56
DESAIN DAN IMPLEMENTASI DATA WAREHOUSE UNTUK SISTEM PENDUKUNG KEPUTUSAN PADA MANAJEMEN KESEHATAN IBU DAN ANAK Almira Desti Talithania 5109100041 Dosen Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom, M.Kom. Dosen Pembimbing II Wijayanti Nurul Khotimah, S.Kom, M.Sc.

DESAIN DAN IMPLEMENTASI DATA WAREHOUSE UNTUK …digilib.its.ac.id/public/ITS-paper-30318-5109100041-Presentation.pdf · kesehatan . perawatan gigi dan mulut . 15. Menentukan kebutuhan

Embed Size (px)

Citation preview

DESAIN DAN IMPLEMENTASI DATA WAREHOUSE UNTUK SISTEM

PENDUKUNG KEPUTUSAN PADA MANAJEMEN KESEHATAN IBU DAN

ANAK

Almira Desti Talithania 5109100041

Dosen Pembimbing I Dr. Eng. Chastine Fatichah, S.Kom, M.Kom.

Dosen Pembimbing II

Wijayanti Nurul Khotimah, S.Kom, M.Sc.

Latar Belakang

Latar Belakang Laju pertumbuhan angka usia produktif penduduk Indonesia yang terus berkembang dapat dihambat dengan menurunkan angka kematian dan kelahiran

Kesehatan ibu dan anak memegang peranan penting dalam kebijakan kependudukan dalam pertumbuhan angka usia produktif

1

Piramida penduduk Indonesia Tahun 2011

Angka ketergantungan usia non produktif terhadap usia produktif 54,7 %

Kenyataan di Indonesia

2

Dinas Kesehatan Provinsi Jawa Timur merupakan suatu badan penyelenggara pembangunan dalam bidang kesehatan. Salah satu kebijakannya adalah mempercepat penurunan jumlah kematian ibu dan anak

Kenyataan di Indonesia

2

Penelitian yang Sudah Ada Sebelumnya

3

Tujuan

Tujuan

4

• Dapat menentukan sistem dan unit bisnis yang membutuhkan

integrasi data.

• Dapat menentukan batasan data dan prioritas data yang

dibutuhkan untuk melakukan proses pengambilan keputusan.

• Dapat mendesain model data warehouse.

• Dapat mengimplementasikan desain data warehouse.

• Membangun aplikasi yang dapat membuat model atau rule agar dapat digunakan untuk SPK.

• Membangun aplikasi yang dapat menampilkan report dan hasil analisis data yang mudah digunakan dan dipahami oleh

pengguna.

Metodologi

5

Memilih sponsorship bisnis

Visioner Akal

Wajar

Dinas Kesehatan Provinsi Jawa Timur

Memilih sponsorship bisnis

6

Data sangat banyak dan formatnya berbeda

Kondisi data

7

Data didapatkan dari Dinas Kesehatan Kabupaten atau Kota se- Jawa Timur

Kondisi data

8

Membangun ruang lingkup awal

proyek

9 Wawancara dengan bapak Arief

Mendata area bisnis yang ada

kesehatan ibu dan anak

obat-obatan penyakit

kesehatan lingkungan

HIV/ AIDS 10

Menentukan area bisnis yang akan

dikerjakan

kesehatan ibu dan anak

11

kesehatan ibu dan anak

Mendata proses bisnis yang ada

dalam area bisnis terpilih

11

Mendata event bisnis yang ada

dalam proses bisnis

imunisasi wanita usia

subur

keluarga berencana

pemberian kapsul yodium

imunisasi bayi

perawatan balita gizi buruk

12

Mendata event bisnis yang ada

dalam proses bisnis

perawatan bayi yang baru lahir

dengan berat rendah

pemberian tablet Fe

pemberian vitamin bayi

pemberian vitamin balita

persalinan

13

Mendata event bisnis yang ada

dalam proses bisnis

pemberian vitamin ibu nifas

pencatatan kelahiran bayi

kunjungan bayi kunjungan ibu hamil

kunjungan neonatus

14

Mendata event bisnis yang ada

dalam proses bisnis

perawatan balita yang menderita

pneumonia

perawatan balita yang menderita diare

ibu nifas yang ditolong tenaga

kesehatan perawatan gigi dan mulut 15

Menentukan kebutuhan fungsional

dan non fungsional Tujuan: memastikan sistem dibangun memenuhi tujuan bisnis

Kebutuhan fungsional:

1. Dapat menampilkan laporan kesehatan ibu dan anak

2. Dapat menampilkan analisis kasus kematian ibu dan anak.

Kebutuhan non fungsional:

1. Hasil akhir aplikasi data warehouse dapat diakses oleh siapa

saja

2. Data warehouse selalu menyala untuk menjalankan prosesnya

3. Pembaruan data dilakukan setahun sekali ketika Dinas

Kesehatan Kabupaten atau Kota memasukkan laporannya.

15

source keluarga berencanasource imunisasisource kelahiran dan kematian

source kunjungan ibu dan anak source penyakit balita source gizi balita

server ETL server OLAP server report pengguna

Menentukan rancangan arsitektur

16

Membangun bus matriks

17

Mendesain model dimensi DDS

18

Source system mapping

18

source system

DDS

Membangun ETL pada tabel dimensi

kabupaten

19

Tampilan tabel dimensi kabupaten

20

Membangun ETL pada tabel fact

kelahiran dan kematian

21

Membuat Report Kematian Ibu dan

Anak

22

Tampilan cube MDS

23

Proses Slice and Dice

24

Tampilan report MDS kelahiran

25

Tampilan report MDS kematian bayi

pada pramban

26

Tahapan dalam membangun business intelligence:

1. Menganalisis business intelligence 2. Membuat tabel mining 3. Membangun struktur dan model mining

Membangun business intelligence

27

1. Menganalisis business intelligence Business intelligence yang akan dikerjakan adalah kasus kematian ibu hamil, ibu nifas, bayi, dan balita.

Menganalisis business intelligence

28

Dalam kasus kematian ibu hamil, faktor-faktor yang diperkirakan mempengaruhi: • jumlah ibu hamil yang diberi tablet Fe1 • jumlah ibu hamil yang diberi tablet Fe3 • jumlah ibu hamil yang mengalami komplikasi • jumlah ibu hamil yang mengalami komplikasi

kemudian dirujuk • jumlah ibu hamil yang mengalami komplikasi

kemudian dirujuk dan ditangani • jumlah kunjungan ibu hamil pertama • jumlah kunjungan ibu hamil keempat • jumlah puskesmas

Menganalisis business intelligence

29

Dalam kasus kematian ibu nifas, faktor-faktor yang diperkirakan mempengaruhi: • jumlah ibu nifas yang ditolong oleh tenaga

kesehatan • jumlah bayi yang lahir hidup • jumlah bayi yang lahir mati • jumlah pemberian vitamin A pada ibu nifas • jumlah puskesmas

Menganalisis business intelligence

30

Dalam kasus kematian bayi, faktor-faktor yang diperkirakan mempengaruhi: • jumlah bayi baru lahir yang berkunjung • jumlah bayi dengan berat lahir rendah • jumlah bayi yang berkunjung • jumlah bayi yang diberi imunisasi BCG • jumlah bayi yang diberi imunisasi campak • jumlah bayi yang diberi imunisasi DPT1 • jumlah bayi yang diberi imunisasi DPT3 • jumlah bayi yang diberi imunisasi hepatitis • jumlah bayi yang diberi imunisasi polio • jumlah posyandu madya • jumlah posyandu pratama • jumlah posyandu purnama • jumlah puskesmas

Menganalisis business intelligence

31

Yang diperkirakan mempengaruhi kematian balita: • jumlah puskesmas • jumlah balita yang melakukan pemeriksaan rutin • jumlah balita dengan gizi buruk • jumlah balita dengan gizi buruk yang mendapatkan

perawatan • jumlah balita yang berat badannya naik • jumlah balita bawah garis merah • jumlah balita yang terkena penyakit diare • jumlah balita yang terkena penyakit pneumonia • jumlah balita dengan penyakit diare yang ditangani • jumlah balita dengan penyakit pneumonia yang ditangani • jumlah balita yang diberi vitamin A

Menganalisis business intelligence

32

Membuat tabel mining

33

insert into [KIA].[dbo].miningbayi1 (…) select … (CASE WHEN bayi1.jumlah_kematian_pada_bayi BETWEEN 0 AND 0.0285 THEN 'rendah' WHEN bayi1.jumlah_kematian_pada_bayi BETWEEN 0.0284 AND 0.0570 THEN 'sedang' WHEN bayi1.jumlah_kematian_pada_bayi >0.570 THEN 'tinggi' END) as jumlah_mati, (CASE WHEN bayi1.jumlah_bayi_yang_berkunjung BETWEEN 0 AND 0.4549 THEN 'rendah' WHEN bayi1.jumlah_bayi_yang_berkunjung BETWEEN 0.4548 AND 0.7274 THEN 'sedang' WHEN bayi1.jumlah_bayi_yang_berkunjung >0.7274 THEN 'tinggi' END) as jumlah_kunj_bayi, (CASE WHEN bayi1.jumlah_bayi_yang_diberi_imunisasi_BCG BETWEEN 0 AND 0.4608 THEN 'rendah' WHEN bayi1.jumlah_bayi_yang_diberi_imunisasi_BCG BETWEEN 0.4607 AND 0.7301 THEN 'sedang' WHEN bayi1.jumlah_bayi_yang_diberi_imunisasi_BCG > 0.7301 THEN 'tinggi' END) as jumlah_imun_bcg … FROM bayi1

Potongan syntax query untuk memasukkan nilai tabel mining kematian pada bayi

Membangun struktur dan model

mining

34

Tampilan business intelligence kematian bayi

dengan algoritma asosiasi

35

Tampilan business intelligence kematian bayi

dengan algoritma naïve bayes

36

Tampilan business intelligence kematian bayi

dengan algoritma decision tree

37

Tampilan dashboard

38

Uji Coba

Uji Coba

Tampilan business intelligence kematian ibu hamil dengan

algoritma asosiasi

Support: 0.3

Importance: 0.0

Probability: 0.5

Tampilan business intelligence kematian ibu hamil dengan

algoritma asosiasi

Support: 0.0

Importance: 0.0

Probability: 0.4 39 40

Uji Coba

Tampilan business intelligence kematian ibu hamil dengan

algoritma asosiasi

Link: 10%

Tampilan business intelligence kematian ibu hamil dengan

algoritma asosiasi

Link: 50% 41

Uji Coba

42 Mining accuracy chart untuk kasus kematian pada balita

Kesimpulan

• Unit bisnis yang membutuhkan integrasi data dalam manajemen kesehatan ibu dan anak adalah proses bisnis kesehatan ibu dan anak.

Kesimpulan

• Dari tiga model skema DDS yang ada, Tugas Akhir ini mengimplementasikan model skema DDS galaksi

• SPK pada manajemen kesehatan ibu dan anak dibangun dengan menggunakan algoritma asosiasi, naïve bayes, dan decision tree

• Untuk mendapatkan penghitungan business intelligence, menggunakan rasio.

43

[1] Dewan Redaktur Demografi, "Statistics Indonesia," 2013. [Online]. Available: http://www.datastatistik-indonesia.com/portal/index.php?option=com_content&task=view&id=83&Itemid=115. [Accessed 03 Juni 2013]. [2] Dinas Kesehatan Provinsi Jawa Timur, "Dinas Kesehatan Provinsi Jawa Timur," [Online]. Available: http://dinkes.jatimprov.go.id/institusi/2/8/kebijakan_institusi_dinkes_jatim.html. [Accessed 03 Juni 2013]. [3] J. Completo, R. S. Cruz, L. Coheur and M. Delgado, "Design and Implementation of a Data Warehouse for Benchmarking in Clinical Rehabilitation," ScienceDirect, vol. I, no. Clinical Benchmarking; Data Warehouse; Decision Support Systems; Rehabilitation, pp. 885-894, 2012. [4] D. T. Y. Wah and O. S. Sim, "Evaluating a Data Warehouse for Lymphoma Diagnosis and Treatment Decision," IEEE Computer Society, vol. I, no. p, pp. 57-62, Nov 2010. [5] R. Kimball and M. Ross, The Data Warehouse Toolkit: The Complete Guide to Dimensional Modeling, 2nd ed., R. Elliott, Ed., New York: Robert Ipsen, 1998. [6] Wikimedia Foundation, Inc., Januari 2013. [Online]. Available: http://id.wikipedia.org/wiki/Sistem_pendukung_keputusan. [Accessed 03 Juni 2013]. [7] J. Mundy, W. Thornthwaite and K. Ralph, in The Microsoft Data Warehouse Toolkit : With SQL Server 2005 and the Microsoft Business Intelligence Toolset, Indianapolis, Wiley Publishing, Inc, 2006. [8] S. D. Chaudhuri, "An Overview of Data Warehousing and OLAP Technology," SIGMOD Record, vol. 26, no. p, pp. 65-74, March 1997.

Daftar Pustaka

44

[9] V. Rainady, "Building a Data Warehouse With Examples in SQL Server," in Building a Data Warehouse With Examples in SQL Server, New York, Inc, Springer-Verlag, 2008, pp. 5-71. [10] J. Pepper, Ed., in Building a Data Warehouse: With Examples in SQL Server, New York, Springer-Verlag New York, Inc., 2008, pp. 1-111. [11] D. E. O’Leary, "REAL-D: A Schema for Data Warehouses," Journal of Information Systems, vol. 13, no. REA, REAL, REAL-D, Databases, Data Warehouses, pp. 49-62, 1999. [12] Wikimedia, Inc, "Star Schema," Wikimedia, Inc, 02 Juli 2013. [Online]. Available: http://en.wikipedia.org/wiki/Star_schema. [Accessed 05 Juli 2013]. [13] "Phi-OLAP Sample," 2013. [Online]. Available: http://code.google.com/p/phi-olap-samples/downloads/detail?name=sql_server_skema_bintang.png&can=2&q=. [Accessed 05 Juni 2013]. [14] "Data Warehouse Dimensional Modelling (Types of Schemas)," 2013. [Online]. Available: http://www.folkstalk.com/2010/01/data-warehouse-dimensional-modelling.html. [Accessed 05 Juni 2013]. [15] Wikimedia, Inc, "Snowflake Schema," Wikimedia, Inc, 16 Juni 2013. [Online]. Available: http://en.wikipedia.org/wiki/Snowflake_schema. [Accessed 05 Juli 2013]. [16] Datawarehouse4u, "Snowflake schema," 2013. [Online]. Available: http://datawarehouse4u.info/Data-warehouse-schema-architecture-snowflake-schema.html. [Accessed 05 Juli 2013]. [17] E. T. Luthfi, "Penerapan Data Mining Algoritma Asosiasi Untuk Meningkatkan Penjualan," DASI, vol. 10, no. strategi penjualan, data mining, asosiasi, pp. 1-21, 2009.

Daftar Pustaka

45

[18] Microsoft, "Microsoft Association Algorithm," Microsoft, 2013. [Online]. Available: http://technet.microsoft.com/en-us/library/ms174916.aspx. [Accessed 05 Juni 2013]. [19] D. Oktavia and D. I. C. Pardede, "Perbandingan Kinerja Algoritma Decision Tree dan Naive Bayes dalam Prediksi Kebangrutan," Repository Gunadarma, no. decision tree, naive bayes, kebangkrutan. [20] Microsoft, "Microsoft Naive Bayes Algorithm," Microsoft, 2013. [Online]. Available: http://technet.microsoft.com/en-us/library/ms174806.aspx. [Accessed 05 Juni 2013]. [21] Microsoft, "Microsoft Decision Tree Algorithm," Microsoft, 2013. [Online]. Available: http://technet.microsoft.com/en-us/library/ms175312.aspx. [Accessed 05 Juni 2013]. [22] Wikimedia Foundation, Inc., "SQL Server Management Studio," Wikimedia Foundation, Inc., 19 Juni 2013. [Online]. Available: http://en.wikipedia.org/wiki/SQL_Server_Management_Studio. [Accessed 21 Juni 2013]. [23] Microsoft, "Introducing Business Intelligence Development Studio," 05 February 2013. [Online]. Available: http://msdn.microsoft.com/en-us/library/ms173767(v=sql.105).aspx. [Accessed 05 March 2013]. [24] Dinas Kesehatan Jawa Timur, in Profil Kesehatan Provinsi Jawa Timur Tahun 2011, 1st ed., Surabaya, 2012, pp. 24-26. [25] Dinas Kesehatan Provinsi Jawa Timur, Rencana Strategis Dinas Kesehatan Provinsi Jawa Timur 2009-2014, Surabaya: Dinas Kesehatan Provinsi Jawa Timur, 2009. [26] Y. Sari, "Posyandu Indonesia," [Online]. Available: http://posyandu.org/jenis-kontrasepsi.html. [Accessed 05 Juni 2013]. [27] Microsoft, "Introducing Business Intelligence Development Studio," 05 Februari 2013. [Online]. Available: http://msdn.microsoft.com/en-us/library/ms173767(v=sql.105).aspx. [Accessed 05 Maret 2013].

Daftar Pustaka

46

Terima Kasih