perancangan datawarehouse

PERANCANGAN DATA WAREHOUSE

4.1 Arsitektur Data Warehouse

Dalam perancangan data warehouse pada Direktorat Lalu Lintas Polda Metro

Jaya, arsitektur yang akan digunakan adalah arsitektur data warehouse terpusat

(centralized data warehouse). Data-data yang terdapat pada database kepolisian

dikumpulkan terlebih dahulu dalam satu tempat terpusat, kemudian data disebar

kedalam fungsinya masing-masing sesuai dari kebutuhan instansi tersebut.

Alasan penggunaan arsitektur terpusat adalah :

- Mempermudah dalam melakukan pemeliharaan data serta pengawasan data

yang berada dalam data warehouse.

- Pengawasan terhadap penggunaan data warehouse dapat lebih dikontrol.

- Mengurangi redudansi data karena dikelola dalam satu tempat penyimpanan.

Gambar 4.1 Arsitektur data warehouse Direktorat Lalu Lintas Polda Metro Jaya

1. Data Source

Data source adalah sumber data yang digunakan dalam pembuatan suatu

data warehouse. Dalam data warehouse kepolisian tersebut, sumber data yang

digunakan berasal dari database kepolisian dari tiap Polres dan juga Samsat di

setiap wilayah di DKI Jakarta. Data-data ini akan mengalami proses ETL

(Extract, Transform, Load) yang hasilnya akan dimasukan kedalam data

warehouse.

2. ETL (Extract, Transform, Load)

ETL adalah proses-proses dalam data warehouse yang meliputi:

- Extract merupakan proses pengambilan data dari sumber-sumber eksternal,

yaitu suatu proses pengambilan data dari sumber data yang tersedia dan

melakukan pemilihan data yang ingin disimpan kedalam data warehouse.

- Transformation berfungsi mentransformasikan data agar data dapat berubah

kedalam suatu bentuk yang konsisten sehingga data yang dihasilkan akurat

dan tepat.

- Load merupakan Memasukan data ke data warehouse yaitu proses

penyimpanan hasil transformasi yang telah dilakukan. Keseluruhan semua

hasil transformasi ini nantinya dimasukan ke dalam data warehouse.

3. Data Warehouse

Data warehouse digunakan sebagai media penyimpanan data yang bersifat

historical dengan periode atau jangka waktu tertentu yang telah dikumpulkan

untuk dipakai sebagai sumber analisis dalam menghasilkan laporan dan

pengambilan keputusan.

4. User

User merupakan pengguna akhir yang akan mengakses data warehouse.

Dari data warehouse tesebut, user dapat menghasilkan suatu laporan ataupun

menganalisis dalam mengambil suatu keputusan.

4.2 Rancangan Data warehouse

4.2.1 Memilih Proses (Choosing the Process)

Proses- proses yang dijadikan informasi pada data warehouse Direktorat

Lalu Lintas Polda Metro Jaya adalah :

a. Regident

Proses ini adalah proses yang meliputi registrasi dan identifikasi

surat- surat kendaraan bermotor pada Direktorat Lalu Lintas Polda Metro

Jaya. Yang terdiri dari : Penerbitan STNK, Pendaftaran kendaraan baru,

Penerbitan BPKB baru.

b. Gakkum

Proses ini adalah proses yang meliputi penegakan hukum pada

Direktorat Lalu Lintas Polda Metro Jaya. Yang terdiri dari : penanganan

pelanggaran lalu lintas dan penanganan kecelakaan lalu lintas.

c. Renmin

Proses ini adalah proses yang meliputi perencanaan dan

administrasi pada Direktorat Lalu Lintas Polda Metro Jaya. Dimana

proses yang dipilih meliputi : manajemen terhadap anggota lalu lintas

polda metro jaya.

4.2.2 Menentukan Grain (Choosing The Grain)

Grain dalam perancangan data warehouse ini meliputi :

a. Regident

Pada proses regident data yang dapat dianalisis meliputi wilayah

yang banyak melakukan penerbitan STNK, wilayah yang banyak

menerbitkan BPKB, jenis kendaraan yang sering melakukan pendaftaran

sebagai kendaraan baru, tingkat kepuasan pengguna jasa, jumlah

kendaraan, jumlah penerimaan pajak kendaraan bermotor. Analisis

tersebut akan dilakukan berdasarkan periode waktu tertentu (minggu,

bulan, tahun).

b. Gakkum

Pada proses gakkum data yang dapat dianalisis meliputi wilayah

yang sering terjadi kecelakaan, wilayah yang sering terjadi pelanggaran,

jenis kendaraan yang sering mengalami kecelakaan, jenis kendaraan yang

sering melakukan pelanggaran, jumlah korban yang mengalami

kecelakaan, penyebab tersering kecelakaan, penyebab tersering

pelanggaran, jumlah kecelakaan, jumlah pelanggaran. Analisis tersebut

akan dilakukan berdasarkan periode waktu tertentu (minggu, bulan,

tahun).

c. Renmin

Pada proses renmin data yang dapat dianalisis meliputi jumlah

penerima reward dari mabes polri dan dinas pehubungan serta jumlah

penerima punishment dari mabes polri.

4.2.3 Identifikasi dan Penyesuaian Dimensi (Identifying and Conforming the

Dimensions)

a. Regident

Tabel 4.1 Tabel Grain dan Dimensi dari Regident

Dimensi

wilayah yang banyak melakukan

penerbitan STNK x x

wilayah yang banyak

menerbitkan BPKB x x

jenis kendaraan yang sering

melakukan pendaftaran sebagai

kendaraan baru

tingkat kepuasan pengguna jasa x x x

jumlah penerimaan pajak

kendaraan bermotor x x X

b. Gakkum

Tabel 4.2 Tabel Grain dan Dimensi dari Gakkum

Dimensi

wilayah yang sering terjadi

kecelakaan x x x

wilayah yang sering terjadi

pelanggaran x x x

mengalami kecelakaan x x x x

melakukan pelanggaran x x x x

Jumlah korban yang

penyebab tersering x x x x

c. Renmin

Tabel 4.3 Tabel Grain dan Dimensi dari Renmin

Dimensi

Grain Wak

Jumlah anggota penerima reward x x

Jumlah anggota penerima

punishment x x

4.2.4 Menentukan Fakta ( Choosing the Fact )

kecelakaan

penyebab tersering

pelanggaran x x x x

Usia yang paling sering

melakukan pelanggaran x x x x

Usia yang paling sering

Barang sita yang paling

sering dijadikan bukti

pelanggaran

x x x x

Berikut ini merupakan fakta- fakta yang akan ditampilkan di data

warehouse :

a. Regident

Meliputi WaktuID, WilayahID, JKID, KepuasanID, PPKBID,

jumlah STNK yang dikeluarkan, jumlah BPKB yang dikeluarkan, Jumlah

Jenis Kendaraan, jumlah tingkat kepuasan pengguna jasa, jumlah

penerimaan pajak kendaraan bermotor.

b. Gakkum

Meliputi WaktuID, WilayahID, KecelakaanID, TilangID, JKID,

KorbanID, PenyebabID, UsiaID, BarangSitaID, jumlah wilayah yang

paling sering terjadi kecelakaan, jumlah wilayah yang paling sering

terjadi pelanggaran, jumlah jenis kendaraan yang mengalami kecelakaan,

jumlah jenis kendaraan yang paling sering melakukan pelanggaran,

jumlah korban yang mengalami kecelakaan, usia pelanggar, usia yang

mengalami kecelakaan, jumlah penyebab kecelakaan, jumlah penyebab

pelanggaran, jumlah barang sita.

c. Renmin

Meliputi WaktuID, KepuasanID, AnggotaID, jumlah anggota

penerima reward, jumlah anggota penerima punishment.

4.2.5 Penyimpanan Pre-Kalkulasi pada Tabel Fakta (Storing Pre-Calculation

in the Fact Table)

Pre-kalkulasi yang dapat dilakukan untuk kemudian disimpan dalam

tabel fakta yaitu :

1. Fakta Regident

Fakta regident meliputi :

- Jumlah STNK yang diterbitkan yang berasal dari kumpulan IDSTNK.

- Jumlah BPKB yang diterbitkan yang berasal dari kumpulan IDBPKB.

- Banyak jenis kendaraan yang sering melakukan pendaftaran sebagai

kendaraan baru yang didapat dari kumpulan banyaknya IDJK.

- Jumlah tingkat kepuasan pengguna jasa yang merupakan kumpulan

dari banyaknya IDKEPUASAN.

- Jumlah penerimaan pajak kendaraan bermotor yang merupakan

kumpulan dari penerimaan pajak. Penerimaan pajak = BBNKB +

PKB + SWDKLLJ + BIAYA ADM STNK + BIAYA ADM TNKB.

2. Fakta Gakkum

- Jumlah kecelakaan yang merupakan kumpulan dari banyaknya

IDKECELAKAAN.

- Jumlah pelanggaran yang merupakan kumpulan dari banyaknya

IDTILANG.

- Banyak jenis kendaraan yang sering mengalami kecelakaan dan

melakukan pelanggaran, yang merupakan kumpulan dari banyaknya

- Jumlah korban yang mengalami kecelakaan yang merupakan

kumpulan dari banyaknya IDKORBAN.

- Banyak jenis penyebab kecelakaan dan pelanggaran, yang merupakan

kumpulan dari banyaknya IDPENYEBAB.

- Jumlah kecelakaan berdasarkan jenis usia, yang merupakan kumpulan

dari banyaknya IDUSIA.

- Jumlah pelanggaran berdasarkan barang yang disita, yang merupakan

kumpulan dari banyaknya IDBRGSITA.

3. Fakta Renmin

- Jumlah anggota penerima reward dan punishment yang didapat dari

klasifikasi jumlah respon yang diperoleh.

4.2.6 Melengkapi Tabel Dimensi (Rounding out the Dimension Table)

Menambahkan deskripsi teks pada dimensi. Dengan tujuan deskripsi

tersebut dapat dimengerti olah user. Berikut deskripsi teks dari tabel dimensi :

1. Dimensi Waktu

Tabel 4.4 Tabel Dimensi Waktu

Atribut Tipe

data Panjang

WaktuID Int 8

Year Int 8

Month Int 8

Day Int 8

2. Dimensi Wilayah

Tabel 4.5 Tabel Dimensi Wilayah

Atribut Tipe Panjang

WilayahID Int 2

IDWIL int 2

wilayah Varchar 20

3. Dimensi Jenis Kendaraan

Tabel 4.6 Tabel Dimensi Jenis Kendaraan

Atribut Tipe

data Panjang

JKID int 2

IDJK int 2

JenisKendaraan varchar 20

4. Dimensi Kepuasan

Tabel 4.7 Tabel Dimensi Kepuasan

Atribut Tipe

data Panjang

KepuasanID int 2

IDKEPUASAN int 2

JenisKepuasan varchar 20

5. Dimensi PPKB

Tabel 4.8 Tabel Dimensi PPKB

Atribut Tipe data Panjang

PPKBID int 10

IDPPKB int 10

Jumlah numeric 11

6. Dimensi Kecelakaan

Tabel 4.9 Tabel Dimensi Kecelakaan

KecelakaanID int 10

IDKECELAKAAN int 10

JenisKecelakaan varchar 20

7. Dimensi Tilang

Tabel 4.10 Tabel Dimensi Tilang

Atribut Tipe

data Panjang

TilangID int 10

IDTILANG int 10

JenisPelanggaran Varchar 20

8. Dimensi Korban

Tabel 4.11 Tabel Dimensi Korban

KorbanID int 10

IDKORBAN int 10

Kondisi Varchar 20

9. Dimensi Penyebab

Tabel 4.12 Tabel Dimensi Penyebab

PenyebabID int 10

IDPENYEBAB int 10

Penyebab varchar 20

10. Dimensi Usia

Tabel 4.13 Tabel Dimensi Usia

USIAID int 1

IDUSIAPEL int 1

Usia varchar 20

11. Dimensi Barang Sita

Tabel 4.14 Tabel Dimensi Barang Sita

BrgSitaID int 1

IDBRGSITA int 1

BarangSita varchar 20

12. Dimensi Anggota

Tabel 4.15 Tabel Dimensi Anggota

AnggotaID int 10

IDANGGOTA Int 10

NamaAnggota varchar 30

4.2.7 Memilih Durasi dan basis data (Choosing the Duration of the Database)

Durasi dari data Direktorat Lalu Lintas Polda Metro Jaya yang

dimasukan ke dalam data warehouse sebagai berikut :

Tabel 4.16 Tabel Durasi Database

Nama Aplikasi Database

Database

ada sejak

Data yang masuk

ke Data

Warehouse

Data dalam

Warehouse

TMC Application LANTAS_OLTP 2003 2006 - 2010 5 Tahun

4.2.8 Melacak Perubahan dari Dimensi secara Perlahan (Tracking slowly

Changing Dimension)

Dari tipe dasar perubahan dimensi, pada perancangan data warehouse

Direktorat Lalu Lintas Polda Metro Jaya ini, perubahan atribut yang ada pada

dimensi akan dapat mengakibatkan suatu record field baru. Hal ini dilakukan

dengan tujuan untuk tetap menyimpan data lama agar dapat diketahuin

perubahan dimensi yang terjadi dari data lama ke data baru, serta bertujuan

sebagai history data untuk kepentingan internal instansi.

4.2.9 Memutuskan prioritas dan model dari query (Deciding the query

prioritites and the query models)

Pada tahap ini, akan dibahas mengenai proses extract. Transformation,

dan load, juga proses SSAS ( SQL Server Analysis System)

Proses Extract, Transfer dan Load

Tabel 4.17 Tabel ETL

Pelaku ETL Dilakukan Setiap Keterangan

Database

Administrator

Satu minggu

sekali

Diawasi oleh DBA

4.3 Skema Bintang dan Metadata

4.3.1 Skema Bintang

Bentuk skema yang digunakan pada perancangan data warehouse ini

adalah star scema. Terdapat 3 skema bintang yang dihasilkan, yaitu :

Gambar 4.2 Gambar Skema Bintang

Pada perancangan ini proses ETL yang dilakukan adalah sebagai berikut :

Gambar 4.3 Proses ETL

1. ETL Dimensi Waktu

2. ETL Dimensi Wilayah

3. ETL Dimensi Jenis Kendaraan

4. ETL Dimensi Kepuasan

5. ETL Dimensi PPKB

6. ETL Dimensi Kecelakaan

7. ETL Dimensi Tilang

8. ETL Dimensi Korban

9. ETL Dimensi Penyebab

10. ETL Dimensi Usia

11. ETL Dimensi Barang Sita

12. ETL Dimensi Anggota

13. ETL Fakta Regident

14. ETL Fakta Gakkum

15. Fakta Renmin

4.3.2 Metadata

Metadata memuat informasi-informasi yang penting mengenai data

dalam data warehouse. Metadata dalam data warehouse terdapat beberapa

hal, yang meliputi :

• Nama kolom

• Tipe data

• Ukuran kolom ( ukuran kolom yang dibutuhkan pada media

penyimpanan dalam satuan tertentu)

• Kolom yang menjadi kolom kunci

DBMS : SQL Server 2008

Nama database : LANTAS_OLAP

Nama Tabel : DimensiWaktu

Deskripsi Tabel : Tabel Dimensi Waktu

Tabel 4.18 Tabel Metadata Dimensi Waktu

Nama Field Tipe PanjangSumber Data

Transformasi Field Tipe Panjang Tabel

WaktuID Int 8 - - - - Create

Year Int 8 Tahun Int 8 MsSTNK, MsBPKB, MsLookupJK,

MsKepuasan, MsPPKB Create

Month Int 8 Bulan Int 8 MsSTNK, MsBPKB, MsLookupJK,

Week Int 8 Minggu int 8 MsSTNK, MsBPKB, MsLookupJK,

Nama Tabel : DimensiWilayah

Deskripsi Tabel : Tabel Dimensi Wilayah

Tabel 4.19 Tabel Metadata Dimensi Wilayah

Nama Field Tipe Panjang Sumber Data

WilayahID Int 2 WilayahID Int 2 MsLookupWilayah Create

IDWIL int 2 IDWIL Int 2 MsLookupWilayah Copy

wilayah Varchar 20 Wilayah varchar 20 MsLookupWilayah Copy

Nama Tabel : DimensiJenisKendaraan

Deskripsi Tabel : Tabel Dimensi Jenis Kendaraan

Tabel 4.20 Tabel Metadata Dimensi Jenis Kendaraan

JenisKendaraanID int 2 JENISKENDARAANID Int 2 MsLookupJK Create

IDJK int 2 IDJK Int 2 MsLookupJK Copy

JenisKendaraan varchar 20 JenisKendaraan varchar 20 MsLookupJK Copy

Nama Tabel : DimensiKepuasan

Deskripsi Tabel : Tabel Dimensi Kepuasan

Tabel 4.21 Tabel Metadata Dimensi Kepuasan

KepuasanID int 2 KEPUASANID Int 2 MsKepuasan Create

IDKEPUASAN int 2 IDKEPUASAN Int 2 MsKepuasan Copy

JenisKepuasan varchar 20 JenisKepuasan varchar 20 MsKepuasan copy

Nama Tabel : DimensiPPKB

Deskripsi Tabel : Tabel Dimensi PPKB

Tabel 4.22 Tabel Metadata Dimensi PPKB

PPKBID int 10 ppkbID Int 10 MsPPKB Create

IDPPKB int 10 IDPPKB int 10 MsPPKB Copy

Jumlah numeric 11 Jumlah numeric 11 MsPPKB Copy

Nama Tabel : DimensiKecelakaan

Deskripsi Tabel : Tabel Dimensi Kecelakaan

Tabel 4.23 Tabel Metadata Dimensi Kecelakaan

KecelakaanID int 10 KecelakaanID Int 10 MsKecelakaan Create

IDKECELAKAAN int 10 IDKECELAKAAN int 10 MsKecelakaan Copy

JenisKecelakaan varchar 20 JenisKecelakaan varchar 20 MsKecelakaan Copy

Nama Tabel : DimensiTilang

Deskripsi Tabel : Tabel Dimensi Tilang

Tabel 4.24 Tabel Metadata Dimensi Tilang

TilangID int 10 PelanggaranID Int 10 MsTilang Create

IDTILANG int 10 IDTILANG int 10 MsTilang Copy

JenisPelanggaran Varchar 20 JenisPelanggaran int 20 MsTilang Copy

Nama Tabel : DimensiKorban

Deskripsi Tabel : Tabel Dimensi Korban

Tabel 4.25 Tabel Metadata Dimensi Korban

KorbanID int 10 KORBANID Int 10 MsKorban Create

IDKORBAN int 10 IDKORBAN int 10 MsKorban Copy

Kondisi Varchar 20 Kondisi int 20 MsKorban Copy

Nama Tabel : Dimensi Penyebab

Deskripsi Tabel : Tabel Dimensi Penyebab

Tabel 4.26 Tabel Metadata Dimensi Penyebab

PenyebabID int 10 PenyebabID Int 10 MsPenyebab Create

IDPENYEBAB int 10 IDPENYEBAB int 10 MsPenyebab Copy

Penyebab varchar 20 Penyebab varchar 20 MsPenyebab Copy

Nama Tabel : DimensiUsia

Deskripsi Tabel : Tabel Dimensi Usia

Tabel 4.27 Tabel Metadata Dimensi Usia

UsiaID int 1 USIAID Int 1 MsUsiaPelanggar Create

IDUSIAPEL int 1 IDUSIA int 2 MsUsiaPelanggar Copy

Usia varchar 20 Usia varchar 20 MsUsiaPelanggar Copy

Nama Tabel : DimensiBarangSita

Deskripsi Tabel : Tabel Dimensi Barang Sita

Tabel 4.28 Tabel Metadata Dimensi Barang Sita

BrgSitaID int 1 BRGSITAID Int 1 MsBarangSita Create

IDBRGSITA int 1 IDBRGSITA int 1 MsBarangSita Copy

BarangSita varchar 20 BarangSita varchar 20 MsBarangSita Copy

Nama Tabel : DimensiAnggota

Deskripsi Tabel : Tabel Dimensi Anggota

Tabel 4.29 Tabel Metadata Dimensi Anggota

AnggotaID int 10 AnggotaID Int 10 MsAnggota Create

IDANGGOTA Int 10 IDANGGOTA Int 10 MsAnggota Copy

NamaAnggota Varchar 30 NamaAnggota Varchar 30 MsAnggota Copy

Nama Tabel : FaktaRegident

Deskripsi Tabel : Tabel Fakta Regident

Tabel 4.30 Tabel Metadata Fakta Regident

Nama Field Tipe PanjangSumber Data

WaktuID int 8 WaktuID Int 8 Waktu Create

JenisKendaraanID int 2 JenisKendaraanID Int 2 MsLookupJK Create

KepuasanID int 2 KepuasanID Int 2 MsKepuasan Create

PPKBID int 10 PPKBID Int 10 MsPPKB Create

JumlahSTNK int 10 IDSTNK int 10 MsSTNK Copy

JumlahBPKB int 10 IDBPKB Int 10 MsBPKB Copy

JumlahJenisKendaraan int 10 IDJK Int 2 MsLookupJK Copy

JumlahKepuasan int 10 IDKEPUASAN Int 2 MsKepuasan Copy

JumlahPPKB numeric 11 Jumlah numeric 11 MsPPKB Calculate

Nama Tabel : FaktaGakkum

Deskripsi Tabel : Tabel Fakta Gakkum

Tabel 4.31 Tabel Metadata Fakta Gakkum

KecelakaanID int 10 KecelakaanID Int 10 MsKecelakaan Create

TilangID int 10 PelanggaranID Int 10 MsTilang Create

KorbanID int 10 KORBANID Int 10 MsKorban Create

PenyebabID int 10 PenyebabID Int 10 MsPenyebab Create

UsiaID int 1 UsiaID Int 1 MsUsiaPelanggar Create

BrgSitaID int 1 BrgSitaID Int 1 MsBarangSita Create

JenisKendaraanID int 2 JenisKEndaraanID Int 2 MsLookupJK Create

JumlahKecelakaan int 10 IDKECELAKAAN int 10 MsKecelakaan Copy

JumlahTilang int 10 IDTILANG int 10 MsTilang Copy

JumlahJenisKendaraan int 2 IDKEPUASAN Int 2 MsKepuasan Copy

JumlahKorban int 10 IDKORBAN int 10 MsKorban Copy

JumlahPenyebab int 10 IDPENYEBAB int 10 MsPenyebab Copy

JumlahBarangSita int 2 IDBRGSITA int 2 MsBarangSita Copy

JumlahUsia int 2 IDUSIA int 2 MsUsiaPelanggar Copy

Nama Tabel : FaktaRenmin

Deskripsi Tabel : Tabel Fakta Renmin

Tabel 4.32 Tabel Metadata Fakta Renmin

KepuasanID int 2 KepuasanID Int 2 MsKepuasan Create

AnggotaID int 10 AnggotaID Int 10 MsAnggota Copy

Respon int 10 KEPUASANID Int 2 MsKepuasan Copy

4.4 Proses Analisis Kapasitas Media Penyimpanan

Transaksi sehari – hari yang terjadi dalam OLTP sangat mempengaruhi

pertumbuhan data dalam database maupun pertumbuhan data dalam data warehouse.

Oleh karena itu, diperlukan analisis kebutuhan media penyimpanan untuk data

warehouse sehingga dapat menanmpung pertumbuhan data yang terjadi secara terus

menerus selama beberapa tahun kedepan.

Rumus yang digunakan untuk perhitungan kebutuhan record dalam SQL Server

2008 adalah :

- Num_Rows = R * (n + (1 + i) n)

- Num_Col = Jumlah kolom dalam tabel

- Fixed_Data_Size = Jumlah byte yang dibutuhkan oleh semua kolom

yang mempunyai tipe data yang berukuran pasti.

- Num_Variable_Cols = Jumlah kolom yang mempunyai tipe data dengan

ukuran tidak pasti seperti varchar, nvarchar,

varbinary.

- Max_Var_Size = Ukuran byte terbesar dari semua kolom yang

mempunyai tipe data dengan ukuran tidak pasti.

- Null_Bitmap = Bit status null kolom = 2 + ((Num_Col + 7) / 8)

- Variable_Data_Size = Jumlah bytes yang dibutuhkan untuk semua kolom

variable = 2 + (Num_Variable_Cols x 2) + Max_Var_Size

- Row_Size = Fixed_Data_Size + Variable_Data_Size +

Null_Bitmap + 4

- Rows_Per_Pages = 8096 / (Row_Size + 2)

- Num_of_Pages = Num_Row / Rows_Per_Page

- Heap_Size (Bytes) = 8192 x Num_of_Pages

- Heap_Size (Mbytes) = 8 x Num_of_Pages

Analisis perkiraan kapasiatas media penyimpanan data pada data warehouse

Direktorat Lalu Lintas Polda Metro Jaya adalah sebagai berikut, dimana ‘n’

merupakan variable tahun.

Rn = R * (n + (1 + i) n)

R = Jumlah record

n = tahun

i = presentase pertumbuhan record pertahun

perhitungan untuk dimensi yang mengalami pertumbuhan data adalah sebagai

berikut :

Rn = n * (1 + i) n

R = jumlah record

n = tahun

i = presentase pertumbuhan record pertahun

a. Dimensi Waktu

- Num_Row = 48 * (5+(1+0.1)5 = 317.30448

- Num_Col = 4

- Fixed_Data_Size = 32

- Num_Variable_Cols = 0

- Max_Var_Size = 0

- Null_Bitmap = 2 + ((4 + 7) / 8) = 3.375

- Variable_Data_Size = 2 + (0 * 2) + 0 = 2

- Row_Size = 32 + 2 + 3.375+ 4 = 41.375

- Rows_Per_Pages = 8096 / (41.375+ 2) = 186.6512

- Num_of_Pages = 317.30448/ 186.6512 = 1.6999

- Heap_Size (Bytes) = 8192 * 1.6999 = 13925.58

- Heap_Size (Mbytes) = 8 * 1.6999 = 13.5992

b. Dimensi Wilayah

- Num_Row = 5 * (5+(1+0.1)5 = 33.05255

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Variable_Data_Size = 2 + (1 x 2) + 20 = 24

- Row_Size = 4 + 24 + 3.25 + 4 = 35.25

- Rows_Per_Pages = 8096 / (35.25 + 2) = 217.3422

- Num_of_Pages = 33.05255/ 217.3422 = 0.152

- Heap_Size (Bytes) = 8192 * 0.152 = 1245.184

- Heap_Size (Mbytes) = 8 * 0.152 = 1.216

c. Dimensi Jenis Kendaraan

- Num_Row = 6 * (5+(1+0.1)5 = 39.66306

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 4 + 24 + 3.25 + 4 = 35.25

- Rows_Per_Pages = 8096 / (35.25+ 2) = 217.3422

- Num_of_Pages = 39.66306 / 217.3422 = 0.182

- Heap_Size (Bytes) = 8192 * 0.182 = 1490.944

- Heap_Size (Mbytes) = 8 * 0.182 = 1.456

d. Dimensi Kepuasan

- Num_Row = 100000 * (5+(1+0.1)5 = 661051

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 4 + 24 + 3.25 + 4 = 35.25

- Rows_Per_Pages = 8096 / (35.25 + 2) = 217.3422

- Num_of_Pages = 661051 / 217.3422 = 3.04152

- Heap_Size (Bytes) = 8192 * 3.04152= 24916.13

- Heap_Size (Mbytes) = 8 * 3.04152= 243321

e. Dimensi PPKB

- Num_Row = 365000 * (5+(1+0.1)5 = 2412836

- Num_Col = 3

- Max_Var_Size = 11

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 15 + 3.25 + 4 = 42.25

- Rows_Per_Pages = 8096 / (42.25 + 2) = 182.9604

- Num_of_Pages = 2412836 / 182.9604 = 13187.75

- Heap_Size (Bytes) = 8192 * 13187.75 = 108034048

- Heap_Size (Mbytes) = 8 * 13187.75 = 105502

f. Dimensi Kecelakaan

- Num_Row = 73000 * (5+(1+0.1)5 = 482567.2

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.35 + 4 = 51.35

- Rows_Per_Pages = 8096 / (51.35+ 2) = 151.7525

- Num_of_Pages = 482567.2 / 151.7525 = 3179.96

- Heap_Size (Bytes) = 8192 * 3179.96 = 26050232

- Heap_Size (Mbytes) = 8 * 3179.96 = 25439.68

g. Dimensi Tilang

- Num_Row = 180000 * (5+(1+0.1)5 = 1189892

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.35 + 4 = 51.35

- Rows_Per_Pages = 8096 / (51.35+ 2) = 151.7525

- Num_of_Pages = 1189892 / 151.7525 = 7841.03

- Heap_Size (Bytes) = 8192 * 7841.03 = 64233718

- Heap_Size (Mbytes) = 8 * 7841.03 = 62728.24

h. Dimensi Korban

- Num_Row = 3000 * (5+(1+0.1)5 = 19831.53

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.25 + 4 = 51.25

- Rows_Per_Pages = 8096 / (51.25+ 2) = 151.7525

- Num_of_Pages = 19831.53 / 151.7525 = 130.68

- Heap_Size (Bytes) = 8192 * 130.68 = 1070530.6

- Heap_Size (Mbytes) = 8 * 130.68= 1045.44

i. Dimensi Penyebab

- Num_Row = 4 * (5+(1+0.1)5 = 26.44204

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.25 + 4 = 51.25

- Rows_Per_Pages = 8096 / (51.25+ 2) = 151.7525

- Num_of_Pages = 26.44204 / 151.7525 = 0.174

- Heap_Size (Bytes) = 8192 * 0.174 = 1425.408

- Heap_Size (Mbytes) = 8 * 0.174 = 1.392

j. Dimensi Usia

- Num_Row = 3 * (5+(1+0.1)5 = 19.83153

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.25 + 4 = 51.25

- Rows_Per_Pages = 8096 / (51.25+ 2) = 151.7525

- Num_of_Pages = 19.83153/ 151.7525 = 0.130

- Heap_Size (Bytes) = 8192 * 0.130 = 1064.96

- Heap_Size (Mbytes) = 8 * 0.130 = 1.04

k. Dimensi Barang Sita

- Num_Row = 6 * (5+(1+0.1)5 = 39.66306

- Num_Col = 3

- Max_Var_Size = 20

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 24 + 3.25 + 4 = 51.25

- Rows_Per_Pages = 8096 / (51.25+ 2) = 151.7525

- Num_of_Pages = 39.66306 / 151.7525 = 0.261

- Heap_Size (Bytes) = 8192 * 0.261 = 2138.112

- Heap_Size (Mbytes) = 8 * 0.261 = 2.088

l. Dimensi Anggota

- Num_Row = 700 * (5+(1+0.1)5 = 4627.357

- Num_Col = 3

- Max_Var_Size = 30

- Null_Bitmap = 2 + ((3 + 7) / 8) = 3.25

- Row_Size = 20 + 34 + 3.25 + 4 = 61.25

- Rows_Per_Pages = 8096 / (61.25 + 2) = 128

- Num_of_Pages = 4627.357 / 128 = 36.1512

- Heap_Size (Bytes) = 8192 * 36.1512 = 296150.6304

- Heap_Size (Mbytes) = 8 * 36.1512 = 289.2096

m. Fakta Regident

- Num_Row = 800000 * (5+(1+0.1)5 = 5288408

- Num_Col = 10

- Max_Var_Size = 11

- Null_Bitmap = 2 + ((10 + 7) / 8) = 4.125

- Row_Size = 64 + 15 + 4.125 + 4 = 87.125

- Rows_Per_Pages = 8096 / (87.125+ 2) = 90.8387

- Num_of_Pages = 5288408 / 90.8387 = 58217.57

- Heap_Size (Bytes) = 8192 * 58217.57 = 476918333.4

- Heap_Size (Mbytes) = 8 * 58217.57 = 465740.56

n. Fakta Gakkum

- Num_Row = 300000 * (5+(1+0.1)5 = 1983153

- Num_Col = 12

- Max_Var_Size = 0

- Null_Bitmap = 2 + ((12 + 7) / 8) = 4.375

- Row_Size = 100 + 2 + 4.375 + 4 = 110.375

- Rows_Per_Pages = 8096 / (110.375 + 2) = 72.0444

- Num_of_Pages = 1983153 / 72.0444 = 27526.81

- Heap_Size (Bytes) = 8192 * 27526.81= 225499627.5

- Heap_Size (Mbytes) = 8 * 27526.81 = 220214.48

o. Fakta Renmin

- Num_Row = 170000 * (5+(1+0.1)5 = 1123787

- Num_Col = 5

- Max_Var_Size = 0

- Null_Bitmap = 2 + (( 5 + 7) / 8) = 3.5

- Row_Size = 30 + 2 + 3.5 + 4 = 39.5

- Rows_Per_Pages = 8096 / (39.5+ 2) = 195.0843

- Num_of_Pages = 1123787 / 195.0843 = 5760.52

- Heap_Size (Bytes) = 8192 * 5760.52 = 47190179.84

- Heap_Size (Mbytes) = 8 * 5760.52 = 46084.16

4.4.1 Proses Analisis Pertumbuhan Data

Proses analisis pertumbuhan data selama lima tahun terakhir dan lima tahun mendatang untuk dimensi.

Tabel 4.33 Tabel Analisis Pertumbuhan Data untuk Dimensi

Tabel Data 5 Tahun

Terakhir

Data 5 tahun

berikutnya

Dimensi Waktu 240 317.30

Dimensi Wilayah 25 33.05

Dimensi Jenis Kendaraan 30 39.66

Dimensi Kepuasan 500000 661051

Dimensi PPKB 1825000 2412836

Dimensi Kecelakaan 365000 482567.2

Dimensi Tilang 900000 1189892

Dimensi Korban 15000 19831.53

Dimensi Penyebab 20 26.44

Dimensi Usia 15 19.83

Dimensi Barang Sita 30 39.66

Dimensi Anggota 3500 4627.35

TOTAL 3608860 4771281

Proses analisis pertumbuhan data selama lima tahun terakhir dan lima

tahun mendatang untuk fakta.

Tabel 4.34 Tabel Analisis Pertumbuhan Data untuk Fakta

Tabel Data 5 Tahun

Terakhir

Data 5 tahun

berikutnya

Fakta Regident 4000000 5288408

Fakta Gakkum 1500000 1983153

Fakta Renmin 850000 1123787

TOTAL 6350000 8395348

4.5 Tampilan Layar Aplikasi

4.5.1 Rancangan Layar Log in

Gambar 4.4 Rancangan Layar Login

4.5.2 Rancangan Layar Dashboard

Main FormMain Form

File Pivot Table Transform

Kecelakaan Pelanggaran Kepuasan

PPKBKendaraan

DetilDetil

Detil Detil

CHARTCHART

INDIKATORCHART

Gambar 4.5 Rancangan Layar Dashboard

Menu ‐ File

Menu – Pivot Table

Menu ‐ Help

Pivot Table Transform About

4.5.3 Rancangan Layar Change Password

Gambar 4.6 Rancangan Layar Change Password

4.5.4 Rancangan Layar Fakta Regident

Pivot Table | RegidenPivot Table | Regiden

Export to Excel

Wilayah Kepuasan PPKBLaporan

Day Month Year

Jenis Kendaraan

PIVOT TABLE

Gambar 4.7 Rancangan Layar Fakta Regident

4.5.5 Rancangan Layar Fakta Gakkum

Pivot Table |GakkumPivot Table |Gakkum

Export to Excel

KECELAKAAN TILANG KORBAN PENYEBAB

Laporan

Tahun Bulan week

JENIS KENDARAAN Usia Barang sita

PIVOT TABLE

Gambar 4.8 Rancangan Layar Fakta Gakkum

4.5.6 Rancangan Layar Fakta Renmin

Pivot Table | RenminPivot Table | Renmin

Export to Excel

Laporan

Anggota Jenis Kepuasan

Day Month Year

PIVOT TABLE

Gambar 4.9 Rancangan Layar Fakta Renmin

4.6 Rencana Implementasi

4.6.1 Kebutuhan Perangkat Keras

Perangkat keras yang akan digunakan dalam pengimplementasikan sistem

terdapat komputer server dan computer client. Berikut spesifikasi minimum perangkat

keras yang diusulkan untuk implementasi data warehouse tersebut :

Tabel 4.35 Spesifikasi Komputer Server

Komputer Server

Processor Intel Xeon Pentium IV 2,5 Ghz

Harddisk 250 GB

Memory 4 GB RAM

Jaringan Vpn Access

Tabel 4.36 Spesifikasi Komputer Client

Komputer Client

Processor Intel Pentium Core2Duo 2,8 Ghz

Harddisk 160 GB

Memory 2 GB RAM

Jaringan LAN

4.6.2 Kebutuhan Perangkat Lunak

Perangkat lunak yang akan digunakan untuk mendukung perancangan data

warehouse tersebut menggunakan Microsoft Visual Studio 2008 sebagai aplikasi untuk

menghubungkan user dan data werehouse yang dirancang. Sedangkan untuk database

management system menggunakan aplikasi Microsoft SQL Server 2008.

4.6.3 Jadwal Implementasi

Sistem yang akan diimplementasikan menggunakan strategi parallel-run

yaitu dengan mengimplementasikan sistem yang baru beroperasi bersamaan

dengan sistem yang lama. Jadwal implementasinya dapat dilihat pada tabel

berikut dibawah ini dengan beberapa tahap kegiatan.

Tabel 4.37 Tabel Jadwal Implementasi

Kegiatan

Minggu ke

1 2 3 4 5 6 7 8 9 10

Mengumpulkan data

Instalation Hardware and Software

Konversi data dan Proses ETL

User Acceptance Test

Training

Evaluasi

perancangan datawarehouse

Documents

17. datawarehouse

datawarehouse and cubes

fundamentos de datawarehouse - fisi - unmsm - datawarehouse

perancangan datawarehouse dengan …

datawarehouse (3).pptx

datawarehouse explorer

spitzer datawarehouse

datawarehouse document

datawarehouse tutorials

implementación de datawarehouse

resumen datawarehouse

olap & datawarehouse

analisis dan perancangan datawarehouse...

introduction datawarehouse

datawarehouse y datamining

datawarehouse & bi introduction

omniture datawarehouse

datawarehouse overview

cours datawarehouse

pengertian datawarehouse