8
Palo Server 1.0c (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan data kubus data multidimensi) Palo Excel Add-In 1.0c (tempat pembuatan/pemodelan struktur kubus data dan proses pemuatan data dari data warehouse ke kubus data) Web Server Apache 2.0.52 Bahasa pemrograman PHP 5.1.6 ADOdb 4.68 library for PHP (digunakan dalam tahapan data preprocessing dan menghubungkan basis data MsSQL dan ODBC Foxpro dengan modul program) JpGraph 1.20 (library menghasilkan grafik)
PHP
untuk
Maguma Studio Free 1.3.3 (IDE PHP) Web browser Mozilla Firefox 2.0 dan Microsoft Internet Explorer 6.
HASIL DAN PEMBAHASAN Analisis Data Dari data sumber diperoleh 14 tabel dengan format Foxpro (.dbf) dan 5 tabel dengan format Excel (.xls). Analisis dilakukan terhadap data sumber tersebut untuk mendapatkan atribut-atribut yang tepat untuk data warehouse. Daftar file data sumber ada pada Lampiran 1. Pada studi kasus data pelamar PPMB, semua tuple dan atribut dalam tabel data pelamar terpilih telah tercakup dalam tabel
Asal PK
data pelamar, sehingga tabel data pelamar terpilih (terpilih00, terpilih01, terpilih02, terpilih03, dan terpilih04) tidak diikutsertakan dalam tabel fakta. Tabel data jumlah pelamar yang datang (dataptd2) dibuang karena sama dengan data pelamar yang sudah diagregasi. Tabel data pelamar yang dipanggil tahun 2005 (sla05ipb) juga dibuang karena datanya tidak lengkap, data yang tersedia hanya untuk tahun 2005. Pemilihan atribut diprioritaskan berdasarkan ketentuan-ketentuan, yaitu: 1. Atribut menarik untuk dianalisis, 2. Atribut berkaitan dengan atribut atau tabel data yang lain, 3. Kombinasi nilai yang mungkin muncul tidak didominasi oleh satu nilai dan tidak terlalu banyak nilai bedanya, 4. Nilai null tidak melebihi 10%, dan 5. Pertimbangan kinerja mengurangi atribut.
sistem
dengan
Dari atribut-atribut yang dipilih kemudian ditentukan atribut-atribut yang dapat dijadikan ukuran dan dimensi. Hasil analisis data ditentukan empat fakta dalam dua tabel fakta dan sepuluh dimensi. Fakta terdiri dari ukuran jumlah pelamar USMI (dalam tabel fakta Pelamar), rataan pendapatan ayah, rataan IPK TPB, dan jumlah mahasiswa (dalam tabel fakta Mahasiswa). Selanjutnya dibuat skema model data multidimensi data warehouse. Skema data warehouse yang dibangun dapat dilihat pada Gambar 6.
Waktu
id_asal
PK
propinsi pulau
id_waktu
Jalur PK
tahun_masuk Pelamar
Mahasiswa
id_jalur jalur
Listrik PK
id_listrik listrik
BiayaHidup PK
id_biaya biaya_hidup
FK1 FK2 FK3 FK4 FK5 FK6 FK7 FK8 FK9
id_waktu id_asal id_kel studi_pilihan1 studi_pilihan2 studi_putusan id_listrik id_biaya id_kategori jumlah_pelamar_usmi
JenisKelamin PK
id_kel lelaki_perempuan
FK1 FK2 FK3 FK4 FK5 FK6 FK7
id_waktu id_jalur id_kel pendidikan_ayah pendidikan_ibu id_pek id_studi rataan_pendapatan_ayah rataan_ipk_tpb jumlah_mhs
Studi PK
id_studi
KategoriSLA PK
id_kategori kategori_sla
program_studi departemen fakultas
Gambar 6 Skema galaksi data warehouse pelamar dan mahasiswa
Pendidikan PK
id_pend pendidikan
PekerjaanAyah PK
id_pek pekerjaan_ayah
9
Integrasi dan Reduksi Data Integrasi data dilakukan bersamaan dengan reduksi data. Integrasi dan reduksi data ini dilakukan pada awal proses data preprocessing untuk menyamakan format basis data dan menyusutkan volume sehingga memudahkan proses-proses selanjutnya. Data diproses menjadi dua bagian besar yaitu data untuk tabel fakta Pelamar dan tabel fakta Mahasiswa. Integrasi diawali dengan konversi seluruh data sumber (.dbf dan .xls) menjadi satu basis data dengan format Microsoft SQL Server (.mdf). Integrasi selanjutnya menggabungkan tabel-tabel menjadi satu tabel besar untuk dijadikan tabel fakta. Tabel-tabel yang akan digabungkan diidentifikasi nama atribut dan tipe datanya, kemudian dibuatkan tabel baru dengan nama atribut sesuai dengan hasil identifikasi. Penggabungan itu adalah menggabungkan tabel data pelamar (cal00ipb, cal01ipb, cal02ipb, cal03ipb, dan cal04ipb) dengan tabel data penilaian asal SMA (perak2). Penggabungan yang kedua adalah menggabungkan tabel data mahasiswa (pl_ilkom) dengan data IPK TPB mahasiswa (ipk00, ipk01, ipk02, ipk03, ipk04). Reduksi data dilakukan dengan membuang atribut-atribut yang tidak terpilih berdasarkan hasil analisis data. Nilai-nilai atribut yang redundan dalam tabel-tabel sumber tidak disertakan dalam proses selanjutnya (dibuang). Proses integrasi dan reduksi data membentuk tabel baru. Tabel tersebut adalah tabel pre_pelamar yang terdiri dari sepuluh atribut dan 44224 tuple. Tabel baru yang kedua adalah tabel pre_mahasiswa yang terdiri dari sembilan atribut dan 14055 tuple. Nama dan deskripsi atribut dari tabel-tabel tersebut dapat dilihat pada Tabel 1 dan Tabel 2. Tabel 1
Nama dan deskripsi atribut tabel pre_pelamar hasil integrasi dan reduksi
Nama Atribut tahunmasuk nosla nrp jeniskel pilihan1
Deskripsi Tahun calon mahasiswa melamar Nomor kode asal SMU pelamar NRP pelamar yang diterima Kode jenis kelamin Kode program studi pilihan pertama
Nama Atribut pilihan2 putusan1 listrik biayahidup kategori
Tabel 2
Nama dan deskripsi atribut tabel pre_mahasiswa hasil integrasi dan reduksi
Nama Atribut tahunmasuk jalur jeniskel pendayah pendibu pekerjayah nrp pendapatan IPK
Deskripsi Kode program studi pilihan kedua Kode program studi pelamar yang diterima Kode daya listrik rumah orangtua/wali Perkiraan biaya hidup bulanan yang akan diperoleh pelamar Kategori penilaian IPB terhadap asal SMU pelamar
Deskripsi Tahun mahasiswa masuk IPB Kode jalur masuk mahasiswa Kode jenis kelamin Kode pendidikan terakhir ayah Kode pendidikan terakhir ibu Kode pekerjaan ayah NRP mahasiswa Pendapatan ayah bulanan saat mahasiswa masuk IPK TPB mahasiswa
Pembersihan Data Pada proses pembersihan data dilakukan identifikasi terhadap data yang kosong (null), mengandung noise, dan tidak konsisten karena proses pengentrian data sumber maupun akibat proses integrasi data. Noise pada atribut pendapatan di tabel pre_mahasiswa di-update dengan nilai pendapatan rata-rata orangtua berdasarkan kelas pekerjaan ayah. Sedangkan nilai kosong dan noise pada atribut IPK di-update menjadi nilai rata-rata IPK dari seluruh mahasiswa. Pada proses pembersihan juga diselingi proses transformasi untuk membersihkan data yang tidak konsisten. Transformasi yang banyak terjadi di tabel pre_pelamar dan pre_mahasiswa adalah transformasi kode program studi lama menjadi kode program studi baru. Setelah proses pembersihan, tabel pre_mahasiswa berkurang lima tuple karena adanya penghapusan tuple menjadi 14045 tuple. Sedangkan pada tabel pre_pelamar tetap 44224 tuple. Rincian proses pembersihan data ada pada Lampiran 2.
10
Transformasi Data Tranformasi data ke bentuk yang tepat dengan berpedoman pada skema data warehouse yang telah dibuat. Proses transformasi ini meliputi penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut/dimensi. Atribut-atribut dari tabel hasil pembersihan diubah namanya sesuai dengan nama-nama yang ada di skema. Data untuk atribut kode asal SMU pelamar (nosla) dari tabel pre_pelamar digeneralisasi dengan mengubah nilainya menjadi kode asal dengan mengambil dua digit awal dari nosla yang merepresentasikan asal propinsi pelamar. Atribut nrp dihilangkan karena mendeskripsikan hal yang sama dengan atribut putusan1, keduanya secara tidak langsung menjelaskan program studi bagi pelamar yang diterima. Data untuk atribut nomor mahasiswa (nrp) tabel pre_mahasiswa digeneralisasi menjadi kode program studi dengan mengambil empat digit awal dari nrp. Data untuk atribut pendapatan dibulatkan ke ribuan. Hasil transformasi ini dimasukkan ke dalam tabel baru, tabel pre_pelamar menjadi tabel pre2_pelamar dan tabel pre_mahasiswa menjadi tabel pre2_mahasiswa. Langkah selanjutnya adalah menentukan nilai agregasi atribut-atribut yang menjadi ukuran. Data tabel pre2_pelamar ditentukan nilai agregasinya untuk mendapatkan ukuran jumlah pelamar dengan cara menghitung jumlah pelamar dikelompokkan berdasarkan atribut-atribut yang ada. Atribut baru dikonstruksi untuk menampung ukuran jumlah pelamar hasil agregasi. Begitu juga data tabel pre2_mahasiswa ditentukan nilai agregasinya untuk mendapatkan ukuran rataan pendapatan ayah, rataan IPK TPB, dan jumlah mahasiswa. OLAP server Palo belum mendukung fungsi agregasi rataan. Oleh sebab itu nilai agregasi rataan ditentukan dengan menentukan nilai total dari ukuran, kemudian aplikasi membaginya dengan ukuran jumlah, hasilnya adalah rataan dari ukuran tersebut. Untuk data atribut pendapatan dan IPK dari tabel Tabel 3
pre2_mahasiswa ditentukan nilai totalnya dan dihitung ukuran jumlah mahasiswa, dikelompokkan berdasarkan atribut-atribut non-ukuran. Atribut baru dikonstruksi untuk ukuran jumlah mahasiswa. Hasil dari transformasi dengan operasi agregasi ini dipindahkan ke tabel baru yang merupakan tabel fakta data warehouse sesungguhnya. Tabel-tabel baru tersebut adalah tabel dw_pelamar yang terdiri dari sembilan atribut dimensi dan satu atribut ukuran, dan dw_mahasiswa yang terdiri dari tujuh atribut dimensi dan tiga atribut ukuran. Tahapan pemrosesan data yang terakhir adalah transformasi dengan mengkonstruksi tabel-tabel dimensi. Kesepuluh tabel dimensi itu dibuat dengan nama dw_asal, dw_listrik, dw_biayahidup, dw_kategorisla, dw_waktu, dw_jeniskelamin, dw_studi, dw_jalur, dw_pendidikan, dan dw_pekerjaanayah. Tabel dimensi Asal (dw_asal) dibuat dari generalisasi kode asal SMU, dua digit awal kode asal SMU menjelaskan asal propinsi dan digit pertama menjelaskan asal pulau. Tabel dimensi Studi (dw_studi) dibuat dari generalisasi kode NRP atau dari kode program studi, di dalamnya menjelaskan program studi, departemen, dan fakultas dari mahasiswa bersangkutan. Data dalam tabel dimensi data warehouse dapat dilihat pada Lampiran 3. Pemuatan Data Setelah data warehouse selesai dibuat, langkah selanjutnya adalah pemuatan data (loading) dari data warehouse ke kubus data OLAP server. Sebelum pemuatan data dilakukan, skema data warehouse dimodelkan dalam OLAP server Palo, proses ini menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran, dan kubus data. Kubus data yang dibuat diberi nama Pelamar untuk tabel fakta dw_pelamar dan Mahasiswa untuk tabel fakta dw_mahasiswa. Ukuran pada struktur Palo dimasukkan dalam struktur dimensi. Selanjutnya data dimuat menggunakan fasilitas Data Import dari Excel Add-In Palo. Nama dan deskripsi dimensi dari kubus data dapat dilihat pada Tabel 3 dan Tabel 4 (halaman 11).
Nama dan deskripsi dimensi dari kubus data Pelamar
Nama Dimensi Waktu Asal Jenis Kelamin Studi Pilihan1
Deskripsi Tahun melamar USMI (2000, 2001, 2002, 2003, dan 2004) Asal propinsi dan pulau pelamar (Jawa Barat, DKI Jakarta, Sumatera, dsb.) Keterangan jenis kelamin pelamar (Perempuan dan Lelaki) Program studi, departemen, dan fakultas pilihan pertama pelamar
11
Nama Dimensi Studi Pilihan2 Studi Putusan Listrik Biaya Hidup Kategori SLA Ukuran Pelamar Tabel 4
Deskripsi Program studi, departemen, dan fakultas pilihan kedua pelamar Program studi, departemen, dan fakultas pelamar yang diterima Keterangan daya listrik rumah orangtua/wali (450 Watt, 900 Watt, dsb.) Keterangan perkiraan biaya hidup bulanan (< 100 Ribu, 100 – 200 Ribu, dsb.) Kategori asal SMU pelamar (A+, A, A-, B+, dsb.) Berisi nama-nama ukuran (Jumlah Pelamar USMI)
Nama dan deskripsi dimensi dari kubus data Mahasiswa
Nama Dimensi Waktu Jalur Jenis Kelamin Pendidikan Ayah Pendidikan Ibu Pekerjaan Ayah Program Studi Ukuran Mahasiswa
Deskripsi Tahun masuk mahasiswa (2000, 2001, 2002, 2003, dan 2004) Jalur masuk mahasiswa (USMI, UMPTN, dsb.) Keterangan jenis kelamin mahasiswa (Perempuan dan Lelaki) Keterangan pendidikan terakhir ayah Keterangan pendidikan terakhir ibu Keterangan jenis pekerjaan ayah (PNS, Wiraswasta, dsb.) Program studi, departemen, dan fakultas mahasiswa Berisi nama-nama ukuran (Rataan Pendapatan Ayah, Rataan IPK TPB, dan Jumlah Mahasiswa)
Data Sumber ADOdb XLS
MsSQL Server
JpGraph Apache PHP web server
Laptop
Data Preprocessing DBF
Line Plot Presentasi OLAP tool
DBF Palo API
Data Warehouse
Grafik Analisa
Workstation DBF
Palo Excel Add-In Palo OLAP server Lapis bawah: Data Warehouse DBMS
Lapis tengah: Web server OLAP server
Crosstab Lapis atas: Web browser
Gambar 7 Arsitektur data warehousing dan aplikasi OLAP Gambaran Umum Aplikasi Arsitektur penelitian ini mengadopsi arsitektur three-tier. Pada lapisan bawah adalah pemrosesan data dan pembuatan skema data warehouse dengan DBMS Microsoft SQL Server 2000. Pembentukan dan pemuatan kubus data menggunakan Palo Excel Add-In. Di lapisan tengah aplikasi OLAP yang dibuat dengan bahasa pemrograman PHP berjalan pada web server Apache. Pada lapisan ini terdapat OLAP server Palo yang menyimpan data dalam kubus data. Web server mengakses kubus data Palo server melalui Palo PHP API. Modul program untuk membantu pemrosesan data dan pembentukan kubus data menggunakan library ADOdb
sebagai jembatan ke basis data. Aplikasi OLAP menggunakan library JpGraph untuk membangkitkan grafik. Di lapisan atas visualisasi dari aplikasi OLAP dilakukan oleh web browser. Di lapisan ini pengguna dapat melakukan pencarian data, mengevaluasi pola, dan mendapatkan representasi informasi dalam bentuk yang mudah dipahami yaitu crosstab dan grafik. Arsitektur three-tier data warehousing penelitian ini dapat dilihat pada Gambar 7. Aplikasi OLAP menyediakan fasilitasfasilitas berikut : 1. Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan
12
dimensi-dimensi yang akan ditampilkan untuk dianalisis. 2. Filter dimensi, fungsi ini dapat menyaring dimensi yang ditampilkan pada x-axis dan y-axis untuk menampilkan elemen-elemen tertentu dari dimensi. Dimensi lainnya dapat dipilih satu elemen dari tiap-tiap dimensi. 3. Visualisasi Crosstab dan Graph, dimana data hasil operasi OLAP yang dilakukan pengguna dapat ditampilkan ke dalam bentuk tabel (crosstab) dan/atau grafik. Grafik yang ditampilkan berupa bar plot atau line plot. 4. Disain cetakan, dengan fitur ini aplikasi membuang tampilan yang tidak perlu pada hasil cetakan. Aplikasi hanya mencetak judul, crosstab dan/atau grafik, sedangkan menu OLAP tidak ikut tercetak. Hasil visualisasi dapat dicetak melalui fasilitas Print pada web browser. Tampilan aplikasi OLAP dapat dilihat pada Gambar 8. Kelebihan dan Kekurangan Sistem Aplikasi OLAP yang dibangun memiliki beberapa kelebihan, yaitu: 1. Aplikasi OLAP berbasis web, dapat diterapkan dalam internet atau intranet. Teknologi web ini mengeliminasi kebutuhan akan instalasi paket perangkat lunak pada komputer pengguna.
Gambar 8 Contoh tampilan aplikasi OLAP
2. Aplikasi OLAP dilengkapi dengan versi portable. Versi portable ini ditujukan untuk komputer stand-alone dan dijalankan dalam media hard-disk atau flash-disk sehingga tidak memerlukan instalasi dan konfigurasi web server dan OLAP server. Pada versi ini, web server Apache dan OLAP server Palo dijalankan sebagai console bukan sebagai service. Aplikasi portable sukses berjalan dalam sistem operasi Windows XP, namun belum diuji pada sistem operasi lain. 3. Aplikasi yang dibangun dan perangkat lunak bantu yang digunakan berbasis open source dan freeware, sehingga memudahkan pengembangan aplikasi selanjutnya. 4. Aplikasi OLAP dirancang agar dapat digunakan untuk bermacam data warehouse, bukan hanya data warehouse data PPMB IPB. Untuk menggunakan data warehouse lain, beberapa file konfigurasi harus dikonfigurasi ulang. Terdapat beberapa kekurangan utama pada aplikasi, yaitu: 1. Tidak ada fasilitas untuk memodelkan struktur kubus data dan memuat data baru ke dalam kubus data. 2. Crosstab hanya dapat menampilkan satu dimensi untuk setiap axis-nya.
13
3. Tidak ada fungsi untuk melakukan operasi pivot. Saat ini untuk melakukan operasi pivot pengguna harus menukarkan axis dimensi dan menentukan kembali elemenelemennya. 4. Saat ini visualisasi grafik hanya menampilkan tipe bar plot dan line plot. Tidak ada tipe grafik pie dan lainnya. Presentasi Hasil Eksplorasi data dilakukan peneliti melalui aplikasi OLAP untuk menghasilkan beberapa informasi. Sebagai contoh untuk mencari pola sebaran pilihan fakultas pelamar jalur USMI berdasarkan asal pulau. Pada Lampiran 4, hasil grafik menunjukkan urutan mayoritas sebaran studi pilihan pertama pelamar dari keseluruhan asal pulau adalah fakultas FAPERTA, FMIPA, dan FATETA. Pola yang sama ditunjukkan pada Lampiran 5, untuk asal pulau dari Sumatera dan Jawa. Sedangkan presentasi grafik dengan asal pulau lainnya menunjukkan pola yang berbeda, dapat dilihat pada Lampiran 6. Untuk asal pulau Nusa Tenggara mayoritas pilihannya adalah FMIPA, FAPERTA, dan FPIK. Untuk pulau Kalimantan adalah FAPERTA, FATETA, dan FMIPA. Untuk pulau Sulawesi adalah
FAPERTA, FATETA, FMIPA, dan FPIK. Untuk pulau Irian mayoritas pilihan fakultas adalah FMIPA dan FAPERTA. Sedangkan untuk luar negeri lebih banyak memilih fakultas FMIPA. Tampilan crosstab untuk dimensi Asal tingkat Pulau dan dimensi Studi Pilihan1 tingkat Fakultas pada Lampiran 7. Dari hasil eksplorasi data sebelumnya yang menghasilkan fakultas pilihan mayoritas (FAPERTA, FMIPA, dan FATETA), analisis dilakukan lebih lanjut untuk melihat tren pilihan fakultas tiap tahun. Hasil presentasi tren pilihan tersebut dapat dilihat pada Gambar 9 dalam bentuk crosstab, dan Gambar 10 dalam bentuk grafik.
Gambar 9 Crosstab ukuran Jumlah Pelamar USMI, dimensi Studi Pilihan1 untuk Fakultas FAPERTA, FATETA, dan FMIPA, dan dimensi Waktu tingkat Tahun Masuk
Gambar 10 Grafik ukuran Jumlah Pelamar USMI, dimensi Studi Pilihan1 untuk fakultas FAPERTA, FATETA, dan FMIPA, dan dimensi Waktu tingkat Tahun Masuk
14
Dilihat dari dimensi Waktu, pada tahun 2000, fakultas FMIPA dipilih oleh 1800 pelamar, hampir sama dengan FATETA dengan 1777 pelamar, sedangkan FAPERTA jauh di atas dengan 2714 siswa/siswi SMU memilihnya. Pada tahun setelah 2000 pilihan pelamar terhadap FAPERTA cenderung menurun, sedangkan FMIPA meningkat, dan FATETA cenderung stabil. Di tahun 2003 FMIPA mengalahkan FAPERTA sebagai fakultas dengan pemilih terbanyak. Pada tahun 2004 fakultas FMIPA masih menjadi fakultas pilihan terbanyak di IPB dengan 2261 pelamar, sementara FAPERTA 2129 pelamar dan FATETA 1639 pelamar. Eksplorasi data melalui aplikasi OLAP lainnya adalah menganalisis tren perkembangan indeks prestasi mahasiswa di TPB dari program studi-program studi yang bersaing dengan program studi Ilmu Komputer. Untuk mencari program studi yang bersaing dengan Ilmu Komputer, data rataan IPK TPB setiap program studi disortir. Sepuluh program studi dengan rataan IPK mahasiswa TPB terbesar tahun masuk 2000 sampai 2004 dapat dilihat pada Gambar 11.
Gambar 11 Crosstab sepuluh program studi dengan rataan IPK TPB terbesar Program studi Ilmu Komputer di urutan 6 dan 7 sama dengan Matematika dengan rataan IPK 2,79. Bersaing dengan Teknologi Industri Pertanian di urutan 4 (2,97), Gizi Masyarakat ke-5 (2,81), Teknik Pertanian ke-8 (2,78), Program studi Hasil Perikanan dan Biokimia
di urutan 9 dan 10 dengan rataan IPK TPB sama (2,77). Mahasiswa Ilmu Komputer tahun masuk 2000 memiliki rataan IPK TPB dengan peringkat 5 besar (2,80) namun tahun masuk 2004 turun satu peringkat ke urutan 6 (2,84). Hal ini bukan disebabkan merosotnya rataan IPK pada tahun tersebut tetapi karena program studi Gizi Masyarakat berhasil mengangkat rataan indeks prestasinya menjadi 2,86 dan melewati rataan IPK Ilmu Komputer. Grafik garis tren rataan IPK TPB sepuluh program studi terbesar tahun masuk 2000 sampai 2004 ditunjukkan dalam Lampiran 8. Tren perkembangan indeks prestasi TPB program studi Ilmu Komputer menurun pada mahasiswa tahun masuk 2003, hal ini menjadi bahan pencarian informasi selanjutnya. Tren tersebut dapat dilihat dalam grafik pada Gambar 12 (halaman 15). Pada tahun masuk 2001 IPK TPB rata-rata mahasiswa Ilmu Komputer adalah 2,80, pada 2001 IPK 2,82, pada 2002 IPK 2,81, pada 2003 menurun drastis menjadi 2,67, pada 2004 naik kembali ke IPK 2,84. Peneliti selanjutnya mencari lebih jauh faktor apa yang mempengaruhi penurunan IPK tersebut dengan mengevaluasi dimensi Jalur dan Jenis Kelamin. Dengan pilihan dimensi Program Studi elemen Ilmu Komputer, elemen-elemen dimensi Waktu, dan elemen-elemen dimensi Jalur, didapat hasil rataan IPK mahasiswa TPB Ilmu Komputer tahun masuk 2003 jalur USMI adalah 2,81, sedangkan jalur UMPTN/SPMB adalah 2,45. Hasil tersebut dapat dilihat dalam crosstab pada Gambar 13 (halaman 15), dan dalam grafik pada Lampiran 9. Karena IPK yang kecil ada pada mahasiswa jalur UMPTN/SMPB, selanjutnya dipilih dimensi Jalur elemen UMPTN/SPMB dengan tambahan elemen-elemen jenis kelamin. Hasil pilihan tersebut sebagai berikut: rataan IPK TPB mahasiswa Ilmu Komputer tahun masuk 2003 jalur UMPTN/SPMB jenis kelamin perempuan adalah IPK 2,96, sedangkan IPK TPB lelakinya 2,35. Rataan IPK tersebut dapat dilihat dalam crosstab pada Gambar 14 (halaman 15), dan grafik pada Lampiran 10.
15
Gambar 12 Grafik ukuran Rataan IPK TPB, dimensi Program Studi untuk Ilmu Komputer, dan dimensi Waktu tingkat Tahun Masuk
KESIMPULAN DAN SARAN Kesimpulan
Gambar 13 Crosstab ukuran Rataan IPK TPB, dimensi Jalur untuk USMI dan UMPTN/SPMB, dimensi Waktu tingkat Tahun Masuk, dan dimensi Program Studi untuk Ilmu Komputer
Penelitian ini menghasilkan data warehouse data PPMB yang terdiri dari dua kubus data. Kubus data yang pertama adalah Pelamar, berisi nilai-nilai agregasi siswa/siswi SMU yang melamar ke IPB melalui jalur USMI. Kubus data yang kedua adalah Mahasiswa, berisi nilai-nilai agregasi mahasiswa IPB. Aplikasi OLAP mengakses data dari OLAP server Palo. Data tersebut tersimpan dalam kubus data sehingga pengguna dapat menganalisis data multidimensional dan mendapatkan informasi dengan cepat untuk membantu proses pengambilan keputusan.
Gambar 14 Crosstab ukuran Rataan IPK TPB, dimensi Jenis Kelamin untuk Perempuan dan Lelaki, dimensi Waktu tingkat Tahun Masuk, dimensi Program Studi untuk Ilmu Komputer, dan dimensi Jalur untuk UMPTN/SPMB
Aplikasi OLAP yang dibangun dapat digunakan untuk operasi-operasi OLAP seperti roll-up, drill-down, slice, dice, dan pivot. Aplikasi ini menyediakan fasilitas menu untuk memilih kubus data, ukuran, dan dimensi dari data warehouse data PPMB. Dimensi yang dipilih dapat disaring untuk menentukan elemen-elemen yang diinginkan. Hasil operasi OLAP divisualisasikan dalam bentuk crosstab dan grafik yang dinamis.
