PERANCANGAN BUSINESS INTELLIGENCE DATA SAMPAH

Project Planning

Desain proyeksi untuk memudahkan desain panel agar semua proses dilakukan sesuai dengan tenggat waktu yang telah ditetapkan. Pada tahap ini dibuat kesimpulan yang dapat membantu menyelesaikan masalah jika BI dapat mencegah kelancaran pembuangan limbah. Berikut ini adalah gambaran dari fase desain.

Gambar 1

Project Planning Activities

Business Analysis

Project Requirements Definition

Tujuan dashboard ini untuk membantu eksekutif dalam analisis pengelolaan sampah dan limbah. Ini juga membantu pihak executive dalam memantau tingkat pembuangan sampah di indonesia dan pengambilan keputusan. Data yang ditampilkan sangat membantu untuk mempengaruhi pembuatan keputusan dalam hal-hal penting dimana pihak eksekutif sangat fokus dalam analisis data pengelolaan sampah. Dashboard yang dibangun secara langsung pun dimaksudkan untuk memenuhi kebutuhan pihak eksekutif dengan pas serta merupakan suatu persyaratan technical yang ada. Semua data limbah sampah direlasikan terlebih dahulu kedalam tabel untuk menentukan data mana saja yang dapat membantu Analisa pada dashboard.

Data Analysis

Tahap ini menganalisa seluruh aktivitas Analisa sistem yang disesuaikan untuk memahami setiap data yang ada dalam aktivitas pembuangan dan pengelolaan sampah. Tahap ini dimulai dari data cleansing dimana tahap ini dalam kata lain mengkualifikasi sumber data serta memilah milah jika terdapat data redundancy. Berikut beberapa hal yang perlu diperhatikan dalam tahapan data analysis :

Data Quality

a. Kualitas data diketahui baik karena data saat ini disimpan dalam database yang memenuhi aturan integritas database, yaitu: domain constraint, entity integrity constraint, referential integrity constraint, dan key constraint.

Data Cleaning

a. Data tidak perlu melalui tahap pembersihan data karena data saat ini sudah tersimpan dalam database yang memenuhi batasan integritas database yaitu : Domain Constraint, Entity Integrity Constraint, Referential Integrity Constraint, dan Key Constraint.

Application Prototyping

Pentingnya prototype yang dibutuhkan untuk membangun aplikasi. Pada titik ini, penulis lebih fokus pada pengalaman pengguna dasbor, seperti menempatkan tabel dan bagan yang kuat sehingga pengguna dapat dengan mudah mengikutinya. Pembuatan prototipe dilakukan menggunakan Power BI, yang dapat membantu memperbaiki kesalahan dasbor yang ditemui. Poin-poin berikut harus dipertimbangkan selama fase prototyping aplikasi

1. Objectives

Makalah ini membuat prototype berupa dashboard BI. Type dashboard yang dibuat adalah Analytical Dashboard.

2. Scope and Schedule

Dashboard yang dihasilkan menampilkan informasi- informasi yang dibutuhkan untuk setiap aktivitas pembuangan dan pengelolaan sampah yang meliputi : Volume Sampah, Komposisi Sampah, Tingkat Daur Ulang, dan Indikator Keberlanjutan.

3. Tools and Method

Figma digunakan untuk membuat prototipe ini.

Berikut adalah contoh dari prototyping yang telah dibuat

Gambar 2
Prototype Dashboard

Metadata Repository Analysis

Metadata digunakan untuk menyimpan informasi kontekstual tentang data bisnis. Metadata penting dalam aplikasi intelijen bisnis karena membantu mengubah data menjadi informasi.

Design

          Database Design

Didalam satu database atau lebih, BI target menyimpan data bisnis dalam bentuk detail atau agregat sesuai dengan kebutuhan pelaporan bisnis. Tidak semua laporan harus strategis dan tidak semuanya multidimensi. Rencana desain database harus memenuhi kebutuhan akses informasi bisnis.

Database Design yang diperoleh dari analisa untuk membangun BI pada pengelolaan sampah  meliputi terdiri atas :

1. Reports and Queries
   a. Pola pelaporan yang dihasilkan saat ini yang sifatnya rutin per tahun yang berupa report yang dihasilkan dari data yang di dapatkan
   b. Level detail yang dibutuhkan disini mencakup detail informasi berdasarkan waktu (tahun → bulan→ minggu→hari) dan juga jenis sampah ( plastik, rumah tangga, dll)
   c. Pertanyaan ad hoc tidak muncul secara rutin, tetapi perusahaan harus menjawab pertanyaan ini untuk mendukung pengambilan keputusan
   d. Saat merancang model data multidimensi, metode Kimball menggunakan 4 tahap. Fase metodologis terdiri dari:
   1. Memilih proses.
   Proses yang dianalisa dalam makalah ini telah sesuai dengan topik kenaikan sampah
   2. Memilih grain.
   Pilihan Grain memutuskan apa yang akan ditampilkan di tabel fakta. Grain yang dihasilkan adalah sampah
   3. Identifikasi dan Menyesuaikan dimensi.
   Pada fase ini, dimensi dari setiap tabel data diidentifikasi dan disesuaikan dengan setiap table fakta.

Tabel 4.20
Fact Table

4. Choosing the fact

Gambar 3
Star Schema Sampah

 Laporan yang dihasilkan melibatkan dimensi waktu, provinsi. Tabel dimensi tersebut belum tersedia untuk saat ini (Pembuatan tabel dimensi termasuk dalam tahapan BI Roadmap).

1. Design Considerations
   a. Attribute agregasi harus disimpan dalam membangun BI , attribute ini disimpan dalam fact table
   b. Data historical yang disimpan mencakup kurun waktu  4 tahun terakhir.
2. Performance Considerations
   a. Data menampilkan data dalam bentuk dashboard (chart dan tabel).
3. Selection of Database Management System
   a. DBMS yang digunakan untuk perancangan BI ini adalah SQL Server Management Studio.

ETL Design

Proses ETL memindahkan data dari sumber database (OLTP) ke gudang data (OLAP). Proses ETL pada penelitian ini menggunakan script, dimana script ini menyimpan data yang digunakan untuk memvisualisasikan data yang dibutuhkan.