-
ISSN 1693- 1629
Edisi 11Jurnoltlrnloh
ilmn kompnter1PembandinganStabilitas Algoritma Seleksi Fiturmenggunakan Transformasi Ranking NormalTaufik Djatna, Yasuhiko Morimoto
7Pengembangan Data Warehouse Program TrackingStasiun TV di lndoneslaWisnu Ananta Kusuma, Hari Agung Adrianto, Arsanda Prawisda
15 .Pengembangan SIJELITA sebagai Sistem Keamanan Perumahanberbasis SMS dan PSTNHeru Sukoco, Sri Wahjuni, Andi Setiadi
24Perkiraan Biaya Perangkat Lunakmenggunakan Logika FuzzyIrman Hermadi, Wisnu Ananta Kusuma, Denny Setia Mulyadi
32Pengenalan Kata Berbahasa Indonesia denganHidden Markov Model (HMM) menggunakan Algoritma Saum-WelchAgus Buono, Arief Ramadhan, Ruvinna
41Seleksi Fitur menggunakan Fast Correlation Based Filterpada Algoritma Voting Feature Intervals 5Aziz Kustiyo, Hida Nur Firqiani, Endang Purnama Giri
Vol.6 No.21 Desember 2008
-
Sekszpur Sirih
Pembaca yang budiman,
Dengan mengucapkan Puji dan Syukur kehadirat Allah SWT, JurnalIlmiah Ilmu Komputer Edisi I INol.6 No.2 Desember 2008, akhirnya dapatterbit dan sampai di hadapan pembaca.
Dalam Edisi 11 ini, Redaksi menyajikan enam laporan hasil penelitianyang meliputi bidang Jaringan Komputer, Data Warehouse, KecerdasanKomputasional, dan Rekayasa Perangkat Lunak.
Kami harapkan materi-materi yang disajikan pada Edisi 11 ini dapatmemberikan kontribusi terhadap perkembangan dunia I1mu Komputer diIndonesia.
Selamat membaca !
Bogor, Desember 2008
ii1
-
DaftarIsi
Sekapur Sirih .
Daftar Isi .....,.................................................................................................................................... III
Pembandingan Stabilitas Algoritma Seleksi Fiturmenggumikan Transformasi Ranking NormalTaufik Djatna, Yasuhiko Morimoto 1
Pengembangan Data Warehouse Program TrackingStasiun TV di IndonesiaWisnu Ananta Kusuma, Hari Agung Adrianto, Arsanda Prawisda 7
Pengembangan SIJELITA sebagai Sistem Keamanan Peru mahanberbasis SMS dan PSTNHeru 5ukoco, Sri Wnhjuni, Andi Setiadi 15
Perkiraan Biaya Perangkat Lunakmenggunakan Logika FuzzyIrman Hermadi, Wisnu Ananta Kusuma, Denny Setia Mulyadi 24
Pengenalan Kata Berbahasa Indonesia dengan Hidden Markov Model (HMM)menggunakan Algoritma Baum-WelcbAgus Buono, Arief Ramadhan, Ruoinna 32
Seleksi Fitur menggunakan Fast Correlation Based Filterpada Algoritma Voting Feature Intervals 5Aziz Kustiyo, Hida Nur Firqiani, Endang Purnama Giri 41
-
Pengembangan Data Warehouse Program TrackingStasiun TV di Indonesia
Wisnu Ananta Kusuma, Hari Agung Adrianto, Arsanda Prawisda
Departemen llmu Komputer, FMfPA-fPB
Abstrak
Stasiun TV berusaha untuk meningkatkan rating, share, dan jumlan penonton dengan memperhatikan biaya produksi yangdikeluarkan. Data stasiun TV yang berisi rating, share, jumlah penon/on, dan biaya produksi adalah data program tracking.Data program tracking diterima stasiun TV dari perusahaan penyedia data setiap minggu. Data acara tersebut menjadi acuandalam menganalisis potensi sebuah acara. Untuk memudahkan proses analisis, maka dibuat data warehouse yang merupakantempat penyimpanan data yang terintegrasi, multidimensi, dan menampilkan data dalam suatu bentuk yang diharapkan akanmemudahkan proses analisis dalam pembuatan keputusan. .
Hasil dari penelitian ini adalah suatu data warehouse untuk data program tracking dan suatu OLAP browser yangmempunyai fasilitas untuk menambah data yang datang setiap minggunya dan visualisasi berupa tabel pivot dan diagrambatang dalam menampilkan data numerik dan tabel relasional untuk menampilkan data kategorik. Visualisasi ini dibuat untukmempermudah pengguna dalam melihat data dalam proses analisis.Kata Kunci .' Data warehouse, Multidimensi, Online Analytical Processing (OLAP), Skema bintang.
PENDAHULUANLatar Belakang
Saat ini persaingan di dunia pertelevisian semakinketat. Setiap stasiun TV berlomba-Iomba memasangacara yang menarik banyak penonton. Dalam hal ini,stasiun TV berusaha untuk meningkatkan rating danshare, dengan memperhatikan biaya produksi yangdikeluarkan. Data stasiun TV yang berisi rating, share,jumlah penonton, dan biaya produksi adalah dataprogram tracking.
Data program tracking diterima stasiun TV dariperusahaan penyedia data setiap minggu. Data acaraselama seminggu itu yang menjadi acuan dalammenganalisis potensi sebuah acara. Tetapi data dalamseminggu belum cukup memberikan informasi dalamproses analisis data. Karena itu, stasiun TV harusmenganalisis minggu-minggu sebelumnya (bulan dantahun sebelumnya) untuk mengetahui ketepatanpenempatan acara, pola penempatan acara di stasi unTV, dan pengambilan keputusan lainnya.
Proses analisis data program tracking masihdilakukan secara manual, sehingga memakan waktuyang cukup lama. Hal tersebut tidak efisien jikamelihat data berikutnya akan datang lagi hanya dalamwaktu satu minggu. Oleh karena itu, perlu dibuat datawarehouse yang merupakan tempat penyimpanan datayang terintegrasi dan dapat digunakan untuk kueri dananalisis.
Kueri dapat dengan mudah dijalankan danditampilkan hasilnya dengan menggunakan suatuOlAP browser. OlAP browser yang banyakdikembangkan saat ini masih terbatas pada prosesanalisis untuk data numerik, sedangkan dalarnmenganalisis data program tracking, stasi un TV diIndonesia membutuhkan suatu proses analisis untukdata kategorik seperti pad a tipe dan asal negara darisuatu acara. Oleh karena itu, perlu dikembangkansuatu OLAP browser yang dapat digunakan untukproses analisis data kategorik, sesuai dengankebutuhan stasiun TV di Indonesia tersebut.
Tujuan
Tujuan penelitian ini adalah:1. Mengembangkan data warehouse program trackingstasiun TV di Indonesia.
2. Mengembangkan suatu OLAP browser untukmemenuhi kebutuhan proses analisis data numerik dandata kategorik pada data warehouse program trackingstasiun TV di Indonesia.
Ruang LingkupPenelitian ini dibatasi pada pengembangan datu
warehouse untuk stasiun TV di Indonesia. Data yangdigunakan adalah data program tracking stasiun TV diIndonesia, tertanggal 26 Desember 2004 sampaidengan 6 Agustus 2005.
7
-
Pengembangan Data Warehouse Program Tracking Stasiun lV di Indonesia
dibaca saat proses analisis. Selain itu, penamaanatribut juga akan ditransformasi untuk memudahkanpengguna untuk mengingatnya.
c Pembersihan DataAtribut dengan nilai NULL akan diisikan suatu katauntuk memudahkan pengguna dalam proses anal isis,dan pengguna tidak kehilangan informasi.
d Memuat Data ke dalam Basis Data DataWarehouse (loading)Data yang telah mengalami proses ekstraksi,transformasi, dan pembersihan sudah siap digunakandalam pengembangan data warehouse.
e RefreshData akan disegarkan jika ada data baru yang masuk.
2 Proses pengembangan data warehouse ini akandilakukan menggunakan Microsoft SQL Server 2000.Langkah-langkah tersebut adalah:a MenentukanProsesPada tahap ini ditentukan proses-proses untuk datawarehouse program tracking stasiun TV di Indonesia.b Menentukan Atribut untuk Tabel FaktaPada tahap ini ditentukan atribut-atribut pada tabelfakta data warehouse program tracking stasi un TV diIndonesia.c Menentukan DimensiPada tahap ini ditentukan dimensi-dimensi yang ingindilihat hubungannya pada data warehouse programtracking stasiun TV di Indonesia. Selain itu, skemayang digunakan untuk membentuk dimensi adalahskerna bintang karena masing-masing data berasal daritabel-tabel terpisah yang tidak saling berhubungan.d Menentukan MeasurePada tahap ini ditentukan measure yang ingindianalisis pada data warehouse program trackingstasi un TV di Indonesia.e Menyimpan pre-calculation dalam Tabel FaktaTahap ini tidak dilakukan karena tidak dilakukan suatuperhitungan tertentu dalam menganalisis data.r Membuat Keterangan pada Tabel DimensiPada tahap ini dibuat keterangan pada dimensi datawarehouse program tracking stasi un TV di Indonesia.g Menentukan Durasi dart Basis DataPada tahap ini ditentukan dimensi waktu pada datawarehouse program tracking stasiun TV di Indonesia.h Melacak Slowly Changing DimensionTahap ini tidak dilakukan karena proses diasumsikantidak berubah.i Menentukan KueriPada tahap ini ditentukan server digunakan untukmenjalankan kueri penyimpulan pad a data warehouseprogram tracking stasiun TV di Indonesia. Selain itu,ditentukan juga operasi OLAP yang ingin dijalankanuntuk menganalisis data tersebut.
Untuk pengembangan OLAP browser akandilakukan tahap-tahap sebagai berikut:1 Analisis
Pada tahap ini ditentukan spesifikasi fungsi dariOLAP browser. Spesifikasi fungsi ini berdasarkebutuhan pemakai.2 Desaln
Perancangan OLAP browser didefinisikan sebagaiproses dimana kebutuhan OLAP browser telahdidefinisikan pada tahap analisis kebutuhan.Perancangan OLAP browser dibagi menjadiperancangan input, proses, dan output.3 Pengkodean
Implementasi dirancang dan dibangun denganmenggunakan perangkat keras prosessor Pentium 4 2,6GHz, memory 256 MB, harddisk 30 GB, dan alat inputmouse dan keyboard Selain itu, perangkat lunak yangdigunakan adalah OLAP browser Operasi WindowsXP, bahasa pemrograman Microsoft Visual Basic 6.0,DBMS Microsoft SQL Server 2000, dan MicrosoftOffice Excel 20034 Pengujian
Untuk mengetahui apakah OLAP browser dapatberfungsi dengan baik, maka dilakukan pengujian.Tahapan 101 menguii kubus data dalam datawarehouse yang divisualisasikan dengan OLAPbrowser tersebut.5 PemeliharaanTahap ini tidak dilakukan pad a pengembangan OlAPbrowser karena keterbatasan waktu.
HASIL DAN PEMBAHASAN
Pengembangan Data WarehousePengembangan data warehouse telah melalui
beberapa proses, yaitu:I Praproses yang dilakukan adalah:
a Ekstraksi DataAtribut yang merupakan pengulangan atau nilainya
terdapat pada atribut lain akan dihapus. Pada proses inididapatkan atribut yang dipakai dari 25 atributdiekstrak menjadi 15 atribut.
b Transformasi DataAtribut yang ditransformasi adalah:
Atribut Date akan dipisah menjadi empat kolom, yaitukolom Years, kolom Months, kolom Weeks, dan kolomDates. Atribut Date dengan format tanggalDD/MMIYY dipisah, dengan bagian YY diisikan kekolom Years, bagian MM diisikan ke kolom Months,dan bagian DD diisikan ke kolom Dates. KolomWeeks didapat dengan rumus:
Weeks =qJ!!!!!f.!!..._-= day. + I7
9
-
Pengembangan Data Warehouse Program Tracking Stasiun TV di Indonesia
Selang Deskripsi _Durasi(menit)
1 1-602 61-1203 121-1804 181-2405 241-3006 301-3607 361-4208 421-4809 481-54010 541-600II 601-66012 661-72013 721-78014 781-84015 841-90016 901-96017 961-102018 1021-108019 1081-114020 1141-120021 1201-126022 1261-132023 1321-138024 1381-1440
Selang Deskripsi_ Durasi(menit)
28 811-84029 841-87030 871-90031 901-93032 931-96033 961-99034 991-102035 1021-105036 1051-108037 1081-111038 1111-114039 1141-117040 1171-120041 1201-123042 1231-126043 1261-129044 1291-132045 1321-135046 1351-138047 1381-141048 1411-1440
Tabel 4 Deskripsi selang durasi per jam
Selang Deskripsi_ Durasi(menit)
1 1-302 31-603 61-904 91-1205 121-1506 151-1807 181-2\08 211-2409 241-27010 271-300II 301-33012 331-36013 361-39014 391-42015 421-45016 451-48017 481-51018 511-54019 541-57020 571-60021 601-63022 631-66023 661-69024 691-72025 721-75026 751-78027 781-810
Nama atribut akan dikonsistenkan dengan urutan-Idyrogram, Market, Program_name,Program_type, Program_source, Class, Channel,Years, Months, Weeks, Dates, Days.Time_start_ haljhour, Time_start _onehour,Time_start yeriode, Duration _haljhour,Duration_onehour, Cost, TVR, Audience, danShare. Untuk penamaan atribut Years, Months,Weeks, Dates, dan Days dibuat jamak untukmenghindari kerancuan dengan fungsi Yean),Montht), dan Dayt) pada Microsoft SQL Server2000.
Tabel5 Deskripsi selang durasi per setengahjam
c Pembersihan Data
Atribut Market yang NULL pada data programtracking stasiun TV menggambarkan programacara yang ditayangkan di seluruh kota, sehinggaakan diisikan kata all di cell tersebut.
Atribut Class adalah suatu atribut yang berisikankode-kode rahasia pihak penyedia data, sehinggapihak TV tidak mengetahui artinya. Atribut Classyang bemilai NULL akan diisikan kata unknowndi cell tersebut.
Seluruh row dihapus jika atributnya (selainMarket, Class, TVR, Share, Audience, dan Cost)ada yang bemilai NULL.
d Memuat Data ke dalam Basis DataData Warehouse (loading)
Data yang telah mengalami proses ekstraksi,transformasi, dan pembersihan sudah siap digunakandalam pengembangan data warehouse.
11
-
Pengembangan Data Warehouse Program Trackiflg Stasiun TV di Indonesia
adalah data program tracking dalam bentuk filespreadsheet (Excel). Setelah itu data ini akan diproses.Hasil dari fungsi ini akan mengalami pemrosesankubus data. Input pada OLAP browser adalah datadimensi yang akan dilihat hubungannya dan measureyang ingin dianalisis nilainya. Perancangan ProsesProses-proses pada OLAP browser ini adalah datayang diimpor akan mengalami praproses data, peng-update-an tabel dimensi dan tabel fakta, danpemrosesan kubus data. Operasi OLAP akan dilakukanberdasarkan dimensi dan measure yang diinputkan.Operasi OLAP yang dijalankan adalah roll-up, drill-down, slice, dan dice. Hasil dari operasi ini akanditampilkan pada window. Perancangan OutputOutput ditampilkan dalam tabel pivot dan diagrambatang untuk menganalisis data numerik dan operasiOLAP roll-up, drill-down, slice, dan dice, denganfungsi penyimpulan summary atau maximal. Selain itu,output ditampilkan juga dalam bentuk tabel relasionaluntuk menganalisis data kategorik dengan fungsimodus.
3 PengkodeanFungsi yang tersedia pada OLAP browser ini adalah: Update Data, fungsi untuk menambah data yang
terdiri dari fungsi:a Ekstraksi, pembersihan, dan transformasi data.
Data baru (data pada minggu terbaru) yangberbentuk file spreadsheet (Excel) diimpor keMicrosoft SQL Sever 2000 dan dimasukkan ke dalamtabel sementara pertama (label Exceltemp). Lalu padatabel sementara pertama ini dilakukan pembersihandan transforrnasi data. Hasilnya dimasukkan ke dalamtabel sementara kedua (tabel Tabelasti temp}.b Update anggota dimensi dan tabelfakta.
Pada tabel sementara kedua dicari nilai-nilaianggota dimensi yang belum tercatat pada masing-masing tabel dimensi. Nilai dimensi yang belum adaditambahkan sebagai anggota baru pada tabel dimensitersebut. Setelah itu, tabel-tabel dimensi dihubungkandengan tabel sementara kedua untuk meng-updatetabel fakta dengan data terbaru (minggu terbaru). Datapada tabel sementara kedua juga ditambahkan ke tabelasli. Process Cube
Fungsi ini merupakan fungsi untuk memproseskembali kubus data pada Microsoft Analysis ServiceSQL Server 2000 setelah data di-update. Pengoperasian OLAP
Operasi OLAP yang diterapkan pada kubus dataadalah:a Operasi Roll-up
Operasi roll-up dilakukan untuk:Mengetahui biaya produksi per bulan untuk tipe
acara dengan source acara atau channel tertentu.2 Mengetahui rating dan share maximal per bulanuntuk tipe atau source acara pada channel tertentu.b Drill-down
Operasi drill-down dilakukan untuk:Mengetahui rating, share, jumlah penonton, dan
biaya produksi pada masing-masing channel untukhari tertentu dan asal negara (source) atau tipe acaratertentu.2 Mengetahui rating, share, jumlah penonton, danbiaya produksi tiap acara (atau suatu tipe acara) padawaktu tayang per setengah jam untuk hari atau channeltertentu.3 Mengetahui rating, share, jumlah penonton, danbiaya produksi tiap acara (atau suatu tipe acara) padadurasi per setengah jam untuk hari atau channeltertentu.e Slice and diceOperasi dice dan slice adalah operasi yang palingsering dilakukan stasi un TV untuk melihat rating,share, jumlah penonton, dan biaya produksi. Semuakombinasi dimensi dapat dilakukan dalam operasi ini.Hasil dari operasi OLAP divisualisasikan dengan: Pivot table dan diagram batangFungsi ini merupakan fungsi untuk visualisasi datanumerik. Data diambil dari kubus data Sumbu Ymenggambarkan measure, sedangkan sumbu X danwama pada batang menunjukkan dimensi yang ingindilihat hubungannya. Visualisasi KategorikFungsi ini merupakan visualisasi untuk data yangmerupakan dimensi (bersifat kategorik). Visualisasiberupa tabel, dengan data yang diambil langsung daribasis data relasional. Fungsi agregasi yang dibuat padafungsi ini adalah modus.
4 PengujianPengujian pada tahap pertama, yaitu melakukanpengecekan nilai data yang ditampilkan untuk masing-masing measures di kubus data. Pengecekan inimenunjukkan bahwa nilai-nilai data adalah sarnadengan nilai data yang terdapat pad a file asli.
Pengujian tahap kedua adalah melakukanpengecekan terhadap fungsi-fungsi yang terdapat padaOLAP browser. Pengecekan ini menunjukkan bahwakubus data dapat diakses dengan baik dan fungsi-fungsi yang terdapat pada browser tersebut berjalandengan baik. Namun, terdapat kelemahan padabrowser ini jika data yang ditampilkan terlalu banyak,fasilitas visualisasi tidak dapat berfungsi dengan baikdan prosesnya agak lama. Skala diagram batang terlalukecil sehingga data sulit untuk dilihat.
Hasil pengujian menunjukkan bahwa kubus datadapat merepresentasikan nilai-nilai data dengan tepatsehingga OLAP browser dapat memvisualisasikandata tersebut seeara tepat, baik dalam bentuk tabelpivot, diagram batang, maupun tabel relasional.
13
