Received June 1st,2012; Revised June 25th, 2012; Accepted July 10th, 2012
PERANCANGAN APLIKASI
DATA WAREHOUSE
MENGGUNAKAN METODE
FP-GROWTH
UNTUK MEMPREDIKSI
PENJUALAN ALAT-ALAT KESEHATAN
(STUDI KASUS : APOTEK KIMIA FARMA KOREM)
Resti Idayani*1, Sutardi2, Nur Fajriah Muchlis 3 *1,2,3
Jurusan Teknik Informatika, Fakultas Teknik Universitas Halu Oleo, Kendari e-mail: *1restyidayani25@gmail.com, 2
sutardi_hapal@yahoo.com, 3nurfajriah.muchlis@gmail.com Abstrak
Kimia farma merupakan bagian dari perusahaan yang mengelola penjualan obat-obat dan alat-alat kesehatan. Adanya peningkatan transaksi penjualan tiap tahunnya tentunya pihak apotik harus merencanakan dan menyiapkan berbagai kebutuhan distribusi barang kedepannya. Namun masing terdapat kendala didalam proses menganalisa kebutuhan barang karena jumlah barang yang semakin meningkat dan membutuhkan waktu yang lama dalam merencanakan strategi penjualan.
Dalam proses identifikasi dan strategi penjualan tentunya akan lebih baik jika dilakukan oleh sebuah sistem data mining yang terkomputerisasi sehingga proses analisis distribusi barang menjadi efektif dan efisien. Salah satu metode data mining adalah adalah metode FP-Growth. Algoritma FP-Growth digunakan untuk menentukan himpunan dari transaksi peritem penjualan yang paling sering muncul dalam sebuah kumpulan data transaksi.
Implementasi metode FP-Growth untuk memprediksi penjualan alat-alat kesehatan dapat berjalan dengan baik. Tahapan FP-Growth yaitu dengan melakukan frequent item set selanjutnya pembentukan item tree sehingga menghasilkan rule dari data transaksi. Hasil akhir yang didapatkan pada sistem ini adalah rule transaksi penjualan dengan nilai support dan confident dari rule tersebut. Untuk pengambilan keputusan prediksi penjualan barang kedepannya, maka diambil rule transaksi dengan nilai confiden serta support yang terbesar.
Kata kunci— Data Mining, Data Warehouse, Metode FP-Growth. Abstract
Kimia Farma is part of the company that manages the sale of medicines and medical equipment. An increase in sales transactions each year is certainly the pharmacy must plan and prepare the various needs of the distribution of goods in the future. But there are obstacles in each process of analyzing the needs of the goods because the number of items increased and requires a long time in planning sales strategies.
In the process of identification and sales strategy would be better if done by a computerized system of data mining so that the distribution of goods analysis process to be effective and efficient. One method is a method of data mining is the FP-Growth. FP-Growth algorithm is used to determine the set of transactions per item sales that appear most frequently in a data set of transactions.
Growth Implementation method for predicting sales of medical equipment can run well. FP-Growth Stages by performing frequent item set subsequent formation resulting rule tree item of transaction data. The final result of this system is the rule with the value of sales transactions and confident support of the rule. Decision making predictions for the future sale of the goods, then the rule is taken to the value of the transaction as well as the support of the largest confiden.
1. PENDAHULUAN
inerja penjualan merupakan sebuah kondisi yang mencerminkan keadaansuatu perusahaan yang bergerak dalam bidang komersial, salah satunya Apotek Kimia Farma.Kimia Farma merupakan bagian dari peruahaan yang mengelola penjualan obat-obattan dan alat-alat kesehatan. Pada proses penjualan tiap tahunnya akan terus mengalami peningkatan. Dengan adanya peningkatan transaksi penjualan tersebut, para petugas harus merencanakan dan menyiapkan penjualan alat-alat kesehatan tersebut ditahun berikutnya. Namun dalam pendataan alat-alat kesehatan yang tersedia dan tidak tersedianya sering membutuhkan waktu yang lama. Hal ini berdampak pada proses pendistribusian karena membuat ketidakpastian petugas dalam memesan alat-alat kesehatan pada distributor, juga tidak terkontrolnya penjualan karena perencanaan yang kurang matang dan produktifitas petugas dalam bekerja tidak optimal. Oleh karena itu peramalan sangat dibutuhkan dalam kasus perencanaan tersebut.
Analisis dapat dilakukan dengan mengumpulkan data penjualan yang bersifat historis atau lampau dan kemudian melihat grafik kinerja penjualan perusahaan. Didalam data penjualan akan dapat terlihat banyak komponen yang terkait dengan penjualan diantaranya hubungan antara variasi produk yang dijual, jumlah produk yang dijual, waktu penjualan, promosi produk yang dijual, dan segmentasi pasar yang berhubungan dengan pendistribusian produk, termasuk kondisi pelanggan yang menikmati produk yang dijual. Untuk melakukan analisis, maka perusahaan perlu mengumpulkan atau harus memiliki data yang banyak secara kuantitas dan baik secara kualitas. Semakin banyak dan baik data yang dimiliki, maka akan semakin baik pula hasil analisis yang akan dihasilkan. Namun, untuk memenuhi hasil analisis yang baik dan tepat maka dibutuhkan suatu sistem data mining yang befungsi menganalisis database yang besar dengan tujuan penggalian informasi dan pengetahuan yang berkaitan dengan pengambilan keputusan dan pemecahan masalah.
Maka dari itu dibutuhkanlah suatu sistem yang terkomputerisasi agar dapat mengatasi semua masalah dalam perusahaan
tersebut dan mampu meringankan tugas para pegawai dalam menganalisi dan memperhitungkan pemasukkan dan penjualan obat-obatan dan alat-alat kesehatan untuk waktu yang akan datang. Sehingga perlu dirancangnya sebuah sistem data Mining Warehouse untuk pengambil keputusan dalam menentukan kebijakan secara cepat, efisien, dan efektif. Salah satu metode data mining warehouse adalah FP-Growth. Algoritma FP-Growth digunakan untuk menentukan himpunan data yang paling sering muncul dalam sebuah kumpulan data. Oleh karena itu permasalahan yang ada yang melatar belakangi penulis untuk mengangkat permasalahan ini sebagai judul tugas akhir yaitu “Perancangan Aplikasi Data Warehouse Menggunakan Metode FP-Growth Untuk Memprediksi Penjualan Alat-Alat Kesehatan (Studi Kasus : Apotek Kimia Farma Korem)”.
Adapun beberapa penelitian yang berhubungan dengan penelitian ini yaitu: [1] yangmenyatakan bahwa dalam pengembangan Aplikasi SMART dalam Market Basket Analysis dibangun dengan menggunakan algoritma FP-Growth. Algoritma FP-Growth dapat menghasilkan frequent item set yang nantinya akan digunakan pada proses association rules. Proses association rules akan menghasilkan suatu rule yang dipengaruhi oleh nilai minimum support dan minimum confidence. Penelitian ini membahas masalah tentang bagaimana sistem kerja Market Basket Analysis dengan menggunakan algoritma FP-Growth, perancangan sistem dengan menggunakan algoritma FP-Growth, dan menetapkan frequent item set dan rule. Hasil pengujian yang diperoleh adalah rata-rata pada nilai minsupp = 0.006 dan minconf = 0.6 tidak menghasilkan rules, dan rata-rata waktu proses adalah 957 ms. Oleh [2] menyatakan bahwa menggunakan metode algoritma FP-Growth adalah salah satu algoritma terpopuler untuk menemukan sejumlah frequent item set dari data-data transaksi. Melalui proses mining dengan algoritma FP-Growth ini maka akan di peroleh jenis sepeda motor manayang lebih banyak terjual, dan berapa banyak persediaan yang di
perlukan perusahaan untuk
menyediakansepeda motor. Karena banyaknya persediaan mempengaruhi modal yang harus dikeluarkan untuk persediaandan perawatan. Persediaan yang terlalu banyak akan memakan
banyak tempat dan mengurangi laba. Oleh [3] menyatakan bahwa dalam penelitiannya tentang data Warehouse sebagai salah satu konsep yang berorientasi pada komponen inti dalam suatu perusahaan, yaitu data; dapat dikategorikan sebagai aspek penunjang yang bersifat strategik karena melalui pembentukan data Warehouse dapat diperoleh suatu output berupa laporan yang dapat dijadikan sebagai bahan analisis bagi pihak eksekutif dalam proses pengambilan keputusan mengunakan Algortima FP-Growth
2. METODE PENELITIAN
2.1 Data Mining
Menurut [4] data mining adalah sebuah proses berulang bertujuan untuk menganalisa database yang besar dengan tujuan penggalian informasi dan pengetahuan yang berkaitan dengan pengambilan keputusan dan pemecahan masalah. Secara umum data mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola dan hubungan dalam set data berukuran besar. Kegunaan data mining adalah untuk menspesifikasikan pola yang harus ditemukan dalam tugas data mining. Kehadiran data mining dilatar belakangi dengan masalah data explosion yang dialami akhir-akhir ini, banyak organisasi telah mengumpulkan data sekian tahun lamanya (data pembelian, data penjualan, data nasabah, data transaksi).
2.2 Data Warehouse
Menurut [5] datawarehouse adalah database analisis yang digunakan sebagai dasar sistem pengambilan keputusan. Analisis yang digunakan bersifat hanya untuk dibaca saja (read only) sehingga tidak dapat dilakukan perubahan data yang digunakan.
Pengertian data warehouse menurut [6], data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek, terintegrasi, tidak mengalami perubahan, dan mempunyai variasi waktu yang digunakan untuk mendukung proses pengambilan keputusan manajemen.
2.3 Algoritma FP-Growth (Frequent Pattern Growth)
Algoritma FP-Growth merupakan pengembangan dari Algoritma Apriori. Sehingga kekurangan dari Algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent item set) dalam sebuah kumpulan data.
Pada Algoritma Apriori diperlukan generate candidate untuk mendapatkan frequent item sets. Akan tetapi, pada Algoritma FP-Growth generate candidate tidak dilakukan karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent item sets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari Algoritma Apriori. Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent item set dari FP-Tree. Penggalian item set yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai berikut:
1. Tahap pembangkitan conditional pattern base,
2. Tahap pembangkitan conditional FP-Tree, dan
3. Tahap pencarian frequent item set.
2.4 Association Rule
Association rule merupakan suatu proses pada data mining untuk menentukan suatu aturan asosiatif yang memenuhi syarat minimum untuk support (minsup) dan confidance (minconf) pada sebuah database. Pada 3 tahapan metode FP-Growth digunakan untuk menentukan nilai support dan confidence pada setiap item set. Persamaan (1) digunakan untuk menghitung nilai support Support (A)
Kemudian untuk mendapatkan nilai minimum confidence (mincof) dengan menggunakan Persamaan (3).
Java adalah bahasa pemrograman berorientasi objek murni yang dibuat berdasarkan kemampuan-kemampuan terbaik bahasa pemrograman objek sebelumnya (C++, Ada Simula). Java diciptakan oleh James Gosling, developer dari Sun Microsystems padatahun 1991. Bahasa Java dirancang sedemikian rupa agar perangkat lunak yang dibuat menggunakan Bahasa Java dapat berjalan pada semua Platform (Platform independence). Ini berati bahwa sekali suatu program ditulis atau aplikasi dibangun maka dapat dijalankan pada berbagai sistem operasi sebagaimana mestinya, tanpa perlu melakukan kompilasi ulang.
Java adalah bahasa pemrograman yang sederhana dan tangguh. Berikut ini adalah beberapa karakteristik dari Java:
1. Object Oriented, java telah menerapkan konsep pemograman berorientasi object yang modern dalam implementasinya. 2. Robust, Java mendorong pemograman
yang bebas dari kesalahan dengan bersifat strongly typed dan memiliki run-time checking
3. Protable, program Java dapat berjalan pada sistem operasi apapun yang memiliki Java Virtual Machine
4. Multithreading, Java mendukung pemograman multithreading dan telah terintegrasi secara langsung dalam Bahasa Java.
5. Dinamis, program Java dapat melakukan sesuatu tindakan yang ditentukan pada saat eksekusi program dan bukan pada saat kompilasi.
6. Sederhana, Java menggunakan bahasa yang sederhana dan mudah dipelajari. 7. Terdistribusi, Java didesain untuk
berjalan pada lingkungan yang terdistribusi seperti halnya internet. 8. Aman, aplikasi yang dibuat dengan
Bahasa Java lebih dapat dijamin keamanannya terutama untuk aplikasi internet.
9. Netral secara arsitektur, Java tidak terikat pada suatu mesin atau sistem operasi tertentu.
10. Interpreted, aplikasi Java bisa dieksekusi pada platform yang berbeda-beda karena melakukan interpretasi pada bytecode.
11. Berkinerja tinggi, bytecode Java telah teroptimasi dengan baik sehingga eksekusi program dapat dilakukan secara cepat.
Beberapa kelebihan Java antara lain adalah sebagai berikut:
1. MultiPlatform. Kelebihan utama dari Java ialah dapat dijalankan di beberapa Platform /sistemoperasi kompute r, sesuai dengan prinsip tulis sekali, jalankan di mana saja. Dengan kelebihan ini pemrogram cukup menulis sebuah program Java dan dikompilasi (diubah, dari bahasa yang dimengerti manusia menjadi bahasa mesin / bytecode) sekali lalu hasilnya dapat dijalankan di atas beberapa Platform tanpa perubahan. Kelebihan ini memungkinkan sebuah program berbasis Java dikerjakan diatas operating system Linux tetapi dijalankan dengan baik di atas Microsoft Windows. Platform yang didukung sampai saat ini adalah Microsoft Windows, Linux, Mac OS dan Sun Solaris. Penyebabnya adalah setiap sistem operasi menggunakan programnya sendiri-sendiri (yang dapat diunduh dari situs Java) untuk meninterpretasikan bytecode tersebut. 2. OOP (Object Oriented Programming -
Pemrogram Berorientasi Objek).
3. Perpustakaan kelas yang lengkap, Java
terkenal dengan
aplikasinya. Kelengkapan perpustakaan ini ditambah dengan keberadaan komunitas Java yang besar yang terus menerus membuat perpustakaan-perpustakaan baru untuk melingkupi seluruh kebutuhan pembangunan aplikasi.
4. Bergaya C++, memiliki sintaks seperti bahasa pemrograman C++ sehingga menarik banyak pemrogram C++ untuk pindah ke Java. Saat ini pengguna Java sangat banyak, sebagian besar adalah pemrogram C++ yang pindah ke Java. 5. Pengumpulan sampah otomatis, memiliki
fasilitas pengaturan penggunaan memori sehingga para pemrogram tidak perlu melakukan pengaturan memori secara langsung (seperti halnya dalam bahasa C++ yang dipakai secara luas).
2.6 MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL (Bahasa Inggris: database management system) atau DBMS yang multithread, multi-user, dengan sekitar 6 juta instalasi di seluruh dunia. MySQL AB membuat MySQL tersedia sebagai perangkat lunak gratis dibawah lisensi GNU General Public License (GPL), tetapi mereka juga menjual dibawah lisensi komersial untuk kasus-kasus dimana penggunaannya tidak cocok dengan penggunaan GPL.
Tidak sama dengan proyek-proyek seperti Apache, dimana perangkat lunak dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber dimiliki oleh penulisnya masing-masing, MySQL dimiliki dan disponsori oleh sebuah perusahaan komersial Swedia MySQL AB, dimana memegang hak cipta hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang Finlandia yang mendirikan MySQL AB adalah: David Axmark, Allan Larsson, dan Michael “Monty” Widenius.
Kehandalan suatu sistem basisdata (DBMS) dapat diketahui dari cara kerja pengoptimasi-nya dalam melakukan proses perintah-perintah SQL yang dibuat oleh pengguna maupun program-program aplikasi yang memanfaatkannya. Sebagai basis data, MySQL mendukung operasi basisdata transaksional maupun operasi basisdata non-transaksional.
Untuk kebutuhan sistem yang ditujukan untuk bisnis sangat disarankan untuk menggunakan modus basisdata transaksional, hanya saja sebagai konsekuensinya unjuk kerja MySQL pada modus transaksional tidak secepat unjuk kerja pada modus non-transaksional.
2.7 UML
UML (Unified Modeling Language) adalah metode pemodelan secara visual sebagai sarana untuk merancang dan atau membuat software berorientasi objek. Karena UML ini merupakan bahasa visual untuk pemodelan bahasa berorientasi objek, maka semua elemen dan diagram berbasiskan pada paradigma object oriented.
UML adalah salah satu tool/model untuk merancang pengembangan software yang berbasis object oriented. UML sendiri juga memberikan standar penulisan sebuah sistem blue print, yang meliputi konsep bisnis proses, penulisan kelas-kelas dalam bahasa program yang spesifik, skema database, dan komponen-komponen yang diperlukan dalam sistem software.
UML adalah sebuah bahasa standar untuk pengembangan sebuah software yang dapat menyampaikan bagaimana membuat dan membentuk model-model, tetapi tidak menyampaikan apa dan kapan model yang seharusnya dibuat yang merupakan salah satu proses implementasi pengembangan software. UML tidak hanya merupakan sebuah bahasa pemograman visual saja, namun juga dapat secara langsung dihubungkan keberbagai bahasa pemograman, seperti JAVA, C++, Visual Basic, atau bahkan dihubungkan secara langsung ke dalam sebuah object-oriented database. Begitu juga mengenai pendokumentasian dapat dilakukan seperti requirements, arsitektur, design, sourcecode, projectplan, tests, dan prototypes.
2.8 Xampp
merupakan singkatan dari X (empat sistem operasi apapun), Apache, MySQL, PHP dan Perl. Program ini tersedia dalam GNU General Public License dan bebas, merupakan web server yang mudah digunakan yang dapat melayani tampilan halaman web yang dinamis.
3. HASIL DAN PEMBAHASAN 3.1 Gambaran Umum Sistem Lama
Sistem yang berjalan dalam transaksi di Apotek Kimia Farma Korem masih menggunakan sistem perhitungan secara manual. Data yang digunakan merupakan data transaksi yang terjadi dalam apotek tersebut. Proses perhitungan secara manual ini menghabiskan waktu yang relatif lama. Dapat dibayangkan jika data yang terdaftar mencapai ratusan bahkan ribuan data akan dihitung manual satu per satu, maka waktu yang digunakan akan tidak efektif, ditambah lagi jika terjadi human error dalam proses perhitungan data barang alat-alat kesehatan. 3.2 Gambaran Umum Yang Diusulkan
Admin sebelum melakukan proses perhitungan menggunakan perhitungan dengan metode FP-Growth secara terkomputerisasi, terlebih dahulu menginputkan data alat-alat kesehatan berupa nama alat, harga, dan merek. Adapun cara kerja sistem ini adalah sebagai berikut:
1. Pengguna (User) merupakan orang yang mengoperasikan sistem. User pada sistem ini dioperasikan oleh 2 orang yang bertindak sebagai admin dan sebagai pimpinan. User pertama sebagai admin ini memiliki hak akses penuh terhadap sistem. Tugas utama seorang admin adalah menginput data pengguna, dan data alat-alat kesehatan. User kedua sebagai pimpinan ini memiliki hak akses sebagai penerima data alat-alat kesehatan.
2. Data hasil survey merupakan data yang masih bersifat mentah dan belum diketahui data yang akan dimasukan ke dalam sistem.
3. Sistem ini akan menyimpan hasil olahan data alat-alat kesehatan kemudian dihitung menggunakan metode FP-Growth
4. Data hasil pengolahan akan menjadi output pada system. Data ini adalah jumlah persediaan alat-alat kesehatan.
3.3 Diagram Flowchart FP- Growth
Perancangan flowchart atau diagram alir akan memudahkan pengembang untuk mengimplementasikan sistem ke dalam bahasa pemrograman, karena akan menjelaskan bagaimana cara kerja sistem dari awal hingga akhir. Flowchart metode FP-Growth ditunjukkan pada Gambar 1.
Gambar 1 Diagram Flowchart Algoritma FP- Growth
Mula
Data Transaksi Awal
Menentukan Frekuensi Tiap Item
Filter Transaksi Berdasarkan Support Confidence
Membangkitkan ConditionalPatternBase
Membangkitkan Conditional FP-Tree
Proses FrequentItemSet
Menentukan nilai support
jumlah transaksi yg mengandung item A
Total transaksi
Menetunkan Nilai Confidance (A B) Jumlah transaksi yg mengandung A dan B
Jumlah transaksi yg mengandung A
Item set dengan nilai support dan
confidance terbesar
3.4 Ilustrasi Metode FP-Growth Terhadap Perencanaan Aplikasi
Data alat-alat kesehatan dapat dilihat pada Tabel 1.
Tabel 1 Data alat – alat kesehatan
No Nama Keterangan
1. Abbocath Jarum pemasang infuse
2. Alcohol
3. Andalan pil kb
4. cholesterol Autocheck Alat untuk tes kadar lemak
5. Bisturi Pisau bedah
6. aesculap Blade Mata pisau bedah
7. administration Blood Alat untuk mengambil darah
8. Chloraethyl Spray pengurang rasa
sakit
9. Disp syringe Pompa piston untuk
menghisap cairan
10. Easy touch strip kadar gula dalam darah Alat tes pemeriksaan
1. Dataset
Tahap ini adalah tahap untuk memilih dataset yang digunakan untuk proses datamining ditunjukkan oleh Tabel 2.
Tabel 2 Penjualan alat-alat kesehatan pada database
2. Februari Abbocath, alcohol, blood administration 9. September blood administration,
blade aesculap, andalan pil kb
10 Oktober Easy touch strip, Autocheck cholesterol, alcohol
11. November Abbocath, andalan pil kb, easy touch strip 12. Desember Abbocath, alcohol,
andalan pil kb
2. FP-Tree
Tahap ini adalah tahap untuk dataset yang telah dibatasi dengan menggunakan support count yang telah ditentukan, kemudian dibangun menjadi sebuah Tree. Tabel 3 menunjukkan nama dan frekuensi item dari data transaksi awal.
Setelah frekuensi setiap item diperoleh, kemudian dibatasi dengan support count. Jika frekuensi item tidak kurang dari support count, maka item tersebut akan dihapus dan tidak dipakai dalam proses datamining. Misalkan ditentukan support count = 3, maka hasilnya ditunjukkan oleh Tabel 4.
Itembisturi, blade aesculap, chloraethyl, easy touch strip hilang karena frekuensinya tidak lebih dari sama dengan 3. Tahap selanjutnya adalah pembangunan Tree berdasarkan per transaksi dengan item yang telah dibatasi. Data transaksi setelah proses filter dapat dilihat pada Tabel 5.
9. Disp syringe 4
Tabel 5 data transaksi setelah proses filter No Transaksi 9. September blood administration,
andalan pil kb
10 Oktober Autocheck cholesterol, alcohol
Pembangunan Tree dari seluruh transaksi tersebut ditunjukkan pada Gambar 2.
Gambar 2 Tree dari 12 transaksi
3. FP-Growth
Setelah FP-Tree terbentuk, maka langjkah selanjutnya adalah tahap pembangkitan conditional pattern base, tahap pembangkitan conditional FP-Tree, dan tahap pencarian frequent item set. Pada tahap ini dapat dilakukan dengan melihat kembali FP-Tree yang sudah dibuat sebelumnya.Conditional pattern base ditunjukkan pada Tabel 6.Frequent item set mdapat dilihat pada Tabel 7.
Tabel 6 Conditional Pattern Base Item Conditional pattern base Autocheck
cholesterol
{Blood administration : 2, disp syringe : 1}
Disp syringe {Abbocath : 1},{ alcohol : 2},{blood administration : 1}
Tabel 7 Frequent item set Item Frequent item set Autocheck
cholesterol
{{Autocheck cholesterol, Blood administration : 2}, {Autocheck cholesterol, disp syringe : 1}}
alcohol : 2},{Disp syringe, blood administration : 1}} Blood
administration
{{Blood administration, Abbocath : 1}, {Blood administration, alcohol :
1}, {Blood
administration, andalan pil kb : 2}}
Andalan pil kb {{Andalan pil kb, Abbocath : 3},{ Andalan pil kb, alcohol : 3}} Abbocath {{Abbocath, Alcohol :
5}}
Tahap akhir pada perhitungan FP-Growth dapat dilihat pada Tabel 8.
Tabel 8 Hasil Association Rule
Rule Support Confidence Abbocath => alkohol 0,4 0,7
Andalan pil kb => abbocath
0,2 0,5
Andalan pil kn => alcohol
0,2 0,4
Blood administration => abbocath
0,0 0,1
Blood administration => alkohol
0,0 0,1
Blood administration => andalan pil kb
0,1 0,4
Disp syringe => abbocath
0,0 0,1
Disp syringe => alcohol
0,1 0,2
Disp syringe => blood administration
0,0 0,2
Autocheck
cholesterol => blood administration
0,1 0,5
Autocheck
cholesterol => disp syringe
0,0 0,2
3.4 Rancangan Sistem 1. Use case diagram
Use case diagram digunakan untuk memodelkan dan menyatakan unit fungsi atau layanan yang disediakan oleh sistem. Diagram use case juga menjelaskan apa yang akan dikerjakan oleh sistem. Use case diagram ditunjukkan pada Gambar 3.
Gambar 3Use Case Diagramproses FP-Tree
2. Activity Diagram
Activity diagram merupakan suatu bentuk flow diagram yang memodelkan alur kerja (workflow) sebuah proses bisnis dan urutan aktivitas sebuah proses.
1) Activity Diagram Login
Use case Login menjaga sistem supaya aman dari orang-orang yang tidak memiliki hak akses terhadap sistem. Dengan kata lain Login menjadi kunci bisa atau tidaknya seseorang untuk memasuki sistem ini. Activity Diagram Login ditunjukkan pada Gambar 4.
Gambar 4 Activity DiagramLogin 2) Activity Diagram Pengguna
data akan tersimpan ke database. Activity diagram input data Mahasiswa ditujukan pada Gambar 5.
Gambar 5 Activity Diagram Pengguna
3) Activity Diagram Data Akes(Alat-Alat Kesehatan)
Activity diagram ini menjelaskan tentang gambaran kinerja sistem saat admin memilih menu data alkes. Sistem menapilkan form data alkes, didalam form ini terdapat tombol menambahkan dan mengimport data. Admin terlebih dahulu harus mengimport data, setelah melakukan import data kemudian admin akan memilih tombol segarkan untuk menampilkan data dalam database. Activitydiagram data alat-alat kesehatan ditujukan pada Gambar 6.
Gambar 6 Activity Diagram Data Alat-Alat Kesehatan
4) Activity Diagram Transaksi
Activity diagram ini menjelaskan tentang gambaran kinerja sistem saat admin memilih menu transaksi. Activity diagram hasil proses perangkingan ditujukan pada Gambar 7.
5) Activity Diagram Proses FP-Tree
Activity diagram ini menjelaskan tentang gambaran kinerja sistem saat admin memilih
menu proses FP-Tree. sistem akan menampilkan tabel data hasil perhitungan FP-Tree.Ativity diagram Laporan Hasil ditujukan pada Gambar 8.
Gambar 7 Activity Diagram Transaksi
Gambar 8 Activity Diagram Proses FP-Tree
3. Sequnce Diagram
Sequnce diagram menjelaskan interkasi object yang disusun dalam suatu urutan waktu. Sequnce diagram memperlihatkan tahap demi tahap apa yang seharusnya terjadi untuk menghasilkan sesuatu yang dilakukan dalam usecase.
1) Sequence Diagram Login
Gambar Sequence Diagram Login ditunjukkan pada Gambar 9.
Gambar 9 Sequence Diagram Login
2) Sequence Diagram Pengguna
Sequence diagram pengguna, pertama admin memilih input data pengaju pada halaman menu utama. Setelah itu admin menginputkan data pengguna, kemudian sistem menjalankan perintah insert data penerima dan memasukkan data pendaftar kedatabase pada tabel pendaftar. Seperti yang terlihat pada Gambar 10.
Gambar 10 Sequence Diagram Pengguna
3) Sequence Diagram Data Alkes
Sequence diagram data alkes, pertama admin memilih menu data alkes lalu mengimport data kemudian tersimpan di tabel data. Untuk lebih jelasnya terlihat pada Gambar 11.
Gambar 11 Sequence Diagram Data Alkes
4) Sequence Diagram Transaksi
Sequence diagram transaksi. Lebih jelasnya pada Gambar 12.
Gambar 12 Sequence Diagram Transaksi 5) Sequence Diagram Proses FP-Tree
Sequence diagramFP-Tree. Pertama admin memilih menu proses FP-Tree. Untuk lebih jelasnya pada Gambar 13.
Gambar 13 Sequence Diagram FP-Tree
3.5 ERD (Entity Relational Diagram)
ERD (Entity Relational Diagram) digunakan untuk mendesain database dengan tujuan menggambarkan data yang berelasi pada sebuah database. Adapun ERD yang dibangun berdasarkan tabel-tabel dalam database pada ditunjukkan pada Gambar 14.
3.6 Implementasi Sistem
Setelah memenuhi kebutuhan sistem, proses selanjutnya adalah menerangkan kegunaan form-form yang ada didalam aplikasi datawarehouse menggunakan metode FP-Growth beserta desain formnya.
1. Form Login
valid. Tampilan halaman Login ditunjukkan pada Gambar 15.
Gambar 14 ERD Proses FP-Tree
Gambar 15Form Login
2. Form Halaman Utama
Form Halaman Utama merupakan tampilan antarmuka yang muncul ketika proses autentifikasi username dan password pada login telah divalidasi. Pada form Halaman Utama ini terdapat 6 menu utama yaitu Pengguna, Data Alkes, Transaksi, Proses FP-Tree, About, dan Keluar.
Gambar 16 Form Halaman Utama
3. Form Halaman Data Alkes (Alat-Alat Kesehatan)
Ketika admin memilih menu Data Alkes maka akan muncul tampilan pada Gambar 17.
Gambar 17 Halaman Data Alkes (Alat-Alat Kesehatan)
Untuk menambahkan data, admin dapat mengisi data dengan menginput data satu persatu atau melalui import data untuk mengambil data yg telah tersedia lalu menekan tombol “segarkan” maka secara otomatis data yang diinputkan tersebut akan masuk ke dalam database. Tampilan form masukkan data ditunjukkan pada Gambar 18.
Gambar 18 Form Masukkan data 4. Form Halaman Transaksi
Ketika admin memilih menu Transaksi maka akan muncul tampilan seperti yang ditunjukkan pada Gambar 19.
Saat admin menekan tombol Import data maka akan muncul hasil data seperti yang ditunjukkan pada Gambar 20 form hasil import transaksi.
Gambar 20 Form Hasil Import Transaksi Data
5. Form Halaman Proses FP-Tree
Tampilan halaman proses FP-Tree dapat dilihat pada Gambar 21.
Gambar 21 Form Halaman Proses FP-Tree
Berdasarkan Gambar 21 hasil analisis metode FP-Growth nilai support dan confidence yang terbesar akan menjadi hasil keputusan.Tampilan halaman proses FP-Tree setelah memasukan nilai support count ditunjukkan Gambar 22.
Gambar 22 Tampilan Halaman Proses FP-Tree
4. KESIMPULAN
Berdasarkan pembahasan dan evaluasi system maka dapat disimpulkan:
1. Metode dalam pencarian Frequent itemsset menggunakan algoritma FP-Ggrowth bekerja sangat baik dalam melakukan Frequent itemsset dengan proses pembentukan FP-Tree dengan menghasilkan rule dari data penjualan alat-alat kesehatan.
2. Dalam mengimplementasikan algoritma FP-Growth pada aplikasi prediksi persediaan alat-alat kesehatan dapat dilihat dari banyaknya item yang terjual, lalu membuat rangkaian tree dengan fptree untuk mengetahui banyaknya frequent itemset yang terjadi.
3. Algoritma FP-Growth dapat diterapkan untuk mendukung strategi penjualan alat-alat kesehatan pada Apotik Kimia Farma Korem sehingga pihak manajemen dari Apotik itu sendiri dapat melakukan pengambilan keputusan dengan cepat.
5. SARAN
Berdasarkan hasil penelitian saran untuk pengembangan system lebih lanjut, yaitu aplikasi data warehouse dengan
menggunakan metode FP-Growth ini
diharapkan dapat diimplementasikan
kedalam perangkat lunak dengan tampilan
yang lebih baik sehingga user dapat lebih
nyaman dalam menggunakannya.
DAFTAR PUSTAKA
[1 ] Larasati, D.P.. 2013, Analisisdan Implementasi Algoritma FP-Growth pada Aplikasi Smart untuk Menetukan Market Basket Analysis pada Usaha Retail (STUDI KASUS: PT.X).
[2] Ririanti, 2013, Implemntasi Algoritma FP-Growth Pada Aplikasi Prediksi Persediaan Sepeda Motor (Studi Kasus:PT. PILAR DELI LABUMAS).
[4] Vercellis, C., 2009, Sistem Informasi. Lokomedia: Yogyakarta.
[5] Poe, V, 1996, Building The Data Warehouse For Decision Support. New jersey: Pretince-Hall Internatioanl, Inc.
