MIGRASI DAN IMPLEMENTASI SISTEM
SPATIAL ONLINE
ANALYTICAL PROCESSING
(SOLAP) PERSEBARAN TITIK
PANAS PADA SISTEM OPERASI LINUX UBUNTU
TENANG CARLES RINALDI SILITONGA
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 Migrasi dan Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi Linux Ubuntu 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.
ABSTRAK
TENANG CARLES RINALDI SILITONGA. Migrasi dan Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi Linux Ubuntu. Dibimbing oleh HARI AGUNG ADRIANTO.
Satelit NOAA digunakan untuk mengamati persebaran kemunculan titik panas sebagai indikator kebakaran lahan dan hutan. Data histori titik panas yang dihasilkan oleh satelit tersebut sangat banyak dan menumpuk. Teknologi data warehouse dibutuhkan dalam penanggulangan kebakaran hutan dengan menyimpan data historis kebakaran hutan. Sebelumnya teknologi ini digunakan untuk mengembangkan sebuah sistem yang dapat mensinkronisasi visualisasi map dan query OLAP pada sistem operasi Windows. Tujuan penelitian ini ialah migrasi sistem spatial online analytical processing (SOLAP) persebaran titik panas dari penelitian sebelumnya Windows ke sistem operasi Linux Ubuntu. Hal ini meningkatkan kinerja sistem dalam melakukan operasi OLAP. Penelitian ini juga mengimplementasi sistem tersebut ke dalam suatu server sehingga dapat diakses dimanapun. Proses menampilkan halaman peta di Linux Ubuntu 1.26 kali lebih cepat dibandingkan Windows. Proses menampilkan halaman Jpivot di Linux Ubuntu lebih cepat 2.63 kali dibandingkan Windows. Proses olap4js di Linux Ubuntu lebih cepat 1.62 kali dibandingkan Windows.
Kata kunci: data warehouse, Linux Ubuntu, server, spatial OLAP, titik panas
ABSTRACT
TENANG CARLES RINALDI SILITONGA. Migration and Sistem Spatial Online Analytical Processing (SOLAP) implementation of hotspot spread on Ubuntu Linux Operating System. Supervised by HARI AGUNG ADRIANTO.
The NOAA satellite is used to observe the spread of hotspots as forest fires indicators. Hotspot historical data generated by the satellite are huge and accumulated. Warehouse data technology is needed in forest fire control by storing the historical data. Previously this technology was used to develop a system that can synchronize map visualization and OLAP queries on a Windows operating system. The purpose of this research is to migrate the OLAP system of the hotspot spread from the Windows to the Linux Ubuntu operating system. This increases the performance of the system in performing OLAP operations. This research also implements the system into a Ubuntu Linux server that can be accessed anywhere. The process of displaying map pages on Linux Ubuntu is of 1.26 times faster than those on Windows. The process of displaying Jpivot pages on Linux Ubuntu is of 2.63 times faster than those on Windows. The olap4js process on Linux Ubuntu is of 1.62 times faster than those on Windows.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
MIGRASI DAN IMPLEMENTASI SISTEM
SPATIAL ONLINE
ANALYTICAL PROCESSING
(SOLAP) PERSEBARAN TITIK
PANAS PADA SISTEM OPERASI LINUX UBUNTU
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2015
Penguji:
Judul Skripsi : Migrasi dan Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi Linux Ubuntu
Nama : Tenang Carles Rinaldi Silitonga NIM : G64114037
Disetujui oleh
Hari Agung Adrianto, SKom MSi Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2013 ialah data warehouse kebakaran hutan, dengan judul Migrasi dan Implementasi Sistem Spatial Online Analytical Processing (SOLAP) Persebaran Titik Panas pada Sistem Operasi Linux Ubuntu.
Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom MSi selaku pembimbing yang telah memberikan arahan, saran, dan motivasi dengan sabar dalam membantu penulis dalam menyelesaikan skripsi ini. Terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa, kasih sayang, dan dukungannya. Serta teman-teman program studi S1 Ilmu Komputer IPB alih jenis angkatan 6 dan teman-teman satu bimbingan yang saling memberikan semangat dan menjadi teman diskusi. Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 1
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
TINJAUAN PUSTAKA 2
Titik Panas 2
Data Warehouse 2
Spatial Online Analytical Processing (SOLAP) 3
Multi-Dimensional eXpressions (MDX) Query 3
Spatialytics 4
METODE 5
Tahapan Penelitian 5
Lingkungan Pengembangan 6
HASIL DAN PEMBAHASAN 6
Analisis Sistem Awal 6
Pengukuran Kinerja pada Sistem Operasi Windows 8
Konfigurasi pada Sistem Operasi Linux Ubuntu 11
Pengukuran Kinerja pada Sistem Operasi Linux Ubuntu 11
Verifikasi Sistem SOLAP 13
Pengujian Query 13
Visualisasi Sistem SOLAP 17
SIMPULAN DAN SARAN 19
Simpulan 19
Saran 19
DAFTAR PUSTAKA 20
LAMPIRAN 21
DAFTAR TABEL
1 Hasil pengukuran kinerja SOLAP berbasis Windows 10 2 Pengukuran kinerja SOLAP berbasis Linux Ubuntu 12
DAFTAR GAMBAR
1 Arsitektur Spatialytics (Spatialytics 2013) 4
2 Tahapan penelitian 5
3 Skema database penelitian Wipriyance (2013) 7 4 Arsitektur sistem penelitian Wipriyance (2013) 8
5 Proses pengukuran menampilkan halaman peta 9
6 Proses pengukuran menampilkan halaman jpivot 9
7 Proses pengukuran olap4js 10
8 Hasil query titik panas di pulau Sumatera tahun 1997 14 9 Hasil query titik panas di pulau Sumatera tahun 2005 14 10 Tampilan sistem setelah ditambahkan layer Google Physical 15 11 Tampilan sistem setelah ditambahkan layer Google Streets 15 12 Tampilan sistem setelah ditambahkan layer Google Satellite 16 13 Tampilan sistem setelah ditambahkan layer Google Hybrid 16
14 Hasil pembesaran sistem awal 17
15 Hasil pembesaran dengan Google Physic 17
16 Hasil pembesaran dengan Google Streets 18
17 Hasil pembesaran dengan Google Satellite 18
PENDAHULUAN
Latar Belakang
Kebakaran hutan yang terjadi di Indonesia merupakan masalah serius yang dihadapi saat ini, terutama pada saat musim kemarau panjang. Pulau Sumatera merupakan wilayah yang memiliki jumlah titik panas cukup banyak. Berdasarkan data yang diperoleh, pada Juni 2013 terdapat lebih dari 8000 titik panas yang terdeteksi oleh satelit (Austin et al. 2013). Salah satu cara memantau tersebut ialah menggunakan teknologi data warehouse dengan online analytical processing (OLAP). OLAP dapat memperlihatkan peta atau grafik sehingga membantu dalam pengambilan keputusan terhadap persebaran titik panas di kawasan hutan di Indonesia.
Fadli (2011) melakukan penelitian dan membangun sebuah sistem data warehouse kebakaran hutan di Indonesia dengan modul visualisasi kartografis. Selanjutnya, Imaduddin (2012) mengembangkan penelitian sebelumnya dengan melakukan sinkronisasi antara query OLAP dan visualisasi peta. Hasil penelitian Imaduddin (2012) berhasil menampilkan 190 titik panas dan memudahkan pengguna untuk melakukan analisis spatial OLAP serta menghindari terjadinya inkonsistensi data yang disebabkan proses input berbeda. Pada tahun berikutnya, Wipriyance (2013) melanjutkan penelitian Imaduddin dengan melakukan peningkatan kinerja runtime sistem, sehingga data yang berhasil muncul 1500 titik panas. Selanjutnya, Qahhariana (2014) melakukan analisis dan konfigurasi sistem pada penelitian sebelumnya sehingga mampu menampilkan jumlah titik panas sebanyak 5344 titik panas.
Penelitian berikutnya, Prianto (2014) melakukan konfigurasi tambahan untuk meningkatkan kualitas visualisasi peta pada sistem yang telah dikembangkan oleh Wipriyance (2013). Kusumah (2014) melakukan penelitian dengan menambahkan modul update data titik panas yang didapat dari file teks yang dimiliki oleh DPKH dan menambahkannya secara otomatis ke dalam sistem data warehouse pada penelitian sebelumnya. Terakhir, Hasan (2014) melakukan penelitian dengan menambahkan format modul keluaran berupa shapefile (shp) pada sistem penelitian sebelumnya.
Penelitian ini mencoba untuk menggabungkan pengembangan sistem yang sudah dilakukan di atas dengan mengimplementasikannya pada sistem operasi Linux Ubuntu. Sistem operasi ini dipilih karena lebih baik dari Windows pada perangkat keras yang setara (Beckman dan Hirsch 2006). Diharapkan pada penelitian ini dapat meningkatkan kinerja runtime sistem SOLAP tersebut dalam menampilkan peta dan persebaran titik panas di Indonesia. Sistem SOLAP yang sudah berhasil diimplementasikan pada sistem operasi Linux Ubuntu akan di hosting atau dipublikasikan ke dalam server.
Tujuan Penelitian
Tujuan dari penelitian ini ialah:
2
2 Melakukan analisis dan pengukuran runtime sistem dalam menampilkan peta dan titik panas yang muncul pada sistem operasi Windows dan Linux Ubuntu. 3 Mempublikasikan sistem SOLAP persebaran titik panas ke dalam server.
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat memberikan kemudahan bagi user untuk mengakses data dan informasi pada sistem SOLAP persebaran titik panas, terkait keperluan persebaran kebakaran hutan di Indonesia.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini ialah:
1 Data yang digunakan ialah data titik panas kebakaran hutan di wilayah Indonesia tahun 1997-2005 yang bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan Republik Indonesia.
2 Skema data warehouse menggunakan hasil penelitian Wipriyance (2013), modul visualisasi peta menggunakan penelitian Prianto (2014), fungsi ekstraksi data titik panas menggunakan penelitian Kusumah (2014), dan penambahan format modul keluaran berupa shapefile (shp) menggunakan penelitian Hasan (2014).
3 Visualisasi peta berupa penambahan layer Google Maps pada sistem SOLAP. 4 Lingkungan pengembangan sistem menggunakan sistem operasi Linux Ubuntu.
TINJAUAN PUSTAKA
Titik Panas
Titik panas merupakan titik-titik di permukaan bumi yang mengindikasikan terjadinya kebakaran hutan dan lahan. Suhu panas pada kebakaran hutan akan naik ke atmosfer kemudian akan terdeteksi oleh satelit sebagai titik panas berdasarkan ambang batas suhu (threshold) tertentu. Satelit yang digunakan untuk mendeteksi adanya kebakaran hutan yaitu NOAA-AVHRR. Citra data titik panas dari satelit AVHR-NOAA dapat dijadikan indikasi kebakaran hutan yang dapat berupa kebakaran tajuk (crown fire), kebakaran permukaan (surface fire), maupun kebakaran bawah (ground fire). Satelit yang diluncurkan pertama kali pada tahun 1972 ini memiliki 4 buah sensor yaitu advance very high resolution radiometer (AVHRR), tiros operational vertical 3 sonders (TOVS), data collection and location system (DCLS), dan space environment monitoring (SEM) (Ratnasari 2000).
Data Warehouse
3 Menurut Han dan Kamber (2006) ada empat karakteristik data warehouse ialah:
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 warehouse dapat menyimpan data yang berasal dari sumber yang terpisah ke dalam satu format yang konsisten.
3 Time variant
Data yang disimpan memiliki sejarah informasi, atau valid pada rentang waktu tertentu.
4 Nonvolatile
Proses yang diizinkan dalam data warehouse hanya pemuatan dan akses data tanpa mengubah data sumber sehingga data yang tersimpan tidak dapat di-update atau di-delete.
Spatial Online Analytical Processing (SOLAP)
Spatial online analytical processing (SOLAP) merupakan implikasi dari konsep OLAP. Model atau pola SOLAP harus mendefinisikan informasi spatial yang diadaptasikan dengan fungsi agregasi, dimensi spatial dan hirarki, spatial OLAP algebra, antar muka yang memiliki fitur tabular dan kartografi, dan lain-lain (Bimonte et al. 2007).
Menurut Han et al. (2012) operasi-operasi pada SOLAP yang digunakan antara lain, yaitu:
1 Operasi Roll Up
Operasi ini melakukan agregasi terhadap kubus data dengan menaikan hirarki sampai dengan level paling atas. Operasi ini melakukan navigasi terhadap data sehingga data dapat dilihat secara umum atau global.
2 Operasi Drill Down
Operasi drill down melakukan navigasi terhadap data menjadi lebih terperinci. 3 Operasi Slice dan Dice
Operasi ini melakukan seleksi data pada satu dimensi dari kubus data yang diberikan sehingga menghasilkan sub kubus data.
4 Operasi Pivot (Rotate)
Operasi ini merupakan kemampuan OLAP untuk 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.
Multi-Dimensional eXpressions (MDX) Query
4
Berikut contoh penggunaan query MDX yang menampilkan data jumlah titik panas berdasarkan dimensi satelit pada tahun 1997:
SELECT
{ [Satelit].[Semua Satelit] } ON COLUMNS, { [Measures].[jumlah_hotspot] } ON ROWS FROM [geohotspot]
WHERE [Waktu].[1997]
Spatialytics
Spatialytics merupakan framework yang memungkinkan pengguna untuk menganalisis data multidimensi dari berbagai perspektif. Spatialytics mampu melakukan operasi OLAP yang terdiri dari operasi roll up, drill down, slicing, dan dicing (Spatialytics 2013).
Spatialytics memiliki arsitektur three tiers 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.
3 Lapisan atas (top tier)
Lapisan atas merupakan lapisan untuk end user yang berfungsi menampilkan ringkasan dari isi data warehouse yang merupakan hasil operasi OLAP serta menampilkan (peta) persebaran titik panas. Arsitektur Spatialytics ditunjukkan pada Gambar 1.
5
METODE
Tahapan Penelitian
Penelitian ini dilakukan dengan beberapa tahapan proses seperti terlihat pada Gambar 2.
Gambar 2 Tahapan penelitian 1 Analisis sistem awal
Pada tahapan ini dilakukan analisis terhadap sistem yang telah dibuat Wipriyance (2013). Tahapan tersebut meliputi analisis data dan analisis sistem OLAP. Sistem sudah berhasil mengintegrasi peta dan query OLAP namun runtime sistem lambat dan data titik panas yang ditampilkan juga sedikit. Runtime sistem dapat dipengaruhi salah satunya oleh JRE yang digunakan. Kecepatan runtime sistem berubah sesuai dengan versi JRE. Semakin baru versi yang digunakan, semakin cepat runtime sistem yang dihasilkan.
2 Pengukuran kinerja pada sistem operasi Windows
Sistem yang telah dibuat pada penelitian sebelumnya ialah sistem operasi Windows diimplementasikan kembali tanpa mengubah konfigurasi. Setelah dilakukan konfigurasi, kemudian diukur kinerjanya berupa runtime sistem dan jumlah titik panas yang muncul.
3 Konfigurasi pada sistem operasi Linux Ubuntu
6
4 Pengukuran kinerja pada sistem operasi Linux Ubuntu
Setelah sistem berhasil diimplementasikan pada sistem operasi Linux Ubuntu, kemudian dilakukan pengukuran berupa runtime sistem. Proses pengukuran yang dilakukan ialah pengujian terhadap jumlah titik panas dan kecepatan sistem SOLAP menampilkan halaman peta, halaman Jpivot, dan proses olap4js. Pengujian jumlah titik panas dilakukan dengan melakukan kueri untuk menghasilkan titik panas. Pada pengujian terhadap kecepatan sistem SOLAP dilakukan dengan mengukur proses kueri utama sebanyak 10 kali perulangan dari masing-masing jumlah titik panas dengan menggunakan tools firebug. 5 Verifikasi
Tahapan ini membandingkan sistem SOLAP pada sistem operasi Windows dengan sistem operasi Linux Ubuntu. Sistem lebih optimal jika data titik panas yang ditampilkan lebih banyak dan waktu proses atau runtime sistem menampilkan peta dan persebaran titik panas lebih cepat. Jika tidak optimal, maka dilakukan konfigurasi ulang pada sistem operasi Linux Ubuntu.
6 Pengujian query
Tahap pengujian query dilakukan untuk mengetahui keberhasilan fungsi query MDX pada sistem yang dikembangkan di Linux Ubuntu. Fungsi yang diujikan ialah submit query, reload jpivot, dynamics equal interval, dan fixed interval.
Lingkungan Pengembangan
Penelitian ini diimplementasikan menggunakan perangkat keras dan lunak sebagai berikut:
7 Skema database disimpan dalam file XML yang akan diproses oleh Geomondrian. Skema database Geomondrian memiliki tabel fakta_forestfire yang berisi jumlah munculnya area titik panas yang ditangkap oleh satelit tertentu pada waktu tertentu. Tabel tersebut merupakan tabel fakta yang menjadi pusat kubus data. Kubus data terdiri dari tiga dimensi yaitu dimensi satelit, lokasi, dan waktu. Dimensi satelit memiliki satu level yaitu nama satelit. Dimensi lokasi memiliki tiga level yang terdiri dari level hotspot, provinsi, dan kabupaten. Dimensi waktu memiliki tiga level yang terdiri dari level tahun, kuartil, dan bulan. Berikut skema database dari penelitian Wipriyance (2013) dapat dilihat pada Gambar 3.
Gambar 3 Skema database penelitian Wipriyance (2013)
Sistem yang telah dikembangkan tersebut merupakan sistem data warehouse kebakaran hutan yang menggunakan Geoserver sebagai web map server berbasis Java. Pada sistem ini Geoserver berperan sebagai penyedia layer peta wilayah Indonesia. Operasi query OLAP pada sistem ini menggunakan Geomondrian. Geomondrian mampu menangani data spatial sehingga dapat menyimpan data dalam bentuk raster maupun vektor. Pada sistem ini Geomondrian bertugas menangani proses query yang dimasukkan pengguna.
Berdasarkan sistem yang dikembangkan oleh Wipriyance (2013), sistem data warehouse kebakaran hutan menggunakan framework Spatialytics memiliki arsitektur tiga lapisan meliputi sebagai berikut:
1 Lapisan atas (client) terdiri atas modul peta dan modul Jpivot. Modul peta divisualisasikan oleh GeoServer serta data hasil eksekusi query dari Geomondrian. Modul JPivot menampilkan hasil eksekusi query dalam bentuk tabel dan grafik.
2 Lapisan tengah (server). Merupakan tempat penyimpanan server yang terdiri atas Apache Tomcat 6.0 sebagai tempat menjalankan aplikasi Spatialytics, GeoServer, dan GeoMondrian. Spatialytics server menerima query masukkan dari pengguna kemudian mengirimkannya ke GeoMondrian dan mengembalikan hasil eksekusi query ke client. GeoServer sebagai WMS yang berfungsi membuat workspace dan membuat layer peta wilayah Indonesia menggunakan data yang telah dibuat pada PostgreSQL dan PostGIS. GeoMondrian merupakan OLAP server tempat query OLAP dieksekusi.
8
3 Lapisan bawah (database) merupakan sistem basis data yang meliputi Database Management System (DBMS), PostgreSQL dengan ekstensi PostGIS untuk menangani data spatial.
Alur kerja pada penelitian Wipriyance (2013) dapat dilihat pada Gambar 4.
Gambar 4 Arsitektur sistem penelitian Wipriyance (2013) Penjelasan alur kerja berdasarkan Gambar 4 ialah sebagai berikut: 1 Pengguna memasukkan query pada form editor query MDX.
2 Query akan dibaca melalui proses JSON olap4js.
3 olap4js berfungsi untuk pengolahan data SOLAP pada Geomondrian melalui framework Spatialytics server.
4 Geomondrian server kemudian melakukan koneksi terhadap basis data melalui PostreSQL JDBC Driver.
5 Setelah terkoneksi maka akan dilakukan pencarian pada database berdasarkan query yang ditentukan oleh pengguna.
6 Query pada editor query MDX juga akan dibaca dan diolah oleh modul featurizer.
7 Hasil pembacaan data oleh modul featurizer akan diolah melalui SOLAP context. Hasil SOLAP context akan dapat diakses oleh pengguna melalui OpenLayers 2.8.
8 OpenLayers 2.8 mengambil informasi layer peta poligon kabupaten di Indonesia pada Geoserver 2.1.
9 Geoserver 2.1. mengambil informasi spatial layer poligon melalui basis data yang terkoneksi menggunakan PostreSQL JDBC Driver.
10Peta pada Geoserver dapat diakses oleh pengguna melalui OpenLayers 2.8. 11Pengguna dapat melakukan operasi-operasi OLAP pada Geomondrian melalui
modul jPivot.
Pengukuran Kinerja pada Sistem Operasi Windows
9 Memory 2 GB.
Harddisk 320 GB. 2 Perangkat Lunak
Sistem operasi Windows 7.
PostgreSQL 9 dengan ekstensi Postgis2.
Tahap pengujian terhadap kecepatan sistem SOLAP dilakukan dengan mengukur proses kueri utama sebanyak 10 kali perulangan dari masing-masing jumlah titik panas dengan menggunakan tools firebug. Pada sistem sebelumnya diukur waktu kinerjanya dalam mengeksekusi setiap proses. Parameter-parameter yang diukur ialah waktu eksekusi dalam menampilkan halaman peta, menampilkan halaman Jpivot, dan proses olap4js. Parameter menampilkan halaman peta yaitu waktu yang dibutuhkan sistem dalam menampilkan titik panas pada halaman awal peta. Contoh proses pengukuran menampilkan halaman peta dapat dilihat pada Gambar 5.
Gambar 5 Proses pengukuran menampilkan halaman peta
Selanjutnya parameter menampilkan halaman Jpivot ialah waktu yang dibutuhkan sistem menampilkan hasil eksekusi query pada halaman Jpivot. Contoh proses pengukuran menampilkan hasil eksekusi query pada halaman Jpivot dapat dilihat pada Gambar 6.
10
Proses olap4js yaitu waktu parsing query dari masukkan pengguna sampai munculnya hasil query titik panas. Contoh proses pengukuran olap4js dapat dilihat pada Gambar 7.
Gambar 7 Proses pengukuran olap4js
Data sampel titik panas sesuai dengan data sampel yang diambil berdasarkan penelitian Wipriyance (2013) untuk pulau Sumatera yang meliputi data titik panas di provinsi Aceh, Sumatera Utara, Bengkulu, Jambi, Riau, Kepulauan Riau, Sumatera Barat, Sumatera Selatan, Lampung pada tahun 1997 dan 2005. Adapun query dari titik panas tersebut ialah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS, { [lokasi].[Hotspot].Members } ON ROWS, FROM [geohotspot]
WHERE [waktu].[Semua Waktu]
Query di atas menghasilkan 1500 titik panas. Hasil pengukuran dilakukan sebanyak 10 kali iterasi yang ditunjukkan pada Tabel 1.
Tabel 1 Hasil pengukuran kinerja SOLAP berbasis Windows
Iterasi
11 peta 12914 ms. Sedangkan waktu eksekusi rata-rata untuk menampilkan halaman Jpivot 651 ms, dan waktu eksekusi rata-rata pada proses olap4js diperoleh sebesar 7924 ms.
Konfigurasi pada Sistem Operasi Linux Ubuntu
Sistem pada penelitian sebelumnya diimplementasikan sesuai dengan lingkungan sistem operasi Linux Ubuntu lalu dilakukan beberapa konfigurasi agar sistem dapat berjalan pada lingkungan Linux Ubuntu. Untuk Linux Ubuntu, prosedur pemindahan folder atau directory sistem berbeda dengan di Windows karena Linux Ubuntu secara default tidak berjalan sebagai root atau admin. Oleh karena itu, perlu dilakukan beberapa pengaturan sistem yang meliputi pemindahan directory work dan webapps.
Setelah konfigurasi sistem selesai, sistem tidak bisa langsung berjalan di sistem operasi Linux Ubuntu, melainkan dibutuhkan build project pada Eclipse untuk menyesuaikan pengaturan directory yang berbeda dengan sistem operasi Windows. Build dilakukan untuk file OLAPQuery.java, build.properties, dan SpatialyticsServlet.java.
File OLAPQuery.java berfungsi untuk mengatur string koneksi database, skema kubus database, dan string mdxquery. File build.properties berfungsi mengatur sistem Spatialytics agar berjalan pada project Eclipse. File SpatialyticsServlet.java berfungsi untuk mengatur dan membuat file javascript sehingga query dapat berubah sesuai masukkan dari pengguna.
Pada penelitian Prianto (2014), dilakukan perubahan kode pada bagian OpenLayers, yaitu perubahan bagian base map. Base map yang awalnya menggunakan web map service (WMS) diubah menjadi Google Maps. Base map yang sudah ada sebelumnya tidak dihilangkan, layer tersebut dimodifikasi di GeoServer agar dapat ditampilkan bersama Google Maps. Modifikasi yang dilakukan berupa perubahan style yang dipakai menjadi hanya berupa garis batas kabupaten saja.
Pengukuran Kinerja pada Sistem Operasi Linux Ubuntu
Sistem yang sudah berhasil diimplementasikan ke sistem operasi Linux Ubuntu diukur kinerjanya berupa kecepatan menampilkan halaman peta, query, dan proses olap4js. Data sampel titik panas diambil berdasarkan penelitian Wipriyance (2013) untuk pulau Sumatera yang meliputi data titik panas di provinsi Aceh, Sumatera Utara, Bengkulu, Jambi, Riau, Kepulauan Riau, Sumatera Barat, Sumatera Selatan, Lampung pada tahun 1997 dan 2005. Query dari titik panas tersebut ialah sebagai berikut.
SELECT
{ [Measures].[Jumlah_Hotspot] } ON COLUMNS, { [lokasi].[Hotspot].Members } ON ROWS, FROM [geohotspot]
WHERE [waktu].[Semua Waktu]
12
Tabel 2 Pengukuran kinerja SOLAP berbasis Linux Ubuntu
Iterasi
Hasil pengukuran kinerja SOLAP berbasis Linux Ubuntu setelah dilakukan 10 kali iterasi, maka diperoleh waktu eksekusi rata-rata untuk menampilkan halaman peta 10212 ms. Sedangkan waktu eksekusi rata-rata untuk menampilkan halaman Jpivot 248 ms, dan waktu eksekusi rata-rata pada proses olap4js diperoleh sebesar 4891 ms.
Selanjutnya hasil pengukuran kinerja SOLAP di lingkungan Windows berdasarkan Tabel 1, dibandingkan dengan hasil pengukuran di lingkungan Linux Ubuntu Tabel 2 dengan mengambil nilai rata-rata dari 10 kali iterasi bagi ketiga parameter yang digunakan yaitu menampilkan halaman peta, menampilkan halaman Jpivot, dan proses olap4js. Berikut ini hasil perbandingan kecepatan waktu eksekusi dan proses SOLAP berbasis Windows dengan Linux Ubuntu dengan mengambil nilai rata-rata untuk setiap parameter.
13 Berdasarkan hasil perbandingan kinerja SOLAP di lingkungan Windows dengan Linux Ubuntu, waktu maksimum dan rata-rata pengujian proses query utama sistem mengalami penurunan. Hasil tersebut menunjukkan bahwa kinerja SOLAP pada sistem operasi Linux Ubuntu meningkat kecepatannya dibandingkan dengan Windows. Dalam menampilkan halaman peta Linux Ubuntu 1.26 kali lebih cepat dibandingkan Windows, dalam menampilkan halaman Jpivot lebih cepat 2.63 kali, dan dalam proses olap4js lebih cepat 1.62 kali.
Peningkatan tersebut terjadi karena Linux Ubuntu secara default tidak berjalan sebagai root atau administrator, sehingga setiap program atau script tidak dapat secara otomatis membuat perubahan pada sistem tanpa hak eksplisit dari pengguna. Hal tersebut juga memastikan bahwa Linux Ubuntu menawarkan keamanan lebih dibandingkan sistem operasi Windows.
Verifikasi Sistem SOLAP
Jika hasil dari pengukuran kinerja sistem SOLAP di lingkungan Linux Ubuntu lebih cepat dalam menampilkan halaman peta, query, dan proses olap4js, maka tidak perlu dilakukan konfigurasi ulang. Jika proses menampilkan halaman peta, query, dan proses olap4js lebih lama daripada di Windows maka dilakukan konfigurasi lagi pada sistem operasi Linux Ubuntu, sampai mendapatkan hasil yang paling baik. Hasil pengukuran kinerja di lingkungan Windows akan dibandingkan dengan hasil pengukuran di lingkungan Linux Ubuntu dengan mengambil nilai rata-rata dari semua iterasi bagi ketiga parameter yang digunakan yaitu menampilkan halaman peta, menampilkan halaman Jpivot, dan proses olap4js.
Pengujian Query
Uji query dilakukan untuk mengetahui keberhasilan fungsi query MDX pada sistem yang dikembangkan di Linux Ubuntu. Fungsi yang diujikan antara lain submit query, reload jpivot, dynamics equal interval, dan fixed interval. Sistem akan mengeksekusi default query sebagai berikut saat pertama kali dijalankan:
14
Gambar 8 Hasil query titik panas di pulau Sumatera tahun 1997
Sedangkan query berikut ini akan menampilkan persebaran titik panas di wilayah pulau Sumatera pada tahun 2005 yang ditunjukkan pada Gambar 9. SELECT
{[Measures].[Jumlah_Hotspot]} ON COLUMNS, {[lokasi].[Hotspot].Members} ON ROWS FROM [geohotspot]
WHERE [waktu].[2005]
15 Selanjutnya, setelah dilakukan konfigurasi pada sistem server Linux Ubuntu, berikut ini tampilan empat layer Google Maps yang ditambahkan ke dalam sistem:
1 Layer Google Physical (peta berupa denah). Tampilan sistem setelah ditambahkan google physical dapat dilihat pada Gambar 10.
Gambar 10 Tampilan sistem setelah ditambahkan layer Google Physical
2 Layer Google Streets (peta berupa jalur jalan). Tampilan sistem setelah ditambahkan Google Streets dapat dilihat pada Gambar 11.
16
3 Layer Google Satellite (peta berupa hasil foto satelit). Tampilan sistem setelah ditambahkan google satelite dapat dilihat pada Gambar 12.
Gambar 12 Tampilan sistem setelah ditambahkan layer Google Satellite
4 Layer Google Hybrid (peta gabungan dari Google Satellite dan Streets). Tampilan sistem setelah ditambahkan Google Hybrid dapat dilihat pada Gambar 13.
17
Visualisasi Sistem SOLAP
Hasil dari tahap ini adalah visualisasi yang dihasilkan oleh sistem SOLAP di lingkungan Linux Ubuntu yang berbeda dengan penelitian sebelumnya dan lebih baik secara visual. Visualisasi pada sistem SOLAP yang baru memberikan informasi tambahan berupa keadaan sekitar lokasi titik panas yang ditampilkan. Hasil perbesaran visualisasi terhadap suatu titik panas pada sistem awal dapat dilihat pada Gambar 14.
Gambar 14 Hasil pembesaran sistem awal
Informasi yang dihasilkan dari visualisasi pada Gambar 14 terlalu sedikit sehingga kurang dapat membantu untuk melakukan tindak lanjut terhadap titik panas tersebut. Setelah ditambahkan Google Physic terlihat bahwa terdapat akses jalan terdekat ke lokasi titik panas. Informasi akses jalan tersebut digunakan untuk menentukan cara tercepat mencapai lokasi titik panas tersebut. Hasil pembesaran dengan Google Physic dapat dilihat pada Gambar 15.
18
Hasil pembesaran yang diperoleh dari Google Streets kita bisa melihat jalur akses ke lokasi titik panas dari jalan-jalan utama. Hasil pembesaran dengan Google Streets dapat dilihat pada Gambar 16.
Gambar 16 Hasil pembesaran dengan Google Streets
Selanjutnya dengan menggunakan pembesaran Google Satellite dapat diketahui bahwa titik panas tersebut ada di daerah hutan atau pemukiman. Informasi ini bisa digunakan sebagai verifikasi terhadap titik panas yang terdeteksi oleh satelit. Jika titik panas tersebut terletak di daerah hutan, maka titik panas tersebut dapat berpotensi menimbulkan kebakaran hutan. Hasil pembesaran dengan Google Satellite dapat dilihat pada Gambar 17.
Gambar 17 Hasil pembesaran dengan Google Satellite
19
Gambar 18 Hasil pembesaran dengan Google Hybrid
Bedasarkan hasil visualisasi sistem SOLAP tersebut dapat terlihat jelas lokasi persebaran titik panas di pulau Sumatera. Setelah ditambahkan Google Maps pada visualisasi peta, terdapat peningkatan informasi yang diperoleh. Peningkatan informasi tersebut berupa keadaan sekitar lokasi titik panas seperti akses jalan dan sungai, serta lokasi titik panas tersebut di daerah pemukiman atau hutan.
SIMPULAN DAN SARAN
Simpulan
Sistem spatial online analytical processing (SOLAP) persebaran titik panas telah berhasil diimplementasikan pada server Linux Ubuntu, dan seluruh fungsi berjalan dengan baik. Sistem tersebut juga telah dilengkapi penambahan layer peta. Dari hasil pengukuran runtime sistem yang dilakukan, sistem yang dikembangkan pada Linux Ubuntu lebih cepat dibandingkan pada sistem operasi Windows. Dalam menampilkan halaman peta Linux Ubuntu 1.26 kali lebih cepat dibandingkan Windows, dalam menampilkan halaman Jpivot lebih cepat 2.63 kali, dan dalam proses olap4js lebih cepat 1.62 kali.
Saran
20
DAFTAR PUSTAKA
Austin K, Alisjahbana A, Sizer N. 2013. Data terbaru menunjukkan kebakaran hutan di Indonesia adalah krisis yang telah berlangsung sejak lama [Internet]. [diunduh 2013 Okt 28]. Tersedia pada: http://insights.wri.org/news/2013/06/ data-terbaru-menunjukkan-kebakaran-hutan-di-indonesia-adalah-krisisyang- telah-berlangs.htm.
Beckman D, Hirsch D. 2006. Use Linux and open-source software on a junk nachine for a near-free PC [Internet]. [diunduh 2014 Jul 20]. Tersedia pada: http://abajournal.com/magazine/article/a_lot_for_a_little/.
Bimonte S, Tchounikine A, Miquel M. 2007. Spatial OLAP: open issues and a web based prototype. Di dalam: 10th AGILE International Conference on Geographic Information Science 2007; 2007 Mei 8-11; Aalborg. Denmark. Aalborg (DK): Aalborg University. hlm 1-11.
Fadli MH. 2011. Data warehouse spatio-temporal kebakaran hutan menggunakan Geomondrian dan Geoserver [skripsi]. Bogor (ID): Institut Pertanian Bogor. Han J, Kamber M. 2006. Data Mining: Concept and Techniques. San Fransisco
(US): Morgan Kaufman.
Han J, Kamber M, Pei J. 2012. Data Mining Concepts and Techniques. Ed ke-3. San Fransisco (US): Elsevier.
Hasan M. 2014. Penambahan modul keluaran pada sistem data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Imaduddin A. 2012. Sinkronisasi antara visualisasi peta dan query OLAP pada spatial data warehouse kebakaran hutan di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Kusumah B. 2014. Penambahan modul update sistem spatial data warehouse kebakaran hutan [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Prianto A. 2014. Penambahan layer Google Maps pada spatial data warehouse titik panas di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Qahhariana A. 2014. Peningkatan kinerja sistem spatial online analytical
processing (SOLAP) titik panas kebakaran hutan [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Ratnasari E. 2000. Pemantauan kebakaran hutan dengan menggunakan data citra NOAA-AVHRR dan citra landsat-TM [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Spatialytics. 2013. Spatialytics OLAP [Internet]. [diunduh 2014 Sep 21]. Tersedia pada:http://docs.spatialytics.com/doku.php?id=en:spatialytics_olap:
001_introduction.
Whitehorn M, Zare R, Pasumansky M. 2005. Fast Track to MDX. Ed ke-2. London (GB): Springer.
21
LAMPIRAN
Lampiran 1 Perintah untuk pemindahan directory work dan webapps di Linux Ubuntu.
Directory Work sudo cp -r
/home/tenang/bi_workshop/tomcat/work/Catalina/
localhost/* /var/lib/tomcat6/work/Catalina/localhost/* Directory Webapps
sudo cp –r /home/tenang/bi_workshop/tomcat/webapps/*
/var/lib/tomcat6/webapps/
File yang telah dipindahkan tidak dapat langsung dijalankan karena belum bersifat read, write, execute. Untuk mengakses file tersebut menggunakan perintah sebagai berikut:
Directory Work
sudo chmod -R 777 /var/lib/tomcat6/work/* Directory Webapps
22
