p-ISSN: 2301-5373

e-ISSN: 2654-5101

Jurnal Elektronik Ilmu Komputer Udayana

Volume 10, No 1. August 2021

Implementasi Data Warehouse Menggunakan Pentaho BI di Hartaning House Homestay

I Putu Indie Surya Jayadia1, Made Rusdinda Hartania2, Wayan Yogi Astiraa3, Putu Risky Andreana4, Ida Bagus Made Mahendraa5

aProgram Studi Informatika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Udayana Jl. Raya Kampus Unud , Indonesia

1[email protected]

2[email protected]

3[email protected]

4[email protected]

5[email protected]

Abstract

Hartaning House is one of the homestays in Ubud Gianyar that rents out homestay rooms to foreign and local tourists, but currently does not have a data-based system that facilitates business reports. This research aims to provide a proposed solution in the form of designing and implementing data related to room rental, to facilitate the determination of the promotion of equal distribution of all homestay rooms. The implementation will use an open source application, namely (Pentaho Business Intelligence) for making reports that are used to facilitate analysis. The data is made in a multidimensional design to facilitate the application of the data warehouse design and system designs that have been made.

Keywords: Pentaho BI, Data Warehouse, Data Warehouse Analysis, Business Intelligence, Homestay

  • 1.    Pendahuluan

Homestay merupakan bisnis jasa akomodasi berupa rumah tinggal yang sebagian kamarnya disewakan kepada wisatawan dalam jangka waktu tertentu. Homestay pada umumnya terletak dekat dengan kawasan wisata sehingga para wisatawan dapat secara langsung melihat kehidupan masyarakat, melihat pemandangan, ataupun menjalani kehidupan seperti penduduk lokal.

Peran data warehouse dalam bisnis homestay dibutuhkan untuk memudahkan suatu pekerjaan yang semula dilakukan secara konvensional, kini dapat dilakukan dengan efisien sehingga dapat menghemat waktu penyimpanan data informasi yang aman dan rahasia, agar orang lain sulit untuk mendapatkan informasi yang disimpan dalam data warehouse yang telah dibuat.

Oleh karena itu peneliti melakukan sebuah penelitian dengan mengimplementasikan data warehouse pada Hartaning House yang terletak di Jl. Tirta Tawar No. 20, Petulu, Kecamatan Ubud, Kabupaten Gianyar, Bali. Adapun tujuan dari penelitian ini adalah memperoleh informasi, memberikan prediksi, dan saran. Serta kesimpulan yang dapat diberikan berupa penentuan promosi pada tipe kamar yang ada pada Hartaning House.

Solusi yang dapat diberikan pada permasalahan yang dimiliki Hartaning House yaitu dengan menerapkan sistem Data Warehouse. Dimana data warehouse ini memiliki fungsi untuk melakukan analisa dan menghasilkan laporan yang akurat mengenai jumlah data penyewaan kamar homestay yang bermanfaat untuk memberikan evaluasi kegiatan operasional dalam pelayanan homestay. Penelitian ini diharapkan dapat memudahkan pihak manajemen homestay untuk menganalisis informasi mengenai perkembangan jumlah penyewaan kamar homestay.

Dalam penerapan analisis data warehouse, peneliti menggunakan tools open source Pentaho Business Inteligence yang memiliki fitur dalam penyelesaian masalah, selain itu pemilihan tools ini karena memiliki UI yang user friendly sehingga mudah dipahami oleh semua kalangan masyarakat.

  • 2.    Metode Penelitian

Adapun tahapan yang dilakukan dalam penelitian ini, yaitu flowchart penelitian dan rancangan desain sistem.

  • 2.1    Flowchart Penelitian

    Gambar 1. Flowchart Penelitian


Gambar diatas merupakan diagram alir dari penelitian yang dilakukan, dimana flowchart tersebut memberikan informasi tentang tahapan-tahapan dari analisis paper ini, dimulai dari memperoleh inputan berupa data tamu homestay Hartaning House berupa file .xlx, lalu perancangan desain data multi dimensi yang bertujuan untuk mengolah data warehouse, selanjutnya yaitu perancangan desain sistem data warehouse yang bertujuan memberikan gambaran proses pembuatan data warehouse, setelah itu dilanjutkan dengan proses pembentukan data warehouse dengan cara Extract, Transform, Loading (ETL) dan Online Analytical Processing (OLAP). Hingga pada akhirnya didapatkan hasil atau report berupa grafik, dimana report ini didapatkan apabila data warehouse sudah berhasil dibentuk.

2.2


Perancangan Desain Sistem

Gambar 2. Perancangan Desain Sistem


Gambar diatas menunjukkan desain sistem data warehouse yang dirancang, dimulai dari sumber data dengan format .xlx yang berisikan laporan tamu yang menginap pada Hartaning House yang

menudian melewati proses ETL dengan tujuan menyimpan ke dalam data warehouse. Sehingga menghasilkan laporan analisis jenis kamar homestay yang paling banyak ataupun paling sedikit disewa oleh tamu.

  • 3.    Result and Discussion

    • 3.1.  Detail Data Tamu Homestay

B

C

D

E

F I

G

H

"

No

I Room

Type

GuestName

Arrival

Depart

Nationality

Nights

Pax

Agent

2

1

8

DLXT

Duna Vet Karel

12/30/2021

1/2/2021

Indonesia

1

2

Booking.com Collect

3

2

7

DLXT

Duna Vet Karel

12/30/2021

1/2/2021

Indonesia

1

2

Booking.com Collect

4_

3

9

SUIT

Dedy Sulistiyanto

1/1/2021

1/2/2021

Indonesia

1

2

AirBnB

5

4

1

DLXT

Adrian John Leeds

1/1/2021

1/17/2021

United Kingdorr

16

2

AirBnB

6_

5

3

DLXT

Jessica Cappendell

1/1/2021

1/6/2021

Australia

5

2

Direct

7_

6

2

DLXT

Jonathan Gaucher

1/1/2021

1/8/2021

Canada

7

1

AirBnB

8

7

8

DLXT

M Leonard Silitonga

1/2/2021

1/4/2021

Indonesia

2

2

Traveloka Pay at Hotel

9_

8

7

DLXT

M Leonard Silitonga

1/2/2021

1/4/2021

Indonesia

2

2

Traveloka Pay at Hotel

'c_

9

6

DLXT

Clara Tange Beich

1/2/2021

1/6/2021

Denmark

4

2

AirBnB

ιχ

10

5

DLXT

Marina Bruzadin

1/2/2021

1/3/2021

Turkey

1

1

AirBnB

Gambar 3. Detail Data Tamu Homestay

Gambar diatas menunjukan data room, type yang merupakan type room, guset_name, gender, arrival yang merupakan check-in, depart yang merupakan check-out, birthday, nationality, night merupakan jumlah malam tamu menginap, pax merupakan jumlah orang menginap, dan terakhir agent merupakan pihak ketiga. Jumlah detail data tamu homestay pada bulan Juni 2019 sampai Januari 2020 berjumlah 731 Data.

  • 3.2.    Perancangan Desain Data Multi Dimensi

4

I                   A                   I

E I

1

Guest_Name

DLXT

SUITE

2

ARRIVAL

DEPART

ARRIVAL

DEPART

3

Duna Vet Karel

12/30/2021

1/2/2021

4

Duna Vet Karel

12/30/2021

1/2/2021

Dedy Sulistiyanto

1/1/2021

1/2/2021

τ∣

AdrianJohn Leeds

1/1/2021

1/17/2021

Jessica Cappendell

1/1/2021

1/6/2021

—

Jonathan Gaucher

1/1/2021

1/8/2021

M Leonard Silitong

1/2/2021

1/4/2021

10

M Leonard Silitong

1/2/2021

1/4/2021

11

Clara Tange Beich

1/2/2021

1/6/2021

12

Marina Bruzadin

1/2/2021

1/3/2021

13

Ivan Kostin

1/3/2021

1/4/2021

14

Matthew Waters

1/3/2021

1/5/2021

15

Ivan Kostin

1/4/2021

1/6/2021

16

Molly Shepherd

1/4/2021

1/12/2021

Gambar 4. Perancangan Data Desain Multi Dimensi

Gambar diatas menunjukkan desain perancangan data multi dimensi yang telah dirancang pada desain data warehouse. Pertama terdapat dimensi guest, dimensi booking, dan dimensi date. Untuk melihat data kamar yang paling banyak ataupun paling sedikit disewa oleh tamu, data multi dimensi tersebut lebih mudah untuk dilakukan proses analisa dibandingkan dengan menggunakan data dua dimensi.

  • 3.3.    Perancangan Desain Data Warehouse

Gambar dibawah menunjukkan desain data warehouse dalam bentuk OLAP untuk mengetahui Fact_rent_room dibutuhkan empat dimensi, yaitu : dimensi guest, dimensi booking, dimensi date, dan dimensi room. Dimensi_guest menunjukkan SK_Guest, KD_Guest, Guest_Name, Gender, Nationality. Kemudian Dimensi_Booking menunjukkan SK_Booking, KD_Booking, KD_Guest, KD_Room, KD_Date, Nights, PAX menunjukkan jumlah orang yang menginap, dan Agent yang merupakan pihak ketiga saat. Dimensi_Date yang berisi SK_Date, KD_Date, Arrival yang merupakan waktu saat tamu check-in, Depart yang merupakan waktu saat tamu check-out. Dimensi terkahir adalah Dimensi_Room yang berisikan SK_Room, KD_Room, NO_Room, ROOM_Type.

Gambar 5. Perancangan Desain Data Warehouse

  • 3.4.    Pembahasan

Berdasarkan hasil dari sumber data diatas maka akan dimasukkan ke dalam Pentaho BI sehingga akan terlihat seperti gambar berikut.

Settings

Host Name:

I localhost

Database Name:

Port Number:

Gambar 6. Pentaho Data Integration Koneksi ke MySQL

Gambar 6 menampilkan koneksi database MySQL dengan nama database oltp pada aplikasi data-integration Pentaho BI untuk melakukan proses integrasi data warehouse. Dilakukan test koneksi dengan hasil notifikasi berhasil terhubung dengan database.

Gambar 7. Proses Extract, Transform, Loading (ETL)

Gambar 7 merupakan tampilan pembuatan Extrac, Transform, Loading (ETL) dengan sumber data Microsoft Excel lalu akan dibentuk menjadi 4 dimensi yang diantaranya, dimensi date, dimensi room, dimensi booking, dan dimensi guest. Seluruh dimensi akan dimasukan pada database oltp.

£

SK.BOOKING

KD_BOOKING

KD-GUEST

KD-ROOM

KD-DATE

NIGHTS

PAX

AGENT

1

1.0

1.0

1.0

2.0

1.0

4.0

2.0

Booking.com Collect

2

2.0

2.0

2.0

9.0

2.0

3.0

2.0

AirBnB

3

3.0

3.0

3.0

8.0

3.0

4.0

2.0

Booking.com Collect

4

4.0

4.0

4.0

9.0

4.0

2.0

2.0

AirBnB

5

5.0

5.0

5.0

2.0

5.0

3.0

2.0

AirBnB

6

6.0

6.0

6.0

5.0

6.0

3.0

2.0

Booking.com Collect

7

7.0

7.0

7.0

6.0

7.0

1.0

1.0

Direct

8

8.0

8.0

38.0

4.0

8.0

1.0

2.0

Booking.com Collect

9

9.0

9.0

8.0

4.0

9.0

1.0

2.0

Booking.com Collect

Gambar 8. Table dimensi_booking

Gambar 8 menampilan isi table dimensi_booking pada MySQL dari database oltp, yang sebelumnya telah dilakukan proses ETL pada Gambar 7 dengan sumber data dari Micrososft excel Detail Data Tamu Homestay.

#

SK-DATE

KD-DATE

ARRIVAL

DEPART

1

1.0

1.0

2021/01/13 00:00:00.000

2021/01/17 00:00:00.000

2

2.0

2.0

2021/01/13 00:00:00.000

2021/01/16 00:00:00.000

3

3.0

3.0

2021/01/24 00:00:00.000

2021/01/28 00:00:00.000

4

4.0

4.0

2021/01/21 00:00:00.000

2021/01/23 00:00:00.000

5

5.0

5.0

2021/01/08 00:00:00.000

2021/01/11 00:00:00.000

6

6.0

6.0

2021/01/27 00:00:00.000

2021/01/30 00:00:00.000

7

7.0

7.0

2021/01/10 00:00:00.000

2021/01/11 00:00:00.000

8

8.0

8.0

2021/01/28 00:00:00.000

2021/01/29 00:00:00.000

9

9.0

9.0

2021/01/23 00:00:00.000

2021/01/24 00:00:00.000

Gambar 9. Table dimensi_date

Gambar 9 menampilkan isi table dimensi_date pada MySQL dari database oltp, yang sebelumnya diproses ETL pada Gambar 7 dengan menggunakan sumber data Microsoft excel Detail Data Tamu Homestay.

#

SK-GUEST

KD-GUEST

GUEST-NAME

GENDER

NATIONALITY

1

1.0

1.0

Anna Biriukova

Female

Russia

2

2.0

2.0

April Chen

Male

United Kingdom

3

3.0

3.0

Cheryl Hill

Female

United Kingdom

4

4.0

4.0

Erisharon Johnson

Female

United States

5

5.0

5.0

Janelle Lim

Female

China

6

6.0

6.0

Julia Gonzalez Pace

Female

Australia

7

7.0

7.0

Paraic Sullivan

Male

Ireland

3

8.0

8.0

Aleksandra Blagova

Female

France

9

9.0

9.0

Andrey Perevertaylo

Male

Russia

Gambar 10. Table dimensi_guest

Gambar 10 manampilkan isi table dari dimensi_guest pada database oltp, yang telah diproses dengan ETL pada Gambar 7 dengan menggunakan sumber data Microsoft excel Detail Data Tamu Homestay.

#

SK-ROOM

KD-ROOM

NO-ROOM

ROOM_TYPE

1

1.0

1.0

1.0

DLXT

2

2.0

2.0

2.0

DLXT

3

3.0

3.0

3.0

DLXT

4

4.0

4.0

4.0

DLXT

5

5.0

5.0

5.0

DLXT

6

6.0

6.0

6.0

DLXT

7

7.0

7.0

7.0

DLXT

8

8 0

8.0

8.0

DLXT

9

9.0

9.0

9.0

SUIT

Gambar 11

. Table dimensi

_room

Gambar 11 menampilkan isi table dari dimensi_room pada database oltp, yang telah diproses ETL sebelumnya pada Gambar 7 dengan sumber data dari Microsoft excel Detail Data Tamu Homestay.

Table input dImensLbooking

Gambar 12. Proses Online Analytical Processing

Gambar 12 merupakan tampilan proses pembuatan Online Analytical Processing (OLAP) dengan 4 dimensi yang telah dibentuk pada proses ETL sebelumnya, 4 dimensi tersebut diantaranya, dimensi_guest, dimensi_room, dimensi_date, dan dimensi_booking. Hasil dari proses Online Analytical Processing (OLAP) akan disimpan pada database oltp dengan nama table fact_rent_room

#

S K_BOO Kl N G

SK-GUEST

SK-ROOM

SK-DATE

T

1.0

1.0

2.0

1.0

2

2.0

2.0

9.0

2.0

3

3.0

3.0

8.0

3.0

4

4.0

4.0

9.0

4.0

5

5.0

5.0

2.0

5.0

6

6.0

6.0

5.0

6.0

7

7.0

7.0

6.0

7.0

8

8.0

38.0

4.0

8.0

9

9.0

8.0

4.0

9.0

Gambar 13. Table fact_rent_room

Gambar 13 merupakan hasil dari proses Online Analtytical Processing (OLAP). Dengan hasil OLAP berupa table fact_rent_room, Isi dari table fact_rent_room berupa SK_BOOKING yang berasal dari dimensi_booking, SK_GUEST berasal dari data dimensi_guest, SK_ROOM berasal dari dimensi_room, dan SK_DATE yang berasal dari dimensi_date.

Gambar 14 dibawah merupakan tampilan dari Total Booking By Nationality Chart Bar yang terdiri dari beberapa nationality. Berdasarkan gambar 16 dapat disimpulkan bahwa penyewaan kamar terbanyak dilakukan oleh tamu yang berasal dari Indonesia dan Malaysia.

Count of AGENT by NATIONALITY

Gambar 14. Total Booking By Nationality Chart Bar

Gambar 15. Total Booking Per Month Chart Bar

Gambar 15 merupakan tampilan dari Total Booking Per Month Chart Bar yang terdiri dari 8 bulan yaitu mulai dari bulan Juni 2019 sampai bulan Januari 2020. Berdasarkan gambar 16 dapat disimpulkan bahwa penyewaan kamar terbanyak didapatkan pada bulan Agustus 2019 dan Desember 2019, sedangkan penyewaan kamar mengalami penurunan pada bulan Juli 2019. Setelah mengetahui hasil laporan dari report-designer pentaho BI, Pihak homestay dapat mengambil keputusan dalam memberikan suatu promosi pada bulan yang menunjukkan penyewaan kamar paling sedikit dalam kurun waktu satu tahun agar menciptakan pemerataan penyewaan pada seluruh bulan.

count of Kdjjuest by agent

Gambar 16. Total Booking by Agent Chart Bar

Gambar 16 merupakan tampilan dari Total Booking by Agent Chart Bar yang terdiri dari 13 agent diantaranya Booking.com, Airbnb, Tiket.com, direct, Agoda dan lain-lain. Berdasarkan gambar 17 dapat disimpulkan bahwa pemesanan kamar paling banyak dilakukan melalui agent Booking.com dan Airbnb yaitu sebanyak 319 pemesanan dan 238 pemesanan kamar. Setelah mengetahui hasil laporan dari report-designer pentaho BI, Pihak homestay dapat mengambil keputusan dalam memaksimalkan promosi pada agent yang paling banyak digunakan pelanggan untuk melakukan pemesanan kamar.

CountofAUbNl by RDUMJYfjE

R□0M.TVPE

Gambar 17. Rent Room Total Chart Bar

Gambar 17 merupakan tampilan dari Rent Room Total Chart Bar dengan 2 jenis ROOM_TYPE yang diantara. Jenis kamar DLXT dengan total sewa sejumlah 670 kali, dan SUIT disewa sejumlah 61 kali, jadi total seluruh jenis kamar yang disewa selama bulan Juni 2019 sampai bulan Januari 2020 sebanyak 731 kali. Berdasarkan gambar 16 dapat disimpulkan bahwa penyewaan jenis kamar terbanyak oleh tamu adalah jenis kamar DLXT dan jenis kamar yang paling sedikit SUIT. Setelah mengetahui hasil laporan dari report-designer pentaho BI, Pihak homestay dapat mengambil keputusan dalam memberikan suatu promosi kepada jenis kamar yang paling sedikit disewa dalam kurun waktu satu bulan agar menciptakan pemerataan seluruh jenis kamar pada Hartaning House.

  • 4.    Kesimpulan

Dari penilitan ini maka dapat disimpulkan bahwa data warehouse bermanfaat diimplementasikan dalam segala bidang yang dimiliki salah satunya dalam bidang bisnis pariwisata. Adapun kesimpulan lainnya mengenai data warehouse yaitu:

  • 1) Data warehouse tidak hanya menjadi Gudang data namun dapat digunakan sebagai

pembuatan suatu laporan analisis data dengan efisien.

  • 2)  Pentaho Business Intelligence dapat digunakan sebagai salah satu solusi yang bermanfaat

dalam pembuatan report total penyewaan seluruh jenis kamar pada Hartaning House.

Referensi

  • [1]    B. K. Easterita, I. Arwani, and D. E. Ratnawati, “Pengembangan Data Warehouse dan Online

Analytical Processing (OLAP) untuk Data Artikel pada Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK),” Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi, vol. 1, no. 1, pp. 12–22, 2020.

  • [2]    K. Khotimah and Sriyanto, “Perancangan Dan Implementasi Data Warehouse Untuk

Mendukung Sistem Akademik (Studi Kasus Pada STKIP Muhammadiyah Kotabumi),” Jurnal Teknologi Informasi Magister Darmajaya, vol. 2, no. 1, pp. 94–107, 2016.

  • [3]    F. N. Adzani, S. Milwandhari, and Maniah, “IMPLEMENTASI DAN PERANCANGAN DATA

WAREHOUSE PADA POLA HASIL SELEKSI KRIYA (STUDI KASUS: PT. BANK XYZ),” Jurnal Ilmiah Manajemen Informasi, vol. 12, no. 2, pp. 40–46, 2020.

  • [4]    Ardista, N., Purbandini, P., & Taufik, T. (2017). Rancang Bangun Data Warehouse Untuk

Pembuatan Laporan dan Analisis pada Data Kunjungan Pasien Rawat Jalan Rumah Sakit Universitas Airlangga Berbasis Online Analytical Processing (OLAP). Journal of Information Systems Engineering and Business Intelligence, 3(1), 40. https://doi.org/10.20473/jisebi.3.1.40-51

This page is intentionally left blank

162