php/jsinbis
Abstract
The system of Business Intelligence university begins with the stage of data integration, data analysis, create reports and
create web portal and then integrate the report with the web portal. Analysis of the data processed with OLAP, KPI and Data
Mining to extract information from data stored in a data warehouse. The results of the data analysis process in representation
in the form of statistical reports and dashboards are then used as decision support academic. This research aims to design
structure of Business Intelligence university system as a decision support academic at the Mulawarman University web based
with OLAP. This research resulted in the system framework and web portal Business Intelligence university systems that can
be accessed through a browser online. Business Intelligence can be used as a solution to consider the process of decision
making in the management of the university and solutions to improve the academic performance of management in achieving
academic excellence.
Abstrak
Sistem business intelligence universitas dimulai dengan tahapan integrasi data, analisis data, membuat laporan dan membuat
web portal dan kemudian mengitegrasikan laporan tersebut dengan web portal. Analisis data diolah dengan OLAP, KPI dan
data mining untuk mengekstrak informasi dari data yang tersimpan didalam data warehouse. Hasil proses analisis data
tersebut di representasikan dalam bentuk laporan statistik dan dashboard, kemudian digunakan sebagai pendukung
pengambilan keputusan akademik. Penelitian ini bertujuan merancang bangun sistem business intelligence universitas
sebagai pendukung pengambilan keputusan akademik pada Universitas Mulawarman berbasis web dengan OLAP. Penelitian
ini menghasilkan kerangka sistem dan web portal sistem business intelligence universitas yang diakses melalui browser
secara online. Business Intelligence dapat digunakan sebagai solusi untuk mempertimbangkan proses pengambilan keputusan
dalam pengelolaan universitas dan solusi dalam peningkatan kinerja pengelolaan akademik untuk mencapai keunggulan
akademik.
Kata kunci : Business Intelligence; Data warehouse; OLAP; KPI; Data mining
melakukan berbagai aktivitas OLAP diantaranya; roll mengintegrasikan dan menyatukan komponen-
up, drill down, filtering, aggregation, pivoting, komponen untuk menangani data pada Business
slicing dan dicing. Intelligence framework. Pendekatan tersebut diatas
Penerapan solusi Business Intelligence dengan dapat memanfaatkan tiga lapisan Business
OLAP pada sistem informasi akademik dan Intelligence framework berupa data layer, logic layer
kemahasiswaan dapat digunakan sebagai solusi dan access layer seperti yang ditunjukan pada gambar
dalam mempertimbangkan proses pengambilan 1 arsitektur Business Intelligence dengan beberapa
keputusan pada pengelolaan universitas dan juga lapisan.
sebagai solusi dalam peningkatan kinerja akademik
untuk mencapai keunggulan akademik atau academic
excellent serta dapat membantu dalam pembuatan
perencanaan strategis universitas kedepan. Karena
solusi Business Intelligence dapat digunakan dalam
mempertimbangkan proses pengambilan keputusan
pada universitas sebagai bagian penting dalam
manajemen bisnis yang besar pada dunia pendidikan
di Indonesia, hal ini dikarenakan faktor yang
mempengaruhi kinerja dan optimalisasi dalam
pengelolaan universitas sama halnya dengan seperti
yang terlibat dalam proses bisnis pada perusahaan
profit pada umumnya.
Penelitian ini bertujuan membat rancang bangun Gambar 1. Arsitektur Business Intelligence
sistem Business Intelligence universitas sebagai (Kemper dan Baars, 2006)
penunjang pengambilan keputusan akademik pada
Universitas Mulawarman berbasis web menggunakan 2.2. Data Warehouse
metode OLAP dengan bantuan perangkat lunak Data Warehouse atau disingkat DW merupakan
Microsoft SQL Server Business Intelligence basisdata relasional yang didesain lebih kepada query
Development Studio dan Microsoft Visual Studio dan analisa dari pada proses transaksi, dan biasanya
2008. Tahapan dalam penelitian ini diawali dengan mengandung history data dari proses transaksi dan
perancangan database data warehouse, kemudian bisa juga data dari sumber lainnya. Data Warehouse
tahapan perancangan antarmuka web portal sistem dapat juga dikatakan sebagai tempat penyimpanan
Business Intelligence universitas dan proses query ringkasan dari data historis yang seringkali diambil
OLAP pada sistem Business Intelligence universitas. dari basisdata terpisah departemen, organisasi atau
perusahaan (Kimball dan Caserta, 2004).
2. Kerangka Teori Data Warehouse merupakan koleksi data yang
mempunyai sifat berorientasi subyek, terintegrasi,
2.1. Business Intelligence time-variant, dan bersifat tetap dari koleksi data
Business Intelligence merupakan kumpulan dan dalam mendukung proses pengambilan keputusan
serangkaian kegiatan atau tahapan untuk management, proses ini subject-oriented, terintegrasi,
mengumpulkan data dan menganalisis data sehingga waktu yang bervariasi dan permanen (Inmon, 2002).
dapat digunakan untuk proses pengambilan
keputusan yang lebih baik sehingga dapat digunakan Tabel 1. Perbandingan Fungsi Data Operational dan
dalam proses pengambilan keputusan vital dalam Data Warehouse
bisnis perusahaan atau keputusan untuk memperoleh
Data Operational Data Warehouse
tujuan dari bisnis perusahaan.
Business Intelligence merupakan kerangka kerja Dirancang berorientasi Dirancang berdasar pada
konseptual untuk mendukung keputusan bisnis, hanya pada aplikasi dan subyek-subyek tertentu.
fungsi tertentu.
Business Intelligence menggabungkan arsitektur,
Fokusnya pada desain Fokusnya pada pemodelan
basisdata atau data warehouse, tool analisis dan basisdata dan proses. data dan desain data.
aplikasi (Turban et al., 2007). Business Intelligence Berisi rincian atau detail Berisi data history yang akan
digunakan untuk aplikasi dan teknologi dalam data. dipakai dalam proses
mengumpulkan, menyimpan, meng-analisa, dan analisis.
menyediakan akses pada data sehingga dapat Relasi antar tabel Banyak aturan bisnis dapat
membantu pengguna dari kalangan perusahaan atau berdasar aturan terkini tersaji antara tabel-tabel.
organisasi untuk mengambil keputusan dengan lebih (selalu mengikuti
baik dan tepat (Brannon, 2010). aturan/rule terbaru.
Business Intelligence dalam kaitannya Sumber : (Inmon, 2002)
management support terhadap data terstruktur dan
data tidak terstruktur, merupakan proses
32 Jurnal Sistem Informasi Bisnis 01(2013) On-line : http://ejournal.undip.ac.id/index.php/jsinbis
2.3. On-Line Analytical Processing indikator kinerja yang jelas, spesifik dan terukur
On-Line Analytical Processing atau OLAP secara (measurable).
mendasar merupakan suatu metode khusus untuk
melakukan analisis terhadap data-data yang terdapat 2.5. Data Mining
dalam media penyimpanan data berupa basisdata dan Data Mining merupakan suatu metode
kemudian dilanjutkan dengan membuat laporan penambangan data atau penemuan data dan informasi
analisis sesuai dengan permintaan para pengguna baru dengan mencari pola atau aturan tertentu dari
atau user. Untuk tujuan tersebut data yang berupa sejumlah data yang sangat besar (Davies, 2004).
informasi dibuat ke dalam format khusus dengan Data Mining dikenal pula sebagai knowledge
memberikan kelompok atau group terhadap data-data discovery in database atau disingkat KDD yakni
tersebut, hal ini dinamakan dengan model kubus berupa kegiatan yang meliputi pengumpulan,
(cube models). pemakaian data, historis data untuk mencari dan
OLAP merupakan teknologi yang memungkinkan menemukan keteraturan, pola atau hubungan dalam
seorang analis, manajer dan eksekutif secara suatu set data berukuran besar (Santoso, 2007).
bersamaan mengakses data-data secara cepat, Data Mining dapat pula disebut sebagai
konsisten dan interaktif dengan berbagai variasi dan serangkaian proses atau tahapan untuk menggali dan
visualisasi tinjauan informasi dimana setiap baris mencari nilai tambah berupa pengetahuan yang
data dapat ditransformasikan untuk merefleksikan selama ini tidak diketahui secara manual dari suatu
dimensi perusahaan atau organisasi sehingga mudah kumpulan data. Data Mining mempunyai keterkaitan
dipahami oleh pengguna atau user (Ponniah, 2001). dengan bidang keilmuan lainnya seperti sistem
Karakteristik utama yang terdapat pada On-Line basisdata, data warehouse, statistik, machine
Analytical Processing yakni meliputi : learning, information retrieval, dan komputasi
1. Mendukung pemanfaatan dan penggunaan data tingkat tinggi. Selain itu, data mining juga didukung
warehouse yang memiliki data multidimensional. oleh keilmuan lain seperti neural network,
2. Menyediakan fasilitas query interaktif dan pengenalan pola, spatial data analysis, image
analisis yang kompleks. database, dan signal processing. Data Mining
3. Menyediakan fasilitas drill-down untuk merupakan kegiatan atau proses menemukan pola-
memperoleh informasi yang rinci, dan roll-up pola dalam data dan dalam menemukan pola yang
untuk memperoleh agregat dalam menarik tersebut bersumber dari data dalam jumlah
multidimensional. besar, data tersebut tersimpan dalam basisdata, data
4. Mampu menghasilkan perhitungan dan warehouse, atau teknologi penyimpanan informasi
perbandingan. lainnya.
5. Mampu menyajikan hasil dalam bentuk angka-
angka yang mudah dimengerti maupun penyajian 3. Metodololgi
dalam bentuk grafik.
3.1. Alat dan Bahan Penelitian
2.4. Key Performance Indicators Penelitian ini menggunakan data primer berupa
Key Performance Indicators atau KPI adalah dokumen laporan dan file basis data akademik dan
metrik finansial ataupun non-finansial yang kemahasiswaan (basisdata Unmul_Siak). Perangkat
digunakan untuk membantu suatu organisasi atau lunak yang digunakan dalam pembuatan dan
perusahaan dalam menentukan dan mengukur pengembangan sistem Business Intelligence
kemajuan terhadap sasaran organisasi atau universitas memiliki spesifikasi :
perusahaan tersebut. KPI digunakan dalam Business - Windows 7 Ultimate;
Intelligence untuk menilai keadaan terkini suatu - Microsoft Business Intelligence Development
bisnis dan dapat menentukan suatu tindakan terhadap Studio;
keadaan tersebut (Parmenter, 2007). - Microsoft SQL Server 2008 R2;
KPI sering digunakan untuk menilai aktivitas- - Microsoft Visual Studio 2008;
aktivitas yang sulit diukur seperti keuntungan - Microsoft Report Builder 3 R2.
pengembangan kepemimpinan, perjanjian, layanan,
dan kepuasan serta umumnya dikaitkan dengan 3.2. Prosedur Penelitian
strategi organisasi atau perusahaan yang diterapkan Prosedur penelitian yang digunakan dalam
dengan teknik atau metode seperti kartu skor penelitian ini mengacu pada Waterfall Models
berimbang atau balanced scorecard. KPI sebagai (Sommerville, 2003). Gambar 2 menunjukan
ukuran atau indikator yang akan memberikan prosedur penelitian mengenai rancangan bangun
informasi sejauh mana organisasi atau perusahaan sistem Business Intelligence universitas.
telah berhasil mewujudkan sasaran strategis yang
telah tetapkan. Dalam menyusun KPI sebuah
organisasi atau perusahaan sebaiknya menentapkan
33 Jurnal Sistem Informasi Bisnis 01(2013) On-line : http://ejournal.undip.ac.id/index.php/jsinbis
a. OLAP dalam peneltian ini menggunakan cube Orang tersebut mempunyai jabatan vital dan penting
untuk menghasilkan laporan analisis statistik pada universitas dalam pengambilan keputusan dan
dengan menggunakan beberapa fungsi tool pada berhubungan dengan kegiatan akademik dan
cube yaitu cube structures untuk menentukan kemahasiswaan yaitu Rektor, Pembantu Rektor I dan
measure group dan dimension, calculation untuk Dekan Fakultas
menuliskan ekpresi aritmatika, dan browser untuk
melihat hasil akhir proses query dari cube berupa 4.2. KPI Akademik
laporan roll-up, drill-down, slice dan dice, Predikat dari key performance indicator atau KPI
kemudian hasil dari cube tersebut di deploy ke akademik didasarkan kategori status akreditasi,
analysis server; kategori dosen bergelar doktor, kategori dosen
b. KPI digunakan untuk menghasilkan laporan dengan jabatan guru besar dan kategori mahasiswa
dashboard. Dalam penelitian ini KPI dibangun lulus dengan cum laude.
setelah proses cube terbentuk lalu pada komponen
cube yaitu KPIs dimana pada status expression Tabel 2. Kategori Status Akreditasi
dibuat script untuk membandingkan expression Predikat
Persyaratan Nilai Bobot KPI
Indikator
statement sesuai dengan nilai atau bobot KPI KPI Warna
Rata-rata Nilai Akreditasi
yang dirancang, kemudian hasil dari KPIs Keseluruhan Program Studi
tersebut di deploy ke analysis server; Unggul Hijau
berkisar antara 3,50 sampai
c. Data Mining dalam penelitian ini menggunakan dengan 4,00
algoritma decision tree dan tool yang digunakan Rata-rata Nilai Akreditasi
Keseluruhan Program Studi
yaitu mining structures untuk melihat tabel dan Baik
berkisar antara 3,00 sampai
Kuning
atribut yang digunakan sebagai input dan prediksi dengan 3,49
dan mining model viewer untuk melihat grafik Rata-rata Nilai Akreditasi
penelusuran decision tree serta mining model Keseluruhan Program Studi
Berkembang Biru
berkisar antara 2,50 sampai
prediction untuk menghasilkan laporan prediksi
dengan 2,99
berdasarkan data yang di trainning. Hasil dari Rata-rata Nilai Akreditasi
proses tersebut mampu memberikan prediksi Keseluruhan Program Studi
Tumbuh Merah
keunggulan akademik, dan hasil dari data mining berkisar antara 2,00 sampai
trainning tersebut di deploy ke analysis server. dengan 2,49
5. Report Analysis
Report Analysis merupakan laporan yang dibuat Tabel 3. Kategori Dosen Bergelar Doktor
Predikat Indikator
sebagai pendukung dalam pengambilan keputusan, KPI
Persyaratan Nilai Bobot KPI
Warna
karena format laporan berupa statistik analisis dan Rasio Dosen bergelar Doktor dan
dashboard. Dalam penelitian ini laporan tersebut Unggul
seluruh Dosen di Fakultas atau
Hijau
dibuat dengan menggunakan perangkat lunak Program Studi yakni kurang dari
1:3
Microsoft SQL Server Reporting Services, karena
Rasio Dosen bergelar Doktor dan
laporan dapat dibuat dalam bentuk tabular, grafikal Baik seluruh Dosen di Fakultas atau Kuning
dan indikator dari sumber data OLAP yang berada di Program Studi yakni 1:3 s/d 1:4
analysis server. Laporan yang dibuat berupa statistik Rasio Dosen bergelar Doktor dan
fakultas, statistik dosen, statistik mahasiswa dan Berkembang seluruh Dosen di Fakultas atau Biru
Program Studi yakni 1:5 sd 1:6
dashboard akademik serta prediksi unggul. Hasil dari Rasio Dosen bergelar Doktor dan
pembuatan laporan tersebut di publish atau di deploy Tumbuh seluruh Dosen di Fakultas atau Merah
ke report server. Program Studi yakni lebih dari 1:6
6. Web Portal
Web Portal merupakan program berbasis web Tabel 4. Kategori Dosen Jabatan Guru Besar
untuk menghubungkan (link) antara pengguna (user) Predikat Indikator
Persyaratan Nilai Bobot KPI
KPI Warna
dengan laporan analisis statistik, laporan dashboard
Rasio Jabatan Guru Besar dari
dan laporan prediksi. Web Portal dibuat Unggul seluruh Dosen di Fakultas atau Hijau
menggunakan Microsoft Visual Studio 2008 dengan Program Studi yaitu kurang dari 1:4
bahasa pemrograman VB.NET. Web Portal Rasio Jabatan Guru Besar dari
digunakan untuk mengamankan laporan dari pihak seluruh Dosen di Fakultas atau
Baik Kuning
Program Studi yaitu 1:4 sampai
yang tidak berkepentingan dan juga dapat dengan 1:6
mempermudah pengguna yang sah dalam mengakses Rasio Jabatan Guru Besar dari
laporan tersebut. Berkembang
seluruh Dosen di Fakultas atau
Biru
7. Decision Maker Program Studi yaitu 1:7 sampai
dengan 1:9
Decision Maker atau pembuat keputusan adalah Rasio Jabatan Guru Besar dari
orang atau pengguna dari web portal sistem Business Tumbuh seluruh Dosen di Fakultas atau Merah
Intelligence universitas yang akan mengambil atau Program Studi yaitu lebih dari 1:9
menentukan keputusan untuk kebijakan strategis.
36 Jurnal Sistem Informasi Bisnis 01(2013) On-line : http://ejournal.undip.ac.id/index.php/jsinbis
Tabel 5. Kategori Status Lulusan Dengan Cum Laude dalam format laporan grafik dan tabel, dimana
Predikat
Persyaratan Nilai Bobot KPI
Indikator laporan ini mempunyai fungsi untuk
KPI Warna menginformasikan jumlah, sub total dan total jumlah
Fakultas atau Program Studi
meluluskan mahasiswa dengan dosen yang memiliki pangkat dan golongan ruang
Unggul Predikat Cum Laude lebih dari Hijau sesuai jenis gender pada tiap fakultas.
15% per tahun
Fakultas atau Program Studi
meluluskan mahasiswa dengan
Baik Predikat Cum Laude antara Kuning
10% - 15% per tahun
Fakultas atau Program Studi
meluluskan mahasiswa dengan
Berkembang Predikat Cum Laude antara 5% Biru
- 9% per tahun
Fakultas atau Program Studi
meluluskan mahasiswa dengan
Tumbuh
Predikat Cum Laude kurang
Merah Gambar 6. Laporan Statistik Pangkat Golongan
dari 5% per tahun Dosen
4.3. Web Portal Business Intelligence Universitas Gambar 7 merupakan antarmuka dari laporan
Penelitian ini menghasilkan sebuah prototipe web dashboard akademik kinerja program studi
portal sistem Business Intelligence universitas yang berdasarkan perbandingan atau rasio jumlah dosen
digunakan sebagai penunjang pengambilan bergelar doktor dengan seluruh dosen pada program
keputusan akademik bagi pimpinan universitas. studi atau seluruh dosen pada fakultas menurut
Gambar 4 merupakan tampilan halaman atau page fakultas. Laporan dashboard ini mempunyai fungsi
menu utama untuk user atau pengguna pada web untuk menginformasikan jumlah dosen bergelar
portal sistem Business Intelligence universitas. doktor, jumlah seluruh dosen pada fakultas, rasio
dosen bergelar doktor dengan dosen yang belum
bergelar doktor, indikator kinerja, predikat kinerja
dan rekomendasi keputusan pada tiap fakultas.
4.7. Membangun Analisis Data Dengan OLAP Selanjutnya gunakan tab browser untuk
Berikut tahapan membuat cubes dengan tabel menampilkan data pada sebuah cube, kemudian
fakta yaitu FactDosen dan beberapa tabel dimension lakukan expand dimension DimFakultas,
yakitu DimFakultas, DimProgramStudi, DimGender, DimProgramStudi, DimGen-der, DimFungsional,
Dim Fung-sional, DimPangkatGolongan, dan DimPangkatGolongan, dan DimJenjang
DimJenjang Pendi-dikan. Pendidikan, kemudian drag field dari tabel
a. Mendefiniskan Cube yaitu membuat cube dengan dimension tersebut sesuai kebutuhan dari pane
klik kanan pada cube folder didalam solution navigation disebelah kiri dan letakkan field
explorer, kemudian pilih new cube pada menu dimension tersebut ke area drop row fields here
pop-up. Selanjutnya pilih existing table, lalu klik pada tab browser. Kemudian drag field dari
tombol next untuk memilih measure group, measures FactDosenCount pada area drop total
kemudain proses selanjutnya memilih field yang or detail field here. Seperti yang ditunjukan pada
akan di jadikan measure dalam cube pada tabel gambar 14 tab browser designer untuk
FactDosen. Kemudian uncheck kolom yang CubeDosenAll.
lainnya, lalu klik tombol next untuk melanjutkan
proses berikutnya dimana tabel dimensi yang
digunakan yaitu tabel DimFakultas,
DimProgramStudi, DimGender, Dimungsional,
DimPangkatGolongan, dan
DimJenjangPendidikan. Untuk menyelesaikan
cube wizard berikut klik tombol next dan
kemudian beri nama CubeDosenAll lalu klik
tombol finish. Proses berikutnya terbentuk Gambar 14. Tab Bowser Designer CubeDosenAll
measure groups dan dimensions dari proses
CubeDosenAll dan bisa dilihat pada gambar 12. Gambar 15 menunjukan hasil dari proses drag
field dimension dan drag field measure yang
digunakan dalam proses pembuatan laporan
statsitik dan laporan dashboard. Kemudian proses
berikutnya yakni melakukan build dan deploy
project tersebut ke analysis server.
masing-masing. Dimana setiap program studi 4.9. Membangun Analsis Data Dengan Data Mining
dapat melihat jumlah total dosen berdasarkan Untuk membuat data mining lakukan klik kanan
fungsional dan gender, serta dapat pula melihat pada UnmulAkademikAS yaitu pada mining
jumlah grand total berdasarkan fungsional dan structures folder didalam solution explorer dan lalu
gender baik dari penjumlahan perbaris atau pilih new mining structures yang diteruskan pada
penjumlahan perkolom. data mining structures wizard. Selanjutnya klik
tombol next untuk melewati proses selanjutnya.
4.8. Membangun Analisis Data Dengan KPI Dalam penelitian ini data mining yang digunakan
Prosesnya pembuatan KPI harus melalui yakni Microsoft Decision Tree yang memberikan
pembuatan cube terlebih dahulu, lalu dapat prediksi dalam bentuk struktur pohon. Proses
menggunakan fungsi KPI dengan memilih cube selanjutnya pilih from existing relational database or
designer, kemudian pilih tab KPIs. Membuat KPI data warehouse pada define method, lalu pilih
baru dengan mengklik ikon new KPI pada window microsoft decision trees sebagai data mining
toolbar KPI, kemudian terlihat KPI designer lalu structure. Kemudian pilih DSV yang akan
berikutnya membuat MDX expression dimana value digunakan, lalu pilih tabel FactDosen untuk diproses
dari expression merupakan sebuah physical dalam data mining training. Gambar 17 menunjukan
measures, sedangkan goal dari expression adalah konfigurasi data source view data mining yang akan
objective. Berikut gambar 16 MDX statement untuk digunakan dalam data mining.
rasio dosen jabatan guru besar dengan seluruh dosen
pada tiap fakultas.