1
MENENTUKAN POLA KOMBINASI OBAT MENGGUNAKAN ALGORITMA CT-PRO DI APOTEK RUMAH SAKIT UNIVERSITAS RIAU BERBASIS WEB
Chindy Ariana Putri, Sukamto
Mahasiswa 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
This study aims to find patterns of drug combinations that are often bought together. One way to solve this problem is the Association rule method using the CT-Pro algorithm.
This algorithm is a market basket analysis algorithm which is one of the techniques of data mining to study the habitual behavior of consumers in buying products simultaneously. The research method applied consists of data collection. The data used are drug purchase transaction data at the University of Riau Hospital Pharmacy, then system analysis, system design, system implementation, and finally system testing. Based on the results of this study, a combination pattern of purchasing drugs that are sold at the same time is obtained as a reference in increasing drug stocks.
Keywords: Data Mining, Association Rule, CT-Pro
ABSTRAK
Penelitian ini bertujuan untuk menemukan pola kombinasi obat yang sering dibeli bersamaan. Salah satu cara untuk memecahkan permasalahan ini dengan metode Association rule dengan menggunakan algoritma CT-Pro. Algoritma ini adalah algoritma market basket analysis yang merupakan salah satu teknik dari data mining untuk mempelajari perilaku kebiasaan konsumen dalam membeli produk secara bersamaan.
Metode penelitian yang diterapkan terdiri dari dari pengumpulan data. Data yang digunakan adalah data transaksi pembelian obat pada Apotek Rumah Sakit Universitas Riau, selanjutnya analisa sistem, perancangan sistem, implementasi sistem, dan terakhir adalah pengujian sistem. Berdasarkan hasil penelitian ini didapat pola kombinasi pembelian obat yang banyak terjual secara bersamaan untuk menjadi acuan dalam menambah stok obat.
Kata Kunci : Data Mining, Association Rule, CT-Pro
2
PENDAHULUAN
Kebutuhan obat adalah salah satu kebutuhan yang penting pada Rumah Sakit Universitas Riau. Adanya transaksi pembelian obat yang dilakukan setiap hari oleh pasien akan menghasilkan data yang begitu banyak. Data yang dihasilkan dari transaksi tersebut akan menghasilkan informasi yang berguna untuk menentukan pola kombinasi resep obat yang paling banyak terjual secara bersamaan.
Untuk mengolah data transaksi pembelian obat tersebut diperlukan suatu metode data mining untuk menentukan pola kombinasi resep obat yang banyak terjual secara bersamaan. Data mining adalah sebuah proses pencarian informasi secara otomatis dalam penyimpanan data berukuran besar (Rachman dan Adam, 2017). Salah satu metode yang digunakan dalam teknologi data mining adalah metode Association Rule.
Penelitian ini akan menerapkan algoritma Compact Tree-Apriori (CT-Pro) , yaitu algoritma dalam Association Rule untuk mengetahui pola pembelian transaksi obat pada apotek Rumah Sakit Universitas Riau.
TINJAUAN PUSTAKA a. Data Mining
Data mining merupakan suatu teknik menggali informasi berharga yang terpendam atau tersembunyi pada suatu koleksi data (database) yang sangat besar sehingga ditemukan suatu pola yang sebelumnya tidak diketahui (Febrian, dkk, 2018). Data mining sering disebut juga dengan Knowledge Discovery In Database (KDD). KDD adalah kegiatan yang meliputi pengumpulan data historis untuk menemukan keteraturan, pola atau hubungan dalam dataset berukuran besar (Santosa, 2007:25).
b. Association Rule
Association Rule adalah teknik data mining untuk menemukan aturan assosiatif atau pola kombinasi dari suatu item (Manela, 2016). Analisis asosiasi berguna untuk menemukan hubungan penting yang tersembunyi diantara dataset yang besar. Untuk mencari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung jarak confidence aturan assosiasif A B dari support pola frekuensi tinggi A dan B menggunakan rumus :
Confidence (A B) = P(A|B)
=𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 …...………(1) c. Algoritma CT-PRO
Algoritma ini menggunakan Compressed FP-Tree (CFP-Tree) dimana informasi dari sebuah FP-Tree diringkas dengan struktur yang lebih kecil atau ringan (Nurlaili, dkk, 2014).
Langkah-langkah algoritma CT-Pro adalah sebagai berikut (Manela, 2016):
1. Menemukan item-item yang sering muncul, pada langkah ini terjadi proses sebagai berikut :
a. Melakukan penelusuran pada dataset yang ada
3
b. Kemudian masing-masing data diseleksi berdasarkan nilai minimum support count yang telah ditentukan, untuk menentukan minimum support count bisa menggunakan rumus berikut (Abdullah, 2018) :
Minimum support count = asumsi minimum support x jumlah transaksi...(2).
2. Membuat Struktur CFP-Tree
3. Melakukan mining frequent patterns
HASIL DAN PEMBAHASAN a. Pengumpulan Data
Pengumpulan data diperoleh dari tim farmasi Rumah Sakit Universitas Riau.
Data yang didapat adalah data transaksi obat keluar pada tanggal 19 Mei 2019 sampai tanggal 7 Juni 2019 yang terdiri dari 226 data transaksi obat keluar.
Tabel 1. Transaksi Obat Keluar
NO. TANGGAL NO.RM NAMA PASIEN RESEP OBAT
1 19 Mei 2019 02 14 55
Melia Purwasi
Ibu Profen, Betahistine, Ranitidin, Neurodex
2 19 Mei 2019 Yanti Elastic Bandage, Ceteme
3 19 Mei 2019 Fitri .A Dexamethason
4 19 Mei 2019 02 44 97 Tri Hesniati Asam Mefenamat, Ranitidin
5 19 Mei 2019 Suha Nisagon, Cetirizine
...
225 07 Juni 2019 Basa Yuliana Paracetamol, Grantusif
226 07 Juni 2019 Wawa Batugin, Salicyl
b. Analisa Sistem
Algoritma CT-Pro akan diterapkan dalam penelitian ini. Algoritma CT-Pro digunakan untuk mengolah data transaksi obat keluar dengan aturan asosiasi. Tahap yang dilakukan adalah sebagai berikut :
1. Menemukan item-item yang sering muncul pada data transaksi obat keluar.
a. Melakukan penelusuran pada data transaksi obat keluar, kemudian hitung frekuensi kemunculan setiap item Dari transaksi obat keluar didapat ada 135 item obat.
Tabel 2. Frekuensi Itemset
No Nama Obat Frekuensi
1 Abocath 5
2 Acifar 5
3 Acyclovir 5
.... ... ....
134 Vitazym 5
135 Zink 3
c. Kemudian data dari data Tabel 2 diseleksi berdasarkan nilai minimum support count yang didapatkan. Untuk menentukan nilai minimum support count bisa menggunakan rumus persamaan (2). Dari perhitungan tersebut maka didapat nillai minimum support count adalah 5, untuk item yang tidak memenuhi nilai minimum support count akan dieliminasi.
4
Tabel 3. Frequent Item memenuhi minimum support
2. Membuat Struktur CFP-Tree
a. Setelah mendapatkan data yang memenuhi minimum support, data pada tabel 3 diurutkan secara menurun dimulai dari item berfrekuensi terbesar hingga item berfrekuensi terkecil berdasarkan kemunculan membangun global item table dan memberikan nilai prority (index).
Tabel 4. Global Item Table
b. Setelah data terurut, maka data pada Tabel 4 akan dimapping berdasarkan index pada global item table. Data transaksi kemudian diurutkan dari index terkecil ke index terbesar dari setiap transaksi.
No. Nama Obat Frekuensi
1 Abocath 5
2 Acifar 5
3 Acyclovir 5
4 Ambroxol 13
5 Amoxycilin 10
6 Antasida 26
7 Arkavit C 16
8 Asam Mefenamat 17
9 Betahistine 7
10 Bufacaryl 7
11 Cefadroxil 32
12 Cefixime 6
13 Cetirizine 15
14 Citroplex 13
15 Curviplex 8
16 Dexamethason 29
17 Domperidone 5
18 Efilin 5
19 Grantusif 14
20 Ibu Profen 13
No. Nama Obat Frekuensi
21 Infus RL 8
22 Lansoprazole 6
23 Methylprednisolon 9
24 Neurodex 18
25 Nisagon 5
26 Omeprazole 24
27 Ondansetron 5
28 Oralit 5
29 Paracetamol 46
30 Polofar Plus 10
31 Ranitidin 17
32 Salbutamol 9
33 Spuit 17
34 Tremenza 6
35 Vitamin C 13
36 Vitazym 5
37 Fasidol Forte 6
38 Flucadex 6
39 Flutamol 22
No. Nama Obat Frekuensi Index
1 Paracetamol 46 1
2 Cefadroxil 32 2
3 Dexamethason 29 3
4 Antasida 26 4
5 Omeprazole 24 5
6 Flutamol 22 6
7 Neurodex 18 7
8 Ranitidin 17 8
9 Asam Mefenamat 17 9
10 Spuit 17 10
11 Arkavit C 16 11
12 Cetirizine 15 12
13 Grantusif 14 13
14 Vitamin C 13 14
15 Citroplex 13 15
16 Ambroxol 13 16
17 Ibu Profen 13 17
18 Amoxycilin 10 18
19 Polofar Plus 10 19
20 Methylprednisolon 9 20
No. Nama Obat Frekuensi Index
21 Salbutamol 9 21
22 Infus RL 8 22
23 Curviplex 8 23
24 Betahistine 7 24
25 Bufacaryl 7 25
26 Fasidol Forte 6 26
27 Cefixime 6 27
28 Lansoprazole 6 28
29 Flucadex 6 29
30 Tremenza 6 30
31 Acyclovir 5 31
32 Abocath 5 32
33 Ondansetron 5 33
34 Oralit 5 34
35 Domperidone 5 35
36 Nisagon 5 36
37 Vitazym 5 37
38 Acifar 5 38
39 Efilin 5 39
5
Tabel 5. Hasil Mapping
No. Mapping 1 7,9,14,24
2 3
3 8,9
4 12,35
5 12, 20, 35 ... ....
... ....
199 1,6,20
200 1,13
c. Setelah proses mapping selesai, kemudian dilanjutkan pada proses pembentukan global CFP-Tree. Dimulai dengan membuat node-node yang berurutan sesuai dengan global item pada Tabel 4. Setiap node memiliki tingkatan level yang berbeda dan level tertinggi dimulai dari level 0 yang memiliki satu field. CFP- Tree, dapat dilihat pada Gambar 1
Gambar 1. CFP-Tree
d. Setelah pembentukan node selesai, maka tahapan selanjutnya adalah membangun Global CFP-Tree dengan memasukkan data transaksi obat keluar pada Tabel 5 ke dalam tree.
Gambar 2. Global CFP-Tree 3. Melakukan Mining Frequent Patterns
a. Dimulai dengan index yang support countnya terkecil dari global item table.
Dimulai index 37 merupakan index yang support countnya terkecil.
b. Untuk item yang terdaftar pada global item tabel, lakukan penulusuran pada node di global CFP-Tree yang hanya memiliki index 37, kemudian hitung jumlah
6
kemunculan item yang ada. Penelusuran node dilakukan dari index 37 sampai index terakhir.
Tabel 6. Hasil Penelusuran Node
c. Setelah melakukan penelusuran node dan menghitung jumlah support count dari setiap item, selanjutnya mencari item pada Tabel 6 yang memenuhi minimum support count ≥ 5 untuk dimasukkan ke dalam local item table. Dari Tabel 6 index yang memenuhi minimum support count ≥ 5 dan akan dimasukkan ke local item table adalah index 37, index 28, index 23, index 16, index 15, index 13, index 11, index 10, index 9, index 7, index 6, index 5, dan index 3.
Berikut hasil penulusuran node yang memenuhi minimum support count :
Dimulai dari index 37, dari Tabel 6 didapat node yang memenuhi minimum support ≥ 5 adalah node 9 (5). Kemudian berikan index baru pada node yang ada pada local item table secara ascending dan nama item berdasarkan Tabel.
Tabel 7. Local Item Table Index 37
Index Node Item Count
1 9 Ranitidin 5
Setelah local item table terbentuk lakukan mapping index baru terhadap node yang memenuhi support count berdasarkan Tabel 6.
Tabel 8. Hasil Mapping Index 37
No Mapping
1. 1
2. 1
3. 1
4. 1
5. 1
Lakukan dengan cara yang sama untuk index lainnya yang memenuhi minimum support count ≥ 5.
d. Setelah mapping selesai, lakukan pembentukan local CFP-Tree dengan aturan yang sama saat pembangunan global CFP-Tree.
Index Local Frequent Pattern Frequent item
37 9,6 : 1
28,9,4 : 2
28,9 : 2
4(2), 6 (1), 9(5), 28(4) 36 4,7 : 1
5 : 2
4,1 : 1
1(1), 4(2), 5(2), 7 (1) 35 12 : 2
12,20 : 1
12,18 : 1
17 : 1
12(4), 17(1), 18(1), 20(1) ... ... ... 3 1 : 6
2 : 11
2,1 : 1
1(7), 2(12)
2 1 : 3 1(3)
7
Pembangunan local CFP-Tree untuk index 37 diambil berdasarkan hasil mapping Tabel 8. Local CFP-tree index 37 dapat dilihat pada Gambar 3.
Gambar 3. Local CFP-Tree Index 37 Lakukan dengan cara yang sama untuk index lainnya.
e. Langkah selanjutnya adalah membuat local CFP-Tree projection dimana index x akan menjadi root, index yang ada di local CFP-Tree menjadi anaknya.
Untuk membuat local CFP-Tree projection, index 37 akan menjadi root dan setiap index local CFP-Tree pada Gambar 3 akan menjadi anak index 37.
Lakukan penulusuran index 37 pada local CFP-Tree secara bottom-up, untuk lebih jelasnya dapat dilihat pada Gambar 4.
Gambar 4. Local CFP-Tree Projection Index 37 Lakukan dengan cara yang sama untuk index lainnya.
f. Dari local CFP-Tree projection yang sudah dibuat, maka akan mendapatkan item frequent untuk masing-masing index, sebagai berikut :
Tabel 9. Hasil Frequent Patterns
No Node Count Frequent Itemset
Itemset Count
1. 3 5 37 → 1 Vitazym → Ranitidin 5
2 28 6 28 → 1 Lansoprazole → Ranitidin 5
3 23 18 23 → 1 Infus RL → Spuit 7
4 16 13 16 → 2 Vitamin C → Grantusif 5
5 16 13 16 → 1 Vitamin C → Paracetamol 5
6 15 13 15 → 1 Citroplex → Flutamol 5
7 13 14 13 → 1 Grantusif → Paracetamol 5
8 11 16 11 → 1 Arkavit C → Paracetamol 7
9 10 17 10 → 2 Spuit → Omeprazole 5
10 10 17 10 → 1 Spuit → Paracetamol 6
11 9 17 9 → 1 Ranitidin → Antasida 6
12 7 19 7 → 1 Neurodex → Antasida 5
13 6 22 6 → 3 Flutamol → Omeprazole 6
14 6 22 6 → 3,2 Flutamol → Omeprazole,
Dexamethason
5
15 6 22 6 → 2 Flutamol → Dexamethason 11
16 6 22 6 → 2,1 Flutamol → Dexamethason,
Cefadroxil
10
17 6 22 6 → 1 Flutamol → Cefadroxil 14
17 5 24 5 → 3 Omeprazole → Dexamethason 5
19 5 24 5 → 2 Omeprazole → Paracetamol 6
20 5 24 5 → 1 Omeprazole → Antasida 10
21 3 29 3 → 2 Dexamethason → Paracetamol 7
22 3 29 3 → 1 Dexamethason → Cefadroxil 12
8
g. Kemudian hitung nilai confidence dari masing-masing index untuk mendapatkan rule dengan menggunakan persamaan (1). Dimulai dari index 37.
Confidence(37 → 1) =∑Vitazym dan Ranitidin
∑Vitazym = 5 /5 X 100 = 100%
Tabel 10. Hasil Generate Rule
Frequent Itemset Confidence (%)
37 → 1 (5/5) x 100 = 100
28 → 1 (5/6) x 100 = 83.3
23 → 1 (7/8) x 100 = 87.5
16 → 2 (5/13) x 100 = 38.4
16 → 1 (5/13) x 100 = 38.4
15 → 1 (5/13) x 100 = 38.4
13 → 1 (5/14) x 100 = 35.7
11→ 1 (7/16) x 100 = 43.7
10 → 2 (5/17) x 100 = 29.4
10 → 1 (6/17)x 100 = 35.2
9 → 1 (6/17)x 100 = 35.2
7 → 1 (5/19)x 100 = 26.3
6 → 3 (6/22)x 100 = 27.2
6 → 3,2 (5/22)x 100 = 22.7
6 → 2 (11/22)x 100 = 50
6 → 2,1 (7/22)x 100 = 45.4
6 → 1 (14/22)x 100 = 63.6
5 → 3 (5/24)x 100 = 16.6
5 → 2 (6/24)x 100 = 25
5 → 1 (10/24)x 100 = 41.6
3 → 2 (7/29)x 100 = 24.1
3 → 1 (12/29)x 100 = 41.37
Setelah perhitungan confidence selesai, maka selanjutnya dilakukan pengecekan terhadap hasil generate rule. Data yang memenuhi minimum confidence akan dijadikan rule untuk menemukan item yang sering dikombinasikan. Untuk perhitungan ini, nilai minimum confidence yang diambil adalah ≥ 50%. Hasil rule yang memenuhi minimum confidence dapat dilihat pada Tabel 11.
Tabel 11. Hasil Rule yang Terbentuk
Frequent Itemset Nama Item Confidence (%)
37 → 1 Vitazym → Ranitidin (5/5) x 100 = 100 28 → 1 Lansoprazole → Ranitidin (5/6) x 100 =83.3
23 → 1 Infus RL → Spuit (7/8) x 100 = 87.5
6 → 2 Flutamol → Dexamethason (11/22)x 100 = 50 6 → 1 Flutamol → Cefadroxil (14/22)x100= 63.6
9
KESIMPULAN
Berdasarkan penelitian yang menggunakan metode association rule dan algoritma CT-Pro, maka dapat diambil kesimpulan sebagai berikut :
1. Sistem yang dibangun menggunakan teknik data mining association rule dengan algoritma CT-Pro yang menghasilkan informasi berupa jenis obat saja yang dibeli secara bersamaan.
2. Berdasarkan pengujian yang menggunakan nilai minimum support 5% maka didapat 37 jenis obat yang memenuhi minimum support 5%.
3. Hasil rule yang memenuhi nilai minimum confidence 50% terdiri dari 5 rule jenis obat yang sering dibeli secara bersamaan yaitu, vitazym dengan ranitidin yang memiliki nilai confidence tertinggi yaitu 100%, lansoprazole dengan yang memiliki nilai confidence 83,3% , Infus RL dengan spuit yang memiliki nilai confidence 87,5%, flutamol dengan dexamethason yang memiliki confidence 50% dan terakhir flutamol dengan cefadroxil yang memiliki confidence sebesar 63,6%.
SARAN
Dari penelitian yang dilakukan, penulis memberikan saran sebagai berikut:
1. Penelitian ini dapat dikembangkan dengan menambahkan jumlah data transaksi obat keluar agar mendapatkan hasil yang lebih bervariasi.
2. Penelitian ini dapat dikembangkan dengan algoritma data mining lainnya, dengan membandingkan atau mengkombinasikan dengan algoritma lain untuk mendapatkan hasil yang lebih optimal.
DAFTAR PUSTAKA
Abdullah, Asrul. 2018. Rekomendasi Paket Produk Guna Meningkatkan Penjualan Dengan Metode FP-Growth. Khazanah Informatika. 4(1): 21-26.
Ardhana, Yosef Murya Kusuma. 2017. Script PHP : Siap Pakai. Jasakom.
Ardiansyah, Septian., Hetti, H., dan Amarilis, P., 2016. Analisis dan Implementasi CT-Apriori Untuk Asosiasi Transaksi Barang. E-proceeding of Engineering.
3(3) : 1-8.
Ayu, Fitri., dan Nia, P. 2018. Perancangan Sistem Informasi Pengolahan Data Praktek Kerja Lapangan (PKL) Pada Devisi Humas PT. Pegadaian. Jurnal Intra-Tech. 2(2) : 12-26.
Buulolo, Efori. 2013. Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi Medan.). Jurnal Pelita Informatika Budi Darma. 4(1) : 71-75.
Fathansyah. 2015. Basis Data. Bandung: Informatika Bandung.
Febrian, Rachmad., Marisa, N.L., Aditya, A.R., dan Edy, W. 2018. Analisis Pola Pembelian Obat di Apotek UII Farma Menggunakan Metode Algoritma Apriori.
Seminar Nasional Teknologi Informasi dan Multimedia : 49-54. Yogyakarta.
Indrajani. 2018. Database Systems All In One – Theory, Practice, and Case Study.
Jakarta. PT.Gramedia.
10
Kaban, Elisa Sempa Arihta. 2014. Perbandingan Algoritma Apriori dan Algoritma CT-Pro Pada Komoditas Ekspor dan Impor. Skripsi. Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara.
Kadir, Abdul. 2003. Pemrograman Web Mencakup: HTML, CSS, JavaScript &
PHP. Yogyakarta: Andi Offset.
Manela, Silvia. 2016. Penerapan Data Mining Untuk Penyusunan Layout Produk Di Summit The Boutique Outlet Menggunakan Metode Association Rule.
Skripsi. Fakultas Teknik dan Ilmu Komputer. Universitas Komputer Indonesia.
Mulyagustina., Chairun, W., dan Susi, A.K. 2017. Implementasi Standar Pelayanan Kefarmasian Diapotek Kota Jambi. Jurnal Manajemen dan Pelayanan Farmasi. 7(2) : 83-96.
Nurlaili, R.P., Sari, W.S., dan Meiyanto, E.S. 2014. Implementasi Algoritma CT- Pro Untuk Menemukan Pola Pada Data Siswa SMA (Studi Kasus : Madrasah Aliyah Negeri (MAN) Karanganon Klaten. Jurnal Untidar. 1(1) : 392-398.
Palit, R. V., Rindengan, Y. D. Y., dan Lumenta, A. S. M. 2015. Rancangan Sistem Informasi Keuangan Berbasis Web di Jemaat GMIM Bukit Moria Malalayang.
E-Journal Teknik Elektro Dan Komputer. 4(7): 1–7
Rachman, E.J., dan Adam, M.B. 2017. Penerapan Data Mining Dalam Perekomendasian Setelan Busana Muslim Dengan Metode Association Rules Menggunakan Algoritma CT-Pro. Seminar Ilkom Unsri : 112-118. Bandung.
Rumah Sakit Universitas Riau. http://rsa.unri.ac.id/tentang-rs-universitas-riau/.
15 Agustus 2019, 09.19 WIB.
Salamah, Endah Nur., dan Nurissaidah, Ulinnuha. 2017. Analisis Pola Pembelian Obat dan Alat Kesehatan di Klinik Ibu dan Anak Graha Amani dengan Menggunakan Algoritma Apriori. Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. 2(1) : 1-6.
Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu.
Sovia, Rini., dan Jimmy, Febio. 2017. Membangun Aplikasi E-Learning Menggunakan Html, Php Script, dan Mysql Database. Jurnal Processor. 6(2) : 38-54.
Sugiarti, Yuni., 2013. Analisis dan Perancangan UML(Unified Modeling Language) Generated VB.6. Yogyakarta. Graha Ilmu.
Supardi, Sudibyo., Rini, S.H., M.J, Herman., Raharni., dan Andi, L.S. 2012.
Kajian Peraturan Perundang-UndanganTentang Pemberian Informasi Obat dan Obat Tradisional di Indonesia. Jurnal Kefarmasian Indonesia. 2(1) : 20-27.
Ummah, Khoirul. 2015. Sistem Rekomendasi Pembelajaran Pada E-Learning Menggunakan Algoritma CT-Pro. Jurnal Teknologi Technoscientia. 7(2) : 145-149.
