PEMBANGUNAN DATA WAREHOUSE AKADEMIK (STUDI KASUS : KURIKULUM MAYOR-MINOR PROGRAM SARJANA DEPARTEMEN ILMU KOMPUTER IPB)
WIDIA SULISTYANINGSIH
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
i
PEMBANGUNAN DATA WAREHOUSE AKADEMIK (STUDI KASUS : KURIKULUM MAYOR-MINOR PROGRAM SARJANA DEPARTEMEN ILMU KOMPUTER IPB)
WIDIA SULISTYANINGSIH
Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010 i
ABSTRACT WIDIA SULISTYANINGSIH. Development of Academic Data Warehouse (Case Study: MajorMinor Curriculum Bachelor Program of Computer Science Department at IPB). Supervised by KUDANG BORO SEMINAR and HARI AGUNG ADRIANTO. University need in-depth knowledge to conduct evaluation, planning and decision making. Static reporting systems are considered not flexible in exploring information within an existing information system. Dynamic reporting tools are needed so that users can perform data analysis by looking at the available data from various dimensions. A solution proposed in this paper is to develop a data warehouse. Information for the data warehouse is extracted from the existing operational data stores. The research represented here elaborates the use of data warehouse for academic purpose at Bogor Agricultural University especially for Computer Science Department, starting from the planning stage to design and implementation stage. Online Analytical Processing (OLAP) integrated with data warehouse is developed to analyze academic data including student‟s grades, GPA, and cumulative GPA for every semester as well as every academic year. This research aims to develop a data warehouse and web-based OLAP using Mondrian 3.1.6 as OLAP server. The steps in this research are 1) data preprocessing including data cleaning, data integration, data transformation and 2) data warehouse using galaxy scheme and OLAP development. This research produces a data warehouse and web-based OLAP containing three data cubes: Subject_Grade, GPA, and Minor. Data warehouse consists of seven dimensions (Time, Generation, Sex, Subject, Grade, Status of study, and Minor) and three tables (Subject_Grade, GPA, and Minor). This application provides information as of bar chart, line chart, pie chart, report with Excel Spreadsheet, and file pdf. Users can explore this application to get academic related information in Computer Science Department by application OLAP operations including roll-up, drill-down, dice, slice, drill through, pivot, etc. Keywords : data warehouse, academic data, OLAP server, Mondrian 3.1.6
i
Judul
Nama NIM
: Pembangunan Data Warehouse Akademik (Studi Kasus : Kurikulum Mayor-minor Program Sarjana Departemen Ilmu Komputer IPB) : Widia Sulistyaningsih : G64061481
Menyetujui: Pembimbing I,
Pembimbing II,
Prof. Dr. Ir. Kudang Boro Seminar M.Sc NIP. 19591118 198503 1 004
Hari Agung Adrianto S.Kom., M.Si NIP. 19760917 200501 1 001
Mengetahui: Ketua Departemen Ilmu Komputer,
Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001
Tanggal Lulus:
i
KATA PENGANTAR Puji syukur Penulis panjatkan ke hadirat Allah SWT atas segala curahan rahmat dan karunia-Nya sehingga skripsi ini dapat diselesaikan. Skripsi ini merupakan hasil penelitian yang dilakukan dari Maret sampai Juli 2008 dengan bidang Pembangunan Data Warehouse Akademik (Studi Kasus : Kurikulum Mayor-minor Program Sarjana Departemen Ilmu Komputer IPB). Penulis mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Kudang Boro Seminar M.Sc 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 dan Ibu Annisa S.Kom., M.Kom sebagai penguji. Penulis juga mengucapkan terima kasih kepada: 1 Ibu dan Bapak serta adik yang selalu memberikan doa, nasihat, dukungan, semangat, dan kasih sayang yang luar biasa kepada Penulis sehingga dapat menyelesaikan tugas akhir ini. Rina Trisminingsih dan Nurafifah yang menjadi tempat bertukar pikiran di tengah-tengah kesibukan Penulis mengerjakan tugas dan pekerjaan. 2 Keluarga Klaten 43 khususnya Keputren yang selalu memberikan semangat kepada Penulis dalam menyelesaikan tugas akhir. 3 Keluarga Generasi Inspirasi khususnya BPH yang selalu memberikan semangat dan inspirasi kepada Penulis dalam menyelesaikan tugas akhir. 4 Teman-teman satu bimbingan yang selalu rajin melakukan bimbingan walaupun di dunia maya. 5 Kawan-kawan Ilkomerz angkatan 43 yang telah banyak membantu Penulis selama menjalani waktu di IPB. 6 Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu baik selama penelitian maupun pada masa perkuliahan. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, Penulis ucapkan terima kasih banyak. Semoga penelitian ini dapat memberikan manfaat.
Bogor, Juli 2010
Widia Sulistyaningsih
iii
RIWAYAT HIDUP Penulis dilahirkan di Klaten pada tanggal 19 April 1988 yang merupakan anak pertama dari dua bersaudara dengan ayah bernama Sri Widodo dan ibu bernama Poniyem. Penulis merupakan anak pertama dari dua bersaudara. Pada tahun 2006 lulus dari Sekolah Menengah Atas (SMA) Negeri 1 Karanganom dan pada tahun yang sama diterima di Institut Pertanian Bogor melalui jalur USMI atau Undangan Seleksi Masuk IPB. Tahun 2007 penulis pernah mengajar les privat Matematika dan Ilmu Pengetahuan Alam tingkat SD dan SMP di lembaga bimbingan belajar Prima Exacta.Pada tahun 2007-2009 penulis juga aktif di lembaga kemahasiswaan Badan Eksekutif Mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Tahun 2009 Penulis melaksanakan praktik kerja lapang di LIPI dan menyelesaikan e-survey.Tahun 2009-2010 Penulis aktif di Lembaga Kemahasiswaan Badan Eksekutif Mahasiswa Keluarga Mahasiswa Institut Pertanian Bogor sebagai sekretaris kabinet.
iii
DAFTAR ISI Halaman DAFTAR TABEL ............................................................................................................................... v DAFTAR GAMBAR .......................................................................................................................... v DAFTAR LAMPIRAN ....................................................................................................................... v PENDAHULUAN Latar Belakang................................................................................................................................ 1 Tujuan ............................................................................................................................................ 1 Ruang Lingkup ............................................................................................................................... 1 Manfaat Penelitian .......................................................................................................................... 2 TINJAUAN PUSTAKA Mondrian ........................................................................................................................................ 2 Data Warehouse ............................................................................................................................. 2 Arsitektur Three-tier ...................................................................................................................... 2 Operasi-operasi pada OLAP ........................................................................................................... 3 Metode Pengembangan Data Warehouse ........................................................................................ 3 METODE PENELITIAN Analisis........................................................................................................................................... 4 Praproses Data ................................................................................................................................ 4 Pembuatan Data Warehouse............................................................................................................ 5 Uji Query ........................................................................................................................................ 5 Lingkungan Pengembangan ............................................................................................................ 5 HASIL DAN PEMBAHASAN Analisis........................................................................................................................................... 5 Integrasi dan Reduksi Data ............................................................................................................. 6 Pembersihan Data ........................................................................................................................... 6 Transformasi Data .......................................................................................................................... 7 Pemuatan Data ................................................................................................................................ 8 Gambaran Umum Aplikasi ............................................................................................................. 9 Kelebihan dan Kekurangan Sistem.................................................................................................. 9 Eksplorasi dan Presentasi Hasil ....................................................................................................... 9 KESIMPULAN DAN SARAN Kesimpulan................................................................................................................................... 12 Saran ............................................................................................................................................ 13 DAFTAR PUSTAKA ....................................................................................................................... 13 LAMPIRAN ..................................................................................................................................... 14
iv iii
DAFTAR TABEL Halaman
1. Nama dan deskripsi atribut tabel tempfakta_mkmutu ...................................................................... 6 2. Nama dan deskripsi atribut tabel tempfakta_minor .......................................................................... 6 3. Nama dan deskripsi atribut tabel tempfaktaindeksprestasi ............................................................... 6 4. Nama dan deskripsi dimensi dari kubus mata kuliah mutu ............................................................... 8 5. Nama dan deskripsi dimensi dari kubus indeks prestasi ................................................................... 8 6. Nama dan deskripsi dimensi dari kubus persebaran minor ............................................................... 8 7. Perbandingan Jumlah Mahasiswa yang mendapat Nilai D dan E dengan Jumlah Mata Kuliah Interdepartemen ............................................................................................................................. 10
DAFTAR GAMBAR Halaman
1. 2. 3. 4.
Diagram Alir Metode Penelitian. .................................................................................................... 4 Skema galaksi dengan tiga tabel fakta. ........................................................................................... 7 Grafik operasi roll-up dengan dimensi mata kuliah, mutu, dan angkatan...................................... 10 Tabel pivot Jumlah Mahasiswa yang Mendapat Nilai A,B,C,D, dan E pada Mata Kuliah Interdepartemen. ............................................................................................................................ 9 5. Grafik operasi slice pada nilai mata kuliah Aljabar Linier tiap angkatan. ...................................... 10 6. Grafik operasi roll-up pada Rataan IPK tiap angkatan berdasarkan semester yang telah dilalui 11 7. Grafik operasi drill-down Rataan IPK berdasarkan jenis kelamin dan tahun akademik ................. 11 8. Grafik operasi slice jumlah mahasiswa yang drop out tiap angkatan berdasarkan jenis kelamin .... 11 9. Lima Minor yang paling banyak diambil oleh mahasiswa. ............................................................ 12 10.Tabel pivot Lima Minor yang paling banyak diambil oleh mahasiswa dan supporting course. ...... 12
DAFTAR LAMPIRAN Halaman
1 Arsitektur Mondrian ....................................................................................................................... 15 2 Arsitektur Three-tier Data Warehousing ...................................................................................... 16 3 Data Tabel dalam Dimensi ............................................................................................................. 17 4 Model Hirarki Dimensi .................................................................................................................. 25 5 Tampilan Awal Aplikasi ................................................................................................................ 28
iii v
PENDAHULUAN Latar Belakang Institut Pertanian Bogor mempunyai motto “Mencari dan Memberi yang Terbaik”. Untuk melaksanakan motto tersebut, IPB berusaha memerbaiki kualitas dari mahasiswanya baik dalam nilai akademik maupun sikap. Dalam hal ini, IPB berusaha meningkatkan jumlah lulusan yang terbaik baik dari segi kuantitas maupun kualitas. Kualitas mahasiswa dapat dilihat dari kondisi akademik mahasiswa tersebut selama menempuh kuliah, yaitu melalui nilai tiap mata kuliah yang diambilnya. Semakin tinggi nilai yang diperoleh maka predikat kelulusan juga akan semakin baik. Untuk memantau prestasi mahasiswa dibutuhkan Informasi tentang nilai mata kuliah dan perkembangan nilai indeks prestasi sehingga dibutuhkan analisis lebih lanjut mengenai perkembangan IP maupun IPK tiap angkatan. Untuk menganalisis dan mengetahui perkembangan IPK tiap angkatan mahasiswa serta kecenderungan nilai mata kuliah tertentu tiap tahunnya dapat dilakukan dengan membangun aplikasi OLAP yang diintegrasikan dengan data warehouse. Proses pembuatan data warehouse dilakukan dengan mengambil, mengumpulkan, mempersiapkan, menyimpan, dan menyediakan data untuk aplikasi yang menyimpan query atau reporting. Saat ini telah tersedia beberapa teknologi data warehouse yang menggunakan OLAP server sebagai tool pembantu untuk analisis data, salah satu teknologi yang akan digunakan adalah OLAP Mondrian. (http://pentaho.phiintegration.com/Mondrian) Herlambang (2007) membangun data warehouse dan operasi-operasi OLAP untuk data PPMB IPB dan data IPK TPB IPB menggunakan Palo Server 1.0c. Penelitian ini menghasilkan data warehouse data PPMB yang terdiri dari dua kubus data. Kubus data yang pertama adalah Pelamar, berisi nilai-nilai agregasi siswa atau siswi SMU yang melamar ke IPB melalui jalur USMI. Kubus data yang kedua adalah Mahasiswa, berisi nilai-nilai agregasi mahasiswa IPB. Permana (2009) telah melakukan penelitian serupa menggunakan data akademik Ilmu Komputer tahun masuk 2001 sampai 2004 (pashing out). Penelitian tersebut dibangun mengunakan Palo 2.0 sebagai OLAP server. Untuk memerbaiki kualitas mahasiswa, dilakukan revisi kurikulum secara berkala di tingkat IPB maupun Departemen. Mengacu
pada Sistem Pendidikan Nasional 2004 atau Kurikulum Berbasis Kompetensi dan kebijakan dasar pendidikan Program Sarjana, IPB mencoba mengembangkan sistem mayor-minor yang diterapkan mulai tahun 2005. Kurikulum sistem mayor-minor diterapkan dengan tujuan untuk menjamin fleksibilitas guna meningkatkan kompetensi dan softskill lulusan terbaik di Indonesia. Pada sistem ini mahasiswa difasilitasi untuk memiliki kompetensi utama (mayor) dan kompetensi pelengkap (minor). Penerapan Kurikulum Berbasis Kompetensi dengan sistem mayor-minor merupakan hal yang pertama dilakukan di Indonesia. Kurikulum sistem mayor-minor adalah kurikulum berbasis kompetensi dimana setiap mahasiswa mengikuti pendidikan dalam salah satu mayor sebagai bidang keahlian (kompetensi) utama dan dapat mengikuti pendidikan dalam salah satu bidang minor sebagai sebagai bidang (kompetensi) pelengkap. Mayor merupakan bidang keahlian berdasarkan disiplin (keilmuan) utamanya pada suatu departemen atau fakultas, dimana mahasiswa dapat memperdalam kompetensi tertentu dalam suatu paket mata kuliah. Minor merupakan bidang keahlian pelengkap yang diambil oleh mahasiswa yang berasal dari departemen lain di luar departemen utamanya (mayor). Minor yang diambil harus sesuai dengan mayor yang dipilih sehingga dapat menunjang pemahaman mahasiswa terhadap mayornya. Karena terjadi perubahan kurikulum, perlu dibangun aplikasi OLAP yang mengakomodasi sistem kurikulum tersebut. Hasil dari penelitian ini diharapkan dapat memberikan manfaat bagi pengguna di Departemen Ilmu Komputer dalam mempermudah analisis data akademik ukuran besar sehingga dapat membantu dalam pengaksesan data tersebut, penyampaian informasi, pembuatan laporan dan pembuatan keputusan yang lebih baik. Tujuan Tujuan dari penelitian ini adalah membangun data warehouse dan aplikasi OLAP untuk data akademik mayor-minor Program Sarjana Departemen Ilmu Komputer. Ruang Lingkup Ruang lingkup penelitian ini difokuskan pada perancangan data warehouse dan aplikasi OLAP. Data yang digunakan adalah data akademik mayor-minor Program Studi Ilmu Komputer IPB tahun masuk 2005 sampai 2009 dengan menggunakan Mondrian 3.1.6 sebagai OLAP server. 1
iii
Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di IPB khususnya Departemen Ilmu Komputer dalam memberikan informasi yang cepat dan menarik. Selain itu juga dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.
TINJAUAN PUSTAKA Mondrian Mondrian merupakan aplikasi server OLAP (Online Analytical Processing) berbasis open source yang menggunakan bahasa pemrograman Java. Mondrian mengeksekusi query yang ditulis dengan bahasa MDX (MultiDimensional Expression), membaca data dari database relasional (RDBMS), dan merepresentasikan hasil multidimensional dengan format Java API. (Julian Hyde 2005) Saat ini bernaung di bawah Pentaho Corporation. Pemrakarsa proyek ini adalah Julian Hyde dari Amerika Serikat dan sekarang ini tetap sebagai project leader dari Mondrian. Proyek Mondrian ini merupakan kombinasi yang sangat baik dengan JPivot - interface berbasis web yang juga merupakan proyek open source. Arsitektur Mondrian dapat dilihat pada Lampiran 2. (http://pentaho.phiintegration.com/Mondrian). Data Warehouse Data warehouse dibangun untuk mengatasi masalah teknis dan bisnis yang berkaitan dengan penggunaan data dan informasi untuk mengambil keputusan. Secara rinci dijelaskan oleh Han dan Kamber (2006) bahwa data warehouse mempunyai empat karakteristik yaitu : Berorientasi subjek, terorganisasi pada subjek utama sesuai topik bisnis atau berdasarkan subjek dari organisasi. Terintegrasi, data dibangun dengan mengintegrasikan berbagai sumber data.
Time-variant, dimensi waktu secara eksplisit termasuk dalam data, jadi model dan perubahannya dapat diketahui setiap saat.
berubah atau tetap. Data tidak dapat diupdate secara real time tetapi selalu diperbaharui setiap saat. Data warehouse merupakan ruang penyimpanan atau arsip informasi yang dikumpulkan dari berbagai sumber, disimpan dengan sebuah skema terintegrasi pada satu tempat. Data atau informasi tersebut tersimpan dalam jangka yang lama sehingga memungkinkan pengguna menciptakan query untuk proses pengambilan keputusan menjadi lebih mudah. Dengan mengakses informasi dari data warehouse, proses transaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan. (Han dan Kamber 2006). Keuntungan yang didapat jika menggunakan data warehouse antara lain (Connolly & Begg 2002) : menghasilkan keuntungan yang kompetitif dengan cara memperbolehkan pembuat keputusan mengakses data yang dapat memunculkan informasi yang sebelumnya tidak ada, tidak diketahui, dan tidak digunakan. meningkatkan produktivitas para pembuat keputusan dengan cara menciptakan basis data terintegrasi yang terdiri atas data historis yang konsisten dan berorientasi subjek. Tujuan utama dari pembuatan data warehouse adalah untuk menyatukan beragam data ke dalam sebuah tempat penyimpanan sehingga pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis terhadap data yang ada. Arsitektur Three-Tier Data warehouse pada umumnya mengadopsi arsitektur three-tier, seperti digambarkan pada Lampiran 1. Menurut Han & Kamber (2006), lapisan-lapisan arsitektur data warehousing tersebut antara lain : Lapisan bawah (bottom tier) Lapisan bawah adalah server data warehouse yang berupa sebuah sistem basis data relasional. Pada lapisan ini data diambil dari basis data operasional dan sumber eksternal lainnya, diekstrak, dibersihkan, dan ditransformasi. Data disimpan sebagai data warehouse.
Non-volatile, data terpisah dari basis data operasional sehingga hanya memerlukan pemuatan dan akses data. Data tidak dapat 2 iii
Lapisan tengah (middle tier) Lapisan tengah OLAP server yang biasanya diimplementasikan dengan OLAP Relasional (ROLAP) atau OLAP Multidimensional (MOLAP). Lapisan Atas (top tier) Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (misalnya analisis tren dan prediksi). Operasi-operasi pada OLAP Online Analitycal Processing (OLAP) terdiri dari seperangkat tool untuk membantu proses analisis dan perbandingan data dalam basis data. Tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai tampilan data, dan didukung dengan representasi data grafik yang dinamis. Beberapa operasi OLAP menurut Han & Kamber (2006) yaitu : Roll up (drill-up) : ringkasan data, yaitu dengan menaikkan konsep hirarki atau mereduksi dimensi. Drill down (roll down) : kebalikan dari rollup, yaitu melihat data secara lebih detail atau spesifik dari level tinggi ke rendah. Slice and dice : slice adalah pemilihan data satu dimensi dari kubus data yang bersangkutan dan dice mendefinisikan subcube dengan memilih dua dimensi atau lebih. Pivot (rotate) : memvisualisasikan operasi yang merotasikan sumbu data dalam view sebagai alternatif dalam presentasi data.
Sejak data warehouse ditujukan untuk mendukung proses pengambilan keputusan, tahapan yang digunakan dalam desain database konvensional juga telah diadopsi untuk mengembangkan data warehouse. Selama proses pengumpulan informasi analisis kebutuhan, pengguna di berbagai tingkat manajemen diwawancara untuk mengetahui analisis kebutuhan yang dibutuhkan. Spesifikasi yang diperoleh berfungsi sebagai dasar untuk membuat sebuah skema database sesuai dengan permintaan pengguna. Pada beberapa situasi, karena model konseptual kurang diterima baik untuk aplikasi data warehouse, desainer melewati fase desain konseptual dan menggunakan representasi logik berdasarkan skema bintang atau skema snowflake. Setelah itu, desain fisik disimpan pada DBMS. (Malinowski & Zim´ anyi 2008) Namun, pengalaman menunjukkan bahwa pengembangan data warehouse sistem berbeda secara signifikan dari pengembangan database konvensional. Oleh karena itu, modifikasi terhadap metode yang dijelaskan di atassangat penting. Sebagai contoh, tidak seperti database konvensional, data di data warehouse diekstrak dari beberapa sumber. Akibatnya, beberapa pendekatan untuk desain data warehouse tidak hanya mempertimbangkan kebutuhan pengguna tetapi juga ketersediaan data. dalam banyak kasus data diambil dari sumber sehingga harus ditransformasikan sebelum dimasukkan ke dalam data warehouse, perlu untuk dipertimbangkan selama penyusunan desain antara lain proses ekstraksitransformasi-loading (ETL). Di sisi lain, belum ada metode yang sesuai untuk merancang spasial atau temporal database. (Malinowski & Zim´ anyi 2008)
Operasi lain : drill across yaitu operasi yang melibatkan lebih dari satu tabel fakta, drill through yaitu operasi yang mengijinkan pengguna untuk dapat melihat tabel data yang menampilkan nilai-nilai pada suatu sel data. Metode Pengembangan Data Warehouse Metode yang digunakan untuk database operasional meliputi perancangan database yang jelas. Tahap pertama adalah spesifikasi kebutuhan yang terdiri dari mengumpulkan permintaan pengguna ke dalam spesifikasi yang koheren dan ringkas. Tahap berikutnya, desain konseptual, desain logis, dan desain fisik yang merupakan hasil penerjemahan dari kebutuhan pengguna. (Malinowski & Zim´ anyi 2008)
iii3
METODE PENELITIAN Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1.
memilih dimensi atau atribut melalui kotak drop-down list. menampilkan data dalam bentuk tabel pivot. menampilkan data dalam bentuk grafik batang, garis, dan lingkaran.
Mulai
mencetak laporan dalam format Excel maupun pdf
Analisis
Dari aplikasi ini, diharapkan dapat memberikan beberapa informasi antara lain : Spesifikasi Kebutuhan
Desain Konseptual
Desain Logikal
Desain Fisik
Praproses Data
Integrasi dan Reduksi Data
Pembersihan Data
Transformasi Data
Pemuatan Data
Pembuatan Data Warehouse
Uji Query
perkembangan jumlah mahasiswa per tahun. tren perkembangan huruf mutu mata kuliah tertentu untuk mengetahui rata-rata kemampuan mahasiswa Ilmu Komputer sesuai dengan jumlah bidang yang terdapat di Departemen Ilmu Komputer. tren perkembangan indeks prestasi tiap angkatan berdasarkan status studi. rata-rata IP dan IPK tiap angkatan. tren persebaran minor yang banyak dipilih oleh mahasiswa Ilmu Komputer Tahap awal sebelum ke proses pembuatan data warehouse, dilakukan pengumpulan data dan menganalisis nilai dan atributnya untuk mendapatkan atribut-atribut yang tepat dalam pembuatan data warehouse. Setelah dipilih dan diketahui atribut-atributnya, kemudian dilanjutkan ke tahapan praproses data. Praproses data
Data Warehouse final
Selesai
Gambar 1. Diagram Alir Metode Penelitian Analisis Pada tahap ini dilakukan analisis untuk menentukan spesifikasi kebutuhan data warehouse yang akan dibangun sesuai dengan keinginan pengguna. Spesifikasi kebutuhan tersebut akan menghasilkan desain konseptual, desain logikal, dan desain fisik. Pengguna untuk sistem ini adalah dosen sebagai pengguna biasa dan administrator. Untuk mengelola aplikasi ini, administrator memiliki akses langsung ke sistem manajemen basis data PostgreSQL di mana data akademik disimpan. Dosen sebagai pengguna biasa dapat berinteraksi dengan grafis berbasis web sehingga dapat memanfaatkan fasilitas sistem dengan mudah, antara lain :
Sebelum masuk ke pembuatan data warehouse, data harus diproses terlebih dahulu. Tahapan praproses pada data akademik Program Sarjana Departemen Ilmu Komputer meliputi: 1 Integrasi dan reduksi data Integrasi dilakukan dengan menggabungkan atribut-atribut yang menarik dari tabel yang dianalisis. Reduksi dilakukan bersamaan dengan proses integrasi, yaitu dengan membuang atribut-atribut yang kurang menarik dari tabel yang dianalisis. 2 Pembersihan Pembersihan data dilakukan terhadap data atribut mata kuliah yang tidak konsisten penulisannya. Kondisi tersebut dapat diatasi dengan menyeragamkan nilainya. Pada data atribut yang bernilai null seperti nilai rataan IPK, dilakukan pengisian dengan nilai rataan dari semua nilai IPK. 3 Transformasi Proses transformasi yang dilakukan adalah generalisasi atribut th_akademik menjadi
iii4
atribut tahun akademik dan atribut semester. Selain generalisasi, pada proses ini juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada.
pemuatan data dari data warehouse ke kubus data) Web Server Apache Tomcat Notepad++ sebagai editor program
4 Pemuatan Data Pada tahap ini, data telah siap untuk dimuat (load) ke dalam data warehouse. Tahap pemuatan bertujuan untuk memuat data yang terseleksi ke dalam data warehouse tujuan dan membuat indeks yang diperlukan. Pembuatan Data Warehouse Tahap ketiga yang dilakukan pada penelitian ini adalah membuat data warehouse dengan menggunakan data akademik departemen mayor-minor Ilmu Komputer mulai tahun 2005 sampai tahun 2009. Uji Query Tahap ini dilakukan setelah pembuatan data warehouse selesai. Pengujian ini dilakukan untuk melihat apakah operasi dasar OLAP berhasil diimplementasikan dan sesuai dengan informasi yang ditampilkan. Pengujian dilakukan dengan memvisualisasikan kubus data dengan grafik dan tabel pivot. Lingkungan Pengembangan Aplikasi dibangun dengan menggunakan perangkat sebagai berikut: Perangkat keras berupa komputer personal dengan spesifikasi:
Web browser Mozilla Firefox 3.0.1, Microsoft Internet Explorer 8, safari. HASIL DAN PEMBAHASAN Analisis Data Pada penelitian ini, sumber data diperoleh dengan format .xls. Proses analisis dilakukan terhadap data untuk mendapatkan atribut-atribut yang tepat untuk membangun data warehouse. Data yang digunakan antara lain data mami, transkrip_mahasiswa, wisudawan_mami, dan ambil_minor. Data tersebut dipilih karena telah sesuai dengan kriteria informasi yang akan ditampilkan. Tabel data mami merupakan perolehan nilai pada mata kuliah yang diambil tiap semester, transkrip_mahasiswa berisi nilai IP maupun IPK yang diperoleh tiap semester, wisudawan_mami berisi informasi tentang mahasiswa yang telah lulus antara lain berupa judul skripsi, lama studi, predikat kelulusan dan informasi lain yang berhubungan sedangkan tabel ambil_minor berisi informasi tentang minor yang diambil oleh tiap mahasiswa. Dari tabel-tabel itu, kemudian dipilih atribut-atribut untuk membuat data warehouse. Atribut yang akan digunakan dipilih berdasarkan ketentuan sebagai berikut :
Prosesor Intel(R) Pentium(R) Dual CPU 1.9 GHz
1 atribut yang dipilih menarik untuk dianalisis
Memori 1536 MB DDR RAM
2 atribut tersebut berkaitan dengan atribut di tabel data yang lain
Harddisk 160 GB Monitor 14.1” dengan resolusi 1024 × 768 Mouse dan Keyboard Perangkat lunak: Sistem Operasi Microsoft Ultimate 32 bit
Windows 7
PostgreSQL 8.4.1 (perangkat lunak bantu untuk pemrosesan data dan pembuatan skema data warehouse) Mondrian Server 3.1.6 (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan kubus data multidimensi) Schema Workbench (tempat pembuatan atau pemodelan struktur kubus data dan proses
3 data yang dianalisis tidak terlalu banyak mengandung nilai null Setelah pemilihan atribut, maka langkah selanjutnya adalah menentukan desain konseptual dengan cara memilih atribut-atribut yang menjadi ukuran (measure) dan non ukuran (non-measure). Hasil analisis data ditentukan tiga tabel fakta (mata kuliah mutu, indeks prestasi, dan sebaran minor) dan tujuh dimensi (Waktu, Angkatan, Minor, Mata Kuliah, Mutu, Status Studi, dan jenis kelamin). Fakta terdiri dari foreign key dari tabel dimensi, ukuran jumlah mahasiswa, rataan IP, rataan IPK, dan sebaran minor. Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang dapat dilihat pada Gambar 2. Skema data multidimensi yang dihasilkan merupakan desain logikal kemudian dihasilkan desain fisik final pada proses integrasi dan reduksi.
iii5
Integrasi dan Reduksi Data Tahap ini diawali dengan melakukan penggabungan atribut-atribut yang menarik dari tabel-tabel yang dianalisis menjadi satu tabel besar untuk dijadikan tabel fakta. Penggabungan yang dilakukan adalah menggabungkan tabel data mami dengan tabel transkrip_mahasiswa. Reduksi data dilakukan dengan membuang atribut-atribut yang tidak terpilih berdasarkan hasil analisis data. Nilai atribut yang redundan dalam tabel-tabel sumber tidak disertakan dalam proses selanjutnya. Proses integrasi dan reduksi data membentuk tabel baru, antara lain tabel tempfakta_mkmutu, tempfaktaindeksprestasi dan tempfakta_minor yang selanjutnya dijadikan tabel fakta sekaligus kubus data. Proses integrasi dan reduksi ini menghasilkan desain fisik final yang dapat dilihat pada Tabel 1, Tabel 2, dan Tabel 3. Setalah proses integrasi dan reduksi selesai selanjutnya mengonversi seluruh data sumber dari format Excel (.xls) menjadi format PostgreSQL (.sql). Tabel 1 Desain Fisik tempfakta_mkmutu hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis kelamin mahasiswa
th_akademik
Tahun akademik semester
kode_mk
Kode mata diambil
Mutu
huruf mutu
dari
kuliah
tiap yang
Tabel 2 Desain Fisik tempfakta_minor hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis mahasiswa
th_akademik
Tahun akademik dari tiap semester
kode_minor
Kode minor dari tiap-tiap departemen
kelamin
Tabel 3 Desain Fisik tempfaktaindeksprestasi hasil integrasi dan reduksi Nama Atribut
Deskripsi
id_mhs
Kode mahasiswa sebagai penciri tiap mahasiswa
id_jk
Kode jenis mahasiswa
th_akademik
Tahun akademik dari tiap semester
kode_statusstudi
Kode yang menunjukkan status studi mahasiswa berdasarkan IPK yang diperoleh tiap semester
IP
Nilai IP per semester
IPK
Nilai IPK
kelamin
Pembersihan Data Proses pembersihan data dilakukan dengan mengidentifikasi data yang kosong (null) dan tidak konsisten karena proses peng-entri-an data sumber maupun akibat proses integrasi data. Dalam pembersihan data terdapat beberapa nilai yang kosong (null). Perlakuan nilai yang kosong antara lain : atribut minor nilai yang kosong diisi dengan supporting course atribut huruf mutu nilai yang kosong diisi dengan BM atribut kode minor awal (kodeminorawal) nilai yang kosong diisi dengan kode minor yg sedang diambil sesuai dengan nilai dari atribut kodeminor Data yang tidak konsisten pada tabel mami dengan atribut nama mata kuliah (namamk) diupdate dengan menyeragamkan nilai dari atributnya. Beberapa contoh nilai yang tidak konsisten antara lain : Algoritme dan Pemrograman diubah menjadi Algoritma dan Pemrograman Analisis Algoritme diubah menjadi Analisis Algoritma Sistem Pengembangan Berorientasi Obyek diubah dengan Sistem Pengembangan Berorientasi Objek Praktek Lapang diubah menjadi Praktek Kerja Lapangan
iii6
Status Studi
waktu PK
PK
id_waktu
kode_statusstudi KelasIPK statusstudi
thakademik semester Mata Kuliah PK
kode_mk nama_mk kriteria
id_waktu id_jk id_angkatan kode_mk id_mutu jml_mhs
Mutu PK
indeks prestasi
mata kuliah mutu
id_mutu
sebaran minor
id-waktu id_jk id_angkatan kode_statusstudi jml_mhs RataanIP RataanIPK
id_waktu id_jk id_angkatan kode_minor SebaranMinor
mutu Angkatan PK
id_angkatan th_masuk
Jenis Kelamin PK
id_jk jenis_kelamin
Minor PK
kode_minor minor
Gambar 2. Desain Logikal Skema Galaksi dengan Tiga Tabel Fakta Penyeragaman nilai dilakukan dengan mengambil nama mata kuliah yang terdapat pada buku panduan sarjana. Hal itu dilakukan untuk menjaga konsistensi data, karena dalam data sumber terdapat satu kode mata kuliah yang mempunyai dua nama mata kuliah yang berbeda. Selain itu penghapusan data yang redundan juga dilakukan. Sebuah data set mungkin meliputi objek data yang merupakan duplikat, atau hampir, dari data yang lain. Banyak orang menerima surat yang sama (duplikat) karena muncul berkali-kali dalam database dengan nama yang agak berbeda. Untuk mendeteksi dan menghilangkan duplikasi data perlu diperhatikan hal-hal berikut : 1. Jika terdapat dua objek yang secara aktual merepresentasikan sebuah objek, maka nilai dari atribut yang terkait dapat berbeda, dan nilai yang tidak konsisten tersebut harus diatasi. 2. Diperlukan langkah yang hati-hati untuk menghindari penggabungan secara tidak sengaja dari data objek yang mirip, tetapi bukan duplikat, misalnya dua orang yang berbeda dengan nama yang identik. Transformasi Data Proses transformasi data meliputi penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut atau dimensi.
Proses ini dilakukan dengan berpedoman pada skema data warehouse yang sudah dibuat. Transformasi yang dilakukan antara lain : Mengubah nama atribut dari tabel hasil pembersihan sesuai dengan nama atribut dimensi yang ada pada skema galaksi. Proses transformasi juga dilakukan dengan mengkonstruksi atribut baru menggunakan data dari atribut yang sudah ada. Atribut id_mhs dari tiap tabel tempfakta digeneralisasi menjadi tahun masuk IPB dengan mengambil lima digit awal, kemudian dari digit tersebut diambil dua digit belakang. Misalnya: id_mhs=‟G64061481‟ „G6406‟ „06‟ sehingga mahasiswa yang memiliki id tersebut masuk pada tahun 2006. Data dari atribut IPK digunakan untuk mengkonstruksi atribut status dengan mengelompokkan range nilai IPK tertentu ke dalam status tertentu. Misalnya: range nilai IPK dari 2,76 - 3,50 memiliki status tanpa syarat. Data untuk atribut th_akademik dari tiap tabel tempfakta dikonstruksi menjadi atribut atribut atribut baru dengan nama id_waktu dan mengubah nilainya menjadi tahun akademik dan semester dengan mengambil
iii7
dua digit akhir dari tahun akademik. Semester genap dikodekan dengan angka 0, semester ganjil dikodekan dengan angka 1 dan TPB dikodekan dengan angka 2. Misal : tahun akademik 2007/2008 semester 3 dikodekan menjadi 0708-1. Langkah berikutnya adalah menentukan nilai agregasi atribut-atribut yang menjadi ukuran (measure). Data tabel fakta mata kuliah mutu ditentukan nilai agregasinya untuk mendapatkan ukuran jumlah mahasiswa dengan menghitung banyaknya id_mhs dari mahasiswa dan mengelompokkannya berdasarkan atribut-atribut yang ada. Kemudian membuat atribut baru untuk menampung ukuran jumlah mahasiswa hasil agregasi. Pada data tabel fakta indeks prestasi dilakukan agregasi untuk mendapatkan ukuran jumlah mahasiswa, rataan nilai IP dan IPK. Atribut baru dikonstruksi untuk ukuran jumlah mahasiswa. Pada data tabel fakta persebaran minor dilakukan agregasi untuk mendapatkan ukuran jumlah mahasiswa yang mengambil minor tertentu di IPB.
dan kubus sebaran minor. Kubus data mata kuliah mutu dibuat untuk tabel fakta tempfakta_mkmutu, kubus data indeks prestasi dibuat untuk tabel fakta tempfaktaindeksprestasi, sedangkan kubus data sebaran minor dibuat untuk tabel fakta tempfakta_minor. Nama dan deskripsi dari kubus data dapat dilihat pada Tabel 4, Tabel 5, dan Tabel 6. Tabel 4 Nama dan deskripsi dimensi dari kubus mata kuliah mutu Nama Dimensi Waktu
Tahun akademik semester
Jenis kelamin
Jenis kelamin mahasiswa
Angkatan
Angkatan masuk IPB
Mata Kuliah
Mata kuliah
Mutu
Nilai mutu
Ukuran Matakuliah_Mutu
Nama-nama ukuran (jumlah mahasiswa)
Tahap transformasi terakhir adalah melakukan konstruksi tabel-tabel dimensi. Ketujuh tabel dimensi tersebut dibuat dengan nama dim_waktu, dim_mk, dim_mutu, dim_angkatan, dim_minor, dim_jk dan dim_statusstudi. Tabel dimensi waktu (dim_waktu) dibuat dari generalisasi tahun akademik dan semester. Tabel dimensi Angkatan (dim_angkatan) dibuat dari generalisasi id_mhs, di dalamnya menjelaskan tahun masuk mahasiswa ke IPB. Data warehouse yang sudah selesai dibuat, selanjutnya di-load ke kubus data OLAP server Mondrian. Kemudian, desain konseptual data warehouse dimodelkan dengan menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran. Kubus data yang dibuat yaitu, kubus mata kuliah mutu, kubus indeks prestasi,
dan
Tabel 5 Nama dan deskripsi dimensi dari kubus indeks prestasi Nama Dimensi
Tabel-tabel fakta tersebut adalah tabel tempfakta_mkmutu yang terdiri dari empat dimensi dan satu ukuran, tabel tempfaktaindeksprestasi yang terdiri dari tiga dimensi dan tiga ukuran sedangkan tabel tempfakta_minor terdiri dari tiga dimensi dan satu ukuran.
Deskripsi
Deskripsi
Waktu
Tahun akademik dan semester
Jenis kelamin
Jenis mahasiswa
Angkatan
Angkatan masuk IPB
Status Studi
Status studi mahasiswa
Ukuran IndeksPrestasi
Nama-nama ukuran (jumlah mahasiswa, rataan IP, rataan IPK)
kelamin
Tabel 6 Nama dan deskripsi dimensi dari kubus sebaran minor Nama Dimensi
Deskripsi
Waktu
Tahun akademik semester
dan
Jenis kelamin
Jenis kelamin mahasiswa
Angkatan
Angkatan masuk IPB
Minor
Status studi mahasiswa
Sebaran Minor
jumlah mahasiswa yang mengambil minor tertentu
iii8
Aplikasi OLAP yang dibuat menyediakan fasilitas-fasilitas berikut : 1 Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan dimensi-dimensi yang akan ditampilkan untuk dianalisis. 2 Filter dimensi, fungsi ini menyaring dimensi yang ditampilkan pada sumbu x dan sumbu y untuk menampilkan elemen-elemen tertentu dari dimensi. Dimensi lainnya dapat dipilih satu elemen dari tiap-tiap dimensi. 3 Visualisasi Crosstab dan Graph, dimana data hasil operasi OLAP yang dilakukan pengguna dapat ditampilkan ke dalam bentuk crosstab dan atau grafik. Grafik yang ditampilkan berupa bar plot, line plot dan pie chart. Gambaran Umum Aplikasi Arsitektur penelitian ini mengadopsi arsitektur three-tier. Pada lapisan bawah adalah pemrosesan data dan pembuatan skema data warehouse dengan DBMS PostgreSQL 8.4. Pembentukan dan pemuatan kubus data menggunakan Schema Workbench. Di lapisan tengah aplikasi OLAP yang dibuat dengan bahasa pemrograman java berjalan pada web server Apache Tomcat. Pada lapisan ini terdapat OLAP server Mondrian yang menyimpan data dalam kubus data. Web server mengakses kubus data Mondrian Di lapisan atas visualisasi dari aplikasi OLAP dilakukan oleh web browser. Di lapisan ini pengguna dapat melakukan pencarian data, mengevaluasi pola, dan mendapatkan representasi informasi dalam bentuk yang mudah dipahami yaitu crosstab dan grafik. Arsitektur three-tier data warehousing pada penelitian ini dapat dilihat pada Gambar 3.
3. Aplikasi OLAP dirancang agar dapat digunakan untuk bermacam data warehouse, bukan hanya data warehouse data akademik mayor-minor Ilmu Komputer IPB. Untuk menggunakan data warehouse lain, beberapa file konfigurasi harus dikonfigurasi ulang. Terdapat beberapa kekurangan utama pada aplikasi, yaitu: 1. Tidak ada fasilitas untuk memodelkan struktur kubus data dan memuat data baru ke dalam kubus data. 2. Saat ini hanya terbatas pada tujuh dimensi saja. 3. Belum dapat membedakan antara mata kuliah minor dengan supporting course. Eksplorasi dan Presentasi Hasil Ekplorasi data dilakukan dengan menggunakan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Operasi OLAP yang dapat dijalankan dapat dilihat pada tiap kubus yang terbentuk. 1 Kubus Mata Kuliah Mutu Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up, drilldown, dan slice. Operasi roll-up pada kubus ini misalnya dalam mencari pola sebaran perkembangan huruf mutu mata kuliah mayor, interdepartemen, pilihan, dan elektif pada setiap angkatan. Grafik pada Gambar 4 merupakan hasil operasi roll-up dengan peserta mata kuliah mayor, interdepartemen, pilihan, dan elektif.
Kelebihan dan Kekurangan Sistem Aplikasi OLAP yang dibangun memiliki beberapa kelebihan, antara lain: 1. Aplikasi OLAP berbasis web, dapat diterapkan dalam internet atau intranet. Teknologi web ini mengeliminasi kebutuhan akan instalasi paket perangkat lunak pada komputer pengguna. 2. Aplikasi yang dibangun dan perangkat lunak bantu yang digunakan berbasis open source sehingga memudahkan pengembangan aplikasi selanjutnya.
Gambar 4. Grafik operasi roll-up dengan dimensi mata kuliah, mutu, dan angkatan Dari grafik di atas terlihat bahwa secara umum jumlah nilai mahasiswa Ilmu Komputer tiap kriteria (mayor, interdepartemen, elektif, dan supporting course) mengalami penurunan. Namun demikian yang perlu dilihat adalah kriteria interdepartemen karena perbandingan
iii9
jumlah mata kuliah interdepartemen dengan mahasiswa yang mendapat nilai D dan E cukup besar. Perbandingan tersebut dapat dilihat pada tabel 7.
mahasiswa yang mendapat nilai mutu A,B,C,D, dan E pada tiap mata kuliah interdepartemen.
Tabel 7 Perbandingan Jumlah Mahasiswa yang mendapat Nilai D dan E dengan Jumlah Mata Kuliah Interdepartemen Angkatan
Jml
Nilai
Nilai
%
%
mhs
D
E
D
E
2005
520
31
5
0,05
0,0096
2006
545
45
2
0,08
0,0037
2007
536
43
4
0,08
0,0075
2008
363
60
26
0,16
0,07
Keterangan :
Mata kuliah interdepartemen sebanyak enam
Pada angkatan 2008, mata kuliah yang sudah diambil sebanyak empat
Gambar 5. Tabel pivot Jumlah Mahasiswa yang Mendapat Nilai A,B,C,D, dan E pada Mata Kuliah Interdepartemen Dari Gambar 5 di atas dapat dilihat bahwa rata-rata mahasiswa yang mendapat nilai D dan E masih cukup banyak. Hal ini perlu mendapat perhatian khusus dari sisi mahasiswa dan pengajaran yang dilakukan oleh dosen terlebih lagi untuk mata kuliah Aljabar Linier karena mahasiswa yang mendapat nilai E masih tergolong cukup banyak. Jika nilai mata kuliah Aljabar Linier akan dibandingkan pada tiap angkatan maka hasilnya diperoleh dengan operasi slice. Hasil operasi slice dapat dilihat pada Gambar 6.
Gambar 3. Arsitektur data warehousing dan aplikasi OLAP pada penelitian Dari Tabel 7 di atas dapat dilihat bahwa persentase mahasiswa yang mendapat nilai D pada mata kuliah interdepartemen meningkat dari tahun ke tahun. Persentase mahasiswa yang mendapat nilai E menurun pada angkatan 2006 dan meningkat pada angkatan 2007 dan 2008. Jika dilihat nilai tiap mata kuliah interdepartemen tahun 2008 maka menggunakan operasi drill-down. Gambar 6 dalam bentuk tabel pivot menunjukkan jumlah
Dari grafik Gambar 6 di bawah dapat dilihat bahwa jumlah mahasiswa yang mendapat nilai D dan E meningkat cukup signifikan dari tahun 2007 ke tahun 2008
10 iii
Gambar 6. Grafik operasi slice pada nilai mata kuliah Aljabar Linier tiap angkatan 2 Kubus Indeks Prestasi Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up dalam menentukan rataan IPK mahasiswa tiap angkatan. Grafik pada Gambar 7 merupakan hasil operasi roll-up dengan rataan IPK pada tiap angkatan.
Gambar 7. Grafik operasi roll-up pada Rataan IPK tiap angkatan berdasarkan semester yang telah dilalui Grafik di atas menunjukkan rata-rata IPK pada tiap angkatan. Rata-rata IPK tersebut dihitung berdasarkan semester yang telah dilalui. Jika dilakukan operasi drill-down berdasarkan tahun akademik dan jenis kelamin diperoleh grafik pada Gambar 8. Pada umumnya Rata-rata IPK perempuan lebih tinggi daripada laki-laki. Rata-rata IPK baik laki-laki maupun perempuan mengalami fluktuasi naik turun dan tidak stabil.
Gambar 8. Grafik operasi drill-down Rataan IPK berdasarkan jenis kelamin dan tahun akademik Selain operasi roll-up dan drill-down dapat juga dilakukan operasi slice misalnya untuk mengetahui jumlah mahasiswa drop out setiap angkatan berdasarkan jenis kelamin. Gambar 9 merupakan hasil operasi slice jumlah mahasiswa drop out tiap angkatan.
Gambar
9.
Grafik operasi slice jumlah mahasiswa yang drop out tiap angkatan berdasarkan jenis kelamin
Dari grafik di atas dapat dilihat bahwa jumlah mahasiswa yang drop out lebih banyak laki-laki. Pada angkatan 2005 dan 2006 tidak ada mahasiswa yang drop out sehingga tidak ditampilkan dalam grafik. Pada angkatan 2007 terdapat sembilan mahasiswa laki-laki dan satu mahasiswa perempuan yang drop out sedangkan pada tahun 2008 terdapat dua mahasiswa laki-laki dan satu mahasiswa perempuan yang drop out. Persentase mahasiswa drop out pada angkatan 2007 dan 2008 dapat dihitung dengan rumus sebagai berikut
11 iii
% DO 2007 = =
x 100 % x 100%
= 10,31 % % DO 2008 = =
x 100 %
Pada umumnya sebagian besar mahasiswa mengambil minor sesuai dengan yang disarankan. Namun demikian, mahasiswa yang mengambil supporting course juga relatif banyak. Perbandingan lima minor yang banyak diambil mahasiswa dan supporting course dapat dilihat pada Gambar 11 dalam bentuk tabel pivot.
x 100%
= 3,06 % Jika hasil tersebut dibandingkan dengan standar mutu akademik sarjana Institut Pertanian Bogor, maka hasil tersebut belum memuaskan. Penilaian mengenai hal tersebut dikategorikan sangat baik jika Persentase mahasiswa program studi S1 yang drop-out pada angkatan yang sama ≤ 2%.
3 Kubus Sebaran Minor Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi roll-up dalam melihat sebaran minor yang diambil oleh mahasiswa Ilmu Komputer dari tiap angkatan. Dari operasi tersebut dilihat lima minor yang paling banyak diambil oleh tiap angkatan pada tiap semester. Grafik lima minor yang paling banyak diambil oleh tiap angkatan dapat dilihat pada Gambar 10.
Gambar 11. Tabel pivot Lima Minor yang paling banyak diambil oleh mahasiswa dan supporting course Dari gambar tersebut dapat dilihat bahwa mahasiswa yang mengambil supporting course juga relatif banyak. Hal tersebut kemungkinan disebabkan karena jadwal kuliah antara minor dengan mayor yang diambil berbenturan sehingga mahasiswa lebih memilih untuk mengambil supporting course daripada minor. Dari tahun ke tahun minor yang paling banyak diambil adalah manajemen fungsional. Hal ini dapat dijadikan rekomendasi kepada Departemen Manajemen untuk mengatur jadwal secara rapi agar tidak berbenturan dengan jadwal mayor Ilmu Komputer. Rekomendasi lain adalah mahasiswa yang mengambil minor Manajemen Fungsional dijadikan satu kelas dan dicari jadwal yang sesuai antara mahasiswa dan dosen pengajar.
KESIMPULAN DAN SARAN Kesimpulan
Gambar 10. Lima Minor yang paling banyak diambil oleh mahasiswa Pada Grafik tersebut terlihat bahwa minor yang paling banyak diambil antara lain Fisika Instrumentasi, Manajemen Fungsional, Riset Operasi, Kewirausahaan Agribisnis, dan Pengembangan Usaha Agribisnis. Minor yang disarankan bagi mahasiswa Ilmu Komputer antara lain Fisika Instrumentasi, Riset Operasi, Manajemen Fungsional, dan Statistika Industri.
Hasil penelitian menyimpulkan bahwa, pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan tiga kubus data, yaitu kubus data mata kuliah mutu, indeks prestasi, dan sebaran minor. Ketiga kubus data tersebut dapat divisualisasikan dengan tepat, cepat dan akurat dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart dengan menggunakan OLAP Mondrian 3.1.6. Selain itu juga dapat dicetak dalam bentuk pdf dan excel. Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up (misalnya mencari pola sebaran perkembangan huruf mutu mata kuliah 12 iii
mayor, interdepartemen, pilihan, dan elektif pada setiap angkatan.), drill-down (misalnya Rataan IPK berdasarkan jenis kelamin dan tahun akademik), dice (misalnya untuk melihat jumlah mahasiswa yang mengambil minor manajemen fungsional), dan slice (jumlah mahasiswa yang drop out tiap angkatan berdasarkan jenis kelamin). Hasil dari penelitian ini dapat memberikan manfaat bagi pengguna di Departemen Ilmu Komputer dalam mempermudah analisis data akademik ukuran besar sehingga dapat membantu dalam pengaksesan data tersebut penyampaian informasi, pembuatan laporan dan pembuatan keputusan yang lebih baik. Dengan adanya sistem ini, data yang tadinya hanya disimpan dalam bentuk excel atau access menjadi lebih informatif dan komunikatif. Saran Pada penelitian ini, data nilai mahasiswa yang belum masuk diberi nilai BM sehingga nilai-nilai tersebut dapat mempengaruhi pola persebaran pada kubus mata kuliah mutu. Oleh karena itu, nilai-nilai tersebut harus diperbarui pada penelitian selanjutnya. Untuk mengupdate nilai-nilai tersebut perlu dibangun modal program yang diintegrasikan ke dalam aplikasi tersebut. Selain itu, sistem ini belum dapat memvisualisasikan data dalam bentuk kubus sehingga pada penelitian selanjutnya sebaiknya menggunakan tools jrubik untuk untuk memodelkan struktur kubus.
DAFTAR PUSTAKA Connolly T & Begg C. 2002. Database Systems: A Practical Approach to Design, Implementation, and Management. USA: Addison Wesley. Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Francisco : Morgan Kaufmann Publisher. http://pentaho.phi-integration.com/Mondrian [12 Desember 2009] Hyde, J. 2007. Developing OLAP solutions with Mondrian. Malinowski & Zim´ anyi. 2008. Advanced Data Warehouse Design. Berlin : Springer Mulyani, I. 2009. Hubungan Penerapan Kurikulum Mayor-minor dengan Prestasi Belajar Mahasiswa Institut Pertanian Bogor. [Skripsi]. Bogor : Departemen Manajemen, FEM, Institut Pertanian Bogor. Permana, YA. 2008. Data Warehouse dan Aplikasi Olap Data Akademik Ilmu Komputer IPB Berbasis Web Menggunakan Palo 2.0. [Skripsi]. Bogor : Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Penelitian ini masih terbatas pada tujuh dimensi saja yaitu dimensi mata kuliah, angkatan, jenis kelamin, sebaran minor, waktu, mutu, dan status studi. Hal ini menyebabkan sistem hanya terbatas pada salah satu informasi (misalnya perkembangan IPK) berdasarkan pada jenis kelamin, angkatan, dan tahun akademik. Oleh karena itu, perlu ditambahkan beberapa dimensi antara lain jalur masuk, keadaan ekonomi, pendidikan orang tua, dan asal daerah sehingga dapat dibandingkan perkembangan prestasi mahasiswa berdasarkan dimensi tertentu yang dikehendaki. Sistem ini juga belum dapat membedakan antara mata kuliah minor dengan mata kuliah supporting course. Sistem ini juga belum dapat melihat ratarata lama studi karena pada kurikulum mayorminor baru meluluskan satu angkatan sehingga belum ada perbandingan antar angkatan. Mengingat lama studi merupakan salah satu indikator penilaian mutu, sebaiknya penelitian selanjutnya menggunakan ukuran lama studi. 13 iii
LAMPIRAN
16
Lampiran
1.
Arsitektur
Mondrian
(Julian
Hyde
2005)
16
Lampiran 2. Arsitektur Three-tier Data Warehousing (Han & Kamber 2006)
16 16
Lampiran 3. Data Tabel dalam Dimensi a.
Data tabel dim_angkatan (Dimensi Angkatan) id_angkatan
b.
42
2005
43
2006
44
2007
45
2008
Data tabel dim_mutu (Dimensi Mutu) id_mutu BM
c.
th_masuk
mutu BM
A
A
B
B
C
C
D
D
E
E
Data tabel dim_waktu (Dimensi Waktu) id_waktu
thakademik
semester
0506-0
2005/2006
genap
0506-1
2005/2006
ganjil
0506-2
2005/2006
tpb
0607-0
2006/2007
genap
0607-1
2006/2007
ganjil
0607-2
2006/2007
tpb
0708-0
2007/2008
genap
0708-1
2007/2008
ganjil
0708-2
2007/2008
tpb
0809-0
2008/2009
genap
0809-1
2008/2009
ganjil
0809-2
2008/2009
tpb
0910-0
2009/2010
genap
0910-1
2009/2010
ganjil
16 17
Lanjutan d.
Data tabel dim_statusstudi (Dimensi Status Studi) id_status
e.
kelasIPK
statusstudi
1
1.[IPK>=3.51]
A. Tanpa Syarat
2
2.[2.76<=IPK<3.51]
A. Tanpa Syarat
3
3.[2.00<=IPK<2.76]
A. Tanpa Syarat
4
1.[IP>=2, 1.50
B. Peringatan
5
2.[IP<2, 1.50
B. Peringatan
6
3.[IP<2, 1.50
B. Peringatan Keras
7
1.[1.00
C. Drop out
8
2.[0.00<=IPK<=1.00]
C. Drop out
9
BM
A. Nilai Belum Lengkap
Data tabel dim_mk (Dimensi Mata Kuliah)
kode_mk
nama_mk
kriteria
AGB100
Pengantar Kewirausahaan
Pilihan
AGB211
Dasar-dasar Bisnis
Pilihan
AGB221
Kewirausahaan
Pilihan
AGB222
Negosiasi dan Advokasi Bisnis
Pilihan
AGB313
Bisnis Internasional
Pilihan
AGB321
Risiko Bisnis
Pilihan
AGB322
Pengembangan Bisnis Kecil
Pilihan
AGB331
Tataniaga Produk Agribisnis
Pilihan
AGB332
Studi Kelayakan Bisnis
Pilihan
AGB334
Pembangunan dan Politik Agribisnis
Pilihan
AGB335
Hukum dan Etika Bisnis
Pilihan
AGB411
Sistem Informasi Bisnis
Pilihan
AGB431
Perencanaan Bisnis
Pilihan
AGB432
Strategi dan Kebijakan Bisnis
Pilihan
AGH240
Dasar Hortikultura
Pilihan
AGH250
Dasar Ilmu dan Teknologi Benih
Pilihan
ARL200
Dasar-dasar Arsitektur Lanskap
Pilihan
ARL212
Teori Desain Lanskap
Pilihan
ARL313
Lanskap Kota dan Wilayah
Pilihan
ARL320
Tanaman Dalam Lanskap
Pilihan
ARL412
Pengelolaan Lanskap
Pilihan
BIK302
Biologi Molekuler
Pilihan
BIO100
Biologi
Pilihan
EKO100
Ekonomi Umum
Pilihan
16 18
EKO202
Matematika Ekonomi
Pilihan
EKO206
Ekonomi Pembangunan I
Pilihan
EKO211
Teori Mikroekonomi I
Pilihan
EKO212
Teori Mikroekonomi II
Pilihan
EKO221
Teori Makroekonomi I
Pilihan
EKO222
Teori Makroekonomi II
Pilihan
EKO301
Ekonometrika I
Pilihan
EKO322
Ekonomi Regional dan Perkotaan
Pilihan
EKO413
Ekonomi Syariah
Pilihan
ESL211
Ekonomi Pertanian
Pilihan
ESL221
Ekonomi Sumberdaya
Pilihan
ESL222
Ekonomi Sumberdaya Lahan
Pilihan
ESL231
Ekonomi Lingkungan
Pilihan
ESL312
Ekonomi Produksi
Pilihan
ESL313
Teori Harga Pertanian
Pilihan
ESL314
Perdagangan Pertanian
Pilihan
ESL325
Ekonomi Kehutanan
Pilihan
ESL332
Ekonomi Wisata
Pilihan
ESL415
Analisis Biaya dan Manfaat Proyek
Pilihan
ESL434
Valuasi Ekonomi Sumberdaya dan Lingkungan
Pilihan
FIS100
Fisika
TPB
FIS211
Mekanika I
Pilihan
FIS213
Fisika Lanjut
Pilihan
FIS241
Fisika Matematika I
Pilihan
FIS251
Elektronika Dasar
Pilihan
FIS252
Elektronika Lanjut
Pilihan
FIS342
Fisika Komputasi
Pilihan
FIS352
Eksperimen Fisika II
Pilihan
FIS354
Sensor dan Transduser
Pilihan
FIS451
Instrumentasi Fisika
Pilihan
GFM202
Metode Observasi dan Instrumentasi Meteorologi
Pilihan
GFM211
Meteorologi
Pilihan
GFM334
Hidrometeorologi
Pilihan
GIZ213
Ilmu Gizi Dasar
Pilihan
GIZ221
Gizi dalam Daur Kehidupan
Pilihan
GIZ231
Ilmu Bahan Makanan
Pilihan
GIZ325
Pendidikan Gizi
Pilihan
GIZ333
Bioetika dan Kesehatan masyarakat
Pilihan
GIZ341
Ekologi Pangan dan Gizi
Pilihan
HHT211
Hasil Hutan Sebagai Bahan Baku
Pilihan
IKK211
Pilihan
IKK214
Pengantar Ilmu Keluarga Gender dan Keluarga
IKK221
Psikologi Anak
Pilihan
Pilihan
19 16
IKK222
Tumbuh Kembang Manusia
Pilihan
IKK231
Perilaku Konsumen
Pilihan
IKK321
Pengasuhan Anak (Parenting)
Pilihan
IKK322
Pengembangan Karakter
Pilihan
IKK323
Pendidikan Holistik
Pilihan
IKK333
Pemasaran Sosial
Pilihan
IKK431
Manajemen Keuangan Konsumen
Pilihan
IPB100
Agama Islam
TPB
IPB101
Agama Protestan
TPB
IPB102
Agama Katholik
TPB
IPB103
Agama Hindu
TPB
IPB104
Agama Budha
TPB
IPB105
Pendidikan Pancasila dan Kewarganegaraan
TPB
IPB106
Bahasa Indonesia
TPB
IPB107
Pengantar Ilmu Pertanian
TPB
IPB108
Bahasa Inggris
TPB
IPB109
Olahraga dan Seni
TPB
ITP200
Pengantar Teknologi Pangan
Pilihan
ITP210
Kimia Pangan
Pilihan
ITP220
Mikrobiologi Pangan
Pilihan
ITP302
Peraturan Pangan
Pilihan
ITP322
Keamanan dan Sanitasi Pangan
Pilihan
KIM101
Kimia
TPB
KOM202
Algoritma dan Pemrograman
Mayor
KOM203
Rangkaian Digital
Mayor
KOM204
Bahasa Pemrograman
Mayor
KOM205
Basis Data
Mayor
KOM206
Organisasi Komputer
Mayor
KOM207
Struktur Data
Mayor
KOM208
Teori Bahasa dan Otomata
Mayor
KOM301
Komputer Grafik
Mayor
KOM311
Sistem Operasi
Mayor
KOM312
Komunikasi Data dan Jaringan Komputer
Mayor
KOM321
Kecerdasan Buatan
Mayor
KOM322
Metode Kuantitatif
Mayor
KOM323
Sistem Pakar
Mayor
KOM331
Rekayasa Perangkat Lunak
Mayor
KOM332
Data Mining
Mayor
KOM333
Interaksi Manusia dan Komputer
Mayor
KOM334
Pengembangan Sistem Berorientasi Objek
Mayor
KOM335
Sistem Informasi
Mayor
KOM398
Metode Penelitian dan Telaah Pustaka
KOM399
Praktek Kerja Lapangan
Mayor Mayor
20 16
KOM401
Analisis Algoritm
Mayor
KOM411
Pemrosesan Paralel
Mayor
KOM412
Pengantar Kriptografi
Elektif
KOM421
Pengantar Pengolahan Citra Digital
Mayor
KOM422
Pengantar Pemrosesan Bahasa Alami
Elektif
KOM431
Temu Kembali Informasi
Elektif
KOM497
Kolokium
Mayor
KOM498
Seminar
Mayor
KOM499
Tugas Akhir
Pilihan
KPM130
Sosiologi Umum
TPB
KPM210
Dasar-dasar Komunikasi
Pilihan
KPM212
Komunikasi Kelompok
Pilihan
KPM213
Komunikasi Bisnis
Pilihan
KPM214
Komunikasi Massa
Pilihan
KPM215
Media Siaran
Pilihan
KPM230
Sosiologi Pedesaan
Pilihan
KPM231
Pengembangan Masyarakat
Pilihan
KPM320
Ekologi Manusia
Pilihan
KPM330
Perubahan Sosial
Pilihan
KPM333
Teknik-teknik Partisipatoris
Pilihan
KPM334
Psikologi Sosial
Pilihan
KSH251
Rekreasi Alam dan Ekowisata
Pilihan
MAN201
Pengantar Manajemen
Pilihan
MAN213
Manajemen Keuangan
Pilihan
MAN221
Manajemen Pemasaran
Pilihan
MAN232
Manajemen Produksi dan Operasi
Pilihan
MAN241
Manajemen Sumberdaya Manusia
Pilihan
MAN342
Perilaku Organisasi
Pilihan
MAN424
Perilaku Pelanggan
Pilihan
MAT100
Pengantar Matematika
Pilihan
MAT103
Kalkulus
TPB
MAT211
Kalkulus II
Pilihan
MAT212
Kalkulus III
Pilihan
MAT213
Pengantar Logika Matematika
Pilihan
MAT215
Aljabar Linier
Interdept
MAT217
Kalkulus Lanjut
Interdept
MAT221
Matematika Diskret
Interdept
MAT232
Pemrograman Linear
Pilihan
MAT234
Graf Algoritmik
Pilihan
MAT242
Matematika Keuangan
Pilihan
MAT252
Persamaan Diferensial Biasa
Pilihan
MAT321
Analisis Numerik
MAT331
Pemrograman Tak Linear
Interdept Pilihan
21 16
MAT341
Matematika Pasar Modal
Pilihan
MAT351
Persamaan Diferensial Parsial
Pilihan
MAT353
Pengantar Teori Peluang
Pilihan
MAT431
Pemodelan Riset Operasi
Pilihan
MAT441
Matematika Aktuaria
Pilihan
MKU142
Bahasa Inggris Lanjut
Pilihan
MSP313
AMDAL Perairan
Pilihan
PSP301
Metode Observasi Bawah Air
Pilihan
PSP332
Navigasi Kapal Perikanan
Pilihan
PSP333
Kepelautan
Pilihan
SIL201
Pengantar Teknik Sipil dan Lingkungan
Pilihan
STK202
Pengantar Peluang
Interdept
STK211
Metode Statistika
Interdept
STK221
Metode Penarikan Contoh
Pilihan
STK222
Perancangan Percobaan I
Pilihan
STK323
Perancangan Percobaan II
Pilihan
STK331
Analisis Regresi I
Pilihan
STK332
Analisis Regresi II
Pilihan
STK351
Analisis Data Kategorik
Pilihan
STK352
Analisis Deret Waktu
Pilihan
STK361
Statistika Pengendalian Mutu
Pilihan
SVK221
Silvika
Pilihan
SVK314
Ekologi Jenis Pohon Tropika
Pilihan
SVK316
Pengelolaan Nutrisi Hutan
Pilihan
TEP205
Matematika Teknik
Pilihan
TEP330
Sistem dan Manajemen Mekanisasi Pertanian
Pilihan
TEP332
Teknik Informatika Pertanian
Pilihan
TIN200
Pengantar Agroindustri
Pilihan
TIN211
Teknik Tata Cara Kerja
Pilihan
TIN211
Teknik Tata Kerja
Pilihan
TIN212
Pengembangan Sumberdaya Manusia
Pilihan
TIN310
Tata Letak dan Penanganan Bahan
Pilihan
TIN311
Penelitian Operasional
Pilihan
TIN312
Perencanaan dan Pengendalian Produksi
Pilihan
16 22
Lanjutan f.
Data tabel dim_minor (Dimensi Minor) kode_minor
minor
A1191
Manajemen Lahan
A1192
Teknologi Tanah
A2191
Agronomi dan Hortikultura
A3191
Proteksi Tanaman (khusus mahasiswa Faperta)
A3192
Proteksi Tanaman (khusus mahasiswa Non Faperta)
A4191
Arsitektur Lanskap
C1191
Budidaya Ikan Hias
C2191
Konservasi Sumberdaya Perairan
C2192
Pengelolaan Pencemaran Perairan
C3191
Teknologi Penanganan dan Transportasi Biota Perairan
C4191
Teknik Observasi Bawah Air
C5191
Ilmu Kelautan
C5192
Teknologi Kelautan
D1191
Budidaya dan Pengolahan Hasil Ternak Unggas
D1192
Budidaya dan Pengolahan Hasil Ternak Perah
D1193
Budidaya dan Pengolahan Hasil Ternak Pedaging
D2191
Teknologi Industri Pakan
D2192
Nutrisi Ternak
D2193
Hijauan dan Nutrisi Ruminansia
E1191
Perencanaan Hutan
E1192
Kebijakan Kehutanan
E1193
Pemanfaatan Sumberdaya Hutan
E2191
Peningkatan Mutu Hasil Hutan
E2192
Industri Hasil Hutan
E2193
Rekayasa Kayu
E3191
Pengelolaan Wisata Alam dan Jasa Lingkungan
E3192
Manajemen Satwa Liar
E3193
Pemanfaatan Tumbuhan
E4191
Pembinaan Hutan
E4192
Agroforestry
E4193
Perlindungan Hutan
F1191
Mekanisasi Pertanian
F1192
Teknik Pengairan dan Bangunan Pertanian
F2191
Pengolahan Pangan
F3191
Manajemen Industri
F3192
Teknik Proses/Bioproses
F3193
Teknik Manajemen Lingkungan
16 23
F4191
Teknik Sumberdaya Air
F4192
Teknik Lingkungan
G1191
Statistika untuk Ilmu-ilmu Pertanian
G1192
Statistika Sosial Ekonomi
G1193
Statistika Industri
G1194
Statistika Terapan
G2191
Meteorologi Terapan
G2192
Sains Atmosfer
G3191
Biodiversitas Tumbuhan
G3192
Fisiologi Tumbuhan
G3193
Mikrobiologi
G4191
Kimia Bahan Alam
G4192
Kimia Polimer
G4193
Kimia Lingkungan
G5191
Riset Operasi
G5192
Matematika Keuangan dan Aktuaria
G5193
Pemodelan Sistem Dinamik
G6191
Sistem Informasi
G6192
Sistem Cerdas
G7191
Fisika Instrumentasi
G7192
Biofisika
G7193
Fisika Komputasi
G8191
Biokimia
H1191
Ekonomi dan Studi Pembangunan
H2191
Manajemen Fungsional
H3191
Pengembangan Usaha Agribisnis
H3192
Kewirausahaan Agribisnis
H3193
Kebijakan Agribisnis
H4191
Ekonomi Pertanian
H4192
Ekonomi Sumberdaya
H4193
Ekonomi Lingkungan
I1191
Gizi Masyarakat
I2191
Ketahanan Keluarga
I2192
Perkembangan Anak
I2193
Ilmu Konsumen
I3191
Komunikasi
I3192
Ekologi Politik
I3193
Pengembangan Masyarakat
X9999
Supporting Course
24 16
Lanjutan g.
Data tabel dim_jk (Dimensi Jenis Kelamin) id_jk
Jenis_kelamin L
Laki-laki
P
Perempuan
Lampiran 4. Model Hirarki Dimensi a.
Hirarki Dimensi Mata Kuliah
All
mayor
Bahasa Pemrograman
b.
Algoritma dan Pemrograman
interdepartemen
Aljabar Linier
Matematika Diskret
minor
Elektif
Manajemen Graf Pemasaran Algoritmik
Supporting course
Temu Kembali Informasi
Perubahan sosial
Hirarki Dimensi Waktu
Ganjil Ganjil All
2005/2006
TPB
Ganjil Genap
2006/2007
TPB Ganjil Genap
2007/2008
TPBGanjil
2008/2009
2009/2010
Genap TPB Ganjil Genap Ganjil
Genap
16 25
c.
Hirarki Dimensi Mutu
All
A
d.
C
B
D
E
F
Hirarki Dimensi Angkatan
All
2005
e.
2006
2007
2008
Hirarki Dimensi Jenis Kelamin All
Laki-laki
Perempuan
26 16
Lanjutan f.
Hirarki Dimensi Status Studi
All
Tanpa Syarat
[IPK>=3.51] [2.76<=IPK<3.51
g.
[2.00<= IPK<2. 76]
Peringatan
Peringatan Keras
Drop Out
Nilai Belum Lengkap
[IP>=2, [1.00
BM
[IP<2, 1.50
Hirarki Dimensi Minor
All
Riset Operasi
Manajemen Fungsional
Statistika Industri
Arsitektur Lanskap
Pengembangan Usaha Agribisnis
Fisika Instrumentasi
16 27
Lampiran 5. Tampilan Awal Aplikasi
16 28
