dan N3). Objek di atas akan diberikan index sesuai dengan tahun saat objek tersebut valid yaitu 2005-2006.
4. Untuk objek yang masih valid akan dimasukkan ke dalam currentdatabase. Ganti current database diubah dari “2005–now” menjadi “2006–now”. Gambar 13e merupakan hasil dari current database yang didapat setelah memasukkan data tahun 2006. Isi dari current database merupakan objek-objek yang valid dari tahun 2006 sampai sekarang.
5. Jika ada data baru yang masuk maka lakukan lagi langkah 2 sampai 4. Untuk mengakses data yang masih valid kita hanya perlu mengakses current database sehingga waktu yang dibutuhkan lebih sedikit.
Implementasi
Pada tahap ini indexing akan diterapkan pada database yang digunakan dalam sistem. Database yang akan digunakan adalah postgist yaitu spatial PostgreSQL.
• Processor : Intel Pentium Dual Core 1.86 Ghz
• RAM : 2 GB
• Sistem Operasi : Windows XP SP 2 • DBMS : PostgreSQL 8.4.4
Pengujian
Pengujian teknik indexing akan dilihat dengan cara menghitung waktu komputasi yang dilakukan saat pencarian data. Dari daftar kueri yang diberikan akan dilihat seberapa baik teknik indexing yang telah dilakukan. Kueri yang digunakan terdiri atas 3 jenis yaitu kueri spasial, kueri temporal dan kueri spatio-temporal.
Evaluasi
Pada tahap evalusi akan dilakukan penilaian terhadap efisiensi teknik indexing yang diterapkan pada database spatio-temporal. Pada tahap ini akan dilakukan perbandingan kinerja sistem antara yang menggunakan teknik indexing dengan yang tidak menggunakan indexing. Kinerja dapat dihitung dari waktu yang dibutuhkan dalam menjalankan suatu kueri pada proses pencarian.
HASIL DAN PEMBAHASAN Indexing Spasial
Indexing spasial akan memakai data hotspot dari tahun 2002 sampai tahun 2005 dengan model data yang dibangun oleh Kurniawan tahun 2011. Data spasial yang ada dipakai terdapat pada Tabel geografis_info seperti pada Tabel 1. Lintang dan bujur merupakan koordinat dari hotspot, sedangkan nama_kab dan nama_prop berisi informasi spasial dari hotspot. Atribut the_geom berisi geometry masing-masing hotspot yang digunakan untuk mapping ke dalam peta.
Indexing spasial data yang digunakan adalah data pada atribut nama_kab dan nama_prop. Langkah awal untuk melakukan indexing adalah membuat hierarki spasial dari data polygon berdasarkan nama kabupaten dan nama provinsi terjadinya hotspot.
Hierarki spasial untuk indexing dapat dilihat pada Gambar 14 di bawah. Indexing spasial pada data hotspot hierarki dibagai menjadi 4 level. Level 4 adalah “INDONESIA” yang mencakup seluruh data polygon hotspot di Indonesia. Level di bawahnya yaitu level 3 adalah “pulau” yang terdiri atas 6 pulau besar di Indonesia yaitu SUMATERA, JAWA, KALIMANTAN, SUNDA KECIL (Bali dan Nusa Tenggara), SULAWESI dan IRIAN JAYA. Node pada level 3 hanya mencakup data hotspot sesuai dengan nilainya. Misalnya untuk node “SUMATERA” hanya akan mencakup pulau Sumatera saja sesuai dengan nama kabupaten pada kolom nama_kab.
Untuk level 2 berisi provinsi-provinsi yang ada pada data hotspot. Seluruh node pada level ini adalah semua provinsi yang terdaftar pada kolom nama_prop di tabel geografis_info. Nilai pada node di level ini sesuai dengan nodeparent di atasnya, misalkan pada node “SUMATERA” di level 3 maka node yang berhubungan pada level 2 adalah provinsi-provinsi yang ada di pulau Sumatera yaitu Riau, Jambi, Lampung dan lain lain. Pada level 1 berisi kabupaten-kabupaten yang ada pada tabel geografis_info di kolom nama_kab. Nilai dari node sesuai dengan parent pada level di atasnya, contohnya untuk node “JAMBI” maka semua node yang terhubung pada level 1 adalah kabupaten-kabupaten yang ada pada provinsi Jambi seusai dengan letak geografisnya yaitu Tebo, Bungo, Jambi (Kota) dan lain lain.
Tabel 1 Contoh Data Geografis_info
Gambar 14 Hierarki Spasial Hotspot Indonesia Setelah hierarki dari data indexing dibuat
maka semua objek polygon yang dibutuhkan dicari dan kemudian dimasukkan ke dalam suatu tabel yaitu tabel polygons. Karena indexing yang akan dilakukan adalah indexing spasial maka data yang dipakai adalah data semua provinsi dan kabupaten di Indonesia sampai tahun 2005 yang ada pada tabel Indonesia_kab seperti Tabel 2 di bawah ini. Data pada tabel Indonesia_kab yang dibutuhkan adalah nama_kab yang berisi seluruh kabupaten di Indonesia, nama_prop adalah daftar semua provinsi di Indonesia sesuai dengan
kabupaten, dan juga dimasukkan. Untuk mencari nilai geometry dari masing-masing provinsi digunakan fungsi potsgis “ST_UNION” dengan cara menggabungkan semua kabupaten dengan nama provinsi yang sama. Setelah provinsi dimasukkan maka polygon untuk pulau dimasukkan berdasarkan provinsi yang ada. Terdapat 5 pulau besar di Indonesia yaitu Sumatera, Jawa, Kalimantan, Sunda Kecil, Sulawesi, Maluku dan Irian Jaya. Untuk mendapatkan nilai geometry dari pulau akan dicari dengan fungsi postgis Tabel 2 Contoh Tabel Indonesia_kab
gid kode_kab nama_kab kode_prop nama_prop the_geom
1 9401 MERAUKE 94 PAPUA 01060000EC0 ………..
40 8171 KOTA AMBON 81 M A L U K U 106000000010……….. 71 7403 KENDARI 74 SULAWESI TENGGARA 01060000000E……….. 231 3529 SUMENEP 35 JAWA TIMUR 01060000004F……….. 297 3101 KEPULAUAN SERIBU 31 DKI JAKARTA 01060000005F……….. the_geom yang berisi geometry dari kabupaten
jika dilakukan mapping pada peta Indonesia. Dari tabel Indonesia_kab akan diambil semua kabupaten dan geometry untuk dimasukkan pada
tabel polygons, kemudian provinsi dari kabupaten “St_envelope” seperti pada geometry provinsi. Polygon terakhir adalah polygon Indonesia yang didapat dengan menggabungkan seluruh polygon provinsi yang sudah dicari sebelumnya. Setelah Lintang Bujur Nama_kab Nama_prop The_geom
-7.574 110.777
Surakarta (Kota) Jawa Tengah 01010000007D3F355 1.55 101.567
Dumai (Kota) Riau 01010000003F355EB
-8.107 115.078 Buleleng Bali
01000000A245B6F3F -8.115 112.911
semua polygon tersedia maka dimasukkan data polygon ke dalam tabel polygons. Tabel 3 di bawah ini merupakan contoh dari tabel polygons. Tabel 3 Contoh Tabel polygons
Nama Geom. Keterangan INDONESIA 0106000000D……. Indonesia JAWA 0106000000F……. Pulau BALI 01060000000……. Provinsi BENGKULU 10600000000……. Provinsi KAMPAR 10600000001….…. Kabupaten SOLOK 10600000001….… Kabupaten DAIRI 10600000001……. Kabupaten
Tabel polygons terdiri atas 3 kolom yaitu nama, geom, dan keterangan. Kolom nama berisi nama-nama polygon yang digunakan pada proses indexing yang terdiri atas kabupaten-kabupaten, provinsi-provinsi, pulau-pulau dan Indonesia. Kolom geom berisi geometry dari polygon sesuai dengan nama polygon yang digunakan dalam proses selanjutnya. Kolom keterangan berisi keterangan polygon sesuai dengan hierarki.
Setelah data polygon yang digunakan didapat dilakukan pencarian Minimum Bounding Rectangle (MBR) dari masing-masing polygon dengan fungsi postgis “ST_ENVELOPE” dengan masukan geometry dari polygon. Hasil MBR masing-masing polygon disimpan pada tabel polygons_mbr seperti pada Tabel 4 di bawah. Tabel polygons terdiri atas 3 kolom yaitu nama, MBR dan keterangan. Kolom nama berisi nama polygon, kolom MBR berisi MBR dari polygon dengan tipe data geometry dan kolom keterangan berisi keterangan polygon sesuai dengan hierarki. Tabel 4 Contoh Tabel polygons_mbr
Nama MBR Keterangan INDONESIA 010300000001…… Indonesia JAWA 010300000001…… Pulau BALI 010300000001…… Provinsi BENGKULU 010300000001…… Provinsi KAMPAR 010300000001…… Kabupaten SOLOK 010300000001…… Kabupaten
Setelah semua MBR dari polygon didapat dilakukan indexing spasial pada data hotspot
berdasarkan MBR dari masing-masing polygon sesuai dengan hierarki yang sudah dibuat sebelumnya. Hasil dari indexing spasial disimpan di dalam tabel polygons_rtree seperti Tabel 5 di bawah.
Tabel 5 Contoh Tabel polygons_rtree
page_id page_lev child_id child_mbr INDONESIA 4 JAWA 01030000 JAWA 3 JAWA TENGAH 01030000 BALI 2 BADUNG 01030000 BENGKULU 2 LAHAT 01030000 KAMPAR 1 KAMPAR 01030000 SOLOK 1 SOLOK 01030000 DAIRI 1 DAIRI 01030000 Tabel polygons_rtee terdiri atas 4 kolom yaitu page_id yang berisi node parent pada hierarki, page_lev berisi level node parent sesuai hierarki, child_id berisi node leaf sesuai dengan parent pada hierarki dan child_mbr berisi MBR dari child_id. Cara mencari parent dan child dari polygon dilihat berdasarkan hierarki spasialnya. Level teratas adalah node “INDONESIA” dengan child berisi polygon provinsi, maka page_id diisi dengan “INDONESIA” kemudian dicari polygon dengan dengan keterangan pulau pada tabel polygons_mbr yang termasuk ke dalam node INDONESIA. Cara untuk mengetahui child dari suatu node digunakan fungsi postgis “ST_WITHIN”. Fungsi ini akan membandingkan antara satu geometry dengan geometry lain, hasilnya merupakan nilai Boolean true atau false. Hasil true didapat jika geometry A berada di dalam geometry B, sedangkan nilai false jika geometry A tidak berada di dalam geometry B. Dengan MBR dari polygon yang sudah didapat dapat dicari polygon pulau mana saja yang termasuk ke dalam MBR polygon “INDONESIA”. Setelah parent dan semua child didapat dapat dimasukkan ke dalam tabel polygons_rtree. Jika suatu node parent memiliki banyak child maka data dimasukkan sesuai dengan banyaknya child, misalkan node “INDONESIA” memiliki 3 buah child maka dimasukkan 3 row ke dalam tabel dengan page_id “INDONESIA” dan child_id berisi masing-masing child yang didapat. Untuk page_lev dinamakan sesuai dengan level node parent pada hierarki dan child_mbr diisi sesuai dengan MBR
pada kolom child. Jika node pada suatu level pada hierarki sudah dicari semua child maka dilakukan pencarian parent dan child pada level berikutnya dengan cara yang sama. Hal ini dilakukan hingga semua node pada semua level dicari. SQL yang digunakan dalam pembangunan indexing spasial dapat dilihat pada Lampiran 1.
Hasil dari indexing spasial yang disimpan di dalam tabel polygons_rtree akan digunakan dalam proses pencarian data berdasarkan kueri spasial yang diberikan oleh user. Adanya indexing spasial menyebabkan penambahan tabel baru untuk menyimpan hasil indexing pada database. Pada Gambar 15 di bawah menampilkan perbedaan struktur data dengan adanya indexing spasial.
Tanpa indexing tabel yang digunakan pada database hanya menggunakan tabel geografis_info seperti pada Gambar 15a, sedangkan dengan adanya indexing spasial maka ditambahkan 3 tabel baru ke dalam database yaitu
tabel Polygons yang menyimpan semua objek yang digunakan pada proses indexing seperti pada Gambar 15b, Tabel polygons_mbr yang menyimpan semua MBR dari objek pada tabel polygons seperti pada Gambar 15c dan tabel polygons_rtree yang menyimpan hasil indexing spasial yang sudah dilakukan seperti Gambar 15d. Untuk mengakses database maka akan diakses tabel polygons_rtree dahulu sebelum mengakses tabel geografis info yang menyimpan data asli. Jika user akan mencari data hotspot sesuai dengan daerah tertentu maka kueri spasial akan mengakses tabel polygons_rtree terlebih dahulu kemudian baru mengakses data asli pada tabel geografis_info.
Indexingtemporal
Data yang akan dilakukan proses indexing merupakan data hotspot di wilayah Indonesia setiap tahun dari tahun 2002 sampai 2005. Indexing data tersebut menggunakan model data yang dibuat oleh Kurniawan (2011) dengan
konsep event based spatiotemporal data model (ESTDM). Tabel 6 di bawah merupakan salah satu tabel hasil model data dari data asli hotspot. Kolom lintang dan bujur berisi koordinat dari hotspot. Kolom Vs dan Ve adalah valid time dari hotspot. Vs merupakan valid start yaitu waktu munculnya hotspot dengan waktu terkecil hari. Ve merupakan valid end yaitu waktu berakhir hotspot tersebut, Ve dengan nilai now berarti hotspot tersebut masih valid sampai hari ini.
Indexing temporal menggunakan valid time dari masing-masing hotspot. Sebelum melakukan indexing akan dibuat dulu hierarki dari data yang digunakan. Gambar 16 di bawah merupakan hierarki dari data hotspot berdasarkan waktu valid start.
2003, 2004 dan 2005. Setiap leaf pada node di level 3 menampung semua data dengan tahun sesuai dengan nilai node tersebut. Node 2002 akan menampung data dengan Vs pada tahun 2002. Pada level 2 hierarki merupakan level bulan dari Januari sampai Desember. Node pada level 1 menyimpan semua Vs dari data dengan bulan yang sesuai dengan nilai node ini. Pada node Januari menyimpan data Vs dengan waktu di bulan Januari. Untuk leaf pada level 2 merupakan data Vs dengan nilai waktu harian.
Setelah mendapat hierarki dari indexing maka akan dicari semua data dari Tabel hotspot sesuai dengan hierarki di atas. Semua data tersebut kemudian disimpan di dalam tabel temp_list seperti pada Tabel 7.
Gambar 16 Hierarki temporal. Tabel 6 Contoh Tabel hotspot
Lintang Bujur Vs Ve Keterangan -7.574 110.77 2005-01-01 2005-01-02 Disappear 1.55 101.56 2005-01-02 2005-01-03 Disappear -8.107 115.07 2005-01-02 NOW Appear -8.115 112.91 2005-01-03 NOW Appear Gambar 16 di atas merupakan hierarki yang akan dipakai untuk membuat indexing temporal pada data hotspot. Level 4 dari hierarki merupakan ROOT yang mencakup semua data dari tahun 2002 sampai 2005. Untuk Level 3 berisi tahun dari semua data, terdiri dari 2002,
Tabel 7 Contoh tabel temp_list Time Ket 31/12/9999 ROOT 01/01/2002 Tahun 01/01/2004 Tahun 01/02/2002 Bulan 01/09/2005 Bulan 22/05/2002 Hari 10/07/2002 Hari 19/08/2004 Hari
Tabel 7 di atas adalah tabel temp_list yang berisi Vs dari hotspot. Tabel temp_list terdiri atas 2 kolom yaitu waktu dan keterangan. Kolom
waktu memiliki tipe data date yang isinya Vs dari data-data hotspot yang ada. Kolom ket berisi keterangan dari waktu Vs sesuai dengan hierarki yang telah dibuat. Untuk row awal berisi ROOT yang merupakan node teratas dari hierarki dengan nilai “31/12/9999” yang berarti mencakup semua data dan dengan ket “ROOT”. Row selanjutnya berisi semua node pada level 2 sesuai data hotspot yaitu tahun 2002, 2003, 2004 dan 2005 dengan ket “tahun”. Selanjutnya dicari nilai bulan yang berlaku pada tahun tertentu, misalnya pada data dengan Vs tahun 2002 terdapat hanya 5 bulan yaitu Januari, Februari, Maret, April, dan Mei, maka pada tabel temp_list dimasukkan data 5 bulan pada tahun 2002 dengan ket “bulan”.
Setelah mendapat semua Vs yang disimpan di dalam tabel temp_list dilakukan indexing terhadap data tersebut. Indexing dilakukan sesuai dengan hierarki temporal yang dibuat pada Gambar 13. Hasil dari indexing akan disimpan ke dalam suatu tabel bernama temp_tree seperti pada Tabel 8. Tabel 8 Contoh tabel temp_tree
Parent Child Lev
31/12/9999 31/12/2002 3 31/12/9999 31/12/2003 3 31/12/2002 01/01/2002 2 31/12/2005 01/01/2005 2 31/12/2005 01/02/2005 2 01/01/2002 02/01/2002 1 01/01/2002 04/01/2002 1 01/02/2005 19/02/2005 1
Tabel 8 di atas adalah hasil dari indexing data dari tabel temp_list sesuai dengan hierarki yang dibuat. Tabel temp_tree terdiri atas 3 kolom yaitu parent dan child dengan tipe data date dan lev dengan tipe data int. Kolom parent berisi node atas yang memiliki leaf node sedangkan kolom child berisi leaf dari node parent, misalkan pada node “ROOT” memiliki child tahun 2002 dan 2003, maka hasil indexing di dalam temp_tree akan ditambah dua row yaitu parent “ROOT” dengan child “2002” dan parent “ROOT” dengan child “2003”. Karena kolom parent dan child bertipe date maka nilai “ROOT” diganti menjadi “31/12/9999” yang berarti mencakup semua data Vs Untuk node tahun maka diganti menjadi “31/12/2002” untuk tahun 2002 dan seterusnya. Kolom lev merupakan nilai dari level dari data sesuai dengan hierarkinya. Misalnya untuk node dengan parent “ROOT” berarada pada level 3 dalam hierarki temporal maka di dalam tabel temp_tree kolom parent yang bernilai “31/12/9999” memiliki lev 3 juga. SQL yang digunakan dalam pembangunan indexing temporal dapat dilihat pada Lampiran 2.
Hasil dari indexing pada tabel temp_tree nanti akan digunakan dalam proses pencarian data hostpot. Kueri temporal dalam proses pencarian akan mengakses tabel temp_tree terlebih dahulu kemudian akan merujuk pada data asli di dalam Tabel Hotspot. Indexing temporal menambah tabel baru di dalam database. Pada Gambar 17 di bawah menampilkan perbedaan struktur data pada database dengan adanya indexing temporal.
Gambar 17 Perbandingan Struktur Data dengan IndexingTemporal. Tanpa indexing tabel yang digunakan pada
database hanya menggunakan tabel hotspot seperti pada Gambar 17a, sedangkan dengan adanya indexing temporal maka ditambahkan 2 tabel baru ke dalam database yaitu tabel temp_list yang menyimpan semua Vs pada tabel hotspot yang digunakan pada proses indexing seperti pada Gambar 17b dan tabel temp_tree yang menyimpan hasil indexing temporal yang sudah dilakukan seperti Gambar 17c. Untuk mengakses database maka akan diakses tabel temp_tree dahulu sebelum mengakses tabel hotspot yang menyimpan data asli. Jika user akan mencari data hotspot sesuai dengan waktu tertentu maka kueri temporal akan mengakses tabel temp_tree terlebih dahulu kemudian baru mengakses data asli pada tabel Hotspot.
(b) Contoh kueri tanpa indexing Gambar 18 Perbandingan Kueri. Uji coba indexing spasial
Untuk menganalisis kinerja indexing spasial. Akan diberikan kueri spasial kemudian dicatat waktu yang dibutuhkan untuk menjalankan kueri tersebut. Masing-masing kueri akan dijalankan sebanyak delapan kali dan kemudian akan dihitung rataan dari semua percobaan. Hasil dari percobaan akan dibandingankan antara waktu pencarian dengan indexing dengan yang tidak melakukan indexing.
Tabel 9 di bawah merupakan salah satu hasil perbandingan pencarian data berdasarkan kueri spasial antara indexing dan tanpa indexing. Kueri yang digunakan adalah mencari data hotspot pada pulau tertentu di Indonesia. Untuk kueri yang digunakan terdapat perbedaan penulisan pada kueri dengan indexing spasial dan tanpa indexing. Gambar 18 di bawah merupakan perbandingan kueri dengan indexing dan tanpa indexing.
SELECT * FROM geografis_info WHERE nama_kab IN
(SELECT son_id FROM polygons_rtree WHERE page_id IN (SELECT son_id FROM polygons_rtree WHERE
page_id='SUMATERA'))
(a) Contoh kueri dengan indexing SELECT * FROM geografis_info WHERE (nama_kab = 'KAUR' or nama_kab = 'AGAM' or nama_kab = 'KARO' or ……… or nama_kab = 'TAPANULI TENGAH')
Tabel 9 Perbandingan waktu pencarian pada wilayah tertentu (dalam milidetik)
Perco baan
SUMATERA JAWA KALIMANTAN
SUNDA
KECIL SULAWESI MALUKU IRIAN JAYA index non-index index non-index index non-index index non-index index non-index Index non-index index non-index p1 1357 3531 265 2984 1266 1890 157 719 187 1531 102 484 157 625 p2 1407 3547 266 2985 1218 1875 141 719 172 1516 156 469 156 610 p3 1375 3531 281 3000 1218 1891 172 719 203 1516 156 468 141 625 p4 1435 3594 266 2985 1203 1890 157 703 187 1516 140 500 156 625 p5 1406 3563 265 3000 1234 1891 157 703 203 1547 156 469 140 609 p6 1421 3578 266 2985 1203 1890 156 719 187 1531 157 484 140 625 p7 1375 3562 266 3000 1265 1907 172 719 187 1532 156 484 141 625 p8 1437 3594 265 2985 1203 1906 157 922 172 1531 156 484 141 610 Rataan 1402 3563 268 2991 1226 1893 159 740 187 1528 147 480 147 619
Jika dilihat pada Tabel 9, untuk mencari data pada pulau Jawa, rataan waktu yang dibutuhkan jika menggunakan indexing adalah 268ms sedangkan jika tidak menggunakan indexing bisa mencapai 3000ms. Perbedaan waktu tersebut hampir 1:3 dengan waktu penggunaan indexing lebih cepat. Pada pencarian data di pulau MALUKU, waktu yang dibutuhkan jika menggunakan indexing adalah 147ms, sedangkan tanpa indexing adalah 480ms berbeda sekitar 200ms. Perbedaan selang waktu yang dibutuhkan tergantung pada banyaknya data yang diperoleh. Kueri di pulau JAWA menghasilkan data yang lebih banyak dibandingkan kueri pada pulau MALUKU. Semakin besar data yang dicari maka
perbedaan waktu yang dibutuhkan antara indexing dan tanpa indexing akan semakin besar. Dengan adanya indexing spasial pencarian dengan kueri spasial akan lebih cepat sekitar 300-2700ms atau 35-91% dibandingkan dengan tidak adanya indexing.
Perbandingan waktu pencarian hotspot pada pulau di Indonesia antara yang menggunakan indexing spasial dan tanpa indexing bisa dilihat pada Gambar 19 di bawah. Indexing spasial menghasilkan waktu pencarian yang lebih cepat pada kueri spasial dibandingkan dengan tanpa indexing. Untuk pencarian pada level lain dapat dilihat pada Lampiran 3.
Gambar 19 Perbandingan Waktu Pencarian Hotspot pada pulau di Indonesia.
0 500 1000 1500 2000 2500 3000 3500 4000
INDEX NON‐INDEX
Uji coba indexingtemporal
Setelah indexing temporal pada data hotspot dilakukan maka dilakukan uji coba terhadap indexing yang dengan menggunakan kueri temporal. Kueri temporal untuk semua level dapat dilihat pada Lampiran 4. Analisis dilakukan dengan mencatat lamanya waktu yang dibutuhkan untuk mencari data jika dimasukkan kueri temporal antara penggunaan indexing dengan tidak adanya indexing. Hasil dari perbandingan pencarian data dapat dilihat pada Tabel 10 dan Tabel 11 di bawah.
Tabel 10 di bawah merupakan hasil pencarian data hotspot dengan kueri mencari data hotspot di seluruh Indonesia pada tahun tertentu. Tabel 10 menampilkan perbandingan waktu yang dibutuhkan untuk menjalankan kueri tersebut antara yang menggunakan indexing dan yang tidak, menggunakan data hotspot Indonesia dari tahun 2002 sampai 2005 dengan jumlah data sebanyak 201045 baris. Pada Tabel 10 di bawah dapat dilihat bahwa dengan adanya indexing temporal maka waktu pencarian data dengan kueri
Tabel 10 Perbandingan waktu pencarian data pada tahun tertentu (dalam milidetik)
percobaan
2002 2003 2004 2005
index non-index index non-index index non-index Index non-index
p1 406 484 625 640 859 859 531 531 p2 484 469 625 640 875 875 531 500 p3 500 484 625 640 875 859 531 515 p4 500 485 625 625 875 844 516 515 p5 500 485 625 625 860 859 532 515 p6 485 500 640 610 875 875 516 516 p7 484 484 641 625 828 844 531 500 p8 500 500 625 640 875 843 531 500 RATAAN 482 486 629 631 865 857 527 512 Tabel 11 Perbandingan waktu pencarian data pada bulan tertentu di tahun tertentu (dalam milidetik)
percobaan
Agust-02 Agust-03 Agust-04 Agust-05
index non-index index non-index index non-index Index non-index
p1 312 344 313 313 344 360 266 250 p2 329 344 328 297 359 340 234 219 p3 328 328 312 313 344 328 250 235 p4 328 329 297 296 344 328 250 250 p5 344 328 312 313 359 328 250 250 p6 344 328 328 297 359 328 235 234 p7 328 344 313 312 344 328 266 250 p8 328 344 287 297 343 344 250 234 RATAAN 330 336 311 305 350 336 250 240 Banyaknya percobaan yang dilakukan dalam
pencarian sebanyak delapan kali untuk masing-masing kueri. Dari delapan hasil pencarian yang dilakukan akan dihitung rataannya kemudian dilihat perbandingan waktu pencarian data antara penggunaan indexing dengan yang tidak menggunakan indexing.
temporal hampir sama dengan tanpa indexing. Selang waktu antara yang menggunakan indexing dan tidak rata-rata berkisar 1% lebih cepat. Pada pencarian di tahun 2005 pencarian dengan indexing membutuhkan waktu lebih lama 15ms atau 3% lebih lama dibandingkan tanpa indexing.
Perbandingan waktu pencarian pada kueri ini dapat dilihat pada Gambar 20 di bawah.
Gambar 20 Perbandingan waktu pencarian hotspot pada tahun tertentu.
Untuk analisis selanjutnya akan diberikan kueri mencari data hotspot seluruh Indonesia pada bulan tertentu di tahun tertentu. Tabel 11 di atas adalah hasil dari kueri tersebut dengan data yang dicari pada bulan Agustus pada tahun 2002, 2003, 2004 dan 2005. Pada Tabel 11dapat dilihat hasil perbandingan waktu pencarian data menunjukkan waktu pencarian pada bulan Agustus 2002 akan lebih cepat 6ms atau 2% dibandingkan dengan tidak adanya indexing, tetapi pada pencarian di bulan Agustus 2004 waktu yang dibutuhkan lebih lama 14ms atau 4%. Hal ini membuktikan bahwa dengan adanya indexing temporal maka proses pencarian data tidak begitu berubah. Perbandingan waktu pencarian dapat dilihat pada Gambar 21 di bawah.
Gambar 21 Perbandingan waktu pencarian hotspot pada tahun dan bulan tertentu.
Uji coba indexingspatio-temporal
Setelah indexing spasial dan indexing temporal dilakukan akan diuji dengan kueri spatio-temporal untuk melihat waktu pencarian data. Pada Tabel 12 dan Tabel 13 dapat dilihat perbandingan waktu pencarian data antara database dengan indexing dan tanpa indexing dengan kueri spatio-temporal. Tabel 12 menggunakan indexing spasial dan temporal sedangkan pada Tabel 13 hanya menggunakan indexing spasial saja. Dari Tabel 12 dapat dilihat bahwa indexing spasial dan temporal dapat meningkatkan waktu pencarian sampai 960ms atau 53% lebih cepat dibandingkan tanpa indexing. Hasil perbandingan pada Tabel 12 dapat dilihat pada Gambar 22 di bawah.
Tabel 12 Perbandingan waktu pencarian data pada wilayah tertentu di tahun 2004 dengan indexing spatiotemporal (dalam milidetik)
percobaan
SUMATERA JAWA KALIMANTAN
SUNDA
KECIL SULAWESI MALUKU IRIAN JAYA Index non-index index non-index index non-index index non-index index non-index Index non-index index non-index p1 1391 2282 843 1750 1437 1688 781 828 719 1625 766 594 766 594 p2 1406 2266 828 1812 1422 1671 765 844 781 1625 750 578 750 594 p3 1422 2266 844 1813 1422 1656 765 796 797 1640 781 593 765 593 p4 1407 2281 828 1797 1421 1641 781 813 781 1625 781 593 766 578 p5 1406 2250 844 1797 1422 1672 782 813 797 1610 765 593 766 594 p6 1406 2250 844 1829 1406 1671 781 813 782 1609 766 594 765 594 p7 1422 2266 828 1781 1469 1656 766 813 796 1625 766 578 765 594 p8 1406 2250 828 1797 1359 1672 750 813 797 1640 750 609 766 593 RATAAN 1408 2264 836 1797 1420 1666 771 817 781 1625 766 592 764 592 0 200 400 600 800 1000 2002 2003 2004 2005 INDEX NON-INDEX 0 50 100 150 200 250 300 350 400 Agustus (2002) Agustus (2003) Agustus (2004) Agustus (2005) INDEX NON-INDEX (ms) (ms)
Gambar 22 Perbandingan waktu pencarian hotspot pada tahun dan pulau tertentu dengan indexing spatiotemporal.
Tabel 13 di bawah menunjukkan perbandingan waktu pencarian antara indexing dan tanpa indexing pada kueri yang sama. Indexing yang digunakan adalah indexing spasial saja. Dari hasil yang ada dapat dilihat bahwa dengan indexing spasial saja pada kueri spatio-temporal dapat mempercepat waktu pencarian
sebesar 74ms-1000ms atau 9%-56% lebih cepat dibandingkan tanpa indexing. Hasil tersebut juga lebih cepat dibandingkan dengan indexing spatio-temporal. Perbandingan waktu pencarian dapat dilihat pada Gambar 23 di bawah ini. Untuk pencarian pada level lainnya dapat dilihat pada Lampiran 5.
Tabel 13 Perbandingan waktu pencarian data pada pulau tertentu di tahun 2004 dengan indexing spasial (dalam milidetik)
percobaan
SUMATERA JAWA KALIMANTAN
SUNDA
KECIL SULAWESI MALUKU IRIAN JAYA
inde non-index index non-index index non-index index non-index index non-index index non-index index non-index p1 1156 2282 813 1750 1343 1688 750 828 750 1625 735 594 719 594 p2 1203 2266 797 1812 1328 1671 734 844 750 1625 734 578 734 594 p3 1235 2266 781 1813 1313 1656 750 796 766 1640 735 593 719 593 p4 1234 2281 797 1797 1344 1641 750 813 750 1625 750 593 734 578 p5 1235 2250 719 1797 1328 1672 735 813 750 1610 735 593 734 594 p6 1234 2250 781 1829 1329 1671 734 813 765 1609 734 594 718 594 p7 1265 2266 797 1781 1312 1656 734 813 734 1625 734 578 719 594 p8 1188 2250 797 1797 1328 1672 750 813 750 1640 734 609 734 593 RATAAN 1219 2264 785 1797 1328 1666 742 817 752 1625 736 592 726 592 0 500 1000 1500 2000 2500 INDEX NON-INDEX (ms)
Gambar 23 Perbandingan waktu pencarian hotspot pada tahun dan pulau tertentu dengan indexing spasial. Pada pencarian di pulau Maluku dan Irian Jaya
dapat dilihat dengan adanya indexing, waktu pencarian yang dibutuhkan lebih lama dibandingkan dengan tanpa indexing. Hal ini disebabkan node pada level kabupaten yang berhubungan langsung terhadap node pulau tersebut terlalu sedikit. Tabel 14 di bawah akan
menunjukkan perbandingan waktu pencarian antara indexing dan tanpa indexing dengan kueri mencari hotspot pada provinsi tertentu di tahun tertentu. Provinsi yang diambil sesuai dengan node kabupaten di bawahnya. Hasil perbandingan waktu pencarian dapat dilihat pada Gambar 24.
Tabel 14 Perbandingan waktu pencarian hotspot pada provinsi tertentu berdasarkan nodechild
percobaan JAWA TIMUR SUMATERA UTARA RIAU SULAWESI TENGGARA SULAWESI BARAT index non-index index non-index index non-index index non-index index non-index p1 719 1141 812 844 921 734 703 438 796 218 p2 797 1156 813 843 922 782 781 437 781 157 p3 781 1141 781 859 906 765 765 438 766 157 p4 797 1188 813 859 906 781 781 437 781 218 p5 797 1141 812 844 906 766 781 468 703 218 p6 781 1094 813 859 906 781 781 437 765 219 p7 797 1125 813 844 828 766 765 421 781 218 p8 797 1187 812 844 922 782 765 437 703 218 RATAAN 783 1147 809 850 902 770 765 439 760 203 Node Child 48 31 20 10 5 0 500 1000 1500 2000 2500 INDEX NON-INDEX (ms)
Gambar 24 Perbandingan waktu pencarian data pada provinsi tertentu berdasarkan node child. Pada Gambar 24 dapat dilihat bahwa semakin
banyak node child yang ada maka waktu pencarian dengan indexing akan semakin cepat dibandingkan dengan tanpa indexing. Provinsi Jawa Timur adalah provinsi yang memiliki node child kabupaten terbanyak yaitu 48 node, sedangkan provinsi Sulawesi Barat adalah provinsi dengan node kabupaten paling sedikit yaitu 5 node. Waktu pencarian pada provinsi Jawa Timur lebih cepat 360ms atau 30% lebih cepat dibandingkan tanpa indexing. Pada provinsi Sulawesi Barat waktu pencarian lebih lama 500ms dibandingkan dengan tanpa indexing. Dapat disimpulkan bahwa banyaknya node child yang terhubung pada node parent yang dicari mempengaruhi kecepatan pencarian dengan indexing karena semakin banyak node yang terhubung maka semakin banyak data akan dilakukan indexing.
KESIMPULAN DAN SARAN Kesimpulan
Penggunaan struktur indexing di dalam databasespatio-temporal pada data hotspot dapat meningkatkan waktu pencarian data. Dengan adanya indexing waktu pencarian dapat dilakukan sampai dua kali lebih cepat dibandingkan dengan tidak adanya indexing. Indexing spatio-temporal dibagi menjadi dua bagian yaitu indexing spasial dan indexing temporal. Masing-masing indexing digunakan sesuai dengan kueri yang dibutuhkan. Jika kueri yang diberikan adalah kueri temporal maka indexing yang digunakan adalah indexing temporal, sedangkan kueri yang diberikan adalah
kueri spasial maka yang digunakan adalah indexing spasial, dan kueri spatio-temporal digunakan kedua indexing tersebut. Indexing spasial menghasilkan waktu pencarian lebih cepat hingga 70% dibandingkan dengan tidak adanya indexing. Indexingtemporal menghasilkan waktu pencarian 35% lebih cepat dibandingkan dengan tidak adanya indexing. Pada indexing spatio-temporal waktu pencarian yang dihasilkan lebih cepat sampai 50%. Hal di atas menunjukkan bahwa indexing spasial lebih berpengaruh terhadap pencarian dibandingkan indexing temporal. Hal ini disebabkan struktur tree yang digunakan pada indexingtemporal kurang sesuai. Banyaknya node child yang terhubung juga mepengaruhi kecepatan waktu pencarian. Semakin banyak node child yang terhubung pada node parent maka waktu pencarian juga akan semakin cepat.
Saran
Saran-saran yang dapat diberikan untuk pengembangan indexing spatio-temporal pada database spatiotemporal dengan konsep event-based spatiotemporal data model (ESTDM) ini agar lebih baik adalah sebagai berikut :
• Penggunaan data dengan tipe lain seperti polygon dan line pada indexing sehingga dapat diketahui apakah indexing dapat menangani semua tipe data spasial.
• Penggunaan struktur tree yang berbeda dalam indexingdatabase untuk melihat struktur yang paling bagus dalam indexing spasial dan temporal untuk data hotspot.
0 200 400 600 800 1000 1200 1400 JAWA TIMUR SUMATERA UTARA RIAU SULAWESI TENGGARA SULAWESI BARAT
index non‐index
