2012101046SIBab2001

BAB 2

LANDASAN TEORI

2.1

Teori-teori Umum

2.1.1

Entity Relationship Modeling

Menurut Connolly dan Begg (2010 : 371), Entity Relationship

(ER) Modeling adalah suatu pendekatan top-down

ke perancangan database

yang dimulai dengan mengidentifikasikan data penting yang disebut entities

dan relationships diantara data yang harus direpresentasikan dalam model.

Konsep dasar Entity Relationship Modeling yaitu :

Entity Types

Menurut Connolly dan Begg (2010 : 372), entity types

adalah suatu kumpulan dari objek-objek dengan property yang

sama, yang mana diidentifikasikan oleh perusahaan yang

mempunyai eksistensi sendiri.

Relationship Types

Menurut Connolly dan Begg (2010 : 374), relationship

types adalah satu set hubungan antara satu atau lebih jenis entitas

yang berpartisipasi.

Attributes

Menurut Connolly dan Begg (2010 : 379), attribute adalah

suatu properti dari sebuah tipe entity atau sebuah tipe relationship.

Structural Constraints

Jenis utama dari constraint

pada relationships

disebut

multiplicity. Menurut Connolly dan Begg (2010: 385), multiplicity

adalah jumlah (atau jangkauan) dari suatu

kejadian dari tipe

entitas yang mungkin berhubungan dengan kejadian tunggal dari

jenis entitas terkait melalui hubungan tertentu.

Multiplicity terdiri dari 3 tipe yaitu:

One-to-One (1:1) Relationships

Contoh gambar :

Gambar 2.1 The multiplicity of Staff Manages Branch one-to-one

(1:1) relationship.

(Sumber : Connolly dan Begg 2010 : 386)

One-to-Many (1:*) Relationships

Contoh gambar :

Gambar 2.2 The multiplicity of the Staff Oversees PropertyForRent

one-to-many (1:*) relationship type.

(Sumber : Connolly dan Begg 2010 : 388)

Many-to-Many (*:*) Relationships

Contoh gambar :

Gambar 2.3 The multiplicity of the Newspaper Advertises

PropertyForRent many-to-many (*:*) relationship.

(Sumber : Connolly dan Begg 2010 : 389)

2.1.2

Konsep Data Warehouse

2.1.2.1 Pengertian Data Warehouse

Menurut pendapat Kimball (2010 : 397), data warehouse adalah

perpaduan dari sebuah data, baik dari staging area maupun presentation

area, dimana data operasional secara spesifik serta terstruktur untuk

query dan analisis performasi dan memudahkan penggunaan.

Menurut pendapat Mark I.Hwang (2008

: 48), data warehouse

dikembangkan dengan menggali data dari berbagai sumber sistem,

membersihkan dan mengubah data, dan mengisinya dalam warehouse

yang kemudian tersedia untuk pembuat keputusan. Sejak awal tahun

1990, datawarehouse

menjadi dasar

dari lanjutan aplikasi decision

support.

Menurut Alvin Chandra pada jurnal perancangan Data Warehouse

pada Software Laboratory Center, data warehouse menghasilkan data yg

konsisten, valid, dan akurat dalam bentuk laporan sehingga manager

tidak perlu membaca dan menganalisis data dalam waktu yang cukup

lama.

2.1.2.2 Karakteristik Data Warehouse

Menurut pendapat Connoly dan Begg (2010 : 1197-1198),

karakteristik yang ada pada data warehouse yaitu :

Subject Oriented

Sebagai suatu warehouse yang diorganisir disekitar subjek

utama dari perusahaan (seperti pelanggan, produk, dan penjualan)

dari area aplikasi utama (seperti faktur pelanggan, pengendalian stok,

penjualan produk).

Hal ini tercemin dalam kebutuhan

menyimpan

data untuk pendukung keputusan daripada aplikasi berorientasi data.

Integrated

Karena datang secara bersamaan dari berbagai

sumber

yang berbeda dari bermacam-macam sistem aplikasi. Sumber data

sering tidak konsisten misalnya format yang berbeda-beda. Integrasi

sumber data harus dibuat konsisten untuk menyajikan tampilan yang

seragam dari data ke pengguna.

Time variant

Karena data yang ada di warehouse yang akurat dan hanya

berlaku di beberapa titik waktu atau selama beberapa jangka

waktu

tertentu. Perbedaan waktu data

warehouse

juga ditampilkan dalam

waktu yang diperpanjang bahwa data tersebut diadakan, penyatuan

implicit dan explicit waktu dengan semua data, dan fakta bahwa data

merupakan serangkaian dari snapshots.

Nonvolatile

Data

tidak diperbarui secara real time

tetapi di

refresh

dari sistem operasional

secara teratur. Data

yang baru selalu

ditambahkan sebagai

tambahan

ke database, bukan sebagai

pengganti. Database

terus

menyerap

data baru

ini

dan

secara

bertahap mengintegrasikannya dengan

data sebelumnya.

2.1.2.3 Arsitektur Data Warehouse

Menurut Connolly dan Begg (2010 : 1203-1206),

arsitektur data warehouse terdiri dari :

Operational Data

Data warehouse mendapatkan sumber data dari :

Mainframe data operasional yang menangani di hirarkis

generasi pertama dan jaringan database.

Data departemen yang tersimpan dalam sistem file

proprietary seperti VSAM, RMS, dan relasi DBMS seperti

Informix dan Oracle.

Data pribadi yang tersimpan pada workstation dan server

pribadi.

Sistem eksternal seperti internet, database

yang tersedia

secara komersial, atau database

yang terkait dengan

organisasi supplier atau pelanggan.

Operational Data Store

Operational Data Store (ODS) adalah wadah atau tempat

penyimpanan data operasional yang terintegrasi yang digunakan

untuk analisis.

ODS terstruktur dan disediakan dengan data

dalam cara yang sama seperti data warehouse, tetapi bertindak

hanya sebagai sebuah wadah penampung sementara untuk data

yang akan dipindahkan ke warehouse.

ODS dibuat saat sistem operasional ditemukan tidak

mampu mencapai persyaratan laporan. ODS memberikan

kemudahan dalam penggunaan relational database.

Dalam membangun ODS dapat membantu pembangunan

data warehouse, karena ODS dapat menyediakan data yang telah

diekstrak dan dibersihkan sumber sistem.

ETL Manager

Manajer

ETL

melakukan

semua operasi

yang

berhubungan dengan ETL data yang masuk ke dalam warehouse.

Data dapat diambil langsung dari sumber data

atau biasanya

diambil dari ODS.

Warehouse Manager

Warehouse manager

menjalankan semua operasi yang

berhubungan dengan pengelolaan data pada warehouse. Operasi-

operasi yang dijalankan oleh warehouse manager yaitu :

Melakukan analisa data untuk memastikan

konsistensi data tersebut.

Mentransformasi dan menggabungkan sumber data

dari tempat penyimpanan sementara ke tabel yang

ada pada data warehouse.

Menyusun index dan view ke dalam tabel dasar.

Melakukan back up dan pengarsipan data.

Query Manager

menjalankan semua operasi-operasi yang

terkait dengan pengelolaan user query. Kompleksitas yang

didapat query manager ditentukan fasilitas yang disediakan oleh

database dan end user access tools.

Detailed Data

Daerah ini menyimpan semua detailed data

dari

warehouse

ke dalam skema database. Bagaimanapun, untuk

melengkapi data yang dibutuhkan perlu ditambahkan dengan

detailed data.

Lightly and Highly Summarized Data

Pada daerah ini warehouse manager

menyimpan hasil

semua lightly and highlt summarized data. Tujuan dari

peringkasan informasi adalah untuk mempercepat

performance

dari query. Ringkasan data akan di update ketika data yang baru

masuk ke dalam warehouse.

Archive/Backup Data

Pada daerah ini detailed

dan summarized

data

dari

warehouse disimpan yang bertujuan untuk pengarsipan dan back

up. Meskipun ringkasan data yang dihasilkan berasal dari detailed

data, tetapi perlu untuk membuat ringkasan data online jika data

ini terus melewati waktu penyimpanan detailed data.

Metadata

Semua definisi metadata

yang digunakan seluruh proses

warehouse

akan disimpan disini. Metadata

digunakan untuk

bermacam tujuan, yaitu :

Proses extract

dan load

–

metadata

digunakan untuk

memetakan sumber data ke pandangan umum dari data

yang ada di warehouse.

Proses pengelolaan warehouse

–

metadata digunakan

untuk mengotomatisasikan pembuatan dari tabel ringkas.

Sebagai bagian dari proses pengelolaan query –

metadata

digunakan untuk mengarahkan query ke sumber data

yang paling tepat.

10.

End-User Access Tools

Tujuan prinsip dari data

warehousing

yaitu untuk

menbantu pengambil

keputusan dalam mengambil keputusan.

Untuk berinteraksi dengan warehouse

pengambil keputusan

menggunakan end-user access tools.

End-user access tools dibagi menjadi 4 kelompok yaitu :

Alat membuat laporan dan query

Alat pembuat laporan termasuk di dalamnya alat

pembuat laporan produksi dan laporan penulis. Alat query

untuk relasi data warehouse

yang didesain untuk menerima

dan mengeluarkan pernyataan SQL ke query

data yang

disimpan di warehouse.

Alat untuk pengembangan aplikasi

Kebutuhan dari end-user

terhadap alat pembuat

laporan query

mungkin tidak memadai oleh karena itu

beberapa alat pengembang aplikasi terintegrasi dengan alat

OLAP yang populer yang dapat mengakses

seluruh sistem

database

utama, termasuk di dalamnya Oracle, Sybase, and

Informix.

Alat Online Anlytical Processing (OLAP)

Alat

OLAP ini berbasis pada

konsep

multi

dimensional

database dan memperbolehkan pengguna yang

berpengalaman untuk menganalisa data menggunakan

complex multidimensional tools. Alat ini mengasumsikan data

diorganisasikan di sebuah multidimensional

model

yang

didukung oleh suatu special

multidimensional

database

(MDDB) atau oleh suatu relasi database yang didesain untuk

memungkinkan multidimensional queries.

Alat Data Mining

Data mining

merupakan suatu proses menemukan

korelasi-korelasi baru yang bermakna, pola-pola, dan tren-tren

dengan jumlah tambangan data yang lebih besar dengan

menggunakan statistik, matematika, dan teknik AI (Artificial

Inteligence).

Gambar 2.4 Typical architecture of a data warehouse

(Sumber : Connoly dan Begg 2010 : 1204)

2.1.2.4

Extraction, Transformation, and Loading (ETL)

Data yang diperuntukkan enterprise data warehouse

(EDW) pertama kali harus diekstrak dari satu atau lebih sumber

data, diubah ke dalam sebuah bentuk yang mudah untuk di

analisa dan konsisten dengan data yang sudah ada di warehouse,

dan kemudian yang terakhir di load ke EDW. Seluruh proses ini

mengacu pada extraction, transforming, and loading (ETL).

Extraction

Langkah ekstraksi menargetkan satu atau lebih sumber

data yang digunakan untuk EDW. Sumber data biasanya

berasal dari sumber internal tapi dapat juga berasal dari

sumber eksternal, seperti pemasok atau pelanggan.

Transformation

Langkah transformasi yaitu menerapkan serangkaian

aturan atau fungsi untuk pengekstrakan data yang mana

data akan digunakan untuk analisis dan dapat melibatkan

transformasi seperti data

encoding, penggabungan data,

pemisahan data, perhitungan data.

Proses pemuatan data ke dalam warehouse

dapat

dimulai setelah semua atau sebagian proses transformasi

terjadi.

2.1.2.5

Dimensionality Modeling

Menurut Connolly dan Begg (2010 : 1227), dimensionality

modeling

adalah suatu teknik desain logis yang bertujuan untuk

menyajikan data dalam bentuk standar dan intuitif yang memungkinkna

untuk akses kinerja yang tinggi.

Setiap dimensional

model

(DM) terdiri dari satu tabel dengan

composite

primary

key

yang disebut fact

table, dan satu set tabel yang

lebih kecil disebut dimension tables.

Ada beberapa jenis dimensionality modeling yaitu :

Star Schema

Menurut Connolly dan Begg (2010 : 1227), star schema

adalah sebuah dimensi data model yang memiliki tabel fakta

di tengah, dikelilingi oleh tabel dimensi yang denormalized.

Gambar 2.5 Star Schema

(Sumber : Connolly dan Begg 2010 : 1228)

Snowflake Schema

Menurut Connolly dan Begg (2010 : 1229), snowflake

schema

adalah sebuah dimensi data model yang memiliki

tabel fakta di tengah, dikelilingi oleh tabel dimensi yang

normalized.

Gambar 2.6 Snowflake Schema

(Sumber : Connolly dan Begg 2010 : 1229)

Starflake Schema

Menurut Connolly dan Begg (2010

: 1230), starflake

schema

adalah sebuah dimensi data model yang memiliki tabel

fakta di tengah, dikelilingi oleh normalized dan denormalized

tabel dimensi.

2.1.3

Metodologi Perancangan Data Warehouse

Menurut

Kimball dan Ross (2010

: 98), ada enam langkah metodologi

dalam perancangan data warehouse, yaitu :

1. Project Planning

Tahap ini merupakan isi dari kegiatan-kegiatan operasional

tertentu. Biasanya berfokus pada bagaimana mendapatkan program atau proyek

yang diluncurkan, termasuk scoping, pembenaran, dan staf dan siklus hidup

yang berkelanjutan dan manajemen proyek agar tetap berada dalam satu jalur.

2. Bussiness Requirement Definition

Bussiness Requirement mendorong keputusan hulu dan hilir. Requirement

dikumpulkan untuk menentukan key factor yang berfokus pada para pengguna

bisnis apa yang lakukan pada

hari ini (atau ingin melakukan di masa depan),

daripada meminta "apa yang Anda inginkan dalam data warehouse?"

3. Technology Track

Mengintegrasikan

berbagai teknologi, menyimpan data, dan metadata

terkait. Jalur teknologi dimulai dengan

desain sistem arsitektur untuk

membangun daftar belanja kemampuan yang dibutuhkan, diikuti oleh pemilihan

dan pemasangan produk yang dapat memuaskan kebutuhan arsitektur mereka.

4. Data Track

Data Track

dimulai dengan desain model target dimensional

untuk

mengatasi kebutuhan bisnis, dengan tetap memperhatikan realitas data yang

mendasarinya. Model dimensi dapat turunkan dalam database relasional, biasa

disebut sebagai skema bintang, atau database multidimensional, yang dikenal

sebagai OLAP cubes. Terlepas dari platform, model dimensi berusaha untuk

mengatasi dua gol simultan: kemudahan penggunaan dari perspektif pengguna

dan kinerja query yang cepat.

Datawarehouse bus matrix

adalah inti dari

Kimball Lifecycle yang penyampaiannya mewakili proses bisnis inti organisasi

dan sesuai dengan dimensi terkait, ini adalah data blue print untuk memastikan

top-down

terintegrasi

oleh perusahaan yang dapat di manage

dengan

pengiriman bottom-up yang berfokus pada proses bisnis tunggal pada saat yang

sama. Bus matrix sangat penting, karena sekaligus berfungsi sebagai panduan

teknis, panduan manajemen, dan sebuah forum untuk komunikasi dengan para

pihak eksekutif.

5. Bussiness Inteligence Track

Sementara beberapa anggota proyek

yang ada sedang

tenggelam dalam

persoalan mengenai teknologi dan data, sedangkan yang lain fokus pada

mengidentifikasi dan membangun berbagai aplikasi bussiness inteligence,

termasuk laporan standar,

parameterized queries,

dashboards, scorecards,

analytic models

dan data mining

applications, bersamaan dengan

navigasi

antarmuka yang terkait.

6. Deployment, Maintenance and Growth

Tiga bagian

Lifecycle

berkumpul dalam

suatu

penyebaran atau

deployment, menyatukan teknologi, data, dan aplikasi bussiness inteligence.

Iterasi dikerahkan

agar dapat

memasuki tahap pemeliharaan, sementara

pertumbuhan yang ditangani dapat kembali ke perencanaan proyek untuk iterasi

berikutnya dari Datawarehouse

atau

sistem bussiness inteligence. Perlu di

ingatkan

bahwa sistem datawarehouse

atau

bussiness inteligence

adalah

program jangka panjang, bukan merupakan sebuah proyek yang jangka pendek.

Ada topik yang selalu berulang dan mengakui bahwa datawarehouse atau

bussiness inteligence

profesional harus terus melalui persyaratan bisnis dan

realitas yang mendasari sumber data, teknologi, dan sumber daya terkait. Tim

proyek yang fokus

secara eksklusif pada kebutuhan (realitas) dalam suatu

isolasi pasti akan menghadapi penyampaian yang signifikan dengan atau tanpa

mengadopsi pada risiko yang ada.

Tujuan dari data

warehouse

atau bussiness inteligence

adalah untuk

mendukung membantu mempermudah pihak eksekutif dalam pengambilan

suatu keputusan. Target ini harus tetap ada pada seluruh desain, pengembangan,

dan penyebaran siklus hidup sistem datawarehouse atau bussiness inteligence.

2.1.4

Perbedaan Database dengan Data Warehouse

Menurut Connolly dan Begg (2010 : 65), Database adalah suatu koleksi

data logis yang saling berhubungan dan data tersebut digambarkan, dirancang

untuk memenuhi kebutuhan informasi dari suatu organisasi.

Database

memungkin data dengan jumlah yang besar yang dapat digunakan secara

bersamaan oleh banyak departemen – departemen dan pengguna.

Sedangkan Data Warehouse menurut Connolly dan Begg (2010 : 1197)

adalah suatu kumpulan data yang berorientasi subjek, terintegrasi, time variant,

non volatile untuk mendukung manajemen dalam proses pengambilan keputusan.

Sebuah organisasi biasanya memiliki satu data warehouse, yang mana untuk

menyimpan data yang bersifat historis, rinci, dan diringkas ke berbagai tingkat

dan jarang mengalami perubahan. Data warehouse dirancang untuk mendukung

jumlah transaksi yang relatif rendah yang tidak terduga dan membutuhkan

jawaban untuk query -

query yang bersifat ad hoc, tidak berstruktur, dan

heuristic.

Beberapa perbedaan dari Database dengan Data Warehouse :

Database

Data Warehouse

Data yang digunakan atau disimpan

adalah data saat ini

Data yang digunakan atau disimpan

adalah data yang bersifat historis

Data yang rinci

Data yang rinci dan data yang

diringkas

Untuk mendukung proses operasional

Untuk mendukung proses analisis

Digunakan oleh operasional users

Digunakan oleh managerial users

Tabel 2.1 Perbedaan Database dengan Data Warehouse

2.1.5

Perbedaan OLTP (Online Analytical Transaction Processing) dengan

OLAP (Online Analytical Processing)

Online Analytical Transaction Processing (OLTP) menurut Inmon (2005

: 500), “the high-performance transaction processing “the high-performance

transaction processing environment”,

yang artinya

performa yang tinggi pada

lingkungan pemrosesan transaksi.

Sistem OLTP dioptimalkan untuk sejumlah

besar transaksi yang dapat diprediksi, berulang, dan diperbaruhi secara intensif.

OLTP diatur sesuai dengan persyaratan dari transaksi yang terkait dengan

aplikasi bisnis dan mendukung keputusan sehari -

hari

dari sejumlah besar

pengguna operasional secara bersamaan.

Sedangkan Online Analytical Processing (OLAP) menurut Connolly dan

Begg (2010 : 1250) OLAP

(Online Analytical Processing)

adalah sintesis,

analisis, dan kondolisasi dinamis isi dari sejumlah besar multidimensional data.

OLAP adalah istilah yang menggambarkan sebuah teknologi yang menggunakan

pandangan multidimensi data agregat untuk menyediakan akses yang cepat ke

informasi untuk keperluan analisis yang canggih. OLAP memungkinkan

pengguna untuk mendapatkan pemahaman yang lebih dalam dan pengetahuan

tentang dari berbagai aspek data perusahaan dengan cepat, akses yang konsisten,

interaktif akses untuk berbagai views

yang memungkinkan dari data. OLAP

memungkinkan pengguna

untuk melihat data perusahaan sedemikian rupa

dengan model yang lebih baik dari dimensi sebenarnya dari perusahaan.

Berikut beberapa perbedaan antara OLTP dengan OLAP :

OLTP

OLAP

Tampilan data dengan satu

Tampilan data dengan multidimensi

Digunakan untuk kebutuhan

sehari - hari

Digunakan untuk kebutuhan analisis

Laporan relatif bersifat tetap

Laporan bersifat dinamis

Digunakan oleh operational users

Digunakan oleh managerial users

Data yang digunakan data saat ini

Data yang digunakan adalah data yang

bersifat historis

Tabel 2.2 Perbedaan antara OLTP dengan OLAP

2.1.6

Istilah – istilah yang berhubungan dengan Data Warehouse

Ada beberapa istilah yang berhubungan dengan Data Warehouse, yaitu :

Data Mart

Menurut Inmon (2005 : 389) data mart

adalah suatu struktur data

yang terbagi -

bagi yang didapat

dari data warehouse

dimana data

tersebut didenormalisasi berdasarkan kebutuhan informasi manajemen.

Menurut Connolly dan Begg (2010 : 1214) data mart adalah database

yang berisi subset

dari data perusahaan untuk mendukung persyaratan

analitis dari unit bisnis tertentu (seperti departemen penjualan) atau untuk

mendukung pengguna yang berbagi kebutuhan yang sama untuk

menganalisis proses bisnis tertentu (seperti penjualan properti).

Fact Table (Tabel Fakta)

Menurut Conolly dan Begg (2010 : 1227), ”Every dimensional model

(DM) is composed of one table with a composite primary key, called the

fact table”, yang artinya

tabel fakta adalah satu tabel yang berisi

composite primary key (PK) pada setiap dimensional model (DM).

Dimesional Table (Tabel dimensi)

Menurut Inmon (2005 : 495) tabel dimensi merupakan

suatu tabel

dimana data - data yang tidak berhubungan yang berelasi dengan tabel

fakta ditempatkan di dalam tabel dimensional. Bisa disebut juga tabel

kecil (minor table), biasanya lebih kecil dan memegang data deskriptif

yang mencerminkan dimensi suatu bisnis. Sedangkan menurut Connolly

dan Begg (2010 : 1227), “

a set of smaller tables called dimension

tables”, yang berarti tabel dimensi adalah satu set tabel - tabel yang lebih

kecil dari tabel fakta di dimensional model (DM).

DBMS (Database Management System)

Menurut Connolly dan Begg (2010 : 66) DBMS adalah sebuah sistem

software

yang memungkinkan pengguna untuk menetapkan,

menciptakan, memelihara, dan mengontrol akses ke database.

Granularity

Menurut Inmon (2005 : 41), Granularity merupakan suatu level dari

detil atau ringkasan pada unit data didalam datawarehouse. Semakin

banyak detil atau ringkasan pada unit data maka akan semakin rendah

level pada granularity tersebut.

Keuntungan dari granularity

adalah dapat digunakan kembali,

kemampuan untuk mencocokan data, fleksibel, granularity terdiri dari

history

dari aktifitas-aktifitas dan kejadian pada perusahaan, kebutuhan

yang tidak jelas di masa yang akan datang dapat diakomodasi.

2.2

Teori-teori Khusus

2.2.1

Pengertian Rumah Sakit

Berdasarkan peraturan Menteri Kesehatan Republik Indonesia Nomor

147/MENKES/PER/I/2010 yang dimaksud dengan rumah sakit adalah institusi

pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan perorangan

secara paripurna yang menyediakan pelayanan rawat inap, rawat jalan dan gawat

darurat. Dalam rumah sakit terdapat pelayanan-pelayanan seperti :

Rawat Inap

Menurut Anonymous, rawat inap atau opname adalah istilah yang berarti

proses

perawatan pasien oleh tenaga kesehatan professional akibat penyakit

tertentu, dimana pasien diinapkan disuatu ruangan di rumah sakit. Ruang rawat

inap adalah ruangan dimana pasien dirawat. Ruangan ini biasanya sering dihuni

oleh banyak orang sekaligus. Saat ini, ruang rawat inap di rumah sakit sudah

sangat mirip dengan kamar hotel.

Rawat Jalan

Menurut Jurnal definisi Operasional Standar Pelayanan Minimal Bidang

Kesehatan (2004), Rawat Jalan adalah pelayanan pengobatan di fasilitas

pelayanan kesehatan dengan tidak harus menginap dengan menggunakan fasilitas

pelayanan kesehatan tersebut baik didalam maupun diluar gedung.

Laboratorium

Menurut Anonymous, Laboratorium adalah tempat riset ilmiah,

eksperimen dan pelatihan ilmiah dilakukan. Laboratorium biasanya dibuat untuk

memungkinkan dilakukannya kegiatan tersebut secara terkendali.