DATA MINING
MARKET BASKET ANALYSIS
MENGGUNAKAN ALGORITMA APRIORI UNTUK
MENENTUKAN PERSEDIAAN OBAT
Lina Ningsih1, Dewi Ayu Nur Wulandari21
STMIK Nusa Mandiri Jakarta e-mail: linaningsih32@mail.com
2
AMIK BSI Karawang e-mail: dewi.dan@bsi.ac.id
Abstrak
Persediaan barang memiliki peranan yang sangat penting terhadap peningkatan penjualan dan pelayanan terhadap konsumen. Jika jumlah persediaan barang lebih banyak dibandingkan dengan jumlah permintaan, dapat mengakibatkan kerugian biaya karena barang tersebut tidak habis terjual, terutama barang-barang yang mempunyai tanggal kadaluarsa. Sebaliknya, jika jumlah persediaan barang lebih sedikit dibandingkan dengan jumlah permintaan, dapat mengakibatkan konsumen beralih ke tempat lain, karena barang yang ingin dibeli oleh konsumen tersebut tidak mencukupi (opportunity loss). Sistem Informasi Penjualan yang ada di apotek Pala Farma belum benar-benar dapat dimanfaatkan untuk menentukan pengambilan keputusan yang tepat dalam sistem persediaan barang, sehingga sangat berpengaruh terhadap tingkat penjualan. Algortima Apriori digunakan untuk menetukan pola pembelian obat untuk persediaan obat berdasarkan kecendrungan pembeliaan obat oleh konsumen. Penerapan market basket analisys menggunakan Algoritma Apriori dapat membantu menemukan pola penjualan obat berdasarkan kecenderungan obat yang terjual secara bersamaan yang terdiri dari 2 itemset obat sehingga membantu dalam memutuskan pembelian obat apa saja yang harus dipriorotaskan. Hasil pengujian dengan algoritma apriori juga dapat digunakan untuk mengatur tata letak obat yang terdiri dari 2 itemset obat secara berdekatan untuk memudahkan dalam mengetahui keberadaan obat.
Keywords: Data Mining, Market Asket Analysis, Algoritma Apriori, Persediaan Obat
1. Pendahuluan
Setiap perusahaan, terutama perusahaan yang bergerak di bidang retail/penjualan, persediaan barang sangat berperan penting terhadap peningkatan penjualan dan pelayanan terhadap konsumen. Jika perusahaan mempunyai jumlah persediaan barang yang lebih banyak dibandingkan
dengan jumlah permintaan, dapat
mengakibatkan kerugian biaya karena barang tersebut tidak habis terjual, terutama barang-barang yang mempunyai tanggal kadaluarsa. Sebaliknya jika perusahaan mempunyai jumlah persediaan barang yang lebih sedikit dibandingkan dengan jumlah
permintaan, dapat mengakibatkan
konsumen tersebut pergi karena barang yang ingin dibeli oleh konsumen tersebut tidak mencukupi (opportunity loss). Contoh yang sering kita temui atau alami adalah pada saat konsumen ingin membeli obat
pada sebuah toko obat/apotek dengan resep dokter dimana dalam satu resep atau untuk jenis penyakit tertentu berisi beberapa jenis obat yang perlu di beli sekaligus. Biasanya konsumen akan batal membeli atau pindah membeli ke tempat lain jika salah satu jenis obat ada yang tidak tersedia atau persediannya sedang kosong, tentunya hal ini dapat mengurangi tingkat penjualan. Hal serupa juga masih dialami oleh Apotek Pala Farma yang bergerak dalam bidang penjualan obat. Walupun dalam melakukan transaksi dan membuat laporan penjualan sudah dilakukan secara terkomputerisasi menggunakan Sistem Informasi Penjualan namun data laporan penjualan tersebut belum benar-benar dapat dimanfaatkan untuk menentukan pengambilan keputusan yang tepat dalam sistem persediaan barang, hal tersebut pastinya juga akan sangat
berpengaruh terhadap tingkat penjualan pada Apotek Pala Farma.
Sistem persediaan barang yang ada pada Apotek Pala Farma saat ini masih terpaku berdasarkan jumlah minimum suatu barang tanpa memperhitungkan nilai jual suatu barang tersebut, apakah barang tersebut merupakan barang yang paling sering di beli atau tidak. Akibatnya sering terjadi penumpukan barang yang tidak terjual atau kadaluarsa di gudang dan sebaliknya barang yang dibutuhkan konsumen sering terjadinya kekosongan. Untuk itu diperlukan cara mengelola persediaan barang yang lebih baik dengan memanfaatkan data transaksi penjualan untuk menentuan stok barang dengan konsep data mining.
Penerapan Algoritma Apriori pada database penjualan alat-alat kesehatan dengan teknik data mining sangat efisien dan dapat mempercepat dalam proses pembentukan kecenderungan pola kombinasi itemset hasil penjualan alat-alat kesehatan di Apotek Kelambir-2 Medan, sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam pengambilan keputusan untuk mempersiapkan stok jenis barang apa yang diperlukan kemudian (Tampubolon, Saragih & Reza, 2013).
Dalam persaingan di dunia bisnis, khususnya industri Apotek, menuntut para pengembang untuk menemukan suatu strategi jitu yang dapat meningkatkan penjualan obat. Salah satu cara mengatasinya adalah dengan tetap tersediaannya berbagai jenis obat yang dibutuhkan oleh konsumen. Untuk mengetahui obat apa saja yang biasa dibeli oleh konsumen. Penerapan Algoritma Apriori dapat membantu dalam membentuk kandidat kombinasi item, kemudian dilakukan pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence minimum yang merupakan nilai ambang yang diberikan oleh pengguna. Jika memenuhi parameter support dan confidence maka hasil tersebut dapat membantu dalam penentuan pola
pembelian obat dan membantu tata letak
obat berdasarkan kencenderungan
konsumen membeli obat (Yanto & Khoiriyah, 2015).
Data mining adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran data mining ini bisa dipakai untuk
memperbaiki pengambilan keputusan di masa depan (Santosa, 2007).
Market Basket Analysis adalah teknik untuk menemukan hubungan dari produk-produk yang dibeli secara bersamaan. Seperti namanya, market basket analysis pada dasarnya melibatkan penggunaan data transaksional konsumen untuk mempelajari
pola pembelian dan menjelajahi
kemungkinan (probabilitas) dan cross-selling (Aprilia dkk, 2013).
Algoritma Apriori adalah algoritma untuk frequent itemset mining dan association rule dalam database transaksional. Dihasilkan dengan mengidentifikasi setiap buah item, dan memperluasnya menjadi kombinasi kumpulan item yang lebih besar asalkan himpunan item muncul cukup sering dalam database (Aprilia dkk, 2013).
Penelitian ini bertujuan untuk menerapan
data mining market basket analysis
menggunakan algoritma apriori untuk memprediksi persediaan obat diwaktu yang akan datang.
2. Metode Penelitian
Metode penelitian yang digunakan dalam penelitian ini adalah metode kualitatif dengan pendekatan deskriptif analitik. Penelitian kualitatif deskriptif adalah metode penelitian yang berlandasakan pada filsafat pospositivisme yang biasanya diguankan untuk meneliti pada kondisi objektif yang alamiah dimana peneliti berperan sebagai isntrumen kunci (Sugiyono, 2012).
Metode kualitatif dengan pendekatan studi deskriptif analitik adalah metode kualitatif yang digunakan untuk mendapatkan data yang mendalam, suatu data yang mengandung makna (Sugiyono, 2012). Tahapan penelitian yaitu bagaimana langkah-langkah atau proses dilakukannya penelitian. Adapun yang menjadi tahapan atau proses dalam penelitian ini adalah: 1) Mendefinisikan Ruang Lingkup
Masalah
Ruang lingkup masalah yang akan diteliti harus ditentukan terlebih dahulu, karena
tanpa mampu menentukan serta
mendefinisikan batasan masalah yang akan diteliti, maka tidak akan pernah didapat suatu solusi yang terbaik dari masalah tersebut. Jadi langkah pertama ini adalah langkah awal yang terpenting dalam penulisan ini.
2) Analisis Masalah
Langkah analisis masalah adalah untuk dapat memahami masalah yang telah
ditentukan ruang lingkup atau batasannya. Dengan menganalisa masalah yang telah ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik. Pada bagian ini digambarkan proses untuk menentukan pola penjualan obat dengan menggunakan algoritma Apriori. Disamping itu juga diuraikan tentang kebutuhan data untuk menganalisa pola penjualan obat. Dari hasil analisa tersebut, maka algoritma Apriori hendaknya mampu menentukan pola penjualan obat dengan baik.
3) Penentuan Tujuan
Berdasarkan pemahaman dari masalah, maka ditentukan tujuan yang akan dicapai dari penulisan ini. Pada tujuan ini ditentukan target yang dicapai, terutama yang dapat mengatasi masalah-masalah yang ada. Mempelajari Literatur, untuk mencapai tujuan, maka dipelajari berbagai literatur yang relevan dengna masalah yang diteliti. Kemudian literatur-literatur yang dipelajari tersebut diseleksi untuk dapat ditentukan literatur-literatur mana yang akan digunakan dalam penelitian. Literatur diambil dari internet, yang berupa artikel dan jurnal ilmiah tentang data mining, association rule dan algoritma Apriori, serta bahan bacaan lain yang mendukung penelitian.
4) Pengumpulan Data dan Informasi Dalam pengumpulan data dilakukan observasi yaitu pengmatan secara langsung di tempat penelitian sehingga permasalahan yang ada dapat diketahui dengan jelas. Kemudian dilakukan interview yang bertujuan untuk mendapatkan informasi atau data yang dibutuhkan. Selain itu juga dilakukan studi kepustakaan yaitu dengan membaca buku-buku yang menunjang dalam melakukan analisa terhadap data dan informasi yang didapat.
5) Analisa Teknik yang digunakan Bagian ini bertujuan untuk menganalisis dan memahami teknik yang akan digunakan dalam pengolahan data yang telah diperoleh dari tempat penelitian, terutama pada proses, yang mana teknik yang digunakan untuk pengolahan data dengan algoritma apriori.
6) Implementasi
Setelah dilakukan analisa teknik yang digunakan, maka dilakukan implementasi terhadap software dalam hal ini adalah software data mining RapidMiner. Tentu saja penerapan analisa pada software tersebut menggunakan algoritma apriori. Jika penerapan sistem sudah berjalan dengan lancar dan akurat, maka sistem dapat
diimplementasikan sesuai dengan
kebutuhan. 7) Pengujian
Pengujian dilakukan untuk mendapatkan hasil yang sesuai dengan melakukan perbandingan antara perhitungan manual dan menggunakan software rapid miner. Dalam penelitian ini data dianalisa menggunakan teknik data mining dengan
metode market basket analysis
menggunakan algoritma Apriori dimana dalam pengolahan data menggunakan aplikasi RapidMiner.
Berikut adalah tahapan yang akan dilakukan dalam menganalisis data pada penelitian ini:
1. Melakukan pengujian hipotesis secara manual menggunakan algoritma Apriori dengan data kepustakaan untuk menentukan pola penjualan. Proses
perhitungan association rule
menggunakan algoritma Apriori terdiri dari beberapa tahap sebagai berikut: a. Pembentukan Itemset dengan Pola
Frekuensi Tinggi
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass. Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari pass pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan men-scan database. Setelah support dari setiap item didapat, item yang memiliki support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item.Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan men-scan database. Support disini artinya jumlah
transaksi dalam database yang
mengandung kedua item dalam kandidat
2-itemset. Setelah support dari semua
kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2.
Untuk selanjutnya proses iterasi ke-k dapat dilakukan dengan cara:
1) Pembentukan kandidat itemset
Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya.
2) Penghitungan support dari tiap kandidat k-itemset.
Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tsb.
3) Tetapkan pola frekuensi tinggi.
Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k-itemset yang support-nya lebih besar dari minimum support yang telah ditentukan.
Untuk proses pembentukan itemset selanjutnya dilakukan dengan cara yang sama sampai tidak ditemukan lagi itemset dengan pola frekuensi tinggi yang memenuhi minimum support yang bisa dibangkitkan untuk iterasi berikutnya. b. Pembentukan Aturan asosiasi
Setelah semua pola frekuensi tinggi ditemukan, pembentukan aturan asosiasi di lakukan terhadap k-itemset terakhir yang memenuhi pola frekuensi tinggi.
Setelah aturan asosiasi terbentuk kemudian dicari nilai support dan confidence untuk mengetahui aturan asosiasi mana yang memenuhi syarat minimum support dan minimumconfidence yang telah di tetapkan. Untuk mengukur seberapa penting rule yang teleh terbentuk berdasarkan nilai support dan confidence dapat dilakukan dengan
menghitung nilai Lift Ratio untuk menunjukkan kevalidan proses transaksi dan memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B 1) Setelah dilakukan perhitungan manual, selanjutnya dilakukan perhitungan menggunakan software data mining RapidMiner dengan memasukkan data-data kepustakaan yang diproses menggunakan algoritma fp growth dan algoritma Apriori.
2) Setelah proses perhitungan
menggunakan software berhasil maka dilakukan perbandingan antara
perhitungan manual dengan
komputerisasi, jika hasil yang dicapai sama atau hampir sama, maka data yang diproses dan teknik yang digunakan telah benar.
3) Yang terakhir adalah membuat pola hubungan kombinasi antar items dan rules-rules asosiasi yg terbentuk. 3. Pembahasan
Berdasarkan data laporan penjualan pada periode Januari sampai dengan Desember tahun 2016 dilakukan akumulasi transaksi penjualan obat yang diambil berdasarkan 5 peringkat teratas penjualan obat jenis OTC (obat tanpa resep dokter) yang dapat dilihat pada tabel 1 berikut ini:
Tabel 1. Data Laporan Penjualan Obat
No Bulan Item Terjual
1 Januari Panadol Tab, Aspilet, Imboost Force Syr 60 Ml, Transpulmin Bb 10 Gr, CDR
2 Februari Panadol Tab, Dextral Tab, Actifed Sirup 60 Ml, Neurobion 5000 Tab, Transpulmin Bb 10 Gr 3 Maret Aspirin 500 Mg Tabelt, Sanmol Tab, Actifed Sirup 60 Ml, Transpulmin Bb 10 Gr, Mylanta Suspensi 360 Ml 4 April Panadol Tab, Alpara, Actifed Sirup 60 Ml, Sanmol Tab, Diapet Kapsul
5 Mei Panadol Tab, Dextral Tab, Aspilet, Alpara, Neurobion 5000 Tab 6 Juni Dextral Tab, Aspirin 500 Mg Tabelt, Aspilet, Alpara, Sangobion Cap
7 Juli Aspirin 500 Mg Tabelt, Actifed Sirup 60 Ml, Aspilet, Mylanta Suspensi 360 Ml, Laxing Kapsul 8 Agustus Aspirin 500 Mg Tabelt, Dextral Tab, Panadol Tab, Sanmol Tab, Imboost Force Syr 60 Ml 9 September Panadol Tab, Dextral Tab, Alpara, Neurobion 5000 Tab, Mylanta Suspensi 360 Ml 10 Oktober Panadol Tab, Aspirin 500 Mg Tabelt, Actifed Sirup 60 Ml, Aspilet, Mylanta Suspensi 360 Ml 11 November Aspirin 500 Mg Tabelt, Sanmol Tab, Transpulmin Bb 10gr, Imboost Force Syr 60 Ml, CDR 12 Desember Sanmol Tab, Aspirin 500 Mg Tabelt, Actifed Sirup 60 Ml, Neurobion 5000 Tab, Imboost Force
Syr 60 Ml
Sumber : Apotik Fala Parma (2016) Pada data laporan penjualan di bentuk tabel
tabular dimana setiap baris berkorelasi dengan transaksi, setiap kolom berkorelasi dengan satu item (barang). Nilai untuk item adalah 1 jika item tersebut ada dalam
transaksi, atau 0 jika tidak ada dalam transaksi. Karena munculnya item dalam transaksi sering di pandang lebih penting daripada ketidakmunculannya.
Tabel 2. Format Tabular Data Laporan Penjualan No Act if e d S ir u p 6 0 Ml Alp a ra Asp ile t Asp ir in 5 0 0 M g T a b Cd r Dex T ra l T a b Dia p e t Kap s u l Im b o o s t F o rc e S y r 6 0 M l L a x in g Kap s u l M y la n T a S u s p e n S i 3 6 0 Ml Neu ro b io n 5 0 0 0 T a b P a n a d o l T a b S a n g o b io n Ca p S a n m o l T a b T ra n s p u lm in B b 1 0 g r 1 0 0 1 0 1 0 0 1 0 0 0 1 0 0 1 2 1 0 0 0 0 1 0 0 0 0 1 1 0 0 1 3 1 0 0 1 0 0 0 0 0 1 0 0 0 1 1 4 1 1 0 0 0 0 1 0 0 0 0 1 0 1 0 5 0 1 1 0 0 1 0 0 0 0 1 1 0 0 0 6 0 1 1 1 0 1 0 0 0 0 0 0 1 0 0 7 1 0 1 1 0 0 0 0 1 1 0 0 0 0 0 8 0 0 0 1 0 1 0 1 0 0 0 1 0 1 0 9 0 1 0 0 0 1 0 0 0 1 1 1 0 0 0 10 1 0 1 1 0 0 0 0 0 1 0 1 0 0 0 11 0 0 0 1 1 0 0 1 0 0 0 0 0 1 1 12 1 0 0 1 0 0 0 1 0 0 1 0 0 1 0
Sumber : Data Hasil Penelitian (2016) 3.1. Perhitungan Algoritma Apriori
Sebelum melakukan tahapan-tahapan aturan asosiasi menggunakan aalgoritma Apriori, pada tahap pertama kita perlu menentukan nilai minimal support dan confidence untuk menjadi acuan pencarian hasil dari algoritma, pada penelitian ini dapat kita tetapkan sebagai berikut:
1. besaran 𝚽, yaitu = 3
2. besarnya nilai minimun support = 30% 3. besarnya nilai minimum confidence =
50%
A. Pola Frekuensi Tinggi
Tahap ini bertujuan untuk mencari kombinasi item yang memenuhi syarat nilai minimum support dan batas itemset frekuent (𝚽)
1. Pembentukan 1-itemset
Pada proses pembentukan 1-itemset dimana setiap item pada transaksi dianggap sebagai kandidat 1-itemset
Tabel 3. Kandidat 1-itemset
Item Transaksi Actifed Sirup 60 Ml 6 Alpara 4 Aspilet 5 Aspirin 500 Mg Tabelt 7 CDR 2 Dextral Tab 5 Diapet Kapsul 1
Imboost Force Syr 60 Ml 4
Laxing Kapsul 1 Mylanta Suspensi 360 Ml 4 Neurobion 5000 Tab 4 Panadol Tab 7 Sangobion Cap 1 Sanmol Tab 5 Transpulmin Bb 10gr 4 Sumber : Data Hasil Penelitian (2016)
Berikut ini adalah penyelesaian berdasarkan data yang sudah disediakan pada tabel 3. Proses pembentukan C1 atau disebut dengan 1 itemset dengan jumlah minimum support = 30% dengan rumus sebagai berikut:
Support(A)= Transaksi mengandung A x 100%
Transaksi
Contoh untuk menghitung nilai support dari item Actifed Sirup 60 Ml, dimana diketahui untuk jumlat transasksi item Actifed Sirup 60 Ml adalah 6 transaksi dan untuk total seluruh transaksi adalah 12 transaksi, sehingga penghitungan nilai support-nya adalah:
Support Actifed Sirup 60 Ml :
= 6/12 x 100%
Tabel 4. Hasil Perhitungan Support Kandidat 1-itemset
Item Transaksi Support
Actifed Sirup 60 Ml 6 (6/12) x 100% 50% Alpara 4 (4/12) x 100% 33% Aspilet 5 (5/12) x 100% 42% Aspirin 500 Mg Tabelt 7 (7/12) x 100% 58% CDR 2 (2/12) x 100% 17% Dextral Tab 5 (5/12) x 100% 42% Diapet Kapsul 1 (1/12) x 100% 8%
Imboost Force Syr 60 Ml 4 (4/12) x 100% 33%
Laxing Kapsul 1 (1/12) x 100% 8% Mylanta Suspensi 360 Ml 4 (4/12) x 100% 33% Neurobion 5000 Tab 4 (4/12) x 100% 33% Panadol Tab 7 (7/12) x 100% 58% Sangobion Cap 1 (1/12) x 100% 8% Sanmol Tab 5 (5/12) x 100% 42% Transplulmin Bb 10gr 4 (4/12) x 100% 33%
Sumber : Data Hasil Penelitian(2016) Setelah diketahui nilai support dari kandidat
1-itemset pada tabel diatas dengan
ditentukannya minimum support 30 % dan 𝚽 = 3, selanjutnya dilakukan pemangkasan (prune) untuk item CDR, Diapet Kapsul, Laxing Kapsul dan Sangobion Cap karena merupakan itemset infrekuent yaitu itemset yang mempunyai nilai support di bawah ambang batas atau itemset yang tidak sering muncul.
Tabel 5. 1-itemset Frekuent
Item Transaksi Support
Actifed Sirup 60 Ml 6 50%
Alpara 4 33%
Aspilet 5 42%
Aspirin 500 Mg Tabelt 7 58%
Dextral Tab 5 42%
Imboost Force Syr 60 Ml 4 33% Mylanta Suspensi 360 Ml 4 33% Neurobion 5000 Tab 4 33% Panadol Tab 7 58% Sanmol Tab 5 42% Transpulmin Bb 10gr 4 33%
Sumber : Data Hasil Penelitian (2016) 2. Pembentukan 2- Itemset
Dari hasil pembentukan 1-itemset selanjutnya dilakukan penggabungan (join) untuk mendapatkan kandidat 2-itemset yang dibangkitkan menggunakan 1-itemset frekuen (F 1).
Tabel 6. Kandidat 2-itemset Itemset Transaksi
A, B Actifed Sirup 60 Ml, Alpara 1 Actifed Sirup 60 Ml, Aspilet 2 Actifed Sirup 60 Ml, Aspirin 500 Mg Tablet 4 Actifed Sirup 60 Ml, Dextral Tab 1 Actifed Sirup 60 Ml, Imboost Force Syr 60 Ml 1 Actifed Sirup 60 Ml, Mylanta Suspensi 360 Ml 3 Actifed Sirup 60 Ml, Neurobion 5000 Tab 2 Actifed Sirup 60 Ml, Panadol Tab 3 Actifed Sirup 60 Ml, Sanmol Tab 3 Actifed Sirup 60 Ml, Transpulmin Bb 10gr 2
Alpara, Aspilet 2
Alpara, Aspirin 500 Mg Tablet 1
Alpara, Dextral Tab 3
Alpara, Imboost Force Syr 60 Ml 0 Alpara, Mylanta Suspensi 360 Ml 1 Alpara, Neurobion 5000 Tab 2
Alpara, Panadol Tab 3
Alpara, Sanmol Tab 1
Alpara, Transpulmin Bb 10gr 0 Aspilet, Aspirin 500 Mg Tablet 3
Aspilet, Dextral Tab 2
Aspilet, Imboost Force Syr 60 Ml 1 Aspilet, Mylanta Suspensi 360 Ml 2 Aspilet, Neurobion 5000 Tab 1
Aspilet, Panadol Tab 3
Aspilet, Sanmol Tab 0
Aspilet, Transpulmin Bb 10gr 1 Aspirin 500 Mg Tablet, Dextral Tab 2 Aspirin 500 Mg Tablet, Imboost Force Syr 60 Ml 3 Aspirin 500 Mg Tablet, Mylanta Suspensi 360 Ml 3 Aspirin 500 Mg Tablet, Neurobion 5000 Tab 1 Aspirin 500 Mg Tablet, Panadol Tab 2 Aspirin 500 Mg Tablet, Sanmol Tab 4 Aspirin 500 Mg Tablet, Transpulmin Bb 10gr 2 Dextral Tab, Imboost Force Syr 60 Ml 1 Dextral Tab, Mylanta Suspensi 360 Ml 1 Dextral Tab, Neurobion 5000 Tab 3 Dextral Tab, Panadol Tab 4 Dextral Tab, Sanmol Tab 1 Dextral Tab, Transpulmin Bb 10gr 1 Imboost Force Syr 60 Ml, Mylanta Suspensi 360 Ml 0 Imboost Force Syr 60 Ml, Neurobion 5000 Tab 1 Imboost Force Syr 60 Ml, Panadol Tab 2 Imboost Force Syr 60 Ml, Sanmol Tab 3 Imboost Force Syr 60 Ml, Transpulmin Bb 10gr 2 Mylanta Suspensi 360 Ml, Neurobion 5000 Tab 1 Mylanta Suspensi 360 Ml, Panadol Tab 2 Mylanta Suspensi 360 Ml, Sanmol Tab 1 Mylanta Suspensi 360 Ml, Transpulmin Bb 10gr 1 Neurobion 5000 Tab, Panadol Tab 3 Neurobion 5000 Tab, Sanmol Tab 1 Neurobion 5000 Tab, Transpulmin Bb 10gr 1 Panadol Tab, Sanmol Tab 2 Panadol Tab, Transpulmin Bb 10gr 2 Sanmol Tab, Transpulmin Bb 10gr 2 Sumber : Data Hasil Penelitian (2016) Nilai support dari kandidat 2-itemset
diperoleh dengan cara mencari jumlah transaksi yang mengandung item A dan item B (item pertama bersama dengan item yang lain) dibagi dengan jumlah keseluruhan transaksi dikalikan 100%. Atau dalam bentuk rumus sebagai berikut:
Contoh untuk menghitung nilai support dari itemset Actifed Sirup 60 Ml, Alpara, dapat diketahui untuk jumlah transaksi yang mengandung Actifed Sirup 60 Ml dan Alpara adalah 1 transaksi dan total seluruh transaksi adalah 12 transaksi, sehingga penghitungan support-nya sebagai berikut: Support Actifed Sirup 60 Ml, Alpara = 1/12 x 100%
Setelah diketahui nilai support dari kandidat 2-itemset, dengan ditentukannya minimum support 30 % dan 𝚽 = 3 dilakukan pemangkasan (prune) terhadap itemset yang mempunyai nilai support di bawah ambang batas minimum support, sehingga didapat item yang memenuhi standar
minimum support atau disebut itemset
frekuent (itemset yang sering muncul) sebagai berikut:
Tabel 7. 2-itemset Frekuent
Itemset Transaksi A, B Support Actifed Sirup 60 Ml, Aspirin 500 Mg Tabelt 4 33% Aspirin 500 Mg Tabelt, Sanmol Tab 4 33%
Dextral Tab, Panadol Tab 4 33% Sumber : Data Hasil Penelitian (2016) B. Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi
ditemukan, kemudian dilakukan
pembentukan aturan assosiasi A→B yang dibentuk menggunakan 2-itemset frequent (F2).
Tabel 8. Aturan Asosiasi Yang Terbentuk 2-Itemset
Frekuent
Aturan Asosiasi Yang Terbentuk (Rule)
Actifed Sirup 60 Ml, Aspirin 500 Mg Tabelt
Jika menjual Actifed Sirup 60 Ml maka akan menjual Aspirin 500 Mg Tabelt
Jika menjual Aspirin 500 Mg Tabelt maka akan menjual Actifed Sirup 60 Ml Aspirin 500 Mg
Tabelt, Sanmol Tab
Jika menjual Aspirin 500 Mg Tabelt maka akan menjual Sanmol Tab
Jika menjual Sanmol Tab maka akan menjual Aspirin 500 Mg Tabelt
Dextral Tab, Panadol Tab
Jika menjual Dextral Tab maka akan menjual Panadol Tab Jika menjual Panadol Tab maka akan menjual Dextral Tab Sumber : Data Hasil Penelitian (2016) 3.2. Interpretasi Dan Pembahasan Hasil
Penelitian
Dari pengujian dengan algoritma Apriori dan software rapid miner dengan nilai minimum support 30 % dan nilai minimumconfidence 50 % dihasilkan rule aturan assosiasi yang terbentuk adalah:
Tabel 9. Hasil Pengujian Algoritma Apriori
RapidMiner
Rule Confidence
Jika menjual Actifed Sirup 60 Ml maka akan menjual Aspirin 500 Mg Tabelt
67% 1. [Actifed Sirup 60 Ml] --> [Aspirin 500 Mg Tablet] (Confidence: 0.667) Jika menjual Aspirin 500 Mg Tabelt
maka akan menjual Actifed Sirup 60 Ml
57% 2. [Aspirin 500 Mg Tablet] --> [Actifed Sirup 60 Ml] (Confidence: 0.571) Jika menjual Aspirin 500 Mg Tabelt
maka akan menjual Sanmol Tab 57%
3. [Aspirin 500 Mg Tablet] --> [Sanmol Tab] (Confidence: 0.571)
Jika menjual Sanmol Tab maka akan
menjual Aspirin 500 Mg Tabelt 80%
4. [Sanmol Tab] --> [Aspirin 500 Mg Tablet] (Confidence: 0.800) Jika menjual Dextral Tab maka akan
menjual Panadol Tab 80%
5. [Dextral Tab] --> [Panadol Tab] (Confidence: 0.800)
Jika menjual Panadol Tab maka akan
menjual Dextral Tab 57%
6. [Panadol Tab] --> [Dextral Tab] (Confidence: 0.571)
Sumber : Data Hasil Penelitian (2016) Dari pengujian diatas menunjukan hasil
bahwa penerapan data mining market
basket analysis (aturan asosiasi)
menggunakan algoritma Apriori dan setelah diuji menggunakan software RapidMiner menunjukan kesamaan dalam hasil pembentukan rule maupun nilai confidence nya. Hal ini menunjukkan bahwa penerapan data mining market basket analysis (aturan asosiasi) menggunakan algoritma Apriori dalam penentuan pola penjualan obat
dengan pemanfaatan data laporan penjualan bulanan dapat berguna bagi apotek Pala Farma. Dari hasil pengukuran menggunakan support dan confidence didapati hasil prosentase yang cukup tinggi. Pola kombinasi yang dihasilkan bejumlah 6 rules dengan nilai minimum support sebesar 33% dan nilai confidence tertinggi dari 6 rules tersebut sebesar 80%
4. Simpulan
Dari hasil pengujian didapatkan hasil bahwa penerapan data mining menggunakan
metode market basket analisys
menggunakan algoritma Apriori dapat membantu menemukan pola penjualan obat berdasarkan kecenderungan obat yang terjual secara bersamaan yang terdiri dari 2 itemset obat, kemudian dari hasil pengujian ini juga dapat membantu pihak apotek Pala Farma dalam mengatur tata letak obat yang terdiri dari 2 itemset obat secara berdekatan untuk memudahkan dalam mengetahui keberadaan obat serta dapat membantu dalam mengambil keputusan untuk menentukan persediaan obat.
Kelebihan dari algoritma Apriori ini adalah lebih sederhana dan dapat menangani data yang besar. Sedangkan algoritma lainnya memiliki kelemahan dalam penggunaan memori saat jumlah data besar, tentunya berpengaruh terhadap banyaknya item yang diproses serta mudah di pahami struktur kerja dan implementasinya. Namun, data mining dengan algoritma apriori memiliki kelemahan karena harus melakukan scan database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan makin banyak iterasi
Untuk penelitian selanjutnya perlu dilakukan perbandingan dengan menggunakan (Yanto & Khoriah, 2015) (Widodo & Handayanto, 2012) (Widodo, Hartanto, & Herlawati, Peerapan Data Mining Dengan Matlab, 2013) (Tampubolon, Saragih, & Reza, 2013) (Sugiyono, 2010) (Santosa, 2007) (Prasetyo, 2012) (Ristono, 2009)algoritma lain untuk menguji serta mendapatkan kesimpulan bahwa algoritma Apriori berkinerja baik untuk memproses dan menemukan pola hubungan (asosiasi) antar item dari suatu basis data transaksi.
Referensi
Dennis, A., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. S. (2013). Belajar Data Mining Dengan Rapid Miner. Jakarta: Gramedia Pustaka.
Kountur, R. (2007). Metode Penelitian Untuk Penulisan Skripsi dan Tesis. Jakarta: PPM.
Kusrini, & Luthfi, E. T. (2009). Algortima Data Mining. Yogyakarta: CV. Andi offset.
Pane, D. (2013). Implementasi Data Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kredit Plus). Pelita Budi Darma, 15-29.
Pasaribu, S. R. (2014). Implementasi Data Mining Penjualan Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Lucky Swalayan). Pelita Informatika Budi Darma , 119-123. Prasetyo, E. (2012). Data Mining, Konsep
dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset.
Ristono, A. (2009). Manajemen Persediaan. Yogyakarta: Graha ilmu.
Santosa, B. (2007). Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Sugiyono. (2010). Metode Penelitian
Pendidikan. Bandung: Alfabeta. Tampubolon, K., Saragih, H., & Reza, B.
(2013). Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-alat Kesehatan. Majalah Ilmiah Informasi dan Teknologi Ilmiah, 93-106.
Widodo, P. P., & Handayanto, R. T. (2012). Penerapan Soft Computing Dengan Matlab. Bandung: Rekayasa Sains. Widodo, P. P., Hartanto, R. T., & Herlawati.
(2013). Peerapan Data Mining
Dengan Matlab. Bandung:
Rekayasa Sains.
Yanto, R., & Khoriah, R. (2015). Implementasi Data Mining dengan
Metode Algoritma dalam
Menentukan Pola Pembelian Obat. Citec Journal, 102-113.
