Abstraksi – Provinsi Sumatera Barat merupakan salah satu wilayah di Indonesia yang rawan terhadap bencana
alam seperti gempa bumi, tsunami, banjir, banjir bandang, tanah longsor, letusan gunung berapi, kebakaran
hutan, dan lain-‐lain. Salah satu faktor pengurangan risiko bencana adalah tersedianya informasi mengenai
pemetaan daerah rawan bencana sampai pada tingkat Pemerintahan terkecil yang dapat diakses oleh publik,
baik oleh Pemerintah Daerah maupun masyarakat secara luas. Pemetaan daerah rawan bencana untuk multi
bencana di seluruh Kabupaten/Kota di Provinsi Sumatera Barat sangat penting untuk diimplementasikan
sehingga dapat meningkatkan kesadaran dan kesiap-‐siagaan dari pengambil keputusan dan masyarakat
dalam upaya pengurangan resiko bencana sertamendapatkan informasi mengenai distribusi daerah yang
dikategorikan sebagai daerah rawan bencana di Provinsi Sumatera Barat.Paper ini mengkaji mengenai
perancangan data warehouse yang diimplementasikan untuk menghasilkan sebuah report informasi
pemetaan daerah rawan bencana Provinsi Sumatera Barat.
Kata Kunci : Data warehouse, ETL, OLAP, Bencana Alam, Reporting, Information Dashboard
Abstract -‐ West Sumatra is one area in Indonesia which is prone to natural disasters such as earthquakes,
tsunamis, floods, flash floods, landslides, volcanic eruptions, forest fires, and others. One factor is the
availability of disaster risk reduction information on the mapping of disaster-‐prone areas to the smallest
level of government that can be accessed by the public, either by the local government and the community at
large. Mapping of disaster-‐prone areas to multiple disasters in all regencies / cities in West Sumatra is very
important to be implemented so as to increase the awareness and preparedness of the decision makers and
the public in disaster risk reduction efforts as well as an overview of the distribution of areas classified as
hazardous areas West Sumatra Province. This paper examines the design of a data warehouse that is
implemented to produce an information report mapping of disaster-‐prone areas of West-‐Sumatera.
Keywords : Data warehouse, ETL, OLAP, Natural Disaster, Reporting, Information Dashboard
_____________________________________________________________________________________
1
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
2
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
reporting pemetaan daerah rawan bencana secara Informasi pemetaan daerah rawan bencana
lengkap dan detail sampai pada level tersebut akan disediakan melalui perancangan
Desa/Kelurahan/Nagari. sebuah aplikasi data warehouse dan OLAP (On Line
Analytical Processing) yang dapat mengolah data-‐
1.2. Analisis Perumusan Masalah data bencana alam multi dimensi dari berbagai
sumber, melakukan proses analisis dan reporting
Berdasarkan pengamatan sementara maka
sehingga menghasilkan suatu information
dapat dirumuskan suatu masalah yaitu belum
dashboard pemetaan daerah rawan bencana di
tersedianya informasi pemetaan daerah rawan
Provinsi Sumatera Barat.
bencana di Provinsi Sumatera Barat secara
terintegrasi dan lengkap sampai pada level
Pemerintahan Desa/Kelurahan/Nagari. 1.3. Batasan Masalah
Setelah dilakukan pengamatan (observasi) Agar pembahasan dalam paper ini dapat lebih
terhadap permasalahan tersebut ditemukan fokus dan tepat sasaran . maka masalah yang akan
beberapa fakta sebagai berikut : dibahas perlu diberikan batasan. Adapun batasan
1. Observasi dilakukan terhadap ketersediaan masalah dalam penulisan paper ini adalah sebagai
data bencana yang ada dimasing-‐masing sumber berikut :
data, dimana masing-‐masing sumber data secara 1. Penulisan paper ini akan membatasi
terpisah tidak memiliki informasi pemetaan daerah permasalahan potensi rawan bencana di Provinsi
rawan bencana yang lengkap dan menyeluruh. Sumatera Barat,akan dikelompokkan menurut 19
2. Tidak tersedianya informasi secara lengkap Kabupaten/Kota yang terdiri dari 385
tersebut disebabkan masing-‐masing sumber data Desa/Kelurahan dan 648 Nagari.
masih berdiri sendiri dan belum diintegrasikan. 2. Lingkup pembahasan pemetaan daerah rawan
3. Data yang bersumber dari Badan bencana akan dibatasi pada topologi daerah
Penanggulangan Bencana Daerah tidak memiliki masing-‐masing Desa/Kelurahan/Nagari, jenis
informasi bencana yang detail dan menyeluruh potensi rawan bencana, frekwensi terjadi bencana,
sampai level Pemerintahan Desa/Kelurahan/Nagari jenis bantuan dan pihak-‐pihak yang terlibat dalam
sedangkan data dari Badan Pusat Statistik tidak penanganan bencana serta informasi
memiliki informasi mengenai jumlah bencana kependudukan daerah rawan bencana.
secara series. 3. Adapun data yang akan digunakan disini adalah
4. Informasi lainnya yang terkait dengan data-‐data yang berkaitan dengan bencana alam
kependudukan dan wilayah administrasi secara tahun 2009, 2010 dan 2011 dari berbagai sumber
lengkap untuk masing-‐masing daerah juga belum terkait, yaitu Badan Pusat Statistik, Badan
tersedia pada sumber data bencana, sehingga harus Penanggulangan Bencana Daerah (BPBD) dan Badan
di retrieve dari sumber data lainnya. Perencanaan Pembangunan Daerah (Bappeda)
Provinsi Sumatera Barat serta data hasil Sensus
5. Pengintegrasian terhadap seluruh sumber data
Penduduk Tahun 2010 (SP2010) Badan Pusat
tersebut harus dilakukan demi menghasilkan suatu
Statistik (BPS) Provinsi Sumatera Barat.
informasi pemetaan daerah rawan bencana secara
detail, lengkap dan menyeluruh sampai pada level 4. Untuk menghasilkan analisis yang baik
Pemerintahan Desa/Kelurahan/Nagari untuk digunakan metode OLAP (OnLine Analytical
masing-‐masing Kabupaten/Kota di Provinsi Processing).
Sumatera Barat. 5. Pembahasan paper ini hanya akan
dilaksanakan sampai pada tahap perancangan
aplikasi data warehouse serta implementasi OLAP,
Data Mart dan information dashboard.
3
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
1.4. Maksud dan Tujuan semi terstruktur dan data-‐data lainnya yang
Maksud dan tujuan penulisan paper ini adalah dijadikan sebagai laporan analisis.
untuk membangun data warehouse potensi Secara tradisional, data warehouse sudah
bencana Provinsi Sumatera Barat dan menghasilkan digunakan untuk menganalisis data yang bersifat
information dashboard yang dapat menyajikan histori. Baru-‐baru ini, mulai bermunculan tren
informasi pemetaan daerah rawan bencana menggunakan data warehouse untuk mendukung
Kabupaten/Kota di Provinsi Sumatera Barat secara pembuatan keputusan secara real time tentang
lengkap dan detail sampai pada level Pemerintahan operasi enterprise dari hari ke hari. Kebutuhan
Desa/Kelurahan/Nagari. untuk memperbaiki query dan memperbaharui
kinerja adalah dua tantangan yang harus dilalui dari
aplikasi data warehouse yang akan dibangun. Untuk
II. TINJAUAN PUSTAKA menghadapi dua tantangan ini maka aplikasi data
warehouse yang baru harus memiliki akses yang
2.1. Tinjauan Pustaka lebih baik untuk menghasilkan query lebih awal dari
Data warehouse mendukung OLAP (Online query yang sedang berjalan.
Analytical Processing) yang secara fungsional dan Konsep utama dari data warehouse adalah
kinerja persyaratannya tidak jauh berbeda dengan bahwa database disimpan untuk analisis bisnis
OLTP (Online Transactional Processing) yang secara (business intelligent analysis) yang dapat diakses
tradisional didukung oleh database operasional. secara efisien dengan memisahkan database dari
Data warehouse menyediakan OLAP sebagai alat sistem operasional. Tujuan utama dari penelitian ini
yang bersifat interaktif yang digunakan untuk adalah menginvestigasi cara untuk membangun
melakukan analisis data yang bersifat sistem informasi pengiriman data yang sukses di
multidimensional sehingga dapat memberikan dalam institusi dengan menggunakan metode studi
kemudahan untuk melakukan data mining. kasus kualitatif (Singh, dkk, 2011).
Data warehouse dan OLAP merupakan komponen
utama dan penting sebagai pendukung proses 2.2. Landasan Teori
pengambilan keputusan, yang fungsinya juga 2.2.1. Data warehouse
meningkat menjadi database utama dalam industry Data warehouse didefinisikan sebagai
(Reddy, dkk, 2010). Sementara itu, OLTP lebih bersifat sekumpulan data yang bersifat subject-‐oriented,
customer-‐oriented dan digunakan untuk proses terintegrasi, time variant, nonvolatile yang melayani
transaksi dan query oleh user dan para professional sebagai implementasi fisik dari sebuah model data
dalam teknologi informasi, sedangkan OLAP lebih untuk mengambil keputusan dan menyimpan
bersifat market-‐oriented dan digunakan untuk informasi untuk kebutuhan enterprise atas
menganalisis data oleh knowledge workers seperti keputusan yang bersifat strategis. Teknologi dalam
manajer, eksekutif, dan analist. data warehouse meliputi data cleaning, integrasi
Melalui pemaparan data warehouse, OLAP, data, dan OLAP sebagai teknik analisis dengan
OLTP dan data mining maka dapat diketahui bahwa fungsi seperti menyimpulkan, konsolidasi dan
data warehouse secara semantic dapat dikatakan agregasi sebaik kemampuan memandang informasi
sebagai media penyimpanan yang konsisten yang dari berbagai sudut (Reddy, dkk, 2010).
melayani sebagai implementasi fisik dari sebuah Data warehouse dirancang dengan
model data pendukung keputusan dan menyimpan menggunakan model multidimensional dan
informasi untuk kebutuhan enterprise dalam biasanya diimplementasikan dalam bentuk star
membuat keputusan yang bersifat strategis. Jadi scheme. Pada model multidimensional, data
arsitektur dari data warehouse dapat dikatakan warehouse biasanya menyimpan data dalam
dibangun dari berbagai jenis sumber data yang bentuk database relasional (Ni, dkk, 2011).
mendukung query adhoc, seperti raw data, Dalam buku yang berjudul Data Warehousing
operational database, data terstruktur maupun Fundamentals, karakteristik-‐karakteristik dari data
4
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
warehouse dapat dijelaskan sebagai berikut eksternal maupun database operasional, untuk
(Poniah, 2001) : kemudian dilakukan data staging area,
1) Subject Oriented transformasi data dan mengintegrasikan data,
Data warehouse mengorganisasikan subjek untuk memasukkan data ke dalam data
utama perusahaan/organisasi bukan pada area warehouse, dan secara periodic untuk
aplikasi utama. Hal ini menyebabkan data memperbaharui warehouse yang mencerminkan
warehouse hanya mengorientasikan pada pembaharuan pada sumber data warehouse.
kebutuhan untuk menyimpan data pendukung Dalam data warehouse dimungkinkan untuk
keputusan daripada aplikasi yang berorientasi data. melakukan data representation dengan membuat
Data warehouse hanya mengandung data yang data marts untuk beberapa dimensi kebutuhan.
dibutuhkan untuk fungsi yang berhubungan dengan Database di dalam data warehouse dan data marts
sebagian aplikasi. disimpan dan diatur oleh satu atau lebih server
2) Data yang Terintegrasi datawarehouse yang menyajikan gambaran data
Data didalam data warehouse akan memiliki secara multidimensional ke dalam bentuk/format
perbedaan database, file dan segmentasi, seperti query, penulisan laporan, alat untuk
dikarenakan sumber data untuk data warehouse analisis, dan alat untuk data mining.
diambil dari aplikasi-‐aplikasi yang berbeda
sehingga platform dan sistem operasi yang
digunakan akan memunculkan perbedaan pada
tampilan file, tabel, representasi kode karakter, dan
juga penamaan field. Oleh karena itu, data yang
akan digunakan untuk data warehouse harus
melewati beberapa proses yaitu transformasi,
konsolidasi dan integrasi dengan sumber data
lainnya.
3) Time Variant
Pada sistem operasional, data yang disimpan hanya
mengandung nilai saat ini saja. Namun tentu saja
sistem operasional masih menyimpan beberapa
data yang sifatnya masa lalu. Pada data warehouse, Gambar 2.1 Arsitektur Data warehouse
disebabkan oleh tujuan natural nya, data (Source: Ralph Kimball, Data warehouse Toolkit,2002)
warehouse mengandung data historis, tidak hanya
nilai saat ini. Data disimpan sebagai gambaran masa 2.2.2. Dimensional Modelling (Star Scheme)
lalu dan periode saat ini. Setiap struktur data dalam Pada data warehouse digunakan teknik
data warehouse mengandung elemen waktu. pemodelan data yang disebut dimensional
Secara alamiah, karakteristik time variant dalam
modelling technique. Pemodelan dimensional
data warehouse adalah mengizinkan untuk
adalah suatu model berbasis pemanggilan yang
menganalisis masa lalu, menghubungkan informasi
mendukung akses query volume tinggi. Star Schema
saat ini, dan memungkinkan untuk memprediksi
adalah alat dimana pemodelan dimesional
masa depan.
diterapkan dan berisi sebuah tabel fakta pusat.
4) Non Volatile Tabel fakta (fact table) berisi atribut deskriptif yang
Data di dalam data warehouse tidak dirancang digunakan untuk proses query dan foreign key
untuk menjalankan bisnis setiap harinya. Sehingga untuk menghubungkan ke table dimensi. Tabel
dalam data warehouse tidak ada proses fakta menunjukkan apa yang didukung oleh data
pembaharuan data untuk setiap kali proses warehouse untuk analisis keputusan. Tabel dimensi
transaksi berjalan. berisi atribut yang menguraikan data yang
Arsitektur data warehouse meliputi alat untuk dimasukkan dalam tabel fakta.
mengekstrak data dari berbagai sumber data baik
5
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
2.2.2. ETL (EXTRACT TRANSFORM LOADING) dengan cara mengekstraksi dan mengenali pola
Menurut Rainardi, 2008, ETL adalah suatu yang penting atau menarik dari data yang terdapat
proses mengambil dan mengirim data dari data pada database.
sumber (Data Source) ke data warehouse. Dalam
proses pengambilan data, data harus bersih agar 2.2.6. Reporting
didapat kualitas data yang baik. Pendekatan Dalam kontek data warehouse, report adalah
konseptual pada proses ETL ini adalah mengambil program yang menerima informasi data dari data
data dari data source, meletakan pada staging warehouse dan mempresentasikannya ke user.
area, dan kemudian mentransform dan me-‐load ke Report dibangun dengan fungsi tertentu dan hasil
data warehouse. dari report ini adalah informasi yang disesuaikan
dengan kepentingan user.
2.2.3. OLAP (OnLine Analytical Processing)
OLAP (Online Analytical Processing) merupakan III. PERANCANGAN DATA WAREHOUSE
sebuah kategori software yang memungkinkan
analist, manajer dan eksekutif untuk mendapat 3.1. Sumber Data
keuntungan dari dalam data secara cepat, Sumber data yang digunakan dalam
konsisten, dan interaktif dengan berbagai perancangan data warehouse ini berasal dari
kemungkinan yang ada pada pandangan terhadap berbagai sumber data dengan platform database
informasi yang ditransformasi dari data mentah ke yang berbeda-‐beda. Pengambilan data dari
dalam bentuk nyata yang dapat dipahami oleh user berbagai sumber ini dikarenakan adanya
(Ponniah, 2001). Umumnya OLAP meliputi karakteristik dan sifat utama data warehouse yang
aktivitas-‐aktivitas seperti pembangkitan query mengambil sebagian data dari lintas aplikasi yang
(query builder), permintaan laporan khusus dan berbeda dan kemudian mengintegrasikan data
grafik, dan melakukan analisis statistik. OLAP tersebut ke dalam suatu gudang data. Sumber data
menyediakan kemampuan pemodelan dan visualisasi tersebut adalah sebagai berikut :
untuk kumpulan data besar yang diambil dari
database operasional dan lebih seringnya diambil dari Tabel 3.1. Sumber Data yang digunakan
data warehouse sendiri. No Sumber Data Asal Sumber Data Type
1 Podes 2008 BPS Provinsi dbf
2.2.4. Data Mart (Potensi Desa) Sumatera Barat
Data mart adalah access layer dari data 2 Podes 2011 BPS Provinsi sav
warehouse yang digunakan pengguna untuk Desa/Kelurahan Sumatera Barat
mengambil data. Data mart yang merupakan subset 3 Podes 2011 BPS Provinsi sav
dari data warehouse biasanya diarahkan untuk Nagari Sumatera Barat
bidang/area bisnis spesifik. Data mart memiliki 4 Podes 2011 BPS Provinsi sav
karakteristik yang sama dengan data warehouse, Jorong Sumatera Barat
perbedaannya hanya terdapat pada jumlah data 5 SP2010 BPS Provinsi dbf
yang dimiliki. Dalam data mart, data yang ada (Sensus Penduduk) Sumatera Barat
hanya berasal dari satu bagian atau satu 6 Data Bencana BPBD,Bappeda Provinsi xls
Tahun 2009-‐2011 Sumatera Barat
departemen saja, sedangkan pada data warehouse,
7 Data Spatial Peta Bakosurtanal shp
data yang ada berasal dari seluruh bagian dalam
Sumatera Barat
perusahaan/organisasi tersebut
3.2. Alat Penelitian
2.2.5. Data Mining
Untuk membuat desain dan implementasi data
Data Mining adalah serangkaian proses untuk
warehouse studi pemetaan daerah rawan bencana
menggali nilai tambah berupa informasi yang
maka dibutuhkan komputer yang dilengkapi
selama ini tidak diketahui secara manual dari suatu
dengan software sebagai berikut :
database. Informasi yang dihasilkan diperoleh
6
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
Tabel 3.2. Software yang digunakan dengan mengumpulkan data-‐data yang berkaitan
No Software Fungsi dengan potensi bencana yang bersumber dari
1 Windows 7 Ultimate Sistem Operasi berbagai database dari berbagai sumber seperti
2 Microsoft SQL Server -‐ Melakukan data wilayah, jenis dan jumlah bencana, jumlah
2008 R2 importing data penduduk, potensi daerah (desa/kelurahan/nagari)
-‐ Import and Export source ke data dan frekwensi terjadinya bencana.
Data (32 Bit) warehouse Setelah data source dari berbagai database
-‐ SQL Server -‐ Aplikasi untuk
dikumpulkan, dilakukan ekstraksi terhadap data
Management Studio membangun data
tersebut sesuai dengan kebutuhan data warehouse
-‐ SQL Server Business warehouse
Intelligent -‐ Melakukan Proses yang akan dibangun. Dari data yang sudah
Development Studio OLAP diekstraksi dilakukan proses transformasi data.
-‐ Report Builder 3.0 -‐ Tools reporting Pada proses transformasi dilakukan proses
3 ArcGIS 10.0 Software Pemetaan perapian data yang tidak konsisten, memperbaiki
penamaan pada field,atribut dan lain-‐lain.
3.3. Perancangan Arsitektur Data Warehouse Proses selanjutnya adalah data loading ke dalam
gudang data yang sudah dibangun dengan
menggunakan script yang ada di SQL. Sehingga
PODES SP2010 PETA BPBD terbentuklah sebuah data warehouse yang siap
digunakan untuk menghasilkan informasi.
7
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
8
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
9
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
Gambar 3.7. Star Scheme Penduduk Desa Gambar 3.9. Peta Kerawanan Bencana Terburuk
10
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
11
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
4.2. OLAP
Setelah semua proses ETL berhasil dilakukan,
langkah selanjutnya adalah melakukan proses OLAP
dengan menggunakan software SQL Server
Business Inteligence Development Studio. Output
dari OLAP ini adalah terbentuknya Cubes dan
Dimensions untuk menghasilkan Data Mart.
12
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
13
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
VI. KESIMPULAN
-----⌘ ⌘ ⌘-----
Gambar 5.9. Information Dashboard Pemetaan
Rawan Bencana Menurut Jenis Bencana dan Series
15
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat
Desain dan Implementasi Data Warehouse
DAFTAR PUSTAKA
16
Studi Kasus Pemetaan Daerah Rawan Bencana Provinsi Sumatera Barat