Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Volume 5, Edisi 9, September – 2020 Jurnal Internasional Sains dan Teknologi Penelitian Inovatif
Nomor ISSN: -2456-2165

Perancangan dan Implementasi Data Warehouse untuk

Dukung Pemerintah Irak
Mervat Mustafa Raouf Dr Saad Hamid
Ilmu komputer di AL-Mansour University College Asisten Profesor, Ilmu Komputer di AL-Mansour
Republik Irak Kementerian Pendidikan Tinggi dan Riset Perguruan Tinggi Universitas

Ilmiah Komisi Irak untuk Komputer dan Informatika Komite Irak untuk komputer dan informatika
Institut Informatika Irak, Bagdad
Irak, Bagdad

Adapun sistem kedua adalah sistem pergudangan akses, bahkan setelah seribu tahun berlalu, untuk memanfaatkan
data yang dirancang dan diimplementasikan untuk solusi dari krisis sebelumnya dan data lama yang terkait
mendukung pemerintah Irak dengan dengannya. Gudang data adalah repositori fokus yang
mengekstraksi dan mentransfer database pada mengumpulkan, membersihkan, memastikan kualitas, dan
sistem pertama yang relevan dengan negara Irak merilis data dari berbagai sumber dan format hanya jika sesuai
dan melakukan proses pengelompokan data untuk konsumsi pengguna melalui proses ETL (ekstrak,
menggunakan empat jenis algoritma transformasi, dan unggah)[1][2]. Data warehouse tingkat data
pengelompokan: k- rata-rata, k-medoid, DBSCAN, dan ringkasan data yang sangat rinci; itu mampu memanipulasi
OPTIK. Hasil yang akan ditampilkan menggunakan data yang ada dan historis dan menghasilkan laporan analitis.
alat yang berisi peta Irak yang menunjukkan Dalam makalah ini kami berdasarkan pendekatan Ralph Kimball.
lokasi-titik data, masalah lain akan ditampilkan Pembangunan DW-system dilakukan dengan software SQL
dalam bentuk laporan. Server [3]. Sumber data yang dipilih disediakan untuk sistem
gudang data adalah sistem sumber data yang terdiri dari tiga
sistem database. Yang pertama berisi data dari krisis dan
masalah sebelumnya, yang kedua memiliki sumber untuk negara
Irak, dan yang ketiga berisi data yang berbeda dan bervariasi
dan dasar untuk data ini adalah Platform Kemanusiaan HDX.
Selain itu, proses pengelompokan digunakan dalam gudang data
pada data raster dan ditampilkan pada peta Irak dengan cara
yang diilustrasikan.

Makalah ini seperti yang diilustrasikan pada Gambar (1), bertujuan untuk
mengembangkan arsitektur gudang data untuk mendukung pemerintah digital
Irak.

Kata kunci:-Sistem Gudang Data, Pemerintah Digital

Irak, Proses ETL, Platform HDX.

SAYA. PENGANTAR

Konfrontasi dengan bencana dan krisis dalam semua aspek

seperti perencanaan, antisipasi, dan penanganan tergantung
pada peristiwa yang muncul. Hal ini menempatkan pemerintah
dan pembuat keputusan mereka di pundak untuk memastikan
keamanan yang memadai bagi individu, bisnis, dan sarana
lainnya. Oleh karena itu, mereka perlu mengembangkan strategi
dan masalah penanggulangan bencana yang terperinci. Hal ini
dicapai dengan memanfaatkan evolusi universal dan kemajuan
teknologi, dan dengan menyelamatkan jumlah data yang
dihasilkan oleh banyak organisasi dengan keahlian dalam
menangani situasi dan masalah kritis. Selain itu, sistem ini harus
dirancang untuk menantang, menemukan solusi, dan Gambar 1:- Struktur Sistem DW
memanfaatkan akumulasi data sebelumnya. Mereka juga perlu
mengembangkan sistem untuk bertanya, menemukan jawaban,
dan memanfaatkan backlog data. Data ini, oleh karena itu,

IJISRT20SEP617 www.ijisrt.com 920

Volume 5, Edisi 9, September – 2020
II. DESAIN DATA WAREHOUSE ETL
PROSEDUR
Prosedur ini dirancang untuk memanfaatkan perangkat
lunak Visual Studio-BI-IS (Business Intelligence - Integration
Service) [3] [4]. Prosedur ETL dirancang dari sistem sumber
pertama (database masalah sebelumnya), sumber kedua
(database sumber daya untuk pemerintah Irak), dan sumber
ketiga (database yang terdiversifikasi). Gambar (2) mengacu pada
proses ETL database tunggal. Aturan-aturan ini dipilih dan
ditetapkan karena mengandung banyak data yang berguna
untuk mendukung pemerintah Irak selama krisis, termasuk krisis
Coronavirus (COVID19), pendudukan teroris pasca-ISIS, dan
dampak kekerasan yang terjadi di beberapa wilayah di Irak.
Selain itu, sistem database ini menggambarkan banyak data
yang dikumpulkan oleh organisasi kemanusiaan dan LSM yang
mendukung kemanusiaan.
Gambar (2):- Proses ETL Database Tunggal
AKU AKU AKU. MODE DATA DIMENSI (DDM)
Model dimensional (DDM) [5][6] dikembangkan pada
fase awal perancangan data warehouse. DDM adalah
teknis penataan gaya paling logis yang mencoba
menampilkan model data dalam kerangka standar yang
dapat dicapai dan aksiomatik untuk mempersiapkan
dasar bagi analisis data yang dikembangkan. Ini harus
ditujukan untuk menghadapi persyaratan organisme
besar, yang harus memenuhi persyaratan pembuat
keputusan dan berisi informasi yang mudah diakses. [7].
Di setiap dDDM, tabel fakta adalah tabel prim. Ini
termasuk pengukuran bisnis dan lebih satu kunci asing
yang terkait dengan tabel dimensi. Dimensi adalah satu
atau banyak tabel yang berhubungan dengan tabel fakta.
Setiap dimensi berisi informasi tekstual kata sifat., dan
memiliki kunci utama, yang melayani dasar-dasar untuk
kelengkapan referensial dengan tabel fakta yang
dilampirkan.
IV. SKEMA BINTANG SISTEM DW
Seperti yang ditunjukkan pada Gambar (3) Bintang adalah jenis
skema yang paling sederhana. yang berisi tabel fakta, terletak di
tengah, dan dihubungkan dengan tabel dimensi lain seperti bintang.
Setiap tabel memiliki kunci utama dalam tabel fakta, yang terkait
dengan kunci asing. Alasan pembuatan skema bintang: kompleks
yang lebih rendah, fasilitas untuk dipahami, paling banyak digunakan
untuk DWdan skema yang lebih efektif untuk
IJISRT20SEP367
Jurnal Internasional Sains dan Teknologi Penelitian Inovatif
Nomor ISSN: -2456-2165
menangani kueri yang lebih sederhana, agregasi cepat, dan kubus
pengumpan (kubus OLAP yang efisien)[8][3].
Gambar (4):- Skema Bintang
V. AKSES DATA DALAM METODE OLAP
Data warehouse (DW) adalah data yang ditempatkan
dengan desain yang memfasilitasi analisis data, dan OLAP adalah
metode untuk menganalisis data multidimensi, selain
menyediakan layanan cerdas, layanan keuangan, layanan
keuangan, solusi cerdas, solusi mandiri, wawasan. Data yang
cepat, konsisten, dan interaktif mengakses berbagai perspektif
yang berbeda. "Analisis multidimensi" adalah platform utama
untuk OLAP. Artinya, kemampuan untuk menganalisis metrik
dalam berbagai dimensi, seperti waktu, genus, nasionalisme, dll
[10][11]. OLAP dapat membuat keseimbangan multi-dimensi dari
kubus OLAP. Kubus OLAP adalah struktur data yang
memecahkan masalah gudang data. Hasilkan OLAP dari tiga
proses analitik mendasar: menggulung, menggali, dan mengiris
dan memotong dadu.
Ini mengizinkan data untuk digulung, diiris, dan dipotong
dadu sebagai prasyarat untuk menangani berbagai macam
masalah yang relevan dengan area layanan pengguna [5][12].
Kubus dapat disimpan dalam arsitektur multidimensi MOLAP
(OLAP ), database ROLAP (OLAP Relational), atau struktur
multifaset dan cluster database relasional dari HOLAP (Hybrid
OLAP). Visual Studio (Kecerdasan Bisnis - Layanan Analisis) telah
disertifikasi untuk menjual kubus OLAP tertentu yang memenuhi
pertanyaan pembuat keputusan[12].
VI. operasi pengelompokan
Salah satu cara penting dalam menangani data ini adalah dengan
mengumpulkannya ke dalam kelompok kategori atau kelompok di mana
teknik pengelompokan data di mana informasi yang serupa secara logis
disimpan bersama. Di sinilah letak pentingnya mencoba merevisi dan
mengklasifikasikan sejumlah besar data ini dan menyusunnya sehingga
melakukan tujuan penting untuk mengekstraksi informasi tersembunyi
atau mengkategorikan data sesuai dengan hubungannya satu sama lain
untuk mendapatkan keuntungan darinya untuk tujuan teknis.
Pengelompokan melibatkan pembuatan kelompok materi yang serupa
dan berbeda. Masalah dengan klasterisasi adalah menemukan himpunan
materi yang serupa dalam data, dan kesamaan antar materi diukur
dengan menggunakan fungsi kesamaan. Cluster sangat berguna untuk
meningkatkan pengambilan dan mendukung penelusuran dan itu
dilakukan dengan meningkatkan efisiensi dalam sistem basis data dari
www.ijisrt.com 921
Volume 5, Edisi 9, September – 2020 Jurnal Internasional Sains dan Teknologi Penelitian Inovatif
Nomor ISSN: -2456-2165

mengurangi waktu akses disk. Dalam pengelompokan, masalah

dengan properti serupa dikumpulkan dalam satu kelas, dan
akses disk tunggal membuat seluruh kelas tersedia. Algoritma
clustering dapat digunakan di banyak bidang, seperti proyek
pemasaran, biologi, perpustakaan, sistem asuransi, proyek
perencanaan kota, gempa bumi, dan lain-lain. Cluster adalah
suatu prosedur yang seringkali tanpa supervisor dan dilakukan
dengan mengekstraksi grup-grup yang berbagi suatu hal
tertentu atau serupa dengan suatu hal tertentu dari mereka
sendiri sehingga setiap cluster berbeda dengan cluster
lainnya[9]. Dalam makalah ini, empat algoritma pengelompokan
(k-means, k-medoids, DBSCAN, OPTICS) digunakan karena
perbedaan tipe data dan tipe pengelompokan yang sesuai.
Empat jenis algoritma telah digunakan untuk mengelompokkan
data sesuai dengan klaster '

Gambar (6):- Tampilan Data pada Peta

VII. ANTARMUKA PENGGUNA

Ini adalah fase terakhir dalam pengoperasian membangun sistem

gudang Data Irak; antarmuka dirancang melalui fase ini, memungkinkan
pengambil keputusan untuk mencapai laporan yang diperlukan dengan
mudah dan juga menampilkan geodata di peta Irak untuk menunjukkan
posisi data di dunia nyata. Halaman antarmuka dirancang menggunakan
perangkat lunak pemrograman "ASP.NET 4.5, C #, HTML, CSS" bahasa.
Gambar (5) menunjukkan antarmuka utama dan login sistem DW.
Halaman ini dirancang untuk memungkinkan pengambil keputusan
masuk ke halaman laporan dan mengirimkan data sebelum dan sesudah
pengelompokan. Menggunakan Layanan Laporan SQL Server [3]. Gambar
(6) menunjukkan tampilan data, Gambar (7) mengacu pada laporan yang
dibuat.

Gambar (7):- Halaman Repot

REFERENSI

[1]. LekhaNarra, Tony Sahama, Peta Stapleton, “Clinical

Data Warehousing A Business Analytics approach for
managing health data”, Proceedings of the 8th
Australasian Workshop on Health Informatics and
Knowledge Management (HIKM 2015), Halaman 101 –
104, Sydney, Australia, Januari 2015 .
[2]. Ralph Kimball, Margy Ross, “Perangkat Gudang
Data: Panduan Definitif untuk Pemodelan
Dimensi”, Edisi Ketiga, John Wiley & Sons, Inc.,
Indiana, Amerika Serikat, 2013.
[3]. R. Mistry, W. Misner, “Memperkenalkan Microsoft
Gambar (5):- Halaman Login Sistem DW
SQL Server 2012”, Edisi Pertama, Microsoft Press A
Divisi Microsoft Corporation, Amerika Serikat, 2012.
VIII. KESIMPULAN
[4]. Warren Thornthwaite, “Menerapkan Gudang Data
Makalah ini mengusulkan desain dan implementasi sistem DW
Paralel Microsoft SQL Server Menggunakan
untuk mendukung pemerintahan digital Irak. Ini mengumpulkan dan
Pendekatan Kimball”, Hak Cipta Microsoft
menyimpan data dari berbagai sumber dalam satu repositori dan
Corporation, Amerika Serikat, Juni 2011.
memecahkan masalah yang dihadapi para pembuat keputusan di Negara
[5]. Ralph Kimball, Margy Ross, Warren Thornthwaite,
Irak. Alat penelitian lanjutan juga digunakan, dihasilkan dari informasi
Joy Mundy, Bob Becker, “Perangkat Siklus Hidup
berkala, dan menunjukkan antarmuka data titik geografis. Pekerjaan masa
Gudang Data: Teknik Praktis untuk Membangun
depan dari proyek ini adalah untuk mengimplementasikan sistem DW
Gudang Data dan Sistem Intelijen Bisnis”, Edisi
dengan penggunaan data mining [13][14][15].
Kedua John Wiley & Sons, Inc., 2008.

IJISRT20SEP617 www.ijisrt.com 922

Volume 5, Edisi 9, September – 2020 Jurnal Internasional Sains dan Teknologi Penelitian Inovatif
Nomor ISSN: -2456-2165

[6]. K. Laudon, J. Laudon, "Sistem Informasi

Manajemen: Kelola Perusahaan Digital", Edisi
Keduabelas, Pearson Education, Inc., Amerika
Serikat, 2012.
[7]. NONA. ALPA R. PATEL; PROF. (DR.) JAYESH M.
PATEL, “TEKNIK PEMODELAN DATA UNTUK DATA
WAREHOUSE”, Jurnal Internasional Penelitian
Multidisiplin, Vol.2, Edisi 2, Halaman 240-246,
Februari 2012.
[8]. Rajib Dutta, "Arsitektur Sistem Gudang Data
Kesehatan untuk Penyakit Influenza (FLU)", Jurnal
Ilmu Komputer & Teknologi Informasi, Vol. 3, Tidak.
2, Halaman 77-89, Maret 2013.
[9]. R. Xu dan D. Wunsch, “Survei Algoritma Clustering,”
Transaksi IEEE di Jaringan Neural, jilid. 16, tidak. 3,
hlm. 645–678, Mei 2005.[Online].Tersedia:

http://dx.doi.org/10.1109/TNN.2005.845141
[10]. WalidQassimQwaider, “Apply On-Line Analytical
Processing (OLAP) With Data Mining for Clinical
Decision Support”, International Journal of Managing
Information Technology (IJMIT) Vol.4, No.1, Halaman 25
- 37, Februari 2012.
[11]. N.Colossi, W.Malloy, B.Reinwald, "ekstensi
relasional untuk OLAP", jurnal sistem IBM, Vol. 41,
No. 4, Halaman 714-731, 2002.
[12]. PaulrajPonniah, "Dasar-Dasar Pergudangan Data",
John Wiley & Sons, Inc. 2001.
[13]. Sami Hasan, “Rapidly-Fabricated Architectures of
Parallel Multidimension Algorithms”, penerbitan
akademik Lambert, 2017.
[14]. Sami Hasan, "Arsitektur Sadar Kinerja untuk
Algoritma Penyaringan fMRI Warna 4D Paralel:
Paket Indeks Kinerja Lengkap," dalam Transaksi
IEEE pada Sistem Paralel dan Terdistribusi, vol.
27, tidak. 7, hlm. 2116-2129, 1 Juli 2016.
[15]. Sami K. Hasan, "Implementasi FPGA untuk
Algoritma Penyaringan Multidimensi Paralel",
tesis PhD, Pertanian dan Teknik Universitas
Newcastle, 2013.

IJISRT20SEP367 www.ijisrt.com 923