ABSTRACT
SITI NURHASANAH. Data Warehouse Prototype of BAKOSURTANAL’s Sales Product. Under direction of HARI AGUNG ADRIANTO.
National Coordinating Agency on Surveys and Mapping (BAKOSURTANAL) is a non ministry government agency authorized to conduct governance duty in the field of surveys and mapping. BAKOSURTANAL holds the prime role in the distribution and services of maps to the public. One of BAKOSURTANAL activity is selling maps, atlas, and other products required by its stakeholders. The reports of sales revenue are not only necessary to improve services, but also can be used to know the exact amount of sales revenues in BAKOSURTANAL. The process of analyzing data of sales is still done manually by looking at the existing data of sales. This way of data processing leads to a less accurate result, and also requires significant time and efforts. Building OLAP application integrated with data warehouse is one way to analyze and to have the knowledge of sales revenues with different point of view.
This research is intended to make the data analyzing on surveys and mapping’s sales products no longer done manually, so the result can be more accurate. The steps require : covering, pre data processing, designing and developing of data warehouse, continued with developing of OLAP application. Data warehouse is developed using the galaxy scheme. This research yields in forming four dimensions (Time, Data Classification, Qualification, and Scale) and the two facts (sale_sheet and sale_price).
The development of data warehouse of BAKOSURTANAL’s sale products produces two data cubes, which are the sale sheet data cube and the sale price data cube. The two data cubes can be visualized quickly and accurately in three forms of graphics and charts using the OLAP Palo 2.5. The operations of OLAP conducted on the data cubes are roll-up, drill-down, dice, and slice.
1
PENDAHULUAN
Latar BelakangBadan Koordinasi Survei dan Pemetaan Nasional (BAKOSURTANAL) merupakan sebuah lembaga pemerintah non departemen yang diberi mandat untuk melaksanakan tugas pemerintahan dalam bidang survei dan pemetaan. BAKOSURTANAL telah menghasilkan peta dalam berbagai bentuk, format dan skala. BAKOSURTANAL menjadi titik tumpu dalam pelaksanaan pendistribusian dan pelayanan peta kepada penggunanya, baik itu institusi, perusahaan, lembaga pendidikan, dan masyarakat pada umumnya.
Berdasarkan Undang-undang Republik Indonesia Nomor 20 Tahun 2007 tentang Penerimaan Negara Bukan Pajak (PNBP), bahwa instansi pemerintah wajib menyetorkan seluruh PNBP ke kas negara. Hal ini juga diperjelas dalam Lampiran IIB Peraturan Pemerintah Republik Indonesia Nomor 22 Tahun 1997 tentang Jenis Penyetoran Penerimaan Negara Bukan Pajak, bahwa jenis PNBP yang berlaku pada BAKOSURTANAL adalah penerimaan dari penjualan hasil survei dan pemetaan (surta). Untuk meningkatkan pendapatan negara dari PNBP, BAKOSURTANAL perlu melakukan kegiatan yang mendukung peningkatan PNBP. Salah satu kegiatannya adalah penjualan peta, atlas dan produk lainnya yang banyak dibutuhkan oleh stake holder. Informasi tentang hasil penjualan selain untuk dapat meningkatkan pelayanan kepada penggunanya juga untuk mengetahui jumlah hasil penjualan di BAKOSURTANAL.
Selama ini, proses analisis data hasil penjualan masih dilakukan secara manual. Proses bisnis dari kegiatan penjualan tersebut dapat dilihat pada Lampiran 1. Untuk memesan produk surta pengguna harus mengisi lembar pesanan yang disediakan di loket penjualan. Bentuk lembar pemesanan dapat dilihat pada Lampiran 2. Kemudian staf pelayanan mencatat data penjualan tersebut dengan menggunakan Microsoft Office Excel, hasilnya dapat dilihat pada Lampiran 3. Untuk membuat laporan masih dilakukan query manual pada tiap tabel data di Microsoft Office Excel. Contoh laporan yang dihasilkan dapat dilihat pada Lampiran 4.
Dalam proses bisnis di atas, data yang tercatat memiliki atribut-atribut terbatas dan tidak konsisten antar tahun seperti terlihat pada
Lampiran 5. Hal ini membuat hasil analisis kurang akurat dan membutuhkan waktu lama.
Hasil penjualan akan dilaporkan ke beberapa pihak sebagai laporan data penjualan. Laporan tersebut akan digunakan untuk menganalisis berbagai kebutuhan, dapat dilihat pada Tabel 1.
Tabel 1 Kebutuhan analisis data penjualan setiap pengguna
Pengguna Kebutuhan Frekuensi
Kepala Bidang Pelayanan
Jumlah hasil penjualan per jenis data, per skala, dan berdasarkan kualifikasi pembeli.
Bulanan, tahunan
Kepala Unit Kerja Eselon II
Jumlah hasil penjualan per unit kerja masing-masing.
Bulanan, tahunan
Bagian Perencanaan
Jumlah hasil penjualan per jenis data dan per skala.
Bulanan, 3 bulanan, tahunan
Sekretaris Utama
Jumlah hasil penjualan setiap bulan dalam satu tahun, jumlah hasil penjualan per jenis data, per skala dan berdasarkan kualifikasi pembeli.
Bulanan, tahunan
2
tampilan data dan didukung dengan representasi data grafik yang dinamis.
Pembangunan data warehouse dan aplikasi OLAP berbasis web menggunakan PALO telah dilakukan pada penelitian sebelumnya (Herlambang A 2007; Permana A.Y 2008).
Tujuan
Penelitian ini bertujuan agar analisis data hasil penjualan produk surta tidak lagi dilakukan secara manual dan hasil analisis dapat lebih akurat. Untuk itu perlu membangun sebuah aplikasi berbasis web untuk pemesanan dengan menggunakan basis data MySQL versi 5.0.51a. Lalu data hasil pemesanan tersebut akan dibuat data warehouse dan sebuah aplikasi OLAP berbasis web untuk data penjualan di BAKOSURTANAL dengan menggunakan Palo 2.5 sebagai OLAP server.
Ruang Lingkup
Ruang lingkup penelitian dibatasi pada pembuatan prototipe data warehouse dan aplikasi OLAP berbasis web. Tahapan yang akan dilakukan pertama adalah proses pembangunan aplikasi pemesanan bagi pembeli. Kemudian dilakukan proses pembersihan data, integrasi data, transformasi data. dan dilanjutkan dengan implementasi operasi OLAP. Data yang digunakan adalah data penjualan produk BAKOSURTANAL tahun 2001 sampai 2007.
Manfaat
Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di BAKOSURTANAL dalam memberikan informasi konklusif, cepat dan menarik tentang hasil penjualan di BAKOSURTANAL. Selain itu dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.
TINJAUAN PUSTAKA
Data PraprosesData praproses merupakan proses yang harus dilakukan sebelum memasuki tahap pemrosesan membuat data warehouse. Data yang digunakan seringkali bersifat noisy (data tidak jelas atau rusak), incomplete (data kekurangan nilai atributnya atau hanya berisi data agregasi) dan inconsistent (tidak konsisten). Berikut adalah tahapan data praproses (Han dan Kamber 2006) :
1 Ekstraksi (extraction)
Ekstraksi adalah pengambilan data yang relevan dari basis data operasional sebelum masuk ke data warehouse. Pada ekstraksi, atribut-atribut dan record-record yang diinginkan dipilih dan diambil dari basis data operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam pembuatan keputusan.
2 Pembersihan (cleaning)
Pada pembersihan semua kesalahan dihilangkan dan diperbaiki. Pembersihan dilakukan untuk menghilangkan kesalahan (error). Kesalahan yang umum terjadi adalah nilai yang hilang (missing values), noise, dan data yang tidak konsisten. Pembersihan dilakukan dengan mengisi nilai yang kosong dan menghilangkan noise.
3 Transformasi (transformation)
Pada transformasi, data dari semua sumber diberikan format dan nama yang umum. Proses transformasi dilakukan agar data tetap konsisten. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada basis data yang berbeda. Setelah transformasi nama, semua elemen data harus dikonversikan ke format yang umum.
4 Pemuatan (loading)
Setelah tahap ekstraksi dan transformasi dilakukan, maka data sudah siap untuk dimasukkan ke data warehouse. Pada tahap ini juga dilakukan pengurutan dan pengecekan integritas.
5 Refresh
Tahapan ini dilakukan jika ada data baru yang masuk.
Data Warehouse
2
tampilan data dan didukung dengan representasi data grafik yang dinamis.
Pembangunan data warehouse dan aplikasi OLAP berbasis web menggunakan PALO telah dilakukan pada penelitian sebelumnya (Herlambang A 2007; Permana A.Y 2008).
Tujuan
Penelitian ini bertujuan agar analisis data hasil penjualan produk surta tidak lagi dilakukan secara manual dan hasil analisis dapat lebih akurat. Untuk itu perlu membangun sebuah aplikasi berbasis web untuk pemesanan dengan menggunakan basis data MySQL versi 5.0.51a. Lalu data hasil pemesanan tersebut akan dibuat data warehouse dan sebuah aplikasi OLAP berbasis web untuk data penjualan di BAKOSURTANAL dengan menggunakan Palo 2.5 sebagai OLAP server.
Ruang Lingkup
Ruang lingkup penelitian dibatasi pada pembuatan prototipe data warehouse dan aplikasi OLAP berbasis web. Tahapan yang akan dilakukan pertama adalah proses pembangunan aplikasi pemesanan bagi pembeli. Kemudian dilakukan proses pembersihan data, integrasi data, transformasi data. dan dilanjutkan dengan implementasi operasi OLAP. Data yang digunakan adalah data penjualan produk BAKOSURTANAL tahun 2001 sampai 2007.
Manfaat
Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di BAKOSURTANAL dalam memberikan informasi konklusif, cepat dan menarik tentang hasil penjualan di BAKOSURTANAL. Selain itu dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.
TINJAUAN PUSTAKA
Data PraprosesData praproses merupakan proses yang harus dilakukan sebelum memasuki tahap pemrosesan membuat data warehouse. Data yang digunakan seringkali bersifat noisy (data tidak jelas atau rusak), incomplete (data kekurangan nilai atributnya atau hanya berisi data agregasi) dan inconsistent (tidak konsisten). Berikut adalah tahapan data praproses (Han dan Kamber 2006) :
1 Ekstraksi (extraction)
Ekstraksi adalah pengambilan data yang relevan dari basis data operasional sebelum masuk ke data warehouse. Pada ekstraksi, atribut-atribut dan record-record yang diinginkan dipilih dan diambil dari basis data operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam pembuatan keputusan.
2 Pembersihan (cleaning)
Pada pembersihan semua kesalahan dihilangkan dan diperbaiki. Pembersihan dilakukan untuk menghilangkan kesalahan (error). Kesalahan yang umum terjadi adalah nilai yang hilang (missing values), noise, dan data yang tidak konsisten. Pembersihan dilakukan dengan mengisi nilai yang kosong dan menghilangkan noise.
3 Transformasi (transformation)
Pada transformasi, data dari semua sumber diberikan format dan nama yang umum. Proses transformasi dilakukan agar data tetap konsisten. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada basis data yang berbeda. Setelah transformasi nama, semua elemen data harus dikonversikan ke format yang umum.
4 Pemuatan (loading)
Setelah tahap ekstraksi dan transformasi dilakukan, maka data sudah siap untuk dimasukkan ke data warehouse. Pada tahap ini juga dilakukan pengurutan dan pengecekan integritas.
5 Refresh
Tahapan ini dilakukan jika ada data baru yang masuk.
Data Warehouse
3
Data warehouse menyediakan arsitektur dan alat bagi para eksekutif bisnis untuk mengatur secara sistematis, mengerti dan menggunakan data tersebut untuk pengambilan keputusan. Secara rinci dijelaskan oleh Han & Kamber (2006) bahwa data warehouse mempunyai empat karakteristik yaitu :
• Berorientasi subjek, terorganisasi pada subjek utama sesuai topik bisnis atau berdasarkan subjek dari organisasi.
• Terintegrasi, data dibangun dengan mengintegrasikan berbagai sumber data. Teknik pembersihan dan integrasi data dilakukan untuk memastikan kekonsistenan data dalam penamaan, struktur penyandian, pengukuran atribut dan lainnya.
• Time-variant, dimensi waktu secara eksplisit termasuk dalam data, jadi model dan perubahannya dapat diketahui setiap saat.
• Non-volatile, data terpisah dari basis data operasional sehingga hanya memerlukan pemuatan dan akses data. Data tidak dapat berubah atau tetap.
Model Data Multidimensi
Model data multidimensi menampilkan data dalam bentuk kubus data. Kubus data memungkinkan data dimodelkan dan ditampilkan dalam banyak dimensi. Kubus data disebut juga cuboid. Pola-pola cuboid dapat dibuat apabila diberikan satu kumpulan dimensi. Masing-masing pola menampilkan data pada tingkat kesimpulan yang berbeda-beda (Han & Kamber 2006).
Dimensi adalah perspektif atau entitas yang digunakan sebagai tempat menyimpan beberapa record yang saling berhubungan. Setiap dimensi memiliki tabel yang biasa disebut dengan tabel dimensi. Tabel dimensi dapat dispesifikasikan oleh pengguna atau para ahli, atau dihasilkan secara otomatis dan diatur berdasarkan distribusi data (Han & Kamber 2006).
Fakta adalah ukuran-ukuran numerik. Fakta merupakan kuantitas yang akan dianalisis hubungan antar dimensi. Tabel fakta berisi nama dari fakta (ukuran) dan keys dari tabel dimensi yang bersangkutan.
Untuk menggambarkan hubungan antar data pada data multidimensi digunakan skema multidimensi. Skema adalah sekumpulan objek dalam basis data. Pada data warehouse, skema
merupakan sekumpulan tabel yang berhubungan. Skema digunakan untuk menunjukkan hubungan antara tabel dimensi dengan tabel fakta. Skema ditentukan berdasarkan kebutuhan data warehouse dan keinginan pembuat data warehouse. Data warehouse membutuhkan skema yang ringkas dan berorientasi subjek. Tipe-tipe skema multidimensi antara lain (Han & Kamber 2006):
• Skema bintang (star schema)
Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabel-tabel dimensi. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat. Bentuk skema bintang dapat dilihat pada Gambar 1.
Gambar 1 Skema bintang (Han & Kamber 2006).
• Skema snowflake (snowflake schema) Skema snowflake adalah variasi dari skema bintang dimana beberapa tabel dimensi dinormalisasi, jadi 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 skema snowflake dapat dilihat pada Gambar 2.
4
kesalahan yang mungkin terjadi. Bentuk skema galaksi dapat dilihat pada Gambar 3.
Gambar 2 Skema snowflake (Han & Kamber 2006).
Gambar 3 Skema galaksi (Han & Kamber 2006).
Kubus Data
Kubus data merupakan data yang dimodelkan dan diperlihatkan dalam bentuk multidimensi yang terdefinisikan oleh dimensi-dimensi dan fakta-fakta (Han & Kamber 2006).
Kubus data adalah organisasi data ringkas yang merupakan view multidimensi dari suatu basis data, juga merupakan ruang data agregat yang setiap selnya menggambarkan himpunan nilai yang unik untuk dimensi yang berbeda. Dengan memakai kubus data, pengguna dapat menganalisis data dari berbagai sudut pandang dan sangat berperan dalam penyampaian informasi ringkas yang terorganisasi. Dalam implementasinya kubus data diturunkan dari tabel fakta dengan menggunakan atribut group-by.
Online Analytical Processing (OLAP)
Online Analytical Processing (OLAP) adalah proses komputer yang memungkinkan pengguna dapat dengan mudah dan selektif memilih dan melihat data dari sudut pandang yang berbeda (Han dan Kamber 2006). Data pada OLAP disimpan dalam basis data multidimensi. Basis data multidimensi terdiri atas banyak dimensi yang dapat dipisahkan oleh OLAP menjadi beberapa sub atribut.
Beberapa operasi OLAP adalah sebagai berikut (Han dan Kamber 2006) :
• Roll up (drill-up): ringkasan data, yaitu dengan menaikkan tingkat suatu hirarki atau mereduksi dimensi.
• Drill down (roll down): kebalikan dari roll up, yaitu melihat data secara lebih detail atau spesifik dari level tinggi ke level rendah.
• Slice and dice: slice adalah pemilihan pada satu dimensi dari kubus data yang bersangkutan dan dice mendefinisikan subcube dengan memilih dua dimensi atau lebih.
• Pivot (rotate): memvisualisasikan operasi yang merotasikan sumbu data dalam view sebagai alternatif presentasi data.
• Operasi lain: drill across yaitu operasi yang melibatkan lebih dari satu tabel fakta, drill through yaitu operasi yang mengijinkan pengguna untuk dapat melihat tabel data yang menampilkan nilai-nilai pada suatu sel data.
Ilustrasi operasi OLAP tersebut, dapat dilihat pada Gambar 4. Gambar 4 menunjukkan ilustrasi untuk operasi-operasi pada data multidimensi.
5
Arsitektur Three-Tier
Salah satu arsitektur data warehouse adalah arsitektur three-tier seperti pada Gambar 2 (Han & Kamber 2006), yaitu:
1 Lapisan bawah (bottom tier)
Lapisan bawah adalah server data warehouse yang biasanya sebuah sistem basis data relasional. Pada lapisan ini data diambil dari basis data operasional dan sumber eksternal lainnya, diekstrak, dibersihkan dan ditransformasi. Data disimpan sebagai data warehouse. 2 Lapisan tengah (middle tier)
Lapisan tengah OLAP server yang biasanya diimplementasikan dengan OLAP Relasional (ROLAP) atau OLAP Multidimensi (MOLAP).
3 Lapisan atas (top tier)
Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (seperti : analisis tren, prediksi dan lainnya).
Gambar 5 Arsitektur three-tier data warehouse (Han & Kamber 2006).
METODE PENELITIAN
Secara garis besar penelitian ini terdiri dari tiga kegiatan yaitu pembuatan aplikasi pemesanan, praproses data pemesanan tahun 2001-2007 dan pengembangan data warehouse.Pembuatan Aplikasi Pemesanan
Dari segi kebutuhan sistem, pengguna aplikasi pemesanan adalah pemesan yang
langsung datang ke Pusat Pelayanan Jasa dan Informasi BAKOSURTANAL dan staf pelayanan jika pemesan melakukan pemesanan melalui fax. Staf pelayanan juga sebagai administrator yang mengelola aplikasi ini. Aplikasi pemesanan adalah aplikasi berbasis web dengan menggunakan basis data MySQL versi 5.0.51a. Tujuan dari pembuatan aplikasi pemesanan adalah untuk melakukan masukan (input) pemesanan menggantikan lembar pemesanan manual.
Praproses Data Penjualan Tahun 2001-2007
Sebelum masuk ke pembuatan data warehouse, data harus diproses terlebih dahulu. Tahapan praproses meliputi :
1 Ekstraksi (extraction)
Data penjualan produk BAKSOURTANAL tahun 2001-2007 yang dikelola Pusat Pelayanan Jasa dan Informasi disimpan dalam Microsoft Excel dengan format Excel (.xls). Sebelum diubah menjadi file bertipe text document (.txt), dilakukan pemilihan atribut-atribut yang relevan. Kemudian data disimpan per bulan dan tahun tertentu..
Data yang berasal dari aplikasi pemesanan, tidak perlu lagi dilakukan tahap ekstraksi karena atribut-atribut yang akan dimasukkan dalam data warehouse sudah relevan.
2 Pembersihan (cleaning)
Pembersihan data penjualan produk BAKOSURTANAL tahun 2001-2007 dilakukan terhadap data atribut jenis data yang tidak konsisten penulisannya. Kondisi tersebut dapat diatasi dengan menyeragamkan nama jenis data. Pada data atribut yang bernilai null seperti atribut kualifikasi data penjualan 2001-2003 dilakukan pengisian dengan menuliskan “Tidak ada keterangan”. Di sisi lain input yang diberikan aplikasi pemesanan telah diperiksa oleh sistem. Dengan demikian tidak perlu dilakukan pembersihan data.
3 Transformasi (transformation)
5
Arsitektur Three-Tier
Salah satu arsitektur data warehouse adalah arsitektur three-tier seperti pada Gambar 2 (Han & Kamber 2006), yaitu:
1 Lapisan bawah (bottom tier)
Lapisan bawah adalah server data warehouse yang biasanya sebuah sistem basis data relasional. Pada lapisan ini data diambil dari basis data operasional dan sumber eksternal lainnya, diekstrak, dibersihkan dan ditransformasi. Data disimpan sebagai data warehouse. 2 Lapisan tengah (middle tier)
Lapisan tengah OLAP server yang biasanya diimplementasikan dengan OLAP Relasional (ROLAP) atau OLAP Multidimensi (MOLAP).
3 Lapisan atas (top tier)
Lapisan atas adalah lapisan front-end client, berisi query dan perangkat analisis, dan atau perangkat data mining (seperti : analisis tren, prediksi dan lainnya).
Gambar 5 Arsitektur three-tier data warehouse (Han & Kamber 2006).
METODE PENELITIAN
Secara garis besar penelitian ini terdiri dari tiga kegiatan yaitu pembuatan aplikasi pemesanan, praproses data pemesanan tahun 2001-2007 dan pengembangan data warehouse.Pembuatan Aplikasi Pemesanan
Dari segi kebutuhan sistem, pengguna
langsung datang ke Pusat Pelayanan Jasa dan Informasi BAKOSURTANAL dan staf pelayanan jika pemesan melakukan pemesanan melalui fax. Staf pelayanan juga sebagai administrator yang mengelola aplikasi ini. Aplikasi pemesanan adalah aplikasi berbasis web dengan menggunakan basis data MySQL versi 5.0.51a. Tujuan dari pembuatan aplikasi pemesanan adalah untuk melakukan masukan (input) pemesanan menggantikan lembar pemesanan manual.
Praproses Data Penjualan Tahun 2001-2007
Sebelum masuk ke pembuatan data warehouse, data harus diproses terlebih dahulu. Tahapan praproses meliputi :
1 Ekstraksi (extraction)
Data penjualan produk BAKSOURTANAL tahun 2001-2007 yang dikelola Pusat Pelayanan Jasa dan Informasi disimpan dalam Microsoft Excel dengan format Excel (.xls). Sebelum diubah menjadi file bertipe text document (.txt), dilakukan pemilihan atribut-atribut yang relevan. Kemudian data disimpan per bulan dan tahun tertentu..
Data yang berasal dari aplikasi pemesanan, tidak perlu lagi dilakukan tahap ekstraksi karena atribut-atribut yang akan dimasukkan dalam data warehouse sudah relevan.
2 Pembersihan (cleaning)
Pembersihan data penjualan produk BAKOSURTANAL tahun 2001-2007 dilakukan terhadap data atribut jenis data yang tidak konsisten penulisannya. Kondisi tersebut dapat diatasi dengan menyeragamkan nama jenis data. Pada data atribut yang bernilai null seperti atribut kualifikasi data penjualan 2001-2003 dilakukan pengisian dengan menuliskan “Tidak ada keterangan”. Di sisi lain input yang diberikan aplikasi pemesanan telah diperiksa oleh sistem. Dengan demikian tidak perlu dilakukan pembersihan data.
3 Transformasi (transformation)
6
tanggal, bulan dan tahun, akan diubah menjadi bulan dan tahun saja.
Pada aplikasi pemesanan transformasi telah dilakukan. Pengguna akan dibantu oleh sistem dengan memilih format penulisan tanggal yang sesuai dari basis data.
4 Pemuatan (loading)
Pada tahap ini data sudah siap untuk dimasukkan ke data warehouse.
5 Refresh
Tahapan ini dilakukan jika ada data baru yang masuk.
Pengembangan Data Warehouse
Penelitian ini akan dilakukan dalam beberapa tahap yaitu tahap analisis, perancangan dan pembangunan data warehouse, dan pembangunan aplikasi OLAP. Tahap-tahap tersebut diantaranya :
1 Analisis
Pengguna aplikasi OLAP berbasis web adalah kepala bagian pelayanan sebagai pengguna biasa dan staf pelayanan sebagai administrator. Untuk mengelola aplikasi OLAP administrator memiliki akses langsung ke sistem manajemen basis data MySQL dimana data penjualan ditempatkan serta ke modul Palo dimana data warehouse tersebut dikelola.
Kepala bagian pelayanan sebagai pengguna biasa dan pengambil keputusan, dapat berinteraksi dengan sistem melalui antarmuka grafis berbasis web. Fasilitas sistem yang dapat dimanfaatkan, yaitu :
• Memilih dimensi / atribut melalui kotak drop-down list.
• Menampilkan data dalam bentuk grafik bar, pie dan line.
Sebelum ke proses pembangunan aplikasi OLAP dilakukan analisis nilai dan atribut untuk mendapatkan atribut-atribut yang tepat dalam pembuatan data warehouse.
2 Perancangan dan Pembangunan Data Warehouse
Tahap pembuatan data warehouse meliputi:
a Pendefinisian Dimensi
Pada tahap ini didefinisikan dimensi yang akan digunakan dalam pembuatan data warehouse. Dimensi yang terlibat adalah dimensi waktu, dimensi jenis data, dimensi kualifikasi dan dimensi skala.
b Pendefinisian Kubus Data dan Perancangan Model Data Multidimensi.
Pada tahap ini akan ditentukan skema kubus data yang akan digunakan, yaitu skema galaksi.
c Pendefinisian Level Dimensi atau Hirarki
Untuk masing-masing dimensi akan ditentukan tingkat perincian yang diperlukan berserta hirarki yang membentuknya. Dengan data yang ada dimensi waktu dapat disusun dalam tiga level yaitu tahun > triwulan > bulan. Dimensi jenis data memiliki dua level yaitu nama unit kerja dan nama jenis data. Dimensi kualifikasi memiliki satu level yaitu jenis kualifikasi. Dimensi skala memiliki satu level yaitu skala.
d Pendefinisian Measure
Pada tahap ini ditentukan ukuran yang akan dianalisis pada data penjualan BAKOSURTANAL.
e Pendefinisian Fungsi Agregat
Pada tahap ini didefinisikan fungsi agregat numerik yang digunakan yaitu fungsi SUM (penjumlahan).
f Pembuatan Data warehouse
Data warehouse akan dikembangkan menggunakan Palo Server 2.5. 3 Pembangunan Aplikasi OLAP
Langkah pertama dalam pembangunan aplikasi yaitu pembuatan struktur kubus data di OLAP server Palo. Pembuatan struktur kubus data dilakukan pada Palo Excel Add-in.
7
Palo. Di sisi lain data dari aplikasi pemesanan yang telah tersimpan dalam MySQL, dengan bantuan MySQL Connector ODBC dapat di-import juga menggunakan fasilitas Data Import dari Excel Add-In Palo.
Pembuatan aplikasi OLAP berbasis web diimplementasikan menggunakan bahasa pemrograman PHP, Palo PHP API, dan Javascript. Koneksi PHP ke Palo menggunakan library tambahan yang terdapat di dalam package Palo 2.5 SDK. Penambahan library dilakukan agar fungsi-fungsi Palo dapat dijalankan melalui script PHP. Tampilan antarmuka menggunakan kode HTML (Hypertext Markup Language) dan CSS (Cascading Style Sheet).
Visualisasi hasil operasi OLAP (summary) ditampilkan melalui web dalam bentuk grafik. Grafik yang ditampilkan adalah bar, pie dan line.
Pembuatan aplikasi OLAP berbasis web tersebut telah dibangun pada penelitian sebelumnya (Herlambang A 2007; Permana A.Y 2008). Sehingga aplikasi telah siap digunakan untuk penelitian ini.
Gambar 6 menunjukkan arsitektur aplikasi OLAP berbasis web, yang dapat dijelaskan sebagai berikut:
1 Pemrosesan data dan pembuatan skema data warehouse dengan Microsoft Excel dan MySQL.
2 Pembentukan struktur kubus data dilakukan di Palo Excel Add-In.
3 Pengisian struktur kubus data yang sudah terbentuk dengan data dari data warehouse melalui fasilitas Data Import di Palo Excel Add-In.
4 Web server mengakses kubus data Palo server melalui Palo PHP API. Aplikasi OLAP menggunakan library JpGraph untuk menampilkan grafik.
Lingkungan Pengembangan
Kebutuhan antarmuka yang direncanakan bagi aplikasi pemesanan berbasis web untuk pembelian sebagai berikut :
1 Perangkat lunak
Perangkat lunak yang dibutuhkan :
• Sistem Operasi Microsoft Windows XP
• Web server package XAMPP versi 2.5 • Bahasa pemrograman PHP 5.1.2
• MySQL versi 5.0.51a
• Web browser Mozilla Firefox 3.0 2 Perangkat keras
Spesifikasi minimal :
• Memory 512 MB DDR RAM
• Harddisk 40 GB
• Monitor 15” dengan resolusi 1024x768
• Mouse dan keyboard
Gambar 6 Arsitektur aplikasi OLAP berbasis web (Sumber: diadopsi dari Herlambang 2007).
Namun demikian, untuk aplikasi OLAP berbasis web dibangun dengan menggunakan perangkat sebagai berikut :
1 Perangkat lunak
Perangkat lunak yang dibutuhkan :
8
• Microsoft Excel 2003 (perangkat lunak untuk membantu pembuatan data warehouse)
• Palo Server 2.5 (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan kubus data multidimensi)
• Web server package XAMPP versi 2.5
• Bahasa pemrograman PHP 5.1.2
• JpGraph 1.205 (library PHP untuk menghasilkan grafik)
• Web browser Mozilla Firefox 3.0 • MySQL Connector ODBC 5.1 2 Perangkat keras
Spesifikasi minimal :
• Memory 512 MB DDR RAM
• Harddisk 80 GB
• Monitor 15” dengan resolusi 1024x768
• Mouse dan keyboard
HASIL DAN PEMBAHASAN
Pembuatan Aplikasi PemesananAplikasi pemesanan dibangun dengan menggunakan bahasa pemrograman PHP dan basis data MySQL. Tujuan dari pembangunan aplikasi ini adalah sebagai alat bantu atau tools yang mempermudah pemesan untuk mengisi data produk yang akan dipesan. Dengan demikian, data input dari pemesan bisa langsung tersimpan dalam basis data. Kemampuan dari aplikasi ini adalah :
• Pemesanan produk bisa dilakukan secara online.
• Staf pelayanan tidak perlu menginput ulang data pemesanan.
• Menyimpan data penjualan ke dalam basis data, sehingga relatif rapi dan aman.
Desain aplikasi pemesanan meliputi:
• Perancangan Input
Input aplikasi ini adalah data pemesanan produk surta yang harus diisi oleh pemesan. Untuk menjaga kekonsistenan
data input, pengguna aplikasi akan dibantu dengan memilih isian dari beberapa pilihan yang telah disediakan sistem.
• Perancangan Proses
Proses yang dijalankan adalah proses menyimpan data input ke dalam basis data. Apabila form pemesanan sudah lengkap terisi, maka data akan berhasil disimpan. Administrator dapat melihat data pemesanan yang telah tersimpan, melalui aplikasi ini.
• Perancangan Output
Output yang dihasilkan adalah tabel data pemesanan dan tabel jenis produk yang tersedia. Juga dapat menampilkan crosstab dan grafik dari hasil aplikasi OLAP.
Praproses Data Pemesanan Tahun 2001-2007
Pada penelitian ini, data sumber diperoleh dengan format Excel (.xls). Data yang digunakan adalah data penjualan produk surta tiap bulan tahun 2001-2007. Data penjualan pada tahun 2001-2003 tidak memiliki atribut kualifikasi pembeli. Dari data ini, kemudian dipilih atribut-atribut yang akan digunakan untuk membuat data warehouse. Atribut dipilih berdasarkan kebutuhan analisis data penjualan setiap pengguna.
1 Ekstraksi (extraction)
Proses ekstraksi diawali dengan menggabungkan data tiap bulan menjadi satu file. Kemudian atribut-atribut yang tidak terpilih atau tidak relevan dibuang. Pemilihan atribut berdasarkan subjek utama yang akan dianalisis untuk proses pengambilan keputusan. Atribut yang digunakan dapat dilihat pada Tabel 2.
Tabel 2 Atribut hasil ekstraksi data dan deskripsi tiap atribut
Atribut Deskripsi
Tanggal Menyatakan tanggal pemesanan
Kualifikasi Nama kualifikasi
Jenis data Nama jenis data
Skala Nilai skala
Jumlah lembar Menyatakan jumlah lembar
8
• Microsoft Excel 2003 (perangkat lunak untuk membantu pembuatan data warehouse)
• Palo Server 2.5 (berfungsi sebagai OLAP server yang melakukan fungsi agregasi dan tempat penyimpanan struktur dan kubus data multidimensi)
• Web server package XAMPP versi 2.5
• Bahasa pemrograman PHP 5.1.2
• JpGraph 1.205 (library PHP untuk menghasilkan grafik)
• Web browser Mozilla Firefox 3.0 • MySQL Connector ODBC 5.1 2 Perangkat keras
Spesifikasi minimal :
• Memory 512 MB DDR RAM
• Harddisk 80 GB
• Monitor 15” dengan resolusi 1024x768
• Mouse dan keyboard
HASIL DAN PEMBAHASAN
Pembuatan Aplikasi PemesananAplikasi pemesanan dibangun dengan menggunakan bahasa pemrograman PHP dan basis data MySQL. Tujuan dari pembangunan aplikasi ini adalah sebagai alat bantu atau tools yang mempermudah pemesan untuk mengisi data produk yang akan dipesan. Dengan demikian, data input dari pemesan bisa langsung tersimpan dalam basis data. Kemampuan dari aplikasi ini adalah :
• Pemesanan produk bisa dilakukan secara online.
• Staf pelayanan tidak perlu menginput ulang data pemesanan.
• Menyimpan data penjualan ke dalam basis data, sehingga relatif rapi dan aman.
Desain aplikasi pemesanan meliputi:
• Perancangan Input
Input aplikasi ini adalah data pemesanan produk surta yang harus diisi oleh
data input, pengguna aplikasi akan dibantu dengan memilih isian dari beberapa pilihan yang telah disediakan sistem.
• Perancangan Proses
Proses yang dijalankan adalah proses menyimpan data input ke dalam basis data. Apabila form pemesanan sudah lengkap terisi, maka data akan berhasil disimpan. Administrator dapat melihat data pemesanan yang telah tersimpan, melalui aplikasi ini.
• Perancangan Output
Output yang dihasilkan adalah tabel data pemesanan dan tabel jenis produk yang tersedia. Juga dapat menampilkan crosstab dan grafik dari hasil aplikasi OLAP.
Praproses Data Pemesanan Tahun 2001-2007
Pada penelitian ini, data sumber diperoleh dengan format Excel (.xls). Data yang digunakan adalah data penjualan produk surta tiap bulan tahun 2001-2007. Data penjualan pada tahun 2001-2003 tidak memiliki atribut kualifikasi pembeli. Dari data ini, kemudian dipilih atribut-atribut yang akan digunakan untuk membuat data warehouse. Atribut dipilih berdasarkan kebutuhan analisis data penjualan setiap pengguna.
1 Ekstraksi (extraction)
Proses ekstraksi diawali dengan menggabungkan data tiap bulan menjadi satu file. Kemudian atribut-atribut yang tidak terpilih atau tidak relevan dibuang. Pemilihan atribut berdasarkan subjek utama yang akan dianalisis untuk proses pengambilan keputusan. Atribut yang digunakan dapat dilihat pada Tabel 2.
Tabel 2 Atribut hasil ekstraksi data dan deskripsi tiap atribut
Atribut Deskripsi
Tanggal Menyatakan tanggal pemesanan
Kualifikasi Nama kualifikasi
Jenis data Nama jenis data
Skala Nilai skala
Jumlah lembar Menyatakan jumlah lembar
9
Untuk data dari aplikasi pemesanan, atribut-atribut yang dimiliki sudah relevan sehingga tidak perlu lagi dilakukan ekstraksi data. Atribut dalam tabel basis data sudah dipilih berdasarkan subjek utama yang akan dianalisis untuk proses pengambilan keputusan.
2 Pembersihan (cleaning)
Proses pembersihan data dilakukan dengan mengidentifikasi data yang kosong (null), mengandung noise dan tidak konsisten karena proses pengentrian data sumber. Nilai atribut kualifikasi data penjualan tahun 2001-2003 tidak ada. Untuk mengatasi hal ini, maka dilakukan pengisian data atribut kualifikasi dengan nama ‘Tidak ada keterangan’.
Pada beberapa tuple juga ditemukan nilai atribut yang masih kosong, akan tetapi data produk yang dibeli, jumlah lembar dan jumlah harga telah terisi. Hal ini dikarenakan dalam satu nomor faktur bisa digunakan untuk memesan lebih dari satu produk. Untuk itu atribut tanggal dan kualifikasi yang masih kosong diisi dengan nilai atribut pada nomor faktur yang sama.
Penyeragaman nilai dilakukan pada atribut jenis data. Penulisan nama jenis data diseragamkan menjadi nama yang umum. Misalnya jenis data ‘Repprot’ seharusnya adalah ‘REPPORT’. Nama jenis data Atlas yang dapat terdiri dari beberapa tema, misalnya ‘Atlas NKRI’ dan ‘Atlas Dunia’, diseragamkan dengan nama ‘Buku Atlas’.
Setelah dilakukan proses pembersihan, nilai atribut yang kosong akan terisi dan nilai tiap atribut akan seragam.
3 Transformasi (transformation)
Pada tahap ini dilakukan konversi untuk atribut tanggal. Atribut tanggal akan dibagi menjadi atribut waktu yang terdiri dari bulan dan tahun. Penulisan bulan yang semula berupa angka akan diubah menjadi huruf dengan mengambil 3 digit awal dari nama bulan dan diikuti empat digit nilai tahun. Hal ini dilakukan untuk membantu proses analisis.
Tahap transformasi terakhir adalah melakukan konstruksi tabel-tabel dimensi. Keempat tabel dimensi tersebut dibuat dengan nama waku, jenis_data, kualifikasi dan skala. Tabel dimensi waktu dibuat dari konversi tanggal, dimana dua digit bulan diidentifikasi sebagai bulan dan dua digit terakhir dari tanggal diidentifikasi sebagai tahun.
4 Pemuatan (loading)
Data yang sudah mengalami ekstraksi, pembersihan dan transformasi sudah siap digunakan untuk pembuatan data warehouse. Data penjualan produk tahun 2001-2007 di-load ke kubus data OLAP server Palo dengan format .txt. Sedangkan data dari aplikasi pemesanan di-load ke kubus data OLAP server Palo dengan cara meng-import data MySQL. 5 Refresh
Refresh data akan dilakukan ketika ada data baru yang dimasukkan. Data tersebut adalah data yang berasal dari aplikasi pemesanan.
Perancangan dan Pembangunan Data Warehouse
Setelah tahap praproses, maka data telah siap dibangun menjadi data warehouse. Tahap pembuatan data warehouse meliputi beberapa tahap, yaitu :
1 Pendefinisian Dimensi
Berdasarkan hasil data praproses maka dimensi yang terlibat adalah dimensi waktu, dimensi jenis data, dimensi kualifikasi dan dimensi skala.
2 Pendefinisian Kubus Data dan Perancangan Model Data Multidimensi.
10
Import dari Excel Add-In Palo. Nama dan deskripsi dari kubus data dapat dilihat pada Tabel 3 dan Tabel 4.
3 Pendefinisian Level Dimensi atau Hirarki
Untuk masing-masing dimensi ditentukan tingkat perincian yang diperlukan beserta hirarki yang membentuknya. Model hirarki setiap dimensi dapat dilihat pada Lampiran 6. Dimensi waktu dapat disusun dalam tiga level yaitu tahun > triwulan > bulan. Dimensi jenis data memiliki dua level yaitu nama unit kerja dan nama data. Dimensi kualifikasi memiliki satu level yaitu jenis kualifikas. Dimensi skala memiliki satu level yaitu skala. Adapun data dalam tabel dimensi dapat dilihat pada Lampiran 7.
4 Pendefinisian Measure
Pada tahap ini ditentukan measure yang akan dianalisis pada data penjualan produk surta BAKOSURTANAL. Measure yang dipilih yaitu:
• Jumlah lembar, dipilih sebagai measure untuk mengetahui jumlah lembar produk yang terjual pada bulan dan tahun tertentu.
• Jumlah harga, dipilih sebagai measure untuk mengetahui jumlah rupiah yang diperoleh dari
penjualan produk pada bulan dan tahun tertentu.
Tabel 3 Nama dan deskripsi dimensi dari kubus Lembar Penjualan
Nama Dimensi Deskripsi
Waktu Bulan dan tahun pemesanan
Jenis_data Nama jenis produk
Kualifikasi Kualifikasi pemesan
Skala Nilai skala
Ukuran Jml_lembar
Nama ukuran (jumlah lembar)
Tabel 4 Nama dan deskripsi dimensi dari kubus Harga Penjualan
Nama Dimensi Deskripsi
Waktu Bulan dan tahun pemesanan
Jenis_data Nama jenis produk
Kualifikasi Kualifikasi pemesan
Ukuran Jml_harga
Nama ukuran (jumlah harga)
11
5 Pendefinisian Fungsi Agregat
Fungsi agregat yang digunakan dalam data warehouse penjualan produk BAKOSURTANAL adalah SUM (penjumlahan) untuk semua measure. Sum untuk jumlah lembar dan jumlah harga pada tiap bulan.
6 Pembuatan Data warehouse
Data warehouse dibuat menggunakan Palo Server 2.5.
Pembangunan Aplikasi OLAP
Tahap pengembangan OLAP meliputi:
1 Desain
Aplikasi OLAP yang dibuat menyediakan fasilitas-fasilitas berikut :
• Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan dimensi-dimensi yang akan ditampilkan untuk dianalisis.
• Filter dimensi, fungsi ini menyaring dimensi yang ditampilkan pada sumbu x dan sumbu y untuk menampilkan elemen-elemen tertentu dari dimensi. Dimensi lainnya dapat dipilih satu elemen dari tiap-tiap dimensi.
• Visualisasi Crosstab dan Graph, dimana data hasil operasi OLAP yang dilakukan pengguna dapat ditampilkan ke dalam bentuk crosstab dan grafik. Grafik yang ditampilkan berupa bar plot atau line plot.
Tampilan aplikasi pemesanan dan aplikasi OLAP dapat dilihat pada Lampiran 8.
2 Implementasi
Implementasi operasi-operasi OLAP yaitu:
• Operasi roll up pada waktu, yaitu triwulan (roll up) ke tahun. Contoh roll up untuk mengetahui jumlah lembar tiap tahun. Roll up dimensi waktu dari tingkat triwulan menjadi tingkat tahun untuk mengetahui jumlah lembar produk surta yang terjual per tahun.
Implementasi roll up dapat dilihat pada Lampiran 9.
• Operasi drill down dilakukan untuk mengetahui jumlah lembar dan jumlah harga hasil penjualan produk surta yang lebih rinci. Misalnya untuk mengetahui jumlah lembar pada masing-masing jenis data. Implementasi operasi drill down dapat dilihat pada Lampiran 10.
• Operasi Slice dan dice dilakukan melihat keadaan jumlah lembar dan jumlah harga hasil penjualan pada waktu tertentu, jenis data dan skala tertentu atau kualifikasi tertentu. Contoh slice dapat dilihat pada Lampiran 11. Pada Lampiran 11, jumlah lembar setiap skala pada tahun 2007. Contoh dice dapat dilihat pada Lampiran 12. Pada Lampiran 12, jumlah lembar penjualan produk dari unit kerja PDRTR dan PSSDAD pada tahun 2006 dan 2007.
KESIMPULAN DAN SARAN
KesimpulanDengan Pembangunan data warehouse dan OLAP berbasis web data penjualan peta BAKOSURTANAL, proses analisis hasil penjualan produk surta tidak lagi dilakukan secara manual. Hasil analisis yang dihasilkan lebih akurat dan dapat divisualisasikan dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart. Pengambil keputusan bisa melihat hasil penjualan dengan mudah dan dapat dilakukan sewaktu-waktu karena diakses melalui web.
Aplikasi pemesanan berbasis web membantu proses pemesanan produk surta agar tidak dilakukan secara manual. Dengan demikian, data penjualan produk surta dapat tersimpan dengan baik dalam basis data. Format penulisan data sudah seragam dan tidak ada lagi noise atau data null.
Saran
Saran untuk penelitian selanjutnya adalah : 1. Data baru dalam basis data MySQL
11
5 Pendefinisian Fungsi Agregat
Fungsi agregat yang digunakan dalam data warehouse penjualan produk BAKOSURTANAL adalah SUM (penjumlahan) untuk semua measure. Sum untuk jumlah lembar dan jumlah harga pada tiap bulan.
6 Pembuatan Data warehouse
Data warehouse dibuat menggunakan Palo Server 2.5.
Pembangunan Aplikasi OLAP
Tahap pengembangan OLAP meliputi:
1 Desain
Aplikasi OLAP yang dibuat menyediakan fasilitas-fasilitas berikut :
• Menu OLAP, dimana pengguna dapat menentukan kubus data, ukuran, dan dimensi-dimensi yang akan ditampilkan untuk dianalisis.
• Filter dimensi, fungsi ini menyaring dimensi yang ditampilkan pada sumbu x dan sumbu y untuk menampilkan elemen-elemen tertentu dari dimensi. Dimensi lainnya dapat dipilih satu elemen dari tiap-tiap dimensi.
• Visualisasi Crosstab dan Graph, dimana data hasil operasi OLAP yang dilakukan pengguna dapat ditampilkan ke dalam bentuk crosstab dan grafik. Grafik yang ditampilkan berupa bar plot atau line plot.
Tampilan aplikasi pemesanan dan aplikasi OLAP dapat dilihat pada Lampiran 8.
2 Implementasi
Implementasi operasi-operasi OLAP yaitu:
• Operasi roll up pada waktu, yaitu triwulan (roll up) ke tahun. Contoh roll up untuk mengetahui jumlah lembar tiap tahun. Roll up dimensi waktu dari tingkat triwulan menjadi tingkat tahun untuk mengetahui jumlah lembar produk surta yang terjual per tahun.
Implementasi roll up dapat dilihat pada Lampiran 9.
• Operasi drill down dilakukan untuk mengetahui jumlah lembar dan jumlah harga hasil penjualan produk surta yang lebih rinci. Misalnya untuk mengetahui jumlah lembar pada masing-masing jenis data. Implementasi operasi drill down dapat dilihat pada Lampiran 10.
• Operasi Slice dan dice dilakukan melihat keadaan jumlah lembar dan jumlah harga hasil penjualan pada waktu tertentu, jenis data dan skala tertentu atau kualifikasi tertentu. Contoh slice dapat dilihat pada Lampiran 11. Pada Lampiran 11, jumlah lembar setiap skala pada tahun 2007. Contoh dice dapat dilihat pada Lampiran 12. Pada Lampiran 12, jumlah lembar penjualan produk dari unit kerja PDRTR dan PSSDAD pada tahun 2006 dan 2007.
KESIMPULAN DAN SARAN
KesimpulanDengan Pembangunan data warehouse dan OLAP berbasis web data penjualan peta BAKOSURTANAL, proses analisis hasil penjualan produk surta tidak lagi dilakukan secara manual. Hasil analisis yang dihasilkan lebih akurat dan dapat divisualisasikan dalam tiga jenis tampilan, yaitu tampilan grafik batang, grafik garis dan pie chart. Pengambil keputusan bisa melihat hasil penjualan dengan mudah dan dapat dilakukan sewaktu-waktu karena diakses melalui web.
Aplikasi pemesanan berbasis web membantu proses pemesanan produk surta agar tidak dilakukan secara manual. Dengan demikian, data penjualan produk surta dapat tersimpan dengan baik dalam basis data. Format penulisan data sudah seragam dan tidak ada lagi noise atau data null.
Saran
Saran untuk penelitian selanjutnya adalah : 1. Data baru dalam basis data MySQL
12
2. Ditambahkan proses-proses OLAP untuk filter data dan dapat ditampilkan dalam aplikasi OLAP.
3. Dikembangkan informasi untuk mengetahui jumlah hasil penjualan dari masing-masing lokasi outlet.
4. Ditambahkan fungsi agregat untuk mengetahui rata-rata hasil penjualan dan nilai tertinggi atau terendah dari hasil penjualan.
DAFTAR PUSTAKA
Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Fransisco : Morgan Kaufmann Publisher.
Herlambang A. 2007. Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web Menggunakan Palo [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Permana A.Y. 2008. Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer IPB Berbasis Web Menggunakan Palo 2.0 [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Wisudawan D.K. 2007. Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor Menggunakan Oracle Data Warehouse. [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
PROTOTIPE
DATA WAREHOUSE
DATA PENJUALAN PRODUK
BAKOSURTANAL
SITI NURHASANAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
12
2. Ditambahkan proses-proses OLAP untuk filter data dan dapat ditampilkan dalam aplikasi OLAP.
3. Dikembangkan informasi untuk mengetahui jumlah hasil penjualan dari masing-masing lokasi outlet.
4. Ditambahkan fungsi agregat untuk mengetahui rata-rata hasil penjualan dan nilai tertinggi atau terendah dari hasil penjualan.
DAFTAR PUSTAKA
Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Fransisco : Morgan Kaufmann Publisher.
Herlambang A. 2007. Pembangunan Data Warehouse dan Aplikasi OLAP Berbasis Web Menggunakan Palo [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Permana A.Y. 2008. Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer IPB Berbasis Web Menggunakan Palo 2.0 [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
Wisudawan D.K. 2007. Pembuatan Data Warehouse Potensi Desa di Wilayah Bogor Menggunakan Oracle Data Warehouse. [Skripsi]. Bogor: Departemen Ilmu Komputer, FMIPA, Institut Pertanian Bogor.
PROTOTIPE
DATA WAREHOUSE
DATA PENJUALAN PRODUK
BAKOSURTANAL
SITI NURHASANAH
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PROTOTIPE
DATA WAREHOUSE
DATA PENJUALAN PRODUK
BAKOSURTANAL
SITI NURHASANAH
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
ABSTRACT
SITI NURHASANAH. Data Warehouse Prototype of BAKOSURTANAL’s Sales Product. Under direction of HARI AGUNG ADRIANTO.
National Coordinating Agency on Surveys and Mapping (BAKOSURTANAL) is a non ministry government agency authorized to conduct governance duty in the field of surveys and mapping. BAKOSURTANAL holds the prime role in the distribution and services of maps to the public. One of BAKOSURTANAL activity is selling maps, atlas, and other products required by its stakeholders. The reports of sales revenue are not only necessary to improve services, but also can be used to know the exact amount of sales revenues in BAKOSURTANAL. The process of analyzing data of sales is still done manually by looking at the existing data of sales. This way of data processing leads to a less accurate result, and also requires significant time and efforts. Building OLAP application integrated with data warehouse is one way to analyze and to have the knowledge of sales revenues with different point of view.
This research is intended to make the data analyzing on surveys and mapping’s sales products no longer done manually, so the result can be more accurate. The steps require : covering, pre data processing, designing and developing of data warehouse, continued with developing of OLAP application. Data warehouse is developed using the galaxy scheme. This research yields in forming four dimensions (Time, Data Classification, Qualification, and Scale) and the two facts (sale_sheet and sale_price).
The development of data warehouse of BAKOSURTANAL’s sale products produces two data cubes, which are the sale sheet data cube and the sale price data cube. The two data cubes can be visualized quickly and accurately in three forms of graphics and charts using the OLAP Palo 2.5. The operations of OLAP conducted on the data cubes are roll-up, drill-down, dice, and slice.
Judul Skripsi : Prototipe Data Warehouse Data Penjualan Produk BAKOSURTANAL Nama : Siti Nurhasanah
NIM : G64066041
Menyetujui:
Pembimbing,
Hari Agung Adrianto, S.Kom, M.Si NIP 132 311 918
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. drh. Hasim, DEA NIP 196103281986011002
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 2 Juni 1983 di Jakarta. Penulis adalah anak pertama dari tiga bersaudara pasangan bapak Nurtjahyo dan ibu Siti Julaeha. Tahun 2004, penulis lulus dari D3 Teknik Informatika STT Telkom Bandung, kemudian pada tahun 2007 penulis diterima sebagai mahasiswa di Program Sarjana Ilmu Komputer Penyelenggaraan Khusus, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
PRAKATA
Puji dan syukur kehadirat Allah SWT yang telah memberikan rahmat, tuntunan dan kemurahan-Nya kepada penulis untuk dapat menyelesaikan penelitian ini. Akhirnya, skripsi dengan judul Prototipe Data Warehouse Data Penjualan Produk BAKOSURTANAL”, yang disusun sebagai salah satu syarat untuk mengikuti ujian akhir sarjana pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor, dapat diselesaikan.
Dalam pengerjaan penelitian ini penulis memiliki banyak kesulitan dan hambatan oleh karena itu penulis mengucapkan terima kasih kepada dosen dan rekan-rekan yang telah membantu dalam menyelesaikan penelitian ini. Dengan tulus penulis mengucapkan terima kasih kepada :
1. Bapak Hari Agung Adrianto, S.Kom, M.Si., selaku pembimbing yang telah bersedia meluangkan waktu untuk memberikan bimbingan dan masukkan yang sangat bermanfaat dalam penyusunan penelitian ini.
2. Bapak Arif Ramadhan, S.Kom, dan Ibu Utsri Yustina P, S.Kom. yang bersedia menjadi penguji pada sidang ujian akhir penulis.
3. Bapak/Ibu Dosen Institut Pertanian Bogor yang telah memberikan ilmunya pada penulis selama belajar di Institut Pertanian Bogor ini.
4. Orang tua tercinta dan adik-adikku tersayang, yang telah memberikan segalanya. Sayangnya, cintanya, dukungannya serta do’a yang selalu menyertai penulis.
5. Rekan-rekan mahasiswa/i Ekstensi Ilkom Angkatan 1, terima kasih atas kebersamaan dan kerja samanya.
Akhirnya, sebagai seorang manusia biasa, penulis menyadari pasti ada kekurangan dan kelemahan yang terdapat pada penelitian ini. Untuk itu, penulis terbuka terhadap kritik dan saran dari semua pihak. Dan semoga penelitian ini dapat bermanfaat bagi kita semua. Amin.
Bogor, Agustus 2009
DAFTAR ISI
Halaman
DAFTAR GAMBAR ...vi
DAFTAR TABEL ...vi
DAFTAR LAMPIRAN...vi
PENDAHULUAN ... 1 Latar Belakang... 1 Tujuan ... 2 Ruang Lingkup ... 2 Manfaat ... 2
TINJAUAN PUSTAKA ... 2 Data Praproses ... 2 Data Warehouse... 2 Model Data Multidimensi ... 3 Kubus data ... 3 Online Analytical Processing (OLAP)... 4 Arsitektur Three-Tier... 5 METODE PENELITIAN ... 5
Pembuatan Aplikasi Pemesanan ... 5 Praproses Data Penjualan Tahun 2001-2007 ... 5 Pengembangan Data Warehouse... 6 Lingkungan Pengembangan ... 7
HASIL DAN PEMBAHASAN ... 8 Pembuatan Aplikasi Pemesanan ... 8 Praproses Data Pemesanan Tahun 2001-2007 ... 8 Perancangan dan Pembangunan Data Warehouse... 9 Pembangunan Aplikasi OLAP ... 11
KESIMPULAN DAN SARAN ... 11 Kesimpulan ... 11 Saran ... 11
DAFTAR PUSTAKA ... 12
DAFTAR GAMBAR
Halaman
1 Skema bintang (Han & Kamber 2006)... 3 2 Skema snowflake (Han & Kamber 2006) ... 4 3 Skema galaksi (Han & Kamber 2006) ... 4 4 Ilustrasi untuk operasi-operasi pada data multidimensi ... 4 5 Arsitektur three-tier data warehousing (Han & Kamber 2006)... 5 6 Arsitektur aplikasi OLAP berbasis web (Sumber: diadopsi dari Herlambang 2007)... 7 7 Skema Galaksi dengan tabel fakta lembar_penjualan dan harga_penjualan ... 10
DAFTAR TABEL
Halaman
1 Kebutuhan analisis data penjualan setiap pengguna ... 1 2 Atribut hasil ekstraksi data dan deskripsi tiap atribut ... 8 3 Nama dan deskripsi dimensi dari kubus Lembar Penjualan... 10 4 Nama dan deskripsi dimensi dari kubus Harga Penjualan ... 10
DAFTAR LAMPIRAN
Halaman
1 Proses bisnis kegiatan penjualan ... 14 2 Bentuk lembar pemesanan ... 15 3 Contoh catatan data penjualan produk BAKOSURTANAL ... 16 4 Contoh laporan yang dihasilkan... 18 5 Atribut-atribut data penjualan tahun 2001 – 2007 ... 21 6 Model hirarki tiap dimensi... 22 7 Data dalam tabel dimensi... 23 8 Tampilan aplikasi pemesanan dan aplikasi OLAP... 27 9 Grafik hasil operasi roll up, jumlah lembar produk surta yang terjual per tahun ... 28 10 Grafik hasil operasi drill down, jumlah lembar pada masing-masing jenis data... 29 11 Grafik hasil operasi Slice dimensi waktu dan dimensi skala, jumlah lembar setiap skala pada
tahun 2007... 30 12 Grafik hasil operasi Dice dimensi waktu dan jenis_data, jumlah lembar penjualan produk dari
1
PENDAHULUAN
Latar BelakangBadan Koordinasi Survei dan Pemetaan Nasional (BAKOSURTANAL) merupakan sebuah lembaga pemerintah non departemen yang diberi mandat untuk melaksanakan tugas pemerintahan dalam bidang survei dan pemetaan. BAKOSURTANAL telah menghasilkan peta dalam berbagai bentuk, format dan skala. BAKOSURTANAL menjadi titik tumpu dalam pelaksanaan pendistribusian dan pelayanan peta kepada penggunanya, baik itu institusi, perusahaan, lembaga pendidikan, dan masyarakat pada umumnya.
Berdasarkan Undang-undang Republik Indonesia Nomor 20 Tahun 2007 tentang Penerimaan Negara Bukan Pajak (PNBP), bahwa instansi pemerintah wajib menyetorkan seluruh PNBP ke kas negara. Hal ini juga diperjelas dalam Lampiran IIB Peraturan Pemerintah Republik Indonesia Nomor 22 Tahun 1997 tentang Jenis Penyetoran Penerimaan Negara Bukan Pajak, bahwa jenis PNBP yang berlaku pada BAKOSURTANAL adalah penerimaan dari penjualan hasil survei dan pemetaan (surta). Untuk meningkatkan pendapatan negara dari PNBP, BAKOSURTANAL perlu melakukan kegiatan yang mendukung peningkatan PNBP. Salah satu kegiatannya adalah penjualan peta, atlas dan produk lainnya yang banyak dibutuhkan oleh stake holder. Informasi tentang hasil penjualan selain untuk dapat meningkatkan pelayanan kepada penggunanya juga untuk mengetahui jumlah hasil penjualan di BAKOSURTANAL.
Selama ini, proses analisis data hasil penjualan masih dilakukan secara manual. Proses bisnis dari kegiatan penjualan tersebut dapat dilihat pada Lampiran 1. Untuk memesan produk surta pengguna harus mengisi lembar pesanan yang disediakan di loket penjualan. Bentuk lembar pemesanan dapat dilihat pada Lampiran 2. Kemudian staf pelayanan mencatat data penjualan tersebut dengan menggunakan Microsoft Office Excel, hasilnya dapat dilihat pada Lampiran 3. Untuk membuat laporan masih dilakukan query manual pada tiap tabel data di Microsoft Office Excel. Contoh laporan yang dihasilkan dapat dilihat pada Lampiran 4.
Dalam proses bisnis di atas, data yang tercatat memiliki atribut-atribut terbatas dan tidak konsisten antar tahun seperti terlihat pada
Lampiran 5. Hal ini membuat hasil analisis kurang akurat dan membutuhkan waktu lama.
Hasil penjualan akan dilaporkan ke beberapa pihak sebagai laporan data penjualan. Laporan tersebut akan digunakan untuk menganalisis berbagai kebutuhan, dapat dilihat pada Tabel 1.
Tabel 1 Kebutuhan analisis data penjualan setiap pengguna
Pengguna Kebutuhan Frekuensi
Kepala Bidang Pelayanan
Jumlah hasil penjualan per jenis data, per skala, dan berdasarkan kualifikasi pembeli.
Bulanan, tahunan
Kepala Unit Kerja Eselon II
Jumlah hasil penjualan per unit kerja masing-masing.
Bulanan, tahunan
Bagian Perencanaan
Jumlah hasil penjualan per jenis data dan per skala.
Bulanan, 3 bulanan, tahunan
Sekretaris Utama
Jumlah hasil penjualan setiap bulan dalam satu tahun, jumlah hasil penjualan per jenis data, per skala dan berdasarkan kualifikasi pembeli.
Bulanan, tahunan
2
tampilan data dan didukung dengan representasi data grafik yang dinamis.
Pembangunan data warehouse dan aplikasi OLAP berbasis web menggunakan PALO telah dilakukan pada penelitian sebelumnya (Herlambang A 2007; Permana A.Y 2008).
Tujuan
Penelitian ini bertujuan agar analisis data hasil penjualan produk surta tidak lagi dilakukan secara manual dan hasil analisis dapat lebih akurat. Untuk itu perlu membangun sebuah aplikasi berbasis web untuk pemesanan dengan menggunakan basis data MySQL versi 5.0.51a. Lalu data hasil pemesanan tersebut akan dibuat data warehouse dan sebuah aplikasi OLAP berbasis web untuk data penjualan di BAKOSURTANAL dengan menggunakan Palo 2.5 sebagai OLAP server.
Ruang Lingkup
Ruang lingkup penelitian dibatasi pada pembuatan prototipe data warehouse dan aplikasi OLAP berbasis web. Tahapan yang akan dilakukan pertama adalah proses pembangunan aplikasi pemesanan bagi pembeli. Kemudian dilakukan proses pembersihan data, integrasi data, transformasi data. dan dilanjutkan dengan implementasi operasi OLAP. Data yang digunakan adalah data penjualan produk BAKOSURTANAL tahun 2001 sampai 2007.
Manfaat
Penelitian ini diharapkan dapat memberikan manfaat bagi pihak-pihak terkait di BAKOSURTANAL dalam memberikan informasi konklusif, cepat dan menarik tentang hasil penjualan di BAKOSURTANAL. Selain itu dapat mempermudah analisis data dan membantu dalam proses pengambilan keputusan.
TINJAUAN PUSTAKA
Data PraprosesData praproses merupakan proses yang harus dilakukan sebelum memasuki tahap pemrosesan membuat data warehouse. Data yang digunakan seringkali bersifat noisy (data tidak jelas atau rusak), incomplete (data kekurangan nilai atributnya atau hanya berisi data agregasi) dan inconsistent (tidak konsisten). Berikut adalah tahapan data praproses (Han dan Kamber 2006) :
1 Ekstraksi (extraction)
Ekstraksi adalah pengambilan data yang relevan dari basis data operasional sebelum masuk ke data warehouse. Pada ekstraksi, atribut-atribut dan record-record yang diinginkan dipilih dan diambil dari basis data operasional. Hal ini perlu dilakukan karena tidak semua elemen data berguna dalam pembuatan keputusan.
2 Pembersihan (cleaning)
Pada pembersihan semua kesalahan dihilangkan dan diperbaiki. Pembersihan dilakukan untuk menghilangkan kesalahan (error). Kesalahan yang umum terjadi adalah nilai yang hilang (missing values), noise, dan data yang tidak konsisten. Pembersihan dilakukan dengan mengisi nilai yang kosong dan menghilangkan noise.
3 Transformasi (transformation)
Pada transformasi, data dari semua sumber diberikan format dan nama yang umum. Proses transformasi dilakukan agar data tetap konsisten. Transformasi yang paling penting adalah transformasi nama agar tidak ada nama atribut yang sama atau atribut yang sama memiliki nama yang berbeda pada basis data yang berbeda. Setelah transformasi nama, semua elemen data harus dikonversikan ke format yang umum.
4 Pemuatan (loading)
Setelah tahap ekstraksi dan transformasi dilakukan, maka data sudah siap untuk dimasukkan ke data warehouse. Pada tahap ini juga dilakukan pengurutan dan pengecekan integritas.
5 Refresh
Tahapan ini dilakukan jika ada data baru yang masuk.
Data Warehouse
3
Data warehouse menyediakan arsitektur dan alat bagi para eksekutif bisnis untuk mengatur secara sistematis, mengerti dan menggunakan data tersebut untuk pengambilan keputusan. Secara rinci dijelaskan oleh Han & Kamber (2006) bahwa data warehouse mempunyai empat karakteristik yaitu :
• Berorientasi subjek, terorganisasi pada subjek utama sesuai topik bisnis atau berdasarkan subjek dari organisasi.
• Terintegrasi, data dibangun dengan mengintegrasikan berbagai sumber data. Teknik pembersihan dan integrasi data dilakukan untuk memastikan kekonsistenan data dalam penamaan, struktur penyandian, pengukuran atribut dan lainnya.
• Time-variant, dimensi waktu secara eksplisit termasuk dalam data, jadi model dan perubahannya dapat diketahui setiap saat.
• Non-volatile, data terpisah dari basis data operasional sehingga hanya memerlukan pemuatan dan akses data. Data tidak dapat berubah atau tetap.
Model Data Multidimensi
Model data multidimensi menampilkan data dalam bentuk kubus data. Kubus data memungkinkan data dimodelkan dan ditampilkan dalam banyak dimensi. Kubus data disebut juga cuboid. Pola-pola cuboid dapat dibuat apabila diberikan satu kumpulan dimensi. Masing-masing pola menampilkan data pada tingkat kesimpulan yang berbeda-beda (Han & Kamber 2006).
Dimensi adalah perspektif atau entitas yang digunakan sebagai tempat menyimpan beberapa record yang saling berhubungan. Setiap dimensi memiliki tabel yang biasa disebut dengan tabel dimensi. Tabel dimensi dapat dispesifikasikan oleh pengguna atau para ahli, atau dihasilkan secara otomatis dan diatur berdasarkan distribusi data (Han & Kamber 2006).
Fakta adalah ukuran-ukuran numerik. Fakta merupakan kuantitas yang akan dianalisis hubungan antar dimensi. Tabel fakta berisi nama dari fakta (ukuran) dan keys dari tabel dimensi yang bersangkutan.
Untuk menggambarkan hubungan antar data pada data multidimensi digunakan skema multidimensi. Skema adalah sekumpulan objek
merupakan sekumpulan tabel yang berhubungan. Skema digunakan untuk menunjukkan hubungan antara tabel dimensi dengan tabel fakta. Skema ditentukan berdasarkan kebutuhan data warehouse dan keinginan pembuat data warehouse. Data warehouse membutuhkan skema yang ringkas dan berorientasi subjek. Tipe-tipe skema multidimensi antara lain (Han & Kamber 2006):
• Skema bintang (star schema)
Skema bintang adalah skema data warehouse yang paling sederhana. Skema ini disebut skema bintang karena hubungan antara tabel dimensi dan tabel fakta menyerupai bintang dimana satu tabel fakta dihubungkan dengan beberapa tabel dimensi. Titik tengah skema bintang adalah satu tabel fakta besar dan sudut-sudutnya adalah tabel-tabel dimensi. Keuntungan yang didapat jika menggunakan skema ini adalah peningkatan kinerja data warehouse, pemrosesan query yang lebih efisien, dan waktu respon yang cepat. Bentuk skema bintang dapat dilihat pada Gambar 1.
Gambar 1 Skema bintang (Han & Kamber 2006).
• Skema snowflake (snowflake schema) Skema snowflake adalah variasi dari skema bintang dimana beberapa tabel dimensi dinormalisasi, jadi 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 skema snowflake dapat dilihat pada Gambar 2.
[image:30.612.324.505.381.501.2]4
[image:31.612.105.305.75.366.2]kesalahan yang mungkin terjadi. Bentuk skema galaksi dapat dilihat pada Gambar 3.
Gambar 2 Skema snowflake (Han & Kamber 2006).
Gambar 3 Skema galaksi (Han & Kamber 2006).
Kubus Data
Kubus data merupakan data yang dimodelkan dan diper
