Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)

(1)

PEMBANGUNAN

DATA WAREHOUSE

DAN APLIKASI OLAP

BERBASIS WEB (STUDI KASUS DATA SKRIPSI

MAHASISWA ILMU KOMPUTER IPB)

SILVIANI YULIASARI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. 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, September 2013

(4)

ABSTRAK

SILVIANI YULIASARI. Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB). Dibimbing oleh ANNISA.

Setiap tahunnya Departemen Ilmu Komputer selalu meluluskan mahasiswanya dari berbagai angkatan yang sudah menyelesaikan studi dan tugas akhir. Kondisi tersebut akan menghasilkan data skripsi yang semakin menumpuk. Dari penumpukan data tersebut bisa diambil suatu informasi diantaranya, topik skripsi, IPK, dosen pembimbing, dan lab keilmuan yang bisa memengaruhi kelulusan seorang mahasiswa. Pada penelitian ini, dibuat sebuah data warehouse yang terintegrasi dengan (On-Line Analytical Processing) OLAP untuk mendapatkan informasi yang berpotensi menunjang kelulusan mahasiswa tepat waktu. OLAP server yang digunakan adalah Mondrian 3.5.0. Data yang digunakan adalah data skripsi mahasiswa Ilmu Komputer IPB tahun masuk 2001, dan 2005 sampai dengan 2008. Tahapan yang dilakukan meliputi analisis, desain, praproses, diakhiri dengan pembuatan data warehouse dan implementasi operasi OLAP. Skema data warehouse yang dibuat menggunakan skema galaksi. Penelitian ini menghasilkan sebelas dimensi (IPK, Tahun Masuk, Tahun Lulus, Lab Keilmuan, Dosen Pembimbing, Jalur Masuk, Jenis Kelamin, Asal Daerah, Kata Kunci, Lama Studi, NIM) dan dua fakta (Skripsi, Mahasiswa).

Kata Kunci:data warehouse,Mondrian 3.5.0, OLAPserver

ABSTRACT

SILVIANI YULIASARI. Development of Data Warehouse and OLAP Application Web Based (Case Study of Computer Science Students Thesis Data IPB). Supervised by ANNISA.

Each year the Department of Computer Science graduates several students, upon the completion of their thesis. This results in the accumulation of the thesis data. From the data bank, some information related to the timely graduations of students, such as title of thesis, GPA, supervisor, and lab can be retrieved. This research created an integrated data warehouse with (On-Line Analytical Processing) OLAP to see the pattern that support timely graduation. The OLAP server used in this research is Mondrian 3.5.0. The data used are the thesises of IPB Computer Science students year 2001, 2005 to 2008. The steps being taken include analysis, design, preprocessing, and concluded with the implementation of data warehouse and OLAP operations. The data warehouse schema is created using the galaxy scheme. This research resulted in eleven dimensions (GPA, Time Entry, Time Pass, Lab, Lecturer, Entrance, Gender, District, Keywords, Duration of Study, NIM) and two facts table (Thesis, Student).

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada

Departemen Ilmu Komputer

PEMBANGUNAN

DATA WAREHOUSE

DAN APLIKASI OLAP

BERBASIS WEB (STUDI KASUS DATA SKRIPSI

MAHASISWA ILMU KOMPUTER IPB)

SILVIANI YULIASARI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

(7)

Judul Skripsi: PembangunanData Warehousedan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)

Nama : Silviani Yuliasari NIM : G64090075

Disetujui oleh

Annisa Skom MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono MSi MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala _atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan April 2013 ini ialah data warehouse, dengan judul Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web (Studi Kasus Data Skripsi Mahasiswa Ilmu Komputer IPB)

Terima kasih penulis ucapkan kepada Ibu Annisa SKom Mkom selaku pembimbing yang telah memberikan saran, masukkan, dan ide-ide kepada Penulis dalam menyusun skripsi, serta Ibu Dr Imas S. Sitanggang Ssi Mkom dan Bapak Hari Agung A. Skom MSi selaku penguji yang telah memberikan saran kepada Penulis.

Ungkapan terima kasih juga disampaikan kepada ayah, ibu, adik, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Ridwan Agung yang memberikan motivasi dan membantu dalam penyelesaian skripsi. Keluarga kos WH, Siti, Deby, Rita, Evi, Dina, Childa, Nurul, Ka Didi, Lily, dan Novia tempat bertukar pikiran dengan Penulis selama perkuliahan. Retno D, Lizza, Anggi, dan Intan teman-teman satu bimbingan yang menemani Penulis selama mengerjakan tugas akhir. Teman-teman Ilmu Komputer angkatan 46 yang telah banyak membantu Penulis selama perkuliahan. Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu baik selama penelitian maupun pada masa perkuliahan. Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan penelitian ini yang tidak dapat disebutkan satu-persatu, Penulis ucapkan terima kasih banyak.

Semoga karya ilmiah ini bermanfaat.

(9)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Data Warehouse 2

Operasi Dasar OLAP (On-Line Analytical Processing) 2

Model Data Multidimensi (Han dan Kamber 2006) 3

Mondrian 5

METODE 5

Analisis 5

Desain 7

Praproses Data 7

Pemuatan Data 7

PembuatanData Warehouse 8

Aplikasi OLAP 8

Uji Query 8

Lingkungan Pengembangan 9

HASIL DAN PEMBAHASAN 9

Analisis Data 9

Klasifikasi 11

Desain Konseptual dan Desain Logikal 11

Integrasi Data, Reduksi Data, dan Pembersihan Data 12

Transformasi data 13

Pemuatan Data 13

(10)

SIMPULAN DAN SARAN 26

Simpulan 26

Saran 26

DAFTAR PUSTAKA 26

(11)

DAFTAR TABEL

1 Atribut pada data skripsi 10

2 Atribut pada data dosen 10

3 Atribut pada data lab keilmuan 10 4 Atribut pada data mahasiswa 10

5 Atribut hasil analisis 10

6 Contoh klasifikasi untuk tabel fakta skripsi 11 7 Desain fisik fakta skripsi 12 8 Desain fisik fakta mahasiswa 13

DAFTAR GAMBAR

1 Skema Bintang 4

2 SkemaSnowflake 4

3 Skema Galaksi 5

4 Tahapan Penelitian 6

5 Arsitekturdata warehousedan OLAP 8 6 Skema galaksi dengan dua tabel fakta 12

7 Tampilan awal aplikasi 14

8 Tampilan aplikasi untuk kubus skripsi 14 9 Tampilan aplikasi untuk kubus mahasiswa 14 10 Tampilan editorqueryMDX topik skripsi 15 11 Tampilan OLAP Navigator topik skripsi 16 12 Tampilan hasil topik skripsi 16 13 Tampilan editorqueryMDX Dosen pembimbing 17 14 Tampilan OLAP Navigator Dosen Pembimbing 17 15 Tabel pivot menunjukkan dosen pembimbing yang meluluskan

mahasiswa tepat waktu 18

16 Tampilan editorqueryMDX Lab Keilmuan 19 17 Tampilan OLAP Navigator Lab Keilmuan 19 18 Tabel pivot dan grafik batang menunjukkan jumlah mahasiswa lulus

tepat waktu berdasarkan lab keilmuan 19 19 Tampilan editorqueryMDX IPK TPB 20 20 Tampilan OLAP Navigator IPK TPB 20 21 Tabel pivot menunjukkan kelulusan tepat waktu berdasarkan IPK TPB 21 22 Tampilan editorqueryMDX Jenis Kelamin Mahasiswa 21 23 Tampilan OLAP Navigator Jenis Kelamin Mahasiswa 22 24 Tabel pivot dan grafik operasi drill-down menunjukkan jumlah

mahasiswa lulus tepat waktu berdasarkan jenis kelamin 22 25 Tampilan editorqueryMDX Jalur Masuk Mahasiswa 23 26 Tampilan OLAP Navigator Jalur Masuk Mahasiswa 23 27 Tabel pivot dan grafik operasi drill-down menunjukkan jumlah

(12)

(13)

PENDAHULUAN

Latar Belakang

Seorang mahasiswa dikatakan lulus apabila telah menyelesaikan studi dan tugas akhir. Adapun penyelesaian masa studi setiap mahasiswa berbeda-beda dilihat dari selisih tahun lulus dengan tahun masuknya. Mahasiswa IPB memiliki lama studi maksimal sebesar 12 semester dan dikatakan lulus tepat waktu apabila selesai studi selama delapan semester (IPB 2011).

Salah satu faktor yang memengaruhi lama studi mahasiswa adalah skripsi atau tugas akhir, untuk itu dibutuhkan informasi mengenai topik skripsi yang dilihat dari kata kunci setiap judul skripsi, waktu masuk dan waktu lulus, dosen pembimbing, lab keilmuan, jenis kelamin, jalur masuk, asal daerah, dan IPK. Dari aspek tersebut ingin diketahui aspek mana yang memengaruhi lama penyelesaian studi seorang mahasiswa.

Data yang dihasilkan dari setiap judul skripsi yang masuk ke perpustakaan Departemen Ilmu Komputer dan perpustakaan IPB akan disimpan dalam suatu tempat penyimpanan data dalam bentuk berkas Excel (xls dan xlsx). Penyimpanan data yang dilakukan secara rutin dari tahun ke tahun menyebabkan data yang tersimpan semakin menumpuk walaupun saat ini media penyimpanan sudah memiliki kapasitas yang besar (sampai terabyte), penumpukan data tetap akan menimpulkan masalah apabila tidak dikelola dengan baik. Kondisi seperti ini biasa disebut dengan istilah “rich of data but poor of information” (Han dan Kamber 2006).

Beberapa penelitian sebelumnya yang melakukan pengolahan data diantaranya adalah Herlambang (2007) membangun data warehousedan operasi-operasi OLAP untuk data PPMB IPB dan data IPK TPB IPB menggunakan Palo Server 1.0c. Penelitian tersebut menghasilkan data warehouse data PPMB yang terdiri dari dua kubus data. Selanjutnya, Aulia (2011) melakukan penelitian yang sama dengan menggunakan data Departemen Ilmu Komputer IPB tahun 2005 sampai dengan 2009 (mayor dan minor). Penelitian tersebut menggunakan Mondrian sebagai OLAP server, sistem operasi ubuntu, dan menghasilkan dua kubus data.

Penelitian Herlambang (2007) dijadikan acuan dalam pembuatan arsitektur data warehouse sedangkan penelitian Aulia (2009) dijadikan acuan dalam penggunaan OLAP server Mondrian. Selain itu, penelitian keduanya sama-sama dijadikan acuan dalam pembuatan skema galaksi dengan dua tabel fakta. Sehingga, diharapkan hasil dari penelitian ini mampu memberikan manfaat untuk pengguna, yaitu pihak-pihak terkait yang ada di Departemen Ilmu Komputer dalam membuat kebijakan yang mampu mendukung mahasiswa lulus tepat waktu.

Perumusan Masalah

(14)

2

Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1 Membangun data warehouse dan operasi OLAP untuk data skripsi mahasiswa Ilmu Komputer IPB serta membangun aplikasi untuk memvisualisasikan hasil operasi OLAP.

2 Mendapatkan informasi yang berpotensi menunjang kelulusan mahasiswa tepat waktu.

Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat kepada pihak-pihak terkait yang ada di Departemen Ilmu Komputer IPB yaitu komisi akademik, Ketua Departemen, dan para dosen untuk membuat kebijakan yang dapat mendukung mahasiswa lulus tepat waktu.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini dibatasi pada pembuatandata warehousedan pembangunan aplikasi OLAP berbasis web menggunakan Mondrian 3.5.0 sebagai OLAP server dan operasi sistem Windows. Data yang digunakan adalah data skripsi program sarjana mahasiswa Ilmu Komputer IPB tahun masuk 2001 dan 2005 sampai dengan 2008 yang terdapat di perpustakaan IPB dalam bentuk berkas Excel (xls dan xlsx) yang didapatkan pada April 2013.

TINJAUAN PUSTAKA

Data Warehouse

Data warehouse adalah koleksi data yang memiliki sifat subject oriented, integrated,time variant, dannonvolatile sehingga memungkinkan suatu lembaga, organisasi, atau perusahaan dalam membuat keputusan (Han dan Kamber 2006). Empat karakteristikdata warehousemenurut Han dan Kamber (2006) yaitu: 1 Subject oriented, data warehouse didesain untuk menganalisis data

berdasarkan subjek tertentu dalam lembaga, organisasi, atau perusahaan bukan berdasarkan fungsi atau proses aplikasi tertentu.

2 Integrated, data dibangun dengan mengintegrasikan berbagai sumber data. 3 Time variant, data yang disimpan memberikan sejarah informasi dengan kata

lain data yang disimpan valid pada rentang waktu tertentu.

4 Nonvolatile, proses yang diijinkan dalamdata warehousehanya pemuatan dan akses data tanpa mengubah data sumber sehingga data yang tersimpan tidak dapat diperbarui atau dihapus.

Operasi Dasar OLAP (On-Line Analytical Processing)

(15)

3

multidimensional data didasarkan pada terminologi dan konsep OLAP ( Han dan Kamber 2006). Data yang biasanya ditampilkan oleh OLAP adalah fungsi agregasi seperti summary, max, min, dan average. OLAP menyediakan proses kalkulasi dan perbandingan data serta dapat menampilkan hasil dalam bentuk tabel dan grafik.

Operasi dasar OLAP menurut Han dan Kamber (2006) sebagai berikut:

• Slicing

Slicingadalah proses melakukan pemilihan satu dimensi dari suatu kubus data sehingga menghasilkansubcube.

• Dicing

Dicing adalah proses melakukan pemilihan dua atau lebih dimensi dari suatu kubus data sehingga menghasilkansubcube.

• Roll up

Operasi roll up dilakukan pada kubus data dengan cara menaikkan tingkat suatu hierarki atau mereduksi jumlah dimensi.

• Drill down

Drill down merupakan operasi kebalikan dari roll up. Operasi ini dapat merepresentasikan data secara lebih detail atau spesifik dari level tinggi ke level rendah.

• Pivoting

Pivotingmerupakan kemampuan OLAP yang dapat melihat data dari berbagai sudut pandang. Sumbu pada kubus data dalam aplikasi OLAP dapat diatur sehingga dapat diperoleh data yang diinginkan sesuai dengan sudut pandang analisis yang diperlukan.

Model Data Multidimensi (Han dan Kamber 2006)

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).

Dimensi adalah perspektif atau entitas penting yang dimiliki oleh organisasi. Dimensi akan berubah jika analisis kebutuhan pengguna berubah. Tabel dimensi berukuran lebih kecil daripada tabel fakta dan berisi data tidak numerik. Padadata warehouse, kubus data merupakan kubus dengan n-dimensi.

Fakta adalah kuantitas yang akan dianalisis hubungan antar dimensinya dan berisi data numerik. Tabel fakta berisi measure 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.

Skema basis data berisi kumpulan entitas dan hubungan antar entitas. Tipe-tipe skema model data multidimensi yaitu:

1 Skema bintang (star schema)

(16)

4

lebih efisien, dan waktu respon yang cepat. Bentuk skema bintang dapat dilihat pada Gambar 1.

Gambar 1 Skema Bintang

2 Skemasnowflake(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 memori tapi waktu yang dibutuhkan untuk pemrosesan query menjadi lebih lama. Bentuk skemasnowflakedapat dilihat pada Gambar 2.

Gambar 2 SkemaSnowflake

3 Skema galaksi (fact constellation)

(17)

5

Gambar 3 Skema Galaksi

Mondrian

Mondrian merupakan aplikasi server OLAP berbasis open source dan menggunakan bahasa pemograman Java. Mondrian mengeksekusi query yang ditulis menggunakan bahasa Multi-Dimensional Expression (MDX), membaca data dari database Relational Database Management System (RDBMS), dan mempresentasikan hasil multidimensional dengan format java API (Hyde 2005).

METODE

Metode yang digunakan terdiri atas tahap analisis, desain, praproses data, pemuatan data, pembuatan data warehouse, aplikasi OLAP, dan uji query. Alur kerja penelitian dapat dilihat pada Gambar 4.

Analisis

Pada tahap ini dilakukan analisis spesifikasi untuk mengetahui karakteristik dari masing-masing data sehingga memudahkan untuk menentukan desain data warehouse yang akan dirancang. Data yang akan dianalisis yaitu data skripsi mahasiswa program sarjana Ilmu Komputer yang didapat dari perpustakaan IPB, data dosen dan data lab keilmuan didapat dari Sekretariat Departemen Ilmu Komputer, serta data mahasiswa Ilmu Komputer didapat dari sekretariat TPB dalam bentuk Excel.

(18)

6

• Memilih dimensi danmeasuremelalui OLAPnavigator. • Menampilkan data secararoll up, drill down,slice,dandice. • Menampilkan data dalam bentuk grafik (bar, pie, danline).

Dari aplikasi ini diharapkan dapat memberikan informasi kepada pengguna seperti:

1 Menampilkan informasi penunjang kelulusan tepat waktu dilihat dari faktor: • Topik skripsi,

• Dosen pembimbing, • Lab keilmuan, • IPK,

• Jenis kelamin mahasiswa, • Jalur masuk,

• Asal daerah.

2 Tren skripsi mahasiswa Ilmu Komputer untuk setiap dosen pembimbing dan lab keilmuan.

3 Rata-rata lama studi mahasiswa Ilmu Komputer.

Tahap awal sebelum proses pembuatan data warehouse dilakukan pengumpulan data dan menganalisis atributnya untuk mendapatkan atribut-atribut yang tepat dalam pembuatan data warehouse. Setelah dipilih dan diketahui atribut-atributnya kemudian dilanjutkan ke tahapan praproses data.

(19)

7

Desain

Pada tahap desain, terdapat tiga fase yaitu: 1 Desain konseptual

Pada tahap ini dilakukan desain skema pembuatandata warehouse, dimensi-dimensi, dan measureyang akan digunakan. Measure menunjukkan hasil analisis data warehouse dari dimensi-dimensi yang dibuat. Tahap ini bertujuan untuk mengidentifikasi hubungan atribut-atribut dalamdata warehouse.

2 Desain logikal

Pada tahap ini dilakukan perencanaan dan pembuatan data warehouse dengan membuat relasi-relasi data dan menentukan hubungan antar atribut. Tahap ini bertujuan untuk menerjemahkan representasi konseptual data warehouse dari tahap sebelumnya ke tahap implementasi.

3 Desain fisik

Pada tahap ini kubus data yang sudah siap, akan digunakan ke dalam data warehouse. Selain itu, skema sudah bisa diimplementasikan ke dalam data warehouseyang akan dibangun.

Praproses Data

Setelah melalui tahap analisis dan desain, data yang ada harus melalui tahap praproses terlebih dahulu. Tahapan praproses data dalam penelitian ini meliputi : 1 Integrasi dan Reduksi Data

Atribut-atribut data skripsi, data dosen, data lab keilmuan, dan data mahasiswa yang relevan dipilih terlebih dahulu sebelum diimpor ke sistem manajemen basis data MySQL. Integrasi dilakukan dengan menggabungkan atribut-atribut yang menarik dari tabel-tabel yang telah diperoleh. Data direduksi dilakukan bersamaan dengan proses integrasi, yaitu membuang atribut-atribut yang tidak menarik dan tidak relevan.

2 Pembersihan Data

Pembersihan data dilakukan terhadaprecord-record yang mengandung nilai null dan nilai yang tidak konsisten. Kondisi tersebut dapat diatasi dengan membuang atau menyeragamkan nilainya dengan menggunakan nilai rataan untuk atribut yang bernilai angka. Pada tahap ini juga terdapat tahap transformasi untuk menjaga konsistensi data.

3 Transformasi Data

Transformasi ke bentuk data yang tepat agar dapat digunakan untuk proses selanjutnya. Hal yang dilakukan meliputi penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut atau dimensi. Akhir dari tahap ini adalah terbentuknya sebuahdata warehouse.

Pemuatan Data

(20)

8

PembuatanData Warehouse

Pada tahap ini dilakukan pembuatan data warehousemenggunakan metode arsitekturthree-tier data warehouseHan dan Kamber (2006) meliputi :

1 Lapisan bawah (bottom tier)

Pada lapisan ini terdapat server data warehouse yaitu sistem manajemen basis data MySQL yang berfungsi sebagai tempat pengolahan data.

2 Lapisan tengah (middle tier)

Lapisan tengah merupakan lapisan tempat menyimpan struktur kubus data yang biasa disebut dengan OLAP server. Dalam penelitian ini digunakan Mondrian Server 3.5.0. Sedangkan tempat pembuatan atau pemodelan struktur kubus data dan pemuatan data dari data warehouse ke kubus data menggunakanSchema Worbench.

3 Lapisan atas (top tier)

Lapisan ini merupakan lapisan untuk end user yang memiliki fungsi menampilkan ringkasan data warehouse yang merupakan hasil dari operasi OLAP. Gambaran umum arsitekturdata warehousedan OLAP dapat dilihat pada Gambar 5.

Gambar 5 Arsitekturdata warehousedan OLAP

Aplikasi OLAP

Langkah awal membangun aplikasi adalah membentuk struktur kubus data dalam Mondrian 3.5.0. Sebelum membentuk struktur kubus data, dilakukan koneksi terlebih dahulu dengan sistem manajemen basis data yang telah dibangun menggunakan fasilitas connection. Selanjutnya dilakukan perancangan aplikasi yang terdiri dari rancangan antarmuka, fungsi, dan modul.

Uji Query

(21)

9

Lingkungan Pengembangan

Aplikasi OLAP ini dibangun dengan menggunakan perangkat sebagai berikut:

Perangkat keras berupa komputer personal dengan spesifikasi: • Prosesor Intel Core i3.

• Memory2 GB. • Harddisk500 GB. • Monitor14.1”.

• Mousedan keyboard.

Perangkat lunak yang digunakan untuk membuat sistem ialah: • Sistem Operasi Microsoft Windows 7 Profesional 64 bit.

• MySQL (perangkat lunak bantu untuk pemrosesan data dan pembuatan skema data warehouse).

• ApacheServerXAMPP.

• Schema Workbench(tempat pemodelan struktur kubus data dan pemuatan data daridata warehouseke kubus data)

• Mondrian Server 3.5.0 (OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur kubus data multidimensi)

• Web browserGoogle Chrome.

HASIL DAN PEMBAHASAN

Analisis Data

Pada penelitian ini, sumber data diperoleh dengan format Excel (xls dan xlsx) berisi data skripsi mahasiswa tahun masuk 2001 dan 2005 sampai dengan 2008 sebanyak 318 record, data dosen sebanyak 38 record, data lab keilmuan sebanyak 28 record, dan data mahasiswa sebanyak 454 record. Data skripsi diperoleh dari perpustakaan IPB, data dosen dan data lab keilmuan diperoleh dari bagian administrasi Departemen Ilmu Komputer, sedangkan data mahasiswa didapat dari Tingkat Persiapan Bersama (TPB).

Proses analisis dilakukan untuk menemukan atribut-atribut yang tepat untuk perancangan desaindata warehouse. Atribut-atribut pada data skripsi, data dosen, data lab keilmuan, dan data mahasiswa masing-masing dapa dilihat pada Tabel 1, Tabel 2, Tabel 3, dan Tabel 4 sedangkan atribut hasil analisis dapat dilihat pada Tabel 5.

Proses analisis yang dilakukan sebagai berikut:

1 Pada data skripsi, atribut subjek dan judul tidak diambil karena topik skripsi sudah bisa diketahui dari setiap kata kunci.

2 Pada data dosen, atribut nomor, NIP, NIDN, dan keterangan tidak diambil karena pada data skripsi yang dipakai adalah nama dosen, sedangkan inisial dosen diambil untuk menjadi primary key pada entity dosen dan menjadi foreign keypadaentityskripsi.

(22)

10

4 Pada data mahasiswa, atribut kode pos tidak diambil karena atribut kota sudah mewakili sebagai asal daerah mahasiswa.

Tabel 1 Atribut pada data skripsi No Atribut

Tabel 2 Atribut pada data dosen No Atribut

Tabel 3 Atribut pada data lab keilmuan No Atribut

1 Nama dosen 2 Inisial Lab 3 NIP

Tabel 4 Atribut pada data mahasiswa No Atribut

Tabel 5 Atribut hasil analisis Nama Atribut Deskripsi NIM Nomor induk mahasiswa Nama mhs Nama mahasiswa

Kata kunci Kata kunci di setiap judul skripsi Tahun lulus Tahun mahasiswa lulus

(23)

11

Tabel 5 Atribut hasil analisis (lanjutan) Nama Atribut Deskripsi Nama lab Nama lab keilmuan

Inisial lab Inisial nama lab keilmuan Asal daerah Kota asal mahasiswa Jenis Kelamin Jenis kelamin mahasiswa Tahun masuk Tahun mahasiswa masuk IPB Jalur masuk Jalur masuk IPB

IPK IPK mahasiswa waktu TPB

Klasifikasi

Klasifikasi digunakan untuk mengetahui keberadaan seorang mahasiswa masuk lab keilmuan mana. Contoh sebelum klasifikasi dapat dilihat pada Tabel 6. Setelah ditelusuri dengan melihat kata kunci dan dosen pembimbing, maka skripsi tersebut berasal dari lab keilmuan Computational Intelligence (CI). Tahap ini bertujuan mengetahui tren topik skripsi pada masing-masing lab keilmuan.

Tabel 6 Contoh klasifikasi untuk tabel fakta skripsi Nama

Mahasiswa Judul Skripsi Subjek

Kata

Desain Konseptual dan Desain Logikal

Tahap ini merujuk kepada tujuan penelitian, yaitu melihat pola-pola informasi yang berpotensi menunjang kelulusan mahasiswa tepat waktu. Sehingga membutuhkan tabel fakta skripsi yang akan menghasilkan faktor-faktor yang memengaruhi seorang mahasiswa lulus tepat waktu atau tidak. Faktor tersebut diimplementasikan dalam sebelas atribut (inisial_dosen, inisial_lab, nim, th_lulus, inisial_key, th_masuk, IPK, lama_studi, id_jm, id_jk, id_kab) dan dua measure (jumlah_judul_skripsi, rata_lama_studi). Data yang digunakan adalah data skripsi mahasiswa Ilmu Komputer yang sudah lulus sebanyak 318 record. Hasil dari sebelas atribut dan dua measure digunakan untuk melihat tren skripsi dan tujuh faktor (dosen, lab, kata kunci, IPK, jalur masuk, jenis kelamin, atau asal daerah) yang paling berpengaruh terhadap kelulusan mahasiswa.

Selanjutnya, dibuat skema multidimensi untuk data warehouse yang dapat dilihat pada Gambar 6. Skema data multidimensi yang dihasilkan merupakan hasil desain logikal.

(24)

12

Gambar 6 Skema galaksi dengan dua tabel fakta

Integrasi Data, Reduksi Data, dan Pembersihan Data

Tahap ini diawali dengan melakukan penggabungan atribut-atribut yang menarik dari tabel-tabel yang dianalisis menjadi satu tabel besar untuk dijadikan tabel fakta. Penggabungan yang dilakukan adalah menggabungkan data skripsi, data dosen, data lab keilmuan, dan data mahasiswa.

Reduksi data dan pembersihan data dilakukan dengan membuang atribut-atribut yang tidak terpilih, record yang kosong (null), mengandung noise, dan tidak konsisten berdasarkan hasil analisis data. Nilai atribut yang berulang dalam tabel-tabel sumber tidak disertakan dalam proses selanjutnya. Praproses data menghasilkan tabel baru yaitu tabel skripsi dan tabel mahasiswa.

Hasil dari praproses data menghasilkan desain fisik final yang selanjutnya dijadikan tabel fakta dapat dilihat pada Tabel 7 dan Tabel 8. Setelah melakukan praproses data selanjutnya data dari format Excel (xls dan xlsx) diimpor menjadi file SQL.

Tabel 7 Desain fisik fakta skripsi Nama atribut Deskripsi

inisial_dosen Kode dosen pembimbing inisial_lab Kode lab keilmuan nim Nomor induk mahasiswa th_lulus Tahun lulus mahasiswa

inisial_key Kode kata kunci setiap judul skripsi th_masuk Tahun masuk mahasiswa

lama_studi Lama studi mahasiswa IPK TPB Nilai IPK saat TPB id_jm Kode jalur masuk IPB

(25)

13

Tabel 8 Desain fisik fakta mahasiswa Nama atribut Deskripsi

nim Nomor induk mahasiswa th_masuk Tahun masuk mahasiswa id_jm Kode jalur masuk IPB

id_jk Kode jenis kelamin mahasiswa id_kab Kode asal daerah mahasiswa

Transformasi data

Transformasi data meliputi penyeragaman nama atribut, generalisasi, agregasi, dan konstruksi atribut atau dimensi. Proses ini dilakukan dengan berpedoman pada skema data warehouse yang sudah dibuat. Langkah transformasi yang dilakukan antara lain:

1 Mengubah nama atribut pada tabel data hasil pembersihan sesuai dengan nama atribut dimensi yang ada pada skema galaksi.

2 Proses transformasi juga dilakukan dengan mengkontruksi atribut baru menggunakan data dari atribut yang sudah ada. Atribut NIM dari tabel skripsi digeneralisasi menjadi tahun_masuk dengan mengambil lima digit awal, kemudian dari digit tersebut diambil tiga digit awal dan dua digit terakhir. Misalnya NIM = ‘G64070101’→_’_G6407_’→_’_G64_’→_’_{07 sehingga} mahasiswa yang memiliki NIM tersebut adalah mahasiswa Departemen Ilmu Komputer IPB dengan tahun masuk 2007.

3 Langkah selanjutnya adalah menentukan nilai agregasi atribut-atribut menjadi ukuran (measure). Data tabel fakta skripsi ditentukan nilai agregasinya untuk menentukan ukuran rata-rata lama studi.

Pemuatan Data

Data warehouse yang sudah selesai dibuat, selanjutnya dimuat ke kubus data OLAP server Mondrian. Kemudian, skema data warehouse dimodelkan dengan menentukan dimensi-dimensi, ukuran-ukuran, dan kubus data. Kubus data yang dibuat yaitu, kubus skripsi dan kubus mahasiswa. Kubus skripsi dibuat untuk tabel fakta skripsi dan kubus mahasiswa dibuat untuk tabel fakta mahasiswa.

Eksplorasi dan Presentasi Hasil

Eksplorasi data dilakukan dengan menggunakan operasi OLAP untuk menghasilkan beberapa informasi yang diinginkan. Operasi OLAP yang dapat dijalankan dapat dilihat pada tiap kubus yang terbentuk.

(26)

14

Gambar 7 Tampilan awal aplikasi

Gambar 8 Tampilan aplikasi untuk kubus skripsi

(27)

15

Pada kubus Skripsi dapat dilihat beberapa operasi OLAP misalnya operasi roll-up, drill-down, slice, dan dice. Berikut tampilan aplikasi untuk informasi penunjang kelulusan tepat waktu dilihat dari faktor:

a Topik skripsi

Pengguna memiliki dua pilihan untuk mengggunakan aplikasi ini yaitu, manual (menggunakanqueryMDX) dan praktis (menggunakan OLAP navigator). Gambar 10 merupakan tampilan editor query MDX. Untuk menggunakan editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari setiap queryyang ditulis pada Gambar 10:

o select {[Measures].[Jumlah Skripsi]} ON COLUMNS - Ukuran atau

measure yang digunakan yaitu Jumlah Skripsi yang ditampilkan dalam bentuk kolom.

o Hierarchize({[Kata kunci].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah Kata Kunci (topik skripsi) ditampilkan dalam bentuk baris.

o from [Skripsi]_–diambil dari kubus Skripsi.

o where [Lama Studi].[4] _– slicer untuk melihat mahasiswa dengan lama studi empat tahun.

Gambar 10 Tampilan editorqueryMDX topik skripsi

(28)

16

Gambar 11 Tampilan OLAP Navigator topik skripsi

Gambar 12 merupakan potongan tampilan hasil topik skripsi mahasiswa dengan lama studi empat tahun. Kekurangan pada fungsi ini adalah kata kunci skripsi masih dalam bentuk hierarki. Contohnya dari Gambar 12, Natural language processingberada pada tingkatan ketiga di bawahKnowledge graphdan berada di bawah Adverb. Oleh karena itu dibutuhkan data hasil klasifikasi keberadaan suatu kata kunci masuk dalam sebuah kategori tertentu sesuai dengan bidang kajiannya.

Gambar 12 Tampilan hasil topik skripsi

b Dosen pembimbing

Gambar 13 merupakan tampilan editor query MDX. Untuk menggunakan editor tersebut pengguna cukup mengklik button MDX. Berikut keterangan dari setiapqueryyang ditulis pada Gambar 13:

o select {[Measures].[Jumlah Skripsi]} ON COLUMNS, - Ukuran atau

(29)

17

o Hierarchize({[Dosen Pembimbing].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah Dosen Pembimbing ditampilkan dalam bentuk baris.

Gambar 13 Tampilan editorqueryMDX Dosen pembimbing

Gambar 14 Tampilan OLAP Navigator Dosen Pembimbing

(30)

18

Gambar 15 Tabel pivot menunjukkan dosen pembimbing yang meluluskan mahasiswa tepat waktu

c Lab Keilmuan

o Hierarchize({[Lab Keilmuan].[All]}) ON ROWS -Hirarki atau dimensi yang digunakan adalah Lab Keilmuan ditampilkan dalam bentuk baris. o from [Skripsi]_–diambil dari kubus Skripsi.

(31)

19

Gambar 16 Tampilan editorqueryMDX Lab Keilmuan

Gambar 17 Tampilan OLAP Navigator Lab Keilmuan

(32)

20

d IPK

o Hierarchize({[IPK TPB].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah IPK TPB ditampilkan dalam bentuk baris.

Gambar 19 Tampilan editorqueryMDX IPK TPB

(33)

21

Gambar 20 merupakan tampilan OLAP navigator. Pada bagian columns terdapat Measure, pada bagian rows terdapat IPK TPB, dan pada bagian filter terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna cukup mengklik button Open OLAP Navigator. Untuk hasilnya diketahui bahwa IPK diatas 2.5 cenderung lulus tepat waktu, sedangkan IPK di bawah 2.5 hanya sedikit yang mampu lulus tepat waktu dilihat pada Gambar 21.

Gambar 21 Tabel pivot menunjukkan kelulusan tepat waktu berdasarkan IPK TPB

e Jenis Kelamin Mahasiswa

o Hierarchize({[Jenis Kelamin].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah Jenis Kelamin ditampilkan dalam bentuk baris. o from [Skripsi]_–diambil dari kubus Skripsi.

Gambar 23 merupakan tampilan OLAP navigator. Pada bagian columns terdapatMeasure,pada bagianrowsterdapat Jenis Kelamin, dan pada bagian filter terdapat slicer (Lama Studi = 4). Untuk menggunakan fungsi tersebut, pengguna cukup mengklik button Open OLAP Navigator. Hasilnya pada Gambar 24 diketahui bahwa mahasiswa perempuan paling banyak lulus tepat waktu daripda mahasiswa laki-laki, tetapi perbedaannya tidak terlalu signifikan.

(34)

22

Gambar 23 Tampilan OLAP Navigator Jenis Kelamin Mahasiswa

Gambar 24 Tabel pivot dan grafik operasi drill-down menunjukkan jumlah mahasiswa lulus tepat waktu berdasarkan jenis kelamin

f Jalur Masuk

o Hierarchize({[Jalur Masuk].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah Jalur Masuk ditampilkan dalam bentuk baris. o from [Skripsi]_–diambil dari kubus Skripsi.

(35)

23

Gambar 25 Tampilan editorqueryMDX Jalur Masuk Mahasiswa

Gambar 26 Tampilan OLAP Navigator Jalur Masuk Mahasiswa

(36)

24

Gambar 27 Tabel pivot dan grafik operasi drill-down menunjukkan jumlah mahasiswa lulus tepat waktu berdasarkan jalur masuk

g Asal Daerah

o Hierarchize({[Asal Daerah].[All]}) ON ROWS - Hirarki atau dimensi yang digunakan adalah Asal Daerah ditampilkan dalam bentuk baris. o from [Skripsi]_–diambil dari kubus Skripsi.

(37)

25

Gambar 28 Tampilan editorqueryMDX Asal Daerah Mahasiswa

Gambar 29 Tampilan OLAP Navigator Asal Daerah Mahasiswa

(38)

26

SIMPULAN DAN SARAN

Simpulan

Hasil penelitian pembangunan data warehouse dan OLAP berbasis web data skripsi Ilmu Komputer menghasilkan dua kubus data, yaitu kubus data skripsi dan mahasiswa. Kubus data skripsi berisi sebelas dimensi, yaitu Dosen Pembimbing, Lab Keilmuan, NIM, Tahun Lulus, Kata Kunci, Tahun Masuk, Lama Studi, IPK TPB, Jalur Masuk, Jenis Kelamin, dan Asal Daerah. Measure yang digunakan yaitu Jumlah Judul Skripsi dan Rata Lama Studi. Sedangkan kubus data mahasiswa berisi lima dimensi, yaitu NIM, Tahun Masuk, Jalur Masuk, Jenis Kelamin, dan Asal Daerah. Measure yang digunakan yaitu Jumlah Mahasiswa.

Aplikasi OLAP yang dibangun dapat digunakan untuk operasi-operasi OLAP sepertiroll-up,drill-down,slice,dice, danpivot. Aplikasi ini menyediakan navigator OLAP untuk memilih measure dan dimensi tanpa harus memasukkan query-query SQL. Hasil operasi OLAP divisualisasikan dalam bentuk grafik yang dinamis dan dapat dicetak dalam bentuk PDF dan Excel.

Saran

Saran untuk penelitian data warehouse dan OLAP selanjutnya, yaitu data yang lengkap untuk mendapatkan hasil OLAP dan hasil analisis yang tepat, aplikasi OLAP dikembangkan dengan menambah fasilitas login sehingga aplikasi hanya diakses oleh pihak-pihak yang berkepentingan dan kerahasian data terjamin, hierarki kata kunci diperbaiki menjadi klasifikasi berdasarkan bidang kajian lab keilmuan, dan operasislicedandicedioperasikan dalam OLAP navigator.

DAFTAR PUSTAKA

Aulia K. 2011. Data warehouse dan Aplikasi OLAP Akademik Kurikulum Mayor-Minor Berbasis Linux. [skripsi]. Bogor (ID): Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.

Han J, Kamber M. 2006. Data Mining: Concept and Techniques, San Francisco (US): Morgan Kaufmann Publisher.

Herlambang A. 2007. Pembangunan Data warehouse dan Aplikasi OLAP Berbasis Web Menggunakan Palo (Studi Kasus: Data PPMB IPB). [skripsi]. Bogor (ID): Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor. Hyde J. 2007. Developing OLAP Solution with Mondrian.

[IPB] Institut Pertanian Bogor. 2013. Sekilas Tentang Penerimaan Mahasiswa Baru IPB. http://admisi.ipb.ac.id/p/single/penerimaanmahasiswabaruipb (diakses tanggal 18 Juli 2013)

(39)

27

Lampiran 1 Data Dimensi a Dimensi Dosen

inisial_dosen nama_dosen

MAI Istiadi; Muhammad Abrar TTH Haryanto; Toto

WAK Kusuma; Wisnu Ananta AGB Buono; Agus

AZK Kustiyo; Aziz

KLN Nisa; Karlina Khiyarin MUS Mushthofa

YHY Herdiyeni; Yeni ANN Annisa

HAA Adrianto; Hari Agung ISS Sitanggang; Imas S. ARD Ridha; Ahmad

JAS Adisantoso; Julio SHW Wijaya; Sony Hartono ARA Akbar; Auriza Rahmad

EPG Giri; Endang Purnama HRS Sukoco; Heru

HRW Rahmawan; Hendra KPR Priandana; Karlisa SGN Guritman; Sugi

SNN Neyman; Shelvie Nidya SWJ Wahjuni; Sri

AAS Asfarian; Auzi FAR Ardiansyah; Firman

IRH Hermadi; Irman

KBS Seminar; Kudang Boro

MAA Agmaloro; Muhammad Ashyar MTR Rachmaniah; Meuthia

RKD Karyadin; Rindang YNY Nurhadryani; Yani

ARF Ramadhan; Arief ARR Rambe; Abdurrauf DAR Ramadhan; Dean Aprilia DKM Kartika; Desina

(40)

28

G64101028 Favorisen Rosyking Lumbanraja G64101027 Tri Priyo Sudarmanto

G64101025 Holan

G64101024 Yani Mandasari

G64101022 Wibawa Andriyanto Nugroho G64101021 Usep Aris Sutandi

G64101019 Dyah Ruwiyanti

G64101010 Aisyah Marlian Daulay G64101009 Ratna Purnama Sari G64101008 Marico Djakasaputra

G64101007 Andika Wahyu Agusetyawan G64101006 Muslikhah Fajriyati

G64101004 Novi Apriyanti G64101003 Sifilia

G64101001 Erwin Wahyu

G64070072 Akbar Riyan Nugroho G64070071 Nutri Rahayuni

G64070070 Windy Wahyu Astuti Islamiyah G64070069 Dean Apriana Ramadhan

G64070066 Ni Made Febryantini Dwi Ariny G64070065 Ria Astriratma

G64070064 Remarchtito Heyziputra G64070063 Nur Nissa Amyati Dillyani G64070062 Windy Widowati

G64070061 Isna Mariam G64070060 Gema Alief Utama G64070059 Devi Dian Pramana Putra G64070058 Adi Gunarso

(41)

29

Dimensi NIM (lanjutan)

nim nama_mhs G64070050 Yoga Herawan

G64070048 Wiwiek Dewi Anggraeni G64070047 Rendy Eka Saputra G64070046 Rahman Sujatman G64070043 Fandi Rahmawan G64070040 Dhieka Avrilia Lantana

d Dimensi Waktu Lulus th_lulus

e Dimensi Kata Kunci

inisial_key kata_kunci1 kata_kunci2 kata_kunci3 kata_kunci4

CIG64101010

CIG64050964 Flocking Separation Cohesion Pest

(42)

30

Dimensi Kata Kunci (lanjutan)

inisial_key kata_kunci1 kata_kunci2 kata_kunci3 kata_kunci4

CIG64101027

SEINSG64070015 ASP.net Forest usage GIS

Google

SEINSG64070106 Android Rotate Map Navigation SEINSG64080001 Browser E-commerce Evaluator Kajian SEINSG64080026 Customer E-commerce Parameter Transactor

SEINSG64080040 Analysis Parenting

(43)

31

g Dimensi Lama Studi lama_studi

i Dimensi Jalur Masuk id_jm jalur_masuk

j Dimensi Jenis Kelamin id_jk jenis_kelamin

P Perempuan L Laki-laki

k Dimensi Kabupaten

id_kab nama_kab id_prov

Kab-1 Kabupaten Aceh Barat Prov-1 Kab-2 Kabupaten Aceh Barat Daya Prov-1 Kab-3 Kabupaten Aceh Besar Prov-1 Kab-4 Kabupaten Aceh Jaya Prov-1 Kab-5 Kabupaten Aceh Selatan Prov-1 Kab-6 Kabupaten Aceh Singkil Prov-1 Kab-7 Kabupaten Aceh Tamiang Prov-1 Kab-8 Kabupaten Aceh Tengah Prov-1 Kab-9 Kabupaten Aceh Tenggara Prov-1 Kab-10 Kabupaten Aceh Timur Prov-1

(44)

32

Dimensi Kabupaten (lanjutan)

id_kab nama_kab id_prov

Kab-488 Kabupaten Pegunungan Bintang Prov-33 Kab-489 Kabupaten Puncak Prov-33 Kab-490 Kabupaten Puncak Jaya Prov-33 Kab-491 Kabupaten Sarmi Prov-33 Kab-492 Kabupaten Supiori Prov-33 Kab-493 Kabupaten Tolikara Prov-33 Kab-494 Kabupaten Waropen Prov-33 Kab-495 Kabupaten Yahukimo Prov-33 Kab-496 Kabupaten Yalimo Prov-33 Kab-497 Kota Jayapura Prov-33

l Dimensi Provinsi

id_prov nama_prov id_pulau

Prov-1 Aceh Pulau-1

Prov-2 Sumatera Utara Pulau-1 Prov-3 Sumatera Barat Pulau-1

Prov-4 Riau Pulau-1

Prov-5 Jambi Pulau-1

Prov-6 Sumtera Selatan Pulau-1 Prov-7 Bengkulu Pulau-1 Prov-8 Lampung Pulau-1 Prov-9 Kep. Bangka Belitung Pulau-1 Prov-10 Kep. Riau Pulau-1 Prov-11 DKI Jakarta Pulau-2 Prov-12 Jawa Barat Pulau-2

(45)

33

m Dimensi Pulau

id_pulau nama_pulau Pulau-1 Sumatra Pulau-2 Jawa Pulau-3 Kalimantan Pulau-4 Sulawesi Pulau-5 Papua Pulau-6 Bali

(46)

34

RIWAYAT HIDUP

Penulis dilahirkan di Ciamis, Jawa Barat pada tanggal 6 Juli 1991. Penulis merupakan anak pertama dari 2 bersaudara dari pasangan Dede Herdiana dan Masitah. Pada tahun 2009, penulis menamatkan pendidikan di SMA Negeri 1 Ciamis. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) pada tahun yang sama melalui jalur Undangan Seleksi Masuk IPB di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.