PENERAPAN MARKET BASKET ANALYSIS TERHADAP DATA TRANSAKSI MENGGUNAKAN ALGORITMA APRIORI
¹Rabiyatul Maesyarah, ²Joko Risanto
¹Mahasiswa Program Studi S1 Sistem Informasi
²Dosen Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected], [email protected] ABSTRACT
The Zainab Hospital of Mother and Child is a health service company that serves every patient who comes for treatment. The Zainab Hospital of Mother and Child have a large amount of data. The data warehouse certainly produces an important information.
Utilization of data is not enough just to rely on operational data, but a data analysis is needed to explore the potential of existing information. Therefore, the hospitals must develop variety of strategies in order to prepare stocks of items that are often sold and arrange for optimal placement of goods. One of the strategies that can be done is to analyze the pattern of drug purchases and give a recommendation of purchasing as well as the placement of drugs most many sold. The pattern of drug purchases is processed using the method of Data mining and Apriori algorithm to analyze the association between drugs were purchased and determine the candidate combinations of drugs that are often purchased. Research is conducted on 6118 data transactions starting from July 1, 2021 to June 30, 2022 with the value of minimum support 4% and minimum confidence 70%. This research results in a combination of 6 rules of drugs, where if patient buy Mefenamic Acid 500mg, patient will buy Cefixime 200mg Cap with a support value of 0.0403 = 4% and a confidence value of 1 = 100%. The results of the interpretation of these rules can be used as a reference for placement recommendations that placed close together to make it easier for employees and help service.
Keywords: Apriori Algorithm, Association Rules, Data mining, Hospital, Purchasing.
ABSTRAK
Rumah Sakit Ibu dan Anak Zainab adalah perusahaan jasa pelayanan kesehatan yang melayani setiap pasien yang datang untuk berobat. Rumah Sakit Ibu dan Anak Zainab memiliki data dengan jumlah besar. Gudang data tersebut tentunya menghasilkan suatu informasi yang penting. Pemanfaatan data tidak cukup hanya mengandalkan data operasional, tetapi diperlukan suatu analisis data untuk menggali potensi-potensi informasi yang ada. Oleh karena itu, Rumah Sakit harus mengembangkan berbagai strategi agar dapat mempersiapkan stok barang yang sering terjual serta mengatur penempatan barang secara optimal. Salah satu strategi yang dapat dilakukan adalah dengan menganalisis pola pembelian obat dan memberikan rekomendasi pembelian
serta penempatan obat yang paling sering dibeli. Pola pembelian obat diolah menggunakan metode Data mining dan algoritma Apriori untuk menganalisis asosiasi antar obat yang dibeli dan menentukan kandidat kombinasi obat yang sering dibeli.
Penelitian ini dilakukan terhadap 6118 data transaksi mulai dari tanggal 1 Juli 2021 s/d 30 Juni 2022 dengan nilai minimum support 4% dan minimum confidence 70%.
Penelitian ini menghasilkan kombinasi obat sebanyak 6 rules, dimana jika membeli obat Mefenamic Acid 500mg maka akan membeli obat Cefixime 200mg Cap dengan nilai support 0.0403 = 4% dan nilai confidence 1 = 100%. Hasil interpretasi rules tersebut dapat dijadikan acuan rekomendasi penempatan diletakkan berdekatan agar memudahkan pegawai serta mempercepat pelayanan.
Kata Kunci: Algoritma Apriori, Aturan Asosiasi, Data mining, Rumah Sakit, Pembelian.
PENDAHULUAN
Dalam Pengembangan teknologi yang semakin pesat di era digital saat ini membuat seluruh pengguna mengikuti alur perkembangan. Rumah Sakit Ibu dan Anak Zainab adalah perusahaan jasa pelayanan kesehatan yang melayani setiap pasien yang datang untuk berobat di rumah sakit ini. Masalah data transaksi merupakan suatu hal yang memerlukan penanganan khusus, terutama dalam pengeluaran suatu barang atau obat. Hal tersebut memerlukan penanganan seperti melakukan pendataan ke dalam suatu sistem agar dapat tersusun dengan rapi dan dapat digunakan untuk keperluan rumah sakit tersebut. Data transaksi obat pada Rumah Sakit Ibu dan Anak Zainab tentu memiliki data dengan jumlah besar.
Kumpulan data transaksi obat menyimpan informasi data penyakit yang sering di derita oleh pasien yang ada di Rumah Sakit Ibu dan Anak Zainab. Metode yang digunakan adalah Market basket analysis. Market basket analysis adalah suatu metode untuk melakukan analisis buying habit konsumen dengan menemukan asosiasi antar beberapa item yang berbeda, yang dibeli pada suatu transaksi tertentu. Tujuan dari Market basket analysis adalah untuk mengetahui produk-produk mana yang mungkin akan dibeli secara bersamaan. Analisis data transaksi dapat menghasilkan pola pembelian produk yang sering terjadi.
Aturan-aturan asosiasi yang dihasilkan oleh algoritma Apriori akan dianalisa untuk menemukan pola pembelian dan pengambilan keputusan informasi yang sebelumnya tersembunyi di dalam gudang data agar menjadi informasi yang berharga.
Penelitian ini adalah dimaksudkan untuk menggunakan metode-metode yang telah ada untuk diterapkan pada kasus nyata.
METODE PENELITIAN a. Teknik Pengumpulan Data
Pengumpulan data terdiri dari beberapa tahapan diantaranya, studi literatur, wawancara, observasi, dan pengumpulan dokumen terkait.
b. Peralatan yang Digunakan 1. Perangkat Keras.
a. Laptop ASUS dengan processor Intel® Core i7 -5200U 2,7 GHz, HDD 500GB, dan RAM berkapasitas 4 GB.
b. Flashdisk SanDisk Cruzer Blade berkapasitas 16 GB.
c. Printer EPSON L120.
2. Perangkat Lunak.
a. Sistem Operasi Windows 10.
b. Microsoft Office 2010.
c. R Studio.
d. Google Chrome.
c. Metode Algoritma Apriori
Algoritma apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu support dan confidence. Proses utama yang dilakukan dalam algoritma apriori untuk mendapat frequent itemset (Elisa, 2018, hal 474). Menurut (Gede et al., 2016, hal 31), penentuan minimum support dan minimum confidence dilakukan dan disesuaikan oleh user dengan melakukan proses pengamatan seperti percobaan terhadap dataset sehingga dapat menghasilkan rule yang baik.
Algoritma apriori sangat mudah dipahami, tetapi ada beberapa kekurangan pada algoritma apriori yaitu :
a. Database scanning. Data mining dengan algoritma apriori harus melakukan scan Database berulang kali untuk menemukan frequent itemset.
b. Pengaturan minimal frequent itemset untuk menentukan nilai minimum support.
c. Aturan asosiasi rule mining dalam mendapatkan nilai minimum confidence.
Menurut (Elisa, 2018, hal 475) metodologi dasar analisis asosiasi adalah:
1. Analisis pola frekuensi tinggi.
Analisis ini adalah tahapan pertama yang dilakukan untuk mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam Database. Rumus nilai support dengan menggunakan satu buah item sebagai berikut:
...(1)
Untuk nilai support dari 2 item dapat diperoleh dengan rumus berikut:
...(2)
2. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, langkah berikutnya adalah mencari aturan asosiasi yang memenuhi syarat minimum untuk confidence, dengan rumus sebagai berikut:
...(3)
HASIL DAN PEMBAHASAN a. Analisis Kebutuhan Sistem
Sistem ini dibuat dalam bentuk website yang didalamnya akan terdapat data transaksi penjualan obat dan perhitungan menggunakan algoritma apriori berdasarkan data transaksi yang didapat. Admin akan diminta untuk memasukkan data transaksi dalam bentuk .xlsx beserta nilai minimum support dan minimum confidence. Setelah itu, admin akan mendapatkan hasil berupa rules terbaik beserta nilai minimum support dan
confidence-nya yang kemudian akan dijadikan sebagai hasil rekomendasi penjualan obat dan penempatan obat.
b. Pengumpulan data
Data yang digunakan dalam penelitian ini menggunakan data transaksi penjualan obat sebanyak 6118 transaksi dimulai dari tanggal 1 Juli 2021 s/d 30 Juni 2022 dengan berbagai macam item obat yang dibeli oleh pasien. Adapun dataset yang digunakan yaitu dataset transaksi penjualan obat yang memiliki beberapa atribut diantaranya: ID Transaksi, ID Pasien, Nama Obat, Qty, Harga.
Tabel 1. Data Transaksi
No. ID
Transaksi ID Pasien Nama Obat Qty. Harga
1 2107210067 60800245
Ranitidine Inj Wing Nadle 25 Ketorolac Inj 1%
Dexamethason 0.5mg Tab
1 1 1 10
3212.50 19057.50
9250.00 1925.00 2 2107230011 80600351 Spuit 5 cc
Amlodipin 5mg Tab
1 10
2428.75 10075.00
3 2107150083 80800412
Triamcinolone 4mg Cetirizine 10mg Tab Fucilex Cr 5 Gr Betametason Cream Pot Obat 20 cc
10 10 1 1 1
11875.00 6075.00 13750.00
8750.00 1237.50
4 2107060033 90800067
Handscoon 8 Abochat 18 Identification Mom RL
Pastik E-care Film Laminaria M
1 1 1 1 3 1 2
44366.25 16500.00 8750.00 27500.00
2043.75 5500.00 793375.00 5 2107260079 91100179
Nacl Spuit 5 cc Vit C 50mg
1 1 10
27500.00 2428.75 6500.00 6 2107260081 120300266
Vit C 50mg Nacl Spuit 5 cc
10 1 2
6500.00 27500.00
4857.50 7 2107270048 190700397
Spuit 3 cc
Bionicom C Tablet Curcuma Tablet
1 10 10
6325.00 11880.00 13149.00 8 2107240041 210700918
Spuit 5 cc Masker Dws Bionicom C Tablet
1 6 10
2428.75 3750.00 11880.00
9 2111230078 210601308
Cetirizine 10mg/ml Drops Gentamycin Tm 1x Lidocain Inj Vascob Braun Psg Chromic 2-0 Bpjs Nasal Canula Dewasa Dexamethason 0.5mg Tab
1 1 1 2 1 1 10
34375.00 1323.00 2062.50 12028.50 14107.50 18750.00 1925.00 10 2109040042 210800591 Underpads
Spuit 5 cc
1 1
12605.00 2428.75
… … … … … …
6.118 2109180106 20080098 Identification Baby Vascob Braun Psg
1 8
6750.00 48114.00
Pastik
Handscoon 7.5 Phydion Inj Umbilical Bledstop Inj
2 1 1 1 2
1362.50 47915.55 16335.00 8538.75 20240.00
c. Seleksi Data
Tahap pertama, menentukan atribut yang akan digunakan dilakukan tahap reduction. Data yang akan dipakai dalam penelitian ini hanya terdiri dari 2 atribut yaitu seperti pada tabel 2.
Tabel 2. Atribut Data
No. Atribut Keterangan
1 ID Transaksi Nomor transaksi pasien
2 Nama Obat Nama obat yang dibeli oleh pasien
Berikut merupakan hasil data pre processing yang akan digunakan pada proses penelitian ini dapat dilihat pada tabel 3.
Tabel 3. Hasil Data Pre processing
No. ID Transaksi Nama Obat
1 2107210067 Ranitidine Inj,Wing Nadle 25,Ketorolac Inj 1%,Dexamethason 0.5mg Tab
2 2107230011 Spuit 5 cc,Amlodipin 5mg Tab
3 2107150083 Triamcinolone 4mg,Cetirizine 10mg Tab,Fucilex Cr 5 Gr,Betametason Cream,Pot Obat 20 cc
4 2107060033 Handscoon 8,Abochat 18,Identification Mom,RL,Pastik,E-care Film,Laminaria M
5 2107260079 Nacl,Spuit 5 cc,Vit C 50mg 6 2107260081 Vit C 50mg,Nacl,Spuit 5 cc
7 2107270048 Spuit 3 cc,Bionicom C Tablet,Curcuma Tablet 8 2107240041 Spuit 5 cc,Masker Dws,Bionicom C Tablet
9 2111230078
Cetirizine 10mg/ml Drops,Gentamycin Tm 1x,Lidocain Inj,Vascob Braun Psg,Chromic 2-0 Bpjs,Nasal Canula Dewasa,Dexamethason 0.5mg Tab
10 2109040042 Underpads,Spuit 5 cc
… ... ...
6.118 2109180106 Identification Baby,Vascob Braun Psg,Pastik,Handscoon 7.5,Phydion Inj,Umbilical,Bledstop Inj
d. Implementasi Algoritma Apriori
Selanjutnya dilakukan proses mencari pola pembelian obat manakah yang paling sering dibeli oleh pasien rumah sakit sehingga dapat memberikan saran dalam mengatur tata letak obat dan membantu pihak rumah sakit untuk mempersiapkan stok barang yang sering terjual.
1. Menetapkan Minimum Support dan Minimum Confidence.
Dalam proses pengolahan data menggunakan algoritma apriori, langkah pertama yang harus dilakukan adalah menetapkan minimum support dan minimum confidence.
Namun sebelum menentukan minimum support dan minimum confidence, perlu
diperhatikan bahwa pembentukan pola penjualan obat memiliki nilai confidence tinggi namun memiliki nilai support yang rendah.
Berdasarkan hal tersebut dalam penelitian ini ditetapkan asumsi nilai minimum support adalah 4% dan nilai minimum confidence adalah 70%. Pemilihan parameter tersebut dilakukan untuk mendapatkan hasil rule yang sesuai dengan diharapkan, yaitu rule dengan kombinasi 2 itemset.
2. Kandidat 1-itemset.
Pada tahap ini dilakukan iterasi satu untuk membentuk kandidat 1-itemset (C1), dari data transaksi penjualan obat di Rumah Sakit Ibu dan Anak Zainab Pekanbaru pada bulan Juli 2021 – Juni 2022. Proses pembentukan C1 dengan jumlah minimum support 4% dapat menggunakan Persamaan 1. Berikut perhitungan kandidat 1-itemset :
Setelah melakukan perhitungan di atas, maka didapatlah kandidat 1-itemset sebanyak 156 itemset. Berikut hasil kandidat 1-itemset dapat dilihat pada Tabel 4.
Tabel 4. Kandidat 1-itemset
No. Nama Obat Frekuensi Support Support (%)
1 Cefotaxim Inj 897 0.1466 14.66%
2 Ketorolac 30mg Inj 834 0.1363 13.63%
3 Tridex 27 B 800 0.1308 13.08%
4 Handscoon 8 744 0.1216 12.16%
5 Methyl Prednisolon 4mg 701 0.1146 11.46%
6 Gauze 697 0.1139 11.39%
7 Ranitidine Inj 653 0.1067 10.67%
8 Gelang Kuning 640 0.1046 10.46%
9 Spuit 3 cc 615 0.1005 10.05%
10 Underpads 595 0.0973 9.73%
… … ... … …
156 Caviplex 33 0.0053 0.54%
3. Kandidat 2-itemset.
Setelah mendapatkan Large-itemset 1 (L1) selanjutnya akan dilakukan Large- itemset 2 (L2). Pada iterasi kedua akan dilakukan proses cross item L1 untuk membentuk kandidat 2-itemset dan menghitung support-nya. Untuk kandidat yang berisi item yang sama, maka dihitung satu, misalnya ketika itemset {Nacl} digabungkan dengan itemset {Nacl} maka hasilnya hanya {Nacl}, bukan {Nacl, Nacl}. Proses pembentukan C2 dengan jumlah minimum support 4% dapat menggunakan Persamaan 2.2. Berikut perhitungan kandidat 2-itemset :
Setelah melakukan perhitungan di atas, maka didapatlah kandidat 2-itemset sebanyak 1596 itemset. Berikut hasil kandidat 2-itemset yang didapatkan dari contoh perhitungan di atas dapat dilihat pada tabel 5.
Tabel 5. Kandidat 2-itemset
No. Nama Obat Frekuensi Support Support
(%)
1 Ketorolac Tablet, Etabion 350 0.0572082 5.72%
2 Methyl Prednisolon 4mg, Gauze 315 0.0514874 5.15%
3 Ranitidine Inj, Dexamethason Inj 305 0.0498529 4.99%
4 Cefotaxim Inj, Tridex 27 B 295 0.0482184 4.82%
5 Ranitidine Inj, Identification Mom 227 0.0452762 4.53%
6 Ranitidine Inj, Promavit 227 0.0452762 4.53%
7 Gauze, Sanmol Syr 271 0.0442955 4.43%
8 Methyl Prednisolon 4mg, Sanmol Syr 270 0.0441321 4.41%
9 Handscoon 8, Ranitidine Inj 260 0.0424975 4.25%
10 Ketorolac 30mg Inj, Handscoon 8 257 0.0420072 4.20%
… … … … …
1596 Abochat 18, Mersibion Inj 5000 0 0 0%
4. Pembentukan Aturan Asosiasi.
Setelah semua pola frekuensi tinggi ditemukan, langkah selanjutnya adalah mencari aturan asosiasi yang memenuhi syarat minimum untuk confidence, dengan menghitung confidence aturan asosiasi jika A maka B. Berikut perhitungan nilai confidence berdasarkan persamaan 3.
Confidence ( → ) =
= 0.7652 (76.52%)
Setelah melakukan perhitungan di atas, maka didapatlah nilai confidence pada tabel 6 sebagai berikut.
Tabel 6. Hasil Aturan Asosiasi
No. Nama Obat Frekuensi A,B
Frekuensi
A Supp Supp
(%) Conf Conf
(%) 1 Ketorolac
Tablet, Etabion 350 557 0.0572082 5.72% 0.6283662 62.84%
2
Methyl Prednisolon 4mg, Gauze
315 701 0.0514874 5.15% 0.4493580 44.94%
3
Ranitidine Inj, Dexamethason Inj
305 653 0.0498529 4.99% 0.4670750 46.71%
4 Cefotaxim Inj,
Tridex 27 B 295 897 0.0482184 4.82% 0.3288740 32.89%
5
Ranitidine Inj, Identification Mom
227 653 0.0452762 4.53% 0.4241960 42.42%
6 Ranitidine Inj,
Promavit 227 653 0.0452762 4.53% 0.4241960 42.42%
7 Gauze, Sanmol
Syr 271 697 0.0442955 4.43% 0.3888091 38.88%
8
Methyl Prednisolon 4mg, Sanmol Syr
270 701 0.0441321 4.41% 0.3851640 38.52%
9 Handscoon 8,
Ranitidine Inj 260 744 0.0424975 4.25% 0.3494623 34.95%
10
Ketorolac 30mg Inj, Handscoon 8
257 834 0.0420072 4.20% 0.3081534 30.82%
… … … … … … … …
32 Promavit,
Ranitidine Inj 277 469 0.0452762 4.53% 0.5906183 59.06%
Berdasarkan tabel 6 maka didapatkanlah hasil rules yang terbentuk yang memenuhi nlai minimum support 4% dan minimum confidence 70% dapat dilihat pada tabel 7 berikut.
Tabel 7. Hasil Rules yang Terbentuk dari yang Tertinggi
No. Nama Obat Support Support
(%) Confidence Confidence (%) 1 Mefenamic Acid 500mg,
Cefixime 200mg Cap 0.04037267 4.04% 1 100.00%
2 Santocyn Inj, Bledstop Inj 0.04102648 4.10% 0.765243902 76.52%
3 Domperidone 10mg Tab,
Ketorolac Tablet 0.04086303 4.09% 0.764525994 76.45%
4 Gentamycin Cream, Ketorolac
Tablet 0.04135338 4.14% 0.746312684 74.63%
5 Tramadol Inj, Bledstop Inj 0.04118993 4.12% 0.74556213 74.56%
6 Etabion, Ketorolac Tablet 0.05720824 5.72% 0.727650728 72.77%
Dari tabel di atas dapat disimpulkan bahwa nilai support dan confidence dengan acuan 2-itemset yang memiliki nilai tertinggi adalah kombinasi antara nama obat Etabion dan Ketorolac Tablet yang dapat diartikan bahwa jika membeli Etabion maka akan membeli Ketorolac Tablet.
e. Desain Sistem
Dalam pembuatan sistem ini ada beberapa tahapan yang dilakukan menggunakan Unified Modelling Language (UML), yaitu mencakup perancangan Use case diagram dan Activity diagram.
1. Use Case Diagram.
Use case diagram adalah salah satu dari berbagai jenis unified modeling language (UML) yang menggambarkan hubungan interaksi antara sistem dan aktor dengan sistem yang telah dirancang. Hasil representasi dari skema tersebut dibuat secara sederhana dan bertujuan untuk memudahkan user dalam membaca informasi yang diberikan.
Berikut Use case diagram dari sistem yang telah dirancang dapat dilihat pada gambar 1.
Gambar 1. Use case diagram
2. Activity Diagram.
Activity diagram adalah bentuk visual dari alur kerja yang berisi aktivitas dan tindakan. Diagram aktivitas juga menggambarkan alur kontrol secara garis besar.
a. Activity Diagram Upload File.
Pada Activity diagram ini menggambarkan proses user dalam melakukan upload file yang berbentuk excel pada sistem.
Gambar 2. Activity diagram Upload File b. Activity Diagram Mengelola Perhitungan.
Pada Activity diagram ini merupakan proses user memasukkan nilai minimum support dan nilai minimum confidence agar dapat melakukan perhitungan.
Gambar 3. Activity diagram Mengelola Perhitungan f. Hasil Studi Kasus
1. Tampilan Awal
Gambar 4. Tampilan Awal Interface 2. Tampilan Hasil Aturan Asosiasi
Gambar 5. Tampilan Hasil Association Rules 3. Tampilan Hasil Analisis
Gambar 6. Tampilan Hasil Analisis g. Interpretasi
Berdasarkan hasil aturan asosiasi yang terbentuk, penulis akan menerjemahkan hasil rules dalam bentuk narasi yang lebih sederhana agar mudah dimengerti oleh pembaca. Berikut hasil analisis dari aturan asosiasi, terdiri dari 6 rules yang telah didapatkan yaitu sebagai berikut :
1. Jika membeli Mefenamic Acid 500mg, maka akan membeli Cefixime 200mg Cap.
2. Jika membeli Santocyn Inj, maka akan membeli Bledstop Inj.
3. Jika membeli Domperidone 10mg Tab, maka akan membeli Ketorolac Tablet.
4. Jika membeli Gentamycin Cream, maka akan membeli Ketorolac Tablet.
5. Jika membeli Tramadol Inj, maka akan membeli Bledstop Inj.
6. Jika membeli Etabion, maka akan membeli Ketorolac Tablet.
Dari hasil interpretasi diatas, pihak rumah sakit dapat membangun beberapa strategi untuk membantu dalam melakukan pekerjaannya, serta dapat mengetahui jenis item yang paling banyak dibeli oleh pelanggan. Adapun beberapa rekomendasi strategi yang dibuat oleh peneliti dari rules yang didapatkan sehingga dapat dimanfaatkan oleh pihak rumah sakit sebagai berikut :
1. Dapat memberikan rekomendasi kepada pihak rumah sakit agar dapat mempersiapkan stok barang lebih banyak yang sering dibeli oleh pelanggan.
2. Dapat memberikan rekomendasi kepada pihak rumah sakit untuk meletakkan item yang sering terjual secara bersamaan diletakkan berdekatan agar memudahkan pegawai serta mempercepat pelayanan.
3. Dapat memberikan rekomendasi kepada pihak manajemen untuk mencari peluang agar tetap berjalannya proses suatu perusahaan.
4. Dapat memberikan rekomendasi kepada pihak manajemen untuk dapat menganalisa hasil atau suatu data dari gudang data yang ada pada perusahaan agar gudang data yang ada tidak hanya untuk rekapan data saja.
KESIMPULAN
Berdasarkan penelitian yang dilakukan oleh penulis dengan menerapkan algoritma apriori pada analisis data transaksi, maka dapat diambil kesimpulan sebagai berikut:
1. Dari hasil penelitian, peneliti berhasil mengimplementasikan algoritma apriori untuk Market basket analysis, dimana hasil dari pengolahan 6.118 data transaksi menggunakan algoritma apriori dengan batasan minum support 0.04 dan confidence 0.7 didapatkan hasil 156 rules dengan kombinasi satu item. Kombinasi menggunakan dua itemset menghasilkan 1596 rules. Terdapat 6 aturan asosiasi dengan nilai support tertinggi 0.0403 dan nilai confidence 1.
2. Data mining sangat berguna untuk mengoptimalkan data transaksi penjualan yang ada pada Rumah Sakit Ibu dan Anak Zainab Pekanbaru dengan menggunakan kaidah asosiasi. Kaidah asosiasi dapat menemukan pola pembelian konsumen yang dibeli secara bersamaan oleh konsumen.
3. Berdasarkan penelitian yang penulis lakukan, dari hasil penelitian tersebut dapat digunakan untuk membuat sebuah strategi penjualan dengan mempersiapkan stok item lebih banyak berdasarkan produk yang sering terjual serta membantu dalam peletakkan item secara berdekatan agar dapat mempermudah pelayanan.
SARAN
Berdasarkan kesimpulan diatas, maka penulis merekomendasikan beberapa hal berupa saran-saran sebagai berikut :
1. Penelitian ini dapat dikembangkan dengan menggunakan metode aturan association rule data mining lainnya untuk dilakukan perbandingan dan data yang digunakan untuk diuji coba disarankan memperbanyak atribut serta memperbanyak kombinasi agar dapat menghasilkan pola yang lebih beragam.
2. Tampilan sistem ini dibuat sesederhana mungkin agar pengguna dapat dengan mudah melihat hasil analisis. Namun tidak menutup kemungkinan analisis ini dapat dikembangkan dengan interface yang lebih menarik.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Joko Risanto, S.Kom., M.Kom. yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Elisa, E. (2018). Market basket analysis Pada Mini Market Ayu Dengan Algoritma Apriori. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 2(2), 472–478.
https://doi.org/10.29207/resti.v2i2.280
Gede, I. K., Putra, D., & Bayupati, I. P. A. (2016). MENEMUKAN FREQUENT ITEMSET DALAM. 15(2).
Ginantra, N. L. W. S. R., Arifah, F. N., Wijaya, A. H., Septarini, R. S., Ahmad, N., Ardiana, D. P. Y., Effendy, F., Iskandar, A., Hazriani, H., & Sari, I. Y. (2021).
Data mining dan Penerapan Algoritma. Yayasan Kita Menulis.
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data mining Market basket analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) : Telematika, 4(1), 118–132.
Herman Mawengkang, D. E. B. N. (2015). Keputusan the Development Apriori Algorithm for Decision-. Keputusan the Development Apriori Algorithm for Decision-, 4(2), 110–121.
Qoniah, I., & Priandika, A. T. (2020). Analisis Market Basket Untuk Menentukan Asossiasi Rule Dengan Algoritma Apriori (Studi Kasus: Tb. Menara). Jurnal Teknologi dan Sistem Informasi, 1(2), 26–33.
Ramdhan, F. L., Achmad, A. I., & Mutaqin, A. K. (2016). Market basket analysis Menggunakan Algoritme Apriori. Prosiding Statistika, 2(2), 224–234.
Rusnandi, R., Suparni, S., & Pohan, A. B. (2020). Penerapan Data mining Untuk Analisis Market Basket Dengan Algoritma Fp-Growth Pada Pd Pasar Tohaga.
Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI), 9(1), 119.
https://doi.org/10.23887/janapati.v9i1.19349
Sarvina, Y. (2017). Pemanfaatan Software Open Source “ R ” Untuk Penelitian Agroklimat “ R ” Open Source Software for Agroclimate Research. Informatika Pertanian, 26(1), 23–30.
Tana, M. P., Marisa, F., & Wijaya, I. D. (2018). Penerapan Metode Data mining Market basket analysis Terhadap Data Penjualan Produk Pada Toko Oase Menggunakan Algoritma Apriori. J I M P - Jurnal Informatika Merdeka Pasuruan, 3(2), 17–22.
https://doi.org/10.37438/jimp.v3i2.167
