Uji Query
-
Keyboard dan mouse
Uji query adalah tahap untuk menguji temporal data warehouse apakah telah sesuai dengan kebutuhan dan berfungsi dengan baik serta memeriksa apakah operasi dasar data warehouse dan fungsi agregat berhasil diterapkan tanpa mengubah versi struktur dan fungsi transformasi. Pengujian dilakukan dengan kubus data yang divisualisasikan dengan tools OLAP pada Palo.
-
Monitor LCD 14‟ dengan resolusi 1280 x 800
Metode penelitian dapat digambarkan dengan visualisasi diagram alir pada Gambar 5. Studi pustaka
Analisis data
Versi struktur dan fungsi transformasi
Pemuatan data
Implementasi operasi OLAP
Implementasi fungsi tidak agregat
Perangkat lunak : -
Sistem operasi Windows 7 RC 1
-
Microsoft Office 2007 SP 1
-
Palo add-in Win32 3.0
HASIL DAN PEMBAHASAN Analisis Data Data yang digunakan pada penelitian ini adalah data tanaman pangan dan hortikultura pada tahun 2003 sampai tahun 2007. Atribut yang terdapat pada data sumber adalah data kecamatan, waktu, dan jenis tanaman pangan. Fakta yang terkait dengan tanaman pangan meliputi luas tanam, luas panen,dan produksi. Kabupaten Karo memiliki 13 kecamatan yaitu Barusjahe, Tigapanah, Kabanjahe, Simpang IV, Payung, Munte, Tigabinanga, Juhar, Kutabuluh, Mardingding, Berastagi, Merek, Lau Baleng. Elemen waktu yang dimiliki adalah tahun 2003, 2004, 2005, 2006, dan 2007. Jenis tanaman pangan yang dianalisis adalah tanaman padi dan jagung. Pembuatan temporal data warehouse ini bertujuan untuk mengatasi permasalahan sulitnya menganalisis data apabila terjadi perubahan objek pada data tersebut. Berdasarkan atribut yang terdapat pada sumber data, dihasilkan tiga tabel dimensi yaitu dimensi waktu, dimensi lokasi, dan dimensi komoditas, serta satu tabel fakta. Ilustrasi data multidimensi dari atribut yang telah diketahui dapat dilihat pada Gambar 6.
Berhasil ?
ya
Temporal data warehouse
Gambar 5 Diagram alir metode penelitian. Lingkup Pengembangan Temporal data warehouse ini menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut : Perangkat keras : -
Processor Intel Core 2 Duo 1.83 GHz
-
RAM 2GB DDR2
-
HDD 160 GB
Gambar 6 Skema bintang untuk temporal data warehouse tanaman pangan. Atribut target yang akan dianalisis pada temporal data warehouse ini adalah luas tanam, luas panen, jumlah produksi,
6
minimum, maksimum dan rata-rata untuk nilai luas tanam, luas panen, serta jumlah produksi. Konseptual model data multidimensional merupakan bagian inti dari proses perancangan dan pemeliharaan yang berisi gabungan dari semua kebutuhan pengguna tapi belum tentu bagian dari kelengkapan implementasi. Semua model data yang terjadi selanjutnya dalam proses perancangan merupakan perbaikan dari model konseptual (Blaschka 1999). Perubahan struktur yang terjadi pada data yang digunakan dalam penelitian ini diantaranya adalah pada tahun 2003 diketahui jumlah produksi, luas tanam, dan luas panen dari komoditas padi dan jagung. Lalu pada tahun 2004 hingga 2005, data jagung dan data padi mengalami split (pemecahan) yaitu data padi terdiri dari data padi gogo dan padi sawah serta data jagung terdiri dari data jagung hybrida dan jagung komposit. Selanjutnya pada tahun 2006 hingga 2007 data padi dan jagung yang telah mengalami split tersebut mengalami merge (penggabungan) sehingga data padi dan jagung mengalami versi struktur yang sama pada tahun 2003. Ilustrasi dari versi struktur yang terjadi pada data tersebut dapat dilihat pada Gambar 7, Gambar 8, dan Gambar 9.
Berdasarkan Gambar 5, Gambar 6, dan Gambar 7 diperoleh tiga versi struktur yaitu versi struktur 1 dengan interval waktu 2003, data dimensi komoditas yang valid pada versi struktur 1 adalah padi dan jagung. Versi struktur 2 dengan interval waktu 2004 hingga 2005, data dimensi komoditas yang valid adalah padi sawah, padi gogo, jagung hybrida, dan jagung komposit. Versi struktur 3 dengan interval waktu 2006 hingga 2007, data dimensi komoditas yang valid adalah padi dan jagung. Penjelasan lebih jelas dapat dilihat pada Tabel 6 berikut ini. Tabel 6 Pembagian versi struktur berdasarkan perubahan yang terjadi. Versi Struktur
Jenis Perubahan
Versi Struktur 1
Padi dan Jagung mengalami perubahan.
tidak
Versi Struktur 2
Padi dibagi menjadi 2 bagian yaitu padi sawah dan padi gogo. Jagung juga mengalami perubahan yaitu dibagi menjadi 2 bagian yaitu jagung hybrida dan jagung komposit.
Versi Stuktur 3
Padi dan kembali.
Jagung
digabung
Tanaman pangan
2003
2003
padi
Pemuatan Data jagung
Gambar 7 Hirarki pada versi struktur tahun 2003 (StructureVersion1). Tanaman pangan
2003
2003
padi
2004,2005
Padi sawah
jagung
2004, 2005
2004, 2005
2004, 2005
Jagung hybrid
Padi gogo
Jagung komposit
Gambar 8 Hirarki pada versi struktur tahun 2004-2005 (StructureVersion2). Tanaman pangan
2006, 2007
padi
2006, 2007
jagung
Gambar 9 Hirarki pada versi struktur tahun 2006-2007 (StructureVersion3).
Versi struktur adalah sudut pandang dalam temporal data warehouse valid untuk mengetahui periode waktu [Ts, Te]. Semua anggota dimensi dan semua hubungan hirarki serta struktur multidimensional harus valid pada setiap waktu interval. Dengan kata lain, dalam satu versi struktur tidak boleh ada versi berbeda dari anggota dimensi dan hubungan hirarki. Dan setiap modifikasi dari anggota dimensi atau hubungan hirarki pasti akan menjadi versi struktur yang baru, jika struktur versi untuk waktu interval yang ada belum terpenuhi (Eder et al 2001). Berdasarkan pada penjelasan di atas, maka untuk versi struktur 1, versi struktur 2, dan versi struktur 3 dibuat cube yang berbeda, secara berurutan diberi nama StructureVersion1, StructureVersion2, dan StructureVersion3. Setiap cube tersusun atas tiga tabel dimensi dan satu tabel fakta. Dalam implementasi, Palo tidak membedakan antara measure dan dimensi. Atribut target yang ada seperti luas tanam, luas panen dan jumlah
7
produksi dibuat dalam dimensi yang bernama measure. Dimensi dan elemen dimensi dari setiap cube dapat dilihat pada Tabel 7. Tabel 7 Dimensi dan elemen dimensi pada setiap cube Versi struktur
Dimensi
Elemen dimensi
StructureVersion1
Waktu
2003
Lokasi
All Kecamatan
Komoditas
All Padi Jagung
Measure
Produksi Luas tanam Luas panen
StructureVersion2
Waktu
2004 2005
Lokasi
All Kecamatan
Komoditas
All Padi sawah Padi gogo Jagung hybrida Jagung komposit
Measure
Produksi Luas tanam Luas panen
StructureVersion3
Waktu
2006 2007
Lokasi
All Kecamatan
Komoditas
All Padi Jagung
Measure
diinginkan yang berasal dari cube atau versi struktur yang berbeda, diperlukan fungsi transformasi yang dapat memetakan data dari satu versi struktur ke versi struktur yang lain. Palo mendukung terbentuknya suatu fungsi transformasi dengan membentuk serangkaian rule. Rule tersebut disimpan didalam suatu cube. Cube tersebut diberi nama cube query. Cube query merupakan cube yang dapat menangani beberapa query yang berkaitan dengan penggunaan versi struktur dan fungsi transformasi. Cube query memiliki dimensi yang sama dengan dimensi versi struktur yang lain yaitu dimensi lokasi, dimensi waktu, dimensi komoditas, dan dimensi measure. Data dimensi komoditas yang berada dalam cube query adalah tanaman padi dan jagung tanpa dibedakan berdasarkan jenis.
Produksi Luas tanam Luas panen
Setelah dilakukan pembuatan cube dari setiap versi struktur, selanjutnya dilakukan pemuatan data. Pemuatan data merupakan proses pemindahan data dari spreadsheet excel ke cube yang dibuat di tools Palo. Untuk menjawab query pada data warehouse, pengguna harus menentukan versi struktur mana yang harus digunakan. Oleh karena itu, apabila pengguna ingin melihat data yang berasal dari dua versi struktur yang berbeda, pengguna harus melihat data dengan menggunakan dua cube. Untuk memudahkan pengguna agar mendapatkan data yang
Konsep hirarki yang ada pada cube query misalnya, untuk dimensi waktu terdapat elemen dimensi 20032007 yang merupakan upper level dari tahun 2003, 2004, 2005, 2006, 2007. Konsep hirarki pada dimensi lokasi adalah All sebagai upper level untuk lower level kecamatan. Konsep hirarki pada dimensi komoditas adalah All sebagai upper level untuk padi dan jagung. TOLAP (Temporal On-Line Analytical Processing) merupakan bahasa yang berdasarkan rule (rule-based) (Vaisman 2002). Palo mendukung pendekatan temporal pada data warehouse karena Palo menyediakan fitur untuk membuat suatu rule. Syntax dari rule dalam PALO secara umum yaitu : [target] = f[source], dimana target adalah area di dalam cube yang dihitung atau didefinisikan dengan rule. Target area didefinisikan dengan elemen dimensi. Contoh query agregat yang membutuhkan MapF adalah, “ total produksi tanaman padi pada tahun 2003 sampai 2007 di kabupaten Karo”, karena pada query tersebut terjadi perubahan versi struktur pada tahun 2003 sampai dengan tahun 2007. Untuk menjawab query diatas, MapF yang digunakan adalah sebagai berikut : Produksi[2003-2007, wilayah: All, padi] = Padi (2003, wilayah: All) + Padi Gogo (2004-2005, wilayah: All) + Padi Sawah (2004-2005, wilayah: All) + Padi (2006-2007, wilayah: All). Penambahan Operasi Dasar OLAP Operasi dasar OLAP yang ditambahkan dalam temporal data warehouse ini adalah slicing, dicing, roll up, dan drill down. Penelitian Malau (2009) belum dapat
8
mengimplementasikan operasi dasar OLAP tersebut. Contoh, untuk query, total produksi padi tahun 2003 hingga 2007 pada seluruh wilayah Kabupaten Karo, hasil yang ditampilkan dapat dilihat pada Gambar 10.
dilakukan penambahan fungsi transformasi untuk data atomik dari setiap kecamatan, hasil yang diperoleh apabila Gambar 8 dikenakan operasi drill down, dapat terlihat pada Gambar 12.
Gambar 10 Hasil query total produksi padi pada tahun 2003 hingga 2007. Query tersebut merupakan query yang melibatkan data yang berada pada upper level. All pada dimensi wilayah merupakan upper level untuk kecamatan. Data yang bersifat upper level merupakan hasil agregat dari elemen dimensi yang berada di level bawah. Artinya elemen All untuk dimensi wilayah merupakan hasil agregat dari level kecamatan. Nilai konsolidasi yang dimiliki oleh All dapat menghasilkan suatu tampilan yang lebih detail berupa data produksi dari setiap kecamatan. Proses tersebut belum dapat ditangani oleh penelitian Malau (2009). Hal yang dilakukan agar proses tersebut dapat ditangani adalah dengan menransformasikan data atomik sebagai penyusun data summary.
Gambar 12 Hasil operasi drill down setelah ditambah fungsi transformasi data atomik. Hasil perbaikan dari Gambar 11 dapat dilihat dari ilustrasi Gambar 12, dimana hasil produksi padi pada tahun 2003 hingga 2007 dapat diperoleh beserta informasi detail mengenai total produksi padi pada setiap kecamatan. Operasi drill down tidak hanya dapat dilakukan pada dimensi wilayah saja, dimensi waktu pun dapat dikenakan operasi drill down. Hasil dari drill down pada dimensi waktu dapat dilihat pada Gambar 13.
Hasil yang dilakukan pada penelitian Malau (2009) apabila pada Gambar 10 dikenakan operasi drill down, akan terlihat seperti pada Gambar 11.
Gambar 13 Hasil operasi drill down pada dimensi waktu.
Gambar 11 Hasil operasi drill down pada penelitian Malau (2009). Hasil yang diperoleh dari query tersebut adalah 490.308,00 Ton padi pada tahun 2003 hingga 2007. Pada Gambar 11, terlihat hasil produksi padi pada setiap kecamatan bernilai nol. Hal ini terjadi karena fungsi transformasi pada data atomik belum ada. Setelah
Operasi drill down seperti pada Gambar 13 dibutuhkan rule untuk memetakan data atomik dari 13 kecamatan yang ada di Kabupaten Karo untuk jangka waktu 5 tahun. Cell value dari anggota dimensi yang berada dalam upper level dihitung dari subordinat lower level–nya. Sebelum melakukan transformasi data, kita memilih cube dari anggota dimensi yang berada di lower level dan menransformasikan setiap cell value untuk menghitung upper level- nya. Oleh karena itu, kolom dan baris yang diberi tanda pada Gambar 13, tidak memerlukan rule untuk mendeskripsikan nilai di setiap cell value-nya, karena kolom dan baris tersebut merupakan
9
upper level dari level yang berada di bawahnya. Contoh operasi slicing pada temporal data warehouse ini diilustrasikan pada Gambar 14.
Gambar 16 Hasil query untuk fungsi agregat min, max, dan average. Berdasarkan hasil query di atas, diperoleh hasil rata-rata produksi tahun 2003 hingga 2005 adalah 9.093,67, produksi minimum adalah 7.903,00, dan produksi maksimum adalah 9.728,00. Gambar 14 Contoh operasi slicing. Contoh operasi dicing pada temporal data warehouse dapat dilihat pada Gambar 15.
Analisis Visual dari Cross-tabulation dan Grafik Informasi yang dapat diperoleh dari temporal data warehouse ini misalnya, perkembangan produksi tanaman jagung yang terjadi di Kabupaten Karo dari tahun 2003 hingga tahun 2007. Crosstab dan grafik dari informasi di atas dapat dilihat pada Gambar 17.
Gambar 15 Contoh operasi dicing. Penambahan Fungsi Agregat Fungsi agregat yang ditambahkan pada temporal data warehouse ini adalah min, max, dan average. Min adalah fungsi agregat untuk mencari nilai minimum dari suatu subset. Max adalah fungsi agregat untuk mencari nilai maksimum dari suatu subset. Average adalah fungsi agregat untuk mencari nilai rata-rata dari suatu subset. Fungsi agregat tersebut ditambahkan dalam dimensi measure. Contoh query untuk mengetahui fungsi agregat misalnya, produksi minimum, produksi maksimum dan nilai rata-rata padi pada tahun 2003 hingga 2005 untuk kota Barusjahe. Hasil yang akan diperoleh dari query tersebut dapat dilihat pada Gambar 16.
Gambar 17 Cross-tabulation dan grafik batang untuk perkembangan produksi padi dan jagung pada tahun 2003 hingga 2007 di Kabupaten Karo. Dilihat dari dimensi waktu, pada tahun 2007, Kabupaten Karo menghasilkan produksi jagung sebanyak 400.609 Ton dan produksi padi pada tahun 2007 sebanyak 113.366 Ton. Pada tahun 2007, padi dan jagung mengalami peningkatan produksi tertinggi yaitu sebesar 82.030 Ton untuk jagung dan 23.450 Ton untuk padi. Tahun 2005 produksi jagung dan padi di Kabupaten Karo mengalami penurunan produksi yang paling besar dalam jangka waktu lima tahun terakhir. Produksi padi pada tahun 2005, Kabupaten Karo mengalami penurunan sebesar 14.804 Ton dan menghasilkan 81.969 Ton. Produksi jagung mengalami penurunan sebesar 30.470 Ton,
10
