6
• Web browser Mozilla Firefox 2.0 dan Internet Explorer 7 HASIL DAN PEMBAHASAN Analisis Data Data hotspot yang digunakan adalah data dari tahun 2000 sampai dengan tahun 2004. Hal ini disebabkan data hotspot sebelum tahun 2000 mempunyai perbedaan dalam batas-batas wilayah. Data sumber (.xls) berisi kolom koordinat, tanggal, pulau, propinsi, kabupaten, kecamatan, nama HPH (Hak Pengusahaan Hutan), jenis tanah dan lainnya Dari data sumber dengan format (.xls) diambil beberapa atribut yaitu tanggal, pulau, propinsi, dan kabupaten. Pada awalnya atribut kecamatan dipilih tetapi karena keterbatasan perangkat lunak OLAP Server Palo maka atribut kecamatan tidak dimasukkan sebagai atribut terpilih. Atribut tersebut dipilih karena beberapa alasan antara lain : 1 Atribut tersebut menarik untuk dianalisis dan sesuai dengan tujuan dari pembuatan data warehouse persebaran hotspot, 2 Nilai null tidak melebihi 10%, dan 3 Atribut berkaitan satu dengan yang lain. Berdasarkan atribut-atribut yang dipilih kemudian ditentukan fakta dan dimensi. Dari hasil analisis didapatkan 1 tabel fakta dan 2 tabel dimensi. Tabel fakta yaitu jumlah hotspot dan tabel dimensi yaitu waktu dan lokasi. Skema data warehouse yang digunakan adalah skema bintang (star scheme) yang dapat dilihat pada Gambar 5.
Gambar 5 Skema bintang data warehouse persebaran data hotspot. Praproses data Tahap awal dalam praproses dari data hotspot yaitu penggabungan dan reduksi data. Penggabungan dilakukan karena data hotspot terpisah setiap tahunnya, masing-masing satu file Excel (.xls). Proses reduksi data dibutuhkan karena jumlah data yang cukup besar.
Penggabungan data dilakukan dengan cara meng-import data sumber (.xls) ke DBMS SQL Server 2000 dengan menggunakan tools import. Hasil penggabungan adalah tabel titikPanas yang berisi field Tanggal, Pulau, Propinsi, Kabupaten. Struktur tabel titikPanas dapat dilihat pada Tabel 1. Tabel 1 Struktur tabel titikPanas Field
Data Type
Tanggal
Smalldatetime(4)
Pulau
Varchar(12)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Proses reduksi data dilakukan dengan tujuan yaitu pengurangan jumlah records. Data sumber (.xls) hanya mencatat tanggal dan wilayah hotspot sehingga jumlah hotspot perlu ditentukan. Penjumlahan hotspot dilakukan dengan membuat modul yaitu sum.php dan sumHotspotKab.php. File sum.php digunakan untuk menjumlahkan hotspot pada tingkat kecamatan dan harian. Hasil penjumlahan disimpan di dalam tabel baru yaitu tabel hotspot. Penjumlahan hotspot pada tingkat kecamatan menghasilkan banyak cell pada crosstab sehingga pada saat penampilan data menghasilkan nilai null di beberapa cell. Oleh karena itu jumlah hotspot harian pada tingkat kecamatan diganti dengan tingkat kabupaten dan bulanan. Namun demikian untuk mendapatkan jumlah hotspot pada tingkat kabupaten dan bulanan terlebih dahulu didapatkan dari penjumlahan tingkat harian dan kecamatan. Penjumlahan hotspot pada tingkat kabupaten dilakukan setelah proses pembersihan data pada tabel hotspot. Pembersihan data akan dibahas pada subbab selanjutnya. Tabel hotspot yang telah dibersihkan dipindahkan ke dalam tabel baru yaitu hotspotNew.Struktur tabel hotspotNew dapat dilihat pada tabel 2. Penjumlahan hotspot pada tingkat kabupaten dilakukan dari tabel hotspotNew. File sumHotspotKab.php menjumlahkan hotspot pada tingkat kabupaten dan bulanan lalu hasilnya disimpan dalam tabel baru yaitu hotspotBulan. Struktur tabel hotspotBulan dapat dilihat pada Tabel 3.
7
Tabel 2 Struktur tabel hotspotNew Field
Data Type
Tanggal
Varchar(5)
Bulan
Varchar(5)
Tahun
Varchar(5)
Pulau
Varchar(24)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Kecamatan
Varchar(30)
Jumlah
Int(4)
Tabel 3 Struktur tabel HotspotBulan Field
Data Type
Bulan
Varchar(5)
Tahun
Varchar(5)
Pulau
Varchar(24)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Jumlah
Int(4)
Pembersihan Data Proses pembersihan data dilakukan bertujuan untuk menghilangkan data yang bernilai kosong (null), noise, dan data yang tidak konsisten. Hal ini dapat terjadi pada saat penggabungan dalam satu tabel. Pada field Tanggal terdapat nilai null dalam tabel hotspotNew sehingga baris tersebut dihilangkan dengan melakukan proses query. Dalam field pulau juga terdapat beberapa nilai null, hal ini menunjukkan bahwa hotspot tersebut terjadi di luar wilayah Indonesia. Untuk itu field pulau yang bernilai null diisi dengan “OUTSIDE INDONESIA(ALL)”. Nama field pulau tersebut untuk mewakili hotspot yang terjadi di luar wilayah Indonesia karena nama field kabupaten (elemen terendah dari dimensi lokasi) diisi dengan “Outside Indonesia”. Selain nilai null pada data, terdapat hal-hal lain yang membuat data hotspot menjadi tidak konsisten yaitu : 1 Perbedaan penulisan nama kabupaten antar data sumber (.xls) tiap tahun. Data tahun
2003 penulisan nama kabupaten diawali dengan tulisan kab. atau kota, misalnya kab. Rokan Hilir seharusnya Rokan hilir dan kota Dumai yang sebenarnya Dumai. 2 Kesalahan dalam penamaan pulau misal, propinsi Bengkulu terdapat di dalam pulau Jawa. 3 Kesamaan nama kabupaten dengan nama kecamatan seperti kabupaten Banggai dengan kecamatan Banggai (Sulawesi). 4 Penamaan ganda pada kabupaten dan kecamatan, misalnya kabupaten Kutai terdapat di propinsi Kalimantan Timur dan Kalimantan Tengah. Hal tersebut membutuhkan pemeriksaan kembali agar tidak salah dalam penentuan batas wilayahnya. Referensi yang digunakan dalam penentuan batas wilayah didapatkan dari situs http://www.pu.go.id/infostatistik/htm/. Referensi yang didapatkan berupa file html dengan judul kode wilayah tahun 2003 tingkat propinsi. Masing-masing propinsi memiliki satu file html yang memiliki isi daftar kabupaten dan kecamatan. Untuk menangani permasalahan tersebut dilakukan query basis data untuk membenarkan data dengan menggunakan referensi yang ada. Contoh untuk kasus nomor 3, mengganti nama kecamatan dengan menambahkan “(Kec)” seperti Banggai (Kec). Untuk menangani ketidakkonsistenan data pada kasus nomor 4, maka pertama kali diperiksa terlebih dahulu dengan menggunakan referensi. Apabila setelah diperiksa nama data yang ganda salah satunya tidak terdapat pada referensi penamaan, maka data ganda yang tidak terdapat pada referensi tersebut diganti sesuai dengan yang ada. Akan tetapi, apabila kedua data penamaan ganda terdapat di referensi, maka penamaan kedua data tersebut ditambahkan sesuai dengan propinsinya. Diagram alur tahapan praproses data dapat dilihat pada Gambar 6. Rincian pembersihan data dapat dilihat pada Lampiran 1. Struktur Kubus Data Setelah semua tahapan praproses selesai, tahapan selanjutnya yaitu membuat struktur kubus data di OLAP Server Palo. Pembuatan struktur kubus data dilakukan sesuai dengan skema data warehouse yang telah dibuat. Di
8
Gambar 6 Diagram alur tahapan praproses data. diberi nama
karena itu tahap pembersihan data dibutuhkan agar tidak terdapat penamaan ganda.
Dimensi-dimensi yang terdapat di dalam basis data monthlyHotspot adalah waktu dan lokasi. Kubus data yang diberi nama hotspot dibentuk dengan menggunakan kedua dimensi tersebut. Deskripsi kubus data hotspot dapat dilihat pada Tabel 4.
File ImportTime.php berfungsi untuk memasukkan elemen dari dimensi waktu. Elemen tersebut merupakan kombinasi dari setiap tingkatan waktu. Penamaan elemen dari dimensi waktu adalah sebagai berikut All, tahun, quarter + tahun, bulan + tahun. Misalnya data tahun 2004, quarter 1 dan bulan januari maka penamaannya Q1 2004 dan Jan 2004.
dalam OLAP Server Palo monthlyHotspot.
Tabel 4 Deskripsi Kubus Data Hotspot Nama Dimensi
Deksripsi
Lokasi
Lokasi titik hotspot (pulau, propinsi, kabupaten)
Waktu
Bulan dan tahun kejadian hotspot (2000, 2001, 2002, 2003, 2003).
Pemuatan Data Tahap terakhir dari pembuatan data warehouse persebaran hotspot yaitu pemuatan data. Pemuatan data merupakan proses pemindahan data dari basis data relasional ke OLAP Server Palo. Proses pemuatan data dilakukan dengan membuat sebuah modul import yaitu importLocation.php, importTime.php, monthlyImport.php. File importLocation.php berfungsi untuk memasukkan nama pulau, propinsi, dan kabupaten yang ada di dalam tabel hotspotBulan (basis data relasional) sebagai elemen dari dimensi lokasi. Dalam pengisian elemen, apabila terdapat penamaan ganda akan menimbulkan error karena terdapat nama elemen yang sama dalam satu dimensi. Oleh
File monthlyImport.php berisi query pengambilan data dari DBMS SQL Server 2000 lalu memasukkan hasil query tersebut ke dalam OLAP Server Palo menggunakan library atau PHP Palo API. Library Palo yang digunakan yaitu palo_setdata. Deskripsi Umum Aplikasi OLAP Aplikasi OLAP untuk persebaran hotspot merupakan aplikasi yang berguna untuk memberikan informasi mengenai perkembangan atau tren jumlah hotspot setiap tahunnya di wilayah Indonesia. Informasi tersebut dapat berguna bagi para pengambil keputusan terkait, pencegahan kebakaran hutan untuk wilayah tertentu. Arsitektur aplikasi OLAP untuk persebaran hotspot ini menggunakan arsitektur three tier yang memiliki tiga lapisan yaitu lapisan bawah, tengah dan atas. Pada lapisan bawah tahapan praproses data dilakukan menggunakan DBMS (SQL Server 2000). Lapisan tengah merupakan OLAP Server Palo dan pembuatan Aplikasi OLAP. Data yang telah melalui praproses diisi ke dalam kubus data yang terdapat di dalam basis data OLAP Server Palo. Pada lapisan tempat operasi-
9
operasi OLAP diimplementasikan digunakan bahasa pemograman PHP yang berjalan pada web Server Apache. Pemograman PHP digunakan untuk pembuatan Aplikasi OLAP maupun pemuatan data basis data relasional ke OLAP Server Palo. Untuk menghubungkan antara PHP dan OLAP Server Palo digunakan Palo PHP API (SDK 20080118_1000). Palo PHP API merupakan library yang dapat digunakan untuk menjalankan fungsi-fungsi Palo di PHP. Pembangkitan grafik untuk aplikasi OLAP menggunakan library JpGraph 1.20. Aplikasi OLAP untuk persebaran hotspot merupakan pengembangan dari modul palo_demo.php yang terdapat di dalam SDK 1.0c. Fungsi filter dimensi dalam aplikasi ini didapatkan dari aplikasi OLAP untuk data PPMB (Herlambang 2007). Pada aplikasi OLAP untuk persebaran hotspot fungsi filter dimensi ditambahkan beberapa fitur, khususnya pada dimensi waktu yaitu untuk menyeleksi quarter dan bulan. Lapisan atas merupakan hasil visualisasi dari aplikasi OLAP yang ditampilkan melalui web browser. Pada lapisan ini pengguna dapat melihat hasil operasi-operasi OLAP seperti drill down atau roll up. Penyajian informasi dikemas dalam bentuk crosstab (tabel) dan grafik yang mudah untuk dipahami pengguna. Fasilitas-fasilitas yang terdapat di dalam aplikasi OLAP adalah sebagai berikut : 1 Pengguna dapat menentukan basis data, kubus data dan dimensi yang akan
ditampilkan sesuai dengan kepentingan analisis. 2 Visualisasi dalam bentuk crosstab dan grafik yang dapat digunakan untuk menganalisis. 3 Operasi-operasi OLAP yang dapat dilakukan pada crosstab antara lain roll up dan drill down. Untuk visualisasi grafik ditampilkan dalam bentuk bar plot dan pie plot 4 Filter dimensi yang berfungsi untuk menyeleksi yang akan ditampilkan pada kolom (x-axis) dan baris (y-axis). Filter dimensi hanya menampilkan elemen yang dipilih oleh pengguna sesuai dengan kebutuhan analisis. 5 Filter quarter dan bulan pada dimensi waktu. Filter ini berguna untuk menyeleksi salah satu dari quarter atau bulan. Misalnya pengguna hanya ingin menampilkan elemen Q1 atau bulan januari. Tampilan utama aplikasi OLAP dapat dilihat pada Gambar 7. Contoh visualisasi grafik hasil operasi drill down dimensi waktu dan lokasi pada Gambar 8. Kelebihan dan Kekurangan Aplikasi OLAP Aplikasi OLAP untuk data persebaran hotspot memiliki beberapa kelebihan, yaitu : 1 Aplikasi OLAP dibuat berbasis web sehingga dapat digunakan oleh pengguna dalam satu jaringan Intranet ataupun mengaksesnya lewat Internet. Aplikasi berbasis web memudahkan dalam pemakaian aplikasi karena tidak perlu menginstall aplikasi di setiap komputer pengguna.
Gambar 7 Tampilan utama aplikasi OLAP dan visualisasi crosstab.
10
Gambar 8 Visualisasi grafik hasil operasi drill down terhadap dimensi waktu dan lokasi. 2 Aplikasi OLAP dibangun dengan perangkat lunak yang berbasis open source seperti OLAP Server Palo dan PHP. 3 Aplikasi ini dapat digunakan untuk data warehouse yang lain dengan cara mengubah beberapa konfigurasi seperti pada saat fetching data karena aplikasi ini belum mendukung perhitungan rataan. Selain kelebihan yang telah disebutkan di atas, aplikasi OLAP untuk data persebaran hotspot juga memiliki beberapa kekurangan, yaitu : 1 Pada saat data warehouse persebaran hotspot dibuat sampai tingkat harian dan kecamatan, aplikasi akan menimbulkan warning pada saat crosstab di drill down. Hal ini menyebabkan beberapa cell pada crosstab bernilai null. Untuk menangani masalah ini browser harus di-refresh beberapa kali agar nilai pada cell kembali normal. Kasus tersebut tidak terjadi pada saat data warehouse hanya dibuat sampai tingkat bulanan dan kabupaten. Berdasarkan hasil penelitian ini OLAP Server Palo memiliki keterbatasan dalam jumlah elemen dalam satu dimensi. Aplikasi OLAP untuk persebaran hotspot dengan jumlah elemen 1.261 (dimensi lokasi) dan 1.946 (dimensi waktu) akan menghasilkan nilai nul di beberapa cell tertentu dalam crosstab pada saat penampilan data (fetching).
2 Tidak terdapat fungsi untuk melakukan operasi pivot. Saat ini untuk melakukan operasi pivot dengan cara mengubah axis (baris dan kolom) dimensinya. 3 Aplikasi OLAP belum memiliki fungsi updating yang berguna pada saat terdapat data hotspot terbaru. 4 Dalam hal penanganan dimensi waktu seperti penamaan quarter atau bulan. Analisis Visual dari Crosstab dan Grafik Dari aplikasi OLAP untuk persebaran data hotspot dapat diambil beberapa contoh informasi yang bermanfaat bagi pengguna. Informasi tersebut berupa tren jumlah hotspot di wilayah Indonesia mulai dari pulau, propinsi, dan kabupaten dari tahun 2000 sampai 2004. Untuk dimensi waktu juga dapat dilihat lebih rinci misalnya tiap quarter atau bulanan. Informasi yang dapat diambil antara lain yaitu tren perkembangan jumlah hotspot tiap pulau di Indonesia dari tahun 2000 sampai 2004. Informasi tersebut didapatkan dari operasi dice, operasi ini dapat dilakukan dengan menggunakan filter dimensi. Operasi dice ditampilkan dengan memilih pulau = Jawa, Kalimantan, Sulawesi, Sumatera, dan OUTSIDE INDONESIA(ALL) dan waktu = 2000, 2001, 2002, 2003, dan 2004. Tampilan crosstab untuk operasi tersebut dapat dilihat pada Gambar 9 dan visualisasi grafiknya pada Gambar 10.
11
Gambar 9 Crosstab hasil operasi dice untuk melihat perkembangan jumlah hotspot tiap pulau di Indonesia dari tahun 2000 sampai 2004.
Gambar 10 Grafik Batang trend persebaran hotspot tiap pulau dilihat dari dimensi waktu. Dilihat dari dimensi waktu, pada tahun 2000 pulau sumatera memiliki jumlah hotspot paling tinggi yaitu 7.289 titik jauh di atas pulau lainnya. Jumlah hotspot terbanyak pada urutan kedua ditempati oleh pulau Kalimantan dengan 1.571 titik disusul OUTSIDE INDONESIA(ALL) dengan 79 titik, Sulawesi dengan 11 titik dan pulau Jawa di urutan terakhir dengan 0 titik. Tahun 2001 terjadi penurunan jumlah hotspot di wilayah Indonesia. Tahun 2001 juga merupakan tahun dengan jumlah akumulasi hotspot paling sedikit di wilayah Indonesia. Penurunan dialami oleh pulau Sumatera dari 7.289 titik menjadi hanya 2.826 titik. Hal ini membuat pulau Sumatera menempati urutan kedua setelah Kalimantan dengan 4.094 titik. Berbeda dari tahun 2001 yang terjadi penurunan, tahun 2002 beberapa pulau mengalami kenaikan dan sisanya mengalami penurunan. Pulau Kalimantan, Sumatera, dan OUTSIDE INDONESIA(ALL) mengalami kenaikan yang cukup tinggi pada
tahun ini. Kenaikan tertinggi terjadi pada pulau Kalimantan sehingga menempatkannya pada posisi teratas dan disusul oleh Sumatera di urutan kedua. Pada tahun 2002 merupakan tahun dengan jumlah hotspot terbanyak di wilayah Indonesia periode tahun 2000 sampai 2004. Tahun 2003 terjadi kembali penurunan di setiap pulau dan jumlah hotspot terbanyak masih terdapat di pulau Kalimantan dan Sumatera. Di tahun 2004 terjadi kembali kenaikan jumlah hotspot di setiap pulau. Pulau Kalimantan masih berada posisi teratas dalam jumlah hotspot dengan 10.724 titik dan disusul pulau Sumatera dengan 8.033 titik. Pada tahun 2004 pulau Jawa memiliki jumlah hotspot terbanyak dibanding tahun sebelumnya dengan 6 titik. Presentasi jumlah hotspot di setiap pulau dilihat dari dimensi waktu dalam bentuk pie plot dapat dilihat pada Gambar 11. Contoh hasil visualisasi crosstab dan grafik lainnya dapat dilihat pada Lampiran 2.
12
Gambar 11 Presentasi jumlah hotspot di setiap pulau dilihat dari dimensi waktu dalam bentuk pie plot. Dalam proses analisis, pengguna dapat menggunakan operasi-operasi OLAP seperti roll up, drill down dan pivot. Contoh-contoh operasi OLAP dalam aplikasi antara lain : 1 Melihat jumlah hotspot pulau Sumatera dan propinsinya dari tahun 2000 sampai 2004. Kubus data awal memiliki dimensi lokasi dan waktu. Dimensi lokasi direpresentasikan melalui atribut propinsi dan dimensi waktu direpresentasikan melalui atribut tahun secara keseluruhan (All). • Roll up Operasi roll-up ditampilkan dengan menaikkan hirarki dimensi lokasi. Hirarki pada dimensi lokasi adalah All < pulau < propinsi < kabupaten. Sehingga operasi yang dilakukan adalah melihat jumlah hotspot di setiap pulau di Indonesia. • Drill down Operasi drill down ditampilkan dengan menurunkan hirarki dimensi waktu. Hirarki pada dimensi waktu adalah All < tahun < quarter < bulan. Sehingga operasi yang dilakukan adalah melihat jumlah hotspot dari setiap propinsi di Sumatera pada tahun 2000 sampai 2004. • Slice Operasi slice dilakukan dengan pemilihan satu dimensi, yaitu dimensi waktu dengan kriteria tahun = 2000. Sehingga operasi yang dilakukan adalah menampilkan jumlah hotspot untuk tingkat pulau dan propinsi di Indonesia pada tahun 2000. • Dice Operasi dice dilakukan melakukan memilih kedua
dengan dimensi
dengan kriteria propinsi = Sumatera dan tahun = 2000. • Pivot Operasi pivot dilakukan dengan menukarkan axis dimensi. Axis-x (elemen waktu) diubah menjadi lokasi (tingkat pulau) dan axis-y (elemen lokasi) menjadi waktu (tahun 2000 sampai 2004). Operasi ini berguna untuk melihat informasi dari sudut pandang yang berbeda. Tampilan operasi OLAP pada contoh 1 dapat dilihat pada Lampiran 3. 2 Melihat jumlah hotspot setiap kabupaten dari propinsi Riau dari tahun 2000 sampai 2004. Kubus data awal memiliki dimensi lokasi dan waktu. Dimensi lokasi direpresentasikan melalui atribut propinsi dan dimensi waktu direpresentasikan melalui atribut tahun. • Roll up Operasi roll-up ditampilkan dengan menaiki hirarki dimensi waktu. Hirarki pada dimensi waktu adalah All < tahun < quarter < bulan. Sehingga operasi yang dilakukan melihat jumlah hotspot dari setiap propinsi di Sumatera berdasarkan tahun secara keseluruhan (akumulasi dari tahun 2000 sampai 2004 atau elemen All). • Drill down Operasi drill down ditampilkan dengan menurunkan hirarki dimensi lokasi. Hirarki pada dimensi lokasi adalah All < pulau < propinsi < kabupaten. Sehingga operasi yang dilakukan adalah melihat jumlah hotspot dari setiap kabupaten di Riau pada tahun 2000 sampai 2004.
13
• Slice Operasi slice dilakukan dengan pemilihan satu dimensi, yaitu dimensi yaitu dimensi lokasi dengan kriteria kabupaten = Rokan Hilir. Sehingga operasi yang dilakukan adalah menampilkan jumlah hotspot untuk kabupaten Rokan Hilir di propinsi Riau pada tahun 2000 sampai 2004. • Dice Operasi dice dilakukan dengan melakukan memilih kedua dimensi dengan kriteria kabupaten = Rokan Hilir dan tahun = 2000. Tampilan operasi OLAP pada contoh 2 dapat dilihat pada Lampiran 4. KESIMPULAN DAN SARAN Kesimpulan Data warehouse untuk data persebaran data hotspot memiliki satu kubus data yaitu kubus data hotspot. Kubus data ini berisi nilai agregasi jumlah hotspot setiap wilayah di Indonesia mulai dari tingkat pulau sampai tingkat kabupaten. Data hotspot yang digunakan yaitu tahun 2000 sampai dengan tahun 2004. Aplikasi OLAP merupakan sistem yang dibuat untuk merepresentasikan kubus data dari OLAP Server Palo yang dapat membantu pengguna dalam menganalisis data multidimensional. Aplikasi OLAP memberikan informasi kepada pengguna untuk membantu dalam proses pengambilan keputusan terkait dengan pencegahan kebakaran hutan. Aplikasi OLAP dibuat berbasis web dengan menggunakan bahasa pemograman PHP. Dalam aplikasi ini disertai operasi-operasi OLAP seperti roll up, drill down dan pivot yang dapat membantu pengguna dalam menganalisis. Selain itu pengguna juga dapat memilih basis data, kubus data, dimensi dari data warehouse persebaran hotspot yang akan ditampilkan. Hasil operasi OLAP divisualisasikan dalam bentuk crosstab dan grafik. Berdasarkan hasil penelitian ini OLAP Server Palo mempunyai keterbatasan dalam jumlah elemen dari suatu dimensi. Aplikasi OLAP untuk persebaran hotspot dengan jumlah elemen 1.262 (dimensi lokasi) dan 1.946 (dimensi waktu) saat penampilan data OLAP Server Palo akan menghasilkan null pada cell tertentu dalam crosstab.
Dari hasil crosstab dan grafik dapat diambil beberapa informasi tentang persebaran hotspot di wilayah Indonesia. Salah satu informasi yang dapat diambil yaitu pulau Kalimantan mempunyai jumlah hotspot terbanyak dalam periode tahun 2000 sampai 2004 yaitu 38.857 titik kemudian disusul pulau Sumatera di urutan kedua yaitu 30.396 titik sedangkan pulau Jawa sebagai wilayah dengan jumlah hotspot paling sedikit yaitu 8 titik. Dilihat dari dimensi waktu wilayah Indonesia memiliki jumlah hotspot terbanyak pada tahun 2002, jumlah hotspot terbanyak pada tahun 2002 yaitu pulau Sumatera dengan 53.403 titik. Saran Aplikasi OLAP masih memiliki beberapa kekurangan sehingga masih membutuhkan pengembangan lebih lanjut. Saran untuk penelitian data warehouse selanjutnya adalah : 1 Pembuatan modul update untuk data hotspot yang bertujuan untuk memudahkan pengguna apabila terdapat data baru. Pembuatan dapat dilakukan dengan mengembangkan modul yang sudah ada yaitu impLocation.php, impTime.php, dan montlyImport.php 2 Penambahan fasilitas login pada proses update sehingga dapat membatasi pengguna yang akan melakukan perubahan pada data. 3 Aplikasi OLAP dikembangkan dengan OLAP Server Palo atau library yang terbaru. Pada saat ini aplikasi OLAP dikembangkan dengan OLAP Server Palo 2.0 dan SDK 20080118_1000. 4 Perbaikan grafik pada multiple pie plot agar jumlah pie plot bisa lebih dinamis tidak hanya berjumlah 12. 5 Penambahan dimensi baru yaitu HPH, HTI, Lithology dan Jenis Tanah. 6 Optimasi pada dimensi waktu. DAFTAR PUSTAKA Cabbibo L, Torlone R. 1997. Querying Multidimensional Databases. http://citeseer.ist.psu.edu/cache/papers/cs/2 1194/http:zSzzSzwww.dia.uniroma3.itzSz~ca bibbozSzpubzSzpdfzSzdbpl97.pdf/cabibbo97 querying.pdf [9 Januari 2008]. Han J, Kamber M. 2006. Data Mining Concepts & Techniques. Simon Fraser University. USA: Morgan Kaufman
