JURNAL DATA SCIENCE & INFORMATIKA (JDSI) Vol. 2 No. 1 (2022) 6-14 ISSN Media Elektronik:

(1)

JURNAL DATA SCIENCE & INFORMATIKA (JDSI)

Vol. 2 No. 1 (2022) 6-14 ISSN Media Elektronik: 2808-9987

Clustering Algoritma K-Means Pengadaan Barang Non Medis Di Rumah Sakit Jantung Hasna Medika Cirebon

Nurmai Yulis Aswad¹,

1Program Studi Manajemen Informatika, STMIK IKMI Cirebon

1nurmaiyulisaswad@gmail.com * (beri tanda * jika penulis koresponding)

Abstract

Hospitals are organizations that carry out social functions, along with the rapid development of hospitals that have penetrated the business world which is full of competition and certain strategies to stay afloat in providing health services to the community. In the management of hospital management, there is definitely a need for the procurement of non-medical goods or non-medical logistics. Where are the items that are not included in the category of pharmaceutical drugs. With good control of non-medical logistics management, it can support the health services offered in general. And already computerized non-medical logistics management is expected to be more effective in improving services to reduce errors in stock management. In this study, to determine the available stock data groups using the k-means algorithm method, where k-means clustering is a data grouping method. By using 736 available data will be divided into several groups. After doing the research, 5 clusters were produced, with the result that Cluster_0 has 89 items, Cluster_1 has 131 items, Cluster_2 has 95 items, Cluster_3 has 273 items, Cluster_5 has 148 items.

Keywords: K-means, Stock Goods, Data Mining, Rapid Miner, Hospital

Abstrak

Rumah sakit merupakan organisasi yang di dalamnya membawa fungsi sosial, bersamaan dengan perkembangan yang pesat rumah sakit sudah merambah dunia bisnis yang penuh persaingan dan strategi tertentu untuk tetap bertahan dalam memberikan pelayanan kesehatan kepada masyarakat. Dalam pengelolaan manajemen rumah sakit pasti sangat diperlukannya bagian pengadaan barang non medis atau logistik non medis. Di mana barang-barang yang tidak termasuk kategori obat-obatan farmasi. Dengan terkendalinya pengelolaan logistik non medis yang baik dapat menunjang pelayanan kesehatan yang ditawarkan secara umum, serta telah terkomputerisasinya pengelolaan logistik non medis diharapkan lebih efektif dalam meningkatkan pelayanan mengurangi kesalahan dalam pengelolaan stok barang. Dalam penelitian kali ini untuk menentukan kelompok data stok yang tersedia menggunakan metode algoritma k-means, di mana clustering k-means adalah berupa metode pengelompokan data.

Dengan menggunakan 736 data yang tersedia akan dibagi dalam beberapa kelompok. Setelah dilakukannya penelitian dihasilkan 5 cluster, yang hasilnya Cluster_0 memiliki 89 item, Cluster_1 memiliki 131 item, Cluster_2 memiliki 95 item, Cluster_3 memiliki 273 item, Cluster_5 memiliki 148 item.

Kata kunci: K-means, Stok Barang, Data Mining, Rapid Miner, Rumah Sakit.

(2)

1. Pendahuluan

Saat ini perkembangan teknologi dari tahun ke tahun berkembang dengan sangat pesat.

Perkembangan ilmu pengetahuan dan teknologi yang makin pesat menyebabkan penggunaan komputer makin luas, pada zaman sekarang ini sudah banyak perusahaan yang berkembang pesat, hal ini dipengaruhi banyak faktor salah satunya adalah penggunaan komputer sebagai penunjang aktivitas bisnis. Begitupun di Rumah Sakit Jantung Hasna Medika Cirebon, pengadaan barang dilakukan menggunakan komputer. Dengan pengelolaan stok barang di rumah sakit yang biasanya menggunakan kertas untuk mengetahui jumlah stok barang yang tersedia, kini menggunakan teknologi komputerisasi.

Pada dasarnya cara menggunakannya sama hanya saja diubah kedalam bentuk sistem komputerisasi. Di mana penggunaan sistem komputerisasi untuk pengelolaan data stok barang agar memudahkan staf logistik dan atasaan guna mempermudah melihat sisa stok barang yang tersedia secara realtime dan ter up to date.

Dalam penelitian kali ini, menggunakan data mining. Di mana data mining adalah proses untuk mendapatkan informasi yang berguna dari gudang basis data [1] Salah satu metode data mining adalah clustering. Menurut Baskoro, Clustering adalah salah satu alat bantu pada data mining yang bertujuan mengelompokkan objek-objek ke dalam cluster. [2]

Dan clustering adalah sebuah proses untuk mengelompokan data ke dalam beberapa cluster atau kelompok sehingga data dalam satu cluster memiliki tingkat kemiripan yang maksimum dan data antar cluster memiliki kemiripan yang minimum.[1]

Algoritma K-means Clustering adalah salah satu teknik clustering, yang di mana penggunaannya untuk mengelompokkan data yang tersedia.

Perusahaan Rumah Sakit Jantung Hasna Medika Cirebon bergerak dalam bidang kesehatan. Untuk mendapatkan alat dan bahan kesehatan atau non medis yang sesuai kebutuhan, memenuhi standar, dan optimal dalam penggunaannya maka diperlukan manajemen logistik yang baik. Manajemen logistik adalah proses pengelolaan yang strategis terhadap pemindahan dan penyimpanan barang, suku cadang dan barang dari penyuplai, diantara fasilitas perusahaan dan kepada para langganan. Sedangkan manajemen logistik di rumah sakit didefinisikan sebagai sebagai suatu proses pengolahan secara strategis terhadap pengadaan, penyimpanan, pendistribusian, pemantauan persediaan bahan (stock, material, supplies, inventory, dan lain-lain) yang diperlukan jasa rumah sakit. Pembelian barang di RS.

Jantung Hasna Medika Cirebon masih sering terdapat kendala, di mana terkadang penyuplai telat dalam mengirimkan barang atau terkadang kosongnya stok barang di distributor tersebut. Sehingga staf logistik

tidak bisa menentukan estimasi waktu datangnya barang dan kapan tersedianya barang tersebut di gudang jika barang tinggal sedikit atau kosong.

Penginputan pendataan stok barang di RS. Jantung Hasna Medika Cirebon sudah menggunakan sistem komputerisasi, namun terkadang masih sering terjadi kesalahan dalam penginputan barang. Sehingga masih sering terjadi beberapa kesalahan jumlah pada ketersediaan barang yang ada dengan stok yang di komputer. Pencatatan logistik non medis perlu dilakukan secara lebih rinci dan tepat, sehingga permintaan dan pembelian barang logistik non medis lebih jelas secara prosedur. Dan perlu secara jelas bagaimana pencatatan pemakaian barang logistik dan intinya adalah bagaimana pengelolaan yang ditetapkan.

Rumah sakit adalah suatu organisasi yang dilakukan oleh tenaga medis profesional yang terorganisir baik dari sarana kedokteran yang permanen, pelayanan kedokteran, asuhan keperawatan yang berkesinambungan, diagnosis serta pengobatan penyakit yang diderita oleh pasien. [3] Rumah sakit merupakan salah satu sarana untuk memberikan pelayanan kesehatan kepada masyarakat, sehingga rumah sakit harus memberikan pelayanan kesehatan yang memuaskan agar pasien merasa senang untuk berobat dirumah sakit. Oleh karena itu, untuk menjaga kualitas pelayanan kesehatan maka pihak manajemen rumah sakit harus memenuhi standar pelayanan yang telah di tentukan sehingga setiap pasien akan mendapatkan kualitas pelayanan yang efisien dan efektif untuk peningkatan kesehatan (5) Pengadaan adalah semua kegiatan dan usaha untuk menambah dan memenuhi kebutuhan barang dan jasa berdasarkan peraturan yang berlaku dengan menciptakan sesuatu yang sebelumnya belum ada menjadi ada. Kegiatan ini termasuk dalam usaha untuk tetap mempertahankan sesuatu yang sudah ada dalam batas-batas efisiensi. [4]

Knowledge Discovery in Database atau biasa disebut KDD merupakan proses penggalian informasi dari sebuah basis data yang besar, yang di mana proses ini terdiri beberapa tahapan. [2]

Gambar 1. 1 Tahapan-tahapan KDD

Tujuan dari penelitian ini adalah depat mengetahui pengelompoan data stok barang yang tersedia dan menerapkan algoritma k-means pada

(3)

pengelompokan tersebut dengan hasil running menggunaan operator Davies Bouldin Index.

2. Metode Penelitian

Dalam pendekatan penelitian ini penulis menggunakan pendekatan kuantitatif karena penelitian ini penelitian yang menekankan analisisnya pada data numerical atau angka. Dan metode yang digunakannya adalah pengamatan, wawancara, dan studi pustaka. Dimana dalam melakukan peneltian penulis melakukan pengamatan terlebih dahulu terhadap situasi yang ada, lalu melakukan wawancara terhadap staf logistik mempertanyakan sesuai kebutuhan penelitian, dan studi pustaka yaitu dengan mencari data pendukung yang melakukan pencarian data dan informasi melalui doukumen tertulis maupun dokumen elekronik untuk pemelitian.

2.1 Tahapan Penelitian

Rangkaian prosedur yang dilakukan penuli, yang bertujuan untuk mendapatkan hasil yang sesuai dengan tujuan penelitian. Dijelaskan pada gambar 2.1 dibawah ini:

Gambar 2. 1 Tahapan Penelitian

Pada tahap awal yang dilakukan pada penelitian ini, untuk mencari apa yang akan dianalisa.

Pada tahap selanjutnya yaitu Data, Dalam tahap ini adalah tahap dimana data di dapatkan. Data diperoleh melalui data stok gudang di gudang non medis pada bulan agustus 2021 dengan jumlah total 736 data yang sudah di susun dalam laporan bulanan dalam bentuk file excel.

1. Analisa di tahap ini adanya proses tahapan yang dilakukan sesuai dengan konsep KDD dengan menggunakan RapidMiner. Pada penelitian ini penulis menggunakan metode clustering K-Means untuk mengkelompokan data stok gudang.

a. Selection

Pada proses ini, adalah menyeleksi atribut yang dipakai untuk proses selanjutnya. Hanya atribut yang relevan yang digunakan untuk dianalisis.

Pada tahap ini penulis tidak mengubah atribut yang dipakai, karena sudah sesuai kebutuhan.

b. Preprocessing

Tahap preprocessing ialah tahap pembersihan data dari missing value, nose, outlier, dan regresi. Data yang sudah di seleksi atributnya bisa saja bagiannya tidak lengkap bahkan ada yang hilang. Maka dari itu perlu adanya proses pembersihan atau biasa disebut dengan data cleaning.

c. Transformation

Di tahap transformasi yaitu mengubah tipe data yang masih berbentuk teks menjadi data numerik. Karena dalam penggunaan metode K-Means clustering yang digunakan penulis, bisa diolah dengan data dalam bentuk numerik. Sehingga data yang belum berbentuk numerik harus diubah terlebih dahulu. Pada tahap ini penulis menggunakan operator pada RapidMiner untuk mentransormasi data secara otomatis.

d. Data Mining

Ditahap ini dimasukannya metode data mining yang akan digunakan, dalam penelitian ini menggunakan K-Means.

e. Evaluasi

Ditahap terakhir yaitu evaluasi. Dimana hasil dari proses yang sudah dirunning mendapatkan berapa cluster. Setelah muncul hasilnya, ditranslasikan ke dalam bentuk kalimat, agar mudah dimengerti oleh orang lain.

3. Hasil dan Pembahasan

Hasil dari penelitian ini merupakan hasil dari proses yang sudah dijalankan sebelumnya sesuai dengan tahapan-tahapan yang sudah dijelaskan.

Dengan jumlah data stok sebanyak 736 data. Dapat dilihat pada tabel 3.1 dibawah ini:

Tabel 3. 1 Data Stok Barang Agustus

Sumber data stok barang bulan agustus 2021 RS.

Jantung Hasna Medika Cirebon

(4)

3.1 Prepocessing

Langkah awal dalam mengerjakan rapidminer adalah membuka aplikasi rapidminer. Setelah itu memasukan atau import file data yang akan di proses, dalam penelitian ini penulis menggunakan file excel dengan nama Data Stok Agustus 1.xlxs

Gambar 3. 1 Tahap Pemilihan dan Import File Yang Akan di Proses

Setelah selesai mengimport file yang akan diproses, tahap selanjutnya adalah pemilihan sheet yang akan di proses, jika data data tidak memiliki nama atribut, maka tidak perlu melakukan tindakan apa-apa di tahap ini. Setelah itu, klik Next

Gambar 3. 2 Tahap Pemilihan Sheet

Setelah tahap import data selesai, klik Finish. Tahap selanjutnya ialah Main Process. Pada tahap ini terlihat operator baru yang sudah berisi file Data Stok Agustus1.xlsx Yang sudah di import langsung dari file excel. Data tersebut siap dilakukan pengujian.

Gambar 3. 3 Tampilan Tempat Penyimpanan Data Pada RapidMiner

Setelah data siap, langkah selanjutnya adalah menambahkan data tersebut ke halaman kerja.

Dengan cara klik dan tahan, lalu tarik ke kahalaman kerja.

Gambar 3. 4 Tampilan data yang dimasukan ke area kerja RapidMiner

Langkah selanjutnya menambahkan operator

“Nominal to numerical” yaitu langkah pembersihan data melalui aplikasi RapidMiner secara otomatis.

Yaitu operator yang dapat mengubah tipe data yang non-numerik ke tipe data numerik. Di mana dalam data penulis masih menggunakan data yang non- numerik. Dengan mencarinya pada kolom Search For Operators.

Gambar 3. 5 Tampilan kolom Search for Operators pada aplikasi RapidMiner

(5)

Gambar 3. 6 Penambahan Operator Nominal to Numerical Lalu langkah selanjutnya adalah menambahkan operator K-Means dengan cara mengetik “K-Means”

pada kolom “Search For Operator”, klik dan tahan kemudian tarik ke Process untuk melakukan pengaturan algoritma K-Means, yang di atur pada menu Parametere Clustering K-Means.

Gambar 3. 7 Penambahan operator K-Means

Gambar 3. 8 Tampilan setelah dimasukannya data yang sudah dipilih dan operator yang dipilih untuk digunakan Tahap berikutnya yaitu melakukan pengaturan algoritma K-Means, yang diatur pada menu Parametere Clustering K-Means, seperti yang terlihat pada gambar

Gambar 3. 9 Tampilan menu Parameters Clustering K-Means pada aplikasi RapidMiner

Pada gambar di atas yaitu melakukan pengaturan nilai pada k, yaitu di mana nilai k merupakan nilai yang digunakan untuk menentukan jumlah cluster yang akan di bentuk. Di penelitian kali ini penulis mencoba menggunakan dari 2 sampai 10 cluster. Guna mencari nilai terbaik untuk ditindak lanjuti.

Langkah selanjutnya adalah menambahkan operator pada Cluster Distance Performance dengan cara mengetik “Cluster Distance Performance” pada kolom “Search For Operator”, klik dan tahan kemudian tarik ke Process.

Gambar 3. 10 Menambahkan operator Cluster Distance Performance

Tahap selanjutnya adalah mengubah menu Parameters menjadi Davies bouldin. Di mana davies bouldin merupakan metric untuk mengevaluasi hasil algoritma yang diperkenalkan oleh David L. Davies dan Donald W. Bouldin pada tahun 1979. [5] dan nilai purity yang makin mendekati 1 menandakan makin baik cluster yang diperoleh.

(6)

Gambar 3. 11 Mengubah menu Paramenters Performances menjadi Davies Bouldin

Tahap berikutnya adalah hubungkan data dengan Nominal to Numerical dan Clustering K-Means dan Cluster Performance Distance untuk mengetahui output kearah result. Lalu klik tombol Play atau Run

Gambar 3. 12 Tampilan data dan operator yang sudah dihubungkan

Berikut hasil percobaan pencarian dari nilai k. Di mana penulis mencoba mencari dari 2 cluster hingga 10 cluster. Berikut gambar hasilnya:

1. Pencarian dengan 2 cluster

Gambar 3. 13 Hasil dari pencarian dengan nilai k 2 2. Pencarian dengan 3 cluster

Gambar 3. 14 Hasil pencarian dengan nilai k 3

Gambar 3. 15 Hasil pencarian dengan nilai k 4 4. Pencarian dengan 5 cluster

(7)

Di tahap ini ada 3 proses yang dilakukan, yaitu:

1. Retrieve data test

Pada tahap ini dilakukannya proses operasi penginputan dataset berupa file yang berekstensi .xlxs data stok barang agustus 1

2. Clustering

Di tahap ini dilakukannya proses operasi clustering sebagai algoritma yang dilakukan pada penelitian ini. Dalam penelitian kali ini menggunakan algoritma K-Means

3. Performance

Pada tahap ini dilakukanya proses operasi pencarian algoritma K-Means dengan Davies Bouldin Index. Dan yang penulis ambil hasilnya ialah hasil dari Davies Bouldin.

3.2 Hasil

Setelah penulis melakukan ujicoba dari 2 cluster hingga 10 cluster, didapatkan hasil yang mendekati 1.

Dengan hasil dari Davies Bouldin yang bisa dilihat pada tabel 3.2

Tabel 3. 2 Hasil ujicoba 2 cluster sampai 10 cluster dengan menggunakan operator Davies Bouldin

Dari tabel 3.2 tersebut dapat kita lihat di mana dalam cluster K-Means angka yang mendekati 1 dinilai dari hasil running yang terbaik nilainya adalah -0,524 yang terdapat dalam pencarian dengan nilai k nya adalah 5. Dan setelah di running dengan menjalani 3 proses yang sudah dilakukan sebelumnya, maka terdapat output hasil dalam pengujian oleh RapidMiner yaitu sebagai berikut:

1. ExampleSet

Pada hasil ExampleSet dapat dilihat beberapa tampilan cluster, yaitu DataView. DataView merupakan hasil dari cluster data secara keseluruhan sesuai dengan data yang telah di inputkan.

Gambar 3. 22 Tampilan ExampleSet Data View 2. PerformanceVector

Seperti yang terlihat pada gambar 4.26 dalam tahap ini memperlihatkan hasil dari pengelompokan data dengan bentuk grafik titik dalam tiga warna untuk setiap cluster. Seperti yang terlihat pada gambar 4.26 dalam tahap ini memperlihatkan hasil dari pengelompokan data dengan bentuk grafik titik dalam tiga warna untuk setiap cluster. Warna biru mengartikan Cluster_0, warna hijau mengartikan untuk Cluster_3, warna orange mengartikan untuk Cluster_1, warna hitam mengartikan untuk Cluster_2, warna ungu mengartikan untuk Cluster_4.

(8)

Gambar 3. 23 Tampilan Scatter

Dengan menggunakan metode K-Means Clustering seperti yang terlihat pada gambar 3.24

Gambar 3. 24 Hasil Cluster Model K-Means Seperti pada gambar 3.24 di tahapan ini ditampilkan nilai titik pusat pada setiap cluster. Nilai tersebut akan menjadi acuan perhitungan pada setiap dataset dengan mengukur nilai pada masing-masing titik pusat cluster. Dari hasil centroid dapat diperoleh hasil:

1. Cluster_0 memiliki 726 item 2. Cluster_1 memiliki 2 item 3. Cluster_2 memiliki 1 item 4. Cluster_3 memiliki 2 item 5. Cluster_4 memiliki 5 item

Semakin mendekati 1 nilai Davies Bouldin Index maka makin baik cluster yang diperoleh dari pengelompokan menggunakan metode clustering.

Hasil perhitungan menggunakan algoritma K-Means menunjukkan nilai -0,524 dengan menggunakan nilai 5 sebagai nilai k.

Gambar 3. 25 Hasil nilai Davies Bouldin

Setelah melakukan pengujian dan pengelompokan yang dilakukan secara manual dan juga pengujian RapidMiner maka dapat disimpulkan bahwa pengelompokan data stok barang agustus 1 dengan

jumlah data sebanyak 736 buah dengan menggunakan algoritma k-means mendapatkan nilai purity 5 dengan hasil running -0,524. Dengan hasil pengelompokan Cluster_0 memiliki 726 item, Cluster_1 memiliki 2 item, Cluster_2 memiliki 1 item, Cluster_3 memiliki 2 item, dan Cluster_4 memiliki 5 item.

4. Kesimpulan

Setelah dilakukannya semua tahapan dan proses penelitian pada BAB sebelumnya dengan adanya penelitian Clustering Algoritma K-Means Pengadaan Barang Non Medis di Rumah Sakit Jantung Hasna Medika Cirebon maka dari penelitian tersebut mendapatkan kesimpulan, yang pertama dengan menggunakan aplikasi rapidminer untuk menentukan jumlah cluster cukup akurat. Yang kedua, menggunakan metode clustering k-means dapat mengkelompokan data stok barang pada bulan agustus 2021 dari 736 data yang tersedia dengan melakukan percobaan yang dilakukan menggunakan k2 sampai dengan k10 dan cluster yang puritynya mendekati nilai 1 adalah 5 cluster atau pada cluster ke 5. Dan yang ketiga, cluster yang didapatkan pada Cluster_0 memiliki 89 item, Cluster_1 memiliki 131 item, Cluster_2 memiliki 95 item, Cluster_3 memiliki 273 item, Cluster_4 memiliki 148 item. Dan kesimpulan yang keempat ialah Hasil dari running pada operator Davies Bouldin Index ialah senilai - 0,524 yang puritynya mendekati nilai 1.

Daftar Rujukan

[1] P.-N. Tan, M. Steinbach, and V. Kumar, Introduction To Data Mining, Second Edi., vol. 2, no. 1. New York: Pearson Education, Inc, 2006.

[2] Kusrini and L. E. Taufiq, Algoritma Data Mining. Yogyakarta, Indonesia: Andi - Amikom Yogyakarta, 2009.

[3] G. Amstrong, P. Kotler, L. C. Harris, and N.

Piercy, Principles of Marketing, 16th ed.

United Kingdom, 1996.

[4] Y. Kalasuat, W. Hariyono, and Rosyidah,

“SISTEM PENGELOLAAN LOGITIK BARANG NON MEDIS DI RUMAH SAKIT PANTI NUGROHO KABUPATEN SLEMAN,” vol. 1, no. 1, pp. 1–14, 2010.

[5] F. Irhamni, F. Damayanti, B. Khusnul K, and M. A, “Optimalisasi Pengelompokan Kecamatan Berdasarkan Indikator Pendidikan Menggunakan Metode Clustering dan Davies Bouldin Index,” Semin. Nas. dan Teknol. UMJ, no. 11, pp. 1–5, 2014.

(9)

[6] Subandi H. Augmented Reality dalam Mendeteksi Produk Rotan menggunakan Metode Multimedia Development Life Cycle ( MDLC ). 2021;6(2):135–41.

[7] Nurdin, Azhar R, Abdullah D, Erliana CI, Nurdiawan O, Dikananda AR, et al. The Implementation of Backtracking Algorithm on Crossword Puzzle Games Based on Android. J Phys Conf Ser. 2019;1363(1).

[8] Rohmat CL, Anwar S, Dikananda AR, Ali I, Rizki AR. Election model classifications of problem-based learning using a machine learning technique. IOP Conf Ser Mater Sci Eng. 2021;1088(1):012030.

[9] Nurdiawan O. Penerapan Algoritma Support Vector Machine xalam mengukur Kepuasan Pembelajaran Hybrid Learning.

2021;6(2):130–4.

[10] Nurdiawan O, Kurnia DA, Solihudin D, Hartati T, Suprapti T. Comparison of the K- Nearest Neighbor algorithm and the decision tree on moisture classification. IOP Conf Ser Mater Sci Eng. 2021;1088(1):012031.

[11] Nurdiawan O, Pratama FA, Kurnia DA, Kaslani, Rahaningsih N. Optimization of Traveling Salesman Problem on Scheduling Tour Packages using Genetic Algorithms. J Phys Conf Ser. 2020;1477(5).