HASIL DAN PEMBAHASAN. Sistem Operasi: Microsoft Windows XP

(1)

Sistem OperasiMicrosoft Windows XP Professional Service Pack 2

Sedangkan spesifikasi inti kedua virtual komputernya adalah:

Prosesor tunggal

Memori 512 MB

Harddisk 8 GB

Sistem Operasi: Microsoft Windows XP Professional Service Pack 2

Aplikasi inti yang berjalan didalamnya yaitu:

Web Server Apache 2.0.52

Microsoft Internet Explorer 6

Microsoft Excel 2003

Perbedaan antara kedua komputer virtual tersebut adalah aplikasi Palo dan interpreter PHP yang masing-masing di-install dengan versi yang berbeda.

HASIL DAN PEMBAHASAN

Migrasi Data dan Aplikasi OLAP

Pada aplikasi OLAP yang berjalan di Palo 2.0, saat menampilkan daftar kubusyang ada, daftar kubus-nya terdiri atas kubus utama (kubus mahasiswa dan kubus pelamar) dan sub-sub kubusnya. Hal ini menimbulkan error pada aplikasi OLAP ketika dijalankan karena pada saat inisialisasi aplikasi OLAP tersebut memanggil indeks kubus berdasarkan indeks angka.

Pada aplikasi OLAP Palo 1.0c indeks angka kubus utama pada array kubus-nya berbeda dengan indeks angka pada aplikasi OLAP Palo 2.0 karena aplikasi OLAP Palo 2.0 daftar kubus pada array-nya terdiri atas kubus utama dan sub kubus dan indeks angka pada kubus utamanya berada pada indeks angka setelah 0 dan 1. Perbedaan array pada kedua versi Palo dapat dilihat pada Gambar 7.

Gambar 7 Perbedaan array pada Palo versi 1.0c dengan 2.0.

Sub-sub kubus itu dapat dibedakan dengan namanya, yaitu sub kubus selalu diawali dengan karakter “#”. Untuk itu perlu ditambah fungsi untuk mengubah isi dari array kubus sehingga array kubus-nya hanya terdiri dari kubus-kubus utama, yaitu kubus mahasiswa dan kubus pelamar. Berikut adalah fungsi penghilangan sub-kubus dari array kubus pada aplikasi OLAP Palo 2.0:

protected function normal_cube($arr) {

$arr_length=count($arr); $new_cubes=array(); $c=0;

for ($a=0; $a<$arr_length; $a++){

if(substr($arr[$a],0,1)!=='#'){ $new_cubes[$c]=$arr[$a]; $c++;

} }

return $new_cubes; }

Fungsi tersebut ditambahkan pada modul olap_function.class.php dan dipanggil setelah perintah palo_database_list_cube().

Mekanisme konfigurasi server OLAP pada masing-masing versi Palo juga berbeda. Pada Palo 1.0c konfigurasi dilakukan pada dua file, yaitu file auth.xml untuk konfigurasi user access dan file config.xml untuk konfigurasi alamat server OLAP dan port-nya. Sedangkan pada Palo 2.0, konfigurasi dilakukan hanya pada satu file yaitu file palo.ini. File-file konfigurasi tersebut terletak pada folder tempat basis data Palo disimpan. Dari file-file konfigurasi tersebut, secara defaultuser login dan port untuk API dari masing-masing versi Palo juga berbeda, sehingga modul conf.app.php untuk aplikasi OLAP yang berjalan di Palo 2.0. perlu diubah. Berikut adalah baris yang perlu diubah dari modul conf.app.php:

$config['paloPort'] = 7777; $config['paloUsername'] = 'admin'; $config['paloPassword'] =

(2)

Hasil Pembandingan

Hasil pembandingan dari kedua aplikasi OLAP ini adalah sebagai berikut:

Operasi drill-down kubus mahasiswa

Operasi drill-down pada kubus

mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 5, ukuran yang dipakai yaitu rataan IPK TPB, dan level hirarki program studi dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drill-down kubus mahasiswa dapat dilihat pada Lampiran 7. Gambar 8 sampai dengan Gambar 11 menunjukkan hasil pembandingan waktu operasi drill-down untuk tiap level hirarki program studi dari kubus mahasiswa.

Gambar 8 Waktu eksekusi operasi drill-down pada kubus mahasiswa berdasarkan jumlah filter dimensi dengan ukuran rataan IPK TPB, hirarki program studi level 0.

(3)

Dari keempat grafik pada Gambar 8, 9, 10, dan 11 diperoleh bahwa semakin

banyak filter dimensi yang

dikombinasikan dengan operasi drill-down untuk aplikasi OLAP Palo 1.0c semakin cepat waktu eksekusinya. Berbeda dengan aplikasi OLAP Palo versi 2.0 yang justru cenderung semakin lambat waktu eksekusinya meskipun tidak terlalu signifikan.

Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c. Terkecuali untuk operasi drill-down level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter dimensi 5. Semakin banyak jumlah filter dimensi semakin kecil perbedaan waktu eksekusinya.

Operasi drill-down kubus pelamar

Operasi drill-down pada kubus

mahasiswa dilakukan dengan mengkombinasikan jumlah filter dimensi dari 0 hingga 7, ukuran yang dipakai yaitu jumlah pelamar USMI, dan level hirarki program studi putusan dan program studi pilihan 1 masing-masing dari level 0 (All) hingga level 3 (program studi). Hasil dari penghitungan lama waktu operasi drill-down kubus pelamar dapat dilihat pada Lampiran 8. Gambar 12 sampai dengan Gambar 15 menunjukkan pembandingan waktu operasi drill-down untuk tiap level

hirarki program studi putusan dan program studi pilihan 1 dari kubus pelamar.

Gambar 12 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 0.

Gambar 13 Waktu eksekusi operasi

drill-down pada kubus pelamar

berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 1.

(4)

Gambar 14 Waktu eksekusi operasi drill-down pada kubus pelamar berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 2.

Gambar 15 Waktu eksekusi operasi

drill-down pada kubus pelamar

berdasarkan jumlah filter dimensi dengan ukuran jumlah pelamar USMI, hirarki program studi putusan dan program studi pilihan 1 level 3.

Pada keempat grafik pada Gambar 12, 13, 14, dan 15 diperoleh bahwa untuk jumlah filter dimensi 0, aplikasi OLAP Palo 2.0 jauh lebih cepat sekitar empat sampai lima kali dari pada aplikasi OLAP Palo 1.0c. Sedangkan untuk perbedaan terkecil terjadi pada saat jumlah filter dimensinya 3.

Pada jumlah filter dimensi di bawah 3, rata-rata dari grafik pada Gambar 12, 13, 14, dan 15, aplikasi OLAP Palo 2.0 lebih

cepat dibanding aplikasi Palo 1.0c. Sedangkan untuk jumlah filter dimensi di atas 3, justru aplikasi OLAP Palo 1.0c lebih cepat dari aplikasi OLAP Palo 2.0.

Operasi slice kubus mahasiswa

Proses pembandingan waktu operasi untuk operasi slice pada kubus mahasiswa dilakukan dengan kombinasi seperti dalam Tabel 1. Hasil dari penghitungan lama waktu operasi slice kubus mahasiswa dapat dilihat pada Lampiran 9.

Tabel 1 Kombinasi untuk operasi slice kubus mahasiswa No Tampilan Dimensi (baris × kolom) Elemen Dimensi Terpilih Ukuran 1 Jalur × Program Studi

Tahun = 2001 Rataan IPK

2

Jalur × Program

Studi JK = Perempuan Rataan IPK

3 Jalur × Program Studi Pekerjaan Ayah = PNS Jumlah Mahasiswa 4 Jalur × Program Studi Pendidikan Ayah = P2 Jumlah Mahasiswa 5 Jalur × Program Studi Pendidikan Ibu = P1 Jumlah Mahasiswa 6 Jalur ×

Waktu JK = Lelaki Rataan IPK

7 Jalur × Waktu

Departemen =

Ilmu Komputer Rataan IPK 8 Jalur × Waktu Pendidikan Ayah = P1 Jumlah Mahasiswa 9 Jalur × Waktu Pendidikan Ibu = P0 Jumlah Mahasiswa 10 Jalur × Waktu Pekerjaan Ayah = PNS Jumlah Mahasiswa

Dari kombinasi pada Tabel 1, didapat hasil lamanya waktu operasi slice pada kubus mahasiswa untuk masing-masing kombinasi seperti tercantum dalam Gambar 16.

(5)

Gambar 16 Waktu eksekusi operasi slice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 1. Dari gambar grafik pada Gambar 16, diperoleh secara rata-rata aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 3, yaitu dengan tampilan dimensi Jalur × Program Studi, elemen dimensi terpilih JK = Perempuan, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 10 kali. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 8 dari Tabel 1, yaitu dengan tampilan dimensi Jalur ×

Waktu, elemen dimensi terpilih Pendidikan Ayah = P1, dan ukuran Jumlah Mahasiswa.

Operasi slice kubus pelamar

Proses pembandingan waktu operasi untuk operasi slice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 2. Hasil dari penghitungan lama waktu operasi slice kubus pelamar dapat dilihat pada Lampiran 10.

Tabel 2 Kombinasi untuk operasi slice kubus pelamar No Tampilan Dimensi (baris × kolom) Elemen Dimensi Terpilih Ukuran 1 Asal × Studi Pilihan 1 Tahun = 2004 Jumlah Pelamar USMI 2 Asal × Studi Pilihan 1 Jenis Kelamin = Perempuan Jumlah Pelamar USMI 3 Asal × Studi Pilihan 1 Studi Putusan = Tidak Diterima Jumlah Pelamar USMI 4 Asal × Studi Putusan Jenis Kelamin = Lelaki Jumlah Pelamar USMI 5 Asal × Studi Putusan Kategori SLA = B Jumlah Pelamar USMI No Tampilan Dimensi (baris × kolom) Elemen Dimensi Terpilih Ukuran 6 Asal × Waktu Studi Putusan = Ilmu Komputer Jumlah Pelamar USMI 7 Asal × Waktu Studi Pilihan 1 = Statistika Jumlah Pelamar USMI 8 Asal × Waktu Biaya hidup = < Rp. 100 ribu Jumlah Pelamar USMI 9 Asal × Waktu Jenis Kelamin = Lelaki Jumlah Pelamar USMI 10 Asal ×

Waktu Kategori SLA = A

Jumlah Pelamar USMI

Dari kombinasi pada Tabel 2, didapat hasil lamanya waktu operasi slice pada kubus pelamar untuk masing-masing kombinasi seperti tercantum dalam Gambar 17.

Gambar 17 Waktu eksekusi operasi slice pada kubus pelamar dengan kombinasi operasi pada Tabel 2.

Dari Gambar 17 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi slice yang menggunaan kombinasi 7 dari Tabel 2, yaitu dengan tampilan dimensi Asal ×

Waktu, elemen dimensi terpilih Studi Pilihan 1 = Statistika, dan ukuran Jumlah Pelamar USMI.

Operasi dice kubusmahasiswa

Proses pembandingan waktu operasi untuk operasi dice pada kubus mahasiswa dilakukan dengan kombinasi seperti dalam

(6)

Tabel 3. Hasil dari penghitungan lama waktu operasi dice kubus mahasiswa dapat dilihat pada Lampiran 11.

Tabel 3 Kombinasi untuk operasi dice kubus mahasiswa No Tampilan Dimensi (baris × kolom) Elemen Dimensi Terpilih Ukuran 1 Jalur × Program Studi Jalur = USMI or SPMB Fakultas = MIPA or FAPERTA Rataan IPK 2 Jalur × Pendidikan Ayah Jalur = USMI or SPMB Pendidikan Ayah = P2 or P3 Rataan IPK 3 Jalur × Pekerjaan Ayah Jalur = USMI or SPMB Pekerjaan Ayah = PNS or Pegawai Swasta Jumlah Mahasis wa 4 Jalur × Waktu Jalur = USMI or SPMB Waktu = 2001 or 2004 Jumlah Mahasis wa 5 Pendidikan Ayah × Pendidikan Ibu Pendidikan Ayah = P2 or P3 Pendidikan Ibu = P1 or P2 Rataan IPK 6 Pekerjaan Ayah × Program Studi Pekerjaan Ayah = PNS or Pegawai Program Studi = Ilmu Komputer or Matematika Rataan IPK

Dari kombinasi pada Tabel 3, didapat hasil lamanya waktu operasi dice pada kubus mahasiswa untuk masing-masing kombinasi seperti tercantum dalam Gambar 18.

Gambar 18 Waktu eksekusi operasi dice pada kubus mahasiswa dengan kombinasi operasi pada Tabel 3. Dari Gambar 18 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 1 pada Tabel 3, yaitu dengan tampilan dimensi

Jalur × Program Studi, elemen dimensi terpilih Jalur = USMI atau SPMB dan Fakultas = MIPA atau FAPERTA, dan ukuran Rataan IPK, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar tujuh kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice yang menggunaan kombinasi nomor 5 dari Tabel 3, yaitu dengan tampilan dimensi Jalur × Pekerjaan Ayah, elemen dimensi terpilih Jalur = USMI atau SPMB dan Pekerjaan Ayah = PNS atau Pegawai Swasta, dan ukuran Jumlah Mahasiswa.

Operasi dice kubus pelamar

Proses pembandingan waktu operasi untuk operasi dice pada kubus pelamar dilakukan dengan kombinasi seperti dalam Tabel 4. Hasil dari penghitungan lama waktu operasi dice kubus pelamar dapat dilihat pada Lampiran 12.

Tabel 4 Kombinasi untuk operasi dice kubus pelamar No Tampilan Dimensi (baris × kolom) Elemen Dimensi Terpilih Ukuran 1 Studi Pilihan 1 × Studi Pilihan 2 Studi Pilihan 1 = Ilmu Komputer or Statistika Studi Pilihan 2 = Ilmu Komputer or Statistika Jumlah Pelamar USMI 2 Biaya Hidup × Waktu Biaya Hidup = < Rp. 100 ribu or > Rp 500 ribu Waktu = 2001 or 2004 Jumlah Pelamar USMI 3 Asal × Studi Pilihan 1 Asal = Jawa or Sumatera Studi Pilihan 1 = Ilmu Komputer or Statistika Jumlah Pelamar USMI 4 Asal × Studi Putusan Asal = Jawa or Sumatera Studi Putusan = Ilmu Komputer or Statistika Jumlah Pelamar USMI

Dari kombinasi pada Tabel 4, didapat hasil lamanya waktu operasi dice pada kubus pelamar untuk masing-masing kombinasi seperti tercantum dalam Gambar 19.

(7)

Gambar 19 Waktu eksekusi operasi dice pada kubus pelamar dengan kombinasi operasi pada Tabel 4.

Dari Gambar 19 diperoleh secara keseluruhan aplikasi OLAP Palo 2.0 lebih cepat dibandingkan aplikasi OLAP Palo 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 pada Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c. Sedangkan untuk selisih waktu eksekusi terkecil terjadi pada operasi dice yang menggunaan kombinasi 1 dari Tabel 4, yaitu dengan tampilan dimensi Studi Pilihan 1 × Studi Pilihan 2, elemen dimensi terpilih Studi Pilihan 1 = Ilmu Komputer atau Statistika dan Studi Pilihan 2 = Ilmu Komputer atau Statistika, dan ukuran Jumlah Pelamar USMI.

KESIMPULAN DAN SARAN

Kesimpulan

Dari penelitian ini didapatkan bahwa untuk dapat melakukan migrasi data dan aplikasi OLAP Palo versi 1.0c ke 2.0 ada beberapa perubahan yang perlu diperhatikan, diantaranya yaitu file konfigurasi server Palo, port API server Palo, login default API server Palo, dan kesesuaian interpreter dari programmingscript yang dipakai dengan API server Palo yang dipakai. Selain itu juga hasil dari query kubus data pada Palo 2.0 terjadi perubahan, sehingga perlu ditambahkan fungsi pada aplikasi OLAP yang telah dibuat untuk menghilangkan perbedaan tersebut.

Dari pembandingan operasi drill-down, pada aplikasi OLAP Palo 1.0c untuk jumlah filter dimensi di bawah 2 perbedaan kinerjanya tertinggal jauh dari versi 2.0, namun bila jumlah filter dimensinya di atas 2

kinerjanya bisa menyamai versi 2.0 bahkan cenderung lebih cepat walaupun tidak terlalu signifikan. Perbedaan waktu eksekusi terbesar terjadi pada operasi drill-down dengan jumlah filter dimensi 0, di mana aplikasi OLAP Palo 2.0 hampir sepuluh kali lebih cepat dari aplikasi OLAP Palo 1.0c di kubus mahasiswa dan empat sampai lima kali lebih cepat di kubus pelamar. Terkecuali untuk operasi drill-down level 0, perbedaan waktu terkecil terjadi pada operasi drill-down dengan jumlah filter dimensi 5 untuk kubus mahasiswa dan jumlah filter dimensi 3 untuk kubus pelamar. Semakin banyak jumlah filter dimensi cenderung semakin kecil perbedaan waktu eksekusinya.

Dari pembandingan operasi slice, kinerja aplikasi OLAP Palo 2.0 secara rata-rata jauh mengungguli kinerja versi 1.0c, terutama untuk operasi slice pada kubus pelamar. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 10 di Tabel 2, yaitu dengan tampilan dimensi Asal × Waktu, elemen dimensi terpilih Kategori SLA = A, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 70 kali aplikasi OLAP Palo 1.0c.

Sama halnya dengan operasi slice, dari hasil pembandingan kinerja untuk operasi dice, Palo 2.0 lebih unggul dari versi 1.0c. Perbedaan selisih waktu terbesar terjadi pada kombinasi nomor 2 di Tabel 4, yaitu dengan tampilan dimensi Biaya Hidup × Waktu, elemen dimensi terpilih Biaya Hidup = < Rp. 100 ribu atau > Rp. 500 ribu dan Waktu = 2001 atau 2004, dan ukuran Jumlah Pelamar USMI, di mana aplikasi OLAP Palo 2.0 lebih cepat sekitar 17 kali dari aplikasi OLAP Palo 1.0c.

Saran

Saran untuk penelitian berikutnya adalah dilakukan pembandingan yang meliputi banyaknya jumlah sumber daya yang dibutuhkan pada masing-masing aplikasi dalam melakukan suatu operasi OLAP