BAB

STUDI KASUS DATA MART

15 PENERIMAAN MAHASISWA BARU

15.1. PENDAHULUAN
Untuk mendorong penerimaan mahasiswa baru, sebuah PTS bermaksud
membangun sistem pemantauan penerimaan mahasiswa baru. Untuk itu
serangkaian kegiatan pemasaran telah dilakukan guna meningkatkan
pendaftaran mahasiswa baru, mulai dari iklan, promosi, kunjungan ke sekolah
maupun kunjungan ke kampus Harapannya, dengan diimplementasikan DW
akan memudahkan dalam pemantauan aktifitas terkait dengan sistem
penerimaan mahasiswa baru seperti media promosi apa yang paling berperan
dalam peningkatan jumlah penerimaan mahasiswa baru, berapa biaya yang
perlu dikeluarkan dan berbagai informasi penting lainnya terkait dengan
penerimaan mahasiswa baru.

15.2. ANALISIS KEBUTUHAN

Pembangunan DW yang sukses didasarkan pada analisis kebutuhan
yang baik. Sayangnya, analisis kebutuhan ini hasilnya sering tidak jelas dan
tidak pasti karena seringnya terjadi perubahan kebutuhan bahkan dalam jangka
waktu yang pendek. Alasan klasik yang sering dikemukakan adalah pentingnya
perubahan bagi organisasi untuk mengimbangi perubahan yang sangat cepat di
dunia bisnis. Dampaknya, analisis kebutuhan yang dilakukan dengan buruk
akan mengakibatkan kegagalan banyak proyek perangkat lunak, termasuk
proyek DW (Thayer, 2002).
Dalam analisis kebutuhan DW, butuh pendekatan gabungan yang
menggabungkan berbagai pendekatan analisis kebutuhan sebagaimana yang
sudah dijelaskan di bab-bab terdahulu. Pada studi kasus ini, akan digunakan
pendekatan multi-driven (kombinasi metode triple-driven klasik: goal-driven,
user-driven dan data-driven) dan process-driven.
Berdasarkan diskusi dengan tim pemasaran (direktur, manajer, kepala
bagian dan staf) di sebuah PTS, seluruh kegiatan yang berkaitan dengan

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 215
penerimaan mahasiswa baru dapat dirumuskan seperti yang digambarkan pada
Gambar 15.1. Ada beberapa teknik yang bisa digunakan untuk menggambarkan
sistem yang sedang berjalan, dimana yang paling sering digunakan adalah flow
chart.

Gambar 15.1. Sistem penerimaan mahasiswa baru di sebuah PTS

Dari gambar 15.1. terlihat proses penerimaan mahasiswa baru (PMB)

lewat pendekatan ke sekolah-sekolah. Hal penting yang terkait dengan sistem
PMB ini adalah try out. Dengan try out akan bisa diketahui langkah berikutnya
yang perlu dilakukan oleh tim marketing guna mendukung PMB seperti
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 216
pemberian informasi tentang daftar ulang bagi mereka yang lulus try out,
sedangkan bagi yang belum lulus try out akan diinformasikan jadwal try out
berikutnya yang akan diselenggarakan di PTS tersebut. Sedangkan yang tidak
ingin mengikuti kembali try out proses akan dihentikan.
Untuk mendapatkan subyek area yang menjadi focus perhatian
pengambil keputusan digunakanlah pendekatan goal-driven dengan
menekankan kepada KPI (Key Performance Indicator) dan target pengguna.
Diskusi dengan Direktur Pemasaran mengungkapkan bahwa KPI untuk
pemasaran adalah perhatian utama direktur dan rektor. Oleh karena itu, KPI
untuk pemasaran harus dimasukkan dalam laporan DW. Lebih jauh KPI untuk
pemasaran di sebuah PTS dapat dieksplorasi lebih detail pada Tabel 15.1.

Tabel 15.1. Indikator Kinerja Kunci (KPI) untuk marketing di sebuah PTS

Berdasarkan KPI ini, maka subyek area, target pengguna, dan informasi yang
relevan dapat ditentukan seperti dijelaskan pada Tabel 15.1.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 217
Tabel 15.2. Subyek area, target pengguna dan informasi lain yang relevan untuk
sistem penerimaan mahasiswa baru
Subyek area Target Pengguna Informasi yang relefan

Marketing Direktur, manager Anggaran, penerimaan

mahasiswa, fakultas, prodi,
biaya kuliah

Informasi & Kasie penerimaan mahasiswa,

penerimaan fakultas, prodi, asal sekolah

Promosi Kasie, manager Anggaran, media promosi

Program dan event Kasie, manager Event, asal sekolah,

program, penerimaan
mahasiswa

Selanjutnya, pendekatan data-driven mengeksploitasi data penerimaan

mahasiswa untuk menghasilkan informasi berdasarkan KPI yang diinginkan
sebagaimana pada Tabel 15.1. Resiko dengan cara ini adalah kemungkinan
identifikasi informasi yang tidak ada dalam sumber data atau KPI yang
diinginkan tidak tersedia secara langsung tetapi dapat diperoleh melalui
perhitungan.
Tinjauan dokumentasi yang ada tentang sistem informasi akademik di
PTS tersebut menunjukkan ERD seperti yang diilustrasikan pada Gambar 15.2.
ERD ini menunjukkan ketersediaan data dalam sumber data untuk
menghasilkan informasi yang diinginkan.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 218
 Gambar 15.2. ERD sistem penerimaan mahasiswa baru di sebuah PTS

Persoalan dasar dari sistem yang ada saat ini adalah belum adanya
laporan yang bisa mengintegrasikan semua informasi yang dibutuhkan oleh tim
PMB pada PTS tersebut. Dampaknya proses pelaporan membutuhkan waktu
yang cukup lama karena harus menggabungkan berbagai data dan informasi
yang tersebar di berbagai aplikasi dan berbagai database.
Dengan pendekatan process-driven, proses penerimaan
mahasiswa baru dapat dianalisis dan dirancang. Penerimaan
mahasiswa baru sering lintas divisi. Bagaimana mengumpulkan
informasi yang terkait dengan proses PMB ini dari berbagai
sumber yang heterogen, memantau proses dan
menyelaraskannya dengan strategi universitas dan tujuan
tingkat tinggi lainnya adalah masalah utama bagi pembuat
keputusan. Detail aliran proses dalam PMB (berdasarkan
diskusi dengan tim pemasaran) dapat dilihat pada Gambar 15.3.
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 219
Pada gambar ini, urutan proses penerimaan mahasiswa
dijelaskan secara lebih rinci mulai dari pendaftaran, pembayaran
biaya pendaftaran, usm (ujian saringan masuk) sampai ke
registrasi menjadi mahasiswa baru dan mendapatkan NIM
(Nomor Induk Mahasiswa)
>exam exam result>
Legend

Exam Exam i : initiating

System System c : contracting task
e : enforce transaction task & corresponding
r : controlling transaction object
object

Exam System
f : feed back transaction

<un-pass external object

>pass result
result

e:exam
Exam Exam internal object
System System

f:exam result
Student Candidate

enrolment> >enrolment payment> >test no exam> pass result> >registration bill >payment >student ID
fee semester> semester
Students Students Students Students Students Students Students Students Students
Students
Candidate Candidate Candidate Candidate Candidate Candidate Candidate Candidate Candidate
Candidate
c:enrolment fee

c:bill semester

r:student ID
i:re-enrol
c:test no
i:enrol

enrolment >payment test no> registration> >bill >payment student ID>

>enrolment
e:payment

e:payment
fee> notification semester notification

Marketing Marketing Marketing Marketing Marketing Marketing

Marketing Marketing
f:payment notification

f:payment notification
Marketing

>payment payment >payment payment

notification> semester notification>

Finance Finance Finance Finance

Finance

Gambar 15.3. Skema proses penerimaan mahasiswa baru di sebuah PTS

Pada pendekatan user-driven, dari hasil wawancara dengan bagian

marketing, dapat diperoleh informasi terkait dengan PMB, yaitu:
• Laporan mengenai PMB yang dapat diakses dengan mudah oleh End-User.
• Laporan mudah di mengerti seperti dalam bentuk diagram pie, line, atau yang
lainnya.
• Adanya KPI’s (key performance indicator)
• Database DW terefresh secara otomatis secara berkala atau ter-schedule.
• Laporan-laporan yang dibuat harus memuat informasi mahasiswa seperti
jenis kelamin, agama, alamat, pendidikan terakhir, dan lain-lain.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 220
• Laporan-laporan lain yang menunjang pengambilan keputusan seperti
sekolah pendaftar terbanyak, fakultas atau program studi favorit mahasiswa
dan laporan yang berhubungan dengan PMB, seperti jumlah pendaftar dari
tahun ke tahun.
Sedangkan pendekatan externally-driven digunakan untuk menentukan
sumber informasi yang mempengaruhi penerimaan mahasiswa baru dan
penyiapan reward guna menarik calon mahasiwa yang potensial.
Dari hasil kompilasi atas keempat driven yaitu data-driven, goal-drive,
process-driven dan user-driven didapatkan fact sebagai berikut:
• Fact Pembelian: fact pembelian digunakan untuk analisis hal-hal seputar
pembelian formulir
• Fact Daftar Ulang: fact daftar ulang untuk menganalisis hal-hal yang
berkaitan dengan calon mahasiswa yang melakukan daftar ulang
• Fact USM: fact USM (ujian saringan masuk) berkaitan dengan persoalan
ujian saringan masuk
• Fact PPMB: fact PPMB (proses penerimaan mahasiswa baru) berkaitan
dengan semua proses PMB

15.3. DISAIN KONSEPTUAL

Model multidimensional adalah representasi pandangan desain
konseptual DW. Oleh karena itu, desain konseptual untuk DW adalah proses di
mana model multidimensional dibuat. Model ini dapat berfungsi sebagai
mediator antara analis sistem dengan pengguna. Hasil kolaborasi ini bisa
digunakan untuk merumuskan kebutuhan akan pembangunan DW. Pada langkaj
ini, analis dan pengguna dapat memulai dengan sesi curah pendapat
(brainstorming), tanpa memperhatikan jargon-jargon teknis dan teoretis. Tujuan
utamanya adalah untuk mendeteksi kesalahan yang telah dilakukan saat
perancangan sehingga kemungkinan perluasan skema bisa dengan cepat
diakomodir.
Desain konseptual adalah salah satu fase yang paling penting dalam
keseluruhan proses pembangunan DW. Model multidimensional yang
berkualitas dapat dihasilkan jika 221able221v-langkah dalam merancang skema
konseptual diikuti dengan benar. Pembentukan model multidimensional sangat
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 221
dipengaruhi terutama oleh analisis kebutuhan multi-driven dan keberadaan
struktur data dalam sistem operasional.
Model dimensional yang cukup terkenal diantaranya adalah M E / R,
UML class diagram, fact schema dan DFM (Dimensional Fact Model). Konsep
dasar pemodelan dimensional meliputi: fakta, dimensi, ukuran dan agregasi.
• Fakta adalah kumpulan item data yang terkait dengan transaksi bisnis atau
mewakili item bisnis. Fakta terdiri dari ukuran dan data konteks.
• Dimensi adalah kumpulan data yang terkait dengan satu dimensi bisnis. Latar
belakang kontekstual untuk fakta-fakta ditentukan oleh dimensi; parameter
untuk melakukan OLAP juga ditentukan oleh dimensi.
• Ukuran adalah atribut numerik dari sebuah fakta. Kinerja atau perilaku bisnis
dapat diwakili oleh ukuran relatif terhadap dimensi. Esensi sebuah keputusan
dalam definisi ukuran adalah tingkat rincian terendah (kadang-kadang
disebut grain/ butir) untuk menentukan jenis analisis yang dapat dilakukan.
• Agregasi adalah ringkasan data yang dihitung sebelumnya (pre-calculated
summaries) yang berasal dari table fakta yang paling terperinci. Agregasi
diterapkan pada kasus dimana analisis membutuhkan perhitungan melalui
sejumlah dimensi dan banyak baris dari setiap dimensi untuk menghitung
metrik tabel fakta. Kinerja query dapat ditingkatkan menggunakan tabel fakta
agregasi tanpa meningkatkan ruang penyimpanan keseluruhan.
Model konseptual DW terdiri dari serangkaian skema
fakta, dimana komponen utamanya adalah fakta, dimensi, dan
hierarki. Fakta adalah perhatian utama organisasi; dimensi
menetapkan granularitas yang perlu diadopsi untuk
mencerminkan fakta; hierarki menetapkan bagaimana contoh
fakta dapat dikumpulkan dan secara substansial dipilih untuk
proses pengambilan keputusan. Menggunakan Gambar 15.3
sebagai dasar, implementasi DFM dalam penerimaan
mahasiswa baru dapat digambarkan (lihat Gambar 15.4)

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 222
 Gambar 15.4. DFM (Dimensional Fact Model) penerimaan mahasiswa baru di
sebuah PTS

Dari gambar 15.4. tampak bahwa ada beberapa fact table yang menjadi
fokus perhatian para pengambil keputusan yaitu Fact Pembelian untuk
mengetahui jumlah pembelian formular pendaftaran calon mahasiswa untuk
masuk ke PTS tersebut. Fact Daftar Ulang digunakan untuk mengetahui calon
mahasiswa yang melakukan daftar ulang. Fact USM digunakan untuk memantau
ujian saringan masuk calon mahasiswa. Sedangkan Fact PPMB dimaksudkan
untuk memantau proses keseluruhan proses penerimaan mahasiswa baru.
Sebagai catatan tambahan yang tidak kalah penting adalah adanya
dimensi waktu guna melihat efektifitas pelaksanaan penerimaan mahasiswa
baru dilihat dari sisi tanggal, minggu, bulan, semester dan tahun. Dengan
demikian bisa dilakukan perbandingan dengan tahun-tahun sebelumnya guna
melihat efektifitas penerimaan mahasiswa baru.

15.5. DISAIN LOGIKAL

Desain logikal dari suatu DW dimaksudkan untuk menentukan struktur
yang efisien untuk akses ke informasi. Berdasarkan tinjauan pustaka dan
temuan-temuan dari bab sebelumnya, input untuk desain logikal mencakup
representasi skema konseptual, persyaratan informasi, basis data sumber, dan
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 223
persyaratan non-fungsional. Masukan tersebut kemudian disajikan dalam bentuk
struktur relasional atau multidimensional. Sistem basis data tradisional tidak
efektif untuk analisis multidimensional meski sesuai untuk OLTP. Basis data
tradisional memang dioptimalkan untuk sejumlah besar transaksi yang terjadi
secara bersamaan, yang seringkali melibatkan pencatatan yang minimal.
Mengingat banyaknya record yang dibutuhkan dalam beberapa query
yang kompleks dalam OLAP, sistem basis data multidimensional harus
digunakan untuk mendukung analisis multidimensional. Teknologi saat ini sudah
mendukung baik server data OLAP maupun alat bantu analisis dari sisi klien.
Seperti disebutkan sebelumnya, server OLAP bisa berupa ROLAP (Relational
OLAP) atau MOLAP (Multidimensional OLAP).
Dalam sistem OLAP, formulasi query dapat langsung dilakukan oleh
pengguna akhir melalui skema logical dari multidimensional OLAP. Sebaliknya,
dalam sistem OLTP, skema data logikal disembunyikan di bawah layer aplikasi.
Oleh karena nya tidak dapat diakses secara langsung oleh pengguna akhir.
Batasan inilah yang perlu difahami saat menggunakan skema
multidimensional dimana query nya bisa diformulasikan sendiri oleh pengguna.
Salah satu masalah utama dalam pemodelan data multidimensional muncul
ketika skenario OLAP berkembang menjadi besar karena dimensi meningkat
secara signifikan, sehingga menghasilkan dimensi dan kubus data yang sangat
jarang (Trujilo et al, 2000).
Data OLAP dapat disimpan di lingkungan yang berbeda, seperti
ROLAP, MOLAP atau HOLAP (Hybrid OLAP). Pilihan ini tergantung pada
kompleksitas dan kinerja query. Untuk query yang lebih kompleks dan waktu
respons yang lebih cepat, MOLAP lah yang seharusnya digunakan karena
MOLAP menyimpan data dalam bentuk multidimensional (kubus) sehingga
memperluas kemampuan OLAP. Di ROLAP, data disimpan sebagai tabel
relasional, namun mesin ROLAP manampilkannya dalam bentuk
multidimensional secara cepat. Model ROLAP bekerja dengan baik pada kondisi
kompleksitas query yang moderat dan waktu respons query yang minimal.

Agregasi dapat disimpan dalam kemungkinan berikut:

• Sebagai field baru dalam tabel fakta yang sudah ada.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 224
 Sebagai field baru dalam tabel fakta yang ada, agregasi menghadapi masalah
berikut:
O Masalah penghitungan ganda (double counting).
O Agregasi dapat dilihat oleh pengguna.
• Sebagai tabel fakta baru
Sebagai tabel fakta baru, manfaat berikut dapat diperoleh dibandingkan
dengan metode sebelumnya:
O Masalah penghitungan ganda terselesaikan.
O Agregasi tidak terlihat oleh pengguna.
O Mudah diperbarui di masa depan tanpa masalah dengan tabel.
O Ukuran field agregasi tidak mempengaruhi ukuran field untuk data
dasar.
Agregasi diperlukan jika diprediksi ada query yang melibatkan banyak
data. Dalam kasus seperti itu, respons yang lebih cepat dapat diperoleh melalui
agregasi, karena hasilnya sudah tersimpan dalam agregat. Oleh karenanya
ringkasan data seyogyanya hanya diterapkan dalam kondisi kritis saja.
Berdasarkan pengalaman, untuk tabel fakta dengan jumlah data sedikit
tidak diperlukan agregasi. Hal ini cocok untuk DW yang baru atau DW untuk
organisasi/ perusahaan skala kecil. Secara umum agregasi perlu selektif
diterapkan, tergantung seberapa sering query atas data tersebut dilakukan oleh
pengguna. Jumlah total agregasi yang bisa dibuat dapat didefinisikan dengan
hanya mengalikan jumlah level dalam setiap hierarki dimensi.
Model konseptual dari tahap sebelumnya perlu diterjemahkan ke dalam
model logikal, guna mendokumentasikan struktur data yang dapat
diimplementasikan ke dalam database. Implementasi satu desain konseptual
mungkin memerlukan beberapa model desain logikal. Berikut ini adalah
terjemahan dari desain konseptual menjadi desain logikal untuk penerimaan
mahasiswa baru di sebuah PTS.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 225
 Gambar 15.5 Star Schema Pembelian
Star schema pembelian menjelaskan tentang pembelian formulir calon
mahasiswa. Dari skema ini bisa diketahui jumlah formulir terjual, formulir yang
kembali dan yang tidak kembali (jumlah formulir batal). Skema ini bisa dianalisis
berdasarkan waktu (tanggal, bulan, semester, tahun) lokasi penjualan formulir,
gelombang pendaftaran, basis yang di pilih pembeli, status pendaftar (SMA,
SMU, D3 atau D4)

Gambar 15.6 Star Schema Daftar Ulang

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 226
 Dari star scheme daftar ulang dapat diketahui transaksi pendaftaran
calon mahasiswa baru, yang dapat dianalisis berdasarkan waktu pendaftaran,
status daftar, gelombang pendaftaran, semester akademis dan tahun akademis.

Gambar 15.7 Star Schema USM (Ujian Saringan Masuk)

Star schema USM menjelaskan tentang pelaksanaan ujian saringan
masuk. Dari skema ini bisa diketahui jumlah pendaftar, jumlah peserta tidak
mengikuti ujian saringan masuk, serta hasil total peserta yang lulus pada ujian
saringan masuk. Skema ini bisa dianalisis berdasarkan tanggal, sumber info,
gelombang, prodi, kabupaten, dan status daftar

Gambar 15.8 Star Schema PPMB

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 227
 Star scheme PPMB merupakan gabungan dari star schema pembelian,
daftar ulang dan juga USM yang dibuat menjadi satu skema besar. Hasil analisis
bisa dilihat berdasarkan waktu.

15.6. ETL (EXTRACT TRANFORM LOAD)

Mengingat besarnya jumlah data yang harus diproses serta jumlah
sumber data yang harus diintegrasikan, perancangan proses ETL disamping
rumit juga sangat memakan waktu. ETL adalah proses pengintegrasian data dari
banyak sumber (biasanya heterogen) ke dalam database DW. Karena terkait
dengan data, proses ini merupakan salah satu tugas paling substansial dalam
pembangunan DW.
Kompleksitas proses ETL ditentukan oleh berbagai faktor, diantaranya
jumlah sumber data dan kompleksitas datanya serta kompleksitas langkah
integrasi dan transformasi bisnis yang harus dilakukan. Dalam sumber data
yang sangat banyak dan heterogen, kompleksitas akan meningkat secara
signifikan. Demikian juga jika aturan transformasi antara sumber data dan model
dimensional terlalu banyak akan meningkatkan kompleksitasnya. Sebagai bahan
pertimbangan tambahan, memuat tabel dimensi biasanya lebih kompleks
daripada memuat tabel fakta.
Activity diagram dari UML dapat digunakan untuk menggambarkan
aktivitas yang terlibat dalam proses ETL. Dengan memanfaatkan activity
diagram secara bersama-sama dengan skema konseptual DW, memungkinkan
pemodelan perilaku proses dan integrasi bisa berjalan dengan mulus (Munoz et
al, 2008).
Mengisi basis data DW dengan data segar (fresh) yang diekstraksi dari
sumber yang sesuai, ditransformasikan dan dibersihkan adalah tanggung jawab
ETL untuk kepatuhan dengan skema target. Untuk menggambarkan
penggunaan kerangka ETL, situasi berikut ini terjadi pada sistem sumber
sebagaimana yang ditunjukkan pada Gambar 15.9 a dan tabel fakta tagihan DW
akan dibuat yang terhubung ke dimensi mahasiswa dan tanggal seperti yang
ditunjukkan pada Gambar 15.9 b .

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 228
 Gambar 15. 9. Model sumber dan target tabel

Dari bab sebelumnya sudah diketahui bahwa data mengalir melalui

empat jenis file: sumber data, ekstrak file, file preload dan tabel target. Dalam
hal ini, atribut ‘tagihan’ mengalir melalui tabel tagihan, bill_extract, bill_preload,
dan akhirnya dimuat ke billing_fact. Data dimuat setiap hari secara batch di
malam hari. Visualisasi proses untuk ETL ini ditunjukkan pada Gambar 15.10.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 229
 Gambar 15.10. Visualisasi proses ETL untuk tagihan mahasiswa

Berdasarkan proses visualisasi pada Gambar 15.10, 'kisah' dari proses

ini dapat dibangun sebagai berikut: proses diawali dengan membaca tagihan
dan merinci biaya tagihan pada hari ini dari database dan menggabungkannya
(setelah memeriksa kualitasnya seperti kelengkapan) dan dicatat dalam flat file
bill_extract. Kapanpun ada penambahan data baru di bill_extract (setelah
memeriksa kualitasnya seperti kelengkapan), dikelompokkan berdasarkan
ID_bill. Setiap tagihan akan digabungkan (setelah memeriksa kualitasnya seperti
kelengkapan) untuk identifikasi tagihan mahasiswa. Tagihan yang memiliki
semua data yang diperlukan ditulis ke tabel Billing_Fact, sedangkan tagihan
tanpa siswa atau data yang hilang ditulis ke tabel kesalahan.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 230
15.7. DISAIN FISIKAL
Lingkungan DW dapat direpresentasikan dalam bentuk DW atau DM.
Hal yang umum dilakukan saat ini dalam membangun DW adalah membangun
koleksi DM yang terintegrasi, di mana masing-masing DM didedikasikan untuk
mempelajari masalah spesifik di suatu organisasi.
DM (bagian dari DW) dibuat dengan menyesuaikan dengan sekumpulan
deklarasi yang disebut dengan DW bus. Pemetaan antara proses bisnis dan
entitas (obyek) yang berpartisipasi dalam proses ini dapat dilakukan oleh matriks
bus. Matriks bus pada dasarnya adalah arsitektur data dimensi organisasi.
Untuk setiap proses bisnis (baris), dapat dilihat dimensi (kolom) mana yang
diperlukan untuk diterapkan. Untuk setiap dimensi, harus dapat dipastikan
proses bisnis mana yang harus didukung.
Integrasi dimensi dalam suatu DW dapat secara signifikan
meningkatkan kualitas pengambilan keputusan. Konsolidasi DM melalui
integrasi dimensi menghasilkan tampilan data tunggal, konsisten, terintegrasi,
dan akurat dalam suatu organisasi. Sebagai hasilnya, bisnis dapat memperoleh
penghematan biaya, menghindari biaya yang tidak perlu / mahal, mendapatkan
pengembalian tinggi dari investasi TI, serta secara efektif dapat menangani
keamanan informasi dan kepatuhan terhadap peraturan dan meningkatkan
pengambilan keputusan yang mendorong diferensiasi kompetitif.
Sebagai bentuk penterjemahan DWQFD dari bab sebelumnya (Bab 11),
berikut ini adalah penerapnnya di sistem penerimaan mahasiswa baru di sebuah
PTS.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 231
 Gambar 15.11. Matriks DWQFD untuk sistem penerimaan mahasiswa baru.
Dari gambar 15.11 di atas bisa dilihat beberapa hal berikut:
- Matriks bagian atas menunjukkan hubungan antar dimensi di lingkungan
akademik.
- Dari aspek teknis, waktu adalah dimensi yang paling mudah ditangani,
sedangkan mahasiswa mungkin yang paling sulit. Dimensi mahasiswa dapat
bersumber dari banyak tabel di banyak basis data yang telah berkembang
selama beberapa tahun.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 232
- Banyak hal harus diperhatikan terkait dengan pembangunan dimensi agar
sesuai dengan banyak elemen, seperti kesulitan teknis, jumlah tabel terkait,
penggabungan atau pencocokan dimensi serta kompleksitas transformasi.

Informasi di matriks ini dapat digunakan untuk konfirmasi atas

kebutuhan pembangunan DM dan penentuan strategi pembangunan DM yang
sesuai. Nilai total faktor politis yang tinggi dan total biaya yang rendah dapat
digunakan untuk menentukan prioritas peringkat DM yang harus dibangun. Dari
matriks di atas terlihat bahwa biaya dan kesulitan teknis dari DM Pendaftaran
(total, 97) lebih tinggi daripada DM Jaminan Kualitas (total, 34). Sedangkan
faktor politis untuk DM Pendaftaran (total, 28) lebih tinggi daripada Jaminan
Kualitas. DM (total, 9). Oleh karena itu, kombinasi biaya, kesulitan teknis dan
faktor politis menunjukkan bahwa DM Pendaftaran (total, 125 dari 28 + 97) dapat
menjadi peringkat nomor satu dan menjadi DM yang pertama dibangun. DM
kedua adalah DM Administrasi Kelas. Hal ini merepresentasikan tantangan
teknis dan biaya yang lebih rendah (total, 124) daripada DM Registrasi
Semester (total, 142). Faktor politis DM Administrasi Kelas (total, 29) lebih tinggi
daripada DM Registrasi Semester (total, 26). Oleh karena itu DM Administrasi
Kelas bisa menjadi DM kedua yang akan dibangun.
Gambar 15.11 juga menunjukkan bahwa beberapa dimensi, yaitu,
waktu, prodi, fakultas, basis dan mahasiswa, dapat dipakai bersama. Semua DM
di lingkungan akademik dapat diintegrasikan menggunakan lima dimensi yang
sudah disebutkan tadi.
Pemetaan yang jelas di antara semua dimensi di seluruh DM
memudahkan integrasi semua DM ke DW organisasi melalui pemakaian
bersama dimensi (dimension sharing), kompatibilitas dimensi (dimension
compatibility) dan generalisasi dimensi (dimension generalisation). Pemakaian
bersama dimensi dapat dibaca dari matriks DWQFD melalui analisis,
kompatibilitas dimensi dapat dilihat dari atribut yang sama di dalam dimensi,
sedangkan generalisasi dimensi (jika diperlukan) dapat digunakan untuk
menghubungkan dimensi yang tidak kompatibel.
Menggunakan matriks DWQFD seperti yang digambarkan pada Gambar
15.11 memberikan banyak keuntungan diantaranya:
• Prioritas DM yang harus dibangun dapat dengan mudah ditentukan.
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 233
 • Dimensi yang dapat dipakai bersama dapat dipetakan dengan mudah.
• Matriks DWQFD dapat juga digunakan sebagai cetak biru untuk
pembangunan DW. Oleh karena itu, jika ada perubahan DW di masa
yang akan datang tidak akan berpengaruh secara signifikan pada
integrase DM.

15.8. IMPLEMENTASI DATA MART PENERIMAAN MAHASISWA BARU

DENGAN PENTAHO
Hasil perancangan data mart di atas, selanjutnya akan
diimplementasikan ke dalam salah satu framework yaitu Pentaho. Sengaja
digunakan Pentaho karena sifatnya yang free alias tidak berbayar.
Selain sifatnya gratis dan adopsi yang semakin hari semakin luas,
dukungan Pentaho bisa didapatkan dari Pentaho corp dalam bentuk Service
Level Agreement (SLA) dan dipaketkan dalam versi Enterprise Edition yang
sifatnya annual subscription atau perlu kontrak tahunan. Namun jika tetap
menggunakan community edition yang gratis, maka bisa mendapatkan support
dari banyak partner Pentaho di seluruh dunia termasuk di Indonesia.

15.8.1. PERANCANGAN CUBE

Perancangan cube atau data mart adalah proses pembuatan
permodelan data secara logical dari satu dimensi (data warehouse) menjadi
multidimensi (dimensi waktu, dimensi lokasi, dimensi prodi, dimensi basis,
dimensi sumber info dan lain-lain) pada koneksi data yang akan digunakan
untuk mempermudah dalam proses analisis (analysis view). Gambar 15.11.
menunjukkan perancangan cube dari sistem penerimaan mahasiswa baru di
sebuah PTS.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 234
 Gambar 15.11. Perancangan cube dengan Pentaho Schema Workbench

Salah satu bentuk penyimpanan adalah ROLAP (Relational OLAP).

ROLAP ini adalah salah satu strategi agar OLAP Server terhindar dari masalah
pengelolaan data storage dan hanya menerjemahkan proses query analysis
(MDX) ke relational query (SQL) seperti yang terlihat pada Gambar 15.12.
Di dalam MDX Query Editor (Gambar 15.12.), bisa dilakukan analisis
data dengan lebih dinamis. Query MDX ini nantinya akan digunakan sebagai
query ke data warehouse oleh dashboard.

Gambar 15.12. MDX Query OLAP

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 235
 Gambar 15.13. Tampilan hasil MDX Query OLAP

15.8.2 PERANCANGAN ETL (EXTRACT TRANSFORM LOAD)

Sebagaimana sudah dijelaskan pada bab-bab sebelumnya, ETL adalah
proses utama DW karena akan memetakan semua sumber data untuk kemudian
ditransformasikan ke DW. Pada Pentaho, penggunaan PDI (Pentaho Data
Integration) menjadi alat bantu utama. Berikut ini adalah penterjemahan hasil
rancangan yang sudah dilakukan di bab 14 ke dalam ETL.

Gambar 15.14, Transformasi ke Fact Penjualan Formulir

Fact penjualan formulir diperoleh dari penggabungan dan perhitungan
dari dua table yaitu table beli formulir dan table beli formulir batal. Melalui
serangkaian proses join, grouping dan pehitungan akhirnya bisa didapatkan
informasi penjualan formulir.

Gambar 15.15, Transformasi ke Fact Daftar Ulang

Fact daftar ulang cukup diperoleh dari table daftar ulang dengan melalui
proses grouping dan pemilihan field-field tertentu saja.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 236
 Gambar 15.16. Transformasi ke Fact USM (Ujian Saringan Masuk)

Untuk Fact USM (Ujian Saringan Masuk), prosesnya lumayan kompleks,

karena merupakan gabungan dari beberapa table sekaligus dan juga melalui
proses seperti penggabungan, filter, grouping dan juga agregasi. Lebih detilnya
table apa saja serta proses yang dilakukan bisa dilihat di Gambar 15.16.

Gambar 15.17. Transformasi ke Fact PPMB (Proses Penerimaan Mahasiswa

Baru)
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 237
 Fact PPMB merupakan hasil penggabungan beberapa Fact dan dimensi
yang ada. Oleh karenanya transformasi pada Fact PPMB ini merupakan
transformasi yang paling kompleks dalam data mart penerimaan mahasiswa
baru. Lebih jelasnya table apa saja yang terlibat, proses apa yang dijalankan
dan penampungan hasilnya bisa dilihat di Gambar 15.17.

15.8.3. HASIL ANALISIS DATA

Untuk melihat hasil dari data mart yang sudah dibuat, perlu masuk ke
Pentaho User Console sebagaimana terlihat pada Gambar 15.17

Gambar 15.17 Tampilan login pentaho user console

Sedangkan hasil yang didapatkan dari pengolahan cube OLAP dengan

Pentaho Schema Workbench bisa dilihat pada Gambar 15.18 – Gambar 15.21

Gambar 15.18 OLAP Pembelian Formulir

Dari hasil OLAP pembelian formulir bisa diketahui status pembelian
formulir pendaftaran selama sekian periode. Dengan memanfaatkan OLAP ini
para pengambil keputusan terbantu dalam menganalisis kondisi yang ada di
Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 238
lapangan seperti lokasi penjualan mana yang paling banyak dan yang mana
yang paling sedikit. Demikian juga informasi prodi apa yang favorit di suatu
lokasi di banding dengan lokasi yang lainnya. Berbagai macam kombinasi bisa
dilakukan dengan menggunakan drill down (tanda +) dan drill up (tanda -) pada
OLAP.

Gambar 15.19 OLAP Daftar Ulang

Hampir mirip dengan OLAP pembelian formular, OLAP daftar ulang juga
memiliki kemampuan drill down dan drill up di beberapa dimensi. Penambahan
yang khusus untuk analisis disini adalah sumber informasi guna penelusuran
lebih jauh media informasi apa yang paling efektif dalam penerimaan mahasiswa
baru.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 239
 Gambar 15.20 OLAP USM (Ujian Saringan Masuk)

Terkait dengan USM (Ujian Saringan Masuk), informasi yang perlu digali
lebih jauh adalah jumlah peminat masing-masing prodi, sebaran kota tempat
pelaksanaan ujian saringan masuk terkait dengan gelombang penerimaan
mahasiswa dan juga pemantauan hasil USM nya.

Gambar 15.21. OLAP PPMB

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 240
 Proses penerimaan mahasiswa baru (PPMB) adalah gabungan dari
keseluruhan OLAP yang sudah dijelaskan sebelumnya sehingga pengambil
keputusan bisa melihat langsung kondisi penerimaan mahasiswa baru terkait
dengan lokasi pendaftaran, gelombang penerimaan mahasiswa baru, sumber
informasi pendafataran dan berbagai informasi lain yang relevan dengan PMB.

15.8.4. DASHBOARD
Dalam proses pengambilan keputusan, seringkali pengambil keputusan
memiliki waktu yang terbatas. Oleh karena itu tampilan visual atas informasi
terpenting perlu diwujudkan dalam bentuk dashboard guna membantu
pengambil keputusan yang memiliki waktu terbatas.

Gambar 15.22. Dashboard Pembelian Formulir

Dari dashboard pada Gambar 15.22 terlihat bahwa total penjualan

formulir hingga dengan saat ini adalah 1.290 dengan rincian jumlah formulir
pada masing-masing prodi bisa dilihat pada grafik di bawahnya. Dashboar yang
lainnya bisa dilihat pada Gambar 15.23 sampai dengan Gambar 15.25.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 241
 Gambar 15.23 Dashboard penerimaan mahasiswa baru

Gambar 15.24 Dashboard Daftar Ulang

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 242
 Gambar 15.25 Dashboard USM

RINGKASAN
Studi kasus ini menggambarkan penerapan pembangunan DW secara
lengkap dengan menggunakan siklus hidup DW yang menggabungkan kualitas
data di seluruh fase nya. Melalui studi kasus penerimaan mahasiswa baru di
sebuah PTS, beberapa manfaat dapat diperoleh dan informasi yang tepat waktu
untuk pengambilan keputusan juga dapat dicapai. Dengan diintegrasikannya KPI
(Key Performance Indicator) ke dalam framework pembangunan DW pada studi
kasus ini telah memungkinkan PTS untuk mengukur beberapa aspek proses
terhadap target yang telah mereka tetapkan.
Hasil implementasi data warehouse yang dibuat menggunakan Pentaho
dapat mengolah data secara otomatis dan laporan yang ditampilkan dapat
menanggulangi minimnya laporan penerimaan mahasiswa baru yang harus
mengintegrasikan data dari berbagai macam aplikasi.
Dashboard yang ditampilkan dapat memudahkan user dalam melakukan
reporting dari berbagai perspektif guna memberikan informasi yang customer-
centric (lebih berorientasi ke pelanggan) dan lebih spesifik.

Data Warehouse – Studi Kasus Data Mart Penerimaan Mahasiswa Baru 243