Data transaksional rumah sakit dapat diberdayakan lebih lanjut untuk ragam keperluan
dan bukan hanya sebagai arsip riwayat pasien perseorangan saja. Berbagai informasi
berharga dapat diungkapkan dari data transkasional rumah sakit yang dihasilkan dari
sistem rekam medis.Dalam kasus ini untuk mendapatkan kejelasan yang melibatkan
informasi menyeluruh yang juga melibatkan
ragam sudut pandang dapat disolusikan
dengan teknik Online Analytical Processing (OLAP). Teknik ini mampu mengakomodasi
kelengkapan data yang nantinya menjadi framework untuk dianalisa secara seksama
Mengacu pada data rekam medis dimana setiap pasien memiliki banyak keluhan dan
latar belakang yang berbeda yang terelasi dengan sang pasien. Teknik OLAP mampu
menyajikan data dalam bentuk multidimensi. Selanjutnya, OLAP akan melakukan
eksekusi
data
yakni
slicing(irisan)
dan
dicing(rotasi)
yakni
meringkas
dan
mengumpulkan sejumlah besar data, melakukan filtering, pengurutan, dan memberikan
peringkat (rangking) yang akan memperkaya temuan berharga dari data kubikal.
Kata kunci: online analytical processing (olap), data rekam media, data kubikal, slicing,
dicing.
SIM 5, rhosida desarti, prof. dr. hapzi ali, cma,sistem manajemen database, u...rhosidadesarti
Menganalisi Sistem Informasi pada perusahaan
Sistem Informasi adalah kombinasi dari teknologi informasi dan aktivitas orang yang menggunakan teknologi itu untuk mendukung operasi dan manajemen Dalam arti yang sangat luas, istilah sistem informasi yang sering digunakan merujuk kepada interaksi antara orang, proses algoritmik, data, dan teknologi.
Dalam pengertian ini, istilah ini digunakan untuk merujuk tidak hanya pada penggunaan organisasi teknologi informasi dan komunikasi (TIK), tetapi juga untuk cara di mana orang berinteraksi dengan teknologi ini dalam mendukung proses bisnis.
Ada yang membuat perbedaan yang jelas antara sistem informasi, dan komputer sistem TIK, dan proses bisnis. Sistem informasi yang berbeda dari teknologi informasi dalam sistem informasi biasanya terlihat seperti memiliki komponen TIK. Hal ini terutama berkaitan dengan tujuan pemanfaatan teknologi informasi. Sistem informasi juga berbeda dari proses bisnis.
SIM 5, rhosida desarti, prof. dr. hapzi ali, cma,sistem manajemen database, u...rhosidadesarti
Menganalisi Sistem Informasi pada perusahaan
Sistem Informasi adalah kombinasi dari teknologi informasi dan aktivitas orang yang menggunakan teknologi itu untuk mendukung operasi dan manajemen Dalam arti yang sangat luas, istilah sistem informasi yang sering digunakan merujuk kepada interaksi antara orang, proses algoritmik, data, dan teknologi.
Dalam pengertian ini, istilah ini digunakan untuk merujuk tidak hanya pada penggunaan organisasi teknologi informasi dan komunikasi (TIK), tetapi juga untuk cara di mana orang berinteraksi dengan teknologi ini dalam mendukung proses bisnis.
Ada yang membuat perbedaan yang jelas antara sistem informasi, dan komputer sistem TIK, dan proses bisnis. Sistem informasi yang berbeda dari teknologi informasi dalam sistem informasi biasanya terlihat seperti memiliki komponen TIK. Hal ini terutama berkaitan dengan tujuan pemanfaatan teknologi informasi. Sistem informasi juga berbeda dari proses bisnis.
Presentasi jurnal dengan tema bisnis intelijen.
Judul Jurnal:
"Business Intelligence Tools for Radiology: Creating a Prototype Model Using Open-Source Tools"
Analisis dan perancangan_sistem_informasi_pasien (sipasien)sholehulhuda1
RUMUSAN MASALAH Bagaimana bentuk analisis dan perancangan sistem informasi pasien?
BATASAN MASALAH Sistem informasi yang dibuat hanya digunakan untuk klinik yang sederhana. Sistem informasi ini tidak menjangkau data mengenai laboratorium, operasi, pembayar-an melalui perbankan dan sebagainya.
TUJUAN PENELITIAN Melakukan analisis dan perancangan sistem informasi pasien untuk membantu klinik/ fasilitas kesehatan yang kecil dalam pengelolaan data.
Tugas 10 sia aplikasi konsep data relasional pada sistem pendapatan dan penge...RizkytaSalsabila
ABSTRAK
Data Base Management System (DBMS) berdampak penting terhadap cara pelaporan informasi akuntansi, terutama dalam hal mengubah data menjadi komunikasi yang mudah dipahami bagi para penggunanya. Perangkat lunak audit pada dasarnya dirancang sesuai dengan cara sistem pemodelan basis data. Siklus pemrosesan transaksi memberikan kerangka kerja yang harus dipenuhi dalam kebutuhan informasi akun, oleh karena itu database itu sendiri berorientasi pada siklus pemrosesan transaksi. Sistem akuntansi bagaimanapun merupakan salah satu bidang kerangka konseptual dalam laporan manajemen gedung dalam unit moneter. Oleh karena itu, sangat disarankan kepada akuntan dan analisis sistem informasi untuk lebih memperhatikan esensi dari pemodelan database akuntansi.
Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database. Model database ini digagas oleh seorang pakar database bernama EF codd.
Kata kunci: Database, relasional, penjualan, pembelian
Tugas 13 sia aplikasi konsep basis data relasional pada sistem pelaporan dan ...RizkytaSalsabila
ABSTRAK
Data Base Management System (DBMS) berdampak penting terhadap cara pelaporan informasi akuntansi, terutama dalam hal mengubah data menjadi komunikasi yang mudah dipahami bagi para penggunanya. Perangkat lunak audit pada dasarnya dirancang sesuai dengan cara sistem pemodelan basis data.
Sistem buku besar dan pelaporan memainkan sebuah peran penting dalam sistem informasi akuntansi sebuah perusahaan. Fungsi utamanya adalah untuk mengumpulkan dan mengatur data dari sumber-sumber sebagai berikut: Setiap subsistem siklus akuntansi menyediakan informasi mengenai transaksi reguler.
Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database. Model database ini digagas oleh seorang pakar database bernama EF codd.
Kata kunci: Sistem Informasi Akuntansi, database, relasional, pelaporan, buku besar
Analisis Implementasi Aplikasi Konsep Aasis Data Relasional PT Unilever Indon...RaihanAbid1
Database merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan atau disimpan komputer dan digunakan perangkat lunak untuk memanipulasinya. Sistem manajemen basis data (DBMS) adalah perangkat lunak computer yang berinteraksi dengan Pengguna, apliaksi lain, dan basis data untuk mengambil dan menganalisis data. Saat ini sudah ada banyak sekali vendor – vendor DBMS yang dikenal dan banyak digunakan oleh berbagai kalangan dan juga user untuk mengimplementasikan database ke dalam sistem yang mereka buat. Tujuan penelitian ini adalah untuk mengetahui seperti apa implementasi aplikasi basis data relasional pada perusahaan yang bergerak dibidang olahan pangan dan kebutuhan sehari-hari. Salah satu tujuan relasional database dapat menciptakan DBMS yang konsisten dan menghindari terjadinya duplikasi data serta meningkatkan kemampuan dalam mengambil dan juga memproses data. Teknik pembahasan yang digunakan adalah dengan metode deskriptif. Teknik pengumpulan data dilakukan dengan mencari berbagai sumber dari jurnal, e-book, dan internet. Untuk menyelesaikan masalah tersebut, maka PT Unilever Indonesia, Tbk. membuat sistem aplikasi database relasional untuk mengefisiensi pemanfaatan data.
Membangun Aturan Asosiasi menggunakan Algoritma Apriori untuk Rekomendasi Fil...ferisulianta.com
Rekomendasi film berperan penting dalam membantu penonton memilih film yang sesuai dengan minat mereka, terutama di tengah banyaknya pilihan yang tersedia. Dalam penelitian ini, kami menggunakan algoritma Apriori untuk memberikan rekomendasi film berdasarkan data IMDb. Algoritma Apriori digunakan untuk menemukan hubungan antara film-film berdasarkan informasi seperti genre, aktor, dan peringkat pengguna. Dengan menerapkan algoritma ini, kami dapat mengidentifikasi pola-pola yang sering muncul di antara item-item film dalam dataset IMDb. Misalnya, jika seorang pengguna sering menonton film-film aksi dengan aktor tertentu, algoritma Apriori dapat merekomendasikan film-film serupa dengan genre yang sama dan melibatkan aktor yang serupa. Diharapkan bahwa implementasi algoritma Apriori ini dapat membantu pengguna menemukan film-film yang relevan dan sesuai dengan minat mereka dalam pengalaman menonton mereka.
preferensi pengguna. Hasil penelitian ini diharapkan dapat memberikan panduan yang berguna bagi penonton dalam menemukan film-film yang menarik dan sesuai dengan minat mereka berdasarkan informasi IMDb yang relevan.
Keywords—association rules, dataset, Movies,apriori, IMDb
More Related Content
Similar to Kelola Kubikal Data Transaksional Sistem Informasi.pdf
Presentasi jurnal dengan tema bisnis intelijen.
Judul Jurnal:
"Business Intelligence Tools for Radiology: Creating a Prototype Model Using Open-Source Tools"
Analisis dan perancangan_sistem_informasi_pasien (sipasien)sholehulhuda1
RUMUSAN MASALAH Bagaimana bentuk analisis dan perancangan sistem informasi pasien?
BATASAN MASALAH Sistem informasi yang dibuat hanya digunakan untuk klinik yang sederhana. Sistem informasi ini tidak menjangkau data mengenai laboratorium, operasi, pembayar-an melalui perbankan dan sebagainya.
TUJUAN PENELITIAN Melakukan analisis dan perancangan sistem informasi pasien untuk membantu klinik/ fasilitas kesehatan yang kecil dalam pengelolaan data.
Tugas 10 sia aplikasi konsep data relasional pada sistem pendapatan dan penge...RizkytaSalsabila
ABSTRAK
Data Base Management System (DBMS) berdampak penting terhadap cara pelaporan informasi akuntansi, terutama dalam hal mengubah data menjadi komunikasi yang mudah dipahami bagi para penggunanya. Perangkat lunak audit pada dasarnya dirancang sesuai dengan cara sistem pemodelan basis data. Siklus pemrosesan transaksi memberikan kerangka kerja yang harus dipenuhi dalam kebutuhan informasi akun, oleh karena itu database itu sendiri berorientasi pada siklus pemrosesan transaksi. Sistem akuntansi bagaimanapun merupakan salah satu bidang kerangka konseptual dalam laporan manajemen gedung dalam unit moneter. Oleh karena itu, sangat disarankan kepada akuntan dan analisis sistem informasi untuk lebih memperhatikan esensi dari pemodelan database akuntansi.
Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database. Model database ini digagas oleh seorang pakar database bernama EF codd.
Kata kunci: Database, relasional, penjualan, pembelian
Tugas 13 sia aplikasi konsep basis data relasional pada sistem pelaporan dan ...RizkytaSalsabila
ABSTRAK
Data Base Management System (DBMS) berdampak penting terhadap cara pelaporan informasi akuntansi, terutama dalam hal mengubah data menjadi komunikasi yang mudah dipahami bagi para penggunanya. Perangkat lunak audit pada dasarnya dirancang sesuai dengan cara sistem pemodelan basis data.
Sistem buku besar dan pelaporan memainkan sebuah peran penting dalam sistem informasi akuntansi sebuah perusahaan. Fungsi utamanya adalah untuk mengumpulkan dan mengatur data dari sumber-sumber sebagai berikut: Setiap subsistem siklus akuntansi menyediakan informasi mengenai transaksi reguler.
Database relasional merupakan jenis Database Management System (DBMS) yang terbaru, yang memberikan gambaran atau bagam skema yang menjelaskan tentang hubungan antar tabel bisa dilakuan di dalam sebuah database. Model database ini digagas oleh seorang pakar database bernama EF codd.
Kata kunci: Sistem Informasi Akuntansi, database, relasional, pelaporan, buku besar
Analisis Implementasi Aplikasi Konsep Aasis Data Relasional PT Unilever Indon...RaihanAbid1
Database merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya, tersimpan atau disimpan komputer dan digunakan perangkat lunak untuk memanipulasinya. Sistem manajemen basis data (DBMS) adalah perangkat lunak computer yang berinteraksi dengan Pengguna, apliaksi lain, dan basis data untuk mengambil dan menganalisis data. Saat ini sudah ada banyak sekali vendor – vendor DBMS yang dikenal dan banyak digunakan oleh berbagai kalangan dan juga user untuk mengimplementasikan database ke dalam sistem yang mereka buat. Tujuan penelitian ini adalah untuk mengetahui seperti apa implementasi aplikasi basis data relasional pada perusahaan yang bergerak dibidang olahan pangan dan kebutuhan sehari-hari. Salah satu tujuan relasional database dapat menciptakan DBMS yang konsisten dan menghindari terjadinya duplikasi data serta meningkatkan kemampuan dalam mengambil dan juga memproses data. Teknik pembahasan yang digunakan adalah dengan metode deskriptif. Teknik pengumpulan data dilakukan dengan mencari berbagai sumber dari jurnal, e-book, dan internet. Untuk menyelesaikan masalah tersebut, maka PT Unilever Indonesia, Tbk. membuat sistem aplikasi database relasional untuk mengefisiensi pemanfaatan data.
Membangun Aturan Asosiasi menggunakan Algoritma Apriori untuk Rekomendasi Fil...ferisulianta.com
Rekomendasi film berperan penting dalam membantu penonton memilih film yang sesuai dengan minat mereka, terutama di tengah banyaknya pilihan yang tersedia. Dalam penelitian ini, kami menggunakan algoritma Apriori untuk memberikan rekomendasi film berdasarkan data IMDb. Algoritma Apriori digunakan untuk menemukan hubungan antara film-film berdasarkan informasi seperti genre, aktor, dan peringkat pengguna. Dengan menerapkan algoritma ini, kami dapat mengidentifikasi pola-pola yang sering muncul di antara item-item film dalam dataset IMDb. Misalnya, jika seorang pengguna sering menonton film-film aksi dengan aktor tertentu, algoritma Apriori dapat merekomendasikan film-film serupa dengan genre yang sama dan melibatkan aktor yang serupa. Diharapkan bahwa implementasi algoritma Apriori ini dapat membantu pengguna menemukan film-film yang relevan dan sesuai dengan minat mereka dalam pengalaman menonton mereka.
preferensi pengguna. Hasil penelitian ini diharapkan dapat memberikan panduan yang berguna bagi penonton dalam menemukan film-film yang menarik dan sesuai dengan minat mereka berdasarkan informasi IMDb yang relevan.
Keywords—association rules, dataset, Movies,apriori, IMDb
Algoritma Apriori untuk Menghasilkan Aturan Asosiasi Saat Berkendara.pdfferisulianta.com
Kecelakaan merupakan peristiwa yang mengancam keselamatan manusia dan menjadi salah satu penyebab utama cedera dan kematian di seluruh dunia. Tingkat kefatalan kecelakaan dapat memberikan informasi berharga dalam upaya pencegahan dan pengurangan risiko kecelakaan di masa depan. Dalam penelitian ini, kami mengusulkan penerapan metode aturan asosiasi dengan algoritma Apriori untuk menganalisis faktor-faktor yang berhubungan dengan tingkat kefatalan kecelakaan. Metode ini melibatkan pengumpulan data kecelakaan yang mencakup berbagai atribut seperti cuaca, keadaan jalan, umur pengemudi, kecepatan, dan lain sebagainya. Data ini kemudian diolah menggunakan algoritma Apriori untuk menemukan asosiasi antara atribut-atribut tersebut dan tingkat kefatalan kecelakaan. Aturan asosiasi yang dihasilkan memberikan wawasan tentang kombinasi faktor-faktor yang berpotensi menyebabkan kecelakaan dengan tingkat kefatalan yang tinggi.
Keywords— apriori, faktor kecelakaan lalu lintas.
Clustering Biaya Kesehatan Menggunakan Algoritma K-Meansferisulianta.com
Asuransi kesehatan merupakan asuransi dimana pihak penanggung menjamin segala kemungkinan yang terjadi pada diri tertanggung terkait dengan masalah kesehatanya sesuai dengan perjanjian yang telah di sepakati.
Suatu perusahaan yang bergerak dibidamg jasa asuransi jiwa perlu melakukan analisis calon nasabah asuransi. Agen asuransi perlu menganalisi calon nasabah. Tujuan dari analisis ini adalah untuk menyelidiki berbagai faktor yang berhubungan dengan kesehatan dan keterkaitannya untuk memprediksi biaya pengobatan individu yang ditagihkan oleh asuransi kesehatan secara akurat. Faktor-faktor ini mencakup aspek-aspek seperti usia, dan indeks massa tubuh (BMI).
Salah satu metode analisis ini dengan menggunakan metode clustering dengan algoritma k-means. Clustering adalah teknik dalam analisis data yang digunakan untuk mengelompokkan objek atau data ke dalam kelompok-kelompok yang memiliki kesamaan karakteristik tertentu. Tujuan utama dari clustering adalah untuk mencari pola atau struktur dalam data tanpa adanya label atau pengawasan sebelumnya. Dalam clustering, objek dalam kelompok yang sama akan memiliki kesamaan yang tinggi, sedangkan objek antar kelompok akan memiliki perbedaan yang signifikan.
Kata Kunci Asuransi, Kesehatan, Clustering, Data mining
Aturan Asosiasi menggunakan Algoritma Apriori sebagai Dasar Aksi Bisnis .pdfferisulianta.com
Didalam hal bisnis, banyak sektor yang terlibat dalam proses jual beli. Tidak hanya penjualan besar yang dilakukan oleh perusahaan-perusahaan yang juga besar, masih banyak bisnis toko retail yang dilakukan masyarakat menengah kebawah. Toko retail umunya tidak menjual satu produk namun relatif banyak produk yang ditawarkan dalam bisnisnya. Dalam bisnisnya, toko retail membeli barang yang akan dijualnya dari produsen yang kemudian dijualnya kembali pada para konsumen secara langsung. Cukup banyaknya pelanggan dan proses transaksi, toko retail ini ingin mengetahui pola pembelian konsumen dengan memanfaatkan data transaksi yang sudah terjadi. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada toko retail dengan memanfaatkan data transaksi yang telah terjadi. Data transaksi tersebut mencakup informasi mengenai produk yang dibeli, jumlah pembelian, waktu pembelian, dan profil konsumen. Dengan menganalisis data transaksi tersebut, toko retail dapat memperoleh wawasan yang berharga mengenai kebiasaan pembelian konsumen, preferensi produk, tren penjualan, dan faktor-faktor lain yang dapat mempengaruhi keputusan pembelian. Metode yang digunakan dalam penelitian ini adalah analisis data dan pemodelan statistik. Data transaksi yang dikumpulkan dari toko retail akan dianalisis menggunakan teknik-teknik statistik seperti analisis deskriptif, analisis asosiasi, dan analisis klaster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang berharga bagi toko retail dalam mengoptimalkan strategi penjualan dan pemasaran mereka. Dengan memahami pola pembelian konsumen, toko retail dapat mengatur stok produk dengan lebih efisien, merancang promosi yang tepat, dan menyediakan pengalaman berbelanja yang lebih personal bagi konsumen.
Kata kunci: Toko Retail, Algoritma Apriori, Aturan Asosiasi, Strategi Bisnis, Data Mining.
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Prediction Of Cryptocurrency Prices Using Lstm, Svm And Polynomial Regression...ferisulianta.com
The rapid development of information technology, especially the Internet, has facilitated users
with a quick and easy way to seek information. With these convenience offered by internet
services, many individuals who initially invested in gold and precious metals are now shifting
into digital investments in form of cryptocurrencies. However, investments in crypto coins are
filled with uncertainties and fluctuation in daily basis. This risk posed as significant challenges
for coin investors that could result in substantial investment losses. The uncertainty of the
value of these crypto coins is a critical issue in the field of coin investment. Forecasting, is one
of the methods used to predict the future value of these crypto coins. By utilizing the models of
Long Short Term Memory, Support Vector Machine, and Polynomial Regression algorithm for
forecasting, a performance comparison is conducted to determine which algorithm model is
most suitable for predicting crypto currency prices. The mean square error is employed as a
benchmark for the comparison. By applying those three constructed algorithm models, the
Support Vector Machine uses a linear kernel to produce the smallest mean square error
compared to the Long Short Term Memory and Polynomial Regression algorithm models, with a mean square error value of 0.02.
Keywords: Cryptocurrency, Forecasting, Long Short Term Memory, Mean Square Error,
Polynomial Regression, Support Vector Machine
Konsumen Sebagai Co-Creation untuk Menentukan Strategi.pdfferisulianta.com
Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Buku literasi digital, riset dan perkembangannya dalam perspektif social stud...ferisulianta.com
Era saat ini yang ditandai dengan tercentusnya abad 21 yang menjadi tonggak kebangkitan digital. Berbagai pekerjaan dan cara kerja terdahulu sudah usang dan ditinggalkan. Digantikan dengan keterampilan digital yang sama sekali baru, praktis, ringkas, efektif, efisien, modern dan canggih. Data, Informasi dan Pengetahuan semuanya diproduksi dan dikelola secara digital. Hanya saja kesiapan masyarakat dan peran institusi pendidikan menjadi penentu dalam memanfaatkan semua kebaikan teknologi yang ada untuk menyiapkan peserta didik memiliki kompetensi literasi digital
Untuk dapat memanfaatkan semua kebaikan teknologi di abad 21 untuk meningkatkan kompetensi literasi digital di ranah edukasi, penting peranannya mengalamati dengan seksama fenomena apa yang terjadi saat ini dari aspek teknologi, pendidik, peserta didik, masyarakat dan dinamika global di era krisis yang mengancam keberlangsungan pembeajaran .
Hal unggulan yang dibahas dalam buku ini:
• Kondisi masyarakat digital masa kini
• Literasi digital sebagai solusi pendidikan
• Perkembangan pemebelajaran ips dari masa ke masa
• Kurikulum internasional IPS dan porsi dari literasi digital
• Karakteristik peserta didik generasi digital
• Pengembangan pembelajaran digital
• Bentuk-bentuk pembelajaran digital kini dan masa depan semisal konten digital, community of practice menciptakan ruang partisipasi masyarakat digital, amunisi pembelajaran digital,knowledge management system, tool pembelajaran masa depan
MEMBANGUNKAN SANG RAKSASA
Bangkitnya Revolusi Sosial Dunia Paling Berbahaya
Sebuah fenomena luar biasa mulai berkecambuk, menjalar mengubah persepsi masyarakat, ditenggarai dengan ideologi berjubah putih yang menyeret masyarakat terus berlabuh sekencang-kencangnya untuk menghantam ‘bongkahan gunung es’.
Buku ini menggambarkan bangkitnya raksasa yang akan mengubah secara total masyarakat manusia.
Sejarah tidak dapat diulang, bencana sosial sudah di depan mata, saatnya mengencangkan ikat pinggang dan bersiap-siap menghadapi keruntuhan peradaban
ISBN: 978-602-371-562-6
Terbit: April 2018
Halaman : 360, BW : 360, Warna : 6
Harga: Rp. 81.300,00
Deskripsi:
Sebuah fenomena luar biasa mulai berkecamuk, menjalar mengubah persepsi masyarakat, ditengarai dengan ideologi berjubah putih yang menyeret masyarakat terus berlabuh sekencang-kencangnya untuk menghantam ‘bongkahan gunung es’. Buku ini menggambarkan bangkitnya raksasa yang akan mengubah secara total masyarakat manusia. Sejarah tidak dapat diulang, bencana sosial sudah di depan mata, saatnya mengencangkan ikat pinggang dan bersiap-siap menghadapi keruntuhan peradaban.
Kelola Kubikal Data Transaksional Sistem Informasi.pdf
1. MIND Journal, Vol. 1, No.1, [September] 2016, hlm 1-8
ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 1
Kelola Kubikal Data Transaksional Sistem Informasi Rumah
Sakit Dengan Teknik Online Analytical Processing
Feri Sulianta1
, Raina Clarissa Philothra R1
1
Universitas Widyatama Jl.Cikutra No. 204A
Email: feri.sulianta@widyatama.ac.id
ABSTRAK
Data transaksional rumah sakit dapat diberdayakan lebih lanjut untuk ragam keperluan
dan bukan hanya sebagai arsip riwayat pasien perseorangan saja. Berbagai informasi
berharga dapat diungkapkan dari data transkasional rumah sakit yang dihasilkan dari
sistem rekam medis.Dalam kasus ini untuk mendapatkan kejelasan yang melibatkan
informasi menyeluruh yang juga melibatkan ragam sudut pandang dapat disolusikan
dengan teknik Online Analytical Processing (OLAP). Teknik ini mampu mengakomodasi
kelengkapan data yang nantinya menjadi framework untuk dianalisa secara seksama
Mengacu pada data rekam medis dimana setiap pasien memiliki banyak keluhan dan
latar belakang yang berbeda yang terelasi dengan sang pasien. Teknik OLAP mampu
menyajikan data dalam bentuk multidimensi. Selanjutnya, OLAP akan melakukan
eksekusi data yakni slicing(irisan) dan dicing(rotasi) yakni meringkas dan
mengumpulkan sejumlah besar data, melakukan filtering, pengurutan, dan memberikan
peringkat (rangking) yang akan memperkaya temuan berharga dari data kubikal.
Kata kunci: online analytical processing (olap), data rekam media, data kubikal, slicing,
dicing.
ABSTRACT
Hospital transactional data can be further empowered for diverse purposes and not just
as an individual patient history archive only. Various valuable information may be
disclosed from transactional the data which is generated from the system. To clarify that
involve thorough information that also involves diverse viewpoints are treated with
techniques Online Analytical Processing (OLAP). This technique is able to accommodate
the completeness of the data that will be analyzed carefully. Mengacu framework for the
medical records where each patient has a lot of complaints and different backgrounds
who terelasi with the patient. OLAP techniques capable of presenting data in a
multidimensional form. Furthermore, OLAP will execute the data that is slicing (slice)
and dicing (rotation) that summarize and collect large amounts of data, perform filtering,
sorting, and rank (rank) that will enrich the valuable findings from the data cubes.
Hospital transactional data can be further empowered for various purposes, and not just
as an individual patient history archive only. Various valuable information may be
disclosed from the hospital transkasional the data generated from the medical record
system. To obtain complete clarity that also involves a variety of viewpoints are treated
with techniques Online Analytical Processing (OLAP). This technique is able to
accommodate the completeness of the data that will be the framework to be analyzed
carefully. Referring to the medical records where each patient has a lot of complaints and
different backgrounds related to the patient. OLAP techniques capable of presenting data
in a multidimensional form. Furthermore, OLAP will execute the data that is slicing
(slice) and dicing (rotation) that summarize and collect large amounts of data, perform
filtering, sorting, and rank (rank) that will enrich the valuable findings from the data
cubes.
Keywords: online analytical processing (olap), medical record data, data cubicles,
slicing, dicing.
2. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 2
1. LATAR BELAKANG
Salah satu rumah sakit swasta di bandung memiliki data pasien rawat inap dalam
sistem sistem rekam medis. Data transaksional tersebut akan dianalisa guna
menyingkapkan informasi yang berharga untuk membangun strategi bisnis, memberikan
layanan dan dasar pembuatan kebijakan rumah sakit. Beberapa hal dari informasi yang
dapat dieksplorasi, misalnya dengan dunia yang semakin berkembang dan penyakit pun
beragam, pihak rumah sakit harus sigap mengantisipasi keluhan para pasien. Dalam hal
ini teknik Online Analytical Processing akan diterapkan guna menskemakan basis data,
analisa datadan menyingkapkan temuan berrharga. Secara prkatikal, teknik Online
Analytical Processing pun dapat menghadirkan kebutuhan retrieval data diagnosa.
Langkah ini diharapkan mampu mengungkap banyak informasi yang sebelumnya tidak
teralamati jika hanya mengandalkan sistem rekam medis dengan fitur sistem pemrosesan
transaksi saja.
2. METODOLOGI PENELITIAN
OLAP atau disebut dengan Online Analytical Processing, merupakan metode
menganalisa data (atau kumpulan data) secara interaktif tanpa harus menggunakan teknik
pemrograman rumit. Pemakai cukup mengakses fitur grafis yang tersedia dalam OLAP.
Analisa data menjadi mudah, pemakai dapat dengan mudah mengubah dan memposisikan
data dengan fitur grafis yang interaktif. OLAP pada umumnya digunakan pada pembuatan
laporan bisnis seperti laporan keuangan, penjualan, pemasaran, meramal data, analisa
budget, business process management, dan meluas pada keperluan riset dan industri.
OLAP memampukan sistem analis menganalisa berbagai data dengan atribut
beragam, misalnya saja data pasien berdasarkan penyakit yang diderita, waktu registrasi
pasien, jenis asuransi yang digunakan, biaya pengobatan kemudian membandingkannya
dengan data yang tersedia. Temuan seperti waktu puncak registrasi dan jenis pernyakit
yang diderita atau dikeluhkan, jenis obat yang digunakan, atau bahkan jenis asurasi yang
digunakan dapat menjadi dasar dalam membuat layanan lebih baik. Misalnya
menyiapkan personel tambahan dalam waktuu-waktu tertentu yang didapati terjadinya
puncak registrasi pasien, atau bahkan untuk strategi bisnis dengan menggandeng pihak
asurasi guna memberikan tawaran produk asurasi lebih tepat sasaran.
Akan diperlihatkan secara mendasar komponen diperlukan dalam menjalankan
OLAP dan implementasi langkah-langkahnya sbb:
Gambar 1. Siklus pengolahan data dengan OLAP dan pemetaan ke dalam
data kubikal
(Sumber : Feri Sulianta. OLAP Excel – Cara Hebat Excel
Mengelola Data. Elexmedia Komputindo. Jakarta. 2011)
3. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 3
Berbeda dengan sekedar tabel tunggal sederhana, diperlukan komponen lain untuk
membangun OLAP, antara lain :
• Kumpulan tabel (tabel: kumpulan dari baris dan kolom).
• Relasi: keterhubungan antara satu tabel dengan tabel lain.
Gambar 2. Representasi kubikal data tiga dimensi
(Sumber : Feri Sulianta. OLAP Excel – Cara Hebat Excel
Mengelola Data. Elexmedia Komputindo. Jakarta. 2011)
Untuk membentuk data multi dimensi dibutuhkan banyak tabel yang terelasi satu
sama lain, hal ini penting dalam membangun kelengkapan informasi. Selain
membutuhkan data-data yang bergantung pada tabel-tabel lain, data multi dimensi
memiliki atribut tersendiri untuk bisa dikelola dalam OLAP. Tiga atribut ini yaitu:
Dimensi (dimension): atribut yang ditinjau.
Pengukur (measurement): besaran yang dapat diukur mengacu pada irisan
antara dimensi yang ditinjau.
Kalkulasi (hasil pengukuran): hasil pengukuran suatu irisan (measurement).
Dengan membangun OLAP maka data yang diorganisasi dalam tabel dapat
diberdayakan lagi untuk keperluan analisa. Informasi yang bernilai tidak ditemukan jika
mengandalkan tabel tunggal yang hanya mengorganisasi baris dan kolom saja. Setelah
mendapati wujud dari data transaksional. Selanjutnya data mentah harus diorganisasi
terlebih dahulu dalam tabel -tabel. Selanjutnya relasi dibuat untuk membangun
keterikatan antara satu tabel dengan tabel lainya.
Filtering merupakan hasil pada data OLAP yang akan meringkas dan
mengumpulkan sejumlah besar data, melakukan filtering, pengurutan,dan memberikan
peringkat (rangking), membandingkan beberapa set dari data, Membuat
sketsa/bagan/diagram, menganalisis dan menemukan pola dari data, dan menganalisis
kecenderungan data.Untuk mendapatkan pengetahuan demikian, maka cara yang
ditempuh untuk menyingkapkan temuan berharga dari data tersebut yakni menggunakan
data OLAP dengan filtering.OLAP mampu memetakan data dalam bentuk dimensioal
cube (dimensi kubikal), kemudian masing-masing kubikal dapat dengan mudah
dibandingkan, Pihak pengambil keputusan mudah dan cepat ketika mencari penyebab
permasalahan yang dihadapi.
Perangkat lunak yang digunakan untuk mengimplementasikan data pasien rawat inap
ini guna melakukan irisan dan rotasi data yang seketika mampu menghasilkan informasi
yakni Olap Cube.Aplikasi ini akan membaca data yang disimpan dalam format Ms.
Access. Selanjutnya, melakukan seleksi dimension dan measures yang ingin diproses
melalui Build Cube OLAP Cube.
4. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 4
Konfigurasi komputer yang digunakan dalam penelitian yakni: Sistem Operasi
Windows 8, Processor Intel Celeron Processor 1019& 1 GHz, 2 MB L3 cache, dengan
spesifikasi memori 4 GB DDR3. Dalam kasus ini, hanya sebagai data saja yang akan
diambil dari basis data transaksional yang dipetakan dalam 1 tabel tunggal setelah proses
denormalisasi dengan mengeksekusi perintah Structure Query Language (SQL).
Gambar 3. Elemen basis data terelasi dalam bentuk normal ke tiga
untuk ditransformasikan ke dalam data kubikal
(Sumber : Feri Sulianta. OLAP Excel – Cara Hebat Excel
Mengelola Data. Elexmedia Komputindo. Jakarta. 2011)
Tabel 1. Hasil denormalisasi yang akan ditransformasi menjadi data
kubikal
Data mentah tersebut mencitrakan data pasien rawat inap diambil dalam kurun
waktu dua minggu dengan karakteristik yakni 16 atribut dan 953 record. Selanjutnya,
menentukan row data yang diiris atau slicing dan menentukan sudut pandang yang ingin
dilihat dari data atau dicing. Dikatakan sebelumnya data kubikal virtual dapat diubah
sedemikan rupa untuk mencari temuan-temuan lain lagi yang berharga. Hal ini dilakukan
menggunakan beberapa jenis metoda pengoperasian pada data kubikal virtual. Pada tahan
inilah observasi data dilakukan yang mencakup:
Membuat irisan/ Slicing.
Membuat banyak irisan/Dicing. Drill Up.
Drill Down.
Rotasi atau Pivoting.
Berikut akan dijelaskan satu persatu untuk setiap operasi pada OLAP.
Irisan ( OLAP slicing ) : Irisan atau slicing adalah mengambil atau mengiris
satu dimensi dari data virtual kubikal untuk keperluan penyederhanaan informasi atau
untuk membuang informasi yang tidak diperlukan dalam analisis.
5. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 5
Irisan Berganda (OLAP dicing): Irisan berganda atau dicing adalah irisan
dilakukan lebih dari dua dimensi data. Dimensi batasan waktu dan area tidak berubah,
tetapi tiga kategori suatu item diambil untuk analisa lebih lanjut.
OLAP Drill-up dan Drill Down : Drill Down dan Drill Up merupakan teknik
analisa untuk menspesifikasi atau mengeneralisasi informasi. Semakin ke atas (UP)
maka informasi yang didapat semakin ringkas dan semakin ke bawah (Down) maka
informasi yang didapat semakin rinci. Kubikal virtual (kiri) jika ditranslasikan ke kubikal
(kanan) disebut Drill Down sebaiknya dari kanan ke kiri disebut dengan Drill UP.Drill
Down dilihat sewaktu area kubikal yang dikategorikan dalam produk layanan seperti
misalnya ruang pasien kelas A, ruang pasien kelas B, ruang pasien kelas C atau ruang
pasien VIP.
Rotasi atau OLAP pivoting: Rotasi atau Pivoting dilakukan dengan memutar
atau merotasi data kubikal virtual untuk mendapatkan sudut pandang berbeda terhadap
data yang dianalisa. Rotasi data kubikal virtual sedemikian rupa, akan mengubah fokus
analisa, misalnya analisa berbasiskan jenis penyakit menjadi berbasis kurun waktu.
Temuan informasi baru bisa muncul seperti degradasi penggunaan layanan asuransi
tertentu setiap tahunnya. Sebelum dirotasi hal ini tidak nampak karena jumlah pasien
masih memiliki tingkat loyalitas tinggi pada rumah sakit yang bersangkutan.
Tahap-tahap menggunakan OLAP dalam menganalisa data relatif mudah, berikut
langkahnya :
1. Mengkoneksikan OLAP ke sumber data atau data source yang akan
dianalisa.
2. Menambahkan tabel yang diperlukan dari data source.
3. Membangun Relasi antar Tabel.
4. Lakukan drag dan drop mouse untuk field atau kolom pada tabel dalam
menentukan ‘dimension’ dan ‘measure’.
5. Membangun kubikal
Data apapun dapat digunakan asalkan memiliki ODBC Driver (middleware untuk
basis data agar basis data dapat dikenali oleh sistem yang berbeda) yang cocok untuk
database tersebut maka OLAP dapat mengenali datanya. Atribut memaksudkan jumlah
kolom keterangan pasien rawat inap sedangkan record memaksudkan jumlah pasien
rawat inap yang terjadi selama kurun waktu dua minggu. Agar data dapat diidentifikasi
untuk dilakukan pengirisan berbasis atribut menggunakan Olap Cube, maka data pada
tabel tunggal tersebut harus diintegrasikann pada apliaksi OLAP sepenuhnya. Sehingga
didapati transformasi data pasien rawat inap sebagai berikut:
Gambar 4. Menentukan irisan pada atribut dan data row untuk
membangun temuan
Hingga tahap ini, data mentah sudah terorganisasi kedalam filter yang adalah
pengetahuan hasil dari kelola dan drilling data kubikal.
6. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 6
3. ANALISIS DAN PEMBAHASAN
Hasil data mentah yang terfilter dipresentasikan dalam diagram lingkaran yang
secara visual menjelaskan dimension dan measures.
Gambar 5.Top 10 Diagnosa Awal
Gambar 6.Top 10 Jenis Kelamin
Gambar 7.Top 10 Nama Penjamin Pasien (data konfidensial tidak
diperlihatkan)
7. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 7
Gambar 8.Top 10 Usia Pasien
Pengetahuan yang terungkap yang sekaligus dapat dijadikan basis untuk mengetahui
hasil banyaknya kasus dua minggu rawat inap pasien yakni:
Gambar 5: memperlihatkan hasil diagnosa dari data rawat inap pasien yang
menunjukan banyak kasusnya adalah Thalasemia major.
Gambar 6: memperlihatkan hasil jenis kelamin yang memiliki banyak kasus
adalah wanita.
Gambar 7: memperlihatkan hasil penjamin pasien atau asuransi yang paling
banyak digunakan oleh pasien yang dating berobat rawat inap adalah JKN
Non PBI atau BPJS.
Gambar 8: memperlihatkan hasil usia pasien yang banyak kasus yang
pertama usia satu tahun merupakan bayi lahir dan selanjutnya usia dengan
hasil yang sama adalah usia 28 dan 53.
4. KESIMPULAN
Penalaran dengan OLAP memampukan sistem analis dalam membangun sistem
analitik yang baik dan tepat sasaran sehubungan kondisi basis data yang dimiliki
perusahaan. Sewaktu data yang diinginkan terbentuk dan hasil dinginkan terpenuhi,
sebenarnya prototype (model) sudah terbentuk dan sudah siap dikomunikasikan dengan
pihak manajemen rumah sakit. Dalam kasus ini, teknik OLAP mampu menyingkapkan
informasi pada data pasien rawat inap, yakni berupa pie guna dijadikan acuan untuk
rumah sakit. Rumah sakit dapat mengantisipasi untuk kesiapan menerima pasien karena
sudah difiltering data menggunakan olap.Informasi temuan dari OLAP pada rumah sakit
tertentu dapat ditindak lanjuti oleh pemerintah atau dinas kesehatan guna mengantisipasi
termasuk
DAFTAR RUJUKAN
[1] A. Motro. Accommodating Imprecision in Database Systems: Issues and Solutions.
SIGMOD Record, 19(4):69–74, 1990.
[2] A. Motro. Sources of Uncertainty, Imprecision and Inconsistency in Information
Systems. In Uncertainty Management in Information Systems, pages 9–34. 1996.
[3] A. Shoshani. OLAP and Statistical Databases: Similarities and Differences. In PODS
1997.
[4] Bernardino J., et al. Approximate Query Answering Using Data Warehouse Striping.
Journal of Intelligent. 2002
[5] Body M., et al. A Multidimensional and Multiversion Structure for OLAP
Applications DOLAP’02, November 8, McLean, Virginia, USA. 2002.
[6] D T Pham , S S Dimov, and C D Nguyen. Selection of K in K-means clusteringProc.
IMechE Vol. 219 Part C: J. Mechanical Engineering Science, Cardiff University, Cardiff,
UK. 2004.
8. ISSN : 2528-0015
MIND Vol.1, No.1, September 2016: 1- 56 8
[7] D. Burdick, P. M. Deshpande, T. S. Jayram, R. Ramakrishnan, and S. Vaithyanathan.
OLAP over uncertain and imprecise data. In VLDB 2005.
[8] H.-J. Lenz and B. Thalheim. OLAP Databases and Aggregation Functions. In
SSDBM 2001.
[9] Rui Oliveira, Jorge Bernardino. Building olap tools over large databases. Isec –
Instituto Superior de Engenharia de Coimbra, Polytechnic Institute of Coimbra. Quinta da
Nora, Rua Pedro Nunes, P-3030-199 Coimbra, Portugal.
[10] T. B. Pedersen, C. S. Jensen, and C. E. Dyreson. Supporting Imprecision in
Multidimensional Databases Using Granularities. In SSDBM, 1999.
[11] T.Minka. Expectation-maximization as lower bound maximization.,1998.
[12] S. I. McClean, B. W. Scotney, and M. Shapcott. Aggregation of Imprecise and
Uncertain Information in Databases. IEEE TKDE, 13(6):902–912, 2001.
[13] Feri Sulianta. OLAP Excel – Cara Hebat Excel Mengelola Data. Elexmedia
Komputindo. Jakarta. 2011.
[14] Chaudruri. S., Dayal U. An Overview of Data Warehousing and OLAP technology.
Sigmod Record. 1997.
[15] S. Abiteboul, R. Hull, and V. Vianu. Foundations of Databases. Addison-Wesley,
1995.
[16] Codd, E.F., et al. C.T.: Providing OLAP to User Analysts: an it Mandate. Technical
Report, E.F. Codd &Associates. 1993.