PEMBANGUNAN DATA WAREHOUSE DAN APLIKASI OLAP KEPEGAWAIAN INSTITUT PERTANIAN BOGOR
SRI RAHAYU
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pembangunan Data Warehouse dan Aplikasi OLAP Data Kepegawaian Institut Pertanian Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Desember 2013 Sri Rahayu NIM G64080059
ABSTRAK SRI RAHAYU. Pembangunan Data Warehouse dan Aplikasi OLAP Kepegawaian Institut Pertanian Bogor. Dibimbing oleh HARI AGUNG ADRIANTO dan FIRMAN ARDIANSYAH Sistem Kepegawaian IPB saat ini menggunakan SQL Server sebagai Database Management System (DBMS). Namun, sistem ini belum dilengkapi dengan aplikasi yang cukup untuk melakukan analisis data kepegawaian. Penelitian ini bertujuan untuk membangun data warehouse dan aplikasi OLAP untuk mendukung proses analisis data kepegawaian. Pembangunan data warehouse dan aplikasi OLAP ini menghasilkan tiga tabel fakta dan 10 tabel dimensi. Ketiga tabel fakta tersebut adalah DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime. Sedangkan dimensi yang dihasilkan adalah DW_DimKategoriUsia, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimPendidikan, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimUniversitas, DW_DimBidangIlmu, DW_DimTime, dan DW_DimDepartemen. Target yang dapat dikerjakan oleh aplikasi ini terdiri dari enam poin yang meliputi tiga inti penekanan kondisi kepegawaian, yaitu kategori usia, tingkat pendidikan, dan jabatan pegawai. Kata kunci: Data warehouse, DBMS, Institut Pertanian Bogor, Kepegawaian, OLAP, SQL Server
ABSTRACT SRI RAHAYU. Data Warehouse and OLAP Application Development of Bogor Agricultural University Employee Data. Supervised by HARI AGUNG ADRIANTO and FIRMAN ARDIANSYAH. IPB Employment System currently uses SQL Server as a Database Management System (DBMS). However, the system do not have sufficient tools to conduct an optimal employee data analysis. This research aims at developing data warehouse and OLAP application to support the process of employee data analysis. Development of data warehouse and OLAP applications produces three fact tables and ten dimension tables. The three fact tables are DW_FactBiodataPegawai, DW_FactPendidikan, and DW_FactPendidikanTime, while the dimension tables are DW_DimKategoriUsia, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimPendidikan, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimUniversitas, DW_DimBidangIlmu, DW_DimTime, and DW_DimDepartemen. There are six targets that can be done by this application including three core emphases on employment conditions, such as age, education level, and structural position of the employee. Keyword: Data warehouse, DBMS, Institut Pertanian Bogor, Kepegawaian, OLAP, SQL Server
PEMBANGUNAN DATA WAREHOUSE DAN APLIKASI OLAP KEPEGAWAIAN INSTITUT PERTANIAN BOGOR
SRI RAHAYU
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 2013
Penguji: Annisa, SKom, MKom
Judul Skripsi : Pembangunan Data Warehouse dan Aplikasi OLAP Kepegawaian Institut Pertanian Bogor Nama : Sri Rahayu NIM : G64080059
Disetujui oleh
Hari Agung Adrianto, SKom, MSi Pembimbing I
Firman Ardiansyah, SKom, MSi Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahu wa-ta'ala atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Pembangunan Data Warehouse dan Aplikasi OLAP Data Kepegawaian Institut Pertanian Bogor. Penelitian ini dilaksanakan mulai Februari 2013 sampai dengan Agustus 2013 dan bertempat di Departemen Ilmu Komputer Institut Pertanian Bogor. Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom, MSi dan Bapak Firman Ardiansyah, SKom, MSi selaku pembimbing. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, seluruh keluarga, serta temanteman atas segala doa dan kasih sayangnya. Semoga penelitian ini dapat memberikan manfaat bagi penulis serta pihak lain yang membutuhkan. Bogor, Desember 2013
Sri Rahayu
2
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Ruang Lingkup Penelitian
2
METODE
2
Analisis
4
Tahap Design
5
Praproses Data
6
Pembuatan Data Warehouse, Uji Query, dan Data Warehouse Final
7
Spesifikasi Perangkat Lunak
8
HASIL DAN PEMBAHASAN
8
Analisis Tahap Design
8 10
Design Konseptual
10
Design Logika
11
Design Fisik
13
Praproses Data
14
Pembuatan Data Warehouse dan Uji Query
17
SIMPULAN DAN SARAN
21
Simpulan
21
Saran
21
DAFTAR PUSTAKA
21
LAMPIRAN
22
RIWAYAT HIDUP
27
3
DAFTAR TABEL 1 2 3 4 5 6 7
Tahap metode penelitian dan hasil Data pegawai aktif Contoh data pendidikan pegawai Daftar fakta dan dimensi Sumber pembentukan DW_FactBiodataPegawai Daftar generalisasi pendidikan Target penelitian dan grafik hasil
2 9 10 11 14 16 17
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13
Tahapan metode penelitian Arsitektur three-tier Skema galaksi SimpegIPB Diagram DW_FactBiodataPegawai Diagram DW_FactPendidikan Diagram DW_FactPendidikanTime Diagram Integrasi DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime Grafik jumlah pegawai aktif berdasarkan pendidikan untuk setiap fakultas Grafik jumlah pegawai aktif berdasarkan kategori usia untuk setiap fakultas Grafik jumlah pegawai aktif berdasarkan pendidikan pada setiap tahun Grafik persentase dosen berdasarkan tingkat pendidikan Grafik persentase tenaga kependidikan berdasarkan tingkat pendidikan Grafik persentase dosen berdasarkan jabatan
3 5 11 12 12 13 13 18 18 19 19 20 20
DAFTAR LAMPIRAN 1 2 3 4
Tabel fakta dan dimensi Staging riwayat pendidikan pegawai generalisasi kode Staging riwayat pendidikan pegawai use Contoh data yang siap dimuat
22 24 25 26
PENDAHULUAN Latar Belakang Institut Pertanian Bogor (IPB) sebagai institusi pendidikan nasional membutuhkan pegawai yang mampu mendukung berlangsungnya proses pendidikan. Setiap bagian dari IPB, mulai dari fakultas hingga departemen membutuhkan pegawai dengan jumlah dan standar yang berbeda. Dengan adanya pegawai yang berkualitas dan sesuai dengan kebutuhan, proses pendidikan di IPB akan berjalan dengan baik. Untuk itu, proses rekrutmen pegawai harus berjalan maksimal dengan hasil analisis data kepegawaian yang diperoleh dari setiap bagian di IPB. Analisis data adalah tahap pengambilan informasi dari data yang ada. Hingga saat ini, proses rekrutmen pegawai belum berjalan dengan maksimal karena proses analisis data pegawai belum berjalan dengan baik. Perkembangan teknologi memperkenalkan data warehouse dan aplikasi OLAP sebagai salah satu solusi dari permasalahan terkait analisis data. Adanya data warehouse dan aplikasi OLAP akan membantu pihak-pihak yang berperan dalam proses pengambilan keputusan rekrutmen pegawai dalam menentukan pegawai yang benar-benar dibutuhkan oleh IPB. Pada penelitian kali ini, analisis difokuskan berdasarkan beberapa kategori seperti tingkat pendidikan dan usia pegawai. Jumlah pegawai yang ada di IPB, baik dengan status dosen ataupun tenaga kependidikan lainnya memiliki kondisi yang beragam dan penting untuk diketahui sebagai rekomendasi penetapan keputusan terkait rekrutmen seperti yang telah disebutkan sebelumnya. Pihakpihak yang berperan sebagai pengambil kebijakan rekrutmen membutuhkan informasi yang jelas tentang kondisi pegawai yang ada untuk dapat memenuhi kebutuhan dari bagian-bagian yang ada. Bukan hanya berdasarkan jumlah pegawai secara keseluruhan, akan tetapi jumlah pegawai dari masing-masing bagian dengan spesifikasi kebutuhan seperti jumlah pegawai dengan kategori usia tertentu untuk tiap fakultas dan departemen. Bila dianalisis lebih lanjut, kategori usia merupakan aspek penting yang harus diperhatikan oleh pihak-pihak pengambil keputusan atau kebijakan rekrutmen. Jika jumlah pegawai dengan kategori usia mendekati pensiun banyak untuk sebuah fakultas, maka perlu dipersiapkan pegawai pengganti sebagai langkah antisipasi kurangnya pegawai dari fakultas tersebut. Tidak hanya sebatas penambahan jumlah pegawai, tapi spesifikasi kebutuhan pegawai juga harus diperhatikan, seperti tingkat pendidikan pegawai dan jabatan pegawai. Untuk itu, pengembangan data warehouse dan OLAP untuk data kepegawaian IPB sangatlah diperlukan agar kuantitas dan kualitas pegawai dapat benar-benar menunjang sistem kependidikan di IPB dengan maksimal. Tujuan Penelitian Tujuan dari penelitian ini adalah membangun data warehouse dan aplikasi OLAP untuk data kepegawaian IPB.
2
Ruang Lingkup Penelitian Ruang lingkup penelitian hanya difokuskan pada pembangunan data warehouse dan aplikasi OLAP. Data yang digunakan adalah data kepegawaian IPB dan pembangunan aplikasi dilakukan dengan SQL Server 2008 R2. METODE Data warehouse merupakan ruang penyimpanan atau arsip informasi yang dikumpulkan dari berbagai sumber dan disimpan dengan sebuah skema terintegrasi pada satu tempat. Data atau informasi tersebut tersimpan dalam jangka waktu yang lama sehingga memungkinkan pengguna menciptakan query untuk proses pengambilan keputusan dengan 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 dan 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 ialah menyatukan beragam data di dalam sebuah tempat penyimpanan sehingga pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis terhadap data yang ada. Metode yang digunakan untuk mengembangkan data warehouse pada penelitian ini dapat dilihat pada Gambar 1, sedangkan hasil dari tahapan metode penelitian yang dilakukan dapat dilihat pada Tabel 1. Tabel 1 Tahap metode penelitian dan hasil Tahap Metode Penelitian Hasil Analisis Target pengembangan sistem. Design Konseptual Terbentuk tabel fakta, tabel dimensi, dan measure Logika Terbentuk detail variable data dan integrasi tiap tabel Fisik Implementasi rancangan di dalam DBMS Praproses Pembersihan Data Data yang siap digunakan pada sistem Data data warehouse yang dibuat Integrasi Data Transformasi Data Pemuatan Data Pembuatan Data Warehouse Data Warehouse dan Aplikasi OLAP Kepegawaian IPB Uji Query Data Warehouse Final
3
Tahap Design
Design Konseptual
Design Logika
Design Fisik
Uji Query
Data Warehouse Final
Gambar 1 Tahapan metode penelitian
4
Analisis Pengembangan data warehouse dilakukan dengan perancangan database yang jelas. Tahap pertama adalah analisis spesifikasi kebutuhan yang terdiri atas pengumpulan kebutuhan dari permintaan pengguna ke dalam spesifikasi koheren dan ringkas. Sejak data warehouse ditujukan untuk mendukung proses pengambilan keputusan, tahapan yang digunakan dalam desain database konvensional juga telah diadopsi untuk mengembangkan data warehouse (Malinowski dan Zim’anyi 2008). Data warehouse dibangun untuk mengatasi masalah teknis dan bisnis yang berkaitan dengan pembangunan data dan informasi untuk mengambil keputusan. Secara rinci dijelaskan oleh Inmon (1993) bahwa data warehouse mempunyai empat karakteristik, yaitu: Subject Oriented Data Data Warehouse diorganisasikan meliputi subjek utama dari enterprise (misal: customer, product, sales) alih-alih area aplikasi utama (misal: customer invoicing, stock control, product sales). Hal ini direfleksikan dalam kebutuhan untuk menyimpan data pendukung keputusan alih-alih data berorientasi aplikasi. Integrasi Data Data warehouse menggabungkan data berorientasi aplikasi dari sistem sumber yang berbeda, yang sering menyertakan data yang tidak konsisten. Data sumber yang terintegrasi harus dibuat menjadi konsisten untuk merepresentasikan tampilan data yang terpadu ke pengguna. Time Variant Data Data pada warehouse akan menjadi akurat dan valid pada beberapa saat atau beberapa interval waktu. Time variance menampilkan perpanjangan waktu dari data yang ada secara implisit atau eksplisit. Selain itu, time variant juga menampilkan keterhubungan antara waktu dengan keseluruhan data dan kenyataan bahwa data merepresentasikan serangkaian kejadian. Non Volatile Data Data pada warehouse tidak di-update secara real time tetapi di-refresh dari sistem operasional dalam basis reguler. Data baru selalu ditambahkan sebagai tambahan pada basis data, alih-alih menggantikan data sebelumnya. Menurut Han dan Kamber (2006), data warehouse pada umumnya mengadopsi arsitektur three-tier, seperti digambarkan pada Gambar 2. Lapisanlapisan arsitektur data warehousing tersebut adalah: 1 Lapisan bawah (bottom tier) Lapisan bawah adalah server data warehouse yang biasanya sebuah sistem database relasional. Pada lapisan ini data diambil dari database operasional dan sumber eksternal lainnya, diekstrak, dibersihkan, dan ditransformasikan. Data disimpan sebagai data warehouse. 2 Lapisan tengah (middle tlier) Lapisan tengah OLAP server yang biasanya diimplementasikan dengan OLAP relasional (ROLAP) atau OLAP Multidimensional (MOLAP).
5
3 Lapisan atas (top tier) Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (misalnya: analisis tren, prediksi, dan lainnya). Selama proses pengumpulan informasi, analisis kebutuhan pengguna di berbagai tingkat manajemen diwawancara untuk mengetahui analisis kebutuhan yang dibutuhkan (Malinowski dan Zim’anyi 2008). Tahap analisis ini juga ditujukan untuk mengetahui karakteristik dari masing-masing data yang diketahui, sehingga memudahkan dalam penentuan desain data warehouse yang akan dirancang.
Gambar 2 Arsitektur three-tier Tahap Design Tahap berikutnya yaitu desain konseptual, desain logis, dan desain fisik yang merupakan hasil penerjemahaan dari kebutuhan pengguna. Spesifikasi yang diperoleh berfungsi sebagai dasar untuk membuat sebuah skema database sesuai dengan permintaan pengguna. Pembentukan skema dari hasil analisis yang diperoleh merupakan tahapan design konseptual. Tahapan ini terkait dengan pembuatan data warehouse yang didasarkan pada model data multidimensi. Model ini menampilkan data dalam bentuk kubus. Model data multidimensi terdiri atas 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 tabel 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.
6
Fakta adalah ukuran-ukuran numerik merupakan kuantitas yang akan dianalisis hubungan antar-dimensinya. Tabel fakta berisi nama-nama fakta (ukuran) dan key dari tabel-tabel 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 dan memiliki jumlah baris sesuai dengan jumlah kombinasi nilai dimensi yang mungkin dan jumlah kolom sesuai dengan jumlah dimensi yang direpresentasikan. Kubus data disebut juga cuboid, dan 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. Kubus data tersebut memiliki dimensi time, item, dan location. Skema basis data berisi kumpulan enititas dan hubungan antarentitas. Sebuah data warehouse memerlukan skema yang ringkas dan berorientasi subjek yang dapat digunakan dalam analisis data on-line. Tipe-tipe skema model data multidimensi adalah: Skema Bintang (Star Schema) Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antartabel dimensi dan tabel fakta menyerupai bintang, yaitu satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabel-tabel dimensi. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat. Skema Snowflake (Snowflake Schema) Skema snowflake adalah variasi dari skema bintang dengan beberapa tabel dimensi dinormalisasi, sehingga dihasilkan beberapa tabel tambahan. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memory, namun waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama. Skema Galaksi (Fact Constellation) Pada skema galaksi beberapa tabel fakta berbagi tabel dimensi. Keuntungan menggunakan skema ini adalah menghemat memory dan mengurangi kesalahan yang mungkin terjadi. Proses selanjutnya adalah design logika. Pada tahapan ini, konsep yang ada dibuat lebih detail dengan menambahkan variabel dan menentukan key dari masing-masing tabel yang ada di dalam rancangan konseptual. Logika yang telah tersusun kemudian diimplementasikan langsung ke dalam DBMS di tahap design fisik. Setelah itu, desain fisik disimpan pada Database Management System (DBMS). Praproses Data Tahapan berikutnya adalah praproses data. Pada tahap ini, data yang ada diolah dengan perlakuan untuk dapat menghasilkan komposisi data yang sesuai dengan design yang ada. Sumber data terdiri atas dua database, yaitu StaggingSimpegIPB dan SDM. Dari kedua database tersebut, tidak semua data digunakan, tetapi hanya yang sesuai dengan hasil analisis dan design yang akan
7
diperlukan. Untuk itu, tahap praproses data menjadi penting untuk dilakukan. Pembersihan data adalah proses memilih data-data yang dibutuhkan, baik tabel ataupun hanya variabel. Setelah itu, data yang telah dipilih diintegrasikan untuk membentuk rancangan data yang diinginkan. Transformasi kemudian dilakukan untuk data butuh penyeragaman format. Setelah data siap diolah ke dalam warehouse, maka data dimuat ke dalam sistem. Penjelasan lain terkait tahap ini dituliskan Malinowski dan Zim’anyi (2008). Beberapa pengalaman menunjukan bahwa pengembangan data warehouse sistem berbeda secara signifikan dari pengembangan database konvensional. Oleh karena itu, modifikasi terhadap metode yang dijelaskan di atas sangat 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 yang berbeda sehingga harus ditransformasikan sebelum dimasukan ke dalam data warehouse. Hal ini merupakan salah satu yang perlu dipertimbangkan selama penyusunan desain proses ekstraksi, transformasi, dan loading (ETL). Di sisi lain, belum ada metode yang sesuai untuk merancang database spasial atau temporal. Pembuatan Data Warehouse, Uji Query, dan Data Warehouse Final Setelah data dimuat ke dalam sistem tabel-tabel yang telah dirancang, maka aplikasi pun dibuat dengan membentuk cube dan memproses cube tersebut. Uji query dilakukan dengan melihat kesesuaian hasil dari OLAP yang telah dibuat dengan query yang menyusunnya. Jika uji query berhasil, maka data warehouse final terbentuk, jika query gagal maka proses akan kembali mengarah pada pembuatan data warehouse kembali. Online Analytical Processing (OLAP) terdiri atas seperangkat tool untuk membantu proses analisis dan perbandingan data dalam database. 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 (Han dan Kamber 2006). Teknologi yang digunakan pada penelitian kali ini adalah SQL Server 2008 R2. SQL Server dipilih dengan beberapa alasan, yaitu teknologi ini adalah teknologi yang digunakan oleh IPB, sehingga diharapkan dengan penggunaan SQL Server akan mudah mengintegrasikan penelitian dengan sistem yang berjalan. Selain itu, data yang tersedia juga dapat diproses oleh teknologi ini, sehingga memudahkan untuk melakukan pengolahan data. SQL Server adalah server basis data yang secara fungsional merupakan proses atau aplikasi yang menyediakan layanan basis data. Client berinteraksi dengan layanan basis data melalui antarmuka komunikasi tertentu yang bertujuan untuk pengendalian dan keamanan. Client tidak mempunya akses langsung ke data, tetapi selalu berkomunikasi dengan server basis data. (Marcus et al. 2004). SQL Server menggunakan tipe dari database yang disebut database relasional. Database relasional adalah database yang digunakan sebuah data untuk mengatur atau mengorganisasikan ke dalam tabel. Tabel-tabel adalah alat bantu untuk mengatur atau mengelompokan data mengenai subyek yang sama dan
8
mengandung informasi dan kolom dan baris. Tabel-tabel saling berhubungan dengan mesin database ketika dibutuhkan. SQL Server mendukung beberapa tipe data yang berbeda, termasuk untuk karakter, angka, tanggal (datetime), dan uang (money). SQL Server digunakan untuk menggambarkan model dan implementasi pada database. Keuntungan menggunakan SQL Server dapat didefinisikan menjadi dua bagian yaitu satu bagian untuk menjalankan pada server dan bagian lain untuk client. Keuntungan Client antara lain: Mudah digunakan. Mendukung berbagai perangka keras. Mendukung berbagai aplikasi perangkat lunak. Biasa untuk digunakan Sementara itu keuntungan Server antara lain: Dapat diandalkan (Reliable) Toleransi kesalahan (Fault Tolerant) Konkurensi (Concurrent) Performa tinggi dalam perangkat keras (High-performance Hardware) Pengendalian terpusat (Centralized Control) Penguncian yang canggih (Sophisticated Locking). Spesifikasi Perangkat Keras dan Perangkat Lunak Aplikasi ini dikembangkan dengan menggunakan perangkat keras: Processor Intel(R) Core(TM) 2 Duo CPU T6500 @ 2.10 GHz (2 CPUs), 3 GB Memory, Harddisk 320 GB , Mouse dan Keyboard , Monitor 14.1” dengan resolusi 1024 x 768 pixels, VGA ATI Radeon HD 3400 Series. Sementara itu perangkat lunak yang digunakan adalah Sistem Operasi Microsoft Windows 7 Ultimate 32-bit (6.1, Build 7600) dan SQL Server 2008 R2.
HASIL DAN PEMBAHASAN Analisis Analisis yang dilakukan melingkupi analisis kebutuhan sistem dan analisis data yang ada. Analisis dimulai dari analisis karakteristik data warehouse yang terdiri atas subject oriented data, integrasi data, time variant data, dan non volatile data. Data warehouse yang dikembangkan berorientasi pada subject pegawai. Data merupakan integrasi dari database SDM dengan database StagingSimpegIPB. Data yang digunakan adalah data dari tahun pertama hingga tahun 2012 dan bukan dalam bentuk rael time. Berdasarkan arsitektur three-tier, lapisan bawah pada penelitian ini dikerjakan di dalam SQL Server 2008 R2, tepatnya pada bagian SQL Server Integration Service (SSIS). Lapisan tengah menggunakan SQL Server Analysis Service (SSAS), dan lapisan atas menggunakan Microsoft Office Excel 2010. Analisis kebutuhan sistem menghasilkan enam target dari dibangunnya data
9
warehouse dan aplikasi OLAP Kepegawaian IPB. Keenam target diperoleh dari hasil diskusi dengan pihak Direktorat Komunikasi dan Sistem Informasi (DKSI) IPB dan Key Performance Indicators (KPI) IPB yang terkait dengan kepegawaian. Target pertama adalah mengetahui jumlah pegawai aktif berdasarkan tingkat pendidikan untuk tiap fakultas dan departemen. Dari contoh data pada Tabel 2, target ini akan membantu memahami data, contohnya jumlah pegawai aktif dengan pendidikan S1 untuk Fakultas Ekologi Manusia adalah 2 orang dan jumlah pegawai aktif dengan pendidikan S1 untuk Departemen Gizi Masyarakat adalah 1 orang.
Nama Fengky Satria Yoresta Lindawati Kartika Azis Boing Sitanggang Karina Rahmadia Ekawidyani Noerhayati Rofiah
Tabel 2 Data pegawai aktif Kategori Usia Pendidikan Tahun Departemen Usia 26 26-30 S2 2010 Hasil Hutan Tahun 27
26-30 Tahun 26-30 Tahun
S2
2009
Manajemen
S2
2010
27
26-30 Tahun
S1
2008
Ilmu dan Teknologi Pangan Gizi Masyarakat
28
26-30 Tahun
S1
2008
27
Fakultas Kehutanan
Ekonomi dan Manajemen Teknologi Pertanian Ekologi Manusia
Ilmu Ekologi Keluarga dan Manusia Konsumen Target kedua adalah mengetahui jumlah pegawai aktif pada rentang usia tertentu untuk tiap departemen dan fakultas. Target ini akan membantu pengguna memahami data, misalnya jumlah pegawai aktif dengan kategori usia 26-30 tahun untuk Departemen Ilmu dan Teknologi Pangan adalah 1 orang dan jumlah pegawai aktif dengan kategori usia 26-30 tahun untuk Fakultas Ekologi Manusia adalah 2 orang. Mengetahui jumlah pegawai dengan pendidikan pada tahun tertentu adalah target ketiga dari pembangunan data warehouse dan aplikasi OLAP ini. Misalkan ada data seperti Tabel 2, target ditujukan untuk membantu pengguna memahami data, misalnya jumlah pegawai dengan pendidikan S1 pada tahun 2005 adalah 1 orang dan jumlah pegawai dengan pendidikan S1 pada tahun 2006 adalah 2 orang. Data pegawai dengan pendidikan S1 bertambah pada tahun 2006 dan dengan begitu maka jumlah pegawai dengan pendidikan D3 pada tahun 2006 adalah 0, karena B telah terhitung sebagai pegawai dengan pendidikan S1 pada tahun 2006. Target keempat adalah mengetahui persentase dosen yang bergelar doktor (S3). Melihat contoh data yang ada pada Tabel 3, target ini ditujukan untuk dapat memahami data, misalnya persentase dosen dengan pendidikan S3 untuk data terakhir dari kependidikan pegawai adalah 1 dari 2 orang, atau sama dengan setengah dari jumlah dosen yang ada.
10
Tabel 3 Contoh data pendidikan pegawai Nama Pendidikan TahunP Status Pegawai Jabatan A S1 2004 Dosen Staff Pengajar A S2 2007 Dosen Staff Pengajar B D3 2002 TenagaKependidikan Pustakawan Pratama B S1 2006 TenagaKependidikan Pustakawan Pratama C S2 2003 Dosen Guru Besar C S3 2005 Dosen Guru Besar D D3 2005 Tenaga Kependidikan Pustakawan Pratama D S1 2006 Tenaga Kependidikan Pustakawan Pratama E S1 2001 Dosen Staff Pengajar E S2 2005 Dosen Staff Pengajar E S3 2007 Dosen Staff Pengajar Target kelima adalah mengetahui persentase pegawai dengan pendidikan terakhir minimal D3. Dari data pada Tabel 2, OLAP ditujukan untuk membantu memahami data, misalnya persentase tenaga kependidikan dengan pendidikan terkhir D3 adalah sebanyak 3 dari 3 orang, atau sama dengan seluruh dari jumlah dosen yang ada. Target keenam dari pembagunan data warehouse dan aplikasi OLAP pada penelitian ini adalah mengetahui persentase dosen dengan jabatan guru besar. OLAP dapat membantu memahami data, misalnya persentase dosen dengan jabatan guru besar adalah sebanyak 1 dari 2 orang, atau sama dengan setengah dari jumlah dosen yang ada. Tahap Design Tahap design terdiri atas design konseptual, design logika, dan design fisik. Berikut pembahasan masing-masing hasil tahapan design. Design Konseptual Design konseptual seperti yang telah dijelaskan pada bagian metode bahwa tahapan ini menghasilkan rancangan skema secara umum. Skema yang dibentuk merupakan skema galaksi dengan tiga tabel fakta dan 10 tabel dimensi seperti dirinci pada Tabel 4. Tabel DW_FactBiodataPegawai merupakan tabel fakta yang dibentuk dengan tujuan untuk memenuhi target pertama, kedua, keempat, dan keenam dari rincian target yang telah disebutkan pada bagian analisis. Target ketiga difokuskan pada tabel DW_FactPendidikanTime, dan target kelima dengan tabel DW_FactPendidikan. Skema yang digunakan dalam penelitian ini adalah skema galaksi yang dapat dilihat pada Gambar 3.
11
No 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 1 2
Tabel 4 Daftar fakta dan dimensi Dimensi Fakta DW_FactBiodataPegawai DW_DimDepartemen DW_DimKategoriUsia DW_DimStatusPekerjaan DW_DimStatusPegawai DW_DimPendidikan DW_DimTahunPendidikan DW_DimJabatan DW_FactPendidikan DW_DimPendidikan DW_DimKategoriUsia DW_DimStatusPekerjaan DW_DimStatusPegawai DW_DimUniversitas DW_DimBidangIlmu DW_DimTahunPendidikan DW_DimDepartemen DW_FactPendidikanTime DW_DimTime DW_DimPendidikan
Measure JumlahPegawai
JumlahPegawai
JumlahPegawai
Gambar 3 Skema galaksi SimpegIPB Design Logika Design logika merupakan pemetaan model data yang telah dirancang pada tahap sebelumnya. Detail skema dari masing-masing fakta ditunjukkan pada Gambar 4 untuk DW_FactBiodataPegawai, Gambar 5 untuk DW_FactPendidikan, Gambar 6 untuk DW_FactPendidikanTime, dan Gambar 7 Integrasi DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime.
12
Gambar 4 Diagram DW_FactBiodataPegawai
Gambar 5 Diagram DW_FactPendidikan
13
Gambar 6 Diagram DW_FactPendidikanTime
Gambar 7 Diagram Integrasi DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime Design Fisik Design fisik kemudian dilakukan dengan membentuk semua rancangan ini di dalam DBMS (SQL Server 2008 R2). Tahap ini membentuk database dan table-tabel penyusunnya untuk mempersiapkan praproses data. Tabel fakta dan dimensi yang dibentuk beserta tipe datanya dapat dilihat pada Lampiran 1.
14
Praproses Data Tahap praproses data terdiri dari integrasi, pembersihan, transformasi, dan pemuatan data. Tahapan ini dibahas berdasarkan tabel fakta yang terbentuk dan data source yang digunakan. Tabel fakta DW_FactBiodataPegawai dibentuk dari database StagingSimpegIPB dengan tabel Stg_TrsBiodata. Sumber pembentukan tabel DW_FactBiodataPegawai dijelaskan pada Tabel 5 berikut ini. Tabel 5 Sumber pembentukan DW_FactBiodataPegawai Tabel yang Digunakan Database Source Field yang Digunakan Simpeg IPB SimpegIPB.dbo.Staging Riwayat KodePendidikan, Pendidikan PegawaiUse Tahun SimpegIPB.dbo.Staging FakDeptTest
sdm
Fakultas, Departemen
SimpegIPB. dbo.Staging Biodata NIP, KategoriUsia, Pegawai StatusPekerjaan sdm.dbo. tBiodata StatusPegawai
Dalam proses pembentukan tabel DW_FactBiodataPegawai, dilakukan tahapan praproses data yang dimulai dari pembentukan tabel-tabel sumbernya. Tabel DW_FactBiodataPegawai terdiri dari dimensi DimDepartemen, DimStatusPegawai, DimStatusPekerjaan, DimJabatan, DimTahunPendidikan, DimPendidikan, dan DimKategoriUsia. Data yang dibutuhkan disimpan terlebih dahulu di dalam tabel Stg_TrsBiodata. Pembersihan dan integrasi dilakukan untuk dapat membentuk tabel Stg_TrsBiodata. Pengolahan data pertama ditujukan untuk mendapatkan field KodePendidikan dan TahunPendidikan yang kemudian akan dijadikan rujukan dalam pembentukan DimTahunPendidikan dan DimPendidikan. Integrasi data terjadi antara tabel TrsRiwayatPendidikan dan tabel MstPendidikan untuk membentuk tabel Staging RiwayatPendidikanPegawaiGeneralisasiKode. Query SQL yang digunakan adalah select a.[NIP] ,a.[Universitas] ,a.[BidangIlmu] ,a.[TahunPendidikan] ,b.KodePendidikan, CASE a.Pendidikan when 'SD' THEN 'SD' WHEN 'SLTP' THEN 'SLTP' WHEN 'SLTA Paket C' THEN 'SLTA Paket C' WHEN 'SPP' THEN 'SMA' WHEN 'KPAA' THEN 'SMA' WHEN 'SMT' THEN 'SMA' WHEN 'Madrasah Aliyah' THEN 'SMA' WHEN 'MAN' THEN 'SMA' WHEN 'SMU' THEN 'SMA' WHEN 'SMA' THEN 'SMA' WHEN 'SLTA' THEN 'SMA' WHEN 'SMEA' THEN 'SMA' WHEN 'SMA' THEN 'SMA'
15
WHEN WHEN WHEN WHEN WHEN WHEN WHEN WHEN WHEN WHEN WHEN WHEN
'SMAK' THEN 'SMK' 'SMKK' THEN 'SMK' 'SLTA Kejuruan' THEN 'SMK' 'STM' THEN 'SMK' 'SMK' THEN 'SMK' 'D1' THEN 'D1' 'D2' THEN 'D2' 'Sarjana Muda' THEN 'D3' 'D3' THEN 'D3' 'S1' THEN 'S1' 'S2' THEN 'S2' 'S3' THEN 'S3'
END as 'PendidikanPegawai' FROM [StagingSimpegIPB].[dbo].[Stg_TrsRiwayatPendidikan] a inner join StagingSimpegIPB.dbo.Stg_MstPendidikan b on a.pendidikan = b.pendidikan order by PendidikanPegawai. Hasil tabel Staging RiwayatPendidikanPegawaiGeneralisasiKode dapat dilihat pada Lampiran 2. Sesuai dengan namanya, table ini merupakan table yang ditujukan untuk memunculkan hasil dari generalisasi KodePendidikan. Transformasi data dilakukan pada bagian KodePendidikan yang digeneralisasi yang dapat dilihat pada Tabel 6. Setelah generalisasi KodePendidikan terbentuk, dipilih data dengan tingkat pendidikan yang tertinggi. Data pegawai dengan tingkat pendidikan tertinggi untuk masing-masing individu disimpan di dalam tabel StagingRiwayatPendidikanPegawaiUse. Query SQL yang digunakan adalah select NIP, KodePendidikan, Pendidikan, Universitas, BidangIlmu, Tahun from ( select NIP, KodePendidikan, Pendidikan, Universitas, BidangIlmu, Tahun, row_number() over (partition by NIP order by KodePendidikan desc) AS recid from [SimpegIPB].[dbo].[StaggingRiwayatPendidikanPegawaiGene ralisasiKode] ) AS f where recid = 1 order by KodePendidikan. Tabel Staging Riwayat Pendidikan Pegawai Use. Hasil query dapat dilihat pada Lampiran 3.
16
Tabel 6 Daftar generalisasi pendidikan Daftar Generalisasi Pendidikan Sebelum Generalisasi Setelah Generalisasi SD SD SLTP SLTP SLTA Paket C SLTA Paket C SMA SPP SMA KPAA SMA SMT SMA SMEA SMA Madrasah Aliyah SMA MAN SMA SMU SMA SLTA SMK SMKK SMK SMAK SMK SLTA Kejuruan SMK STM D1 D1 D2 D2 Sarjana Muda D3 S1 S1 S2 S2 S3 S3 SimpegIPB.dbo.StagingFakDeptTest dibentuk dari sdm.dbo.tMutasi dengan mengambil kolom NIP, unitKerja, dan bagian dengan filter pada kolom AktifUnit = 1 dan unitKerja tidak sama dengan ' '. Data Departemen dan Fakultas merupakan tujuan dibentuknya StagingFakDeptTest tersebut. Setelah keempat tabel dari dua database tersebut siap, maka data dimuat untuk membentuk Stg_TrsBiodata dan FactBiodataPegawai. DW_FactPendidikan dibentuk dari hasil join Staging Simpeg IPB .dbo. TrsRiwayatPendidikan dengan StagingSimpegIPB.dbo.TrsBiodata. Fakta terakhir adalah DW_FactPendidikanTime yang merupakan hasil pemrosesan dari StagingSimpegIPB.dbo.TrsRiwayatPendidikan. Penelitian ini memfokuskan pada tingkat pendidikan D1 hingga S3. Tabel FactPendidikanTime berisi data NIP dan daftar tahun beserta tingkat pendidikan pegawai pada tahun tersebut. Daftar tahun pendidikan ini merupakan hasil dari pemrosesan data berdasarkan tahun mulai pendidikan ditingkat tertentu hingga tahun mulai pendidikan dijenjang setelahnya. Tahun mulai pendidikan di jenjang yang lebih tinggi tersebut menandakan berakhirnya status pendidikan pada tingkat pendidikan yang dijalani, sehingga didapatkan range tahun seorang pegawai berada pada jenjang pendidikan tertentu. Data yang telah diolah kemudian dimuat kedalam sistem yang sedang dibangun. Contoh data yang siap diolah dapat dilihat pada Lampiran 4.
17
Pembuatan Data Warehouse dan Uji Query Pembuatan OLAP dan aplikasi data warehouse dilakukan dengan menggunakan SQL Server 2008 R2. Proses pembuatan OLAP ini meliputi proses pembuatan design konseptual yang berupa tabel fakta, dimensi, measure ke dalam SQL Server 2008 R2 hingga membentuk cube dan menghasilkan keluaran. Uji query dilakukan dengan membandingkan query yang telah dibuat dengan hasil yang terbentuk. Dari enam target yang ada, semuanya dapat tercapai. Target dan hasilnya, didaftarkan jelas pada Tabel 7.
No. Target 1
2 3 4 5 6
Tabel 7 Target penelitian dan grafik hasil Deskripsi Target Mengetahui jumlah pegawai aktif berdasarkan tingkat pendidikan untuk tiap departemen dan fakultas. Mengetahui jumlah pegawai aktif pada rentang usia tertentu untuk tiap departemen dan fakultas. Mengetahui jumlah pegawai dengan pendidikan pada tahun tertentu Mengetahui persentase dosen yang bergelar doktor. Mengetahui persentase pegawai dengan pendidikan terakhir minimal D3. Mengetahui persentase dosen dengan jabatan guru besar.
Hasil Gambar 8
Gambar 9 Gambar 10 Gambar 11 Gambar 12 Gambar 13
Dari Gambar 8, dapat diketahui bahwa jumlah pegawai aktif dengan tingkat pendidikan S3 tertinggi terdapat pada Fakultas Pertanian. Tingkat pendidikan S2 dan S1 tertinggi terdapat pada Fakultas Matematika dan Ilmu Pengetahuan Alam. Data ini dapat menjadi pertimbangan bagi pihak terkait untuk meningkatkan kualitas pendidikan pegawai untuk fakultas-fakultas yang masih rendah jumlah pegawainya pada tingkat pendidikan tertentu. Target kedua yang ditunjukkan pada Gambar 9 membantu pihak terkait dalam mengetahui kondisi kebutuhan SDM dengan melihat usia dari SDM yang ada. Sebagian contoh pada Fakultas pertanian yang terdata memiliki SDM kategori usia 51 – 56 tahun tertinggi dibandingkan fakultas yang lain, menjadi bahan pertimbangan tersendiri untuk segera menambahkan SDM baru dengan usia dibawahnya. Penetapan system rentang usia ini dimaksudkan untuk mempermudah pengguna dalam melihat data dan memahami maknanya. Gambar 10 membantu pengguna untuk melihat perkembangan kualitas pendidikan SDM yang ada di setiap tahunnya. Dari hasil tersebut terlihat jumlah SDM S3 semakin meningkat dan jumlah SDM S1 semakin berkurang. Hal ini membantu pihak terkait dalam proses evaluasi jangka panjang. Pada Gambar 11, persentase lebih difokuskan pada kategori dosen. Persentase dosen dengan gelar Doktor atau S3 terdata paling besar, akan tetapi masih terdapat juga dosen dengan tingkat pendidikan S1 yang masih harus ditingkatkan ke jenjang yang lebih tinggi. Target selanjutnya dapat dilihat pada Gambar 12 dengan melihat perbandingan persentase jumlah pegawai dengan
18
tingkat pendidikan D3 ke atas dengan jumlah pegawai dengan tingkat pendidikan D3 ke bawah. Gambar 13 dapat terlihat persentase dosen dengan jabatan guru besar dibandingkan dengan lima jabatan dosen lainnya secara fungsional.
Gambar 8 Grafik jumlah pegawai aktif berdasarkan pendidikan untuk setiap fakultas
Gambar 9 Grafik jumlah pegawai aktif berdasarkan kategori usia untuk setiap fakultas
19
Gambar 10 Grafik jumlah pegawai aktif berdasarkan pendidikan pada setiap tahun
Gambar 11 Grafik persentase dosen berdasarkan tingkat pendidikan
20
Gambar 12 Grafik persentase tenaga kependidikan berdasarkan tingkat pendidikan
Gambar 13 Grafik persentase dosen berdasarkan jabatan
21
SIMPULAN DAN SARAN Simpulan Penelitian ini menghasilkan aplikasi data warehouse dan OLAP Kepegawaian IPB dengan satu kubus data yaitu kubus DW_SimpegIPB. Tabel fakta yang terbentuk yaitu, DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime. Tabel-tabel fakta tersebut terhubung oleh sepuluh tabel dimensi, yaitu DW_DimKategoriUsia, DW_DimDepartemen, DW_DimPendidikan, DW_DimTime, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimBidangIlmu, dan DW_DimUniversitas. Measure dari kubus data ini adalah jumlah pegawai. Penyajian gambar dapat dilihat dalam bentuk grafik batang, pie chart, garis, dan jenis grafik lain yang terdapat dalam Microsoft Excel. Operasi-operasi OLAP yang digunakan pada kubus data yang dibentuk adalah roll-up, drill-down, slice, dan dice. Saran Saran untuk penelitian data warehouse dan aplikasi OLAP kepegawaian IPB selanjutnya adalah: 1 Memperluas lingkup target yang dibentuk dengan analisis yang lebih mendalam tentang keadaan kepegawaian IPB. 2 Meningkatkan kualitas data source, sehingga hasil yang ada merupakan data yang benar-benar relevan dengan kondisi pegawai IPB. 3 Menyesuaikan tools untuk reporting dengan teknologi yang digunakan oleh sistem di IPB. DAFTAR PUSTAKA Connolly T, Begg C. 2002. Database System: A Practical Approach to Design, Implementation, and management. Massachusetts (US): Addison Wesley. Han J, Kamber M. 2006. Data Mining: Concept and Techniques. San Francisco (US): Morgan Kaufmann. Inmon WH. 2005. Building The Data Warehouse. Indianapolis (US): Wiley Publishing. Malinowski, Zim’anyi. 2008. Advanced Data warehouse Design. Berlin (DE): Springer. Marcus T, Prijono A, Widiati J. 2004. Delphi Developer dan SQL Server 2000. Bandung (ID): Informatika.
22
Lampiran 1 Tabel fakta dan dimensi Tabel Dimensi bidang ilmu Column Name BidangIlmuKey BidangIlmu
Data Type int varchar(50)
Tabel Dimensi departemen Column Name Data Type DeptKey int KodeDepartemen nvarchar(10) Departemen nvarchar(100) KodeFakultas nvarchar(10) Fakultas nvarchar(100) Tabel Dimensi jabatan Column Name Data Type JabatanKey int KodeJabatan nvarchar(5) Jabatan nvarchar(50) Tabel Dimensi kategori usia Column Name Data Type KategoriUsiaKey int KategoriUsia varchar(20) Tabel Dimensi pendidikan Column Name Data Type PendidikanKey int Pendidikan varchar(50) Tabel Dimensi status pegawai Column Name Data Type StatusPegawaiKey int KodeStatusPegawai nvarchar(5) StatusPegawai nvarchar(25) Tabel Dimensi status pekerjaan Column Name Data Type StatusPekerjaanKey int StatusPekerjaan varchar(20) Tabel Dimensi tahun pendidikan Column Name Data Type TahunPendidikanKey int TahunPendidikan varchar(4)
23
Lanjutan Tabel Dimensi time Column Name Data Type TimeKey int Tanggal datetime Tahun Tabel Dimensi universitas Column Name Data Type UniversitasKey int Universitas varchar(50) Tabel Fakta biodata pegawai Column Name Data Type JumlahPegawai int KategoriUsiaKey int StatusPekerjaanKey int StatusPegawaiKey int PendidikanKey int DepartemenKey int TahunPendidikanKey int JabatanKey int Tabel Fakta pendidikan Column Name Data Type JumlahPegawai int KategoriUsiaKey int StatusPekerjaanKey int PendidikanKey int UniversitasKey int BidangIlmuKey int DepartemenKey int TahunPendidikanKey int StatusPegawaiKey int Tabel Fakta pendidikan time Column Name Data Type JumlahPegawai int TimeKey int PendidikanKey int
24 24
Lampiran 2 Staging riwayat pendidikan pegawai generalisasi kode ID
NIP
Kode Pendidikan
Pendidikan
Universitas
3796
130042185
11
S3
810 811 3312 812 3311 813 3309 3797 814 3310 3798 815 3308 3799 3800 816 3307 3801
130075890 130120138 130120138 130128209 130128209 130143845 130143845 130143845 130154833 130154833 130154833 130160307 130160307 130160307 130160323 130160326 130160326 130160326
9 9 10 9 10 9 10 11 9 10 11 9 10 11 11 9 10 11
S1 S1 S2 S1 S2 S1 S2 S3 S1 S2 S3 S1 S2 S3 S3 S1 S2 S3
North Carolina State Univ. Universitas Indonesia Institut Pertanian Bogor Institut Pertanian Bogor Universitas Indonesia University of Kentucky Universitas Indonesia University of Toronto University of Wisconsin Universitas Indonesia University of Kentucky Institut Pertanian Bogor Institut Pertanian Bogor University of Georgia University of Georgia Institut Pertanian Bogor Universitas Indonesia University of Kentucky Institut Pertanian Bogor
Bidang Ilmu
Tahun
Experimental Statistics
1964
Ilmu Perpustakaan Teknologi Pertanian Ilmu Pangan Pertanian Botani Kehutanan Kehutanan Plant Pathology Kedokteran Hewan Embriologi Embriologi Ilmu Tanah Ilmu Tanah Ilmu Konservasi Tanah Biologi Kedokteran Hewan Dairy Science Ilmu Ternak
1976 1973 1979 1961 1963 1958 1970 1974 1960 1966 1975 1961 1963 1965 1979 1960 1964 1981
25
Lampiran 3 Staging riwayat pendidikan pegawai use NIP KodePendidikan Pendidikan Universitas 11 S3 North Carolina State 130042185 Univ. 9 S1 Universitas Indonesia 130075890 10 S2 Institut Pertanian Bogor 130120138 10 S2 University of Kentucky 130128209 11 S3 University of Wisconsin 130143845 11 S3 Institut Pertanian Bogor 130154833 11 S3 University of Georgia 130160307 11 S3 Institut Pertanian Bogor 130160323 11 S3 Institut Pertanian Bogor 130160326 10 S2 Institut Pertanian Bogor 130160331 11 S3 Montana State University 130168635 130176917
11
S3
130176920 130176921 130176923
11 11 11
S3 S3 S3
130176928 130183161 130183165 130183168
9 10 11 11
S1 S2 S3 S3
Oklahoma State University Institut Pertanian Bogor University of Florida North Carolina State Univ. Universitas Indonesia Michigan State University University of Wisconsin University of Wisconsin
BidangIlmu Experimental Statistics
Tahun 1964
Ilmu Perpustakaan Ilmu Pangan Botani Plant Pathology Embriologi Ilmu Konservasi Tanah Biologi Ilmu Ternak Ilmu Pengetahuan Hutan Applied Economoics & Econometrica Entomologi
1976 1979 1963 1974 1975 1965 1979 1981 1988 1974
Ilmu Ternak Animal Science Forest Engineering
1981 1972 1972
Kedokteran Hewan Ilmu Pangan Entomologi Hasil hutan Ilmu Nutrisi Ternak
1961 1965 1975 1976
1968
25
26 26
Lampiran 4 Contoh data yang siap dimuat
130801609
Bogor
61
61-65 Tahun
L
Islam
Tenaga Kependidikan
STG02
Kode Pendidi kan 2
130808890
Bogor
61
61-65 Tahun
P
Islam
Tenaga Kependidikan
STG02
4
1976
G01
G
130809125
Tebing
61
61-65 Tahun
P
Islam
Dosen
STG03
10
1984
F05
F
130813798
Banyuwangi
57
56-60 Tahun
L
Islam
Dosen
STG01
11
2003
E01
E
131278113
Bogor
60
56-60 Tahun
L
Islam
Tenaga Kependidikan
STG02
4
1971
C00
C
131671606
Bukit
53
51-55 Tahun
L
Islam
Dosen
STG04
11
1995
E02
E
131681401
Magetan
51
51-55 Tahun
L
Islam
Dosen
STG03
11
1998
A03
A
131693600
Bogor
60
56-60 Tahun
L
Islam
Tenaga Kependidikan
STG02
4
1972
G00
G
131788594
Ambon
50
46-50 Tahun
P
Protestan
Dosen
STG04
10
1990
C04
C
131855679
Ababi,Bali
50
46-50 Tahun
L
Hindu
Dosen
STG01
11
2001
G08
G
131881980
Bogor
51
51-55 Tahun
L
Islam
Tenaga Kependidikan
STG04
7
1984
A00
A
132084932
Subang
45
41-45 Tahun
L
Islam
Dosen
STG01
11
2004
C02
C
132158757
Jakarta
41
41-45 Tahun
P
Islam
Dosen
STG04
10
2003
G06
G
NIP
TempatLahir
Usia
Kategori Usia
Jenis Kelamin
Agama
Status Pekerjaan
Status Pegawai
Tahun Kode Pendi Dept dikan 1969 B03
Kode Fak B
27
RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 18 November 1989. Penulis merupakan anak keempat dari pasangan Purwanto dan Nasirah. Pada tahun 2008, penulis menamatkan pendidikan di SMA Negeri 58 Jakarta. Pada tahun yang sama, penulis diterima menjadi mahasiswa di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI). Penulis menjadi mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada bulan Juli hingga Agustus 2011, penulis melaksanakan kegiatan Praktik Kerja Lapangan di Direktorat Jenderal Hortikultura, Kementerian Pertanian Republik Indonesia. Selain itu, penulis berkesempatan aktif dalam organisasi kampus diantaranya, Badan Eksekutif Mahasiswa (BEM) Tingkat Persiapan Bersama, BEM Fakultas Matematika dan Ilmu Pengetahuan Alam, Himpunan Mahasiswa Ilmu Komputer dan BEM Keluarga Mahasiswa IPB.
