HASIL DAN PEMBAHASAN Analisis Data - Pembangunan Data Warehouse dan Aplikasi Olap Berbasis Web

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

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 sistem dengan mengurangi atribut.

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.

Pelamar FK1 id_waktu FK2 id_asal FK3 id_kel FK4 studi_pilihan1 FK5 studi_pilihan2 FK6 studi_putusan FK7 id_listrik FK8 id_biaya FK9 id_kategori jumlah_pelamar_usmi Mahasiswa FK1 id_waktu FK2 id_jalur FK3 id_kel FK4 pendidikan_ayah FK5 pendidikan_ibu FK6 id_pek FK7 id_studi rataan_pendapatan_ayah rataan_ipk_tpb jumlah_mhs Listrik PK id_listrik listrik JenisKelamin PK id_kel lelaki_perempuan BiayaHidup PK id_biaya biaya_hidup Jalur PK id_jalur jalur Pendidikan PK id_pend pendidikan PekerjaanAyah PK id_pek pekerjaan_ayah Asal PK id_asal propinsi pulau Waktu PK id_waktu tahun_masuk KategoriSLA PK id_kategori kategori_sla Studi PK id_studi program_studi departemen fakultas

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 PHP untuk

menghasilkan grafik)

Maguma Studio Free 1.3.3 (IDE PHP) Web browser Mozilla Firefox 2.0 dan

Microsoft Internet Explorer 6.

HASIL DAN PEMBAHASAN

Analisis Data

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

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 sistem dengan mengurangi atribut.

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 Deskripsi

tahunmasuk Tahun calon mahasiswa melamar

nosla Nomor kode asal SMU pelamar

nrp NRP pelamar yang diterima jeniskel Kode jenis kelamin

pilihan1 Kode program studi pilihan pertama

Nama Atribut Deskripsi

pilihan2 Kode program studi pilihan kedua

putusan1 Kode program studi pelamar yang diterima

listrik Kode daya listrik rumah orangtua/wali

biayahidup Perkiraan biaya hidup bulanan yang akan diperoleh pelamar

kategori Kategori penilaian IPB terhadap asal SMU pelamar

Tabel 2 Nama dan deskripsi atribut tabel pre_mahasiswa hasil integrasi dan reduksi

Nama Atribut Deskripsi

tahunmasuk Tahun mahasiswa masuk IPB jalur Kode jalur masuk mahasiswa jeniskel Kode jenis kelamin

pendayah Kode pendidikan terakhir ayah

pendibu Kode pendidikan terakhir ibu pekerjayah Kode pekerjaan ayah nrp NRP mahasiswa pendapatan Pendapatan ayah bulanan

saat mahasiswa masuk IPK 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.

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

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).

Tabel 3 Nama dan deskripsi dimensi dari kubus data Pelamar Nama Dimensi Deskripsi

Waktu Tahun melamar USMI (2000, 2001, 2002, 2003, dan 2004)

Asal Asal propinsi dan pulau pelamar (Jawa Barat, DKI Jakarta, Sumatera, dsb.) Jenis Kelamin Keterangan jenis kelamin pelamar (Perempuan dan Lelaki)

Nama Dimensi Deskripsi

Studi Pilihan2 Program studi, departemen, dan fakultas pilihan kedua pelamar Studi Putusan Program studi, departemen, dan fakultas pelamar yang diterima

Listrik Keterangan daya listrik rumah orangtua/wali (450 Watt, 900 Watt, dsb.) Biaya Hidup Keterangan perkiraan biaya hidup bulanan (< 100 Ribu, 100 – 200 Ribu, dsb.) Kategori SLA Kategori asal SMU pelamar (A+, A, A-, B+, dsb.)

Ukuran Pelamar Berisi nama-nama ukuran (Jumlah Pelamar USMI)

Tabel 4 Nama dan deskripsi dimensi dari kubus data Mahasiswa Nama Dimensi Deskripsi

Waktu Tahun masuk mahasiswa (2000, 2001, 2002, 2003, dan 2004) Jalur Jalur masuk mahasiswa (USMI, UMPTN, dsb.)

Jenis Kelamin Keterangan jenis kelamin mahasiswa (Perempuan dan Lelaki) Pendidikan Ayah Keterangan pendidikan terakhir ayah

Pendidikan Ibu Keterangan pendidikan terakhir ibu

Pekerjaan Ayah Keterangan jenis pekerjaan ayah (PNS, Wiraswasta, dsb.) Program Studi Program studi, departemen, dan fakultas mahasiswa

Ukuran Mahasiswa Berisi nama-nama ukuran (Rataan Pendapatan Ayah, Rataan IPK TPB, dan Jumlah Mahasiswa)

Palo Excel Add-In Data Warehouse XLS DBF Laptop Grafik Analisa Line Plot Crosstab Workstation DBF DBF Apache PHP web server Data Pre-processing Presentasi OLAP tool Lapis bawah: Data Warehouse DBMS Lapis tengah: Web server OLAP server Lapis atas: Web browser Palo OLAP server ADOdb Palo API JpGraph MsSQL Server Data Sumber

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 fasilitas-fasilitas berikut :

1. Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan

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.

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.

3. Aplikasi yang dibangun dan perangkat lunak bantu yang digunakan berbasis open source dan freeware, sehingga memudahkan pengembangan aplikasi selanjutnya.

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.

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.

Tampilan aplikasi OLAP dapat dilihat pada Gambar 8.

Terdapat beberapa kekurangan utama pada aplikasi, yaitu:

Kelebihan dan Kekurangan Sistem

1. Tidak ada fasilitas untuk memodelkan struktur kubus data dan memuat data baru ke dalam kubus data.

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.

2. Crosstab hanya dapat menampilkan satu dimensi untuk setiap axis-nya.

3. Tidak ada fungsi untuk melakukan operasi

pivot. Saat ini untuk melakukan operasi

pivot pengguna harus menukarkan axis

dimensi dan menentukan kembali elemen-elemennya.

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 tingkatPulau 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

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

Dalam dokumen Pembangunan Data Warehouse dan Aplikasi Olap Berbasis Web Menggunakan Palo (Studi Kasus: Data PPMB IPB) (Halaman 57-67)