Working
Paper
In
Accounting
and
Finance
October
2009
Kualitas
Database
Modelling
dengan
konsep
Ontology
dalam
Pemodelan
Sistem
Informasi
Akuntansi
Zaldy
Adrianto
(Department
of
Accounting,
Padjadjaran
University)
Center For Accounting Development Department of Accounting, Padjadjaran University Jln. Singaperbangsa No. 2, Bandung Indonesia Phone/Fax:(022) 2507834/2531607 www.ppa.fe.unpad.ac.id
KUALITAS DAN KONSEP ONTOLOGY DALAM DATABASE MODELLING SISTEM INFORMASI AKUNTANSI Zaldy Adrianto1 Abstract Database has become fundamental element of accounting information system. Virtually all computer mainframe has use database technology, and database use in personal computer growing rapidly. Accountant involve in input, processing, and retrieving data from database. Accountant also has responsibility in developing database, and evaluating internal control to assure database integrity. Database design as part of accounting information system development, begin with database modeling. Database modeling starts from requirement analysis, view modeling, conceptual schema and semantic description. This paper also introduced ontology model from Bunge, which one of contemporary issue in data model design. Application of ontology model in data model design has gain wide attention. To assure database integrity, data model selection is one of important phase in information system development. Data model quality factors should be considered when we select data model in accounting information system development. . Keyword : Database design, conceptual schema, model ontology, data model quality. 1. Database dan Masa Depan Akuntansi. Sistem Database akan mempengaruhi konsep fundamental dari akuntansi. Contohnya, sistem database akan mendorong terhadap ditinggalkannya akuntansi double-entry (Romney, 2006). Dasar dari model akuntansi double entry adalah redundansi dari pencatatan nilai transaksi dua kali dengan melakukan pengecekan akurasi data yang diproses. Setiap transaksi akan menghasilkan entry debit dan kredit yang sama, dan kesamaan tersebut akan di cek dan recek kembali selama proses akuntansi. Disisi lain redundancy merupakan antitesis dari database. Jika suatu transaksi telah di input kedalam sistem database dengan benar, maka cukup dilakukan satu kali saja. Dampak terbesarnya adalah penggunaan informasi akuntansi bagi pengambilan keputusan. Dibandingkan penggunaan laporan keuangan konvensional, penggunaan database memungkinkan bila user mendapatkan seluruh softcopy dari informasi akuntansi dan dengan menggunakan query language dapat mengambil informasi yang dibutuhkan dari data mentah tersebut (Elliot,1994). Database dapat didefinisikan sebagai kumpulan data berbasis komputer yang disharing dan terintegrasi (Reuber, 1988). Serta merupakan model dari dunia fisik (Abrial,1974 dalam McCarthy, 1982). Karena data tersebut disharing, maka database harus memenuhi kebutuhan berbagai macam user dan data di kelola dengan tingkat agregasi yang rendah. Terintegrasi, artinya data tersebut harus mengelola relasi yang kompleks dari elemen – elemen data, dan akan memungkinkan untuk sistem informasi menyediakan informasi multi-dimensi. Di bidang ilmu komputer, riset terhadap database management system terpusat kepada pengembangan cara terbaik untuk merepresentasikan, menyimpan, dan memproses data oleh mesin. Secara umum memiliki empat tujuan : meningkatkan pembagian data, meningkatkan ketersediaan data, memperbaiki keterlibatan data, dan meningkatkan integritas data (Everest, 1974 dalam Weber,1986). Tujuan ini telah mendorong peneliti akuntansi untuk mengasimilasikan penelitian Database dengan ilmu akuntansi. Saat ini 1
Dosen Tetap Jurusan Akuntansi FE UNPAD
October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
1
para peneliti Akuntansi berfokus pada aspek data modeling dari riset Database Management System, yang menggambarkan cara dari data yang dapat di organisasikan sehingga dapat merepresentasikan domain real world kedalam pemrosesan komputer (Weber, 1986). Perhatian terhadap sistem database di komunitas akademik akuntansi di picu oleh pendekatan “event” dalam akuntansi (Sorter, 1969 dalam Reuber 1988). Sorter berargumentasi bahwa kebutuhan user dalam data akuntansi sangat bervariasi dan tidak dapat dispesifikkan, sehingga menyebabkan akuntan kesulitan untuk memberikan valuation dari setiap peristiwa ekonomi (economics events). Terdapat keterkaitan yang erat antara peristiwa akuntansi (accounting event) dengan sistem database, dimana sistem database memerlukan, dan selanjutnya menyediakan data multidimensional dan disaggregate. Sistem database saat ini di sebut relational database, karena menggunakan model relasional yang di kembangkan E.F Codd tahun 1970. Model data relasional merepresentasikan segala sesuatu dalam database disimpan dalam bentuk tabel. Kualitas dari model data yang dihasilkan akan berdampak terhadap kualitas informasi yang dihasilkan database. Oleh karena itu perancangan model data menjadi perhatian utama dalam pengembangan database, termasuk dengan penggunaan model data ontologi sebagai riset model data dalam bidang akuntansi. 2. Database Design Database Design, adalah proses yang dilakukan untuk memetakan aspek – aspek dari realita yang teridentifikasi (disebut sebagai object system) kedalam model abstrak (dikenal sebagai data model atau schema) (McCarthy, 1982). Untuk mengimplementasikannya dalam perusahaan aktual maka data model atau skema ini harus diterjemahkan ke dalam definition language dari DBMS, dan dioperasikan di software dan hardware spesifik. Pada sistem objek yang sederhana, dengan kompleksitas organisasi yang rendah, maka rancangan skema akan melibatkan proses modeling yang relatif cepat, karena user yang potensial telah satu pemikiran dalam menggabungkan pemikiran kepentingan dalam database. 2.1 Data Model Development Requirement Analysis adalah proses dimana analis sistem informasi mewawancarai user dan memeriksa dokumentasi yang berjalan sebagai usaha untuk mengidentifikasikan kebutuhan informasi saat ini atau masa depan. Untuk kepentingan pengembangan data model. Ada tiga hal yang perlu diperhatikan selama tahapan perancangan : 1. Informasi yang menyangkut proses dan keputusan yang menggunakan data tersebut. 2. Informasi yang menyangkut berbagai elemen data itu sendiri dan pola pemanfaatannya. 3. Informasi yang menyangkut konstrain dalam organisasi. View Modelling merupakan proses yang dilakukan oleh desainer database untuk membuat view lokal (local view) dari hasil requirement analysis dan menyiapkannya untuk integrasi dalam suatu model semantik, seperti kerangka ERD dari Chen (1978). Model semantik ini akan mengorganisasikan elemen – elemen data dari suatu entitas, relasi, dan atribut. Tugas dari analis sistem informasi untuk mengidentifikasikan realita ini dalam sebuah objek sistem. 2.2 Conceptual Schema Dan Deskripsi Semantic Bagian terpenting dari database adalah skema konseptual yang akan menggambarkan objek dalam kaitan dengan entitas, relasi asosiasi, dan relasi generalisasi, bisa dilihat dalam gambar 1. October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
2
Untuk menyederhanakan proses desain model data dari gambar tersebut maka dapat disimpulkan bila requirement analysis terdiri dari local view data atau skema eksternal, yang akan menggambarkan model tersebut dalam model semantic. Dan akhirnya view integration yang terdiri dari gabungan local view semantic dan global view.
Gambar 1. Skema konseptual database (sumber : McCarthy, 1982) 3. Model Ontologi Dalam Data Modelling Salah satu pengembangan dari penelitian mengenai data modeling adalah aplikasi dari Ontologi (cabang dari filosofi yang berkenaan dengan deskripsi dari eksistensi [Existence]). Filosof yang paling dikenal dalam literature sistem informasi berkaitan dengan bidang ontology ini adalah Mario Bunge (G.Allen et al;2006). Penelitian yang dilakukan Bunge sangat menarik perhatian peneliti sistem informasi karena berbasis pada sains. Elemen ontology dari Bunge sangat cocok dengan konstruk yang digunakan dalam conceptual modeling selama beberapa dekade (G.Allen et al;2006). Konsep ontology dari Bunge bertujuan untuk mengembangkan suatu formalisasi yang digunakan untuk menggambarkan eksistensi alam semesta dan semua komponen penyusunnya. Konsep tersebut bekerja baik untuk mendeskripsikan sistem natural. Karena terdiri dari berbagai material fisik. Sedangkan sistem artificial berbeda dari sistem natural karena terkait dengan atribut selain daripada property, yang merupakan inherent terhadap benda. Disisi lain sistem bisnis adalah sistem artificial. Sistem bisnis tidak terkait dengan pengukuran properti – properti yang intrinsik selain dari pada mencatat bagaimana diskursus akan berubah sebagai hasil dari kemunculan bisnis. Sebagai contoh, sebuah sistem informasi bisnis perlku melaporkan atribut “revenue” selama satu periode. “revenue “ tidak dapat secara langsung di ukur atau diobservasi karena nilainya ditentukan oleh aturan yang ditentukan secara umum. Dalam hal ini peristiwa yang menentukan nilai dari atribut adalah “peristiwa penjualan” dan “penerimaan pembayaran”. Tergantung dari mana apakah atribut “revenue” akan diukur berdasarkan October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
3
cash basis atau accrual basis. Pada dasarnya semua nilai yang dilaporkan dalam laporan keuangan standar adalah atribut dan tidak dapat diobservasi (G.Allen et al;2006). Alasan sebuah sistem informasi mencatat transaksi adalah untuk menyimpan informasi mengenai peristiwa yang harus dirangkum untuk memberikan nilai dari atribut yang tidak dapat diukur atau sulit diukur. Model berbasis Entity Relationship (Chen,1978) dari konsep ontologi dalam riset database adalah model Bunge–Wand–Weber (Roseman& Green;2002). Kegunaan dari model data berbasis ER dapat diimplementasikan tidak hanya dalam Event-Driven Process Chains tapi juga dengan diagram aktivitas dalam pendekatan UML (Roseman & Green; 2002). Pada Gambar 2 terdapat dua model proses untuk sebuah proses pengadaan barang sederhana. ( Roseman & Green; 2002) Kegunaan dari model berbasis ER untuk sebuah model database ontology, menjadi jelas ketika dielaborasi kedalam contoh yang tidak hanya sebuah rantai proses suatu event (event-driven Process Chain), tapi juga diagram aktivitas dengan pendekatan UML, seperti dalam gambar 2, gambar tersebut menggambarkan dua model proses untuk sebuah proses pengadaan barang sederhana.di bagian sebelah kiri menggambarkan proses dengan menggunakan EPC2 (Event-driven Process Chain), sedangkan bagian kanan menggunakan diagram aktivitas UML. Model – model tersebut menunjukkan informasi yang menyangkut unit organisasi yang terlibat, dan objeknya, sebagai tambahan terhadap aliran pengendalian yang relevan. Di gambar tersebut model meta yang relevan bagi kedua metodologi di tunjukkan di atas model proses. Perbedaan diantara keduanya adalah bila EPC memetakan langsung unit organisasi terhadap fungsinya, maka diagram aktivitas dari UML mengikuti pendekatan swimlane. Lebih jauh lagi diagram aktivitas dari UML juga termasuk perubahan object. Gambar 2 juga mengindikasikan bagaimana kedua meta model tersebut dapat terhubung sebagai bagian yang relevan dari meta model untuk model BWW.
Dalam teknik pemodelan data, Event-driven Process Chain, setiap proses terdiri dari tahapan alternatif event dan fungsi (Roseman, Green, 2002)
2
October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
4
Gambar 2. Contoh komprehensif Diagram aktivitas UML dan Meta model ER (Roseman dan Green, 2002) Model meta BWW berperan sebagai referensi model meta dari kedua model meta yang lebih spesifik. Maka menjadi lebih mudah untuk membandingkan diagram aktivitas UML dengan EPC dengan berdasarkan kelengkapan ontologis serta kejelasannya. Model meta untuk ontologi tertentu dapat digunakan sebagai referensi yang membantu mengatasi masalah yang terkait dengan sinonim dan homonim. 4. Kualitas Model Data Pemilihan model data yang tepat merupakan salah satu tugas yang penting dalam pengembangan sistem informasi. Meskipun data modelling hanya merepresentasikan bagian kecil dari seluruh kegiatan pengembangan sistem, dampaknya terhadap kualitas sistem informasi lebih besar dari tahapan lainnya dalam pengembangan sistem informasi. Model data merupakan merupakan penentu utama dalam biaya pengembangan sistem informasi, fleksibilitas sistem, integrasi dengan sistem yang lain, dan kemampuan sistem informasi untuk memenuhi kebutuhan user. (Moody&Shanks, 2003) Menurut Boehms (1981), apabila masalah ditemukan dan dihilangkan pada fase analysis maka secara relatif biaya akan lebih tinggi 3.5 kali lipat bila ditemukan pada fase design, 50 kali lipat bila ditemukan pada tahapan implementasi, serta akan menimbulkan biaya 170 kali lipat bila ditemukan setelah sistem informasi diimplementasikan. (Moody&Shanks, 2003) October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
5
Gambar 3. cost of error dari tahapan pengembangan sistem (Moody dan Shanks, 2003) Dalam literatur quality management (Evans and Lindsay, 2002), dibedakan antara kualitas produk dan kualitas proses : • kualitas produk : fokus kepada karakteristik dari produk. Kriteria kualitas produk digunakan untuk memeriksa produk yang telah selesai dan memeriksa serta mengkoreksi kerusakan. Hal ini merupakan pendekatan tradisional dari penjaminan mutu. • Kualitas proses : berfokus kepada proses yang digunakan untuk memproduksi produk. Tujuannya adalah untuk membangun kualitas kedalam proses produksi daripada mencoba untuk mendapatkan kualitas melalui pemeriksaan dan inspeksi kedalam produk jadi. Fokus dari kualitas proses adalah untuk mencegah kesalahan dari pada mendeteksi kesalahan, dan bertujuan untuk mengurangi ketergantungan kepada inspeksi massal sebagai jalan mencapat kualitas. Hal ini merupakan pendekatan TQM terhadap penjaminan mutu. Dalam konteks pemodelan data, kualitas produk ditekankan dengan evaluasi dan peningkatan kualitas dari model data (produk), sedangkan kualitas proses didapatkan dengan meningkatkan proses analisis data (proses produksi) dapat dilihat pada gambar 4. Kualitas produk menjadi lebih penting dalam konteks proyek individual. Menjadi penting untuk memastikan bahwa model data telah bebas dari kesalahan sehingga database yang dibangun akan memenuhi kebutuhan user. Sedangkan kualitas proses menjadi lebih penting dalam konteks organisasi yang lebih luas: untuk meningkatkan kemampuan organisasi dalam menghasilkan sistem informasi yang berkualitas tinggi dengan lebih efisien (Moody & Shanks;2003)
October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
6
Gambar 4. kualitas produk dan kualitas proses (Moody dan Shanks, 2003) Dalam perancangan perancangan sistem informasi yang efektif akan tergantung dari partisipasi dan kepuasan dari semua stakeholder yang relevan dalam proses perancangan (Whitten, 2006). Stakeholder dari sistem informasi yang akan terkait dalam proses data modelling adalah (Whitten,2006) : a. System owners – sponsor dari sistem informasi, dan biasanya bertanggungjawab terhadap pendanaan pengembangan, pengoperasian dan pemeliharaan dari sistem informasi. b. System users – “konsumen” yang akan menggunakan atau terpengaruh oleh sistem informasi, seperti menangkap, memvalidasi, menginput, merespon terhadap, dan menyimpan serta menukar data dan informasi. c. System designer – tenaga spesialis yang akan menerjemahman kebutuhan bisnis dari user serta hambatan yang dihadapinya menjadi solusi teknis. System designer dapat merancang database, input, output, interface, jaringan dan software yang akan memenuhi kebutuhan user. d. System builders – tenaga spesialis yang akan membangun sistem informasi berdasarkan rancangan spesifikasi yang dibuat oleh desainer sistem informasi. 4.1 Faktor Kualitas Faktor – faktor kualitas disajikan dalam diagram fishbone (gambar 5). Diagram fishbone digunakan secara luas dalam manajemen kualitas untuk menunjukan hubungan sebab akibat (Evans & Lindsay, 2002). Dalam hal ini diagram tersebut menunjukkan bagaimana setiap faktor kualitas akan berkontribusi secara bersama dalam kualitas data model secara keseluruhan. Secara bersama –sama faktor – faktor kualitas ini akan menggambarkan kebutuhan semua stakeholder dan mendefinisikan gambaran lengkap dari kualitas model data. Faktor kualitas digunakan sebagai kriteria untuk mengevaluasi kualitas model data individu. Definisi dari faktor – faktor kualitas adalah sebagai berikut : • Completeness, yang mengacu kepada bagaimana model data akan berisi semua kebutuhan user. • Simplicity, yang berarti model data harus berisi entitas dan relasi yang minimum. • Flexibility, didefinisikan sebagai kemudahan dari setiap model data dapat berinteraksi dengan perubahan peraturan dan atau perubahan bisnis. • Integration, didefinisikan sebagai konsistensi dari model data dengan keseluruhan data di organisasi. October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
7
• Understandability, didefinisikan sebagai kemudahan dari konsep dan struktur data untuk dapat dipahami. • Implementability, didefinisikan sebagai kemudahan dari model data untuk dapat diimplementasikan dengan constraint anggaran, waktu, bujet dan teknologi. • Correctness, salah satu fokus dari pemodelan data adalah untuk memastikan bahwa model data tersebut tidak mengandung redundancy. Hal ini dimasukan dalam faktor kualitas correctness karena redundancy dapat dianggap sebagai error dalam aplikasi dari teknik pemodelan data. • Integrity, business rules (Hoffer,2005) sangat penting dalam lingkungan finansial, karena kebutuhan untuk menjamin integritas data dan menegakkan kebijakan. Juga ada kecenderungan peningkatan penekanan di dunia praktek dalam penggunaan business rules.
Gambar 5 . Faktor – faktor kualitas model data (Moody dan Shanks, 2003) 5. Simpulan Pemilihan model data memiliki peran utama dalam pengembangan database. Dimulai dari Requirement Analysis dan view modelling yang akan memicu pengembangan skema konseptual, merupakan bagian terpenting dari sistem database. Skema konseptual akan menggambarkan objek dalam kaitan dengan entitas, relasi asosiasi, dan relasi generalisasi. Model data kontemporer yang mendapat perhatian luas, adalah model data ontology dari Bunge. Hal ini dikarenakan Elemen ontology dari Bunge sangat cocok dengan konstruk yang digunakan dalam conceptual database modeling selama beberapa dekade. Pemilihan model data ontology ini tetap harus memperhatikan faktor kualitas database, sebagai bagian dari pengendalian internal terhadap integritas database. Adapun faktor – faktor kualitas model data adalah : 1. Completeness 2. Simplicity. 3. Flexibility 4. Integration 5. Understandability. 6. Implementability 7. Correctness 8. Integrity
October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
8
DAFTAR PUSTAKA Allen, Gove, et.al,. 2006. Advances in Data Modelling Research. Communication of The Association for Information System, Vol. 17. Chen, P,. 1976. The Entity Relationship Model-Toward a Unified View of Data. Transaction on Database Systems. ______,. 1978.Application of the Entity Relationship Model. Proceeding of The NYU Symposium on Database Design. Codd, E. F. 1970. A Relational Model of Data for Large Shared Data Banks. Communications of the ACM, Vol. 13, No. 6, June. Elliot, Robert K,. 1994. Confronting the Future : Choices for the Attest Function. Accounting Horizons. Hoffer, Jeffrey A.; Prescott, Mary B.; and McFadden, Fred R. 2005. Modern Database Management, Prentice Hall. McCarthy, William E,.1982. The REA Accounting Model : A Generalized Framework for Accounting Systems in a Shared Data Environment”, The Accounting Review, Vol LVII, No. 3, July. Moody, Daniel L, and Shanks, Graeme G,. 2003. Improving the Quality of data models: Empirical Validation of a Quality Management Framework, Journal of Information System no 28. Reuber, Rebbeca A,. 1988. Opportunity for Accounting Information Systems Research from a Database Perspective. Journal of Information Systems, Fall. Romney, Marshall B, Accounting Information System. 2006. 10th ed. Prentice Hall. Roseman,Michael;Green,Peter,. 2002. Developing a Meta Model for the Bunge-WandWeber ontological Construct. Journal of Information System, pp.75-91. Weber, Ron,. 1986. Data Models Research in Accounting : An Evaluation of Wholesale Distribution Software. The Accounting Review Vol LXI, No.3, July. Whitten, Jeffrey L, System Analysis and Design Methods. 2005. 6th ed. McGraw-Hill.
October 2009 Research Days, Faculty of Economics - Padjadjaran University, Bandung
9
