Model Optimasi Spatial Data Warehouse dalam Sistem OLAP untuk Data Titik Panas Karhutla di Indonesia

Abstract

RAHMADI WIJAYA. Model Optimasi Spatial Data Warehouse dalam Sistem OLAP untuk Data Titik Panas Karhutla di Indonesia. Dibimbing oleh IMAS SUKAESIH SITANGGANG, IRMAN HERMADI dan ANNISA

Penggunaan Data Warehouse sebagai salah satu instrumen penting dalam pengambilan keputusan semakin dirasakan manfaatnya, sehingga banyak digunakan disemua perusahaan baik skala menengah maupun perusahaan besar. Jumlah data yang terus meningkat dari hari ke hari menjadikan tantangan tersendiri untuk dapat menyajikan laporan yang cepat dan akurat. MaterializedView Selection merupakan salah satu teknik yang dapat digunakan untuk mengurangi response time yang lambat ketika terjadi akses pada laporan dengan data yang besar maupun query yang kompleks. Penelitian ini bertujuan untuk meningkatkan waktu respon menjadi lebih baik dari kondisi sebelumnya dengan dengan mengggunakan framework OVSP yang di kembangkan. Pembentukan MaterializedView pada semua query yang ada adalah tidak mungkin dikarnakan beban maintenance dan penyimpanan yang menjadi semakin bertambah. Penelitian ini melakukan strategi seleksi pada MaterializedView dalam sebuah Data Warehouse dengan memperhatikan komposisi aspek maintenance, frekuensi query, waktu respon query dan penyimpanan. Hasil pengujian menggunakan framework OVSP atau OptimizeView Selection Problem yang terlah di kembangkan dalam penelitian ini terbukti menghasilkan komposisi MaterializedView secara otomatis dan terjadi peningkatan waktu respon yang baik rata-rata sebesar 65% pada hasil pengujian yang dilakukan. Kebakaran hutan dan lahan (Karhutla) merupakan salah satu permasalahan lingkungan yang terjadi secara berulang di Indonesia dan memberikan dampak yang luas terhadap aspek ekologi, ekonomi, kesehatan masyarakat, serta keberlanjutan pembangunan. Sistem Informasi Pengendalian Kebakaran Hutan dan Lahan (SiPongi) memanfaatkan data hotspot sebagai sumber informasi utama dalam mendukung sistem peringatan dini dan pengambilan keputusan. Penyajian data hotspot pada SiPongi saat ini telah mendukung analisis hingga tingkat kabupaten, sedangkan pengembangan analisis hingga tingkat desa memerlukan visualisasi dan analisis data spasial yang melibatkan ribuan poligon batas desa dengan kompleksitas geometri yang tinggi. Kondisi tersebut meningkatkan kompleksitas data spasial dan mempengaruhi performa eksekusi query pada sistem Online Analytical Processing (OLAP), sehingga diperlukan suatu model optimasi yang mampu meningkatkan performa sistem tanpa mengurangi kualitas representasi data spasial. Urgensi penelitian ini adalah mengembangkan model analisis hotspot hingga tingkat desa yang mampu mendukung visualisasi data spasial dan analisis multidimensi secara efisien. Untuk itu, diperlukan penyederhanaan poligon guna mengurangi kompleksitas data spasial dengan tetap mempertahankan jumlah hotspot dan bentuk poligon, serta optimasi query pada Spatial Data Warehouse melalui integrasi Extract Transform Load (ETL), Online Analytical Processing (OLAP), Materialized View (MV), dan quadtree index. Oleh karena itu, penelitian ini difokuskan pada penentuan nilai threshold yang terbaik, pengembangan algoritma penyederhanaan poligon, dan pengembangan model optimasi spatial data warehouse untuk meningkatkan performa analisis hotspot. Penelitian ini bertujuan untuk mengembangkan model optimasi spatial data warehouse dalam sistem OLAP untuk analisis data hotspot kebakaran hutan dan lahan di Indonesia. Secara khusus, penelitian ini bertujuan untuk (1) mengembangkan algoritma penentuan nilai threshold berdasarkan metrik perimeter, area, Diagonal Bounding Box (DBB), dan persentase sebagai parameter penyederhanaan poligon; (2) melakukan penyederhanaan poligon desa menggunakan algoritma Douglas–Peucker (DP) berdasarkan threshold hasil pendekatan metrik; (3) mengoptimalkan query spatial data warehouse menggunakan pendekatan materialized view dan quadtree index sehingga mampu meningkatkan kinerja analisis hotspot berbasis OLAP. Data yang digunakan dalam penelitian ini terdiri atas data hotspot karhutla periode 2014–2024 yang diperoleh dari Fire Information for Resource Management System (FIRMS) serta data batas administrasi desa tahun 2023 yang diperoleh dari Badan Informasi Geospasial (BIG). Wilayah studi penelitian adalah provinsi Sumatera Selatan, dengan unit analisis berupa batas administrasi desa yang digunakan untuk mengidentifikasi dan menganalisis distribusi hotspot secara spasial dan multidimensi. Metode penelitian diawali dengan pengembangan algoritma penentuan threshold menggunakan kombinasi metrik perimeter, area, dan Diagonal Bounding Box (DBB) yang dikalikan dengan nilai persentase tertentu sehingga menghasilkan threshold yang terbaik terhadap karakteristik setiap poligon. Nilai threshold tersebut digunakan pada algoritma DP untuk melakukan penyederhanaan poligon desa. Selanjutnya dilakukan pembangunan spatial data warehouse menggunakan star schema yang diintegrasikan melalui proses ETL menggunakan PostgreSQL. Data yang telah dimuat ke dalam spatial data warehouse selanjutnya dianalisis menggunakan operasi OLAP berupa roll-up, drill-down, slice, dan dice. Tahap akhir penelitian adalah optimasi query menggunakan materialized view dan quadtree index untuk mempercepat proses agregasi data dan pencarian spasial. Hasil penelitian menunjukkan bahwa threshold terbaik diperoleh menggunakan metrik DBB dengan nilai persentase 0,15, dimana penyederhanaan poligon batas desa mampu mempertahankan jumlah hotspot dan bentuk geometri sebesar 72.375, serta mengurangi jumlah titik koordinat dari 917.467 menjadi 190.009 (79,3%) titik koordinat dihilangkan dan 20,7% titik koordinat tetap dipertahankan, dan mengurangi ukuran file GeoJSON sehingga kompleksitas data spasial dapat dikurangi tanpa mengurangi kualitas representasi spasial. Hasil pembangunan Spatial Data Warehouse berhasil mengintegrasikan data hotspot dan batas administrasi desa ke dalam skema multidimensi yang mendukung analisis OLAP. Pada tahap optimasi spatial data warehouse, penggunaan materialized view dan quadtree index berhasil meningkatkan performa query secara signifikan, yaitu menurunkan rata-rata waktu eksekusi query dari 0,073 detik menjadi 0,007 detik, mengurangi jumlah baris data yang diproses lebih dari 17.000 baris, serta mengurangi ukuran data query sekitar 150 KB. Hasil tersebut menunjukkan bahwa model optimasi yang dikembangkan mampu meningkatkan performa sistem, mempercepat proses analisis multidimensi, serta mendukung pengambilan keputusan yang lebih cepat dan akurat pada sistem analisis hotspot kebakaran hutan dan lahan hingga tingkat desa. Kebaruan penelitian ini terletak pada pengembangan algoritma penentuan threshold terbaik berbasis metrik perimeter, area, dan Diagonal Bounding Box (DBB) sebagai parameter algoritma Douglas-Peucker, berbeda dengan pendekatan threshold tetap yang umum digunakan pada penelitian sebelumnya. Selain itu, penelitian ini mengusulkan model optimasi Spatial Data Warehouse yang mengintegrasikan penyederhanaan poligon, proses ETL, analisis OLAP, Materialized View, dan Quadtree Index dalam satu kerangka kerja terpadu. Integrasi tersebut memperluas pendekatan optimasi yang sebelumnya mengembangkan komponen-komponen tersebut secara terpisah sehingga mampu mendukung analisis hotspot hingga tingkat desa secara lebih efisien. Penelitian ini memberikan manfaat melalui pengembangan metode optimasi spatial data warehouse dan meningkatkan efisiensi pengelolaan data spasial, performa sistem, analisis multidimensi, serta pengambilan keputusan dalam pemantauan dan mitigasi kebakaran hutan dan lahan di Indonesia

RAHMADI WIJAYA. Optimization Model of Spatial Data Warehouse in an OLAP System for Forest and Land Fire Hotspot Data in Indonesia. Supervised by IMAS SUKAESIH SITANGGANG, IRMAN HERMADI, and ANNISA.

Forest and land fires (Karhutla) are recurring environmental disasters in Indonesia that have significant impacts on ecological systems, economic activities, public health, and sustainable development. The Forest and Land Fire Control Information System (SiPongi) utilizes hotspot data as a primary information source to support early warning and decision-making processes. Currently, hotspot information in SiPongi supports analysis at the regency level, whereas extending the analysis to the village level requires spatial visualization and multidimensional analysis involving thousands of village boundary polygons with highly complex geometries. This increased spatial complexity degrades the performance of query execution in Online Analytical Processing (OLAP) systems, highlighting the need for an optimization model that improves system performance while preserving the quality of spatial data representation. The primary motivation of this study is to develop a village-level hotspot analysis model that supports efficient spatial visualization and multidimensional analysis. To achieve this objective, polygon simplification is employed to reduce spatial data complexity while preserving hotspot counts and polygon geometry, and query optimization is implemented in the spatial data warehouse through the integration of Extract, Transform, and Load (ETL), Online Analytical Processing (OLAP), Materialized Views (MV), and a quadtree index. Accordingly, this study focuses on determining the terbaik threshold value, developing a polygon simplification algorithm, and proposing a spatial data warehouse optimization model to improve the performance of hotspot analysis. This study aims to develop a spatial data warehouse optimization model within an Online Analytical Processing (OLAP) environment for forest and land fire hotspot analysis in Indonesia. Specifically, the objectives of this study are to: (1) develop a threshold determination algorithm based on perimeter, area, Diagonal Bounding Box (DBB), and percentage metrics as polygon simplification parameters; (2) simplify village boundary polygons using the Douglas–Peucker (DP) algorithm with threshold values derived from the proposed metric-based approach; and (3) optimize spatial data warehouse queries through the integration of materialized views and a quadtree index to improve the performance of OLAP-based hotspot analysis. The datasets used in this study consist of forest and land fire hotspot data for the 2014–2024 period obtained from the Fire Information for Resource Management System (FIRMS) and village administrative boundary data for 2023 obtained from the Geospatial Information Agency (BIG) of Indonesia. The study was conducted in South Sumatra province, with village administrative boundaries serving as the spatial analysis units for identifying and analyzing hotspot distributions from both spatial and multidimensional perspectives. The proposed methodology begins with the development of a threshold determination algorithm based on a combination of perimeter, area, and Diagonal Bounding Box (DBB) metrics multiplied by a predefined percentage value, producing adaptive threshold values that reflect the geometric characteristics of individual polygons. The resulting thresholds are then applied to the Douglas–Peucker (DP) algorithm to simplify village boundary polygons. Subsequently, a spatial data warehouse is developed using a star schema and integrated through an Extract, Transform, and Load (ETL) process implemented in PostgreSQL. The loaded data are analyzed using Online Analytical Processing (OLAP) operations, including roll-up, drill-down, slice, and dice. Finally, query optimization is performed by integrating materialized views and a quadtree index to accelerate data aggregation and spatial retrieval. The results showed that the optimal threshold was obtained using the DBB metric with a percentage value of 0.15%. At this threshold, village boundary polygon simplification successfully preserved all 72,375 hotspot locations and the geometric shape, while reducing the number of coordinate points from 917,467 to 190,009 (79.3%) of coordinate points were removed, while 20.7% were retained. In addition, the simplification reduced the GeoJSON file size, thereby decreasing the complexity of the spatial data without compromising the quality of its spatial representation. During the spatial data warehouse optimization stage, the integration of Materialized Views and a quadtree index significantly improved query performance by reducing the average query execution time from 0.073 seconds to 0.007 seconds, decreasing the number of processed rows by more than 17,000, and reducing the query data size by approximately 150 KB. These results demonstrate that the proposed optimization model enhances system performance, accelerates multidimensional analysis, and supports faster and more accurate decision-making for village-level forest and land fire hotspot analysis. The novelty of this study lies in two main contributions. First, unlike previous studies that commonly employ fixed thresholds, this study develops an adaptive threshold determination algorithm based on perimeter, area, and Diagonal Bounding Box (DBB) metrics for the Douglas–Peucker algorithm. Second, unlike existing studies that optimize polygon simplification or query performance independently, this study proposes an integrated Spatial Data Warehouse optimization model that combines polygon simplification, ETL, OLAP, Materialized Views, and a Quadtree Index into a unified framework for efficient village-level hotspot analysi. This study contributes to the advancement of spatial data warehouse optimization by improving the efficiency of spatial data management, enhancing system performance, supporting multidimensional analysis, and facilitating more effective decision-making for forest and land fire monitoring and mitigation in Indonesia