PEMBANDINGAN WAKTU OPERASI DALAM OLAP PPMB IPB PADA PALO VERSI 1.0c DENGAN PALO VERSI 2.0 HOLAN

PEMBANDINGAN WAKTU OPERASI DALAM OLAP PPMB IPB PADA PALO VERSI 1.0c DENGAN PALO VERSI 2.0

HOLAN

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

PEMBANDINGAN WAKTU OPERASI DALAM OLAP PPMB IPB PADA PALO VERSI 1.0c DENGAN PALO VERSI 2.0

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

Oleh:

HOLAN G64101025

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

Judul

: Pembandingan Waktu Operasi dalam OLAP PPMB IPB pada Palo Versi 1.0c dengan Palo Versi 2.0

Nama

: Holan

NIM

: G64101025

Menyetujui: Pembimbing I,

Pembimbing II,

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

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

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

Dr. Drh. Hasim, DEA NIP 131578806

Tanggal Lulus:

ABSTRAK HOLAN. Pembandingan Waktu Operasi dalam OLAP (On-Line Analytical Processing) PPMB IPB pada Versi 1.0c dengan Versi 2.0. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan HARI AGUNG ADRIANTO. Saat ini berbagai macam aplikasi data warehouse beserta aplikasi OLAP (On-Line Analytical Processing) telah banyak bermunculan, dan masing-masing menawarkan kelebihan dan kemudahan dalam penggunaannya. Jedox adalah satu dari sekian banyak pengembang aplikasi data warehouse beserta OLAP-nya yang menyediakan aplikasi open source dan versi gratis dari aplikasinya yaitu Palo. Pada saat penelitian ini dilakukan versi Palo sudah mencapai versi 2.0. Dalam penelitian ini dilakukan proses migrasi aplikasi OLAP PPMB IPB yang sebelumnya berjalan di Palo versi 1.0c ke Palo versi 2.0. Kemudian dilakukan pembandingan waktu operasi OLAP yang meliputi drill-down, slice, dan dice. Proses pembandingan dilakukan dengan menjalankan aplikasi OLAP PPMB IPB pada dua komputer virtual yang telah ter-install Palo dengan versi berbeda. Dari penelitian ini didapat bahwa untuk migrasi dari Palo versi 1.0c ke Palo versi 2.0 diperlukan beberapa perubahan, diantaranya konfigurasi sistem dan penambahan modul untuk penyesuaian hasil query kubus di Palo versi 2.0. Berdasarkan hasil pembandingan operasi OLAP, didapat bahwa perbedaan waktu terbesar terjadi pada operasi OLAP yang melibatkan proses query yang kompleks, sebagai contoh pada operasi drill-down untuk tiap level hirarki dengan jumlah filter dimensi 0 (semua filter = All atau tidak ada filter dimensi yang dipilih), aplikasi OLAP PPMB IPB di Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP PPMB IPB di Palo 1.0c pada kubus mahasiswa dan empat sampai lima kali lebih cepat pada kubus pelamar. Semakin banyak jumlah filter dimensi cenderung semakin kecil perbedaan waktu eksekusinya. Kata kunci: Palo, data warehouse, OLAP (On-Line Analytical Processing).

RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 16 Oktober 1982 dari ayah Janes Sarman Saragih dan ibu Sugiharsi. Penulis merupakan anak pertama dari tiga bersaudara. Tahun 2001 Penulis lulus dari SMU Negeri 99 Jakarta dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Undangan Seleksi Mahasiswa IPB. Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB. Tahun 2005 bulan Januari sampai Maret, Penulis melakukan kegiatan Praktik Lapang di Balai Penelitian Bioteknologi Perkebunan Indonesia, terlibat dalam tim pembangunan Sistem Informasi Manajemen SimBiotek. Pada Juli 2006 sampai Desember 2007, Penulis bekerja di PT Anabatic Teknologi sebagai software developer J2EE di divisi Telco and Multimedia Solution Group.

PRAKATA Segala pujian dan syukur Penulis kepada Tuhan Yang Maha Esa atas segala berkat dan karuniaNya sehingga skripsi ini dapat diselesaikan. Skripsi ini merupakan hasil penelitian yang dilakukan dari Maret 2008 sampai Juli 2008 dengan bidang kajian Pembandingan Waktu Operasi dalam OLAP PPMB IPB pada Palo Versi 1.0c dengan Versi 2.0. Penulis mengucapkan terima kasih kepada Ibu Imas S. Sitanggang, S.Si, M.Kom selaku pembimbing I yang telah memberi saran, masukan, dan ide-ide kepada Penulis dalam menyusun skripsi ini. Terima kasih juga Penulis ucapkan kepada Bapak Hari Agung Adrianto, S.Kom, M.Si selaku pembimbing II yang telah memberi saran dan masukan kepada Penulis. Ucapan terima kasih juga kepada Bapak Wisnu Ananta Kusuma, S.T, M.T selaku penguji.

Bogor, Juli 2008

Holan

DAFTAR ISI Halaman DAFTAR TABEL .............................................................................................................................. vii DAFTAR GAMBAR .......................................................................................................................... vii DAFTAR LAMPIRAN....................................................................................................................... viii PENDAHULUAN .............................................................................................................................. 1 Latar Belakang ............................................................................................................................... 1 Tujuan ............................................................................................................................................ 1 Ruang Lingkup............................................................................................................................... 1 Manfaat .......................................................................................................................................... 1 TINJAUAN PUSTAKA ..................................................................................................................... 1 Data Warehouse............................................................................................................................. 1 Model Data Multidimensi .............................................................................................................. 2 On-Line Analytical Processing (OLAP) ........................................................................................ 3 Arsitektur Data Warehouse............................................................................................................ 4 Palo ................................................................................................................................................ 5 METODE PENELITIAN ................................................................................................................... 5 Migrasi Data dan Aplikasi OLAP .................................................................................................. 5 Mekanisme Pembandingan ............................................................................................................ 6 Lingkungan Pembandingan............................................................................................................ 6 HASIL DAN PEMBAHASAN........................................................................................................... 7 Migrasi Data dan Aplikasi OLAP .................................................................................................. 7 Hasil Pembandingan ...................................................................................................................... 8 KESIMPULAN DAN SARAN........................................................................................................... 13 Kesimpulan .................................................................................................................................... 13 Saran .............................................................................................................................................. 13 DAFTAR PUSTAKA ......................................................................................................................... 14 LAMPIRAN ....................................................................................................................................... 15

vi

DAFTAR TABEL Halaman 1 2 3 4

Kombinasi untuk operasi slice kubus mahasiswa ......................................................................... 10 Kombinasi untuk operasi slice kubus pelamar .............................................................................. 11 Kombinasi untuk operasi dice kubus mahasiswa .......................................................................... 12 Kombinasi untuk operasi dice kubus pelamar ............................................................................... 12

DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8

Representasi kubus data dengan 3 dimensi (Han dan Kamber 2006). .......................................... 3 Skema bintang (Han & Kamber 2006). ......................................................................................... 3 Skema snowflake (Han & Kamber 2006). ..................................................................................... 3 Skema galaksi (Han & Kamber 2006). ......................................................................................... 3 Arsitektur three-tier data warehousing (Han dan Kamber 2006). ................................................ 4 Skema Galaksi data warehouse PPMB IPB.................................................................................. 5 Perbedaan array pada Palo versi 1.0c dengan 2.0. ........................................................................ 7 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 0. ....................................... 8 9 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 1. ....................................... 8 10 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 2. ....................................... 8 11 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 3. ....................................... 9 12 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 0. ..................................................................................................... 9 13 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 1. ..................................................................................................... 9 14 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 2. ..................................................................................................... 10 15 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 3. ..................................................................................................... 10 16 Waktu eksekusi operasi slice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 1. ......................................................................................................................................... 11 17 Waktu eksekusi operasi slice pada kubus pelamar dengan kombinasi operasi pada Tabel 2..................................................................................................................................................... 11 18 Waktu eksekusi operasi dice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 3. ......................................................................................................................................... 12 19 Waktu eksekusi operasi dice pada kubus pelamar dengan kombinasi operasi pada Tabel 4..................................................................................................................................................... 13

vii

DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7

Kombinasi operasi drill-down untuk kubus mahasiswa ................................................................ 16 Kombinasi operasi drill-down untuk kubus pelamar..................................................................... 17 Kombinasi operasi slice pada kubus mahasiswa ........................................................................... 19 Kombinasi operasi slice pada kubus pelamar ................................................................................ 19 Kombinasi operasi dice pada kubus mahasiswa............................................................................ 20 Kombinasi operasi dice pada kubus pelamar ................................................................................ 20 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 1 pada kubus mahasiswa ..................................................................................................................................... 21 8 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 2 pada kubus pelamar .......... 24 9 Waktu eksekusi dari pengulangan operasi slice di Lampiran 3 pada kubus mahasiswa ............... 28 10 Waktu eksekusi dari pengulangan operasi slice di Lampiran 4 pada kubus pelamar .................... 29 11 Waktu eksekusi dari pengulangan operasi dice di Lampiran 5 pada kubus mahasiswa ................ 30 12 Waktu eksekusi dari pengulangan operasi dice di Lampiran 6 pada kubus pelamar..................... 31

viii

1

PENDAHULUAN Latar Belakang Saat ini sudah banyak organisasi yang telah mengadopsi teknologi data warehouse. Penerapan teknologi ini sangat membantu sekali bagi suatu organisasi yang memiliki data yang sangat besar (sepertii data pelanggan, data penjualan dan sebagainya yang berasal dari masa lalu hingga sekarang) untuk menganalisis perkembangan organisasi dan hasil-hasil yang telah dicapainya secara histori. Data yang sangat besar tersebut, yang bersumber dari berbagai macam bentuk penyimpanan data dan memiliki format yang berbeda-beda dapat diintegrasikan menjadi suatu bentuk penyimpanan data melalui proses pembersihan dan integrasi data. Data yang sudah tergabung tersebut terpisah secara fisik dari lingkungan operasional. Data warehouse umumnya diintegrasikan dengan aplikasi On-Line Analytical Processing (OLAP) yang memudahkan pengguna untuk memilah informasi dari data multi dimensi secara interaktif. Informasi yang didapatkan biasanya berupa pola kecenderungan ukuran suatu subjek pada beberapa waktu tertentu, misalnya informasi jumlah pelanggan dari tahun 2000 hingga 2008. Saat ini berbagai macam aplikasi data warehouse beserta aplikasi OLAP-nya telah banyak bermunculan, dan masing-masing menawarkan kelebihan dan kemudahan dalam penggunaannya. Palo adalah satu dari sekian banyak pengembang aplikasi data warehouse beserta OLAP-nya yang menyediakan aplikasi open source dan versi gratis dari aplikasinya. Aplikasi yang diberikan adalah sebuah server OLAP dan sebuah OLAP client yang bisa dijalankan dengan program spreadsheet Microsoft Excel. Namun Palo juga menyediakan API (Aplication Program Interface) bagi server OLAP-nya untuk berbagai platform bahasa pemrograman seperti Java, PHP, C, dan .NET. Hal ini membuatnya bersifat fleksibel untuk diintegrasikan dengan berbagai aplikasi. Perkembangan Palo pada saat tulisan ini dibuat sudah mencapai versi 2.0. Pada penelitian ini akan dibuat suatu perbandingan kinerja antara Palo versi 1.0c dengan Palo versi 2.0. Aplikasi OLAP yang digunakan dalam perbandingan ini adalah aplikasi yang telah dibangun sebelumnya oleh Abi Herlambang, S.Kom, yaitu Aplikasi

OLAP PPMB IPB yang berbasis web. Data yang digunakan dalam penelitian ini juga sama, yaitu data pelamar melalui jalur USMI dan data mahasiswa dari PPMB serta data IPK mahasiswa Tingkat Persiapan Bersama (TPB) IPB tahun masuk 2000 sampai 2004. Tujuan Tujuan dari penelitian ini adalah: 1. Mengetahui seberapa besar perbedaan kinerja antara Palo versi 1.0c dengan Palo versi 2.0. berdasarkan waktu eksekusi suatu operasi OLAP. 2. Melakukan proses migrasi dari Palo 1.0c ke Palo 2.0 untuk aplikasi OLAP PPMB IPB. Ruang Lingkup Dalam penelitian ini versi dari bahasa pemrograman yang digunakan adalah berbeda, yaitu PHP versi 5.1.6 untuk Palo versi 1.0c dan PHP versi 5.2.5 karena API yang digunakan pada masing-masing Palo hanya bisa bekerja sesuai dengan versi PHP tersebut. Operasi OLAP yang dibandingkan hanya tiga, yaitu drill-down, slice, dan dice. Perbandingan kinerja hanya didasarkan pada lama waktu eksekusi dari operasi OLAP yang dilakukan. Manfaat Hasil dari penelitian ini diharapkan dapat menjadi bahan pertimbangan bagi pihak-pihak yang telah menggunakan Palo versi 1.0c untuk bermigrasi ke Palo versi 2.0.

TINJAUAN PUSTAKA Data Warehouse Data warehouse adalah sebuah sistem yang berisi sekumpulan data dari berbagai macam sumber yang terintegrasi menjadi satu dan dikelola secara terpisah dari basis data operasional. Data warehouse merupakan ruang penyimpanan (atau arsip) informasi yang dikumpulkan dari berbagai sumber, disimpan dengan sebuah skema terintegrasi pada satu tempat. Data/infomasi tersebut tersimpan dalam jangka waktu yang lama, sehingga memungkinkan pengguna mengakses data historis. Data warehouse menyediakan satu tampilan data terkonsolidasi, sehingga menciptakan query untuk proses pengambilan keputusan menjadi lebih mudah. Dengan mengakses informasi dari data warehouse,

2

proses traksaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan (Silberschatz et al 2006). Data warehouse adalah sekumpulan data berorientasi subjek, terintegrasi, time-variant, dan non-volatile yang mendukung proses pembuatan keputusan dari manajemen (Inmon 2002). Keempat istilah tersebut adalah hal-hal yang membedakan antara data warehouse dengan sistem penyimpanan data lainnya. • Subject–oriented artinya sebuah data warehouse diorientasikan pada subjeksubjek utama, seperti pelanggan, penyedia barang, produk, dan penjualan. Hal ini berbeda dengan operasional basis data yang berfokus pada operasi dan proses transaksi harian, data warehouse lebih berfokus pada pemodelan dan analisa dari data untuk pembuatan keputusan. • Integrated artinya sebuah data warehouse dibangun dengan mengintegrasikan berbagai macam sumber data yang berbeda-beda seperti basis data relasional, file text biasa, dan data transaksi online. Hal ini berbeda dengan data operasional yang hanya berasal dari sumber-sumber sistem penyimpanan data yang identik. • Time-variant artinya setiap data yang ada dalam data warehouse adalah merupakan informasi yang memiliki perspektif histori, seperti misalnya produksi suatu item sepanjang lima tahun terakhir. Setiap struktur kunci dalam data warehouse mengandung elemen waktu baik secara eksplisit maupun secara implisit. Hal ini berbeda dengan data operasional yang bisa memiliki banyak perspektif. • Nonvolatile artinya sebuah data warehouse selalu terpisah secara fisik dari aplikasi pengolahan data yang ada di dalam lingkungan operasional. Jadi berdasarkan hal tersebut data warehouse tidak membutuhkan pemrosesan transaksi, proses recovery, dan mekanisme pengaturan concurrency. Operasi yang ada biasanya hanya berupa pengisian awal data dan pengaksesan data. Data warehouse merupakan ruang penyimpanan (atau arsip) informasi yang dikumpulkan dari berbagai sumber, disimpan dengan sebuah skema terintegrasi pada satu tempat. Data/infomasi tersebut tersimpan dalam jangka waktu yang lama, sehingga memungkinkan pengguna mengakses data historis. Data warehouse menyediakan satu

tampilan data terkonsolidasi, sehingga menciptakan query untuk proses pengambilan keputusan menjadi lebih mudah. Dengan mengakses informasi dari data warehouse, proses traksaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan (Silberschatz et al 2006). Data warehousing adalah suatu infrastruktur perangkat lunak yang mendukung aplikasi OLAP dengan menyediakan sebuah koleksi alat bantu yang (i) mengumpulkan data dari sekumpulan sumber-sumber heterogen terdistribusi, (ii) membersihkan dan mengintegrasikan data tersebut ke dalam representasi yang seragam (iii) mengagregasi dan mengorganisasi data tersebut ke dalam struktur multidimensional yang tepat untuk pengambilan keputusan, dan (iv) memperbaharuinya secara periodik untuk menjaga agar data mutakhir dan akurat (Bouzeghoub dan Kedad 2000). Model Data Multidimensi Pembuatan data warehouse didasarkan pada model data multidimensi. Model ini menampilkan data dalam bentuk kubus. Model data multidimensi terdiri dari dimensi (dimensions) dan fakta (facts) (Han dan Kamber 2006). Dimensi adalah perspektif atau entitas penting yang dimiliki oleh organisasi. Setiap dimensi mungkin memiliki satu tabel yang berasosiasi dengannya yang disebut dengan tabel dimensi yang mendeskripsikan dimensi itu sendiri. Dimensi akan berubah jika analisis kebutuhan pengguna berubah. Dimensi mendefinisikan label yang membentuk isi laporan. Tabel dimensi berukuran lebih kecil daripada tabel fakta dan berisi data tidak numerik. Pada data warehouse, kubus data merupakan kubus dengan n-dimensi (Han dan Kamber 2006). Fakta adalah ukuran-ukuran numerik, merupakan kuantitas yang akan dianalisis hubungan antar dimensinya. Tabel fakta berisi nama-nama fakta (ukuran) dan key dari tabeltabel dimensi yang berelasi dengan tabel fakta itu. Data fakta diekstrak dari berbagai sumber. Data fakta cenderung stabil dan tidak berubah seiring waktu. Tabel fakta berukuran besar, memiliki jumlah baris sesuai dengan jumlah kombinasi nilai dimensi yang mungkin dan jumlah kolom sesuai dengan jumlah dimensi yang direpresentasikan (Han dan Kamber 2006).

3

Kubus data disebut juga cuboid, berasal dari banyak dimensi. Potongan cuboid yang lebih kecil dapat dibuat dengan mengambil sebagian dimensi dari sebuah cuboid besar. Potongan cuboid memiliki tingkat yang lebih tinggi (besar nilainya) dari cuboid asalnya, cuboid dengan tingkat terendah disebut base cuboid (Han dan Kamber 2006). Gambaran kubus data dengan tiga dimensi dapat dilihat pada Gambar 1. Kubus data tersebut memiliki dimensi time, item, dan location, ukuran yang ditampilkan adalah jumlah hasil penjualan item.

Gambar 2 Skema bintang (Han & Kamber 2006). Skema snowflake (snowflake schema) Skema snowflake adalah variasi dari skema bintang dimana beberapa tabel dimensi dinormalisasi, jadi dihasilkan beberapa tabel tambahan. Bentuk skema snowflake dapat dilihat pada Gambar 3.

Gambar 1 Representasi kubus data dengan 3 dimensi (Han dan Kamber 2006). Skema basis data berisi kumpulan entitas dan hubungan antarentitas. Sebuah data warehouse memerlukan skema yang ringkas dan berorientasi subjek yang dapat digunakan dalam analisis data on-line (Han dan Kamber 2006). Skema-skema yang biasa dipakai untuk membangun data warehouse di antaranya adalah:

Skema bintang (star schema) Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang, dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Bentuk skema bintang dapat dilihat pada Gambar 2.

Gambar 3 Skema snowflake (Han & Kamber 2006). Skema galaksi (fact constellation) Pada skema galaksi, beberapa tabel fakta berbagi tabel dimensi. Bentuk skema galaksi dapat dilihat pada Gambar 4.

Gambar 4 Skema galaksi (Han & Kamber 2006). On-Line Analytical Processing (OLAP) On-Line Analytical Processing (OLAP) terdiri dari seperangkat aplikasi untuk membantu proses analisis dan perbandingan data dalam basis data. Kegunaan utama

4

aplikasi OLAP adalah kemampuan interaktifnya untuk membantu pimpinan organisasi melihat data dari berbagai perspektif (Post 2005). Aplikasi dan metoda OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai tampilan data, dan didukung dengan representasi grafik yang dinamis. Dalam tampilan tersebut dimensi-dimensi data berbeda menunjukkan karakteristik bisnis yang berbeda pula. Aplikasi OLAP sangat membantu untuk melihat data dimensional dari berbagai sudut pandang. Aplikasi OLAP tidak belajar dan tidak menciptakan pengetahuan baru dari data dengan sendirinya, tetapi merupakan alat bantu visualisasi khusus untuk membantu end-user menarik kesimpulan dan keputusan. Aplikasi OLAP sangat berguna untuk proses data mining, OLAP dapat menjadi bagian dari data mining tetapi keduanya tidak bersifat substitusi (Kantardzic 2003). Berikut adalah operasi-operasi yang bisa dilakukan oleh aplikasi OLAP (Han dan Kamber 2006):

yang bertujuan untuk menyediakan presentasi alternatif dari data. Satu kategori dari OLAP yang mulai muncul pada tahun 1997 adalah Web-based OLAP (WOLAP). Dengan produk ini pengguna web browser atau komputer dalam jaringan dapat mengakses dan menganalisis data dalam data warehouse. WOLAP dapat diterapkan dalam internet atau intranet, namun banyak organisasi lebih memilih intranet karena alasan keamanan dan kerahasiaan data. WOLAP dapat digunakan selama klien memiliki perangkat lunak web yang diperlukan dan terhubung dengan jaringan komputer yang benar. Teknologi ini juga mengeliminasi kebutuhan akan instalasi paket perangkat lunak pada komputer pengguna (Mallach 2000). Arsitektur Data Warehouse Data warehouse biasanya dibangun dengan menggunakan arsitektur three-tier. Bentuk arsitektur three-tier dapat dilihat pada Gambar 5.

Roll-up Operasi ini melakukan agregasi pada kubus data dengan cara menaikkan tingkat suatu hirarki konsep atau mengurangi dimensi. Misalkan pada kubus data dimensi wilayah pada level kota di-roll-up menjadi level propinsi atau negara. Drill-down Drill-down adalah kebalikan dari rollup. Operasi ini mempresentasikan data menjadi lebih detil. Drill-down dilakukan dengan cara menurunkan tingkat suatu hirarki konsep atau menambahkan dimensi. Misalkan suatu elemen tahun didrill-down menjadi elemen triwulan, bulan, atau hari. Slice dan Dice Operasi slice melakukan pemilihan satu dimensi dari kubus data sehingga menghasilkan bagian kubus (subcube). Operasi dice menghasilkan bagian kubus (subcube) dengan melakukan pemilihan dua atau lebih dimensi. Pivot (rotate) Pivot adalah operasi visualisasi dengan memutar koordinat data pada tampilan

Gambar 5 Arsitektur three-tier data warehousing (Han dan Kamber 2006). Lapisan-lapisan arsitektur data warehousing tersebut adalah (Han dan Kamber 2006): Lapis bawah (bottom tier) Pada lapis bawah terdapat server data warehouse yang biasanya merupakan sebuah sistem basis data relasional. Pada lapis ini data diambil dari basis data operasional dan sumber eksternal lainnya, diekstrak, dibersihkan, dan ditransformasi. Data disimpan sebagai data warehouse.

5

Lapis tengah (middle tier) Lapis tengah adalah OLAP server yang biasanya diimplementasikan dengan OLAP Relasional (ROLAP) atau OLAP Multidimensional (MOLAP).

METODE PENELITIAN Migrasi Data dan Aplikasi OLAP

Lapis atas (top tier) Lapis atas adalah lapisan front-end client yang berisi query dan perangkat pelaporan, perangkat analisis, dan/atau perangkat data mining (seperti: analisis tren, prediksi, dan lainnya). Palo Palo merupakan basis data berbasis sel yang multidimensional, hirarkis, dan berbasis memori. Query dalam Palo menghasilkan satu nilai sel tunggal, bukan baris data seperti basis data relasional. Palo menyimpan data dalam kubus data. Dengan dimensi yang hirarkis, kubus data Palo mampu melakukan agregasi multidimensi. Palo berbasis memori yang berimplikasi pada kecepatan (www.jedox.com 2008). Palo menyediakan Palo Excel Add-In yang terintegrasi dengan Microsoft Office Excel. Palo Excel Add-In memiliki fasilitas untuk menampilkan data dari kubus data Palo, membentuk struktur kubus data Palo, dan

Asal PK

memuat data dari sumber eksternal ke kubus data Palo (www.jedox.com 2008).

Aplikasi OLAP dibangun untuk mempresentasikan hasil operasi-operasi OLAP. Kelebihan aplikasi ini dibanding Palo Excel Add-In adalah berbasis web, terdapat operasi roll-up dan drill-down dalam tabel, dan grafik dinamis. Pengguna dapat mengevaluasi pola dengan menentukan kubus, ukuran, dimensi-dimensi, dan elemen-elemen dimensi, kemudian aplikasi akan memvisualisasikan ke bentuk yang mudah dipahami. Aplikasi OLAP PPMB IPB yang berjalan pada Palo versi 1.0c menggunakan skema galaksi. Skema galaksi digunakan karena terdapat dua tabel fakta, yaitu tabel Pelamar dan tabel Mahasiswa, dan terdiri dari sepuluh tabel dimensi, yaitu tabel Asal, Listrik, BiayaHidup, KategoriSLA, Waktu, JenisKelamin, Studi, Jalur, Pendidikan, dan PekerjaanAyah. Bentuk skema data warehouse PPMB IPB dapat dilihat pada Gambar 6.

Waktu

id_asal

PK

propinsi pulau

id_waktu

Jalur PK

tahun_masuk Pelamar

Mahasiswa

id_jalur jalur

Listrik PK

id_listrik listrik

BiayaHidup PK

id_biaya biaya_hidup

FK1 FK2 FK3 FK4 FK5 FK6 FK7 FK8 FK9

id_waktu id_asal id_kel studi_pilihan1 studi_pilihan2 studi_putusan id_listrik id_biaya id_kategori jumlah_pelamar_usmi

JenisKelamin PK

id_kel lelaki_perempuan

FK1 FK2 FK3 FK4 FK5 FK6 FK7

id_waktu id_jalur id_kel pendidikan_ayah pendidikan_ibu id_pek id_studi rataan_pendapatan_ayah rataan_ipk_tpb jumlah_mhs

Studi PK

id_studi

KategoriSLA PK

id_kategori kategori_sla

program_studi departemen fakultas

Gambar 6 Skema Galaksi data warehouse PPMB IPB.

Pendidikan PK

id_pend pendidikan

PekerjaanAyah PK

id_pek pekerjaan_ayah

6

Aplikasi OLAP yang telah dibuat sebelumnya, OLAP PPMB IPB yang berjalan pada Palo versi 1.0c, dibangun dengan menggunakan bahasa pemrograman web PHP dan berjalan pada server OLAP Palo versi 1.0c. Sebagai penghubung antara aplikasi PHP dengan server OLAP adalah Palo PHP API (Application Program Interface). Modul utama yang terdapat dalam aplikasi OLAP tersebut adalah: app.class.php, merupakan class induk yang menjalankan aplikasi, content.class.php, merupakan class untuk mengatur isi dari aplikasi, olap_function.class.php, merupakan class untuk menjalankan operasi-operasi OLAP, olap_render.class.php, merupakan class untuk menampilkan aplikasi dalam sintaksis HTML, olap_graph_generator.class.php, merupakan class untuk menggambar grafik hasil operasi OLAP. Class ini menggunakan library JpGraph untuk menghasilkan grafik. Aplikasi OLAP yang akan dijadikan pembanding adalah aplikasi OLAP yang berjalan pada server OLAP Palo 2.0. Karena data yang digunakan sama, maka ada proses migrasi data dari Palo 1.0c ke Palo 2.0. Data warehouse PPMB yang ada pada Palo 1.0c disalin ke lokasi atau folder tempat penyimpanan data warehouse Palo 2.0. Selanjutnya proses perubahan format data tersebut dilakukan secara otomatis oleh server OLAP Palo 2.0.

aplikasi OLAP yang berjalan pada Palo 2.0 dilakukan dengan membandingkan lamanya waktu suatu operasi. Untuk itu dibuat suatu fungsi penghitung lamanya waktu operasi yang diintegrasikan dengan modul aplikasi yang telah ada yaitu modul olap_function.class.php. Fungsi penghitungan waktu tersebut ditempatkan sebelum dan setelah fungsi palo_getdata($connection, $basis data, $cube, $coordinates), kemudian dicari selisihnya untuk mendapatkan lamanya tiap operasi pada aplikasi OLAP. Agar pembandingan dapat dilakukan dengan benar, maka tiap aplikasi OLAP tersebut masing-masing dijalankan pada komputer virtual yang terpisah dengan spesifikasi mesin dan sistem operasi yang sama. Komputer virtual dibuat dengan menggunakan aplikasi VMWare Workstation 5.5.3. Operasi-operasi yang dibandingkan pada kedua aplikasi OLAP ini adalah operasi drilldown, operasi slice, dan operasi dice. Tiap operasi dilakukan pengulangan sebanyak lima kali, kemudian diambil rata-ratanya Pembandingan operasi drill-down dilakukan dengan mengkombinasikan jumlah filter dimensi, ukuran yang dipakai, dan level hirarki dari dimensi. Daftar kombinasi tersebut dapat dilihat pada Lampiran 1 dan 2. Pembandingan operasi slice dilakukan dengan mengkombinasikan dimensi yang ditampilkan (yang menjadi baris dan kolom), satu elemen dimensi terpilih, dan ukuran yang dipakai. Daftar kombinasinya dapat dilihat pada Lampiran 3 dan 4.

Terdapat perbedaan Palo PHP API pada versi 1.0c dan 2.0, sehingga diperlukan penggantian modul API jika akan migrasi dari Palo 1.0c ke Palo 2.0. Begitu juga dengan interpreter PHP-nya, yang memerlukan penggunaan versi API yang sesuai. Dalam hal ini, karena aplikasi OLAP yang telah dibangun sebelumnya menggunakan PHP 5.1.6 maka API yang digunakan harus Palo PHP API yang ditujukan untuk PHP 5.1.x. Di samping itu karena API yang tersedia untuk Palo 2.0 adalah API yang ditujukan untuk PHP versi 5.2.x ke atas, maka aplikasi OLAP yang akan dibandingkan menggunakan interpreter PHP versi 5.2.5.

Untuk operasi dice, yang dikombinasikan adalah dimensi yang ditampilkan dengan filter-nya, dan ukuran yang dipakai. Daftar kombinasinya dapat dilihat pada Lampiran 5 dan 6.

Mekanisme Pembandingan

Memori 1 GB DDR2 SDRAM 533

Pembandingan kinerja antara aplikasi OLAP yang berjalan pada Palo 1.0c dengan

Harddisk 160 GB

Lingkungan Pembandingan Lingkungan pembandingan dilakukan dalam dua komputer virtual yang berjalan pada satu komputer induk. Adapun spesifikasi inti dari komputer induk adalah : Tipe komputer notebook Prosesor Mobile Intel Core Duo T2250, 1733 MHz (13 x 133).

7

Sistem Operasi Microsoft Windows XP Professional Service Pack 2 Sedangkan spesifikasi inti kedua virtual komputernya adalah: Prosesor tunggal Memori 512 MB Harddisk 8 GB

Sub-sub kubus itu dapat dibedakan dengan namanya, yaitu sub kubus selalu diawali dengan karakter “#”. Untuk itu perlu ditambah fungsi untuk mengubah isi dari array kubus sehingga array kubus-nya hanya terdiri dari kubus-kubus utama, yaitu kubus mahasiswa dan kubus pelamar. Berikut adalah fungsi penghilangan sub-kubus dari array kubus pada aplikasi OLAP Palo 2.0:

Sistem Operasi: Microsoft Windows XP Professional Service Pack 2

protected function normal_cube($arr)

Aplikasi inti yang berjalan didalamnya yaitu:

{

Web Server Apache 2.0.52

$arr_length=count($arr);

Microsoft Internet Explorer 6

$new_cubes=array(); $c=0;

Microsoft Excel 2003 Perbedaan antara kedua komputer virtual tersebut adalah aplikasi Palo dan interpreter PHP yang masing-masing di-install dengan versi yang berbeda.

for ($a=0; $a<$arr_length; $a++){ if(substr($arr[$a],0,1)!=='#'){ $new_cubes[$c]=$arr[$a]; $c++;

HASIL DAN PEMBAHASAN

}

Migrasi Data dan Aplikasi OLAP Pada aplikasi OLAP yang berjalan di Palo 2.0, saat menampilkan daftar kubus yang ada, daftar kubus-nya terdiri atas kubus utama (kubus mahasiswa dan kubus pelamar) dan sub-sub kubusnya. Hal ini menimbulkan error pada aplikasi OLAP ketika dijalankan karena pada saat inisialisasi aplikasi OLAP tersebut memanggil indeks kubus berdasarkan indeks angka. Pada aplikasi OLAP Palo 1.0c indeks angka kubus utama pada array kubus-nya berbeda dengan indeks angka pada aplikasi OLAP Palo 2.0 karena aplikasi OLAP Palo 2.0 daftar kubus pada array-nya terdiri atas kubus utama dan sub kubus dan indeks angka pada kubus utamanya berada pada indeks angka setelah 0 dan 1. Perbedaan array pada kedua versi Palo dapat dilihat pada Gambar 7.

} return $new_cubes; }

Fungsi tersebut ditambahkan pada modul olap_function.class.php dan dipanggil setelah perintah palo_database_list_cube(). Mekanisme konfigurasi server OLAP pada masing-masing versi Palo juga berbeda. Pada Palo 1.0c konfigurasi dilakukan pada dua file, yaitu file auth.xml untuk konfigurasi user access dan file config.xml untuk konfigurasi alamat server OLAP dan port-nya. Sedangkan pada Palo 2.0, konfigurasi dilakukan hanya pada satu file yaitu file palo.ini. File-file konfigurasi tersebut terletak pada folder tempat basis data Palo disimpan. Dari file-file konfigurasi tersebut, secara default user login dan port untuk API dari masing-masing versi Palo juga berbeda, sehingga modul conf.app.php untuk aplikasi OLAP yang berjalan di Palo 2.0. perlu diubah. Berikut adalah baris yang perlu diubah dari modul conf.app.php: $config['paloPort']

= 7777;

$config['paloUsername'] = 'admin';

Gambar 7 Perbedaan array pada Palo versi 1.0c dengan 2.0.

$config['paloPassword'] = ‘admin';.

8

Hasil Pembandingan Hasil pembandingan dari kedua aplikasi OLAP ini adalah sebagai berikut: Operasi drill-down kubus mahasiswa Operasi drill-down pada kubus mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 5, ukuran yang dipakai yaitu rataan IPK TPB, dan level hirarki program studi dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drill-down kubus mahasiswa dapat dilihat pada Lampiran 7. Gambar 8 sampai dengan Gambar 11 menunjukkan hasil pembandingan waktu operasi drill-down untuk tiap level hirarki program studi dari kubus mahasiswa.

Gambar 8 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 0.



9

hirarki program studi putusan dan program studi pilihan 1 dari kubus pelamar.

Gambar 11 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 3. Dari keempat grafik pada Gambar 8, 9, 10, dan 11 diperoleh bahwa semakin banyak filter dimensi yang dikombinasikan dengan operasi drill-down untuk aplikasi OLAP Palo 1.0c semakin cepat waktu eksekusinya. Berbeda dengan aplikasi OLAP Palo versi 2.0 yang justru cenderung semakin lambat waktu eksekusinya meskipun tidak terlalu signifikan. Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c. Terkecuali untuk operasi drill-down level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter dimensi 5. Semakin banyak jumlah filter dimensi semakin kecil perbedaan waktu eksekusinya. Operasi drill-down kubus pelamar Operasi drill-down pada kubus mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 7, ukuran yang dipakai yaitu jumlah pelamar USMI, dan level hirarki program studi putusan dan program studi pilihan 1 masing-masing dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drilldown kubus pelamar dapat dilihat pada Lampiran 8. Gambar 12 sampai dengan Gambar 15 menunjukkan pembandingan waktu operasi drill-down untuk tiap level

Gambar 12 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 0.

Gambar 13 Waktu eksekusi operasi drilldown pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 1.

10

cepat dibanding aplikasi Palo 1.0c. Sedangkan untuk jumlah filter dimensi di atas 3, justru aplikasi OLAP Palo 1.0c lebih cepat dari aplikasi OLAP Palo 2.0. Operasi slice kubus mahasiswa Proses pembandingan waktu operasi untuk operasi slice pada kubus mahasiswa dilakukan dengan kombinasi seperti dalam Tabel 1. Hasil dari penghitungan lama waktu operasi slice kubus mahasiswa dapat dilihat pada Lampiran 9. Tabel 1 Kombinasi untuk operasi slice kubus mahasiswa Gambar 14 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 2.

No

1

2

3

Jalur × Program Studi

4


5 6 7 8

Gambar 15 Waktu eksekusi operasi drilldown pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 3. Pada keempat grafik pada Gambar 12, 13, 14, dan 15 diperoleh bahwa untuk jumlah filter dimensi 0, aplikasi OLAP Palo 2.0 jauh lebih cepat sekitar empat sampai lima kali dari pada aplikasi OLAP Palo 1.0c. Sedangkan untuk perbedaan terkecil terjadi pada saat jumlah filter dimensinya 3. Pada jumlah filter dimensi di bawah 3, rata-rata dari grafik pada Gambar 12, 13, 14, dan 15, aplikasi OLAP Palo 2.0 lebih

Tampilan Dimensi (baris × kolom) Jalur × Program Studi Jalur × Program Studi

9 10

Jalur × Program Studi Jalur × Waktu Jalur × Waktu Jalur × Waktu Jalur × Waktu Jalur × Waktu

Elemen Dimensi Terpilih

Ukuran

Tahun = 2001

Rataan IPK

JK = Perempuan

Rataan IPK

Pekerjaan Ayah = PNS

Jumlah Mahasiswa

Pendidikan Ayah = P2

Jumlah Mahasiswa

Pendidikan Ibu = P1

Jumlah Mahasiswa

JK = Lelaki

Rataan IPK

Departemen = Ilmu Komputer Pendidikan Ayah = P1 Pendidikan Ibu = P0 Pekerjaan Ayah = PNS

Rataan IPK Jumlah Mahasiswa Jumlah Mahasiswa Jumlah Mahasiswa

Dari kombinasi pada Tabel 1, didapat hasil lamanya waktu operasi slice pada kubus mahasiswa untuk masing-masing kombinasi seperti tercantum dalam Gambar 16.

11

Tampilan Dimensi (baris × kolom)


6

Asal × Waktu

Studi Putusan = Ilmu Komputer

7

Asal × Waktu

Studi Pilihan 1 = Statistika

8

Asal × Waktu

Biaya hidup = < Rp. 100 ribu

9

Asal × Waktu

Jenis Kelamin = Lelaki

10

Asal × Waktu

Kategori SLA = A

No

Gambar 16 Waktu eksekusi operasi slice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 1. Dari gambar grafik pada Gambar 16, diperoleh secara rata-rata aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 3, yaitu dengan tampilan dimensi Jalur × Program Studi, elemen dimensi terpilih JK = Perempuan, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 10 kali. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 8 dari Tabel 1, yaitu dengan tampilan dimensi Jalur × Waktu, elemen dimensi terpilih Pendidikan Ayah = P1, dan ukuran Jumlah Mahasiswa. Operasi slice kubus pelamar Proses pembandingan waktu operasi untuk operasi slice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 2. Hasil dari penghitungan lama waktu operasi slice kubus pelamar dapat dilihat pada Lampiran 10. Tabel 2 Kombinasi untuk operasi slice kubus pelamar No

1

2

3

4

5

Tampilan Dimensi (baris × kolom) Asal × Studi Pilihan 1 Asal × Studi Pilihan 1 Asal × Studi Pilihan 1 Asal × Studi Putusan Asal × Studi Putusan


Tahun = 2004 Jenis Kelamin = Perempuan Studi Putusan = Tidak Diterima Jenis Kelamin = Lelaki Kategori SLA = B

Ukuran Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

Ukuran Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

Dari kombinasi pada Tabel 2, didapat hasil lamanya waktu operasi slice pada kubus pelamar untuk masing-masing kombinasi seperti tercantum dalam Gambar 17.

Gambar 17 Waktu eksekusi operasi slice pada kubus pelamar dengan kombinasi operasi pada Tabel 2. Dari Gambar 17 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 7 dari Tabel 2, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Studi Pilihan 1 = Statistika, dan ukuran Jumlah Pelamar USMI. Operasi dice kubus mahasiswa Proses pembandingan waktu operasi untuk operasi dice pada kubus mahasiswa dilakukan dengan kombinasi seperti dalam

12

Tabel 3. Hasil dari penghitungan lama waktu operasi dice kubus mahasiswa dapat dilihat pada Lampiran 11.

Jalur × Program Studi, elemen dimensi terpilih Jalur = USMI atau SPMB dan Fakultas = MIPA atau FAPERTA, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar tujuh kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice yang menggunaan kombinasi nomor 5 dari Tabel 3, yaitu dengan tampilan dimensi Jalur × Pekerjaan Ayah, elemen dimensi terpilih Jalur = USMI atau SPMB dan Pekerjaan Ayah = PNS atau Pegawai Swasta, dan ukuran Jumlah Mahasiswa.

Tabel 3 Kombinasi untuk operasi dice kubus mahasiswa No

1

Tampilan Dimensi (baris × kolom) Jalur × Program Studi

2

Jalur × Pendidikan Ayah

3

Jalur × Pekerjaan Ayah

4

Jalur × Waktu

5

Pendidikan Ayah × Pendidikan Ibu

6

Pekerjaan Ayah × Program Studi

Elemen Dimensi Terpilih Jalur = USMI or SPMB Fakultas = MIPA or FAPERTA Jalur = USMI or SPMB Pendidikan Ayah = P2 or P3 Jalur = USMI or SPMB Pekerjaan Ayah = PNS or Pegawai Swasta Jalur = USMI or SPMB Waktu = 2001 or 2004 Pendidikan Ayah = P2 or P3 Pendidikan Ibu = P1 or P2 Pekerjaan Ayah = PNS or Pegawai Program Studi = Ilmu Komputer or Matematika

Ukuran

Rataan IPK

Rataan IPK

Jumlah Mahasis wa

Operasi dice kubus pelamar Proses pembandingan waktu operasi untuk operasi dice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 4. Hasil dari penghitungan lama waktu operasi dice kubus pelamar dapat dilihat pada Lampiran 12.

Jumlah Mahasis wa

Rataan IPK

Rataan IPK

Dari kombinasi pada Tabel 3, didapat hasil lamanya waktu operasi dice pada kubus mahasiswa untuk masing-masing kombinasi seperti tercantum dalam Gambar 18.

Tabel 4 Kombinasi untuk operasi dice kubus pelamar No

1

2

3

4

Gambar 18 Waktu eksekusi operasi dice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 3. Dari Gambar 18 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 1 pada Tabel 3, yaitu dengan tampilan dimensi

Tampilan Dimensi (baris × kolom) Studi Pilihan 1 × Studi Pilihan 2

Biaya Hidup × Waktu

Asal × Studi Pilihan 1

Asal × Studi Putusan

Elemen Dimensi Terpilih Studi Pilihan 1 = Ilmu Komputer or Statistika Studi Pilihan 2 = Ilmu Komputer or Statistika Biaya Hidup = < Rp. 100 ribu or > Rp 500 ribu Waktu = 2001 or 2004 Asal = Jawa or Sumatera Studi Pilihan 1 = Ilmu Komputer or Statistika Asal = Jawa or Sumatera Studi Putusan = Ilmu Komputer or Statistika

Ukuran

Jumlah Pelamar USMI

Jumlah Pelamar USMI

Jumlah Pelamar USMI

Jumlah Pelamar USMI

Dari kombinasi pada Tabel 4, didapat hasil lamanya waktu operasi dice pada kubus pelamar untuk masing-masing kombinasi seperti tercantum dalam Gambar 19.

13

Gambar 19 Waktu eksekusi operasi dice pada kubus pelamar dengan kombinasi operasi pada Tabel 4. Dari Gambar 19 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice yang menggunaan kombinasi 1 dari Tabel 4, yaitu dengan tampilan dimensi Studi Pilihan 1 × Studi Pilihan 2, elemen dimensi terpilih Studi Pilihan 1 = Ilmu Komputer atau Statistika dan Studi Pilihan 2 = Ilmu Komputer atau Statistika, dan ukuran Jumlah Pelamar USMI.

KESIMPULAN DAN SARAN Kesimpulan Dari penelitian ini didapatkan bahwa untuk dapat melakukan migrasi data dan aplikasi OLAP Palo versi 1.0c ke 2.0 ada beberapa perubahan yang perlu diperhatikan, diantaranya yaitu file konfigurasi server Palo, port API server Palo, login default API server Palo, dan kesesuaian interpreter dari programming script yang dipakai dengan API server Palo yang dipakai. Selain itu juga hasil dari query kubus data pada Palo 2.0 terjadi perubahan, sehingga perlu ditambahkan fungsi pada aplikasi OLAP yang telah dibuat untuk menghilangkan perbedaan tersebut. Dari pembandingan operasi drill-down, pada aplikasi OLAP Palo 1.0c untuk jumlah filter dimensi di bawah 2 perbedaan kinerjanya tertinggal jauh dari versi 2.0, namun bila jumlah filter dimensinya di atas 2

kinerjanya bisa menyamai versi 2.0 bahkan cenderung lebih cepat walaupun tidak terlalu signifikan. Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c di kubus mahasiswa dan empat sampai lima kali lebih cepat di kubus pelamar. Terkecuali untuk operasi drilldown level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter dimensi 5 untuk kubus mahasiswa dan jumlah filter dimensi 3 untuk kubus pelamar. Semakin banyak jumlah filter dimensi cenderung semakin kecil perbedaan waktu eksekusinya. Dari pembandingan operasi slice, kinerja aplikasi OLAP Palo 2.0 secara rata-rata jauh mengungguli kinerja versi 1.0c, terutama untuk operasi slice pada kubus pelamar. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10 di Tabel 2, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c. Sama halnya dengan operasi slice, dari hasil pembandingan kinerja untuk operasi dice, Palo 2.0 lebih unggul dari versi 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 di Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c. Saran Saran untuk penelitian berikutnya adalah dilakukan pembandingan yang meliputi banyaknya jumlah sumber daya yang dibutuhkan pada masing-masing aplikasi dalam melakukan suatu operasi OLAP

14

DAFTAR PUSTAKA Bouzeghoub M, Kedad Z. 2000. A QualityBased Framework for Physical Data warehouse Design. Laboratoire PRiSM, Université de Versailles. Versailles Cedex, France. Han J, Kamber M. 2006. Data Mining Concepts & Techniques. Simon Fraser University. USA: Morgan Kaufman. Inmon WH. 2002. Building the Data warehouse. Ed ke-3. New York, USA: John Wiley & Sons. Kantardzic M. 2003. Data Mining Concept, Models, Methods, dan Algorithms. New Jersey, USA: A John Wiley & Sons. Mallach EG. 2000. Decision Support and Data warehouse Systems, International Edition. Singapore: McGraw-Hill. Post GV. 2005. Database Management Systems: Designing and Building Business Applications. Ed ke-3. New York, USA: McGraw Hill. Silberschatz A, Korth HF, Sudarshan S. 2006. Database System Concepts. Ed ke-5. Singapore: McGraw-Hill.

LAMPIRAN

16

Lampiran 1 Kombinasi operasi drill-down untuk kubus mahasiswa No.

Jumlah Filter Dimensi

1

0 (Row-Program Studi, Column-Waktu)

2


3


4


5

1 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2)

6


7


8


9 10 11 12 13 14 15 16 17 18 19 20 21

22

23

24

2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI) 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI) 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI) 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI) 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki) 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki) 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki) 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki) 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1) 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1) 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1) 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1) 5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS) 5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS) 5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS) 5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS)

Ukuran Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK Rataan IPK

Level Hierarki Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen in Faperta) Level 3 (Program Studi in Sosek) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi)

Rataan IPK

Level 0 (All)

Rataan IPK

Level 1 (Fakultas)

Rataan IPK

Level 2 (Departemen)

Rataan IPK

Level 3 (Program Studi)

17

Lampiran 2 Kombinasi operasi drill-down untuk kubus pelamar No.


1

0 (Row-Studi Putusan, Column-Studi Pilihan 1)

2


3


4


5

1 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa)

6


7


8


9

2 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan)

10


11


12


13

3 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika)

14


15


16


17

18

19

4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W) 4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W) 4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W)

Ukuran Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

Level Hierarki Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen)

18

Lanjutan No.


Ukuran

20

4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W)

Jumlah Pelamar USMI

5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu) 5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu) 5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu) 5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu) 6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A) 6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A) 6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A) 6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A) 7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 2001) 7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 2001) 7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 72001) 7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 2001)

Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

21

22

23

24

25

26

27

28

29

30

31

32

Level Hierarki Level 3 (Program Studi)

Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi) Level 0 (All) Level 1 (Fakultas) Level 2 (Departemen) Level 3 (Program Studi)

Jumlah Pelamar USMI

Level 0 (All)

Jumlah Pelamar USMI

Level 1 (Fakultas)

Jumlah Pelamar USMI

Level 2 (Departemen)

Jumlah Pelamar USMI

Level 3 (Program Studi)

19

Lampiran 3 Kombinasi operasi slice pada kubus mahasiswa No. 1 2 3 4 5 6 7 8 9 10

Tampilan Dimensi ( baris × kolom ) Jalur × Program Studi Jalur × Program Studi Jalur × Program Studi Jalur × Program Studi Jalur × Program Studi Jalur × Waktu Jalur × Waktu Jalur × Waktu Jalur × Waktu Jalur × Waktu

Elemen Dimensi Terpilih Tahun = 2001 JK = Perempuan Pekerjaan Ayah = PNS Pendidikan Ayah = P2 Pendidikan Ibu = P1 JK = Lelaki Departemen = Ilmu Komputer Pendidikan Ayah = P1 Pendidikan Ibu = P0 Pekerjaan Ayah = PNS

Ukuran Rataan IPK Rataan IPK Jumlah Mahasiswa Jumlah Mahasiswa Jumlah Mahasiswa Rataan IPK Rataan IPK Jumlah Mahasiswa Jumlah Mahasiswa Jumlah Mahasiswa

Lampiran 4 Kombinasi operasi slice pada kubus pelamar No.

Kubus

Tampilan Dimensi ( baris × kolom )


1

Pelamar


Tahun = 2004

2

Pelamar


3

Pelamar


4

Pelamar



5

Pelamar


Kategori SLA = B

6

Pelamar

Asal × Waktu

Studi Putusan = Ilmu Komputer

7

Pelamar

Asal × Waktu

Studi Pilihan 1 = Statistika

8

Pelamar

Asal × Waktu

Biaya hidup = < Rp. 100 ribu

9

Pelamar

Asal × Waktu


10

Pelamar

Asal × Waktu

Kategori SLA = A

Jenis Kelamin = Perempuan Studi Putusan = Tidak Diterima

Ukuran Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

20

Lampiran 5 Kombinasi operasi dice pada kubus mahasiswa No.

Kubus


1

Mahasiswa


2

Mahasiswa

Jalur × Pendidikan Ayah

3

Mahasiswa

Jalur × Pekerjaan Ayah

4

Mahasiswa

Jalur × Waktu

5

Mahasiswa

Pendidikan Ayah × Pendidikan Ibu

6

Mahasiswa

Pekerjaan Ayah × Program Studi

Elemen Dimensi Terpilih Jalur = USMI or SPMB Fakultas = MIPA or FAPERTA Jalur = USMI or SPMB Pendidikan Ayah = P2 or P3 Jalur = USMI or SPMB Pekerjaan Ayah = PNS or Pegawai Swasta Jalur = USMI or SPMB Waktu = 2001 or 2004 Pendidikan Ayah = P2 or P3 Pendidikan Ibu = P1 or P2 Pekerjaan Ayah = PNS or Pegawai Program Studi = Ilmu Komputer or Matematika

Ukuran Rataan IPK Rataan IPK Jumlah Mahasiswa Jumlah Mahasiswa Rataan IPK

Rataan IPK

Lampiran 6 Kombinasi operasi dice pada kubus pelamar Kubus



Ukuran

1

Pelamar

Studi Pilihan 1 × Studi Pilihan 2

Studi Pilihan 1 = Ilmu Komputer or Statistika Studi Pilihan 2 = Ilmu Komputer or Statistika

Jumlah Pelamar USMI

2

Pelamar

Biaya Hidup × Waktu

Biaya Hidup = < Rp. 100 ribu or > Rp 500 ribu

3

Pelamar


4

Pelamar


No.

Asal = Jawa or Sumatera Studi Pilihan 1 = Ilmu Komputer or Statistika Asal = Jawa or Sumatera Studi Putusan = Ilmu Komputer or Statistika

Jumlah Pelamar USMI Jumlah Pelamar USMI Jumlah Pelamar USMI

21

Lampiran 7 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 1 pada kubus mahasiswa 1.

2

3

4

5

No.

6.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.00831604003906

0.00089907646179

1

0.00488185882568

0.00482606887817

2

0.00739812850952

0.00052404403687

2

0.00463151931763

0.00145125389099

3

0.00797796249390

0.00066184997559

3

0.00463175773621

0.00499582290649

4

0.00810503959656

0.00067615509033

4

0.00459480285645

0.00447368621826

5

0.00765585899353

0.00053715705872

5

0.00538349151611

0.00385687828064

Avg.

0.00789060592651

0.00065965652466

Avg.

0.00482468605042

0.00392074203491

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.03042387962341

0.00159001350403

1

0.00700497627258

0.00205111503601

2

0.03554844856262

0.00155806541443

2

0.00676536560059

0.00225806236267

3

0.03002810478210

0.00176358222961

3

0.00991892814636

0.00356817245483

4

0.02983045578003

0.00312089920044

4

0.00719594955444

0.00203514099121

7.

No.

No.

5

0.02801799774170

0.00153875350952

5

0.00753402709961

0.00285363197327

Avg.

0.03076977729797

0.00191426277161

Avg.

0.00768384933472

0.00255322456360

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.04438567161560

0.00382733345032

1

0.00894045829773

0.00231838226318

2

0.04252791404724

0.00221800804138

2

0.00920796394348

0.00246906280518

3

0.03696084022522

0.00466704368591

3

0.00864219665527

0.00212931632996

4

0.03729295730591

0.00204706192017

4

0.00862026214600

0.00222587585449

8.

5

0.04200625419617

0.00529217720032

5

0.00987887382507

0.00221467018127

Avg.

0.04063472747803

0.00361032485962

Avg.

0.00905795097351

0.00227146148682

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.04607295989990

0.00263881683350

1

0.00071597099304

0.00067901611328

2

0.04288864135742

0.00273036956787

2

0.00071811676025

0.00074291229248

3

0.04481768608093

0.00280785560608

3

0.00071716308594

0.00054097175598

4

0.04406666755676

0.00244617462158

4

0.00072002410889

0.00065398216248

5

0.04414820671082

0.00220870971680

5

0.00071406364441

0.00079584121704

Avg.

0.04439883232117

0.00256638526917

Avg.

0.00071706771851

0.00068254470825

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.00091791152954

0.00068092346191

1

0.00382995605469

0.00145697593689

2

0.00091409683228

0.00051498413086

2

0.00429177284241

0.00248980522156

3

0.00098896026611

0.00059103965759

3

0.00423836708069

0.00143980979919

4

0.00092792510986

0.00058317184448

4

0.00401997566223

0.00186204910278

5

0.00092291831970

0.00051283836365

5

0.00398445129395

0.00142693519592

Avg.

0.00093436241150

0.00057659149170

Avg.

0.00407290458679

0.00173511505127

9.

10.

No.

22

Lanjutan 11.

12.

13.

14.

15.

No.

Palo v1.0c

Palo v2.0

1

0.00586700439453

0.00206422805786

2

0.00577878952026

0.00198078155518

3

0.00596690177917

4 5

16.

Palo v1.0c

Palo v2.0

1

0.00789785385132

0.00410294532776

2

0.00589013099670

0.00237607955933

0.00202608108521

3

0.00633144378662

0.00307273864746

0.00619006156921

0.00225114822388

4

0.00747156143188

0.00250816345215

0.00621366500854

0.00191307067871

5

0.00589609146118

0.00246620178223

Avg.

0.00600328445435

0.00204706192017

Avg.

0.00669741630554

0.00290522575378

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00756311416626

0.00240182876587

1

0.00036001205444

0.00165987014771

2

0.00716471672058

0.00215601921082

2

0.00044703483582

0.00155496597290

3

0.00707459449768

0.00392389297485

3

0.00045514106750

0.00106382369995

4

0.00782608985901

0.00337648391724

4

0.00034809112549

0.00123190879822

5

0.00720810890198

0.00380349159241

5

0.00054597854614

0.00159692764282

Avg.

0.00736732482910

0.00313234329224

Avg.

0.00043125152588

0.00142149925232

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.00065708160400

0.00066184997559

1

0.00254654884338

0.00206875801086

2

0.00052595138550

0.00066304206848

2

0.00254654884338

0.00219249725342

3

0.00053215026855

0.00068902969360

3

0.00303626060486

0.00225234031677

4

0.00063991546631

0.00058817863464

4

0.00301289558411

0.00249385833740

5

0.00062680244446

0.00080609321594

5

0.00274586677551

0.00197768211365

Avg.

0.00059638023376

0.00068163871765

Avg.

0.00277762413025

0.00219702720642

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00318884849548

0.00167965888977

1

0.00408840179443

0.00274419784546

2

0.00328731536865

0.00182032585144

2

0.00627493858337

0.00459504127502

3

0.00353550910950

0.00151085853577

3

0.00409960746765

0.00238895416260

4

0.00319480895996

0.00139522552490

4

0.00413107872009

0.00280809402466

17.

18.

19.

No.

No.

5

0.00401210784912

0.00145792961121

5

0.00420904159546

0.00370335578918

Avg.

0.00344371795654

0.00157279968262

Avg.

0.00456061363220

0.00324792861938

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00698518753052

0.00243425369263

1

0.00536632537842

0.00405788421631

2

0.00561642646790

0.00205469131470

2

0.00537824630737

0.00296497344971

3

0.00519180297852

0.00397944450378

3

0.00532341003418

0.00309514999390

4

0.00511336326599

0.00216364860535

4

0.00535964965820

0.00295281410217

5

0.00501847267151

0.00201869010925

5

0.00524449348450

0.00352239608765

Avg.

0.00558505058289

0.00253014564514

Avg.

0.00533442497253

0.00331864356995

20.

23

Lanjutan 21.

22.

No.

Palo v1.0c

Palo v2.0

1

0.00031805038452

0.00126194953918

2

0.00033402442932

0.00114607810974

3

0.00030684471130

4 5

23.

Palo v1.0c

Palo v2.0

1

0.00432586669922

0.00324630737305

2

0.00420331954956

0.00563383102417

0.00106191635132

3

0.00416851043701

0.00279617309570

0.00031495094299

0.00075602531433

4

0.00459194183350

0.00227236747742

0.00034904479980

0.00090098381042

5

0.00669622421265

0.00321125984192

Avg.

0.00032458305359

0.00102539062500

Avg.

0.00479717254639

0.00343198776245

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00253582000732

0.00203108787537

1

0.00467276573181

0.00908207893372

2

0.00254297256470

0.00173711776733

2

0.00444269180298

0.00248456001282

3

0.00247192382813

0.00176453590393

3

0.00483870506287

0.00341725349426

4

0.00235652923584

0.00194430351257

4

0.00470399856567

0.00305271148682

5

0.00251555442810

0.00163412094116

5

0.00666642189026

0.00484800338745

Avg.

0.00248456001282

0.00182223320007

Avg.

0.00506491661072

0.00457692146301

24.

No.

24

Lampiran 8 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 2 pada kubus pelamar 1.

2.

3.

4.

5.

No.

6.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.07189702987671

0.00093603134155

No. 1

0.30603027343750

0.08004903793335

2

0.07224988937378

0.00087189674377

2

0.30741930007935

0.07303881645203

3

0.07296705245972

0.00080990791321

3

0.31056547164917

0.08191633224487

4

0.07971096038818

0.00088906288147

4

0.31882572174072

0.06895732879639

5

0.07036495208740

0.00089597702026

5

0.30739021301270

0.06502342224121

Avg.

0.07343797683716

0.00088057518005

Avg.

0.31004619598389

0.07379698753357

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.56461238861084

0.07502007484436

1

0.48702359199524

0.15191817283630

2

0.58995413780212

0.07409119606018

2

0.55595517158508

0.15831375122070

3

0.55492258071899

0.06588721275330

3

0.51723599433899

0.17361211776733

4

0.53584742546082

0.06588721275330

4

0.50314307212830

0.14858102798462

7.

5

0.56819844245911

0.07103633880615

5

0.47243213653564

0.16486835479736

Avg.

0.56270699501038

0.07038440704346

Avg.

0.50715799331665

0.15945868492126

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.81746220588684

0.16559791564941

1

0.62671470642090

0.31382441520691

2

0.86345624923706

0.18228220939636

2

0.58448815345764

0.27423930168152

3

0.89145994186401

0.16307783126831

3

0.54819536209106

0.28235769271851

4

0.86749339103699

0.14725112915039

4

0.62630486488342

0.21595454216003

5

0.83098006248474

0.15680241584778

5

0.57782483100891

0.22363805770874

Avg.

0.85417037010193

0.16300230026245

Avg.

0.59270558357239

0.26200280189514

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

1.03269052505490

0.22176456451416

1

0.02975201606751

0.00089287757874

2

1.02931094169620

0.25936603546143

2

0.02830910682678

0.00091195106506

3

1.02227020263670

0.22226142883301

3

0.02696204185486

0.00105595588684

4

1.03245282173160

0.22388648986816

4

0.03319311141968

0.00094389915466

5

0.97135138511658

0.20545578002930

5

0.02738380432129

0.00090289115906

Avg.

1.01761517524720

0.22654685974121

Avg.

0.02912001609802

0.00094151496887

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.04811787605286

0.00084996223450

1

0.19746255874634

0.06594586372376

2

0.04997205734253

0.00095295906067

2

0.20511651039124

0.06551384925842

3

0.04612898826599

0.00092887878418

3

0.19383239746094

0.08005714416504

4

0.04472899436951

0.00095295906067

4

0.20546364784241

0.07798910140991

5

0.04937314987183

0.00088000297546

5

0.25257778167725

0.07120013237000

Avg.

0.04766421318054

0.00091295242310

Avg.

0.21089057922364

0.07214121818542

8.

9.

10.

No.

No.

25

Lanjutan 11.

12.

13.

14.

15.

No.

Palo v1.0c

Palo v2.0

1

0.34484243392944

0.17893266677856

2

0.31064844131470

0.15109753608704

3

0.31433033943176

4 5

16.

Palo v1.0c

Palo v2.0

1

0.13548064231873

0.11569309234619

2

0.12639546394348

0.10412836074829

0.15707659721375

3

0.13285136222839

0.11785054206848

0.30264711380005

0.16912865638733

4

0.12649345397949

0.11921000480652

0.32913589477539

0.16368079185486

5

0.13177704811096

0.23739242553711

Avg.

0.32032084465027

0.16398324966431

Avg.

0.13059959411621

0.13885488510132

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.40708470344543

0.20528411865234

1

0.00127410888672

0.00093197822571

2

0.38425207138062

0.23257279396057

2

0.00124788284302

0.00073885917664

3

0.46331357955933

0.25046634674072

3

0.00120282173157

0.00088286399841

4

0.37007689476013

0.20623326301575

4

0.00123095512390

0.00097894668579

5

0.41166043281555

0.22564649581909

5

0.00118517875671

0.00106191635132

Avg.

0.40727753639221

0.22404060363769

Avg.

0.00122818946838

0.00091891288757

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.00152206420898

0.00085997581482

1

0.04045748710632

0.04105067253113

2

0.00150299072266

0.00106215476990

2

0.04049515724182

0.07222533226013

3

0.00152087211609

0.00092101097107

3

0.04075241088867

0.06835985183716

4

0.00169301033020

0.00085210800171

4

0.04035806655884

0.07047462463379

5

0.00169587135315

0.00093984603882

5

0.04025578498840

0.04336452484131

Avg.

0.00158696174622

0.00092701911926

Avg.

0.04046378135681

0.05909500122070

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.04250311851502

0.04143595695496

1

0.08849930763245

0.11014437675476

2

0.04508781433106

0.04067564010620

2

0.08647179603577

0.10034871101379

3

0.04743719100952

0.04032564163208

3

0.08673787117004

0.09819436073303

4

0.04379558563232

0.04960250854492

4

0.08608770370483

0.09451198577881

17.

18.

19.

No.

No.

5

0.04116511344910

0.03644490242004

5

0.08943319320679

0.17733573913574

Avg.

0.04399776458740

0.04169692993164

Avg.

0.08744597434998

0.11610703468323

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.08891272544861

0.08270525932312

1

0.12713384628296

0.29215002059937

2

0.09198164939880

0.07603478431702

2

0.12196755409241

0.37507629394531

3

0.09099555015564

0.09420657157898

3

0.12329101562500

0.28383898735046

4

0.09053182601929

0.08254909515381

4

0.12467193603516

0.29421210289001

5

0.09056329727173

0.08558773994446

5

0.12464308738708

0.32115459442139

Avg.

0.09059700965881

0.08421669006348

Avg.

0.12434148788452

0.31328639984131

20.

26

Lanjutan 21.

22

23.

24.

25.

No.

Palo v1.0c

Palo v2.0

1

0.00101494789124

0.00084090232849

2

0.00108194351196

0.00078105926514

3

0.00103282928467

4 5

26.

Palo v1.0c

Palo v2.0

1

0.04250693321228

0.06531620025635

2

0.04057359695435

0.06815910339356

0.00086593627930

3

0.04037117958069

0.04108595848084

0.00102615356445

0.00074791908264

4

0.04261875152588

0.06615757942200

0.00103807449341

0.00093984603882

5

0.04037356376648

0.06716394424439

Avg.

0.00103878974915

0.00083513259888

Avg.

0.04128880500793

0.06157655715942

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.04437041282654

0.07873773574829

1

0.08712434768677

0.08030319213867

2

0.03910541534424

0.05747866630554

2

0.08562064170837

0.15236639976501

3

0.04550409317017

0.07884645462036

3

0.09392619132996

0.08779811859131

4

0.04560542106628

0.07947754859924

4

0.08649516105652

0.15605401992798

5

0.04249072074890

0.07207727432251

5

0.08558821678162

0.15094733238220

Avg.

0.04341521263123

0.07332353591919

Avg.

0.08775091171265

0.12549381256103

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.08617925643921

0.09134936332703

1

0.11594009399414

0.21313619613647

2

0.08635640144348

0.09162449836731

2

0.11767721176147

0.22715687751770

3

0.08806419372559

0.17732334136963

3

0.12143397331238

0.33773851394653

4

0.09393143653870

0.09747171401978

4

0.12869048118591

0.21415591239929

5

0.08676099777222

0.17928552627563

5

0.11531949043274

0.25020289421082

Avg.

0.08825845718384

0.12741088867187

Avg.

0.11981225013733

0.24847807884216

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.12190365791321

0.13516187667847

1

0.00053095817566

0.00087594985962

2

0.12451767921448

0.12884426116943

2

0.00065183639526

0.00084090232849

3

0.11903810501099

0.19514145851135

3

0.00056004524231

0.00088500976563

4

0.12148141860962

0.13675594329834

4

0.00055098533630

0.00088790397644

27.

28.

29.

No.

No.

5

0.12870621681213

0.23563504219055

5

0.00060892105103

0.00085592269897

Avg.

0.12312941551209

0.16630771636963

Avg.

0.00058054924011

0.00086913772583

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00104808807373

0.00083899497986

1

0.03754401206970

0.06192564964294

2

0.00107693672180

0.00075602531433

2

0.03382015228272

0.06353831291199

3

0.00104093551636

0.00090885162354

3

0.03850817680359

0.06799960136414

4

0.00100803375244

0.00078797340393

4

0.03369235992432

0.05830574035645

5

0.00112104415894

0.00087690353394

5

0.03222584724426

0.06375050544739

Avg.

0.00105900764465

0.00083374977112

Avg.

0.03515810966492

0.06310396194458

30.

27

Lanjutan 31.

No.

Palo v1.0c

Palo v2.0

1

0.07311153411865

0.09227871894836

2

0.07223129272461

0.14279556274414

3

0.07365798950195

4 5 Avg.

32.

No.

Palo v1.0c

Palo v2.0

1

0.10470104217529

0.21714901924133

2

0.11618423461914

0.09396028518677

0.14775753021240

3

0.12087416648865

0.25216960906982

0.07413291931152

0.07237362861633

4

0.11188507080078

0.09898948669434

0.07661104202271

0.14985561370850

5

0.10297727584839

0.20129203796387

0.07394895553589

0.12101221084595

Avg.

0.11132435798645

0.17271208763123

28

Lampiran 9

Waktu eksekusi dari pengulangan operasi slice di Lampiran 3 pada kubus mahasiswa

1.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00191187858582 0.00210309028625 0.00174593925476 0.00167918205261 0.00201797485352 0.00189161300659

Palo v2.0 0.00051307678223 0.00071692466736 0.00073099136353 0.00162577629089 0.00171589851379 0.00106053352356

6.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00404691696167 0.00399613380432 0.00918889045715 0.00380802154541 0.00421404838562 0.00505080223083

Palo v2.0 0.00088405609131 0.00198388099670 0.00059103965759 0.00066089630127 0.00051283836365 0.00092654228210

2.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00641798973084 0.00413107872009 0.00475096702576 0.00418996810913 0.00651597976685 0.00520119667053

Palo v2.0 0.00054812431335 0.00066494941711 0.00062704086304 0.00062584877014 0.00085401535034 0.00066399574280

7.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00171399116516 0.00190687179565 0.00204610824585 0.00178694725037 0.00205302238464 0.00190138816833

Palo v2.0 0.00050497055054 0.00050497055054 0.00089192390442 0.00053906440735 0.00066304206848 0.00062079429626

3.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00248885154724 0.00237989425659 0.00248217582703 0.00260710716248 0.00261187553406 0.00251398086548

Palo v2.0 0.00080204010010 0.00104999542236 0.00089120864868 0.00075602531433 0.00087714195251 0.00087528228760

8.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00065398216248 0.00071787834167 0.00072288513184 0.00068211555481 0.00066995620728 0.00068936347961

Palo v2.0 0.00075697898865 0.00064396858215 0.00120210647583 0.00066113471985 0.00073981285095 0.00080080032349

4.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00110411643982 0.00100588798523 0.00123906135559 0.00143504142761 0.00117993354797 0.00119280815125

Palo v2.0 0.00078701972961 0.00083684921265 0.00099396705627 0.00079703330994 0.00075101852417 0.00083317756653

9.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00066995620728 0.00066804885864 0.00063514709473 0.00063395500183 0.00066089630127 0.00065360069275

Palo v2.0 0.00078701972961 0.00149297714233 0.00078606605530 0.00084996223450 0.00847411155701 0.00247802734375

5.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00239801406860 0.00087714195251 0.00105309486389 0.00090694427490 0.00087499618530 0.00122203826904

Palo v2.0 0.00079798698425 0.00078797340393 0.00088000297546 0.00069093704224 0.00105595588684 0.00084257125854

10.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00269198417664 0.00241589546204 0.00307297706604 0.00242590904236 0.00247406959534 0.00261616706848

Palo v2.0 0.00065994262695 0.00979781150818 0.00061988830566 0.00074601173401 0.00083804130554 0.00253233909607

29

Lampiran 10

Waktu eksekusi dari pengulangan operasi slice di Lampiran 4 pada kubus pelamar

1.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.01444911956787 0.01495409011841 0.01466393470764 0.01662111282349 0.01370906829834 0.01487946510315

Palo v2.0 0.00091505050659 0.00096702575684 0.00085210800171 0.00092697143555 0.00092291831970 0.00091681480408

6.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.01402688026428 0.01363587379456 0.01226496696472 0.01212882995606 0.01388907432556 0.01318912506104

Palo v2.0 0.00079298019409 0.00071287155151 0.00089192390442 0.00088906288147 0.00081205368042 0.00081977844238

2.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.04736900329590 0.04880809783936 0.04629898071289 0.04260396957398 0.04843211174011 0.04670243263245

Palo v2.0 0.00089597702026 0.00082087516785 0.00089502334595 0.00083494186401 0.00087904930115 0.00086517333984

7.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.00330996513367 0.00310611724854 0.00335097312927 0.00331187248230 0.00313210487366 0.00324220657349

Palo v2.0 0.00080204010010 0.00075912475586 0.00086092948914 0.00069999694824 0.00067996978760 0.00076041221619

3.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.04364991188049 0.04280710220337 0.04684710502625 0.04086399078369 0.04278993606567 0.04339160919189

Palo v2.0 0.00075912475586 0.00096106529236 0.00090479850769 0.00097489356995 0.00085306167603 0.00089058876038

8.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.05602502822876 0.05015611648560 0.05043292045593 0.05839204788208 0.04892516136169 0.05278625488281

Palo v2.0 0.00080394744873 0.00098395347595 0.00072503089905 0.00077199935913 0.00080704689026 0.00081839561462

4.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.03543591499329 0.03639006614685 0.03465509414673 0.03246212005615 0.03526997566223 0.03484263420105

Palo v2.0 0.00098204612732 0.00077104568481 0.00098514556885 0.00085711479187 0.00094199180603 0.00090746879578

9.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.03452277183533 0.03141999244690 0.03341603279114 0.03317999839783 0.04156088829041 0.03481993675232

Palo v2.0 0.00070691108704 0.00088906288147 0.00086092948914 0.00085091590881 0.00080299377441 0.00082216262817

5.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.06657004356384 0.05929994583130 0.06732916831970 0.06297898292542 0.05706191062927 0.06264801025391

Palo v2.0 0.00086593627930 0.00099706649780 0.00091791152954 0.00098609924316 0.00082516670227 0.00091843605042

10.

No. 1 2 3 4 5 Avg.

Palo v1.0c 0.06342911720276 0.06742000579834 0.06721901893616 0.06663107872009 0.05999398231506 0.06493864059448

Palo v2.0 0.00071191787720 0.00113296508789 0.00089788436890 0.00091791152954 0.00089907646179 0.00091195106506

30

Lampiran 11 1.

2.

3.

No.

Waktu eksekusi dari pengulangan operasi dice di Lampiran 5 pada kubus mahasiswa 4.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.01097393035889

0.00092434883118

1

0.00439310073853

0.00207114219666

2

0.00671577453613

0.00095486640930

2

0.00534605979919

0.00224184989929

3

0.00684738159180

0.00091361999512

3

0.00482511520386

0.00237512588501

4

0.00680303573608

0.00205206871033

4

0.00436592102051

0.00222396850586

5

0.01021885871887

0.00104498863220

5

0.00494265556335

0.00218105316162

Avg.

0.00831179618835

0.00117797851562

Avg.

0.00477457046509

0.00221862792969

No.

Palo v1.0c

Palo v2.0

Palo v1.0c

Palo v2.0

1

0.00278592109680

0.00100207328796

1

0.00235223770142

0.00093412399292

2

0.00274682044983

0.00093245506287

2

0.00216460227966

0.00093984603882

3

0.00282621383667

0.00101017951965

3

0.00276947021484

0.00090813636780

4

0.00302886962891

0.00134015083313

4

0.00216507911682

0.00099921226501

5.

No.

No.

5

0.00288105010986

0.00096011161804

5

0.00218677520752

0.00101923942566

Avg.

0.00285377502441

0.00104899406433

Avg.

0.00232763290405

0.00096011161804

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.00473856925964

0.00226497650146

1

0.00294160842896

0.00104331970215

2

0.00461983680725

0.00260376930237

2

0.00377798080444

0.00107383728027

3

0.00456619262695

0.00261282920837

3

0.00326418876648

0.00102567672729

4

0.00772309303284

0.00222802162170

4

0.00268197059631

0.00103068351746

5

0.00443720817566

0.00235176086426

5

0.00514626502991

0.00106501579285

Avg.

0.00521697998047

0.00241227149963

Avg.

0.00356240272522

0.00104770660400

6.

31

Lampiran 12 1.

2.

No.

Waktu eksekusi dari pengulangan operasi dice di Lampiran 6 pada kubus pelamar

Palo v1.0c

Palo v2.0

1

0.00271201133728

0.00231719017029

2

0.00292778015137

0.00244188308716

3

0.00322818756104

4 5

3.

Palo v1.0c

Palo v2.0

1

0.00919890403748

0.00244593620300

2

0.01299381256104

0.00243473052979

0.00230026245117

3

0.00982379913330

0.01890611648560

0.00372409820557

0.00230193138123

4

0.00943779945374

0.00266075134277

0.00310039520264

0.00237298011780

5

0.00890111923218

0.00228190422058

Avg.

0.00313849449158

0.00234684944153

Avg.

0.01007108688354

0.00574588775635

No.

Palo v1.0c

Palo v2.0

No.

Palo v1.0c

Palo v2.0

1

0.04772996902466

0.00263285636902

1

0.02255129814148

0.00255727767944

2

0.04198503494263

0.00240087509155

2

0.02200388908386

0.00259709358215

3

0.04456925392151

0.00242781639099

3

0.02335309982300

0.00281810760498

4

0.04219794273377

0.00235939025879

4

0.02219772338867

0.00251698493958

5

0.04726529121399

0.00273466110229

5

0.02063035964966

0.00274324417114

Avg.

0.04474949836731

0.00251111984253

Avg.

0.02214727401733

0.00264654159546

4.

No.

PEMBANDINGAN WAKTU OPERASI DALAM OLAP PPMB IPB PADA PALO VERSI 1.0c DENGAN PALO VERSI 2.0 HOLAN

Recommend Documents