ABSTRAK
HOLAN. Pembandingan Waktu Operasi dalam OLAP (On-Line Analytical Processing) PPMB IPB pada Versi 1.0c dengan Versi 2.0. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan HARI AGUNG ADRIANTO.
Saat ini berbagai macam aplikasi data warehouse beserta aplikasi OLAP (On-Line Analytical
Processing) telah banyak bermunculan, dan masing-masing menawarkan kelebihan dan kemudahan
dalam penggunaannya. Jedox adalah satu dari sekian banyak pengembang aplikasi data warehouse
beserta OLAP-nya yang menyediakan aplikasi open source dan versi gratis dari aplikasinya yaitu Palo. Pada saat penelitian ini dilakukan versi Palo sudah mencapai versi 2.0.
Dalam penelitian ini dilakukan proses migrasi aplikasi OLAP PPMB IPB yang sebelumnya berjalan di Palo versi 1.0c ke Palo versi 2.0. Kemudian dilakukan pembandingan waktu operasi OLAP yang meliputi drill-down, slice, dan dice. Proses pembandingan dilakukan dengan menjalankan aplikasi OLAP PPMB IPB pada dua komputer virtual yang telah ter-install Palo dengan versi berbeda. Dari penelitian ini didapat bahwa untuk migrasi dari Palo versi 1.0c ke Palo versi 2.0 diperlukan beberapa perubahan, diantaranya konfigurasi sistem dan penambahan modul untuk penyesuaian hasil query kubus di Palo versi 2.0. Berdasarkan hasil pembandingan operasi OLAP, didapat bahwa perbedaan waktu terbesar terjadi pada operasi OLAP yang melibatkan proses query
yang kompleks, sebagai contoh pada operasi drill-down untuk tiap level hirarki dengan jumlah filter
dimensi 0 (semua filter = All atau tidak ada filter dimensi yang dipilih), aplikasi OLAP PPMB IPB di Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP PPMB IPB di Palo 1.0c pada kubus mahasiswa dan empat sampai lima kali lebih cepat pada kubus pelamar. Semakin banyak jumlah filter
dimensi cenderung semakin kecil perbedaan waktu eksekusinya.
HOLAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
DAFTAR PUSTAKA
Bouzeghoub M, Kedad Z. 2000. A Quality-Based Framework for Physical Data
warehouse Design. Laboratoire PRiSM,
Université de Versailles. Versailles Cedex, France.
Han J, Kamber M. 2006. Data Mining Concepts & Techniques. Simon Fraser University. USA: Morgan Kaufman. Inmon WH. 2002. Building the Data
warehouse. Ed ke-3. New York, USA:
John Wiley & Sons.
Kantardzic M. 2003. Data Mining Concept,
Models, Methods, dan Algorithms. New
Jersey, USA: A John Wiley & Sons. Mallach EG. 2000. Decision Support and
Data warehouse Systems, International Edition. Singapore: McGraw-Hill.
Post GV. 2005. Database Management Systems: Designing and Building Business
Applications. Ed ke-3. New York, USA:
McGraw Hill.
Silberschatz A, Korth HF, Sudarshan S. 2006.
Database System Concepts. Ed ke-5.
HOLAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PEMBANDINGAN WAKTU OPERASI DALAM OLAP PPMB IPB
PADA PALO VERSI 1.0c DENGAN PALO VERSI 2.0
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Oleh:
HOLAN
G64101025
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Judul
: Pembandingan Waktu Operasi dalam OLAP PPMB IPB pada Palo
Versi 1.0c dengan Palo Versi 2.0
Nama :
Holan
NIM :
G64101025
Menyetujui:
Pembimbing I,
Imas S. Sitanggang, S.Si, M.Kom.
NIP 132206235
Pembimbing II,
Hari Agung Adrianto, S.Kom, M.Si.
NIP 132311918
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim, DEA
NIP 131578806
ABSTRAK
HOLAN. Pembandingan Waktu Operasi dalam OLAP (On-Line Analytical Processing) PPMB IPB pada Versi 1.0c dengan Versi 2.0. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan HARI AGUNG ADRIANTO.
Saat ini berbagai macam aplikasi data warehouse beserta aplikasi OLAP (On-Line Analytical
Processing) telah banyak bermunculan, dan masing-masing menawarkan kelebihan dan kemudahan
dalam penggunaannya. Jedox adalah satu dari sekian banyak pengembang aplikasi data warehouse
beserta OLAP-nya yang menyediakan aplikasi open source dan versi gratis dari aplikasinya yaitu Palo. Pada saat penelitian ini dilakukan versi Palo sudah mencapai versi 2.0.
Dalam penelitian ini dilakukan proses migrasi aplikasi OLAP PPMB IPB yang sebelumnya berjalan di Palo versi 1.0c ke Palo versi 2.0. Kemudian dilakukan pembandingan waktu operasi OLAP yang meliputi drill-down, slice, dan dice. Proses pembandingan dilakukan dengan menjalankan aplikasi OLAP PPMB IPB pada dua komputer virtual yang telah ter-install Palo dengan versi berbeda. Dari penelitian ini didapat bahwa untuk migrasi dari Palo versi 1.0c ke Palo versi 2.0 diperlukan beberapa perubahan, diantaranya konfigurasi sistem dan penambahan modul untuk penyesuaian hasil query kubus di Palo versi 2.0. Berdasarkan hasil pembandingan operasi OLAP, didapat bahwa perbedaan waktu terbesar terjadi pada operasi OLAP yang melibatkan proses query
yang kompleks, sebagai contoh pada operasi drill-down untuk tiap level hirarki dengan jumlah filter
dimensi 0 (semua filter = All atau tidak ada filter dimensi yang dipilih), aplikasi OLAP PPMB IPB di Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP PPMB IPB di Palo 1.0c pada kubus mahasiswa dan empat sampai lima kali lebih cepat pada kubus pelamar. Semakin banyak jumlah filter
dimensi cenderung semakin kecil perbedaan waktu eksekusinya.
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 16 Oktober 1982 dari ayah Janes Sarman Saragih dan ibu Sugiharsi. Penulis merupakan anak pertama dari tiga bersaudara.
Tahun 2001 Penulis lulus dari SMU Negeri 99 Jakarta dan pada tahun yang sama lulus seleksi masuk IPB melalui jalur Undangan Seleksi Mahasiswa IPB. Penulis memilih Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB.
PRAKATA
Segala pujian dan syukurPenulis kepada Tuhan Yang Maha Esa atas segala berkat dan karunia-Nya sehingga skripsi ini dapat diselesaikan. Skripsi ini merupakan hasil penelitian yang dilakukan dari Maret 2008 sampai Juli 2008 dengan bidang kajian Pembandingan Waktu Operasi dalam OLAP PPMB IPB pada Palo Versi 1.0c dengan Versi 2.0.
Penulis mengucapkan terima kasih kepada Ibu Imas S. Sitanggang, S.Si, M.Kom selaku pembimbing I yang telah memberi saran, masukan, dan ide-ide kepada Penulis dalam menyusun skripsi ini. Terima kasih juga Penulis ucapkan kepada Bapak Hari Agung Adrianto, S.Kom, M.Si selaku pembimbing II yang telah memberi saran dan masukan kepada Penulis. Ucapan terima kasih juga kepada Bapak Wisnu Ananta Kusuma, S.T, M.T selaku penguji.
Bogor, Juli 2008
vi
DAFTAR ISI
Halaman
DAFTAR TABEL ... vii
DAFTAR GAMBAR ... vii
DAFTAR LAMPIRAN ... viii
PENDAHULUAN ... 1
Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
Manfaat ... 1
TINJAUAN PUSTAKA ... 1
Data Warehouse ... 1
Model Data Multidimensi ... 2
On-Line Analytical Processing (OLAP) ... 3
Arsitektur Data Warehouse... 4
Palo ... 5
METODE PENELITIAN ... 5
Migrasi Data dan Aplikasi OLAP ... 5
Mekanisme Pembandingan ... 6
Lingkungan Pembandingan ... 6
HASIL DAN PEMBAHASAN... 7
Migrasi Data dan Aplikasi OLAP ... 7
Hasil Pembandingan ... 8
KESIMPULAN DAN SARAN ... 13
Kesimpulan ... 13
Saran ... 13
DAFTAR PUSTAKA ... 14
vii
DAFTAR TABEL
Halaman
1 Kombinasi untuk operasi slice kubus mahasiswa ... 10
2 Kombinasi untuk operasi slice kubus pelamar ... 11
3 Kombinasi untuk operasi dice kubus mahasiswa ... 12
4 Kombinasi untuk operasi dice kubus pelamar ... 12
DAFTAR GAMBAR
Halaman 1Representasi kubus data dengan 3 dimensi (Han dan Kamber 2006). ... 3
2 Skema bintang (Han & Kamber 2006). ... 3
3
Skema snowflake (Han & Kamber 2006). ... 3
4
Skema galaksi (Han & Kamber 2006). ... 3
5
Arsitektur three-tierdata warehousing (Han dan Kamber 2006). ... 4
6 Skema Galaksi data warehouse PPMB IPB. ... 5
7
Perbedaan array pada Palo versi 1.0c dengan 2.0. ... 7
8 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 0. ... 8
9 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 1. ... 8
10 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 2. ... 8
11 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 3. ... 9
12 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 0. ... 9
13 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 1. ... 9
14 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 2. ... 10
15
Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 3. ... 10
16 Waktu eksekusi operasi slice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 1. ... 11
17 Waktu eksekusi operasi slice pada kubus pelamar dengan kombinasi operasi pada Tabel 2... 11
18 Waktu eksekusi operasi dice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 3. ... 12
viii
DAFTAR LAMPIRAN
Halaman
1 Kombinasi operasi drill-down untuk kubus mahasiswa ... 16
2 Kombinasi operasi drill-down untuk kubus pelamar ... 17
3 Kombinasi operasi slice pada kubus mahasiswa ... 19
4 Kombinasi operasi slice pada kubus pelamar ... 19
5 Kombinasi operasi dice pada kubus mahasiswa ... 20
6 Kombinasi operasi dice pada kubus pelamar ... 20
7 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 1 pada kubus mahasiswa ... 21
8 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 2 pada kubus pelamar ... 24
9 Waktu eksekusi dari pengulangan operasi slice di Lampiran 3 pada kubus mahasiswa ... 28
10 Waktu eksekusi dari pengulangan operasi slice di Lampiran 4 pada kubus pelamar ... 29
11 Waktu eksekusi dari pengulangan operasi dice di Lampiran 5 pada kubus mahasiswa ... 30
PENDAHULUAN
Latar Belakang
Saat ini sudah banyak organisasi yang telah mengadopsi teknologi data warehouse. Penerapan teknologi ini sangat membantu sekali bagi suatu organisasi yang memiliki data yang sangat besar (sepertii data pelanggan, data penjualan dan sebagainya yang berasal dari masa lalu hingga sekarang) untuk menganalisis perkembangan organisasi dan hasil-hasil yang telah dicapainya secara histori. Data yang sangat besar tersebut, yang bersumber dari berbagai macam bentuk penyimpanan data dan memiliki format yang berbeda-beda dapat diintegrasikan menjadi suatu bentuk penyimpanan data melalui proses pembersihan dan integrasi data. Data yang sudah tergabung tersebut terpisah secara fisik dari lingkungan operasional.
Data warehouse umumnya diintegrasikan
dengan aplikasi On-Line Analytical
Processing (OLAP) yang memudahkan
pengguna untuk memilah informasi dari data multi dimensi secara interaktif. Informasi yang didapatkan biasanya berupa pola kecenderungan ukuran suatu subjek pada beberapa waktu tertentu, misalnya informasi jumlah pelanggan dari tahun 2000 hingga 2008.
Saat ini berbagai macam aplikasi data warehouse beserta aplikasi OLAP-nya telah banyak bermunculan, dan masing-masing menawarkan kelebihan dan kemudahan dalam penggunaannya. Palo adalah satu dari sekian banyak pengembang aplikasi data warehouse
beserta OLAP-nya yang menyediakan aplikasi
open source dan versi gratis dari aplikasinya. Aplikasi yang diberikan adalah sebuah server
OLAP dan sebuah OLAP client yang bisa dijalankan dengan program spreadsheet
Microsoft Excel. Namun Palo juga menyediakan API (Aplication Program
Interface) bagi server OLAP-nya untuk
berbagai platform bahasa pemrograman seperti Java, PHP, C, dan .NET. Hal ini membuatnya bersifat fleksibel untuk diintegrasikan dengan berbagai aplikasi. Perkembangan Palo pada saat tulisan ini dibuat sudah mencapai versi 2.0.
Pada penelitian ini akan dibuat suatu perbandingan kinerja antara Palo versi 1.0c dengan Palo versi 2.0. Aplikasi OLAP yang digunakan dalam perbandingan ini adalah aplikasi yang telah dibangun sebelumnya oleh Abi Herlambang, S.Kom, yaitu Aplikasi
OLAP PPMB IPB yang berbasis web. Data yang digunakan dalam penelitian ini juga sama, yaitu data pelamar melalui jalur USMI dan data mahasiswa dari PPMB serta data IPK mahasiswa Tingkat Persiapan Bersama (TPB) IPB tahun masuk 2000 sampai 2004.
Tujuan
Tujuan dari penelitian ini adalah:
1. Mengetahui seberapa besar perbedaan kinerja antara Palo versi 1.0c dengan Palo versi 2.0. berdasarkan waktu eksekusi suatu operasi OLAP.
2. Melakukan proses migrasi dari Palo 1.0c ke Palo 2.0 untuk aplikasi OLAP PPMB IPB.
Ruang Lingkup
Dalam penelitian ini versi dari bahasa pemrograman yang digunakan adalah berbeda, yaitu PHP versi 5.1.6 untuk Palo versi 1.0c dan PHP versi 5.2.5 karena API yang digunakan pada masing-masing Palo hanya bisa bekerja sesuai dengan versi PHP tersebut. Operasi OLAP yang dibandingkan hanya tiga, yaitu drill-down, slice, dan dice. Perbandingan kinerja hanya didasarkan pada lama waktu eksekusi dari operasi OLAP yang dilakukan.
Manfaat
Hasil dari penelitian ini diharapkan dapat menjadi bahan pertimbangan bagi pihak-pihak yang telah menggunakan Palo versi 1.0c untuk bermigrasi ke Palo versi 2.0.
TINJAUAN PUSTAKA
Data Warehouse
Data warehouse adalah sebuah sistem
yang berisi sekumpulan data dari berbagai macam sumber yang terintegrasi menjadi satu dan dikelola secara terpisah dari basis data operasional.
Data warehouse merupakan ruang
proses traksaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan (Silberschatz et al 2006).
Data warehouse adalah sekumpulan data
berorientasi subjek, terintegrasi, time-variant,
dan non-volatile yang mendukung proses
pembuatan keputusan dari manajemen (Inmon 2002). Keempat istilah tersebut adalah hal-hal yang membedakan antara data warehouse
dengan sistem penyimpanan data lainnya.
• Subject–oriented artinya sebuah data
warehouse diorientasikan pada
subjek-subjek utama, seperti pelanggan, penyedia barang, produk, dan penjualan. Hal ini berbeda dengan operasional basis data yang berfokus pada operasi dan proses transaksi harian, data warehouse lebih berfokus pada pemodelan dan analisa dari data untuk pembuatan keputusan.
• Integrated artinya sebuah data warehouse
dibangun dengan mengintegrasikan berbagai macam sumber data yang berbeda-beda seperti basis data relasional,
file text biasa, dan data transaksi online. Hal ini berbeda dengan data operasional yang hanya berasal dari sumber-sumber sistem penyimpanan data yang identik. • Time-variant artinya setiap data yang ada
dalam data warehouse adalah merupakan informasi yang memiliki perspektif histori, seperti misalnya produksi suatu item
sepanjang lima tahun terakhir. Setiap struktur kunci dalam data warehouse
mengandung elemen waktu baik secara eksplisit maupun secara implisit. Hal ini berbeda dengan data operasional yang bisa memiliki banyak perspektif.
• Nonvolatile artinya sebuah data
warehouse selalu terpisah secara fisik dari aplikasi pengolahan data yang ada di dalam lingkungan operasional. Jadi berdasarkan hal tersebut data warehouse
tidak membutuhkan pemrosesan transaksi, proses recovery, dan mekanisme pengaturan concurrency. Operasi yang ada biasanya hanya berupa pengisian awal data dan pengaksesan data.
Data warehouse merupakan ruang
penyimpanan (atau arsip) informasi yang dikumpulkan dari berbagai sumber, disimpan dengan sebuah skema terintegrasi pada satu tempat. Data/infomasi tersebut tersimpan dalam jangka waktu yang lama, sehingga memungkinkan pengguna mengakses data historis. Data warehouse menyediakan satu
tampilan data terkonsolidasi, sehingga menciptakan query untuk proses pengambilan keputusan menjadi lebih mudah. Dengan mengakses informasi dari data warehouse, proses traksaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan (Silberschatz et al 2006).
Data warehousing adalah suatu
infrastruktur perangkat lunak yang mendukung aplikasi OLAP dengan menyediakan sebuah koleksi alat bantu yang (i) mengumpulkan data dari sekumpulan sumber-sumber heterogen terdistribusi, (ii) membersihkan dan mengintegrasikan data tersebut ke dalam representasi yang seragam (iii) mengagregasi dan mengorganisasi data tersebut ke dalam struktur multidimensional yang tepat untuk pengambilan keputusan, dan (iv) memperbaharuinya secara periodik untuk menjaga agar data mutakhir dan akurat (Bouzeghoub dan Kedad 2000).
Model Data Multidimensi
Pembuatan data warehouse didasarkan pada model data multidimensi. Model ini menampilkan data dalam bentuk kubus. Model data multidimensi terdiri dari dimensi
(dimensions) dan fakta (facts) (Han dan
Kamber 2006).
Dimensi adalah perspektif atau entitas penting yang dimiliki oleh organisasi. Setiap dimensi mungkin memiliki satu tabel yang berasosiasi dengannya yang disebut dengan tabel dimensi yang mendeskripsikan dimensi itu sendiri. Dimensi akan berubah jika analisis kebutuhan pengguna berubah. Dimensi mendefinisikan label yang membentuk isi laporan. Tabel dimensi berukuran lebih kecil daripada tabel fakta dan berisi data tidak numerik. Pada data warehouse, kubus data merupakan kubus dengan n-dimensi (Han dan Kamber 2006).
Kubus data disebut juga cuboid, berasal dari banyak dimensi. Potongan cuboid yang lebih kecil dapat dibuat dengan mengambil sebagian dimensi dari sebuah cuboid besar. Potongan cuboid memiliki tingkat yang lebih tinggi (besar nilainya) dari cuboid asalnya, cuboid dengan tingkat terendah disebut base
cuboid (Han dan Kamber 2006). Gambaran
kubus data dengan tiga dimensi dapat dilihat pada Gambar 1. Kubus data tersebut memiliki dimensi time, item, dan location, ukuran yang ditampilkan adalah jumlah hasil penjualan
item.
Gambar 1 Representasi kubus data dengan 3 dimensi (Han dan Kamber 2006). Skema basis data berisi kumpulan entitas dan hubungan antarentitas. Sebuah data
warehouse memerlukan skema yang ringkas
dan berorientasi subjek yang dapat digunakan dalam analisis data on-line (Han dan Kamber 2006). Skema-skema yang biasa dipakai untuk membangun data warehouse di antaranya adalah:
Skema bintang (star schema)
Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang, dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Bentuk skema bintang dapat dilihat pada Gambar 2.
Gambar 2 Skema bintang (Han & Kamber 2006).
Skema snowflake (snowflake schema)
Skema snowflake adalah variasi dari skema bintang dimana beberapa tabel dimensi dinormalisasi, jadi dihasilkan beberapa tabel tambahan. Bentuk skema
snowflake dapat dilihat pada Gambar 3.
Gambar 3 Skema snowflake (Han & Kamber 2006).
Skema galaksi (fact constellation)
Pada skema galaksi, beberapa tabel fakta berbagi tabel dimensi. Bentuk skema galaksi dapat dilihat pada Gambar 4.
Gambar 4 Skema galaksi (Han & Kamber 2006).
On-Line Analytical Processing (OLAP)
On-Line Analytical Processing (OLAP)
aplikasi OLAP adalah kemampuan interaktifnya untuk membantu pimpinan organisasi melihat data dari berbagai perspektif (Post 2005).
Aplikasi dan metoda OLAP membantu pengguna menganalisis data pada sebuah data
warehouse dengan menyediakan berbagai
tampilan data, dan didukung dengan representasi grafik yang dinamis. Dalam tampilan tersebut dimensi-dimensi data berbeda menunjukkan karakteristik bisnis yang berbeda pula. Aplikasi OLAP sangat membantu untuk melihat data dimensional dari berbagai sudut pandang. Aplikasi OLAP tidak belajar dan tidak menciptakan pengetahuan baru dari data dengan sendirinya, tetapi merupakan alat bantu visualisasi khusus untuk membantu end-user menarik kesimpulan dan keputusan. Aplikasi OLAP sangat berguna untuk proses data mining, OLAP dapat menjadi bagian dari data mining
tetapi keduanya tidak bersifat substitusi (Kantardzic 2003).
Berikut adalah operasi-operasi yang bisa dilakukan oleh aplikasi OLAP (Han dan Kamber 2006):
Roll-up
Operasi ini melakukan agregasi pada kubus data dengan cara menaikkan tingkat suatu hirarki konsep atau mengurangi dimensi. Misalkan pada kubus data dimensi wilayah pada level kota di-roll-up
menjadi level propinsi atau negara.
Drill-down
Drill-down adalah kebalikan dari roll-up. Operasi ini mempresentasikan data menjadi lebih detil. Drill-down dilakukan dengan cara menurunkan tingkat suatu hirarki konsep atau menambahkan dimensi. Misalkan suatu elemen tahun
di-drill-down menjadi elemen triwulan,
bulan, atau hari.
Slice dan Dice
Operasi slice melakukan pemilihan satu dimensi dari kubus data sehingga menghasilkan bagian kubus (subcube). Operasi dice menghasilkan bagian kubus
(subcube) dengan melakukan pemilihan
dua atau lebih dimensi.
Pivot (rotate)
Pivot adalah operasi visualisasi dengan memutar koordinat data pada tampilan
yang bertujuan untuk menyediakan presentasi alternatif dari data.
Satu kategori dari OLAP yang mulai muncul pada tahun 1997 adalah Web-based
OLAP (WOLAP). Dengan produk ini pengguna web browser atau komputer dalam jaringan dapat mengakses dan menganalisis data dalam data warehouse. WOLAP dapat diterapkan dalam internet atau intranet, namun banyak organisasi lebih memilih
intranet karena alasan keamanan dan
kerahasiaan data. WOLAP dapat digunakan selama klien memiliki perangkat lunak web
yang diperlukan dan terhubung dengan jaringan komputer yang benar. Teknologi ini juga mengeliminasi kebutuhan akan instalasi paket perangkat lunak pada komputer pengguna (Mallach 2000).
Arsitektur Data Warehouse
Data warehouse biasanya dibangun
dengan menggunakan arsitektur three-tier. Bentuk arsitektur three-tier dapat dilihat pada Gambar 5.
Gambar 5 Arsitektur three-tier data
warehousing (Han dan Kamber
2006).
Lapisan-lapisan arsitektur data warehousing
tersebut adalah (Han dan Kamber 2006):
Lapis bawah (bottom tier)
Pada lapis bawah terdapat server data
warehouse yang biasanya merupakan
Lapis tengah (middle tier)
Lapis tengah adalah OLAP server yang biasanya diimplementasikan dengan OLAP Relasional (ROLAP) atau OLAP Multidimensional (MOLAP).
Lapis atas (top tier)
Lapis atas adalah lapisan front-end client
yang berisi query dan perangkat pelaporan, perangkat analisis, dan/atau perangkat
data mining (seperti: analisis tren,
prediksi, dan lainnya).
Palo
Palo merupakan basis data berbasis sel yang multidimensional, hirarkis, dan berbasis memori. Query dalam Palo menghasilkan satu nilai sel tunggal, bukan baris data seperti basis data relasional. Palo menyimpan data dalam kubus data. Dengan dimensi yang hirarkis, kubus data Palo mampu melakukan agregasi multidimensi. Palo berbasis memori yang berimplikasi pada kecepatan (www.jedox.com 2008).
Palo menyediakan Palo Excel Add-In yang terintegrasi dengan Microsoft Office Excel. Palo Excel Add-In memiliki fasilitas untuk menampilkan data dari kubus data Palo, membentuk struktur kubus data Palo, dan
memuat data dari sumber eksternal ke kubus data Palo (www.jedox.com 2008).
METODE PENELITIAN
Migrasi Data dan Aplikasi OLAP
Aplikasi OLAP dibangun untuk mempresentasikan hasil operasi-operasi OLAP. Kelebihan aplikasi ini dibanding Palo Excel Add-In adalah berbasis web, terdapat operasi roll-up dan drill-down dalam tabel, dan grafik dinamis. Pengguna dapat mengevaluasi pola dengan menentukan kubus, ukuran, dimensi-dimensi, dan elemen-elemen dimensi, kemudian aplikasi akan memvisualisasikan ke bentuk yang mudah dipahami.
Aplikasi OLAP PPMB IPB yang berjalan pada Palo versi 1.0c menggunakan skema galaksi. Skema galaksi digunakan karena terdapat dua tabel fakta, yaitu tabel Pelamar dan tabel Mahasiswa, dan terdiri dari sepuluh tabel dimensi, yaitu tabel Asal, Listrik, BiayaHidup, KategoriSLA, Waktu, JenisKelamin, Studi, Jalur, Pendidikan, dan PekerjaanAyah. Bentuk skema data
warehouse PPMB IPB 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
Aplikasi OLAP yang telah dibuat sebelumnya, OLAP PPMB IPB yang berjalan pada Palo versi 1.0c, dibangun dengan menggunakan bahasa pemrograman web PHP dan berjalan pada server OLAP Palo versi 1.0c. Sebagai penghubung antara aplikasi PHP dengan server OLAP adalah Palo PHP API
(Application Program Interface). Modul
utama yang terdapat dalam aplikasi OLAP tersebut adalah:
app.class.php, merupakan class induk yang menjalankan aplikasi,
content.class.php, merupakan class untuk mengatur isi dari aplikasi,
olap_function.class.php, merupakan class
untuk menjalankan operasi-operasi OLAP,
olap_render.class.php, merupakan class
untuk menampilkan aplikasi dalam sintaksis HTML,
olap_graph_generator.class.php,
merupakan class untuk menggambar grafik hasil operasi OLAP. Class ini menggunakan library JpGraph untuk menghasilkan grafik.
Aplikasi OLAP yang akan dijadikan pembanding adalah aplikasi OLAP yang berjalan pada server OLAP Palo 2.0. Karena data yang digunakan sama, maka ada proses migrasi data dari Palo 1.0c ke Palo 2.0. Data
warehouse PPMB yang ada pada Palo 1.0c
disalin ke lokasi atau folder tempat penyimpanan data warehouse Palo 2.0. Selanjutnya proses perubahan format data tersebut dilakukan secara otomatis oleh server
OLAP Palo 2.0.
Terdapat perbedaan Palo PHP API pada versi 1.0c dan 2.0, sehingga diperlukan penggantian modul API jika akan migrasi dari Palo 1.0c ke Palo 2.0. Begitu juga dengan
interpreter PHP-nya, yang memerlukan
penggunaan versi API yang sesuai. Dalam hal ini, karena aplikasi OLAP yang telah dibangun sebelumnya menggunakan PHP 5.1.6 maka API yang digunakan harus Palo PHP API yang ditujukan untuk PHP 5.1.x. Di samping itu karena API yang tersedia untuk Palo 2.0 adalah API yang ditujukan untuk PHP versi 5.2.x ke atas, maka aplikasi OLAP yang akan dibandingkan menggunakan
interpreter PHP versi 5.2.5. Mekanisme Pembandingan
Pembandingan kinerja antara aplikasi OLAP yang berjalan pada Palo 1.0c dengan
aplikasi OLAP yang berjalan pada Palo 2.0 dilakukan dengan membandingkan lamanya waktu suatu operasi. Untuk itu dibuat suatu fungsi penghitung lamanya waktu operasi yang diintegrasikan dengan modul aplikasi yang telah ada yaitu modul olap_function.class.php. Fungsi penghitungan waktu tersebut ditempatkan sebelum dan setelah fungsi palo_getdata($connection, $basis data, $cube, $coordinates), kemudian dicari selisihnya untuk mendapatkan lamanya tiap operasi pada aplikasi OLAP.
Agar pembandingan dapat dilakukan dengan benar, maka tiap aplikasi OLAP tersebut masing-masing dijalankan pada komputer virtual yang terpisah dengan spesifikasi mesin dan sistem operasi yang sama. Komputer virtual dibuat dengan menggunakan aplikasi VMWare Workstation 5.5.3.
Operasi-operasi yang dibandingkan pada kedua aplikasi OLAP ini adalah operasi drill-down, operasi slice, dan operasi dice. Tiap operasi dilakukan pengulangan sebanyak lima kali, kemudian diambil rata-ratanya
Pembandingan operasi drill-down dilakukan dengan mengkombinasikan jumlah
filter dimensi, ukuran yang dipakai, dan level hirarki dari dimensi. Daftar kombinasi tersebut dapat dilihat pada Lampiran 1 dan 2. Pembandingan operasi slice dilakukan dengan mengkombinasikan dimensi yang ditampilkan (yang menjadi baris dan kolom), satu elemen dimensi terpilih, dan ukuran yang dipakai. Daftar kombinasinya dapat dilihat pada Lampiran 3 dan 4.
Untuk operasi dice, yang dikombinasikan adalah dimensi yang ditampilkan dengan
filter-nya, dan ukuran yang dipakai. Daftar kombinasinya dapat dilihat pada Lampiran 5 dan 6.
Lingkungan Pembandingan
Lingkungan pembandingan dilakukan dalam dua komputer virtual yang berjalan pada satu komputer induk. Adapun spesifikasi inti dari komputer induk adalah :
Tipe komputer notebook
Prosesor Mobile Intel Core Duo T2250, 1733 MHz (13 x 133).
Memori 1 GB DDR2 SDRAM 533
Sistem OperasiMicrosoft Windows XP Professional Service Pack 2
Sedangkan spesifikasi inti kedua virtual komputernya adalah:
Prosesor tunggal
Memori 512 MB
Harddisk 8 GB
Sistem Operasi: Microsoft Windows XP Professional Service Pack 2
Aplikasi inti yang berjalan didalamnya yaitu:
Web Server Apache 2.0.52
Microsoft Internet Explorer 6
Microsoft Excel 2003
Perbedaan antara kedua komputer virtual tersebut adalah aplikasi Palo dan interpreter PHP yang masing-masing di-install dengan versi yang berbeda.
HASIL DAN PEMBAHASAN
Migrasi Data dan Aplikasi OLAP
Pada aplikasi OLAP yang berjalan di Palo 2.0, saat menampilkan daftar kubusyang ada, daftar kubus-nya terdiri atas kubus utama (kubus mahasiswa dan kubus pelamar) dan sub-sub kubusnya. Hal ini menimbulkan error
pada aplikasi OLAP ketika dijalankan karena pada saat inisialisasi aplikasi OLAP tersebut memanggil indeks kubus berdasarkan indeks angka.
Pada aplikasi OLAP Palo 1.0c indeks angka kubus utama pada array kubus-nya berbeda dengan indeks angka pada aplikasi OLAP Palo 2.0 karena aplikasi OLAP Palo 2.0 daftar kubus pada array-nya terdiri atas kubus utama dan sub kubus dan indeks angka pada kubus utamanya berada pada indeks angka setelah 0 dan 1. Perbedaan array pada kedua versi Palo dapat dilihat pada Gambar 7.
Gambar 7 Perbedaan array pada Palo versi 1.0c dengan 2.0.
Sub-sub kubus itu dapat dibedakan dengan namanya, yaitu sub kubus selalu diawali dengan karakter “#”. Untuk itu perlu ditambah fungsi untuk mengubah isi dari array kubus sehingga array kubus-nya hanya terdiri dari kubus-kubus utama, yaitu kubus mahasiswa dan kubus pelamar. Berikut adalah fungsi penghilangan sub-kubus dari array kubus pada aplikasi OLAP Palo 2.0:
protected function normal_cube($arr)
{
$arr_length=count($arr);
$new_cubes=array();
$c=0;
for ($a=0; $a<$arr_length; $a++){
if(substr($arr[$a],0,1)!=='#'){
$new_cubes[$c]=$arr[$a];
$c++;
}
}
return $new_cubes;
}
Fungsi tersebut ditambahkan pada modul olap_function.class.php dan dipanggil setelah perintah palo_database_list_cube().
Mekanisme konfigurasi server OLAP pada masing-masing versi Palo juga berbeda. Pada Palo 1.0c konfigurasi dilakukan pada dua file, yaitu file auth.xml untuk konfigurasi user access dan file config.xml untuk konfigurasi alamat server OLAP dan port-nya. Sedangkan pada Palo 2.0, konfigurasi dilakukan hanya pada satu file yaitu file palo.ini. File-file
konfigurasi tersebut terletak pada folder
tempat basis data Palo disimpan. Dari file-file
konfigurasi tersebut, secara defaultuser login
dan port untuk API dari masing-masing versi Palo juga berbeda, sehingga modul conf.app.php untuk aplikasi OLAP yang berjalan di Palo 2.0. perlu diubah. Berikut adalah baris yang perlu diubah dari modul conf.app.php:
$config['paloPort'] = 7777;
$config['paloUsername'] = 'admin';
Hasil Pembandingan
Hasil pembandingan dari kedua aplikasi OLAP ini adalah sebagai berikut:
Operasi drill-down kubus mahasiswa
Operasi drill-down pada kubus mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 5, ukuran yang dipakai yaitu rataan IPK TPB, dan level hirarki program studi dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drill-down kubus mahasiswa dapat dilihat pada Lampiran 7. Gambar 8 sampai dengan Gambar 11 menunjukkan hasil pembandingan waktu operasi drill-down untuk tiap level hirarki program studi dari kubus mahasiswa.
Gambar 8 Waktu eksekusi operasi drill-down
pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 0.
Gambar 9 Waktu eksekusi operasi drill-down
pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 1.
Gambar 10 Waktu eksekusi operasi drill-down
Gambar 11 Waktu eksekusi operasi drill-down
pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 3.
Dari keempat grafik pada Gambar 8, 9, 10, dan 11 diperoleh bahwa semakin
banyak filter dimensi yang
dikombinasikan dengan operasi drill-down
untuk aplikasi OLAP Palo 1.0c semakin cepat waktu eksekusinya. Berbeda dengan aplikasi OLAP Palo versi 2.0 yang justru cenderung semakin lambat waktu eksekusinya meskipun tidak terlalu signifikan.
Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c. Terkecuali untuk operasi drill-down level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter
dimensi 5. Semakin banyak jumlah filter
dimensi semakin kecil perbedaan waktu eksekusinya.
Operasi drill-down kubus pelamar
Operasi drill-down pada kubus mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 7, ukuran yang dipakai yaitu jumlah pelamar USMI, dan level hirarki program studi putusan dan program studi pilihan 1 masing-masing dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drill-down kubus pelamar dapat dilihat pada Lampiran 8. Gambar 12 sampai dengan Gambar 15 menunjukkan pembandingan waktu operasi drill-down untuk tiap level
hirarki program studi putusan dan program studi pilihan 1 dari kubus pelamar.
Gambar 12 Waktu eksekusi operasi drill-down
pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 0.
Gambar 14 Waktu eksekusi operasi drill-down
pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 2.
Gambar 15 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 3.
Pada keempat grafik pada Gambar 12, 13, 14, dan 15 diperoleh bahwa untuk jumlah filter dimensi 0, aplikasi OLAP Palo 2.0 jauh lebih cepat sekitar empat sampai lima kali dari pada aplikasi OLAP Palo 1.0c. Sedangkan untuk perbedaan terkecil terjadi pada saat jumlah filter
dimensinya 3.
Pada jumlah filter dimensi di bawah 3, rata-rata dari grafik pada Gambar 12, 13, 14, dan 15, aplikasi OLAP Palo 2.0 lebih
cepat dibanding aplikasi Palo 1.0c. Sedangkan untuk jumlah filter dimensi di atas 3, justru aplikasi OLAP Palo 1.0c lebih cepat dari aplikasi OLAP Palo 2.0.
Operasi slice kubus mahasiswa
Proses pembandingan waktu operasi untuk operasi slice pada kubus mahasiswa dilakukan dengan kombinasi seperti dalam Tabel 1. Hasil dari penghitungan lama waktu operasi slice kubus mahasiswa dapat dilihat pada Lampiran 9.
Tabel 1 Kombinasi untuk operasi slice kubus mahasiswa
No
Tampilan Dimensi (baris × kolom)
Elemen Dimensi
Terpilih Ukuran
1 Jalur × Program Studi
Tahun = 2001 Rataan IPK
2 Jalur × Program
Studi JK = Perempuan Rataan IPK
3 Jalur × Program Studi
Pekerjaan Ayah = PNS
Jumlah Mahasiswa
4 Jalur × Program Studi
Pendidikan Ayah = P2
Jumlah Mahasiswa
5 Jalur × Program Studi
Pendidikan Ibu = P1
Jumlah Mahasiswa
6 Jalur ×
Waktu JK = Lelaki Rataan IPK
7 Jalur Waktu × Departemen = Ilmu Komputer Rataan IPK
8 Jalur × Waktu
Pendidikan Ayah = P1
Jumlah Mahasiswa
9 Jalur × Waktu
Pendidikan Ibu = P0
Jumlah Mahasiswa
10 Jalur Waktu × Pekerjaan Ayah = PNS Jumlah Mahasiswa
Gambar 16 Waktu eksekusi operasi slice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 1. Dari gambar grafik pada Gambar 16, diperoleh secara rata-rata aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 3, yaitu dengan tampilan dimensi Jalur × Program Studi, elemen dimensi terpilih JK = Perempuan, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 10 kali. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 8 dari Tabel 1, yaitu dengan tampilan dimensi Jalur × Waktu, elemen dimensi terpilih Pendidikan Ayah = P1, dan ukuran Jumlah Mahasiswa.
Operasi slice kubus pelamar
Proses pembandingan waktu operasi untuk operasi slice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 2. Hasil dari penghitungan lama waktu operasi slice kubus pelamar dapat dilihat pada Lampiran 10.
Tabel 2 Kombinasi untuk operasi slice kubus pelamar No Tampilan Dimensi (baris × kolom) Elemen Dimensi
Terpilih Ukuran
1 Asal × Studi Pilihan 1
Tahun = 2004
Jumlah Pelamar USMI
2 Asal × Studi Pilihan 1
Jenis Kelamin = Perempuan
Jumlah Pelamar USMI
3 Asal × Studi Pilihan 1
Studi Putusan = Tidak Diterima
Jumlah Pelamar USMI
4 Asal × Studi Putusan
Jenis Kelamin = Lelaki
Jumlah Pelamar USMI
5 Asal × Studi Putusan
Kategori SLA = B Jumlah Pelamar USMI No Tampilan Dimensi (baris × kolom) Elemen Dimensi
Terpilih Ukuran
6 Asal × Waktu
Studi Putusan = Ilmu Komputer
Jumlah Pelamar USMI
7 Asal × Waktu
Studi Pilihan 1 = Statistika
Jumlah Pelamar USMI
8 Asal Waktu × Biaya hidup = < Rp. 100 ribu
Jumlah Pelamar USMI
9 Asal × Waktu
Jenis Kelamin = Lelaki
Jumlah Pelamar USMI
10 Asal ×
Waktu Kategori SLA = A
Jumlah Pelamar USMI
Dari kombinasi pada Tabel 2, didapat hasil lamanya waktu operasi slice pada kubus pelamar untuk masing-masing kombinasi seperti tercantum dalam Gambar 17.
Gambar 17 Waktu eksekusi operasi slice pada kubus pelamar dengan kombinasi operasi pada Tabel 2.
Dari Gambar 17 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 7 dari Tabel 2, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Studi Pilihan 1 = Statistika, dan ukuran Jumlah Pelamar USMI.
Operasi dice kubusmahasiswa
Tabel 3. Hasil dari penghitungan lama waktu operasi dice kubus mahasiswa dapat dilihat pada Lampiran 11.
Tabel 3 Kombinasi untuk operasi dice kubus mahasiswa No Tampilan Dimensi (baris × kolom) Elemen Dimensi
Terpilih Ukuran
1 Jalur × Program Studi
Jalur = USMI or SPMB Fakultas = MIPA or FAPERTA
Rataan IPK
2 Jalur × Pendidikan Ayah
Jalur = USMI or SPMB
Pendidikan Ayah = P2 or P3
Rataan IPK
3 Jalur × Pekerjaan Ayah
Jalur = USMI or SPMB
Pekerjaan Ayah = PNS or Pegawai Swasta
Jumlah Mahasis wa
4 Jalur × Waktu
Jalur = USMI or SPMB Waktu = 2001 or 2004 Jumlah Mahasis wa 5 Pendidikan Ayah × Pendidikan Ibu
Pendidikan Ayah = P2 or P3 Pendidikan Ibu = P1 or P2
Rataan IPK
6
Pekerjaan Ayah × Program Studi
Pekerjaan Ayah = PNS or Pegawai Program Studi = Ilmu Komputer or Matematika
Rataan IPK
Dari kombinasi pada Tabel 3, didapat hasil lamanya waktu operasi dice pada kubus mahasiswa untuk masing-masing kombinasi seperti tercantum dalam Gambar 18.
Gambar 18 Waktu eksekusi operasi dice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 3. Dari Gambar 18 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 1 pada Tabel 3, yaitu dengan tampilan dimensi
Jalur × Program Studi, elemen dimensi terpilih Jalur = USMI atau SPMB dan Fakultas = MIPA atau FAPERTA, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar tujuh kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice yang menggunaan kombinasi nomor 5 dari Tabel 3, yaitu dengan tampilan dimensi Jalur × Pekerjaan Ayah, elemen dimensi terpilih Jalur = USMI atau SPMB dan Pekerjaan Ayah = PNS atau Pegawai Swasta, dan ukuran Jumlah Mahasiswa.
Operasi dice kubus pelamar
Proses pembandingan waktu operasi untuk operasi dice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 4. Hasil dari penghitungan lama waktu operasi dice kubus pelamar dapat dilihat pada Lampiran 12.
Tabel 4 Kombinasi untuk operasi dice kubus pelamar No Tampilan Dimensi (baris × kolom) Elemen Dimensi
Terpilih Ukuran
1 Studi Pilihan 1 × Studi Pilihan 2
Studi Pilihan 1 = Ilmu Komputer or Statistika Studi Pilihan 2 = Ilmu Komputer or Statistika
Jumlah Pelamar USMI
2 Biaya Hidup ×
Waktu
Biaya Hidup = < Rp. 100 ribu or > Rp 500 ribu Waktu = 2001 or 2004
Jumlah Pelamar USMI
3 Asal Studi ×
Pilihan 1
Asal = Jawa or Sumatera Studi Pilihan 1 = Ilmu Komputer or Statistika
Jumlah Pelamar USMI
4 Asal × Studi Putusan
Asal = Jawa or Sumatera Studi Putusan = Ilmu Komputer or Statistika
Jumlah Pelamar USMI
Gambar 19 Waktu eksekusi operasi dice pada kubus pelamar dengan kombinasi operasi pada Tabel 4.
Dari Gambar 19 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice
yang menggunaan kombinasi 1 dari Tabel 4, yaitu dengan tampilan dimensi Studi Pilihan 1 × Studi Pilihan 2, elemen dimensi terpilih Studi Pilihan 1 = Ilmu Komputer atau Statistika dan Studi Pilihan 2 = Ilmu Komputer atau Statistika, dan ukuran Jumlah Pelamar USMI.
KESIMPULAN DAN SARAN
Kesimpulan
Dari penelitian ini didapatkan bahwa untuk dapat melakukan migrasi data dan aplikasi OLAP Palo versi 1.0c ke 2.0 ada beberapa perubahan yang perlu diperhatikan, diantaranya yaitu file konfigurasi server Palo,
port API server Palo, login default API server
Palo, dan kesesuaian interpreter dari
programmingscript yang dipakai dengan API
server Palo yang dipakai. Selain itu juga hasil dari query kubus data pada Palo 2.0 terjadi perubahan, sehingga perlu ditambahkan fungsi pada aplikasi OLAP yang telah dibuat untuk menghilangkan perbedaan tersebut.
Dari pembandingan operasi drill-down, pada aplikasi OLAP Palo 1.0c untuk jumlah
filter dimensi di bawah 2 perbedaan
kinerjanya tertinggal jauh dari versi 2.0, namun bila jumlah filter dimensinya di atas 2
kinerjanya bisa menyamai versi 2.0 bahkan cenderung lebih cepat walaupun tidak terlalu signifikan. Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah
filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c di kubus mahasiswa dan empat sampai lima kali lebih cepat di kubus pelamar. Terkecuali untuk operasi drill-down level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter
dimensi 5 untuk kubus mahasiswa dan jumlah filter dimensi 3 untuk kubus pelamar. Semakin banyak jumlah filter dimensi cenderung semakin kecil perbedaan waktu eksekusinya.
Dari pembandingan operasi slice, kinerja aplikasi OLAP Palo 2.0 secara rata-rata jauh mengungguli kinerja versi 1.0c, terutama untuk operasi slice pada kubus pelamar. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10 di Tabel 2, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c.
Sama halnya dengan operasi slice, dari hasil pembandingan kinerja untuk operasi
dice, Palo 2.0 lebih unggul dari versi 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 di Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c.
Saran
DAFTAR PUSTAKA
Bouzeghoub M, Kedad Z. 2000. A Quality-Based Framework for Physical Data
warehouse Design. Laboratoire PRiSM,
Université de Versailles. Versailles Cedex, France.
Han J, Kamber M. 2006. Data Mining Concepts & Techniques. Simon Fraser University. USA: Morgan Kaufman. Inmon WH. 2002. Building the Data
warehouse. Ed ke-3. New York, USA:
John Wiley & Sons.
Kantardzic M. 2003. Data Mining Concept,
Models, Methods, dan Algorithms. New
Jersey, USA: A John Wiley & Sons. Mallach EG. 2000. Decision Support and
Data warehouse Systems, International Edition. Singapore: McGraw-Hill.
Post GV. 2005. Database Management Systems: Designing and Building Business
Applications. Ed ke-3. New York, USA:
McGraw Hill.
Silberschatz A, Korth HF, Sudarshan S. 2006.
Database System Concepts. Ed ke-5.
Lampiran 1 Kombinasi operasi drill-down untuk kubus mahasiswa
No. Jumlah Filter Dimensi Ukuran Level Hierarki
1 0 (Row-Program Studi, Column-Waktu) Rataan
IPK Level 0 (All)
2 0 (Row-Program Studi, Column-Waktu) Rataan
IPK Level 1 (Fakultas)
3 0 (Row-Program Studi, Column-Waktu) Rataan
IPK Level 2 (Departemen)
4 0 (Row-Program Studi, Column-Waktu) Rataan IPK
Level 3 (Program Studi)
5 1 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2) Rataan
IPK Level 0 (All)
6 1 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2) Rataan
IPK Level 1 (Fakultas)
7 1 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2) Rataan
IPK Level 2 (Departemen)
8 1 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2) Rataan IPK
Level 3 (Program Studi)
9 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI)
Rataan
IPK Level 0 (All)
10 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI)
Rataan
IPK Level 1 (Fakultas)
11 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI)
Rataan IPK
Level 2 (Departemen in Faperta)
12 2 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI)
Rataan IPK
Level 3 (Program Studi in Sosek)
13 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki)
Rataan
IPK Level 0 (All)
14 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki)
Rataan
IPK Level 1 (Fakultas)
15 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki)
Rataan
IPK Level 2 (Departemen)
16 3 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki)
Rataan IPK
Level 3 (Program Studi)
17 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1)
Rataan
IPK Level 0 (All)
18 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1)
Rataan
IPK Level 1 (Fakultas)
19 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1)
Rataan
IPK Level 2 (Departemen)
20 4 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1)
Rataan IPK
Level 3 (Program Studi)
21
5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS)
Rataan
IPK Level 0 (All)
22
5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS)
Rataan
IPK Level 1 (Fakultas)
23
5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS)
Rataan
IPK Level 2 (Departemen)
24
5 (Row-Program Studi, Column-Waktu, Pendidikan Ayah = P2, Jalur = USMI, JK = Lelaki, Pendidikan Ibu = P1, Pekerjaan Ayah = PNS)
Rataan IPK
Lampiran 2 Kombinasi operasi drill-down untuk kubus pelamar
No. Jumlah Filter Dimensi Ukuran Level Hierarki
1 0 (Row-Studi Putusan, Column-Studi Pilihan 1)
Jumlah Pelamar USMI
Level 0 (All)
2 0 (Row-Studi Putusan, Column-Studi Pilihan 1)
Jumlah Pelamar USMI
Level 1 (Fakultas)
3 0 (Row-Studi Putusan, Column-Studi Pilihan 1)
Jumlah Pelamar USMI
Level 2 (Departemen)
4 0 (Row-Studi Putusan, Column-Studi Pilihan 1)
Jumlah Pelamar USMI Level 3 (Program Studi)
5 1 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa)
Jumlah Pelamar USMI
Level 0 (All)
6 1 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa)
Jumlah Pelamar USMI
Level 1 (Fakultas)
7 1 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa)
Jumlah Pelamar USMI
Level 2 (Departemen)
8 1 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa)
Jumlah Pelamar USMI Level 3 (Program Studi)
9 2 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan)
Jumlah Pelamar USMI
Level 0 (All)
10 2 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan)
Jumlah Pelamar USMI
Level 1 (Fakultas)
11 2 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan)
Jumlah Pelamar USMI
Level 2 (Departemen)
12 2 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan)
Jumlah Pelamar USMI Level 3 (Program Studi)
13 3 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika)
Jumlah Pelamar USMI
Level 0 (All)
14 3 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika)
Jumlah Pelamar USMI
Level 1 (Fakultas)
15 3 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika)
Jumlah Pelamar USMI
Level 2 (Departemen)
16 3 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika)
Jumlah Pelamar USMI Level 3 (Program Studi) 17
4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W)
Jumlah Pelamar USMI
Level 0 (All)
18
4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W) Jumlah Pelamar USMI Level 1 (Fakultas) 19
Lanjutan
No. Jumlah Filter Dimensi Ukuran Level Hierarki
20
4 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W) Jumlah Pelamar USMI Level 3 (Program Studi) 21
5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu)
Jumlah Pelamar USMI
Level 0 (All)
22
5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu)
Jumlah Pelamar USMI Level 1 (Fakultas) 23
5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu)
Jumlah Pelamar USMI Level 2 (Departemen) 24
5 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu)
Jumlah Pelamar USMI Level 3 (Program Studi) 25
6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A)
Jumlah Pelamar USMI
Level 0 (All)
26
6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A)
Jumlah Pelamar USMI Level 1 (Fakultas) 27
6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A)
Jumlah Pelamar USMI Level 2 (Departemen) 28
6 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A)
Jumlah Pelamar USMI Level 3 (Program Studi) 29
7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 2001)
Jumlah Pelamar USMI
Level 0 (All)
30
7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 2001) Jumlah Pelamar USMI Level 1 (Fakultas) 31
7 (Row-Studi Putusan, Column-Studi Pilihan 1, Asal = Jawa, JK = Perempuan, Studi Pilihan 2 = Matematika, Listrik = 900 W, Biaya Hidup = < Rp. 100 ribu, Kategori SLA = A, Waktu = 72001) Jumlah Pelamar USMI Level 2 (Departemen) 32
Lampiran 3 Kombinasi operasi slice pada kubus mahasiswa
No. Tampilan Dimensi ( baris × kolom ) Elemen Dimensi Terpilih Ukuran 1 Jalur × Program Studi Tahun = 2001 Rataan IPK 2 Jalur × Program Studi JK = Perempuan Rataan IPK 3 Jalur × Program Studi Pekerjaan Ayah = PNS Jumlah Mahasiswa 4 Jalur × Program Studi Pendidikan Ayah = P2 Jumlah Mahasiswa 5 Jalur × Program Studi Pendidikan Ibu = P1 Jumlah Mahasiswa 6 Jalur × Waktu JK = Lelaki Rataan IPK 7 Jalur × Waktu Departemen = Ilmu Komputer Rataan IPK 8 Jalur × Waktu Pendidikan Ayah = P1 Jumlah Mahasiswa 9 Jalur × Waktu Pendidikan Ibu = P0 Jumlah Mahasiswa 10 Jalur × Waktu Pekerjaan Ayah = PNS Jumlah Mahasiswa
Lampiran 4 Kombinasi operasi slice pada kubus pelamar
No. Kubus Tampilan Dimensi ( baris × kolom ) Elemen Dimensi Terpilih Ukuran
1 Pelamar Asal × Studi Pilihan 1 Tahun = 2004 Jumlah Pelamar USMI
2 Pelamar Asal × Studi Pilihan 1 Jenis Kelamin = Perempuan
Jumlah Pelamar USMI
3 Pelamar Asal × Studi Pilihan 1 Studi Putusan = Tidak Diterima
Jumlah Pelamar USMI
4 Pelamar Asal × Studi Putusan Jenis Kelamin = Lelaki Jumlah Pelamar USMI
5 Pelamar Asal × Studi Putusan Kategori SLA = B Jumlah Pelamar USMI
6 Pelamar Asal × Waktu Studi Putusan = Ilmu Komputer
Jumlah Pelamar USMI
7 Pelamar Asal × Waktu Studi Pilihan 1 = Statistika Jumlah Pelamar USMI
8 Pelamar Asal × Waktu Biaya hidup = < Rp. 100 ribu
Jumlah Pelamar USMI
9 Pelamar Asal × Waktu Jenis Kelamin = Lelaki Jumlah Pelamar USMI
Lampiran 5 Kombinasi operasi dice pada kubus mahasiswa
No. Kubus Tampilan Dimensi ( baris × kolom ) Elemen Dimensi Terpilih Ukuran
1 Mahasiswa Jalur × Program Studi Jalur = USMI or SPMB
Fakultas = MIPA or FAPERTA Rataan IPK
2 Mahasiswa Jalur × Pendidikan Ayah Jalur = USMI or SPMB
Pendidikan Ayah = P2 or P3 Rataan IPK
3 Mahasiswa Jalur × Pekerjaan Ayah
Jalur = USMI or SPMB Pekerjaan Ayah = PNS or Pegawai Swasta
Jumlah Mahasiswa
4 Mahasiswa Jalur × Waktu Jalur = USMI or SPMB Waktu = 2001 or 2004
Jumlah Mahasiswa
5 Mahasiswa Pendidikan Ayah × Pendidikan Ibu Pendidikan Ayah = P2 or P3
Pendidikan Ibu = P1 or P2 Rataan IPK
6 Mahasiswa Pekerjaan Ayah × Program Studi
Pekerjaan Ayah = PNS or Pegawai
Program Studi = Ilmu Komputer or Matematika
Rataan IPK
Lampiran 6 Kombinasi operasi dice pada kubus pelamar
No. Kubus Tampilan Dimensi ( baris ×
kolom ) Elemen Dimensi Terpilih Ukuran
1 Pelamar Studi Pilihan 1 × Studi Pilihan 2
Studi Pilihan 1 = Ilmu Komputer or Statistika
Studi Pilihan 2 = Ilmu Komputer or Statistika
Jumlah Pelamar USMI
2 Pelamar Biaya Hidup × Waktu Biaya Hidup = < Rp. 100 ribu or > Rp 500 ribu
Jumlah Pelamar USMI
3 Pelamar Asal × Studi Pilihan 1
Asal = Jawa or Sumatera
Studi Pilihan 1 = Ilmu Komputer or Statistika
Jumlah Pelamar USMI
4 Pelamar Asal × Studi Putusan
Asal = Jawa or Sumatera
Studi Putusan = Ilmu Komputer or Statistika
Lampiran 7 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 1 pada kubus mahasiswa
1. No. Palo v1.0c Palo v2.0
1 0.00831604003906 0.00089907646179
2 0.00739812850952 0.00052404403687
3 0.00797796249390 0.00066184997559
4 0.00810503959656 0.00067615509033
5 0.00765585899353 0.00053715705872
Avg. 0.00789060592651 0.00065965652466
6. No. Palo v1.0c Palo v2.0
1 0.00488185882568 0.00482606887817
2 0.00463151931763 0.00145125389099
3 0.00463175773621 0.00499582290649
4 0.00459480285645 0.00447368621826
5 0.00538349151611 0.00385687828064
Avg. 0.00482468605042 0.00392074203491
2 No. Palo v1.0c Palo v2.0
1 0.03042387962341 0.00159001350403
2 0.03554844856262 0.00155806541443
3 0.03002810478210 0.00176358222961
4 0.02983045578003 0.00312089920044
5 0.02801799774170 0.00153875350952
Avg. 0.03076977729797 0.00191426277161
7. No. Palo v1.0c Palo v2.0
1 0.00700497627258 0.00205111503601
2 0.00676536560059 0.00225806236267
3 0.00991892814636 0.00356817245483
4 0.00719594955444 0.00203514099121
5 0.00753402709961 0.00285363197327
Avg. 0.00768384933472 0.00255322456360
3 No. Palo v1.0c Palo v2.0
1 0.04438567161560 0.00382733345032
2 0.04252791404724 0.00221800804138
3 0.03696084022522 0.00466704368591
4 0.03729295730591 0.00204706192017
5 0.04200625419617 0.00529217720032
Avg. 0.04063472747803 0.00361032485962
8. No. Palo v1.0c Palo v2.0
1 0.00894045829773 0.00231838226318
2 0.00920796394348 0.00246906280518
3 0.00864219665527 0.00212931632996
4 0.00862026214600 0.00222587585449
5 0.00987887382507 0.00221467018127
Avg. 0.00905795097351 0.00227146148682
4 No. Palo v1.0c Palo v2.0
1 0.04607295989990 0.00263881683350
2 0.04288864135742 0.00273036956787
3 0.04481768608093 0.00280785560608
4 0.04406666755676 0.00244617462158
5 0.04414820671082 0.00220870971680
Avg. 0.04439883232117 0.00256638526917
9. No. Palo v1.0c Palo v2.0
1 0.00071597099304 0.00067901611328
2 0.00071811676025 0.00074291229248
3 0.00071716308594 0.00054097175598
4 0.00072002410889 0.00065398216248
5 0.00071406364441 0.00079584121704
Avg. 0.00071706771851 0.00068254470825
5 No. Palo v1.0c Palo v2.0
1 0.00091791152954 0.00068092346191
2 0.00091409683228 0.00051498413086
3 0.00098896026611 0.00059103965759
4 0.00092792510986 0.00058317184448
5 0.00092291831970 0.00051283836365
Avg. 0.00093436241150 0.00057659149170
10. No. Palo v1.0c Palo v2.0
1 0.00382995605469 0.00145697593689
2 0.00429177284241 0.00248980522156
3 0.00423836708069 0.00143980979919
4 0.00401997566223 0.00186204910278
5 0.00398445129395 0.00142693519592
Lanjutan
11. No. Palo v1.0c Palo v2.0
1 0.00586700439453 0.00206422805786
2 0.00577878952026 0.00198078155518
3 0.00596690177917 0.00202608108521
4 0.00619006156921 0.00225114822388
5 0.00621366500854 0.00191307067871
Avg. 0.00600328445435 0.00204706192017
16. No. Palo v1.0c Palo v2.0
1 0.00789785385132 0.00410294532776
2 0.00589013099670 0.00237607955933
3 0.00633144378662 0.00307273864746
4 0.00747156143188 0.00250816345215
5 0.00589609146118 0.00246620178223
Avg. 0.00669741630554 0.00290522575378
12. No. Palo v1.0c Palo v2.0
1 0.00756311416626 0.00240182876587
2 0.00716471672058 0.00215601921082
3 0.00707459449768 0.00392389297485
4 0.00782608985901 0.00337648391724
5 0.00720810890198 0.00380349159241
Avg. 0.00736732482910 0.00313234329224
17. No. Palo v1.0c Palo v2.0
1 0.00036001205444 0.00165987014771
2 0.00044703483582 0.00155496597290
3 0.00045514106750 0.00106382369995
4 0.00034809112549 0.00123190879822
5 0.00054597854614 0.00159692764282
Avg. 0.00043125152588 0.00142149925232
13. No. Palo v1.0c Palo v2.0
1 0.00065708160400 0.00066184997559
2 0.00052595138550 0.00066304206848
3 0.00053215026855 0.00068902969360
4 0.00063991546631 0.00058817863464
5 0.00062680244446 0.00080609321594
Avg. 0.00059638023376 0.00068163871765
18. No. Palo v1.0c Palo v2.0
1 0.00254654884338 0.00206875801086
2 0.00254654884338 0.00219249725342
3 0.00303626060486 0.00225234031677
4 0.00301289558411 0.00249385833740
5 0.00274586677551 0.00197768211365
Avg. 0.00277762413025 0.00219702720642
14. No. Palo v1.0c Palo v2.0
1 0.00318884849548 0.00167965888977
2 0.00328731536865 0.00182032585144
3 0.00353550910950 0.00151085853577
4 0.00319480895996 0.00139522552490
5 0.00401210784912 0.00145792961121
Avg. 0.00344371795654 0.00157279968262
19. No. Palo v1.0c Palo v2.0
1 0.00408840179443 0.00274419784546
2 0.00627493858337 0.00459504127502
3 0.00409960746765 0.00238895416260
4 0.00413107872009 0.00280809402466
5 0.00420904159546 0.00370335578918
Avg. 0.00456061363220 0.00324792861938
15. No. Palo v1.0c Palo v2.0
1 0.00698518753052 0.00243425369263
2 0.00561642646790 0.00205469131470
3 0.00519180297852 0.00397944450378
4 0.00511336326599 0.00216364860535
5 0.00501847267151 0.00201869010925
Avg. 0.00558505058289 0.00253014564514
20. No. Palo v1.0c Palo v2.0
1 0.00536632537842 0.00405788421631
2 0.00537824630737 0.00296497344971
3 0.00532341003418 0.00309514999390
4 0.00535964965820 0.00295281410217
5 0.00524449348450 0.00352239608765
Lanjutan
21. No. Palo v1.0c Palo v2.0
1 0.00031805038452 0.00126194953918
2 0.00033402442932 0.00114607810974
3 0.00030684471130 0.00106191635132
4 0.00031495094299 0.00075602531433
5 0.00034904479980 0.00090098381042
Avg. 0.00032458305359 0.00102539062500
23. No. Palo v1.0c Palo v2.0
1 0.00432586669922 0.00324630737305
2 0.00420331954956 0.00563383102417
3 0.00416851043701 0.00279617309570
4 0.00459194183350 0.00227236747742
5 0.00669622421265 0.00321125984192
Avg. 0.00479717254639 0.00343198776245
22. No. Palo v1.0c Palo v2.0
1 0.00253582000732 0.00203108787537
2 0.00254297256470 0.00173711776733
3 0.00247192382813 0.00176453590393
4 0.00235652923584 0.00194430351257
5 0.00251555442810 0.00163412094116
Avg. 0.00248456001282 0.00182223320007
24. No. Palo v1.0c Palo v2.0
1 0.00467276573181 0.00908207893372
2 0.00444269180298 0.00248456001282
3 0.00483870506287 0.00341725349426
4 0.00470399856567 0.00305271148682
5 0.00666642189026 0.00484800338745
Lampiran 8 Waktu eksekusi dari pengulangan operasi drill-down di Lampiran 2 pada kubus pelamar
1. No.