Query II - Menentukan Query Efisien Menggunakan Cuboid

5.2. Menentukan Query Efisien Menggunakan Cuboid

5.2.2. Query II

Pada query II juga memiliki query biasa dan query yang dipilih menggunakan cuboid. Berikut ini adalah query biasa untuk query II.

Tabel 3. 12 Qb pada query II

select NON EMPTY {[Measures].[Jumlah B], [Measures].[Jumlah L], [Measures].[Jumlah K]} ON COLUMNS,

{([Waktu].[Semua Waktu], [Nama Penyakit].[Semua Penyakit],[Kelompok Umur].[Semua Kelompok Umur])} ON ROWS

from [penyakit]

Sebelum melakukan query digudang data, maka dengan tujuan

query yang sama yaitu melihat melihat data nama penyakit dan kelompok umur di bulan tertentu yakni bulan oktober pada tahun 2012 dan disemua kelompok umur tentukan terlebih dahulu cuboid yang mungkin. Tujuannya adalah agar mendapatkan query yang efisien dengan waktu akses cepat untuk melihat data nama penyakit dan kelompok umur di bulan tertentu yakni bulan oktober pada tahun 2012 dan disemua kelompok umur.

Tabel 3. 13 Cuboid yang mungkin pada query II

Tujuan query II Cuboid yang mungkin

Melihat data nama penyakit dan kelompok umur di bulan tertentu yakni bulan oktober pada tahun

Cuboid 1 : {ICD-X, Kelompok umur} where tahun=2012 and bulan=oktober

2012 dan disemua kelompok umur

Cuboid 2 : {bulan, ICD-X, Kelompok umur } where tahun=2012 and bulan=oktober

Cuboid 3 : {ICD-X, Kelompok umur, tahun } where tahun=2012 and bulan=oktober

Berdasarkan cuboid-cuboid yang mungkin pada query II ini maka didapat cuboid 1 merupakan cuboid yang paling tepat digunakan untuk melakukan query. Berikut ini merupakan query yang terbentuk dari masing-masing cuboid.

Tabel 3. 14 Query yang digunakan pada query II Jenis

Query

Cuboid yang mungkin

OLAP Query

Qef Cuboid 1 : {ICD-X,

Kelompok umur} where tahun=2012 and bulan=oktober

select NON EMPTY {[Measures].[Jumlah B], [Measures].[Jumlah L], [Measures].[Jumlah K]} ON COLUMNS,

{([Nama Penyakit].[Semua Penyakit], [Kelompok Umur].[Semua Kelompok Umur])} ON ROWS from [penyakit]

where [Waktu].[Semua Waktu].[2012].[Oktober] Qp1 Cuboid 2 : {tahun,

ICD-X, Kelompok

umur} where

tahun=2012 and

bulan=oktober

with member [Waktu].[Semua Waktu] as 'Aggregate({[Waktu].[Semua Waktu]})' select NON EMPTY {[Measures].[Jumlah B], [Measures].[Jumlah L], [Measures].[Jumlah K]} ON COLUMNS,

{([Nama Penyakit].[Semua Penyakit], [Kelompok Umur].[Semua Kelompok Umur])} ON ROWS from [penyakit]

where [Waktu].[Semua Waktu].[2012].[Oktober]

Qb select NON EMPTY {[Measures].[Jumlah B],

[Measures].[Jumlah L], [Measures].[Jumlah K]} ON COLUMNS,

{([Waktu].[Semua Waktu], [Nama Penyakit].[Semua Penyakit],[Kelompok Umur].[Semua Kelompok Umur])} ON ROWS from [penyakit]

3.6. Menerapkan BitmapIndexing pada Qef

Setelah mempertimbangkan query mana yang dirasa cocok maka tahap selanjutnya adalah melakukan indexing pada gudang data dengan menggunakan bitmap indexing. Bitmap indexing dipilih karena sangat cocok dengan ad hoc query dan juga sangat membantu dalam melakukan pencarian data dengan cepat didalam cube.

Untuk melakukan bitmap indexing ada beberapa kriteria yang harus diperhatikan diantaranya indeks ini sangat tepat digunakan pada kolom yang low cardinality. Melihat keunggulan dari bitmap indexing

maka untuk membuktikan hal tersebut, dibuat bitmap indexing setiap kolom untuk setiap dimensi yang ada. Bitmap indexing yang dibuat juga bervariasi tujuannya untuk mendapatkan indeks yang terbaik yang paling cocok digunakan untuk query tertentu.

Berikut ini adalah tahapan yang akan dilakukan untuk membuktikan apakah bitmap indexing cocok digunakan pada kolom tertentu pada masing-masing dimensi yakni dimensi nama penyakit, dimensi kelompok umur dan dimensi waktu dan pengaruh indeks ini terhadap query yang digunakan dalam penelitian ini. Pada dimensi kelompok umur tidak ada kolom yang dibuat bitmap indexingnya dikarenakan data pada kolom ini jumlahnya hanya sedikit sehingga tidak perlu dilakukan indexing.

Tabel 3. 15 Bitmap indexing yang digunakan Dimensi dan Kolom Kolom yang menggunakan

Bitmap indexing Waktu - Bulan - Nama bulan - Tahun - Id tahun - Sk waktu Tahun Nama Penyakit - SP2TP - ICD-X - Jenis penyakit - Id penyakit - Sk nama penyakit Jenis penyakit ICD-X Kelompok Umur - Id kelompok umur - Nama kelompok umur - Sk kelompok umur

Tabel 3.15 menunjukkan bitmap indexing yang dibuat pada masing-masing dimensi kecuali dimensi kelompok umur

3.7. Langkah Pengujian

Langkah-langkah yang dilakukan dalam pengujian sebagai berikut 1. Mencatat waktu akses dari Qb

2. Mencatat waktu akses dari Qef 3. Mencatat waktu akses Qp.

4. Mencatat waktu akses Qef yang dikombinasikan dengan

Langkah pertama yang dilakukan adalah mencatat waktu akses dari Qb, hal ini dimaksudkan Qb akan menjadi pembanding untuk Qef yang dipilih menggunakan cuboid. Pencatatan waktu akses dari Qb dan Qf nantinya dapat digunakan untuk melakukan perbandingan waktu akses kedua query tersebut. Langkah kedua dalam pengujian adalah mencatat waktu akses dari Qef , waktu akses dari Qef akan digunakan juga untuk perbandingan waktu akses dari Qp yang merupakan query yang terbentuk dari cuboid yang mungkin. Waktu akses Qp dicatat dengan tujuan agar dapat dibuktikan apakah Qef merupakan query yang tercepat yang terbentuk dari cuboid yang paling tepat, pengujian ini dilakukan pada pengujian langkah ketiga.

Pada tahap pengujian keempat yakni menguji Qef dengan menggunakan kombinasi bitmap indexing tertentu, kombinasi bitmap indexing yang digunakan dapat dilihat pada tabel berikut ini :

Tabel 3. 16 Kombinasi bitmap indexing

No Dimensi waktu Dimensi nama

penyakit 1 TH bulan JP ICD_X 2 TH bulan JP ICD_X 3 TH bulan JP ICD_X 4 TH bulan JP ICD_X 5 TH bulan JP ICD_X Keterangan : warna kuning menunjukkan

bitmap indeks yang digunakan

Waktu akses dari Qef dengan menggunakan bitmap indexing

tertentu akan dicatat, hal tersebut bertujuan untuk membandingkan waktu akses dari Qef menggunakan semua kombinasi bitmap indexing. Dari perbandingan waktu tersebut maka akan didapat Qef dengan waktu tercepat menggunakan bitmap indexing pada kolom tertentu, dari hasil yang didapat maka diharapkan dapat membantu dalam menarik kesimpulan untuk penelitian ini.

3.8. Perancangan Tampilan

Perancangan tampilan pada Gambar 3.6, merupakan tampilan aplikasi secara penuh. Terdapat menu untuk memasukkan data, atau mengupload data. Setelah data dimasukkan maka dapat dilakukan pencarian data berdasarkan waktu maupun berdasarkan dimensi nama penyakit atau kelompok umur. Jika aplikasi tersebut benar – benar diterapkan diharapkan dapat membantu mempermudah pekerjaan petugas terkait terutama dalam mencari informasi tertentu dan dengan waktu akses yang cepat.

64 BAB IV IMPLEMENTASI

4.1. Spesifikasi Perangkat Keras dan Lunak

Dalam penelitian ini DBMS yang digunakan adalah Oracle 11g. Perangkat keras yang digunakan untuk melakukan pengujian query dengan spesifikasi sebagai berikut :

- Processor : Intel(R) Core(TM) i3 CPU

- Memory : 6144 MB RAM

- Sistem Operasi : Windows 7 Ultimate 32-bit - Browser : Mozilla Firefox

4.2. Langkah Membangun Gudang Data

4.2.1. Membaca Data Legacy

Pada tahap ini untuk menggali informasi yang ada menggunakan tahap-tahap yang ada pada data mining dan tahap yang digunakan adalah

pembersihan data dan seleksi data sedangkan untuk tahap lainnya menggunakan tahap dalam membangun gudang data. Berikut ini adalah penjelasan tersebut.

1. Pembersihan data

Pada tahap ini dilakukan dengan membuat data menjadi konsisten karena memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Pada tahap ini untuk memudahkan dalam mengkonversi data ke dalam basis data maka dengan data yang ada dilakukan dengan menambah kolom bulan, tahun dan menghapus data yang bukan merupakan penyakit seperti kecelakaan. Setiap tahap dapat dilihat pada Tabel 4.1 sampai 4.3

Tabel 4. 1 Preprocessing dengan menghilangkan data yang bukan penyakit 1. Melakukan preprocessing dengan menghapus data yang bukan merupakan penyakit Menghapus ke dua data tersebut karena bukan merupakan penyakit

Tabel 4. 2 Preprocessing dengan menambah kolom bulan 2. Melakukan

preprocessing dengan menambah kolom bulan. Agar dapat mengetahui penyakit tersebut muncul di bulan apa.

Tabel 4. 3 Preprocessing dengan menambah kolom tahun

3. Melakukan

preprocessing dengan menambah kolom tahun. Agar dapat mengetahui penyakit terjadi pada tahun berapa.

69 2. Seleksi data

Dari data yang ada dilakukan seleksi data karena tidak semua data digunakan. Pada kasus ini SP2TP tidak digunakan dan diganti dengan kolom nama penyakit. Karena SP2TP juga bukan merupakan data yang dirasa penting karena hanya berisi nomor urut dari nama penyakit yang digunakan untuk pelaporan. Untuk tahap selanjutnya setelah melakukan tahap preprocessing kemudian melakukan tahap menggabungkan data dari berbagai sumber terpisah.

4.2.2. Menggabungkan Data dari Berbagai Sumber Terpisah

Seperti yang telah diilustrasikan pada bab 3, penggabungan data perlu dilakukan karena data yang ada tidak seluruhnya berbentuk file Excel.

4.2.3. Memindahkan Data ke Server Gudang Data

Sebelum membuat dimensi dan tabel fakta, maka terlebih dahulu membuat tabel master yang nantinya akan menjadi sumber untuk membuat dimensi dalam gudang data. Tabel master yang dibuat meliputi ms_penyakit dan ms_kelompok_umur.

1. Master penyakit

Gambar 4. 1 Proses pembuatan tabel ms_penyakit di Oracle .ktr

Gambar 4.1 merupakan proses pembuatan tabel ms_penyakit di Oracle, dengan inputan berupa file excel. Sort rows berfungsi untuk mengurutkan data, karena untuk menghilangkan redundancy data dengan menggunakan unique rows data harus diurutkan terlebih dahulu. Pada id_penyakit menggunakan bantuan add sequence untuk membuat id penyakitnya mengingat data penyakit yang ada dalam jumlah besar. Select values untuk mengkonversi data dari file ke dalam format database yang diinginkan atau mengubah nama kolom atau menghapus kolom yang tidak digunakan. Table output digunakan untuk membuat tabel pada database.

Tabel 4. 4 ms_penyakit

Tabel 4.4 adalah hasil dari tabel ms_penyakit pada database, terdiri dari kolom id penyakit, SP2TP, ICD_X dan jenis penyakit.

2. Master kelompok umur

Gambar 4. 2 Proses pembuatan tabel ms_kelompok_umur di Oracle .ktr

Gambar 4.2 merupakan proses pembuatan tabel ms_kelompok_umur, untuk membuat tabel master ini menggunakan inputan berupa file excel. Select values untuk mengkonversi data dari file

ke dalam format database yang diinginkan atau mengubah nama kolom atau menghapus kolom yang tidak digunakan. Table output digunakan untuk membuat tabel pada database.

Tabel 4. 5 ms_kelompok_umur

Tabel 4.5 adalah hasil dari tabel ms_kelompok_umur pada

4.2.4. Memecah Gudang Data dalam Tabel Fakta dan Tabel Dimensi

1. Tr penyakit

Gambar 4. 3 Proses pembuatan tr_penyakit di Oracle .ktr

Sumber data dari tr_penyakit berupa data penyakit tahun 2010 sampai 2012 .xls, sumber lainnya berasal dari tabel ms_penyakit dan ms_kelompok_umur. Terdapat stream lookup pada ms kelompok umur yang digunakan untuk membaca id kelompok umur dari ms kelompok umur dan tr penyakit, demikian juga stream lookup pada ms penyakit berfungsi untuk membaca id penyakit dari tr penyakit dan ms penyakit. Add sequence

digunakan untuk menambah kolom id tr pada tabel tr penyakit, id tr merupakan primary key dari tabel ini. Select values berfungsi untuk mengkonversi data ke dalam format database, kemudian tabel tr penyakit dibuat pada database dengan menggunakan tabel output.

Tabel 4. 6 tr penyakit

Tabel 4.6 merupakan hasil pembuatan tr penyakit pada database.

2. Dimensi nama penyakit

Gambar 4. 4 Proses pembuatan dimensi nama penyakit di Oracle .ktr

Sumber data dari dimensi ini berasal dari tabel master ms_penyakit. Terdapat add sequence yang berfungsi untuk menambah kolom sk nama penyakit yang merupakan surrogate key dari dimensi ini.

Select values digunakan untuk mengkonversi data ke dalam format

kolom yang tidak digunakan. Table output digunakan untuk create table

pada database.

Tabel 4. 7 dim nama penyakit

Tabel 4.7 merupakan hasil pembuatan dim nama penyakit di Oracle.

3. Dimensi kelompok umur

Gambar 4. 5 Proses pembuatan dimensi kelompok umur di Oracle .ktr

Tabel master kelompok umur merupakan sumber data yang digunakan untuk membuat dimensi kelompok umur. Terdapat add sequence

yang digunakan untuk menambah surrogate key yakni sk kelompok umur yang bertipe integer. Select values digunakan untuk mengkonversi data ke dalam format database, serta digunakan untuk memilih atau menghapus kolom. Table output digunakan untuk membuat tabel dim kelompok umur pada basis data.

Tabel 4. 8 dim kelompok umur

Hasil pembuatan tabel ini di Oracle dapat dilihat pada Tabel 4.8

4. Dimensi waktu

Gambar 4. 6 Proses pembuatan dimensi waktu di Oracle .ktr

Sumber data dari dimensi waktu berasal dari tr penyakit, data dari tr penyakit diurutkan terlebih dahulu menggunakan sort rows, sebelum menghilangkan redundancy data menggunakan unique rows. Sk waktu merupakan surrogate key yang ditambahkan pada dimensi waktu, sk waktu dibuat menggunakan add sequence. Untuk membuat kolom id tahun dan nama bulan menggunakan modified java script value. Select values

digunakan untuk mengkonversi data ke dalam format database. Untuk membuat tabel dim waktu pada database menggunakan table output. Tabel 4.9 merupakan hasil pembuatan dimensi waktu di Oracle.

Tabel 4. 9 dim waktu

5. Tabel fakta

Gambar 4. 7 Proses pembuatan tabel fakta di Oracle .ktr

Tabel fakta berisi measures yakni B,L dan K serta berisi semua sk dari masing-masing dimensi. Tabel ini sumber datanya berasal dari tr penyakit. Stream lookup pada dim kelompok umur digunakan untuk membaca id kelompok umur milik dim kelompok umur dan tr penyakit, id dari masing-masing tabel tersebut digunakan untuk mengambil sk kelompok umur. Demikian juga stream lookup yang terdapat pada dim nama penyakit dan dim waktu fungsinya sama dengan stream lookup pada dim kelompok umur. Select values digunakan untuk mengkonversi data ke dalam format database. Table output digunakan untuk membuat tabel fakta pada database. Tabel 4.10 merupakan hasil pembuatan tabel fakta.

Tabel 4. 10 tabel fakta

4.3. OLAP

Skema penyakit ini terdiri dari tiga dimensi dan memiliki measures

yakni B, L dan K. Pada dimensi nama penyakit terdapat hirarki yang didalamnya terdapat level ICD_X dan level nama penyakit. Dimensi waktu didalamnya terdapat hirarki yang didalamnya berisi level tahun dan bulan. Dimensi kelompok umur terdapat hirarki yang didalamnya terdapat level kelompok umur. Detail dari pembuatan skema penyakit dapat dilihat pada listing XML berikut ini.

Tabel 4. 11 Listing skema penyakit

<Level name="ICD_X" column="ICD_X"

nameColumn="ICD_X" ordinalColumn="ICD_X" type="String"

uniqueMembers="false" levelType="Regular" hideMemberIf="Never"> </Level>

</Level> </Hierarchy> </Dimension>

<Level name="Tahun" column="ID_TAHUN"

nameColumn="TAHUN" ordinalColumn="ID_TAHUN" type="String"

uniqueMembers="false" levelType="TimeYears" hideMemberIf="Never"> </Level>

<Level name="Bulan" column="BULAN"

uniqueMembers="false" levelType="TimeMonths" hideMemberIf="Never"> </Level>

</Hierarchy> </Dimension>

<Hierarchy hasAll="true" allMemberName="Semua

Kelompok Umur" primaryKey="SK_KELOMPOK_UMUR">

<Table name="DIM_KELOMPOK_UMUR"

schema="SKRIPSI">

</Table>

<Level name="Kelompok Umur"

column="ID_KELOMPOK_UMUR"

nameColumn="NAMA_KELOMPOK_UMUR"

ordinalColumn="ID_KELOMPOK_UMUR" type="String"

uniqueMembers="false" levelType="Regular" hideMemberIf="Never"> </Level>

</Hierarchy> </Dimension>

<Table name="TABEL_FAKTA_PENYAKIT"

schema="SKRIPSI"> </Table>

</DimensionUsage>

<DimensionUsage source="Waktu" name="Waktu"

foreignKey="SK_WAKTU"> </DimensionUsage>

<DimensionUsage source="Kelompok Umur"

name="Kelompok Umur" foreignKey="SK_KELOMPOK_UMUR"> </DimensionUsage>

<Measure name="Jumlah B" column="B"

datatype="Numeric" aggregator="sum" visible="true"> </Measure>

</Measure>

<Measure name="Jumlah K" column="K"

datatype="Numeric" aggregator="sum" visible="true"> </Measure>

</Cube> </Schema>

4.4. Tampilan Hasil Query I

Gambar 4. 1 Tampilan Awal

Gambar 4.1 merupakan tampilan awal dari query I. Pada halaman awal ini terdapat deskripsi yang merupakan tujuan dari pemrosesan query

dari semua query pada query I. Selanjutnya terdapat query yang digunakan terdiri dari empat query. Qef serta terdapat tiga query lain yang nantinya digunakan untuk pembanding dengan Qef yang telah dipilih menggunakan

Gambar 4. 2 Tampilan hasil dari Qb

Gambar 4.2 merupakan hasil pemrosesan query dari Qb, juga terdapat waktu akses dari query ini. Waktu akses ini juga terdapat pada semua query.

Gambar 4. 3 Tampilan hasil Qef

Gambar 4.3 merupakan hasil pemrosesan query dari Qef, juga terdapat waktu akses dari query ini.

Gambar 4. 4 Tampilan hasil dari Qp1

Gambar 4.4 merupakan tampilan hasil dari Qp1 serta terdapat waktu akses.

Gambar 4. 5 Tampilan hasil dari Qp2

Gambar 4.5 merupakan tampilan hasil dari Qp2 beserta waktu akses.

4.5. Tampilan Hasil Query II

Gambar 4. 6 Tampilan Awal dari query II

Gambar 4.6 merupakan tampilan awal dari query II. Pada halaman awal ini terdapat deskripsi yang merupakan tujuan dari pemrosesan query

dari semua query pada query II. Selanjutnya terdapat query yang digunakan terdiri dari tiga query yaitu Qef serta terdapat Qb dan Qp1.

Gambar 4. 7 Tampilan hasil dari Qb

Gambar 4. 8 Tampilan hasil dari Qef

Gambar 4.8 merupakan tampilan hasil dari Qef beserta waktu aksesnya.

Gambar 4. 9 Tampilan hasil dari Qp1

85 BAB V

HASIL DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai analisis hasil dari implementasi gudang data.

5.1. Langkah Pengujian

Seperti yang telah dijelaskan pada bab 1 maupun bab 3, masalah yang dihadapi adalah bagaimana cara meningkatkan unjuk kerja OLAP. Untuk menyelesaikan masalah yang ada, penulis menggunakan dua teknik yakni dengan memilih query efisien menggunakan cuboid serta membuat

bitmap indexing yang tujuannya agar semakin mempercepat waktu akses

query. Selain menggunakan query efisien yang ditentukan berdasarkan

cuboid, digunakan juga query pembanding (Qp) dan query biasa (Qb) yang digunakan untuk pengujian tujuannya adalah membuktikan apakah query

yang efisien tersebut merupakan query yang terbaik.

Pengukuran yang digunakan berdasarkan waktu akses masing- masing query. Untuk menentukan query efisien maka pengujian dilakukan dengan mencatat waktu akses semua query, sedangkan untuk mencari

bitmap indexing yang terbaik query yang digunakan hanya query efisien. Berikut ini adalah tahapan pengujian yang dilakukan dalam penelitian ini :

Langkah-langkah yang dilakukan dalam pengujian sebagai berikut 1. Mencatat waktu akses dari Qb

2. Mencatat waktu akses dari Qef 3. Mencatat waktu akses Qp.

4. Mencatat waktu akses Qef yang dikombinasikan dengan

bitmap indexing tertentu

5.2. Menentukan Query Efisien Menggunakan Cuboid

Gambar 5. 1 Hirarki yang digunakan

Query efisien yang dimaksud dalam hal ini adalah query yang dapat mengakses data pada database dengan cepat. Oleh sebab itu pada bagian ini mencoba menjawab query efisien yang telah dipilih menggunakan cuboid merupakan query yang paling tepat. Query yang digunakan dalam penelitian ini mencoba menyesuaikan dengan kebutuhan

user. Petugas di Puskesmas membutuhkan query yang dapat melihat penyakit tertentu di tahun tertentu, karena jika menggunakan excel petugas mengalami kesulitan dalam melakukan rekap data. Sebagai contoh query

yang digunakan dalam penelitian ini dapat dilihat pada Tabel 5.1 dan Tabel 5.2. untuk query 1 merupakan query untuk melihat data penyakit pada tahun tertentu, sedangkan pada query 2 merupakan query untuk melihat rekapan data penyakit dibulan tertentu.

5.2.1. Query I

Untuk pembahasan pada bagian ini yang digunakan adalah query I dan query II. Query dibahas pada bagian ini memiliki tujuan yaitu mencari data penyakit TB Paru BTA (+) pada tahun 2010 dan disemua kelompok umur. Pada query I ini terdapat empat query. Tabel 5.1 merupakan query

yang digunakan pada query I.

Dalam dokumen Meningkatkan unjuk kerja Olap dengan teknik Bitmap Indexing dan pemrosesan efisien Olap Query studi kasus data laporan penyakit 2010 2012, Puskesmas Jebed, Pemalang (Halaman 76-118)