PENINGKATAN KINERJA SISTEM SPATIAL ONLINE ANALYTICAL PROCESSING (SOLAP) TITIK PANAS KEBAKARAN HUTAN ANNA QAHHARIANA

PENINGKATAN KINERJA SISTEM SPATIAL ONLINE ANALYTICAL PROCESSING (SOLAP) TITIK PANAS KEBAKARAN HUTAN

ANNA QAHHARIANA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran Hutan adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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, Januari 2014 Anna Qahhariana NIM G64114035

ABSTRAK ANNA QAHHARIANA. Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran Hutan. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Satelit NOAA-AVHRR digunakan untuk melakukan pemantauan terhadap titik panas kebakaran hutan. Data histori titik panas yang dihasilkan oleh satelit tersebut sangat banyak dan menumpuk. Data histori titik panas tersebut dikelola dengan teknologi data warehouse dan sistem spatial online analytical processing (SOLAP). Pada penelitian sebelumnya telah dilakukan peningkatan kinerja terhadap sistem tersebut sehingga titik panas yang mampu dihasilkan meningkat menjadi 1500 titik. Penelitian ini bertujuan untuk meningkatkan kinerja sistem SOLAP data titik panas yang telah dibangun dalam penelitian sebelumnya. Peningkatan kinerja meliputi konfigurasi dari sisi perangkat lunak seperti peningkatan Java runtime environment (JRE), peningkatan server Apache Tomcat, dan peringkasan proses Javascript object notation (JSON) sedangkan spesifikasi perangkat keras menggunakan spesifikasi RAM dan processor yang sama dengan penelitian sebelumnya. Jumlah titik panas hasil query yang mampu dihasilkan dari konfigurasi tersebut meningkat menjadi 5344 titik. Kata kunci: kebakaran hutan, spatial data warehouse, spatial OLAP, titik panas

ABSTRACT ANNA QAHHARIANA. Performance Improvement of Forest Fire Hotspot Spatial Online Analytical (SOLAP) System. Supervised by IMAS SUKAESIH SITANGGANG. NOAA-AVHRR satellite is used for monitoring forest fire hotspots. There are a large historical hotspot data which provided by this satellite. The data can be stored in a spatial data warehouse and it can be managed using a spatial online analytical processing (SOLAP) system. The previous research has succesfully improved the performance of SOLAP for hotspot data so that the number of hotspot which can be displayed was increased to 1500 points. This research intends to enhance the performance of SOLAP system for hotspots data that has been built in the previous work. Performance improvement involves configuration which is focused on software specification including Java runtime environment (JRE), Apache Tomcat server, and simplify some processes of Javascript object notation (JSON). The new configuration was performed using hardware including RAM and processor with the same spesification as those in the previous research. It was found that the number of hotspots as the results of queries in the new configuration of SOLAP increase to 5344 hotspots. Keywords: forest fire, hotspot, spatial data warehouse, spatial OLAP

PENINGKATAN KINERJA SISTEM SPATIAL ONLINE ANALYTICAL PROCESSING (SOLAP) TITIK PANAS KEBAKARAN HUTAN

ANNA QAHHARIANA

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 2014

Penguji: 1 Hari Agung Adrianto, SKom MSi 2 Endang Purnama Giri, SKom MKom

Judul Skripsi : Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran Hutan Nama : Anna Qahhariana NIM : G64114035

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Panas Kebakaran Hutan : Anna Qahhariana Nama : G64114035 NIM

Disetujui oleh

C\\lllU\

Dr Imas Sukaesih Sitanggang, SSi MKom

Pembimbing

Tanggal Lulus:

2 8 JAN 201'

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah spatial online analytical processing dengan judul Peningkatan Kinerja Sistem Spatial Online Analytical Processing (SOLAP) Titik Kebakaran Hutan. Dalam pelaksanaan penelitian tugas akhir ini, penulis ingin menyampaikan terima kasih kepada: 1 Ayahanda Diding Rosidin, Ibunda Ika Herliana, Adik-adik, dan keluarga yang senantiasa memberikan doa dan dukungan. 2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing atas nasihat dan bimbingannya selama proses pengerjaan tugas akhir ini. 3 Bapak Hari Agung Adrianto, SKom MSi dan Bapak Endang Purnama Giri, SKom MKom selaku dosen penguji atas kesediaannya menjadi penguji pada ujian tugas akhir ini. 4 Deepak Dhamija yang senantiasa memberikan semangat dan inspirasi. 5 Teman-teman satu bimbingan yang senantiasa saling memberikan semangat. 6 Rekan-rekan dari departemen ilmu komputer IPB alih-jenis angkatan 6 yang senantiasa memberikan semangat dan motivasi. Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2014 Anna Qahhariana

DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR PENDAHULUAN

vi vi 1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

2

Titik Panas

2

Data Spasial

3

Data Warehouse

3

Spatial Data Warehouse

4

Spatial Online Analytical Processing (SOLAP)

5

Multi-Dimensional eXpressions (MDX) Query

6

METODE

6

Data Penelitian dan Area Studi

6

Tahapan Penelitian

7

Lingkungan Pengembangan

8

HASIL DAN PEMBAHASAN

8

Analisis Awal Sistem SOLAP

8

Identifikasi Masalah

11

Rekomendasi Solusi

12

Konfigurasi Ulang SOLAP

12

Pengujian

12

Analisis Hasil Pengujian

17

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

19

DAFTAR PUSTAKA

19

LAMPIRAN

21

RIWAYAT HIDUP

24

DAFTAR TABEL 1 Jumlah data titik panas tahun 1997 sampai dengan 2005 2 Hasil pengukuran kinerja proses kueri pada konfigurasi 1 (K1) dan konfigurasi 2 (K2) 3 Perbandingan waktu rata-rata, maksimum, dan minimum proses kueri antara konfigurasi 1 (K1) dan konfigurasi 2 (K2)

7 17 18

DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Skema star menurut Han et al. (2012) Skema snowflake menurut Han et al. (2012) Skema fact constellation menurut Han et al. (2012) Tahapan implementasi spatial data warehouse Kyung et al. (2011) Tahapan penelitian Arsitektur awal sistem SOLAP Wipriyance (2013) Skema data warehouse sistem SOLAP Wipriyance (2013) Alur kerja sistem SOLAP Wipriyance (2013) Output SOLAP yang menampilkan 1500 titik panas Output JPivot (Geomondrian) 1500 titik panas Output SOLAP yang menampilkan 2093 titik panas Output JPivot (Geomondrian) 2093 titik panas Output SOLAP yang menampilkan 3148 titik panas Output JPivot (Geomondrian) 3148 titik panas Output SOLAP yang menampilkan 5344 titik panas Output JPivot (Geomondrian) 5344 titik panas

3 4 4 5 7 9 10 10 13 13 14 14 15 15 16 16

PENDAHULUAN Latar Belakang Kebakaran hutan dan lahan adalah suatu peristiwa kebakaran yang terjadi secara alami atau ulah perbuatan dengan ditandai adanya penjalaran api secara bebas serta membakar bahan-bahan yang ada di hutan dan lahan (Adinugroho et al. 2004). Bencana kebakaran hutan menjadi suatu isu lingkungan dan ekonomi yang sangat menarik dunia internasional khususnya setelah terjadi bencana el nino pada tahun 1997-1998. Bencana tersebut menghanguskan lahan hutan seluas 25 juta hektar di seluruh dunia. Indonesia sebagai salah satu negara yang memiliki kekayaan hutan sangat besar juga mengalami kebakaran hutan paling parah di dunia pada tahun yang sama (Tacconi 2003). Salah satu bentuk penanggulangan terhadap bencana kebakaran hutan di Indonesia adalah melakukan pemantauan terhadap titik panas. Pemantauan tersebut menggunakan satelit khusus yaitu satelit NOAA-AVHRR (Ratnasari 2000). Satelit tersebut menangkap citra satelit berupa titik panas yang dapat mengindikasikan adanya kebakaran hutan berdasarkan letak dan waktu tertentu (Fadli 2011). Data titik panas yang dihasilkan oleh satelit NOAA-AVHRR sangat banyak dan menumpuk. Penumpukan data yang dihasilkan oleh satelit NOAA-AVHRR tersebut dapat diatasi dengan teknologi spatio-temporal data warehouse dan aplikasi spatial online analytical processing (SOLAP). Teknologi tersebut telah berhasil diterapkan pada data titik panas oleh Fadli (2011). Kemudian penelitian tersebut disempurnakan oleh penelitian Imaddudin (2012) dengan penambahan sinkronisasi antara visualisasi dan peta dan query online analytical processing (OLAP) namun aplikasi tersebut hanya berhasil menampilkan data sampel titik panas sebanyak 190 titik. Penelitian Wipriyance (2013) melakukan peningkatan kinerja sistem SOLAP tersebut dengan meningkatkan versi Java runtime environment (JRE) dan melakukan konfigurasi pada java heap pada sisi server. Jumlah titik panas yang berhasil ditampilkan pada penelitian Wipriyance (2013) tersebut adalah 1500 titik panas. Jumlah titik panas pada data warehouse yang telah dibuat mencapai 473 892 titik dengan cakupan wilayah di 32 provinsi Indonesia dan rentang waktu dari tahun 1997 sampai dengan 2005 (Wipriyance 2013). Sedangkan sistem SOLAP yang telah dioptimasi pada penelitian Wipriyance (2013) hanya mampu menampilkan jumlah titik panas yang sedikit. Hal tersebut masih jauh dari kebutuhan pengguna. Sistem tersebut perlu dianalisis dan dikonfigurasi ulang agar kinerjanya meningkat sehingga mampu menampilkan jumlah titik panas yang lebih banyak dan optimal. Menurut penelitian Wipriyance (2013) besarnya jumlah titik yang dapat ditangani oleh sistem dipengaruhi oleh ukuran Java heap. Ukuran Java heap ini dapat diatur dengan menyesuaikan besarnya RAM yang digunakan. Spesifikasi ukuran RAM yang digunakan pada penelitian Wipriyance (2013) adalah 2GB sedangkan ukuran pengaturan Java heap yang digunakan adalah 1024 MB. Dengan spesifikasi pengaturan tersebut menurut Wipriyance (2013) tidak mampu menampilkan jumlah titik panas lebih dari 1500 titik dan untuk menampilkan jumlah titik panas yang lebih banyak perlu peningkatan spesifikasi dari sisi perangkat keras seperti peningkatan RAM dan processor.

2 Penelitian ini menggunakan spesifikasi RAM dan processor yang sama dengan penelitian Wipriyance (2013). Peningkatan kinerja dilakukan dari sisi perangkat lunak seperti peningkatan JRE, peningkatan server Apache Tomcat, dan peringkasan proses Javascript object notation (JSON). Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana melakukan peningkatan kinerja sistem SOLAP yang pernah dibuat dan dioptimasi pada penelitian sebelumnya agar data histori titik panas kebakaran hutan yang dapat dikelola lebih banyak tanpa mengubah spesifikasi perangkat keras seperti RAM dan processor. Tujuan Penelitian Tujuan dari penelitian ini adalah melakukan analisis dan meningkatkan kinerja SOLAP yang sudah ada sehingga jumlah titik panas yang dapat dikelola lebih banyak. Manfaat Penelitian Hasil dari penelitian ini yaitu sistem SOLAP dapat mengelola data histori titik panas lebih banyak untuk keperluan pengguna dalam mengambil keputusan terkait persebaran kebakaran hutan. Ruang Lingkup Penelitian Lingkup dari penelitian ini, yaitu: 1 Penelitian ini dibatasi pada peningkatan kinerja dan lingkungan pengembangan sistem SOLAP yang telah dibuat dan dioptimasi pada penelitian Wipriyance (2013). 2 Spesifikasi perangkat keras seperti ukuran RAM dan jenis processor yang digunakan sama seperti pada penelitian Wipriyance (2013). 3 Perubahan konfigurasi dilakukan dari sisi lingkungan pengembangan perangkat lunak.

TINJAUAN PUSTAKA Titik Panas Titik panas merupakan titik-titik panas di permukaan bumi dimana titik-titik tersebut merupakan indikasi adanya kebakaran hutan atau lahan. Suhu panas pada kebakaran hutan akan naik ke atmosfer kemudian akan terdeteksi oleh satelit sebagai titik panas berdasarkan ambang batas suhu (threshold) tertentu. Satelit yang digunakan untuk mendeteksi adanya kebakaran hutan yaitu NOAA-AVHRR. Satelit yang pertama kali diluncurkan pada tahun 1972 ini memiliki 4 buah sensor yaitu advance very high resolution radiometer (AVHRR), tiros operational vertical

3 sonders (TOVS), data collection and location system (DCLS), dan space environment monitoring (SEM) (Ratnasari 2000). Data Spasial Data spasial menurut O’Sullivan dan Unwin (2003) dalam dunia sistem informasi geografis, dibagi menjadi dua jenis, yaitu: 1 Data Vektor Tipe data ini biasanya digunakan untuk representasi titik koordinat berupa titik (point), garis (lines), dan region (area), misalnya representasi titik (point) dapat mewakili letak suatu kota. 2 Data Raster Tipe data ini biasanya digunakan untuk representasi bentuk grid atau sel, misalnya jenis tanah, kelembaban tanah, dan suhu. Data Warehouse Pengertian data warehouse menurut Han et al. (2012) adalah suatu teknologi penyimpanan data yang berukuran besar dan dibangun terpisah dari database lainnya yang bersifat operational seperti sistem basis data relasional, sistem proses transaksi, dan sistem file biasa. Teknologi data warehouse memiliki skema tersendiri. Menurut Han et al. (2012), jenis - jenis skema tersebut yaitu: 1 Skema Star Skema ini memiliki sebuah tabel fakta sebagai pusatnya. Pada tabel fakta tersebut memiliki foreign key dari setiap tabel dimensi. Skema star dapat dilihat pada Gambar 1.

Gambar 1 Skema star menurut Han et al. (2012) 2 Skema Snowflake Skema ini merupakan variasi dari skema star. Namun pada skema ini, tabel dimensi mengalami normalisasi. Skema snowflake dapat dilihat pada Gambar 2.

4

Gambar 2 Skema snowflake menurut Han et al. (2012) 3 Skema Fact Constellation Skema ini dapat memiliki lebih dari satu tabel fakta sebagai pusatnya. Skema fact constellation dapat dilihat pada Gambar 3.

Gambar 3 Skema fact constellation menurut Han et al. (2012) Spatial Data Warehouse Informasi yang bersifat spatial mulai popular. Salah satu contohnya adalah informasi peta yang berasal dari satelit dan sistem telemetri. Informasi spasial yang dihasilkan sangat besar dan perlu dianalisis secara efisien. Dalam analogi nonspatial, tentunya teknologi spatial data warehouse dapat diterapkan dan didukung dengan operasi online analytical processing baik pada data spasial maupun data tidak spasial (Papadias et al. 2001). Tahapan-tahapan implementasi spatial data warehouse menurut Kyung et al. (2011) dapat dilihat pada Gambar 4.

5 Identifikasi Faktor Terkait Data Geospasial

Perancangan Logika dan Fisik SDW

Konstruksi SDW Menggunakan Spasial ETL

Pembentukan Kubus Data untuk SOLAP

Gambar 4 Tahapan implementasi spatial data warehouse Kyung et al. (2011) Berdasarkan Gambar 4, langkah awal untuk merancang suatu sistem keputusan untuk data geospatial adalah mengidentifikasi dan menganalisis faktorfaktor yang terkait dengan perancangan spatial data warehouse. Dari hasil analisis tersebut dibuat perancangan logika serta tabel dimensi dan tabel fakta dijabarkan pada tahap pemodelan fisik. Data geospatial dan data lainnya yang terkait diekstraksi kemudian diintegrasikan melalui proses spatial extract, transform, and load (ETL) untuk membangun sebuah spatial data warehouse. Setelah melakukan implementasi spatial data warehouse, kubus data dikonfigurasi untuk keperluan proses spatial online analytical processing (SOLAP). Spatial Online Analytical Processing (SOLAP) Spatial online analytical processing (SOLAP) merupakan implikasi dari konsep online analytical processing (OLAP). Paradigma spatial online analytical processing (SOLAP) harus mendefinisikan informasi spatial yang diadaptasikan dengan fungsi agregasi, dimensi spatial dan hirarki, spatial OLAP algebra, antar muka yang memiliki fitur tabular dan kartografi, dan lain-lain (Bimonte et al. 2007). Operasi-operasi pada spatial online analytical processing (SOLAP) sama dengan operasi pada OLAP perbedaannya adalah operasi ini diaplikasikan pada data spasial. Menurut Han et al (2012) operasi-operasi pada SOLAP atau OLAP yang digunakan antara lain, yaitu: 1 Operasi Roll Up Operasi ini melakukan agregasi terhadap kubus data dengan menaikan hirarki sampai dengan level paling atas. Operasi ini melakukan navigasi terhadap data sehingga data dapat dilihat secara umum atau global. 2 Operasi Drill Down Operasi ini merupakan kebalikan dari operasi roll up. Operasi drill down melakukan navigasi terhadap data menjadi lebih terperinci. 3 Operasi Slice dan Dice Operasi ini melakukan seleksi data pada satu dimensi dari kubus data yang diberikan sehingga menghasilkan sub kubus data.

6 4 Operasi Pivot (Rotate) Operasi ini merupakan operasi visualisasi dengan memutar data. Multi-Dimensional eXpressions (MDX) Query Multi-Dimensional eXpressions (MDX) Query merupakan struktur bahasa yang memungkinkan pengguna untuk melakukan kueri OLAP terhadap kubus data. MDX query memiliki struktur yang mirip dengan structured query language (SQL) pada basis data relasional. MDX query dapat digunakan untuk menambah logika bisnis pada kubus data, mendefinisikan pengaturan keamanan baik yang sederhana maupun kompleks, membuat kustomisasi member untuk fungsi roll-up, dll (Whitehorn et al. 2005). Struktur dasar MDX query menurut Whitehorn et al. (2005) adalah sebagai berikut: SELECT {definisi kolom} ON COLUMNS, {definisi baris} ON ROWS FROM [nama kubus data]

Berikut contoh pemakaian MDX query pada data titik panas misalnya data titik panas pada tahun 1997 di daerah kabupaten Banyu Asin, Sumatera Selatan, yaitu: SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS, NON EMPTY {[lokasi].[SUMATERA SELATAN].[BANYU ASIN].children} ON ROWS FROM [geohotspot] WHERE [waktu].[1997]

METODE Data Penelitian dan Area Studi Data yang digunakan pada penelitian ini adalah data warehouse persebaran titik panas (hotspot) kebakaran hutan di 32 provinsi Indonesia pada tahun 1997 sampai dengan tahun 2005 pada penelitian Wipriyance (2013). Cakupan wilayah meliputi Bali, Bangka Belitung, Banten, Bengkulu, Daerah Istimewa Yogyakarta, DKI Jakarta, Gorontalo, Irian Jaya Barat, Jambi, Jawa Barat, Jawa Tengah, Jawa Timur, Kalimantan Barat, Kalimantan Selatan, Kalimantan Tengah, Kalimantan Timur, Kepulauan Riau, Lampung, Maluku, Maluku Utara, Nangroe Aceh Darussalam, Nusa Tenggara Barat, Nusa Tenggara Timur, Papua, Riau, Sulawesi Selatan, Sulawesi Tengah, Sulawesi Tenggara, Sulawesi Utara, Sumatera Barat, Sumatera Selatan, dan Sumatera Utara. Jumlah data titik panas tahun 1997 sampai dengan 2005 dapat dilihat pada Tabel 1.

7 Tabel 1 Jumlah data titik panas tahun 1997 sampai dengan 2005 Tahun 1997 1998 1999 2000 2001 2002 2003 2004 2005 Rata - rata

Jumlah 113 449 42 340 27 603 11 245 26 223 70 082 66 270 77 992 38 688 52 655

Tahapan Penelitian Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 5. Analisis Hasil Pengujian

Analisis Awal Sistem SOLAP Wipriyance (2013)

Ya Identifikasi Masalah

Tidak

Optimal

Pengujian

Rekomendasi Solusi

Konfigurasi Ulang SOLAP

Gambar 5 Tahapan penelitian 1 Analisis awal sistem SOLAP Pada tahap ini, dilakukan analisis awal terhadap sistem meliputi analisis arsitektur sistem, lingkungan pengembangan sistem, alur kerja sistem, konfigurasi yang telah dilakukan, dan hasil pengujian dari konfigurasi yang telah dilakukan. 2 Identifikasi masalah Tahapan ini menguraikan permasalahan yang terjadi pada sistem terkait dengan hasil analisis awal. 3 Rekomendasi solusi Tahapan ini memberikan rekomendasi solusi berdasarkan permasalahan yang terjadi pada sistem dan hasil analisis awal sistem. 4 Konfigurasi ulang SOLAP Tahapan ini melakukan konfigurasi ulang terhadap sistem berdasarkan rekomendasi solusi yang diberikan.

8

5 Pengujian Pada tahap ini melakukan pengujian terhadap kecepatan dan jumlah titik panas yang mampu ditampilkan berdasarkan hasil dari konfigurasi ulang. Apabila pengujian menghasilkan hasil yang optimal maka proses dapat berlanjut pada tahap analisis hasil pengujian. Namun apabila hasil pengujian belum sesuai maka proses akan kembali ke tahapan konfigurasi ulang. Kriteria optimal pada penelitian ini yaitu dapat menampilkan lebih dari 1500 titik panas tanpa error. 6 Analisis hasil pengujian Tahapan ini melakukan analisis terhadap hasil pengujian yang sudah sesuai dengan hasil yang diharapkan. Lingkungan Pengembangan Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut: Perangkat keras berupa komputer personal dengan spesifikasi  Processor Intel Core i3-3227U  Memory RAM 2 GB DDR 3  Harddisk 320 GB Perangkat lunak:  Sistem Operasi Windows 8  Geoserver sebagai web map server  Geomondrian sebagai spatial OLAP server  Notepad ++ sebagai editor  Server Apache Tomcat versi 6.0.20 dan versi 7.0.0 sebagai server web  Spatialytics sebagai spatial OLAP framework  Postgres versi 9.1.1 sebagai sistem manajemen basis data  Geokettle untuk alat migrasi data dalam jumlah besar  JRE versi 1.6.0 dan versi 1.7.0

HASIL DAN PEMBAHASAN Analisis Awal Sistem SOLAP Lingkungan Pengembangan Sistem Awal Lingkungan pengembangan awal dari sistem SOLAP pada penelitian Wipriyance (2013), yaitu: Perangkat keras:  Processor Intel Core i3-2350M  RAM 2 GB DDR3  HDD 640 GB Perangkat lunak:  Sistem operasi Windows 7 Ultimate  Apache Tomcat 6.0 sebagai server web  Spatialytics sebagai spatial OLAP framework

9     

JRE versi 1.6.0 GeoMondrian sebagai spatial OLAP server GeoServer 2.1 sebagai web map server OpenLayers 2.8 sebagai library javascript untuk menampilkan peta PostgreSQL 8.4 sebagai server basis data dengan ekstensi PostGIS untuk menyimpan data spasial  Schema Workbench 1.0 untuk membuat kubus data multidimensi Arsitektur Sistem Awal Arsitektur awal sistem SOLAP pada penelitian Wipriyance (2013) dapat dilihat pada Gambar 6. Server Client

Application Server

Spatialytics client

Apache Tomcat 6.0

OpenLayers 2.8

GeoServer 2.1

PostgreSQL JDBC Driver jPivot (GeoMondrian 1.0)

Database Server

PostgreSQL 8.4 + PostGIS

GeoMondrian 1.0 server

Spatialytics server

Gambar 6 Arsitektur awal sistem SOLAP Wipriyance (2013) Pada Gambar 6 arstitektur sistem SOLAP terdiri dari tiga lapisan, yaitu : 1 Lapisan Database Server Lapisan ini merupakan tempat penyimpanan data warehouse titik panas. Sistem manajemen basis data yang digunakan yaitu PostgreSQL 8.4 dengan ekstensi tambahan PostGIS. 2 Lapisan Application Server Lapisan ini berjalan pada server Apache Tomcat 6.0. Lapisan ini terdiri dari beberapa aplikasi berikut:  Geoserver sebagai map server untuk menyimpan peta.  PostgreSQL JDBC Driver sebagai konektor penghubung antara database server dengan application server.  GeoMondrian 1.0 sebagai OLAP server.  Spatialytics sebagai framework dari aplikasi GeoMondrian. 3 Lapisan Client Lapisan ini merupakan lapisan antarmuka pengguna. Lapisan ini terdiri dari Openlayers 2.8 yang merupakan library javascript untuk mengambil peta dari geoserver serta melakukan pemetaan terhadap titik panas dan jPivot sebagai antarmuka Geomondrian 1.0 untuk mengolah data titik panas.

10 Skema Data Warehouse Sistem SOLAP pada penelitian Wipriyance (2013) ini menggunakan skema data warehouse snowflake. Skema data warehouse dapat dilihat pada Gambar 7. tb_satelit

tb_geohotspot

id_satelit

PK

PK

kode_hotspot

nama_satelit

hotspot_geom kode_kab

fakta_forestfire

tb_kabupaten PK

kode_kab

id_hotspot id_waktu id_satelit jumlah

nama_kab kab_geom kode_prov

tb_waktu PK

tb_provinsi

id_waktu

PK

kode_prov

tahun kuartil bulan

nama_prov prov_geom

Gambar 7 Skema data warehouse sistem SOLAP Wipriyance (2013) Pada Gambar 7 skema data warehouse tersebut memiliki satu buah tabel fakta yaitu fakta_forestfire dan lima buah tabel dimensi yaitu tb_satelit, tb_geohotspot, tb_kabupaten, tb_provinsi, dan tb_waktu. Measurement pada tabel fakta adalah jumlah titik panas. Alur Kerja Sistem Alur kerja pada penelitian Wipriyance (2013) dapat dilihat pada Gambar 8. Server Client

Application Server

Spatialytics client

Apache Tomcat 6.0

Database Server

Modul Peta (j)

OpenLayers 2.8 (h)

GeoServer 2.1 (i)

SOLAPContext (g)

Featurizer

PostgreSQL JDBC Driver

(e)

PostgreSQL 8.4 + PostGIS

(d) (f)

olap4js (a) Editor kueri MDX

(b)

GeoMondrian 1.0 server (c)

Spatialytics server

Modul jPivot (GeoMondrian 1.0) (k)

Gambar 8 Alur kerja sistem SOLAP Wipriyance (2013) Penjelasan alur kerja berdasarkan Gambar 8 adalah sebagai berikut: a Pengguna memasukan kueri pada form editor kueri MDX. b Kueri tersebut akan dibaca melalui proses JSON olap4js. c olap4js berfungsi untuk pengolahan data SOLAP pada Geomondrian melalui framework Spatialytics server.

11 d Geomondrian server kemudian melakukan koneksi terhadap basis data melalui PostreSQL JDBC Driver. e Setelah terkoneksi dengan basis data maka akan dilakukan pencarian pada database berdasarkan kueri yang ditentukan oleh pengguna. f Kueri pada editor kueri MDX juga akan dibaca dan diolah oleh modul featurizer. g Hasil pembacaan data oleh modul featurizer akan diolah melalui SOLAP context. Hasil SOLAP context akan dapat diakses oleh pengguna melalui OpenLayers 2.8. h OpenLayers 2.8 mengambil informasi layer peta poligon kabupaten di Indonesia pada Geoserver 2.1. i Geoserver 2.1. mengambil informasi spatial layer poligon melalui basis data yang terkoneksi menggunakan PostreSQL JDBC Driver. j Peta pada Geoserver dapat diakses oleh pengguna melalui OpenLayers 2.8. k Pengguna dapat melakukan operasi-operasi OLAP pada Geomondrian melalui modul jPivot. Peningkatan Sistem Pada Penelitian Sebelumnya Konfigurasi-konfigurasi yang telah dilakukan pada penelitian Wipriyance untuk meningkatkan kinerja sistem, yaitu: 1 Peningkatan versi JRE dari versi JRE 1.4.0 menjadi 1.6.0.16. 2 Konfigurasi java heap space. Java heap space merupakan konfigurasi alokasi penggunaan RAM pada server Apache Tomcat 6.0. Alokasi RAM yang digunakan pada penelitian Wipriyance (2013) yaitu 1024 MB. 3 Penanganan error pada OpenLayers. OpenLayers merupakan library javascript yang berfungsi untuk melakukan pemetaaan pada sistem SOLAP. Hasil Pengujian Konfigurasi Penelitian Sebelumnya Hasil pengujian pada konfigurasi yang telah dilakukan oleh penelitian Wipriyance (2013) yaitu jumlah titik panas pada sistem SOLAP (Spatial Online Analytical Processing) meningkat dari 190 titik menjadi 1500 titik panas. Penelitian Wipriyance (2013) juga mencoba menampilkan lebih dari 1500 titik panas tetapi terjadi error pada sistem. Menurut Wipriyance (2013) error tersebut terjadi dikarenakan ukuran Java heap yang kurang sehingga tidak mampu menampilkan titik panas dengan jumlah lebih dari 1500 titik. Ukuran Java heap dapat diatur pada Tomcat dengan mengubah nilai minimum dan maksimumnya tetapi penelitian tersebut tidak dilakukan penambahan nilai maksimum dikarenakan spesifikasi perangkat keras yang kurang memadai sehingga tetap pada pengaturan awal yakni 1024 MB. Identifikasi Masalah Berdasarkan analisis awal dari sistem SOLAP pada penelitian Wipriyance (2013), jumlah titik panas yang ada pada data warehouse mencapai 473 892 titik sedangkan jumlah titik yang mampu ditampilkan oleh penelitian Wipriyance baru mencapai 1500 titik sehingga diperlukan analisis lebih lanjut dan konfigurasi ulang terhadap sistem SOLAP agar titik panas yang mampu ditampilkan jumlahnya meningkat.

12 Rekomendasi Solusi Rekomendasi solusi yang digunakan untuk meningkatan kinerja dari sistem SOLAP yang telah dioptimasi pada penelitian Wipriyance (2013), yaitu : 1 Analisis terhadap konfigurasi pada Apache Tomcat selain pengaturan java heap space yaitu connectionTimeout. Konfigurasi connectionTimeout mengatur batas waktu tunggu konektor setelah terkoneksi untuk terhubung dengan jalur Uniform Resource Identifier (URI). Nilai waktu tersebut dapat diatur dengan nilai -1 agar waktu maksimumnya tidak terbatas (Apache 2013b). Waktu connectionTimeout pada penelitian Wipriyance (2013) adalah 20 000 mili detik atau 20 detik. 2 Peningkatan versi JRE 1.6.0.16 menjadi versi 1.7.0. 3 Peningkatan server Apache Tomcat versi 6.0 menjadi versi 7.0. 4 Konfigurasi java heap space tetap sama yaitu 1024 MB. 5 Peringkasan proses JSON pada sistem SOLAP. Jumlah proses yang berjalan saat ini berjumlah 81 proses. Konfigurasi Ulang SOLAP Pada tahapan ini dilakukan tiga skema konfigurasi, yaitu: 1 Konfigurasi 1 Pada konfigurasi ini dilakukan perubahan sistem operasi dari Windows 7 menjadi Windows 8, peningkatan versi JRE 1.6.0.16 menjadi versi 1.7.0, nilai connectionTimeout diubah menjadi -1, dan konfigurasi java heap space tetap sama yaitu 1024 MB. 2 Konfigurasi 2 Pengaturan konfigurasi seperti pada konfigurasi 1 tetapi terdapat penambahan konfigurasi yaitu peningkatan server Apache Tomcat 6.0 menjadi Apache Tomcat 7.0. 3 Konfigurasi 3 Pada konfigurasi ini dilakukan peringkasan proses proses JSON. Pengujian Pada tahap ini dilakukan pengujian terhadap jumlah titik panas dan kecepatan pada sistem SOLAP berdasarkan konfigurasi 1 dan konfigurasi 2. Pengujian jumlah titik panas dilakukan dengan melakukan kueri untuk menghasilkan titik panas. Kueri dikelompokkan berdasarkan jumlah titik panas yang dihasilkan, yaitu: 1 Kueri 1 Data sampel titik panas sesuai dengan data sampel yang diambil pada penelitian Wipriyance (2013) meliputi data hotspot di provinsi Bengkulu, Jambi, Riau, Lampung, Aceh, Kepulauan Riau, Sumatera Barat, Sumatera Selatan, Sumatera Utara pada tahun 2005 dan 1997. Adapun kueri dari titik panas tersebut adalah sebagai berikut. SELECT { [Measures].[Jumlah_Hotspot] } ON COLUMNS, { [lokasi].[Hotspot].Members } ON ROWS, FROM [geohotspot] WHERE [waktu].[Semua Waktu]

13 Kueri 1 di atas menghasilkan 1500 titik panas. Tampilan SOLAP yang menampilkan hasil kueri dapat dilihat pada Gambar 9 sedangkan Gambar 10 menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 9 Output SOLAP yang menampilkan 1500 titik panas

Gambar 10 Output JPivot (Geomondrian) 1500 titik panas 2 Kueri 2 Data titik panas merupakan titik panas di provinsi Sumatera Utara pada tahun 1998. Adapun kueri dari titik panas tersebut adalah sebagai berikut. SELECT { [Measures].[Jumlah_Hotspot] } ON COLUMNS, {[lokasi].[SUMATERA UTARA].[ASAHAN].children, [lokasi].[SUMATERA UTARA].[BINJAI (KOTA)].children, [lokasi].[SUMATERA UTARA].[DAIRI].children, [lokasi].[SUMATERA UTARA].[DELI SERDANG].children, [lokasi].[SUMATERA UTARA].[HUMBANG HASUNDUTAN].children, [lokasi].[SUMATERA UTARA].[KARO].children, [lokasi].[SUMATERA UTARA].[LABUHAN BATU].children, [lokasi].[SUMATERA UTARA].[LANGKAT].children, [lokasi].[SUMATERA UTARA].[MANDAILING NATAL].children, [lokasi].[SUMATERA UTARA].[MEDAN (KOTA)].children, [lokasi].[SUMATERA UTARA].[NIAS].children, [lokasi].[SUMATERA UTARA].[NIAS SELATAN].children, [lokasi].[SUMATERA UTARA].[PADANG SIDEMPUAN (KOTA)].children, [lokasi].[SUMATERA UTARA].[PEMATANG SIANTAR (KOTA)].children,

14 [lokasi].[SUMATERA UTARA].[SAMOSIR].children, [lokasi].[SUMATERA UTARA].[SERDANG BEDAGAI].children, [lokasi].[SUMATERA UTARA].[SIMALUNGUN].children, [lokasi].[SUMATERA UTARA].[TAPANULI SELATAN].children, [lokasi].[SUMATERA UTARA].[TAPANULI TENGAH].children, [lokasi].[SUMATERA UTARA].[TAPANULI UTARA].children, [lokasi].[SUMATERA UTARA].[TEBING TINGGI (KOTA)].children, [lokasi].[SUMATERA UTARA].[TOBA SAMOSIR].children} ON ROWS, FROM [geohotspot] WHERE [waktu].[1998]

Kueri 2 di atas menghasilkan 2093 titik panas. Tampilan SOLAP yang menampilkan hasil kueri dapat dilihat pada Gambar 11 sedangkan Gambar 12 menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 11 Output SOLAP yang menampilkan 2093 titik panas

Gambar 12 Output JPivot (Geomondrian) 2093 titik panas 3 Kueri 3 Data titik panas merupakan titik panas di provinsi Kalimantan Selatan pada tahun 2002. Adapun kueri dari titik panas tersebut adalah sebagai berikut. SELECT { [Measures].[Jumlah_Hotspot] } ON COLUMNS, { [lokasi].[KALIMANTAN SELATAN].[BALANGAN].children, [lokasi].[KALIMANTAN SELATAN].[BANJAR].children, [lokasi].[KALIMANTAN SELATAN].[BANJAR BARU (KOTA)].children, [lokasi].[KALIMANTAN SELATAN].[BANJARMASIN (KOTA)].children,

15 [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN [lokasi].[KALIMANTAN FROM [geohotspot] WHERE [waktu].[2002]

SELATAN].[BARITO KUALA].children, SELATAN].[HULU SUNGAI SELATAN].children, SELATAN].[HULU SUNGAI TENGAH].children, SELATAN].[HULU SUNGAI UTARA].children, SELATAN].[KOTA BARU].children, SELATAN].[TABALONG].children, SELATAN].[TANAH BUMBU].children, SELATAN].[TANAH LAUT].children, SELATAN].[TAPIN].children} ON ROWS,

Kueri 3 di atas menghasilkan 3148 titik panas. Tampilan SOLAP yang menampilkan hasil kueri dapat dilihat pada Gambar 13 sedangkan Gambar 14 menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 13 Output SOLAP yang menampilkan 3148 titik panas

Gambar 14 Output JPivot (Geomondrian) 3148 titik panas 4 Kueri 4 Data titik panas merupakan titik panas di provinsi Sumatera Selatan pada tahun 1999. Adapun kueri dari titik panas tersebut adalah sebagai berikut. SELECT { [Measures].[Jumlah_Hotspot] } ON COLUMNS, {[lokasi].[SUMATERA SELATAN].[BANYU ASIN].children, [lokasi].[SUMATERA SELATAN].[LAHAT].children, [lokasi].[SUMATERA SELATAN].[LUBUK LINGGAU (KOTA)].children, [lokasi].[SUMATERA SELATAN].[MUARA ENIM].children,

16 [lokasi].[SUMATERA SELATAN].[MUSI BANYU ASIN].children, [lokasi].[SUMATERA SELATAN].[MUSI RAWAS].children, [lokasi].[SUMATERA SELATAN].[OGAN ILIR].children, [lokasi].[SUMATERA SELATAN].[OGAN KOMERING ILIR].children, [lokasi].[SUMATERA SELATAN].[OGAN KOMERING ULU].children, [lokasi].[SUMATERA SELATAN].[OKU SELATAN].children, [lokasi].[SUMATERA SELATAN].[OKU TIMUR].children, [lokasi].[SUMATERA SELATAN].[PAGAR ALAM (KOTA)].children, [lokasi].[SUMATERA SELATAN].[PALEMBANG (KOTA)].children, [lokasi].[SUMATERA SELATAN].[PRABUMULIH (KOTA)].children, } ON ROWS, FROM [geohotspot] WHERE [waktu].[1999]

Kueri 4 di atas menghasilkan 5344 titik panas. Tampilan SOLAP yang menampilkan hasil kueri dapat dilihat pada Gambar 15 sedangkan Gambar 16 menampilkan hasil output dari Jpivot (Geomondrian).

Gambar 15 Output SOLAP yang menampilkan 5344 titik panas

Gambar 16 Output JPivot (Geomondrian) 5344 sampel panas Ketika dilakukan pengujian SOLAP setelah dilakukan konfigurasi 1 dan konfigurasi 2 jumlah titik panas yang dihasilkan mencapai 5344 titik. Pada proses pemangkasan proses JSON, proses yang mampu diringkas berjumlah 9 proses yaitu loader_xd.js, loader_debug.js, Textarea.js, sniff.js, typematic.js, sorter.js, _KeyNavContainer.js, MenuItem.js, dan PopupMenuItem.js. Keseluruhan proses JSON yang berjalan pada sistem dapat dilihat pada Lampiran 1.

17 Analisis Hasil Pengujian Setelah dilakukan konfigurasi ulang sesuai dengan konfigurasi 1 dan konfigurasi 2, jumlah titik panas yang mampu ditampilkan meningkat mencapai 5344 titik padahal penelitian ini menggunakan RAM yang ukurannya sama yaitu sebesar 2GB dan pengaturan java heap space yang sama yaitu 1024 MB pada penelitian Wipriyance (2013). Hal tersebut menimbulkan temuan yang baru berkaitan dengan konfigurasi connectionTimeout. Hasil analisis tersebut menunjukkan bahwa ketidakmampuan sistem SOLAP yang dioptimasi oleh Wipriyance (2013) menampilkan lebih dari 1500 titik panas bukan karena keterbatasan RAM melainkan karena keseluruhan waktu proses yang berjalan pada sistem tersebut melebihi batas waktu connectionTimeout. Pada pengujian terhadap kecepatan sistem SOLAP dilakukan dengan mengukur proses kueri utama sebanyak 5 kali perulangan dari masing-masing jumlah titik panas dengan menggunakan tools firebug. Hasil pengujian kecepatan berdasarkan konfigurasi 1 dan konfigurasi 2 dapat dilihat pada Tabel 2. Tabel 2 Hasil pengukuran kinerja proses kueri pada konfigurasi 1 (K1) dan konfigurasi 2 (K2) Kueri

Jumlah titik panas

Iterasi ke -

Waktu (detik)

1

1500

1 2 3 4 5

K1 26.38 2.86 2.22 2.31 2.26

K2 2.05 2.03 1.09 1.28 1.29

2

2093

1 2 3 4 5

34.92 2.41 1.88 2.11 1.89

2.03 1.91 1.94 2.06 2.27

3

3148

1 2 3 4 5

110.00 3.56 3.40 8.19 3.38

27.25 3.05 2.84 2.72 2.75

5

5344

1 2 3 4 5

157.00 9.51 15.14 8.65 8.89

141.00 9.29 6.99 13.67 10.77

18 Hasil perbandingan waktu eksekusi rata-rata, minimum, dan maksimum dari hasil inputan konfigurasi 1 dan konfigurasi 2 dapat dilihat pada Tabel 3. Tabel 3 Perbandingan waktu rata-rata, maksimum, dan minimum proses kueri antara konfigurasi 1 (K1) dan konfigurasi 2 (K2) Kueri 1 2 3 4

Minimum (detik) Jumlah titik panas K1 K2 1500 2.22 1.09 2093 1.88 1.91 3148 3.38 2.72 5344 8.65 6.99

Maksimum (detik) K1 26.38 34.92 110.00 157.00

Rata-rata (detik)

K2 K1 2.05 7.206 2.27 8.642 27.25 25.706 141.00 39.838

K2 1.548 2.042 7.722 36.344

Berdasarkan perbandingan Tabel 3, waktu maksimum dan rata-rata pengujian proses kueri utama sistem mengalami penurunan. Hal ini menunjukan bahwa perubahan yang terjadi pada konfigurasi 2 terhadap konfigurasi 1 sangat berpengaruh. Perubahan tersebut menyebabkan kinerja proses utama sistem meningkat kecepatannya. Adapun perubahan yang terjadi pada konfigurasi 2 terhadap konfigurasi 1 yaitu peningkatan server Apache Tomcat versi 6.0 menjadi versi 7.0. Adapun beberapa perbaikan dan fitur baru pada apache tomcat versi 7.0 terhadap versi 6.0 menurut Apache (2013a), yaitu:  Adanya asynchronous processing untuk file handler.  Dukungan terhadap web-fragment.  Peningkatan terhadap kontrol perekaman session.  Pembersihan kode internal seperti pembersihan field, parameter, dan methodmethod yang tidak diperlukan.  Peningkatan keamanan terhadap aplikasi manager dan host manager. Namun meskipun penelitian ini mampu menampilkan 5344 titik panas, waktu rata-rata proses kueri utama yang dihasilkan yaitu 36.344 detik masih belum memenuhi waktu ideal toleransi pengguna untuk menerima informasi. Menurut Nah (2003), waktu toleransi pengguna untuk menerima informasi dari sebuah sistem berbasis web yaitu sekitar 2 detik. Proses JSON pada sistem SOLAP kecuali proses kueri utama dipanggil saat pertama kali sistem mengalami reload. Proses-proses tersebut berjalan secara bersamaan waktu maksimum saat pengukuran berdasarkan konfigurasi 1 adalah sebesar 358 ms namun setelah dilakukan skema konfigurasi 2 dan 3 maka waktu proses maksimum pemanggilan proses tersebut mengalami penurunan sebanyak 120 ms sehingga waktu maksimumnya menjadi 265 ms.

SIMPULAN DAN SARAN Simpulan Kesimpulan dari hasil penelitian ini, yaitu: 1 Ketidakmampuan sistem SOLAP yang telah dioptimasi oleh Wipriyance (2013) dalam menampikan jumlah titik panas melebihi 1500 bukan dikarenakan oleh

19

2

3

4 5

keterbatasan ukuran fisik RAM yang digunakan melainkan waktu keseluruhan proses yang berjalan pada sistem tersebut melebihi batas waktu connectionTimeout pada server Apache Tomcat. Peningkatan versi JRE sangat berpengaruh terhadap kinerja sistem. Semakin tinggi dan baru versi JRE maka semakin cepat kinerja sistem dan semakin banyak pula titik panas yang mampu ditampilkan oleh sistem. Peningkatan versi server Apache Tomcat sangat berpengaruh terhadap kinerja sistem. Hal ini dikarenakan adanya beberapa perbaikan dan fitur yang dilakukan oleh pengembang server tersebut. Jumlah titik panas yang mampu ditampilkan pada penelitian ini adalah 5344 titik dengan waktu paling optimal rata-rata eksekusi kueri 36.344 detik. Proses JSON yang mampu diringkas sebanyak 9 proses. Setelah dilakukan penerapan konfigurasi 2 dan 3 maka pemanggilan proses JSON (kecuali proses kueri utama) pada saat sistem mengalami reload menurun hingga 120 ms. Saran

Penelitian ini sudah menghasilkan kinerja sistem yang lebih baik dari penelitian sebelumnya, tetapi penelitian ini masih memiliki kekurangan dan perbaikan agar pada penelitian selanjutnya dapat menghasilkan kinerja yang lebih optimal, yaitu: 1 Kurang optimalnya proses pada konfigurasi peringkasan JSON. Jumlah proses JSON yang berjalan berjumlah 81 proses namun proses JSON yang mampu diringkas masih sedikit sehingga perlu dilakukan peringkasan ulang terhadap proses tersebut. 2 Perlu dilakukan eksplorasi lebih lanjut terhadap konfigurasi lainnnya pada Apache Tomcat selain pengaturan java heap space dan waktu connectionTimeout. 3 Penambahan layer agregasi berdasarkan titik panas pada lokasi koordinat yang sama.

DAFTAR PUSTAKA Adinugroho WC, Suryadiputra NN, Saharjo BH, Siboro L. 2004. Panduan Pengendalian Kebakaran Hutan dan Lahan Gambut. Bogor (ID): Wetlands International. Apache. 2013a. Apache Tomcat 7 changelog [Internet]. [diunduh 2013 Nov 1]. Tersedia pada: http://tomcat.apache.org/tomcat-7.0-doc/changelog.html. Apache. 2013b. Apache Tomcat 7 the HTTP connector [Internet]. [diunduh 2013 Nov 1]. Tersedia pada: http://tomcat.apache.org/tomcat-7.0-doc/config/http. html Bimonte S, Tchounikine A, Miquel M. 2007. Spatial OLAP: open issues and a web based prototype. Di dalam: 10th AGILE International Conference on Geographic Information Science 2007; 2007 Mei 8-11; Aalborg. Denmark. Aalborg (DK): Aalborg University. hlm 1-11. Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor.

20 Han J, Kamber M, Pei J. 2012. Data Mining Concepts and Techniques. Ed ke-3. San Fransisco (US): Elsevier. Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Kyung M, Yom J, Kim S. 2012. Spatial data warehouse design and spatial OLAP implementation for decision making of geospatial data update. KSCE Journal of Civil Engineering. 16(6):1023-1031. doi: 10.1007/s12205-012-1410-2. Nah F. 2003. A study on tolerable waiting time: how long are web users willing to wait? Di dalam: 9th Americas Conference on Information Systems, AMCIS 2003; 2003 Agustus 4-6; Florida. United States of America. Florida (US): DBLP. hlm 153-163. O’Sullivan D, Unwin D. 2003. Geographic Information Analysis. New York (US): J Wiley. Papadias D, Kalnis P, Jun Z, Yufei T. 2001. Efficient OLAP operations in spatial data warehouses. Di dalam: Jensen CS, Schneider M, Seeger B, Tsotras VJ, editor. Proceedings of the 7th International Symposium on Advances in Spatial and Temporal Databases; London. United Kingdom. United Kingdom (GB): Springer-Verlag. hlm 443-459. Ratnasari E. 2000. Pemantauan kebakaran hutan dengan menggunakan data citra NOAA-AVHRR dan citra landsat-TM [skripsi]. Bogor (ID): Institut Pertanian Bogor. Tacconi L. 2003. Kebakaran Hutan di Indonesia: Penyebab, Biaya, dan Implikasi Kebijakan. Bogor (ID): Center for International Forestry Research. Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. Ed ke-2. London (GB): Springer. Wipriyance L. 2013. Peningkatan kinerja sistem spatial data warehouse kebakaran hutan menggunakan Geoserver dan Geomondrian [skripsi]. Bogor (ID): Institut Pertanian Bogor.

21

LAMPIRAN Lampiran 1 Keseluruhan proses JSON, proses yang ditandai dengan tanda kotak merupakan proses yang diringkas.

22 Lampiran 1 Lanjutan

23 Lampiran 1 Lanjutan

24

RIWAYAT HIDUP Penulis dilahirkan di Ujung Pandang, Sulawesi Selatan pada tanggal 16 Juli 1988. Penulis merupakan anak pertama dari lima bersaudara dari pasangan Bapak Diding Rosidin dan Ibu Ika Herliana. Penulis menempuh pendidikan formal di SMA Negeri 5 Tasikmalaya dan lulus pada tahun 2007. Pada tahun yang sama, penulis melanjutkan pendidikan di Program Keahlian Teknik Komputer Direktorat Program Diploma Institut Pertanian Bogor dan lulus pada tahun 2010. Penulis kemudian melanjutkan pendidikan S1 Alih Jenis pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2011. Penulis pernah bekerja sebagai web programmer dan konsultan geography information system (GIS). Penulis juga pernah mengikuti kegiatan lomba Gemastik 2013 yang diadakan oleh Kementrian Pendidikan dan Kebudayan dan Institut Teknologi Bandung dan masuk sebagai 6 besar finalis Gemastik 2013 untuk kategori lomba data mining.