TINJAUAN PUSTAKA

Data Warehouse

Data warehouse menyediakan arsitektur dan alat bagi para eksekutif bisnis untuk mengatur secara sistematis, mengerti dan menggunakan data tersebut untuk pengambilan keputusan (Han & Kamber 2006). Data warehouse adalah sekumpulan data yang berorientasi subjek, terintegrasi, time-variant dan nonvolatile yang mendukung dalam manajemen pengambilan keputusan.

Karakteristik data warehouse yaitu berorientasi subjek, terintegrasi, time-variant dan nonvolatile merupakan hal yang membedakan data warehouse dari sistem penyimpanan data lainnya seperti sistem basis data relasional, sistem proses transaksi, dan sistem berkas. Penjelasan secara rinci dari pengertian data warehouse (Han & Kamber 2006):

• Berorientasi subjek

Data warehouse disusun berdasarkan subjek utama, seperti pelanggan, supplier, produk, dan penjualan. Data warehouse menyediakan tampilan yang sederhana dan ringkas dengan menghilangkan data yang tidak berguna dalam pengambilan keputusan. • Terintegrasi

Data warehouse biasanya dibangun dengan mengintegrasikan berbagai sumber yang berbeda seperti basis data relasional, flat files, dan catatan transaksi on-line. Teknik pembersihan dan integrasi data dilakukan

PENDAHULUAN

Latar Belakang

Teknologi data warehouse dan On-line Analytical Processing (OLAP) untuk persebaran hotspot merupakan salah satu solusi dari permasalahan penumpukan data terhadap data hasil pencitraan lokasi jarak jauh satelit guna mengetahui persebaran titik panas atau hotspot kebakaran hutan yang terjadi di wilayah Indonesia. Teknologi OLAP dapat mengorganisasikan data persebaran hotspot dan menampilkan informasi yang terdapat di dalam data tersebut sehingga dapat digunakan dalam pengambilan keputusan guna membantu pengendalian kebakaran hutan.

Data warehouse persebaran hotspot tahun 2000 sampai dengan 2004 telah dibangun pada penelitian sebelumnya (Hayardisi 2008). Aplikasi tersebut belum dapat melakukan proses updating atau penambahan data hotspot untuk tahun yang baru.

Belum adanya modul update data pada aplikasi OLAP sebelumnya, mengakibatkan sulitnya memperbaharui hasil operasi OLAP dengan adanya data baru. Oleh karena itu untuk mencegah terjadinya penumpukan data pada tahun-tahun berikutnya maka ditambahkan modul update pada penelitian ini sehingga dapat membantu pengguna untuk memasukkan data terbaru setiap tahun baru yang belum ada pada data warehouse melalui aplikasi OLAP berbasis web.

Penambahan modul update pada penelitian ini diharapkan berguna bagi organisasi atau pengguna aplikasi OLAP persebaran hotspot untuk menangani pemasukan data baru sehingga dapat mencegah penumpukan data. Diharapkan aplikasi OLAP tersebut dapat digunakan untuk menganalisa titik panas (hotspot) yang dapat mengakibatkan kebakaran hutan.

Tujuan

Tujuan dari penelitian ini adalah:

1 Membangun struktur updating data warehouse untuk aplikasi OLAP persebaran hotspot (Hayardisi 2008) 2 Melakukan updating data warehouse

untuk data tahun 2005 pada aplikasi OLAP persebaran hotspot dan memvisualisasikan hasil operasi-operasi OLAP atau ringkasan dalam bentuk crosstab dan grafik.

Ruang Lingkup

Ruang lingkup penelitian dibatasi pada proses otomatisasi updating data warehouse pada aplikasi OLAP persebaran hotspot yang telah dibangun sebelumnya berdasarkan periode update waktu tahunan. Data yang digunakan adalah persebaran hotspot untuk wilayah Indonesia pada tahun 2005 dari Kementrian Lingkungan Hidup (KLH).

Manfaat

Penelitian ini diharapkan dapat bermanfaat bagi pengguna atau administrator dalam melakukan proses updating data persebaran hotspot (titik panas) secara periodik, cepat, dan akurat guna membantu dalam menyajikan informasi untuk pengambilan keputusan mengendalikan kebakaran hutan.

Data Warehouse

• Berorientasi subjek

untuk memastikan kekonsistenan data dalam konversi penamaan, struktur penyandian, pengukuran atribut dan lainnya.

• Time- variant

Data disimpan untuk menyediakan informasi berdasarkan perspektif waktu. • Non-volatile

Data warehouse secara fisik selalu terpisah dari basis data operasional. Data warehouse tidak membutuhkan proses transaksi, recover, dan concurrency control.

Model Data Multidimensi

Data warehouse dan alat bantu OLAP berdasarkan pada model data multidimensi. Model ini menampilkan data dalam bentuk kubus data. Kubus data dapat memodelkan dan menampilkan data dalam multidimensi. Model data multidimensi dibagi menjadi dua yaitu dimensi dan fakta (Han & Kamber 2006).

Dimensi adalah perspektif atau entitas penting yang dimiliki organisasi untuk menyimpan records. Setiap dimensi memiliki tabel yang biasa disebut dengan tabel dimensi. Tabel dimensi dapat dispesifikasikan oleh pengguna atau para ahli, atau dihasilkan secara otomatis dan diatur berdasarkan distribusi data (Han & Kamber 2006).

Fakta adalah ukuran-ukuran numerik. Fakta merupakan kuantitas yang akan dianalisis hubungan antar dimensi. Tabel fakta berisi nama dari fakta (ukuran) dan juga keys untuk setiap tabel dimensi yang berhubungan.

Dalam data warehouse kubus data adalah n-dimensi. Kubus data disebut juga cuboid. Cuboid yang tingkat kesimpulannya paling rendah disebut base cuboid sedangkan cuboid dengan tingkat paling tinggi disebut apex cuboid.

Data warehouse membutuhkan skema yang ringkas dan berorientasi subjek untuk memfasilitasi analisis data secara on-line. Model data yang paling populer untuk data warehouse adalah model multidimensi. Tipe- tipe skema model multidimensi sebagai berikut:

1 Star schema (skema bintang)

Star schema merupakan skema data warehouse yang paling sederhana. Star schema terdiri dari satu tabel fakta yang dihubungkan dengan beberapa tabel dimensi yang polanya menyerupai bintang. Dengan

demikian skema ini disebut skema bintang. Keuntungan star schema yaitu pada proses query dan waktu respon yang cepat. Skema bintang dapat dilihat pada Gambar 1.

Gambar 1 Skema bintang (Han & Kamber 2006).

2 Snowflake schema

Snowflake schema merupakan variasi dari star schema dimana beberapa tabel dimensinya dinormalisasi sehingga menghasilkan beberapa tabel tambahan. Perbedaan utama antara snowflake dan star schema adalah tabel dimensi pada snowflake dapat dijaga tetap dalam bentuk normal sehingga mengurangi redudansi. Skema snowflake dapat dilihat pada Gambar 2.

Gambar 2 Skema snowflake (Han & Kamber 2006).

3 Galaxy schema

Beberapa aplikasi mungkin membutuhkan membutuhkan tabel fakta yang banyak untuk berbagi dengan tabel dimensi. Skema ini dapat dilihat sebagai sekumpulan star schema atau biasa disebut galaxy schema. Skema galaksi dapat dilihat pada Gambar 3.

Gambar 3 Skema galaksi (Han & Kamber 2006).

OLAP (On-line Analytical Processing)

OLAP merupakan sistem manajemen basis data multidimensi yang menyediakan suatu sistem informasi dengan struktur organisasi yang sangat fleksibel dalam mengakses data (Inmon 2002)

Operasi-operasi OLAP adalah sebagai berikut (Han & Kamber 2006) :

1 Roll-up

Operasi roll-up dilakukan pada kubus pusat dengan cara menaikkan tingkat suatu hirarki. Pada saat roll-up dilakukan jumlah dimensi berkurang. Misalkan operasi roll-up dilakukan pada kubus data pada tingkat kota menjadi tingkat propinsi atau negara.

2 Drill-down

Drill-down merupakan kebalikan dari operasi roll-up. Operasi ini merepresentasikan kubus data lebih detil.

3 Slice dan dice

Operasi slice melakukan pemilihan satu dimensi dari kubus sehingga dihasilkan subcube. Operasi dice mendefinisikan subcube dari pemilihan dua dimensi atau lebih.

4 Pivot (rotate)

Pivot merupakan operasi dalam visualiasisasi yang memutar koordinat data untuk menghasilkan presentasi data dalam bentuk lain.

Arsitektur Three-Tier Data Warehouse

Arsitektur data warehouse yang umum digunakan yaitu arsitektur three-tier. Arsitektur ini disebut three-tier karena terdiri atas tiga lapisan. Representasi arsitektur three- tier dapat dilihat pada Gambar 4. Lapisan-

lapisan arsitektur three-tier adalah sebagai berikut (Han & Kamber 2006) :

1 Lapisan bawah (bottom tier)

Lapisan bawah merupakan tempat pengolahan sumber data warehouse yang bertujuan agar data tersebut dapat digunakan dengan baik. Pengolahan tersebut biasanya menggunakan sistem basis data relasional.

Gambar 4 Arsitektur three-tier (Han & Kamber 2006).

2 Lapisan tengah (middle tier)

Lapisan tengah merupakan OLAP Server yang berfungsi menyimpan struktur dari kubus data.

3 Lapisan atas (top tier)

Lapisan atas adalah lapisan untuk end-user yang berisi query dan menampilkan informasi atau ringkasan.

Hotspot (titik panas)

Pemantauan hotspot (titik panas) dilakukan dengan cara penginderaan jauh (remote sensing) menggunakan satelit. Data hotspot merupakan salah satu indikator tentang kemungkinan terjadinya kebakaran hutan sehingga dapat dilakukan analisis, pemantauan, dan terkadang harus melakukan pemeriksaan langsung ke lapangan untuk mengetahui apakah diperlukan langkah pencegahan kebakaran (Adinugroho et al dalam Sukmawati 2006).

Satelit yang biasa digunakan adalah satelit NOAA (National Oceanic and Atmospheric Administration) melalui sensor AVHRR (Advanced Very High Resolution Radiometer) karena sensor tersebut dapat membedakan suhu permukaan di darat dan laut. Satelit NOAA-AVHRR memiliki cakupan yang luas

dan mengunjungi tempat yang sama sebanyak 4 kali dalam satu hari sehingga data yang didapatkan cukup aktual dan waktu analisis yang cepat meskipun wilayahnya luas (Adinugroho et al dalam Sukmawati 2006).

Sistem monitoring dengan menggunakan satelit NOAA berfungsi untuk mendeteksi terjadinya kebakaran hutan dan lahan sehingga kebakaran tidak meluas dan mengakibatkan kerusakan dan kerugian ekonomi. Metode remote sensing memberikan solusi yang efisien dalam kegiatan deteksi dan pencegahan kebakaran hutan dan lahan pada area yang sangat luas.

Satelit NOAA akan mendeteksi suatu obyek di permukaan bumi yang memiliki suhu relatif lebih tinggi dibandingkan sekitarnya. Suhu yang dideteksi berkisar antara 210 K (37

C) untuk malam hari dan 315 K (42 oC) untuk siang hari. Hotspot akan direpresentasikan dalam suatu pixel pada sebuah peta yang juga menunjukkan koordinat geografisnya (Dephut dalam Sukmawati 2006).

Dalam dokumen Penambahan Modul Updating Data pada OLAP Berbasis Web untuk Persebaran Hotspot di Wilayah Indonesia Menggunakan Palo 2.5 (Halaman 47-51)