Data warehouse dan aplikasi olap akademik kurikulum mayor-minor berbasis linux

(1)

ABSTRACT

KAROMATUL AULIA. Data Warehouse and OLAP Major-Minor Curriculum Aplications Based on Linux. Supervised by HARI AGUNG ADRIANTO.

Data warehouse is a specialized database for decision support purposes, which is integrated data from different systems, query performance, relieving source systems from long running queries, and the tracking of history. Accordingly, data warehouse is often use by company. This research represents the elaboration of data warehouse for academic purpose at Bogor Agricultural University using Online Analytical Processing (OLAP). OLAP is part of the broader category of business intelligence, which also encompasses relational reporting and data mining. OLAP which is integrated with data warehouse, developed to analyze academic data yearly including student’s grades, GPA, and cumulative GPA for Major and Minor.

This research produces a data warehouse and web-based OLAP containing two data cubes: Subject_Grade and GPA. Data warehouse consists of seven dimensions (Time, Generation, Sex, Subject, Grade, Status of study, and Minor) and two cubes (Subject_Grade and GPA). This application provides information as of report with Excel Spreadsheet, and pdf file. Users can explore this application to get academic related information in Computer Science Department by application OLAP operations including roll-up, drill-down, dice, slice, drill through, pivot, etc.

(2)

1 PENDAHULUAN

Latar Belakang

Kurikulum Berbasis Kompetensi dengan sistem mayor-minor memiliki tujuan untuk menjamin fleksibilitas guna meningkatkan kompetensi dan softskill lulusan terbaik. Pada sistem ini mahasiswa memiliki kompetensi utama (mayor) dan kompetensi pelengkap (minor). Kurikulum sistem mayor-minor adalah kurikulum berbasis kompetensi di mana setiap mahasiswa mengikuti pendidikan dalam salah satu mayor sebagai bidang keahlian (kompetensi) utama dan dapat mengikuti pendidikan dalam salah satu bidang minor sebagai sebagai bidang (kompetensi) pelengkap.

Untuk memantau dan menganalisis lebih lanjut perkembangan prestasi mahasiswa, maka Sulistyaningsih (2010) melakukan penelitian dengan judul Pembangunan Data Warehouse Akademik (Studi Kasus : Kurikulum Mayor-minor Program Sarjana Departemen Ilmu Komputer IPB). Penelitian ini menghasilkan data warehouse mayor-minor Mahasiswa Ilmu Komputer dengan tiga tabel fakta yaitu indeks prestasi, mata kuliah mutu, dan sebaran minor.

Dalam data warehouse yang telah dikembangkan Sulistyaningsih (2010) tidak dapat menampilkan rataan IP dan IPK mahasiswa berdasarkan minor yang diambil. Hal ini karena adanya pemisahan tabel fakta antara indeks prestasi dengan sebaran minor. Oleh karena itu perlu dibangun data warehouse yang mengintegrasikan antara mata kuliah minor yang diambil dengan rataan IP maupun IPK.

Tujuan

Tujuan dari penelitian ini adalah memperbarui data warehouse untuk data akademik mayor-minor Program Studi Ilmu Komputer yang berbasis pada sistem operasi Linux.

Ruang Lingkup

Ruang lingkup penelitian ini difokuskan pada perbaikan skema data warehouse data akademik mayor-minor Program Studi Ilmu Komputer IPB tahun masuk 2005 sampai 2009. Sistem dikembangkan dengan menggunakan Ubuntu 10.04 sebagai sistem operasi dan Mondrian 3.2.0 sebagai OLAP server.

Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di IPB dalam memberikan informasi yang cepat dan menarik. Selain itu juga dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.

TINJAUAN PUSTAKA

Data Warehouse

Data warehouse adalah koleksi data yang berorientasi subjek, terintegrasi, nonvolatile, dan time-variant dalam mendukung proses pengambilan keputusan. (Malinowski & Zim’anyi 2008). Karakteristik datawarehouse

adalah :

 Berorientasi subjek

Data warehouse terpusat pada kebutuhan analisis data yang bervariasi pada tiap level untuk menentukan keputusan dengan berorientasi pada subjek. Subjek sangat ditentukan pada aktivitas organisasi, contohnya analisis penjualan, produk, dan konsumen.

 Terintegrasi

Data dibangun dengan mengintegrasikan berbagai sumber data yang berbeda-beda yaitu tipe data, synonyms (field yang berbeda tapi datanya sama), homonyms (field dengan nama yang sama tapi data yang berbeda), keseragaman data, dan masalah yang lainnya.

 Non-volatile

Data bertahan lama karena tidak dilakukan modifikasi ataupun dikurangi. Dapat dikatakan bahwa data tidak dapat diubah secara real time.

 Time-variant

Data pada suatu waktu dapat dipertahankan dengan rentang waktu tertentu.

Arsitektur Data Warehouse

(3)

1 PENDAHULUAN

Latar Belakang

Tujuan

Ruang Lingkup

Data Warehouse

adalah :

 Terintegrasi

 Non-volatile

 Time-variant

(4)

2

Keuntungan yang didapat jika menggunakan data warehouse antara lain (Bouman & Dongen 2009) :

 Semua informasi sudah terdapat dalam satu tempat.

 Informasi yang update.

 Akses yang cepat.

 Tidak ada batas ukuran.

 Tersedia semua data history.  Mudah dimengerti.

 Memiliki standar data.

Data warehouse memberikan ringkasan data operasional yang sederhana dan mudah dipahami melakukan analisis untuk membuat keputusan.

Operasi-operasi pada OLAP

Online Analitycal Processing (OLAP) terdiri atas seperangkat tool untuk membantu proses analisis dan perbandingan data dalam

database. Tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai

tampilan data, dan didukung dengan representasi data grafik yang dinamis.

Beberapa operasi OLAP menurut Malinowski & Zim’anyi (2008) dengan menggunakan kubus awal (Gambar 2) yaitu :

Gambar 2 Kubus awal (Malinowski & Zim’anyi 2008).

(5)

3 1. Roll up (drill-up) : ringkasan data, yaitu

dengan menaikkan hirarki atau mengurangi dimensi (Gambar 3).

Gambar 3 Roll up pada level Negara (Malinowski & Zim’anyi 2008).

2. Drill down (roll down) : kebalikan dari

roll-up, yaitu melihat data secara lebih detail atau spesifik dari level tinggi ke level rendah (Gambar 4).

Gambar 4 Drill down pada level bulan (Malinowski & Zim’anyi 2008).

3. Pivot (rotate) : memvisualisasikan operasi yang merotasikan sumbu data dalam view sebagai alternatif dalam presentasi data (Gambar 5).

Gambar 5 Pivot (Malinowski & Zim’anyi 2008).

4. Slice and dice : slice adalah pemilihan data satu dimensi dari kubus data yang bersangkutan (Gambar 6) dan dice

mendefinisikan subcube dengan memilih dua dimensi atau lebih (Gambar 7).

Gambar 6 Slice (Malinowski & Zim’anyi 2008).

(6)

4 5. Operasi lain : drill across yaitu

operasi yang melibatkan lebih dari satu kubus, drill through yaitu operasi yang mengijinkan pengguna untuk dapat melihat tabel data yang menampilkan nilai-nilai pada suatu sel data.

Metode Pengembangan Data Warehouse

Pengembangan data warehouse yang ditujukan untuk menganalisis data dilakukan dengan mengikuti beberapa fase desain yaitu spesifikasi kebutuhan, desain konseptual, desain logis, dan desain fisik. Dua fase pertama merupakan fase yang sangat penting karena mempengaruhi persetujuan pengguna terhadap sistem yang dibuat. Dua tahap tersebut menentukan hubunga antara duania nyata (kebutuhan pengguna) dan dunia

software (sistem yang digunakan). (Malinowski & Zim’anyi 2008).

Fase selanjutnya, yaitu desain logis dan fisik yang lebih mengacu pada tahapan teknis yang dilakukan berurutan untuk merepresentasikan skema desain konseptual untuk mengimplementasikannya ke dalam data warehouse. (Malinowski & Zim’anyi 2008).

METODE PENELITIAN

Analisis

Pada tahap ini dilakukan analisis untuk mengetahui karakteristik dari masing-masing data yang diketahui sehingga memudahkan dalam menentukan desain data warehouse

yang akan dirancang.

Desain

Pada tahap desain, terdapat empat fase yaitu :

Spesifikasi kebutuhan : mengumpulkan informasi yang dibutuhkan pengguna dalam data warehouse.

Desain konseptual : bertujuan untuk membangun representasi yang berorientasi pada pengguna. Hal ini dilakukan untuk mengidentifikasi hubungan atribut-atribut dalam data warehuse.

Desain logikal : bertujuan untuk menerjemahkan representasi konseptual

database dari tahap sebelumnya ke implementasi tertentu untuk beberapa DBMS.

Desain fisik : representasi logis dari

database yang diperoleh dalam tahap sebelumnya untuk implementasi pada DBMS tertentu, dalam penelitian ini adalah PostgreSQL.

Untuk mengelola aplikasi ini, administrator memiliki akses langsung ke sistem manajemen database PostgreSQL di mana data akademik disimpan. Dosen sebagai pengguna biasa dapat berinteraksi dengan grafis berbasis web sehingga dapat memanfaatkan fasilitas sistem dengan mudah, antara lain :

memilih dimensi atau atribut melalui kotak

drop-down list.

menampilkan data dalam bentuk tabel pivot. menampilkan data dalam bentuk grafik

batang, garis, dan lingkaran.

mencetak laporan dalam format Excel maupun pdf

Dari aplikasi ini, diharapkan dapat diberikan beberapa informasi antara lain :

perkembangan jumlah mahasiswa per tahun.

perkembangan huruf mutu mata kuliah tertentu untuk mengetahui rata-rata kemampuan mahasiswa Ilmu Komputer sesuai dengan jumlah bidang yang terdapat di Departemen Ilmu Komputer.

perkembangan indeks prestasi tiap angkatan berdasarkan status studi.

perkembangan indeks prestasi tiap angkatan berdasarkan minor yang diambil.

rata-rata lama studi untuk mahasiswa angkatan 2005.

rata-rata IP dan IPK tiap angkatan.

persebaran minor yang banyak dipilih oleh mahasiswa Ilmu Komputer berdasarkan rataan IP dan IPK.

Pemuatan Data

Pada tahap ini, data telah siap untuk dimuat (load) ke dalam data warehouse. Tahap pemuatan bertujuan untuk memuat data yang terseleksi ke dalam data warehouse

tujuan dan membuat indeks yang diperlukan.

Pembuatan Data Warehouse

Tahap ketiga yang dilakukan pada penelitian ini adalah membuat datawarehouse

(7)

Analisis

Desain

drop-down list.

Pemuatan Data

(8)

5 Uji Query

Tahap ini dilakukan setelah pembuatan

data warehouse selesai. Pengujian ini dilakukan untuk melihat apakah operasi dasar OLAP berhasil diimplementasikan dan sesuai dengan informasi yang ditampilkan. Pengujian dilakukan dengan memvisualisasikan kubus data dengan grafik dan tabel jpivot. Secara singkat metode penelitian dapat dilihat pada Gambar 8.

Gambar 8 Metode penelitian.

Lingkungan Pengembangan

Aplikasi dibangun dengan menggunakan perangkat sebagai berikut:

Perangkat keras berupa komputer personal dengan spesifikasi:

 Prosesor Intel(R) Core(TM) 2 Duo CPU @2.20 (2 CPUs) GHz

 Memori 4 GB RAM

 Harddisk 160 GB

 Monitor 13.1” dengan resolusi 1024 × 768

pixel

 Mouse dan Keyboard

Perangkat lunak:

 Sistem Operasi Linux Ubuntu 10.04 Desktop

 PostgreSQL 8.4.2 (perangkat lunak DBMS untuk pemrosesan data dan pembuatan skema data warehouse)

 Mondrian Server 3.2.0 (berfungsi sebagai OLAP server yang melakukan fungsi

agregasi dan tempat penyimpanan struktur dan data kubus data multidimensi)

 Schema Workbench (tempat pembuatan / pemodelan struktur kubus data dan proses pemuatan data dari data warehouse ke kubus data)

 Web Server Apache Tomcat

 Web browser Mozilla Firefox 3.0.1.

HASIL DAN PEMBAHASAN

Analisis Data

Pada penelitian ini, sumber data diperoleh dengan format .csv. Proses analisis dilakukan terhadap data untuk mengevaluasi atribut-atribut untuk membangun datawarehouse.

Data yang digunakan antara lain : tiga tabel fakta (tempfact_indeksprestasi, tempfact_mkmutu, dan tempfact_minor) pada Tabel 1, Tabel 2, dan Tabel 3 serta tujuh tabel dimensi (waktu, angkatan, minor, matakuliah, mutu, statusstudi, dan jeniskelamin). Fakta terdiri atas foreign key dari tabel dimensi ukuran : jumlah mahasiswa, rataan ip, rataan ipk, dan sebaran minor.

Tabel 1 Nama dan deskripsi atribut tabel tempfact_indeksprestasi

Nama Atribut Deskripsi

id_mhs Kode mahasiswa sebagai penciri tiap mahasiswa

id_jk Kode jenis kelamin mahasiswa

th_akademik Tahun akademik dari tiap semester

kode_statusstudi

Kode yang menunjukkan status studi mahasiswa berdasarkan IPK yang diperoleh tiap semester

ip Nilai IP per semester

ipk Nilai IPK

Tabel 2 Nama dan deskripsi atribut tabel tempfact_mkmutu

(9)

5 Uji Query

 Memori 4 GB RAM

pixel

Perangkat lunak:

Analisis Data

kode_statusstudi

ipk Nilai IPK

(10)

6

kode_minor Kode minor dari tiap-tiap departemen

Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang berasal dari skema Gambar 9 hingga menghasilkan skema baru yaitu skema pada Gambar 10. Namun sebelum data dibuat skemanya, tabel fakta tempfact_indeksprestasi dan tempfact_minor dilakukan penggabungan data dengan atribut kode_minor sehingga menjadi tabel fakta yang baru yaitu tempfact_ip, terlihat pada Tabel 4.

Tabel 4 Nama dan deskripsi atribut tabel tempfact_ip

kode_statusstudi

Ip Nilai IP per semester

Ipk Nilai IPK

Pemuatan Data

Data warehouse yang sudah dibuat selesai dibuat, selanjutnya dimasukkan ke kubus data OLAP server Mondrian. Kemudian, skema

data warehouse dimodelkan dengan menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran, dan kubus data. Kubus data yang dibuat yaitu, kubus mata kuliah mutu dan kubus indeks prestasi. Kubus data mata kuliah mutu dibuat untuk tabel fakta tempfact_mkmutu. Kubus data indeks prestasi dibuat untuk tabel fakta tempfact_ip. Ukuran pada struktur Mondrian dimasukkan dalam struktur dimensi tabel fakta yang tidak

Nama Dimensi Deskripsi

waktu Tahun akademik dan semester

jenis kelamin Jenis kelamin mahasiswa

angkatan Angkatan masuk IPB

mata kuliah Mata kuliah

status studi Status studi mahasiswa

(11)

7

Gambar 9 Skema galaksi dengan tiga tabel fakta (Sulistyaningsih 2010).

(12)

8 Eksplorasi dan Presentasi Hasil

Hasil penelitian ini ditunjukkan pada Lampiran 1 berupa tampilan awal web yang berisi penjelasan penelitian data warehouse.

Lampiran 2 yang menjelaskan tentang Ilmu Komputer di IPB. Lampiran 3 menampilkan OLAP indeks prestasi berdasarkan mutu, serta Lampiran 4 OLAP indeks prestasi berdasarkan status studi.

Penelitian ini menggunakan sistem operasi Linux yaitu Ubuntu 10.04 dan eksplorasi data yang dilakukan dengan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Dalam hal ini operasi OLAP untuk kubus indeks prestasi.

1. Pengoperasian Data Warehouse di Linux

Perbedaan instalasi  Linux

Langkah instalasi data warehouse

pada Linux lebih sering menggunakan CLI (Command Line Interface) yang lebih dikenal dengan nama Terminal. Contoh :

Perintah untuk update paket instalasi java jdk dan jre

> sudo apt-get install sun-java6-jdk sun-java6-jre

 Windows

Cara instalasi di Windows dengan menggunakan file .exe yang hanya mengikuti langkah-langkah yang sudah dalam bentuk GUI (Graphic User Interface).

Cara menjalankan dan akses file  Linux

Pada saat pemuatan data file .csv

yang dilakukan dalam postgresql file

folder yang akan digunakan untuk pemuatan data harus memiliki ijin akses

folder sehingga harus dikonversi dengan perintah chmod. Setelah data dapat dimuat dalam postgresql, maka dibuat desain kubus data menggunakan skema

workbench. Kemudian data kubus dapat direpresentasikan ke Mondrian.

Berikut adalah cara menjalankan skema workbench dan Mondrian dalam paket Pentaho.

> sudo sh workbench.sh > sudo sh start-pentaho.sh

 Windows

Pada Windows, cara menjalankan Mondrian yaitu dengan start-pentaho.bat pada folder Pentaho yang telah diinstal.

Perbandingan Operasi data Linux

Dengan operasi drill down (Lampiran 5) data yang dapat ditampilkan yaitu nilai rataan IP, IPK, sebaran minor, dan jumlah mahasiswa berdasarkan status studi. Tidak hanya itu, untuk operasi

slice (Lampiran 6) data juga dapat menampilkan nilai rataan IP, IPK, sebaran minor, dan jumlah mahasiswa berdasarkan status studi, minor yang dan jumlah mahasiswa berdasarkan status studi. Jadi data warehouse tidak dapat menampilkan nilai sebaran minornya.

Selain itu untuk operasi slice

(Lampiran 8) data yang dapat ditampilkan adalah nilai rataan IP, IPK, dan jumlah mahasiswa berdasarkan status studi dan angkatan.

2. Kubus Indeks Prestasi

Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi drill down

pada rataan IP , IPK, dan sebaran minor pada tiap mata kuliah minor. (Lampiran 9) merupakan tabel hasil operasi drill down pada rataan IP , IPK, dan sebaran minor pada tiap mata kuliah minor.

Lampiran 9 menunjukkan rata-rata IP, IPK, dan sebaran minor pada tiap mata kuliah minor dengan status studi tanpa syarat. Rata-rata IP dan IPK tersebut dihitung berdasarkan semester yang telah dilalui dan minor yang diambil.

(13)

9

Salah satu faktor yang menyebabkan nilai rataan IP dan IPK tahun 2008 tinggi adalah hanya satu mahasiswa yang mengambil minor pada status studi untuk rataan IPK lebih dari 3,51. Penurunan jumlah mahasiswa yang memiliki nilai rataan IPK lebih dari 3,51 pada tahun 2008 sepatutnya mendapat perhatian dari departemen untuk meningkatkan potensi dan semangat mahasiswa sejak awal perkuliahan.

Untuk IPK antara 2,76 sampai dengan 3,51, minor yang paling banyak diambil adalah Manajemen Fungsional, Riset Operasi, dan SC. Manajemen Fungsional sendiri peminatnya tetap dari tahun ke tahun, sedangkan untuk Riset Operasi dan SC menurun. Rataan nilai IP dan IPK tertinggi pada status studi IPK antara 2,76 sampai dengan 3,51 adalah Perkembangan Anak pada tahun 2005 dan Statistika Industri pada tahun 2006.

Untuk minor pada nilai IPK antara 2,00 sampai dengan 2,76 yaitu SC yang mengalami peningkatan pada tahun 2006. Dengan nilai rataan IP tertinggi diperoleh minor Riset Operasi dan rataan IPK tertinggi adalah Manajemen Industri.

Dari beberapa analisis di atas dapat disimpulkan bahwa beberapa minor favorit pilihan mahasiswa berdasarkan jumlah sebaran mahasiswa dengan rataan nilai IPK dari 2,00 sampai 3,51 adalah SC, Manajemen Fungsional, dan Riset Operasi.

Hal ini dapat diasumsikan bahwa dengan mengambil minor Riset Operasi nilai yang didapat akan tinggi, dengan banyaknya mahasiswa pandai (IPK lebih dari 3,51) yang mengambil mata kuliah ini (Gambar 11).

Gambar 11 Minor Favorit Chart.

Selain itu, kubus ini juga dapat menunjukkan informasi tentang rataan IP dan

IPK berdasarkan jenis kelamin, mayor, maupun TPB.

KESIMPULAN DAN SARAN

Kesimpulan

Hasil penelitian menyimpulkan bahwa, pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data mata kuliah mutu dan indeks prestasi. Dua kubus data tersebut dapat divisualisasikan dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart

dengan menggunakan OLAP Mondrian 3.2.0. Selain itu kubus data juga dapat dicetak dalam bentuk pdf dan excel.

Operasi OLAP yang dilakukan pada kubus data ini adalah roll-up (misalnya mencari pola sebaran perkembangan huruf mutu mata kuliah mayor, interdepartemen, pilihan, dan elektif pada setiap angkatan.), drill-down

(Rataan IP dan Rataan IPK berdasarkan jenis kelamin, minor dan tahun akademik), dice

(misalnya untuk melihat jumlah mahasiswa yang mengambil minor riset operasi), dan

slice (jumlah mahasiswa yang drop out tiap angkatan berdasarkan jenis kelamin).

Hasil dari penelitian ini dapat memberikan manfaat bagi Departemen Ilmu Komputer dalam mempermudah analisis data akademik ukuran besar sehingga dapat membantu dalam pengaksesan data tersebut, penyampaian informasi, pembuatan laporan dan pembuatan keputusan yang lebih baik.

Saran

Saran untuk penelitian data warehousing

dan OLAP selanjutnya adalah:

1. membangun modul program untuk pemasukan data baru yang nantinya diintegrasikan ke dalam aplikasi OLAP.

2. menambah ukuran lama studi agar dapat diketahui rata-rata lama studi pada kurikulum mayor-minor.

DAFTAR PUSTAKA

Malinowski E, Zim´anyi E. 2008. Advanced Data Warehouse Design. Heidelberg: Springer.

(14)

9

Kesimpulan

Saran

DAFTAR PUSTAKA

(15)

DATA WAREHOUSE

DAN APLIKASI OLAP AKADEMIK

KURIKULUM MAYOR-MINOR BERBASIS LINUX

KAROMATUL AULIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(16)

DATA WAREHOUSE

DAN APLIKASI OLAP AKADEMIK

KURIKULUM MAYOR-MINOR BERBASIS LINUX

KAROMATUL AULIA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(17)

DATA WAREHOUSE

DAN APLIKASI OLAP AKADEMIK

KURIKULUM MAYOR-MINOR BERBASIS LINUX

KAROMATUL AULIA

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(18)

ABSTRACT

KAROMATUL AULIA. Data Warehouse and OLAP Major-Minor Curriculum Aplications Based on Linux. Supervised by HARI AGUNG ADRIANTO.

Data warehouse is a specialized database for decision support purposes, which is integrated data from different systems, query performance, relieving source systems from long running queries, and the tracking of history. Accordingly, data warehouse is often use by company. This research represents the elaboration of data warehouse for academic purpose at Bogor Agricultural University using Online Analytical Processing (OLAP). OLAP is part of the broader category of business intelligence, which also encompasses relational reporting and data mining. OLAP which is integrated with data warehouse, developed to analyze academic data yearly including student’s grades, GPA, and cumulative GPA for Major and Minor.

This research produces a data warehouse and web-based OLAP containing two data cubes: Subject_Grade and GPA. Data warehouse consists of seven dimensions (Time, Generation, Sex, Subject, Grade, Status of study, and Minor) and two cubes (Subject_Grade and GPA). This application provides information as of report with Excel Spreadsheet, and pdf file. Users can explore this application to get academic related information in Computer Science Department by application OLAP operations including roll-up, drill-down, dice, slice, drill through, pivot, etc.

(19)

Judul : Data Warehouse dan Aplikasi OLAP Akademik Kurikulum Mayor-minor Berbasis Linux Nama : Karomatul Aulia

NIM : G64061148

Menyetujui:

Pembimbing,

Hari Agung Adrianto S.Kom., M.Si NIP. 19760917 200501 1 001

Mengetahui:

Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc. NIP. 19601126 198601 2 001

(20)

KATA PENGANTAR

Puji syukurpenulis panjatkan ke hadirat Allah SWT atas segala curahan rahmat dan karunia-Nya sehingga skripsi ini dapat diselesaikan. Skripsi ini merupakan hasil penelitian dalam bidang kajian Data Warehouse dan Aplikasi OLAP pada Data Akademik Kurikulum Mayor-minor IPB dalam sistem Operasi Linux.

Penulis mengucapkan terima kasih kepada Bapak Hari Agung Adrianto, S.Kom, M.Si selaku pembimbing yang telah memberi saran, masukan, dan ide-ide kepada penulis dalam menyusun skripsi ini. Terima kasih juga penulis ucapkan kepada Bapak Firman Ardiansyah, S.Kom, M.Si selaku penguji I dan Ibu Dr. Ir. Sri Nurdiati, M.Sc sebagai penguji II. Penulis juga mengucapkan terima kasih kepada:

1 Ibu dan Bapak serta adik yang selalu memberikan doa, nasihat, dukungan, semangat, dan kasih sayang yang luar biasa kepada penulis sehingga dapat menyelesaikan tugas akhir ini. Widia Sulistyaningsih dan Rina Trisminingsih yang menjadi tempat bertukar ide dalam menyelesaikan tugas.

2 Teman dekat, Putri Heriningtyas, Nur Aziza Aziz dan kawan-kawan Ilkom angkatan 43 yang selalu mendukung dan memberi semangat.

3 Kakak kelas, Mba Windi 42, Kak Auriza 42, dan Kak Tanto 42 yang telah memberi masukan.

4 Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu baik selama penelitian maupun pada masa perkuliahan.

Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, penulis ucapkan terima kasih banyak.

Semoga penelitian ini dapat memberikan manfaat.

Bogor, November 2010

(21)

RIWAYAT HIDUP

Penulis dilahirkan di Tegal pada tanggal 6 Mei 1988 yang merupakan anak pertama dari empat bersaudara dengan ayah bernama Agus Sofwan dan ibu bernama Rohyati.

(22)

v DAFTAR ISI

Halaman

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vi

PENDAHULUAN

Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 Manfaat Penelitian ... 1

TINJAUAN PUSTAKA

Data Warehouse ... 1 Arsitektur Data Warehouse ... 1 Operasi-operasi pada OLAP ... 2 Metode Pengembangan Data Warehouse ... 4

METODE PENELITIAN

Analisis... 4 Desain ... 4 Pemuatan Data ... 4 Pembuatan Data Warehouse ... 4 Uji Query ... 5 Lingkungan Pengembangan ... 5

HASIL DAN PEMBAHASAN

Analisis Data ... 5 Pemuatan Data ... 6 Eksplorasi dan Presentasi Hasil ... 8

KESIMPULAN DAN SARAN

Kesimpulan ... 9 Saran ... 9

DAFTAR PUSTAKA ... 9

(23)

vi DAFTAR TABEL

Halaman

1 Nama dan deskripsi atribut tabel tempfact_indeksprestasi ... 5 2 Nama dan deskripsi atribut tabel tempfact_mkmutu ... 5 3 Nama dan deskripsi atribut tabel tempfact_minor ... 6 4 Nama dan deskripsi atribut tabel tempfact_ip ... 6 5 Nama dan deskripsi dimensi dari kubus mata kuliah mutu ... 6 6 Nama dan deskripsi dimensi dari kubus indeks prestasi ... 6

DAFTAR GAMBAR

Halaman

1 Arsitektur datawarehouse (Malinowski & Zim’anyi 2008). ... 2 2 Kubus awal (Malinowski & Zim’anyi 2008). ... 2 3 Roll up pada level Negara (Malinowski & Zim’anyi 2008). ... 3 4 Drill down pada level bulan (Malinowski & Zim’anyi 2008). ... 3 5 Pivot (Malinowski & Zim’anyi 2008). ... 3 6 Slice (Malinowski & Zim’anyi 2008). ... 3 7 Dice (Malinowski & Zim’anyi 2008). ... 3 8 Metode penelitian. ... 5 9 Skema galaksi dengan tiga tabel fakta (Sulistyaningsih 2010). ... 7 10 Skema galaksi dengan dua tabel fakta. ... 7 11 Minor Favorit Chart ... 9

DAFTAR LAMPIRAN

Halaman

(24)

1 PENDAHULUAN

Latar Belakang

Tujuan

Ruang Lingkup

Data Warehouse

adalah :

 Terintegrasi

 Non-volatile

 Time-variant

(25)

2

Keuntungan yang didapat jika menggunakan data warehouse antara lain (Bouman & Dongen 2009) :

 Semua informasi sudah terdapat dalam satu tempat.

 Informasi yang update.

 Akses yang cepat.

 Tidak ada batas ukuran.

 Tersedia semua data history.  Mudah dimengerti.

 Memiliki standar data.

Data warehouse memberikan ringkasan data operasional yang sederhana dan mudah dipahami melakukan analisis untuk membuat keputusan.

Operasi-operasi pada OLAP

Online Analitycal Processing (OLAP) terdiri atas seperangkat tool untuk membantu proses analisis dan perbandingan data dalam

database. Tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai

tampilan data, dan didukung dengan representasi data grafik yang dinamis.

Beberapa operasi OLAP menurut Malinowski & Zim’anyi (2008) dengan menggunakan kubus awal (Gambar 2) yaitu :

Gambar 2 Kubus awal (Malinowski & Zim’anyi 2008).

(26)

3 1. Roll up (drill-up) : ringkasan data, yaitu

dengan menaikkan hirarki atau mengurangi dimensi (Gambar 3).

Gambar 3 Roll up pada level Negara (Malinowski & Zim’anyi 2008).

2. Drill down (roll down) : kebalikan dari

roll-up, yaitu melihat data secara lebih detail atau spesifik dari level tinggi ke level rendah (Gambar 4).

Gambar 4 Drill down pada level bulan (Malinowski & Zim’anyi 2008).

3. Pivot (rotate) : memvisualisasikan operasi yang merotasikan sumbu data dalam view sebagai alternatif dalam presentasi data (Gambar 5).

Gambar 5 Pivot (Malinowski & Zim’anyi 2008).

4. Slice and dice : slice adalah pemilihan data satu dimensi dari kubus data yang bersangkutan (Gambar 6) dan dice

mendefinisikan subcube dengan memilih dua dimensi atau lebih (Gambar 7).

Gambar 6 Slice (Malinowski & Zim’anyi 2008).

(27)

Analisis

Desain

drop-down list.

Pemuatan Data

(28)

5 Uji Query

 Memori 4 GB RAM

pixel

Perangkat lunak:

Analisis Data

kode_statusstudi

ipk Nilai IPK

(29)

6

Selanjutnya dibuat skema model data multidimensi untuk data warehouse yang berasal dari skema Gambar 9 hingga menghasilkan skema baru yaitu skema pada Gambar 10. Namun sebelum data dibuat skemanya, tabel fakta tempfact_indeksprestasi dan tempfact_minor dilakukan penggabungan data dengan atribut kode_minor sehingga menjadi tabel fakta yang baru yaitu tempfact_ip, terlihat pada Tabel 4.

Tabel 4 Nama dan deskripsi atribut tabel tempfact_ip

kode_statusstudi

Ip Nilai IP per semester

Ipk Nilai IPK

Pemuatan Data

Data warehouse yang sudah dibuat selesai dibuat, selanjutnya dimasukkan ke kubus data OLAP server Mondrian. Kemudian, skema

data warehouse dimodelkan dengan menentukan dimensi-dimensi, elemen-elemen dari dimensi, ukuran-ukuran, dan kubus data. Kubus data yang dibuat yaitu, kubus mata kuliah mutu dan kubus indeks prestasi. Kubus data mata kuliah mutu dibuat untuk tabel fakta tempfact_mkmutu. Kubus data indeks prestasi dibuat untuk tabel fakta tempfact_ip. Ukuran pada struktur Mondrian dimasukkan dalam struktur dimensi tabel fakta yang tidak

mata kuliah Mata kuliah

status studi Status studi mahasiswa

(30)

7

Gambar 9 Skema galaksi dengan tiga tabel fakta (Sulistyaningsih 2010).

(31)

8 Eksplorasi dan Presentasi Hasil

Hasil penelitian ini ditunjukkan pada Lampiran 1 berupa tampilan awal web yang berisi penjelasan penelitian data warehouse.

Lampiran 2 yang menjelaskan tentang Ilmu Komputer di IPB. Lampiran 3 menampilkan OLAP indeks prestasi berdasarkan mutu, serta Lampiran 4 OLAP indeks prestasi berdasarkan status studi.

Penelitian ini menggunakan sistem operasi Linux yaitu Ubuntu 10.04 dan eksplorasi data yang dilakukan dengan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Dalam hal ini operasi OLAP untuk kubus indeks prestasi.

1. Pengoperasian Data Warehouse di Linux

Perbedaan instalasi  Linux

Langkah instalasi data warehouse

pada Linux lebih sering menggunakan CLI (Command Line Interface) yang lebih dikenal dengan nama Terminal. Contoh :

Perintah untuk update paket instalasi java jdk dan jre

> sudo apt-get install sun-java6-jdk sun-java6-jre

 Windows

Cara instalasi di Windows dengan menggunakan file .exe yang hanya mengikuti langkah-langkah yang sudah dalam bentuk GUI (Graphic User Interface).

Cara menjalankan dan akses file  Linux

Pada saat pemuatan data file .csv

yang dilakukan dalam postgresql file

folder yang akan digunakan untuk pemuatan data harus memiliki ijin akses

folder sehingga harus dikonversi dengan perintah chmod. Setelah data dapat dimuat dalam postgresql, maka dibuat desain kubus data menggunakan skema

workbench. Kemudian data kubus dapat direpresentasikan ke Mondrian.

Berikut adalah cara menjalankan skema workbench dan Mondrian dalam paket Pentaho.

> sudo sh workbench.sh > sudo sh start-pentaho.sh

 Windows

Pada Windows, cara menjalankan Mondrian yaitu dengan start-pentaho.bat pada folder Pentaho yang telah diinstal.

Perbandingan Operasi data Linux

Dengan operasi drill down (Lampiran 5) data yang dapat ditampilkan yaitu nilai rataan IP, IPK, sebaran minor, dan jumlah mahasiswa berdasarkan status studi. Tidak hanya itu, untuk operasi

slice (Lampiran 6) data juga dapat menampilkan nilai rataan IP, IPK, sebaran minor, dan jumlah mahasiswa berdasarkan status studi, minor yang dan jumlah mahasiswa berdasarkan status studi. Jadi data warehouse tidak dapat menampilkan nilai sebaran minornya.

Selain itu untuk operasi slice

(Lampiran 8) data yang dapat ditampilkan adalah nilai rataan IP, IPK, dan jumlah mahasiswa berdasarkan status studi dan angkatan.

2. Kubus Indeks Prestasi

Pada kubus ini dapat dilihat beberapa operasi OLAP misalnya operasi drill down

pada rataan IP , IPK, dan sebaran minor pada tiap mata kuliah minor. (Lampiran 9) merupakan tabel hasil operasi drill down pada rataan IP , IPK, dan sebaran minor pada tiap mata kuliah minor.

Lampiran 9 menunjukkan rata-rata IP, IPK, dan sebaran minor pada tiap mata kuliah minor dengan status studi tanpa syarat. Rata-rata IP dan IPK tersebut dihitung berdasarkan semester yang telah dilalui dan minor yang diambil.

(32)

9

Kesimpulan