Normalisasi Database (Bag 1)

1. Pendahuluan

Normalisasi database biasanya jarang dilakukan dalam database skala kecil, dan dianggap tidak
diperlukan pada penggunaan personal. Namun seiring dengan berkembangnya informasi yang
dikandung dalam sebuah database, proses normalisasi akan sangat membantu dalam
menghemat ruang yang digunakan oleh setiap tabel di dalamnya, sekaligus mempercepat proses
permintaan data. Berikut ini dipaparkan metodologi logis sederhana untuk menormalkan model
data dalam sebuah database, diiringi contoh pembuatan database untuk tugas-tugas matakuliah
dalam sebuah fakultas (fiktif) dengan atribut yang disederhanakan.
Proses normalisasi model data dapat diringkas sebagai berikut:
1. Temukan entitas-entitas utama dalam model data.
2. Temukan hubungan antara setiap entitas.
3. Tentukan atribut yang dimiliki masing-masing entitas.
Normalisasi model data dilakukan dengan mengikuti langkah-langkah sederhana, mengubahnya
agar memenuhi apa yang disebut sebagai bentuk normal pertama, kedua, lalu ketiga secara
berturutan.

2. Langkah-Langkah Normalisasi

2.1. Bentuk Normal Pertama (1NF)
Sebuah model data dikatakan memenuhi bentuk normal pertama apabila setiap atribut yang
dimilikinya memiliki satu dan hanya satu nilai. Apabila ada atribut yang memiliki nilai lebih
dari satu, atribut tersebut adalah kandidat untuk menjadi entitas tersendiri.
Entitas utama untuk database tugas matakuliah tentu saja Tugas Matakuliah. Sebagian atribut
yang dimiliki entitas ini tertera dalam Gambar 1.


 Gambar 1.

Atribut Nama Kelas mencantumkan kelas-kelas di mana tugas tersebut berlaku. Apabila
pendaftar untuk sebuah matakuliah melebihi kapasitas ruangan yang dimiliki fakultas, kebijakan
yang umum diambil Kepala Program Studi adalah membagi kegiatan perkuliahan untuk
matakuliah tersebut menjadi beberapa kelas. Karenanya atribut ini rentan memiliki nilai jamak,
dan lebih sesuai menjadi entitas baru atau atribut dari entitas lain. Untuk sementara kita
membuat entitas baru, Kelas, dimana sebagian atributnya berasal dari Tugas Matakuliah yang
secara logis lebih sesuai menjadi atribut entitas ini. Sementara itu, hampir semua atribut entitas
Tugas Matakuliah selain Nama Kelas memiliki nilai tunggal (dengan asumsi setiap matakuliah
diampu oleh satu dosen saja).

2.1.a Relasi Antar-Entitas dan Identifier
Masalah yang kita hadapi sekarang adalah menghubungkan Tugas Matakuliah dengan Kelas.
Satu tugas dapat diberikan pada beberapa kelas yang berbeda; dalam terminologi pemodelan
data, ini berarti antara entitas Tugas Matakuliah dan entitas Kelas terdapat relasi 1:N (atau 1-N)
untuk nilai N lebih dari satu. Cara paling intuitif untuk menghubungkan kedua entitas tersebut
adalah menyertakan identitas satu entitas sebagai atribut entitas lain. Identitas sebuah entitas
haruslah unik untuk menghindarkan ambiguitas saat akan merujuk pada satu objek khusus dari
entitas tersebut. Entitas Tugas Matakuliah akan menggunakan pengidentifikasi arbitrer berupa
angka yang berbeda antara satu objek Tugas Matakuliah dengan objek Tugas Matakuliah lain.
Entitas Kelas dapat diidentifikasi dengan matakuliah dan kode kelas yang bersangkutan,
sehingga kita cukup menambahkan atribut pengidentifikasi (identifier) dalam kedua entitas.
Entitas ini beserta semua atribut baru dan hubungannya dengan Tugas Matakuliah diperlihatkan
dalam Gambar 2, dengan menggunakan notasi relasi crows foot (dengan simbol “kaki gagak” menunjuk pada entitas jamak).


Gambar 2.

Sejauh ini tidak ada atribut entitas yang memiliki nilai lebih dari satu, sehingga rasanya cukup
aman mengatakan bahwa model ini memenuhi bentuk normal pertama.

2.2. Bentuk Normal Kedua (2NF)
Sebuah model data dikatakan memenuhi bentuk normal kedua apabila ia memenuhi bentuk
normal pertama dan setiap atribut non-identifier sebuah entitas bergantung sepenuhnya hanya
pada semua identifier entitas tersebut.
Apabila kita perhatikan kembali model data yang telah kita hasilkan di atas, segera terlihat
bahwa atribut dari entitas Kelas tidak sepenuhnya bergantung pada identitas unik Kelas tersebut.
Seorang dosen akan tetap ada meskipun kelas matakuliah yang ia ampu sudah tidak ada lagi.
Dalam hal ini, dosen adalah entitas tersendiri (yang nantinya dapat dilekatkan pada entitas
Fakultas atau Universitas bilamana kedua entitas tersebut dirasa perlu ada, tergantung pada
kebutuhan pemodelan data kita).

2.2.a Sekali Lagi, Tentang Identifier
Dalam dunia nyata, anggapan yang umum adalah seseorang (“individu”) dapat diidentifikasi
secara unik dengan namanya. Tentu saja anggapan ini tidak sepenuhnya benar, karena bisa saja
sebuah nama (bahkan satu rangkaian nama lengkap) dimiliki oleh lebih dari satu orang;
pemodelan data yang melibatkan informasi tentang individu jarang menggunakan nama
individu tersebut sebagai satu-satunya pengidentifikasi. Implementasi RDBMS tertentu juga
akan lebih cepat memproses query atas suatu tabel apabila tabel tersebut diindeks oleh nilai
integer unik daripada bila menggunakan indeks karakter (rangkaian karakter masih harus
diumpankan ke fungsi hash agar dapat digunakan sebagai indeks tabel, sementara untuk integer
unik tidak harus).

Karena beberapa alasan tersebut, entitas Dosen pada model data kita akan menggunakan
pengidentifikasi arbitrer berupa Nomor Induk Pegawai sebagaimana diperlihatkan dalam
Gambar 3. Dalam notasi crows foot, relasi non-identifying digambarkan dengan garis putusputus
atau tersamar.


Gambar 3



Setelah atribut-atribut dari semua entitas dalam sebuah model data hanya bergantung pada
seluruh pengidentifikasi entitas yang memilikinya, model data tersebut dikatakan memenuhi
bentuk normal kedua.

2.3. Bentuk Normal Ketiga (3NF)
Sebuah model data dikatakan memenuhi bentuk normal ketiga apabila ia memenuhi bentuk
normal kedua dan tidak ada satupun atribut non-identifying (bukan pengidentifikasi unik) yang
bergantung pada atribut non-identifying lain. Apabila ada, pisahkan salah satu atribut tersebut
menjadi entitas baru, dan atribut yang bergantung padanya menjadi atribut entitas baru tersebut.
Dalam model data sederhana yang kita gunakan di sini, tidak ada satupun atribut non-identifying
(seperti Deskripsi Tugas Matakuliah, atau Nama Dosen) yang bergantung pada atribut nonidentifying
lain. Namun demi adanya contoh, kita misalkan entitas Dosen memiliki atribut
informasi Alamat Rumah dan Nomor Telepon Rumah. Keduanya tidak dapat secara unik
mengidentifikasi objek tertentu dari entitas Dosen, namun keduanya saling bergantung.
Sebagaimana dalam dua langkah normalisasi sebelumnya, jenis kebergantungan seperti ini
dapat dihilangkan dengan membuat entitas baru lagi (yang tidak akan diciptakan karena tiga
entitas sudah cukup banyak untuk satu artikel).
Model terakhir yang kita dapat ini telah memenuhi bentuk normal ketiga (third normal form)
dan siap dikonversi menjadi tabel. Namun sebelumnya, kita perlu membahas berbagai jenis
relasi yang kerap ditemui dalam pemodelan data, termasuk yang kita temui dalam contoh model
data kali ini.