VISUALISASI DATA SPASIAL DI MONETDB MENGGUNAKAN OPENJUMP
PRADITYA PAMUNGKAS
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 Visualisasi Data Spasial di MonetDB Menggunakan OpenJUMP adalah benar karya saya denganarahan 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
Praditya Pamungkas NIM G64080078
ABSTRAK PRADITYA PAMUNGKAS. VISUALISASI DATA SPASIAL DI MONETDB MENGGUNAKAN OPENJUMP. Dibimbing oleh HARI AGUNG ADRIANTO. Saat ini model data yang banyak digunakan adalah relasional. Model ini mengatur sebuah basis data sebagai sekumpulan data yang disimpan secara tertruktur atas baris dan kolom. Meskipun populer, model data relasional dirasakan kurang cepat dalam implementasi data besar dan memiliki kompleksitas yang tinggi. Berbeda dengan model relasional, MonetDB menggunakan metode column-store untuk membagi data menjadi beberapa bagian binary tabel. Metode ini hanya memanggil data yang diperlukan saja, sehingga lebih cepat. Anggi (2013) telah menguji MonetDB sebagai tempat penyimpanan data spasial dan non spasial, namun belum memvisualisasikan dari data tersebut. Penelitian ini menggunakan salah satu OpenSource berbasis java yaitu OpenJUMP untuk visualisasi dengan penghubung menggunakan JDBC4. Pengujian ini berhasil memvisualisasikan query data spasial sederhana menggunakan “like” dan “and” dengan rata rata waku 1 detik, sedangkan query spasial kompleks menggunakan “join”, “constains” dan “intersect” dengan rata rata waku lebih dari 20 menit. Sehingga terlihat bahwa MonetDB juga dapat mengolah data spasial baik sederhana maupun kompleks. Namun dalam proses visualisasi data spasial yang kompleks itu membutuhkan run-time yang relatif lama. Kata kunci: data spasial, MonetDB, OpenJUMP, visualisasi
ABSTRACT PRADITYA PAMUNGKAS. VISUALIZATON SPATIAL DATA IN MONETDB WITH OPENJUMP. Supervised by HARI AGUNG ADRIANTO. There are currently the most used data model is relational. This model a database as a set of data that is stored in structural rows and columns. Besides the popullarity, the relational data model is lacking in the implementation of data is large and has a high complexity. Different of the relational model, MonetDB using a column store method to divide the data into sections binary tables . This method is only necessary to call the data, resulting method is faster. Anggi ( 2013 ) have tested the MonetDB as a spatial and non spatial data storage, but not yet visualize data from MonetDB. This result successfully visualize spatial data using a simple query “like” and “and” the average time 1 second , while the complex spatial queries using “joins”, “constains” and “Intersect” with average time more than 20 minutes. So it looks that MonetDB also can process spatial data simple and complex . But in the process of complex spatial data visualization that require run-time is relatively long . Keywords: spatial data, MonetDB, OpenJUMP, visualize
VISUALISASI DATA SPASIAL di MONETDB MENGGUNAKAN OPENJUMP
PRADITYA PAMUNGKAS
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014
Judul Skripsi : Visualisasi Data Spasial di MonetDB Menggunakan OpenJUMP Nama : Praditya Pamungkas NIM : G64080078
Disetujui oleh
Hari Agung Adrianto, SKom, MSi Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi, MKom .Ketua Departemen
Tanggal Lulus:
Judul Skripsi: Visualisasi Data Spasial di MonetDB Menggunakan OpenJUMP Nama : Praditya Pamungkas NIM : G64080078
Disetujui oleh
SKom MSi
Diketahui oleh
-- ~-::..
Tanggal Lulus:
Il4 FEB ~~4
."
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 Maret 2013 ini ialah dengan visualisasi data spasial di MonetDB menggunakan OpenJUMP. Penyelesaian penelitian ini tidak luput dari dukungan dan bantuan berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih sebesar-besarnya kepada: 1. Ayahanda Riyono, Ibunda Krisnaningtyas, Kakak Putri Kumala Kristawardhani, serta Kakak Putra Wishnu Widhiana atas doa, kasih sayang, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 2. Bapak Hari Agung Adrianto, SKom, MSi selaku dosen pembimbing yang telah memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini. 3. Bapak Endang dan Ibu Karlina dosen penguji atas segala masukan yang diberikan. 4. Alnis Jasti atas doa, nasihat, dukungan, serta motivasi kepada penulis untuk penyelesaian penelitian ini. 5. Rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses. 6. Asrori Hudri,Catur Purbo, Hafizhia Dhikrul Anugrah ,Jaka Juliarta, Melki Hasali, Meri Marlina, Rahman Halim, Ryan Satria Nugroho,Putri Dewi , dan sahabat lainnya yang telah menjadi mitra dan menemani penulis dalam menjalani kehidupan sebagai mahasiswa. 7. Rekan satu bimbingan, Anggi Putrantio Juniard, Mitha Rachmawati, dan Ilman Dwi Santoso. 8. Departemen Ilmu Komputer, Bapak/Ibu Dosen dan Tenaga Kependidikan yang telah begitu banyak membantu baik selama pelaksanaan penelitian ini maupun sebelumnya. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satupersatu, penulis ucapkan terima kasih banyak. Segala kesempurnaan hanya milik Allah Subhanahuwata’ala. Semoga hasil penelitian ini dapat bermanfaat, Amin.
Bogor, Februari 2014
Praditya Pamungkas
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
1
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Struktur Data Spasial
2
Shapefile
2
MonetDB
3
JDBC
4
OpenJUMP
5
METODE
5
Identifikasi Masalah
6
Pengumpulan Data
6
Pembangunan Database
6
Koneksi Open Source GIS
6
Memasukkan Query dan Hasil
6
Analisis Hasil
7
HASIL DAN PEMBAHASAN Pengumpulan Data
8 8
Pembangunan Database menggunakan MonetDB
10
Pengujian MonetDB
11
SIMPULAN DAN SARAN
17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
18
RIWAYAT HIDUP
19
DAFTAR TABEL 1 Proses pemilihan Open Source ........................................................................ 6 2 Hasil run-time query ...................................................................................... 16
DAFTAR GAMBAR 1 Binary Association Table (BAT) ..................................................................... 4 2 Model penelitian .............................................................................................. 5 3 Koneksi dan visualisasi .................................................................................... 7 4 Pemetaan penduduk kota New York ............................................................... 9 5 Pemetaan neihgborhoods kota New York ....................................................... 9 6 Pemetaan jalan kota New York ....................................................................... 9 7 Pemetaan halte bus kota New York ............................................................... 10 8 Hasil query sederhana .................................................................................... 13 9 Hasil query sederhana menggunakan AND ................................................... 13 10 Hasil query sederhana menggunakan LIKE ................................................ 14 11 Hasil query kompleks menggunakan JOIN dan contains ............................ 14 12 Hasil query kompleks menggunakan JOIN dan intersect ............................ 15 13 Hasil query kompleks menggunakan JOIN dan intersect2 .......................... 15
PENDAHULUAN Latar Belakang Dalam proses penyimpanan data yang paling populer saat ini adalah relasional. Model relasional ini merupakan model yang paling sederhana sehingga mudah digunakan dan dipahami oleh pengguna. Model ini menggunakan sekumpulan tabel berdimensi dua (relasi atau tabel) dengan masing-masing relasi tersusun atas tupel atau baris dan atribut. Namun model ini dianggap kurang bagus dalam data besar dan kompleks. Banyak Database Management System (DBMS) yang bermunculan untuk mengolah data spasial maupun non spasial, salah satunya yaitu MonetDB. MonetDB ini merupakan pelopor DBMS yang menggunakan column-store dalam meningkatkan kinerja untuk data warehouse business intellegence dan eScience. Model penyimpanan yang dilakukan MonetDB ini menggunakan metode vertical fragmentation untuk mempercepat kinerja pencarian data spasial maupun non spasial (MonetDB 2012) . Pada penelitian sebelumnya dilakukan perbandingan antara kinerja postgres dengan MonetDB menggunakan data spasial dan non spasial, dan dihasilkan kesimpulan bahwa MonetDB memiliki waktu rata-rata yang lebih cepat dalam mengolah data non spasial dibanding Postgres. Namun hasil sebaliknya dalam data spasial yang sederhana maupun kompleks, PostgreSQL memiliki rata- rata waktu yang cepat dibanding MonetDB (Anggi 2013). Dikarenakan MonetDB masih dalam pengembangan dan hanya memiliki fungsi spasial yang masih sederhana dibanding PostgreSQL maka itu merupakan hal yang wajar. Dalam penelitian akhir ini saya mencoba untuk menampilkan data MonetDB kedalam bentuk gambar menggunakan Open Source OpenJUMP dengan memasukkan query spasial sederhana dan kompleks, sehingga terlihat kekurangan maupun kelebihan MonetDB sebagai DBMS dalam proses visualisasi data spasial. Tujuan Penelitian Tujuan dari penelitian ini adalah menghubungkan MonetDB dengan suatu aplikasi/open source GIS. Sehingga data spasial yang disimpan di MonetDB dapat divisualisasikan menjadi gambar, baik data spasial sederhana maupun kompleks.
Manfaat Penelitian Manfaat dari penelitian ini diharapkan dapat membantu pengguna tentang MonetDB. Terutama tentang visualisasi data spasial melalui salah satu open source GIS untuk selanjutnya dihubungkan menjadi basis WEB GIS.
2 Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini adalah : 1. Komputer yang digunakan sebagai penguji adalah komputer pribadi dengan spesifikasi: a. Processor Intel(R) Core i3 ~2.3GHz b. RAM 2 GB c. Sistem Operasi Windows 8 d. Hard drive 500GB 2. Shp2pgsql untuk mengkonversi data spasial 3. MonetDB yang digunakan adalah MonetDB5-Server.exe 4. JDBC4 untuk koneksi MonetDB5 server dengan menggunakan Java. 5. Open Source yang digunakan adalah OpenJUMP versi 1.6.3 dengan plugin OpenJUMP-MonetDB-plugin.jar .
TINJAUAN PUSTAKA Struktur Data Spasial Dalam kerangka kerja SIG, data dibagi menjadi dua kategori, yaitu data spasial dan data tekstual (atribut). Data spasial merupakan data yang memiliki informasi lokasi atau data yang bereferensi geografis dan data atribut merupakan data yang memiliki fitur spasial (Chang 2008).
Shapefile Menurut Chang (2008), shapefile merupakan sebuah format data spasial yang menyimpan lokasi geografis berupa informasi atribut titik (point), garis (line), dan poligon (polygon). Bentuk geometri yang tersimpan adalah dalam bentuk koordinat vektor. Format ini adalah format yang dikeluarkan oleh Environmental System Resource Institue (ESRI) yang merupakan salah satu vendor SIG terkemuka. ESRI shapefile terdiri atas: 1 Main file (.shp) Merupakan file yang dapat diakses secara langsung dan panjang dari record variabel dalam file mendeskripsikan bentuk vertex. 2 Index file (.shx) Pada file indeks, tiap record terdiri atas proses cetakan offset yang berhubungan dengan record file utama. 3 Tabel dBASE (.dbf) Pada tabel dBASE terdapat fitur atribut dengan record pada setiap fiturnya.
3 MonetDB MonetDB adalah open source column-oriented database management system yang dikembangkan oleh CWI (Centrum Wiskunde and Informatica). MonetDB sebagai pelopor dari column-store yang merupakan solusi untuk kinerja yang tinggi dari data warehouse untuk business intelligence dan eScience sejak tahun 1993. Inovasi yang dikembangkan oleh MonetDB untuk semua lapisan dari DBMS adalah model penyimpanan yang berdasarkan vertical fragmentation. Sebuah arsitektur untuk eksekusi query yang modern dengan CPU-tuned, otomatis dan adaptif untuk indexing, run-time query optimization, dan software architecture yang standar. MonetDB juga mendukung penuh ACID dan SQL (Structured Query Language) yang digunakan oleh MonetDB berdasarkan standar SQL 2003. MonetDB sudah diuji pada Linux (Fedora, RedHat Enterprise Linux, Debian, Ubuntu), Gentoo, Mac OS, SUN Solaris, Open Solaris, dan Windows. Antarmuka pemograman yang didukung oleh MonetDB adalah JDBC, ODBC, PHP, Python, RoR, C, C++, dan Perl (MonetDB 2012). Model penyimpanan yang dikembangkan pada MonetDB secara signifikan berbeda dengan traditional database sistem. Ini digambarkan dengan tabel baru yang merupakan hasil fragmentation secara vertikal dari entitas dalam arti menyimpan masing- masing kolom (atribut) dari entitasnya pada tabel secara terpisah. Kolom yang sebelah kiri adalah object-identifier (OID) yang disebut head dan kolom sebelah kanan adalah value yang disebut tail (MonetDB 2012). Pada tabel baru yang merupakan hasil dari fragmentation, terdiri atas dua kolom. Ini disebut dengan Binary Association Table (BAT) yang dapat dilihat pada Gambar 1. Manfaat column-store ini berasal dari penyederhanaan yang lebih baik untuk aliran data yang berasal dari disk penyimpanan, lalu melewati memori yang masuk ke CPU cache. Keuntungan yang didapat dari column-store database adalah hanya data yang relevan yang akan diproses dan diambil dari disk. MonetDB terdiri atas arsitektur dua lapis, yaitu sebuah database server dan beberapa front-end. Saat ini front- end yang tersedia adalah SQL dan XQuery yang berfungsi sebagai antarmuka ke database server. Server diprogram dalam bahasa pemrograman yang disebut MonetDB Association Language (MAL). MAL adalah bahasa aljabar relational yang mendukung koleksi besardari relational yang primitif, fungsi-fungsi, dan hubungan yang mudah dengan fungsi yang didefinisikan pengguna (Vermeij et al. 2008)
4
Gambar 1 Binary Association Table (BAT) JDBC JDBC API (application programming interface) merupakan komponen dari aplikasi untuk dapat menghubungkannya kepada suatu database. JDBC driver memberikan koneksi kepada database untuk diimplementasikan dalam memproses query yang diberikan oleh pengguna. Sehingga dapat melakukan perintah, fungsi, dan protokol yang dapat digunakan oleh programmer saat membangun perangkat lunak untuk sistem operasi tertentu. JDBC API memungkinkan programmer untuk menggunakan fungsi standar untuk berinteraksi dengan sistem operasi. JDBC sendiri dibagi 4 kategori : 1. JDBC-ODBC bridge : Menggunakan ODBC driver sebagai penghubung antara database dengan perangkat lunak. Dalam kategori ini computer harus mendapatkan akses ODBC dengan mengistall driver ODBC. Tipe ini paling lama dibandingkan dengan tipe lainnya. 2. JDBC Native API Driver : Menggunakan Native API driver sebagai penghubung antara database dengan perangkat lunak. Driver ini lebih baik dibanding dengan tipe 1, namun tidak semua database yang mendukung driver ini. 3. JDBC Network Protocol Driver : Menggunakan Network Protokol atau aplikasi server sebagai penghubung antar database dengan perangkat lunak. Driver ini dapat memperlihatkan penggunaan banyak database yang dipakai, namun dalam penggunaan dari berbagai database itu harus memasukkan koding tertentu kedalam aplikasi yang digunakan sebagai aplikasi server. Aplikasi server ini yang memberikan data kepada database yang berbeda. 4. JDBC Database Protocol Driver : Menggunakan Native Protocol driver sebagai penghubung antara database dengan perangkat lunak. Driver ini merupakan tipe yang paling lengkap untuk mendapatkan akses penuh pemakaian database.
5
OpenJUMP OpenJUMP merupakan aplikasi GIS yang berfungsi menggunakan platform Java. Aplikasi ini bekerja dengan menggunakan data shapfile. OpenJUMP dapat mengambil data dari database server untuk ditampilkan sebagai gambar. Data OpenJUMP yang ditampilkan harus mempunyai data vektor sehingga dapat dimunculkan sebagai titik titik ataupun bentuk yang dapat dilihat. Database server yang dapat dihubungkan OpenJUMP harus memiliki pendukung dari java sebagai plugin untuk dimasukkan ke dalam OpenJUMP.
METODE Model penelitian yang digunakan tersusun dalam suatu diagram alur penelitian yang dapat dilihat pada Gambar 2.
Gambar 2 Model penelitian
6
Identifikasi Masalah Identifikasi masalah merupakan tahap awal dari penelitian ini. Masalah yang diidentifikasi adalah visualisasi data spasial MonetDB terhadap suatu open source yang sesuai dengan MonetDB. Oleh karena itu, dalam penelitian ini dilakukan pengujian query spasial yang dimasukkan dalam open source yang sesuai untuk masalah tersebut. Pengumpulan Data Pada tahap ini dilakukan pengumpulan data yang akan digunakan untuk pengujian. Data spasial didapat dalam format shapefile. File tersebut berisi barisbaris atribut dan vektor yang memuat isi data spasial. Dari vektor itu dapat ditampilkan ke dalam open source GIS sebagai titik titik geografis. Pembangunan Database Semua data yang diperoleh dari OpenGeo yaitu nyc_census_blocks, nyc_neighborhoods, nyc_streets, nyc_subway_stations, dan nyc_census_sosiodata, kemudian data yang didapat dalam bentuk *.shp diubah kedalam bentuk *.sql. Tahap selanjutnya adalah memasukkan database baru ke dalam MonetDB. Koneksi Open Source GIS Open Source yang dipilih yaitu OpenJUMP, dikarenakan sudah memiliki koneksi melalui JDBC antara MonetDB dengan OpenJUMP. Dapat dilihat pada Tabel 1 koneksi Open Source OpenJUMP terhadap MonetDB. Tabel 1 Koneksi Open Source Support Program JDBC
API
Driver
Open Source
Plugin
JDBC
OpenJUMP
ODBC
ODBC
ArcView
OpenJUMPMonetDB-plugin -
Phyton C\C++
MonetDB-jdbc2.10 ODBC-InstallerMonetDB -
C Library MonetDB
QuantumGis Grass
-
-
-
Perl
Memasukkan Query dan Hasil Query yang akan digunakan untuk pengujian DBMS dikelompokkan menjadi dua kelompok, yaitu query spasial sederhana dan spasial kompleks ke dalam OpenJUMP .
7
Analisis Hasil Dalam proses visualisasi data MonetDB menggunakan OpenJUMP perlu dilakukan beberapa langkah koneksi dan vusialisasi dapat dilihat pada Gambar 3.
Gambar 3 Koneksi dan visualisasi
8
HASIL DAN PEMBAHASAN Pengumpulan Data Data yang akan digunakan untuk pengujian visualisasi ini menggunakan data spasial. Data didapat dari workshop PostGIS yang disediakan oleh situs OpenGeo. Data terdiri atas empat data spasial dalam format shapefile. Empat data shapefile ini adalah nyc_census_blocks, nyc_neighborhoods, nyc_streets, dan nyc_subway_stations. Data spasial nyc_census_blocks merupakan daerah pemetaan terkecil (per blok) dari sensus penduduk yang berada di kota New York. Gambar 4 merupakan contoh pemetaan dari persentase populasi kulit hitam dari total populasi. Data spasial nyc_census_blocks memiliki atribut yang memberikan keterangan untuk data geometrinya, yaitu „blkid‟(identitas blok), „popn_total‟(totalpopulasi), „popn_white‟(populasikuliputih), „popn_black‟(populasi kulit hitam), „popn_nativ‟ (populasi penduduk asli Amerika), „popn_asian‟ (populasi penduduk Asia), „popn_other‟ (populasi penduduk lainnya), „hous_total‟ (total rumah), „hous_own‟ (total rumah pribadi), „hous_rent‟ (total rumah yang disewakan), dan „boroname‟ (nama sektor). Data spasial nyc_neighborhoods ini adalah pemetaan per sektor wilayah. Setiap sektor memiliki beberapa neighborhood. Di New York, neighborhood merupakan suatu konstruksi sosial yang tidak mengikuti garis yang ditetapkan oleh pemerintah. Untuk contoh, neighborhood dari Brooklyn, yaitu Carrol Gardens, Red Hook, dan Cobble Hill yang diketahui sebagai Brooklyn selatan. Nyc_neighborhoods memiliki dua atribut, yaitu „name‟ yang berisikan nama dari neighborhood dan „boroname‟ yang berisikan nama dari sektor-sektor yang ada di New York, yaitu Manhattan, The Bronx, Brooklyn, Staten Island, dan Queens. Gambar 5 merupakan pemetaan untuk neighborhood pada kota New York. Data spasial nyc_streets ini adalah pemetaan centerline street dari jaringan transportasi kota. Jalan-jalan ini ditandai dengan berbagai tipe untuk membedakan antara jalan umum yang ada seperti gang-gang belakang gedung atau rumah yang sempit, jalan arteri, jalan raya, dan jalan-jalan kecil. Data ini memiliki tiga atribut, yaitu „name‟ (nama jalan), „oneway‟ (satu arah atau tidak), dan „type‟ (jenis jalan). Gambar 6 memberikan gambaran dari pemetaan jalan yang berada di kota New York. Data spasial yang terakhir adalah nyc_subway_stations. Pemetaan stasiun kereta bawah tanah ini tersimpan di data spasial nyc_subway_stations. Lokasi stasiun ini memudahkan orang dalam menggunakan transportasi kereta bawah tanah. Data ini memiliki atribut „name‟ (nama stasiun), „borough‟ (nama sektor), „routes‟. Gambar 7 merupakan pemetaan dari stasiun kereta api di Kota New York.
9
Gambar 4 Pemetaan penduduk kota New York
Gambar 5 Pemetaan neihgborhoods kota New York
Gambar 6 Pemetaan jalan kota New York
10
Gambar 7 Pemetaan halte bus kota New York Pembangunan
Database
menggunakan MonetDB
Proses pembangunan database pada MonetDB berbeda dengan PostgreSQL karena MonetDB tidak memiliki program shapefile loader seperti PostGIS. Format data yang didukung oleh MonetDB adalah CSV, SQL, TAB, RAW dan XML. Oleh karena itu, untuk memasukkan data spasial format shapefile ke dalam MonetDB, tahap pertama yang harus dilakukan adalah mengubah data spasial format shapefile (*.shp) menjadi baris-baris SQL yang disimpan dalam sebuah file dengan ekstensi *.sql. ArcView adalah software yang dapat digunakan untuk mengubah data spasial (shapefile) menjadi baris-baris SQL yang disimpan dalam sebuah file dengan ekstensi*.sql. Dengan tersedianya extension Gix Export Tool pada ArcView, maka shapefile dapat diubah menjadi baris-baris SQL. Data dimasukkan satu per satu kemudian dilakukan konversi menggunakan Gix Export Tool. Setelah semua data dikonversi, perlu dilakukan penyesuaian struktur syntax SQL yang sesuai dengan standar SQL MonetDB. Oleh karena itu, dilakukan pengeditan agar MonetDB dapat memuat SQL tersebut. Cara manual unuk mengkonversi data spasial (shapefile) ke dalam bentuk *.sql dapat menggunakan program shp2pgsql dengan mengetik syntax ke dalam CMD seperti dibawah ini : Format : shp2pgsql [option] [shapefile] [schema.table_name] > [file_name *.sql] Contoh : E:\shp2pgsql > "shp2mysql nyc_streets nyc_streets nyc_streets > nyc_streets.sql" Tahap selanjutnya adalah membuat database baru pada MonetDB yang dimulai dengan membuat database kosong yang baru. MonetDB menggunakan Command Prompt (CMD) sebagai program antarmuka. Dalam menggunakan MonetDB, kita harus terlebih dahulu mengaktifkan server MonetDB. Pengaktifan server dilakukan dengan menggunakan CMD. Pada CMD, directory yang akan digunakan ke folder directory „bin‟ diubah seperti berikut:
11 C:\Program Files\MonetDB\MonetDB5\bin Dilanjutkan dengan mengetikkan syntax seperti berikut: mserver5 –-dbname=web -- dbfarm=C:\web Syntax –-dbname adalah syntax yang digunakan untuk membuat database baru atau menjalankan database yang telah dibuat. Jika kita sudah mengetikkan itu, server sudah aktif dan database baru telah kita buat. Syntax -- dbfarm merupakan syntax yang digunakan untuk membuat folder directory penyimpanan data ke database dalam MonetDB dan juga digunakan untuk memuat directory yang telah kita buat sebelumnya. Setelah server aktif, kita baru dapat menjalankan client MonetDB. Cara menjalankan client sama seperti menjalankan server. Perbedaannya hanya syntax yang kita ketik seperti berikut: mclient –u monetdb –d web Syntax –u adalah nama pengguna dan dijalankan oleh server.
–d adalah database yang telah
Tahap yang berikutnya adalah memasukkan semua data SQL ke dalam MonetDB. Jadi ada lima data yang akan dimasukkan, empat data hasil konversi menggunakan shp2pgsql. Cara memasukkan data tersebut dengan mengeksekusi perintah ini pada CommandPrompt MonetDB pada client MonetDB: \
12 spasial sederhana dan kompleks. Dua field geometri dari dua tabel berbeda diakses secara bersamaan untuk query spasial kompleks. Hanya data spasial yang dapat ditampilkan melalui OpenJUMP karena data spasial terdiri atas barisan geometri yang dibaca oleh OpenJUMP. Query spasial sederhana : SELECT * FROM nyc_neighborhoods WHERE boroname = „Queens‟; (Menampilkan geometri wilayah di dalam data nyc_neighborhoods yang memiliki boroname sebagai Quens). Hasil dari query di atas dapat dilihat pada gambar 8. Query spasial sederhana menggunakan AND : SELECT * FROM nyc_census_blocks WHERE popn_white <=100 and boroname = „The Bronx‟; (Menampilkan geometri wilayah di dalam data nyc_census_blocks yang memiliki populasi penduduk putih dibawah atau sama dengan 100 dan boronamenya adalah „The Bronx‟). Hasil dari query di atas dapat dilihat pada gambar 9. Query spasial sederhana menggunakan LIKE : SELECT * FROM nyc_streets WHERE name LIKE „%W%‟; (Menampilkan semua dari nyc_streets yang memiliki nama yang mengandung huruf W) Hasil dari query di atas dapat dilihat pada gambar 10. Query spasial kompleks menggunakan JOIN dan Constains : SELECT * FROM nyc_subway_stations AS s JOIN nyc_neighborhoods AS n ON Contains(n.shape, s.shape) WHERE n.name = 'Little Italy'; (Menampilkan titik Little Italy dari nyc_neighborhoods yang sama di titik nyc_subway_stations). Hasil dari query di atas dapat dilihat pada gambar 11. Query spasial kompleks menggunakan JOIN dan Intersect : SELECT *FROM nyc_census_blocks AS c JOIN nyc_neighborhoods AS n ON "Intersect"(c.shape, n.shape) WHERE n.name = 'Upper West Side' OR n.name = 'Upper East Side'; (Menampilkan geometri yang saling berpotongan dengan nama Upper West Side atau Upper East Side ). Hasil dari query di atas dapat dilihat pada gambar 12. Query spasial kompleks menggunakan JOIN dan Intersect : SELECT * FROM nyc_neighborhoods AS n
13 JOIN nyc_census_blocks AS s ON "Intersect"(n.shape, s.shape) WHERE n.name = 'Battery Park'; Hasil dari query di atas dapat dilihat pada gambar 13.
Gambar 8 Hasil query sederhana
Gambar 9 Hasil query sederhana menggunakan AND
14
Gambar 10 Hasil query sederhana menggunakan LIKE
Gambar 11 Hasil query kompleks menggunakan JOIN dan contains
15
Gambar 12 Hasil query kompleks menggunakan JOIN dan intersect
Gambar 13 Hasil query kompleks menggunakan JOIN dan intersect2
:
16 Tabel 2 Hasil runtime query Query gambar Hasil query sederhana Hasil query sederhana menggunakan baris operasional dan AND Hasil query sederhana menggunakan LIKE Hasil query kompleks menggunakan JOIN dan contains Hasil query kompleks menggunakan JOIN dan intersect Hasil query kompleks menggunakan JOIN dan intersect 2
Hasil percobaan(detik) 00.00.01, 00.00.01 , 00.00.01 00.00.01, 00.00.01, 00.00.01
Rata - rata 00.00.01 00.00.01
00.00.01, 00.00.01, 00.00.01
00.00.01
00.05.38, 00.04.20, 00.24-08
00.10.32
01.28.31, 01.20.45, 01.30.09
01.25.35
00.22.23, 00.18.32, 00.20.14
00.20, 40
17
SIMPULAN DAN SARAN Simpulan Simpulan dari penelitian ini adalah: 1. Data spasial MonetDB dapat dilakukan di dalam open source yaitu OpenJUMP menggunakan JDBC. 2. Query spasial yang dimasukkan ke dalam OpenJUMP dapat di visualisasikan menjadi bentuk gambar. Saran Saran untuk penelitian selanjutnya adalah: 1. Dilakukan pengembangan model data MonetDB sehingga proses pengambilan dan visualisasi data menjadi stabil.
18
DAFTAR PUSTAKA Chang KT. 2008. Introduction to Geographic Information New York: McGraw-Hill.
Systems.Ed
ke-4.
Findthebest. 2012. Unbiased, Data-driven Comparisons [internet]. http://databasemanagement-system.findthebest.com [27 Des 2012]. Juniard AP. 2013. Perbandingan Fungsionalitas dan Kinerja Spatial DBMS PostfreSQL dan MonetDB, Direktorat Kemahasiswaan, Institut Pertanian Bogor [skripsi]. Bogor (ID): Fakultas Matimatika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Mehta DP, Sahni S. 2005. Handbook of Data Structures and Applications. New York: Chapman & Hall/CRC. MonetDB. 2013. Colukmn Store Features [internet]. http://www.MonetDB.org [12 Des 2013]. OpenJUMP. 2013, Open Jump [internet]. http://OpenJUMP.org [25 Sep 2013]. Pallet Dennis. 2013. Open Jump Data http://www.dennis.pallett.nl [12 Des 2013].
Store
Plugin
[intenet].
Vermeij M, Quak W, Kersten M, Nes N.2008. MonetDB, a novel spatial column- store DBMS. Di dalam: Proceedings of Free and Open Source Software for Geospatial (FOSS4G) Conference; Vancouver, 2008. hlm 193199.
19
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 25 Desember 1990. Penulis merupakan anak ketiga dari pasangan Riyono dan Krisnaningtyas. Pada Tahun 2008, penulis menamatkan pendidikan di SMA Negeri 3 Bogor. Pada tahun yang sama, penulis diterima menjadi mahasiswa di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB. Penulis menjadi mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam. Pada bulan Juli-Agustus 2011 penulis melaksanakan kegiatan Praktik Kerja Lapangan di PT. Oil Clinic Pertamina sebagai sistem analis . Selama aktif sebagai mahasiswa, penulis pun turut aktif dalam kegiatan kepanitian di Departemen Ilmu Komputer, yaitu menjadi anggota kepengurusan (Masa Perkenalan Departemen ) MPD (2010) dan menjadi ketua dalam Ilkomers Sports Championship (ISC) (2011).
