Pembangunan Data Warehouse dan Aplikasi OLAP Kepegawaian Institut Pertanian Bogor

PEMBANGUNAN DATA WAREHOUSE DAN

APLIKASI OLAP KEPEGAWAIAN

INSTITUT PERTANIAN BOGOR

SRI RAHAYU

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pembangunan Data Warehouse dan Aplikasi OLAP Data Kepegawaian Institut Pertanian Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Desember 2013

ABSTRAK

SRI RAHAYU. Pembangunan Data Warehouse dan Aplikasi OLAP Kepegawaian Institut Pertanian Bogor. Dibimbing oleh HARI AGUNG ADRIANTO dan FIRMAN ARDIANSYAH

Sistem Kepegawaian IPB saat ini menggunakan SQL Server sebagai Database Management System (DBMS). Namun, sistem ini belum dilengkapi dengan aplikasi yang cukup untuk melakukan analisis data kepegawaian. Penelitian ini bertujuan untuk membangun data warehouse dan aplikasi OLAP untuk mendukung proses analisis data kepegawaian. Pembangunan data warehouse dan aplikasi OLAP ini menghasilkan tiga tabel fakta dan 10 tabel dimensi. Ketiga tabel fakta tersebut adalah DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime. Sedangkan dimensi yang dihasilkan adalah DW_DimKategoriUsia, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimPendidikan, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimUniversitas, DW_DimBidangIlmu, DW_DimTime, dan DW_DimDepartemen. Target yang dapat dikerjakan oleh aplikasi ini terdiri dari enam poin yang meliputi tiga inti penekanan kondisi kepegawaian, yaitu kategori usia, tingkat pendidikan, dan jabatan pegawai.

Kata kunci: Data warehouse, DBMS, Institut Pertanian Bogor, Kepegawaian, OLAP, SQL Server

ABSTRACT

SRI RAHAYU. Data Warehouse and OLAP Application Development of Bogor Agricultural University Employee Data. Supervised by HARI AGUNG ADRIANTO and FIRMAN ARDIANSYAH.

IPB Employment System currently uses SQL Server as a Database Management System (DBMS). However, the system do not have sufficient tools to conduct an optimal employee data analysis. This research aims at developing data warehouse and OLAP application to support the process of employee data analysis. Development of data warehouse and OLAP applications produces three fact tables and ten dimension tables. The three fact tables are DW_FactBiodataPegawai, DW_FactPendidikan, and DW_FactPendidikanTime, while the dimension tables are DW_DimKategoriUsia, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimPendidikan, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimUniversitas, DW_DimBidangIlmu, DW_DimTime, and DW_DimDepartemen. There are six targets that can be done by this application including three core emphases on employment conditions, such as age, education level, and structural position of the employee.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

PEMBANGUNAN DATA WAREHOUSE DAN

APLIKASI OLAP KEPEGAWAIAN

INSTITUT PERTANIAN BOGOR

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

Judul Skripsi : Pembangunan Data Warehouse dan Aplikasi OLAP Kepegawaian Institut Pertanian Bogor

Nama : Sri Rahayu NIM : G64080059

Disetujui oleh

Hari Agung Adrianto, SKom, MSi Pembimbing I

Firman Ardiansyah, SKom, MSi Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahu wa-ta'ala atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Pembangunan Data Warehouse dan Aplikasi OLAP Data Kepegawaian Institut Pertanian Bogor. Penelitian ini dilaksanakan mulai Februari 2013 sampai dengan Agustus 2013 dan bertempat di Departemen Ilmu Komputer Institut Pertanian Bogor.

Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom, MSi dan Bapak Firman Ardiansyah, SKom, MSi selaku pembimbing. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, seluruh keluarga, serta teman-teman atas segala doa dan kasih sayangnya.

Semoga penelitian ini dapat memberikan manfaat bagi penulis serta pihak lain yang membutuhkan.

Bogor, Desember 2013

2

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 1

Ruang Lingkup Penelitian 2

METODE 2

Analisis 4

Tahap Design 5

Praproses Data 6

Pembuatan Data Warehouse, Uji Query, dan Data Warehouse Final 7

Spesifikasi Perangkat Lunak 8

HASIL DAN PEMBAHASAN 8

Analisis 8

Tahap Design 10

Design Konseptual 10

Design Logika 11

Design Fisik 13

Praproses Data 14

Pembuatan Data Warehouse dan Uji Query 17

SIMPULAN DAN SARAN 21

Simpulan 21

Saran 21

DAFTAR PUSTAKA 21

LAMPIRAN 22

RIWAYAT HIDUP 27

3

DAFTAR TABEL

1 Tahap metode penelitian dan hasil 2

2 Data pegawai aktif 9

3 Contoh data pendidikan pegawai 10

4 Daftar fakta dan dimensi 11

5 Sumber pembentukan DW_FactBiodataPegawai 14 6 Daftar generalisasi pendidikan 16 7 Target penelitian dan grafik hasil 17

DAFTAR GAMBAR

1 Tahapan metode penelitian 3

2 Arsitektur three-tier 5

3 Skema galaksi SimpegIPB 11

4 Diagram DW_FactBiodataPegawai 12

5 Diagram DW_FactPendidikan 12

6 Diagram DW_FactPendidikanTime 13 7 Diagram Integrasi DW_FactBiodataPegawai, DW_FactPendidikan,

dan DW_FactPendidikanTime 13 8 Grafik jumlah pegawai aktif berdasarkan pendidikan untuk setiap

fakultas 18

9 Grafik jumlah pegawai aktif berdasarkan kategori usia

untuk setiap fakultas 18

10 Grafik jumlah pegawai aktif berdasarkan pendidikan

pada setiap tahun 19

11 Grafik persentase dosen berdasarkan tingkat

pendidikan 19

12 Grafik persentase tenaga kependidikan berdasarkan

tingkat pendidikan 20

13 Grafik persentase dosen berdasarkan jabatan 20

DAFTAR LAMPIRAN

1 Tabel fakta dan dimensi 22

2 Staging riwayat pendidikan pegawai generalisasi kode 24

3 Staging riwayat pendidikan pegawai use 25

PENDAHULUAN

Latar Belakang

Institut Pertanian Bogor (IPB) sebagai institusi pendidikan nasional membutuhkan pegawai yang mampu mendukung berlangsungnya proses pendidikan. Setiap bagian dari IPB, mulai dari fakultas hingga departemen membutuhkan pegawai dengan jumlah dan standar yang berbeda. Dengan adanya pegawai yang berkualitas dan sesuai dengan kebutuhan, proses pendidikan di IPB akan berjalan dengan baik. Untuk itu, proses rekrutmen pegawai harus berjalan maksimal dengan hasil analisis data kepegawaian yang diperoleh dari setiap bagian di IPB.

Analisis data adalah tahap pengambilan informasi dari data yang ada. Hingga saat ini, proses rekrutmen pegawai belum berjalan dengan maksimal karena proses analisis data pegawai belum berjalan dengan baik. Perkembangan teknologi memperkenalkan data warehouse dan aplikasi OLAP sebagai salah satu solusi dari permasalahan terkait analisis data. Adanya data warehouse dan aplikasi OLAP akan membantu pihak-pihak yang berperan dalam proses pengambilan keputusan rekrutmen pegawai dalam menentukan pegawai yang benar-benar dibutuhkan oleh IPB.

Pada penelitian kali ini, analisis difokuskan berdasarkan beberapa kategori seperti tingkat pendidikan dan usia pegawai. Jumlah pegawai yang ada di IPB, baik dengan status dosen ataupun tenaga kependidikan lainnya memiliki kondisi yang beragam dan penting untuk diketahui sebagai rekomendasi penetapan keputusan terkait rekrutmen seperti yang telah disebutkan sebelumnya. Pihak-pihak yang berperan sebagai pengambil kebijakan rekrutmen membutuhkan informasi yang jelas tentang kondisi pegawai yang ada untuk dapat memenuhi kebutuhan dari bagian-bagian yang ada. Bukan hanya berdasarkan jumlah pegawai secara keseluruhan, akan tetapi jumlah pegawai dari masing-masing bagian dengan spesifikasi kebutuhan seperti jumlah pegawai dengan kategori usia tertentu untuk tiap fakultas dan departemen.

Bila dianalisis lebih lanjut, kategori usia merupakan aspek penting yang harus diperhatikan oleh pihak-pihak pengambil keputusan atau kebijakan rekrutmen. Jika jumlah pegawai dengan kategori usia mendekati pensiun banyak untuk sebuah fakultas, maka perlu dipersiapkan pegawai pengganti sebagai langkah antisipasi kurangnya pegawai dari fakultas tersebut. Tidak hanya sebatas penambahan jumlah pegawai, tapi spesifikasi kebutuhan pegawai juga harus diperhatikan, seperti tingkat pendidikan pegawai dan jabatan pegawai. Untuk itu, pengembangan data warehouse dan OLAP untuk data kepegawaian IPB sangatlah diperlukan agar kuantitas dan kualitas pegawai dapat benar-benar menunjang sistem kependidikan di IPB dengan maksimal.

Tujuan Penelitian

2

Ruang Lingkup Penelitian

Ruang lingkup penelitian hanya difokuskan pada pembangunan data warehouse dan aplikasi OLAP. Data yang digunakan adalah data kepegawaian IPB dan pembangunan aplikasi dilakukan dengan SQL Server 2008 R2.

METODE

Data warehouse merupakan ruang penyimpanan atau arsip informasi yang dikumpulkan dari berbagai sumber dan disimpan dengan sebuah skema terintegrasi pada satu tempat. Data atau informasi tersebut tersimpan dalam jangka waktu yang lama sehingga memungkinkan pengguna menciptakan query untuk proses pengambilan keputusan dengan lebih mudah. Dengan mengakses informasi dari data warehouse, proses transaksi online tidak terganggu oleh beban kerja proses pengambilan keputusan (Han dan Kamber 2006).

Keuntungan yang didapat jika menggunakan data warehouse antara lain (Connolly dan Begg 2002):

 Menghasilkan keuntungan yang kompetitif dengan cara memperbolehkan pembuat keputusan mengakses data yang dapat memunculkan informasi yang sebelumnya tidak ada, tidak diketahui, dan tidak digunakan.

 Meningkatkan produktivitas para pembuat keputusan dengan cara menciptakan basis data terintegrasi yang terdiri atas data historis yang konsisten dan berorientasi subjek.

Tujuan utama dari pembuatan data warehouse ialah menyatukan beragam data di dalam sebuah tempat penyimpanan sehingga pengguna dapat dengan mudah menjalankan query, menghasilkan laporan, dan melakukan analisis terhadap data yang ada.

Metode yang digunakan untuk mengembangkan data warehouse pada penelitian ini dapat dilihat pada Gambar 1, sedangkan hasil dari tahapan metode penelitian yang dilakukan dapat dilihat pada Tabel 1.

Tabel 1 Tahap metode penelitian dan hasil Tahap Metode Penelitian Hasil Analisis Target pengembangan sistem.

Design Konseptual Terbentuk tabel fakta, tabel dimensi, dan measure

Logika Terbentuk detail variable data dan integrasi tiap tabel

Fisik Implementasi rancangan di dalam DBMS Praproses

Data

Pembersihan Data Data yang siap digunakan pada sistem data warehouse yang dibuat

Integrasi Data Transformasi Data Pemuatan Data

Pembuatan Data Warehouse Data Warehouse dan Aplikasi OLAP Kepegawaian IPB

Uji Query

3

Gambar 1 Tahapan metode penelitian Design

Konseptual

Design Logika

Design Fisik

Uji Query

Data Warehouse

Final

Tahap

D

es

4

Analisis

Pengembangan data warehouse dilakukan dengan perancangan database yang jelas. Tahap pertama adalah analisis spesifikasi kebutuhan yang terdiri atas pengumpulan kebutuhan dari permintaan pengguna ke dalam spesifikasi koheren dan ringkas. Sejak data warehouse ditujukan untuk mendukung proses pengambilan keputusan, tahapan yang digunakan dalam desain database konvensional juga telah diadopsi untuk mengembangkan data warehouse (Malinowski dan Zim’anyi 2008).

Data warehouse dibangun untuk mengatasi masalah teknis dan bisnis yang berkaitan dengan pembangunan data dan informasi untuk mengambil keputusan. Secara rinci dijelaskan oleh Inmon (1993) bahwa data warehouse mempunyai empat karakteristik, yaitu:

 Subject Oriented Data

Data Warehouse diorganisasikan meliputi subjek utama dari enterprise (misal: customer, product, sales) alih-alih area aplikasi utama (misal: customer invoicing, stock control, product sales). Hal ini direfleksikan dalam kebutuhan untuk menyimpan data pendukung keputusan alih-alih data berorientasi aplikasi.

 Integrasi Data

Data warehouse menggabungkan data berorientasi aplikasi dari sistem sumber yang berbeda, yang sering menyertakan data yang tidak konsisten. Data sumber yang terintegrasi harus dibuat menjadi konsisten untuk merepresentasikan tampilan data yang terpadu ke pengguna.

 Time Variant Data

Data pada warehouse akan menjadi akurat dan valid pada beberapa saat atau beberapa interval waktu. Time variance menampilkan perpanjangan waktu dari data yang ada secara implisit atau eksplisit. Selain itu, time variant juga menampilkan keterhubungan antara waktu dengan keseluruhan data dan kenyataan bahwa data merepresentasikan serangkaian kejadian.

 Non Volatile Data

Data pada warehouse tidak di-update secara real time tetapi di-refresh dari sistem operasional dalam basis reguler. Data baru selalu ditambahkan sebagai tambahan pada basis data, alih-alih menggantikan data sebelumnya.

Menurut Han dan Kamber (2006), data warehouse pada umumnya mengadopsi arsitektur three-tier, seperti digambarkan pada Gambar 2. Lapisan-lapisan arsitektur data warehousing tersebut adalah:

1 Lapisan bawah (bottom tier)

Lapisan bawah adalah server data warehouse yang biasanya sebuah sistem database relasional. Pada lapisan ini data diambil dari database operasional dan sumber eksternal lainnya, diekstrak, dibersihkan, dan ditransformasikan. Data disimpan sebagai data warehouse.

2 Lapisan tengah (middle tlier)

5

3 Lapisan atas (top tier)

Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (misalnya: analisis tren, prediksi, dan lainnya).

Selama proses pengumpulan informasi, analisis kebutuhan pengguna di berbagai tingkat manajemen diwawancara untuk mengetahui analisis kebutuhan yang dibutuhkan (Malinowski dan Zim’anyi 2008). Tahap analisis ini juga ditujukan untuk mengetahui karakteristik dari masing-masing data yang diketahui, sehingga memudahkan dalam penentuan desain data warehouse yang akan dirancang.

Gambar 2 Arsitektur three-tier

Tahap Design

Tahap berikutnya yaitu desain konseptual, desain logis, dan desain fisik yang merupakan hasil penerjemahaan dari kebutuhan pengguna. Spesifikasi yang diperoleh berfungsi sebagai dasar untuk membuat sebuah skema database sesuai dengan permintaan pengguna. Pembentukan skema dari hasil analisis yang diperoleh merupakan tahapan design konseptual. Tahapan ini terkait dengan pembuatan data warehouse yang didasarkan pada model data multidimensi. Model ini menampilkan data dalam bentuk kubus. Model data multidimensi terdiri atas dimensi (dimensions) dan fakta (facts) (Han dan Kamber 2006).

6

Fakta adalah ukuran-ukuran numerik merupakan kuantitas yang akan dianalisis hubungan antar-dimensinya. Tabel fakta berisi nama-nama fakta (ukuran) dan key dari tabel-tabel dimensi yang berelasi dengan tabel fakta itu. Data fakta diekstrak dari berbagai sumber. Data fakta cenderung stabil dan tidak berubah seiring waktu. Tabel fakta berukuran besar dan memiliki jumlah baris sesuai dengan jumlah kombinasi nilai dimensi yang mungkin dan jumlah kolom sesuai dengan jumlah dimensi yang direpresentasikan.

Kubus data disebut juga cuboid, dan 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. Kubus data tersebut memiliki dimensi time, item, dan location. Skema basis data berisi kumpulan enititas dan hubungan antarentitas. Sebuah data warehouse memerlukan skema yang ringkas dan berorientasi subjek yang dapat digunakan dalam analisis data on-line. Tipe-tipe skema model data multidimensi adalah:

 Skema Bintang (Star Schema)

Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antartabel dimensi dan tabel fakta menyerupai bintang, yaitu satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabel-tabel dimensi. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat.

 Skema Snowflake (Snowflake Schema)

Skema snowflake adalah variasi dari skema bintang dengan beberapa tabel dimensi dinormalisasi, sehingga dihasilkan beberapa tabel tambahan. Keuntungan yang didapat dengan menggunakan skema ini adalah penghematan memory, namun waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama.

 Skema Galaksi (Fact Constellation)

Pada skema galaksi beberapa tabel fakta berbagi tabel dimensi. Keuntungan menggunakan skema ini adalah menghemat memory dan mengurangi kesalahan yang mungkin terjadi.

Proses selanjutnya adalah design logika. Pada tahapan ini, konsep yang ada dibuat lebih detail dengan menambahkan variabel dan menentukan key dari masing-masing tabel yang ada di dalam rancangan konseptual. Logika yang telah tersusun kemudian diimplementasikan langsung ke dalam DBMS di tahap design fisik. Setelah itu, desain fisik disimpan pada Database Management System (DBMS).

Praproses Data

7

diperlukan. Untuk itu, tahap praproses data menjadi penting untuk dilakukan. Pembersihan data adalah proses memilih data-data yang dibutuhkan, baik tabel ataupun hanya variabel. Setelah itu, data yang telah dipilih diintegrasikan untuk membentuk rancangan data yang diinginkan. Transformasi kemudian dilakukan untuk data butuh penyeragaman format. Setelah data siap diolah ke dalam warehouse, maka data dimuat ke dalam sistem.

Penjelasan lain terkait tahap ini dituliskan Malinowski dan Zim’anyi (2008). Beberapa pengalaman menunjukan bahwa pengembangan data warehouse sistem berbeda secara signifikan dari pengembangan database konvensional. Oleh karena itu, modifikasi terhadap metode yang dijelaskan di atas sangat penting. Sebagai contoh, tidak seperti database konvensional, data di data warehouse diekstrak dari beberapa sumber. Akibatnya, beberapa pendekatan untuk desain data warehouse tidak hanya mempertimbangkan kebutuhan pengguna tetapi juga ketersediaan data. Dalam banyak kasus, data diambil dari sumber yang berbeda sehingga harus ditransformasikan sebelum dimasukan ke dalam data warehouse. Hal ini merupakan salah satu yang perlu dipertimbangkan selama penyusunan desain proses ekstraksi, transformasi, dan loading (ETL). Di sisi lain, belum ada metode yang sesuai untuk merancang database spasial atau temporal.

Pembuatan Data Warehouse, Uji Query, dan Data Warehouse Final

Setelah data dimuat ke dalam sistem tabel-tabel yang telah dirancang, maka aplikasi pun dibuat dengan membentuk cube dan memproses cube tersebut. Uji query dilakukan dengan melihat kesesuaian hasil dari OLAP yang telah dibuat dengan query yang menyusunnya. Jika uji query berhasil, maka data warehouse final terbentuk, jika query gagal maka proses akan kembali mengarah pada pembuatan data warehouse kembali.

Online Analytical Processing (OLAP) terdiri atas seperangkat tool untuk membantu proses analisis dan perbandingan data dalam database. Tool dan metode OLAP membantu pengguna menganalisis data pada sebuah data warehouse dengan menyediakan berbagai tampilan data, dan didukung dengan representasi data grafik yang dinamis (Han dan Kamber 2006).

Teknologi yang digunakan pada penelitian kali ini adalah SQL Server 2008 R2. SQL Server dipilih dengan beberapa alasan, yaitu teknologi ini adalah teknologi yang digunakan oleh IPB, sehingga diharapkan dengan penggunaan SQL Server akan mudah mengintegrasikan penelitian dengan sistem yang berjalan. Selain itu, data yang tersedia juga dapat diproses oleh teknologi ini, sehingga memudahkan untuk melakukan pengolahan data.

SQL Server adalah server basis data yang secara fungsional merupakan proses atau aplikasi yang menyediakan layanan basis data. Client berinteraksi dengan layanan basis data melalui antarmuka komunikasi tertentu yang bertujuan untuk pengendalian dan keamanan. Client tidak mempunya akses langsung ke data, tetapi selalu berkomunikasi dengan server basis data. (Marcus et al. 2004).

8

mengandung informasi dan kolom dan baris. Tabel-tabel saling berhubungan dengan mesin database ketika dibutuhkan.

SQL Server mendukung beberapa tipe data yang berbeda, termasuk untuk karakter, angka, tanggal (datetime), dan uang (money). SQL Server digunakan untuk menggambarkan model dan implementasi pada database. Keuntungan menggunakan SQL Server dapat didefinisikan menjadi dua bagian yaitu satu bagian untuk menjalankan pada server dan bagian lain untuk client. Keuntungan Client antara lain:

 Mudah digunakan.

 Mendukung berbagai perangka keras.

 Mendukung berbagai aplikasi perangkat lunak.  Biasa untuk digunakan

Sementara itu keuntungan Server antara lain:  Dapat diandalkan (Reliable)

 Toleransi kesalahan (Fault Tolerant)  Konkurensi (Concurrent)

 Performa tinggi dalam perangkat keras (High-performance Hardware)  Pengendalian terpusat (Centralized Control)

 Penguncian yang canggih (Sophisticated Locking).

Spesifikasi Perangkat Keras dan Perangkat Lunak

Aplikasi ini dikembangkan dengan menggunakan perangkat keras: Processor Intel(R) Core(TM) 2 Duo CPU T6500 @ 2.10 GHz (2 CPUs), 3 GB Memory, Harddisk 320 GB , Mouse dan Keyboard , Monitor 14.1” dengan resolusi 1024 x 768 pixels, VGA ATI Radeon HD 3400 Series. Sementara itu perangkat lunak yang digunakan adalah Sistem Operasi Microsoft Windows 7 Ultimate 32-bit (6.1, Build 7600) dan SQL Server 2008 R2.

HASIL DAN PEMBAHASAN

Analisis

Analisis yang dilakukan melingkupi analisis kebutuhan sistem dan analisis data yang ada. Analisis dimulai dari analisis karakteristik data warehouse yang terdiri atas subject oriented data, integrasi data, time variant data, dan non volatile data. Data warehouse yang dikembangkan berorientasi pada subject pegawai. Data merupakan integrasi dari database SDM dengan database StagingSimpegIPB. Data yang digunakan adalah data dari tahun pertama hingga tahun 2012 dan bukan dalam bentuk rael time.

9

warehouse dan aplikasi OLAP Kepegawaian IPB. Keenam target diperoleh dari hasil diskusi dengan pihak Direktorat Komunikasi dan Sistem Informasi (DKSI) IPB dan Key Performance Indicators (KPI) IPB yang terkait dengan kepegawaian. Target pertama adalah mengetahui jumlah pegawai aktif berdasarkan tingkat pendidikan untuk tiap fakultas dan departemen. Dari contoh data pada Tabel 2, target ini akan membantu memahami data, contohnya jumlah pegawai aktif dengan pendidikan S1 untuk Fakultas Ekologi Manusia adalah 2 orang dan jumlah pegawai aktif dengan pendidikan S1 untuk Departemen Gizi Masyarakat adalah 1 orang.

Tabel 2 Data pegawai aktif

Nama Usia Kategori

Usia Pendidikan Tahun Departemen Fakultas Fengky

Target kedua adalah mengetahui jumlah pegawai aktif pada rentang usia tertentu untuk tiap departemen dan fakultas. Target ini akan membantu pengguna memahami data, misalnya jumlah pegawai aktif dengan kategori usia 26-30 tahun untuk Departemen Ilmu dan Teknologi Pangan adalah 1 orang dan jumlah pegawai aktif dengan kategori usia 26-30 tahun untuk Fakultas Ekologi Manusia adalah 2 orang.

10

Tabel 3 Contoh data pendidikan pegawai

Nama Pendidikan TahunP Status Pegawai Jabatan A S1 2004 Dosen Staff Pengajar A S2 2007 Dosen Staff Pengajar B D3 2002 TenagaKependidikan Pustakawan Pratama B S1 2006 TenagaKependidikan Pustakawan Pratama C S2 2003 Dosen Guru Besar

C S3 2005 Dosen Guru Besar

D D3 2005 Tenaga Kependidikan Pustakawan Pratama D S1 2006 Tenaga Kependidikan Pustakawan Pratama E S1 2001 Dosen Staff Pengajar E S2 2005 Dosen Staff Pengajar E S3 2007 Dosen Staff Pengajar

Target kelima adalah mengetahui persentase pegawai dengan pendidikan terakhir minimal D3. Dari data pada Tabel 2, OLAP ditujukan untuk membantu memahami data, misalnya persentase tenaga kependidikan dengan pendidikan terkhir D3 adalah sebanyak 3 dari 3 orang, atau sama dengan seluruh dari jumlah dosen yang ada.

Target keenam dari pembagunan data warehouse dan aplikasi OLAP pada penelitian ini adalah mengetahui persentase dosen dengan jabatan guru besar. OLAP dapat membantu memahami data, misalnya persentase dosen dengan jabatan guru besar adalah sebanyak 1 dari 2 orang, atau sama dengan setengah dari jumlah dosen yang ada.

Tahap Design

Tahap design terdiri atas design konseptual, design logika, dan design fisik. Berikut pembahasan masing-masing hasil tahapan design.

Design Konseptual

Design konseptual seperti yang telah dijelaskan pada bagian metode bahwa tahapan ini menghasilkan rancangan skema secara umum. Skema yang dibentuk merupakan skema galaksi dengan tiga tabel fakta dan 10 tabel dimensi seperti dirinci pada Tabel 4.

11

Tabel 4 Daftar fakta dan dimensi

No Dimensi Fakta Measure

1 DW_DimDepartemen DW_FactBiodataPegawai JumlahPegawai 2 DW_DimKategoriUsia

3 DW_DimStatusPekerjaan 4 DW_DimStatusPegawai 5 DW_DimPendidikan 6 DW_DimTahunPendidikan 7 DW_DimJabatan

1 DW_DimPendidikan DW_FactPendidikan JumlahPegawai 2 DW_DimKategoriUsia

3 DW_DimStatusPekerjaan 4 DW_DimStatusPegawai 5 DW_DimUniversitas 6 DW_DimBidangIlmu 7 DW_DimTahunPendidikan 8 DW_DimDepartemen

1 DW_DimTime DW_FactPendidikanTime JumlahPegawai 2 DW_DimPendidikan

Gambar 3 Skema galaksi SimpegIPB

Design Logika

12

Gambar 4 Diagram DW_FactBiodataPegawai

13

Gambar 6 Diagram DW_FactPendidikanTime

Gambar 7 Diagram Integrasi DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime

Design Fisik

14

Praproses Data

Tahap praproses data terdiri dari integrasi, pembersihan, transformasi, dan pemuatan data. Tahapan ini dibahas berdasarkan tabel fakta yang terbentuk dan data source yang digunakan. Tabel fakta DW_FactBiodataPegawai dibentuk dari database StagingSimpegIPB dengan tabel Stg_TrsBiodata. Sumber pembentukan tabel DW_FactBiodataPegawai dijelaskan pada Tabel 5 berikut ini.

Tabel 5 Sumber pembentukan DW_FactBiodataPegawai

Database Source Tabel yang Digunakan Field yang Digunakan Simpeg IPB SimpegIPB.dbo.Staging Riwayat

Pendidikan PegawaiUse sdm sdm.dbo. tBiodata StatusPegawai

Dalam proses pembentukan tabel DW_FactBiodataPegawai, dilakukan tahapan praproses data yang dimulai dari pembentukan tabel-tabel sumbernya. Tabel DW_FactBiodataPegawai terdiri dari dimensi DimDepartemen, DimStatusPegawai, DimStatusPekerjaan, DimJabatan, DimTahunPendidikan, DimPendidikan, dan DimKategoriUsia. Data yang dibutuhkan disimpan terlebih dahulu di dalam tabel Stg_TrsBiodata. Pembersihan dan integrasi dilakukan untuk dapat membentuk tabel Stg_TrsBiodata. Pengolahan data pertama ditujukan untuk mendapatkan field KodePendidikan dan TahunPendidikan yang kemudian akan dijadikan rujukan dalam pembentukan DimTahunPendidikan dan DimPendidikan. Integrasi data terjadi antara tabel TrsRiwayatPendidikan dan tabel MstPendidikan untuk membentuk tabel Staging RiwayatPendidikanPegawaiGeneralisasiKode. Query SQL yang digunakan adalah

15 inner join StagingSimpegIPB.dbo.Stg_MstPendidikan b on a.pendidikan = b.pendidikan

order by PendidikanPegawai.

Hasil tabel Staging RiwayatPendidikanPegawaiGeneralisasiKode dapat dilihat pada Lampiran 2. Sesuai dengan namanya, table ini merupakan table yang ditujukan untuk memunculkan hasil dari generalisasi KodePendidikan. Transformasi data dilakukan pada bagian KodePendidikan yang digeneralisasi yang dapat dilihat pada Tabel 6.

Setelah generalisasi KodePendidikan terbentuk, dipilih data dengan tingkat pendidikan yang tertinggi. Data pegawai dengan tingkat pendidikan tertinggi untuk masing-masing individu disimpan di dalam tabel StagingRiwayatPendidikanPegawaiUse. Query SQL yang digunakan adalah select NIP, KodePendidikan, Pendidikan, Universitas, BidangIlmu, Tahun from (

select NIP, KodePendidikan, Pendidikan, Universitas, BidangIlmu, Tahun,

row_number() over (partition by NIP order by KodePendidikan desc) AS recid

from

[SimpegIPB].[dbo].[StaggingRiwayatPendidikanPegawaiGene ralisasiKode]

) AS f where recid = 1 order by KodePendidikan. Tabel Staging Riwayat Pendidikan Pegawai Use.

16

Tabel 6 Daftar generalisasi pendidikan

Daftar Generalisasi Pendidikan

Sebelum Generalisasi Setelah Generalisasi

SD SD

SimpegIPB.dbo.StagingFakDeptTest dibentuk dari sdm.dbo.tMutasi dengan mengambil kolom NIP, unitKerja, dan bagian dengan filter pada kolom AktifUnit = 1 dan unitKerja tidak sama dengan ' '. Data Departemen dan Fakultas merupakan tujuan dibentuknya StagingFakDeptTest tersebut. Setelah keempat tabel dari dua database tersebut siap, maka data dimuat untuk membentuk Stg_TrsBiodata dan FactBiodataPegawai.

17

Pembuatan Data Warehouse dan Uji Query

Pembuatan OLAP dan aplikasi data warehouse dilakukan dengan menggunakan SQL Server 2008 R2. Proses pembuatan OLAP ini meliputi proses pembuatan design konseptual yang berupa tabel fakta, dimensi, measure ke dalam SQL Server 2008 R2 hingga membentuk cube dan menghasilkan keluaran. Uji query dilakukan dengan membandingkan query yang telah dibuat dengan hasil yang terbentuk. Dari enam target yang ada, semuanya dapat tercapai. Target dan hasilnya, didaftarkan jelas pada Tabel 7.

Tabel 7 Target penelitian dan grafik hasil No.

Target

Deskripsi Target Hasil

1 Mengetahui jumlah pegawai aktif berdasarkan tingkat pendidikan untuk tiap departemen dan fakultas.

Gambar 8

2 Mengetahui jumlah pegawai aktif pada rentang usia tertentu untuk tiap departemen dan fakultas.

Gambar 9

3 Mengetahui jumlah pegawai dengan pendidikan pada tahun tertentu

Gambar 10

4 Mengetahui persentase dosen yang bergelar doktor. Gambar 11 5 Mengetahui persentase pegawai dengan pendidikan

terakhir minimal D3.

Gambar 12

6 Mengetahui persentase dosen dengan jabatan guru besar.

Gambar 13

Dari Gambar 8, dapat diketahui bahwa jumlah pegawai aktif dengan tingkat pendidikan S3 tertinggi terdapat pada Fakultas Pertanian. Tingkat pendidikan S2 dan S1 tertinggi terdapat pada Fakultas Matematika dan Ilmu Pengetahuan Alam. Data ini dapat menjadi pertimbangan bagi pihak terkait untuk meningkatkan kualitas pendidikan pegawai untuk fakultas-fakultas yang masih rendah jumlah pegawainya pada tingkat pendidikan tertentu.

Target kedua yang ditunjukkan pada Gambar 9 membantu pihak terkait dalam mengetahui kondisi kebutuhan SDM dengan melihat usia dari SDM yang ada. Sebagian contoh pada Fakultas pertanian yang terdata memiliki SDM kategori usia 51 – 56 tahun tertinggi dibandingkan fakultas yang lain, menjadi bahan pertimbangan tersendiri untuk segera menambahkan SDM baru dengan usia dibawahnya. Penetapan system rentang usia ini dimaksudkan untuk mempermudah pengguna dalam melihat data dan memahami maknanya.

Gambar 10 membantu pengguna untuk melihat perkembangan kualitas pendidikan SDM yang ada di setiap tahunnya. Dari hasil tersebut terlihat jumlah SDM S3 semakin meningkat dan jumlah SDM S1 semakin berkurang. Hal ini membantu pihak terkait dalam proses evaluasi jangka panjang.

18

tingkat pendidikan D3 ke atas dengan jumlah pegawai dengan tingkat pendidikan D3 ke bawah. Gambar 13 dapat terlihat persentase dosen dengan jabatan guru besar dibandingkan dengan lima jabatan dosen lainnya secara fungsional.

Gambar 8 Grafik jumlah pegawai aktif berdasarkan pendidikan untuk setiap fakultas

19

Gambar 10 Grafik jumlah pegawai aktif berdasarkan pendidikan pada setiap tahun

20

Gambar 12 Grafik persentase tenaga kependidikan berdasarkan tingkat pendidikan

21

SIMPULAN DAN SARAN

Simpulan

Penelitian ini menghasilkan aplikasi data warehouse dan OLAP Kepegawaian IPB dengan satu kubus data yaitu kubus DW_SimpegIPB. Tabel fakta yang terbentuk yaitu, DW_FactBiodataPegawai, DW_FactPendidikan, dan DW_FactPendidikanTime. Tabel-tabel fakta tersebut terhubung oleh sepuluh tabel dimensi, yaitu DW_DimKategoriUsia, DW_DimDepartemen, DW_DimPendidikan, DW_DimTime, DW_DimStatusPekerjaan, DW_DimStatusPegawai, DW_DimTahunPendidikan, DW_DimJabatan, DW_DimBidangIlmu, dan DW_DimUniversitas. Measure dari kubus data ini adalah jumlah pegawai. Penyajian gambar dapat dilihat dalam bentuk grafik batang, pie chart, garis, dan jenis grafik lain yang terdapat dalam Microsoft Excel. Operasi-operasi OLAP yang digunakan pada kubus data yang dibentuk adalah roll-up, drill-down, slice, dan dice.

Saran

Saran untuk penelitian data warehouse dan aplikasi OLAP kepegawaian IPB selanjutnya adalah:

1 Memperluas lingkup target yang dibentuk dengan analisis yang lebih mendalam tentang keadaan kepegawaian IPB.

2 Meningkatkan kualitas data source, sehingga hasil yang ada merupakan data yang benar-benar relevan dengan kondisi pegawai IPB.

3 Menyesuaikan tools untuk reporting dengan teknologi yang digunakan oleh sistem di IPB.

DAFTAR PUSTAKA

22

Lampiran 1 Tabel fakta dan dimensi

24

Lampiran 2 Staging riwayat pendidikan pegawai generalisasi kode

ID NIP Kode Pendidikan Pendidikan Universitas Bidang Ilmu Tahun

3796 130042185 11 S3 North Carolina State Univ.

Experimental Statistics 1964

810 130075890 9 S1 Universitas Indonesia Ilmu Perpustakaan 1976 811 130120138 9 S1 Institut Pertanian Bogor Teknologi Pertanian 1973 3312 130120138 10 S2 Institut Pertanian Bogor Ilmu Pangan 1979 812 130128209 9 S1 Universitas Indonesia Pertanian 1961 3311 130128209 10 S2 University of Kentucky Botani 1963 813 130143845 9 S1 Universitas Indonesia Kehutanan 1958 3309 130143845 10 S2 University of Toronto Kehutanan 1970 3797 130143845 11 S3 University of Wisconsin Plant Pathology 1974 814 130154833 9 S1 Universitas Indonesia Kedokteran Hewan 1960 3310 130154833 10 S2 University of Kentucky Embriologi 1966 3798 130154833 11 S3 Institut Pertanian Bogor Embriologi 1975 815 130160307 9 S1 Institut Pertanian Bogor Ilmu Tanah 1961 3308 130160307 10 S2 University of Georgia Ilmu Tanah 1963 3799 130160307 11 S3 University of Georgia Ilmu Konservasi Tanah 1965 3800 130160323 11 S3 Institut Pertanian Bogor Biologi 1979 816 130160326 9 S1 Universitas Indonesia Kedokteran Hewan 1960 3307 130160326 10 S2 University of Kentucky Dairy Science 1964 3801 130160326 11 S3 Institut Pertanian Bogor Ilmu Ternak 1981

25

Lampiran 3 Staging riwayat pendidikan pegawai use

NIP KodePendidikan Pendidikan Universitas BidangIlmu Tahun 130042185 11 S3 North Carolina State

Univ.

Experimental Statistics 1964

130075890 9 S1 Universitas Indonesia Ilmu Perpustakaan 1976 130120138 10 S2 Institut Pertanian Bogor Ilmu Pangan 1979 130128209 10 S2 University of Kentucky Botani 1963 130143845 11 S3 University of Wisconsin Plant Pathology 1974 130154833 11 S3 Institut Pertanian Bogor Embriologi 1975 130160307 11 S3 University of Georgia Ilmu Konservasi Tanah 1965 130160323 11 S3 Institut Pertanian Bogor Biologi 1979 130160326 11 S3 Institut Pertanian Bogor Ilmu Ternak 1981 130160331 10 S2 Institut Pertanian Bogor Ilmu Pengetahuan Hutan 1988 130168635 11 S3 Montana State University Applied Economoics &

Econometrica

1974

130176917 11 S3 Oklahoma State University

Entomologi 1968

130176920 11 S3 Institut Pertanian Bogor Ilmu Ternak 1981 130176921 11 S3 University of Florida Animal Science 1972 130176923 11 S3 North Carolina State

Univ.

Forest Engineering 1972

130176928 9 S1 Universitas Indonesia Kedokteran Hewan 1961 130183161 10 S2 Michigan State University Ilmu Pangan 1965 130183165 11 S3 University of Wisconsin Entomologi Hasil hutan 1975 130183168 11 S3 University of Wisconsin Ilmu Nutrisi Ternak 1976

26

Lampiran 4 Contoh data yang siap dimuat

27

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 18 November 1989. Penulis merupakan anak keempat dari pasangan Purwanto dan Nasirah. Pada tahun 2008, penulis menamatkan pendidikan di SMA Negeri 58 Jakarta. Pada tahun yang sama, penulis diterima menjadi mahasiswa di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI). Penulis menjadi mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.