Data Warehouse dan Aplikasi Olap Data Akademik

DATA WAREHOUSE DAN APLIKASI OLAP DATA AKADEMIK
ILMU KOMPUTER IPB BERBASIS WEB MENGGUNAKAN PALO 2.0
YAGHI AMANDA PERMANA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
2008
DATA WAREHOUSE DAN APLIKASI OLAP DATA AKADEMIK
ILMU KOMPUTER IPB BERBASIS WEB MENGGUNAKAN PALO 2.0
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
YAGHI AMANDA PERMANA
G64104008
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
Judul : Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu Komputer
Berbasis Web Menggunakan Palo 2.0
Nama : Yaghi Amanda Permana
NIM : G64104008
Menyetujui:
Pembimbing I,
Pembimbing II,
Hari Agung Adrianto, S.Kom, M.Si
NIP 132 311 918
Imas S. Sitanggang, S.Si, M.Kom
NIP 132 206 235
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. drh. Hasim, DEA
NIP 131 578 806
Tanggal Lulus:
ABSTRAK
YAGHI AMANDA PERMANA. Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu
Komputer Berbasis Web Menggunakan Palo 2.0. Dibimbing oleh HARI AGUNG ADRIANTO dan
IMAS S. SITANGGANG.
Informasi tentang nilai mata kuliah dan perkembangan nilai indeks prestasi pada mahasiswa
diperlukan Bagian Akademik Ilmu Komputer untuk meningkatkan mutu pengajaran di mata kuliah
tersebut. Proses analisis data nilai akademik masih dilakukan secara manual dengan melihat tabel data
yang saling berhubungan. Hal itu membutuhkan waktu lama karena dari data tersebut masih dilakukan
query manual pada tiap tabel data. Analisis perkembangan IP maupun IPK tiap angkatan mahasiswa
serta kecenderungan nilai mata kuliah tertentu yang diambil mahasiswa Ilmu Komputer pada tiap
tahunnya dapat dilakukan dengan membangun aplikasi OLAP yang diintegrasikan dengan data
warehouse.
Penelitian ini bertujuan untuk membangun sebuah data warehouse dan sebuah aplikasi OLAP
berbasis web untuk data akademik Program Studi Ilmu Komputer IPB dengan menggunakan Palo 2.0
sebagai OLAP server. Tahapan yang dilakukan meliputi proses persiapan data, pembersihan data,
integrasi data dan transformasi data, dilanjutkan dengan implementasi operasi OLAP. Skema data
warehouse yang dibuat menggunakan skema galaksi. Penelitian ini menghasilkan terbentuknya enam
dimensi (Waktu, Angkatan, JenisKelamin, MataKuliah, Mutu, dan StatusStudi) dan dua fakta
(MataKuliah_Mutu dan IndexPrestasi).
Pembangunan data warehouse dan OLAP berbasis web data akademik Ilmu Komputer
menghasilkan dua kubus data, yaitu kubus data MataKuliah_Mutu dan IndexPrestasi. Kedua kubus
data tersebut dapat divisualisasikan dengan tepat, cepat dan akurat dalam tiga jenis tampilan, yaitu
tampilan grafik batang, grafik garis dan pie chart dengan menggunakan OLAP Palo 2.0. Operasi
OLAP yang dilakukan pada kubus data ini adalah roll-up, drill-down, dice, dan slice.
Kata kunci: data warehouse, kubus data, data akademik, OLAP server, Palo 2.0.
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 17 Juli 1986 di Batang. Penulis adalah anak pertama dari tiga
bersaudara pasangan Herry Soepranoto dan Suparti. Pada tahun 2004, penulis lulus dari SMA Negeri
1 Batang kemudian penulis diterima sebagai mahasiswa di Program Studi Ilmu Komputer,
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian
Bogor melalui jalur Undangan Seleksi Masuk Institut (USMI).
Semasa mengikuti perkuliahan, penulis aktif di organisasi kemahasiswaan di antaranya yaitu
Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) di Divisi Kerohanian sebagai ketua divisi
periode tahun 2004-2005 dan Serambi Ruhiyah Mahasiswa MIPA (SERUM G) periode tahun 20052007. Penulis juga pernah menjadi asisten Pendidikan Agama Islam mata kuliah Tingkat Persiapan
Bersama (TPB) dan asisten praktikum Sistem Informasi di Program Studi Ilmu Komputer IPB.
Penulis melakukan Praktik Kerja Lapangan (PKL) di Badan Litbang Departemen Pertanian RI pada
tanggal 2 Juli 2007–24 Agustus 2007 di Bagian Kerjasama dan Humas.
KATA PENGANTAR
Puji syukur kepada Allah SWT karena atas limpahan rahmat dan karunia-Nya skripsi ini berhasil
diselesaikan. Skripsi ini mengambil judul Data Warehouse dan Aplikasi OLAP Data Akademik Ilmu
Komputer Berbasis Web Menggunakan Palo 2.0.
Penulis menyampaikan terima kasih kepada semua pihak yang telah membantu dalam penulisan
tugas akhir ini khususnya kepada Bapak Hari Agung Adrianto, S.Kom, M.Si., Ibu Imas S. Sitanggang,
S.Si, M.Kom yang telah membimbing dengan penuh ketekunan dan kesabaran hingga selesainya
penulisan tugas akhir ini. Di samping itu, penulis juga mengucapkan terima kasih kepada:
1 Bapak Wisnu Ananta Kusuma, S.T., M.T. atas kesediaannya menjadi penguji sidang.
2 Bapak dan Ibu serta adik-adikku di rumah yang senantiasa memahami kesibukan penulis serta
kasih sayang, perhatian, dukungan dan doanya selama ini.
3 Abi Herlambang, S.Kom. sebagai kakak kelas yang telah membantu atas kesulitan yang dialami
penulis selama penelitian.
4 Ganang yang telah meminjamkan notebook-nya pada saat bimbingan, seminar, dan sidang penulis.
5 Teman-teman satu bimbingan (Arif, Ajeng, Alvira, Heni, Intan) atas dukungan dan motivasi yang
telah diberikan.
6 Saudara-saudaraku seperjuangan Ikhwah_41 IPB yang telah memberikan semangat dan doanya.
7 Teman-teman seperjuangan Ilkom 41 lainnya untuk pengalaman dan kenangan yang tak ternilai.
8 Semua pihak yang tidak dapat disebutkan satu per satu.
Semoga tugas akhir ini dapat bermanfaat bagi semua pihak, khususnya Departemen Ilmu
Komputer FMIPA IPB. Amin.
Bogor, 27 Agustus 2008
Yaghi Amanda Permana
DAFTAR ISI
DAFTAR GAMBAR ........................................................................................................................ v
DAFTAR TABEL............................................................................................................................. v
DAFTAR LAMPIRAN ..................................................................................................................... v
PENDAHULUAN ............................................................................................................................ 1
Latar Belakang.............................................................................................................................. 1
Tujuan .......................................................................................................................................... 1
Ruang Lingkup ............................................................................................................................. 1
Manfaat ........................................................................................................................................ 1
TINJAUAN PUSTAKA .................................................................................................................... 1
Praproses Data .............................................................................................................................. 1
Data Warehouse ........................................................................................................................... 2
Model Data Multidimensi ............................................................................................................. 2
Operasi-operasi pada Online Analytical Processing (OLAP) .......................................................... 3
Arsitektur Three-Tier .................................................................................................................... 3
METODE PENELITIAN .................................................................................................................. 3
Analisis ........................................................................................................................................ 3
Praproses Data .............................................................................................................................. 4
Aplikasi OLAP ............................................................................................................................. 4
Lingkungan Pengembangan .......................................................................................................... 5
HASIL DAN PEMBAHASAN.......................................................................................................... 5
Analisis Data ................................................................................................................................ 5
Integrasi dan Reduksi Data ............................................................................................................ 6
Pembersihan Data ......................................................................................................................... 7
Transformasi Data......................................................................................................................... 7
Pemuatan Data .............................................................................................................................. 8
Eksplorasi dan Presentasi Hasil ..................................................................................................... 8
KESIMPULAN DAN SARAN........................................................................................................ 10
Kesimpulan................................................................................................................................. 10
Saran .......................................................................................................................................... 10
DAFTAR PUSTAKA ..................................................................................................................... 11
LAMPIRAN ................................................................................................................................... 12
iv
DAFTAR GAMBAR
1 Skema galaksi (Han & Kamber 2006) .......................................................................................... 3
2 Arsitektur three-tier data warehousing (Han & Kamber 2006) ..................................................... 3
3 Arsitektur aplikasi OLAP berbasis web (Sumber: diadopsi dari Herlambang 2007) ....................... 5
4 Skema galaksi dengan tabel fakta MataKuliah_Mutu dan IndexPrestasi ........................................ 6
5 Crosstab dengan operasi OLAP roll-up dengan ukuran rataan IPK, dimensi Angkatan, dimensi
StatusStudi .................................................................................................................................. 8
6 Grafik hasil operasi drill-down dimensi MataKuliah pilihan dengan ukuran jumlah mahasiswa,
dimensi Angkatan, dan dimensi Mutu untuk nilai mutu A............................................................ 9
7 Grafik hasil operasi slice dengan ukuran jumlah mahasiswa, dimensi mutu, dimensi waktu, dan
dimensi MataKuliah untuk Basis Data .......................................................................................... 9
8 Grafik hasil operasi dice dengan ukuran jumlah mahasiswa, dimensi Angkatan, dimensi Waktu.. 10
DAFTAR TABEL
1 Nama dan deskripsi atribut tabel tempfakta1 hasil integrasi dan reduksi ........................................ 6
2 Nama dan deskripsi atribut tabel tempfakta2 hasil integrasi dan reduksi ........................................ 6
3 Nama dan deskripsi dimensi dari kubus MataKuliah_Mutu........................................................... 8
4 Nama dan deskripsi dimensi dari kubus IndexPrestasi .................................................................. 8
DAFTAR LAMPIRAN
1 Model data hirarki pada dimensi ................................................................................................ 13
2 Data dalam tabel dimensi ........................................................................................................... 14
3 Hasil kubus data dari operasi OLAP ........................................................................................... 17
v
PENDAHULUAN
Latar Belakang
Saat ini persaingan antar Departemen di IPB
semakin ketat. Setiap Departemen berlombalomba untuk memperbaiki kualitas dari
mahasiswanya baik dalam nilai akademik
maupun sikap. Dalam hal ini, Departemen
berusaha meningkatkan jumlah lulusan yang
terbaik baik dari segi kuantitas maupun kualitas.
Kualitas mahasiswa dapat dilihat dari kondisi
akademik
mahasiswa
tersebut
selama
menempuh kuliah, yaitu melalui nilai tiap mata
kuliah yang diambilnya. Semakin tinggi nilai
yang diperoleh maka predikat kelulusan juga
akan semakin bagus.
Informasi tentang nilai mata kuliah dan
perkembangan nilai indeks prestasi pada
mahasiswa diperlukan Bagian Akademik Ilmu
Komputer
untuk
meningkatkan
mutu
pengajaran di mata kuliah tersebut. Proses
analisis data nilai akademik masih dilakukan
secara manual dengan melihat tabel data yang
saling berhubungan. Hal itu membutuhkan
waktu lama karena dari data tersebut masih
dilakukan query manual pada tiap tabel data.
Untuk menganalisis dan mengetahui
perkembangan IP maupun IPK tiap angkatan
mahasiswa serta kecenderungan nilai mata
kuliah tertentu yang diambil mahasiswa pada
tiap tahunnya dapat dilakukan dengan
membangun aplikasi OLAP yang diintegrasikan
dengan data warehouse. Proses pembuatan data
warehouse dilakukan dengan mengambil,
mengumpulkan, mempersiapkan, menyimpan,
dan menyediakan data untuk aplikasi yang
bersifat query atau reporting. Saat ini telah
tersedia beberapa teknologi data warehouse
yang menggunakan OLAP server sebagai tool
pembantu untuk analisis data, salah satu yang
berbasis
open
source
adalah
Palo
(www.jedox.com). Diharapkan tool dan metode
OLAP membantu pengguna menganalisis data
pada sebuah data warehouse dengan
menyediakan berbagai tampilan data dan
didukung dengan representasi data grafik yang
dinamis.
Tujuan
Penelitian ini bertujuan untuk membangun
sebuah data warehouse dan sebuah aplikasi
OLAP berbasis web untuk data akademik
Program Studi Ilmu Komputer IPB dengan
menggunakan Palo 2.0 sebagai OLAP server.
Ruang Lingkup
Ruang lingkup penelitian dibatasi pada
pembuatan data warehouse dan aplikasi OLAP
berbasis web. Tahapan yang akan dilakukan
meliputi proses persiapan data, pembersihan
data, integrasi data dan transformasi data,
dilanjutkan dengan implementasi operasi
OLAP. Data yang digunakan adalah data
akademik Program Studi Ilmu Komputer IPB
tahun masuk 2001 sampai 2004 (Passing Out).
Manfaat
Penelitian ini diharapkan dapat memberikan
manfaat bagi pihak-pihak terkait di Departemen
Ilmu Komputer dalam memberikan informasi
konklusif, cepat, dan menarik. Selain itu juga
dapat mempermudah analisis data dan
membantu
dalam
proses
pengambilan
keputusan.
TINJAUAN PUSTAKA
Praproses Data
Praproses data merupakan proses yang harus
dilakukan sebelum memasuki tahap pemrosesan
membuat data warehouse. Data yang digunakan
seringkali bersifat noisy (data tidak jelas atau
rusak), inclomplete (data kekurangan nilai
atributnya atau hanya berisi data agregasi), dan
inconsistent (data tidak konsisten). Berikut
adalah tahapan praproses data menurut Han dan
Kamber (2006) :
1 Pembersihan Data
Proses
ini
merupakan
tahapan
pembersihan data, yaitu mengisi data yang
hilang, mengatasi data yang kotor dan rusak,
mengidentifikasi atau membuang data
pencilan, memperbaiki data yang tidak
konsisten. Permasalahan data kotor dan cara
membersihkannya yaitu :
 Nilai yang kosong (null)
Untuk mengisi nilai yang kosong
dalam data dapat dilakukan dengan tidak
menghiraukan data nilainya yang hilang,
mengganti nilainya secara manual,
mengisi dengan konstanta “tidak
diketahui” untuk data kategori dan
konstanta
“0” untuk data numerik,
menggunakan nilai rataan dari atribut
yang kosong, dan mengisinya dengan
nilai rataan dari kelas yang sama.
2
 Nilai yang mengandung noise
Data dengan nilai yang mengandung
noise dapat diganti menggunakan nilai
hasil perhitungan dengan teknik binning
(melakukan pengisian dengan nilai
sekitar), regresi, atau dengan cara
clustering.
 Data tidak konsisten
Data tidak konsisten dapat diperbaiki
secara manual dengan menyeragamkan
data.
2 Integrasi data
Integrasi data adalah penggabungan data
dari berbagai sumber penyimpanan data
untuk menjadi satu kesatuan data yang
koheren (Han & Kamber 2006). Menurut
Kantardzic (2003), integrasi data merupakan
proses mengambil data operasional dari satu
sumber atau lebih dan memetakannya field
demi field ke dalam struktur data yang baru
pada data warehouse.
Dalam proses mengintegrasikan data dari
berbagai sumber terdapat beberapa masalah
yang dihadapi, yaitu redudansi (terdapat
lebih dari satu tuple untuk satu data unik),
dan duplikasi suatu data.
3 Transformasi data
Transformasi
data
yaitu
proses
pengubahan data menjadi bentuk yang tepat.
Proses ini dilakukan agar kondisi data tetap
konsisten dan dapat digunakan untuk proses
selanjutnya (Han & Kamber 2006).
Menurut Han dan Kamber (2006),
tranformasi data mencakup hal-hal berikut :
 Smoothing
Hal yang berhubungan dengan noise
pada data. Beberapa teknik yang
dilakukan termasuk binning, regresi, dan
clustering.
 Agregasi
Operasi agregat atau peringkasan
yang diterapkan pada data.
 Generalisasi data
Penggantian data berlevel rendah
dengan
data berlevel tinggi menggunakan konsep hirarki.
 Normalisasi
Pembuatan skala atribut data dengan
range nilai yang kecil.
 Konstruksi atribut
Pembuatan konstruksi atribut-atribut
baru dan memasukkannya ke suatu set
atribut.
4 Reduksi data
Teknik reduksi data diterapkan untuk
memperoleh representasi tereduksi dari
sejumlah data yang berimplikasi pada
volume yang jauh lebih kecil.
Data Warehouse
Data warehouse dibangun untuk mengatasi
masalah teknis dan bisnis, yang berkaitan
dengan penggunaan data dan informasi untuk
mengambil keputusan. Secara rinci dijelaskan
oleh Han dan Kamber (2006) bahwa data
warehouse mempunyai empat karateristik yaitu:
 Berorientasi subjek, terorganisasi pada
subjek utama sesuai topik bisnis atau
berdasarkan subjek dari organisasi.
 Terintegrasi,
data
dibangun
dengan
mengintegrasikan berbagai sumber data.
 Time-variant, dimensi waktu secara eksplisit
termasuk dalam data, jadi model dan
perubahannya dapat diketahui setiap saat.
 Non-volatile, data terpisah dari basis data
operasional sehingga hanya memerlukan
pemuatan dan akses data. Data tidak dapat
berubah atau tetap.
Model Data Multidimensi
Model data multidimensi terdiri dari satu
atau lebih tabel dimensi dan tabel fakta.
Dimensi adalah perspektif atau entitas yang
digunakan sebagai tempat menyimpan beberapa
record yang saling berhubungan. Sedangkan
fakta adalah suatu pengukuran data numerik dan
data historis yang terdiri dari facts, measures
dan keys dari tabel dimensi yang bersangkutan
(Han & Kamber 2006).
Model tersebut dapat menampilkan data
dalam bentuk kubus yang merupakan inti dari
model ini dan dapat digambarkan dalam bentuk
skema bintang, skema snowflake, dan skema
galaksi (Han & Kamber 2006).
Skema galaksi merupakan kumpulan dari
skema bintang. Skema ini terdiri dari berbagai
tabel fakta yang berbagi beberapa tabel dimensi,
sehingga membentuk seperti galaksi bintang.
Bentuk skema galaksi dapat dilihat pada
Gambar 1. Keuntungan menggunakan skema
ini adalah menghemat memory dan mengurangi
kesalahan yang mungkin terjadi.
3
Gambar 1 Skema galaksi (Han & Kamber
2006).
Operasi-operasi pada
Processing (OLAP)
Online
Analytical
Online analitycal Processing (OLAP) terdiri
dari seperangkat tool untuk membantu proses
analisis dan perbandingan data dalam basis
data. Tool dan metode OLAP membantu
pengguna menganalisis data pada sebuah data
warehouse dengan menyediakan berbagai
tampilan data, dan didukung dengan
representasi data grafik yang dinamis.
Beberapa operasi OLAP menurut Han dan
Kamber (2006) yaitu :
 Roll up (drill-up): ringkasan data, yaitu
dengan menaikkan konsep hirarki atau
mereduksi dimensi.
 Drill down (roll down): kebalikan dari rollup, yaitu melihat data secara lebih detail
atau spesifik dari level tinggi ke level
rendah.
 Slice and dice: slice adalah pemilihan pada
satu dimensi dari kubus data
yang
bersangkutan dan dice mendefinisikan
subcube dengan memilih dua dimensi atau
lebih.
 Pivot (rotate): memvisualisasikan operasi
yang merotasikan sumbu data dalam view
sebagai alternatif presentasi data.
 Operasi lain: drill across yaitu operasi yang
melibatkan lebih dari satu tabel fakta, drill
through yaitu operasi yang mengijinkan
pengguna untuk dapat melihat tabel data
yang menampilkan nilai-nilai pada suatu sel
data.
Arsitektur Three-Tier
Data
warehouse
pada
umumnya
mengadopsi arsitektur three-tier, seperti
digambarkan pada Gambar 2.
Gambar 2 Arsitektur
three-tier
data
warehousing (Han & Kamber
2006).
Menurut Han dan Kamber (2006), lapisanlapisan arsitektur data warehousing tersebut
adalah :
1 Lapisan bawah (bottom tier)
Lapisan bawah adalah server data
warehouse yang biasanya sebuah sistem
basis data relasional. Pada lapisan ini data
diambil dari basis data operasional dan
sumber eksternal lainnya, diekstrak,
dibersihkan, dan ditransformasi. Data
disimpan sebagai data warehouse.
2 Lapisan tengah (middle tier)
Lapisan tengah OLAP server yang
biasanya diimplementasikan dengan OLAP
Rasional
(ROLAP)
atau
OLAP
Multidimensional (MOLAP).
3 Lapisan Atas (top tier)
Lapisan atas adalah lapisan front-end
client, berisi query dan perangkat analisis,
dan atau perangkat data mining (seperti:
analisis tren, prediksi, dan lainnya).
METODE PENELITIAN
Analisis
Dari segi kebutuhan sistem, pengguna
aplikasi OLAP berbasis web ini adalah dosen
sebagai pengguna biasa dan komisi akademik
sebagai administrator. Untuk mengelola aplikasi
ini, administrator memiliki akses langsung ke
sistem manajemen basis data SQL Server
dimana data akademik ditempatkan serta ke
modul Palo dimana data warehouse tersebut
dikelola.
4
Sedangkan dosen sebagai pengguna biasa,
dapat berinteraksi dengan sistem melalui
antarmuka grafis berbasis web sehingga dapat
memanfaatkan fasilitas sistem dengan mudah,
yaitu:
 memilih dimensi / atribut melalui kotak
drop-down list.
 menampilkan data dalam bentuk tabel
crosstab.
 menampilkan data dalam bentuk grafik
batang.
 menampilkan data dalam bentuk grafik
garis.
 menampilkan data dalam bentuk pie chart.
Dari aplikasi ini diharapkan dapat memberikan beberapa informasi sebagai berikut :
 Perkembangan jumlah mahasiswa per tahun,
 Daftar huruf mutu angkatan mahasiswa baik
dalam waktu tertentu maupun selama
menempuh pendidikan,
 Daftar huruf mutu pada kelas perkuliahan
tertentu (misal kuliah basis data tahun
2001),
 Tren perkembangan Huruf Mutu mata
kuliah (misal kuliah basis data dari tahun
2001 hingga 2004),
 Tren perkembangan indeks prestasi tiap
angkatan mahasiswa berdasarkan status
studi.
 Daftar jumlah dan nilai indeks prestasi pada
tiap angkatan mahasiswa yang memiliki
status studi tertentu (misal status studi
“Drop Out” dari angkatan 2001-2004).
Tahap awal sebelum ke proses pembuatan
data warehouse, dilakukan pengumpulan data
dan menganalisis nilai dan atributnya untuk
mendapatkan atribut-atribut yang tepat untuk
membuat data warehouse. Setelah dipilih dan
diketahui
atribut-atributnya,
kemudian
dilanjutkan ke tahapan praproses data.
Praproses data
Sebelum masuk ke pembuatan data
warehouse, data harus diproses terlebih dahulu.
Tahapan praproses pada data akademik Program
Studi Ilmu Komputer meliputi:
1 Integrasi dan reduksi data
Departemen Ilmu Komputer IPB
menggunakan basis data yang dikelola oleh
Microsoft Access. Sebelum diimpor ke
Microsoft SQL Server 2000, atribut-atribut
data yang relevan dipilih. Pemilihan atribut
ini berdasarkan tujuan pembuatan data
warehouse. Integrasi dilakukan dengan
menggabungkan
atribut-atribut
yang
menarik dari tabel yang dianalisis yaitu tabel
data KRS mahasiswa (krs) dengan tabel data
KRS mata kuliah (krsmk) dan tabel data
mahasiswa (mhs). Reduksi dilakukan
bersamaan dengan proses integrasi, yaitu
dengan membuang atribut-atribut yang
kurang menarik dari tabel yang dianalisis.
2 Pembersihan
Pembersihan data dilakukan terhadap
data atribut mata kuliah yang tidak konsisten
penulisannya. Kondisi tersebut dapat diatasi
dengan menyeragamkan nilainya. Pada data
atribut yang bernilai null seperti nilai rataan
IPK, dilakukan pengisian dengan nilai nilai
rataan dari semua nilai IPK.
3 Transformasi
Proses transformasi yang dilakukan
adalah generalisasi atribut nomor KRS
(nokrs) menjadi atribut tahun akademik dan
atribut semester. Selain generalisasi, pada
proses ini juga dilakukan dengan
mengkonstruksi atribut baru menggunakan
data dari atribut yang sudah ada.
Aplikasi OLAP
Aplikasi OLAP dibangun menggunakan Palo
PHP API (Application Program Interface) dan
terhubung ke OLAP server Palo yang
melakukan fungsi agregasi dan terdapat kubus
data di dalamnya. Palo menyediakan Palo Excel
Add-In yang dapat diintegrasikan dengan
Microsoft Office Excel. Palo Excel Add-In
memiliki fasilitas untuk menampilkan data dari
kubus data Palo, membentuk struktur kubus
data Palo, dan membuat data dari sumber
eksternal ke kubus data Palo.
Gambar 3 menunjukkan arsitektur aplikasi
OLAP berbasis web, yang dapat dijelaskan
sebagai berikut:
1 Pemrosesan data dan pembuatan skema data
warehouse dengan DBMS Microsoft SQL
Server 2000
2 Pembentukan struktur kubus data dilakukan
di Palo Excel Add-In.
3 Pengisian struktur kubus data yang sudah
terbentuk dengan data dari data warehouse
melalui fasilitas Data Import di Palo Excel
Add-In.
5
4 Web server mengakses kubus data Palo
server melalui Palo PHP API. Aplikasi
OLAP menggunakan library JpGraph untuk
menampilkan grafik.
Grafik
Line Plot
Lapis atas:
Web browser
Crosstab
 Web Server package WAMPP versi 2.0
Laptop
PC
 Bahasa Pemrograman PHP 5.1.2
JpGraph
 JpGraph
Palo
API
1.20 (library
menghasilkan grafik)
Palo OLAP server
Apache PHP
Web server
MsSQL
Server
Data
Warehouse
Lapis bawah:
Data Warehouse
DBMS
Palo
Excel
Add-In
MDB
 Web browser Mozilla Firefox 3.0
Pada penelitian ini, data diperoleh dengan
format Access (.mdb). Proses analisis dilakukan
terhadap data untuk mendapatkan atribut-atribut
yang tepat untuk membangun data warehouse.
MDB
Gambar 3 Arsitektur
aplikasi
OLAP
berbasis web (Sumber: diadopsi
dari Herlambang 2007).
Lingkungan Pengembangan
Aplikasi OLAP berbasis web ini dibangun
dengan menggunakan perangkat sebagai
berikut:
Perangkat keras berupa komputer personal
dengan spesifikasi :
 Prosessor AMD Sempron 2500 + 1.4 GHz
 Memori 512 MB DDR RAM
 Harddisk 80 GB
 Monitor 15” dengan resolusi 1024 × 768
Data yang digunakan adalah data KRS
mahasiswa (krs), data KRS mata kuliah
(krsmk), dan data mahasiswa (mhs). Ketiga
kelompok data tersebut dipilih karena sudah
memenuhi beberapa kriteria dari informasi yang
ingin ditampilkan. Tabel KRS mahasiswa berisi
isian KRS mahasiswa tiap semester sedangkan
tabel data KRS mata kuliah berisi perolehan
nilai pada mata kuliah yang diambil tiap
semester. Pada tabel mahasiswa berisi
keterangan dari data mahasiswa yang masuk ke
Program Studi S1 Ilmu Komputer. Dari tabeltabel itu, kemudian dipilih atribut-atribut yang
akan digunakan untuk membuat data
warehouse.
Atribut yang akan digunakan
berdasarkan ketentuan sebagai berikut:
1 Atribut yang
dianalisis
dipilih
menarik
dipilih
untuk
2 Atribut tersebut berkaitan dengan atribut di
tabel data yang lain
 Mouse dan Keyboard
yang
untuk
Analisis Data
Data sumber
MDB
PHP
HASIL DAN PEMBAHASAN
Praproses
data
Perangkat lunak
membuat sistem:
 Palo Server 2.0 (berfungsi sebagai OLAP
server yang melakukan fungsi agregasi dan
tempat penyimpanan struktur dan kubus data
multidimensi)
 Palo Excel Add-In 2.0 (tempat pembuatan
atau pemodelan struktur kubus data dan
proses pemuatan data dari data warehouse
ke kubus data)
Presentasi
OLAP
Lapis tengah:
Web server
OLAP server
 Microsoft SQL Server 2000 (perangkat
lunak bantu untuk pemrosesan data dan
pembuatan skema data warehouse)
dibutuhkan
untuk
 Sistem Operasi Microsoft Windows XP
Professional SP2
3 Data yang dianalisis tidak terlalu banyak
mengandung nilai null
Setelah pemilihan atribut, maka langkah
selanjutnya adalah menentukan atribut-atribut
yang menjadi ukuran (measure) dan non ukuran
6
(non-measure). Hasil analisis data ditentukan
dua tabel fakta (MataKuliah_Mutu dan
IndexPrestasi) dan enam dimensi (Waktu,
Angkatan, JenisKelamin, MataKuliah, Mutu,
dan StatusStudi). Fakta terdiri dari foreign key
dari tabel dimensi, ukuran jumlah mahasiswa,
rataan IP, dan rataan IPK. Selanjutnya dibuat
skema model data multidimensi untuk data
warehouse yang dapat dilihat pada Gambar 4.
Sedangkan tabel baru tempfakta2 merupakan
hasil integrasi dan reduksi dari proses query
tabel krs dan mhs. Nama dan deskripsi atribut
dari tabel-tabel tersebut dapat dilihat pada Tabel
1 dan Tabel 2.
Tabel 1 Nama dan deskripsi atribut tabel
tempfakta1 hasil integrasi dan
reduksi
Nama Atribut
Integrasi dan Reduksi Data
Proses
integrasi
diawali
dengan
mengkonversi seluruh data sumber dengan
format Access (.mdb) menjadi format Microsoft
SQL server (.mdf). Selanjutnya dilakukan
penggabungan atribut-atribut yang menarik dari
tabel-tabel yang dianalisis menjadi satu tabel
besar
untuk
dijadikan
tabel
fakta.
Penggabungan
yang
pertama
adalah
menggabungkan tabel data KRS mahasiswa
(krs) dengan tabel KRS mata kuliah (krsmk)
dan tabel mahasiswa (mhs). Penggabungan
yang kedua adalah menggabungkan tabel KRS
mahasiswa (krs) dengan tabel mahasiswa (mhs).
Deskripsi
nokrs
nomor KRS-tahun
akademik- semester
nrp
nomor registrasi pokok
mahasiswa
sex
kode jenis kelamin
kodemk
kode matakuliah
mutu
huruf mutu
Tabel 2 Nama dan deskripsi atribut tabel
tempfakta2 hasil integrasi dan
reduksi
Reduksi data dilakukan dengan membuang
atribut-atribut yang tidak terpilih berdasarkan
hasil analisis data dan menyeleksi data dengan
hanya mengambil mahasiswa Ilmu Komputer.
Nilai atribut yang redundan dalam tabel-tabel
sumber tidak disertakan dalam proses
selanjutnya.
Nama Atribut
Proses integrasi dan reduksi data
membentuk tabel baru, yaitu tabel tempfakta1
dan tempfakta2. Tabel baru tempfakta1
merupakan hasil integrasi dan reduksi dari
proses query tabel krs, krsmk, dan mhs.
Deskripsi
nokrs
Nomor KRS - tahun
akademik - semester
nrp
nomor registrasi pokok
mahasiswa
sex
kode jenis kelamin
IP
nilai IP
IPK
nilai IPK
Waktu
PK
MataKuliah
PK
id_mk
namamk
kriteria
Mutu
PK
id_mutu
id_waktu
thakademik
semester
MataKuliah_Mutu
IndexPrestasi
StatusStudi
FK1
FK2
FK3
FK4
FK5
id_waktu
id_angkt
id_jk
id_mk
id_mutu
jml_mhs
Angkatan
PK
id_angkt
angkatan
kategori_mutu
FK1
FK2
FK3
FK4
id_waktu
id_angkt
id_jk
id_status
jml_mhs
RataanIP
RataanIPK
PK
JenisKelamin
PK
id_jk
jeniskelamin
Gambar 4 Skema galaksi dengan tabel fakta MataKuliah_Mutu dan IndexPrestasi.
id_status
kelasIPK
statusstudi
7
Pembersihan Data
Proses pembersihan data dilakukan dengan
mengidentifikasi data yang kosong (null),
mengandung noise, dan tidak konsisten karena
proses pengentrian data sumber maupun akibat
proses integrasi data. Dalam pembersihan data
terdapat beberapa nilai yang kosong (null).
Nilai kosong pada atribut IP dan IPK di-update
menjadi nilai rataan. Pada atribut mutu, nilai
huruf mutu yang bernilai null di-update menjadi
nilai „BM‟ (Belum Masuk) dan huruf mutu F
dan T di-update menjadi nilai „E‟. Dalam
atribut nokrs dilakukan penghapusan terhadap
nilai atribut nokrs untuk tahun akademik „0708‟,
karena tahun akademik tersebut masih banyak
nilai yang belum masuk sehingga bernilai null.
Sedangkan noise pada tabel krsmk dengan
atribut nama mata kuliah (namamk) di-update
dengan menyeragamkan nilai dari atributnya.
Penyeragaman
nilai
dilakukan
dengan
mengambil jumlah yang lebih dominan muncul
dari nama tersebut. Hal itu dilakukan untuk
menjaga konsistensi data, karena dalam data
sumber terdapat satu kode mata kuliah yang
mempunyai dua nama mata kuliah yang
berbeda. Selain itu pembersihan data terhadap
data yang tidak konsisten juga dilakukan pada
atribut nokrs. Pada atribut ini dilakukan
penghapusan data terhadap nokrs yang tidak
sesuai antara kode tahun di nokrs dan di nrp.
Misalnya mahasiswa angkatan 2001 dengan
nokrs xxx-0102-1, yang berarti bahwa
mahasiswa tersebut ada di tahun akademik
2001/2002 semester ganjil, seharusnya setiap
angkatan 2001 yang baru masuk IPB hanya
mempunyai nokrs TPB yaitu xxx-0102-2.
Setelah dilakukan proses pembersihan, tabel
tempfakta1 berkurang 369 tuple menjadi 13308
tuple. Sedangkan pada tabel tempfakta2
berkurang 86 tuple menjadi 1684 tuple.
Transformasi Data
Proses
transformasi
data
meliputi
penyeragaman nama atribut, generalisasi,
agregasi, dan konstruksi atribut atau dimensi.
Proses ini dilakukan dengan berpedoman pada
skema data warehouse yang sudah dibuat.
Langkah awal transformasi dilakukan
dengan mengubah nama atribut dari tabel hasil
pembersihan sesuai dengan nama atribut
dimensi yang ada pada skema. Data untuk
atribut
nokrs
dari
tabel
tempfakta1
digeneralisasi dengan mengubah nilainya
menjadi tahun akademik dan semester dengan
mengambil enam digit akhir dari nokrs. Atribut
nrp dari tabel tempfakta2 digeneralisasi menjadi
kode tahun masuk IPB dengan mengambil 5
digit belakang, kemudian dari digit tersebut
diambil
2
digit
awal.
Misalnya:
nrp=‟G64104008‟  „04008‟  „04‟. Proses
transformasi
juga
dilakukan
dengan
mengkonstruksi atribut baru menggunakan data
dari atribut yang sudah ada. Data dari atribut
IPK digunakan untuk mengkonstruksi atribut
status dengan mengelompokkan range nilai IPK
tertentu ke dalam status tertentu. Misalnya:
range nilai IPK dari 2,76 - 3,50 memiliki status
tanpa syarat. Hasil transformasi dimasukkan ke
dalam tabel baru, tabel tempfakta1 menjadi
tabel fakta1 dan tabel tempfakta2 menjadi tabel
fakta2.
Langkah berikutnya adalah menentukan
nilai agregasi atribut-atribut yang menjadi
ukuran (measure). Data tabel fakta1 ditentukan
nilai agregasinya untuk mendapatkan ukuran
jumlah
mahasiswa
dengan
menghitung
banyaknya
nrp
dari
mahasiswa
dan
mengelompokkannya
berdasarkan
atributatribut yang ada. Kemudian membuat atribut
baru untuk menampung ukuran jumlah
mahasiswa hasil agregasi. Pada data tabel fakta2
dilakukan agregasi untuk mendapatkan ukuran
jumlah mahasiswa, rataan nilai IP dan IPK.
OLAP server Palo belum mendukung fungsi
agregasi rataan. Oleh karena itu nilai agregasi
rataan ditentukan dengan menentukan nilai total
dari ukuran, kemudian membaginya dengan
ukuran jumlah data. Untuk data atribut rataan IP
dan IPK dari tabel fakta2 ditentukan nilai
totalnya dan dihitung jumlah mahasiswa,
dikelompokkan berdasarkan atribut-atribut nonukuran. Atribut baru dikonstruksi untuk ukuran
jumlah mahasiswa. Hasil dari transformasi
dengan operasi agregasi ini dipindahkan ke
tabel baru yang merupakan tabel fakta data
warehouse sesungguhnya. Tabel-tabel fakta
tersebut adalah tabel fact_mkmutu yang terdiri
dari lima dimensi dan satu ukuran, dan tabel
fact_indexprestasi yang terdiri dari empat
dimensi dan tiga ukuran.
Tahap
transformasi
terakhir
adalah
melakukan konstruksi tabel-tabel dimensi.
Keenam tabel dimensi tersebut dibuat dengan
nama
dim_time,
dim_mk,
dim_mutu,
dim_angktn, dim_jk,
dan dim_statusstudy.
Tabel dimensi Waktu (dim_time) dibuat dari
generalisasi kode nokrs, dimana empat digit
awal dari enam digit akhir nokrs diidentifikasi
sebagai tahun akademik dan satu digit terakhir
dari enam digit akhir nokrs diidentifikasi
sebagai semester. Tabel dimensi Angkatan
(dim_angktn) dibuat dari generalisasi kode
NRP, di dalamnya menjelaskan tahun masuk
8
mahasiswa ke IPB. Adapun model hierarki dari
dimensi-dimensi tersebut dapat dilihat setiap
Lampiran 1 dan data dalam tabel dimensi dapat
dilihat setiap Lampiran 2.
Pemuatan Data
Data warehouse yang sudah dibuat selesai
dibuat, selanjutnya di-load ke kubus data OLAP
server Palo. Kemudian, skema data warehouse
dimodelkan dengan menentukan dimensidimensi, elemen-elemen dari dimensi, ukuranukuran, dan kubus data. Kubus data yang dibuat
yaitu, kubus MataKuliah-Mutu dan kubus
IndexPrestasi. Kubus data MataKuliah-Mutu
dibuat untuk tabel fakta fact_mkmutu
sedangkan kubus data IndexPrestasi dibuat
untuk tabel fakta fact_indexprestasi. Ukuran
pada struktur Palo dimasukkan dalam struktur
dimensi tabel fakta yang tidak mempunyai
id_key. Selanjutnya data dimuat menggunakan
fasilitas Data Import dari Excel Add-In Palo.
Nama dan deskripsi dari kubus data dapat
dilihat pada Tabel 3 dan Tabel 4.
Tabel 3 Nama dan deskripsi dimensi dari kubus
MataKuliah-Mutu
Nama Dimensi
Deskripsi
Waktu
Tahun akademik dan
semester
Angkatan
Angkatan masuk IPB
Jenis Kelamin
Jenis kelamin
mahasiswa
Mata Kuliah
Mata kuliah
Mutu
Nilai mutu
Ukuran
Matakuliah_Mutu
Nama-nama ukuran
(jumlah mahasiswa)
Aplikasi OLAP yang dibuat menyediakan
fasilitas-fasilitas berikut :
1 Menu OLAP, dimana pengguna dapat
menentukan kubus data, ukuran, dan
dimensi-dimensi yang akan ditampilkan
untuk dianalisis.
2 Filter dimensi, fungsi ini menyaring dimensi
yang ditampilkan pada sumbu x dan sumbu
y untuk menampilkan elemen-elemen
tertentu dari dimensi. Dimensi lainnya dapat
dipilih satu elemen dari tiap-tiap dimensi.
3 Visualisasi Crosstab dan Graph, dimana
data hasil operasi OLAP yang dilakukan
pengguna dapat ditampilkan ke dalam
bentuk crosstab dan/atau grafik. Grafik yang
ditampilkan berupa bar plot atau line plot.
Eksplorasi dan Presentasi Hasil
Ekplorasi
data
dilakukan
dengan
menggunakan
operasi
OLAP
untuk
menghasilkan beberapa informasi yang
diinginkan. Contohnya adalah operasi roll-up
untuk melihat dan menganalisis tren
perkembangan indeks prestasi mahasiswa Ilmu
Komputer pada setiap angkatan. Proses
eksplorasi dan operasi ini menggunakan kubus
IndexPrestasi yang mempunyai ukuran jumlah
mahasiswa, rataan IP, dan rataan IPK. Untuk
melihat nilai rataan IPK tiap angkatan, dapat
dilakukan pemilihan dari kelas IPK ke status
studi yang diinginkan. Hasil perkembangan
rataan IPK tiap angkatan dapat dilihat pada
Gambar 5.
Tabel 4 Nama dan deskripsi dimensi dari kubus
IndexPrestasi
Nama Dimensi
Deskripsi
Waktu
Tahun akademik dan
semester
Angkatan
Angkatan masuk IPB
Jenis Kelamin
Jenis kelamin mahasiswa
Status Studi
Status studi mahasiswa
Ukuran
IndexPrestasi
Nama-nama ukuran
(jumlah mahasiswa,
rataan IP, rataan IPK)
Gambar 5 Crosstab dengan operasi OLAP
roll-up dengan ukuran rataan
IPK, dimensi angkatan, dimensi
status studi.
Selain operasi roll up, dapat dilakukan
operasi drill-down untuk melihat jumlah
mahasiswa yang mendapatkan nilai mutu A dari
semua mata kuliah pilihan. Hasil operasi
tersebut dapat dilihat pada Gambar 6 dalam
bentuk grafik garis.
9
Gambar 6 Grafik hasil operasi drill-down dimensi mata kuliah pilihan dengan ukuran
jumlah mahasiswa, dimensi angkatan, dan dimensi mutu untuk nilai mutu A.
Operasi yang dapat dilakukan lainnya adalah
mencari pola sebaran perkembangan huruf mutu
mata kuliah Basis Data dari tahun akademik
2001/2002 sampai 2006/2007. Grafik pada
Gambar 7 merupakan hasil operasi slice dengan
peserta mata kuliah Basis Data pada semua
angkatan dan tahun akademik. Untuk tahun
akademik 2003/2004 dan 2004/2005 nilai mutu
mata kuliah tersebut umumnya B. Sedangkan
pada tahun akademik 2005/2006 mahasiswa
yang mengambil Basis Data lebih banyak
mendapatkan nilai mutu C.
Gambar 7 Grafik hasil operasi slice dengan ukuran jumlah mahasiswa, dimensi
mutu, dimensi waktu, dan dimensi mata kuliah untuk Basis Data.
10
Selain itu juga dapat dilihat daftar jumlah
mahasiswa pada angkatan dan tahun tertentu
dengan kelas IPK yang diinginkan dengan
operasi dice. Misalkan akan dilihat jumlah
mahasiswa angkatan 2003-2004 pada rentang
waktu tahun akademik 2001/2002 sampai
2006/2007 dengan kelas IPK lebih dari 3.51.
Hasil operasi tersebut dapat dilihat pada
Gambar 8.
Hasil dari penelitian ini dapat memberikan
manfaat bagi pengguna di Departemen Ilmu
Komputer dalam mempermudah analisis data
akademik ukuran besar sehingga dapat
membantu dalam pengaksesan data tersebut,
penyampaian informasi, pembuatan laporan
dan pembuatan keputusan yang lebih baik.
Saran
Saran untuk penelitian data warehousing
dan OLAP selanjutnya adalah:
1 Memperbanyak jumlah data, yaitu dengan
melibatkan semua data mahasiswa di setiap
tahun akademik untuk masing-masing
angkatan yang terdapat di Departemen Ilmu
Komputer IPB. Data akademik tersebut
lebih mencakup pada kurikulum mayor
minor.
2 Dibangun modul program untuk pemasukan
data baru yang nantinya diintegrasikan ke
dalam aplikasi OLAP.
Gambar 8 Grafik hasil operasi dice dengan
ukuran jumlah mahasiswa, dimensi
angkatan, dimensi waktu.
Dari beberapa contoh eksplorasi yang
ditampilkan dalam bentuk grafik, dapat dilihat
bentuk kubus data dari operasi OLAP pada
Lampiran 3.
KESIMPULAN DAN SARAN
Kesimpulan
Pembangunan data warehouse dan OLAP
berbasis web data akademik Ilmu Komputer
menghasilkan dua kubus data, yaitu kubus data
MataKuliah_Mutu dan IndexPrestasi. Kedua
kubus data tersebut dapat divisualisasikan
dengan tepat, cepat dan akurat dalam tiga jenis
tampilan, yaitu tampilan grafik batang, grafik
garis dan pie chart dengan menggunakan OLAP
Palo 2.0.
Operasi OLAP yang dilakukan pada kubus
data ini adalah roll-up (misalnya untuk melihat
dan menganalisis tren perkembangan indeks
prestasi mahasiswa Ilmu Komputer pada setiap
angkatan), drill-down (misalnya untuk melihat
jumlah mahasiswa yang mendapatkan nilai
mutu A dari semua mata kuliah pilihan), dice
(misalnya untuk melihat jumlah mahasiswa
angkatan 2003-2004 pada rentang waktu tahun
akademik 2001/2002 sampai 2006/2007
dengan kelas IPK lebih dari 3.51), dan slice
(misalnya untuk mengetahui perkembangan
huruf mutu mata kuliah Basis Data).
3 Dikembangkan
operasi-operasi
OLAP
dalam aplikasi. Operasi dice dan slice lebih
disempurnakan, sehingga setiap sumbu dari
crosstab dapat diisi lebih dari dua dimensi.
Penambahan operasi pivot untuk memutar
sumbu.
4 Diintegrasikan dengan aplikasi pendukung
untuk menambahkan link menu yang ketika
dipilih, langsung menampilkan visualisasi
sesuai perintah menu tersebut.
11
DAFTAR PUSTAKA
Han J, Kamber M. 2006. Data Mining :
Concepts and Techniques. San Francisco :
Morgan Kaufmann Publisher.
Herlambang A. 2007. Pembangunan Data
Warehouse dan Aplikasi OLAP Berbasis
Web Menggunakan Palo. [Skripsi]. Bogor :
Departemen Ilmu Komputer, FMIPA,
Institut Pertanian Bogor.
Inmon WH. 1996. Building the Data
Warehouse. New York, USA : John Wiley
and Sons, Inc.
Kantardzic M. 2003. Data Mining : Concepts,
Models, Methods, and Algorithms. New
Jersey : John Wiley and Sons, Inc.
Raue K, Barczaitis H. 2007. Palo 2.0
Manual.
German
:
Jedox
GmbH.
LAMPIRAN
13
Lampiran 1 Model hierarki pada dimensi
a Model hierarki dimensi Waktu
b Model hierarki dimensi Angkatan
c Model hierarki dimensi JenisKelamin
d Model hierarki dimensi MataKuliah
e Model hierarki dimensi Mutu
f
Model hierarki dimensi StatusStudi
14
Lampiran 2 Data dalam tabel dimensi
a Data tabel dim_time (dimensi Waktu)
id_waktu
thakad
semester
0102-0
2001/2002
genap
0102-1
2001/2002
ganjil
0102-2
2001/2002
tpb
0203-0
2002/2003
genap
0203-1
2002/2003
ganjil
0203-2
2002/2003
tpb
0304-0
2003/2004
genap
0304-1
2003/2004
ganjil
0304-2
2003/2004
tpb
0405-0
2004/2005
genap
0405-1
2004/2005
ganjil
0405-2
2004/2005
tpb
0506-0
2005/2006
genap
0506-1
2005/2006
ganjil
0607-0
2006/2007
genap
0607-1
2006/2007
ganjil
b Data tabel dim_jeniskelamin (dimensi JenisKelamin)
id_jk
jeniskelamin
0
Perempuan
1
Laki-laki
c Data tabel dim_angktn (dimensi Angkatan)
id_angkt
th_angkt
1
2001
2
2002
3
2003
4
2004
d Data tabel dim_mutu (dimensi Mutu)
id_mutu
kategori_mutu
0
BM
A
A
B
B
C
C
D
D
E
E
15
Lanjutan
e Data tabel dim_statusstudy (dimensi StatusStudi)
f
id_status
kelasIPK
statusstudi
1
1.[IPK>=3.51]
A.Tanpa Syarat
2
2.[2.76<=IPK<3.51]
A.Tanpa Syarat
3
3.[2.00<=IPK<2.76]
A.Tanpa Syarat
4
1.[IP>=2, 1.50< IPK <2.00]
B.Peringatan
5
2.[IP<2, 1.50< IPK <2.00]
B.Peringatan
6
1.[1.00< IPK <=1.50]
C.Drop Out
7
2.[0.00<=IPK<=1.00]
C.Drop Out
Data tabel dim_mk (dimensi MataKuliah)
id_mk
namamk
kriteria
BIO101
Biologi B
TPB
BIO400
Pengantar Bioteknologi
Pilihan
FIS101
Fisika Dasar I
TPB
FIS102
Fisika Dasar II
TPB
FIS270
Elektronika Dasar
Pilihan
FIS374
Mikroprosesor
Pilihan
IPB100
Pengantar Ilmu Pertanian
TPB
KIM100
Kimia Umum
TPB
KOM121
Bahasa Pemrograman
TPB
KOM122
Algoritma dan Pemrograman
TPB
KOM191
Pengenalan ilmu Komputer
TPB
KOM201
Analisis Numerik
Wajib
KOM211
Teori Bahasa dan Otomata
Wajib
KOM212
Struktur Data
Wajib
KOM231
Rangkaian Digital
Wajib
KOM232
Organisasi Komputer
Wajib
KOM261
Rekayasa Perangkat Lunak
Wajib
KOM271
Basis Data
Wajib
KOM301
Metode Kuantitatif
Wajib
KOM303
Pengantar Kriptografi
Pilihan
KOM304
Simulasi Komputer
Pilihan
KOM311
Analisis Algoritma
Wajib
KOM331
Sistem Operasi
Wajib
KOM332
Komunikasi Data dan Jaringan Komputer
Wajib
KOM333
Pemrosesan Paralel
Wajib
KOM334
Sistem Berkas
Pilihan
KOM341
Komputer Grafik
Pilihan
KOM342
Sistem Multimedia
Pilihan
KOM361
Pengembangan Sistem Berorientasi Obyek
Wajib
16
Lanjutan
id_mk
namamk
kriteria
KOM362
Manajemen Proyek Perangkat Lunak
Pilihan
KOM371
Sistem Informasi Manajemen
Wajib
KOM372
Sistem Informasi Geografis
Pilihan
KOM373
Perpustakaan Digital
Pilihan
KOM381
Pengantar Kecerdasan Buatan
Wajib
KOM382
Pengenalan Pola dan Analisis Citra
Pilihan
KOM431
Basisdata Terdistribusi
Pilihan
KOM432
Jaringan Komputer Lanjut
Pilihan
KOM433
Rekayasa Trafik
Pilihan
KOM441
Interaksi Manusia dan Komputer
Wajib
KOM451
Kapita Selekta Ilmu Komputer
Wajib
KOM471
Temu Kembali Informasi
Pilihan
KOM481
Sistem Pakar
Pilihan
KOM482
Kecerdasan Komputasional
Pilihan
KOM491
Seminar
Wajib
KOM492
Metodologi Penelitian dan Telaah Pustaka
Wajib
KOM493
Praktek Kerja Lapangan
Wajib
KOM494
Kolokium
Wajib
KOM495
Tugas Akhir
Wajib
MAT101
Matematika Dasar
TPB
MAT112
Kalkulus I
TPB
MAT201
Pengantar Logika Matematika
Pilihan
MAT213
Kalkulus Lanjut
Wajib
MAT221
Aljabar Linier
Wajib
MAT272
Graph Algoritmik
Pilihan
MAT273
Matematika Diskret
Wajib
MAT361
Pengoptimuman
Pilihan
MET200
Pengantar Geosains
Pilihan
MKU110
Pendidikan Agama
TPB
MKU123
Pendidikan Kewarganegaraan
TPB
MKU131
Bahasa Indonesia
TPB
MKU141
Bahasa Inggris I
TPB
MKU142
Bahasa Inggris Lanjut
Wajib
MKU191
Olahraga dan Seni
TPB
SEP120
Sosiologi Umum
TPB
SEP150
Ekonomi Umum
TPB
STK201
Pengantar Hitung Peluang
Wajib
STK210
Metode Statistika I
Wajib
STK305
Metode Riset Operasi
Pilihan
STK381
Komputasi Statistika
Pilihan
STK425
Analisis Peubah Ganda
Pilihan
17
Lampiran 3
a Drill-down
b Roll-up
c Slice
Hasil kubus data dari operasi OLAP
18
Lanjutan
d Dice