Analisis dan Perancangan Software Pengukuran Metrik Skala

ILKOMNIKA: Journal of Computer Science and Applied Informatics E-ISSN: 2715-2731

Vol. 2, No. 1, April 2020, Halaman 73-84 73

https://doi.org/10.28926/ilkomnika.v2i1.101 http://journal.unublitar.ac.id/ilkomnika

Analisis dan Perancangan Software Pengukuran Metrik Skala dan

Kompleksitas Query Database

Moh. Ariffudin1,*, Hafizzudin Sifaulloh2, Eka Manggala Putra3, Muhammad Ainul Yaqin4

Teknik Informatika, Universitas Islam Negeri Maulana Malik Ibrahim, Indonesia [email protected]; [email protected]; [email protected] * corresponding author

PENDAHULUAN

Pengukuran perangkat lunak menjadi salah satu kebutuhan saat ini disaat meningkatnya

pertumbuhan perangkat lunak yang beredar dan kemajuan akses terhadap internet ini

membuat aplikasi mobile berlomba-lomba untuk membuat perangkat lunak yang dapat

digunakan secara gratis maupun berbayar pada perangkat komunikasi. Pertumbuhan secara

massif ini membuat sebuah pengukuran perangkat lunak menjadi sangat perlu dilakukan

sebagai sarana untuk menilai kualitas sebuah perangkat lunak [1]. Walaupun hingga saat ini

belum ada regulasi yang terstruktur dan spesifikasi untuk mengukur kualitas perangkat lunak

yang beredar agar memenuhi standar kualitas tertentu, tidak membuat pengukuran perangkat

lunak menjadi suatu hal yang kalah penting dibandingkan proses pembuatan dan pengujian

perangkat lunak tersebut, karena fungsinya sangat krusial dalam penetuan kualitas perangkat

lunak [2].

Sama seperti sebuah program, sebuah Query Database perlu diukur juga

kompleksitasnya. Sejauh ini, insinyur perangkat lunak telah mengedepankan ratusan metrik

untuk meningkatkan kualitas dari program perangkat unak mengabaikan Query Database.

Padahal aspek data pada perangkat lunak penting karena ukuran data berkontribusi pada

banyak kualitas sistem [3]. Maka diperlukam sebuah kompleksitas metriks yang dapat

mengukur tingkat kerumitan dalam mendapatkan data, dilihat dari jumlah tabel, kolom,

statement, kedalaman dan fungsi logika yang digunakan pada Query Database [5].

Untuk menciptakan sebuah formula kompleksitas Query Database yang komprehensif

dan sensitive terhadap pembuahan kecil haruslah menyertakan setiap metrik untuk Query

Database. Beberapa formul telah dianjurkan sebelumnya untuk menyelesaikan masalah ini.

Namun masih ada metrik yang belum disertakan didalamnya dan ada pula metriks yang

IN F O AR T I KEL

ABST R AK

Sejarah Artikel Diterima: 18 Desember 2019 Direvisi: 13 Januari 2020 Diterbitkan: 30 April 2020

Kompleksitas Query Database dalam suatu sistem semakin meningkat

seiring pertumbuhan data. Kompleksitas Query Database yang

meningkat mengakibatkan kerumitan dalam mendapatkan data yang

sesuai dengan kebutuhan. Insinyur perangkat lunak telah

mengedepankan banyak metriks untuk meningkatkan kualitas dari

program perangkat lunak, mengabaikan Query Database yang

digunakan. Sehingga belum ada metriks yang dapat mengukur tingkat

kerumitan dalam mendapatkan data. Padahal aspek data pada perangkat

lunak penting karena ukuran data berkontribusi pada banyak kualitas

sistem. Paper ini menggunakan metode GQM untuk mengidentifikasi

metriksnya. Paper ini mengidentifikasi bahwa metriks untuk sebuah

Query Database meliputi jumlah tabel, kolom, statement, kedalaman

dan fungsi logika. Dari beberapa formula kompleksitas yang sudah

pernah diajukan, kami hanya menghitung dari statement select dan

diformulasikan dengan metode Analytic Hierarchy Process (AHP).

Kata Kunci Skala metrik Kompleksitas Query database

https://doi.org/10.28926/ilkomnika.

http://journal.unublitar.ac.id/ilkomnika

74 ILKOMNIKA: Journal of Computer Science and Applied Informatics E-ISSN: 2715-2731

Vol. 2, No. 1, April 2020, Halaman 73-84

opsional untuk diukur jika dilihat dari view data language (VDL). Sehingga saat ini

digunakan untuk mengukur kompleksitas Query Database yang strukturnya hampir identik,

maka hasil yang diperoleh bisa memiliki nilai yang sama

METODE

Vashistha dkk. dalam pengukuran kompleksitas Query Database menggunakan nilai

perhitungan regression yang dikalikan dengan metriks Query Database yaitu tabel, kolom,

length, logika, statement dan runtime. Setelah itu, nilai yang sudah diukur kemudian

dijumlahkan untuk mendapatkan nilai kompleksitas Query Database [4]. Berikut ini adalah

penjelasan metriks-metriks yang ada pada Query Database:

• Jumlah Tabel (T) : jumlah tabel dalam Query Database

• Jumlah Kolom (K) : jumlah kolom dalam sebuah tabel

• Length (L) : panjang Query string

• Kedalaman (Dp) : ukuran kedalaman sebuah tree Query

• Statement (S) : jumlah statement/expression yang digunakan dalam Query

• Logika (Log) : jumlah fungsi logika/operator yang digunakan dalam Query

• Runtime (Rt) : lama waktu yang diperlukan untuk menjalankan sebuah Query

Tabel 1. Metrik-metrik yang telah disertakan dalam formula kompleksitas

T K L Dp S Log Rt

Vashista

dkk., 2012 Ya Ya Ya Tidak Ya Ya Ya

Formula yang

kami ajukan Ya Ya Tidak Ya Ya Ya Tidak

Kami mengidentifikasi metriks menggunakan Goal Question Metric (GQM), yang akan

menghasilkan metriks-metriks dalam pengukuran kompleksitas Query. Kemudian, metriks

akan direpresentasikan menggunakan model Weighted Tree, diformulasikan dengan metode

Analytic Hierarchy Process (AHP).

Identifikasi Menggunakan GQM

Tabel 2. Hasil Identifikasi Menggunakan GQM

Pencapaian Objek : Formula kompleksitas Query Database

Pertanyaan

Jawaban

Apa yang hasil Query Database?

Tabel

Pertanyaan

Jawaban

Apa yang membentuk sebuah tabel?

Baris, kolom

Pertanyaan

Jawaban

Apa saja yang terdapat pada baris dan kolom?

Logika, statement, kedalaman

Pertanyaan

Jawaban

Apa saja logika pada Query Database?

AND, OR, XOR

Pertanyaan

Jawaban

Apa saja metriks Query Database yang pernah diajukan?

Tabel, kolom, statement, logika, kedalaman

E-ISSN: 2715-2731 ILKOMNIKA: Journal of Computer Science and Applied Informatics 75 Vol. 2, No. 1, April 2020, Halaman 73-84

Pertanyaan

Jawaban

Apa saja metriks Query Database yang belum diajukan?

Statement yang hanya menggunakan select

Representasi Menggunakan Weighted Tree

Representasi metriks dengan menggunakan weighted tree dapat dilihat pada Gambar 1.

Node pada weighted tree merepresentasikan metriksnya.

Gambar 1. Weighted Tree

Formulasi Metrik Menggunakan AHP

Dengan menggunakan metode Analytical Hierarchy Process (AHP), diperoleh bobot

untuk setiap metriks yang terdapat dalam Query Database. Bobot untuk setiap metriks pada

Query Database disajikan dalam Tabel 3.

Tabel 3. Bobot setiap metrik menggunakan AHP

Metriks Bobot

Tabel 0.40

Kolom 0.06

Logika 0.10

Kedalaman 0.17

Statement 0.27

Untuk penilaian bobot dari Query logika Database, kami menggunakan perhitungan

cognitive complexity [2]. Bobot logika dengan menggunakan cognitive complexity disajikan

dalam Tabel 4.

Tabel 4. Bobot Logika dengan Cognitive Complexity

Logika Bobot Keterangan

AND 4 Setiap AND mengaktifkan links yang keluar secara parallel,

AND-join yang sesuai, menyinkronkan aliran kontrol.

OR 7 Nilai atau bobotnya ditentukan dari percabangan logika

case, yang nantinya diikuti oleh eksekusi secara paralel. Hal

ini juga dapat dikatakan bahwa nilai dari logika OR

merupakan gabungan dari nilai logika AND dan logika

XOR yang menggunakan ‘ case’



XOR 2/3 Jika dalam suatu Query menggunakan logika ‘ if’ maka

nilai XOR adalah 2. Sedangkan jika Query menggunakan

logika ‘ case’ maka nilai XOR adalah 3

Pencarian Metrik Tabel

Pencarian metrik tabel bisa dicari apabila dibawah node from tidak merupakan statement

select. Misal:

Gambar 2. Bagian Weighted Tree (From)

Pada gambar diatas menunjukkan bahwa terdapat sebuah tabel dikarenakan tidak berupa

statement select.

Pencarian Metrik Kolom

Pencarian merik kolom mirip seperti mencari metrik tabel. Apabila dibawah statement

select tidak berupa statement select. Misal:

Gambar 3. Bagian Weighted Tree (Kolom)

Metrik kolom pada tree diatas ada lima dikarenakan tidak adanya statement select yang

terdapat dibawah node select diatas.

Pencarian Metrik Logika

Metrik logika bisa dicari apabila setelah kondisi seletah where mempunyai logika,

diantara logika tersebut adalah and, or dan xor. Misal:

Gambar 4. Bagian Weighted Tree (Logika)

Metrik logika tersebut ada satu dikarenakan adanya logika berupa and.

Pencarian Metrik Kedalaman


Pencarian metrik kedalaman dicari dengan banyaknya urutan berdasarkan vertikal

statement select yang ada pada tree. Misal:

Gambar 5. Bagian Weighted Tree (Kedalaman)

Metrik kedalaman pada tree diatas adalah dua. Dikarenakan adanya statement select yang

ada pada tree diatas berada pada urutan pertama dan kedua berdasarkan urutan vertikal.

Pencarian Metrik Statement

Metrik statement didapat apabila statement tersebut berupa statement select.

HASIL DAN PEMBAHASAN

Bagian Formula Metrik Kompleksitas

QC = (0.4*T) + (0.06*K) + (0.1*Log) + (0.17*Dp) + (0.27*S)

Studi Kasus

Query 1

SELECT `nama`, `kelas`, àlamat`, `nama_ayah ` FROM `siswa` WHERE `kelas`

NOT IN (SELECT `kelas` FROM `siswa` WHERE `kelas` = 'X') AND `nama` IN

(SELECT `nama ` FROM `siswa` WHERE `nama ` = 'Amir');

Query 2

SELECT ìd`, `nama`, `kelas` FROM `siswa` ORDER BY `nama`, `kelas`;

Query 3

SELECT ìd_siswa`, `nama_ayah`, `nama_ibu`, àlamat` FROM `siswaÒRDER BY

ìd_siswa`

Pengukuran Matriks Weighted Tree

Weighted tree pada masing-masing Query Database diatas bisa dilihat pada Gambar 6,

7 & 8.



Gambar 6. Weighted Tree Query 1



Pencarian Metriks Tabel

Pencarian metrik tabel bisa dicari apabila dibawah node from tidak merupakan statement

select. Untuk pencarian metriks tabel pada Query 1, 2 dan 3 bisa dilihat pada Gambar 9, 10,

& 11.

Gambar 9. Weighted Tree Query 1 (Tabel)

Pada weighted tree diatas ditemukan tiga banyaknya tabel yang diberi tanda bold.

Dikarenakan tiga nama tabel pada weighted tree tersebut sama maka tabel tersebut dijadikan

hanya satu tabel.



Pada weighted tree diatas ditemukan satu banyaknya tabel yang diberi tanda bold dengan

bobot sebesar 1 x 0.4.


Pada weighted tree diatas ditemukan satu banyaknya tabel yang diberi tanda bold dengan

bobot sebesar 1 x 0.4. Setelah banyaknya tabel ditemukan, hasil dari pencarian metriks tabel

bisa dilihat pada Tabel 5. Tabel 5. Metriks dan Bobot Metriks Tabel (T)

Query 1 Query 2 Query 3

Banyaknya Tabel 1 1 1

Bobot 0.4 0.4 0.4

Pencarian Metriks Kolom

Pencarian merik kolom mirip bisa ditemukan apabila dibawah statement select tidak

berupa statement select. Untuk pencarian metriks kolom pada Query 1, 2 dan 3 bisa dilihat

pada Gambar 12, 13, & 14.

Gambar 12. Weighted Tree Query 1 (Kolom)

Pada weighted tree diatas ditemukan empat banyaknya kolom yang diberi tanda bold. Nama

kolom tidak boleh sama, apabila nama kolom sama maka nama kolom tersebut dijadikan

menjadi satu.



. Gambar 13. Weighted Tree Query 2 (Kolom)

Pada weighted tree diatas ditemukan tiga banyaknya kolom yang diberi tanda bold dengan

bobot 3 x 0.06.

Gambar 14. Weighted Tree Query 3 (Kolom)

Pada weighted tree diatas ditemukan empat banyaknya kolom yang diberi tanda bold dengan

bobot 4 x 0.06. Setelah banyaknya tabel ditemukan, hasil dari pencarian metriks tabel bisa

dilihat pada Tabel 6. Tabel 6. Metriks dan Bobot Metriks Kolom (K)


Banyaknya Kolom 4 3 4

Bobot 0.24 0.18 0.24

Pencarian Metriks Logika

Metriks logika bisa dicari apabila setelah kondisi seletah where mempunyai logika,

diantara logika tersebut adalah and, or dan xor. Pencarian metriks logika pada Query 1, 2, &

3 bisa dilihat pada Gambar 15, 16 & 17.

Gambar 15. Weighted Tree Query 1 (Logika)

Pada Gambar 15 dinyatakan bahwa Query 1 hanya mempunyai satu logika yang berada

dibawah where. Bobot logika yang dipunyai oleh Query 1 bernilai 1 x 4 dikarenakan bobot

logika and bernilai 4.



Metriks logika pada Query 2 tidak ada dikarenakan tidak adanya salah satu logika and, or &

xor, maka bobot metriks logika yang dipunyai oleh Query 2 berjumlah 0.


Setelah melihat weighted tree pada Gambar 17 dinaytakan bahawa Query 3 tidak

mempunyai metriks logika diakrenakan tidak adanya logika yang terdapat dibawah where,

maka bobot metriks logika pada Query 3 bernilai 0. Banyaknya logika dan bobot pada

masing-masing Query 1, 2 & 3 bisa dilihat pada Tabel 7.

Tabel 7. Metriks dan Bobot Metriks Logika (L)


Banyaknya Logika 1 0 0

Bobot 4 0 0

Pencarian Metriks Kedalaman

Pencarian metrik kedalaman dicari dengan banyaknya urutan berdasarkan vertikal

statement select yang ada pada tree. Pencarian metriks kedalaman pada Query 1, 2 & 3

diperoleh pada Gambar 18, 19 & 20.

Gambar 18. Weighted Tree Query 1 (Kedalaman)

Query 1 mempunyai dua kedalaman (depth), dikarenakan ada dua urutan vertikal pada

statement select. Bobot yang dipunyai Query 1 bernilai 2 x 0.17.




Metriks kedalaman yang dipunyai Query 2 berjumlah satu karena pada weighted tree diatas

hanya mempunyai satu urutan vertikal pada statement select. Bobot kedalaman yang

dipunyai Query 2 berjumlah 1 x 0.17.


Pada weighted tree diatas dinyatakan bahwa Query 3 hanya mempunyai satu metriks

kedalaman karena pada weighted tree diatas hanya mempunyai satu urutan vertikal pada

statement select. Bobot kedalaman yang dipunyai Query 3 berjumlah 1 x 0.17. Setelah

banyaknya metriks dan bobot pada metriks kedalaman, maka disimpulkan pada Tabel 8.

Tabel 8. Metriks dan Bobot Metriks Kedalaman (Dp)



Bobot 0.34 0.17 0.17

Pencarian Metriks Statement

Metrik statement didapat apabila statement tersebut berupa statement select. Bisa dilihat

pada setiap Query 1, 2 & 3.

Query 1

SELECT `nama`, `kelas`, àlamat`, `nama_ayah ` FROM `siswa` WHERE `kelas` NOT IN

(SELECT `kelas` FROM `siswa` WHERE `kelas` = 'X') AND `nama` IN (SELECT `nama

` FROM `siswa` WHERE `nama ` = 'Amir');

Statement yang dipunyai pada Query 1 adalah tiga dikarenakan adanya tiga statement select

pada Query tersebut, maka bobot metriks statement pada Query 1 berjumlah 3 x 0.27.

Query 2

SELECT ìd`, `nama`, `kelas` FROM `siswa` ORDER BY `nama`, `kelas`;

Pada Query 2 dinyatakan bahwa Query 2 hanya memiliki satu metriks statement, maka bobot

metriks statement yang dimiliki adalah 1 x 0.27.


Query 3

SELECT ìd_siswa`, `nama_ayah`, `nama_ibu`, àlamat` FROM `siswaÒRDER BY

ìd_siswa`

Pada Query 3 dinyatakan bahwa Query 3 memiliki satu metriks statement, maka bobot

metriks statement yang dimiliki adalah 1 x 0.27. Setelah jumlah metriks dan bobot statement

diperoleh, jumlah metriks dan bobot metriks statement bisa dilihat pada Tabel 9.

Tabel 9. Metriks dan Bobot Metriks Statement (S)



Bobot 0.91 0.27 0.27

Hasil Pengukuran

Setelah hasil pengukuran metriks dan bobot yang dimiliki setia Query, maka jumlah

metriks yang dimiliki setiap Query tersebut disajikan pada Tabel 10.

Tabel 10. Banyaknya Metriks.


Tabel 1 1 1

Kolom 4 3 4

Logika 1 0 0

Statement 3 1 1

Kedalaman 2 1 1

Adapun jumlah bobot metriks yang dimiliki setiap Query disajikan pada Tabel 11.

Tabel 11. Jumlah Bobot Metriks.


Tabel 0.4 0.4 0.4

Kolom 0.24 0.18 0.24

Logika 0.4 0 0

Statement 0.91 0.27 0.27

Kedalaman 0.34 0.17 0.17

Jumlah kompleksitas yang berdasarkan formula yang kami ajukan disajikan pada Tabel 12.

Tabel 12. Jumlah Kompleksitas Query.


Tabel 0.16 0.16 0.16

Kolom 0.0144 0.0108 0.0144

Logika 0.04 0 0

Statement 0.1547 0.0459 0.0459

Kedalaman 0.0918 0.0459 0.0459

Hasil perbandingan pengukuran dengan menggunakan tiga formula kompleksitas disajikan

dalam Tabel 13.



Tabel 13. Hasil Pengukuran Formula Komplelsitas.

Query 1 Query 2 Query 3 Metode

Vashistha dkk., 2016 -0.0010 -0.0009 -0.0010 Regresi

Formula yang kami

ajukan 0.4609 0.2626 0.2662

AHP

KESIMPULAN

Paper ini telah mengindentifikasi bahwa metriks yang dijadikan untuk sebuah Query

Database adalah: jumlah tabel, kolom, logika, kedalaman dan statement Query. Formula

kompleksitas yang disajikan pada paper ini dapat direpresentasikan menggunakan model

weighted tree. Bentuk formula kompleksitas dapat dilihat pada persamaan QC = (0.4*T) +

(0.06*K) + (0.1*Log) + (0.17*Dp) + (0.27*S). Setelah dilakukan pengujian dengan

membandingan hasil pengukuran yang diperoleh menggunakan formula kompleksitas dari

peneliti lain, ditemukan bahwa formula kompleksitas yang kami ajukan lebih komprehensif

dan lebih sensitif terhadap perubahan kecil.

REFERENSI

[1] M. A. Yaqin, R. Sarno, and A. C. Fauzan, “Scalability measurement of business process model using

business processes similarity and complexity,” Int. Conf. Electr. Eng. Comput. Sci. Informatics, vol. 4,

no. September, pp. 306–312, 2017, doi: 10.11591/eecsi.4.1033.

[2] G. Volker, and R. Laue. "Adopting the cognitive complexity measure for business process

models." 2006 5th IEEE international conference on cognitive informatics. Vol. 1. IEEE, 2006.

[3] P. Mario, C. Calero, and M. Genero. "Table oriented metrics for relational Databases." Software

Quality Journal 9.2 (2001): 79-97.

[4] V. Aditya, and S. Jain. "Measuring Query complexity in SQLShare workload." Proceedings of the

2019 international conference on management of data. 2016.

[5] A. Yunus, A. C. Fauzan, A. N. Faizin, and K. Sabbihatul, “Analisis Control Flow Complexity Untuk

Komparasi Kompleksitas Proses Bisnis Penerimaan Mahasiswa Baru Universitas Nahdlatul Ulama

Blitar Berbasis Petri Net Modelling Language,” Ilk. J. Comput. Sci. Appl. Informatics, vol. 1, no. 2,

pp. 39–46, 2019.

Documents

Analisis dan Perancangan Software Pengukuran Metrik Skala