UNIVERSITAS INDONESIA Perancangan dan Im

(1)

UNIVERSITAS INDONESIA

Perancangan dan Implementasi Data Warehouse Spasial untuk

mendukung Layanan Kebencanaan: Studi Kasus Badan

Informasi Geospasial (BIG)

KARYA AKHIR

IRENA SUSANTI

1206194631

FAKULTAS ILMU KOMPUTER

PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI

JAKARTA

(2)

UNIVERSITAS INDONESIA

Perancangan dan Implementasi Data Warehouse Spasial untuk

mendukung Layanan Kebencanaan: Studi Kasus Badan

Informasi Geospasial (BIG)

KARYA AKHIR

Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Teknologi Informasi

IRENA SUSANTI

1206194631

FAKULTAS ILMU KOMPUTER

PROGRAM STUDI MAGISTER TEKNOLOGI INFORMASI

JAKARTA

(3)

ii

HALAMAN PERNYATAAN ORISINALITAS

Karya Akhir ini adalah hasil karya sendiri,

dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar

Nama : Irena Susanti

NPM : 1206194631

Tanda tangan :

(4)

Karya Akhir ini diajukan oleh: Nama : Irena Susanti

NPM : 1206194631

Program Studi : Magister Teknologi Informasi

Judul : Perancangan dan Implementasi Data Warehouse Spasial untuk mendukung Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (BIG).

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian pernyataan yang diperlukan untuk memperoleh gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer, Universitas Indonesia.

DEWAN PENGUJI

Pembimbing : Dr. Achmad Nizar Hidayanto (……….)

Penguji :

Ditetapkan di :

(5)

iv

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat dan rahmat-Nya, penulis dapat menyelesaikan Karya Akhir ini. Penulisan Karya Akhir dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar Magister Teknologi Informasi pada Program Studi Magister Teknologi Informasi, Fakultas Ilmu Komputer – Universitas Indonesia. Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan karya akhir ini, sangatlah sulit bagi penulis untuk menyelesaikannya. Oleh karena itu, penulis mengucapkan terimakasih kepada:

1. Bapak Dr. Achmad Nizar, selaku dosen pembimbing yang telah menyediakan waktu, tenaga, dan pikiran untuk mengarahkan dalam penyusunan Karya Akhir ini.

2. Dosen Penguji yang telah menguji dan memberikan saran dan perbaikan pada Karya Akhir ini.

3. Badan Informasi Geospasial (BIG), yang telah memberikan bantuan beasiswa. 4. Narasumber dan pihak-pihak terkait yang telah membantu dalam mendapatkan

data dan informasi untuk bahan penelitian Karya Akhir ini.

5. Suami tercinta, Andrian Libriyono, yang telah memberikan pengertian, perhatian, dukungan, dan semangat yang telah diberikan pada penulis.

6. Kedua orang tua tercinta, yang telah memberikan dukungan, doa, dan perhatian yang telah diberikan kepada penulis.

7. Staf di Magister Teknologi Informasi, yang telah membantu kelancaran perkuliahan dan Karya Akhir.

8. Teman – teman di MTI 2012SA, yang telah membantu dalam melewati masa-masa perkuliahan.

Akhir kata, semoga Allah SWT membalas semua kebaikan dan bantuan yang telah diberikan dengan pahala yang berlipat ganda. Semoga Karya Akhir ini memberikan manfaat bagi pengembangan ilmu pada umumnya dan bagi penulis pada khususnya.

(6)

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini:

Nama : Irena Susanti

NPM : 1206194631

Program Studi : Magister Teknologi Informasi Fakultas : Ilmu Komputer

Jenis Karya : Karya Akhir

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:

Perancangan dan Implementasi Data Warehouse Spasial untuk mendukung Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (BIG).

Dengan Hak Bebas Royalti Non-eksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan karya akhir saya tanpa meminta izin dari saya selama tetap mencantumkan saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta Pada Tanggal : Juni 2014

Yang menyatakan

(7)

vi Universitas Indonesia ABSTRAK

Nama : Irena Susanti

Program Studi : Magister Teknologi Informasi

Judul : Perancangan dan Implementasi Data Warehouse Spasial untuk mendukung Layanan Kebencanaan: Studi Kasus Badan Informasi Geospasial (BIG).

Indonesia merupakan daerah rawan multi bencana alam, yang sering terjadi tanpa dapat diprediksikan terlebih dahulu. Bencana alam tersebut telah berdampak pada timbulnya korban jiwa, kerusakan lingkungan, kerugian harta benda, dan dampak psikologis sehingga dalam keadaan tertentu dapat menghambat pembangunan nasional. Kebutuhan data dan informasi geospasial (IG) terkait kebencanaan ini, sangat penting dalam pengelolaan bencana, termasuk proses mitigasi, penanganan kondisi darurat, maupun rehabilitasi. Sebagai institusi yang berwenang dan bertanggung jawab terhadap penyelenggaraan IG dasar dan pembinaan IG tematik nasional, Badan Informasi Geospasial (BIG) perlu menyediakan layanan data terkait kebencanaan, yang melibatkan berbagai data dan informasi geospasial tematik. Dalam penyediaan layanan tersebut, BIG membangun sebuah Geospatial Support Command Center (GSCC), yang diperlukan untuk menyediakan layanan data dan IG terintegrasi dalam suatu data warehouse.

Penelitian ini dilakukan untuk memberikan rekomendasi desain dan pengintegrasian data melalui perancangan dan pengimplementasian data warehouse spasial di BIG yang dapat mendukung layanan – layanan IG, termasuk layanan IG untuk kebencanaan. Pendekatan data warehouse spasial yang digunakan adalah pendekatan analysis-driven yang dikemukakan oleh Malinowski dan Zimanyi. Pengumpulan data didapatkan dari hasil observasi lapangan, dokumen – dokumen internal organisasi, dan wawancara dengan dengan narasumber dari unit-unit kerja yang berkaitan dengan pengelolaan data geospasial terkait kebencanaan.

Hasil akhir dari penelitian ini adalah implementasi data warehouse spasial serta

dashboard spasial, sehingga dapat mempermudah pemanfaatan informasi terkait bencana. Hasil penelitian ini memberikan rekomendasi berupa lokasi kejadian, sehingga penanganan bencana dapat tepat dan sesuai sasaran.

Kata Kunci: data warehouse, data warehouse spasial, bencana, pendekatan

analysis-driven.

(8)

ABSTRACT

Name : Irena Susanti

Study Program : Magister of Information Technology

Title : Design and Implementation of Spatial Data Warehouse For Supporting Disaster Service: Case Study Geospatial Information Agency.

Indonesia is an areaof multi disaster risks that often happen unpredictably. Those disasters have caused the loss of lives, environmental damages, loss of properties, and psychological impacts that under certain circumstances have hindered national development. The need for geospatial data and information related to disasters is very important in the management of disasters, including mitigation process, emergency supports, as well as rehabilitation process. As a state government agency that is responsible for providing basic geospastial information (GI) and as a supervisor in the thematic geospatial development, Geospatial Information Agency (BIG) needs to provide GI services related to disasters, which of course involve variety of thematic geospatial data and information. In the provision of GI services, BIG has developed a Geospatial Support Command Center (GSCC), that provides geospatial data and information services, integrated in a data warehouse.

This research was conducted to provides recommendations for the design and integration of data through the design and implementation of spatial data warehouse in BIG that can support the GI services, including GI to support disasters. Spatial data warehouse approach which is used is analysis-driven approach that proposed by Malinowski and Zimanyi. Data collecting is obtained from field observations result, the internal documents of the organization, and interview with speaker from related working units who manage geospatial data and information related to disasters.

The final results of this research are spatial data warehouse implementation and spatial dashboard, to facilitate the utilization of disaster-related information. It provides recommendations to the location of incident, so that disaster management can be done precisely.

Keywords: data warehouse, spatial data warehouse, disaster, analysis-driven approach.

(9)

viii Universitas Indonesia DAFTAR ISI

HALAMAN JUDUL ... i

HALAMAN PERNYATAAN ORISINALITAS ... ii

HALAMAN PENGESAHAN ... iii

KATA PENGANTAR ... iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ... v

ABSTRAK ... vi

DAFTAR ISI ... viii

DAFTAR GAMBAR ... x

DAFTAR TABEL ... xiii

1. PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Perumusan Masalah ... 6

1.3 Tujuan dan Manfaat Penelitian ... 7

1.4 Batasan Penelitian ... 8

1.5 Sistematika Penulisan ... 8

2. LANDASAN TEORI ... 10

2. 1 Data, Informasi, dan Knowledge ... 10

2. 2 Bencana ... 11

2. 3 Data Spasial ... 14

2.3.1 Data Vektor ... 16

2.3.2 Data Raster ... 17

2.3.3 Klasifikasi Fungsional Data Spasial ... 18

2.3.4 Objek Spasial (Spatial Object) ... 20

2.3.5 Spatial Data Types ... 20

2.3.6 Sistem Referensi Spasial (Spatial Reference System) ... 22

2.3.7 Topological Relationships ... 22

2.3.8 Katalog Fitur Dataset Fundamental ... 23

2. 4 Data Warehouse ... 24

2.4.1 Karakteristik Data Warehouse ... 24

2.4.2 Data Mart ... 26

2.4.3 Pemodelan Data Warehouse ... 26

2.4.4 Multidimensional Model ... 28

2.4.5 Extract, Transform, Load (ETL) ... 29

2.4.6 Metode Pengembangan Data Warehouse ... 31

2.4.7 Online Analytical Processing (OLAP) ... 39

2. 5 Spatial Data Warehouse ... 40

2. 5. 1 Spatial Level, Spatial Attributes ... 41

2. 5. 2 Spatial Hierarchies ... 42

2. 5. 3 Spatial Fact Relationship ... 42

2. 5. 4 Spatial Dimension, Spatial Measures ... 42

2. 5. 5 Metode Pengembangan Data Warehouse Spasial ... 42

2. 6 Penelitian Sebelumnya ... 47

2. 7 Theoritical Framework ... 51

3. METODOLOGI PENELITIAN ... 52

(10)

3. 2 Metode Pengumpulan Data ... 52

3.2.1 Observasi Lapangan ... 53

3.2.2 Wawancara ... 53

3. 3 Instrumen Penelitian ... 53

3. 4 Tahapan Penelitian ... 54

3.4.1 Identifikasi Masalah ... 56

3.4.2 Studi Literatur ... 56

3.4.3 Spesifikasi Kebutuhan ... 56

3.4.4 Perancangan Konseptual ... 57

3.4.5 Perancangan Lojikal ... 57

3.4.6 Perancangan Fisikal ... 58

4. PROFIL ORGANISASI ... 59

4. 1 Tinjauan Organisasi ... 59

4. 2 Visi, Misi, Tujuan, dan Sasaran ... 60

4. 3 Struktur Organisasi ... 62

4. 4 Kepemilikan Data Spasial ... 64

5. HASIL DAN PEMBAHASAN ... 66

5.1 Spesifikasi Kebutuhan ... 66

5. 1. 1 Identifikasi Pengguna ... 66

5. 1. 2 Analisis Data dan Kebutuhan Informasi ... 68

5.2 Perancangan Konseptual ... 70

5. 2. 1 Perancangan Arsitektur Data Warehouse Spasial ... 71

5. 2. 2 Pembuatan Skema Awal Data Warehouse Spasial ... 72

5. 2. 3 Ketersediaan dan pemetaan data ... 73

5. 2. 4 Pembuatan Skema Data Warehouse Spasial ... 75

5.3 Perancangan Lojikal ... 75

5.3. 1 Representasi lojikal skema Data Warehouse Spasial ... 75

5.3. 2 Pendefinisian Proses ETL ... 76

5.4 Perancangan Fisikal ... 78

5.4. 1 Implementasi Skema Data Warehouse Spasial ... 78

5.4. 2 Implementasi Proses ETL ... 91

5.4. 3 OLAP ... 95

5.4. 4 Implementasi Dashboard Spasial ... 109

5.5 Analisis Hasil Dashboard ... 112

6. KESIMPULAN DAN SARAN ... 117

DAFTAR PUSTAKA ... 119

(11)

x Universitas Indonesia DAFTAR GAMBAR

Gambar 1. 1 Roadmap implementasi inisiatif Blueprint SI/TI ... 6

Gambar 1. 2 Analisis masalah dengan fishbone ... 6

Gambar 2. 1 Piramid Data, Informasi, dan Knowledge (Rob & Coronel, 2009) 10 Gambar 2. 2 Siklus Manajemen Bencana (Warfield, 2008) ... 13

Gambar 2. 3 Jenis Data Spasial (Yeung & Hall, 2007) ... 16

Gambar 2. 4 Visualisasi data vektor (Neumann, Freimark, & Wehrle, 2010) ... 17

Gambar 2. 5 Visualisasi data raster dalam pixel (Neumann, Freimark, & Wehrle, 2010) ... 18

Gambar 2. 6 Klasifikasi Fungsional Data Spasial (Yeung & Hall, 2007) ... 20

Gambar 2. 7 Spatial Data Types (Malinowski dan Zimanyi, 2008). ... 22

Gambar 2. 8 Contoh Topological Relationships (Malinowski dan Zimanyi, 2008) ... 23

Gambar 2. 9 Subject-oriented pada data warehouse (Inmon, 2005) ... 25

Gambar 2. 10 Star Join Approach (Inmon, 2005) ... 27

Gambar 2. 11 Snowflake Approach (Inmon, 2005) ... 28

Gambar 2. 12 Contoh 3-dimensional cube data penjualan (Malinowski dan Zimanyi, 2008) ... 29

Gambar 2. 13 Proses ETL (Turban et al., 2011) ... 29

Gambar 2. 14 Data Warehouse SDLC (Inmon, 2005) ... 32

Gambar 2. 15 Kimball Lifecycle (Kimball, 2008)... 32

Gambar 2. 16 Pendekatan Analysis-Driven (Malinowski dan Zimanyi, 2008) .... 35

Gambar 2. 17 Pendekatan Source-Driven (Malinowski dan Zimanyi, 2008) ... 37

Gambar 2. 18 Pendekatan Analysis/Source-Driven (Malinowski dan Zimanyi, 2008) ... 38

Gambar 2. 19 Contoh Spatial Multidimensional Schema (Malinowski dan Zimanyi, 2008) ... 41

Gambar 2. 20 Pendekatan Analysis-DrivenData Warehouse Spasial (Malinowski dan Zimanyi, 2008) ... 44

Gambar 2. 21 Pendekatan Source-Driven Data Warehouse Spasial (Malinowski dan Zimanyi, 2008) ... 46

Gambar 2. 22 Pendekatan Analysis/Source-Driven Data Warehouse Spasial (Malinowski dan Zimanyi, 2008) ... 47

Gambar 2. 23 Theoritical Framework ... 51

Gambar 3. 1 Alur Metodologi Penelitian ... 55

Gambar 5. 1 Alur Data Kebencanaan ... 66

Gambar 5. 2 Arsitektur Lojikal Data Warehouse Spasial ... 71

Gambar 5. 3 Arsitektur Fisikal Data Warehouse Spasial ... 72

Gambar 5. 4 Skema Informasi Bencana ... 73

Gambar 5. 5 Koneksi Basisdata menggunakan ArcGIS Desktop 10 ... 80

Gambar 5. 6 Fitur Data Spasial dan Tabel pada ArcGIS Desktop 10... 81

Gambar 5. 7 Koneksi pada Oracle Analytic Workspace Manager ... 82

Gambar 5. 8 Dimensi Wilayah Administrasi pada Oracle Analytic Workspace Manager ... 82

Gambar 5. 9 Level pada Dimensi Wilayah Administrasi ... 83

(12)

Gambar 5. 11 Atribut pada Dimensi Wilayah Administrasi ... 84

Gambar 5. 12 Pemetaan Tabel dengan Dimensi Wilayah Administrasi ... 84

Gambar 5. 13 Dimensi Bencana pada Oracle Analytic Workspace Manager ... 85

Gambar 5. 14 Level pada Dimensi Bencana ... 85

Gambar 5. 15 Hirarki pada Dimensi Bencana ... 85

Gambar 5. 16 Atribut pada Dimensi Bencana ... 86

Gambar 5. 17 Pemetaan Tabel dengan Dimensi Bencana ... 86

Gambar 5. 18 Dimensi Waktu pada Oracle Analytic Workspace Manager ... 87

Gambar 5. 19 Level pada Dimensi Waktu ... 87

Gambar 5. 20 Hirarki pada Dimensi Waktu ... 88

Gambar 5. 21 Atribut pada Dimensi Waktu ... 88

Gambar 5. 22 Pemetaan Tabel dengan Dimensi Bencana ... 89

Gambar 5. 23 Kubus Data Informasi Bencana pada Oracle Analytic Workspace Manager ... 89

Gambar 5. 24 Measure pada Kubus Data Informasi Bencana ... 90

Gambar 5. 25 Pemetaan Tabel dengan Kubus Data Informasi ... 90

Gambar 5. 26 Proses ETL Data Wilayah Administrasi pada FME Workbench .. 92

Gambar 5. 27 Hasil ETL Data Wilayah Administrasi ... 92

Gambar 5. 28 Hasil ETL Data Bencana... 93

Gambar 5. 29 Hasil ETL Data Waktu ... 94

Gambar 5. 30 Proses ETL Data Informasi Bencana pada FME Workbench... 94

Gambar 5. 31 Informasi Jumlah Korban Kejadian Banjir 2004-2013 ... 95

Gambar 5. 32 Drill-down Informasi Jumlah Korban Kejadian Banjir 2004 ... 96

Gambar 5. 33 Drill-down Informasi Jumlah Korban Kejadian Banjir 2004 di Provinsi Jawa Barat ... 96

Gambar 5. 34 Informasi Jumlah Korban Kejadian Gempa 2004-2013 ... 97

Gambar 5. 35 Drill-down Informasi Jumlah Korban Kejadian Gempa 2006 ... 97

Gambar 5. 36 Drill-down Informasi Jumlah Korban Kejadian Gempa 2006 di Provinsi DI Yogyakarta ... 98

Gambar 5. 37 Informasi Jumlah Korban Kejadian Tsunami 2004-2013 ... 98

Gambar 5. 38 Drill-down Informasi Jumlah Korban Kejadian Tsunami 2004 ... 99

Gambar 5. 39 Drill-down Informasi Jumlah Korban Kejadian Tsunami 2004 di Provinsi Aceh ... 99

Gambar 5. 40 Informasi Kerusakan Fasilitas Umum Kejadian Banjir 2004-2013 ... 100

Gambar 5. 41 Drill-down Kerusakan Fasilitas Umum Kejadian Banjir 2007 ... 100

Gambar 5. 42 Drill-down Kerusakan Fasilitas Umum Kejadian Banjir 2007 di Provinsi Riau ... 101

Gambar 5. 43 Informasi Kerusakan Fasilitas Umum Kejadian Gempa 2004-2013 ... 101

Gambar 5. 44 Drill-down Kerusakan Fasilitas Umum Kejadian Gempa 2009 . 102 Gambar 5. 45 Drill-down Kerusakan Fasilitas Umum Kejadian Gempa 2009 di Provinsi Sumatera Barat ... 102

(13)

xii Universitas Indonesia Gambar 5. 48 Drill-down Kerusakan Fasilitas Umum Kejadian Tsunami 2004 di

Provinsi Aceh ... 104

Gambar 5. 49 Informasi Estimasi Kerugian Kejadian Banjir 2004-2013 ... 104

Gambar 5. 50 Drill-down Estimasi Kerugian Kejadian Banjir 2007 ... 105

Gambar 5. 51 Drill-down Estimasi Kerugian Kejadian Banjir 2007 di Provinsi Riau ... 105

Gambar 5. 52 Informasi Estimasi Kerugian Kejadian Gempa 2004-2013 ... 106

Gambar 5. 53 Drill-down Estimasi Kerugian Kejadian Gempa 2004 ... 106

Gambar 5. 54 Drill-down Estimasi Kerugian Kejadian Gempa 2004 di Provinsi NTB ... 107

Gambar 5. 55 Informasi Estimasi Kerugian Kejadian Tsunami 2004-2013 ... 107

Gambar 5. 56 Drill-down Estimasi Kerugian Kejadian Tsunami 2004 ... 108

Gambar 5. 57 Drill-down Estimasi Kerugian Kejadian Tsunami 2004 di Provinsi Aceh ... 108

Gambar 5. 58 Dashboard Spasial Informasi Jumlah Korban ... 110

Gambar 5. 59 Dashboard Spasial Informasi Kerusakan Fasilitas Umum ... 110

Gambar 5. 60 Dashboard Spasial Informasi Estimasi Kerugian ... 111

Gambar 5. 61 Dashboard Informasi Jumlah Kejadian Bencana ... 111

Gambar 5. 62 IG Jumlah Pengungsi Tahun 2006 Provinsi DI Yogyakarta ... 112

Gambar 5. 63 IG Kerusakan Fasilitas Kesehatan Kejadian Tsunami 2004 Provinsi Aceh ... 114

Gambar 5. 64 IG Estimasi Kerugian Kejadian Banjir Tahun 2007 Provinsi Riau ... 115

(14)

DAFTAR TABEL

Tabel 1. 1 Data 10 Kejadian Bencana Korban Terbanyak di Indonesia

(2004-2013) ... 2

Tabel 1. 2 Hasil observasi data geospasial di BIG ... 4

Tabel 2. 2 Perbedaan data warehouse dengan data mart ... 26

Tabel 2. 3 Perbandingan Metode Inmondengan Metode Kimball... 33

Tabel 2. 4 Metodologi Penelitian dari Penelitian Sebelumnya ... 48

Tabel 4. 1 Kepemilikan Data Spasial ... 65

Tabel 5. 1 Identifikasi data dan kebutuhan informasi ... 70

Tabel 5. 2 Fakta dan Dimensi Skema Cakupan Lokasi Gempa ... 72

Tabel 5. 3 Tabel Ketersediaan Data ... 73

Tabel 5. 4 Pemetaan Tabel Wilayah Administrasi dengan Data Warehouse ... 74

Tabel 5. 5 Level dan Hirarki ... 76

(15)

1 Universitas Indonesia BAB 1

PENDAHULUAN

Bab pendahuluan dijelaskan mengenai latar belakang penulis melakukan penelitian, perumusan permasalahan untuk mendapatkan pertanyaan penelitian, tujuan penelitian dan manfaat yang dapat diambil dari penelitian, serta batasan – batasan penelitian.

1.1 Latar Belakang

(16)

Tabel 1. 1 Data 10 Kejadian Bencana Korban Terbanyak di Indonesia

(2004-2013)

Jenis Bencana Lokasi Tanggal Korban Jiwa

Gempa Bumi Yogyakarta,

DIY

Gempa Bumi Padang,

Sumatera

Banjir Wasior, Papua

Barat

Sumber: EM-DAT: The OFDA/CRED International Disaster Database

(17)

3

Universitas Indonesia

keterbatasan sumber daya, infrastruktur dan suprastruktur, biaya, teknologi, metodologi, serta kondisi geografis itu sendiri.

IG berperan penting pada perencanaan dan pengambilan keputusan dalam pembangunan nasional yang berkelanjutan, untuk itu telah diundangkan UU No. 4 Tahun 2011 tentang Informasi Geospasial (UU-IG). Dalam UU-IG disebutkan bahwa IG harus dijamin kemutakhiran dan keakuratannya serta diselenggarakan secara terpadu. Hal ini bertujuan untuk menghindari adanya kekeliruan, kesalahan, dan tumpang tindih informasi yang berakibat pada ketidakpastian hukum, inefisiensi anggaran, dan inefektivitas informasi yang dihasilkan.

(18)

meningkatkan pemanfaatan data geospasial yang dinamakan Infrastruktur Data geoSpasial Nasional (IDSN). Secara umum tujuan IDSN adalah memfasilitasi berbagi pakai (sharing) dan pemanfaatan IG untuk mendukung pengambilan keputusan dalam berbagai keperluan, sehingga komponen IDSN ini menjadi ukuran keberhasilan terintegrasinya informasi geospasial.

Berdasarkan hasil observasi, data geospasial yang dimiliki BIG saat ini belum terintegrasi dalam suatu sistem pengelolaan IG secara terpadu. Data geospasial masih tersimpan pada basis data spasial di masing-masing unit kerja, bahkan beberapa data masih dalam bentuk file-based. Hal ini mengakibatkan masing-masing unit kerja membentuk pulau-pulau informasi tersendiri. Hasil observasi data geospasial di masing – masing unit kerja dijelaskan pada Tabel 1.2.

Tabel 1. 2 Hasil observasi data geospasial di BIG

Unit Kerja _{Nama Database} Spasial

Platform Database

Lokasi server

Pusat Pemetaan Rupabumi dan Toponim (PPRT)

BAKORBI Oracle9i PPRT

Pusat Pemetaan Kelautan dan Lingkungan Pantai (PPKLP)

Arafuru Oracle 10g R2 PKLP

Pusat Pemetaan Batas Wilayah (PPBW)

PPBWdata MySQL PPBW

Pusat Jaring Kontrol Geodesi dan Geodinamika (PJKGG)

Bako MySQL PJKGG

Bakos Oracle

Pusat Pemetaan Integrasi Tematik (PPIT)

File-based - -

Pusat Pemetaan Tata Ruang dan Atlas (PPTRA)

File-based - -

Pusat Pengelolaan dan

Penyebarluasan Informasi

Geospasial (PPPIG)

db11g Oracle 11gR2 PPIG

Pusat Standarisasi dan

Kelembagaan IG (PSKIG)

File-based - -

(19)

5

untuk berbagai keperluan, baik di internal BIG maupun oleh instansi lainnya.

Data geospasial akan selalu bertambah dari waktu ke waktu dan untuk mengelola data dalam jumlah besar akan semakin sulit dilakukan dikarenakan data belum terintegrasi dalam pengelolaan terpadu. Sebagai contoh, tanpa adanya keterpaduan pengelolaan data geospasial, jika terjadi bencana alam dan data geospasial dibutuhkan untuk pengambilan keputusan, maka akan memerlukan waktu yang lama dalam pengumpulan. Permasalahan lain tanpa adanya integrasi dan keterpaduan pengelolaan data geospasial adalah terjadinya banyak redundansi data, sehingga sulit menentukan data geospasial yang terkini dan akurat.

Ketersediaan data geospasial yang terkini dan akurat juga akan mempengaruhi tersedianya layanan IG, terutama terkait isu-isu nasional seperti bencana alam dan kejadian – kejadian tertentu. Didasari permasalahan tersebut, maka pada tahun 2012, Kepala BIG menginginkan terdapat tim reaksi cepat dalam memberikan layanan IG. Tim reaksi cepat memiliki tugas mengumpulkan data, menganalisis, memberikan rekomendasi kepada Kepala BIG, memberikan dukungan berupa layanan IG di sekitar daerah terdampak untuk digunakan oleh tim penanggulangan bencana di lapangan atau di command center lainnya. Untuk mendukung tim reaksi cepat, maka pada tahun 2013 dibangun Situation room atau

Geospatial Support Command Center (GSCC) (Syafii, 2013). Hal ini didasarkan pada Cetak Biru Geospatial Crisis Center yang sudah dibuat sebelumnya pada tahun 2012.

Pada tahun 2012, BIG mengembangkan rencana strategis SI/TI dan rencana strategis pembangunan sistem penyelenggaraan IG terpadu yaitu

Blueprint SI/TI. Berdasarkan dokumen tersebut, untuk mendukung terintegrasinya data geospasial, maka diperlukan suatu sistem pengelolaan terpadu dalam bentuk data warehouse spasial. Rencana tersebut dituangkan dalam bentuk roadmap yang dijadikan landasan untuk melakukan inisatif-inisatif SI/TI selama lima tahun (2013-2017). Berikut ini roadmap

(20)

Gambar 1. 1 Roadmap implementasi inisiatif Blueprint SI/TI

Berdasarkan fakta dan ekspektasi yang telah disebutkan, maka penelitian ini akan membuat perancangan dan implementasi data warehouse

spasial untuk mendukung layanan kebencanaan dengan mengambil studi kasus obyek penelitian di BIG.

1.2 Perumusan Masalah

Berdasarkan kondisi dan permasalahan yang sudah diungkapkan pada latar belakang diatas, maka dilakukan analisis lebih lanjut dengan menggunakan analisis fishbone ditunjukkan pada Gambar 1.2.

Gambar 1. 2 Analisis masalah dengan fishbone

(21)

7

 Data Geospasial: kondisi data geospasial yang ada di BIG masih terdistribusi di unit-unit kerja, hal ini menyebabkan data geospasial belum memiliki satu referensi standar.

 Peraturan / Perundangan: tidak terintegrasinya data geospasial juga disebabkan Geospasial belum terimplementasikannya Peraturan Kepala BIG mengenai Pengelolaan Informasi Geospasial dan Penyelenggaraan Informasi, selain itu juga belum terdapat Standard Operating Procedure

(SOP) pengelolaan data geospasial.

 Teknologi: saat ini belum terdapat basisdata spasial terintegrasi, data warehouse spasial, dan basisdata publikasi. Selain itu, teknologi yang ada belum terstandar.

 Kelembagaan: secara kelembagaan, saat ini belum adanya kesadaran akan manfaat pengintegrasian data sehingga menimbulkan kurangnya komitmen berbagi pakai data. Hal ini juga disebabkan karena kurangnya koordinasi dan sinergi antara institusi penyedia data.

 Sumber Daya Manusia: jumlah SDM yang memilki kompetensi dalam bidang pengelolaan data geospasial saat ini belum memadai.

Dari permasalahan yang ada di atas, kemudian diajukan pertanyaan penelitian sebagai berikut:

“Bagaimana perancangan dan implementasi data warehouse spasial untuk mengintegrasikan data terkait kebencanaan di Badan Informasi Geospasial guna mendukung layanan kebencanaan?”

1.3 Tujuan dan Manfaat Penelitian

Penelitian ini bertujuan untuk memberikan rekomendasi desain dan pengintegrasian data melalui perancangan dan pengimplementasian data warehouse spasial di BIG. Data warehouse yang dibangun nantinya dapat mendukung layanan – layanan IG salah satunya untuk mendukung layanan kebencanaan.

(22)

implementasi data warehouse spasial pendukung layanan GSCC, sehingga pengambilan keputusan berbasis spasial dapat lebih cepat dan akurat.

Manfaat penelitian bagi dunia akademik adalah dapat menjadi tambahan referensi bagi yang akan melakukan penelitian di bidang data warehouse spasial, juga diharapkan dapat meningkatkan pemahaman dan pengetahuan penulis sebagai mahasiswa peneliti.

Manfaat penelitian bagi masyarakat adalah dapat memberikan layanan IG pendukung kebencanaan. Layanan IG ini dapat memudahkan pihak - pihak yang turun ke kawasan bencana dalam melakukan perencanaan pengurangan resiko bencana serta program rehabilitasi dan rekonstruksi pasca bencana.

1.4 Batasan Penelitian

Penelitian untuk merancang dan mengimplementasikan data warehouse spasial terkait kebencanaan yang akan digunakan di lingkungan Badan Informasi Geospasial (BIG). Penelitian ini menggunakan data spasial yang terdapat di BIG yang dapat mendukung layanan kebencanaan khususnya gempa bumi, banjir, tsunami, serta menggunakan data terkait kebencanaan dari BNPB.

1.5 Sistematika Penulisan

Sistematika penulisan ini memberikan gambaran mengenai apa yang akan dibahas dalam karya akhir ini.

Bab 1 Pendahuluan, bab ini menjelaskan mengenai latar belakang penulis melakukan penelitian, perumusan permasalahan untuk mendapatkan pertanyaan penelitian, tujuan penelitian dan manfaat yang dapat diambil dari penelitian, serta batasan – batasan penelitian.

Bab 2 Landasan Teori, bab ini menjelaskan mengenai landasan teori yang digunakan dalam melakukan penelitian, serta kajian mengenai hasil-hasil penelitian sebelumnya yang terkait dengan tema penelitian.

(23)

9

metode-metode, serta input dan output yang digunakan dalam setiap tahapan yang dilalui.

Bab 4 Profil Organisasi, bab ini menjelaskan mengenai tinjauan organisasi, visi, misi, tujuan dan sasaran, serta struktur organisasi beserta penjelasannya terkait penelitian yang dilakukan.

Bab 5 Hasil dan Pembahasan, bab ini menjelaskan mengenai hasil dan pembahasan dari metodologi penelitian dimulai dari spesifikasi kebutuhan, perancangan konseptual, perancangan lojikal, serta perancangan fisikal.

(24)

BAB 2

LANDASAN TEORI

Bab ini akan dibahas mengenai landasan teori yang digunakan dalam melakukan penelitian, yaitu teori mengenai data spasial, teori mengenai data warehouse, teori mengenai Data, Informasi, dan Knowledge, teori mengenai metode dan teknik yang dapat dipakai dalam membantu perancangan data warehouse spasial. Disamping itu juga terdapat kajian mengenai hasil-hasil penelitian sebelumnya yang terkait dengan tema penelitian.

2. 1 Data, Informasi, dan Knowledge

Menurut Bellinger, Castro, & Mills (2004), definisi data adalah fakta atau pernyataan mengenai suatu kejadian tanpa terkait dengan hal lainnya. Informasi adalah pemahaman mengenai hubungan dari beberapa sebab dan akibat yang mungkin terjadi. Knowledge adalah pola yang menghubungkan dan umumnya menyediakan prediktabilitas tingkat tinggi apa yang dijelaskan atau apa yang akan terjadi berikutnya.

Menurut Rob dan Coronel (2009), data merepresentasikan apa yang dikumpulkan organisasi pada basisdata operasional. Infomasi merepresentasikan data yang telah diolah dan diproses. Knowledge

merepresentasikan informasi yang sangat spesialisasi, sehingga dapat disimpulkan bahwa knowledge merupakan ekstraksi dari data, diilustrasikan pada piramid Gambar 2.1.

(25)

11

2. 2 Bencana

Berdasarkan Undang-Undang No. 24 Tahun 2007 tentang Penanggulangan Bencana, dijelaskan definisi – definisi terkait bencana.  Bencana adalah peristiwa atau rangkaian peristiwa yang mengancam

dan mengganggu kehidupan dan penghidupan masyarakat yang disebabkan, baik oleh faktor alam dan/atau faktor nonalam maupun faktor manusia sehingga mengakibatkan timbulnya korban jiwa manusia, kerusakan lingkungan, kerugian harta benda, dan dampak psikologis.

 Bencana Alam adalah bencana yang diakibatkan oleh peristiwa atau serangkaian peristiwa yang disebabkan oleh alam antara lain berupa gempa bumi, tsunami, gunung meletus, banjir, kekeringan, angin topan, dan tanah longsor.

 Bencana Nonalam adalah bencana yang diakibatkan oleh peristiwa atau rangkaian peristiwa nonalam yang antara lain berupa gagal teknologi, gagal modernisasi, epidemi, dan wabah penyakit.

 Bencana Sosial adalah bencana yang diakibatkan oleh peristiwa atau serangkaian peristiwa yang diakibatkan oleh manusia yang meliputi konflik sosial antarkelompok atau antarkomunitas masyarakat, dan teror.

Jenis – jenis bencana alam dijelaskan lebih rinci pada Peraturan Kepala BNPB No. 8 Tahun 2011 tentang Standarisasi Data Kebencanaan.  Gempa Bumi adalah getaran atau guncangan yang terjadi di

permukaan bumi yang disebabkan oleh tumbukan antar lempeng bumi, patahan aktif, akitivitas gunung api atau runtuhan batuan.  Tsunami berasal dari bahasa Jepang yang berarti gelombang ombak

lautan (“tsu” berarti lautan, “nami” berarti gelombang ombak). Tsunami adalah serangkaian gelombang ombak laut raksasa yang timbul karena adanya pergeseran di dasar laut akibat gempa bumi.  Letusan gunung api adalahbagian dari aktivitas vulkanik yang dikenal

(26)

panas, lontaran material (pijar), hujan abu lebat, lava, gas racun, tsunami dan banjir lahar.

 Banjir adalah peristiwa atau keadaan dimana terendamnya suatu daerah atau daratan karena volume air yang meningkat.

 Banjir bandang adalah banjir yang datang secara tiba-tiba dengan debit air yang besar yang disebabkan terbendungnya aliran sungai pada alur sungai.

 Kekeringan adalah ketersediaan air yang jauh di bawah kebutuhan air untuk kebutuhan hidup, pertanian, kegiatan ekonomi dan lingkungan. Adapun yang dimaksud kekeringan di bidang pertanian adalah kekeringan yang terjadi di lahan pertanian yang ada tanaman (padi, jagung, kedelai dan lain-lain) yang sedang dibudidayakan.

 Angin puting beliung adalah angin kencang yang datang secara tiba-tiba, mempunyai pusat, bergerak melingkar menyerupai spiral dengan kecepatan 40-50 km/jam hingga menyentuh permukaan bumi dan akan hilang dalam waktu singkat (3-5 menit).

 Tanah Longsor adalah salah satu jenis gerakan massa tanah atau batuan, ataupun percampuran keduanya, menuruni atau keluar lereng akibat terganggunya kestabilan tanah atau batuan penyusun lereng.  Kerusuhan adalah suatu gerakan massal yang bersifat merusak tatanan

dan tata tertib sosial yang ada, yang dipicu oleh kecemburuan sosial, budaya dan ekonomi yang biasanya dikemas sebagai pertentangan antar suku, agama, ras (SARA)

(27)

13

 Kecelakaan Industri adalah kecelakaan yang disebabkan oleh dua faktor, yaitu perilaku kerja yang berbahaya (unsafe human act) dan kondisi yang berbahaya (unsafe conditions). Adapun jenis kecelakaan yang terjadi sangat bergantung pada macam industrinya, misalnya bahan dan peralatan kerja yang dipergunakan, proses kerja, kondisi tempat kerja, bahkan pekerja yang terlibat di dalamnya

 Gelombang Pasang adalah gelombang tinggi yang ditimbulkan karena efek terjadinya siklon tropis di sekitar wilayah Indonesia dan berpotensi kuat menimbulkan bencana alam. Indonesia bukan daerah lintasan siklon tropis tetapi keberadaan siklon tropis akan memberikan pengaruh kuat terjadinya angin kencang, gelombang tinggi disertai hujan deras.

Manajemen bencana memiliki tujuan untuk mengurangi, atau mencegah, potensi kehilangan dari bencana, menjamin bantuan yang cepat dan tepat bagi korban bencana dan mendapatkan pemulihan yang cepat dan efektif (Warfield, 2008). Siklus manajemen bencana menggambarkan bagaimana proses berjalan yang dilakukan pemerintah, bisnis, masyarakat untuk mengurangi dampak bencana, reaksi cepat yang dilakukan setelah terjadi bencana, dan tahapan yang dilakukan untuk pemulihan bencana. Siklus manajemen bencana dapat dilihat pada Gambar 2.2.

(28)

Siklus manajemen bencana terdiri dari empat fase, yaitu:

1. Mitigasi (Mitigation), untuk meminimalkan efek bencana. Contohnya pembangunan kode atau zona, analisis kerentanan, edukasi kebencanaan.

2. Persiapan (Preparedness), untuk merencanakan bagaimana merespon bencana. Contohnya Rencana persiapan, pelatihan tanggap darurat, sistem peringatan.

3. Respon (Response), usaha untuk meminimalkan bahaya yang ditimbulkan oleh bencana. Contohnya pencarian dan penyelamatan, pertolongan darurat.

4. Pemulihan (Recovery), mengembalikan kondisi kembali ke normal. Contohnya tempat penampungan sementara, bantuan, perawatan medis.

2. 3 Data Spasial

Berdasarkan Undang-Undang No. 4 Tahun 2011 tentang Informasi Geospasial, dijelaskan definisi – definisi sebagai berikut:

 Spasial adalah aspek keruangan suatu objek atau kejadian yang mencakup lokasi, letak, dan posisinya.

 Geospasial atau ruang kebumian adalah aspek keruangan yang menunjukkan lokasi, letak, dan posisi suatu objek atau kejadian yang berada di bawah, pada, atau di atas permukaan bumi yang dinyatakan dalam sistem koordinat tertentu.

 Data Geospasial yang selanjutnya disingkat DG adalah data tentang lokasi geografis, dimensi atau ukuran, dan/atau karakteristik objek alam dan/atau buatan manusia yang berada di bawah, pada, atau di atas permukaan bumi.

(29)

15

 Informasi Geospasial Dasar yang selanjutnya disingkat IGD adalah IG yang berisi tentang objek yang dapat dilihat secara langsung atau diukur dari kenampakan fisik di muka bumi dan yang tidak berubah dalam waktu yang relatif lama. IGD meliputi jaring kontrol geodesi dan peta dasar.

 Informasi Geospasial Tematik yang selanjutnya disingkat IGT adalah IG yang menggambarkan satu atau lebih tema tertentu yang dibuat mengacu pada IGD.

Data spasial umumnya disebut data bereferensi geografis atau data geospasial. Data spasial adalah data yang dapat ditampilkan, dimanipulasi dan dianalisis oleh cara atribut spasial yang menunjukkan lokasi pada atau dekat permukaan Bumi (Yeung & Hall, 2007). Atribut spasial menyediakan bentuk dari pasangan koordinat sehingga posisi dan bentuk dari fitur spasial dapat diukur dan ditampilkan secara grafis. Data spasial memiliki dua hal penting:

 Data spasial bereferensi pada keruangan geografis, yang artinya data didaftarkan pada sistem koordinat geografis yang diterima mengelilingi area permukaan bumi, sehingga data dari sumber yang berbeda dapat saling bereferensi dan terintegrasi secara spasial.

 Data spasial direpresentasikan pada berbagai skala geografis dan pada saat data direkam secara relatif pada skala kecil, juga merepresentasikan area yang luas pada permukaan bumi, maka data tersebut harus digeneralisasi dan disimbolisasi.

(30)

Gambar 2. 3 Jenis Data Spasial (Yeung & Hall, 2007)

Elemen dasar dari data spasial dalam bentuk vektor adalah objek geografi yang diidentifikasikan sebagai representasi fitur atau fenomena dunia nyata dalam bentuk titik (points), garis (lines), dan area (polygons). Data vektor dapat disimpan sebagai bagian dari dasar topografi yang memiliki fungsi menyediakan kerangka referensi spasial untuk koleksi data dan analisis. 2.3.1 Data Vektor

Data vektor adalah objek geografi dengan elemen dasar berupa titik (points), garis (lines), dan area (polygons). Setiap elemen pada sebuah model vektor digambarkan secara matematis dan berdasarkan titik-titik yang didefinisikan oleh kordinat kartesian. Adapun model penyimpanan data vektor yang didefinisikan yaitu spaghetti model,

topological model, dan simpel features. Spaghetti model adalah model penyimpanan sederhana yang menyimpan data dengan cara yang tidak terstruktur. Model ini hanya menyimpan nama objek dan koordinatnya, sedangkan informasi topologi tidak disimpan karena tiap objek tidak saling berhubungan dan konsistensi tidak dapat diverifikasi. Topological model adalah model yang memiliki node

(31)

17

topological mengandung informasi tiap objek beserta keterkaitannya dengan objek lain, dan tidak terjadi redundan data geometri. The Open Geospatial Consortium (OGC) - organisasi internasional yang mengembangkan standar konten dan layanan geospasial - mendefinisikan suatu standar penyimpanan dijital data geografi dengan atribut spasial seperti halnya atribut non-spasial yang disebut

Simpel Features. Adapun kelebihan dari data vektor adalah jumlah data yang kecil, mudah untuk diperbaharui, struktur data logical, atribut dikombinasikan dengan objek, memelihara kualitas setelah interasksi (misalnya, scalling), dan lebih canggih dalam analisis spasial. Kekurangan dari data vektor adalah data kontinu tidak direpresentasikan secara efektif, analisis spasial dan filtering pada poligon sulit dilakukan, memerlukan manual editing yang banyak untuk mendapatkan kualitas yang bagus, selalu memperkenalkan batas yang keras (hard boundaries), dan tidak dapat memberikan model pada sesuatu yang belum pasti. Contoh data vektor yaitu format CAD, jaringan jalan atau sungai, peta kadaster, kartografi (Neumann, Freimark, & Wehrle, 2010). Data vektor diilustrasikan pada Gambar 2.4.

Gambar 2. 4 Visualisasi data vektor (Neumann, Freimark, &

Wehrle, 2010)

2.3.2 Data Raster

(32)

geodata set. Nilai data ini dapat mewakili satu nilai warna, kedalaman, ukuran atau nilai tematik lainnya, misalnya indeks dari kelas tutupan lahan. Sel raster biasanya diatur dalam sebuah matriks (baris dan kolom). Pada Gambar 2.5, mengilustrasikan bagaimana satu nilai warna data raster disimpan dalam pixel.

Gambar 2. 5 Visualisasi data raster dalam pixel (Neumann, Freimark, & Wehrle, 2010)

Adapun kelebihan menggunakan struktur data raster yaitu struktur data sederhana, mudah untuk dihasilkan, workflow dan analisis mudah. Kekurangan menggunakan struktur data raster yaitu struktur data non-adaptive, cenderung menghasilkan ukuran file yang sangat besar karena bergantung pada resolusi, pengaturan sel biasanya acak dan tidak memperhatikan batasan, interaksi terbatas dan algoritma analisis masih primitif. Contoh data raster yaitu foto, fotogrametri dan penginderaan jauh, gambar hasil scan peta, terrain modelling, analisis penutup lahan, pemodelan dan analisis hidrologi, pemodelan dan analisis permukaan (Neumann, Freimark, & Wehrle, 2010).

2.3.3 Klasifikasi Fungsional Data Spasial

Data spasial berdasarkan fungsinya diklasifikasikan menjadi empat kategori (Yeung & Hall, 2007), dapat dilihat pada Gambar 2.6, yaitu:

(33)

19

geografi yang dibutuhkan dalam mengumpulkan, menganalisa, menampilkan data solusi aplikasi dan bisnis.

 Framework Data Layers. Terdiri dari tiga layer yang berhubungan dalam referensi geografis aktifitas manusia pada permukaan bumi, yaitu layer persil (parcel) yang menyediakan kerangka untuk pengembangan lahan dan aplikasi adminsitrasi lahan, layer fasilitas yang menyediakan dasar bagi manajemen fasilitas dalam utilitas umum dan manajemen sumberdaya, dan layer alamat (address) yang digunakan untuk mendukung berbagai lahan dan aplikasi sumberdaya yang memerlukan penggunaan alamat kewarganegaraan dan pos.

 Application Data Layers. Meliputi banyak kumpulan data spasial yang dikumpulkan dan digunakan untuk aplikasi basisdata yang berbedadalam lahan dan manajemen sumberdaya yang menggunakan peta dasar dan kerangka layer data sebagai basis referensi geografi.

(34)

Gambar 2. 6 Klasifikasi Fungsional Data Spasial (Yeung &

Hall, 2007)

2.3.4 Objek Spasial (Spatial Object)

Sebuah Objek Spasial (Spatial Object) sesuai dengan entitas dunia nyata dimana aplikasi dibutuhkan untuk menyimpan karakteristik spasial. Objek Spasial terdiri dari komponen deskriptif (konvensional) dan komponen spasial. Komponen deskriptif direpresentasikan menggunakan tipe data konvensional, seperti

integer, string, dan date, mengandung karakteristik umum dari objek spasial. Sebagai contoh, suatu objek negara dapat digambarkan oleh nama, penduduk, luas wilayah, dan aktifitas utama. Komponen Spasial meliputi berbagai jenis data spasial seperti titik (point), garis (line), atau permukaan (Malinowski dan Zimanyi, 2008).

2.3.5 Spatial Data Types

Menurut Malinowski dan Zimanyi (2008), Spatial data types

(35)

21

(zero-dimensional) yang menunjukkan lokasi tunggal dalam keruangan. Garis (Line), merepresentasikan geometri 1 dimensi ( one-dimensional) yang menunjukkan himpunan titik terhubung yang didefiniskan oleh satu atau lebih persamaan linear. Line biasanya digunakan untu merepresentasikan jalan pada jaringan jalan. Salah satu spesialisasi dari line adalah OrientedLine. OrientedLine memiliki titik awal dan titik akhir yang semantik (memiliki arah dari titik awal ke titik akhir). OrientedLine biasanya digunakan untuk merepresentasikan sungai pada jaringan hidrografi. Permukaan (Surface), merepresentasikan geometri dua dimensi yang menunjukkan himpunan titik-titik yang terhubung yang terletak dalam suatu batas yang dibentuk dari satu atau lebih garis tertutup yang terpisah. SimpleSurface merepresentasikan permukaan tanpa lubang, sebagai contoh danau dapat direpresentasikan sebagai permukaan ataupun SimpleSurface bergantung pada apakah danau tersebut memiliki pulau didalamnya atau tidak. SimpleGeo, merupakan generalisasi dari tipe point, line, dan surface. SimpleGeo biasa digunakan untuk merepresentasikan negara. PointSet biasanya digunakan untuk merepresentasikan perumahan dalam suatu kota.

LineSet biasanya digunakan untuk merepresentasikan jaringan jalan.

OrientedLineSet adalah spesialisasi LineSet, biasanya digunakan untuk merepresentasikan sungai dan anak sungai. SurfaceSet dan

SimpleSurfaceSet merepresentasikan wilayah administratif.

(36)

Gambar 2. 7 Spatial Data Types (Malinowski dan Zimanyi, 2008).

2.3.6 Sistem Referensi Spasial (Spatial Reference System)

Menurut Malinowski dan Zimanyi (2008), lokasi-lokasi dalam geometri tertentu disajikan dengan memperhatikan beberapa koordinat bidang datar yang disebut sistem referensi spasial. Terdapat berbagai jenis sistem referensi spasial yang dapat digunakan, antara lain

Universal Transverse Mercator coordinate system, dan koordinat geografis.

2.3.7 Topological Relationships

Topological Relationships adalah hubungan yang memiliki keterkaitan dengan batasan spasial pada geometri dari entitas terkait. Beberapa contoh topological relationships yaitu meets dimana dua geometri saling berpotongan, overlaps dimana dua geometri saling tumpang tindih, contains/inside dimana salah satu geometri berada dalam geometri lainnya dan batasan-batasannya tidak berpotongan,

covers/coveredBy dimana salah satu geometri menutupi geometri lainnya, crosses dimana dua geometri saling berpotongan dan dimensi dari yang berpotongan lebih kecil dari dimensi terbesar geometri (Malinowski dan Zimanyi, 2008). Contoh Topological relationships

(37)

23

Gambar 2. 8 Contoh Topological Relationships (Malinowski dan Zimanyi, 2008)

2.3.8 Katalog Fitur Dataset Fundamental

(38)

2. 4 Data Warehouse

Data dan informasi memiliki peranan penting dalam suatu organisasi. Semakin besar organisasi tersebut, maka data dan informasi yang dimiliki pun semakin berkembang, sehingga basisdata operasional yang dimiliki akan semakin besar dan kompleks. Sejalan dengan hal tersebut juga semakin meningkat kompleksitas kebutuhan informasi yang dibutuhkan, maka akan semakin kesulitan untuk mendapatkan informasi yang dibutuhkan dalam basisdata operasional. Untuk menjawab hal tersebut, diperlukan fasilitas penyimpanan data baru yang dinamakan Data Warehouse. Menurut Inmon (2005), data warehouse adalah kumpulan data yang subject-oriented,

integrated, time-variant, nonvolatile untuk mendukung pihak manajemen dalam proses pengambilan keputusan.

2.4.1 Karakteristik Data Warehouse

Karakteristik data warehouse dijelaskan sebagai berikut: 1) Subject-oriented

Pada sistem operasional, data disimpan berdasarkan aplikasi individual, sedangkan pada data warehouse, data disimpan berdasarkan subjek bisnis. Data dalam data warehouse diatur sedemikian sehingga kumpulan data mendekati subjek bisnis di dunia nyata. Data diatur dan dioptimalkan untuk dapat memberikan jawaban terhadap pertanyaan yang berasal dari area fungsional yang berbeda dalam suatu organisasi. Contoh pada perusahaan asuransi, aplikasi yang dibuat adalah asuransi mobil (auto), asuransi jiwa (life), asuransi kesehatan (health), dan asuransi kecelakaan (casualty). Subjek area dari asuransi adalah

(39)

25

Gambar 2. 9 Subject-oriented pada data warehouse (Inmon, 2005)

2) Integrated

Data dalam data warehouse berasal dari berbagai sumber data dengan memiliki format data yang berbeda-beda. Sebelum disimpan ke dalam data warehouse, inkonsistensi data harus dihilangkan terlebih dahulu. Standar data diperlukan untuk memastikan arti data dari masing-masing sumber. Menurut Ponniah (2010), beberapa hal yang harus distandarkan untuk membuat data konsisten, yaitu naming convention, kode-kode, atribut data, dan pengukuran.

3) Time-variant

(40)

mengkaitkan informasi saat ini, serta dapat memprediksi untuk masa yang akan datang (Ponniah, 2010).

4) Nonvolatile

Pada saat data disimpan dalam data warehouse, maka data tersebut tidak akan dapat dihapus ataupun diperbaharui, pengguna hanya dapat membaca data. Data tidak pernah dihapus, akan tetapi data yang baru akan selalu ditambahkan, sehingga jumlah data akan terus berkembang. Perubahan data hanya dapat dilakukan pada basisdata operasional.

2.4.2 Data Mart

Menurut Rob dan Coronel (2009), data mart adalah subset dari

data warehouse yang kecil dengan subjek tunggal yang menyediakan dukungan keputusan untuk kelompok kecil dari organisasi. Menurut Ponniah (2010), perbedaan data warehouse

dengan data mart ditunjukkan pada Tabel 2.2.

Tabel 2. 1 Perbedaan data warehouse dengan data mart

Data Warehouse Data Mart

 Cakupannya organisasi

 Integrasi dari semua data mart  Data didapatkan dari staging

area

 Query pada level presentasi  Struktur untuk melihat data

korporat

 Diatur dalam model E-R

 Cakupannya untuk

departemen

 Proses bisnis tunggal

 STAR join (fakta dan

dimensi)

 Teknologi optimal pada akses data dan analisis

 Struktur untuk melihat data departemen

2.4.3 Pemodelan Data Warehouse

Dalam memodelkan data, terdapat dua pendekatan yaitu

(41)

27

Semua kolom didefinisikan dalam bentuk Data Definition Language

(DDL). Pada multidimensional model terdiri dari satu tabel dengan

composite primary key yang disebut tabel fakta (fact table), dan satu kelompok tabel-tabel kecil yang disebut tabel dimensional

dimensional table). Menurut Inmon (2005), terdapat dua pendekatan model multidimensional, yaitu:

1) Star Join Approach

Bentuk model yang menyerupai bintang, dimana tabel fakta berada di tengah dan tabel dimensi mengelilinginya, diilustrasikan pada Gambar 2.10.

Gambar 2. 10 Star Join Approach (Inmon, 2005)

2) Snowflake Approach

(42)

Gambar 2. 11 Snowflake Approach (Inmon, 2005)

2.4.4 Multidimensional Model

Multidimensional model menyediakan pemahaman data untuk tujuan analisis dan performansi untuk query analisis yang kompleks.

Multidimensional model menampilkan data dalam ruang n -dimensional yang disebut kubus data (data cube) atau hypercube

(Malinowski dan Zimanyi, 2008). Sebuah kubus data didefinisikan oleh dimensi (dimensions) dan fakta (facts). Dimensi adalah berbagai macam perspektif yang digunakan untuk menganalisis data. Sebagai contoh, pada Gambar 2.12 kubus data yang digunakan untuk menganalisis penjualan. Kubus data tersebut memiliki tiga dimensi yaitu Store, Time, dan Product. Sel – sel dari kubus data atau fakta telah berasosiasi dengan nilai numerik yang dinamakan measures.

(43)

29

Gambar 2. 12 Contoh 3-dimensional cube data penjualan (Malinowski dan Zimanyi, 2008)

2.4.5 Extract, Transform, Load (ETL)

Tujuan utama data warehouse adalah untuk mengintegrasikan data dari berbagai macam sistem. Sebelum data disimpan dalam data warehouse, diperlukan proses menghilangkan inkonsistensi data. Salah satu teknologi yang digunakan adalah Extract, Transform, Load (ETL). Proses ETL terdiri dari extraction yaitu membaca data dari satu atau lebih basisdata, transformation yaitu mengubah data yang sudah diekstrak dari bentuk sebelumnya ke dalam bentuk yang dibutuhkan sehingga dapat disimpan ke dalam data warehouse, dan

load yaitu menyimpan data ke dalam data warehouse. Proses ETL diilustrasikan pada Gambar 2.13.

Gambar 2. 13 Proses ETL (Turban et al., 2011)

Tahapan yang dilakukan pada proses extract (Ponniah, 2010) yaitu:

Packaged application

Legacy system

Other internal applications

Transient data source

Extract Transform Cleanse Load

Data warehouse

(44)

 Identifikasi sumber data: identifikasi aplikasi dan struktur dari sumber data.

 Metode ekstraksi: tentukan apakah proses ekstraksi dilakukan manual atau menggunakan tool.

 Frekuensi ekstraksi: frekuensi data ekstraksi dilakukan harian, mingguan, bulanan, dll.

 Time Window: menunjukan waktu untuk proses ekstraksi.

 Job Sequencing: menentukan apakah awal dari satu job dari satu

job stream hatus menunggu job sebelumnya selesai terlebih dahulu.

 Exception handling: bagaimana menangani record yang tidak dapat diekstraksi.

Pada proses transformation, terdapat beberapa tahapan dasar (Ponniah, 2010), yaitu:

 Pemilihan (selection), dilakukan pada tahap awal dari proses

transformation data. Tahapan ini biasanya dilakukan juga pada proses extraction.

 Pemisahan / penggabungan (splitting/joining), tahapan ini meliputi tipe manipulasi data yang diinginkan dalam pemilihan dari sumber data.

 Konversi (conversion), melibatkan keanekaragaman variasi konversi yang belum sempurna dari field tunggal untuk dua alasan utama, yaitu sebagai standarisasi diantara ekstraksi data yang berasal dari beberapa sumber, juga untuk membuat field

dapat dipergunakan dan dapat dimengerti oleh pengguna.

 Ikhtisar (summarization), proses transformation memberikan ringkasan terhadap data yang sedang diproses.

(45)

31

Pada proses loading, terdapat tiga tahapan (Ponniah, 2010), yaitu:

 Initial load, yaitu menempatkan semua tabel data warehouse

untuk pertama kali.

 Incremental load, yaitu menerapkan perubahan terus menerus apabila diperlukan secara periodik.

 Full refresh, menghapus secara keseluruhan konten tabel dan mengisi kembali dengan data yang baru.

2.4.6 Metode Pengembangan Data Warehouse

Metode pengembangan data warehouse yang dikenal terdiri dari dua pendekatan. Pendekatan pertama dikemukakan oleh Inmon (2005), yaitu pendekatan top-down. Pendekatan top-down, data warehouse mendapatkan data yang disediakan unit produksi data, kemudian data warehouse akan memberikan input data pada

(46)

Gambar 2. 14 Data Warehouse SDLC (Inmon, 2005)

Pendekatan kedua dikemukakan oleh Kimball (2008), yaitu pendekatan bottom-up. Pendekatan bottom-up, data mart dibuat terlebih dahulu untuk menyediakan kemampuan analitikal dan pelaporan pada beberapa subjek bisnis yang spesifik sebagai dasar model data dimensional. Pada pendekatan ini menggunakan pemodelan dimensional yang disebut pendekatan data mart. Metode yang dikemukakan disebut Kimball Lifecycle. Metode ini dimulai dengan tahapan perencanaan projek, mendefinisikan kebutuhan bisnis, technology track, data track, application track, deployment, hingga tahap pemeliharaan. Siklus metode ini diilustrasikan pada Gambar 2.15.

(47)

33

Pada Tabel 2.3 berikut dijelaskan perbandingan antara metode Inmon (2005) dengan metode Kimball (2008) dijelaskan oleh Turban (2011).

Tabel 2. 2 Perbandingan Metode Inmondengan Metode Kimball

No. Karakteristik Inmon Kimball

1. Pendekatan Top-down

(enterprise-wide data warehouse).

Bottom-up (Data mart).

2. Struktur Arsitektur Enterprise-wide

(atomic) data

warehouse mengisi

basisdata di

departemen.

Model Data mart sebagai proses bisnis tunggal, dan

konsistensi perusahaan

dicapai melalui data bus dan dimensi yang sesuai.

3. Kompleksitas

Metodologi

Cukup kompleks. Cukup sederhana.

4. Perbandingan

dengan metodologi yang sudah ada

Diturunkan dari

metodologi spiral.

Terdiri dari empat tahapan proses. Berangkat dari metode relational database management systems (RDBMS).

5. Pembahasan desain

fisik

Cukup menyeluruh. Cukup sederhana.

6. Orientasi Data subject atau data

8. Aksesibilitas

end-user

Rendah Tinggi

9. Primary audience IT Professionals End user

10. Tempat dalam

organisasi

Bagian yang tidak

terpisahkan dari

penghasil informasi perusahaan.

Transformer dan retainer data operasional.

11. Tujuan

Pengembangan

Menghasilkan solusi

teknis berdasarkan

metode dan teknologi basisdata yang telah teruji.

Menghasilkan solusi yang

memudahkan end user

secara langsung melakukan query terhadap data dengan waktu tunggu yang cukup baik.

Adapun tahapan perancangan data warehouse menurut Malinowski dan Zimanyi (2008) dibedakan menjadi tiga pendekatan. 1) Pendekatan Analysis-Driven

(48)

pengguna level eksekutif sangat penting dalam menentukan tujuan dan kebutuhan bisnis. Ada beberapa aspek yang harus diperhatikan pada pendekatan ini, yaitu:

 Pengguna yang menjadi target harus memahami tujuan bisnis secara keseluruhan. Hal ini untuk menghindari situasi kebutuhan akan merepresentasikan persepsi pribadi berdasarkan peran pengguna dalam organisasi.

 Pengguna yang akan mendominasi proses spesifikasi kebutuhan sebaiknya dihindari. Hal ini untuk menjamin mempertimbangkan kebutuhan informasi dari berbagai pengguna.

 Pengguna harus ada dan menyetujui untuk berpartisipasi pada keseluruhan proses pengumpulan kebutuhan dan perancangan konseptual.

 Pengguna memiliki gagasan bagaimana sistem data warehouse

dan sistem OLAP.

(49)

35

Gambar 2. 16 Pendekatan Analysis-Driven (Malinowski dan Zimanyi, 2008)

(50)

spesifikasi kebutuhan yang memiliki konten mengenai spesifikasi yang tepat dari fakta, dimensi, dan measures, juga deskripsi metadata.

Pada tahapan perancangan konseptual (conceptual design) diawali dengan pengembangan skema awal dengan memasukkan fakta dan dimensi yang diidentifikasi pada tahapan sebelumnya. Skema ini ditinjau kembali dalam hal untuk memverifikasi bahwa sistem operasional memiliki data yang dibutuhkan pengguna. Apabila sistem operasional tidak dapat menyediakan, maka skema awal dimodifikasi sesuai dengan ketersediaan data pada sumber. Pada tahapan ini juga dilakukan spesifikasi pemetaan dan keterkaitan antara elemen data pada sistem sumber dan elemen data pada data warehouse.

Pada tahapan perancangan lojikal (logical design) dan perancangan fisikal (physical design) yang dilakukan adalah mengembangkan skema dan melakukan spesifikasi dan implementasi pada proses ETL.

2) Pendekatan Source-Driven

Pada pendekatan ini partisipasi pengguna tidak secara eksplisit diperlukan. Pengguna terlibat hanya secara sporadis, yaitu dalam melakukan konfirmasi kebenaran dari struktur yang dikerjakan ataupun dalam melakukan identifikasi fakta dan

(51)

37

Tahapan perancangan data warehouse pendekatan source-driven dapat dilihat pada Gambar 2.17.

Gambar 2. 17 Pendekatan Source-Driven (Malinowski dan

Zimanyi, 2008)

Pada tahapan spesifikasi kebutuhan, sistem sumber yang mengirimkan data untuk tujuan analisis harus diidentifikasi. Kemudian diturunkan fakta, measure, dan dimensi dari sistem sumber. Proses ini dapat dilakukan secara manual dengan dasar dari dokumen yang ada pada sistem sumber atau secara semi otomatis atau otomatis. Tahapan spesifikasi kebutuhan menghasilkan dokumen yang berisi deskripsi semua data elemen pada sistem sumber yang dapat digunakan sebagai kandidat untuk fakta, measure, dan dimensi.

(52)

dan pemetaan akhir dikembangkan dengan cara yang sama pada pendekatan analysis-driven.

Pada tahapan perancangan lojikal dan perancangan fisikal yang dilakukan adalah mengembangkan skema dan melakukan spesifikasi dan implementasi pada proses ETL.

3) Pendekatan Analysis/Source-Driven

Pendekatan ini menggabungkan pendekatan analysis-driven

dan source-driven. Tahapan perancangan data warehouse

pendekatan analysis/source-driven dapat dilihat pada Gambar 2.18.

(53)

39

Pada tahapan spesifikasi kebutuhan dan perancangan konseptual terdapat dua rangkaian aktifitas yang berhubungan. Rangkaian ini digabungkan bersama pada tahapan perbandingan dan integrasi dua skema yang dihasilkan oleh pendekatan

analysis-driven dan source-driven. Tahapan ini tidak mudah untuk dilakukan, dan biasanya memerlukan perulangan tambahan pada rangkaian aktifitas dan harus mengulang kembali tahapan spesifikasi kebutuhan. Tahapan perancangan lojikal dan perancangan fisikal dilakukan sama seperti dua pendekatan sebelumnya.

2.4.7 Online Analytical Processing (OLAP)

Menurut Connolly dan Begg (2005), Online Analytical Processing (OLAP) adalah memadukan, menganalisis, dan mengkonsolidasikan multi-dimensional data yang cukup besar secara dinamis. Menurut Rob dan Coronel (2009), OLAP adalah membuat lingkungan analisis data lanjutan yang mendukung pengambilan keputusan, pemodelan bisnis, dan operasi penelitian. OLAP memiliki empat karakteristik yaitu menggunakan teknik analisis data multidimensional, menyediakan dukungan basisdata lanjutan, menyediakan antarmuka end-user yang mudah digunakan, dan mendukung arsitektur client/server.

Perangkat OLAP dikategorikan berdasarkan arsitektur yang digunakan untuk menyimpan dan memproses data multi-dimensional. Menurut Connolly dan Begg (2005), perangkat OLAP dikategorikan menjadi:

a) Multi-dimensional OLAP (MOLAP)

Perangkat MOLAP menggunakan struktur data khusus dan

multi-dimensional database management systems (MDDBMSs) untuk mengatur, mengendalikan, dan menganalisis data.

b) Relational OLAP (ROLAP)

(54)

menganalisis jumlah data yang meningkat dan juga dikarenakan pengguna tidak dapat menyimpan data yang dibutuhkan dalam basisdata MOLAP.

c) Hybrid OLAP (HOLAP)

Perangkat HOLAP menyediakan kemampuan analisis yang terbatas, menyampaikan data terpilih langsung dari DBMS atau melalui server MOLAP ke desktop dalam bentuk kubus data, yang disimpan, dianalisis dan dipelihara secata lokal.

d) Desktop OLAP (DOLAP)

Perangkat DOLAP menyimpan data OLAP dalam bentuk client-based file dan mendukung pemrosesan multi-dimensional

menggunakan mesin multi-dimensional di client. 2. 5 Spatial Data Warehouse

Menurut Malinowski dan Zimanyi (2008), spatial data warehouse

adalah data warehouse yang memanipulasi data spasial, juga menyediakan analisis spasial. Malinowski dan Zimanyi (2008) menambahkan konsep

multidimensional model untuk digunakan pada Spatial data warehouse. Pada Gambar 2.19, dapat dilihat salah satu contoh spatial multidimensional schema yang dapat digunakan untuk lebih memahami Spatial Extension