Data Warehouse dan OLAP Berbasis Web untuk

6
• Web browser Mozilla Firefox 2.0 dan
Internet Explorer 7
HASIL DAN PEMBAHASAN
Analisis Data
Data hotspot yang digunakan adalah data
dari tahun 2000 sampai dengan tahun 2004. Hal
ini disebabkan data hotspot sebelum tahun 2000
mempunyai perbedaan dalam batas-batas
wilayah. Data sumber (.xls) berisi kolom
koordinat, tanggal, pulau, propinsi, kabupaten,
kecamatan, nama HPH (Hak Pengusahaan
Hutan), jenis tanah dan lainnya
Dari data sumber dengan format (.xls)
diambil beberapa atribut yaitu tanggal, pulau,
propinsi, dan kabupaten. Pada awalnya atribut
kecamatan dipilih tetapi karena keterbatasan
perangkat lunak OLAP Server Palo maka
atribut kecamatan tidak dimasukkan sebagai
atribut terpilih. Atribut tersebut dipilih karena
beberapa alasan antara lain :
1 Atribut tersebut menarik untuk dianalisis
dan sesuai dengan tujuan dari pembuatan
data warehouse persebaran hotspot,
2 Nilai null tidak melebihi 10%, dan
3 Atribut berkaitan satu dengan yang lain.
Berdasarkan atribut-atribut yang dipilih
kemudian ditentukan fakta dan dimensi. Dari
hasil analisis didapatkan 1 tabel fakta dan 2
tabel dimensi. Tabel fakta yaitu jumlah hotspot
dan tabel dimensi yaitu waktu dan lokasi.
Skema data warehouse yang digunakan adalah
skema bintang (star scheme) yang dapat dilihat
pada Gambar 5.
Gambar 5 Skema bintang data warehouse
persebaran data hotspot.
Praproses data
Tahap awal dalam praproses dari data
hotspot yaitu penggabungan dan reduksi data.
Penggabungan dilakukan karena data hotspot
terpisah setiap tahunnya, masing-masing satu
file Excel (.xls). Proses reduksi data dibutuhkan
karena jumlah data yang cukup besar.
Penggabungan data dilakukan dengan cara
meng-import data sumber (.xls) ke DBMS SQL
Server 2000 dengan menggunakan tools import.
Hasil penggabungan adalah tabel titikPanas
yang berisi field Tanggal, Pulau, Propinsi,
Kabupaten. Struktur tabel titikPanas dapat
dilihat pada Tabel 1.
Tabel 1 Struktur tabel titikPanas
Field
Data Type
Tanggal
Smalldatetime(4)
Pulau
Varchar(12)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Proses reduksi data dilakukan dengan
tujuan yaitu pengurangan jumlah records. Data
sumber (.xls) hanya mencatat tanggal dan
wilayah hotspot sehingga jumlah hotspot perlu
ditentukan. Penjumlahan hotspot dilakukan
dengan membuat modul yaitu sum.php dan
sumHotspotKab.php. File sum.php digunakan
untuk menjumlahkan hotspot pada tingkat
kecamatan dan harian. Hasil penjumlahan
disimpan di dalam tabel baru yaitu tabel
hotspot. Penjumlahan hotspot pada tingkat
kecamatan menghasilkan banyak cell pada
crosstab sehingga pada saat penampilan data
menghasilkan nilai null di beberapa cell. Oleh
karena itu jumlah hotspot harian pada tingkat
kecamatan diganti dengan tingkat kabupaten
dan bulanan. Namun demikian untuk
mendapatkan jumlah hotspot pada tingkat
kabupaten dan bulanan terlebih dahulu
didapatkan dari penjumlahan tingkat harian dan
kecamatan.
Penjumlahan hotspot pada tingkat kabupaten
dilakukan setelah proses pembersihan data pada
tabel hotspot. Pembersihan data akan dibahas
pada subbab selanjutnya. Tabel hotspot yang
telah dibersihkan dipindahkan ke dalam tabel
baru
yaitu
hotspotNew.Struktur
tabel
hotspotNew dapat dilihat pada tabel 2.
Penjumlahan hotspot pada tingkat kabupaten
dilakukan dari tabel hotspotNew. File
sumHotspotKab.php menjumlahkan hotspot
pada tingkat kabupaten dan bulanan lalu
hasilnya disimpan dalam tabel baru yaitu
hotspotBulan. Struktur tabel hotspotBulan dapat
dilihat pada Tabel 3.
7
Tabel 2 Struktur tabel hotspotNew
Field
Data Type
Tanggal
Varchar(5)
Bulan
Varchar(5)
Tahun
Varchar(5)
Pulau
Varchar(24)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Kecamatan
Varchar(30)
Jumlah
Int(4)
Tabel 3 Struktur tabel HotspotBulan
Field
Data Type
Bulan
Varchar(5)
Tahun
Varchar(5)
Pulau
Varchar(24)
Propinsi
Varchar(20)
Kabupaten
Varchar(22)
Jumlah
Int(4)
Pembersihan Data
Proses
pembersihan
data
dilakukan
bertujuan untuk menghilangkan data yang
bernilai kosong (null), noise, dan data yang
tidak konsisten. Hal ini dapat terjadi pada saat
penggabungan dalam satu tabel.
Pada field Tanggal terdapat nilai null dalam
tabel hotspotNew sehingga baris tersebut
dihilangkan dengan melakukan proses query.
Dalam field pulau juga terdapat beberapa nilai
null, hal ini menunjukkan bahwa hotspot
tersebut terjadi di luar wilayah Indonesia. Untuk
itu field pulau yang bernilai null diisi dengan
“OUTSIDE INDONESIA(ALL)”. Nama field
pulau tersebut untuk mewakili hotspot yang
terjadi di luar wilayah Indonesia karena nama
field kabupaten (elemen terendah dari dimensi
lokasi) diisi dengan “Outside Indonesia”.
Selain nilai null pada data, terdapat hal-hal
lain yang membuat data hotspot menjadi tidak
konsisten yaitu :
1 Perbedaan penulisan nama kabupaten antar
data sumber (.xls) tiap tahun. Data tahun
2003 penulisan nama kabupaten diawali
dengan tulisan kab. atau kota, misalnya kab.
Rokan Hilir seharusnya Rokan hilir dan kota
Dumai yang sebenarnya Dumai.
2 Kesalahan dalam penamaan pulau misal,
propinsi Bengkulu terdapat di dalam pulau
Jawa.
3 Kesamaan nama kabupaten dengan nama
kecamatan seperti kabupaten Banggai
dengan kecamatan Banggai (Sulawesi).
4 Penamaan ganda pada kabupaten dan
kecamatan, misalnya kabupaten Kutai
terdapat di propinsi Kalimantan Timur dan
Kalimantan
Tengah.
Hal
tersebut
membutuhkan pemeriksaan kembali agar
tidak salah dalam penentuan batas
wilayahnya. Referensi yang digunakan
dalam penentuan batas wilayah didapatkan
dari
situs
http://www.pu.go.id/infostatistik/htm/.
Referensi yang didapatkan berupa file html
dengan judul kode wilayah tahun 2003
tingkat propinsi. Masing-masing propinsi
memiliki satu file html yang memiliki isi
daftar kabupaten dan kecamatan.
Untuk menangani permasalahan tersebut
dilakukan query basis data untuk membenarkan
data dengan menggunakan referensi yang ada.
Contoh untuk kasus nomor 3, mengganti nama
kecamatan dengan menambahkan “(Kec)”
seperti Banggai (Kec).
Untuk menangani ketidakkonsistenan data
pada kasus nomor 4, maka pertama kali
diperiksa terlebih dahulu dengan menggunakan
referensi. Apabila setelah diperiksa nama data
yang ganda salah satunya tidak terdapat pada
referensi penamaan, maka data ganda yang
tidak terdapat pada referensi tersebut diganti
sesuai dengan yang ada. Akan tetapi, apabila
kedua data penamaan ganda terdapat di
referensi, maka penamaan kedua data tersebut
ditambahkan sesuai dengan propinsinya.
Diagram alur tahapan praproses data dapat
dilihat pada Gambar 6. Rincian pembersihan
data dapat dilihat pada Lampiran 1.
Struktur Kubus Data
Setelah semua tahapan praproses selesai,
tahapan selanjutnya yaitu membuat struktur
kubus data di OLAP Server Palo. Pembuatan
struktur kubus data dilakukan sesuai dengan
skema data warehouse yang telah dibuat. Di
8
Gambar 6 Diagram alur tahapan praproses data.
diberi nama
karena itu tahap pembersihan data dibutuhkan
agar tidak terdapat penamaan ganda.
Dimensi-dimensi yang terdapat di dalam
basis data monthlyHotspot adalah waktu dan
lokasi. Kubus data yang diberi nama hotspot
dibentuk dengan menggunakan kedua dimensi
tersebut. Deskripsi kubus data hotspot dapat
dilihat pada Tabel 4.
File ImportTime.php berfungsi untuk
memasukkan elemen dari dimensi waktu.
Elemen tersebut merupakan kombinasi dari
setiap tingkatan waktu. Penamaan elemen dari
dimensi waktu adalah sebagai berikut All,
tahun, quarter + tahun, bulan + tahun. Misalnya
data tahun 2004, quarter 1 dan bulan januari
maka penamaannya Q1 2004 dan Jan 2004.
dalam OLAP Server Palo
monthlyHotspot.
Tabel 4 Deskripsi Kubus Data Hotspot
Nama
Dimensi
Deksripsi
Lokasi
Lokasi titik hotspot (pulau,
propinsi, kabupaten)
Waktu
Bulan dan tahun kejadian
hotspot (2000, 2001, 2002,
2003, 2003).
Pemuatan Data
Tahap terakhir dari pembuatan data
warehouse persebaran hotspot yaitu pemuatan
data. Pemuatan data merupakan proses
pemindahan data dari basis data relasional ke
OLAP Server Palo. Proses pemuatan data
dilakukan dengan membuat sebuah modul
import
yaitu
importLocation.php,
importTime.php, monthlyImport.php.
File importLocation.php berfungsi untuk
memasukkan nama pulau, propinsi, dan
kabupaten yang ada di dalam tabel
hotspotBulan (basis data relasional) sebagai
elemen dari dimensi lokasi. Dalam pengisian
elemen, apabila terdapat penamaan ganda akan
menimbulkan error karena terdapat nama
elemen yang sama dalam satu dimensi. Oleh
File monthlyImport.php berisi query
pengambilan data dari DBMS SQL Server 2000
lalu memasukkan hasil query tersebut ke dalam
OLAP Server Palo menggunakan library atau
PHP Palo API. Library Palo yang digunakan
yaitu palo_setdata.
Deskripsi Umum Aplikasi OLAP
Aplikasi OLAP untuk persebaran hotspot
merupakan aplikasi yang berguna untuk
memberikan informasi mengenai perkembangan
atau tren jumlah hotspot setiap tahunnya di
wilayah Indonesia. Informasi tersebut dapat
berguna bagi para pengambil keputusan terkait,
pencegahan kebakaran hutan untuk wilayah
tertentu.
Arsitektur aplikasi OLAP untuk persebaran
hotspot ini menggunakan arsitektur three tier
yang memiliki tiga lapisan yaitu lapisan bawah,
tengah dan atas. Pada lapisan bawah tahapan
praproses data dilakukan menggunakan DBMS
(SQL Server 2000).
Lapisan tengah merupakan OLAP Server
Palo dan pembuatan Aplikasi OLAP. Data yang
telah melalui praproses diisi ke dalam kubus
data yang terdapat di dalam basis data OLAP
Server Palo. Pada lapisan tempat operasi-
9
operasi OLAP diimplementasikan digunakan
bahasa pemograman PHP yang berjalan pada
web Server Apache. Pemograman PHP
digunakan untuk pembuatan Aplikasi OLAP
maupun pemuatan data basis data relasional ke
OLAP Server Palo. Untuk menghubungkan
antara PHP dan OLAP Server Palo digunakan
Palo PHP API (SDK 20080118_1000). Palo
PHP API merupakan library yang dapat
digunakan untuk menjalankan fungsi-fungsi
Palo di PHP. Pembangkitan grafik untuk
aplikasi OLAP menggunakan library JpGraph
1.20.
Aplikasi OLAP untuk persebaran hotspot
merupakan
pengembangan
dari
modul
palo_demo.php yang terdapat di dalam SDK
1.0c. Fungsi filter dimensi dalam aplikasi ini
didapatkan dari aplikasi OLAP untuk data
PPMB (Herlambang 2007). Pada aplikasi
OLAP untuk persebaran hotspot fungsi filter
dimensi ditambahkan beberapa fitur, khususnya
pada dimensi waktu yaitu untuk menyeleksi
quarter dan bulan.
Lapisan atas merupakan hasil visualisasi
dari aplikasi OLAP yang ditampilkan melalui
web browser. Pada lapisan ini pengguna dapat
melihat hasil operasi-operasi OLAP seperti drill
down atau roll up. Penyajian informasi dikemas
dalam bentuk crosstab (tabel) dan grafik yang
mudah untuk dipahami pengguna.
Fasilitas-fasilitas yang terdapat di dalam
aplikasi OLAP adalah sebagai berikut :
1 Pengguna dapat menentukan basis data,
kubus data dan dimensi yang akan
ditampilkan sesuai dengan kepentingan
analisis.
2 Visualisasi dalam bentuk crosstab dan grafik
yang dapat digunakan untuk menganalisis.
3 Operasi-operasi OLAP yang dapat dilakukan
pada crosstab antara lain roll up dan drill
down. Untuk visualisasi grafik ditampilkan
dalam bentuk bar plot dan pie plot
4 Filter dimensi yang berfungsi untuk
menyeleksi yang akan ditampilkan pada
kolom (x-axis) dan baris (y-axis). Filter
dimensi hanya menampilkan elemen yang
dipilih oleh pengguna sesuai dengan
kebutuhan analisis.
5 Filter quarter dan bulan pada dimensi
waktu. Filter ini berguna untuk menyeleksi
salah satu dari quarter atau bulan. Misalnya
pengguna hanya ingin menampilkan elemen
Q1 atau bulan januari.
Tampilan utama aplikasi OLAP dapat dilihat
pada Gambar 7. Contoh visualisasi grafik hasil
operasi drill down dimensi waktu dan lokasi
pada Gambar 8.
Kelebihan dan Kekurangan Aplikasi OLAP
Aplikasi OLAP untuk data persebaran
hotspot memiliki beberapa kelebihan, yaitu :
1 Aplikasi OLAP dibuat berbasis web
sehingga dapat digunakan oleh pengguna
dalam satu jaringan Intranet ataupun
mengaksesnya lewat Internet. Aplikasi
berbasis
web
memudahkan
dalam
pemakaian aplikasi karena tidak perlu menginstall aplikasi di setiap komputer pengguna.
Gambar 7 Tampilan utama aplikasi OLAP dan visualisasi crosstab.
10
Gambar 8 Visualisasi grafik hasil operasi drill down terhadap dimensi waktu dan lokasi.
2 Aplikasi OLAP dibangun dengan perangkat
lunak yang berbasis open source seperti
OLAP Server Palo dan PHP.
3 Aplikasi ini dapat digunakan untuk data
warehouse yang lain dengan cara mengubah
beberapa konfigurasi seperti pada saat
fetching data karena aplikasi ini belum
mendukung perhitungan rataan.
Selain kelebihan yang telah disebutkan di
atas, aplikasi OLAP untuk data persebaran
hotspot juga memiliki beberapa kekurangan,
yaitu :
1 Pada saat data warehouse persebaran
hotspot dibuat sampai tingkat harian dan
kecamatan, aplikasi akan menimbulkan
warning pada saat crosstab di drill down.
Hal ini menyebabkan beberapa cell pada
crosstab bernilai null. Untuk menangani
masalah ini browser harus di-refresh
beberapa kali agar nilai pada cell kembali
normal. Kasus tersebut tidak terjadi pada
saat data warehouse hanya dibuat sampai
tingkat bulanan dan kabupaten. Berdasarkan
hasil penelitian ini OLAP Server Palo
memiliki keterbatasan dalam jumlah elemen
dalam satu dimensi. Aplikasi OLAP untuk
persebaran hotspot dengan jumlah elemen
1.261 (dimensi lokasi) dan 1.946 (dimensi
waktu) akan menghasilkan nilai nul di
beberapa cell tertentu dalam crosstab pada
saat penampilan data (fetching).
2 Tidak terdapat fungsi untuk melakukan
operasi pivot. Saat ini untuk melakukan
operasi pivot dengan cara mengubah axis
(baris dan kolom) dimensinya.
3 Aplikasi OLAP belum memiliki fungsi
updating yang berguna pada saat terdapat
data hotspot terbaru.
4 Dalam hal penanganan dimensi waktu
seperti penamaan quarter atau bulan.
Analisis Visual dari Crosstab dan Grafik
Dari aplikasi OLAP untuk persebaran data
hotspot dapat diambil beberapa contoh
informasi yang bermanfaat bagi pengguna.
Informasi tersebut berupa tren jumlah hotspot di
wilayah Indonesia mulai dari pulau, propinsi,
dan kabupaten dari tahun 2000 sampai 2004.
Untuk dimensi waktu juga dapat dilihat lebih
rinci misalnya tiap quarter atau bulanan.
Informasi yang dapat diambil antara lain
yaitu tren perkembangan jumlah hotspot tiap
pulau di Indonesia dari tahun 2000 sampai
2004. Informasi tersebut didapatkan dari operasi
dice, operasi ini dapat dilakukan dengan
menggunakan filter dimensi. Operasi dice
ditampilkan dengan memilih pulau = Jawa,
Kalimantan,
Sulawesi,
Sumatera,
dan
OUTSIDE INDONESIA(ALL) dan waktu =
2000, 2001, 2002, 2003, dan 2004. Tampilan
crosstab untuk operasi tersebut dapat dilihat
pada Gambar 9 dan visualisasi grafiknya pada
Gambar 10.
11
Gambar 9 Crosstab hasil operasi dice untuk melihat perkembangan jumlah hotspot tiap
pulau di Indonesia dari tahun 2000 sampai 2004.
Gambar 10 Grafik Batang trend persebaran hotspot tiap pulau dilihat dari dimensi waktu.
Dilihat dari dimensi waktu, pada tahun 2000
pulau sumatera memiliki jumlah hotspot paling
tinggi yaitu 7.289 titik jauh di atas pulau
lainnya. Jumlah hotspot terbanyak pada urutan
kedua ditempati oleh pulau Kalimantan dengan
1.571
titik
disusul
OUTSIDE
INDONESIA(ALL) dengan 79 titik, Sulawesi
dengan 11 titik dan pulau Jawa di urutan
terakhir dengan 0 titik. Tahun 2001 terjadi
penurunan jumlah hotspot di wilayah Indonesia.
Tahun 2001 juga merupakan tahun dengan
jumlah akumulasi hotspot paling sedikit di
wilayah Indonesia. Penurunan dialami oleh
pulau Sumatera dari 7.289 titik menjadi hanya
2.826 titik. Hal ini membuat pulau Sumatera
menempati urutan kedua setelah Kalimantan
dengan 4.094 titik. Berbeda dari tahun 2001
yang terjadi penurunan, tahun 2002 beberapa
pulau mengalami kenaikan dan sisanya
mengalami penurunan. Pulau Kalimantan,
Sumatera, dan OUTSIDE INDONESIA(ALL)
mengalami kenaikan yang cukup tinggi pada
tahun ini. Kenaikan tertinggi terjadi pada pulau
Kalimantan sehingga menempatkannya pada
posisi teratas dan disusul oleh Sumatera di
urutan kedua. Pada tahun 2002 merupakan
tahun dengan jumlah hotspot terbanyak di
wilayah Indonesia periode tahun 2000 sampai
2004. Tahun 2003 terjadi kembali penurunan di
setiap pulau dan jumlah hotspot terbanyak
masih terdapat di pulau Kalimantan dan
Sumatera. Di tahun 2004 terjadi kembali
kenaikan jumlah hotspot di setiap pulau. Pulau
Kalimantan masih berada posisi teratas dalam
jumlah hotspot dengan 10.724 titik dan disusul
pulau Sumatera dengan 8.033 titik. Pada tahun
2004 pulau Jawa memiliki jumlah hotspot
terbanyak dibanding tahun sebelumnya dengan
6 titik. Presentasi jumlah hotspot di setiap pulau
dilihat dari dimensi waktu dalam bentuk pie plot
dapat dilihat pada Gambar 11. Contoh hasil
visualisasi crosstab dan grafik lainnya dapat
dilihat pada Lampiran 2.
12
Gambar 11 Presentasi jumlah hotspot di setiap pulau dilihat dari dimensi waktu dalam bentuk pie plot.
Dalam proses analisis, pengguna dapat
menggunakan operasi-operasi OLAP seperti
roll up, drill down dan pivot. Contoh-contoh
operasi OLAP dalam aplikasi antara lain :
1 Melihat jumlah hotspot pulau Sumatera dan
propinsinya dari tahun 2000 sampai 2004.
Kubus data awal memiliki dimensi lokasi
dan waktu. Dimensi lokasi direpresentasikan
melalui atribut propinsi dan dimensi waktu
direpresentasikan melalui atribut tahun
secara keseluruhan (All).
• Roll up
Operasi roll-up ditampilkan dengan
menaikkan hirarki dimensi lokasi.
Hirarki pada dimensi lokasi adalah All <
pulau < propinsi < kabupaten. Sehingga
operasi yang dilakukan adalah melihat
jumlah hotspot di setiap pulau di
Indonesia.
• Drill down
Operasi drill down ditampilkan dengan
menurunkan hirarki dimensi waktu.
Hirarki pada dimensi waktu adalah All <
tahun < quarter < bulan. Sehingga
operasi yang dilakukan adalah melihat
jumlah hotspot dari setiap propinsi di
Sumatera pada tahun 2000 sampai 2004.
• Slice
Operasi
slice
dilakukan
dengan
pemilihan satu dimensi, yaitu dimensi
waktu dengan kriteria tahun = 2000.
Sehingga operasi yang dilakukan adalah
menampilkan jumlah hotspot untuk
tingkat pulau dan propinsi di Indonesia
pada tahun 2000.
• Dice
Operasi
dice
dilakukan
melakukan memilih kedua
dengan
dimensi
dengan kriteria propinsi = Sumatera dan
tahun = 2000.
• Pivot
Operasi
pivot
dilakukan
dengan
menukarkan axis dimensi. Axis-x
(elemen waktu) diubah menjadi lokasi
(tingkat pulau) dan axis-y (elemen
lokasi) menjadi waktu (tahun 2000
sampai 2004). Operasi ini berguna untuk
melihat informasi dari sudut pandang
yang berbeda.
Tampilan operasi OLAP pada contoh 1
dapat dilihat pada Lampiran 3.
2 Melihat jumlah hotspot setiap kabupaten
dari propinsi Riau dari tahun 2000 sampai
2004.
Kubus data awal memiliki dimensi lokasi
dan waktu. Dimensi lokasi direpresentasikan
melalui atribut propinsi dan dimensi waktu
direpresentasikan melalui atribut tahun.
• Roll up
Operasi roll-up ditampilkan dengan
menaiki hirarki dimensi waktu. Hirarki
pada dimensi waktu adalah All < tahun <
quarter < bulan. Sehingga operasi yang
dilakukan melihat jumlah hotspot dari
setiap propinsi di Sumatera berdasarkan
tahun secara keseluruhan (akumulasi dari
tahun 2000 sampai 2004 atau elemen
All).
• Drill down
Operasi drill down ditampilkan dengan
menurunkan hirarki dimensi lokasi.
Hirarki pada dimensi lokasi adalah All <
pulau < propinsi < kabupaten. Sehingga
operasi yang dilakukan adalah melihat
jumlah hotspot dari setiap kabupaten di
Riau pada tahun 2000 sampai 2004.
13
• Slice
Operasi
slice
dilakukan
dengan
pemilihan satu dimensi, yaitu dimensi
yaitu dimensi lokasi dengan kriteria
kabupaten = Rokan Hilir. Sehingga
operasi
yang
dilakukan
adalah
menampilkan jumlah hotspot untuk
kabupaten Rokan Hilir di propinsi Riau
pada tahun 2000 sampai 2004.
• Dice
Operasi
dice
dilakukan
dengan
melakukan memilih kedua dimensi
dengan kriteria kabupaten = Rokan Hilir
dan tahun = 2000.
Tampilan operasi OLAP pada contoh 2 dapat
dilihat pada Lampiran 4.
KESIMPULAN DAN SARAN
Kesimpulan
Data warehouse untuk data persebaran data
hotspot memiliki satu kubus data yaitu kubus
data hotspot. Kubus data ini berisi nilai agregasi
jumlah hotspot setiap wilayah di Indonesia
mulai dari tingkat pulau sampai tingkat
kabupaten. Data hotspot yang digunakan yaitu
tahun 2000 sampai dengan tahun 2004.
Aplikasi OLAP merupakan sistem yang
dibuat untuk merepresentasikan kubus data dari
OLAP Server Palo yang dapat membantu
pengguna
dalam
menganalisis
data
multidimensional. Aplikasi OLAP memberikan
informasi kepada pengguna untuk membantu
dalam proses pengambilan keputusan terkait
dengan pencegahan kebakaran hutan.
Aplikasi OLAP dibuat berbasis web dengan
menggunakan bahasa pemograman PHP. Dalam
aplikasi ini disertai operasi-operasi OLAP
seperti roll up, drill down dan pivot yang dapat
membantu pengguna dalam menganalisis.
Selain itu pengguna juga dapat memilih basis
data, kubus data, dimensi dari data warehouse
persebaran hotspot yang akan ditampilkan.
Hasil operasi OLAP divisualisasikan dalam
bentuk crosstab dan grafik.
Berdasarkan hasil penelitian ini OLAP
Server Palo mempunyai keterbatasan dalam
jumlah elemen dari suatu dimensi. Aplikasi
OLAP untuk persebaran hotspot dengan jumlah
elemen 1.262 (dimensi lokasi) dan 1.946
(dimensi waktu) saat penampilan data OLAP
Server Palo akan menghasilkan null pada cell
tertentu dalam crosstab.
Dari hasil crosstab dan grafik dapat
diambil beberapa informasi tentang persebaran
hotspot di wilayah Indonesia. Salah satu
informasi yang dapat diambil yaitu pulau
Kalimantan mempunyai jumlah hotspot
terbanyak dalam periode tahun 2000 sampai
2004 yaitu 38.857 titik kemudian disusul pulau
Sumatera di urutan kedua yaitu 30.396 titik
sedangkan pulau Jawa sebagai wilayah dengan
jumlah hotspot paling sedikit yaitu 8 titik.
Dilihat dari dimensi waktu wilayah Indonesia
memiliki jumlah hotspot terbanyak pada tahun
2002, jumlah hotspot terbanyak pada tahun
2002 yaitu pulau Sumatera dengan 53.403 titik.
Saran
Aplikasi OLAP masih memiliki beberapa
kekurangan sehingga masih membutuhkan
pengembangan lebih lanjut. Saran untuk
penelitian data warehouse selanjutnya adalah :
1 Pembuatan modul update untuk data hotspot
yang
bertujuan
untuk
memudahkan
pengguna apabila terdapat data baru.
Pembuatan
dapat
dilakukan
dengan
mengembangkan modul yang sudah ada
yaitu impLocation.php, impTime.php, dan
montlyImport.php
2 Penambahan fasilitas login pada proses
update sehingga dapat membatasi pengguna
yang akan melakukan perubahan pada data.
3 Aplikasi OLAP dikembangkan dengan
OLAP Server Palo atau library
yang
terbaru. Pada saat ini aplikasi OLAP
dikembangkan dengan OLAP Server Palo
2.0 dan SDK 20080118_1000.
4 Perbaikan grafik pada multiple pie plot agar
jumlah pie plot bisa lebih dinamis tidak
hanya berjumlah 12.
5 Penambahan dimensi baru yaitu HPH, HTI,
Lithology dan Jenis Tanah.
6 Optimasi pada dimensi waktu.
DAFTAR PUSTAKA
Cabbibo L, Torlone R. 1997. Querying
Multidimensional
Databases.
http://citeseer.ist.psu.edu/cache/papers/cs/2
1194/http:zSzzSzwww.dia.uniroma3.itzSz~ca
bibbozSzpubzSzpdfzSzdbpl97.pdf/cabibbo97
querying.pdf [9 Januari 2008].
Han J, Kamber M. 2006. Data Mining Concepts
& Techniques. Simon Fraser University.
USA: Morgan Kaufman