Sinkronisasi antara Visualisasi Peta dan Query OLAP pada Spatial Data Warehouse Kebakaran Hutan di Indonesia

(1)

SINKRONISASI ANTA

PADA SPATIAL D

DEPA

FAKULTAS MATEM

INSTI

NTARA VISUALISASI PETA DAN Q

AL DATA WAREHOUSE KEBAKARAN

DI INDONESIA

AYI IMADUDDIN

EPARTEMEN ILMU KOMPUTER

TEMATIKA DAN ILMU PENGETAHU

STITUT PERTANIAN BOGOR

BOGOR

2013

QUERY OLAP

AN HUTAN

(2)

SINKRONISASI ANTARA VISUALISASI PETA DAN QUERY OLAP

PADA SPATIAL DATA WAREHOUSE KEBAKARAN HUTAN

DI INDONESIA

AYI IMADUDDIN

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

(3)

ABSTRACT

AYI IMADUDDIN. Map Visualization and OLAP Query Synchronization on Spatial Data Warehouse Forest Fire in Indonesia. Supervised by ANNISA.

This research is a continuation from the previous research concerning data warehouse and spatial OLAP forest fire in Indonesia based on web using framework GeoMondrian and Geoserver. In the previous research, OLAP analysis process and hotspot location visualization are performed separately. In this research, the synchronization between OLAP analysis process and hotspot location visualization uses Spatialytics framework. This synchronization can be done because GeoMondrian and OpenLayers are embedded on Spatialytics, therefore OLAP analysis process and hotspot location visualization can be done by using just one query, that is MDX. This research develops a system which uses Spatialytics framework, PostGIS as spatial database, and GeoMondrian as spatial OLAP server. The system uses snowflake scheme with one table of fact and three dimensions consisting of the time dimension, the satelite dimension, and the location dimension. The System is built with three-tier architecture consisting of the bottom layer, middle layer, and the top layer. The advantage of this system compared to the previous one is that this system takes only one input query, which is MDX to do OLAP analysis and show hotspot location. OLAP operations such as roll up, drill down, and slicing has been implemented in this system whilst dicing has not been implement because of Spatialytics limitation. For further research, system can be developed that is capable of dicing operation, data modification, such as insert, delete and update, without changing any scheme or structure.

(4)

Judul Skripsi : Sinkronisasi antara Visualisasi Peta dan Query OLAP pada Spatial Data Warehouse Kebakaran Hutan di Indonesia

Nama : Ayi Imaduddin

NIM : G64070090

Menyetujui: Dosen Pembimbing

Annisa, S.Kom, M.Kom NIP. 19790731 200501 2 002

Mengetahui: Ketua Departemen

Dr. Ir. Agus Buono, M.Si, M.Kom NIP.19660702 199302 1 001

(5)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah Subhanahu wa-ta'ala karena hanya dengan berkat, rahmat, dan karunia-Nya penelitian ini dapat diselesaikan dengan baik. Selawat serta salam penulis sampaikan kepada junjungan Nabi Muhammad shallallahu’alaihiwasallam, juga kepada keluarganya, sahabatnya, dan para pengikutnya. Penyelesaian penelitian ini juga tidak lepas dari bantuan berbagai pihak, untuk itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada:

1 Kedua orang tua penulis, Bapak Tata Sutama dan Ibu Nurhayati, terima kasih atas doa, kasih sayang, dukungan, motivasi,pengertian, pengorbanan, dan nasihat yang selalu mengiringi perjalanan penulis.

2 Ibu Annisa, S.Kom, M.Kom selaku dosen pembimbing, terima kasih akan kesabaran, ilmu, waktu, motivasi, dan nasihat yang diberikan selama penyelesaian penelitian ini.

3 Kakak penulis, Atun Fitrianti dan Fardan Salahuddin, terima kasih atas kasih sayang dan dukungan yang telah diberikan.

4 Teman-teman satu bimbingan,Fani Wulandari, Dhieka, Dedek, Yuridhis Kurniawan, Yoga Permana, Remarchtito,dan Hidayat, terima kasih atas bantuan, dukungan, ilmu, serta motivasi yang selalu diberikan.

5 Teman-teman club renang ilkom (CROM), Bangun, Bintang, Sayed, Arif, Teguh, Ridwan, Anggit, Akbar Mulyono, terima kasih atas bantuan dan dukungan yang telah diberikan selama penulis belajar berenang.

6 Tri Setiowati, Fanny Risnuraini, Laras, Ira, Arizal Notyasa, Khamdan Amin, El Kriyar, Yoga Herawan, dan seluruh Ilkom 44 yang tak bisa disebutkan satu persatu, terima kasih atas semangat dan kebersamaannya.

Penulis menyadari bahwa penelitian ini masih terdapat kekurangan. Penulis berharap semoga hasil penelitian ini dapat memberikan manfaat.

Bogor, Januari 2013

(6)

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 24 Mei 1988 merupakan anak ketiga dari tiga bersaudara dari pasangan Bapak Tata Sutama dan Ibu Nurhayati. Penulis menempuh pendidikan formal di SMA Negeri 1 Jakarta. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada tahun 2007 melalui jalur Seleksi Penerimaan Mahasiswa Baru (SPMB) dan diterima sebagai mahasiswa Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

(7)

v

DAFTAR ISI

Halaman

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vi

PENDAHULUAN Latar Belakang ... 1

Tujuan Penelitian ... 1

Ruang Lingkup Penelitian ... 1

Manfaat Penelitian ... 1

TINJAUAN PUSTAKA Data Warehouse dan Spatial Data Warehouse ... 1

Operasi Dasar OLAP ... 2

Sinkronisasi ... 2

Layer Peta ... 2

Visualisasi Peta... 2

Multi-Dimensional eXpressions (MDX) ... 3

Titik Panas ... 4

Spatialytics ... 4

METODE PENELITIAN Analisis ... 5

Modifikasi Data Warehouse ... 5

Pembuatan Layer Peta ... 5

Sinkronisasi Query OLAP ... 6

Pengujian ... 6

Lingkungan Pengembangan ... 6

HASIL DAN PEMBAHASAN Analisis ... 6

Modifikasi Data Warehouse ... 7

Pembuatan Layer Peta ... 7

Sinkronisasi Query OLAP ... 8

Antarmuka Spatial OLAP ... 10

Pengujian ... 10

KESIMPULAN DAN SARAN Kesimpulan ... 12

Saran ... 12

DAFTAR PUSTAKA ... 12

(8)

vi

DAFTAR GAMBAR

Halaman

1 Urutan layer peta. ... 2

2 Ilustrasi dimensi, measure, dan member. ... 3

3 Ilustrasi agregasi. ... 4

4 Ilustrasi hierarki dan level. ... 4

5 Arsitektur Spatialytics. ... 5

6 Tahapan penelitian. ... 5

7 Arsitektur penelitian sebelumnya... 5

8 Proses input query CQL. ... 6

9 Proses input query MDX. ... 6

10 Hasil query CQL dan query MDX. ... 7

11 Perbedaan hasil query CQL dan query MDX. ... 7

12 Skema snowflake modifikasi. ... 8

13 Skema snowflake penelitian sebelumnya. ... 8

14 Blok diagram proses sinkronisasi. ... 9

15 Antarmuka spatial OLAP. ... 10

16 Antarmuka widget spatial OLAP. ... 10

17 Antarmuka tab Map dan JPivot. ... 10

18 Hasil eksekusi query. ... 11

19 Visualisasi grafik dan tabulasi. ... 11

20 Input query sistem. ... 11

21 Proses roll up. ... 11

22 Hasil peta setelah proses roll up. ... 11

23 Proses drill down di Kabupaten Ketapang. ... 12

24 Hasil peta setelah proses drill down. ... 12

DAFTAR LAMPIRAN

Halaman 1 Operasi OLAP. ... 15

2 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat... 15

3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah. ... 16

4 Operasi roll up, dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat... 17

5 Hasil eksekusi query. ... 18

(9)

PENDAHULUAN

Latar Belakang

Teknologi data warehouse dengan tool on-line analytical processing (OLAP) untuk perse-baran titik panas atau hotspot merupakan salah satu solusi dari permasalahan penumpukan data terhadap data hasil pencitraan lokasi jarak jauh satelit guna mengetahui persebaran hotspot kebakaran hutan yang terjadi di wilayah Indonesia. Teknologi OLAP dapat meng-organisasikan data persebaran hotspot dan menampilkan informasi yang terdapat di dalam data tersebut sehingga dapat digunakan dalam pengambilan keputusan guna membantu pengendalian kebakaran hutan.

Penelitian yang berjudul pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di wilayah Indonesia telah dilakukan oleh Trisminingsih (2010). Pada penelitian tersebut, Trisminingsih membangun data warehouse menggunakan data spatial. Pada tahun berikutnya, Fadli (2011) melakukan penelitian yang berjudul data warehouse spatio-temporal kebakaran hutan menggunakan GeoMondrian dan Geoserver di wilayah Indonesia. Pada penelitian tersebut, Fadli menambahkan modul visualisasi kartografis berdasarkan data penelitian Trisminingsih sehingga sistem yang dihasilkan mampu mela-kukan analisis multidimensional dan menam-pilkan visualisasi kartografis yang dilengkapi diagram tabular. Namun, modul visualisasi yang dibuat belum tersinkronisasi. Pengguna harus melakukan proses input query sebanyak dua kali. Untuk melakukan analisis multidimen-sional, pengguna harus menggunakan query multidimensional expressions (MDX), sedang-kan untuk menampilsedang-kanvisualisasi kartografis menggunakan common query language (CQL). Query CQL merupakan filter yang digunakan untuk menyeleksi suatu layer yang telah dibuat dan terdapat dalam Geoserver.

Penelitian ini mencoba melengkapi keku-rangan pada penelitian sebelumnya, yaitu melakukan sinkronisasi antara query OLAP dan visualisasi peta sehingga memudahkan pengguna dalam melakukan analisis spatial OLAP. Selain itu, sinkronisasi juga menghindari terjadinya inkonsistensi data yang disebabkan proses input berbeda.

Tujuan Penelitian

Tujuan dari penelitian ini adalah melakukan sinkronisasi antara query OLAP dan visualisasi peta berdasarkan penelitian Fadli (2011). Dalam sistem ini, pengguna dapat mengetahui

per-sebaran titik panas cukup dengan memasukkan query MDX.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan merupakan data

kebakaran hutan di wilayah Indonesia pada tahun 1997 – 2005 yang didapatkan dari penelitian sebelumnya yang bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia.

2 Contoh kasus yang digunakan terdiri atas 190 titik hotspot di Indonesia.

3 Sinkronisasi peta dan navigasi OLAP yang memiliki operasi dasar seperti roll up, slicing, dan drill down.

Manfaat Penelitian

Penelitian ini diharapkan dapat memper-mudah pengguna dalam penyajian data atau informasi persebaran hotspot di Indonesia tanpa melibatkan penggunaan query yang banyak. Pengguna cukup menggunakan query MDX saat melakukan analisis persebaran titik panas.

TINJAUAN PUSTAKA

Data Warehouse dan Spatial Data Warehouse

Data warehouse merupakan koleksi data yang memiliki sifat subject oriented, integrated, time variant, dan nonvolatile sehingga me-mungkinkan suatu lembaga, organisasi atau perusahaan dalam membuat keputusan. Pada dasarnya, data warehouse adalah database besar yang mengatur operasional data dalam sebuah repositori dengan tujuan memudahkan query dan analisis.

Spatial data warehouse merupakan tekno-logi yang menggabungkan teknotekno-logi data warehouse dengan komponen spatial. Hal ini dikarenakan 80% data yang tersimpan dalam databaselembaga, organisasi, atau perusahaan merupakan komponen spasial, seperti: alamat, kode pos, dan lokasi (Franklin 1992 dalam Badard 2010). Adapun empat karakteristik data warehouse ialah:

(10)

2 Integrated, data ware nyimpan data yang be yang terpisah ke dalam konsisten.

3 Time variant, data yan berikan sejarah inform lain, data yang disim rentang waktu tertentu. 4 Nonvolatile, proses yan

data warehouse hanya p data tanpa menguba sehingga data yang ters di-update atau di-delete Operasi Dasar OLAP

Operasi dasar OLAP m Kamber (2006) yaitu: 1 Roll up

Operasi roll up dilakukan dengan cara menaikka hierarki atau mereduksi ju 2 Drill down

Drill down merupakan dari roll up. Operasi in sentasikan data secara spesifik dari level tinggi k 3 Slicing

Slicing merupakan prose dimensi dari suatu kub menghasilkan subcube. 4 Dicing

Dicing merupakan prose atau lebih dimensi dari sehingga menghasilkan su 5 Pivoting

Pivoting merupakan ke yang dapat melihat data d pandang. Sumbu pada k aplikasi OLAP dapat diat diperoleh data yang d dengan sudut pandang diperlukan

Ilustrasi mengenai oper dilihat pada Lampiran 1. Sinkronisasi

Proses operasi dalam sis dilakukan secara bersamaan. proses yang dilakukan meng telah ditetapkan dibutuhkan s dilakukan sinkronisasi ada terjadinya inkonsitensi dat aksesan oleh beberapa pros serta untuk mengatur urutan

arehouse dapat me-berasal dari sumber

yang diizinkan dalam a pemuatan dan akses bah data sumber ersimpan tidak dapat

te.

menurut Han dan

kan pada kubus data kan tingkat suatu jumlah dimensi.

n operasi kebalikan

kemampuan OLAP a dari berbagai sudut kubus data dalam iatur sehingga dapat diinginkan sesuai ang analisis yang

perasi OLAP dapat

sistem digital dapat n. Untuk memastikan engikuti aturan yang n sinkronisasi.Tujuan adalah menghindari data karena

peng-roses yang berbeda tan jalannya

proses-proses sehingga dapat berja (Messerschmitt 1990). Layer Peta

Umumnya terdapat dua peta, base layer dan overlay atau layer dasar terletak p daftar layer dan semua lay atasnya, sedangkan layer digunakan sebagai base lay layer. Untuk dapat menamp dibutuhkan minimal satu bua digunakan sebagai layer pembuatan layer peta dapat d menggambar pada kertas menumpuknya. Tumpukan k di bawah disebut base tumpukan lainnya disebut ov tumpukan layer pada saat pem diperhatikan karena aka tampilan peta. Layer ya tampilan sebaiknya digunak terbawah atau bisa juga dij (Hazzard 2011). Sebagai co sederhana terdiri atas tiga provinsi, layer kabupaten, da Layer provinsi digunakan s sedangkan layer kabupa kecamatan digunakan seba dengan urutan layer kecama layer kabupaten. Ilustrasi seperti Gambar 1.

Gambar 1 Urutan l

Visualisasi Peta

Visualisasi merupakan geospatial dari database grafis. Dalam sistem dat informasi spatial biasanya format data raster atau da memvisualisasikan data rast mengubah informasi geogr dengan setiap pixel menjadi menyajikan setiap pixel sedangkan untuk memvi vektor, program harus men

rjalan dengan lancar

(11)

geometri (berupa titik, garis, kurva, dan poligon), mengonversi sistem geospatial koordinat asli ke sistem koordinat layar, mengasosiasikan warna tertentu untuk setiap bentuk, dan menghasilkan output melalui drawing function yang disediakan oleh sistem operasi (Wu 2008). Visualisasi peta memung-kinkan pengguna untuk melihat struktur atau fenomena dari daerah yang direpresentasikan. Adapun proses visualisasi peta menurut Kraak (2003) hendaknya mengacu pada kaidah “How do I say what to whom, and is it effective?”, sedangkan berdasarkan kegunaannya, peta tergantung pada faktor-faktor berikut:

1 Pengguna

Pengguna akan mempengaruhi tampilan peta. Peta untuk pariwisata dan peta topografi dari daerah yang sama sangat jauh berbeda dalam hal kontendan tampilan karena dibuat untuk pengguna yang berbeda.

2 Tujuan

Tujuan peta menentukan fitur apa saja yang akan ditampilkan dan bagaimana mereka diwakili. Perbedaan tujuan seperti orientasi dan navigasi, perencanaan fisik, manajemen, dan pendidikan membutuhkan peta yang berbeda.

3 Konten

Kegunaan suatu peta juga bergantung pada konten. Konten dapat dilihat sebagai konten utama (tema utama), konten sekunder (informasi peta) dan konten pendukung (legenda, skala, dll).

4 Skala Peta

Skala peta adalah perbandingan antara jarak di peta dan jarak sebenarnya. Skala mengontrol jumlah detail dan luasnya daerah yang dapat ditampilkan. Skala peta didasarkan pada pertimbangan seperti: tujuan peta, kebutuhan pengguna, konten, ukuran area yang dipetakan, dan akurasi yang diperlukan.

5 Proyeksi Peta

Pemilihan proyeksi peta menentukan bagaimana, di mana, dan berapa banyak peta terdistorsi. Biasanya, proyeksi peta yang dipilih digunakan untuk peta topografi di negara tertentu.

6 Ketepatan

GIS telah menyederhanakan proses ekstraksi informasi dan komunikasi. Menggabungkan atau mengintegrasikan berbagai perangkat data telah menjadi mungkin. Namun, ada kemungkinan data

yang terintegrasi tidak relevan atau tidak konsisten. Pengguna harus sadar dengan aspek kualitas data atau akurasi seperti: lokasi, nilai atribut, label peta, dan kelengkapan data.

Multi-Dimensional eXpressions (MDX)

MDX merupakan query language pada OLAP, sama halnya dengan query SQL pada relational database. Disamping itu, ekspresi MDX dapat digunakan untuk penambahan business logic ke dalam kubus data, menen-tukan pengaturan keamanan, membuat custom member roll up, custom level roll up, dan lain-lain. Dengan kata lain, MDX digunakan hampir pada seluruh desain OLAP yang efektif (Whitehorn et al.2005).

Beberapa istilah yang sering digunakan dalam MDX diantaranya: dimensi, measure, member, hierarki, agregasi, dan level. Gambar 2 menampilkan ilustrasi dimensi, measure, dan member. Pada ilustrasi Gambar 2 terdapat dua buah dimensi, yaitu dimensi waktu dan dimensi satelit. Dimensi satelit memilliki empat buah member, yaitu: NOAA_10, NOAA_12, NOAA_13, dan NOAA_14. Dimensi waktu juga memiliki empat buah member April–Juli. Terdapat satu buah measure, yaitu jumlah hotspot, berupa jumlah hotspot yang muncul dalam waktu satu bulan.

Gambar 2 Ilustrasi dimensi, measure, dan member.

(12)

Gambar 3 Ilustrasi agregasi.

Gambar 4 Ilustrasi hierarki dan level.

Berikut contoh penggunaan query MDX yang menampilkan data jumlah hotspot pada dimensi satelit pada tahun 1998:

SELECT

{ [Satelit].[Semua Satelit] } ON COLUMNS,

{ [Measures].[jumlah_hotspot] } ON ROWS

FROM [geohotspot] WHERE [Waktu].[1998]

Titik Panas

Pemantauan titik panas dilakukan dengan cara penginderaan jauh (remote sensing) meng-gunakan satelit. Data titik panas merupakan salah satu indikator tentang kemungkinan terjadinya kebakaran hutan sehingga dapat dilakukan analisis, pemantauan, dan terkadang harus melakukan pemeriksaan langsung ke lapangan untuk mengetahui apakah diperlukan langkah pencegahan kebakaran (Adinugroho et al. 2005 dalam Hayardisi 2008).

Satelit yang biasa digunakan adalah satelit National Oceanic and Atmospheric Adminis-tration (NOAA) melalui sensor Advanced Very High Resolution Radiometer (AVHRR) karena sensor tersebut dapat membedakan suhu permukaan di darat dan di laut. Satelit NOAA-AVHRR memiliki cakupan yang luas dan mengunjungi tempat yang sama sebanyak 4 kali dalam satu hari sehingga data yang didapatkan cukup aktual dengan waktu analisis yang cepat

meskipun wilayahnya luas (Adinugroho et al. 2005 dalam Hayardisi 2008).

Spatialytics

Spatialytics merupakan komponen kartogra-fik (framework) yang mampu melakukan navi-gasi kubus data geospatial (spatial OLAP). Spatialytics dikembangkan oleh GeoSOA Re-search Team menggunakan Dojo Toolkit dan OpenLayers yang bersifat open source. Sebagai web mapping client, Spatialytics mampu melakukan operasi OLAP seperti roll up dan drill down serta menampilkan spatial measures atau pengukuran dalam bentuk spatial. Contoh, pada saat melakukan perhitungan jumlah hotspot di Kabupaten Ketapang, data warehouse yang belum mendukung data spatial hanya mampu menampilkan jumlah hotspot pada kabupaten tersebut. Namun, dengan menggunakan Spatialytics, pengguna tidak hanya mengetahui jumlah hotspot tetapi juga dapat melihat persebaran hotspot di kabupaten tersebut. Spatialytics memiliki arsitektur three tier yang meliputi:

1 Lapisan bawah (bottom tier)

Lapisan bawah merupakan suatu sistem database relasional (DBMS PostgreSQL) yang diberi library tambahan (PostGIS) sehingga mampu menangani data spatial. 2 Lapisan tengah (middle tier)

Lapisan tengah merupakan tempat penyimpanan struktur kubus data atau OLAP server. Spatialytics menggunakan OLAP server GeoMondrian yang meru-pakan modifikasi dari OLAP server Mondrian sehingga mampu menangani data spatial.

3 Lapisan atas (top tier)

Lapisan atas merupakan lapisan untuk end user yang berfungsi menampilkan ring-kasan dari isi data warehouse yang merupakan hasil operasi OLAP serta menampilkan (peta) persebaran hotspot. Implementasi user interface pada lapisan atas menggunakan Dojo Toolkit, sedang-kan visualisasi persebaran hotspot meng-gunakan OpenLayers.

Gambar 5 menampilkan arsitektur frame-work Spatialytics.

METODE PENELITIAN

(13)

Gambar 5 Arsitektur

Gambar 6 Tahapan p Analisis

Pada tahap ini dilakukan sistem spatial OLAP yang penelitian sebelumnya, sistem menambahkan modul visualis

r Spatialytics.

n penelitian.

an analisis terhadap ng sudah ada. Pada tem tersebut berhasil alisasi peta ke dalam

sistem OLAP. Namun, mod terintegrasi. Dibutuhkan qu untuk menampilkan peta da Oleh sebab itu, perlu dilak antara visualisasi peta dan op

Skema yang digunak merupakan skema snowfla tabel fakta dan tiga dimen waktu, dimensi satelit, da Arsitektur yang digunak arsitektur three tier yang bawah, lapisan tengah, d Gambar 7 menampilkan digunakan pada penelitian seb

Gambar 7 Arsitektur penel

Modifikasi Data Warehouse

Berdasarkan analisis yan terdapat kesamaan antara da penelitian sebelumnya dan yang akan digunakan pa sehingga pada tahap ini pembuatan data warehouse memodifikasi data warehou dari penelitian sebelumnya. yang dilakukan meliputi multidimensional, berupa file tuan tabel fakta.

Pembuatan Layer Peta

Layer peta yang terda spatial OLAP terdiri atas lay persebaran hotspot. Layer d Fungsi dari layer dasar ia wilayah administratif Indone kabupaten. Layer persebara dinamis. Layer ini berfun persebaran hotspot berdasa dimasukkan oleh penggu pembuatan layer dasar dilak Geoserver.

odul tersebut belum query yang berbeda dan operasi OLAP. ilakukan sinkronisasi operasi OLAP.

akan pada sistem flake. Terdapat satu ensi, yaitu: dimensi dan dimensi lokasi. akan menggunakan ng meliputi lapisan file XML, dan

(14)

Sinkronisasi Query OLAP

Pada penelitian sebelumnya, proses menam-pilkan peta dan data tabulasi serta grafik meng-gunakan dua query yang berbeda. Proses me-nampilkan peta menggunakan query CQL, sedangkan untuk menampilkan data tabulasi dan grafik menggunakan query MDX. CQL merupakan filter seleksi yang digunakan pada Geoserver untuk menyeleksi suatu layer, sedangkan MDX merupakan query yang umum digunakan pada operasi OLAP. Proses sinkro-nisasi query ditujukan untuk menghubungkan operasi OLAP dengan visualisasi peta serta mempermudah pengguna dalam melakukan analisis persebaran hotspot. Dengan adanya sinkronisasi, pengguna cukup memasukkan sebuah query untuk melakukan analisis.

Pengujian

Proses pengujian dilakukan untuk menge-tahui apakah aplikasi telah sesuai dengan kebutuhan dan memeriksa apakah operasi dasar OLAP berhasil diimplementasikan. Pengujian dilakukan pada kubus data geometri yang divisualisasikan dalam bentuk peta. Pengujian yang dilakukan pada tahap ini diantaranya pengujian fungsi-fungsi sistem dan uji query. Fungsi sistem yang dilakukan pengujian pada tahap adalah fungsi drill down dan fungsi roll up, sedangkan query yang diujikan berupa query MDX.

Lingkungan Pengembangan

Aplikasi spatial data warehouse dibangun menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut:

Perangkat keras:

• Processor Intel Core2Duo @2.1 GHz.

• RAM 2 GB DDR3.

• HDD 320 GB.

• Monitor LCD 14,1” dengan resolusi 1366 x 768.

• Mouse dan keyboard. Perangkat lunak:

• Sistem operasi Windows 7 Professional.

• Apache Tomcat 6.x sebagai web server.

• GeoMondrian sebagai OLAP server.

• Schema workbench untuk mendesain skema kubus data multidimensional.

• Spatialytics sebagai spatial OLAP framework.

• PostgreSQL 8.4 sebagai database server dengan library PostGIS untuk menyim-pan data spatial.

• Web browser menggunakan Mozilla Firefox 3.6.x dan Google Chrome.

HASIL DAN PEMBAHASAN

Analisis

Pada penelitian sebelumnya, proses visualisasi peta dan analisis OLAP mem-butuhkan input query yang berbeda, visualisasi peta menggunakan query CQL, sedangkan analisis OLAP menggunakan query MDX. Sebagai contoh, untuk menampilkan hotspot di Pulau Kalimantan pada bulan Mei tahun 2000 query yang digunakan untuk menampilkan proses input query CQL dapat dilihat pada Gambar 8, sedangkan query yang digunakan untuk menampilkan proses input query MDX dapat dilihat pada Gambar 9. Gambar 10 menampilkan hasil kedua query tersebut. Namun, pada wilayah yang memiliki hotspot di atas 150 titik, kedua query menampilkan hasil yang berbeda. Hal ini dikarenakan peta yang dihasilkan hanya mampu menampilkan sebanyak 150 titik. Sebagai contoh, hotspot pada Pulau Sulawesi bulan Mei tahun 2000 hasil query MDX menampilkan 773 titik, tetapi hasil query CQL menampilkan 150 titik. Begitu pula dengan hotspot pada Pulau Jawa tahun 2000. Gambar 11 menampilkan perbedaan hasil query CQL dan MDX pada hotspot Pulau Jawa tahun 2000.

Gambar 8 Proses input query CQL.

(15)

Gambar 10 Hasil query CQL dan query MDX.

Gambar 11 Perbedaan hasil query CQL dan query MDX.

Modifikasi Data Warehouse

Proses modifikasi dilakukan pada skema multidimensional dalam bentuk file XML. Implementasi modifikasi skema multidimen-sional dilakukan dengan tool schema work-bench. Skema multidimensional yang digu-nakan berupa skema snowflake yang terdiri atas dimensi waktu, dimensi satelit, dan dimensi lokasi. Skema ini digunakan untuk menangani redudansi data geometri pada dimensi lokasi. Dari hasil analisis data pada penelitian sebelumnya didapatkan dua buah measure,yaitu frekuansi hotspot dan luasan hotspot, sedangkan pada dimensi lokasi terdapat empat buah level, yakni level hotspot, level kabupaten, level provinsi, dan level pulau.

Proses modifikasi yang dilakukan pada penelitian ini berupa penghapusan level pulau dari dimensi lokasi dan penghapusan luasan

hotspot dari measure. Penghapusan level pulau dari dimensi lokasi dikarenakan keterbatasan data yang diperoleh dari penelitian sebelumnya. Data geometri pada tabel pulau dalam database bernilai null (tidak ada data geometri pada tabel tersebut). Datageometri pulau digunakan untuk merepresentasikan kartografik berdasarkan pulau yang ada di wilayah Indonesia. Skema snowflake penelitian ini dapat dilihat pada Gambar 12, sedangkan skema snowflake penelitian sebelumnya dapat dilihat pada Gambar 13.

Adapun penghapusan measure luasan hot-spot dikarenakan perhitungan yang dilakukan mengenai luas wilayah yang terbakar pada penelitian sebelumnya tidak terlalu akurat. Luas hotspot senilai 1.21 km2 yang didapat pada penelitian sebelumnya merupakan resolusi citra dari satelit NOAA (1.1 km x 1.1 km). Menurut Thoha (2008) meskipun jumlah titik panas dalam luasan tersebut lebih dari satu, luasan tersebut tetap akan diwakili oleh sebuah titik hotspot dengan lokasi tepat ditengah luasan persegi tersebut. Oleh sebab itu, penentuan luas daerah yang terbakar berdasarkan data satelit NOAA tidak dilakukan karena menyebabkan bias yang sangat besar.

Pembuatan Layer Peta

Layer peta yang terdapat pada aplikasi spatial OLAP terdiri atas layer dasar dan layer persebaran hotspot. Implementasi pembuatan layer dasar dilakukan dengan tool Geoserver terdiri atas tiga tahap, yaitu: pembuatan workspace, pembuatan data store, dan pembuatan layer.

(16)

merepresentasikan batasan suatu wilayah di permukaan bumi yang akan ditampilkan. Bounding box pada penelitian ini adalah posisi wilayah Indonesia yaitu 95.06 pada sumbu X minimum (950 bujur timur), 141.007 pada sumbu X maksimum (1410 bujur timur), 5.907 pada sumbuY maksimum (60 lintang utara), dan -10.997 pada sumbu Y minimum (110 lintang selatan).

Gambar 12 Skema snowflake modifikasi.

Layer persebaran hotspot menampilkan peta berdasarkan query yang dimasukkan pengguna. Layer ini menampilkan dua macam fitur objek yakni polygon dan point. Objek point ditam-pilkan saat pengguna memasukkan query yang menanyakan lokasi hotspot sedangkan objek polygon ditampilkan saat pengguna mema-sukkan query yang menanyakan wilayah yang terdapat hotspot. Berikut contoh penggunaan query yang menampilkan objek polygon dan point secara berurut:

SELECT

{[Measures].[Jumlah_Hotspot]} ON COLUMNS,

{[lokasi].[RIAU].children} ON ROWS

FROM [geohotspot] WHERE [waktu].[1999]

SELECT

{[Measures].[Jumlah_Hotspot]} ON COLUMNS,

{[lokasi].[RIAU].[BENGKALIS].children} ON ROWS

FROM [geohotspot] WHERE [waktu].[1999]

Gambar 13 Skema snowflake penelitian sebelumnya.

Sinkronisasi Query OLAP

Secara umum proses sinkronisasi terdiri atas tiga tahap, yaitu:

1 Spatialytics Client melakukan submit query menuju server,

2 server mengolah query dan mengambil data yang dibutuhkan dari database, 3 data yang telah terpilih kemudian

dikembalikan menuju Spatialytics Client oleh server.

(17)

Gambar 14 Blok diagram proses sinkronisasi.

Saat sistem dijalankan pertama kali, Spatialytics Client, diwakili oleh olap4js, melakukan submit query MDX menuju server. Server kemudian membangun koneksi dengan GeoMondrian. Setelah koneksi dengan GeoMondrian terhubung, server mengirimkan query menuju GeoMondrian. Oleh GeoMondrian, query dieksekusi dan dilakukan pengambilan data yang dibutuhkan dari database. Berikut adalah contoh kode program method eksekusi query:

123 void executeParsedQuery

(ParseTreeNode parsedQueryNode) {

124 try {

127 executedQuery = node;

128 } catch (OLAPException e) {

129 LOGGER.warn("Could not execute

MDX query", e);

130 }

131 }

Hasil eksekusi query oleh GeoMondrian dikirim menuju server dalam bentuk JSON agar lebih mudah diolah. JSON tersebut oleh server dikirim menuju client dan diterima oleh olap4js untuk dilakukan pengecekan terlebih dahulu. Proses pengecekan pada modul olap4js meliputi pengecekan struktur data multidimensi, seperti: hierarki, member, level, elemen, dan dimensi. Pengecekan dimensi dan elemen bertujuan mengetahui operasi OLAP yang dilakukan. Hal ini dikarenakan sistem belum mampu menangani operasi OLAP dicing. Dicing merupakan proses pemilihan dua atau lebih dimensi dari suatu kubus data. Setelah dilakukan pengecekan, data dikirim menuju

modul Featurizer. Oleh Featurizer kemudian dilakukan proses parsing untuk mendapatkan fitur objek atau spatial member berupa nilai geometri, nama member, nilai objek, dan member ordinal. Berikut adalah contoh kode program Featurizer:

127 var geojsonFeat = {

128 geometry: geomPropValue,

129 id: i,

130 properties: {

131 memberName: geomMember.name,

132 value: cellValue,

133 axisOrdinal:

this.geomAxisOrdinal,

134 positionOrdinal: i,

135 memberOrdinal:

this.geomHierarchyOrdinal

136 },

137 type: "Feature"

138 };

Fitur objek yang telah terseleksi kemudian dikirim menuju modul SOLAPContext. Oleh modul SOLAPContext, fitur objek yang telah dihasilkan kemudian dikumpulkan bersama data lain yang dibutuhkan saat proses penggambaran peta misalnya proyeksi peta dan style peta. Berikut adalah contoh kode program SOLAPContext:

35 GeoSOA.Spatialytics.SOLAPContext = function (options) { ...

69 this.mapStyle = options.mapStyle || new GeoSOA.Spatialytics.mapstyles .MapStyle();

70 this.projection = options .projection || new OpenLayers .Projection("EPSG:4326"); ... 101 this.vectorLayer = new OpenLayers

.Layer.Vector("Spatialytics test", 102 {

103 features: that._vectors, 104 styleMap: that.mapStyle

.getStyleMap(),

(18)

106 } ); ... 136 };

Setelah ditambahkan proyek oleh SOLAPContext, data OpenLayers untuk dilakukan peta.

Antarmuka Spatial OLAP

Antarmuka spatial OLA menggunakan JavaScript Tampilan antarmuka sistem Gambar 15. Pada bagian ka buah widget berupa thematic dan MDX query editor. Wid digunakan pada proses rende Information menampilkan nama atau id hotspot dan jum terdapat di wilayah tertent meng-hover peta. Widget M berfungsi sebagai edito dimasukkan pengguna. A widget tersebut dapat dilihat p

Gambar 15 Antarmuka

Gambar 16 Antarmuka widg

Pada bagian kiri terdap JPivot. Tab Map berfungsi

yeksi dan style peta ta dikirim menuju an proses rendering

LAP dikembangkan Dojo Toolkit. m dapat dilihat pada kanan terdapat tiga tic style, information, idget thematic style ndering peta. Widget Antarmuka ketiga t pada Gambar 16.

a spatial OLAP.

idget spatial OLAP.

apat tab Map dan si menampilkan peta

persebaran hotspot, sedan digunakan untuk menampi bentuk tabulasi dan diagram atas peta terdapat dua bu melakukan operasi roll up Antarmuka Map dan JPivot Gambar 17.

Gambar 17 Antarmuka tab

Pengujian

Saat pertama kali dijala mengeksekusi default query

SELECT di seluruh wilayah Indonesia (dalam hal ini hanya wilay Provinsi Kalimantan Selatan, Selatan, Provinsi Kalimanta Kalimantan Tengah, dan Pr Barat). Hasil eksekusi query Gambar 18, sedangkan peny dan grafik dapat dilihat pada

Pada penelitian seb melakukan analisis OLAP persebaran hotspot dibutuh query sebanyak dua kali s pada Gambar 8 dan Ga dilakukan sinkronisasi,

angkan tab JPivot

tab Map dan JPivot.

alankan, sistem akan sebagai berikut:

otspot]} ON

mbers} ON ROWS

an persebaran hotspot esia pada tahun 1997 layah Provinsi Riau, an, Provinsi Sumatera ntan Timur, Provinsi Provinsi Kalimantan ery dapat dilihat pada nyajian data tabulasi da Gambar 19. sebelumnya, untuk

(19)

melakukan input query se seperti ditampilkan pada Gam

Gambar 18 Hasil ekse

Gambar 19 Visualisasi gra

Gambar 20 Input que

Proses roll up dan penelitian ini dapat dilakukan yaitu melakukan input query OLAP tool box. Tahapan untuk melakukan proses rol

sebanyak satu kali ambar 20.

ksekusi query.

grafik dan tabulasi.

query sistem.

drill down pada kan dengan dua cara, ry dan menggunakan n yang dibutuhkan roll up maupun drill

down menggunakan OLAP berikut:

1 mengaktifkan tombol tombol untuk sedangkan tombol down,

2 tekan peta yang ingin roll up ataupun drill dow

Gambar 21 menampilkan Gambar 22 menampilkan ha sedangkan Gambar 23 me drill down pada wilayah Ka dan Gambar 24 menampilkan down menggunakan OLAP 2 menampilkan tahapan yang melakukan proses roll up sinkronisasi, Lampiran 3 me yang dibutuhkan untuk mel up,dan Lampiran 4 menamp dibutuhkan untuk melakukan menggunakan query MDX sinkronisasi.

Gambar 21 Proses

Gambar 22 Hasil peta setel

P tool box sebagai

ol OLAP tool box, k operasi roll up untuk operasi drill

gin dilakukan proses down.

an proses roll up dan hasil operasi roll up, menampilkan proses Kabupaten Ketapang kan hasil operasi drill tool box. Lampiran ang dibutuhkan untuk sebelum dilakukan menampilkan tahapan elakukan proses roll pilkan tahapan yang kan proses drill down X sesudah dilakukan

ses roll up.

(20)

Gambar 23 Proses drill do Ketapang.

Gambar 24 Hasil peta setelah down.

KESIMPULAN DA

Kesimpulan

Sistem spatial OLAP bangun menggunakan frame Sistem mampu melakukan antara visualisasi peta dan ope

Sistem ini dapat mempe melakukan analisis hotspot. memasukkan query MDX analisis. Data sampel yang penelitian ini berjumlah 1 meliputi wilayah provinsi

down di Kabupaten

lah proses drill

DAN SARAN

telah berhasil di-mework Spatialytics. n sinkronisasi query operasi OLAP.

permudah pengguna . Pengguna cukup dalam melakukan ng digunakan pada 190 titik hotspot, i Riau, Kalimantan

Tengah, Kalimantan Barat, K dan Kalimantan Selatan.

Kekurangan pada peneliti belum mampu mengolah d yang banyak (umumnya dat berjumlah ratusan ribu). Sel belum mampu melakukan op Operasi dicing memungkink nampilkan peta beberapa tahu Saran

Sistem ini masih memi rangan sehingga diharapkan pengembangan selanjutnya. litian selanjutnya, yaitu: 1 Membuat sistem yang ma

data kebakaran hutan da bukan sample.

2 Membuat sistem yang m operasi OLAP dicing. O mungkinkan pengguna perbandingan.

3 Menambah modul update yang dapat memudahkan terdapat data baru.

DAFTAR PUS

Adinugroho WC, Suryadipu BH, Siboro L. 2005. Dalian Kebakaran H Gambut. Proyek Clima and Peatlands in I Wetlands Internationa gramme dan Wildlife H Badard T. 2010. Open

business intelligence GeoMondrian and SO dalam: FOSS4G Barcelona, 9 Sep 2010. Fadli MH. 2011. Data

temporal kebakaran h Geomondrian dan Ge Bogor: Fakultas Mate Pengetahuan Alam, Bogor.

Franklin C. 1992. An geographic information maps to databases. Data Han J, Kamber M. 2006. Dat and Techniques. San Kaufman Publisher. Hayardisi G. 2008. Data war

berbasis web untuk pers

t, Kalimantan Timur,

litian ini ialah sistem data dalam jumlah data kebakaran hutan elain itu, sistem juga operasi OLAP dicing. inkan pengguna me-ahun sekaligus.

miliki banyak keku-kan dapat dilakukeku-kan

ate, insert, dan delete an pengguna apabila Indonesia. Bogor: onal–Indonesia

Pro-Habitat Canada. n source geospatial

e in action with SOLAPLayers!. Di

2010 workshop; 0.

warehouse spatio-hutan menggunakan Geoserver [skripsi]. atematika dan Ilmu , Institut Pertanian

n introduction to ion systems: linking atabase15(2):12–21.

ata Mining: Concept n Fransisco: Morgan

(21)

wilayah Indonesia menggunakan PALO 2.0 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Hazzard E. 2011.OpenLayers 2.10 Beginner’s Guide. Birmingham: Packt Publishing.

Kraak MJ. 2003. Geovisualization illustrated. ISPRS Journal of Photogrammetry and Remote Sensing 57:1–10.

Messerschmitt DG. 1990. Synchronization in digital system design.IEEE Journal on Selected Areas in Communications 8:1–10.

Thoha AS. 2008. Penggunaan data hotspot untuk monitoring kebakaran hutan dan lahan

di Indonesia. [karya Tulis]. Medan: Universitas Sumatera Utara.

Trisminingsih R. 2010. Pembangunan spatial data warehouse berbasis web untuk persebaran hotspot di wilayah Indonesia [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. London: Springer.

(22)

14

(23)

Lampiran 1 Operasi OLAP.

Lampiran 2 Operasi roll up, d

Tampilan p

dari Kabupaten Ketapang menjadi Provinsi Kalimantan

n peta dan query sebelum dilakukan operasi roll up

(24)

Lanjutan

Lampiran 3 Operasi drill down, dari level provinsi menjadi level kabupaten, di Kalimantan Tengah.

Tampilan peta dan query sebelum dilakukan operasi drill down

(25)

Lanjutan

Lampiran 4 Operasi roll up,dari Kabupaten Ketapang menjadi Provinsi Kalimantan Barat.

Tampilan peta dan query setelah dilakukan operasi roll up

Tampilan peta dan query setelah dilakukan operasi drill down

(26)

Lampiran 5 Hasil eksekusi query.

Lampiran 6 Struktur geohotspot.xml. <Schema name="hotspot">

</Table>

</Table>

</Level>

</Level>

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

</Table>

<Level name="Nama Satelit" column="satelit_name" type="String"

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

(27)

Lanjutan </Dimension>

<Dimension type="StandardDimension" foreignKey="hotspot_id" name="lokasi"> <Hierarchy hasAll="true" allMemberName="Seluruh Indonesia"

primaryKey="kode_hotspot" primaryKeyTable="hotspot"> <Join leftKey="kode_kab" rightAlias="geohotspot_kab" rightKey="kode_kab"> <Table name="hotspot" schema="public">

</Table>

</Join> </Join>

</Level>

</Level>

<Level name="Hotspot" table="hotspot" column="kode_hotspot" type="String"

uniqueMembers="true" levelType="Regular" hideMemberIf="IfBlankName"> <Property name="pointgeom" column="hotspot_geom" type="Geometry">

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