubus dapat merepresentasikan ndimensi (Han et al 2011). Ilustrasi kubus data dapat dilihat pada Gambar 7.
Gambar 7 Ilustrasi kubus data 3-D (time, item, dan location) dengan measures dollars_sold (Han et al. 2011)
9 Pengujian ETL Pada tahap ini, terdapat dua tahap pengujian, yaitu: 1 Pengujian ETL Pengujian ini dilakukan dengan melihat step metrics dari tab hasil eksekusi pada Kettle saat menjalankan modul transformation. Pada step metrics terdapat kolom active yang menjadi acuan untuk menentukan keberhasilan proses ETL. Kolom tersebut memiliki beberapa status, yakni halting, stopped, dan finished. Status halting menandakan pengeksekusian proses terhambat, stopped menandakan proses terhenti karena error, dan finished menandakan proses berhasil dieksekusi. Pengujian data warehouse 2 Tahap pengujian ini adalah menguji data warehouse dari hasil yang divisualisasikan oleh OLAP dengan hasil kueri pada basis data. Kemudian hasil tersebut dibandingkan untuk mengetahui perhitungan keduanya sesuai.
HASIL DAN PEMBAHASAN Analisis Data Data yang digunakan berasal dari 6 sumber data yaitu basis data simak.sql, kumpulan data prestasi.xls, data tugas akhir.xls, kumpulan data index prestasi mahasiswa.xls, data kota/kabupaten.xls, dan data jalur masuk.xls. Identifikasi Fitur dan Atribut Tahap analisis pertama adalah mengidentifikasi fitur dan atribut. Pengidentifikasian ini menggunakan cara manual. Pada basis data ditemukan kesalahan ejaan yakni pada tabel biodata dengan kolom jenis kelamin. Pada umumnya, data jenis kelamin diisikan dengan notasi biner antara 0 atau 1. Namun, sebanyak 60 baris dari 1111 baris data terisi dengan notasi 2. Pada 60 baris tersebut seluruhnya adalah perempuan, sehingga data tersebut perlu diganti dengan notasi yang seharusnya. Pada data kata kunci skripsi terdapat beberapa kesalahan ejaan sehingga perlu dipetakan ke kata yang benar, misalkan: Belief Revison diganti ke Belief Revision. Kemudian, untuk data prestasi, atribut yang dibutuhkan dari data prestasi, yakni kategori, tingkat, bidang. Namun, 3 atribut tersebut tidak ada didalam fail sehingga harus menambahkannya sendiri. Pada data prestasi juga, terdapat merging pada kolom prestasi sehingga perlu diuraikan menjadi baris-baris tunggal. Selain itu, data kota yang terdapat pada tabel biodata, ada beberapa kota yang mengalami perubahan sehingga tidak lagi menjadi kota/kabupaten, seperti Bekasi Barat. Kabupaten Bekasi Barat sudah berubah menjadi kecamatan dan kini termasuk dalam Kabupaten Bekasi berdasarkan data yang didapat dari BPS. Pada data jalur masuk, data yang tersedia hanya dari tahun 2007-2009, sedangkan data biodata dari tahun 2006-2013, sehingga ketika data tersebut di join akan menyebabkan terbuangnya data lebih banyak dari yang terseleksi. Selain 1
10 itu, pada data IPK ada beberapa fail di mana kolom IPK berisi banyak nilai (tidak hanya nilai IPK, tetapi juga predikat). Hal tersebut akan menyulitkan proses pengekstrakan data sehingga perlu dilakukan pemisahan data antara IPK dan predikat. 2
Pemetaan Atribut Tahap analisis selanjutnya dilakukan pemetaan atribut terhadap data yang telah dipilih, yakni menyeleksi dan memetakan nama atribut. Atribut yang terlibat dalam setiap fail dapat dilihat pada Tabel 1-8. Untuk Tabel 1, 2, dan 3 atribut diambil dari basis data akademik. Untuk Tabel 4 atribut diambil dari fail prestasi. Untuk Tabel 5 atribut diambil dari fail kabupaten/kota. Untuk Tabel 6 atribut diambil dari fail jalur masuk. Untuk Tabel 7 atribut diambil dari fail tugas akhir. Untuk Tabel 8 atribut diambil dari fail IPK. Penyeleksian dan pemetaan nama atribut dilakukan untuk menghindari konflik nama pada atribut. Hasil pemetaan atribut dapat dilihat pada Tabel 9. Tabel 1 Atribut tabel biodata No 1 2 3 4
Nama Atribut Nim Tahunmasuk Jeniskelamin Kotaortu
Tabel 5 Atribut tabel lokasi No 1 2 3
Nama Atribut Pulau Provinsi kabupaten/kota Tabel 6 Atribut jalur masuk
Tabel 2 Atribut tabel dosen No 1 2
Nama Atribut Nip Nama
No 1 2
Nama Atribut NRP Jalur
Tabel 7 Atribut fail tugas akhir Tabel 3 Atribut tabel bagian No 1 2
Nama Atribut Kodebagian Namabagian
No 1 2 3
Tabel 4 Atribut fail prestasi No 1 2 3
Nama Atribut Kategori Bidang Tingkat
Nama Atribut kata_kunci sub_lab in_dosen Tabel 8 Atribut fail IPK
No 1 2
Nama Atribut NRP IPK
Tabel 9 Hasil pemetaan atribut Atribut Data Pemetaan Atribut tahunmasuk tahun_masuk jeniskelamin id_jk
Deskripsi Tahun masuk mahasiswa Jenis kelamin mahasiswa
11 Jalur kodebagian sub_lab Namabagian Nip in_dosen Nama kata_kunci Kategori Bidang Tingkat Pulau Provinsi Kabupaten IPK
jalur_masuk id_lab id_lab lab_keilmuan id_dosen_ps id_dosen_ps dosen_ps kata_kunci_skripsi kategori_kompetensi bidang_komp tingkat_kompetensi Pulau Provinsi Kabupaten rataan_ipk
Jalur masuk mahasiswa Kode lab keilmuan Kode lab keilmuan Lab keilmuan Nomor induk pegawai (dosen) Nomor induk pegawai (dosen) Nama dosen Kata kunci skripsi mahasiswa Kategori kompetensi prestasi Bidang kompetensi prestasi Tingkat kompetensi prestasi Nama pulau Nama provinsi Nama kabupaten Rataan ipk mahasiswa
Untuk atribut nim/nrp tidak dilakukan pemetaaan karena atribut tersebut tidak akan dimasukkan ke dalam skema galaksi. Atribut tersebut hanya akan digunakan untuk menggabungkan data yang di dalamnya memiliki atribut nim/nrp. 3
Pembuatan Skema Galaksi Pada tahapan ini dilakukan perbaikan skema multidimensi yang telah dibuat Fhatiyya (2014) dengan menghapus beberapa dimensi, yakni dimensi topik, dimensi nim, dimensi lama studi, dan dimensi IPK. Skema Fhatiyya (2014) dapat dilihat pada Gambar 8. Dimensi yang terhapus dan berubah ditandai dengan kotak warna merah.
Gambar 8 Skema galaksi (Fhatiyya 2014) Penghapusan dimensi topik dikarenakan data yang berkaitan tidak didapatkan dan penghapusan dimensi nim dilakukan karena measures yang ingin dicari adalah jumlah mahasiswa sehingga kurang tepat jika terdapat dimensi nim.
12 Penghapusan dimensi lama studi dikarenakan data lama studi tidak dibutuhkan dalam penelitian ini. Selain itu, dimensi IPK pada skema terdapat dua sehingga perlu dihapus salah satunya. Pada skema juga dilakukan penyatuan beberapa dimensi, yakni dimensi kabupaten, provinsi, dan pulau. Hal tersebut dikarenakan operasi OLAP seperti roll up dapat dilakukan lebih dari 1 kali sehingga akan lebih baik disatukan dalam dimensi yang sama. Untuk dimensi kabupaten, provinsi, dan pulau pada penelitian ini dijadikan satu dimensi, yaitu dimensi lokasi. Untuk data status studi dan rataan IPK tidak terdapat pada 6 sumber data di atas sehingga akan dilakukan generate rows saat implementasi ETL. Setelah dilakukan penghapusan dan perbaikan skema, maka pada skema yang baru terdapat 12 tabel dimensi dengan 3 tabel fakta. Skema perbaikan dapat dilihat pada Gambar 9. kata_kunci_skripsi PK
status_studi
id_kata_kunci PK
lokasi
id_status_studi
kata_kunci id_lab
PK
kabupaten provinsi pulau
lab_keilmuan PK
id_lab
ipk tugas_akhir
PK
lab_keilmuan
PK
id_rataanIPK
id_kata_kunci (FK) id_dosen_ps (FK) id_lab (FK) id_tahun (FK) jml_mhs
dosen_ps id_dosen_ps
id_lokasi
status_studi
rataanIPK id_status_studi
jenis_kelamin
nama_dosen
PK
akademik id_kota (FK) id_jalur_masuk (FK) id_rataanIPK (FK) id_jk (FK) id_tahun (FK) jml_mhs
jalur_masuk PK
id_jalur_masuk jalur_masuk
id_jk jenis_kelamin
tahun_masuk PK
id_tahun tahun_masuk
kategori_kompetensi PK
id_kat_komp kategori_kompetisi
tingkat_kompetensi PK
id_tkt_komp
bidang_kompetensi prestasi id_kat_komp (FK) id_bid_komp (FK) id_tkt_komp (FK) id_tahun (FK) jmlh_mhs
PK
id_bid_komp bidang_komp
tingkat_kompetensi
Gambar 9 Perbaikan skema galaksi
Pemodelan ETL 1
Pemodelan Konseptual Pada tahapan ini, setiap tabel fakta akan dibuatkan model konseptual yang memodelkan hubungan antara entitas, atribut dan transformasi yang terlibat dalam pembuatan data warehouse. Pemodelan konseptual untuk tabel fakta akademik dapat dilihat pada Gambar 10. Dalam pemodelan tersebut melibatkan 3 sumber data yaitu biodata, jalur masuk, dan IPK. Sumber data IPK memerlukan sebuah fungsi union untuk menggabungkan seluruh data IPK dari tahun 2006-2015. Selain itu, data IPK juga membutuhkan fungsi agregasi avg untuk mencari ratarata nilai IPK dan juga fungsi range untuk mendapatkan range IPK.
Gambar 10 Pemodelan konseptual tabel fakta akademik
13
14 Pada data biodata diperlukan fungsi value mapper untuk memetakan nama kota yang sesuai dengan data BPS dan untuk mengubah angka 2 pada kolom jenis kelamin menjadi angka 1. Selain itu, data biodata juga memerlukan fungsi split rows untuk membuang baris yang kosong. Sebuah fungsi lookup dimensions diperlukan oleh seluruh sumber data karena untuk mendapatkan seluruh id dari atribut yang terlibat di dalam pemodelan ini. Pemodelan konseptual untuk tabel fakta tugas akhir dan prestasi dapat dilihat pada Lampiran 1 dan 2. 2
Pemodelan Logical Pada tahapan ini dilakukan pemodelan logical, yakni model yang mengadaptasi fungsi transformasi dari pemodelan konseptual kemudian mengubah notasi transformasi tersebut dengan notasi yang berlaku pada pemodelan logical. Dengan rancangan ini, dapat terlihat dengan jelas semua fungsi transformasi yang dilakukan per tahapan sebelum dimuat ke dalam data warehouse. Pemodelan logical untuk tabel fakta akademik dapat dilihat pada Gambar 11. Pemodelan logical untuk tabel fakta tugas akhir dan prestasi dapat dilihat pada Lampiran 3 dan 4.
Gambar 11 Pemodelan logical tabel fakta akademik Pada pemodelan logical di atas, notasi concept yang terdapat dalam pemodelan konseptual diadaptasi menjadi notasi recordset, sedangkan notasi transformation diadaptasi menjadi notasi activities. 3
Pemodelan Fisik Pada tahapan ini, dilakukan pemodelan fisik pada proses ETL berupa deployment diagram. Pemodelan fisik utuk proses ETL yang terjadi dapat dilihat pada Gambar 12.
15
<<Server>> SIMAK
*
<
> «file» Penelitian Mahasiswa
*
* <<Server DW>> <<Server ETL>>
<> «file» IPK Mahasiswa
*
*
*
*
*
*
SIMAK_SCHEMA_DWH
*
<> «file» Prestasi Mahasiswa
*
<> «file» Mahasiswa TPB
*
Gambar 12 Pemodelan fisik ETL
Implementasi ETL Pada tahapan ini, proses ETL diimplementasikan dengan menggunakan perangkat ETL yaitu Kettle. Dalam Kettle, ETL dapat dibungkus dalam satu transformation dan dapat dijalankan secara bersamaan. Kettle memiliki GUI yaitu Spoon. Pada Spoon inilah, pemodelan modul transformation dan job dilakukan dengan menarik ikon yang diperlukan ke dalam kanvas yang tersedia. Modul transformation yang dihasilkan sebanyak 12 modul untuk tabel dimensi dan 3 modul untuk tabel fakta serta 1 modul job. Modul transformation untuk tabel fakta akademik membentuk 78 buah langkah dari proses ekstrak data sampai pemuatan data ke target. Proses ekstrak memakai 21 fungsi ekstrak data, proses transformasi memakai 56 fungsi transformasi dan proses loading memakai 1 fungsi untuk memuat data ke target. Modul transformation tersebut dapat dilihat pada Gambar 13. Modul transformation untuk tabel fakta tugas akhir dan prestasi dapat dilihat pada Lampiran 5 dan 6. Semua fungsi transformasi utama yang terdapat dalam pemodelan konseptual, telah berhasil diimplementasikan. Meskipun dalam penerapannya ada fungsi transformasi tambahan yang dilakukan sebelum menjalankan fungsi utama. Modul transformation yang berhasil dieksekusi akan menampilkan data dalam bentuk baris dan kolom. Hasil transformation tabel fakta akademik dapat dilihat pada Gambar 14. Hasil transformation tabel fakta tugas akhir dan prestasi dapat dilihat pada Lampiran 7 dan 8.
Gambar 13 Modul transformation tabel fakta akademik
16
17
Gambar 14 Hasil transformation tabel fakta akademik Setelah modul transformation dibuat, maka diperlukan sebuah modul job untuk menjalankan seluruh modul transformation yang ada. Selain itu, modul job digunakan untuk memuat data bila terjadi perubahan pada data sumber, rancangan modul job dapat dilihat pada Gambar 15. Pada rancangan job, apabila transformation berhasil diperbaharui maka dilaporkan sukses melalui ikon success, jika tidak berhasil maka transformation yang gagal akan dilaporkan melalui ikon mail failure.
Gambar 15 Rancangan job
18 Pencocokan fungsi transformasi yang ada pada pemodelan konseptual dengan yang ada pada implementasi ETL untuk tabel fakta akademik dapat dilihat pada Tabel 10. Tabel 10 Pencocokan fungsi transformasi Fungsi Transformasi Pemodelan Konseptual Implementasi ETL (Kettle) (append stream 17) (group by) (number range) (dimension lookup) (split field to rows) (value mapper) (inner join)
Perancangan Data Warehouse Pada tahapan ini dilakukan perancangan untuk data warehouse dengan menggunakan Pentaho Skema Workbench 3.8. Pada pemodelan ini, dilakukan pembuatan kubus data untuk tabel fakta. Pada penelitian ini, terdapat tiga tabel fakta maka kubus yang terbentuk sebanyak tiga, yakni kubus akademik, kubus prestasi, dan kubus tugas akhir. Hasil skema multidimensi dapat dilihat pada Gambar 17. Tabel dimensi tahun dikategorikan sebagai dimension usage karena dimensi tersebut digunakan oleh seluruh tabel fakta. Untuk tabel dimensi yang memiliki relasi dengan tabel dimensi lainnya, yaitu seperti dimensi lab dan dimensi kata kunci skripsi dilakukan pendeskripsian fungsi join dalam perancangan. Hal tersebut dilakukan agar konsistensi data tetap terjaga.
19
Gambar 16 Skema multidimensi data warehouse akademik
Implementasi Data Warehouse Pada tahapan ini rancangan data warehouse di publish ke dalam folder Pentaho BI Server. Setelah itu, dilakukan refresh skema pada Pentaho User Console. Refresh skema dapat dilihat pada Gambar 17.
Gambar 17 Refresh skema Setelah selesai di refresh maka skema dapat divisualisasikan dalam OLAP dengan Mondrian. Hasil OLAP dapat dilihat pada Gambar 18.
20
Gambar 18 Visualisasi OLAP
Pengujian Setelah tahapan implementasi ETL dan pemodelan data warehouse selesai, maka tahap selanjutnya adalah pengujian. Pengujian ini dilakukan dengan 2 tahap yaitu menguji ETL dan menguji data warehouse. 1 Pengujian ETL Pada tahap ini dilakukan pengujian pada ETL untuk seluruh modul transformation tabel fakta. Hasil pengujian ETL untuk tabel fakta akademik dapat dilihat pada Gambar 19. Pada step metrics tersebut, pada bagian kolom active, proses ETL untuk tabel fakta akademik adalah finished atau berhasil dijalankan dengan menghasilkan 169 baris data. Hasil step metrics untuk tabel fakta tugas akhir dan prestasi dapat dilihat pada Lampiran 9 dan 10.
21
Gambar 19 Hasil step metrics untuk tabel fakta akademik Pengujian data warehouse Pada tahap ini dilakukan dua kali perngujian. Pengujian pertama dilakukan dengan membandingkan total jumlah mahasiswa per tabel fakta dan pengujian kedua dilakukan dengan membandingkan jumlah mahasiswa pada level terbawah dari sebuah dimensi. o Pengujian pertama Pengujian untuk tabel fakta akademik dapat dilihat pada Gambar 20 dan Gambar 21. Total jumlah mahasiswa yang dihasilkan dari kueri SQL dan OLAP adalah sesuai yaitu 208 mahasiswa. Total tersebut adalah total jumlah mahasiswa yang terdapat pada tabel fakta akademik. Pengujian untuk tabel fakta tugas akhir dapat dilihat pada Lampiran 11 dan 12. Pengujian untuk tabel fakta prestasi dapat dilihat pada Lampiran 13 dan 14.
2
Gambar 20 Hasil kueri SQL tabel fakta akademik
22
Gambar 21 Hasil OLAP tabel fakta akademik o Pengujian kedua Pengujian kedua untuk tabel fakta akademik dapat dilihat pada Gambar 22 dan Gambar 23 Jumlah mahasiswa dari kabupaten Ciamis yang dihasilkan dari kueri SQL dan OLAP adalah sesuai yaitu 4 mahasiswa. Pengujian kedua untuk tabel fakta tugas akhir dapat dilihat pada Lampiran 15 dan 16. Pengujian kedua untuk tabel fakta prestasi dapat dilihat pada Lampiran 17 dan 18.
Gambar 22 Hasil kueri SQL untuk kabupaten Ciamis
Gambar 23 Hasil OLAP untuk kabupaten Ciamis
Hasil perbandingan data pada pengujian pertama dapat dilihat pada Tabel 11 dan hasil perbandingan data pada pengujian kedua dapat dilihat pada Tabel 12. Tabel 11 Perbandingan data pada pengujian pertama Tabel Fakta Kueri SQL Mondrian Hasil Akademik 208 data 208 data Sesuai Tugas Akhir 197 data 197 data Sesuai Prestasi 86 data 86 data Sesuai
23 Tabel 12 Perbandingan data pada pengujian kedua Tabel Fakta Tabel Dimensi Kueri SQL Mondrian Hasil Akademik Kabupaten Ciamis 4 data 4 data Sesuai Tugas Akhir Kata kunci data warehouse 5 data 5 data Sesuai Prestasi Kategori PKM 49 data 49 data Sesuai
SIMPULAN DAN SARAN Simpulan Penelitian ini berhasil membuat tiga pemodelan ETL yaitu pemodelan konseptual, pemodelan logical, dan pemodelan fisik. Pemodelan ETL tersebut berhasil diimplementasikan dengan Kettle dan menghasilkan 12 jenis transformation untuk tabel dimensi dan 3 transformation untuk tabel fakta serta 1 jenis job sebagai model yang dapat menjalankan seluruh transformation yang ada secara sekuensial. Selain itu, penelitian ini juga berhasil membuat pemodelan data warehouse dengan menghasilkan 3 kubus data multidimensi yaitu kubus akademik, kubus prestasi, dan kubus tugas akhir menggunakan Pentaho Schema Workbench. Kubus data tersebut berhasil divisualisasikan dalam aplikasi OLAP untuk menguji proses ETL. Saran Saran untuk penelitian tentang ETL selanjutnya adalah pemodelan ETL perlu disempurnakan lagi agar tercapai model yang optimal. Data yang berkaitan juga perlu dilengkapi mencakup seluruh mahasiswa yang ada di Departemen Ilmu Komputer, agar ketika digabungkan data yang terbuang tidak terlalu banyak. Selain itu, perlu dibangun sebuah modul program pada sistem informasi akademik yang terhubung dengan tombol start di fail job supaya data dapat terubah dapat diproses oleh ETL secara otomatis.
DAFTAR PUSTAKA Albrecht A, Naumann F. 2008. Managing ETL Processes. VLDB ’08; 24-30 Agustus; Auckland, New Zealand. Auckland (NZ): ACM. Caster C, Bouman R, Dongen JV. 2010. Pentaho Kettle Solutions: Building Open Source ETL Solutions With Pentaho Data Integration. Indianapolis (IN): Wiley. Fhattiya SR. 2014. Pemodelan Data Warehouse dan Aplikasi OLAP untuk Memantau Prestasi Mahasiswa Program Studi Ilmu Komputer IPB [skripsi]. Bogor (ID): Institut Pertanian Bogor.
24 Han J, Kamber M, Pei J. 2011. Data Mining: Concepts and Techniques. 3rd Ed. United Stated of America (USA): Morgan Kaufmann Publisher. Indra, Painem. 2012. Model Extract, Transform, Load (ETL) Pada Data Warehouse Untuk Pelaporan Evaluasi Program Studi Berdasarkan Evaluasi Diri (EPSBED) Menggunakan Model Data Warehouse EPSBED Studi Kasus: Universitas Budi Luhur. 9 (1): 54-60. Kimball R, Ross M. 2013. The Data Warehouse Toolkit: The definitive guide to Dimensional Modelling. Indianapolis (IN): Wiley. Lujan-Mora S, Trujilo J. 2004. Physical Modeling of Data Warehouses using UML. DOLAP 2004; 12-13 November; Washington, DC, USA. Washington (USA): ACM. hlm 48-57. Rahm E, Do HH. 2000. Data Cleaning: Problems and Current Approaches. Jerman (DE): University of Leipzeig. Simitsis A. 2005. Mapping Conceptual to Logical Model for ETL Processes. DOLAP 2005; 4-5 November; Bremen, Jerman. Bremen (DU): ACM. hlm 67-76. Trujilo J, Lujan-Mora S. 2003. UML Based Aproach for Modelling ETL Processes in Data Warehouse. Spain (ES): Universidad de Alicante. Vassiliadis P, Simitsis A, Skiadopoulos S. 2002. Conceptual Modelling for ETL Processes. 5th ACM International Workshop on Data Warehousing and OLAP (DOLAP 2002); 8 November; McLean, Virginia, USA. McLean (USA): ACM. hlm 14-21.
25 Lampiran 1 Pemodelan konseptual tabel fakta tugas akhir
Lampiran 2 Pemodelan konseptual tabel fakta prestasi
26 Lampiran 3 Pemodelan logical tabel fakta tugas akhir
Lampiran 4 Pemodelan logical tabel fakta prestasi
Lampiran 5 Modul transformation tabel fakta tugas akhir
Lampiran 6 Modul transformation tabel fakta prestasi
27
28 Lampiran 7 Hasil transformation tabel fakta tugas akhir
Lampiran 8 Hasil transformation tabel fakta prestasi
29 Lampiran 9 Hasil step metrics tabel fakta tugas akhir
Lampiran 10 Hasil step metrics tabel fakta prestasi
30 Lampiran 11 Hasil kueri SQL tabel fakta tugas akhir
Lampiran 12 Hasil OLAP tabel fakta tugas akhir
Lampiran 13 Hasil kueri SQL tabel fakta prestasi
31 Lampiran 14 Hasil OLAP tabel fakta prestasi
Lampiran 15 Hasil kueri SQL untuk kata kunci data warehouse
Lampiran 16 Hasil OLAP untuk kata kunci data warehouse
32 Lampiran 17 Hasil kueri SQL untuk kategori PKM
Lampiran 18 Hasil OLAP untuk kategori PKM
33
RIWAYAT HIDUP Penulis dilahirkan di Serang pada tanggal 04 Februari 1992 dari Ayah Hasan Basri dan Ibu Sumaini. Penulis adalah putri ketiga dari tujuh bersaudara. Tahun 2009 penulis lulus dari SMA Negeri 4 Bandar Lampung dan pada tahun yang sama penulis diterima di Jurusan Manajemen Informatika Program Diploma Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB. Tahun 2012 penulis lulus dari Diploma IPB dan pada tahun yang sama penulis diterima di Program Alih Jenis S1 Ilmu Komputer IPB melalui tes seleksi masuk. Selama mengikuti perkuliahan, penulis menjadi asisten dosen di Diploma IPB sebagai asisten mata kuliah Aplikasi Komputer, Basis Data, Rekayasa Perangkat Lunak, Pemrograman Berorientasi Objek dan Algoritma Pemrograman. Penulis bersama kolega juga aktif mengajarkan pelajaran dasar sepekan sekali untuk anak-anak tingkat Sekolah Dasar di Malabar, Bogor Tengah. Selain itu, penulis juga aktif dalam kegiatan-kegiatan sosial yang dinaungi oleh Yayasan Rubi Indonesia. Dalam tahap penyelesaian penelitian ini, penulis lulus seleksi dokumen dan menjadi pemakalah dalam Seminar Ilmiah Ilmu Komputer yang diselenggarakan oleh Departemen Ilmu Komputer IPB pada November tahun 2014.
