PEMODELAN DATA UNTUK PENDUKUNG SISTEM CERDAS
ANALISIS KESESUAIAN KEBUTUHAN DAN KETERSEDIAAN
SUMBERDAYA PEMBANGUNAN DESA MANDIRI
Dedi Trisnawarman
1)Zyad Rusdi
2)1) Sistem Informasi Fakultas Teknologi Informasi Universitas Tarumanagara Jakarta email : dtrisnawarman@gmail.com
ABSTRACT
Since the enactment of the Act. No. 6 In 2014, Village Government has great authority and resources to carry out rural development programs independently according to the needs and potentials. This study aims to build a data model that can support the application of intelligent systems for the analysis of needs and suitability of resources in the development of self-sufficient villages. The data model that is appropriate for the purpose of the analysis of decision-making is a data warehouse. The method used to build the data warehouse model approach Kimball (2010), includes nine stages or the so-called nine-step methodology. Nine of these stages are: Choose the process, Choose the grain, Identify and conform to the dimensions, Choose the facts, Store precalculation in the fact table, Round out the dimension tables, Choose the duration of the database, Tracking slowly changing dimensions, Decide the physical design. This study resulted in a design of data warehouse applications that consist of fact tables, dimension tables, meta data and Extract Transform Loading (ETL) processes. The resulting fact table, namely: the fact table analysis of the activities, the fact table analysis population, the fact table analysis of the proposal, and fact tables potential analysis while the dimension tables consists of tables: dim_time, dim_staf, dim_wilayah, dim_usulan, dim_anggaran, dim_potensi, dim population
Key words
Data warehouse, development, ETL, model, village
1. Pendahuluan
Kebutuhan aplikasi dan sistem informasi bagi organisasi modern merupakan tuntutan yang harus dipenuhi dalam era globalisasi dan abad informasi yang menuntut kecepatan dan keterhubungan satu sama lain tanpa dibatasi tempat dan waktu. Basisdata merupakan salah satu komponen terpenting dalam mewujudkan aplikasi sistem informasi, dan masing-masing organisasi memiliki model basisdata yang spesifik yang harus sesuai dengan proses bisnis masing-masing organisasi.
Pemerintahan Desa merupakan organisasi pemerintahan terkecil yang merupakan ujung tombak pembangunan nasional. Dengan diterapkannya UU Desa No 6 tahun 2014 [1] maka Pemerintahan Desa memiliki sumberdaya keuangan dan kemandirian untuk mewujudkan keberhasilan pembangunan dengan memaksimalkan semua potensi desa. Oleh karena itu dibutuhkan model basisdata yang terintegrasi untuk mendukung proses pembangunan tersebut.
Perkembangan pesat teknologi informasi dan komputasi cerdas, memungkinkan penerapan komputer dalam analisis dan pembuatan keputusan. Gartner (2012-2014) mencantumkan bahwa penerapan teknologi informasi dalam sistem cerdas untuk analisis pengambilan keputusan menempati rangking pertama sebagai teknologi paling diprioritaskan oleh para pimpinan perusahaan/Chief Executive Officer (CEO) [2]. Sistem cerdas bisa juga mengacu pada kepandaian yang ditunjukkan oleh suatu bentuk tiruan dan dipelajari disemua bidang ilmu seperti computer science, psikologi, filsafat, neuro science dan teknik mesin, yang berhubungan dengan kepandaian perilaku (behavior). Di Indonesia penelitian tentang sistem cerdas dalam membantu dalam pengambilan keputusan masalah pembangunan dan pemerintahan sudah dilakukan, diantaranya oleh Kusumaningrum [3], Sabria, et al. [4], Hartati [5], Ernawati [6].
Tulisan ini merupakan bagian tahap pertama dari penelitian sistem cerdas untuk penilaian kesesuaian program pembangunan desa yang terdiri dari tiga tahap. Tahap pertama adalah membangun model data, tahap kedua membangun model cerdas dan tahap ketiga adalah membangun prototype sistem cerdas yang mengintegrasikan hasil dari tahap pertama dan tahap kedua.
Penelitian diawali dengan studi literatur tentang pemodelan data, data warehouse, data mining, aplikasi pengambilan keputusan. Selanjutnya dilakukan pengumpulan data untuk mendukung investigasi sumber data yang akan menghasilkan arsitektur model. Langkah selanjutnya adalah identifikasi entitas dan atribut dari sumber data yang sudah diseleksi dalam arsitektur model. Berdasarkan entitas dan atribut yang terpilih maka langkah selanjutnya adalah membangun model
data warehouse menggunakan pendekatan Kimball, meliputi sembilan tahap atau yang disebut dengan nine step methodology. Sembilan tahap tersebut adalah : Choose the process, Choose the grain, Identify and conform the dimensions, Choose the facts, Store precalculation in the fact tabel, Round out the dimension tabel, Choose the duration of the basisdata, Tracking slowly changing dimensions, Decide the physical design [7].
2. Data Warehouse
Data Warehouse adalah suatu basisdata khusus untuk penunjang keputusan yang dikelola secara terpisah dari basisdata operasional. Data warehouse merupakan sekumpulan data yang berorientasi subjek, terintegrasi, tidak mudah berubah, dan berdasarkan kepada suatu rentang waktu tertentu yang berguna untuk mendukung proses pengambilan keputusan. Sebuah data warehouse merupakan data manajemen dan teknologi analisis data [8]. Data warehouse adalah sekumpulan data yang terintegrasi, berorientasi pada subjek yang dirancang dan digunakan untuk mendukung proses pengambilan keputusan dimana setiap unit dari data bersifat saling berhubungan untuk beberapa waktu tertentu [9].
Beberapa penelitian tentang pemodelan data warehouse untuk analisis pendukung pengambilan keputusan sudah banyak dilakukan, diantaranya adalah: Penelitian yang mengusulkan Multidimensional Aggregation Cube (MAC). MAC adalah model data konseptual user-centric yang menggunakan konsep yang dekat dengan cara pengguna OLAP melihat informasi tersebut. Model MAC menggambarkan data sebagai dimension levels, drilling relationships, dimension paths, dimensions, cubes dan attributes [10]. Penelitian yang membuat model berdasarkan analisis kebutuhan pengguna (User Requirements). Ada tiga prinsip desain persyaratan fungsional yang diidentifikasi dalam model tersebut yaitu: supply driven, goal-driven dan user-driven [11]. Peneliti yang membangun model berdasarkan pengalaman praktisi. Model yang diusulkan memiliki langkah-langkah sebagai berikut: mengembangkan enterprise data model, mendesain data warehouse terpusat, mengklasifikasi entitas, identifikasi hierarki, desain data marts [12]. Penelitian lain membangun model logis dan fisik berdasarkan data jejak audit alur kerja yang relevan dengan evaluasi kinerja proses bisnis untuk mengoptimalkan kinerja query seluruh data yang bervolume besar [13]. Penelitian yang mengusulkan kerangka kerja pemodelan perusahaan untuk penyebaran data warehouse. Kerangka kerja ini menyediakan peta jalan informasi yang mengkoordinasi sumber data dan data warehouse yang berbeda di seluruh perusahaan bisnis [14].
3. Desain Model Data
Desain model data terdiri dari desain arsitektur, skema bintang, dan meta data.
3.1. Desain Arsitektur Data Warehouse
Arsitektur data warehouse yang akan dirancang adalah aristektur data warehouse terpusat (centralized). Alasan memilih arsitektur data warehouse terpusat, yaitu: - Data yang terdapat dalam data warehouse memiliki
data yang terintegrasi dengan baik.
- Pemeliharaan data lebih mudah karena semua data terdapat dalam satu data warehouse.
Dalam rancangan ini, data internal maupun eksternal akan ditampung ke dalam satu wadah data warehouse sehingga user akan mudah untuk mengelolah data seperti melakukan pencarian data yang diperlukan. Gambar 3.1 menunjukan rancangan arsitektur data warehouse yang dibuat : Data program pembangunan Data Usulan program Data demografi Data potensi wilayah Data anggaran Data warehouse ETL Analisis kebutuhan dan ketersediaan sumberdaya
Gambar 3.1. Arsitektur Data Warehouse analisis kebutuhan dan ketersediaan sumberdaya
Data kependudukan/demografi adalah data tentang penduduk seperti nama, alamat, pekerjaan, usia, jenis kelamin dan alin sebagainya. Data potensi adalah data tentang wilayah dan potensi yang dimiliki seperti luas daerah, posisi, sumberdaya alam yang dmiliki dan lain sebagainya. Data program pembangunan adalah catatan tentang pembangunan baik pembangunan yang telah dilakukan maupun yang masih dalam tahap perencanaan. Data anggaran adalah data tentang jumlah anggaran yang dimiliki, sumber anggaran, penggunaan anggaran dan lain sebagainya. Data pemetaan masalah adalah data yang diperoleh dari masyarakat dan survey dilapangan yang berhubungan dengan permasalahan program pembangunan desa, seperti masalah infrastruktur, kesehatan, pendidikan dan lain sebagainya. Dari data tersebut akan dilakukan proses ETL (Extract, Transform, Loading) yang kemudian hasilnya akan disimpan ke dalam data warehouse.
ETL terdiri dari 3 proses, yaitu : extract, transform, load. Pada proses extract akan dilakukan pengambilan dan pemilihan data dari data source yang berbeda kemudian mem-parsingnya dalam format yang sama.
Data yang sudah di extract tersebut akan di transform ke dalam bentuk yang sesuai (dilakukan proses cleaning, filtering, dan join data). Setelah itu dilakukan proses load yaitu proses memasukkan data yang telah di transform ke dalam data warehouse).
3.2. Desain Skema Bintang
Desain data warehouse terdiri desain skema bintang yang terdiri dari tabel fakta, tabel dimensi, meta data dan proses ETL. Desain tabel fakta terdiri dari tabel fakta Analisis Kegiatan, tabel fakta Analisis Penduduk, tabel fakta Analisis Usulan. dan tabel fakta Analisis Potensi sedangkan tabel dimensi terdiri dari dim_time, dim_staf, dim_wilayah, dim_usulan, dim_anggaran, dim_potensi. Gambar 3.2. adalah gambar skema bintang yang menjelaskan tentang analisis kegiatan, jumlah kegiatan dan jumlah anggaran adalah atribut yang dianalisis dengan dimensi waktu, dimensi kegiatan, dimensi anggaran dan dimensi wilayah. Dari analisis tabel ini dapat diketahui berapa jumlah kegiatan dan jumlah anggaran yang berhubungan dengan waktu kegiatan, dan wilayah dimana kegiatan tersebut diadakan.
Gambar 3.2. Skema Bintang Analisis Kegiatan
Gambar 3.3, adalah gambar skema bintang yang menjelaskan tentang analisis usulan atau partisipasi dari masyarakat, yang dapat dihubungkan dengan profil pengusul, kegiatan yang diusulkan dan waktu.
Gambar 3.3. Skema Bintang Analisis Usulan
Gambar 3.4, bertujuan agar dapat digunakan untuk menganalisis jumlah potensi sumberdaya yang tersedia, yang dapat digunakan dalam pembangunan desa. Analisis jumlah potensi sumberdaya tersebut dapat dihubungkan dengan wilayah dan waktu.
Gambar 3.4. Skema Bintang Analisis Potensi Gambar 3.5, bertujuan agar dapat digunakan untuk menganalisis profil pengusul, berdasarkan data demografi penduduk.
Gambar 3.5 Tabel fakta Analisis Penduduk
Semua tabel fakta untuk analisis dihubungkan dengan tabel dimensi sesuai dengan kebutuhan analisis. Untuk kebutuhan analisis tersebut diperlukan tiga proses yang terdiri dari proses tabel dimensi (Gambar 3.6), proses tabel fakta (Gambar 3.7) dan proses stagging (Gambar 3.8).
3.3. Desain Metadata
Desain metadata bertujuan untuk memberikan gambaran tentang data yang digunakan dalam aplikasi yang akan dikembangkan, seperti nama atribut, tipe data, panjang data, sumber data, dan proses mendapatkan data tersebut. Berikut adalah penjelasan mengenai metadata tabel fakta dan tabel dimensi pada Pemerintahan Desa.
Tabel 3.1. Tabel fakta Analisis Potensi
Tabel 3.2. Tabel fakta Analisis Usulan
Tabel 3.3. Tabel fakta Analisis Kegiatan
Gambar 3.6. Proses Tabel Dimensi
Gambar 3.7. Proses Tabel Fakta
4. Kesimpulan
1. Penelitian ini menghasilkan sebuah rancangan aplikasi data warehouse yang mengintegrasikan data demografi penduduk, data anggaran, data potensi dan data usulan program pembangunan desa.
2. Model data yang dikembangkan dalam penelitian ini terdiri dari desain skema bintang/star schema yang terdiri dari tabel fakta/fact table, tabel dimensi/dimension table, dan meta data. Desain tabel fakta Analisis Kegiatan, tabel fakta Analisis Penduduk, tabel fakta Analisis Usulan dan tabel fakta Analisis Potensi, sedangkan tabel dimensi terdiri dari dim_time, dim_staf, dim_wilayah, dim_usulan, dim_anggaran, dim_kedatangan, dim_kematian, dim_kelahiran, dim_pindah, dim_potensi.
3. Rancangan aplikasi data warehouse yang dibangun dapat digunakan untuk mendukung sistem cerdas aplikasi pendukung pengambilan keputusan program pembangunan desa.
REFERENSI
[1] Undang-Undang Republik Indonesia Nomor 6 Tahun 2014
[2] https://www.gartner.com/doc/2668318/magic-quadrant-business-intelligence-analytics.
[3] Kusumaningrum R., Endah S.N., 2010. Sistem Pendukung Keputusan untuk Menganalisa Kesesuaian Jenis Vegetasi Mangrove Menggunakan Analytic Hierarchy Process (AHP). Prosiding Seminar Nasional Ilmu Komputer Universitas Diponegoro Semarang, 7 Agustus
[4] Sabria N.F.,, Othmana Z, Nayana N., Azman M.N., 2015. Aplikasi GIS dan AHP Dalam Kesesuaian Kawasan Penanaman Anggur: Kajian Kes di Negeri Perlis, Jurnal Teknologi Sciences & Engineering
[5] Hartati S., Nugroho A., 2012. Sistem Pendukung Keputusan Berbasis AHP (Analytical Hierarchy Process) Untuk Penentuan Kesesuaian Penggunaan Lahan (Studi Kasus : Kabupaten Semarang). Jurnal Teknologi Technoscientia ISSN: 1979-8415 Vol. 5 No. 1 Agustus [6] Ernawati, 2012. Penentuan Skala Prioritas Pembangunan
Waduk di Jawa Barat, Jurnal Sosioteknologi Edisi 25 Tahun 11, April
[7] Kimball, R., Ross M., 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling (3rd ed.). Wiley
[8] Connolly, T. M., and Begg. C. E., 2010, Database Systems: A Practical Approach to Design, Implementation, and Management, fifth Edition. Addison-Wesley, Reading, Massachusetts
[9] Inmon, Wiley H., 2005, Building The Data warehouse, Fourth Edition, Indiana: Wiley Publishing, Inc.
[10] Tsois, A., Karayannidis, N., Sellis, T., 2001. MAC: Conceptual data modeling for OLAP. In Proceedings International Workshop on Design and Management of Data Warehouses. Interlaken, Switzerland
[11] Golfarelli. M., 2009, Chapter 1 from User Requirements to Conceptual Design in Data Warehouse – a Survey [12] Moody. D. L., 2000, Proceedings of the International
Workshop on Design and Management of Data Warehouses (DMDW'2000) Stockholm, Sweden, June 5-6 [13] Pau K. C., Si Y. W., Dumas M., 2007, Data Warehouse Model for Audit Trail Analysis in Workflows. IEEE International Conference on e-Business Engineering (ICEBE 2007)
[14] Joseph O. Chan. J. O., 2004., Building Data Warehouses Using The Enterprise Modeling Framework. Journal of International technology and Information Management 2004 Volume 13, Number 2
