2D Data Visualization Tools Menggunakan Flask dan AngularJS
DOI:
https://doi.org/10.52985/insyst.v2i2.184Keywords:
Data Visualization, Big Data, ETL, Python FlaskAbstract
Data merupakan bagian penting dari semua aplikasi. Namun seiring perkembangan aplikasi dan kecepatan stream data, volume data yang dihasilkan telah melebihi milyaran data. Semakin besar volume data, maka semakin sulit juga data tersebut dianalisa. Tujuan pembuatan software ini untuk memvisualisasikan data user dari file yang diupload kepada sistem. Memudahkan tim analis untuk memprediksi dan memajukan sebuah usaha. Visualisasi data berjalan fleksibel, sehingga user dapat menentukan sendiri data pada bagian axis-axisnya. Pembuatan website ini menggunakan framework Flask yang berbasis pada bahasa pemrograman Python, database cassandra merupakam database nosql yang mana digunakan untuk penyimpanan data website ini. Sedangkan visualisasi, website ini menggunakan library DevExpress dan Google Chart yang berbasis AngularJS. AngularJS sendiri merupakan perluasan dari bahasa pemrograman HTML. Metodologi yang akan digunakan pada pembuatan website ini adalah Scrum. Prose pembuatan website ini dilakukan dalam 4 sprint. Masing-masing sprint dalam penelitian ini berlangsung dalam jangka waktu 14 hari. Dari hasil penelitian ini dapat disimpulkan bahwa penggunaan metode scrum untuk membuat web untuk visualisasi data berjalan dengan efektif karena dalam proses pembuatan web ini lebih terstruktur sehingga time management menjadi lebih efisien. Library DevExpress lebih mudah digunakan daripada menggunakan library Google Chart. Dalam menampilkan chart, library DevExpress hanya dapat menampilkan sebuah chart dalam satu halaman.
References
J. D. Miller, Big data visualization. Packt Publishing Ltd, 2017.
S. Chaudhuri and U. Dayal, “An overview of data warehousing and OLAP technology,” ACM Sigmod Rec., vol. 26, no. 1, pp. 65–74, 1997.
M. Grinberg, Flask web development: developing web applications with python. “ O’Reilly Media, Inc.,” 2018.
J. Bertin, “Semiology of graphics: diagrams, networks, maps.,” 1984.
W. McKinney and others, “pandas: a foundational Python library for data analysis and statistics,” Python high Perform. Sci. Comput., vol. 14, no. 9, pp. 1–9, 2011.
A. Cairo, The truthful art: Data, charts, and maps for communication. New Riders, 2016.
M. E. Mann, The Hockey Stick and the Climate Wars. 2012.
S. K. Card, J. Mackinlay, and B. Shneiderman, “Reading in information visualization: using vision to Think (Chapter 1),” Morgan Kaufmann, vol. 6, no. 4, 1999.
N. Yau, Visualize this: the FlowingData guide to design, visualization, and statistics. John Wiley & Sons, 2011.
A. Ferrari and M. Russo, Introducing Microsoft Power BI. Microsoft Press, 2016.
S. Batt, T. Grealis, O. Harmon, and P. Tomolonis, “Learning Tableau: A data visualization tool,” J. Econ. Educ., vol. 51, no. 3–4, pp. 317–328, 2020.
L. Gonçalves, “Scrum,” Control. & Manag. Rev., vol. 62, no. 4, pp. 40–42, 2018.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2020 Journal of Intelligent System and Computation
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
