40
ANALISA POLA SISTEM PENGADAAN ALAT KESEHATAN DENGAN
ALGORITMA FP-GROWTH
(STUDI KASUS DINAS KESEHATAN KOTA MEDAN)
Zulham
1, Ulya Ilhami Arsyah
21Manajemen Informatika, Universitas Dharmawangsa
2Manajemen Informatika, AMIK Royal
e-mail: [email protected], [email protected]
Abstrak
Perkembangan dunia teknologi saat ini menuntut peneliti untuk menemukan strategi pengadaan yang efesien dan efektif. Adapun strategi tersebut dilakukan untuk meningkatkan keakuratan dalam proses pengadaannya yaitu Data Mining. Tehnik yang digunakan dalam strategi ini adalah Algoritma FP-Growth. FP-Gowth adalah tehnik yang dapat menentukan himpunan data yang paling sering muncul (Frequent Itemset) dalam sekumpulan data. FP-Growth merupakan pengembangan dari tehnik Apriori yang mana menggunakan konsep pembangunan tree dalam mencari Frequent Itemset. Penelitian ini mengamati beberapa variabel, yaitu, Nomor Pengadaan, Periode, Nama Alat Kesehatan, Kategori, Jumlah, Satuan. Hasil penelitian ini nantinya dapat digunakan untuk keperluan institusi dalam proses pengadaan. Disamping itu dihasilkan perangkat lunak untuk menunjang kinerja institusi tersebut sehingga hasil bisa lebih efektif.
Kata Kunci : Data Mining, Association Rules, Frequent Itemset, FP-Growth.
1. PENDAHULUAN
Perkembangan teknologi saat ini yang semakin maju dalam segala bidang menuntut manusia untuk menemukan suatu strategi yang dapat meningkatkan kinerja dan kualitas dalam hal apapun. Di suatu pemerintahan yang banyak bersentuhan langsung dengan masyarakat dituntut untuk bisa bekerja lebih efesien agar hasil yang diraih bisa langsung dirasakan oleh masyarakatnya.
Saat ini Dinas Kesehatan Kota Medan yang merupakan pusat distribusi kebutuhan alat-alat kesehatan yang dibutuhkan oleh seluruh Puskesmas (Pusat Kesehatan Masyarakat) yang berada di wilayah tersebut. Untuk itu pendistribusian dan pengadaan alat-alat kesehatan itu sangat berpengaruh kepada pelayanan asyarakat sehingga hasil yang diraih bisa maksimal sesuai dengan harapan masyarakat. Untuk memaksimalkan pengadaan alat-alat kesehatan tersebut agar tidak terjadi kekurangan memenuhi kebutuhan perlu diadakan analisa sehingga permasalahan tersebut tidak terjadi.
Analisa pengadaan alat-alat kesehatan ini menggunakan Algoritma FP-Growth, dimana memiliki kemampuan menambang frequent Pattern (pola yang sering muncul dalam kumpulan data) dengan efesien. Berdasarkan latar belakang di atas maka dilakukanlah penelitian dengan judul
“Analisa Pola Sistem Pengadaan Alat-alat Kesehatan Dengan Algoritma FP-Growth (Studi
Kasus Dinas Kesehatan Kota Medan)”.
2. KAJIAN LITERATUR DAN
PEGEMBANGAN HIPOTESIS
2.1 Knowledge Discovery in Database (KDD)
Fayyad dan Dunham dalam (Azhari & Anshori, 2009) mengatakan Knowledge Discovery in Databases (KDD) untuk menunjuk pada keseluruhan proses pencarian pengetahuan dalam kumpulan data jumlah besar.
2.2 Data Mining
Menurut Turban dalam (Gunadi dan Sensuse, 2012) Data Mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam basis data. Data Mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai basis data besar. Menurut Azhari & Anshori, (2009) Data Mining adalah eksplorasi dan analisis terhadap sejumlah data dengan tujuan untuk menemukan pola dan aturan yang sangat penting.
Menurut Siregar, (2014) Data Mining merupakan suatu proses pendukung pengambil keputusan dimana kita mencari pola informasi dalam data.
2.3 Association Rules
41
2.4 Algoritma FP-Growth
Gunadi (2012) mengatakan FP-Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data.
Menurut Ruldeviani, et al (2008) Algoritma FP-Growth merepresentasikan transaksi dengan menggunakan struktur data FP-Tree.
Melaini, (2015) Algoritma FP-Growth merupakan pengembangann 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 Itemset dari FP-Tree.
Penggalian itemset yang frequent dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan Tree. Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai:
1. Tahap pembangkitan conditional pattern base, 2. Tahap pembangkitan conditional FP-Tree, dan 3. Tahap pencarian frequent itemset (Meilani, et al 2015).
2.4.1 FP-Tree
Menurut Melaini, (2015) FP-Tree merupakan struktur penyimpanan data yang dimanfaatkan. FP-Tree dibangun dengan memetakan setiap data transaksi ke dalam setiap lintasan tertentu dalam FP-Tree. Karena dalam setiap transaksi yang dipetakan, mungkin ada transaksi yang memiliki item yang sama, maka lintasannya memungkinkan untuk saling menimpa. Semakin banyak data transaksi yang memiliki item yang sama, maka proses pemampatan dengan struktur data FP-Tree semakin efektif.
Adapun FP- Tree adalah sebuah pohon dengan definisi sebagai berikut:
1. FP-Tree dibentuk oleh sebuah akar yang diberi label null, sekumpulan sub-tree yang beranggotakan item-item tertentu, dan sebuah tabel frequent header.
2. Setiap simpul dalam FP-Tree mengandung tiga informasi penting, yaitu label item, menginformasikan jenis item yang direpresentasikan simpul tersebut, support count, merepresentasikan jumlah lintasan transaksi yang melalui simpul tersebut, dan pointer penghubung yang menghubungkan simpul-simpul dengan label item sama antar-lintasan, ditandai dengan garis panah putus-putus.
Gambar 2.4.1 Contoh FP-Tree dan Tabel Header
1. METODOLOGI PENELITIAN
Sebelum melakukan penelitian diperlukan suatu metode ilmiah atau kaidah- kaidah yang sesuai dan telah ditetapkan. Hal ini bertujuan agar hasil yang diperoleh dari penelitian tersebut mendapatkan hasil yang maksimal. Metodologi penelitian ini memuat tentang kerangka kerja penelitian yang akan dijalankan.
Adapun metodologi penelitian ini akan digunakan untuk mengidentifikasi permasalahan yang ditemukan, kemudian membuat analisa dari permasalahan tersebut sehingga akan mendapatkan solusi terbaik dari masalah ataupun penyelesaian masalah. Dalam penelitian ini diperlukan suatu penyelesaian permasalahan dalam melakukan pengadaan alat – alat kesehatan yang nantinya akan didistribusikan ke Puskesmas yang ada di Kota Medan, sehingga pendistribusian alat – alat kesehatan tersebut bisa lebih efektif dan tepat sasaran dibandingkan dari sebelum - sebelumnya.
3.1 KERANGKA KERJA
Dalam metodologi penelitian ada urutan kerangka kerja yang harus diikuti, urutan kerangka kerja ini adalah gambaran dari langkah–langkah yang harus dilalui agar penelitian ini bisa berjalan dengan baik serta sesuai yang diharapkan. Kerangka kerja yang harus
diikuti bisa dilihat pada gambar 3.1.
42 Berdasarkan Gambar 3.1 di atas dijabarkan
urutan kerangka kerja sebagai berikut : 1. Mengidentifikasi dan Merumuskan Masalah.
Sebagaimana halnya dalam metode ilmiah, pada penelitian ilmiah juga harus berangkat dari adanya permasalahan yang ingin pecahkan. Sebelum melaksanakan penelitian ilmiah perlu dilakukan identifikasi masalah. Proses identifikasi masalah penting dilakukan agar rumusan masalah menjadi tajam dan sebagai bentuk data awal bahwa dalam penelitian ilmiah tersebut memang dibutuhkan pemecahan masalah melalui penelitian. Identifikasi masalah dirumuskan bersesuaian sebagaimana latar belakang masalah, berdasarkan fakta dan data yang ada di lapangan. Identifikasi masalah pada umumnya dirumuskan dalam bentuk kalimat deklaratif, sementara rumusan masalah ditulis dalam bentuk kalimat tanya (berbentuk pertanyaan).
2. Melakukan Studi Pendahuluan.
Di dalam penelitian ilmiah, perlu dilakukan sebuah studi pendahuluan. Peneliti dapat melakukannya dengan menelusuri dan memahami kajian pustaka untuk bahan penyusun landasan teori yang dibutuhkan untuk menyusun hipotesis maupun pembahasan hasil penelitian nantinya. Sebuah penelitian dikatakan bagus apabila didasarkan pada landasan teori yang kukuh dan relevan. Banyak teori yang bersesuaian dengan penelitian, namun ternyata kurang relevan. Oleh karenanya, perlu dilakukan usaha memilah-milah teori yang sesuai. Selain itu studi pendahuluan yang dilakukan peneliti melalui pengkajian kepustakaan akan dapat membuat penelitian lebih fokus pada masalah yang diteliti sehingga dapat memudahkan penentuan data apa yang nantinya akan dibutuhkan
3. Merumuskan Hipotesis.
Hipotesis perlu dirumuskan dalam sebuah penelitian ilmiah, lebih-lebih penelitian kuantitatif. Dengan menyatakan hipotesis, maka penelitian ilmiah yang dilakukan peneliti akan lebih fokus terhadap masalah yang diangkat. Selain itu dengan rumusan hipotesis, seorang peneliti tidak perlu lagi direpotkan dengan data-data yang seharusnya tidak dibutuhkannya, karena data yang diambilnya melalui instrumen penelitian hanyalah data-data yang berkaitan langsung dengan hipotesis. 4. Mengidentifikasi Variabel dan Definisi
Operasional Variabel.
Sebuah variabel dalam penelitian ilmiah adalah fenomena yang akan atau tidak akan terjadi sebagai akibat adanya fenomena lain. Variabel penelitian sangat perlu ditentukan agar masalah yang diangkat dalam sebuah penelitian ilmiah menjadi jelas dan terukur.
5. Menentukan Rancangan atau Desain Penelitian.
Rancangan penelitian sering pula disebut sebagai desain penelitian. Rancangan penelitian
merupakan prosedur atau langkah-langkah aplikatif penelitian yang berguna sebagai pedoman dalam melaksanakan penelitian ilmiah bagi si peneliti yang bersangkutan.
6. Menentukan dan Mengembangkan Instrumen Penelitian.
Apakah yang dimaksud dengan instrumen penelitian? Instrumen penelitian merupakan alat yang digunakan oleh peneliti untuk mengumpulkan data yang dibutuhkannya. Beragam alat dan teknik pengumpulan data yang dapat dipilih sesuai dengan tujuan dan jenis penelitian ilmiah yang dilakukan. Setiap bentuk dan jenis instrumen penelitian memiliki kelebihan dan kelemahannya masing-masing.
7. Menentukan Subjek Penelitian.
Orang yang terlibat dalam penelitian ilmiah dan berperan sebagai sumber data disebut subjek penelitian. Seringkali subjek penelitian berkaitan dengan populasi dan sampel penelitian. Apabila penelitian ilmiah yang dilakukan menggunakan sampel penelitian dalam sebuah populasi penelitian, maka peneliti harus berhati-hati dalam menentukannya. Hal ini dikarenakan, penelitian yang menggunakan sampel sebagai subjek penelitian akan menyimpulkan hasil penelitian yang berlaku umum terhadap seluruh populasi, walaupun data yang diambil hanya merupakan sampel yang jumlah jauh lebih kecil dari populasi penelitian.
8. Melakukan Analisis Data.
Beragam data yang terkumpul saat peneliti melaksanakan penelitian ilmiahnya tidak akan mempunyai kana apapun sebelum dilakukan analisis. Ada beragam alat yang dapat digunakan untuk melakukan analisis data, bergantung pada jenis data itu sendiri. Bila penelitian ilmiah yang dilakukan bersifat kuantitatif, maka jenis data akan bersifat kuantitatif juga. Bila penelitian bersifat kualitatif, maka data yang diperoleh akan bersifat kualitatif dan selanjutnya perlu diolah menjadi data kuantitatif. Untuk itu perlu digunakan statistik dalam pengolahan dan analisis data.
9. Implementasi Penelitian.
Pada tahap ini, hasil penelitian akan diimplementasikan sehingga hasil tersebut bisa diuji untuk diketahui apakah hasil sudah sesuai dengan apa yang diharapkan.
10. Pengujian Hasil.
Pada tahap ini, rule diuji kembali atau diuji lagi menggunakan sistem data mining yang sudah ada. Tools yang digunakan sebagai pengujian sistem adalah Rapidminer.
4. HASIL DAN PEMBAHASAN
4.1 Analisa Data
43 dengan memetakan setiap data transaksi ke dalam
setiap lintasan tertentu dalam FP-Tree. Algoritma FP-growth dapat langsung mengekstrak frequent Itemset dari dengan menggunakan FP-Tree. Penggalian data berupa frequent itemset dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan struktur data tree atau disebut dengan Tree. Metode FP-Growth dapat dibagi menjadi 3 tahapan utama yaitu sebagai :
1. Tahap pembangkitan conditional pattern base, 2. Tahap pembangkitan conditional FP-Tree, dan 3. Tahap pencarian frequent itemset.
Ketiga tahap tersebut merupakan langkah yang akan dilakukan untuk mendapat frequent itemset. Gunadi dan Sensuse (2014).
Input : FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent Methode : FP-Growth (Tree, null)
Procedure : FP-Growth (Tree, α) {
01: if Tree mengandung single path P;
02: then untuk tiap kombinasi (dinotasikan β) dari
node-node dalam path do
03: bangkitkan pola β α dengan support dari node
-node dalam path do β;
04: else untuk tiap a1 dalam header dari tree do }
05: bangkitkan pola
06: bangun β = a1 α dengan support = a1 support
07: if Tree β =
4.2 Penerapan Data Mining
Data Mining dapat dilakukan dengan banyak penerapan. Disamping itu penerapan tersebut dikombinasikan dengan beberapa bidang ilmu seperti seperti artificial intelligence, database, statistic, pemodelan matematika, pengolahan citra, dan sebagainya. Sehingga dengan kombinasi tersebut penerapan data mining menjadi semakin luas, salah satunya dalam hal pengadaan di dalam institusi Pemerintahan.
4.2.1 Pemilihan Variabel
Data sampel yang diuji dalam penelitian ini sebanyak 1 periode data pengadaaan alat-alat kesehatan di Dinas Kesehatan Kota Medan, format seperti berikut :
1. Nomor Pengadaan 2. Periode
3. Nama Alat Kesehatan 4. Kategori
5. Jumlah 6. Satuan
Adapun yang di ambil sebagai variabel dalam asosiasi adalah mengenai Nomor Pengadaan, Nama Alat Kesehatan, Kategori, Jumlah, Satuan dan empat variabel ini nantinya akan dijadikan dasar untuk membentuk algoritma FP-Growth dibagi menjadi tiga langkah utama, tetapi dilakukan terlebih dahulu pembentukan pohon dengan menggunakan algoritma FP-Tree.
Frequent Patern Tree (FP-Tree) adalah
representasi pemasukan data yang dipadatkan.
Tabel 4.1 Kode Inisial Alat-Alat Kesehatan
Pada tabel 4.1 Alat-alat kesehatan diberikan inisial sehingga menjadi keterangan dalam penyusunan frequent itemset.
Tabel 4.2 Pengadaan Alat-Alat Kesehatan Periode Januari 2015
Berdasarkan data pengadaan alat kesehatan tersebut setiap transaksi terdiri dari beberapa item alat kesehatan, dengan data tersebut dapat langsung dipergunakan untuk melakukan perhitungan frequent item. Untuk mendapatkan frekuensi kemunculan dari tiap item yang akan diuji dalam penelitian ini. Berdasarkan Transaksi pengadaan alat kesehatan yang terdapat pada tabel 4.2 akan diberikan simbol pada setiap itemset guna mempermudah proses pembacaan itemset.
44 Untuk menentukan minimum frequency
itemsetnya peneliti menetapkan 35%. Oleh sebab itu minimum support dalam penelitian ini 35%, Jadi frequency yang paling sering muncul diambil diatas nilai frequency itemset minimum 35% yaitu : items A, B, O, H, I, J, dan K. Jadi selain 7 item yang dicari dengan menentukan minimum support tersebut tidak digunakan untuk membangun FP-Tree. Items inilah yang akan berpengaruh dan akan dimasukkan ke dalam FP-tree, selebihnya dari tujuh variable tersebut dapat dibuang karena tidak berpengaruh signifikan.
Selanjutnya dilakukan penyaringan data terhadap data sampel yang digunakan. Penyaringan dilakukan dengan membuang itemset selain dari itemset yang terpilih.
Tabel 4.4 Frekuensi Dari Setiap Transaksi Menggunakan Itemset Terpilih.
Maka langkah selanjutnya adalah membentuk pohon FP-Tree dengan melihat tabel 4.4. Gambar di bawah ini memberikan ilustrasi mengenai pembentukan FP-tree setelah pembacaan TID pada tabel 4.4.
Gambar 4.1: Hasil Pembentukan FP-tree
Setelah Pembacaan TID 1
Gambar 4.1 Pembentukan FP-Tree setelah pembacaan didapat setelah melakukan TID 1, Yaitu berisi : NULL - A (Stetoskop Dewasa) =1 - B (Stetoskop Anak) = 1 - O (Viewer X-Ray Double) = 1 - H (Timbangan Dewasa) = 1 - K (Lampu Periksa/Examination Light 15 Klux Mobile) = 1.
Gambar 4.2 : Hasil Pembentukan FP-tree
Setelah Pembacaan TID 39
Gambar 4.2 didapat setelah melakukan TID 39,Yaitu: NULL - O (Viewer X-Ray Double) = 20
– H (Timbangan Dewasa) = 11.
Tabel 4.5 Daftar Frequent Itemset Diurutkan Berdasarkan Hubungan Akhiran
Setelah mendapat suffix maka selanjutnya menghitung nilai minimum support count dari itemset tersebut.
Tabel 4.6 Itemset Terpilih Dengan nilai
Minimum Support
Setelah menghitung nilai support count maka confidencenya juga harus dihitung, adapun rumus untuk mencari nilai confidence.
Adapun rumus untuk mencari nilai confidence adalah :
45 minimum confidence dapat dikatakan sebagai
valid association rule. Dari hasil minimum support di atas yang terpilih maka langkah selanjutnya menentukan nilai confidence. Adapun nilai minimum confidence pada penelitian ini ditetapkan 50%.
Tabel 4.7 Itemset Minimal Support Terpilih Dengan nilai Confidence
Selanjutnya dengan nilai minimum confidence ≥ 50%, maka aturan asosiasi yang terbentuk adalah sebagai berikut:
Tabel 4.8 Aturan Asosiasi (Association Rule)
Dari tahap-tahap yang telah dilakukan di atas, maka item yang memenuhi Support x Confidence terbesar dan minimum confidence = 50% pada Tabel 4.12, sehingga berdasarkan aturan asosiasi yang terbentuk maka dapat diambil kesimpulan sebagai berikut:
Rule 1 : Jika membeli Alkes Steteskop Dewasa (A), maka akan membeli Alkes Stetoskop Anak (B) dengan support 56% dan confidence 84%. Rule 2 : Jika membeli Alkes Steteskop Anak (B), maka akan membeli Alkes Stetoskop Dewasa (A) dengan support 56% dan confidence 88%. Rule 3 : Jika membeli Alkes Stetoskop Dewasa (A), maka akan membeli Alkes Viewer X-Ray Double (O) dengan support 33% dan confidence 50%.
Rule 4 : Jika membeli Alkes Steteskop Anak (B), maka akan membeli Alkes Viewer X-Ray Double (O) dengan support 35% dan confidence 56%. Rule 5 : Jika membeli Alkes Kaca Pembesar (J), maka akan membeli Alkes Stetoskop Dewasa (A) dengan support 30% dan confidence 80%. Rule 6 : Jika membeli Alkes Viewer X-Ray Double (O), maka akan membeli Alkes Stetoskop Dewasa (A) dengan support 33% dan confidence 61%. Rule 7 : Jika membeli Alkes Viewer X-Ray Double (O), maka akan membeli Alkes Stetoskop Anak (B) dengan support 35% dan confidence 66%.
Rule 8 : Jika membeli Alkes Steteskop Dewasa (A) danAlkes Stetoskop Anak (B), maka akan diikuti dengan membeli Alkes Viewer X-Ray Double (O) dengan support 30% dan confidence 54%.
Rule 9 : Jika membeli Alkes Stetoskop Dewasa (A) dan Alkes Viewer X-Ray Double (O), maka akan diikuti membeli Alkes Stetoskop Anak (B) dengan support 30% dan confidence 92%. Rule 10 : Jika membeli Alkes Steteskop Anak (B) dan Alkes Viewer X-Ray Double (O), maka akan membeli Alkes Stetoskop Dewasa (A) dengan support 30% dan confidence 85%.
Rule 11 : Jika membeli Alkes Viewer X-Ray Double (O), maka akan membeli Alkes Stetoskop Dewasa (A) dan Alkes Steteskop Anak (B) dengan support 30% dan confidence 57%.
5. KESIMPULAN
Dari hasil pembahasan tersebut bahwasannya algoritma FP-Growth dapat menentukan hubungan antara 1 item alat kesehatan dengan alat kesehatan yang lain (Rule Association). Hal ini sangat membantu institusi untuk bisa bekerja lebih efektif dan efesien.
Disamping itu hasil yang diperoleh dari penelitian ini bisa dijadikan sampel untuk institusi lain sehingga ke depannya setiap pembelian dapat disesuaikan dengan hasil di algoritma FP-Growth.
6. REFERENSI
Gunadi & Sensuse (2012), Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Metode Algoritma Apriori dan Frequent Pattern Growth (FP-Growth). Vol .4, No.1.
Azhari & Anshori (2009), Pendekatan Aturan Asosiasi Untuk Analisis Pergerakan Saham, ISSN: 1979-2328.
Meilani & Azinar (2015), Penentuan Pola Yang Sering Muncul Untuk Penerima Kartu Jaminan Kesehatan Masyarakat (Jamkesmas) Menggunakan Metode FP-Growth, ISSN: 2089-1121.
Hermawati (2009), Dalam Buku “Data Mining”.
Triyanto (2014), Association Rule Mining Untuk Penentuan Rekomendasi Promosi Produk, Vol 5 No 2.
Siregar (2014), Implementasi Data Mining Pada Penjualan Tiket Pesawat Menggunakan Algoritma Apriori, Vol VII, Nomor :1.
