Article Sidebar

Download
pdf
Statistic
Read Counter : 0 Download : 0

Main Article Content

Abstract

Perancangan database yang tepat merupakan salah satu fondasi penting dalam membangun sistem informasi yang handal dan efisien, terutama dalam pengelolaan data inventaris laboratorium yang memiliki banyak entitas dan relasi yang kompleks. Proses pencatatan inventaris laboratorium di Universitas Amikom Yogyakarta masih dilakukan secara manual, sehingga rentan terhadap human error, duplikasi data, dan aksesibilitas data yang terbatas. Penelitian ini bertujuan untuk merancang database inventaris laboratorium menggunakan semantic modeling dengan pendekatan top down. Pendekatan ini dimulai dengan menganalisis kebutuhan sistem secara menyeluruh dan mengidentifikasi entitas serta hubungan antar entitasnya berdasarkan pemahaman terhadap struktur dan aktivitas nyata pengelolaan inventaris di laboratorium. Model konseptual yang dihasilkan kemudian ditransformasi ke dalam model logis dan fisik untuk membentuk struktur database yang terintegrasi. Hasil dari penelitian ini adalah rancangan database yang terstruktur, konsisten, dan dapat digunakan sebagai dasar pengembangan sistem informasi inventaris laboratorium yang adaptif, scalable, dan mudah dalam pengelolaan data inventaris di kemudian hari. Diharapkan database ini mampu meningkatkan efisiensi pengelolaan data, mempercepat proses pencatatan dan pelacakan aset, serta menunjang pengambilan keputusan manajerial berdasarkan data yang lebih akurat.

Keywords

database, inventaris, laboratorium, semantic modeling, top down

Article Details

References

  1. [1] P. R. Indonesia, Peraturan Pemerintah Republik Indonesia Nomor 60 Tahun 1999 tentang Perguruan Tinggi Pasal 56. Jakarta: Sekretariat Negara, 1999.
  2. [2] X. Peng, S. Wang, and Y. Zhang, “Automatic Generation Technology of Table Structure for Software Development Based on Oracle Database System,” Proc. - 2022 Int. Symp. Adv. Informatics, Electron. Educ. ISAIEE 2022, pp. 342–346, 2022, doi: 10.1109/ISAIEE57420.2022.00077.
  3. [3] T. D. T. Nguyen, V. Nguyen, V. N. Pham, L. N. T. Huynh, M. D. Hossain, and E. N. Huh, “Modeling Data Redundancy and Cost-Aware Task Allocation in MEC-Enabled Internet-of-Vehicles Applications,” IEEE Internet Things J., vol. 8, no. 3, pp. 1687–1701, Feb. 2021, doi: 10.1109/JIOT.2020.3015534.
  4. [4] J. Grant and F. Parisi, “On measuring inconsistency in graph databases with regular path constraints,” Artif. Intell., vol. 335, p. 104197, Oct. 2024, doi: 10.1016/J.ARTINT.2024.104197.
  5. [5] P. Alexopoulos, Semantic Modeling for Data, First Edit. United States of America: O’Reilly Media, Inc, 2020.
  6. [6] H.-J. Kung, L. Kung, and A. Gardiner, “Comparing Top-down with Bottom-up Approaches: Teaching Data Modeling,” nformation Syst. Educ. J., pp. 14–24, 2013.
  7. [7] M. Krakowiak, “A SERM based framework to optimize the modelling of entity life history,” Procedia Comput. Sci., vol. 246, pp. 3898–3907, Jan. 2024, doi: 10.1016/J.PROCS.2024.09.163.
  8. [8] J. Cohen and J. Gil, “An entity-relationship model of the flow of waste and resources in city-regions: Improving knowledge management for the circular economy,” Resour. Conserv. Recycl. Adv., vol. 12, p. 200058, Dec. 2021, doi: 10.1016/J.RCRADV.2021.200058.
  9. [9] M. Paneque, M. del M. Roldán-García, C. Blanco, A. Maté, D. G. Rosado, and J. Trujillo, “An ontology-based secure design framework for graph-based databases,” Comput. Stand. Interfaces, vol. 88, p. 103801, Mar. 2024, doi: 10.1016/J.CSI.2023.103801.
  10. [10] M. Javed and Y. Lin, “iMER: Iterative process of entity relationship and business process model extraction from the requirements,” Inf. Softw. Technol., vol. 135, p. 106558, Jul. 2021, doi: 10.1016/J.INFSOF.2021.106558.