BAB 2 LANDASAN TEORI. logically related data, and a description of this data, designed to meet the information

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Teori-teori Dasar Merupakan teori-teori pokok yang merupakan landasan bagi teori-teori lainnya yang terdapat dalam skripsi ini Pengertian Database Menurut Connoly dan Begg (2005, p15), database is a shared collection of logically related data, and a description of this data, designed to meet the information needs of an organization. Yang dapat diartikan bahwa database adalah suatu kumpulan dari data yang terselubung secara logis, dan deskripsi dari data ini, dirancang untuk memenuhi kebutuhan informasi dari sebuah organisasi. Database bersifat tunggal, memiliki tempat penyimpanan data yang besar di mana dapat digunakan secara bersama-sama oleh banyak departemen dan user. Menurut Inmon (2005, p493), database adalah kumpulan dari data yang saling berhubungan yang disimpan berdasarkan skema. Dapat disimpulkan bahwa database adalah kumpulan dari data yang dimiliki perusahaan yang berhubungan secara logikal dan disimpan berdasarkan skema yang dirancang untuk memenuhi kebutuhan informasi perusahaan Pengertian Online Transaction Processing (OLTP) Menurut Connolly dan Begg (2005, p1149), OLTP adalah sebuah sistem yang telah dirancang untuk menangani pemrosesan transaksi tingkat tinggi, dengan transaksi 8

2 9 yang secara umum membuat perubahan kecil pada data operasional organisasi, yang dibutuhkan oleh organisasi untuk menangani operasi sehari hari. Menurut Kimball dan Ross (2002, p408), OLTP adalah penjelasan dari semua aktivitas dan sistem yang berhubungan dengan memasukkan data yang dapat diandalkan ke dalam database. Dapat disimpulkan bahwa OLTP adalah sebuah sistem yang berfungsi untuk menangani pemrosesan transaksi dan semua aktivitas dari sistem yang berhubungan dengan memasukkannya ke dalam database, dimana database-nya bersifat relational dan sudah ternormalisasi Pengertian Online Analytical Processing (OLAP) OLAP (Online Analytical Processing) adalah sebuah pendekatan untuk menjawab multi- dimensional analytic queries. Menurut Depak Pareek (2007, p294) OLAP sering dikategorikan sebagai sebuah Business Intelligence, yang juga mencakup relational reporting dan data mining. Terminology dari OLAP sendiri dicantumkan dalam OLAP Council White Paper (1997) sebagai modifikasi terhadap terminology database pada umumnya (OLTP). OLAP menggambarkan sebuah kelas teknologi yang dirancang untuk analisa dan akses data secara khusus. Apabila pada proses transaksi pada umumnya sematamata pada relasional database, OLAP muncul dengan sebuah cara pandang multidimensi data. Cara pandang multidimensi ini didukung oleh teknologi multidimensi database. Cara ini memberikan teknik dasar untuk kalkulasi dan analisa oleh sebuah aplikasi bisnis.

3 Pengertian Entity Relationship (ER) Modeling Menurut Connolly dan Begg (2005, p342), Entity Relationship (ER) Modeling adalah pendekatan top-down untuk mendesain database yang diawali dengan mengidentifikasikan data penting yang disebut dengan entities dan relationships di antara data-data yang harus direpresentasikan dalam model. Kemudian ditambahkan detail-detail seperti informasi yang ingin ditambahkan tentang entities dan relationships yang disebut attributes dan berbagai constrains pada entities, relationships dan attributes Pengertian Data Warehouse Menurut Inmon (2005, p29), data warehouse adalah sekumpulan dari data yang subject-oriented, integrated, time-variant, dan non-volatile untuk mendukung proses pembuatan keputusan manajemen. Berdasarkan Connoly dan Begg (2005, p1151), Data Warehouse is a subject-oriented, integrated, time-variant, and non-volatile collection of data in support of management s decision-making process. Yang artinya Data Warehouse adalah koleksi data yang mempunyai sifat berorientasi pada subjek, terintegrasi, rentang waktu, dan koleksi datanya tidak mengalami perubahan dalam menudukung proses pengambilan keputusan di manajamen. Dari pengertian-pengertian di atas, dapat disimpulkan bahwa data warehouse adalah sekumpulan data yang diperoleh dari berbagai sumber yang di gunakan untuk mendukung proses pembuatan management di dalam suatu perusahaan

4 Karakteristik Data Warehouse Menurut Inmon (2005, p29), data warehouse memiliki beberapa karakteristik yaitu: 1. Subject-Oriented, data warehouse diorganisasikan berdasarkan subjek utama dari perusahaan (seperti pelanggan, produk, dan penjualan) dari pada berdasarkan area aplikasi utama (seperti pembuatan faktur pelanggan, pengendalian persedianm dan penjualan produk). Hal ini manggambarkan data yang ada di dalam data warehouse merupakan data untuk pengambilan keputusan, bukan data yang berorientasi aplikasi. 2. Integrated, data di dalam data warehouse berasal dari sumber data yang berbeda dari sistem aplikasi yang berbeda diseluruh perusahaan. Sumber data biasanya digunakan secara tidak konsisten, contohnya format yang berbeda. Sumber data yang terintegrasi harus dibuat konsisten untuk menampilkan pandangan terintegrasi dari data kepada user. 3. Time variant, data didalam data warehouse hanya akurat dan valid dalam suatu waktu tertentu atau dalam interval waktu tertentu. 4. Non-volatile, data didalam data warehouse tidak diupdate secara real time tetapi diperbaharui dari sistem operasional secara berkala. Data baru selalu ditambahkan sebagai tambahan kedalam database bukan sebagai penggantian Keuntungan Data Warehouse Menurut Connolly dan Begg (2005, p1152), data warehouse dapat memberikan beberapa keuntungan bagi perusahaan, diantaranya : Tingkat pengembalian investasi yang tinggi

5 12 Sebuah organisasi harus menangani sumber daya dalam jumlah besar untuk memastikan implementasi data warehouse yang berhasil dan biayanya bisa sangat bervariasi. Berdasarkan penelitian dari International Data Corporation (IDC) pada 1996 rata rata tingkat pengembalian investasi data warehouse dalam 3 tahun mencapai 401%. Kentungan kompetitif Pengembalian dari investasi yang tinggi bagi perusahaan yang mengimplementasikan data warehouse dengan berhasil akan memberikan mereka keuntungan kompetitif. Keuntungan tersebut didapat dengan mengizinkan pembuat keputusan mengakses data yang sebelumnya tidak tersedia, tidak diketahui dan informasi yang belum dimanfaatkan, contohnya, tren dan permintaan. Meningkatkan produktivitas para pembuat keputusan perusahaan Data warehouse meningkatkan produktivitas dari pembuat keputusan perusahaan dengan menciptakan database yang terintegrasi, konsisten, berorientasi subjek dan data historis. Dengan merubah data menjadi informasi yang berarti, data warehouse memungkinkan manajer untuk melakukan analisis dengan lebih akurat dan konsisten Perbandingan Data Warehouse dan OLTP Menurut Connolly dan Begg (2005, p1153) Secara umum perbedaan antara data warehouse dan OLTP adalah

6 13 OLTP Menyimpan data saat ini Menyimpan data detil Datanya besifat dinamik Proses yang berulang kali Transaksi tingkat tinggi Pola penggunaannya dapat diprediksi Berfokus pada proses transaksi Berorientasi aplikasi Mendukung pengambilan keputusan harian Melayani pengguna dalam jumlah besar Data Warehouse Menyimpan data histori Menyimpan detailed, lightly, dan highly summarized data Datanya bersifat statis Prosesnya bersifat khusus dan tidak terstruktur Transaksinya tingkat menengah hingga rendah Pola penggunaannya tidak dapat diprediksi Berfokus pada proses analisis Berorientasi subjek Mendukung pengambilan keputusan strategis Melayani pengguna dalam jumlah kecil biasanya manajer Tabel 2.1 Perbedaan antara OLTP dan Data Warehouse Sumber: Connolly dan Begg (2005, p1153) Struktur Data Warehouse Menurut Inmon (2005, p33), data warehouse memiliki beberapa tingkat kedetilan yaitu older level of detail (biasanya terdapat dalam tempat penyimpanan alternatif), current level of detail, lightly summarized data (tingkat data mart), dan highly summarized data. Aliran data ke dalam data warehouse dari lingkungan operasional. Biasanya terjadinya transformasi data dari tingkat operasional ke tingkat data warehouse. Apabila data dalam data warehouse sudah menua, maka data akan berpindah dari current detail ke older detail. Jika data sudah dirangkum maka data akan berpindah dari current detail ke lightly summarized data dan kemudian dari lightly summarized data ke highly summarized data.

7 14 a. Current Detailed Data Berisi data yang mencerminkan keadaan sekarang yang sedang berjalan saat ini yang diperoleh dari database operasional. Data tersebut mempunyai ukuran yang sangat besar karena merupakan level terendah dan menyimpan semua informasi dan data yang ada dalam perusahaan. Current detail data selalu menjadi perhatian utama. Hal ini di sebabkan karena: Jumlah datanya sangat banyak dan disimpan pada tingkat penyimpanan terendah. Merefleksikan kejadian yang sedang berlangsung dalam sebuah perusahaan. Digunakan untuk merekapitulasi data, sehingga current detail data harus akurat. Disimpan dalam media penyimpanan agar cepat diakses, tapi membutuhkan biaya yang mahal dan pengaturannya kompleks. b. Old Detailed Data Data ini merupakan data historis dari current detail data, dapat berupa hasil bakcup atau arsip dari data yang disimpan dalam tempat penyimpanan yang terpisah. Karena bersifat cadangan, maka biasanya data disimpan dalam tempat penyimpanan alternatif seperti tape-disk. Data ini biasanya jarang di akses. Penyusunan file dari data ini disusun berdasarkan umur dari data yang bertujuan mempermudah pencarian atau pengaksesan kembali.

8 15 c. Lightly Summarized Data Data ini merupakan ringkasan atau rangkuman dari current detail data. Data ini dirangkum berdasar periode atau dimensi lainnya sesuai dengan kebutuhan. Ringkasan dari current detail data belum bersifat total summary.data-data ini memiliki detil tingkatan yang lebih tinggi dan mendukung kebutuhan warehouse pada tingkat departemen. Tingkatan data ini di sebut juga dengan data mart. Akses terhadap data jenis ini banyak digunakan untuk view suatu kondisi yang sedang atau sudah berjalan. d. Highly Summarized Data Data ini merupakan tingkat lanjutan dari Lightly summarized data, merupakan hasil ringkasan yang bersifat total, dapat di akses untuk melakukan analisis perbandingan data berdasarkan urutan waktu tertentu dan analisis multidimensi Pengertian Data Mart Menurut Inmon (2005, p494), data mart adalah struktur data per departemen yang berasal dari data warehouse dimana data di denormalisasi berdasarkan kebutuhan informasi tiap departemen. Menurut Turban et al.(2005, p73), data mart adalah data warehouse kecil yang dirancang untuk unit bisnis strategis atau departemen. Keuntungan dari data mart adalah biayanya rendah, waktu untuk implementasinya singkat, pengendaliannya lokal bukan terpusat. Menurut Ponniah (2001, p26), data mart dan data warehouse memiliki beberapa perbedaan, yaitu :

9 16 Data Warehouse Merujuk pada keseluruhan organisasi Gabungan dari semua data mart Data diterima dari staging area Di-query di sumber tampilan Membentuk pandangan data untuk organisasi Diorganisasikan dalam ER-model Data Mart Merujuk pada departemen tertentu Sebuah proses bisnis Star join (fakta dan dimensi) Teknologi yang maksimal untuk akses dan analisis data Membentuk pandangan data per departemen Tabel 2.2 Perbedaan antara Data Warehouse dan Data Mart Sumber: Ponniah (2001, p26) Metadata Area dari data warehouse yang menyimpan semua definisi meta-data yang digunakan oleh semua proses di dalam data warehouse. Meta-data digunakan untuk beberapa tujuan diantaranya : Dalam proses ekstraksi dan loading, meta-data digunakan untuk memetakan sumber data ke view dari data di dalam data warehouse. Dalam proses manajemen warehouse, meta-data digunakan untuk menghasilkan tabel ringkasan secara otomatis. Sebagai bagian dari proses manajemen query, meta-data digunakan untuk melakukan query langsung ke sumber data yang sesuai Granularity Menurut Inmon (2005, p41), Granularity merupakan suatu level dari detil atau ringkasan pada unit data di dalam data warehouse. Semakin banyak detil atau ringkasan pada unit data maka akan semakin rendah level pada granularity.

10 17 Contohnya adalah sebuah transaksi yang sederhana akan berada pada timgkat granularity yang rendah, sedangkan keseluruhan dari transaksi dalam satu bulan akan berada pada level granularity yang tinggi. Granularity merupakan permasalah utama dalam mendesain lingkungan data warehouse karena berpengaruh besar pada volume dari data yang terletak didalam data warehouse. Granularity memiliki beberapa keuntungan diantaranya : 1. Dapat digunakan kembali Dikatakan dapat digunakan kembali karena dapat digunakan oleh banyak orang dengan berbagai cara yang berbeda. Contohnya data yang sama dapat digunakan untuk memenuhi kebutuhan dalam bidang pemasaran, penjualan dan keuangan. Pemasaran menginginkan melihat data bulanan berdasarkan area geografi, penjualan ingin melihat data penjualan setiap agen berdasarkan area geografi tiap minggu, dan keuangan melihat pendapatan setiap kuarter berdasarkan produk. 2. Kemampuan untuk mencocokkan data Jika memiliki satu dasar yang sama untuk semuanya, maka jika terjadi perbedaan dalam analisis antara dua atau lebih departemen, proses pencocokan akan menjadi sederhana. 3. Fleksibel Dimana para pengguna dapat merubah data sesuai dengan tampilan yang mereka inginkan sehingga pekerjaan dapat diselesaikan dengan mudah. 4. Granularity terdiri dari sebuah history dari aktifitas aktifitas dan kejadian pada perusahaan.

11 18 5. Kebutuhan yang tidak jelas dimasa yang akan datang dapat diakomodasi. Saat ada kebutuhan baru dan ada kebutuhan informasi, data warehouse sudah siap untuk melakukan analisis dan organisasi disiapkan untuk menangani kebutuhan yang baru. Gambar 2.1 Contoh dari Granularity Sumber: Inmon (2005, P44) Dalam jangka waktu yang panjang, efisiensi sangat dibutuhkan dalam menyimpan dan mengakses data serta kemampuan dalam menganalisa data dalam detil data yang tepat. Sehingga data warehouse membutuhkan sesuatu yang lebih dari satu tingkat granularity tetapi dua tingkat granularity. Keuntungan dari granularity dua tingkat adalah kita dapat memproses permintaan utama dengan sangat efisien dan dapat menjawab berbagai pertanyaan yang ada. Karena biaya, efesiensi, kemudahan dalam mengakses, dan kemampuan dalam menjawab berbagai query, dual of level data merupakan arsitektur terbaik dalam detail level pada data warehouse.

12 Aliran Informasi Data Warehouse Menurut Connolly dan Begg (2005, p ), data warehouse fokus pada manajemen lima arus data primer, yaitu : a. Inflow Menurut Connolly dan Begg (2005, p1162), inflow adalah proses yang berhubungan dengan ekstraksi, pembersihan, dan loading dari data dari sistem sumber ke dalam data warehouse. Agar data dapat masuk ke dalam data warehouse maka data harus direkonstruksi terlebih dahulu. Proses rekonstruksi ini melibatkan proses : Pembersihan data yang kotor Membentuk kembali data agar sesuai dengan persyaratan data warehouse yang baru, misalnya menambah atau mengurangi field dan denormalisasi data. Memastikan sumber data konsisten dengan sumber itu sendiri dan data yang sudah ada di data warehouse. b. Upflow Menurut Connolly dan Begg (2005, p1163), upflow adalah proses yang berhubungan dengan menambah nilai data di dalam data warehouse melalui merangkum, mempaket, dan mendistribusikan data. Aktivitas yang berhubungan dengan upflow yaitu: Meringkas data dengan memilih, memproyeksikan, menggabungkan, dan mengelompokkan data relasional menjadi view yang lebih baik dan berguna untuk pengguna akhir.

13 20 Membungkus data dengan merubah detil atau ringkasan data menjadi format yang lebih berguna, seperti spreadsheets, dokumen teks, grafik, tampilan grafik yang lain, database privat, dan animasi. Mendistribusikan data untuk kelompok yang tertentu untuk meningkatkan ketersediaannya dan pengaksesannya. c. Downflow Menurut Connolly dan Begg (2005, p1164), downflow adalah proses yang berhubungan dengan pengarsipan dan melakukan backup data dalam data warehouse. Menyimpan data lama mempunyai peranan yang penting dalam mempertahankan penampilan dan efektifitas dari warehouse dengan mmengirimkan data lama dengan nilai terbatas ke sebuah tempat penyimpanan seperti magnetic tape atau optical disc. Downflow dari data juga meliputi proses yang memastikan bahwa kondisi sekarang dari data warehouse dapat dibangun kembali jika terjadi kehilangan data, kegagalan software atau hardware. d. Outflow Menurut Connolly dan Begg (2005, p1164), outflow adalah proses yang berhubungan dengan pembuatan data agar tersedia untuk pengguna akhir. Dua aktivitas kunci yang terlibat dalam outflow mencakup: Pengaksesan, yang berfokus pada kepuasan permintaan pengguna untuk data yang mereka perlukan. Pengiriman, yang berfokus dengan pengiriman informasi yang proaktif untuk workstation pengguna akhir.

14 21 e. Meta-flow Menurut Connolly dan Begg (2005, p1165), meta-flow adalah proses yang berhubungan dengan manajemen meta-data. Meta-data adalah penjelasan dari isi data dari data warehouse, apa yang ada di dalamnya, darimana berasal dan apa yang sudah dilakukan dengan pembersihan, peringkasan dan integrasi Arsitektur Data Warehouse Gambar 2.2 Arsitektur Data Warehouse Sumber: Connolly dan Begg (2005, P1157) Menurut Connoly dan Begg (2002, p1056-p1161), komponen Data Warehouse yang terdapat pada arsitektur Data Warehouse, adalah sebagai berikut :

15 22 1. Operasional Data Sumber data Data Warehouse berasal dari : - Mainframe data operasinal yang berada pada tingkat basis data generasi pertama dan basis data jaringan. Diperhatikan sebagian besar data operasional perusahaan disimpan pada sistem tersebut. - Data departemen berada di sistem penyimpanan file departemental seperti VSAM, RMS, dan relational DMBS seperti Informix dan Oracle. - Data pribadi yang tersimpan dalam workstation dan server pribadi. - Sistem eksternal seperti internet, database komersial, atau database yang berhubungan dengan supplier dan consumer. 2. Operasional Data Store (ODS) Operasional Data Store (ODS) adalah tempat penyimpanan sementara dari data operasional saat ini yang terintegrasi yang digunakan untuk analisis. ODS memiliki sumber data dan struktur yang sama seperti Data Warehouse, bertindak secara sederhana sebagai tempat penampungan sementara sebelum data dipindahkan ke Data Warehouse. Membangun ODS merupakan tahap yang berguna dalam membangun Data Warehouse, karena sebuah ODS dapat menyuplai data yang sudah diekstrak dari sistem sumber dan dibersihkan. Intergrasi dan restrukturisasi data untuk Data Warehouse menjadi lebih sederhana. 3. Load Manager Load manager melakukan semua operasi yang berhubungan dengan Extract dan Load data ke dalam Data Warehouse. Data di Extract dari sumbersumber data atau pada umumnya dari penyimpanan data operasional. Operasi

16 23 yang dilakukan Load manager dapat berupa Transformasi data yang sederhana untuk mempersiapkan data tersebut agar dapat dimasukkan kedalam Data Warehouse. 4. Warehouse Manager Warehouse Manager melakukan semua operasi yang berhubungan dengan management data dalam Data Warehouse. Operasi yang dilakukan oleh warehouse manager meliputi : Analisis data untuk memastikan konsistensi. Perbahan bentuk dan penggabungan data sumber dari gudang penyimpanan sementara ke dalam table Data Warehouse. Membuat indeks dan mengacu pada tabel dasar. Pembuatan denormalisasi. Pembuatan agrerasi. Melakukan back-up dan archive/backup data 5. Query Manager Query Manager melakukan semua operasi yang berhubungan dengan pengaturan user query. Komponen ini dibangun menggunakan vendor enduser data access tools, Data Warehouse monitoring tools, fasilitas basis data, dan custom build-in program. Kompleksitas queries manager ditentukan oleh fasilitas yang disediakan oleh end user access tools dan database. Operasi yang dilakukan komponen ini berupa pengarahan query pada table-tabel yang tepat dan penjadwalan eksekusi query.

17 24 6. Detailed Data Detailed data menyimpan semua data detail di dalam skema database. Data detail terbagi 2 yaitu : Current detail data Data ini berasal langsung dari operasional database, dan selalu mengacu pada data perusahaan sekarang. Current detail data diatur sepanjang sisi-sisi subyek seperti data profil pelanggan, data aktifitas pelanggan, data sales, data demografis, dan lain-lain. Old detail data Data ini menampilkan current detail data yang berumur atau histori dari subyek area. Data ini yang dipakai untuk menganilisis trend yang akan dihasilkan. 7. Lightly and Highly Summarized Data Lighly and Highly Summarized Data menyimpan semua data yang diringkas oleh warehouse manager. Data perlu diringkas untuk mempercepat performa query. Ringkasan data terus diperbaharui seiring dengan adanya data baru yang masuk ke dalam Data Warehouse. 8. Archive/Backup Data Archive/backup data menyimpan data detil dan ringkasan data dengan tujuan untuk menyimpan dan backup data. Walaupun ringkasan data dibangun dari detil data, akan memungkinkan untuk membuat cadangan ringkasan data secara online jika data ini ditunjukkan melebihi penyimpanan waktu untuk detil data. Data ditransfer ke arsip penyimpanan seperti magnetic tape atau optical disk.

18 25 9. Metadata Metadata menyimpan semua definisi metadata yang digunakan oleh semua proses didalam warehouse. Tujuan metadata adalah sebagai berikut : - Proses Extract dan Load metadata digunakan untuk memetakan sumber data ke dalam pandangan umum data dalam warehouse. - Proses manajemen warehouse metadata digunakan untuk mengotomatisasi pembuatan tabel ringkasan. - Sebagai proses manajemen query metadata digunakan untuk mengarahkan suatu query dengan sumber data yang tepat. 10. End-user Access Tools Tujuan utama Data Warehouse adalah menyediakan informasi bagi pengguna untuk pembuatan keputusan yang strategis dalam berbisnis. Para pengguna ini berinteraksi dengan Data Warehouse menggunakan peralatan akses end-users. Berdasarkan kegunaan Data Warehouse, ada 5 kategori endusers access tools, yaitu : - Reporting and query tool. - Application development tool. - Executive information system (EIS) tool. - Online analytical processing (OLAP) tool. - Data mining tool.

19 Anatomi Data Warehouse Penerapan awal dari arsitektur data warehouse dibuat berdasarkan konsep bahwa data warehouse mengambil data dari berbagai sumber dan memindahkannya ke dalam pusat pengumpulan data yang besar. Berikut ini adalah tiga jenis dasar dari sistem data warehouse : a. Data Warehouse Fungsional Data Warehouse fungsional menggunakan pendekatan kebutuhan dari tiap bagian fungsi bisnis, misalnya departement, divisi, dan sebagai nya. Setiap fungsi dapat memiliki gambaran oleh sistem.setiap unit fungsi dapat memiliki gambaran data masing- masing. Pendekatan ini banyak digunakan karena sistem memberikan solusi yang mudah untuk dibangun dengan biaya investasi yang relatif rendah dan dapat memberikan kemampuan system pengumpulan data yang terbatas kepada kelompok pemakai.penerapan jenis sistem pengumpulan data seperti ini beresiko kehilangan kosistensi data diluar lingkungan fungsi bisnis bersangkutan. Bila lingkup pendekatan ini diperbesar dari lingkungan fungsional menjadi lingkup perusahaan, konsistensi data perusahaan tidak lagi dapat dijamin. b. Data Warehouse Terpusat Data Warehouse dibuat pada sebuah enterprise data model yang konsisten dan berada pada suatu lokasi physical yang tetap, untuk menjamin konsistensi data yang ada ketika dilakukan proses ETL pada database ke Data Warehouse. Dengan data yang konsisten maka akan mempermudah dalam pengambilan atau pembuatan keputusan.

20 27 c. Data Warehouse Terdistribusi Data warehouse terdistribusi dikembangkan berdasarkan konsep gateway data warehouse, sehingga memungkinkan user dapat langsung berhubungan denagn sumber data atau pemasok data maupun dengan pusat pengumpulan data lainnya. Gambaran user diatas adalah gambaran logikal karena data mungkin diambil dari berbagai sumber yang berbeeda. Pendekatan ini menggunakan teknologi client/server untuk mengambil data dari berbagai sumber sehingga memungkinkan tiap departement atau divis untuk membangun sistem operasionalnya sendiri serta dapat membangun pengumpul data fungsionalnya masing masing dan menggabungkan bagian-bagian tersebut dengan teknologi client-server. Pendekatan ini akan menjadi efektif bila data tersedia dalam bentuk yang konsisten dan user dapat menambahkan data tersebut dengan informasi baru apabila ingin membangun gambaran baru atas informasi. Penereapan data warehouse terdistribusi ini memerlukan biaya yang sangat besar karena setiap pengumpul data fungsional dan sistem operasinya dikelola secara terpisah. Selain itu, supaya berguna bagi perusahaan, data yang ada harus disinkronisasikan untuk memelihara keterpaduan data Konsep Pemodelan Data Warehouse Untuk pemodelan data warehouse, lebih digunakan teknik pemodelan dimensional. Dengan teknik ini, dapat dibuat tabel fakta, tabel dimensi, dan membangun relasi antara masing-masing tabel dimensi dan tabel fakta.

21 28 a. Model Dimensional Menurut Kimball (2003, p16), Dimensional modeling adalah suatu metode desain yang merupakan peningkatan dari model relasional biasa dan teknik rekayasa realitas data teks dan angka. langkah : Menurut Kimball (2003, p18), Dalam membuat desain dimensional digunakan 4 1) Menentukan sumber data. 2) Mendeklarasi grain dari tabel fakta. 3) Masukkan dimensi untuk semua yang diketahui mengenai grain ini. 4) Masukkan fakta ukuran numerik sebenarnya ke grain tersebut. b. Skema Bintang Menurut Connolly dan Begg (2005, p1018), skema bintang adalah sebuah logikal struktur yang mempunyai sebuah tabel fakta berisi data terbaru di tengah, yang dikelilingi tabel dimensi yang berisi data referensi (yang dapat didenormalisasi). Gambar 2.3 Skema Bintang

22 29 Sumber: Menurut Ponniah (2001, p220), Skema bintang memiliki beberapa keuntungan diantaranya : Pengguna mudah untuk mengerti Saat user berinteraksi dengan data warehouse melalui alat query pihak ketiga, user seharusnya mengetahui apa maksud pertanyaannya. Mereka harus mengetahui data apa yang tersedia bagi mereka dalam data warehouse. Mereka harus memahami struktur data dan bagaimana bermacam macam bagian yang saling berhubungan dalam seluruh skema. Skema bintang menampilkan bagaimana user berpikir dan apa yang pengguna perlukan untuk meng-query dan menganalisis. Optimasi navigasi Hubungan digunakan untuk berpindah dari satu tabel ke yang lain untuk mendapatkan informasi yang dicari. Hubungan menyediakan kemampuan untuk melakukan navigasi melalui database. User dapat berpindah dari tabel satu ke tabel lain menggunakan join. Jika bagian dari proses join banyak dan rumit, navigasi melalui database menjadi sulit dan lambat. Di sisi lain, jika bagian join sederhana, maka navigasi yang ada menjadi optimal dan cepat. Keuntungan utama dari skema bintang adalah mengoptimasi navigasi melalui database. Bahkan ketika hasil dari query terlihat kompleks, navigasi akan tetap sederhana. Cocok untuk pemrosesan Query

23 30 Karena skema bintang adalah struktur query-centric, maka skema bintang sangat cocok untuk pemrosesan query. STARjoin dan STARindex Skema bintang mengizinkan software pemroses query untuk melakukan pelaksanaan yang lebih baik. Itu dapat membuat perfoma skema spesifik yang dapat diimplementasikan dalam query. Susunan skema bintang lebih cocok untuk teknik perfoma yang khusus seperti STARjoin dan STARindex. c. Tabel Fakta Menurut Whalen et al.(2001, p236), tabel fakta adalah tabel di dalam data warehouse yang menjelaskan ukuran data bisnis. Fakta berisi nilai dari sebuah kejadian atau transaksi tertentu misalnya penyimpanan uang di bank, penjualan produk, atau pesanan. Tabel fakta menyimpan nilai numerik daripada karakter. Contohnya tabel fakta dapat berisi field seperti RegionID, SalespersonID, ItemID, dan CustomerID. Tabel fakta dapat memiliki banyak foreign key yang berhubungan dengan tabel dimensi. Tabel fakta menyimpan informasi penting dari data warehouse. Tabel fakta dapat menyimpan jutaan hingga miliaran record dan memakan tempat penyimpanan hingga satu terabyte. Tabel Fakta Penjualan ID_Terapi ID_Dokter ID_Pasien ID_Waktu Jml_Terapi Jml_Pasien Tot_Penjualan

24 31 Gambar 2.4 Contoh Tabel Fakta Menurut Kimball (2008), tabel fakta merupakan dasar dari data warehouse, tabel fakta mengandung pengukuran fundamental pada sebuah perusahaan a. Concatenated key Baris dalam tabel fakta diidentifikasi dengan menggunakan primary key dari tabeltabel dimensi, maka primary key dari tabel fakta merupakan gabungan primary key dari semua tabel dimensi. b. Data grain Data grain merupakan tingkat detail untuk pengukuran. Sebagai contoh, jumlah pemesanan berhubungan berhubungan dengan jumlah produk tertentu pada suatu pesanan, tanggal tertentu, untuk pelanggan spesifik dan diperloeh oleh seorang perwakilan penjualan spesifik tertentu. Jika jumlah pesanan dilihat sebgai jumlah untuk suatu produk perbulan, maka data grain-nya berbeda dan pada tingkat yang lebih tinggi. c. Fully additive measures Agregasi dari fully additive measures dilaksanakan dengan penjumlahan sederhana nilai-nilai atribut tersebut. d. Semiadditive measures Semiadditive measures merupakan nilai yang tidak dapat langsung dijumlahkan, sebagai contoh persentase keuntungan. e. Tabel besar, tidak lebar

25 32 Tabel fakta umumnya memiliki lebih sedikit atribut daripada tabel dimensi, namun memiliki jumlah record yang lebih banyak. f. Sparse data Tabel fakta tidak perlu menyimpan record yang nilainya null. Maka tabel fakta dapat memiliki gap g. Degenerate dimensions Terdapat elemen-elemen data dari sistem operasional yang bukan merupakan fakta ataupun dimensi, seperti nomor pesanan, tagihan, dan lain-lain. Namun atributatribut tersebut dapat berguna dalam jenis analisis tertentu. d. Tabel Dimensi Menurut Whalen et al.(2001, p236), tabel dimensi digunakan untuk menyempurnakan data yang ada pada tabel fakta atau menjelaskannya dengan lebih detil. Datanya merupakan karakter. Tabel dimensi menyimpan informasi seperti region name, salesperson name, item description, customer name, dan customer addresses. Setiap tabel dimensi menyimpan baris dari data dengan informasi berupa karakter yang menjelaskan field yang berhubungan dengan tabel fakta dengan lebih detil. Tabel dimensi lebih kecil dan memiliki baris yang sedikit dari tabel fakta, biasanya terdiri dari ratusan atau ribuan record. Tabel dimensi menyimpan hanya satu baris data untuk setiap customer, sedangkan tabel fakta bisa memiliki banyak baris data untuk beberapa transaksi bagi customerid yang sama.

26 33 Gambar 2.5 Contoh Tabel Dimensi Sumber: Kimball dan Ross (2002, p20) e. Skema Snowflake Menurut Connolly dan Begg (2005, p1184), Skema snowflake adalah variasi dari skema bintang dimana tabel dimensi tidak berisi data yang denormalisasi. Keuntungan dari skema snowflake (Ponniah, 2001, p238) adalah Memerlukan tempat penyimpanan yang lebih kecil Struktur yang normal akan lebih mudah untuk diperbaharui dan dikelola f. Skema Starflake Menurut Connolly dan Begg (2005, p1185), skema starflake merupakan struktur hybrid yang berisi kombinasi antara skema bintang yang telah didenormalisasi dan snowflake yang telah dinormalisasi. Beberapa dimensi dapat menggunakan bentuk tertentu untuk memenuhi berbagai kebutuhan query.

27 ETL (Extract, Transform, Load) ETL adalah proses dimana kita melakukan migrasi dari database operasional menuju Data Warehouse. Selain ETL proses ini juga dikenal dengan nama ETT (Extract, Transformation, Transportation), atau ETM (Extract, Transformation, Move). Proses ETL sendiri dibagi menjadi 3 yaitu: a. Extract Extract adalah mengubah data ke dalam suatu format yang berguna untuk proses transformasi. Pada hakekatnya proses ekstraksi adalah proses penguraian dari data yang di ekstrak untuk mendapatkan struktur atau pola data yang diharapkan. Jika struktur atau pola data tidak sesuai dengan harapan maka data tidak dimasukkan kedalam data warehouse b. Transform Tahapan transformasi menggunakan serangkaian aturan atau fungsi untuk mengekstrak data dari sumber dan selanjutnya akan dimasukan ke data warehouse. Berikut ini adalah hal-hal yang dapat dilakukan dalam tahap transformasi: - Hanya memilih kolom tertentu saja untuk dimasukan ke dalama data warehouse - Menterjemahkan nilai-nilai yang berupa kode( contohnya apabila database sumber menyimpan nilai 1 untuk laki-laki dan nilai 2 untuk perumpuan, tetapi data warehouse yang telah ada menyimpan M untuk laki-laki dan F untuk perempuan, ini disebut dengan automated data cleansing, tidak ada pembersihana secara manual yang ditujukkan selama proses ETL)>

28 35 - Mengkodekan nilai-nilai kedalam bentuk bebas(contohnya memetakan Male, l dan Mr kedalam M). - Melakukan perhitungan nilai-nilai baru( contohnya sale_amount=qty * unit_price). - Menggabungkan data secara bersama-sama darui berbagai sumber. - Membuat ringkasan dari sekumpulan baru data(contohnya total penjualan untuk setiap tolo atau setiap bagian). - Men-generate niali surrogate key. - Transposing atau pivoting (mengubah sekumpulan kolom menjadi sekumpulan baris atau sebaliknya). - Memisahkan sebuah kolom menjadi berbagai kolom(contohnya meletakan sebuah comma-separated list yang dispesifikasikan sebagai sebuah string dalam satu kolom sebagai nilai yang tersendiri dalam kolom yang berbeda). - Menggunakan berbagai bentuk validasi data baik yang sederhana maupun kompleks. c. Load Fase load merupakan tahapan yang berfungsi untuk memasukan data kedalam target akhir, yang biasanya ke dalam suatu data warehouse. Jangka waktu proses ini tergantung pada kebutuhan organisasi. Beberapa data warehouse dapat setiap minggu menulis keseluruhan informasi yang ada secara kumulatif, data diubah, sementara data warehouse yang lain(atau bagian lain dari data warehouse yang sama) dapat menambahkan data baru dalam suatu bentuk yang historikal, contohnya setiap jam. Waktu dan jangkauan untuk mengganti atau

29 36 menambah data tergantung dari perancangan data warehouse pada waktu menganalisis keperluan informasi. Fase load berinteraksi dengan suatu database, constraint didefenisikan dalam skema database, sebagai suatu trigger yang diaktifkan pada waktu me-load data (contohnya uniqueness, referential integrity, mandaratory fields), yang juga berkontribusi untuk keseluruhan performance dan kualiatas data dari proses ETL. Masalah-masalah yang terjadi dalam ETL adalah sumber-sumber data umumnya sangat bervariasi diantaranya: a. Platform mesin dan operating system yang berlainan. b. Mungkin melibatkan sistem kuno dengan teknologi basis data yang sudah ketinggalan zaman. c. Kualitas data yang berbeda-beda. d. Aplikasi sumber data mungkin menggunakan nilai data(representasi) internal yang sulit di mengerti.

30 37 Gambar 2.6 Extract, Transform, Loading (ETL) Sumber : Teori Teori Khusus Merupakan teori-teori khusus yang merupakan teori landasan bagi teori-teori lainnya yang terdapat dalam skripsi ini Pengertian Rumah Sakit Menurut jurnal Data Warehouse Pada Rumah Sakit (2010), rumah sakit adalah pusat layanan yang sangat dibutuhkan oleh seluruh lapisan masyarakat yang membutuhkan layanan kesehatan. Setiap hari dapat ditemukan hampir ratusan pasien

31 38 yang harus dilayani oleh rumah sakit untuk proses rawat jalan, rawat inap, rawat darurat, rawat intensif serta pemeriksaan pendukung medis seperti pemeriksaan laboratorium, radiology dan lain sebagainya. Menurut Siregar dan Amalia (2003, p7), rumah sakit merupakan salah satu dari sarana kesehatan tempat menyelenggarakan upaya kesehatan. Menurut Permenkes RI No. 159b/Menkes/Per/1998, fungsi dari sebuah rumah sakit adalah : a) Menyediakan dan menyelenggarakan pelayanan medic, penunjang medic, rehabilitasi, pencegahan dan peningkatan kesehatan. b) Menyediakan tempat pendidikan atau latihan tenaga medic dan paramedik. c) Sebagai temapt penelitian dan pengembangan ilmu dan teknologi bidang kesehatann Rawat Inap Menurut Anonymous, rawat inap atau opname adalah istilah yang berarti proses perawatan pasien oleh tenaga kesehatan profesional akibat penyakit tertentu, di mana pasien diinapkan di suatu ruangan di rumah sakit. Ruang rawat inap adalah ruang tempat pasien dirawat. Ruangan ini dulunya sering hanya berupa bangsal yang dihuni oleh banyak orang sekaligus. Saat ini, ruang rawat inap di banyak rumah sakit sudah sangat mirip dengan kamar-kamar hotel. Pasien yang berobat jalan di Unit Rawat Jalan, akan mendapatkan surat rawat dari dokter yang merawatnya, bila pasien tersebut memerlukan perawatan di dalam rumah sakit, atau menginap di rumah sakit.

32 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 di fasilitas pelayanan kesehatan tersebut baik didalam gedung dan diluar gedung. Menurut Barr dan Breindel (2001, p395) Secara sederhana di definisikan, Rawat jalan meliputi prosedur terapeutik dan diagnostik serta pengobatan yang diberikan pada pasien dalam sebuah lingkungan yang tidak membutuhkan Rawat inap di Rumah Sakit Maka dapat ditarik kesimpulan bahwa pelayanan rawat jalan ini merupakan pelayanan medis untuk pasien dengan tujuan observasi, diagnosis, pengobatan dan pelayanan kesehatan lainnya tanpa harus berada dirumah sakit lebih dari 1 hari. Keuntungannya, pasien tidak perlu mengeluarkan biaya untuk menginap di rumah sakit, karena untuk pelayanan rawat jalan hanya diperlukan biaya perawatan tanpa harus mengeluarkan biaya untuk kamar Pengertian IGD Sarana kesehatan yang telah mempunyai kemampuan untuk melaksanakan pelayanan gawat darurat sesuai standart dan dapat diakses oleh masyarakat dalam kurun waktu tertentu. Kegawatan adalah keadaan yang menimpa seseorang yang dapat menyebabkan jiwanya terancam sehingga memerlukan pertolongan secara cepat, tepat dan cermat. Kedaruratan adalah keadaan yang memerlukan tindakan mendesak dan

33 40 tepat untuk menyelamatkan nyawa, menjamin perlindungan dan memulihkan kesehatan individu atau masyarakat, Anonim Pengertian Kesehatan Organisasi Kesehatan Dunia (WHO, World Health Organization) mendefinisikan sehat sebagai suatu keadaan fisik, mental dan sosial yang sejahtera dan bukan hanya ketiadaan penyakit dan lemah. Menurut UU 23 tahun 1992, kesehatan adalah keadaan sejahtera dari badan, jiwa, dan sosial yang memungkinkan setiap orang hidup produktif secara sosial dan ekonomi Berdasarkan pernyataan diatas, maka menurut kami kesehatan itu bukan hanya tidak adanya penyakit atau rasa sakit pada diri kita tapi juga seorang dapat dikatakan benar-benar sehat apabila ia itu terlihat sehat bukan hanya pada fisiknya tapi juga aspek kejiwaannya atau psikologisnya.