Pengembangan Location Intelligence Untuk Data Tanaman Hortikultura Menggunakan Spagobi Map

(1)

PENGEMBANGAN

LOCATION INTELLIGENCE

UNTUK DATA

HORTIKULTURA MENGGUNAKAN SPAGOBI

MAP

NINDY HEDYA AVIANDITA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

3

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan

Location Intelligence Untuk Data Hortikultura Menggunakan SpagoBI Map

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, Maret 2016

(4)

4

ABSTRAK

NINDY HEDYA AVIANDITA. Pengembangan Location Intelligence untuk Data Tanaman Hortikultura Menggunakan SpagoBI Map. Dibimbing oleh HUSNUL KHOTIMAH.

Kementerian Pertanian (Kementan) memiliki data tanaman hortikultura yang terus bertambah setiap tahunnya. Penyajian data yang mencakup aspek komoditas, lokasi, status angka, dan waktu masih dalam format tabel. Hal ini menyulitkan pengguna untuk memperoleh informasi karena pengguna masih harus menarik kesimpulan sendiri dari data tabel tersebut. Penyajian data dalam bentuk location intelligence mampu menampilkan ringkasan data dalam bentuk peta. Penelitian ini bertujuan membangun modul location intelligence menggunakan SpagoBI Map pada data tanaman hortikultura. Map zone dapat menampilkan perbedaan warna berdasarkan jumlah luas panen, jumlah produksi, dan produktivitas di setiap kabupaten dan map point dapat menampilkan ukuran titik peta yang besaran titiknya berdasarkan jumlah luas panen, produksi, dan produktivitas di setiap kabupaten. Data tanaman hortikultura yang digunakan dalam penelitian ini mencakup 91 tanaman hortikultura di seluruh Indonesia dari tahun 2006 sampai tahun 2013 yang tersebar di 453 kabupaten di Indonesia.

Kata kunci: data warehouse, location intelligence, OLAP, SpagoBI Map, tanaman hortikultura

ABSTRACT

NINDY HEDYA AVIANDITA. Development of Location Intelligence for Horticultural Crops Data using SpagoBI Map. Supervised by HUSNUL KHOTIMAH.

The Ministry of Agriculture (Kementan) has a lot of horticultural plant data that continues to grow each year. The data, that covers many aspects such as commodity status, location, number, and time, was still presented in the form of tabular format. It is difficult for the users to get the gist of it, because they have to draw their own conclusions from the table. The data presentation by means of location intelligence is capable of displaying the data summary in a map format. This research aimed to build the location intelligence module using SpagoBI for those horticultural plants data. The map zone can display color differences based on extensive amounts of crop, amount of production, and productivity of each district. Whereas the map point is capable to display the map point size quantity based on a broad number of harvesting, production, and productivity in each district. The horticultural crops data that is used in this research includes 91 plants across Indonesia between 2006 and 2013 which is spread over 453 regency in Indonesia.

(5)

5

Penguji:

1 Rina Trisminingsih, SKomp MT 2 Dr. Yani Nurhadryani, SSi MT

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

PENGEMBANGAN

LOCATION INTELLIGENCE

UNTUK

DATA HORTIKULTURA MENGGUNAKAN SPAGOBI

MAP

NINDY HEDYA AVIANDITA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

6

Penguji:

(7)

7

Judul Skripsi : Pengembangan Location Intelligence untuk Data Tanaman Hortikultura Menggunakan SpagoBI Map

Nama : Nindy Hedya Aviandita NIM : G64134026

Disetujui oleh

Husnul Khotimah, SKomp MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

8

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga skripsi dengan judul Pengembangan Location

Intelligence untuk Data Hortikultura menggunakan SpagoBI Map dapat

diselesaikan. Penulisan skripsi ini dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Sarjana Ilmu Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyadari dalam perjalanan masa perkuliahan sampai dengan pencapaian akhir ini banyak pihak yang telah membantu dan mendukung penulis dalam hal apapun. Oleh karena itu, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada semua pihak yang telah membantu dan mendukung penulis (baik secara langsung maupun tidak langsung) selama ini, mulai dari masa perkuliahan, penelitian hingga selesainya penulisan skripsi kepada:

1 Ibu (Hemmy Suhemy) dan Ayah (Tri Sediyono) serta Adik (Dhimita Jati Praditya), yang selalu memberikan dukungan, motivasi dan cinta yang besar kepada penulis.

2 Ibu Husnul Khotimah, SKomp MKom sebagai pembimbing skripsi yang telah memberikan motivasi, memberikan dukungan dan arahan serta senantiasa sabar dalam membimbing penulis.

3 Bapak Hari Agung Adrianto, SKomp MSi yang telah memberikan arahan dan dukungan kepada penulis

4 Ibu Dr. Yani Nurhadyrani, S.Si MT dan Ibu Rina Trisminingsih, SKomp MT selaku penguji skripsi ini.

5 Teman-teman penulis selama ini sudah memberikan banyak kenangan, pelajaran, dukungan, hiburan, dan banyak hal lainnya. Teman-teman Alih Jenis Ilmu Komputer 8, teruntuk Restu, Tentri, Tiffany, Fery, Asep, Kusuma, Fahmi untuk perjuangannya bersama di IPB, dan Teruntuk Satria Ardillah untuk segala bentuk dukungannya.

Akhir kata, penulis mengucapkan terimakasih kepada semua pihak yang telah banyak membantu dalam menyelsaikan skripsi ini. Semoga skripsi ini dapat mem-berikan kontribusi yang bermakna bagi pengembangan wawasan para pembaca, khususnya mahasiswa dan masyarakat pada umumnya.

Bogor, Maret 2016

(9)

9

DAFTAR ISI

DAFTAR TABEL ix

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN ix

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Spatial Data Warehouse 2

SpagoBI 3

Location Intelligence 4

METODE 5

Tahapan Penelitian 5

Analisis Kebutuhan Sistem 6

Perancangan Dynamic Map Location Intelligence 6

Implementasi Dynamic Map Location Intelligence 6

Pengujian Modul Location Intelligence 6

Lingkungan Pengembangan 7

HASIL DAN PEMBAHASAN 7

Analisis Kebutuhan Sistem 7

Perancangan Dynamic MapLocation intelligence 8

Implementasi Dynamic Map Location Intelligence 9

Penyimpanan Peta pada Geoserver 9

Pembuatan data source SpagoBI 10

Pembuatan dataset SpagoBI 10

Pembuatan Dynamic Map SpagoBI 10

Pengujian Modul Location intelligence 14

(10)

10

Kesimpulan 16

Saran 16

DAFTAR PUSTAKA 16

(11)

11

DAFTAR TABEL

1 Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009) 3

2 Struktur dimensi 8

3 Tabel fakta tanaman hortikultura 8

4 Tabel dimensi status angka 9

5 Tabel dimensi lokasi 9

6 Tabel dimensi waktu 9

7 Tabel dimensi komoditas 9

8 Skenario pengujian modul location intelligence 15

DAFTAR GAMBAR

1 Peta statis SpagoBI 4

2 Peta dinamis SpagoBI 5

3 Tahapan penelitian 5

4 Skema bintang tanaman hortikultura (Hartomo 2015) 8

5 Potongan kueri dataset SpagoBI 10

6 Potongan kode program template peta 11

7 Tampilan visualisasi map zone tanaman hortikultura berdasarkan luas

panen 12

8 Tampilan visualisasi map point tanaman hortikultura berdasarkan

produksi 12

9 Pilihan tipe visualisasi peta 12

10 Perbesaran tampilan visualisasi map zone tanaman hortikultura

berdasarkan luas panen mangga 13

11 Perbesaran tampilan visualisasi map zone tanaman hortikultura

berdasarkan luas panen 13

12 Pilihan indikator peta 14

13 Pilihan filter peta 14

DAFTAR LAMPIRAN

1 Tabel nama kabupaten di Indonesia 18

(12)

(13)

PENDAHULUAN

Latar Belakang

Pendataan tanaman hortikultura dalam periode tahunan di beberapa daerah di Indonesia telah dilakukan oleh Kementerian Pertanian (Kementan). Data tersebut mencakup empat aspek utama, yaitu komoditas, lokasi, status angka, dan waktu yang tersaji dalam bentuk tabel per komoditas atau per daerah. Saat ini, data tersebut masih tersaji berupa tabel dalam format Microsoft Excel (.xls). Hal ini membuat pengguna kesulitan untuk mendapatkan ringkasan data yang diinginkan dengan cepat sesuai dengan kebutuhan.

Saat ini telah berkembang aplikasi yang dapat digunakan untuk menganalisis data, diantaranya modul location intelligence yang dapat menggabungkan geographic information system (GIS) dengan business

intelligence (BI). Hal tersebut memudahkan pengguna untuk mendapatkan

informasi penting, mendukung pengambilan keputusan, dan mengoptimalkan proses bisnis (SpagoBI 2015).

Penelitian menggunakan data tanaman hortikultura telah dilakukan oleh Dwiprianti (2015). Pada penelitian tersebut dilakukan analisis tanaman hortikultura menggunakan Palo sebagai aplikasi business intelligence (BI) dengan mengimplementasikan online analytical processing (OLAP) berbasis web. Kemudian penelitian tersebut dilanjutkan oleh Permana (2015) dengan melakukan migrasi ke SpagoBI. Aplikasi tersebut telah berhasil membuat data warehouse yang memiliki dimensi komoditas, lokasi, waktu, dan status angka dalam bentuk OLAP, sehingga data dapat disajikan secara lebih mudah, lengkap, dan interaktif menggunakan fasilitas drill down, roll up, cross tab, visualisasi tabel, dan visualisasi grafik.

Penelitian yang dilakukan oleh Dwiprianti (2015) dan Permana (2015) masih menggunakan proses extract, transform, load (ETL) secara manual. Kemudian penelitian tersebut dilanjutkan kembali oleh Hartomo (2015) dengan melakukan penambahan modul ETL secara otomatis menggunakan Kettle untuk data tanaman hortikultura menggunakan data yang sama pada penelitian yang dilakukan oleh (Permana 2015). Selain mendukung modul multidimensional

analysis (OLAP) SpagoBI juga mendukung modul location intelligence dengan

menyediakan mesin geografis berupa GEO dan GIS sehingga dapat menghubungkan data geografis dengan data bisnis yang ada dalam data

warehouse. Dengan adanya location intelligence memberikan manfaat yakni

sebuah data dapat lebih mudah dipahami dan dimanfaatkan untuk pengambilan keputusan (Bowes 2007).

(14)

2

Perumusan Masalah

Data hortikultura yang dikumpulkan oleh Kementan menggambarkan persebaran produksi produk hortikultura di seluruh wilayah Indonesia. Analisis pada data tersebut akan lebih menarik jika dilakukan secara analisis spasial. Pada penelitian sebelumnya sudah dikembangkan suatu aplikasi OLAP namun belum dapat dilakukan analisis secara spasial. Salah satu proses untuk memperoleh ringkasan data spasial adalah Spatial Online Analytical Processing (SOLAP) yang dapat dikembangkan melalui modul location intelligence yang terdapat pada SpagoBI Map. Rumusan permasalahan pada penelitian ini adalah bagaimana membangun sebuah modul location intelligence untuk tanaman hortikultura yang tervisualisasi dalam bentuk peta dinamis menggunakan SpagoBI Map.

Tujuan Penelitian

Tujuan penelitian ini adalah membangun modul location intelligence dalam bentuk peta dinamis untuk tanaman hortikultura dan melakukan penyesuaian data yang telah dibangun pada penelitian sebelumnya menggunakan SpagoBI.

Manfaat Penelitian

Manfaat dari penelitian ini adalah sistem yang dibangun diharapkan dapat menampilkan visualisasi menggunakan peta untuk membantu proses analisis data tanaman hortikultura secara spasial. Hal ini dapat mempermudah pengguna dalam memperoleh informasi tanaman hortikultura dengan lebih cepat.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini difokuskan pada perancangan dan implementasi modul location intelligence berupa peta dinamis dengan menggunakan SpagoBI 5.1. Data yang digunakan diperoleh dari peneliti sebelumnya yaitu Hartomo (2015) yang merupakan data tanaman hortikultura pada tahun 2006 sampai 2013 yang diperoleh dari situs http://aplikasi.pertanian.go.id/bdsp/index.asp yang diakses pada 29 Maret 2015. Komoditi yang digunakan terdiri dari 91 jenis komoditas dari subsektor tanaman hortikultura. Status angka yang digunakan yakni angka tetap karena merupakan angka realisasi suatu tahun yang seluruhnya dikumpulkan pada tahun tersebut.

TINJAUAN PUSTAKA

Data Warehouse

(15)

3

yang digunakan pada proses pengambilan keputusan. Kumpulan data ini berasal dari berbagai sumber data yang ditempatkan menjadi bentuk penyimpanan multidimensional, kemudian dirancang untuk query dan reporting. Data

warehouse menggabungkan data warehouse dan teknologi spatial database yang

memungkinkan analisis representasi data historis (Malinowski dan Zimányi 2007). Terdapat 4 karakteristik data warehouse menurut Han etal. (2012) yaitu:

1 Subject oriented: data warehouse yang dirancang fokus pada permodelan dan

analisis data untuk pembuatan keputusan berdasarkan subjek tertentu.

2 Integrated: data warehouse dibangun dengan mengintegrasikan berbagai

sumber yang bervariasi.

3 Time variant: data yang disimpan menyediakan sejarah informasi atau data

yang disimpan memiliki rentang waktu tertentu (5-10 tahun).

4 Non volatile: data warehouse secara fisik selalu terpisah dari data

transformasinya. Data warehouse tidak membutuhkan proses transaksi, pemulihan, dan concurrency control.

SpagoBI

SpagoBI merupakan salah satu platformBusiness Intelligence (BI) yang free

dan open source software. Apabila dilihat dari segi arsitektur, fungsionalitas dan

usability, SpagoBI sebanding dengan platform BI lain yang bersifat commercial

open source software yakni Jasper dan Pentaho (Palo) edisi enterprise (Golfarelli

2009). Perbandingan fungsionalitas masing – masing software tersebut dapat dilihat pada pada Tabel 1, dengan simbol ceklis (✓)untuk fungsionalitas yang tersedia dan simbol cross (x) untuk fungsionalitas yang tidak tersedia.

Tabel 1 Perbandingan SpagoBI dengan Pentaho dan Jasper (Golfarelli 2009)

Functionalities SpagoBI Pentaho Pentaho

(16)

4

Berdasarkan tabel perbandingan fungsi pada Tabel 1, SpagoBI yang bersifat

open source software sebanding dengan Jasper dan Pentaho yang merupakan

aplikasi enterprise. Beberapa fungsi utama yang dimiliki SpagoBI yakni reporting,

multi dimensional analysis (OLAP), chart, KPI, interactive cockpits, ad-hoc

reporting, location intelligence, free inquiry (driven data selection), data mining,

real time dashboards and console, collaboration, office automation, ETL, mobile,

external processes, dan master data management. Penelitian ini menggunakan

modul location intelligence untuk data tanaman hortikultura.

Location Intelligence

Location intelligence menggabungkan geographic information system (GIS)

dengan business intelligence (BI) untuk mendapatkan informasi penting, mendukung pengambilan keputusan, dan mengoptimalkan proses bisnis SpagoBI. SpagoBI menyediakan dua mesin geografis untuk mendukung modul location

intelligence yakni mesin GEO dan GIS. Dengan adanya fitur location intelligence

dapat menghubungkan antara data geografis dengan data bisnis di dalam data

warehouse Cazzin (2012). Mesin GEO pada SpagoBI dapat menghasilkan peta

statis yang dapat digunakan dalam domain geografis atau untuk memberikan representasi grafis untuk struktur lain, seperti diagram alur proses dan skema topologi dari perangkat keras. Tampilan peta pada SpagoBI menggunakan mesin GEO dapat dilihat pada Gambar 1.

Gambar 1 Peta statis SpagoBI

Mesin GIS pada SpagoBI menghasilkan peta dalam bentuk yang dinamis. Tingkat interaksi mesin GIS lebih tinggi dibandingkan dengan penggunaan mesin GEO karena pada mesin GIS menggunakan sistem spasial yang aktual (web map

service dan web feature service) seperti penggunaan MapServer, OpenstreetMap,

(17)

5

Gambar 2 Peta dinamis SpagoBI

METODE

Data Penelitian

Data yang digunakan pada penelitian ini adalah data tanaman hortikultura yang diperoleh dari peneliti sebelumnya yaitu Hartomo (2015) yang didapatkan dari situs http://aplikasi.pertanian.go.id/bdsp/index.asp pada tahun 2006 sampai tahun 2013 dalam format (.sql). Jenis tanaman yang digunakan adalah seluruh komoditi yang ada pada tanaman hortikultura yang berjumlah 91 komoditi yang tersebar di 453 kabupaten di Indonesia. Untuk data komoditi dapat dilihat pada Lampiran 1 dan untuk data kabupaten pada Lampiran 2.

Tahapan Penelitian

Penelitian yang dilakukan terbagi menjadi beberapa tahapan proses. Gambar 3 menunjukan tahapan proses tersebut.

(18)

6

Analisis Kebutuhan Sistem

Tahapan awal dilakukan dengan analisis kebutuhan user dan fungsi utama yang terdapat pada modul location intelligence. Selain itu, pada tahap ini juga dilakukan pengumpulan data yang divisualisasikan pada modul location

intelligence. Selain data warehouse, dibutuhkan juga data peta adminsitratif

bertipe fail shapefile (.shp) yang bersumber dari Badan Informasi Geospasial (BIG) untuk memvisualisasikan data warehouse dalam bentuk peta.

Perancangan Dynamic Map Location Intelligence

Pengembangan location intelligence membutuhkan spatial data warehouse. Penelitian ini menggunakan data warehouse dengan model data multidimensional. Model data multidimensional terdiri atas tabel fakta dan tabel dimensi. Skema yang digunakan pada penelitian ini adalah skema bintang. Tabel fakta memiliki

measure dari tabel-tabel dimensi. Measure adalah data numerik yang dicari atau

dianalisis nilainya. Pada tahapan perancangan dilakukan pemilihan atribut untuk dijadikan filter dan pemilihan measure sebagai indikator pada peta. Pada tahap ini juga dilakukan transformasi data dengan cara penyesuaian terhadap atribut id lokasi pada setiap sumber data agar mengacu pada kode wilayah baku dari Kementerian Dalam Negeri (Kemendagri) dan penghilangan titik pada kode wilayah karena sebelumnya terdapat titik pada atribut id kabupaten. Data kode wilayah tersebut diperoleh dari situs http://www.kemendagri.go.id/pages/data-wilayah yang diakses pada 04 Juni 2015. Data kode http://www.kemendagri.go.id/pages/data-wilayah dapat dilihat pada Lampiran 2.

Implementasi Dynamic Map Location Intelligence

Pada tahap ini dilakukan penyimpanan peta Indonesia yang bertipe (.shp) pada Geosever. Pembuatan data source pada SpagoBI digunakan untuk menyimpan database yang digunakan. Dataset yang digunakan pada penelitian ini berupa kueri dari database. Hasil dari tahap ini mampu memvisualisasikan penyebaran tanaman hortikultura berdasarkan measure yang ditetapkan pada tahap perancangan.

Pengujian Modul Location Intelligence

(19)

7

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah:

1. Perangkat keras berupa laptop dengan spesifikasi:  Processor Intel Core i3-2370M

 RAM 6 GB

2. Perangkat lunak yang digunakan untuk membangun sistem adalah:  Sistem operasi Windows 7

 DBMS PostgreSQL (sebagai basis data tempat penyimpanan data

warehouse)

 Java 6.0

 JDBC 5.1 sebagai connector basis data PostgreSQL dengan SpagoBI  Quantum GIS 2.8.2 sebagai media untuk mengubah atribut peta

HASIL DAN PEMBAHASAN

Analisis Kebutuhan Sistem

Hasil analisis untuk membangun modul location intelligence menggunakan SpagoBI Map dapat dilihat pada Tabel 1. Fungsi utama modul location

intelligence pada SpagoBI adalah fungsi visualisasi map zone, fungsi visualisasi

map point, fungsi zoom in, dan zoom out pada peta, fungsi peta sesuai indikator,

dan fungsi filter pada peta.

Tabel 1 Tabel analisis kebutuhan user

No. Kebutuhan User Fungsi

1. Melihat perbedaan warna pada peta untuk setiap kabupaten berdasarkan nilai di database

4. Melihat peta sebaran tanaman hortikultura berdasarkan level kabupaten

Filter 5. Melihat peta sebaran tanaman hortikultura

berdasarkan level provinsi

Filter 6. Memilih nama kabupaten sesuai dengan

provinsi yang dipilih

Filter 7. Melihat peta sebaran tanaman hortikultura

berdasarkan level komoditi

Filter

(20)

8

Perancangan Dynamic Map Location intelligence

Perancangan data warehouse oleh Hartomo (2015) menghasilkan skema bintang yang membentuk 1 tabel fakta dan 4 tabel dimensi. Bentuk skema yang digunakan dapat dlihat pada Gambar 4. Struktur setiap dimensi ditunjukkan oleh Tabel 2.

Gambar 4 Skema bintang tanaman hortikultura (Hartomo 2015) Tabel 2 Struktur dimensi

Dimensi Level 1 Level 2 Level 3

Lokasi All Provinsi Kabupaten/Kota Komoditas All Subsektor Nama Komoditas Status All Status Angka -

Waktu All Tahun -

Penelitian ini menggunakan tiga measure, yakni luas panen, produksi, dan produktivitas. Atribut yang terdapat dalam tabel fakta dapat dilihat pada Tabel 3. Atribut-atribut pada tabel dimensi komoditas, lokasi, status angka, dan waktu ditunjukkan pada Tabel 4, 5, 6, dan 7. Hasil dari transformasi data untuk kode wilayah dapat dilihat pada Lampiran 2.

Tabel 3 Tabel fakta tanaman hortikultura Nama Atribut Deskripsi

id lokasi Kode lokasi id komoditas Kode komoditas id status angka Kode status angka id waktu Kode waktu (tahun)

(21)

9

Tabel 4 Tabel dimensi status angka Nama Atribut Deskripsi

id status Kode status angka status angka Jenis status angka

Tabel 5 Tabel dimensi lokasi Nama Atribut Deskripsi

id lokasi Kode lokasi Provinsi Nama provinsi

Kabupaten Nama kabupaten/kota Tabel 6 Tabel dimensi waktu Nama Atribut Deskripsi

id waktu Kode waktu

Tahun Tahun

Tabel 7 Tabel dimensi komoditas Nama Atribut Deskripsi

id komoditas Kode komoditas Subsector Nama subsektor nama komoditas Nama komoditas

Implementasi Dynamic Map Location Intelligence

Penyimpanan Peta pada Geoserver

Peta yang digunakan di SpagoBI disimpan di dalam aplikasi Geoserver. SpagoBI hanya mampu menampilkan peta dengan ukuran maksimum 20 MB. Fail peta bertipe (.shp) yang didapat dari BIG berukuran 70 MB, sehingga perlu dilakukan simplify geometries pada Quantum GIS dengan nilai toleransi 0.0001 agar peta dapat ditampilkan di SpagoBI. Nilai toleransi sebesar 0.0001 dipilih karena merupakan nilai maksimum dilakukannya simplify geometries. Penambahan lembar kerja (workspace) pada Geoserver diperlukan untuk mengatur peta sedangkan penambahan tempat penyimpanan (stores) pada Geoserver digunakan untuk mengubungkan ke sumber data yang bertipe vektor atau raster. Dalam penelitian ini digunakan data raster bertipe (.shp).

Pada tahap ini juga dilakukan penentuan coordinate reference system (CRS)

dan bounding boxes. Sistem referensi koordinat merupakan sistem (termasuk teori,

(22)

10

Load data source SpagoBI

Tahap pembuatan data source pada SpagoBI diperlukan sebagai media penyimpanan database yang digunakan. SpagoBI mendukung banyak tipe DBMS diantaranya Oracle, SQL Server, HSQL, MySQL, PostgreSQL, dan MongoDB. Selain mendukung banyak tipe DBMS, dapat diatur juga hak akses bagi pengguna yang terdiri dari read only atau read and write. Penggunaan DBMS harus disesuaikan dengan driver dan konektornya. Penelitian ini menggunakan DBMS PostgreSQL dengan hak akses read and write, JDBC 5.1 sebagai konektor basis data antara PostgreSQL dengan SpagoBI. Nama fail yang digunakan pada

database penelitian ini yakni DB_HORTIKULTURA.

Load dataset SpagoBI

Dataset pada SpagoBI diperlukan untuk memilih atribut yang perlu

ditampilkan pada visualisasi peta. Penelitian ini menggunakan satu buah dataset berupa kueri dari database yang sudah tersimpan sebelumnya pada data source.

Dataset yang digunakan berupa dataset yang mencakup data luas panen, produksi,

dan produktivitas. Atribut yang dipilih untuk ditampilkan berupa nama komoditas, id lokasi, nama kab kota, luas panen, produksi, dan produktivitas. Potongan kueri yang digunakan pada dataset dapat dilihat pada Gambar 5.

Gambar 5 Potongan kueri dataset SpagoBI Pembuatan Dynamic Map SpagoBI

Pemilihan pembutan visualisasi peta menggunakan dynamic map mampu menampilkan peta dalam bentuk map zone dan map point. Pada tahap ini dilakukan pemilihan tipe visualisasi, engine, data source, dan dataset yang digunakan. Sinkronisasi antara database dengan peta ke dalam SpagoBI dibutuhkan template dengan format JSON seperti yang dapat dilihat pada Gambar 6.

(23)

11

Gambar 6 Potongan kode program template peta

Peta dinamis SpagoBI memiliki 2 layer yaitu layer bawah dan layer atas.

Layer bawah pada SpagoBI berasal dari OpenStreetMap dan layer atas merupakan

layer dari peta Indonesia bertipe fail (.shp) yang disimpan di Geoserver. Hasil

implementasi modul location intelligence dengan tipe peta choropleth untuk data produksi tanaman hortikultura dapat dilihat pada Gambar 7. Hasil implementasi modul location intelligence dengan tipe peta proportional symbol untuk data luas panen tanaman hortikultura dapat dilihat pada Gambar 8.

Perbesaran huruf A pada Gambar 7 dan Gambar 8 dapat dilihat pada Gambar 9 yang merupakan bagian untuk memilih jenis visualisasi peta. Map zone akan menampilkan peta dalam bentuk poligon dan map point akan menampilkan peta dalam bentuk titik (point).

(24)

12

Gambar 7 Tampilan visualisasi map zone tanaman hortikultura berdasarkan produksi mangga

Gambar 8 Tampilan visualisasi map point tanaman hortikultura berdasarkan produksi pisang

(25)

13

Gambar 10 Perbesaran tampilan visualisasi map zone tanaman hortikultura berdasarkan luas panen mangga

Perbesaran dari huruf B pada Gambar 8 dapat dilihat pada Gambar 11. Kemunculan titik pada peta menampilkan visualisasi data produksi dari komoditas pisang. Visualisasi map point digunakan ketika pengguna ingin melihat lebih rinci kabupaten mana yang memiliki jumlah produksi terbesar dilihat dari besaran ukuran titiknya.

Gambar 11 Perbesaran tampilan visualisasi map zone tanaman hortikultura berdasarkan produksi pisang

(26)

14

Gambar 12 Pilihan indikator peta

Perbesaran huruf D pada Gambar 7 dan Gambar 8 dapat dilihat pada Gambar 13. Filter peta digunakan untuk menampilkan visualisasi sesuai dengan pilihan nama komoditas, provinsi, nama kabupaten, tahun, atau jumlah luas panen, produksi, dan produktivitas tertentu. Banyaknya filter yang ditampilkan berdasarkan dataset yang telah dibuat sebelumnya. Namun pada penelitian ini belum dapat melakukan join filter untuk data nama kabupaten berdasarkan provinsi.

Gambar 13 Pilihan filter peta

Pengujian Modul Location intelligence

Pada tahap ini dilakukan pengujian sistem dan verifikasi data. Pengujian sistem dilakukan dengan metode blackbox. Pengujian ini dilakukan dengan cara melihat kesesuaian fungsi-fungsi pada location intelligence apakah sudah berjalan sesuai yang diharapkan. Tabel 8 menunjukkan kesesuaian fungsi sistem dengan hasil akhir implementasi sistem.

Pada tahap verifikasi data dilakukan pencocokan data antara data Hartomo (2015) yang berformat file SQL, dengan data asli dari Kementan yang berupa tabel dalam format Microsoft Excel (.xls). Data komoditi apel dipilih untuk dilakukan verifikasi data karena apel merupakan komoditi khas yang dihasilkan oleh kabupaten Malang.

(27)

15

Tabel 8 Skenario pengujian modul location intelligence No. Fungsi sistem Skenario

pengujian

Langkah pertama yang dilakukan yakni mengecek pada fail Microsoft Excel untuk data komoditi apel di Kabupaten Malang. Pada file tersebut tercatat jumlah produksi apel pada tahun 2012 sebesar 32.886 ton.

(28)

16

jumlah produksi sebesar 32.886 ton. Pada fail SQL ditemukan nama kabupaten yang memiliki jumlah produksi sebesar 32.886 ton pada tahun 2012 yakni kabupaten Banjarbaru bukan kabupaten Malang. Untuk kabupaten Banjarbaru, pada saat dilakukan pengecekan ke fail Microsoft Excel tidak memproduksi apel.

Dari hasil verifikasi data tersebut ditemukan ketidaksesuaian antara data dari Kementan dan data hasil extract, transform, dan load (ETL) pada penelitian Hartomo (2015). Rekomendasi yang disarankan yakni melakukan pengkajian ulang terhadap proses ETL yang sebelumnya telah dilakukan oleh Hartomo (2015). Apabila sudah diperoleh database baru hasil proses ETL, maka hal yang perlu dilakukan yakni load ulang data source pada SpagoBI dan menyesuaikan nama fail database dengan nama fail database sebelumnya yakni DB_HORTIKULTURA.

SIMPULAN DAN SARAN

Kesimpulan

Modul location intelligence untuk data tanaman hortikultura menggunakan SpagoBI telah berhasil dibangun dengan fungsi visualisasi map zone, fungsi visualisasi map point, fungsi zoom in dan zoom out pada peta, fungsi peta sesuai indikator, dan fungsi filter pada peta. Dengan membangun modul location

intelligence telah menampilkan ringkasan data dalam bentuk visualisasi yang

diimplementasikan pada peta Indonesia. Peta yang disajikan dalam bentuk dinamis mampu membantu memperdalam analisis secara visual.

Saran

Pada proses pengembangan selanjutnya, implementasi data tanaman hortikultura disarankan menggunakan database tanaman hortikultura yang sesuai dengan data asli dari Kementan. SpagoBI dapat dilengkapi dengan fitur-fitur tambahan lain yang dapat lebih menunjang analisis di antaranya dengan penambahan fitur report. Dengan adanya fitur report menggunakan cross

navigation informasi lebih detail terkait lokasi dapat disajikan secara lebih rinci.

Selain itu, untuk pengembangan selanjutnya diharapkan sistem mampu melakukan filter kabupaten berdasarkan provinsi yang dipilih.

DAFTAR PUSTAKA

Abidin, H. 2001. Geodesi Satelit. Jakarta (ID), Pradnya Paramita.

Cazzin, Grazia. 2012. Business Intelligence with SpagoBI. Padua (IT): SpagoBI Competency Center.

Dwiprianti, F. 2015. Online Analytical Processing (OLAP) Berbasis web untuk tanaman hortikultura menggunakan Palo. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor.

(29)

17

Han, J, Kamber M, dan Pei J. 2012. Data Mining: Concept and Techniques. 3th Ed. San Fransisco (US): Morgan Kaufman Publisher.

Hartomo, R. 2015. Modul Extract, Transform, dan Load Untuk Data Warehouse Tanaman Hortikultura Menggunakan Kettle. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor.

Hasanah, G. 2015. Aplikasi Multidimensional Analysis dan Location Intelligence untuk Spatial Data Warehouse Titik Panas di Indonesia Menggunakan SpagoBI. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor. Lightstone, S, Teorey T, dan Nadeau T. 2006. Database Modeling and Design:

Physical Database Design for Decision Support, Warehousing, and OLAP. 4th ed. San Fransisco (US): Morgan Kaufman Publisher.

Malinowski, E dan E Zimanyi. 2007. Spatial Data Warehouses: Some Solutions and Unresolved Problems. 2007 IEEE International Workshop on

Databases for Next Generation Researchers; Mei 2007; Istanbul, Turkey.

Piscataway (US): IEEE. hlm 1-7.

Permana, ER. 2015. Aplikasi Online Analytical Processing (OLAP) Berbasis Web Data Warehouse Tanaman Hortikultura Menggunakan SpagoBI. [skripsi]. Departemen Ilmu Komputer, Institut Pertanian Bogor.

(30)

18

Lampiran 1 Tabel nama kabupaten di Indonesia

No. Id Lokasi Provinsi Nama Kabupaten

1 1101 Aceh Kab. Aceh Selatan

24 1201 Sumatera Utara Kab. Tapanuli Tengah 25 1202 Sumatera Utara Kab. Tapanuli Utara 26 1203 Sumatera Utara Kab. Tapanuli Selatan

27 1204 Sumatera Utara Kab. Nias

28 1205 Sumatera Utara Kab. Langkat

29 1206 Sumatera Utara Kab. Karo

30 1207 Sumatera Utara Kab. Deli Serdang

31 1208 Sumatera Utara Kab. Simalungun

32 1209 Sumatera Utara Kab. Asahan

33 1210 Sumatera Utara Kab. Labuhan Batu

34 1211 Sumatera Utara Kab. Dairi

35 1212 Sumatera Utara Kab. Toba Samosir 36 1213 Sumatera Utara Kab. Mandailing Natal 37 1214 Sumatera Utara Kab. Nias Selatan 38 1215 Sumatera Utara Kab. PakPak Bharat

39 1216 Sumatera Utara Kab. Humbang

(31)

19

Lampiran 1 Lanjutan

40 1217 Sumatera Utara Kab. Samosir

41 1218 Sumatera Utara Kab. Serdang Bedagai

42 1219 Sumatera Utara Kab. Batubara

43 1220 Sumatera Utara Kab. Padang Lawas Utara 44 1221 Sumatera Utara Kab. Padang Lawas 45 1222 Sumatera Utara Kab. Labuhan Batu

Selatan

46 1223 Sumatera Utara Kab. Labuhan Batu Utara 47 1224 Sumatera Utara Kab. Nias Utara

48 1225 Sumatera Utara Kab. Nias Barat

49 1271 Sumatera Utara Kota Medan

50 1272 Sumatera Utara Kota Pematang Siantar 51 1273 Sumatera Utara Kota Sibolga

52 1274 Sumatera Utara Kota Tanjung Balai

53 1275 Sumatera Utara Kota Binjai

54 1276 Sumatera Utara Kota Tebing Tinggi 55 1277 Sumatera Utara Kota Padang Sidimpuan 56 1278 Sumatera Utara Kota Gunung Sitoli 57 1301 Sumatera Barat Kab. Pesisir Selatan

58 1302 Sumatera Barat Kab. Solok

59 1303 Sumatera Barat Kab. Sijunjung 60 1304 Kalimantan Selatan Kab. Tanah Datar 61 1305 Sumatera Barat Kab. Padang Pariaman

62 1306 Sumatera Barat Kab. Agam

63 1307 Sumatera Barat Kab. Lima Puluh Kota

64 1308 Sumatera Barat Kab. Pasaman

65 1309 Sumatera Barat Kab. Kepulauan Mentawai

66 1310 Sumatera Barat Kab. Dharmas Raya 67 1311 Sumatera Barat Kab. Solok Selatan 68 1312 Sumatera Barat Kab. Pasaman Barat

69 1371 Sumatera Barat Kota Padang

70 1372 Sumatera Barat Kota Solok

71 1373 Sumatera Barat Kota Sawah Lunto 72 1374 Sumatera Barat Kota Padang Panjang 73 1375 Sumatera Barat Kota Bukit Tinggi

74 1376 Sumatera Barat Kota Payakumbuh

75 1377 Sumatera Barat Kota Pariaman

76 1401 Riau Kab. Kampar

(32)

20

Lampiran 1 Lanjutan

78 1403 Riau Kab. Bengkalis

98 1601 Sumatera Selatan Kab. Ogan Komering Ulu 99 1602 Sumatera Selatan Kab. Ogan Komering Ilir 100 1603 Sumatera Selatan Kab. Muara Enim

101 1604 Sumatera Selatan Kab. Lahat 102 1605 Sumatera Selatan Kab. Musi Rawas 103 1606 Sumatera Selatan Kab. Musi Banyu Asin 104 1607 Sumatera Selatan Kab. Banyu Asin 105 1608 Sumatera Selatan Kab. OKU Timur 106 1609 Sumatera Selatan Kab. OKU Selatan 107 1610 Sumatera Selatan Kab. Ogan Ilir 108 1611 Sumatera Selatan Kab. Empat Lawang 109 1671 Sumatera Selatan Kota Palembang 110 1672 Sumatera Selatan Kota Pagaralam 111 1673 Sumatera Selatan Kota Lubuk Linggau 112 1674 Sumatera Selatan Kota Prabumulih

113 1701 Bengkulu Kab. Bengkulu Selatan

114 1702 Bengkulu Kab. Rejang Lebong

(33)

21

Lampiran 1 Lanjutan

116 1704 Bengkulu Kab. Kaur

117 1705 Bengkulu Kab. Seluma

118 1706 Bengkulu Kab. Muko Muko

119 1707 Bengkulu Kab. Lebong

120 1708 Bengkulu Kab. Kepahiang

121 1709 Bengkulu Kab. Bengkulu Tengah

122 1771 Bengkulu Kota Bengkulu

123 1801 Lampung Kab. Lampung Selatan

124 1802 Lampung Kab. Lampung Tengah

125 1803 Lampung Kab. Lampung Utara

135 1871 Lampung Kota Bandar Lampung

136 1872 Lampung Kota Metro

137 1901 Kepulauan Bangka

Belitung Kab. Bangka

Belitung Kab. Belitung

Belitung Kab. Bangka Selatan

Belitung Kab. Bangka Tengah

Belitung Kab. Bangka Barat

Belitung Kab. Belitung Timur

Belitung Kota Pangkal Pinang

144 2101 Kepulauan Riau Kab. Bintan

145 2102 Kepulauan Riau Kab. Karimun

146 2103 Kepulauan Riau Kab. Natuna 147 2104 Kepulauan Riau Kab. Lingga 148 2105 Kepulauan Riau Kab. Kepulauan

(34)

22

Lampiran 1 Lanjutan

149 2171 Kepulauan Riau Kota Batam

150 2172 Kepulauan Riau Kota Tanjung Pinang 151 2310 Kepulauan Riau Kab. Kepulauan Riau 152 3171 Daerah Khusus Ibukota

Jakarta Kota Jakarta Pusat

153 3172 Daerah Khusus Ibukota

Jakarta Kota Jakarta Utara

Jakarta Kota Jakarta Barat

Jakarta Kota Jakarta Selatan

Jakarta Kota Jakarta Timur

157 3201 Jawa Barat Kab. Bogor

158 3202 Jawa Barat Kab. Sukabumi

159 3203 Jawa Barat Kab. Cianjur

160 3204 Jawa Barat Kab. Bandung

161 3205 Jawa Barat Kab. Garut

162 3206 Jawa Barat Kab. Tasikmalaya

163 3207 Jawa Barat Kab. Ciamis

181 3278 Jawa Barat Kota Tasikmalaya

182 3279 Jawa Barat Kota Banjar

183 3301 Jawa Tengah Kab. Cilacap

(35)

23

Lampiran 1 Lanjutan

185 3303 Jawa Tengah Kab. Purbalingga

186 3304 Jawa Tengah Kab. Banjarnegara

187 3305 Jawa Tengah Kab. Kebumen

195 3313 Jawa Tengah Kab. Karanganyar

196 3314 Jawa Tengah Kab. Sragen

205 3323 Jawa Tengah Kab. Temanggung

206 3324 Jawa Tengah Kab. Kendal

207 3325 Jawa Tengah Kab. Batang

208 3326 Jawa Tengah Kab. Pekalongan

209 3327 Jawa Tengah Kab. Pemalang

210 3328 Jawa Tengah Kab. Tegal

211 3329 Jawa Tengah Kab. Brebes

212 3371 Jawa Tengah Kota Magelang

213 3372 Jawa Tengah Kota Surakarta

214 3373 Jawa Tengah Kota Salatiga

215 3374 Jawa Tengah Kota Semarang

216 3375 Jawa Tengah Kota Pekalongan

217 3376 Jawa Tengah Kota Tegal

218 3400 Papua Kab. Yapen Waropen

219 3401 Daerah Istimewa

Yogyakarta Kab. Kulon Progo

Yogyakarta Kab. Bantul

(36)

24

Lampiran 1 Lanjutan

Yogyakarta Kab. Sleman

Yogyakarta Kota Yogyakarta

224 3501 Jawa Timur Kab. Pacitan

225 3502 Jawa Timur Kab. Ponorogo

226 3503 Jawa Timur Kab. Trenggalek

227 3504 Jawa Timur Kab. Tulungagung

228 3505 Jawa Timur Kab. Blitar

236 3513 Jawa Timur Kab. Probolinggo

237 3514 Jawa Timur Kab. Pasuruan

256 3574 Jawa Timur Kota Probolinggo

257 3575 Jawa Timur Kota Pasuruan

258 3576 Jawa Timur Kota Mojokerto

(37)

25

Lampiran 1 Lanjutan

260 3578 Jawa Timur Kota Surabaya

269 3674 Banten Kota Tangerang Selatan

270 5101 Bali Kab. Jembrana

279 5201 Nusa Tenggara Barat Kab. Lombok Barat 280 5202 Nusa Tenggara Barat Kab. Lombok Tengah 281 5203 Nusa Tenggara Barat Kab. Lombok Timur 282 5204 Nusa Tenggara Barat Kab. Sumbawa 283 5205 Nusa Tenggara Barat Kab. Dompu 284 5206 Nusa Tenggara Barat Kab. Bima

285 5207 Nusa Tenggara Barat Kab. Sumbawa Barat 286 5208 Nusa Tenggara Barat Kab. Lombok Utara 287 5271 Nusa Tenggara Barat Kota Mataram 288 5272 Nusa Tenggara Barat Kota Bima 289 5301 Nusa Tenggara Timur Kab. Kupang 290 5302 Nusa Tenggara Timur Kab. Timor Tengah

Selatan

291 5303 Nusa Tenggara Timur Kab. Timor Tengah Utara 292 5304 Nusa Tenggara Timur Kab. Belu

293 5305 Nusa Tenggara Timur Kab. Alor

294 5306 Nusa Tenggara Timur Kab. Flores Timur 295 5307 Nusa Tenggara Timur Kab. Sikka

(38)

26

Lampiran 1 Lanjutan

299 5311 Nusa Tenggara Timur Kab. Sumba Timur 300 5312 Nusa Tenggara Timur Kab. Sumba Barat 301 5371 Nusa Tenggara Timur Kota Kupang 302 6101 Kalimantan Barat Kab. Sambas 303 6103 Kalimantan Barat Kab. Sanggau 304 6104 Kalimantan Barat Kab. Ketapang 305 6105 Kalimantan Barat Kab. Sintang 306 6106 Kalimantan Barat Kab. Kapuas Hulu 307 6107 Kalimantan Barat Kab. Bengkayang 308 6108 Kalimantan Barat Kab. Landak 309 6109 Kalimantan Barat Kab. Sekadau 310 6110 Kalimantan Barat Kab. Melawi 311 6111 Kalimantan Barat Kab. Kayong Utara 312 6112 Kalimantan Barat Kab. Kubu Raya 313 6171 Kalimantan Barat Kota Pontianak 314 61711 Kalimantan Barat Kab. Pontianak 315 6172 Kalimantan Barat Kota Singkawang 316 6201 Kalimantan Tengah Kab. Kota Waringin

Barat

317 6202 Kalimantan Tengah Kab. Kota Waringin Timur

318 6203 Kalimantan Tengah Kab. Kapuas 319 6204 Kalimantan Tengah Kab. Barito Selatan 320 6205 Kalimantan Tengah Kab. Barito Utara 321 6206 Kalimantan Tengah Kab. Katingan 322 6207 Kalimantan Tengah Kab. Seruyan 323 6208 Kalimantan Tengah Kab. Sukamara 324 6209 Kalimantan Tengah Kab. Lamandau 325 6210 Kalimantan Tengah Kab. Gunung Mas 326 6211 Kalimantan Tengah Kab. Pulang Pisau 327 6212 Kalimantan Tengah Kab. Murung Raya 328 6213 Kalimantan Tengah Kab. Barito Timur 329 6271 Kalimantan Tengah Kota Palangkaraya 330 6301 Kalimantan Selatan Kab. Tanah Laut 331 63011 Sumatera Barat Kab. Tanah Laut 332 6302 Kalimantan Selatan Kab. Kota Baru 333 6303 Kalimantan Selatan Kab. Banjar 334 6304 Kalimantan Selatan Kab. Barito Kuala 335 6305 Kalimantan Selatan Kab. Tapin

(39)

27

Lampiran 1 Lanjutan

337 6307 Kalimantan Selatan Kab. Hulu Sungai Tengah 338 6308 Kalimantan Selatan Kab. Hulu Sungai Utara 339 6309 Kalimantan Selatan Kab. Tabalong

340 6310 Sulawesi Selatan Kab. Tanah Bumbu 341 6311 Kalimantan Selatan Kab. Balangan 342 6371 Kalimantan Selatan Kota Banjarmasin 343 6372 Kalimantan Selatan Kota Banjarbaru 344 6401 Kalimantan Timur Kab. Paser 345 6403 Kalimantan Timur Kab. Berau 346 6407 Kalimantan Timur Kab. Kutai Barat 347 6408 Kalimantan Timur Kab. Kutai Timur

348 6409 Kalimantan Timur Kab. Penajam Paser Utara 349 6472 Kalimantan Timur Kota Samarinda

350 6501 Kalimantan Timur Kab. Bulungan 351 6502 Kalimantan Timur Kab. Malinau 352 6503 Kalimantan Timur Kab. Nunukan 353 6504 Kalimantan Timur Kab. Tana Tidung 354 7101 Sulawesi Utara Kab. Bolaang

Mongondow 355 7102 Sulawesi Utara Kab. Minahasa

356 7103 Sulawesi Utara Kab. Kepulauan Sangihe 357 7104 Sulawesi Utara Kab. Kepulauan Talaud 358 7105 Sulawesi Utara Kab. Minahasa Selatan 359 7106 Sulawesi Utara Kab. Minahasa Utara 360 7107 Sulawesi Utara Kab. Minahasa Tenggara 361 7108 Sulawesi Utara Kab. Bolaang

Mongondow Utara 362 7109 Sulawesi Utara Kab. Siau Tagulandang

Biaro

363 7110 Sulawesi Utara Kab. Bolaang Mongondow Timur 364 7111 Sulawesi Utara Kab. Bolaang

Mongondow Selatan

365 7171 Sulawesi Utara Kota Manado

366 7172 Sulawesi Utara Kota Bitung

367 7173 Sulawesi Utara Kota Tomohon

(40)

28

Lampiran 1 Lanjutan

372 7204 Sulawesi Tengah Kab. Toli-Toli 373 7205 Sulawesi Tengah Kab. Buol 374 7206 Sulawesi Tengah Kab. Morowali

375 7207 Sulawesi Tengah Kab. Banggai Kepulauan 376 7208 Sulawesi Tengah Kab. Parigi Moutong 377 7209 Sulawesi Tengah Kab. Tojo Una-una 378 7210 Sulawesi Tengah Kab. Sigi

379 7271 Sulawesi Tengah Kota Palu

380 7301 Sulawesi Selatan Kab. Kepulauan Selayar 381 7302 Sulawesi Selatan Kab. Bulukumba

382 7303 Sulawesi Selatan Kab. Bantaeng 383 7304 Sulawesi Selatan Kab. Jeneponto 384 7305 Sulawesi Selatan Kab. Takalar 385 7306 Sulawesi Selatan Kab. Gowa 386 7307 Sulawesi Selatan Kab. Sinjai 387 7308 Sulawesi Selatan Kab. Bone 388 7309 Sulawesi Selatan Kab. Maros

389 7310 Sulawesi Selatan Kab. Pangkajene dan Kepulauan

390 7311 Sulawesi Selatan Kab. Barru 391 7312 Sulawesi Selatan Kab. Soppeng 392 7313 Sulawesi Selatan Kab. Wajo

393 7314 Sulawesi Selatan Kab. Sidenreng Rappang 394 7315 Sulawesi Selatan Kab. Pinrang

395 7316 Sulawesi Selatan Kab. Enrekang 396 7317 Sulawesi Selatan Kab. Luwu 397 7318 Sulawesi Selatan Kab. Tana Toraja 398 7322 Sulawesi Selatan Kab. Luwu Utara 399 7324 Sulawesi Selatan Kab. Luwu Timur 400 7326 Sulawesi Selatan Kab. Toraja Utara 401 7371 Sulawesi Selatan Kota Makassar 402 7372 Sulawesi Selatan Kota Pare-Pare 403 7373 Sulawesi Selatan Kota Palopo 404 7401 Sulawesi Tenggara Kab. Kolaka 405 7402 Sulawesi Tenggara Kab. Konawe 406 7403 Sulawesi Tenggara Kab. Muna 407 7404 Sulawesi Tenggara Kab. Buton

(41)

29

Lampiran 1 Lanjutan

410 7407 Sulawesi Tenggara Kab. Wakatobi 411 7408 Sulawesi Tenggara Kab. Kolaka Utara 412 7409 Sulawesi Tenggara Kab. Konawe Utara 413 7410 Sulawesi Tenggara Kab. Buton Utara 414 7471 Sulawesi Tenggara Kota Kendari 415 7472 Sulawesi Tenggara Kota Bau Bau 416 7601 Sulawesi Barat Kab. Mamuju Utara

417 7602 Sulawesi Barat Kab. Mamuju

418 7603 Sulawesi Barat Kab. Mamasa

419 7604 Sulawesi Barat Kab. Polewali Mandar

420 7605 Sulawesi Barat Kab. Majene

421 8101 Maluku Kab. Maluku Tengah

422 8102 Maluku Kab. Maluku Tenggara

423 8103 Maluku Kab. Maluku Tenggara

Barat

432 8203 Maluku Utara Kab. Halmahera Utara

433 8206 Maluku Utara Kab. Halmahera Timur

(42)

30

Lampiran 1 Lanjutan

448 9115 Papua Kab. Waropen

449 9116 Papua Kab. Boven Digoel

450 9117 Papua Kab. Mappi

451 9118 Papua Kab. Asmat

452 9119 Papua Kab. Supiori

(43)

31

Lampiran 2 Tabel nama komoditi Id Komoditi Nama Komoditi

1 Adenium

(44)

32

Lampiran 2 Lanjutan

Id Komoditi Nama Komoditi 80 Sedap Malam 81 Semangka 82 Sirsak

83 Soka

(45)

33

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 17 November 1992 dari Ayah Tri Sediyono dan Ibu Hemmy Suhemy. Penulis adalah putri pertama dari dua bersaudara.