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 Mendukung
pengolahan
operasional.
Mendukung
pengolahan
analisis.
Usia data 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 yang
detail.
Mencakup
data yang
detail, serta
data yang
diringkas.
Pengolahan
data
Pola yang
dapat
diprediksi
saat
meyisipkan,
Pola yang
kurang dapat
diprediksi
dari data
yang
18
Karakteristik Sistem OLTP Data
Warehouse
menghapus,
memperbaha
rui, dan
melakukan
operasi pada
data.
dioperasikan
.
Pelaporan Dapat
diprediksi,
terdiri dari 1
dimensi, dan
relatif
bersifat statis
dan tetap.
Tidak dapat
diprediksi,
terdiri dari
banyak
dimensi, dan
bersifat
dinamis.
Pengguna Melayani
sejumlah
besar
pengguna
operasional.
Melayani
sejumlah
kecil
pengguna
manajerial
(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 (Soo-
Yong, 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.