BAB 4 PERANCANGAN DATA WAREHOUSE

Transkripsi

1 BAB 4 PERANCANGAN DATA WAREHOUSE 4.1 Arsitektur Data Warehouse Perancangan Data Warehouse pada Rumah Sakit XYZ menggunakan Centralized Data Warehouse (Data Warehouse yang terpusat). Sumber data yang terdapat pada database operasional Rumah Sakit XYZ akan dipilih berdasarkan jenis pelaporan yang disesuaikan dengan kebutuhan oleh perusahaan, yang kemudian dikumpulkan dan diintegrasikan pada suatu tempat penyimpanan yang besar. Setelah terintegrasi dan terstruktur barulah data digunakan oleh (CEO Broad Management, COO (Chief Operating Officer), Chief of Business Marketing and Customer Management, dan Chief of Division of Clinical Standards Safety and Quality). Dipilihnya arsitektur terpusat karena memiliki beberapa keuntungan, yaitu : 1. Konsistensi data sangat tinggi karena terlebih dahulu data-data sudah diintegrasikan. 2. Mempermudah perbaikan (maintenance) dan pemantau (Controlling) data data yang ada dalam Data Warehouse, karena sudah memiliki tempat penyimpanan yang khusus. Gambar 4.1 : Arsitektur Data Warehouse pada Rumah Sakit XYZ

2 Berdasarkan gambar diatas, dapat dijelaskan bagian-bagian pada arsitektur data warehouse pada Rumah Sakit XYZ sebagai berikut : 1. Data Source merupakan sumber data operasional (OLTP Rumah Sakit XYZ) 2. Staging Area merupakan area dimana data-data OLTP di ekstrak, kemudian di transformasi (di bersihkan, diubah jika ada nilai kosong atau invailid, di ubah format filenya), lalu di load untuk kemudian disimpan di data warehouse. 3. Data Warehouse merupakan sebuah tempat penyimpanan data-data yang telah melalui proses ETL atau Stagging Area. Pada Data Warehouse ini, data-data telah berbentuk dimensi dan fakta. 4. User dapat berinteraksi atau menggunakan data-data yang ada di dalam data warehouse dengan End-User yang tersedia. Access Control yaitu aplikasi OLAP, dimana user bisa menerima informasi dan menganalisis informasi yang berupa Summary Report, terdapat empat user pada perancangan data warehouse ini, yaitu : 1. CEO Broad Management yang berperan dalam menetapkan arah dan tujuan berdasarkan laporan yang diberikan, serta menetapkan kebijakan operasional sebagai pedoman kerja rumah sakit. 2. Chief Operating Officer yang bertanggung jawab untuk operasi seharihari pada rumah sakit, yang akan membuat laporan divisinya untuk di berikan kepada CEO Broad Management. 3. Chief of Division of Clinical Standards Safety and Quality yang bertanggung jawab atas penyarankan pada kualitas klinis dan keselamatan untuk meningkatkan pengalaman perawatan dan membantu di Area Pelayanan Kesehatan Mental dalam meminimalkan kasus efek samping yang serius sementara orang dalam perawatan, serta konsumen dan pengasuh keterlibatan untuk mendukung integrasi pemulihan dan perawatan pada pasien yang akan memberikan laporan divisinya kepada CEO Broad Management.

3 4. Chief of Bussiness Marketing and Customer Management yang bertanggung jawab atas peningkatan customer relationship, public relation, promosi rumah sakit, dan membuat laporan dari divisinya kepada CEO Broad Management. 4.2 Perancangan Data Warehouse Pada sub bab ini dijelaskan mengenai perancangan data warehouse pada Rumah Sakit XYZ berdasarkan nine-step methodology : Memilih Proses (Choosing the Process) Berikut proses yang ada pada Rumah Rumah Sakit XYZ yang akan dipilih untuk perancangan Data Warehouse : Proses Rawat Jalan Rawat Jalan adalah proses yang dilakukan pada Rumah Sakit XYZ dimana pasien tidak memerlukan perawatan intensif dari rumah sakit. Proses rawat jalan yang dimaksudkan untuk perancangan data warehouse ini adalah proses yang dimulai dari pendaftaran rawat jalan oleh pasien yang kemudian melakukan kunjungan kepoliklinik tertentu sesuai penyakitnya dan kemudian bertemu dengan dokter yang menangani. Dokumen yang akan digunakan meliputi Poliklinik, Dokter, Penyakit, Spesialis, RekamMedik, Transaksi PenunjangMedik, Pasien, Transaksi RawatJalan dan data yang digunakan meliputi KdPasien, NamaPasien, KdRekMedik, KdPoliklinik, Jenis Spesialis, KdDokter, Nama Dokter, KdPenyakit, KdTrRawatJalan, KdTrPenunjangMedik.

4 Proses Rawat Inap Rawat Inap adalah proses yang dilakukan pada Rumah Sakit XYZ dimana pasien memerlukan perawatan intensif dan harus dipantau secara rutin oleh. Proses rawat inap yang dimaksudkan dalam perancangan data warehouse ini dimulai dari pendaftaran rawat inap sampai dengan keluamya pasien dari. Dokumen yang akan digunakan meliputi Transaksi Rawatlnap, Detail RawatInap, RekamMedik, Pasien, Penyakit, Dokter, Spesialis, Transaksi PenunjangMedik dan data yang digunakan meliputi KdPasien, Nama Pasien, KdDokter, Nama Dokter, Jenis Spesialis, Nama Kamar, Kelas, NamaObat, NamaPenyakit Proses Penunjang Medik Proses pada penunjang medik di Rumah Sakit XYZ adalah proses untuk menunjang perawatan medis di rumah, baik rawat jalan maupun rawat inap. Proses penunjang medik yang dimaksudkan dalam perancangan data warehouse ini dimulai dari pendaftaran pasien ke laboratorium yang sesuai dengan kebutuhan pasien, sampai hasil didapatkan. Dokumen yang akan digunakan meliputi Transaksi PenunjangMedik, Transaksi RawatJalan, Transaksi RawatInap, Kamar, Fasilitas, Obat, Dan data yang digunakan meliputi KdTrRawatJalan, KdTrRawatInap, KdTrPenunjangMedik, KdFasilitas, KdObat Memilih Grain (Choosing the Grain) Memilih grain berarti menentukan apa yang sebenarnya direpresentasikan oleh record dalam tabel fakta. Berikut adalah grain yang ada dalam perancangan Data Warehouse Rumah Sakit XYZ :

5 Grain Proses Rawat Jalan Analisis yang dilakukan pada rawat jalan meliputi, Penyakit yang paling banyak diderita pasien, Jumlah pasien rawat jalan yang terbanyak pada setiap bulan, Poliklinik yang paling banyak dikunjungi pasien, Kategori umur pada penyakit apa yang paling banyak melakukan pemeriksaan, Kategori jenis kelamin apa yang paling banyak berobat, dan jumlah transaksi rawat jalan Grain Proses Rawat Inap Analisis yang dilakukan pada rawat inap meliputi, kategori umur pada pasien rawat inap, jumlah pasien rawat inap yang terbanyak pada setiap bulan, Penyakit yang paling banyak diderita pasien pada rawat inap, Kamar sering digunakan pada rawat inap, dokter spesialis yang paling banyak melakukan pengobatan, Jumlah transaksi Rawat Inap Grain Proses Penunjang Medik Analisis yang dilakukan pada penunjang medik meliputi Jenis obat yang paling banyak dipakai, Jumlah penunjang medik yang di gunakan pada rawat inap, Jumlah penunjang medik yang di gunakan pada rawat jalan, dan jenis fasilitas yang paling banyak gunakan.

6 4.2.3 Mendefiniskan dan Menyesuaikan Dimensi (Identifying and Conforming the Dimensions) 1. Rawat Jalan Grain \ Dimensi Waktu Pasien Poliklinik Penyakit Penyakit yang paling banyak V V V diderita pasien Jumlah pasien rawat jalan yang terbanyak pada setiap bulan V V Poliklinik yang paling banyak dikunjungi pasien V V V Kategori umur pada penyakit apa V V V yang paling banyak melakukan pemeriksaan Kategori jenis kelamin apa yang paling banyak berobat rawat jalan V V Jumlah transaksi rawat jalan pertahun V V V Table 4.1 : Mendefiniskan dan Menyesuaikan Dimensi Rawat Jalan

7 2. Rawat Inap Grain \ Dimensi Waktu Pasien Penyakit Dokter Kamar Kategori umur pada jumlah V V pasien rawat inap Jumlah pasien rawat inap V V yang terbanyak pada setiap bulan. Penyakit yang paling banyak diderita pasien pada rawat inap V V V Kamar sering digunakan pada rawat inap V V Dokter spesialis yang paling banyak melakukan pengobatan V V Kategori jenis kelamin apa V V yang paling banyak berobat rawat inap Jumlah transaksi rawat inap pertahun V V V V Table 4.2 : Mendefiniskan dan Menyesuaikan Dimensi Rawat Inap

8 3. Penunjang Medik Grain \ Dimensi Waktu Penunjang Obat Fasilitas Pasien Medik Jenis Obat yang paling banyak V V digunakan. Jumlah penunjang medik yang V V V digunakan pasien rawat inap Jumlah penunjang medik yang V V V digunakan pasien rawat jalan Jumlah Jenis Fasilitas yang paling banyak digunakan. V V Table 4.3 : Mendefiniskan dan Menyesuaikan Dimensi Penunjang Medik Memilih Fakta (Choosing the Facts) Di tahap ini akan dilakukan pemilihan fakta yang akan digunakan pada Data Warehouse. Fakta yang ada akan diproses dan ditampilkan dalam bentuk Summary Report. Berikut adalah faktafakta yang akan digunakan : 1.Fakta Rawat Jalan terdiri atas atribut : PoliklinikID, WaktuID, PenyakitID, PasieniD, JumlahRawatJalan 2. Fakta Rawat Inap terdiri atas atribut : KamarID, WaktuID, PenyakitID, PasieniD, DokterID, JumlahRawatInap 3. Fakta Penunjang Medik terdiri atas atribut : WaktuID, PenunjangMedikID, PasienID, ObatID, FasilitasID, JumlahPenunjangMedik.

9 4.2.5 Menyimpan Pre-Kalkulasi dalam Tabel Fakta (Storing precalculation in the fact table) Kalkulasi awal terdapat pada tabel fakta. Pre-kalkulasi yang terdapat dalam tabel fakta meliputi : 1.Fakta Rawat Jalan : Jumlah rawat jalan dari keseluruhan kunjungan rawat jalan yang terjadi di Rumah Sakit XYZ. 2.Fakta Rawat Inap : Jumlah rawat inap dari keseluruhan kunjungan rawat inap yang terjadi di Rumah Sakit XYZ. 3.Fakta Penunjang Medik : Jumlah penunjang medik dari keseluruhan kebutuhan penunjang medik yang terjadi di Rumah Sakit XYZ Melengkapi Tabel Dimensi (Rounding out the dimension tables) Dimensi Keterangan Waktu Laporan dapat dilibat berdasarkan priode Tahun, Bulan, Hari Pasien Laporan dapat dilihat berdasarkan pasien Poliklinik Laporan dapat dilihat berdasarkan poliklinik Dokter Laporan dapat dilihat berdasarkan dokter Penyakit Laporan dapat dilihat berdasarkan penyakit Obat Laporan dapat dilibat berdasarkan kategori umur Kamar Laporan dapat dilihat berdasarkan kamar Fasilitas Laporan dapat dilihat berdasarkan Fasilitas. Jenis Penunjang Medik Laporan dapat dilihat berdasarkan jenis penunjang medik Table 4.4 : Tabel Dimensi

10 1. Dimensi waktu Atribut Tipe Data Ukuran Keterangan WaktuID Int 7 ID Waktu Tanggal DateTime 8 Berdasarkan tanggal Hari Int 4 Berdasarkan hari Bulan Int 4 Berdasarkan bulan Tahun Int 4 Berdasarkan tahun Table 4.5 : Tabel Dimensi waktu 2. Dimensi Pasien Atribut Tipe Data Ukuran Keterangan PasienID Int 7 ID Pasien KdPasien Varchar 7 Kode Pasien Namalengkap Varchar 50 Nama Pasien Table 4.6 : Tabel Dimensi Pasien 3. Dimensi Poliklinik Atribut Tipe Data Ukuran Keterangan PoliklinikID Int 7 ID Poliklinik KdPoliklinik Varchar 7 Kode Poliklinik NamaPoliklinik Varchar 45 Nama Poliklinik Table 4.7 : Tabel Dimensi Poliklinik 4. Dimensi Penyakit Atribut Tipe Data Ukuran Keterangan PenyakitID Int 7 ID Penyakit KdCID Varchar 7 Kode CID Keterangan Varchar 100 Keterangan penyakit Table 4.8 : Tabel Dimensi Penyakit

11 5. Dimensi PenunjangMedik Atribut Tipe Data Ukuran Keterangan PenunjangMedikID Int 7 ID Penunjang Medik KdPenunjangMedik Varchar 7 Kode Penunjang Medik KdTrRawatJalan Varchar 7 Kode Rawat Jalan KdTrRawatInap Varchar 7 Kode Rawat Inap Table 4.9 :Tabel Dimensi JenisPenunjangMedik 6. Dimensi Dokter Atribut Tipe Data Ukuran Keterangan DokterID Int 7 ID Dokter KdDokter Varchar 7 Kode Dokter NamaDokter Varchar 50 Nama Dokter Spesialisasi Varchar 50 Spesialisasi Dokter Table 4.10 : Tabel Dimensi Dokter 7. Dimensi Kamar Atribut Tipe Data Ukuran Keterangan KamarId Int 7 ID Kamar KdKamar Varchar 7 Kode Kamar NamaKamar Varchar 20 Nama Kamar KelasKamar Varchar 10 Kelas Kamar JenisKamar Varchar 50 Jenis Kamar Table 4.11 : Tabel Dimensi Kamar 8. Dimensi Obat Atribut Tipe Data Ukuran Keterangan ObatId Int 7 ID Obat NamaObat Varchar 100 Nama Obat Qty int 3 Jumlah Obat Table 4.12 : Tabel Dimensi Obat

12 9. Dimensi Fasilitas Atribut Tipe Data Ukuran Keterangan FasilitasId Int 7 ID Fasilitas NamaFasilitas Varchar 100 Nama Fasilitas Jumlah Fasilitas int 3 Jumlah Fasilitas Table 4.13 : Tabel Dimensi Fasilitas Memilih Durasi dari Database (Choosing the duration of the database) Durasi dari database Rumah Sakit XYZ yang dimasukkan ke dalam Data Warehouse adalab sebagai berikut : Nama Aplikasi DWH RS. XYZ Database Database ada sejak tahun Data yang masuk ke Data Warehouse Data dalam Data Warehouse OLTP RS Tabun XYZ Table 4.12 : Tabel Durasi dari Database Data yang masuk ke dalam Data Warehouse dimulai dari tahun 2005 dimana pihak IT mulai kesulitan dalam menyimpan data yang semakin tahun semakin banyak dan berkembang. Sehingga dibuatlah database untuk menapung semua data transaksi.

13 1.2.8 Melacak Perubahan Dimensi Secara Perlahan (Tracking slowly changing dimensions) Pada perancangan Data Warehouse Rumah Sakit XYZ ini menggunakan overwriting, yaitu perubahan record dengan merubah record lama dengan record yang baru. Data yang lama akan ditimpa oleh data yang baru. Hal ini dilakukan karena data yang lama dianggap tidak diperlukan lagi karena mempunyai banyak kesamaan atribut dengan data sebelumnya. Contohnya seperti adanya perubahan pada nama pasien, maka atribut status dokter yang lama tersebut akan ditimpa dengan atribut status dokter yang baru pada record yang sama Memutuskan Prioritas dan Mode dari Query (Deciding the query priorities and the query modes) Proses Extract, Transformation, and Load (ETL) Proses Extract, Transformation, Loading akan dilakukan setiap hari dan akan dilakukan oleh staff IT di Rumah Sakit XYZ. Tetapi apabila terjadi perubahan data pada basis data operasional yang merupakan sumber dari tabel dimensi, maka akan dilakukan Extract, Transformation, Loading saat terjadi perubahan tersebut.

14 Berikut ini gambar dari proses Extract, Transformation, Loading : Masukan data ke dalam database dengan berbagai cara yaitu dengan import atau membuat data baru. Gambar 4.2 : Proses ETL

15 Data source pertama-tama ditentukan tujuan data tersebut akan di proses dan di simpan. Gambar 4.3 : Proses ETL 1

16 data tersebut. Lalu tentukan komputer mana yang akan bertugas mengatur Gambar 4.4 : Proses ETL 2 Tentukan dan pilih data yang akan dipakai atau akan dimasukan kedalam database Gambar 4.5 : Proses ETL 3

17 destination Buat atau sambungkan atau data flow dari data source ke data Gambar 4.6 : Proses ETL 4 sebelumnya Tentukan input dan output dari komponen yang terlah dibuat Gambar 4.7 : Proses ETL 5

18 Pilih pengaturan yang sesuai dengan yang dibutuhkan untuk nantinya dipakai dalam proses pengolahan data atau Data Transformation Gambar 4.8 : Proses ETL 6 Data nantinya akan diolah secara otomatis dan akan disimpan ke dalam destination yang tadi telah di atur Proses Backup Proses backup data akan dilakukan satu minggu sekali oleh staff IT sebelum dilakukan proses ETL. Backup dilakukan untuk mengantisipasi kegagalan dalam proses ETL dan membuat salinan data ke media penyimpanan yang lain untuk mengurangi resiko kehilangan data karena kerusakan pada hardware, kesalahan user, ataupun bencana alam. Backup yang dilakukan menggunakan tipe full backup dimana datadata pada data warehouse akan disalin ke media penyimpanan lain secara keseluruhan, dimana jika terdapat penambahan data, backup akan menyalin keseluruhan data dan akan mereplace data-data backup yang sebelumnya.

19 Hari Minggu ke-1 Minggu ke-2 Minggu ke-3 Minggu ke-4 Total Ukuran Database 200Mb 400Mb 600Mb 650Mb Jumlah data yang harus di 200Mb 400Mb 600Mb 650Mb backup Table 4.13 : Tabel Proses Backup Pada tabel di atas diterangkan bagaimana terjadinya proses backup yang akan dilakukan pada data warehouse di Rumah Sakit XYZ, dimana minggu ke-1 data yang masuk adalah 200Mb, kemudian minggu ke-2 data yang masuk adalah 200Mb, jadi tota Mb, dengan full backup maka data sebelumnya (200Mb) akan ditimpa dengan total data saat ini (400Mb), begitu pula selanjutnya Security Keamanan yang berhubungan dengan perihal data-data yang ada di dalam data warehouse merupakan salah satu faktor yang perlu diperhatikan karena berkaitan langsung dengan kerahasiaan data. Hak akses akan diberikan kepada pihak-pihak yang berkepentingan dan membutuhkan contohnya dengan menggunakan username dan password saat log in. Disini CEO Broad Management, COO (Chief Operating Officer), Chief of Business Marketing and Customer Management, dan Chief of Division of Clinical Standards Safety and Quality mendapatkan hak akses untuk keseluruhan data yang ada di dalam data warehouse.

20 Estimasi kapasitas Media Penyimpanan Dalam membangun sebuah data warehouse, kapasitas media penyimpanan data merupakan salah satu aspek yang perlu diperhatikan dan diperhitungkan. Dengan rumus yang didapat dari SQL Server Books Online dengan kata kunci Estimate the Size of a Heap dengan rumus sebagai berikut : Num Rows = Jumlah baris dalam tabel Num_Cols = Total jumlah kolom dalam tabel (tipe data pasti + tipe data variabel) Fixed_Data_Size = Total ukuran dari tipe data pasti. Num_Variable_Cols = Jumlah kolom tipe data variabel dalam tabel Max_Var_Size = total ukuran maksimal dari kolom ber-tipe data variabel Variable_Data_Size = 2 + (Num_Variable_Cols x 2) + Max_Var_Size Null_Bitmap = 2 + ((Num_Cols + 7) / 8) Row_Size = Fixed_Data_Size + Variable_Data_Size + Null_Bitmap + 4 Rows_Per_Page = 8096 / (Row_Size + 2) Num_Pages = Num_Rows / Rows_Per_Pages Heap size (bytes) = 8192 x Num_Pages Berdasarkan rumus yang ada di atas, maka dilakukan estimasi perhitungan terhadap tabel-tabel dimensi dan fakta yang ada pada Iingkup skripsi perancangan data warehouse ini yaitu sebagai berikut :

21 i. Record dimensi pasien pada tahun ini sekitar 150 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 150 x (8(1+0,1) 5 ) = 1200 baris pada tahun ke-8 Num_Rows = 1200 Num_Cols = 3 Fixed_Data_Size = 7 Num_Variable_Cols = 3 Max_Var_Size = 64 Variable_Data_Size = 2 + (3 * 2) + 64 = 72 bytes Null_Bitmap = 2 + ((3+7)/8) = 3 Row_Size = = 86 bytes Rows_per_Page = 8096 / (86 + 2) = 92 Num_Pages = 1200 / 91 = 13 Heap size = 8192 * 13 = 107 kilobytes ii. Record dimensi waktu pada tahun ini sekitar 500 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 * (8(1+0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 6 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 31 Variable_Data_Size = 2 + (7 * 2) + 31 = 47 bytes Null_Bitmap = 2 +((6+7) / 8) = 4 Row_Size = = 61 Rows_per_Page = 8096 / (61+2) = 127 Num_Pages = 4000 / 127 = 31 Heap size = 8192 * 31 = 258 Kilobytes

22 iii. Record dimensi penyakit pada tahun ini sekitar 500 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 * (8 (1+0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 3 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 114 Variable_Data_Size = 2 + (7 * 2) = 130 bytes Null_Bitmap = 2 + ((3 + 7) / 8) = 3 Row_Size = = 144 Rows_Per_Page = 8096 / ( ) = 55 Num_Pages = 4000 / 55 = 72 Heap size = 8192 * 72 = 592 Kilobytes iv. Record dimensi poliklinik pada tahun ini sekitar 16 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 16 * (8(1+0,1) 5 ) = 26 baris pada tahun ke-8 Num_Rows = 26 Num_Cols = 3 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 59 Variable_Data_Size = 2 + (7 * 2) + 59 = 75 bytes Null_Bitmap= 2 + ((3 + 7) / 8) = 3 Row_Size = = 89 Rows_Per_Page = 8096 I (89 + 2) = 89 Num_Pages = 26 / 89 = 0 Heap size = 8192 * 0 = 2 Kilobytes

23 v. Record dimensi Obat pada tahun ini sekitar 500 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 * (8(1+0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 4 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max Var Size = 177 Variable_Data_Size = 2 + (7 * 2) = 193 bytes Null_Bitmap = 2 +((4 + 7) / 8) = 3 Row_Size = = 207 Rows_Per_Page = 8096 / ( ) = 39 Num_Pages = 4000 / 39 = 103 Heap size = 8192 * 103 = 847 Kilobytes vi. Record dimensi penunjang pada tahun ini sekitar 20 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 20 * (8(1+0.1) 5 ) = 160 baris pada tahun ke-8 Num_Rows = 160 Num_Cols = 3 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 64 Variable_Data_Size = 2 + (7 * 2) + 64 = 80 bytes Null_Bitmap = 2 + ((3 + 7) / 8) = 3 Row_Size = = 94 Rows_per_Page = 8096 / (94 + 2) = 84 Num_Pages = 160 / 84 = 2 Heap size = 8192 * 2 = 15 Kilobytes

24 vii. Record dimensi dokter pada tahun ini sekitar 125 baris, main estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 125 * (8(1+0,1) 5 ) = 1000 baris pada tahun ke-8 Num_Rows = 1000 Num_Cols = 4 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 114 Variable_Data_Size = 2 + (7 * 2) + 64 = 80 bytes Null_Bitmap = 2 + ((3 + 7) / 8) = 3 Row_Size = = 94 Rows_Per_Page = 8096 / (94 + 2) = 84 Num_Pages = 1000 / 84 = 12 Heap size = 8192 * 12 = 98 Kilobytes viii. Record dimensi Kamar pada tahun ini sekitar 200 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 200 * (8(1+0,1) 5 ) = 1600 baris pada tahun ke-8 Num_Rows = 1600 Num_Cols = 5 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 94 Variable_Data_Size = 2 + (7 * 2) + 94 = 110 bytes Null_Bitmap = 2 +(( 5 + 7) / 8) = 4 Row_Size = = 125 Rows_Per_Page = 8096 / ( ) = 64 Num_Pages = 1600 / 64 = 25 Heap size = 8192 * 25 = 205 Kilobytes

25 ix. Record fakta rawat jalan pada tahun ini sekitar 500 baris, main estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 * (8(1+0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 6 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 135 Variable_Data_Size = 2 + (7 * 2) = 151 bytes Null_Bitmap = 2 + ((6 + 7) / 8) = 4 Row Size = = 166 Rows_Per_Page = 8096 / ( ) = 48 Num_pages = 4000 / 48 = 83 Heap size = 8192 * 83 = 679 x. Record fakta rawat inap pada tahun ini sekitar 500 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 * (8(1+ 0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 7 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 142 Variable_Data_Size = 2 + (0 * 2) + 0 = 158 bytes Null_Bitmap = 2 + ((7 + 7) / 8) = 4 Row_Size = = 172 Rows_Per_Page = 8096 / ( ) = 46 Num_Pages = 4000 / 46 = 87 Heap size = 8192 * 87 = 707 Kilobytes

26 xi. Record fakta penunjang medik pada tahun ini sekitar 500 baris, maka estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 500 x (8(1+0,1) 5 ) = 4000 baris pada tahun ke-8 Num_Rows = 4000 Num_Cols = 5 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 128 Variable_Data_Size = 2 + (7 * 2) = 144 bytes Null_Bitmap= 2 +((5 + 7) / 8) = 4 Row_Size = = 159 Rows_Per_page = 8096 / ( ) = 50 Num_Pages = 4000 / 50 = 79 Heap size = 8192 * 79 = 650 Kilobytes xii. Record dimensi fasilitas pada tahun ini sekitar 125 baris, main estimasi ukuran data untuk lima tahun mendatang ditambah dengan pertumbuhan sebesar 10% adalah : 125 * (8(1+0,1) 5 ) = 1000 baris pada tahun ke-8 Num_Rows = 1000 Num_Cols = 4 Fixed_Data_Size = 7 Num_Variable_Cols = 7 Max_Var_Size = 114 Variable_Data_Size = 2 + (7 * 2) + 64 = 80 bytes Null_Bitmap = 2 + ((3 + 7) / 8) = 3 Row_Size = = 94 Rows_Per_Page = 8096 / (94 + 2) = 84 Num_Pages = 1000 / 84 = 12 Heap size = 8192 * 12 = 98 Kilobytes

27 Dim Nama Dimensi Jumlah Record pertahun Jumlah Record sampai 8 tahun Bytes KBytes MBytes Dim Waktu ,258 Dim Pasien ,107 Dim Po1iklinik ,002 Dim Dokter ,098 Dim Penyakit ,592 Dim Kamar ,205 Dim PenunjangMedik ,015 Dim Obat ,592 Dim Fasilitas ,098 Table 4.14 : Estimasi kapasitas Media Penyimpanan Dimensi Nama Fakta Jumlah Record pertahun Jumlah Record sampai 5 tahun Bytes KBytes MBytes Fakta Rawat Jalan ,679 Fakta Rawat Inap ,707 Fakta PenunjangMedik ,650 Table 4.15 : Estimasi kapasitas Media Penyimpanan Fakta

28 4.3 Star Scheme, Datawarehouse Bus dan Metadata Pada sub bab ini akan digambarkan skema bintang dan metadata dari Data Warehouse yang dirancang. Secara keseluruhan, hubungan dari proses Rawat Jalan, Rawat Inap dan Penunjang Medik ditampilkan pada gambar berikut : Gambar 4.9 : Gambar Keseluruhan Skema Bintang

29 Star Scheme (Skema Bintang) Star Scheme yang dirancang melingkupi 3 Fakta yaitu : Rawat Jalan, Penunjang Medik, dan Rawat Inap. Star Scheme dibuat berdasarkan tabel pada rancangan ERD yang diusul. Ada 3 fakta yang dibuat menjadi Star Scheme yaitu Fakta Rawat Jalan, Fakta Rawat Inap, dan Fakta Penunjang Medik. Dalam setiap dimensi masingmasing dibuat Primary Key yang baru biasanya dinamakan Surrogate Key untuk dihubungkan pada tabel fakta sebagai Unique Key baru yang bukan merupakan turunan dari tabel manapun. Kemudian dimensi pada setiap Star Scheme diambil berdasarkan tabel pada ERD yang diusulan tetapi hanya beberapa atribut tertentu yang dibutuhkan dan yang nantinya akan digunakan sebagai pembanding dalam pengambilan keputusan oleh pihak para atasan rumah sakit. o Fakta Rawat Jalan Fakta Rawat Jalan menggunakan 5 tabel dimensi yaitu : 1. Dimensi Poliklinik (DimPoliklinik) Berasal dari tabel MsPoliklinik, mengambil atribut JumlahPoliklinik dan KdPoliklinik. 2. Dimensi Pasien (DimPasien) Berasal dari tabel MsPasien, mengambil atribut KdPasien dan NamaLengkap. 3. Dimensi Penyakit (DimPenyakit) Berasal dari tabel MsPenyakit, mengambil atribut KdPenyakit dan Keterangan. 4. Dimensi Waktu (DimWaktu) Berasal dari tanggal transaksi pada transaksi rawat jalan, rawat inap dan penunjang medik di gabungkan dengan query UNION pada proses ETL, kemudian dipisahkan berdasarkan kategori hari, bulan, dan tahun sebagai atributnya.

30 Gambar 4.10 : Gambar FaktaRawatJalan Kelima tabel dimensi di atas di gabungkan dalam satu tabel Fakta yaitu FaktaRawatJalan yang berisi masing-masing Surrogate Key dari pada setiap dimensi ditambah satu atribut yaitu jumlah keseluruhan rawat jalan yang ada.

31 o Fakta Rawat Inap Fakta Rawat Inap menggunakan 6 tabel dimensi yaitu : 1. Dimensi Waktu (DimWaktu) Berasal dari tanggal transaksi pada transaksi rawat jalan, rawat inap dan penunjang medik di gabungkan dengan query UNION pada proses ETL, kemudian dipisahkan berdasarkan kategori hari, bulan, dan tahun sebagai atributnya. 2. Dimensi Penyakit (DimPenyakit) Berasal dari tabel MsPenyakit, mengambil atribut KdPenyakit dan Keterangan. 3. Dimensi Kamar (DimKamar) Berasal dari tabel MsKamar, mengambil atribut KdKamar, NamaKamar, Kelas, JenisKamar. 4. Dimensi Pasien (DimPasien) Berasal dari Tabel MsPasien, mengambil atribut KdPasien dan NamaLengkap 5. Dimensi Dokter (DimDokter) Berasal dari tabel MsDokter, mengambil atribut KdDokter dan Nama dan Spesialis diambil dari MsSpesialis.

32 Gambar 4.11 : Gambar FaktaRawatInap Keenam tabel dimensi di atas di gabungkan dalam satu tabel Fakta yaitu FaktaRawatInap yang berisi masing-masing Surrogate Key dari pada setiap dimensi ditambah satu atribut yaitu jumlah keseluruhan rawat inap yang ada.

33 o Fakta Penunjang Medik Fakta penunjang medik terdiri dari 4 tabel dimensi yaitu : 1. Dimensi Waktu (DimWaktu) Berasal dari tanggal transaksi pada transaksi rawat jalan, rawat inap dan penunjang medik di gabungkan dengan query UNION pada proses ETL, kemudian dipisahkan berdasarkan kategori hari, bulan, kuartal, dan tahun sebagai atributnya. 2. Dimensi Pasien (DimPasien) Berasal dari Tabel MsPasien, mengambil atribut KdPasien dan NamaLengkap. 3. Dimensi Penunjang Medik (DimPenunjangMedik) Dimensi ini berasal dari tabel TrPenunjangMedik, TrRawatInap, TrRawatJalan, mengambil atribut KdTrPenunjangMedik, KdTrRawatInap, KdTrRawatJalan. 4. Dimensi Obat (DimObat) Dimensi ini berasal dari tabel MsObat, mengambil atribut KdObat, NamaObat, Qty. 5. Dimensi Fasilitas (DimFasilitas) Dimensi ini berasal dari tabel MsFasilitas, mengambil atribut KdFasilitas, Jumlah Fasilitas.

34 Gambar 4.12 : Gambar Fakta PenunjangMedik Keempat tabel dimensi di atas di gabungkan dalam satu tabel Fakta yaitu FaktaPenunjangMedik yang berisi masing-masing Surrogate Key dari pada setiap dimensi ditambah satu atribut yaitu jumlah keseluruhan jenis penunjang medik yang ada.

35 4.3.2 Metadata Nama Database RS.XYZ Nama DimWaktu Table Deskripsi Tabel tentang informasi data waktu Source Target Data Source Coloumn Type/ length Description Table Field Name Type/ length Load Status WaktuID Int SURROGATE KEY CREATE Tanggal Int Int TRANSFORM Hari Int Int TRANSFORM Bulan Int Int TRANSFORM Tahun Int Int TRANSFORM Table 4.16 : Metadata DimWaktu Nama Database RS.XYZ Nama Table DimPasien Deskripsi Mendata pasien terdaftar Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status PasienID Int SURROGATE KEY CREATE KdPasien varchar(7) BUSINESS KEY MsPasien KdPasien varchar(7) COPY NamaLengkap varchar(50) MsPasien NamaLengkap varchar(50) COPY Table 4.17 : Metadata DimPasien

36 Nama Database RS.XYZ Nama Table DimPoliklinik Deskripsi Mendata poliklinik terdaftar Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status PoliklinikID Int SURROGATE KEY CREATE KdPoliklinik varchar(7) BUSINESS KEY MsPoliklinik KdPoliklinik varchar(7) COPY NamaPoliklinik varchar(45) MsPoliklinik NamaPoliklinik varchar(45) COPY Table 4.18 : Metadata DimPoliklinik Nama Database RS.XYZ Nama Table DimPenyakit Deskripsi Mendata penyakit Coloumn Source Target Type/ length Description Table Data Source Field Name Type/ length Load Status PenyakitID Int SURROGATE KEY CREATE KdPenyakit varchar(7) BUSINESS KEY MsPenyakit KdPenyakit varchar(7) COPY Keterangan varchar(100) MsPenyakit Keterangan varchar(100) COPY Table 4.19 : Metadata DimPenyakit

37 Nama Database RS.XYZ Nama Table DimDokter Deskripsi Mendata Dokter Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status DokterID Int SURROGATE KEY CREATE KdDokter varchar(7) BUSINESS KEY MsDokter KdDokter varchar(7) COPY NamaDokter varchar(50) MsDokter NamaDokter varchar(50) COPY Spesialisasi varchar(50) MsDokter Spesialisasi varchar(50) COPY Table 4.20 : Metadata DimDokter Nama Database RS.XYZ Nama Table DimPenunjangMedik Deskripsi Mendata Kamar Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status KamarId Int SURROGATE KEY CREATE KdKamar varchar(7) BUSINESS KEY MsKamar KdKamar varchar(7) COPY NamaKamar varchar(20) MsKamar NamaKamar varchar(20) COPY KelasKamar varchar(10) MsKamar KelasKamar varchar(10) COPY JenisKamar varchar(50) MsKamar JenisKamar varchar(50) COPY Table 4.21 : Metadata DimPenunjangMedik Nama Database RS.XYZ

38 Nama Table DimKamar Deskripsi Mendata Kamar Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status KamarId Int SURROGATE KEY CREATE KdKamar varchar(7) BUSINESS KEY MsKamar KdKamar varchar(7) COPY NamaKamar varchar(20) MsKamar NamaKamar varchar(20) COPY KelasKamar varchar(10) MsKamar KelasKamar varchar(10) COPY JenisKamar varchar(50) MsKamar JenisKamar varchar(50) COPY Table 4.22 : Metadata DimKamar Nama Database RS.XYZ Nama Table DimObat Deskripsi Mendata Obat Coloumn Source Target Type/ length Description Table Data Source Field Name Type/ length Load Status ObatId Int SURROGATE KEY CREATE KdObat varchar(7) BUSINESS KEY MsObat KdObat varchar(7) COPY NamaObat varchar(100) MsObat NamaObat varchar(100) COPY Qty int(3) MsObat Qty int(3) COPY Table 4.23 : Metadata DimObat Nama Database Nama Table RS.XYZ DimFasilitas

39 Deskripsi Mendata Fasilitas Coloumn Source Target Type/ length Data Source Description Table Field Name Type/ length Load Status FasilitasId KdFasilitas NamaFasilitas JumlahFasilitas SURROGAT CREAT Int E KEY E varchar(7 BUSINESS MsFasilita KdFasilitas varchar(7) COPY ) KEY s varchar(1 MsFasilita varchar(100 NamaFasilitas COPY 00) s ) MsFasilita JumlahFasilita int(3) int(3) COPY s s Table 4.24 : Metadata DimFasilitas 4.4 User Interface Grafik: Informasi yang dihasilkan dari Fakta Rawat Jalan berupa Pivot Table dan

40 Pivot Table dan grafik yang menunjukan penyakit yang Jumlah pasien rawat jalan yang terbanyak pada setiap bulan. Gambar 4.13 : Pivot Tabel 1 Gambar 4.14 : Grafik Pasien Rawat Jalan Pivot Table dan grafik yang menunjukan penyakit yang paling banyak diderita pasien.

41 Gambar 4.15 : Pivot Tabel 2 Gambar 4.16 : Grafik Jumlah Penyakit yang diderita Pasien Rawat Inap Pivot Table dan grafik yang menunjukan Poliklinik yang paling banyak dikunjungi pasien.

42 Gambar 4.17 : Pivot Tabel 3 Gambar 4.18 : Grafik Jumlah Kunjungan pada poliklink Pivot Table dan grafik yang menunjukan kategori jenis kelamin apa yang paling banyak berobat rawat jalan

43 Gambar 4.19 : Pivot Tabel 5 Gambar 4.20 : Grafik Jenis Kelamin yang paling banyak Berobat pertahun Pivot Table dan grafik yang menunjukan jumlah transaksi rawat jalan

44 Gambar 4.21 : Pivot Tabel 6 Gambar 4.22 : Grafik Transaksi Rawat Jalan Pertahun Informasi yang dihasilkan dari Fakta Rawat Inap berupa Pivot Table dan Grafik : Pivot Table dan grafik yang menunjukan jumlah pasien rawat inap yang terbanyak pada setiap bulan.

45 Gambar 4.23 : Pivot Tabel 8 Gambar 4.24 : Grafik Pasien Rawat Inap Perbulan Pivot Table dan grafik yang menunjukan penyakit yang paling banyak diderita pasien pada rawat inap

46 Gambar 4.25 : Pivot Tabel 9 Gambar 4.26 : Grafik Jumlah Pasien Rawat Inap yang Menderita Penyakit Pivot Table dan grafik yang menunjukan kategori jenis kelamin apa yang paling banyak berobat rawat inap

47 Gambar 4.27 : Pivot Tabel 11 Gambar 4.28 : Grafik Jumlah Pasien Rawat Inap berdasarkan Kelamin pertahun. Pivot Table dan grafik e yang menunjukan jumlah transaksi rawat inap

48 Gambar 4.29 : Pivot Tabel 12 Gambar 4.30 : Grafik Jumlah Pasien Rawat inap berdasarkan Tahun dan Grafik : Informasi yang dihasilkan dari Fakta Penunjang Medik berupa Pivot Table Pivot Table dan grafik yang menjelaskan jumlah obat yang dipakai pertahun.

49 Gambar 4.31 : Pivot Tabel 13 Gambar 4.32 : Grafik Jumlah Obat yang terpakai Pivot Table dan grafik yang menjelaskan jumlah fasilitas yang dipakai oleh pasien rawat inap dan jalan.

50 Gambar 4.33 : Pivot Tabel 14 Gambar 4.34 : Grafik Jumlah Fasilitas