Perancangan

Jurnal TeknologiDashboard Untuk Visualisasi

Industri Pertanian Harga
31 (1): 12-19, …………
April 2021 Terakreditasi Peringkat 2
DOI: https://doi.org/10.24961/j.tek.ind.pert.2021.31.1.12 Dirjen Penguatan Riset dan Pengembangan No 30/E/KPT/2018
ISSN: 0216-3160 EISSN: 2252-3901 Tersedia online http://journal.ipb.ac.id/index.php/jurnaltin

PERANCANGAN DASHBOARD UNTUK VISUALISASI HARGA DAN PASOKAN BERAS

DI PASAR INDUK BERAS CIPINANG

DESIGNING DASHBOARD FOR PRICE VISUALIZATION AND RICE SUPPLY AT

CIPINANG RICE MARKET

Dedy Sugiarto1)*, Is Mardianto2), Muhammad Najih2), Daniel Adrian3), Dimas Adi Pratama2)
1)
Program Studi Sistem Informasi, Universitas Trisakti, Jakarta
2)
Program Studi Informatika, Universitas Trisakti Jakarta
3)
Alumni Program Studi Teknik Elektro, Universitas Trisakti Jakarta
Jl. Kyai Tapa No. 1 Grogol, Jakarta 11440, Indonesia
E-mail: dedy@trisakti.ac.id

Makalah: Diterima 16 November 2020; Diperbaiki 1 Februari 2021; Disetujui 20 Februari 2021

ABSTRACT

PT Food Station is a Regional Owned Enterprise of the DKI Jakarta Provincial Government which
functions, among others, to manage inter-regional and inter-island rice trading centres as well as providing
information related to rice price control in DKI Jakarta. Currently, the dashboard has not reached retail rice
prices in various markets in Jakarta. This paper presents a dashboard that integrates price visualization at both
the wholesale and retail levels as well as the supply of rice through the Cipinang Rice Main Market. The research
stages consisted of identifying information needs, designing data warehouses and databases on On-line Analytical
Processing (OLAP), acquisition of price data through Extract, Transform and Load (ETL) processes, and data
visualization. The result was a data warehouse that stores several fact tables, namely the prices of various types
of rice at wholesale and retail levels, quantity of incoming or outgoing rice and several dimension tables, namely
the dimension of place (origin/destination city), time dimension, rice type dimension and market dimension as well
as Dashboard a variety of price and supply charts that can be selected based on the available dimensions.
Keywords: dashboard, data warehouse, rice price, rice supply, visualization

ABSTRAK
PT Food Station merupakan Badan Usaha Milik Daerah milik Pemprov DKI yang berfungsi antara lain
mengelola pusat perdagangan beras antar daerah dan antar pulau serta menyediakan informasi terkait pengendalian
harga beras di DKI Jakarta. Saat ini dashboard yang dimiliki belum menjangkau harga beras eceran di berbagai
pasar di Jakarta. Artikel ini menunjukkan sebuah dashboard yang mengintegrasikan visualisasi harga baik di
tingkat grosir maupun eceran serta pasokan beras yang melalui Pasar Induk Beras Cipinang. Tahapan penelitian
terdiri atas identifikasi kebutuhan informasi, perancangan data warehouse dan basis data On-line Analytical
Processing (OLAP), akuisisi data harga melalui proses Extract, Transform and Load (ETL) serta visualisasi data.
Hasilnya adalah sebuah data warehouse yang menyimpan beberapa tabel fakta, yaitu harga berbagai jenis beras di
tingkat grosir dan eceran, kuantitas beras masuk atau keluar dan beberapa tabel dimensi, yaitu dimensi tempat
(kota asal/tujuan), dimensi waktu, dimensi jenis beras serta dimensi pasar serta dashboard berbagai grafik harga
dan pasokan yang dapat dapat dipilih berdasarkan dimensi yang tersedia.
Kata kunci : dashboard, data warehouse, harga beras, pasokan beras, visualisasi

PENDAHULUAN hasil wawancara dengan pihak PT. Food Station

selaku pengelola PIBC diketahui bahwa pasokan saat
Pasar Induk Beras Cipinang (PIBC) menjadi ini berkisar 2.500 s.d 3.000 ton per hari. Informasi
barometer harga beras dan menjadi acuan harga di harga dan stok beras yang senantiasa dipantau
pasar - pasar beras di sekitar Jakarta, Bogor, Depok, dibutuhkan juga untuk menentukan kapan waktu yang
Tangerang dan Bekasi (Jabodetabek). PIBC biasanya tepat untuk melakukan operasi pasar serta dampak
dikunjungi oleh pejabat terkait setingkat menteri dan evaluasi pasar pada penurunan harga. Saat ini waktu
bahkan presiden sekalipun untuk memantau operasi pasar didasarkan pada beberapa indikator
perkembangan harga dan stok beras menjelang bulan yaitu dalam satu minggu harga naik 10% atau dalam
puasa dan lebaran. Sugiarto (2013) menjelaskan satu minggu pasokan kurang dari 1.500 ton/hari atau
bahwa total pasokan beras ke PIBC mencapai rata- juga bila stok beras di bawah 25.000 ton.
rata 70.203 ton per bulan dengan minimum 48.322 Para pengambil keputusan di bidang
ton serta maksimum 89.596 ton. Hal ini berarti bila perdagangan beras serta pihak pengelola PIBC
dihitung dalam sebulan terdapat 30 hari maka kira- membutuhkan ringkasan informasi secara cepat dan
kira per hari saat itu sekitar 2.340 ton. Berdasarkan mudah dan tidak hanya pada harga di tingkat grosir

12 Jurnal Teknologi Industri Pertanian 31 (1): 12=19

*Penulis Korespodensi
 Dedy Sugiarto, Is Mardianto, Muhammad Najih, Daniel Adrian, Dimas Adi Pratama

namun juga informasi harga di tingkat eceran di langsung dengan data sehingga dapat merespon
berbagai pasar yang dikelola oleh Tim Pengendalian kejadian yang ada dengan cepat. Vinarti (2014)
Inflasi Daerah (TPID) DKI Jakarta. Oleh sebab itu mengungkapkan bahwa berkat adanya dashboard
dirancanglah suatu bentuk dashboard yang dapat maka dapat memudahkan para pemegang
memvisualisasikan data secara terintegrasi baik di kepentingan menambahkan dan melihat dampak akan
level grosir maupun eceran sekaligus informasi kebijakan yang telah dibuat.
mengenai kuantitas pasokan beras dan stok. Rahman
(2017) mengemukakan bahwa visualisasi muncul METODE PENELITIAN
menjadi mekanisme umum untuk melakukan
eksplorasi dan ekstraksi nilai dari dataset, baik bagi Secara umum tahapan penelitian terdiri atas
pemula maupun bagi analis ahli. Hal itu karena identifikasi kebutuhan informasi, perancangan data
visualisasi data adalah mekanisme yang efektif untuk warehouse, akuisisi data harga, pasokan dan stok
mengidentifikasi tren, wawasan dan anomali dalam serta terakhir adalah pembuatan dashboard
suatu data. Alharthi (2017) menerangkan bahwa menggunakan aplikasi Google Data Studio seperti
visualisasi data lebih berfokus untuk melihat berbagai dapat dilihat pada Gambar 1. Identifikasi kebutuhan
hal secara berbeda, mencoba menarik kesimpulan informasi dilakukan melalui wawancara dengan salah
yang beragam dalam mengambil keputusan, serta seorang staf di PT. Food Station yaitu Kepala Pasar
mempertimbangkan solusi yang berbeda bagi Induk Beras Cipinang. Perancangan data warehouse
tantangan yang besar. Few (2006) menjelaskan menggunakan tahapan dari Four Step Dimensional
bahwa dashboard berfungsi untuk mengubah data Design Process yang terdiri dari empat fase kunci
repositories menjadi informasi yang mudah yaitu pemilihan proses bisnis, deklarasi grain,
dikonsumsi. Salah satu teknologi yang dapat identifikasi dimensi dan terakhir identifikasi fakta
digunakan dalam pembuatan dashboard adalah (Kimball dan Ross, 2013). Hasil dari perancangan
menggunakan Google Data Studio. Snipes (2018) data warehouse adalah terbentuknya rancangan basis
menerangkan bahwa dashboard Google Data Studio data On-line Analytical Processing (OLAP).
yaitu suatu program yang memiliki fungsi utama
sebagai alat interpretasi visual yang ramah pengguna
untuk merepresentasikan kumpulan data yang
kompleks.
Penelitian terkait pembangunan dashboard
untuk visualisasi data antara lain pernah dilakukan
oleh Fernando (2018) dengan membuat dashboard
yang memvisualisasikan beragam data penjualan
berbasis platform Google Data Studio serta Jayanti
dan Ani (2017) yang membuat dashboard untuk
analisa keuangan menggunakan berbagai perangkat
lunak seperti SQL Server, Microsoft Visual Studio
dan Microsoft Power BI. Pendekatan yang digunakan
oleh Jayanti dan Ani (2017) dalam perancangan
dashboard adalah menggunakan Nine Step Design
Methodology yang juga umum dipakai dalam
pembangunan data warehouse (Kimball dan Ross,
2013).
Sahay dan Ranjan (2008) menjelaskan bahwa
data warehouse berkaitan erat dengan business
intelligence karena berfungsi sebagai data
repositories yang mengintegrasikan berbagai data
mentah dan databases (point of sales, supply chain
serta call center) yang dipasok ke business
intelligence tools untuk mendapatkan berbagai hasil
dalam bentuk grafik, laporan, alert, peramalan
Gambar 1. Diagram alir metode penelitian
maupun data mining. Bachtiar (2017) menerangkan
kegunaan dari memvisualisasikan data antara lain
agar pengguna dapat melakukan penggalian Akuisisi data dari file Excel harga harian yang
informasi dengan cepat, memahami informasi dalam bersumber dari PT. Food Station seperti terlihat pada
jumlah besar sehingga memungkinkan pengguna Tabel 1 serta basis data info harga beragam jenis beras
untuk melihat keterhubungan data, mempermudah yang bertipe data JSON dari
dalam mengambil keputusan berdasarkan informasi https://infopangan.jakarta.go.id . Proses akuisisi data
yang ada, mengetahui gerak perubahan kondisi pasar secara lebih rinci dapat dilihat pada Gambar 2. Data
dengan cepat, dan pengguna dapat berinteraksi dengan tipe JSON yang dijelaskan oleh Baazizi

Jurnal Teknologi Industri Pertanian 31 (1): 12-19 13

 Perancangan Dashboard Untuk Visualisasi Harga …………

(2017) bahwa kumpulan datanya tidak memilki Transform, Load (ETL). Menurut Nath (2017) proses
skema, yang mana hal tersebut memastikan adanya ETL ini merupakan proses inti atau tulang punggung
beberapa keunggulan, secara khusus aplikasi-aplikasi dari proses data warehouse secara keseluruhan.
modern dapat dengan cepat mengkonsumsi data semi- Dalam hal ini, data awal yang digunakan yang
terstruktur dalam ukuran besar tanpa menunggu bersumber dari Pasar Induk Beras Cipinang dalam
sebuah skema untuk menspesifikasikannya. format Microsoft Excel, sehingga memungkinkan
untuk dilakukan proses ETL menggunakan R script
secara langsung. Sementara itu pada sumber yang
menyediakan data dari pasar-pasar retail lainnya,
Excel data harga
dan pasokan beras
JSON data harga
beras di tingkat
format yang disediakan berupa JSON yang ada pada
di tingkat pasar
induk
pasar retail
Sumber situs info
situs https://infopangan.jakarta.go.id/ yang mana hal
Sumber PT. Food
Station
pangan Jakarta tersebut mengharuskan proses ETL dilakukan melalui
scrapping data menggunakan PHP. Ketika seluruh
elemen telah dirancang dengan baik, maka proses
ETL dapat dijalankan dengan melakukan konversi
Extract, Transform, Load
(R script untuk excel data dan bentuk data dari masing-masing sumber menuju satu
PHP untuk JSON data type)
bentuk data yang sudah disesuaikan sebelumnya.
Terakhir dilakukanlah proses visualisasi data dari
basis data menuju dashboard aplikasi Google Data
Data
Studio.
Warehouse
(OLAP
database) HASIL DAN PEMBAHASAN

Kebutuhan informasi terhadap dashboard

Information Dashboad
yang dirancang adalah untuk mampu menampilkan
Melalui Microsoft Power BI grafik deret waktu (time series plot) harga beras
berdasarkan 14 jenis beras yang umum
diperdagangkan di PIBC (seperti Cianjur Kepala,
Gambar 2. Proses akuisisi data Cianjur Slyp, Setra, Saigon, Muncul I, Muncul II,
Muncul III, IR-64 I, IR-64 II, IR-64 III, IR-42, ketan
Akuisisi data dari sumber-sumber yang ada putih biasa, ketan putih paris, dan ketan hitam), jenis
dikumpulkan untuk kemudian disiapkan menuju pasar serta rentang waktu penyajian grafik. Selain itu,
proses ETL. Supaya dapat dimasukkan kedalam dashboard juga dapat menampilkan grafik batang
database maka data yang ada harus dinormalisasi perbandingan rerata harga dari 14 jenis beras
terlebih dahulu. Hal tersebut dilakukan khususnya berdasarkan pasar retail atau eceran yang sudah
untuk data yang terdapat pada dipilih sebelumnya. Grafik batang yang dihasilkan
https://infopangan.jakarta.go.id/. Proses tidak dibatasi jumlah pasar retail serta jenis beras
perancangan arsitektur data warehouse ini melihat yang akan diperiksa. Selain daripada itu, dashboard
jenis sumber data yang akan diolah sehingga metode juga diharapkan dapat menampilkan diagram
pengolahan datanya untuk masuk ke dalam proses lingkaran jumlah pasokan beras masuk dan keluar
ETL dapat berjalan dengan baik. PIBC yang dapat dipilih berdasarkan kota asal (beras
Selanjutnya proses akuisisi data ke dalam masuk) dan kota tujuan (beras keluar) serta dapat
database dilakukan melalui proses Extract, menampilkan informasi jumlah stok beras di PIBC.

Tabel 1. Sampel data harga dari PT. Food Station dalam format excel
Cianjur Cianjur Setra Saigon Muncul Muncul Mun IR-64 I IR-64 IR-64 IR-42 Ketan Ketan Ketan
Kepala Slyp 1 II cul II III (Pera) Putih Putih Hitam
Tgl
(Pandan) (Pandan III Biasa Paris
)
1 13,475 12,425 13,250 11,825 11,075 10,450 9,875 10,450 9,750 8,650 10,825 13,025 18,725 19,300

2 13,450 12,400 13,250 11,825 11,075 10,425 9,875 10,450 9,750 8,650 10,850 13,025 18,750 19,300

3 13,450 12,400 13,250 11,825 11,075 10,425 9,875 10,450 9,725 8,650 10,850 13,025 18,750 19,300

4 13,425 12,400 13,250 11,825 11,075 10,425 9,875 10,450 9,725 8,650 10,850 13,000 18,750 19,300

5 13,425 12,400 13,250 11,825 11,075 10,425 9,875 10,450 9,725 8,650 10,850 13,000 18,775 19,300

14 Jurnal Teknologi Industri Pertanian 31 (1): 12=19

 Dedy Sugiarto, Is Mardianto, Muhammad Najih, Daniel Adrian, Dimas Adi Pratama

Kegiatan bisnis utama perusahaan terkait Untuk menyimpan data harga beragam jenis beras
dengan posisi perusahaan sebagai pengelola tunggal berdasarkan tipe berasnya, tanggalnya, serta lokasi
PIBC yang harus memastikan pasokan beras aman pasarnya maka dapat dilakukan relasi antara tabel
dimana stok beras dijaga tetap di atas 30.000 ton dim_date, dim_rice_type dan dim_market untuk
setiap harinya. Secara umum jasa utama yang membentuk satu tabel baru bernama fact_harga
diselenggarakan perusahaan adalah jasa pertokoan, (Gambar 3).
jasa pergudangan, jasa pengangkutan, resi gudang
serta penyediaan informasi perdagangan beras berupa
informasi harga dan stok serta bisnis beras yang
meliputi pengadaan, pengolahan beras modern serta
penjualan beras dengan merek FS. Ada pula bisnis
perdagangan lainnya yang dijalankan yaitu penjualan
minyak goreng dan gula tebu yang masih dibawah
merek FS.
Pemilihan grain terkait dengan penentuan
yang akan dipresentasikan oleh sebuah tabel fakta Gambar 4. Diagram bintang fact_rice_income
atau oleh record di dalam tabel fakta. Grain yang
digunakan untuk merancang data warehouse adalah Kemudian untuk menyimpan informasi
harga, kuantitas beras masuk, kuantitas beras keluar mengenai stok beras yang masuk berdasarkan
dan stok beras. Pada Tabel 2 dapat dilihat hubungan tanggalnya dapat dilakukan relasi antara tabel
dimensi dengan grain dari fakta dalam bentuk dim_date dengan dim_location untuk membentuk
matriks. tabel baru bernama fact_rice_income yang dimasuki
oleh data grain berupa kuantitas beras masuk
Tabel 2. Grain dan dimensi (Gambar 4).
Harga Kuantitas Kuantitas Stok
Grain beras beras beras
Dimensi masuk keluar
Waktu x x x x
Nama x
Pasar
Jenis x
Beras
Tempat x x x
(Kota)
Gambar 5. Diagram bintang fact_rice_outcome
Beragam jenis data yang ada dari beberapa
Selanjunya, penyimpanan informasi untuk
dimensi dapat direlasikan kepada beberapa data grain
jumlah stok beras yang keluar juga dapat dilakukan.
yang sudah didapatkan. Hal ini digunakan untuk
Sama dengan proses pada Gambar 4 yang
membangun struktur database yang ternormalisasi.
membedakan hanyalah data grain kuantitas beras
Hasil penghubungan relasi tersebut disimpan
keluar yang dimasukan kedalam tabel
kedalam tabel baru didalam database bernama fact
fact_rice_outcome (Gambar 5).
table atau tabel fakta. Hubungan antara tabel fakta
dan tabel dimensi dapat dilihat pada skema bintang
pada Gambar 3 sampai dengan Gambar 6 di bawah
ini.

Gambar 6. Diagram bintang fact_rice_income_

outcome

Terakhir, untuk melihat kuantitas total dari

stok beras yang tersedia (tanpa melihat tempat asal
dan tujuan dari beras tersebut berpindah) maka tabel
fact_rice_income_outcome dapat dibentuk dengan
Gambar 3. Diagram bintang fact_harga merelasikan tabel dim_date dan menambahkan grain
kuantitas beras masuk, kuantitas beras keluar serta

Jurnal Teknologi Industri Pertanian 31 (1): 12-19 15

Perancangan Dashboard Untuk Visualisasi Harga …………

tambahan kolom yang menandakan status kecukupan Penambahan kolom yang diatur secara kustom seperti
dari stok beras yang ada (Gambar 6). kolom SK_RICE_TYPE_string berguna untuk
Setelah struktur basis data dihasilkan maka mengintegrasikan atribut yang sama dari satu tabel
proses akuisi bisa dijalankan. Data yang terdapat pada dengan tabel lainnya, khususnya atribut jenis beras.
berbagai sheet di file excel PT. Food Station serta data Salah satu contoh tampilan dashboard grafik
dari info pangan Jakarta diintegrasikan menjadi batang harga rerata beras sesuai dengan pasar yang
sebuah database OLAP yang dinamakan dipilih, jenis beras dan tanggalnya dapat dilihat pada
db_pibc_olap. Proses ETL dalam penelitian ini Gambar 8 (sisi kiri). Pengguna dapat memilih
bermakna migrasi data dari data harga dan pasokan berdasarkan variabel yang akan ditampikan dan
beras dari PIBC dengan fomat Excel yang berasal dari secara interaktif grafik batang akan terbentuk sesuai
PT. Food Station dan data berformat JSON dari situs pilihan parameter yang diberikan. Terlihat pula pada
https://infopangan.jakarta.go.id/ menuju data gambar tersebut informasi harga eceran beras IR64-
warehouse dimana proses ini akan dilakukan setiap III di Pasar Jembatan Merah bernilai sama dengan
bulan. Durasi waktu dari data yang dimasukkan ke data yang bersumber dari situs info pangan Jakarta
dalam data warehouse adalah data 4 tahun terakhir tertanggal 10 Januari 2019. Hal ini menunjukkan
mulai 2016- 2019. Proses pemindahan data baru ke dashboard yang dihasil dari penelitian ini telah
dalam data warehouse dilakukan setiap awal bulan. mampu mengintegrasikan data harga di tingkat grosir
Proses selanjutnya setelah data tersimpan di yang berasal dari PT. Food Station (PIBC) serta harga
data warehouse adalah memanggil database tersebut di tingkat eceran yang berasal dari situs info pangan
di Google Data Studio serta melakukan kustomisasi Jakarta.
sumber data seperti dapat dilihat pada Gambar 7.

Gambar 7. Kustomisasi sumber data di Google Data Studio

Gambar 8. Perbandingan tampilan grafik batang di Google Data Studio (sisi kiri) dan sumber data (sisi kanan)

16 Jurnal Teknologi Industri Pertanian 31 (1): 12=19

 Dedy Sugiarto, Is Mardianto, Muhammad Najih, Daniel Adrian, Dimas Adi Pratama

Kemudian untuk tampilan dashboard grafik sama dengan data yang dipublikasi oleh PT. Food
deret waktu harga beras terlihat pada Gambar 9. Station (Gambar 10).
Pengguna dapat memilih tipe beras yang akan Tampilan grafik harga dengan pilihan jenis
ditampikan dan secara interaktif grafik garis akan beras dan rentang waktu ini juga dapat digunakan
bersisi plot deret waktu perkembangan harga sesuai untuk memonitor dampak dari pelaksanaan operasi
tipe berasnya. Pengguna juga dapat mengatur rentang pasar yang dilakukan oleh PT. Food Station bersama
waktu yang ingin ditampilkan pada grafik timeseries instansi terkait. Sebagai contoh operasi pasar beras
ini sesuai dengan pilihan yang sudah ditentukan medium yang pernah dilakukan adalah pada tanggal
pengguna. Data yang ditampilkan pada Gambar untuk 22 November 2018 ketika harga mulai merangkak
data tanggal 4 April 2018 dapat ditunjukkan bernilai naik sebelum dilakukannya operasi pasar dan terlihat
menurun setelahnya (Gambar 11).

Gambar 9. Tampilan grafik deret waktu di Google Data Studio

Gambar 10. Data harga beras tanggal 4 April 2018 yang bersumber dari PT. Food Station

Jurnal Teknologi Industri Pertanian 31 (1): 12-19 17

Perancangan Dashboard Untuk Visualisasi Harga …………

Gambar 11. Perbandingan tren harga sebelum dan sesudah operasi pasar beras medium tanggal 22 November 2018

Gambar 12. Diagram lingkaran daerah asal pasokan beras

Pasokan harga beras masuk dan beras keluar di DKI Jakarta. Selain itu proses pengambilan
dari PIBC juga dapat ditampilkan dalam diagram keputusan juga dapat dilakukan lebih cepat dan
lingkaran. Terlihat pada Gambar 12 adalah diagram efisien dengan adanya visualisasi data tersebut.
lingkaran daerah asal pasokan beras (beras masuk)
yang dipilih pada data 4 bulan pertama pada tahun Saran
2017. Terlihat bahwa 4 daerah utama pemasok beras Penelitian dapat dikembangkan melalui
ke DKI Jakarta melalui PIBC adalah beras yang penggunaan bahasa pemrograman R atau Python
berasal dari Cirebon, Jawa Tengah, Karawang dan dalam pembuatan dashboard sehingga grafik yang
Bandung. ditampilkan dapat lebih kompleks seperti grafik
perkiraan harga pada beberapa periode yang akan
KESIMPULAN DAN SARAN datang (timeseries forecasting) sebagai dasar untuk
dilakukannya operasi pasar.
Kesimpulan
Berdasarkan perancangan dashboard yang DAFTAR PUSTAKA
telah dibuat menggunakan aplikasi Google Data
Studio dengan dibantu dengan data warehouse untuk Alharthi N dan Gutub A. 2017. Data visualization to
menyiapkan dan menormalisasikan datanya, maka explore improving decision-making within
dapat dihasilkan informasi rinci terkait harga beras hajj services. Scientific Modelling and
berdasarkan beberapa variabel, seperti jenis beras, Research. 2 (1): 9-18
periode waktu serta jenis pasar. Di dalam dashboard Baazizi MA, Lahmar HB, Colazzo D, Ghelli G,
juga dapat menampilkan informasi rinci terkait Sartiani C. 2017. Schema Inference for
pasokan masuk dan pasokan keluar yang ada di PIBC. Massive JSON Datasets. Extending
Hal ini diharapkan dapat mempermudah pengelola Database Technology. (EDBT), 62.
PIBC dalam melakukan pemantauan harga beras baik Bachtiar AD, Dharmayanti D, dan Husnaisa H. 2017.
di tingkat pasar induk maupun di tingkat pasar retail Visualisasi data terbuka ketahanan pangan

18 Jurnal Teknologi Industri Pertanian 31 (1): 12=19

 Dedy Sugiarto, Is Mardianto, Muhammad Najih, Daniel Adrian, Dimas Adi Pratama

provinsi Jawa Barat. Jurnal Ilmiah Rahman S, Aliakbarpour M, Kong HK, Blais E,
Komputer dan Informatika. 6 (1): 16-23. Karahalios K, Parameswaran A, Rubinfield
Fernando D. 2018. Visualisasi data menggunakan R. 2017. I've seen" enough" incrementally
google data studio. In Prosiding Seminar improving visualizations to support rapid
Nasional Rekayasa Teknologi Informasi| decision making. Proceedings of the VLDB
SNARTISI (Vol. 1). Endowment. 10 (11) : 1262-1273.
Few S. 2006. Information Dashboard Design: The Sahay BSD dan Ranjan J. 2008. Real time business
Effective Visual Communication of Data. intelligence in supply chain analytics.
Sebastopol : O'Reilly Media Information Management & Computer
Jayanti ED dan Ani E. 2017. Pembangunan Security. 16 (1) : 28-48.
dashboard untuk visualisasi analisa Snipes G. 2018. Google data studio. Journal
keuangan. Jurnal Format. 6 (2): 57-66. Librarianship and Scholarly
Kimball R dan Ross M. 2013. The Data Warehouse Communication. 6 (1):1-5.
Toolkit: The Definitive Guide to Vinarti RA, Djunaidy A, Tyasnurita R, Raras HI.
Dimensional Modeling, Third Edition. 2014. Analisis konseptual PD-Dash:
Indianapolis: Wiley Publishing, Inc. pemanfaatan dashboard untuk visualisasi
Nath RPD, Hose K, Pedersen TB, Romero O. 2017. informasi dan penggalian data
SETL: A programmable semantic extract- kependudukan. Conference: Seminar
transform-load framework for semantic data Nasional Sistem Komputer dan Informatika
warehouses. Information Systems. 68:17-43. (SNSKI) 2014.
Sugiarto D, Surjasa D, Ratnawati N, Solihah B. 2013.
Analisis statistika rantai pasok beras melalui
pasar induk beras Cipinang. Proceedings
Indonesian Statistical Analysis Conference.
Bandung. 28 November 2013.

Jurnal Teknologi Industri Pertanian 31 (1): 12-19 19