PEMBUATAN DATA WAREHOUSE POTENSI DESA DI WILAYAH BOGOR MENGGUNAKAN ORACLE DATA WAREHOUSE DINA WISUDAWAN KUSUMANINGTIAS G

PEMBUATAN DATA WAREHOUSE POTENSI DESA DI WILAYAH BOGOR MENGGUNAKAN ORACLE DATA WAREHOUSE

DINA WISUDAWAN KUSUMANINGTIAS G64103018

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007

PEMBUATAN DATA WAREHOUSE POTENSI DESA DI WILAYAH BOGOR MENGGUNAKAN ORACLE DATA WAREHOUSE

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Oleh: DINA WISUDAWAN KUSUMANINGTIAS G64103018

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2007

Demi Masa. Sesungguhnya manusia itu benar-benar berada dalam kerugian, kecuali orang-orang yang beriman dan mengerjakan amal sholeh dan nasehat menasehati supaya mentaati kebenaran dan nasehat menasehati supaya menetapi kesabaran.(Q.S Al ‘Ashr: 1-3) Jadilah ikan di air laut, Meskipun airnya asin, tapi ikannya tidak asin.

Kupersembahkan untuk Bapak, Ibu, Adik-adik serta Kakek dan Nenek tercinta

ABSTRACT

DINA WISUDAWAN KUSUMANINGTIAS. Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor menggunakan Oracle Data Warehouse. Dibimbing oleh HARI AGUNG ADRIANTO dan IMAS S SITANGGANG. Since year 1980, BPS ( Badan Pusat Statistik) performing a census of countryside potency. Target of Census of countryside potency is provide the data to various need specially related to requirement planning regional (spatial) in each area and provide the potency data (circumstance of development and countryside growth). Data of Census of countryside potency cover the social circumstance, economic, facilities, and also potency exist in countryside ( chief of village). Data of countryside Potency progressively increase every year census. The data kept in separate file to every year census. Such data condition cause the difficulty accessed data and analysed. To integrate the data of countryside potency from various year needed data warehouse to facilitate the process analyse and information accessing. This research aim to design and build a multidimensional data model for the countryside potency data region Bogor. Those model will be implemented by making data cube and OLAP (On Line Analitical Processing) on countryside potency data warehouse. This Research scope is limited at countryside potency data which the result of year census 1996, 1999, 2003, and 2006. Making of Scheme of data warehouse use three solution. Those done to find the most effective solution in case regional change of subdistrict in the year 1996, 1999, 2003, and 2006. Finally, this research use solution which is not considering location change prblem. This research yield four dimension ( location dimension, year dimension, settlement dimension, and farm dimension) and four fact table ( resident fact, settlement fact, farm fact, and fact of education facility. Implementation of OLAP operation consist of roll-up, drilldown, slice, dice and pivot. User can see the data warehouse from application which have been made. With this application consumer can see the dimension data and fact at data warehouse, including new data, and see the data warehouse visualizinged in the form of data of tabular and graph (bar graph, line graph, and pie graph). Keyword: data warehouse, OLAP, dimension table, fact table, data cube scheme.

ABSTRAK

DINA WISUDAWAN KUSUMANINGTIAS. Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor menggunakan Oracle Data Warehouse. Dibimbing oleh HARI AGUNG ADRIANTO dan IMAS S SITANGGANG. Sejak tahun 1980, BPS (Badan Pusat Statistik) mengadakan sensus potensi desa. Tujuan sensus potensi desa menyediakan data untuk berbagai keperluan khususnya yang berkaitan dengan kebutuhan perencanaan regional (spasial) di setiap daerah dan menyediakan data potensi (keadaan pembangunan dan perkembangan desa). Data sensus potensi desa meliputi keadaan sosial, ekonomi, sarana dan prasarana, serta potensi yang ada di desa (kelurahan). Data potensi desa semakin bertambah setiap tahun sensus. Data tersebut disimpan dalam file terpisah untuk setiap tahun sensus. Kondisi data yang demikian menyebabkan data sulit diakses dan dianalisis. Untuk mengintegrasikan data potensi desa dari berbagai tahun diperlukan data warehouse untuk memudahkan proses analisis dan pengaksesan informasi. Penelitian ini bertujuan untuk merancang dan membangun suatu model data multidimensi untuk data potensi desa di wilayah Bogor. Model data tersebut akan diimplementasikan dalam pembuatan kubus data dan OLAP (On Line Analitical Processing) pada data warehouse potensi desa. Ruang lingkup penelitian ini dibatasi pada data potensi desa hasil sensus tahun 1996, 1999, 2003, dan 2006. Pembuatan skema data warehouse menggunakan tiga solusi. Hal ini dilakukan untuk menemukan solusi yang paling efektif dalam kasus potensi desa di wilayah Bogor yang mengalami perubahan wilayah kecamatan pada tahun 1996, 1999, 2003, dan 2006. Solusi yang digunakan dalam penelitian ini adalah solusi yang tidak mempertimbangkan aspek perubahan wilayah. Penelitian ini menghasilkan empat dimensi (dimensi lokasi, dimensi tahun, dimensi pemukiman, dan dimensi lahan) dan empat tabel fakta (fakta penduduk, fakta pemukiman, fakta lahan, dan fakta sarana pendidikan). Operasi OLAP yang diimplementasikan adalah operasi roll-up, drill-down, slice, dan dice. Pengguna dapat melihat data warehouse dari aplikasi OLAP yang telah dibuat. Dengan aplikasi ini pengguna dapat melihat data dimensi dan fakta pada data warehouse, memasukkan data baru, dan melihat data warehouse yang divisualisasikan dalam bentuk data tabular dan grafik (diagram batang, diagram garis, dam grafik pie). Kata kunci: data warehouse, OLAP, dimension table, fact table, data cube schema.

Judul Nama NRP

: Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor menggunakan Oracle Data Warehouse : Dina Wisudawan Kusumaningtias : G64103018

Menyetujui:

Pembimbing II,

Pembimbing I,

Hari Agung Adrianto, S.Kom., M.Si. NIP 132311918

Imas S. Sitanggang, S.Si., M.Kom. NIP 132206235

Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Prof. Dr. Ir. Yonny Koesmaryono, M.S. NIP 131473999

Tanggal lulus:

RIWAYAT HIDUP

Penulis dilahirkan di Purworejo pada tanggal 24 Maret 1985 dari Ayah Drs. Sukirno dan Ibu Isni Winarsih, S.Pd. Penulis merupakan anak pertama dari tiga bersaudara. Tahun 2003 penulis lulus dari SMU Negeri 1 Purworejo dan pada tahun yang sama diterima di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Petanian Bogor melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2006 Penulis melaksanakan praktek lapangan di PT Infomedia Nusantara (Yellow Pages) selama kurang lebih 2 bulan. Selama perkuliahan, penulis pernah menjabat sebagai Ketua Departemen Fund Development Himpunan Mahasiswa Ilmu Komputer (FD HIMALKOM) pada tahun 2004-2005.

1

PRAKATA

Ahamdulillahi robbil’alamiin. Puji syukur kehadirat Allah SWT atas limpahan rahmat, karunia, hidayah, dan inayah-Nya sehingga skripsi dengan judul Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor menggunakan Oracle Data Warehouse dapat diselesaikan. Shalawat serta salam juga Penulis sampaikan kepada junjungan kita Nabi Muhammad Shallalahu‘alaihi wasallam beserta seluruh sahabat dan umatnya hingga akhir zaman. Penulis menyampaikan terima kasih kepada semua pihak yang telah membantu dalam penulisan skripsi ini khususnya kepada Bapak Hari Agung, S.Kom., M.Si selaku pembimbing I dan Ibu Imas S Sitanggang, S.Si., M.Kom selaku pembimbing II yang telah membimbing dengan penuh ketekunan dan kesabaran hingga selesainya penulisan skripsi ini, serta Bapak Firman Ardiansyah, S.Kom., M.Si yang telah bersedia menjadi penguji sidang. Selanjutnya, penulis juga ingin mengucapkan terima kasih kepada: 1

Bapak dan Ibu serta adik-adik tercinta (Pramudya Pamungkas dan Dwijayanti Setiarini) yang senantiasa memberikan dukungan moral, spiritual, dan dukungan doa kepada penulis.

2

Bapak Muhammad Ikhsan dan keluarga yang telah memberikan banyak nasehat dan mengarahkan penulis dalam memperbaiki hidup serta memberikan bimbingan spiritual.

3

Bulik In dan Om Sukiman sekeluarga yang sudah menjadi keluarga kedua selama di Bogor dan senantiasa memberi dukungan moral.

4

Meynar yang selalu memberi dukungan untuk terus maju. Vita dengan keceriaan dan ceritacerita anehnya. Nanik yang banyak membagi pengalaman yang berharga. Teh Arum yang selalu lemah lembut menghadapiku dengan keluh kesahku.

5

Anti teman seperjuangan sekaligus teman berbagi selama penelitian. Yustin yang selalu memberi dorongan dan dukungan. Galan terima kasih atas bantuan dan doanya. Kak Ifnu dan Kak Hendra yang telah membantu penulis belajar oracle. Nacha, Ghofar, Atik, Aristi, Yulia, Ratih, Sofi, Thessi, dan teman-teman seperjuangan Ilkom 40 terima kasih atas kebersamaannya selama perkuliahan di Ilkom.

6

Mbak Yani sebagai kakak di Delonix yang selalu menemani dan memberi dukungan, terima kasih juga untuk Ilum yang suka ”rekaman” menghibur saat stress, Mba Oni atas bantuannya, Tyas, Yana, Dede, Mba Urip, Mba Erna, teman-teman RZ, teman-teman Delonix Ceria, dan teman-teman Gamapuri 40 yang senantiasa memberikan keceriaan dan kegembiraan.

7

Seluruh staf pengajar atas ilmu dan wawasan yang telah diberikan, seluruh staf administrasi Departemen Ilmu Komputer atas bantuannya, dan semua pihak yang tidak dapat disebutkan satu per satu.

Penulis menyadari bahwa masih banyak kekurangan dalam penelitian ini. Oleh karena itu, kritik dan saran sangat Penulis harapkan untuk perbaikan di masa mendatang. Semoga skripsi ini dapat bermanfaat bagi semua pihak. Amin.

Bogor, Agustus 2007

Dina Wisudawan K

vii

DAFTAR ISI Halaman DAFTAR TABEL..........................................................................................................................viii DAFTAR GAMBAR .....................................................................................................................viii DAFTAR LAMPIRAN..................................................................................................................viii PENDAHULUAN ............................................................................................................................1 Latar Belakang ..............................................................................................................................1 Tujuan ...........................................................................................................................................1 Ruang Lingkup..............................................................................................................................1 Manfaat .........................................................................................................................................1 TINJAUAN PUSTAKA ...................................................................................................................1 Potensi Desa (Podes).....................................................................................................................1 Data warehouse ............................................................................................................................1 Model Data Multidimensi .............................................................................................................2 Kubus Data: Komputasi Kuantitas Agregat ..................................................................................3 Online Analytical Processing ( OLAP).........................................................................................4 Data Praproses ..............................................................................................................................5 Arsitektur Data Warehouse...........................................................................................................5 Operasi-Operasi Pada Data Multidimensi.....................................................................................5 Oracle Data Warehouse ................................................................................................................6 METODE PENELITIAN..................................................................................................................6 Analisis Aliran Data......................................................................................................................6 Perancangan dan Pembuatan Data Warehouse .............................................................................7 Pengembangan OLAP...................................................................................................................7 HASIL DAN PEMBAHASAN.........................................................................................................8 Analisis Aliran Data......................................................................................................................8 Perancangan dan Pembuatan Data Warehouse .............................................................................9 Pengembangan OLAP (On Line Analytical Processing) ............................................................12 KESIMPULAN DAN SARAN.......................................................................................................13 Kesimpulan .................................................................................................................................13 Saran ...........................................................................................................................................14 DAFTAR PUSTAKA .....................................................................................................................14 LAMPIRAN....................................................................................................................................15

viii

DAFTAR TABEL Halaman 1 Total hasil penjumlahan semua lokasi untuk waktu dan produk tertentu.....................................3 2 Marginal total dari Tabel 1............................................................................................................3 3 Atribut hasil ekstraksi data dan deskripsinya ................................................................................8 4 Atribut yang mengalami transformasi pada data potensi desa (podes) .........................................9 5 Dimensi pada solusi 1 .................................................................................................................10 6 Fakta pada solusi 1......................................................................................................................10 7 Dimensi yang digunakan pada solusi 2 .......................................................................................10

DAFTAR GAMBAR Halaman 1 Skema bintang (Elmasri & Navathe 2000)....................................................................................2 2 Skema snowflake (Elmasri & Navathe 2000)................................................................................3 3 Skema galaksi (Elmasri & Navathe 2000) ....................................................................................3 4 Arsitektur tiga tingkat data warehouse (Han & Kamber 2006). ...................................................5 5 Ilustrasi untuk operasi-operasi pada data multidimensi. .............................................................6

DAFTAR LAMPIRAN Halaman 1 Daftar kecamatan yang mengalami pemecahan dan perubahan wilayah ....................................16 2 Skema kubus data untuk solusi 1 ................................................................................................17 3 Daftar tabel fakta yang digunakan pada solusi 2.........................................................................18 4 Skema kubus data yang digunakan pada solusi 2........................................................................19 5 Operasi roll up untuk mengetahu jumlah penduduk tiap kecamatan di kabupaten Bogor .........20 6 Drill down untuk mengetahui jumlah SD di masing-masing kecamatan ....................................21 7 Pivot pada dimensi lahan dengan dimensi lokasi.......................................................................22 8 Contoh operasi slice untuk mengetahui jumlah keluarga tahun 2003 di Kabupaten Bogor........23 9 Contoh operasi dice untuk mengetahui jumlah keluarga di Kecamatan Nanggung dan Megamendung .............................................................................................................................24 10 Jumlah penduduk kecamatan Ciawi, Cisarua, dan Megamendung divisualisasikan menggunakan diagram batang dan diagram garis ...............................................................................................25 11 Persentase jumlah penduduk pria dan jumlah penduduk wanita pada tahun 2006 di Kabupaten Bogor divisualisasikan menggunakan grafik pie.........................................................................26 12 Hasil uji fungsi melihat data pada data warehouse....................................................................27 13 Hasil uji fungsi menampilkan data pada kubus data ...................................................................28 14 Hasil uji fungsi melakukan operasi OLAP.................................................................................29 15 Hasil uji fungsi visualisasi data dalam bentuk diagram batang, diagram garis, dan grafik pie ...30

1

PENDAHULUAN Latar Belakang Kemajuan teknologi komputer semakin memudahkan proses penyimpanan dan pengolahan data berukuran besar. Namun demikian, seringkali data yang sudah tersimpan belum dimanfaatkan secara maksimal menjadi suatu informasi dan pengetahuan yang penting di kemudian hari. Pemakaian sumber informasi yang terkandung dalam basis data sangat berperan dalam proses permintaan dan pelayanan query. Terkadang proses query tersebut melibatkan sumber informasi yang besar sehingga diperlukan peningkatan kinerja query untuk mempercepat akses informasi. Data warehouse dan On-Line Analytical Processing (OLAP) merupakan elemen penting dalam mendukung proses pengambilan keputusan. Badan Pusat Statistik (BPS) secara teratur melakukan pengumpulan data untuk memantau kondisi penduduk dan sosial ekonomi Indonesia, misalnya melalui Survei Potensi Desa (Podes). Podes merupakan data yang berhubungan dengan wilayah (tata ruang) dengan basis desa/kelurahan. Podes pertama kali dilakukan pada tahun 1980 bersamaan dengan Sensus Penduduk 1980. Data Podes terdiri dari 257 item untuk seluruh desa di Indonesia. Data podes memiliki volume yang besar sehingga perlu disimpan dalam sebuah repositori yang solid, yaitu data warehouse. Data warehouse dapat digunakan untuk menyimpan dan mengolah data multidimensi agar dapat mendukung keputusan yang lebih cepat dan lebih tepat. Tujuan

jumlah keluarga, dan jumlah rumah. Data diambil dari hasil sensus potensi desa yang dilakukan BPS tahun 1996, 1999, 2003, dan 2006. Manfaat Manfaat penelitian ini adalah tersedianya data dan informasi mengenai potensi desa yang dapat diakses secara cepat dan akurat. Dengan demikian, diharapkan data dan informasi tersebut dapat digunakan oleh pihak-pihak terkait (BPS dan Pemerintah) dalam mendukung proses pengambilan keputusan.

TINJAUAN PUSTAKA Potensi Desa (Podes) Potensi desa (podes) adalah kemampuan atau daya/kekuatan yang memiliki kemungkinan untuk dikembangkan dalam wilayah otonomi desa. Data potensi desa merupakan data yang berurusan dengan wilayah/tata ruang dengan basis desa/ kelurahan. Sensus podes dilakukan setiap tiga tahun. Tujuan diadakannya PODES antara lain (www.bps.go.id/podes2006): • Tersedianya data yang potensi/keadaan pembangunan di desa/ dan perkembangannya meliputi keadaan sosial, ekonomi, sarana dan prasarana, serta potensi yang ada di desa/kelurahan. • Menyediakan data untuk berbagai keperluan khususnya yang berkaitan dengan kebutuhan perencanaan regional (spasial) di setiap daerah. penyusunan kerangka • Melengkapi sampling (sampling frame) untuk kegiatan statistik lebih lanjut.

Penelitian ini bertujuan untuk merancang dan membangun suatu model basis data multidimensi untuk data potensi desa wilayah Bogor. Model data tersebut akan diimplementasikan dalam pembuatan kubus data dan OLAP (On Line Analitical Processing) pada data warehouse potensi desa.

• Menyediakan informasi bagi keperluan penentuan klasifikasi/updating desa urban dan rural, desa tertinggal dan tidak tertinggal.

Ruang Lingkup

Data Warehouse Secara umum, data warehouse merujuk pada tempat penyimpanan data yang dikelola secara terpisah dari basis data-basis data operasional yang dimiliki sebuah

Penelitian ini akan dibatasi pada pembuatan data warehouse potensi desa wilayah Bogor dengan subjek utama luas lahan, jumlah penduduk, jumlah sekolah,

• Menyediakan data pokok bagi penyusunan statistik wilayah kecil (small area statistics).

2

instansi. Data warehouse seringkali dibangun dari berbagai basis data yang diintegrasikan dengan berbagai sistem aplikasi untuk mendukung proses pengambilan keputusan dan analisis data dengan menyediakan platform yang solid untuk data historikal dan gabungan (consolidated). Definisi dari data warehouse telah dinyatakan oleh Bill Inmon pada tahun 1980an, yaitu koleksi data yang bersifat subject-oriented, integrated, time variant, dan non-volatile, yang digunakan dalam pembuatan keputusan strategis (Imhoff et. al. 2003). Istilah data warehousing merujuk ke proses konstruksi dan pengunaan data warehouse (Tam 1998). Konstruksi data warehouse memerlukan tahapan data integration, data cleaning, dan data consolidation. Hal ini dikarenakan basis data diintegrasikan dari sumber data yang heterogen. Sumber-sumber data tersebut mungkin mengandung data dengan kualitas yang beragam atau memiliki representasi format data yang tidak konsisten. Model Data Multidimensi Model data multidimensi adalah model data yang digunakan pada data warehouse. Model data multidimensi terdiri dari dua data, yaitu (Mallach 2000): • Data dimensi (dimension data) Data dimensi adalah entitas yang ingin disimpan oleh perusahaan (organisasi). Data dimensi akan berubah jika analisis kebutuhan pengguna berubah. Data dimensi mendefinisikan label yang membentuk isi laporan. Setiap dimensi diulang untuk setiap kelompok. Atribut data dimensi diletakkan pada tabel dimensi. Tabel dimensi berukuran lebih kecil daripada tabel fakta, berisi data bukan numerik yang berasosiasi dengan atribut dimensi. • Data fakta (fact data) Data fakta adalah data utama dari data multidimensi yang merupakan kuantitas yang ingin diketahui dengan menganalisis hubungan antardimensi. Data fakta diekstrak dari berbagai sumber. Data fakta cenderung stabil dan tidak berubah seiring waktu. Atribut data fakta diletakkan pada tabel fakta. Tabel fakta berukuran besar, memiliki jumlah baris sesuai dengan jumlah kombinasi

nilai dimensi yang mungkin dan jumlah kolom sesuai dengan jumlah dimensi yang direpresentasikan. Tabel fakta berisi nama-nama fakta, ukuran, dan foreign key dari tabel dimensi yang berhubungan. Model data multidimensi menampilkan data dalam bentuk kubus data. Kubus data memungkinkan data dimodelkan dan ditampilkan dalam banyak dimensi. Kubus data disebut juga cuboid. Pola-pola cuboid dapat dibuat apabila diberikan satu kumpulan dimensi. Masing-masing pola menampilkan data pada tingkat kesimpulan yang berbeda-beda (Han & Kamber 2006). Untuk menggambarkan hubungan antardata pada data multidimensi digunakan skema multidimensi. Skema adalah sekumpulan objek dalam basis data. Pada data warehouse, skema merupakan sekumpulan tabel yang berhubungan. Skema digunakan untuk menunjukkan hubungan antara tabel dimensi dengan tabel fakta. Skema ditentukan berdasarkan kebutuhan data warehouse dan keinginan pembuat data warehouse. Data warehouse membutuhkan skema yang ringkas dan berorientasi subjek. Tipe-tipe skema multidimensi antara lain (Han & Kamber 2006): • Skema bintang (star schema) Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabeltabel dimensi. Bentuk skema bintang dapat dilihat pada Gambar 1. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat.

Gambar 1 Skema bintang (Elmasri & Navathe 2000)

3

Skema snowflake adalah variasi dari skema bintang dimana beberapa tabel dimensi dinormalisasi, jadi dihasilkan beberapa tabel tambahan. Bentuk skema snowflake dapat dilihat pada Gambar 2. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memori, tapi waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama.

Gambar 2 Skema snowflake (Elmasri & Navathe 2000) • Skema galaksi (fact constellation) Pada skema galaksi, beberapa tabel fakta berbagi tabel dimensi. Bentuk skema galaksi dapat dilihat pada Gambar 3. Keuntungan menggunakan skema ini adalah menghemat memori dan mengurangi kesalahan yang mungkin terjadi.

untuk setiap tabel-tabel dimensi berelasi berada dalam tabel fakta.

yang

Motivasi utama untuk menentukan data multidimensi adalah pentingnya membuat agregasi data dalam berbagai cara. Measure pada kubus data adalah fungsi numerik yang dievaluasi pada tiap titik di dalam ruang kubus data (Han & Kamber 2006). Dalam contoh penjualan, kita dapat menemukan pendapatan penjualan total untuk tahun tertentu dan untuk produk tertentu, atau mungkin ingin dilihat pendapatan penjualan tahunan untuk setiap lokasi untuk semua produk. Perhitungan agregasi total melibatkan penetapan nilai tertentu untuk beberapa atribut yang digunakan sebagai dimensi dan menjumlahkan semua nilai yang mungkin untuk atribut-atribut yang membentuk dimensi-dimensi sisanya. Tabel 1 menunjukkan total yang dihasilkan dari semua lokasi untuk waktu tertentu dan Tabel 2 menunjukkan marginal total dari Tabel 1. Tabel 1 Total hasil penjumlahan semua lokasi untuk waktu dan produk tertentu Tahun Jan 1, Jan 2, .. Dec 2004 2004 31, 2004 1 1,001 987 .. 891 .. … … … … Product ID

• Skema snowflake (snowflake schema)

27 …

10,265 …

10,225 …

..

9,325 …

Tabel 2 Marginal total dari Tabel 1.

Kubus Data: Komputasi Kuantitas Agregat Kubus data didefinisikan oleh dimensi dan fakta. Dimensi berisi perspektif atau entitas-entitas dimana organisasi menyimpan record data, sedangkan fakta mengandung ukuran-ukuran data dan relasi antardimensi akan dianalisis. Setiap dimensi dapat memiliki sebuah tabel dimensi yang menjelaskan lebih jauh dimensi-dimensi, sedangkan informasi tentang fakta seperti nama-nama fakta, ukuran-ukuran serta kunci

Product ID

1

Gambar 3 Skema galaksi (Elmasri & Navathe 2000)

… 27 … Total

Jan 1, 2004 1, 001 …

Jan 2, 2004 987

..

..

Dec 31, 2004 891

…

..

…

10, 265 … 527, 362

10, 225 … 532,. 953

.. ..

9, 325 … 631, 221

Total

370, 000 … 3,800, 020 … 227, 352, 127

Jika terdapat 365 hari dalam satu tahun dan 1000 produk, maka Tabel 1 memiliki entri sebanyak 365,000 (nilai total), untuk setiap pasangan data produk. Dapat juga ditentukan lokasi toko dan tanggal serta menjumlahkan nilai pada semua produk atau

4

menentukan lokasi dan produk serta menjumlahkan nilai pada seluruh tanggal. Tabel 2 menunjukkan marginal total dari Tabel 1. Nilai-nilai total ini dihasilkan dari penjumlahan pada tanggal dan produk. Dalam Tabel 3, pendapatan penjualan total untuk produk 1, yang diperoleh dengan menjumlahkan seluruh nilai pada baris 1 (seluruh tanggal), adalah 370,000. Pendapatan penjualan total pada 1 Januari 2004, yang diperoleh dengan menjumlahkan seluruh nilai pada kolom 1 (seluruh produk), adalah 527,362. Pendapatan penjualan total, yang diperoleh dengan menjumlahkan semua baris dan semua kolom (semua tanggal dan produk) adalah 227, 352, 127. Hal yang penting dalam contoh ini adalah bahwa terdapat sejumlah total (agregat) yang berbeda yang dapat dihitung untuk sebuah array multidimensi, tergantung kepada berapa banyak atribut yang kita jumlahkan. Diasumsikan bahwa terdapat n dimensi dan bahwa dimensi (atribut) ke-i memiliki si nilai yang mungkin. Terdapat n cara yang berbeda untuk menjumlahkan hanya pada sebuah atribut. Jika kita menjumlahkan pada dimensi j, maka diperoleh s1*...* sj-1*sj+1*...* sn total, masing-masing untuk setiap kombinasi nilai atribut yang mungkin dari n−1 atribut (dimensi) lainnya. Total yang dihasilkan dari penjumlahan satu atribut dari array multidimensi dengan n−1 dimensi dan terdapat n array dari total. Dalam contoh penjualan, terdapat tiga himpunan total yang dihasilkan dari pejumlahan hanya pada satu atribut dan masing-masing total dapat ditampilkan sebagai tabel dua dimensi. Jika kita menjumlahkan nilai atribut pada dua dimensi (mungkin dimulai dengan salah satu dari array total yang diperoleh dengan penjumlahan pada satu dimensi), maka kita akan memperoleh sebuah array multidimensi total dengan n−2 dimensi. Terdapat ⎛⎜ n ⎞⎟ array yang berbeda untuk ⎜2⎟ ⎝ ⎠

total. Untuk contoh penjualan, terdapat ⎛3⎞ array total yang dihasilkan dari ⎜ ⎟=3 ⎜2⎟ ⎝ ⎠

penjumlahan pada lokasi dan produk, lokasi dan waktu, atau produk dan waktu. Secara umum, penjumlahan pada k dimensi menghasilkan ⎛⎜ n ⎞⎟ array total, masing⎜k⎟ ⎝ ⎠

masing dengan n−k dimensi.

Representasi data multidimensi, bersama dengan semua total (agregat) yang mungkin, dikenal sebagai kubus data. Selain nama, ukuran dari setiap dimensi, yaitu banyaknya nilai atribut, tidak harus sama. Di samping itu, sebuah kubus data dapat memiliki dimensi kurang atau lebih dari tiga. Online Analytical Processing ( OLAP) Sistem data warehouse digunakan untuk analisis data dan pembuatan keputusan. Sistem ini dikenal sebagai on-line analytical processing (OLAP) system. Sistem OLAP dapat mengorganisasikan dan mempresentasikan data dalam beragam format agar dapat mengakomodasi kebutuhan pengguna yang beragam. Online Analytical Processing (OLAP) adalah proses komputer yang memungkinkan pengguna dapat dengan mudah dan selektif memilih dan melihat data dari sudut pandang yang berbeda (Han & Kamber 2006). Data pada OLAP disimpan dalam basis data multidimensi. Jika basis data relasional terdiri atas dua dimensi, maka basis data multidimensi terdiri atas banyak dimensi yang dapat dipisahkan oleh OLAP menjadi beberapa sub atribut. OLAP dapat digunakan untuk menemukan hubungan antara suatu item yang belum ditemukan. Berdasarkan struktur basis datanya, OLAP dibedakan menjadi tiga kategori utama (Han & Kamber 2006): 1 Multidimensional Online Analytical Processing (MOLAP) adalah OLAP yang secara langsung mengarah pada basis data multidimensi. MOLAP memproses data yang telah disimpan dalam array multidimensional dimana semua kombinasi data yang mungkin dicerminkan, masing-masing di dalam suatu sel yang dapat diakses secara langsung. 2 Relational Online Analytical Processing (ROLAP) adalah OLAP yang melakukan analisis data secara dinamis yang disimpan dalam basis data relasional bukan pada basis data multidimensi. ROLAP merupakan bentuk teknologi dari OLAP yang paling berkembang. 3 Hybrid Online Analytical Processing (HOLAP) merupakan kombinasi antara ROLAP dengan MOLAP. HOLAP dikembangkan untuk mengkombinasikan

5

antara kapasitas data pada ROLAP yang besar dengan kemampuan proses pada MOLAP. Data Praproses Data praproses adalah proses yang harus dilakukan sebelum membuat data warehouse. Proses-proses tersebut adalah (Han & Kamber 2006): 1 Ekstraksi (extraction) Ekstraksi adalah pengambilan data yang relevan dari basis data operasional sebelum masuk ke data warehouse. Pada ekstraksi, atribut-atribut dan recordrecord yang diinginkan dipilih dan diambil dari basis data operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam pembuatan keputusan. 2 Pembersihan (cleaning)

Arsitektur Data Warehouse Salah satu arsitektur data warehouse adalah arsitektur tiga tingkat seperti pada Gambar 4 (Han & Kamber 2006), yaitu: 1 Tingkat paling bawah merupakan server basis data warehouse yang seringkali berupa sistem basis data relasional. Pada awal proses data diekstrak dan ditransformasi agar siap dimasukkan ke data warehouse. Setelah data siap, maka dilakukan perancangan data warehousenya. 2 Tingkat tengah adalah server OLAP yang diimplementasikan menggunakan sebuah OLAP multidimensi (MOLAP) atau OLAP relasional (ROLAP). 3 Tingkat paling atas adalah tingkat pengguna. Pada tingkat ini dibuat suatu analysis tools, reporting tools, atau data mining tools.

Pada pembersihan semua kesalahan dihilangkan dan diperbaiki. Pembersihan dilakukan untuk menghilangkan kesalahan (error). Kesalahan yang umum terjadi adalah nilai yang hilang (missing values), noise, dan data yang tidak konsisten. Pembersihan dilakukan dengan mengisi nilai yang kosong dan menghilangkan noise. 3 Transformasi (transformation) Pada transformasi, data dari semua sumber diberikan format dan nama yang umum. Proses transformasi dilakukan agar data tetap konsisten. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada basis data yang berbeda. Setelah transformasi nama, semua elemen data harus dikonversikan ke format yang umum. 4 Pemuatan (loading) Setelah tahap ekstraksi dan transformasi dilakukan, maka data sudah siap untuk dimasukkan ke data warehouse. Pada tahap ini juga dilakukan pengurutan dan pengecekan integritas. 5 Refresh Tahapan ini dilakukan jika ada data baru yang masuk.

Gambar 4 Arsitektur tiga tingkat data warehouse (Han & Kamber 2006). Operasi-Operasi Pada Data Multidimensi Operasi-operasi pada data multidimensi meliputi (Han & Kamber 2006): •

Slicing dan Dicing

Slicing adalah pemilihan sekelompok sel dari seluruh array multidimensi dengan menentukan nilai tertentu untuk satu atau lebih dimensi. Dicing merupakan pemilihan sebuah subset dari sel dengan menentukan range nilai atribut. Hal ini ekuivalen dengan mendefinisikan sebuah subarray dari array yang lengkap. Dalam praktis, kedua operasi

6

ini dapat disertai oleh agregasi pada beberapa dimensi. • Roll up dan Drill down Nilai atribut seperti tanggal memiliki nilai yang menyatakan tahun, bulan dan minggu. Sebuah lokasi juga dapat memiliki beberapa ciri seperti country (negara), state (propinsi) dan kabupaten. Product dapat dibagi ke dalam berbagai kategori seperti elektronik dan furniture. Seringkali kategori ini dapat diorganisasikan sebagai pohon hirarki atau lattice. Sebagai contoh, tahun berisi bulan dan minggu, keduanya berisi hari. Lokasi dapat dibagi ke dalam negara, yang terdiri dari propinsi, dan propinsi terdiri dari kabupaten. Contoh lain adalah kategori produk, furniture, dapat dibagi ke dalam sub kategori kursi, meja, sofa dan lain-lain. Struktur hirarki memunculkan operasi roll-up dan drill-down. Sebagai ilustrasi, pada data penjualan, yang merupakan data multidimensi dengan entri-entri untuk setiap tanggal, kita dapat menentukan agregat (roll-up) penjualan untuk semua tanggal dalam satu bulan. Sebaliknya, diberikan representasi data dimana dimensi waktu dipecah ke dalam bulan, kita ingin memisahkan total penjualan bulanan (drill down) ke dalam total penjualan harian. Dengan demikian operasi roll-up dan drill-down berkaitan dengan agregasi. Akan tetapi kedua ini berbeda dengan operasi agregasi yang telah dibahas, bahwa operasi roll-up dan drill-down mengagregasi sel dalam sebuah dimensi, bukan pada seluruh dimensi. • Pivot Agregasi yang dijelaskan sebelumnya dapat dipandang sebagai bentuk reduksi dimensionalitas. Secara khusus, dimensi ke-j dieliminasi dengan penjumlahan pada dimensi tersebut. Secara konseptual, hal ini meringkas setiap kolom dari sel dalam dimensi ke-j ke dalam sebuah sel. Jika sj adalah banyaknya nilai yang mungkin dari dimensi ke-j, banyaknya sel direduksi oleh faktor dari sj. Pivoting merujuk kepada agregasi pada semua dimensi. Hasilnya adalah tabulasi silang dua dimensi dengan dua dimensi yang ditentukan sebagai dimensi-dimensi sisanya. Gambar 5 menunjukkan ilustrasi untuk operasi-operasi pada data multidimensi.

Gambar 5 Ilustrasi untuk operasi-operasi pada data multidimensi. Oracle Data Warehouse Oracle data warehouse adalah proses pembangunan data warehouse menggunakan tools yang terdapat dalam oracle sehingga data dapat dengan mudah dikelola, diakses, dan dianalisis. Dengan manajemen antarmuka tunggal, Oracle Database 10g melakukan pemeliharaan sederhana terhadap pengembangan data warehouse (Oracle 2006).

METODE PENELITIAN Penelitian ini akan dilakukan dalam beberapa tahap yaitu tahap analisis aliran data, perancangan, dan pembuatan data warehouse, dan pengembangan OLAP. Tahap-tahap tersebut dijelaskan sebagai berikut : Analisis Data Sensus potensi desa (podes) dilakukan setiap tiga tahun. Data yang akan digunakan dalam pembuatan data warehouse potensi desa di wilayah Bogor adalah data potensi desa hasil sensus BPS pada tahun 1996, 1999, 2003, 2006. Untuk data Potensi Desa akan dilakukan praproses data meliputi

7

ekstraksi data, transformasi data, pembersihan data, dan pemuatan data.

Pengembangan OLAP Tahap pengembangan OLAP meliputi:

Perancangan dan Pembuatan Data Warehouse Tahap pembuatan data warehouse meliputi:

a

a

b

Pada tahap ini didefinisikan spesifikasi fungsi yang diperlukan untuk pengembangan OLAP menggunakan tools pada oracle. Spesifikasi fungsi disesuaikan dengan kebutuhan pengguna.

Pendefinisian Kubus Data dan perancangan model data multidimensi. Pada tahap ini akan ditentukan skema kubus data yang akan digunakan apakah skema star, skema snowflake atau skema galaksi.

b

Pendefinisian Dimensi

Pendefinisian Hirarki

Level

Dimensi

d

• Perancangan Input Perancangan input dilakukan dengan cara mengidentifikasi input yang dibutuhkan dalam proses penambahan data, pemrosesan kubus data, dan penjelajahan OLAP.

atau

Untuk masing-masing dimensi akan ditentukan tingkat perincian yang diperlukan berserta hirarki yang membentuknya. Dengan data yang ada dimensi lokasi dapat disusun dalam empat level yaitu propinsi > kabupaten/kota > kecamatan > desa, sedangkan dimensi waktu hanya memiliki satu level (tahun : 1996, 1999, 2003, 2006). Dimensi lahan memiliki satu level yaitu jenis lahan. Dimensi pemukiman memiliki satu level yaitu jenis pemukiman.

• Perancangan Proses Proses dirancang untuk menentukan urutan kejadian sampai diperolehnya output yang diinginkan berdasarkan data input yang ada. • Perancangan Output Output dirancang agar pengguna dapat dengan mudah memahami dan memperoleh output dari OLAP. c

Pendefinisian Fungsi Agregat Pada tahap ini didefinisikan fungsi agregat numerik yang digunakan. Fungsi agregat dapat berupa SUM (penjumlahan), AVG (average/ratarata), MAX (maksimum), dan MIN (minimum).

f

Pembangunan Data warehouse Data warehouse akan dikembangkan menggunakan Oracle 10g Database, dan Oracle Data warehouse.

Implementasi Implementasi OLAP dibangun menggunakan tools Analytic Workspace Manager 10.2.0.3, Oracle Data Warehouse, dan TOAD versi 8.0. Perangkat keras yang digunakan yaitu: Processor Intel Celeron 1.7 GHz, Memory 1 GB, Harddisk 120 GB, keyboard dan mouse.

Pendefinisian measure Pada tahap ini ditentukan ukuran yang akan dianalisis pada data potensi desa (podes) wilayah Bogor.

e

Desain Perancangan visualisasi OLAP didefinisikan sebagai proses dimana kebutuhan OLAP telah didefinisikan pada tahap analisis kebutuhan. Perancangan OLAP dibagi menjadi tiga, yaitu:

Pada tahap ini didefinisikan dimensi yang akan digunakan dalam pembuatan data warehouse. Dimensi yang terlibat adalah dimensi lokasi, dimensi waktu, dimensi pemukiman, dan dimensi lahan. c

Analisis

d

Pengujian Pengujian merupakan tahap untuk menguji data warehouse apakah telah sesuai dengan kebutuhan dan berfungsi dengan baik. Pengujian dilakukan pada kubus data yang divisualisasikan dengan tools OLAP pada oracle. Metode pengujian yang digunakan adalah black-box testing. Black-box testing merupakan pengujian yang

8

memeriksa apakah masukan dari pengguna akan memberikan keluaran yang sesuai dengan tidak memperhatikan proses yang terjadi di dalamnya (Sommerville 2000).

HASIL DAN PEMBAHASAN Dalam pembuatan data warehouse potensi desa wilayah Bogor melalui beberapa tahap yaitu: Analisis Data 1 Definisi Masalah Data podes tahun 1996 terdiri atas 408 atribut, tahun 1999 terdiri atas 448 atribut, tahun 2003 terdiri atas 750 atribut, dan tahun 2006 terdiri atas 437 atribut. Atribut-atribut tersebut ada yang sama untuk keempat tahun, namun ada juga yang berbeda atau tidak ada pada keempat tahun. Jumlah atribut yang sama dan ada pada keempat tahun tersebut sebanyak 257 atribut. Atribut yang digunakan pada data warehouse adalah atribut yang ada pada keempat tahun atau atribut yang ada minimal pada tiga tahun. 2 Data Praproses Sebelum masuk ke pembuatan data warehouse, data harus diproses terlebih dahulu. Tahap-tahap praproses pada data podes yaitu: a Ekstraksi Data Data podes asli yang diperoleh dari Badan Pusat Statistik berupa file dalam format file SAS (SSD). Oleh karena itu, data tersebut dikonversi ke format SAV, selanjutnya diimpor menjadi file CSV (comma delimited) untuk memudahkan dalam pemilihan atribut-atribut yang relevan yang akan digunakan dalam pembuatan data warehouse. Pemilihan atribut berdasarkan subjek utama yang akan dianalisis untuk proses pengambilan keputusan. Atribut yang digunakan dapat dilihat pada Tabel 3.

Tabel 3 Atribut hasil ekstraksi data dan deskripsinya Nama Atribut Deskripsi Nama_kab Nama kabupaten Nama_kec Nama kecamatan Nama_desa Nama desa Jml_pddk Menyatakan jumlah penduduk suatu daerah Jml_pddk_wnt Menyatakan jumlah penduduk wanita Jml_pddk_pria Menyatakan jumlah penduduk pria Jml_kel Menyatakan jumlah keluarga Jml_rmh Menyatakan jumlah rumah Luas_lahan Menyatakan luas lahan Jml_sekolah Menyatakan jumlah sekolah Jns_lahan Menyatakan jenis lahan Jns_pemukiman Menyatakan jenis pemukiman b Transformasi Data Pada tahap ini data podes diubah menjadi format yang lebih umum supaya mudah dipahami saat proses analisis. Transformasi data meliputi pemberian nama atribut yang sama untuk data tahun 1996, 1999, 2003, dan 2006. Dilakukan pemisahan atribut yang pada tahun 1999 digabung, sedangkan pada tahun yang lain dipisahkan. Atribut yang mengalami penambahan yaitu atribut yang berhubungan dengan kependudukan (jumlah penduduk) pada tahun 1999. Atribut kependudukan pada tahun 1996, 2003, dan 2006 terdiri atas jumlah penduduk, jumlah penduduk wanita, dan jumlah penduduk pria, sedangkan pada tahun 1999 hanya jumlah penduduk. Oleh karena itu, atribut tahun 1999 ditambah atribut jumlah penduduk wanita dan jumlah penduduk pria yang setiap baris datanya diisi dengan nilai 0 (nol). Atribut nama desa dan nama kecamatan pada tahun 1996 tidak ada. Untuk mengatasi hal ini, maka dilakukan pengisian data pada atribut nama desa dan nama kecamatan disesuaikan dengan nama kecamatan tahun 1999 berdasarkan kode kecamatannya. Untuk nama desa disamakan urutannya dengan nama desa pada tahun 1999. Atribut yang mengalami transformasi dapat dilihat pada Tabel 4.

9

Tabel 4 Atribut yang mengalami transformasi pada data potensi desa (podes) Nama Keterangan Atribut Jumlah Atribut jumlah penduduk penduduk laki-laki pada tahun 1999 laki-laki tidak ada sehingga masingmasing row diisi 0 (nol) Jumlah Atribut jumlah penduduk penduduk laki-laki pada tahun 1999 perempuan tidak ada sehingga masingmasing row diisi 0 (nol) Nama Atribut nama kecamatan pada kecamatan tahun 1996 diisi data kecamatan tahun 1999 berdasarkan kode kecamatannya. Nama desa Atribut nama desa pada tahun 1996 diisi data nama desa pada tahun 1999 secara berurutan.

berupa data dengan format CSV. Selanjutnya data tersebut akan dimuat ke tabel-tabel dalam basis data oracle. e

Refresh

Refresh data akan dilakukan ketika terdapat data baru yang dimasukkan. Pada penelitian ini, tidak dilakukan refresh data karena selama penelitian tidak terdapat data baru yang masuk. Perancangan dan Pembuatan Data Warehouse Perancangan data warehouse pada kasus potensi desa di wilayah Bogor menggunakan tiga solusi perancangan. Solusi tersebut digunakan untuk mengatasi masalah perubahan wilayah kecamatan yang terjadi pada tahun 1996, 1999, 2003, 2006. Tahap pembuatan data warehouse meliputi: 1 Pendefinisian dimensi

Pada tahap ini juga dibuat atribut baru untuk memenuhi kebutuhan dalam proses analisis. Atribut baru tersebut adalah atribut tahun yang menyatakan waktu (tahun tersedianya data).

Dimensi yang dibentuk dalam pembuatan data warehouse terdiri atas empat tabel yaitu dimensi lokasi, dimensi tahun, dimensi lahan, dan dimensi pemukiman. Dimensi dan deskripsinya dapat dilihat pada Tabel 5.

Pada atribut nama kecamatan, terdapat beberapa data yang mengalami perubahan nama, mengalami pemecahan wilayah kecamatan atau perubahan nama kecamatan setiap tahun (1996, 1999, 2003, dan 2006). Untuk mengatasi hal ini, maka data kecamatan disamakan untuk masing-masing tahun. Data kecamatan yang digunakan adalah nama kecamatan yang terbaru yaitu tahun 2006 karena data kecamatan pada tahun 2006 lebih lengkap dibanding kecamatan pada tahun sebelumnya. Kecamatan yang belum ada pada tahun 1996, 1999, dan 2003 disamakan kode lokasinya dengan kecamatan pada tahun 2006.

2

c

Pembersihan Data (Cleaning)

Data potensi desa (podes) sudah bersih sehingga tidak perlu dilakukan proses pembersihan data. Data yang diperlukan untuk proses analisis bebas dari missing values (data hilang), tidak terdapat noise, dan sudah konsisten. d

Pemuatan Data (Loading)

Data yang sudah mengalami proses ekstraksi, transformasi, dan pembersihan sudah siap digunakan untuk pembuatan data warehouse. Data yang sudah siap tersebut

Pendefinisian Kubus Data dan Perancangan Model Data Multidimensi.

Perancangan model data multidimensi untuk data podes wilayah Bogor terdiri atas beberapa skema. Skema yang dirancang merupakan solusi terhadap kasus data podes wilayah Bogor yang mengalami perubahan wilayah dalam tahun 1996, 1999, 2003, dan 2006. Perubahan wilayah ini meliputi perubahan nama kecamatan dan pemisahan (pemecahan) wilayah kecamatan. Selain itu, terdapat penambahan desa baru pada tahun 2003 dan tahun 2006. Data perubahan lokasi dapat dilihat pada Lampiran 1. Perancangan kubus dijabarkan pada solusi 1, solusi 2, dan solusi 3. Perancangan kubus data pada data potensi desa terdiri atas perancangan solusi 1, solusi 2, dan solusi 3. Pada solusi 1 perubahan wilayah kecamatan tidak diperhitungkan, sehingga yang digunakan adalah kode wilayah tahun 2006. Pada solusi 2 diperhitungkan perubahan wilayah kecamatan untuk masing-masing tahun (1996, 1999, 2003, dan 2006). Solusi 3 menggunakan skema yang sama dengan solusi 1, namun digunakan kode wilayah tahun 1999 (kode tahun pertengahan).

10

Berikut ini penjelasan secara rinci untuk solusi 1, solusi 2, dan solusi 3. Solusi 1 Skema yang digunakan adalah skema galaksi. Pada skema galaksi beberapa tabel fakta berbagi tabel dimensi. Skema pada solusi 1 terdiri atas empat kubus data dengan empat tabel fakta dan empat tabel dimensi. Tabel dimensi yang digunakan dapat dilihat pada Tabel 5, sedangkan tabel fakta dapat dilihat pada Tabel 6. Skema solusi 1 dapat dilihat pada Lampiran 2. Tabel 5 Dimensi pada solusi 1 Nama Tabel Deskripsi Dimensi D_lokasi Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa D_ pemukiman Berisi identitas dan jenis pemukiman. D_ tahun Berisi identitas dan tahun D_lahan Berisi identitas dan jenis lahan Tabel 6 Fakta pada solusi 1 Nama tabel Deskripsi fakta F_pemukiman Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman. F_penduduk Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun F_lahan Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan. F_srn Berisi nilai numerik pendidikan (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun.

Solusi 2 Pada solusi 2 terdiri atas delapan tabel dimensi dan dua puluh tabel fakta yang berbagi dimensi membentuk dua puluh kubus data. Skema ini dirancang dengan mempertimbangkan aspek perubahan spasial/lokasi (Miquel et al 2002). Dalam kasus potensi desa yaitu terjadinya perubahan kecamatan dan pemecahan kecamatan. Tabel 7 menunjukkan tabel dimensi dan Lampiran 3 merupakan fakta yang digunakan dalam solusi 2. Skema solusi 2 dapat dilihat pada Lampiran 4. Tabel 7 Dimensi yang digunakan pada solusi 2 Nama Tabel Deskripsi Dimensi D_lokasi Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa D_ pemukiman Berisi identitas dan jenis pemukiman. D_ tahun Berisi identitas dan tahun D_lahan Berisi identitas dan jenis lahan D_lokasi96 Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa pada tahun 1996 D_lokasi99 Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa pada tahun 1999 D_lokasi03 Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa pada tahun 2003 D_lokasi06 Berisi identitas lokasi, identitas kecamatan, identitas kabupaten, nama kabupaten, nama kecamatan, dan nama desa pada tahun 2006

11

Solusi 3 Skema pada solusi 3 terdiri atas empat kubus data dengan empat tabel fakta dan empat tabel dimensi. Tabel dimensi yang digunakan adalah dimensi lokasi, dimensi tahun, dimensi lahan, dan dimensi pemukiman. Tabel fakta yang digunakan adalah fakta penduduk, fakta pemukiman, fakta lahan, dan fakta sarana pendidikan. Pada dasarnya solusi 3 sama dengan solusi 1 untuk dimensi, fakta, dan skemanya, yang membedakan adalah pada solusi 1 digunakan kode lokasi pada tahun 2006, sedangkan pada solusi 3 digunakan kode lokasi pada tahun 1999. 3

Pendefinisian Level Dimensi atau Hirarki

Untuk masing-masing dimensi ditentukan tingkat perincian yang diperlukan berserta hirarki yang membentuknya. Dimensi lokasi dapat disusun dalam tiga level yaitu kabupaten/kota > kecamatan > desa, sedangkan dimensi waktu hanya memiliki satu level yaitu level tahun (tahun : 1996, 1999, 2003, 2006). Dimensi lahan memiliki satu level yaitu jenis lahan. Dimensi pemukiman memiliki satu level yaitu jenis pemukiman. 4

Pendefinisian Measure

Pada tahap ini ditentukan measure yang akan dianalisis pada data podes wilayah Bogor. Measure yang dipilih yaitu: •

Jumlah penduduk, dipilih sebagai measure untuk mengetahui jumlah penduduk suatu daerah pada tahun tertentu.

•

Jumlah penduduk pria, dipilih sebagai measure untuk mengetahui jumlah penduduk pria di suatu daerah pada tahun tertentu.

•

Jumlah penduduk wanita, dipilih sebagai measure untuk mengetahui jumlah penduduk wanita di suatu daerah pada tahun tertentu.

•

Jumlah TK, dipilih sebagai measure untuk mengetahui jumlah gedung sekolah TK di suatu daerah pada tahun tertentu.

•

Jumlah SD, dipilih sebagai measure untuk mengetahui jumlah gedung sekolah SD di suatu daerah pada tahun tertentu

5

•

Jumlah SLTP, dipilih sebagai measure untuk mengetahui jumlah gedung sekolah SLTP di suatu daerah pada tahun tertentu.

•

Jumlah SMU, dipilih sebagai measure untuk mengetahui jumlah gedung sekolah SMU di suatu daerah pada tahun tertentu.

•

Luas lahan, dipilih sebagai measure untuk mengetahui luas lahan suatu wilayah.

•

Jumlah rumah, dipilih sebagai measure untuk mengetahui banyak rumah di suatu pemukiman atau wilayah

•

Jumlah keluarga, dipilih sebagai measure untuk mengetahui jumlah keluarga di wilayah atau pemukiman tertentu.

Pendefinisian Fungsi Agregat

.Fungsi agregat yang digunakan dalam data warehouse potensi desa adalah SUM (penjumlahan) untuk semua measure. Sum untuk jumlah penduduk, jumlah penduduk pria, jumlah penduduk wanita, luas lahan, jumlah rumah, jumlah keluarga, jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU pada tiap tahun. 6

Pembangunan Data Warehouse

Data warehouse diimplementasikan menggunakan skema galaksi pada solusi 1. Pada solusi 1 digunakan kode lokasi yang sama dengan kode lokasi tahun 2006 sehingga semua data lokasi setiap tahun dapat dilihat dan dianalisis untuk proses pengambilan keputusan, tanpa mempertimbangkan perubahan wilayah. Solusi 2 belum dapat diterapkan dalam kasus data potensi desa, namun secara konsep dapat diterapkan. Pada solusi 2, belum ditemukan penghubung antara tabel dimensi lokasi masing-masing tahun dengan tabel dimensi lokasi gabungan. Solusi 3 diimplementasikan menggunakan kode lokasi 1999 tanpa mempertimbangkan aspek perubahan wilayah. Hal ini menyebabkan beberapa data lokasi tidak dapat dianalisis. Oleh karena itu, dalam penelitian ini solusi 3 tidak digunakan. Pembuatan data warehouse menggunakan Oracle 10g Database, dan Oracle Data Warehouse.

12

Pengembangan Sistem OLAP (Online Analytical Processing) Tahap pengembangan OLAP meliputi:

Oracle. Perangkat keras yang digunakan yaitu: Processor Intel Celeron 1.7 GHz, Memory 1 GB, Harddisk 120 GB, keyboard dan mouse.

1

OLAP yang digunakan untuk data warehouse potensi desa di wilayah Bogor merupakan multidimensional OLAP (MOLAP). Pada implementasi OLAP tersebut, tools Analytic Workspace Manager secara otomatis menentukan jenis OLAP (MOLAP, ROLAP, atau HOLAP) berdasarkan skema kubus data yang dibuat. Tools Analytic Workspace Manager tidak menyediakan fasilitas pemilihan jenis OLAP. Pemilihan jenis OLAP dilakukan oleh tools tersebut dengan memberikan pilihan yang terbaik.

Analisis

Fungsi yang digunakan dalam OLAP disesuaikan dengan kebutuhan pengguna. Fungsi-fungsi yang diperlukan yaitu: fungsi melihat data pada data warehouse, menampilkan data pada kubus data, dan dapat melakukan operasi OLAP serta memiliki visualisasi yang mudah untuk melihat data dalam bentuk diagram batang, diagram garis, dan grafik pie. OLAP yang digunakan adalah multidimensional OLAP (MOLAP). Database Management System (DBMS) yang digunakan adalah oracle. Oracle mampu menangani data dengan volume yang besar. Hal tersebut sesuai untuk data potensi desa yang memiliki volume yang besar. 2

Implementasi yaitu:

OLAP

•

Operasi roll up pada lokasi, yaitu desa (roll up) ke kecamatan, selanjutnya ke kabupaten. Contoh roll up untuk mengetahui jumlah penduduk tiap kecamatan. Roll up dimensi lokasi dari tingkat desa menjadi tingkat kecamatan untuk mengetahui jumlah penduduk tiap kecamatan. Implementasi roll up dapat dilihat pada Lampiran 5.

•

Operasi drill down dilakukan untuk mengetahui jumlah penduduk, jumlah penduduk pria, wanita, jumlah TK, jumlah SD, jumlah SLTP, jumlah SMU, luas lahan, jumlah keluarga, atau jumlah rumah suatu daerah yang lebih rinci. Misalnya untuk mengetahui jumlah SD pada masing-masing kecamatan, drill down pada dimensi lokasi dari tingkat kabupaten menjadi tingkat kecamatan. Implementasi operasi drill down dapat dilihat pada Lampiran 6.

Output ditampilkan dalam tabel pivot dan diagram batang, diagram garis atau grafik pie untuk menganalisis data numerik dan operasi roll-up, drill-down, slice, dan dice, dengan fungsi penyimpulan summary.

•

Operasi pivot untuk memudahkan dalam visualisasi data. Contoh pivot dapat dilihat pada Lampiran 7. Pada Lampiran 7 dapat dilihat untuk mempermudah melihat data luas lahan, maka pivot pada dimensi lokasi dan dimensi lahan.

Implementasi

•

Operasi Slice dan dice dilakukan melihat keadaan jumlah penduduk, jumlah penduduk pria, wanita, jumlah TK, jumlah SD, jumlah SLTP, jumlah SMU, luas lahan, jumlah keluarga, dan jumlah rumah di wilayah tertentu, tahun tertentu, dan jenis lahan atau pemukiman tertentu. Contoh slice dapat dilihat pada Lampiran 8. Pada Lampiran

Desain Desain sistem OLAP meliputi:

• Perancangan Input Input pada OLAP adalah data dimensi dan fakta yang akan dilihat hubungannya dan measure yang ingin dianalisis nilainya. • Perancangan Proses Proses pada OLAP adalah operasioperasi OLAP. Operasi OLAP akan dilakukan berdasarkan dimensi dan measure yang diinputkan. Operasi OLAP yang dijalankan adalah roll-up, drilldown, slice, dan dice. Hasil dari operasi ini akan ditampilkan pada window. • Perancangan Output

3

operasi-operasi

OLAP dibangun menggunakan tools Analytic Workspace Manager 10.2.0.3, Oracle Data Warehouse 10g, dan TOAD versi 8.0. Oracle Data Warehouse 10g sebagai tempat penyimpanan data, TOAD versi 8.0 sebagai tools untuk proses loading data, Analytic Workspace Manager 10.2.0.3 sebagai OLAP yang mendukung OLAP pada

13

8, jumlah keluarga setiap kecamatan pada tahun 2003. Contoh dice dapat dilihat pada Lampiran 9. Pada Lampiran 9, jumlah keluarga di kecamatan Nanggung dan Megamendung pada tahun 1999 dan 2003 di pemukiman bantaran sungai. Selain itu, implementasi pada beberapa contoh kasus yang diberikan untuk melakukan analisis. Hal ini dilakukan untuk menyesuaikan implementasi visualisasi OLAP dengan kebutuhan informasi. Diberikan contoh kasus sebagai berikut: a

Mengetahui jumlah penduduk pada tahun 1996, 1999, 2003, dan 2006 di kecamatan Ciawi, Cisarua, dan Megamendung. Pada kasus ini ingin dilihat pertambahan jumlah penduduk masing-masing kecamatan pada setiap tahun. Pola pertambahan penduduknya dapat divisualisasikan menggunakan diagram batang (bar graph) atau diagram garis (line graph) Visualisasi hasil dapat dilihat pada Lampiran 10.

b

Mengetahui persentase jumlah penduduk pria dan jumlah penduduk wanita pada tahun 2006 di kabupaten Bogor. Pada kasus ini, visualisasi menggunakan grafik pie sesuai dengan kebutuhan informasi yang akan dianalisis yaitu persentase jumlah penduduk. Visualisasi hasilnya dapat dilihat pada Lampiran 11.

4

Pengujian

Pengujian merupakan tahap untuk menguji OLAP apakah telah sesuai dengan kebutuhan dan berfungsi dengan baik. Pengujian dilakukan pada kubus data yang divisualisasikan dengan OLAP. Pengujian dilakukan pada dua tahap, yaitu pengujian kubus data dan visualisasi OLAP dengan OLAP Analytic workspace manager oracle 10.2.0.3. Pengujian pada tahap pertama, yaitu melakukan pengecekan validasi nilai data yang ditampilkan untuk masing-masing measure di keempat kubus data. Pengecekan ini menunjukkan bahwa nilai-nilai data adalah valid atau sama dengan nilai data yang terdapat pada data asli dan setiap dimensinya dapat merepresentasikan aspekaspek data dengan baik. Hal ini menunjukkan tidak ada masalah dalam pengaksesan keempat kubus data tersebut.

Pengujian tahap kedua adalah melakukan pengecekan terhadap fungsifungsi yang terdapat pada OLAP Analytic Workspace Manager. Pengecekan ini menunjukkan keempat kubus data dapat diakses dengan baik dan fungsi-fungsi yang terdapat pada OLAP Analytic Workspace Manager berjalan dengan baik. Pengujian menggunakan metode black box. Skenario pengujian dan hasilnya dapat dilihat pada Lampiran 12 sampai Lampiran 15. Hasil pengujian menunjukkan bahwa keempat kubus data dapat merepresentasikan nilai-nilai data yang akurat sehingga OLAP browser dapat memvisualisasikan data tersebut secara tepat dan cepat, baik dalam bentuk diagram batang, diagram garis, maupun diagram pie. Pembangunan data warehouse potensi desa dan visualisasi kubus data dengan OLAP Analytic Workspace Manager ini sudah dapat memenuhi kebutuhan pengguna untuk melakukan berbagai kegiatan analisis untuk mendukung proses pengambilan keputusan.

KESIMPULAN DAN SARAN Kesimpulan Penelitian ini menghasilkan model data multidimensi untuk data potensi desa di wilayah Bogor sehingga terbentuk data warehouse potensi desa. Data warehouse tersebut divisualisasikan menggunakan OLAP (Online Analytical Processing) Analytic Workspace Manager. Dalam penelitian ini, dibuat tiga solusi untuk mengatasi masalah perubahan wilayah kecamatan pada tahun 1996, 1999, 2003, dan 2006 untuk data potensi desa di wilayah Bogor. Solusi 1 terdiri atas empat tabel fakta dan empat tabel dimensi, solusi 2 terdiri atas dua puluh tabel fakta dan delapan tabel dimensi, sedangkan solusi 3 sama dengan solusi 1 dengan perbedaan data kode lokasi yang digunakan. Pembuatan data warehouse potensi desa wilayah Bogor menggunakan skema galaksi pada solusi 1 dengan kubus data yang dirancang tanpa mempertimbangkan aspek perubahan wilayah kecamatan. Data warehouse ini menghasilkan empat kubus data yaitu kubus data penduduk, lahan,

14

pemukiman, dan sarana pendidikan. Terdapat empat dimensi dan empat tabel fakta yang dimiliki oleh data warehouse potensi desa wilayah Bogor. Pengguna dapat melihat data dimensi dan data fakta yang tersimpan dalam data warehouse sebelum divisualisasikan menggunakan OLAP. Selain itu, pengguna dapat memasukkan data baru ke dalam data warehouse dengan format file CSV, dan selanjutnya divisualisasikan menggunakan OLAP. Visualisasi OLAP menggunakan diagram batang, diagram garis, dan grafik pie. Pengguna juga dapat melakukan operasi-operasi pada data multidimensi seperti operasi roll-up, drill-down, pivot, slice, dan dice. Pengujian dilakukan pada dua tahap, yaitu pengujian kubus data dan visualisasi OLAP dengan OLAP Analytic workspace manager oracle 10.2.0.3. Hasil pengujian untuk implementasi OLAP telah sesuai dengan kebutuhan dan berfungsi dengan baik. Saran Saran untuk pengembangan data warehouse selanjutnya adalah melakukan pembuatan data warehouse potensi desa wilayah Bogor dengan mempertimbangkan aspek perubahan wilayah kecamatan yaitu menerapkan skema kubus data pada solusi 2 yang terdiri atas dua puluh tabel fakta dan delapan tabel dimensi. DAFTAR PUSTAKA [BPS]. Potensi Desa. 2006. http://www.bps.go.id/podes2006. [7 April 2007] Elmasri R, Navathe B. 2000. Fundamentals of Database System. Ed ke-3. Massachussetts:Addison Wesley Longman,Inc. Han J, Kamber M. 2001. Data mining Concepts and Techniques. Morgan Kaufmann Publishers. Imhoff C, Nicholas G, Jonathan G. 2003. Mastering Data warehouse Design, Relational and Dimensional Techniques. Indiana: Wiley Publishing, Inc. Mallach EG. 2000. Decision Support and Data Warehouse Systems.USA: McGraw-Hill, Inc.

Miquel M et al. 2002. Modeling Multidimensional Spatio-Temporal Data Warehouses in A Context of Evolving Specifications. Centre for Research in Geomatics Laval University. [Oracle Corporation]. Oracle Warehouse. 2006. http://www.oracle.com. [7 Agustus 2006] Sommerville I. 2001. Software Engineering. Ed ke-6. Pearson Education. Tam Y.J. 1998. Datacube. Its Implementation and Application in OLAP Mining. Tesis pada Department of Computer Science, Simon Fraser University.

LAMPIRAN

16

Lampiran 1 Daftar Kecamatan yang mengalami pemecahan dan perubahan wilayah Tahun 1996 Kode Kecamatan

Tahun 1999 Kode Kecamatan

020

Leuwiliang

020

Leuwiliang

050 070

Ciampea Ciomas

050 070

Ciampea Ciomas

080

Cijeruk

080

Cijeruk

180

Cileungsi

180

Cileungsi

220

-

220

Tajur Halang

230

-

230

Kemang

240

-

240

Ciseeng

270

-

270

Sukajaya

Kod e 020

Tahun 2003 Kecamatan Leuwiliang

050 070 071 080

Ciampea Ciomas Taman Sari Cijeruk

180 181 220 221 230 231 240 241 270 271

Cileungsi Kelapa Nunggal Tajur Halang Bojong Gede Kemang Ranca Bungur Ciseeng Parung Sukajaya Cigudeg

Kode 020 021 050 070 071 080 081 180 181 220 221 230 231 240 241 270 271

Tahun 2006 Kecamatan Leuwiliang Leuwisadeng Tenjolaya Ciomas Taman Sari Cijeruk Cigombong Cileungsi Kelapa Nunggal Tajur Halang Bojong Gede Kemang Ranca Bungur Ciseeng Parung Sukajaya Cigudeg

17

Lampiran 2 Skema kubus data untuk solusi 1

18

Lampiran 3 Daftar tabel fakta yang digunakan pada solusi 2 Nama tabel fakta F_pemukiman

F_penduduk F_lahan F_srn_pendidikan F_pemukiman96

F_penduduk96

F_lahan96 F_srn_pendidikan96

F_pemukiman99

F_penduduk99

F_lahan99 F_srn_pendidikan99

F_pemukiman03

F_penduduk03

F_lahan03 F_srn_pendidikan03

F_pemukiman06

F_penduduk06

F_lahan06 F_srn_pendidikan06

Deskripsi Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman. Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan. Berisi nilai numerik (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun. Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman pada tahun 1996. Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun untuk tahun 1996 Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan untuk tahun 1996. Berisi nilai numerik (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun untuk tahun 1996 Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman untuk tahun 1999. Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun untuk tahun 1999. Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan untuk tahun 1999. Berisi nilai numerik (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun untuk tahun 1999. Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman untuk tahun 2003. Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun untuk tahun 2003. Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan untuk tahun 2003. Berisi nilai numerik (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun untuk tahun 2003. Berisi nilai numerik (jumlah keluarga dan jumlah rumah), identitas lokasi, dan identitas tahun, serta identitas pemukiman yang berasal dari dimensi lokasi, tahun, dan pemukiman untuk tahun 2006. Berisi nilai numerik (jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita), identitas lokasi, dan identitas tahun untuk tahun 2006. Berisi nilai numerik (luas lahan), identitas lokasi, identitas tahun, dan identitas lahan untuk tahun 2006. Berisi nilai numerik (jumlah TK, jumlah SD, jumlah SLTP, dan jumlah SMU), identitas lokasi, dan identitas tahun untuk tahun 2006.

20

Lampiran 5 Operasi roll up untuk mengetahui jumlah penduduk tiap kecamatan di kabupaten Bogor

Roll Up dari kecamatan ke kabupaten

21

Lampiran 6 Drill down untuk mengetahui jumlah SD di masing-masing kecamatan

Drill down dari kabupaten ke kecamatan

22

Lampiran 7 Pivot pada dimensi lahan dengan dimensi lokasi

Pivot dimensi lahan dan dimensi lokasi

23

Lampiran 8 Contoh operasi slice untuk mengetahui jumlah keluarga tahun 2003 di Kabupaten Bogor

Slice

24

Lampiran 9 Contoh operasi dice untuk mengetahui jumlah keluarga di Kecamatan Nanggung dan Megamendung

Dice

25

Lampiran 10 Jumlah penduduk kecamatan Ciawi, Cisarua, dan Megamendung divisualisasikan menggunakan diagram batang dan diagram garis Diagram Batang

Diagram Garis

26

Lampiran 11 Persentase jumlah penduduk pria dan jumlah penduduk wanita pada tahun 2006 di Kabupaten Bogor divisualisasikan menggunakan grafik pie

Pivot

27

Lampiran 12 Hasil uji fungsi melihat data pada data warehouse No

Deskripsi Uji

1

Melihat data pada data warehouse sehingga pengguna dapat memeriksa validasi data yang ditampilkan dengan data yang berada pada basis data data warehouse

Kondisi awal Tampilan OLAP Analytic Workspace Manager dengan Analytic workspaces potensi_desa

Skenario uji Pengguna melihat data pada tabel fakta penduduk

Hasil yang diharapkan Tampilan data pada tabel fakta penduduk

Pengguna melihat data pada tabel fakta lahan

Tampilan data pada tabel fakta lahan

Pengguna melihat data pada tabel fakta pemukiman

Tampilan data pada tabel fakta pemukiman

Pengguna melihat data pada tabel fakta sarana pendidikan

Tampilan data pada tabel fakta sarana pendidikan

Hasil Uji

Status

Tampilan data yang menunjukkan data pada tabel fakta penduduk Tampilan data yang menunjukkan data pada tabel fakta lahan Tampilan data yang menunjukkan data pada tabel fakta pemukiman Tampilan data yang menunjukkan data pada tabel fakta sarana pendidikan

OK

OK

OK

OK

28

Lampiran 13 Hasil uji fungsi menampilkan data pada kubus data No

Deskripsi Uji

Kondisi awal

Skenario uji

1

Menampilkan data pada kubus data sehingga pengguna dapat melihat data pada masingmasing kubus data dan melihat visualisasi grafik menggunakan diagram batang, diagram garis, dan grafik pie

Tampilan OLAP Analytic Workspace Manager dengan Analytic workspaces potensi_desa dan kubus data pada analytic workspaces potensi_desa

Pengguna menampilkan data pada kubus data penduduk,

Hasil yang diharapkan Tampilan data pada kubus data penduduk dalam bentuk tabel dan grafik

Pengguna menampilkan data pada kubus data lahan

Tampilan data pada kubus data lahan dalam bentuk tabel dan grafik

Pengguna menampilkan data pada kubus data pemukiman

Tampilan data pada kubus data pemukiman dalam bentuk tabel dan grafik

Pengguna menampilkan data pada kubus data sarana pendidikan

Tampilan data pada kubus data sarana pendidikan dalam bentuk tabel dan grafik

Hasil Uji

Status

Tampilan tabel data yang menunjukkan data pada kubus data penduduk dan grafik Tampilan tabel data yang menunjukkan data pada kubus data lahan dan grafik Tampilan tabel data yang menunjukkan data pada kubus data pemukiman dan grafik Tampilan tabel data yang menunjukkan data pada kubus data sarana pendidikan dan grafik

OK

OK

OK

OK

29

Lampiran 14 Hasil uji fungsi melakukan operasi OLAP No 1

Deskripsi Uji Melakukan operasi OLAP rollup, drilldown, pivot, slice, dan dice

Kondisi awal Tampilan data pada kubus data penduduk berupa tabel dan diagram batang dengan dimensi lokasi kecamatan di kabupaten Bogor dan tahun 1996, 1999, 2003, 2006

Skenario uji Pengguna melakukan roll-up pada lokasi dari Kecamatan ke level Kabupaten

Pengguna melakukan drill-down pada lokasi dari kecamatan ke level desa

Pengguna melakukan pivot pada dimensi lokasi Bogor dan tahun 1996 dengan measure jumlah penduduk pria dan jumlah penduduk wanita Pengguna melakukan slice pada tahun 2003

Pengguna melakukan operasi dice pada lokasi kecamatan Dramaga atau Tenjolaya dan tahun 2003 atau 2006

Hasil yang diharapkan Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita di kabupaten Bogor tahun 1996, 1999, 2003, 2006 Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita pada masingmasing kecamatan di kabupaten Bogor tahun 1996, 1999, 2003, 2006 Tampilan tabel data dan diagram batang untuk data jumlah penduduk pria dan jumlah penduduk wanita kabupaten Bogor tahun 1996

Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita kabupaten Bogor tahun 2003. Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita Kecamatan Dramaga dan Tenjolaya untuk tahun 2003 dan 2006

Hasil Uji

Status

Tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita kabupaten Bogor tahun 1996, 1999, 2003, 2006 Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita pada masingmasing kecamatan di kabupaten Bogor tahun 1996, 1999, 2003, 2006 Tampilan tabel data dan diagram batang untuk data jumlah penduduk pria dan jumlah penduduk wanita kabupaten Bogor tahun 1996

OK

Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita kabupaten Bogor tahun 2003. Tampilan tabel data dan diagram batang untuk data jumlah penduduk, jumlah penduduk pria, dan jumlah penduduk wanita Kecamatan Dramaga dan Tenjolaya untuk tahun 2003 dan 2006

OK

OK

OK

OK

30

Lampiran 15 Hasil uji fungsi visualisasi data dalam bentuk diagram batang, diagram garis, dan grafik pie No 1

Deskripsi Uji Visualisasi data dalam bentuk diagram batang, diagram garis,dan grafik pie

Kondisi Awal Tampilan datajumlah penduduk pria dan jumlah penduduk wanita dalam bentuk tabel untuk lokasi Kabupaten Bogor pada tahun 1996, 1999, 2003, 2006

Skenario Uji Pengguna mengubah tampilan diagram menggunakan diagram batang

Hasil yang diharapkan Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 1996, 1999, 2003, 2006 dalam bentuk diagram batang

Pengguna mengubah tampilan diagram menggunakan diagram garis

Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 1996, 1999, 2003, 2006 dalam bentuk diagram garis

Pengguna mengubah tampilan menggunakan grafik pie dan memilih data pada tahun 2003

Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 2003 dalam bentuk grafik pie

Hasil Uji

Status

Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 1996, 1999, 2003, 2006 dalam bentuk diagram batang

OK

Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 1996, 1999, 2003, 2006 dalam bentuk diagram garis Tampilan data jumlah penduduk pria dan wanita di Kabupaten Bogor pada tahun 2003 dalam bentuk grafik pie

OK

OK