1
SINKRONISASI ANTARA VISUALISASI PETA DAN QUERY OLAP PADA SPATIAL DATA WAREHOUSE KEBAKARAN HUTAN DI INDONESIA
AYI IMADUDDIN
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
1
SINKRONISASI ANTARA VISUALISASI PETA DAN QUERY OLAP PADA SPATIAL DATA WAREHOUSE KEBAKARAN HUTAN DI INDONESIA
AYI IMADUDDIN
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
1
ABSTRACT AYI IMADUDDIN. Map Visualization and OLAP Query Synchronization on Spatial Data Warehouse Forest Fire in Indonesia. Supervised by ANNISA. This research is a continuation from the previous research concerning data warehouse and spatial OLAP forest fire in Indonesia based on web using framework GeoMondrian and Geoserver. In the previous research, OLAP analysis process and hotspot location visualization are performed separately. In this research, the synchronization between OLAP analysis process and hotspot location visualization uses Spatialytics framework. This synchronization can be done because GeoMondrian and OpenLayers are embedded on Spatialytics, therefore OLAP analysis process and hotspot location visualization can be done by using just one query, that is MDX. This research develops a system which uses Spatialytics framework, PostGIS as spatial database, and GeoMondrian as spatial OLAP server. The system uses snowflake scheme with one table of fact and three dimensions consisting of the time dimension, the satelite dimension, and the location dimension. The System is built with threetier architecture consisting of the bottom layer, middle layer, and the top layer. The advantage of this system compared to the previous one is that this system takes only one input query, which is MDX to do OLAP analysis and show hotspot location. OLAP operations such as roll up, drill down, and slicing has been implemented in this system whilst dicing has not been implement because of Spatialytics limitation. For further research, system can be developed that is capable of dicing operation, data modification, such as insert, delete and update, without changing any scheme or structure. Keywords: spatial OLAP, query synchronization, map visualization.
1
Judul Skripsi Nama NIM
: Sinkronisasi antara Visualisasi Peta dan Query OLAP pada Spatial Data Warehouse Kebakaran Hutan di Indonesia : Ayi Imaduddin : G64070090
Menyetujui: Dosen Pembimbing
Annisa, S.Kom, M.Kom NIP. 19790731 200501 2 002
Mengetahui: Ketua Departemen
Dr. Ir. Agus Buono, M.Si, M.Kom NIP.19660702 199302 1 001
Tanggal Lulus:
1
PRAKATA Puji dan syukur penulis panjatkan kepada Allah Subhanahu wa-ta'ala karena hanya dengan berkat, rahmat, dan karunia-Nya penelitian ini dapat diselesaikan dengan baik. Selawat serta salam penulis sampaikan kepada junjungan Nabi Muhammad shallallahu’alaihiwasallam, juga kepada keluarganya, sahabatnya, dan para pengikutnya. Penyelesaian penelitian ini juga tidak lepas dari bantuan berbagai pihak, untuk itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada: 1
2 3 4
5
6
Kedua orang tua penulis, Bapak Tata Sutama dan Ibu Nurhayati, terima kasih atas doa, kasih sayang, dukungan, motivasi,pengertian, pengorbanan, dan nasihat yang selalu mengiringi perjalanan penulis. Ibu Annisa, S.Kom, M.Kom selaku dosen pembimbing, terima kasih akan kesabaran, ilmu, waktu, motivasi, dan nasihat yang diberikan selama penyelesaian penelitian ini. Kakak penulis, Atun Fitrianti dan Fardan Salahuddin, terima kasih atas kasih sayang dan dukungan yang telah diberikan. Teman-teman satu bimbingan,Fani Wulandari, Dhieka, Dedek, Yuridhis Kurniawan, Yoga Permana, Remarchtito,dan Hidayat, terima kasih atas bantuan, dukungan, ilmu, serta motivasi yang selalu diberikan. Teman-teman club renang ilkom (CROM), Bangun, Bintang, Sayed, Arif, Teguh, Ridwan, Anggit, Akbar Mulyono, terima kasih atas bantuan dan dukungan yang telah diberikan selama penulis belajar berenang. Tri Setiowati, Fanny Risnuraini, Laras, Ira, Arizal Notyasa, Khamdan Amin, El Kriyar, Yoga Herawan, dan seluruh Ilkom 44 yang tak bisa disebutkan satu persatu, terima kasih atas semangat dan kebersamaannya.
Penulis menyadari bahwa penelitian ini masih terdapat kekurangan. Penulis berharap semoga hasil penelitian ini dapat memberikan manfaat.
Bogor, Januari 2013
Ayi Imaduddin
1
RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 24 Mei 1988 merupakan anak ketiga dari tiga bersaudara dari pasangan Bapak Tata Sutama dan Ibu Nurhayati. Penulis menempuh pendidikan formal di SMA Negeri 1 Jakarta. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada tahun 2007 melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima sebagai mahasiswa Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Pada bulan Juli-Agustus 2010 penulis berkesempatan melaksanakan kegiatan Praktik Kerja Lapangan di Lembaga Penerbangan dan Antariksa Nasional (LAPAN), Rumpin, Bogor. Selama menjadi mahasiswa penulis juga pernah menjadi asisten praktikum Penerapan Komputer dan Sistem Informasi.
v
DAFTAR ISI Halaman DAFTAR GAMBAR ............................................................................................................................. vi DAFTAR LAMPIRAN.......................................................................................................................... vi PENDAHULUAN Latar Belakang ................................................................................................................................... 1 Tujuan Penelitian ................................................................................................................................ 1 Ruang Lingkup Penelitian .................................................................................................................. 1 Manfaat Penelitian .............................................................................................................................. 1 TINJAUAN PUSTAKA Data Warehouse dan Spatial Data Warehouse .................................................................................. 1 Operasi Dasar OLAP .......................................................................................................................... 2 Sinkronisasi ........................................................................................................................................ 2 Layer Peta ........................................................................................................................................... 2 Visualisasi Peta................................................................................................................................... 2 Multi-Dimensional eXpressions (MDX) ............................................................................................ 3 Titik Panas .......................................................................................................................................... 4 Spatialytics ......................................................................................................................................... 4 METODE PENELITIAN Analisis ............................................................................................................................................... 5 Modifikasi Data Warehouse............................................................................................................... 5 Pembuatan Layer Peta ........................................................................................................................ 5 Sinkronisasi Query OLAP .................................................................................................................. 6 Pengujian ............................................................................................................................................ 6 Lingkungan Pengembangan ............................................................................................................... 6 HASIL DAN PEMBAHASAN Analisis ............................................................................................................................................... 6 Modifikasi Data Warehouse............................................................................................................... 7 Pembuatan Layer Peta ........................................................................................................................ 7 Sinkronisasi Query OLAP .................................................................................................................. 8 Antarmuka Spatial OLAP ................................................................................................................ 10 Pengujian .......................................................................................................................................... 10 KESIMPULAN DAN SARAN Kesimpulan....................................................................................................................................... 12 Saran ................................................................................................................................................. 12 DAFTAR PUSTAKA ........................................................................................................................... 12 LAMPIRAN ......................................................................................................................................... 14
v
vi
DAFTAR GAMBAR Halaman 1 Urutan layer peta. ............................................................................................................................. 2 2 Ilustrasi dimensi, measure, dan member. .......................................................................................... 3 3 Ilustrasi agregasi. .............................................................................................................................. 4 4 Ilustrasi hierarki dan level. ................................................................................................................ 4 5 Arsitektur Spatialytics....................................................................................................................... 5 6 Tahapan penelitian. ........................................................................................................................... 5 7 Arsitektur penelitian sebelumnya...................................................................................................... 5 8 Proses input query CQL. ................................................................................................................... 6 9 Proses input query MDX. ................................................................................................................. 6 10 Hasil query CQL dan query MDX. ................................................................................................... 7 11 Perbedaan hasil query CQL dan query MDX. .................................................................................. 7 12 Skema snowflake modifikasi............................................................................................................. 8 13 Skema snowflake penelitian sebelumnya. .......................................................................................... 8 14 Blok diagram proses sinkronisasi. .................................................................................................... 9 15 Antarmuka spatial OLAP. .............................................................................................................. 10 16 Antarmuka widget spatial OLAP.................................................................................................... 10 17 Antarmuka tab Map dan JPivot. ..................................................................................................... 10 18 Hasil eksekusi query. ...................................................................................................................... 11 19 Visualisasi grafik dan tabulasi. ....................................................................................................... 11 20 Input query sistem. .......................................................................................................................... 11 21 Proses roll up. ................................................................................................................................. 11 22 Hasil peta setelah proses roll up. .................................................................................................... 11 23 Proses drill down di Kabupaten Ketapang. ..................................................................................... 12 24 Hasil peta setelah proses drill down. ............................................................................................... 12
DAFTAR LAMPIRAN Halaman 1 Operasi OLAP. .................................................................................................................................. 15 2 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat................................ 15 3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah. ................ 16 4 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat................................ 17 5 Hasil eksekusi query. ......................................................................................................................... 18 6 Struktur geohotspot.xml..................................................................................................................... 18
vi
1
PENDAHULUAN Latar Belakang Teknologi data warehouse dengan tool online analytical processing (OLAP) untuk persebaran titik panas atau hotspot merupakan salah satu solusi dari permasalahan penumpukan data terhadap data hasil pencitraan lokasi jarak jauh satelit guna mengetahui persebaran hotspot kebakaran hutan yang terjadi di wilayah Indonesia. Teknologi OLAP dapat mengorganisasikan data persebaran hotspot dan menampilkan informasi yang terdapat di dalam data tersebut sehingga dapat digunakan dalam pengambilan keputusan guna membantu pengendalian kebakaran hutan. Penelitian yang berjudul pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di wilayah Indonesia telah dilakukan oleh Trisminingsih (2010). Pada penelitian tersebut, Trisminingsih membangun data warehouse menggunakan data spatial. Pada tahun berikutnya, Fadli (2011) melakukan penelitian yang berjudul data warehouse spatiotemporal kebakaran hutan menggunakan GeoMondrian dan Geoserver di wilayah Indonesia. Pada penelitian tersebut, Fadli menambahkan modul visualisasi kartografis berdasarkan data penelitian Trisminingsih sehingga sistem yang dihasilkan mampu melakukan analisis multidimensional dan menampilkan visualisasi kartografis yang dilengkapi diagram tabular. Namun, modul visualisasi yang dibuat belum tersinkronisasi. Pengguna harus melakukan proses input query sebanyak dua kali. Untuk melakukan analisis multidimensional, pengguna harus menggunakan query multidimensional expressions (MDX), sedangkan untuk menampilkanvisualisasi kartografis menggunakan common query language (CQL). Query CQL merupakan filter yang digunakan untuk menyeleksi suatu layer yang telah dibuat dan terdapat dalam Geoserver. Penelitian ini mencoba melengkapi kekurangan pada penelitian sebelumnya, yaitu melakukan sinkronisasi antara query OLAP dan visualisasi peta sehingga memudahkan pengguna dalam melakukan analisis spatial OLAP. Selain itu, sinkronisasi juga menghindari terjadinya inkonsistensi data yang disebabkan proses input berbeda. Tujuan Penelitian Tujuan dari penelitian ini adalah melakukan sinkronisasi antara query OLAP dan visualisasi peta berdasarkan penelitian Fadli (2011). Dalam sistem ini, pengguna dapat mengetahui per-
sebaran titik panas cukup dengan memasukkan query MDX. Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan merupakan data kebakaran hutan di wilayah Indonesia pada tahun 1997 – 2005 yang didapatkan dari penelitian sebelumnya yang bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia. 2 Contoh kasus yang digunakan terdiri atas 190 titik hotspot di Indonesia. 3 Sinkronisasi peta dan navigasi OLAP yang memiliki operasi dasar seperti roll up, slicing, dan drill down. Manfaat Penelitian Penelitian ini diharapkan dapat mempermudah pengguna dalam penyajian data atau informasi persebaran hotspot di Indonesia tanpa melibatkan penggunaan query yang banyak. Pengguna cukup menggunakan query MDX saat melakukan analisis persebaran titik panas.
TINJAUAN PUSTAKA Data Warehouse dan Spatial Data Warehouse Data warehouse merupakan koleksi data yang memiliki sifat subject oriented, integrated, time variant, dan nonvolatile sehingga memungkinkan suatu lembaga, organisasi atau perusahaan dalam membuat keputusan. Pada dasarnya, data warehouse adalah database besar yang mengatur operasional data dalam sebuah repositori dengan tujuan memudahkan query dan analisis. Spatial data warehouse merupakan teknologi yang menggabungkan teknologi data warehouse dengan komponen spatial. Hal ini dikarenakan 80% data yang tersimpan dalam databaselembaga, organisasi, atau perusahaan merupakan komponen spasial, seperti: alamat, kode pos, dan lokasi (Franklin 1992 dalam Badard 2010). Adapun empat karakteristik data warehouse ialah: 1
Subject oriented, data warehouse didesain untuk menganalisis data berdasarkan subjek tertentu dalam lembaga, organisasi, atau perusahaan bukan berdasarkan fungsi atau proses aplikasi tertentu.
2
2
Integrated, data warehouse dapat menyimpan data yang berasal dari sumber yang terpisah ke dalam satu format yang konsisten.
3
Time variant, data yang disimpan memberikan sejarah informasi. Dengan kata lain, data yang disimpan valid pada rentang waktu tertentu.
4
Nonvolatile, proses yang diizinkan dalam data warehouse hanya pemuatan dan akses data tanpa mengubah data sumber sehingga data yang tersimpan tidak dapat di-update atau di-delete.
Operasi Dasar OLAP Operasi dasar OLAP menurut Han dan Kamber (2006) yaitu: 1 Roll up Operasi roll up dilakukan pada kubus data dengan cara menaikkan tingkat suatu hierarki atau mereduksi jumlah dimensi. 2 Drill down Drill down merupakan operasi kebalikan dari roll up. Operasi ini dapat merepresentasikan data secara lebih detail atau spesifik dari level tinggi ke level rendah. 3 Slicing Slicing merupakan proses pemilihan satu dimensi dari suatu kubus data sehingga menghasilkan subcube.
proses sehingga dapat berjalan dengan lancar (Messerschmitt 1990).
Layer Peta Umumnya terdapat dua jenis layer pada peta, base layer dan overlay layer. Base layer atau layer dasar terletak paling bawah dari daftar layer dan semua layer lain berada di atasnya, sedangkan layer lain yang tidak digunakan sebagai base layer disebut overlay layer. Untuk dapat menampilkan sebuah peta dibutuhkan minimal satu buah layer yang akan digunakan sebagai layer dasar. proses pembuatan layer peta dapat dianalogikan seperti menggambar pada kertas transparan dan menumpuknya. Tumpukan kertas yang berada di bawah disebut base layer, sedangkan tumpukan lainnya disebut overlay layer. Urutan tumpukan layer pada saat pembuatan peta harus diperhatikan karena akan memengaruhi tampilan peta. Layer yang mendominasi tampilan sebaiknya digunakan pada tumpukan terbawah atau bisa juga dijadikan base layer (Hazzard 2011). Sebagai contoh, sebuah peta sederhana terdiri atas tiga buah layer, layer provinsi, layer kabupaten, dan layer kecamatan. Layer provinsi digunakan sebagai base layer, sedangkan layer kabupaten dan layer kecamatan digunakan sebagai overlay layer dengan urutan layer kecamatan berada di atas layer kabupaten. Ilustrasi urutan layer peta seperti Gambar 1.
4 Dicing Dicing merupakan proses pemilihan dua atau lebih dimensi dari suatu kubus data sehingga menghasilkan subcube. 5 Pivoting Pivoting merupakan kemampuan OLAP yang dapat melihat data dari berbagai sudut pandang. Sumbu pada kubus data dalam aplikasi OLAP dapat diatur sehingga dapat diperoleh data yang diinginkan sesuai dengan sudut pandang analisis yang diperlukan Ilustrasi mengenai operasi OLAP dapat dilihat pada Lampiran 1.
Sinkronisasi Proses operasi dalam sistem digital dapat dilakukan secara bersamaan. Untuk memastikan proses yang dilakukan mengikuti aturan yang telah ditetapkan dibutuhkan sinkronisasi.Tujuan dilakukan sinkronisasi adalah menghindari terjadinya inkonsitensi data karena pengaksesan oleh beberapa proses yang berbeda serta untuk mengatur urutan jalannya proses-
Gambar 1 Urutan layer peta.
Visualisasi Peta Visualisasi merupakan konversi data geospatial dari database ke dalam bentuk grafis. Dalam sistem database geospatial, informasi spatial biasanya disimpan dalam format data raster atau data vektor. Untuk memvisualisasikan data raster, program harus mengubah informasi geografis yang terkait dengan setiap pixel menjadi warna tertentu dan menyajikan setiap pixel secara individual, sedangkan untuk memvisualisasikan data vektor, program harus mengidentifikasi data
3
geometri (berupa titik, garis, kurva, dan poligon), mengonversi sistem geospatial koordinat asli ke sistem koordinat layar, mengasosiasikan warna tertentu untuk setiap bentuk, dan menghasilkan output melalui drawing function yang disediakan oleh sistem operasi (Wu 2008). Visualisasi peta memungkinkan pengguna untuk melihat struktur atau fenomena dari daerah yang direpresentasikan. Adapun proses visualisasi peta menurut Kraak (2003) hendaknya mengacu pada kaidah “How do I say what to whom, and is it effective?”, sedangkan berdasarkan kegunaannya, peta tergantung pada faktor-faktor berikut: 1
Pengguna Pengguna akan mempengaruhi tampilan peta. Peta untuk pariwisata dan peta topografi dari daerah yang sama sangat jauh berbeda dalam hal kontendan tampilan karena dibuat untuk pengguna yang berbeda.
2
Tujuan Tujuan peta menentukan fitur apa saja yang akan ditampilkan dan bagaimana mereka diwakili. Perbedaan tujuan seperti orientasi dan navigasi, perencanaan fisik, manajemen, dan pendidikan membutuhkan peta yang berbeda.
3
Konten Kegunaan suatu peta juga bergantung pada konten. Konten dapat dilihat sebagai konten utama (tema utama), konten sekunder (informasi peta) dan konten pendukung (legenda, skala, dll).
4
Skala Peta Skala peta adalah perbandingan antara jarak di peta dan jarak sebenarnya. Skala mengontrol jumlah detail dan luasnya daerah yang dapat ditampilkan. Skala peta didasarkan pada pertimbangan seperti: tujuan peta, kebutuhan pengguna, konten, ukuran area yang dipetakan, dan akurasi yang diperlukan.
5
Proyeksi Peta Pemilihan proyeksi peta menentukan bagaimana, di mana, dan berapa banyak peta terdistorsi. Biasanya, proyeksi peta yang dipilih digunakan untuk peta topografi di negara tertentu.
6
Ketepatan GIS telah menyederhanakan proses ekstraksi informasi dan komunikasi. Menggabungkan atau mengintegrasikan berbagai perangkat data telah menjadi mungkin. Namun, ada kemungkinan data
yang terintegrasi tidak relevan atau tidak konsisten. Pengguna harus sadar dengan aspek kualitas data atau akurasi seperti: lokasi, nilai atribut, label peta, dan kelengkapan data. Multi-Dimensional eXpressions (MDX) MDX merupakan query language pada OLAP, sama halnya dengan query SQL pada relational database. Disamping itu, ekspresi MDX dapat digunakan untuk penambahan business logic ke dalam kubus data, menentukan pengaturan keamanan, membuat custom member roll up, custom level roll up, dan lainlain. Dengan kata lain, MDX digunakan hampir pada seluruh desain OLAP yang efektif (Whitehorn et al.2005). Beberapa istilah yang sering digunakan dalam MDX diantaranya: dimensi, measure, member, hierarki, agregasi, dan level. Gambar 2 menampilkan ilustrasi dimensi, measure, dan member. Pada ilustrasi Gambar 2 terdapat dua buah dimensi, yaitu dimensi waktu dan dimensi satelit. Dimensi satelit memilliki empat buah member, yaitu: NOAA_10, NOAA_12, NOAA_13, dan NOAA_14. Dimensi waktu juga memiliki empat buah member April–Juli. Terdapat satu buah measure, yaitu jumlah hotspot, berupa jumlah hotspot yang muncul dalam waktu satu bulan.
Gambar 2 Ilustrasi dimensi, measure, dan member. Umumnya pada sebuah kubus data terdapat sebuah dimensi waktu dan kebanyakan berbentuk hierarki yang memiliki tingkatan atau level. Sebagai contoh, dimensi waktu memiliki empat buah level: all, tahun, kuarter, dan bulan. Level teratas merepresentasikan jumlah informasi terbesar dari level yang berada di bawahnya. Representasi nilai yang tersimpan merupakan penambahan atau agregasi data asli pada kubus data. Ilustrasi agregasi data dapat dilihat pada Gambar 3, sedangkan ilustrasi hieraki dan level dapat dilihat pada Gambar 4.
4
meskipun wilayahnya luas (Adinugroho et al. 2005 dalam Hayardisi 2008). Spatialytics
Gambar 3 Ilustrasi agregasi.
Gambar 4 Ilustrasi hierarki dan level. Berikut contoh penggunaan query MDX yang menampilkan data jumlah hotspot pada dimensi satelit pada tahun 1998: SELECT { [Satelit].[Semua Satelit] } ON COLUMNS, { [Measures].[jumlah_hotspot] } ON ROWS FROM [geohotspot] WHERE [Waktu].[1998]
Spatialytics merupakan komponen kartografik (framework) yang mampu melakukan navigasi kubus data geospatial (spatial OLAP). Spatialytics dikembangkan oleh GeoSOA Research Team menggunakan Dojo Toolkit dan OpenLayers yang bersifat open source. Sebagai web mapping client, Spatialytics mampu melakukan operasi OLAP seperti roll up dan drill down serta menampilkan spatial measures atau pengukuran dalam bentuk spatial. Contoh, pada saat melakukan perhitungan jumlah hotspot di Kabupaten Ketapang, data warehouse yang belum mendukung data spatial hanya mampu menampilkan jumlah hotspot pada kabupaten tersebut. Namun, dengan menggunakan Spatialytics, pengguna tidak hanya mengetahui jumlah hotspot tetapi juga dapat melihat persebaran hotspot di kabupaten tersebut. Spatialytics memiliki arsitektur three tier yang meliputi: 1
Lapisan bawah (bottom tier) Lapisan bawah merupakan suatu sistem database relasional (DBMS PostgreSQL) yang diberi library tambahan (PostGIS) sehingga mampu menangani data spatial.
2
Lapisan tengah (middle tier) Lapisan tengah merupakan tempat penyimpanan struktur kubus data atau OLAP server. Spatialytics menggunakan OLAP server GeoMondrian yang merupakan modifikasi dari OLAP server Mondrian sehingga mampu menangani data spatial.
3
Lapisan atas (top tier) Lapisan atas merupakan lapisan untuk end user yang berfungsi menampilkan ringkasan dari isi data warehouse yang merupakan hasil operasi OLAP serta menampilkan (peta) persebaran hotspot. Implementasi user interface pada lapisan atas menggunakan Dojo Toolkit, sedangkan visualisasi persebaran hotspot menggunakan OpenLayers.
Titik Panas Pemantauan titik panas dilakukan dengan cara penginderaan jauh (remote sensing) menggunakan satelit. Data titik panas merupakan salah satu indikator tentang kemungkinan terjadinya kebakaran hutan sehingga dapat dilakukan analisis, pemantauan, dan terkadang harus melakukan pemeriksaan langsung ke lapangan untuk mengetahui apakah diperlukan langkah pencegahan kebakaran (Adinugroho et al. 2005 dalam Hayardisi 2008). Satelit yang biasa digunakan adalah satelit National Oceanic and Atmospheric Administration (NOAA) melalui sensor Advanced Very High Resolution Radiometer (AVHRR) karena sensor tersebut dapat membedakan suhu permukaan di darat dan di laut. Satelit NOAAAVHRR memiliki cakupan yang luas dan mengunjungi tempat yang sama sebanyak 4 kali dalam satu hari sehingga data yang didapatkan cukup aktual dengan waktu analisis yang cepat
Gambar 5 menampilkan arsitektur framework Spatialytics.
METODE PENELITIAN Berikut adalah tahapan yang dilakukan pada penelitian ini. Tahapan penelitian dijelaskan pada Gambar 6.
5
sistem OLAP. Namun, modul tersebut belum terintegrasi. Dibutuhkan query yang berbeda untuk menampilkan peta dan operasi OLAP. Oleh sebab itu, perlu dilakukan sinkronisasi antara visualisasi peta dan operasi OLAP. Skema yang digunakan pada sistem merupakan skema snowflake. Terdapat satu tabel fakta dan tiga dimensi, yaitu: dimensi waktu, dimensi satelit, dan dimensi lokasi. Arsitektur yang digunakan menggunakan arsitektur three tier yang meliputi lapisan bawah, lapisan tengah, dan lapisan atas. Gambar 7 menampilkan arsitektur yang digunakan pada penelitian sebelumnya.
Gambar 5 Arsitektur Spatialytics.
Gambar 7 Arsitektur penelitian sebelumnya.
Modifikasi Data Warehouse Berdasarkan analisis yang telah dilakukan, terdapat kesamaan antara data warehouse pada penelitian sebelumnya dan data warehouse yang akan digunakan pada penelitian ini sehingga pada tahap ini tidak dilakukan pembuatan data warehouse baru melainkan memodifikasi data warehouse yang sudah ada dari penelitian sebelumnya. Proses modifikasi yang dilakukan meliputi modifikasi skema multidimensional, berupa file XML, dan penentuan tabel fakta.
Pembuatan Layer Peta
Gambar 6 Tahapan penelitian. Analisis Pada tahap ini dilakukan analisis terhadap sistem spatial OLAP yang sudah ada. Pada penelitian sebelumnya, sistem tersebut berhasil menambahkan modul visualisasi peta ke dalam
Layer peta yang terdapat pada aplikasi spatial OLAP terdiri atas layer dasar dan layer persebaran hotspot. Layer dasar bersifat statis. Fungsi dari layer dasar ialah menampilkan wilayah administratif Indonesia hingga tingkat kabupaten. Layer persebaran hotspot bersifat dinamis. Layer ini berfungsi menampilkan persebaran hotspot berdasarkan query yang dimasukkan oleh pengguna. Implementasi pembuatan layer dasar dilakukan dengan tool Geoserver.
6
Sinkronisasi Query OLAP Pada penelitian sebelumnya, proses menampilkan peta dan data tabulasi serta grafik menggunakan dua query yang berbeda. Proses menampilkan peta menggunakan query CQL, sedangkan untuk menampilkan data tabulasi dan grafik menggunakan query MDX. CQL merupakan filter seleksi yang digunakan pada Geoserver untuk menyeleksi suatu layer, sedangkan MDX merupakan query yang umum digunakan pada operasi OLAP. Proses sinkronisasi query ditujukan untuk menghubungkan operasi OLAP dengan visualisasi peta serta mempermudah pengguna dalam melakukan analisis persebaran hotspot. Dengan adanya sinkronisasi, pengguna cukup memasukkan sebuah query untuk melakukan analisis. Pengujian Proses pengujian dilakukan untuk mengetahui apakah aplikasi telah sesuai dengan kebutuhan dan memeriksa apakah operasi dasar OLAP berhasil diimplementasikan. Pengujian dilakukan pada kubus data geometri yang divisualisasikan dalam bentuk peta. Pengujian yang dilakukan pada tahap ini diantaranya pengujian fungsi-fungsi sistem dan uji query. Fungsi sistem yang dilakukan pengujian pada tahap adalah fungsi drill down dan fungsi roll up, sedangkan query yang diujikan berupa query MDX.
• Web browser menggunakan Mozilla Firefox 3.6.x dan Google Chrome.
HASIL DAN PEMBAHASAN Analisis Pada penelitian sebelumnya, proses visualisasi peta dan analisis OLAP membutuhkan input query yang berbeda, visualisasi peta menggunakan query CQL, sedangkan analisis OLAP menggunakan query MDX. Sebagai contoh, untuk menampilkan hotspot di Pulau Kalimantan pada bulan Mei tahun 2000 query yang digunakan untuk menampilkan proses input query CQL dapat dilihat pada Gambar 8, sedangkan query yang digunakan untuk menampilkan proses input query MDX dapat dilihat pada Gambar 9. Gambar 10 menampilkan hasil kedua query tersebut. Namun, pada wilayah yang memiliki hotspot di atas 150 titik, kedua query menampilkan hasil yang berbeda. Hal ini dikarenakan peta yang dihasilkan hanya mampu menampilkan sebanyak 150 titik. Sebagai contoh, hotspot pada Pulau Sulawesi bulan Mei tahun 2000 hasil query MDX menampilkan 773 titik, tetapi hasil query CQL menampilkan 150 titik. Begitu pula dengan hotspot pada Pulau Jawa tahun 2000. Gambar 11 menampilkan perbedaan hasil query CQL dan MDX pada hotspot Pulau Jawa tahun 2000.
Lingkungan Pengembangan Aplikasi spatial data warehouse dibangun menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras: • • • •
Processor Intel Core2Duo @2.1 GHz. RAM 2 GB DDR3. HDD 320 GB. Monitor LCD 14,1” dengan resolusi 1366 x 768. • Mouse dan keyboard. Perangkat lunak: • • • •
Sistem operasi Windows 7 Professional. Apache Tomcat 6.x sebagai web server. GeoMondrian sebagai OLAP server. Schema workbench untuk mendesain skema kubus data multidimensional. • Spatialytics sebagai spatial OLAP framework. • PostgreSQL 8.4 sebagai database server dengan library PostGIS untuk menyimpan data spatial.
Gambar 8 Proses input query CQL.
Gambar 9 Proses input query MDX.
7
hotspot dari measure. Penghapusan level pulau dari dimensi lokasi dikarenakan keterbatasan data yang diperoleh dari penelitian sebelumnya. Data geometri pada tabel pulau dalam database bernilai null (tidak ada data geometri pada tabel tersebut). Datageometri pulau digunakan untuk merepresentasikan kartografik berdasarkan pulau yang ada di wilayah Indonesia. Skema snowflake penelitian ini dapat dilihat pada Gambar 12, sedangkan skema snowflake penelitian sebelumnya dapat dilihat pada Gambar 13.
Gambar 10 Hasil query CQL dan query MDX.
Adapun penghapusan measure luasan hotspot dikarenakan perhitungan yang dilakukan mengenai luas wilayah yang terbakar pada penelitian sebelumnya tidak terlalu akurat. Luas hotspot senilai 1.21 km2 yang didapat pada penelitian sebelumnya merupakan resolusi citra dari satelit NOAA (1.1 km x 1.1 km). Menurut Thoha (2008) meskipun jumlah titik panas dalam luasan tersebut lebih dari satu, luasan tersebut tetap akan diwakili oleh sebuah titik hotspot dengan lokasi tepat ditengah luasan persegi tersebut. Oleh sebab itu, penentuan luas daerah yang terbakar berdasarkan data satelit NOAA tidak dilakukan karena menyebabkan bias yang sangat besar. Pembuatan Layer Peta
Gambar 11 Perbedaan hasil query CQL dan query MDX.
Modifikasi Data Warehouse Proses modifikasi dilakukan pada skema multidimensional dalam bentuk file XML. Implementasi modifikasi skema multidimensional dilakukan dengan tool schema workbench. Skema multidimensional yang digunakan berupa skema snowflake yang terdiri atas dimensi waktu, dimensi satelit, dan dimensi lokasi. Skema ini digunakan untuk menangani redudansi data geometri pada dimensi lokasi. Dari hasil analisis data pada penelitian sebelumnya didapatkan dua buah measure,yaitu frekuansi hotspot dan luasan hotspot, sedangkan pada dimensi lokasi terdapat empat buah level, yakni level hotspot, level kabupaten, level provinsi, dan level pulau. Proses modifikasi yang dilakukan pada penelitian ini berupa penghapusan level pulau dari dimensi lokasi dan penghapusan luasan
Layer peta yang terdapat pada aplikasi spatial OLAP terdiri atas layer dasar dan layer persebaran hotspot. Implementasi pembuatan layer dasar dilakukan dengan tool Geoserver terdiri atas tiga tahap, yaitu: pembuatan workspace, pembuatan data store, dan pembuatan layer. Workspace dibuat sebagai ruang kerja dari layer dan berfungsi untuk menampung layer yang dibuat. Konfigurasi data store dilakukan untuk menentukan lokasi penyimpanan data. Pada penelitian ini, data disimpan di dalam database management system (DBMS) PostgreSQL dengan library PostGIS untuk mendukung data spatial. Data tersebut digunakan untuk menampilkan layer dasar yang didapat dari nilai geometri pada tabel provinsi dan kabupatendi dalam database. Pembuatan layer dilakukan agar layer peta yang dihasilkan hanya menampilkan wilayah Indonesia. Pada tahap ini dilakukan konfigurasi sistem referensi koordinat, dan bounding box. Sistem referensi koordinat merupakan sistem acuan yang digunakan untuk mendefinisikan dan menyatakan koordinat suatu titik baik koordinat horizontal maupun vertikal. Sistem referensi koordinat yang digunakan pada penelitian ini adalah WGS-84 (EPSG:4326). Bounding box
8
merepresentasikan batasan suatu wilayah di permukaan bumi yang akan ditampilkan. Bounding box pada penelitian ini adalah posisi wilayah Indonesia yaitu 95.06 pada sumbu X minimum (950 bujur timur), 141.007 pada sumbu X maksimum (1410 bujur timur), 5.907 pada sumbuY maksimum (60 lintang utara), dan -10.997 pada sumbu Y minimum (110 lintang selatan).
FROM [geohotspot] WHERE [waktu].[1999] SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS, {[lokasi].[RIAU].[BENGKALIS].children} ON ROWS FROM [geohotspot] WHERE [waktu].[1999]
Gambar
13
Skema snowflake sebelumnya.
penelitian
Sinkronisasi Query OLAP Gambar 12 Skema snowflake modifikasi. Layer persebaran hotspot menampilkan peta berdasarkan query yang dimasukkan pengguna. Layer ini menampilkan dua macam fitur objek yakni polygon dan point. Objek point ditampilkan saat pengguna memasukkan query yang menanyakan lokasi hotspot sedangkan objek polygon ditampilkan saat pengguna memasukkan query yang menanyakan wilayah yang terdapat hotspot. Berikut contoh penggunaan query yang menampilkan objek polygon dan point secara berurut: SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS, {[lokasi].[RIAU].children} ON ROWS
Secara umum proses sinkronisasi terdiri atas tiga tahap, yaitu: 1 2 3
Spatialytics Client melakukan submit query menuju server, server mengolah query dan mengambil data yang dibutuhkan dari database, data yang telah terpilih kemudian dikembalikan menuju Spatialytics Client oleh server.
Implementasi proses sinkronisasi query OLAP menggunakan tool olap4js. Tool tersebut memiliki dua fungsi, yaitu menangani query yang dimasukkan pengguna dan menerimadata yang dikirim oleh GeoMondian melalui server. Data yang dikirim oleh server berupa JSON objek. Blok diagram proses sinkronisasi ditampilkan pada Gambar 14.
9
Gambar 14 Blok diagram proses sinkronisasi.
Saat sistem dijalankan pertama kali, Spatialytics Client, diwakili oleh olap4js, melakukan submit query MDX menuju server. Server kemudian membangun koneksi dengan GeoMondrian. Setelah koneksi dengan GeoMondrian terhubung, server mengirimkan query menuju GeoMondrian. Oleh GeoMondrian, query dieksekusi dan dilakukan pengambilan data yang dibutuhkan dari database. Berikut adalah contoh kode program method eksekusi query: 123 124 125 126
127 128 129 130 131
void executeParsedQuery (ParseTreeNode parsedQueryNode) { try { SelectNode node = (SelectNode) parsedQueryNode; resultCellSet = _OLAP4jStatement.executeOLAP Query(node); executedQuery = node; } catch (OLAPException e) { LOGGER.warn("Could not execute MDX query", e); } }
Hasil eksekusi query oleh GeoMondrian dikirim menuju server dalam bentuk JSON agar lebih mudah diolah. JSON tersebut oleh server dikirim menuju client dan diterima oleh olap4js untuk dilakukan pengecekan terlebih dahulu. Proses pengecekan pada modul olap4js meliputi pengecekan struktur data multidimensi, seperti: hierarki, member, level, elemen, dan dimensi. Pengecekan dimensi dan elemen bertujuan mengetahui operasi OLAP yang dilakukan. Hal ini dikarenakan sistem belum mampu menangani operasi OLAP dicing. Dicing merupakan proses pemilihan dua atau lebih dimensi dari suatu kubus data. Setelah dilakukan pengecekan, data dikirim menuju
modul Featurizer. Oleh Featurizer kemudian dilakukan proses parsing untuk mendapatkan fitur objek atau spatial member berupa nilai geometri, nama member, nilai objek, dan member ordinal. Berikut adalah contoh kode program Featurizer: 127 128 129 130 131 132 133 134 135 136 137 138
var geojsonFeat = { geometry: geomPropValue, id: i, properties: { memberName: geomMember.name, value: cellValue, axisOrdinal: this.geomAxisOrdinal, positionOrdinal: i, memberOrdinal: this.geomHierarchyOrdinal }, type: "Feature" };
Fitur objek yang telah terseleksi kemudian dikirim menuju modul SOLAPContext. Oleh modul SOLAPContext, fitur objek yang telah dihasilkan kemudian dikumpulkan bersama data lain yang dibutuhkan saat proses penggambaran peta misalnya proyeksi peta dan style peta. Berikut adalah contoh kode program SOLAPContext: 35 69
70
101 102 103 104 105
GeoSOA.Spatialytics.SOLAPContext = function (options) { ... this.mapStyle = options.mapStyle || new GeoSOA.Spatialytics.mapstyles .MapStyle(); this.projection = options .projection || new OpenLayers .Projection("EPSG:4326"); ... this.vectorLayer = new OpenLayers .Layer.Vector("Spatialytics test", { features: that._vectors, styleMap: that.mapStyle .getStyleMap(), projection: that.projection
10
106 136
} ); ... };
Setelah ditambahkan proyeksi dan style peta oleh SOLAPContext, data dikirim menuju OpenLayers untuk dilakukan proses rendering peta. Antarmuka Spatial OLAP
persebaran hotspot, sedangkan tab JPivot digunakan untuk menampilkan data dalam bentuk tabulasi dan diagram. Pada bagian kiri atas peta terdapat dua buah button untuk melakukan operasi roll up dan drill down. Antarmuka Map dan JPivot dapat dilihat pada Gambar 17.
Antarmuka spatial OLAP dikembangkan menggunakan JavaScript Dojo Toolkit. Tampilan antarmuka sistem dapat dilihat pada Gambar 15. Pada bagian kanan terdapat tiga buah widget berupa thematic style, information, dan MDX query editor. Widget thematic style digunakan pada proses rendering peta. Widget Information menampilkan informasi berupa nama atau id hotspot dan jumlah hotspot yang terdapat di wilayah tertentu saat pengguna meng-hover peta. Widget MDX query editor query yang berfungsi sebagai editor dimasukkan pengguna. Antarmuka ketiga widget tersebut dapat dilihat pada Gambar 16.
Gambar 15 Antarmuka spatial OLAP. Gambar 17 Antarmuka tab Map dan JPivot.
Pengujian Saat pertama kali dijalankan, sistem akan mengeksekusi default query sebagai berikut: SELECT {[Measures].[Jumlah_Hotspot]} ON COLUMNS, {[lokasi].[Hotspot].Members} ON ROWS FROM [geohotspot] WHERE [waktu].[1997]
Query tersebut menampilkan persebaran hotspot di seluruh wilayah Indonesia pada tahun 1997 (dalam hal ini hanya wilayah Provinsi Riau, Provinsi Kalimantan Selatan, Provinsi Sumatera Selatan, Provinsi Kalimantan Timur, Provinsi Kalimantan Tengah, dan Provinsi Kalimantan Barat). Hasil eksekusi query dapat dilihat pada Gambar 18, sedangkan penyajian data tabulasi dan grafik dapat dilihat pada Gambar 19. Gambar 16 Antarmuka widget spatial OLAP. Pada bagian kiri terdapat tab Map dan JPivot. Tab Map berfungsi menampilkan peta
Pada penelitian sebelumnya, untuk melakukan analisis OLAP dan melihat peta persebaran hotspot dibutuhkan proses input query sebanyak dua kali seperti ditampilkan pada Gambar 8 dan Gambar 9. Setelah dilakukan sinkronisasi, pengguna cukup
11
melakukan input query sebanyak satu kali seperti ditampilkan pada Gambar 20.
down menggunakan OLAP tool box sebagai berikut: 1
mengaktifkan tombol OLAP tool box, tombol
2
Gambar 18 Hasil eksekusi query.
untuk
operasi
roll
up
untuk operasi drill sedangkan tombol down, tekan peta yang ingin dilakukan proses roll up ataupun drill down.
Gambar 21 menampilkan proses roll up dan Gambar 22 menampilkan hasil operasi roll up, sedangkan Gambar 23 menampilkan proses drill down pada wilayah Kabupaten Ketapang dan Gambar 24 menampilkan hasil operasi drill down menggunakan OLAP tool box. Lampiran 2 menampilkan tahapan yang dibutuhkan untuk melakukan proses roll up sebelum dilakukan sinkronisasi, Lampiran 3 menampilkan tahapan yang dibutuhkan untuk melakukan proses roll up,dan Lampiran 4 menampilkan tahapan yang dibutuhkan untuk melakukan proses drill down menggunakan query MDX sesudah dilakukan sinkronisasi.
Gambar 19 Visualisasi grafik dan tabulasi.
Gambar 21 Proses roll up.
Gambar 20 Input query sistem. Proses roll up dan drill down pada penelitian ini dapat dilakukan dengan dua cara, yaitu melakukan input query dan menggunakan OLAP tool box. Tahapan yang dibutuhkan untuk melakukan proses roll up maupun drill
Gambar 22 Hasil peta setelah proses roll up.
12
Tengah, Kalimantan Barat, Kalimantan Timur, dan Kalimantan Selatan. Kekurangan pada penelitian ini ialah sistem belum mampu mengolah data dalam jumlah yang banyak (umumnya data kebakaran hutan berjumlah ratusan ribu). Selain itu, sistem juga belum mampu melakukan operasi OLAP dicing. Operasi dicing memungkinkan pengguna menampilkan peta beberapa tahun sekaligus.
Saran Sistem ini masih memiliki banyak kekurangan sehingga diharapkan dapat dilakukan pengembangan selanjutnya. Saran untuk penelitian selanjutnya, yaitu: Gambar 23
Proses drill down di Kabupaten Ketapang.
1 Membuat sistem yang mampu menampilkan data kebakaran hutan dalam jumlah nyata bukan sample. 2 Membuat sistem yang mampu melakukan operasi OLAP dicing. Operasi dicing memungkinkan pengguna dalam melakukan perbandingan. 3 Menambah modul update, insert, dan delete yang dapat memudahkan pengguna apabila terdapat data baru.
DAFTAR PUSTAKA Adinugroho WC, Suryadiputra INN, Saharjo BH, Siboro L. 2005. Panduan PengenDalian Kebakaran Hutan dan Lahan Gambut. Proyek Climate Change, Forests and Peatlands in Indonesia. Bogor: Wetlands International–Indonesia Programme dan Wildlife Habitat Canada.
Gambar 24 Hasil peta setelah proses drill down.
KESIMPULAN DAN SARAN Kesimpulan Sistem spatial OLAP telah berhasil dibangun menggunakan framework Spatialytics. Sistem mampu melakukan sinkronisasi query antara visualisasi peta dan operasi OLAP. Sistem ini dapat mempermudah pengguna melakukan analisis hotspot. Pengguna cukup memasukkan query MDX dalam melakukan analisis. Data sampel yang digunakan pada penelitian ini berjumlah 190 titik hotspot, meliputi wilayah provinsi Riau, Kalimantan
Badard T. 2010. Open source geospatial business intelligence in action with GeoMondrian and SOLAPLayers!. Di dalam: FOSS4G 2010 workshop; Barcelona, 9 Sep 2010. Fadli MH. 2011. Data warehouse spatiotemporal kebakaran hutan menggunakan Geomondrian dan Geoserver [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Franklin C. 1992. An introduction to geographic information systems: linking maps to databases. Database15(2):12–21. Han J, Kamber M. 2006. Data Mining: Concept and Techniques. San Fransisco: Morgan Kaufman Publisher. Hayardisi G. 2008. Data warehouse dan OLAP berbasis web untuk persebaran hotspot di
13
wilayah Indonesia menggunakan PALO 2.0 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Hazzard E. 2011.OpenLayers 2.10 Beginner’s Guide. Birmingham: Packt Publishing. Kraak MJ. 2003. Geovisualization illustrated. ISPRS Journal of Photogrammetry and Remote Sensing 57:1–10. Messerschmitt DG. 1990. Synchronization in digital system design.IEEE Journal on Selected Areas in Communications 8:1–10. Thoha AS. 2008. Penggunaan data hotspot untuk monitoring kebakaran hutan dan lahan
di Indonesia. [karya Tulis]. Universitas Sumatera Utara.
Medan:
Trisminingsih R. 2010. Pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di wilayah Indonesia [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. London: Springer. Wu S. 2008. Visualizing Constraint Data. Di dalam: Shekhar S, Xiong H, editor. Encyclopedia of GIS. Springer. hlm 1228– 1232.
14
LAMPIRAN
14
15
Lampiran 1 Operasi OLAP.
Lampiran 2 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi KalimantanBarat.
Tampilan peta dan query sebelum dilakukan operasi roll up
16
Lanjutan
Tampilan peta dan query setelah dilakukan operasi roll up
Lampiran 3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah.
Tampilan peta dan query sebelum dilakukan operasi drill down
17
Lanjutan
Tampilan peta dan query setelah dilakukan operasi drill down
Lampiran 4 Operasi roll up,dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat.
Tampilan peta dan query sebelum dilakukan operasi roll up
Tampilan peta dan query setelah dilakukan operasi roll up
18
Lampiran 5 Hasil eksekusi query.
Lampiran 6 Struktur geohotspot.xml. <Schema name="hotspot">
19
Lanjutan <Join leftKey="kode_kab" rightAlias="geohotspot_kab" rightKey="kode_kab"> <Join leftKey="kode_prop" rightKey="kode_prop"> <Measure name="Jumlah_Hotspot" column="jumlah" datatype="Integer" formatString="Standard" aggregator="sum" visible="false">
