8

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.

2.1.1 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.

2.1.2 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

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.

2.1.3 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 semata-

mata 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.

10  

2.1.4 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.

2.1.5 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

11  

2.1.6 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.

2.1.7 Keuntungan Data Warehouse

Menurut Connolly dan Begg (2005, p1152), data warehouse dapat memberikan

beberapa keuntungan bagi perusahaan, diantaranya :

• Tingkat pengembalian investasi yang tinggi

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.

2.1.8 Perbandingan Data Warehouse dan OLTP

Menurut Connolly dan Begg (2005, p1153) Secara umum perbedaan antara data

warehouse dan OLTP adalah

13  

OLTP Data Warehouse

Menyimpan data saat ini Menyimpan data histori

Menyimpan data detil Menyimpan detailed, lightly, dan highly summarized data

Datanya besifat dinamik Datanya bersifat statis

Proses yang berulang kali Prosesnya bersifat khusus dan tidak terstruktur

Transaksi tingkat tinggi Transaksinya tingkat menengah hingga rendah

Pola penggunaannya dapat diprediksi Pola penggunaannya tidak dapat diprediksi

Berfokus pada proses transaksi Berfokus pada proses analisis Berorientasi aplikasi Berorientasi subjek Mendukung pengambilan keputusan harian

Mendukung pengambilan keputusan strategis

Melayani pengguna dalam jumlah besar

Melayani pengguna dalam jumlah kecil biasanya manajer

Tabel 2.1 Perbedaan antara OLTP dan Data Warehouse Sumber: Connolly dan Begg (2005, p1153)

2.1.9 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.

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.

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.

2.1.10 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 :

16  

 

Data Warehouse Data Mart

Merujuk pada keseluruhan organisasi

Merujuk pada departemen tertentu

Gabungan dari semua data mart Sebuah proses bisnis Data diterima dari staging area Star join (fakta dan dimensi) Di-query di sumber tampilan Teknologi yang maksimal untuk

akses dan analisis data Membentuk pandangan data untuk organisasi

Membentuk pandangan data per departemen

Diorganisasikan dalam ER-model

Tabel 2.2 Perbedaan antara Data Warehouse dan Data Mart Sumber: Ponniah (2001, p26) 

2.1.11 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. 

 

2.1.12 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.

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.

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.

19  

2.1.13 Aliran Informasi Data Warehouse

Menurut Connolly dan Begg (2005, p1161-1165), 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.

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.

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.

 

2.1.14 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 :

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 sumber-

sumber data atau pada umumnya dari penyimpanan data operasional. Operasi

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.

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.

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 end-

users access tools , yaitu :

- Reporting and query tool.

- Application development tool.

- Executive information system (EIS) tool.

- Online analytical processing (OLAP) tool.

- Data mining tool.

26  

2.1.15 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.

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.

2.1.16 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.

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.

Menurut Kimball (2003, p18), Dalam membuat desain dimensional digunakan 4

langkah :

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

29  

Sumber: http://yoyonb.files.wordpress.com/2009/11/star-schema.png

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

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 

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 tabel-

tabel 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

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 atribut-

atribut 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.

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.

34  

2.1.17 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)>

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

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.

37  

Gambar 2.6 Extract, Transform, Loading (ETL) Sumber : http://www.unysis.com/eprise/main/admin/corporate/doc/ELTSQL.pdf

2.2 Teori – Teori Khusus

Merupakan teori-teori khusus yang merupakan teori landasan bagi teori-teori

lainnya yang terdapat dalam skripsi ini.

2.2.1 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

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.

2.2.2 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.

39  

2.2.3 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.

2.2.4 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

40  

tepat untuk menyelamatkan nyawa, menjamin perlindungan dan memulihkan kesehatan

individu atau masyarakat, Anonim.

2.2.5 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.