BAB 2 LANDASAN TEORI
2.1.
Hospital Information System (HIS) Hospital Information System merupakan salah satu sistem komputer yang paling umum dirancang untuk mendukung pelayanan kesehatan. Sistem ini merupakan database besar yang terkomputerisasi yang ditujukan terutama untuk komunikasi dan menyimpan informasi medis
dan administrasi
(Farzandipour, Sadoughi, & Meidani, 2011, p. 147). Definisi sistem informasi itu sendiri merupakan sekumpulan komponen komputer yang saling terkait yang mengumpulkan, memproses, menyimpan, dan menyediakan output berupa informasi yang dibutuhkan untuk menyelesaikan kegiatan dalam bisnis. Sistem informasi tidak hanya berupa software dan database melainkan juga proses-proses manual yang terkait didalamnya (Satzinger, Jackson, & Burd, 2012, p. 4). Sistem informasi menghasilkan informasi yang mendukung organisasi, dan karyawannya, pelanggan, supplier dan partner (Whitten & Bentley, 2007, p. 6). HIS mengelola semua aktivitas pengolahan informasi pada rumah sakit untuk mendapatkan pelayanan pasien yang lebih berkualitas dan untuk penelitian medis (Ismail, Abdullah, Shamsudin, & Nik Ariffin, 2013, p. 115). HIS memiliki komponen yang berbeda-beda, lingkup yang luas, dan tingkatan sistem dari departemen pada rumah sakit sebagai sumber pengetahuan berbasis sistem yang mendukung kegiatan diagnostik dan membantu kegiatan perawatan pasien (Farzandipour, Sadoughi, & Meidani, 2011, p. 147&148). Bagian-bagian yang terdapat pada HIS adalah Clinical Information System (CIS), Financial Information System (FIS), Laboratory Information System (LIS), Nursing Information System (NIS), Pharmacy Information System (PIS) , Picture Archiving and Communication System (PACS), dan Radiology Information System (RIS) (Ismail, Abdullah, Shamsudin, & Nik Ariffin, 2013, p. 115). Tetapi pada penulisan ini bagian pada HIS yang dibahas lebih berfokus pada RIS dan LIS.
9
10 2.2.
Radiology Information System (RIS) Radiology Information System merupakan sistem komputer yang dirancang untuk mendukung alur kerja operasional dan analisis bisnis dalam departemen radiologi. RIS juga merupakan penyimpanan data pasien dan laporan dan kontribusi pada record pasien elektronik (Royal College of Radiologists, 2008, p. 3). Pengertian radiologi itu sendiri merupakan cabang kedokteran yang berhubungan dengan penggunaan zat radioaktif dalam diagnosis dan pengobatan penyakit. Secara sederhana, radiologi adalah pemeriksaan untuk mendiagnosis penyakit dengan menggunakan alat pencitraan medis seperti MRI, CT-scan, Sinar-X, dan USG (Lu, Li, & Gisler, 2011, p. 299). Departemen radiologi merupakan departemen pertama dalam dunia kesehatan yang mengimplementasi sistem elektronik sebagai bagian dari alur kerja, dengan sistem tersebut proses pelaporan muncul pada awal pertengahan 1960. Keuntungan dasar dari RIS adalah pada kemampuannya menyimpan data yang sangat banyak dengan berbagai tipe seperti gambar, demografi, informasi klinis, tagihan, penjadwalan, dan keuangan yang siap diakses dan menghilangkan proses-proses sebelumnya sehingga memiliki pengaturan alur kegiatan yang lebih efisien (Nance, Meenan, & Nagy, 2012, p. 1064). Penyempurnaan terkini pada informatika radiologi termasuk integrasi dengan PACS dan juga RIS ke dalam alur kerja departemen telah dilakukan untuk meningkatkan efisiensi departemen. Berbagai kelompok sudah menandakan jumlah langkah-langkah di dalam alur kerja yang standar ketika menggunakan sistem RIS dibandingkan dengan paper based. Selain itu dapat meningkatkan layanan pelanggan dengan menyediakan pelaporan yang cepat dan gambar yang siap dianalisis dan juga dapat mengurangi biaya yang dikeluarkan (Nance, Meenan, & Nagy, 2012, p. 1064).
2.3.
Laboratory Information System (LIS) Laboratory Information System merupakan sistem perangkat lunak yang terdiri dari serangkaian fungsi, seperti penyimpanan informasi pasien, penerimaan data, manajemen kualitas kontrol data, analisis data dan manajemen laboratorium. LIS memainkan peran penting pada manajemen laboratorium, meningkatkan efisiensi dari pekerjaan rutin laboratorium, dan
11 menjamin keamanan data laboratorium (Shan, Zhao, Bai, & Xu, 2012, p. 426). Sejak tahun 1970, LIS sudah menjadi komponen penting didalam kegiatan
laboratorium
klinik.
LIS
biasanya
dikembangkan
untuk
mengumpulkan, mencatat, menyediakan, mengelola, mengarsip hasil laboratorium dan sering digunakan untuk menyediakan informasi untuk manajemen keuangan pada laboratorium. Pengembangan LIS dilatarbelakangi dengan meningkatnya kompleksitas dari informasi yang dihasilkan oleh laboratorium seiring berjalannya waktu (Sepulveda & Young, 2013, p. 1129). Seperti yang telah dibahas pada bab sebelumnya, sistem informasi sebelumnya kurang dapat memenuhi kebutuhan informasi yang lebih berkualitas untuk mendukung proses pengambilan keputusan terutama dibidang pendidikan dan penelitian, maka dibutuhkan teknologi yang bernama data warehouse.
2.4.
Studi Retrospektif Studi retrospektif merupakan studi yang dilakukan pada saat ini untuk melihat peristiwa yang ada di masa lalu. Dengan kata lain, studi retrospektif menggunakan data saat ini untuk diukur berdasarkan ukuran yang ada pada masa lalu, lalu data tersebut direkonstruksi untuk kebutuhan analisis (Song & Chung, 2010). Dalam hal ini data yang digunakan dalam studi retrospektif adalah kumpulan data yang berhubungan dengan pasien contohnya, data pemeriksaan pasien dari waktu ke waktu baik pemeriksaan radiologi maupun pemeriksaan laboratorium yang ada. Misalnya penelitian ingin dilakukan pada pemeriksaan maka akan dibandingkan data pemeriksaan pasien dari waktu ke waktu untuk dilihat keterkaitannya lalu direkonstruksi untuk kebutuhan analisis.
2.5.
International Classification of Disease, Tenth Revision (ICD-10) International Classification of
Disease (ICD) adalah sebuah alat
diagnosis standart yang digunakan untuk tujuan epidemiologi, manajemen kesehatan dan klinis termasuk analisis situasi keadaan dari suatu populasi secara umum. ICD digunakan untuk mengelompokan penyakit dan masalah
12 kesehatan lainnya yang tercatat pada berbagai jenis catatan penting, termasuk catatan kematian dan catatan kesehatan (Programmes: International Classification of Diseases (ICD), 2014). Contoh kode-kode ICD-10 yang relevan untuk digunakan dalam bidang Radiologi dan Laboratorium meliputi, A02 Other salmonella infections, A04 Other bacterial intestinal infections, A15 Respiratory Tuberculosis,
C50 Malignant neoplasm of breast, J43
Emphisema, J93 Pneumo ThoraxJ92 Pleural Plague, dan lain-lain.
2.6.
Data Warehouse Data warehouse merupakan kumpulan database yang saling terintegrasi dan berorientasi pada subyek, yang dirancang untuk mendukung pengambilan keputusan, dimana setiap data relevan pada waktu tertentu (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 495). Data warehouse mengintegrasi data yang terkait yang disimpan di dalam berbagai database yang berbeda dengan format-format penyimpanan tertentu (Rubin & Desser, 2008). Database sendiri merupakan sebuah kumpulan data yang terhubung secara logika beserta deskripsinya, yang dirancang untuk memenuhi kebutuhan informasi dari suatu organisasi. Database merupakan penyimpanan data yang tunggal dan biasanya besar yang dapat digunakan secara berulang-ulang oleh pengguna, sehingga duplikasi dan redudansi data dapat dikurangi. (Connolly & Begg, 2010, p. 65). Menurut (Ping, Tao, Mu, bin, & Guo, 2011, p. 2373), implementasi data warehouse dapat memberikan manfaat antara lain: a. Thematic: data warehouse menyediakan model data yang umum walaupun data berasal dari sumber yang berbeda-beda. b. Consistency: Dalam memasukan data ke dalam data warehouse, segala masalah
inkonsistensi
data
ditemukan
dan
diselesaikan
untuk
mempermudahkan analisis dan pelaporan. c. Safety: informasi dalam data warehouse dapat disimpan dengan aman dalam periode waktu tertentu. Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005), data warehouse memiliki empat karakteristik utama.
13 2.6.1. Karakteristik Data Warehouse empat karakteristik utama dalam data warehouse yang terdiri atas empat karakteristik utama dalam data warehouse yang terdiri atas: 1. Subject oriented Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 29&30) subject oriented berarti data warehouse sendiri tidak berfokus kepada aplikasi yang bersifat fungsional yang biasanya digunakan dalam operasional sehari-hari, melainkan berfokus pada area subyek tertentu dalam suatu lingkungan perusahaan. Gambar 2.1 akan menjelaskan perbedaan antara operasional dengan data warehouse dari segi orientasinya.
Gambar 2.1 Menunjukan Perbedaan Orientasi antara Operasional dengan Data Warehouse. (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 29&30)
Dapat dilihat dari gambar diatas bahwa data warehouse berorientasi pada area subyek utama dari lingkungan perusahaan, sedangkan operasional berorientasi pada fungsional-fungsional aplikasi yang ada dalam lingkungan perusahaan.
14 2. Integrated Dalam data warehouse, data diambil dari berbagai sumber yang berbeda dan terpisah dengan format data yang berbeda-beda. Karena itu dalam proses pengambilan data, data harus dikonversi, diformat ulang, dan diurutkan kembali sehingga ketika data masuk ke dalam data warehouse, data-data tersebut memiliki gambaran fisik perusahaan yang tunggal atau terstandar (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 30&31)..
Gambar 2.2 Menunjukan Perubahan Bentuk Data pada saat Proses Integrasi. (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 30&31)
Masalah-masalah
integrasi
data
meliputi
penyamaan
dalam
representasi nilai data, satuan pengukuran, data ganda dari sumber yang sama, dan perbedaan tipe dan panjang dari atribut utama (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 30&31).
3. Non-volatile Dalam data warehouse, biasanya banyak data yang dimasukan dan diakses tetapi tidak diperbaharui. Dalam data warehouse data dimasukan dalam bentuk snapshot (rekam sekilas) dan format yang statis. Ketika beberapa perubahan-perubahan terjadi, record yang baru dimasukan
15 sedangkan record historis disimpan dalam data warehouse
(Inmon,
Building the Data Warehouse, 4th Edition, 2005, p. 31&32).
Gambar 2.3 Menunjukan Karakteristik Non-volatile pada Data Warehouse. (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 31&32)
Dapat dilihat pada gambar diatas, dalam data warehouse, data tidak diperbaharui setiap terjadi sebuah transaksi seperti pada penyimpanan operasional, namun data dimasukan ke dalam data warehouse dalam jumlah yang besar setiap periode tertentu.
4. Time Variant Data yang ada di dalam data warehouse bersifat akurat pada waktu tertentu. Waktu tersebut dapat dilihat dari keterangan waktu yang ada didalam record seperti dalam waktu transaksi. Dalam data warehouse setiap data yang ada memiliki bentuk penanda waktu untuk menunjukan waktu keakuratan data tersebut. (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 32&33)
Gambar 2.4 Menunjukan Variansi Waktu dalam Data Warehouse. (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 32&33)
16
Gambar diatas menunjukan perbedaan waktu yang ada, jenis data yang disimpan, dan bentuk dari keterangan waktu yang digunakan antara penyimpanan operasional dengan data warehouse.
Dalam implementasinya, data warehouse melibatkan teknologi yang bernama OLTP (Online Transaction Processing) yang berperan dalam menyediakan sumber data untuk data warehose (Connolly & Begg, 2010, p. 1199). OLTP didefinisikan sebagai sebuah sistem pemrosesan transaksi yang bersifat real-time (Marakas & O'brien, 2013, p. 696), dimana transaksi bisnis diproses secara online secepat mungkin saat transaksi tersebut terjadi (Rainer & Cegielski, 2012, p. 128). Sistem OLTP dan data warehouse dibangun dengan tujuan yang berbeda sehingga terdapat beberapa perbedaan.
2.6.2. Arsitektur Data Warehouse
Gambar 2.5 Arsitektur Data Warehouse. (Kimball & Ross, 2013, p. 19)
Gambar diatas merupakan arsitektur dari data warehouse yang terdiri atas empat komponen yaitu Operational source system, ETL System , data presentation area, dan business intelligence application.
17 2.6.3. Perbedaan antara OLTP dengan Data Warehouse Menurut (Connolly & Begg, 2010, p. 1199) data warehouse memiliki beberapa perbedaan dengan OLTP. Perbedaan-perbedaan tersebut akan dijelaskan melalui tabel di bawah ini.
Tabel 2.1 Menunjukan Perbedaan OLTP dengan Data Warehouse Karakteristik
Sistem OLTP
Data Warehouse
Tujuan utama
Usia data
Mendukung
Mendukung
pengolahan
pengolahan
operasional.
analisis.
Data terkini.
Data historis (namun tren saat ini juga mencakup data terkini).
Waktu respon
Real-time.
Tergantung pada panjang siklus penyediaan data kepada data warehouse.
Granularitas
Data
data
detail.
yang
Mencakup data
yang
detail, serta data
yang
diringkas. Pengolahan
Pola
yang
Pola
yang
data
dapat
kurang dapat
diprediksi
diprediksi
saat
dari
meyisipkan,
yang
data
18 Karakteristik
Sistem OLTP
Data Warehouse
menghapus,
dioperasikan
memperbaha
.
rui,
dan
melakukan operasi pada data. Pelaporan
Pengguna
Dapat
Tidak dapat
diprediksi,
diprediksi,
terdiri dari 1
terdiri
dimensi, dan
banyak
relatif
dimensi, dan
bersifat statis
bersifat
dan tetap.
dinamis.
Melayani
Melayani
sejumlah
sejumlah
besar
kecil
pengguna
pengguna
operasional.
manajerial
dari
(namun tren saat ini juga mendukung kebutuhan. analisis dari pengguna operasional)
2.7.
Tabel Dimensi Pada tahap akhir dari proses ETL, data dimasukan ke dalam area presentasi pada model dimensi karena tujuan utama dari proses ETL adalah menghasilkan tabel dimensi dan tabel fakta. Tabel dimensi merupakan tabel yang berisi keadaan yang berhubungan dengan pengukuran dalam proses bisnis. Tabel dimensi menjelaskan “siapa, apa, dimana, kapan, bagaimana,
19 dan mengapa” pada sebuah kejadian (Kimball & Ross, 2013, p. 13). Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 495) tabel dimensi adalah tempat dimana data eksternal diletakan dan dihubungkan dengan tabel fakta. Jadi dapat diambil kesimpulan bahwa tabel dimensi merupakan tabel yang berisi data-data eksternal yang digunakan dalam tabel fakta.
Gambar 2.6 Menunjukan Contoh dari Tabel Dimensi (Kimball & Ross, 2013, p. 13)
Gambar diatas merupakan contoh dari tabel dimensi yang berisi karakteristik yang dapat didefinisikan dari suatu proses bisnis.
2.8.
Tabel Fakta Menurut (Kimball & Ross, 2013, p. 10), tabel fakta merupakan suatu tabel yang berisi hasil pengukuran kinerja dari suatu proses bisnis organisasi dimana hasil perhitungan dari suatu proses bisnis harus disimpan dalam suatu tabel dimensi yang tunggal karena data tersebut sangat banyak sehingga tidak seharusnya
direplikasi
di
berbagai
fungsi
organisasi
perusahaan.
Penyimpanan dari hasil perhitungan yang tersentralisasi tersebut harus dapat diakses oleh pengguna dari berbagai organisasi demi memastikan data tersebut kosisten. Tabel fakta berisi fakta yang merepresentasikan suatu proses bisnis sehingga setiap nilainya harus berupa angka dan dapat dijumlahkan.
20
Gambar 2.7 Menunjukan Tabel Fakta Beserta Dimensi-dimensinya. (Kimball & Ross, 2013, p. 16)
Dapat dilihat dari gambar diatas bahwa foreign key pada tabel fakta dibentuk dari tabel dimensi yang berhubungan dengan tabel fakta tersebut. Dalam merancang suatu tabel fakta, hal yang penting untuk dilakukan adalah menentukan granularity dalam tabel fakta tersebut (Kimball & Ross, 2013, p. 300).
2.9.
Granularity Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 498), granularity merupakan suatu tingkat yang menunjukan seberapa detil unit dalam data. Semakin detil suatu unit data, tingkat granularity-nya semakin kecil. Semakin ringkas suatu unit data, tingkat granularity-nya semakin besar.
Gambar 2.8 Menunjukan Contoh Granularity pada Data Warehouse.
21 (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 44)
Dapat dilihat dari gambar diatas perbedaan dari segi jumlah data yang ada dan juga tingkat keringkasan dari suatu data.
Gambar 2.9 Menunjukan Contoh Lain dari Tingkat Granularity dalam Data Warehouse (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 45)
Dari gambar diatas dapat disimpulkan adanya perbedaan dari pertanyaan yang dapat dijawab dari masing-masing tingkatan yang berbeda dimana pertanyaan detil dapat dijawab dengan tingkatan granularity yang rendah sementara pertanyaan yang lebih ringkas dapat dijawab dengan tingkat granularity yang tinggi.
2.10. Star Schema Menurut (Connolly & Begg, 2010), star schema adalah sebuah model data dimensional yang terdiri dari tabel fakta di tengah yang dikelilingi oleh tabel dimensi yang tidak ternormalisasi. Tabel fakta tersebut terhubung dengan tabel dimensi melalui hubungan antara primary key dengan foreign key (Kimball & Ross, 2013, p. 40).
22
2.11.
Metadata Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 500),
metadata adalah data menjelaskan tentang
data lainnya dengan
menggambarkan struktur, konten, key, index dan sebagainya dari data tersebut. Metadata didalam data warehouse digunakan untuk beberapa tujuan seperti pada proses extract dan load, proses manajemen data warehouse dan sebagai bagian dari proses manajemen query (Connolly & Begg, 2010, p. 126).
2.12.
Extract, Transform, Load (ETL) Untuk memasukan data dari lingkungan operasional ke dalam data warehouse, data harus melalui proses ETL terlebih dahulu. Menurut (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 497), ETL merupakan proses menemukan data, mengintegrasinya dan meletakannya didalam data warehouse. Menurut (Kimball & Ross, 2013, p. 19&20), ETL terdiri dari tiga tahap yang terdiri dari: 1. Extract: Proses membaca dan memahami sumber data, lalu menyalin data yang dibutuhkan ke dalam sistem ETL untuk proses selanjutnya. 2. Transform: proses transformasi terdiri dari perubahan-perubahan yang mungkin dilakukan terhadap data seperti a. Membersihkan data: memperbaiki kesalahan penulisan, berurusan dengan elemen yang hilang, atau mengubah ke dalam format yang sama. b. Menggabungkan data dari berbagai sumber. c. Menghilangkan duplikasi data. 3. Load: Proses memasukan data ke suatu area model dimensi. Kesimpulannya, ETL merupakan serangkaian proses yang harus dilalui sebelum data masuk ke dalam data warehouse yang terdiri dari proses extract (mengambil data dari berbagai sumber), transform (mengubah data), dan load (memasukan data ke dalam data warehouse). Pada proses ETL terdapat suatu lingkungan yang disebut sebagai staging area, dimana pada lingkungan tersebut, proses ETL berlangsung.
23 2.13. Staging Area Staging area adalah tempat meletakan data yang akan dipindahkan, pada umumnya berasal dari lingkungan sebelumnya yang akan memasuki proses ETL (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 503). Jadi, stagging area merupakan area dimana data diletakan pada saat akan dilakukan proses ETL.
2.14. Online Analitical Processing (OLAP) OLTP yang telah dibahas sebelumnya, secara tradisional didukung oleh database operasional. Berbeda dengan database operasional, data warehouse mendukung online analytical processing (OLAP) (Reddy, Rao, Srinivasu, & Rikkula, 2010, p. 2865). OLAP merupakan kombinasi, analisis, dan penggabungan dari data multidimensi dengan jumlah yang banyak. OLAP menggunakan sudut pandang multidimensi dari suatu data agregat untuk menyediakan akses yang cepat pada informasi untuk tujuan analisis dan juga memungkinkan pengguna untuk memperoleh pengetahuan yang lebih dalam mengenai berbagai aspek didalam perusahaan melalui akses terhadap berbagai sudut dari data yang cepat, konsisten, dan interaktif (Connolly & Begg, 2010, p. 1250). OLAP memungkinkan pengguna baik end-user dan DSS analyst untuk mengeksplorasi hubungan antara ringkasian data dengan detil data secara dinamis (Inmon, Building the Data Warehouse, 4th Edition, 2005, p. 175). Jadi dapat disimpulkan bahwa OLAP merupakan suatu teknologi yang memungkinkan penggabungkan berbagai data multidimensi yang pada akhirnya digunakan untuk menggali informasi dan pengetahuan dari sudut pandang yang berbeda-beda.
2.15. Dashboard Dashboard merupakan bentuk khusus dari sistem informasi yang dapat mendukung pihak manajerial dalam suatu organisasi. Dashboard menyediakan akses yang cepat kedalam informasi secara tepat waktu dan memungkinkan akses langsung ke dalam informasi yang terstruktur dalam bentuk laporan (Rainer & Cegielski, 2012, p. 19).
24 2.16.
Clinical Data Warehouse Penerapan data warehouse dapat dilakukan di berbagai bidang pada kehidupan sehari-hari. Data warehouse dalam rumah sakit dapat disebut sebagai clinical data warehouse, yaitu sebuah data warehouse pada rumah sakit yang digunakan untuk manajemen, praktek klinis, dan penelitian (SooYong, Woo Sung, & Jae-Ho, 2014). Penerapan data warehouse pada rumah sakit dibandingkan dengan bidang lainnya tentu berbeda. Pertama, perbedaan dapat dilihat dari segi transaksi. Transaksi dalam rumah sakit bersifat unik sedangkan dalam bidang bisnis dan lainnya transaksi cenderung bersifat repetitive atau berulang-ulang. Kedua tipe data yang biasanya digunakan pada rumah sakit berbeda dengan bidang lainnya. Tipe data pada medis biasanya meliputi tipe data tekstual mengenai berbagai peristiwa yang berkaitan dengan pasien dalam rumah sakit. Perbedaan-perbedaan tersebut membuat data warehouse sulit diterapkan dengan baik pada rumah sakit (Inmon, Building the Data Warehouse, 4th Edition, 2005). Pada saat ini menurut survei berdasarkan CTSA (Clinical and Translational Science Award), clinical data warehouse saat ini mulai berganti peran dari peran administratif menjadi peran yang bertugas sebagai penyedia data dalam penelitian. Hal tersebut mendukung terciptanya teknologi bernama CRDW (Clinical Research Data Warehouse) (Mackenzie, Wyatt , Schuff, Tenenbaum, & Anderson, 2012).
2.17.
Clinical Research Data Warehouse Clinical research data warehouse merupakan pengembangan dari clinical data warehouse di mana tujuan utama dalam pembuatannya adalah mendukung penelitian. Subjek-subjek yang terlibat pada clinical research data warehouse berupa penyakit, pengobatan, dan hasil laboratorium atau radiologi serta penunjang medis lainnya yang ada dalam rumah sakit. Data yang ada didalam clinical data warehouse terutama data pasien harus dianonimkan demi menjaga privacy (Soo-Yong, Woo Sung, & Jae-Ho, 2014). Penggunaan clinical data warehouse tidak hanya berada di sekitar lingkungan rumah sakit melainkan dapat digunakan di lingkungan pusat penelitian, penggunanya pun tidak hanya peneliti saja tetapi peneliti dapat juga menggunakannya.
25
2.18. Business Intelligence Business intelligence merupakan istilah yang menjelaskan gabungan dari arsitektur, tools, basis data, analytical tools, aplikasi, dan metodologi, untuk mengubah data menjadi informasi, informasi menjadi keputusan, keputusan menjadi suatu tindakan. Business intelligence berfungsi untuk memungkinkan penggunanya melakukan akses, manipulasi data, dan melakukan analisis yang seharusnya. Dengan menganalisis data masa lalu, saat ini, pembuat keputusan dapat lebih mudah membuat keputusan yang lebih baik (Turban, Sharda, & Delen, 2011).
2.19. System Flowchart Dalam merancang suatu data warehouse, terlebih dahulu harus menganalisis setiap kebutuhan dari pengguna data warehouse tersebut. Untuk menganalisis setiap kebutuhan pengguna, harus mengetahui alur proses bisnis dari organisasi yang akan menerapkan data warehouse tersebut. Didalam penggambaran sistem informasi dan proses bisnis yang sedang berjalan digunakan System Flowchart. System Flowchart merupakan diagram yang menggambarkan hubungan antara elemen-elemen kunci dalam sistem. Elemen-elemen tersebut berupa aktivitas manual maupun tersistem (Hall, 2011, p. 57).
2.20. Entity Relationship Diagram Pada perancangan data warehouse, setelah diketahui proses bisnis yang sedang berjalan diperlukan juga untuk mengindetifikasi entitas didalam proses bisnis tersebut dengan menggunakan entity relationship diagram. Entity relationship diagram merupakan model yang digunakan pada analisis tradisional dan analisis database yang menggambarkan entitas data dan relasinya yang merupakan penggambaran kebutuhan penyimpanan data dari sistem yang baru atau sistem yang sedang berjalan (Satzinger, Jackson, & Burd, 2012, p. 98).
26 Halaman ini sengaja dikosongkan.
