IMPLEMENTASI ASOSIASI APRIORI UNTUK MENENTUKAN POLA KOMBINASI RESEP OBAT
Siti Rahayu, Aidil Fitriansyah
Mahasiswa Program Studi S1 Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
[email protected] ABSTRACT
Mercy Clinic is one of the health services in Pekanbaru which has a lot of transaction data on patient prescription drugs. Because the number of transactions that occurred everyday causes the accumulation of data. Therefore, the data is better processed to improved sales strategy. The association rule mining method is used to found associative rules or the relationship of certain things between a combination of items, which later aims to found out the pattern of combinations of prescription drugs that often appeared used the apriori algorithm. This system is designed used UML, made the system used the PHP programming language and database. This research was conducted on 1,302 transaction data in April-May 2021 with a minimum support parameter of 7%
and a minimum confidence of 20%. This study resulted in four association rules with a combination of items up to 2-itemset.
Keywords: Apriori Algorithms, Association Rule Mining and Medical Prescription.
ABSTRAK
Klinik Mercy adalah salah satu layanan kesehatan di Pekanbaru yang mempunyai banyak data transaksi resep obat pasien. Karena banyaknya transaksi yang terjadi setiap harinya menyebabkan penumpukan data. Oleh Karena itu, data-data tersebut lebih baik diolah untuk meningkatkan strategi penjualan. Metode association rule mining digunakan untuk menemukan aturan asosiatif atau hubungan hal tertentu antar suatu kombinasi item, yang nantinya bertujuan untuk mengetahui pola kombinasi resep obat apa saja yang sering muncul menggunakan algoritma apriori. Sistem ini dirancang menggunakan UML, pembuatan sistem menggunakan bahasa pemrograman PHP dan database. Penelitian ini dilakukan terhadap 1.302 data transaksi pada bulan April-Mei tahun 2021 dengan parameter minimum support sebesar 7% dan minimum confidence sebesar 20%. Penelitian ini menghasilkan empat aturan asosiasi dengan kombinasi item sampai pada 2-itemset.
Kata kunci: Algoritma Apriori, Association Rule Mining dan Resep Obat.
PENDAHULUAN
Klinik Mercy adalah salah satu layanan kesehatan di Pekanbaru yang diresmikan pada tanggal 5 November 2011 yang memberikan pelayanan poliklinik kebidanan dan kandungan, poliklinik anak, penyakit dalam, gigi, kecantikan, dan poliklinik umum / UGD. Klinik Mercy buka 24 jam setiap harinya sehingga mempunyai data transaksi penjualan dan penjualan resep obat pasien yang terjadi sehari-hari. Karena banyaknya transaksi yang terjadi setiap harinya menyebabkan penumpukan data. Oleh Karena itu data-data tersebut lebih baik diolah untuk meningkatkan strategi penjualan. Data mining digunakan untuk mengolah data-data tersebut menjadi informasi yang lebih berguna.
Penelitian ini menggunakan teknik data mining dengan metode asosiasi apriori yang nantinya akan menghasilkan data berupa pola kombinasi obat apa saja yang sering diresepkan dokter secara bersamaan. Proses pencarian menggunakan algoritma apriori berfungsi untuk membentuk kandidat kombinasi item yang kemudian diuji apakah kombinasi tersebut memenuhi parameter minimum support dan minimum confidence yang telah ditentukan user, sehingga nantinya pemilik klinik bisa terus menjaga ketersediaan obat yang dibutuhkan konsumen, dan juga nantinya bisa membantu tata letak obat dengan melihat kecenderungan konsumen membeli obat dari pencarian kombinasi item.
METODE PENELITIAN
a. Teknik Pengumpulan Data
Data yang diperoleh secara langsung dari objek penelitian diperoleh dengan cara observasi, wawancara, dan data langsung dari tempat penelitian. Data yang diperoleh secara tidak langsung atau data yang diperoleh selain dari objek penelitian, diperoleh dari buku-buku, jurnal, internet dan literatur yang masih berhubungan dengan topik skripsi. Pengumpulan data dari penelitian-penelitian sebelumnya bertujuan agar penelitian ini dapat berguna sebagai pelengkap dan penyempurna dari penelitian- penelitian yang sudah dilakukan sebelumnya.
Pada tahap pengumpulan data, untuk menghasilkan data yang lebih akurat peneliti langsung melakukan wawancara terhadap narasumber yang bersangkutan dengan mengajukan pertanyaan-pertanyaan yang dapat membantu peneliti untuk mendapatkan data. Dalam hal ini peneliti mewawancarai secara langsung salah satu apoteker di Klinik Mercy. Pada tahap ini, peneliti mengumpulkan data berupa data transaksi resep dokter di Klinik Mercy mulai dari tanggal 1 April sampai 30 Mei 2021 dalam bentuk nota resep dokter yang kemudian diubah ke dalam bentuk excel.
b. Association Rule
Menurut Zhao (Febrian, Dzulfaqor, Lestari, Romadhon, & Widodo, 2018), Association Rules adalah menampilkan kombinasi atau hubungan diantara item.
Association Rules adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Association Rules meliputi dua tahap yaitu mencari kombinasi
(untuk conditional Association Rules). Aturan asosiasi yang terbentuk “if...then...” atau
“jika...maka...” merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi.
Association Rules mining adalah suatu prosedur untuk mencari hubungan antar item dalam suatu dataset yang ditentukan. Dalam dunia bisnis lazim dikenal istilah affinity analysis. Tugas dari Association Rules adalah mencari aturan yang tidak mencakup hubungan antara dua atau lebih atribut. Association Rules meliputi dua tahap:
i. Mencari kombinasi yang paling sering terjadi dari suatu itemset.
ii. Mendefinisikan condition dan decision (untuk conditional Association Rules).
c. Algoritma Apriori
Dalam metode ini terdapat salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien yaitu analisis pola frekuensi tinggi (frequent pattern mining). Suatu asosiasi dikatakan penting dengan memperhatikan dua tolak ukur yaitu: support dan confidence. Support yaitu persentase kombinasi item tersebut dalam database (nilai penunjang). Confidence yaitu kuatnya hubungan antar item dalam aturan asosiasi (nilai kepastian).
Proses awal dalam algoritma apriori adalah analisis pola frekuensi tinggi merupakan cara mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. Frequent itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang ditentukan. Tahap berikutnya adalah pembentukan aturan asosiasi, yaitu setelah semua pola frekuensi tinggi ditemukan, kemudian dicari aturan asosiasi yang memenuhi syarat minimum confidence dengan menghitung confidence A→B. Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan support x confidence. Aturannya diambil sebanyak n aturan yang memiliki hasil terbesar. Semakin kecil minimum support dan confidence yang ditentukan, semakin banyak pula rules yang dapat dihasilkan oleh aplikasi, dengan konsekuensi waktu proses akan lebih lama dibandingkan minimum support yang lebih besar (Salamah & Ulinnnuha, n.d.).
Terdapat dua proses utama dalam algoritma Apriori yaitu : a. Join (penggabungan)
Dalam proses ini, setiap item dikombinasikan dengan item lain sampai tidak dapat terbentuk kombinasi lagi.
b. Pruning (pemangkasan)
Pada proses ini, hasil kombinasi item akan dipangkas berdasarkan minimum support yang telah ditentukan.
d. Analisa Pola Frekuensi Tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut (Yanto & Khoiriah, n.d.):
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(A) =jumlah transaksi mengandung A
total transaksi (1)
Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:
Support (A, B) = P (A ∩ B)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(A, B) = jumlah transaksi mengandung A dan B
total transaksi (2) e. Pembentukan Aturan Asosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A → B. Nilai confidence dari aturan A → B diperoleh dari rumus berikut (Yanto & Khoiriah, n.d.):
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(A → B) = jumlah transaksi mengandung A dan B
jumlah transaksi mengandung A (3)
HASIL DAN PEMBAHASAN
a. Preprocessing Data
Dalam proses pengolahan data menggunakan metode algoritma apriori, data yang dipersiapkan adalah data transaksi resep obat yang diresepkan dokter kepada pasien di Klinik Mercy. Contoh data transaksi resep obat pada Tabel 1.
Tabel 1. Data Transaksi sebelum Preprocessing
ID Tanggal Kode Obat Deskripsi QTY
1 2021-04-01 000533, 000037, 000971
CLINDAMYCIN 300 MG, YEKAZONE,
ARMACORT 7, 6, 1
2 2021-04-01 001118, 000090, 001104, 000530
AMLODIPIN 5 MG, SALFENAL 400 MG, RANITIDINE TAB., VITAMIN B
COMPLEX
9, 9, 6, 4 3 2021-04-01 001167, 001296,
000683
IBUPROFEN 400 MG, DEXAMETASON,
AMBEVEN 9, 9, 6
4 2021-04-01 001159, 000530 AMOXICILLIN 125 MG SYR, VITAMIN
B COMPLEX 1, 4
5 2021-04-01 000683, 000090 AMBEVEN, SALFENAL 400 MG 6, 9 6 2021-04-01 000225. 001177,
000619 LBIO, COTRIMOXAZOL SYR, ORALIT 2, 1, 3 7 2021-04-01 000679, 000090,
001119, 000530
HISTIGO, SALFENAL 400 MG, DOMPERIDON TAB., VITAMIN B COMPLEX
6, 9, 6, 4 8 2021-04-01 000779, 000090,
001296
AMOXICILLIN 500 MG, SALFENAL 400
MG, DEXAMETASON 9, 9, 9
9 2021-04-01 001119, 001108 DOMPERIDON TAB., ANTASIDA SYR 5, 1 10 2021-04-01 000191, 000037,
001051
SCABIMITE CREM, YEKAZONE,
IBUPROFEN SYR 1, 9, 1
Atribut yang terdapat pada data transaksi awal adalah ID Transaksi, Tanggal, Kode obat, Deskripsi, dan QTY (Quantity). Atribut Tanggal dan QTY (Quantity) lebih baik dibuang karena tidak diperlukan dalam proses association rule.
Tabel 2. Data Transaksi setelah Preprocessing
ID Kode Obat Deskripsi
1 000533, 000037, 000971 CLINDAMYCIN 300 MG, YEKAZONE, ARMACORT 2 001118, 000090, 001104,
000530
AMLODIPIN 5 MG, SALFENAL 400 MG, RANITIDINE TAB., VITAMIN B COMPLEX
3 001167, 001296, 000683 IBUPROFEN 400 MG, DEXAMETASON, AMBEVEN 4 001159, 000530 AMOXICILLIN 125 MG SYR, VITAMIN B COMPLEX 5 000683, 000090 AMBEVEN, SALFENAL 400 MG
6 000225. 001177, 000619 LBIO, COTRIMOXAZOL SYR, ORALIT 7 000679, 000090, 001119,
000530
HISTIGO, SALFENAL 400 MG, DOMPERIDON TAB., VITAMIN B COMPLEX
8 000779, 000090, 001296 AMOXICILLIN 500 MG, SALFENAL 400 MG, DEXAMETASON
9 001119, 001108 DOMPERIDON TAB., ANTASIDA SYR
10 000191, 000037, 001051 SCABIMITE CREM, YEKAZONE, IBUPROFEN SYR
b. Pembentukan Kandidat 1-Itemset
Pada pengujian ini, peneliti menetapkan nilai minimum support sebesar 7% dan minimum confidence sebesar 20%. Proses pembentukan C1 dengan jumlah minimum support 7% dengan menggunakan persamaan 1. Berikut contoh perhitungan kandidat 1- itemset:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(VITAMIN B COMPLEX) = 475
1.302= 0,3648 (36%) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(PARACETAMOL TAB. ) = 421
1.302= 0,3218 (32%)
Berikut contoh hasil kandidat 1-itemset yang memenuhi nilai minimum support 7% dapat dilihat pada Tabel 3.
Tabel 3. Kandidat 1-Itemset (C1)
No. Kode Obat Deskripsi Frekuensi Support Konversi Support Dalam Persen 1 000530 VITAMIN B COMPLEX 475 0,3648 36%
2 000125 PARACETAMOL TAB. 421 0,3218 32%
3 001296 DEXAMETASON 245 0,1881 19%
4 000253 VITAMIN C 234 0,1797 18%
5 001104 RANITIDINE TAB. 226 0,1735 17%
6 000779 AMOXICILLIN 500 MG 208 0,1597 16%
7 000850 AMBROXOL TAB. 149 0,1144 11%
8 000944 CTM 143 0,1098 11%
9 001114 PARACETAMOL SYR 111 0,0852 8%
10 000243 CETIRIZINE 105 0,0791 8%
c. Pembentukan Kandidat 2-Itemset
Proses selanjutnya dilakukan penggabungan (join) untuk mendapatkan kandidat 2- itemset. Proses pembentukan C2 dengan jumlah minimum support 7% dengan menggunakan persamaan 2. Berikut contoh perhitungan kandidat 2-itemset:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(VITAMIN B COMPLEX, PARACETAMOL TAB) = 176
1.302= 0,13 (13%) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(VITAMIN B COMPLEX, RANITIDINE TAB) = 126
1.302= 0,09 (9%)
Berikut contoh hasil kandidat 2-itemset yang memenuhi nilai minimum support 7% dapat dilihat pada Tabel 4.
Tabel 4. Kandidat 2-Itemset (C2)
No. Kode Obat Deskripsi
Frekuensi Support Konversi Support Dalam Persen
1 000530, 000125 VITAMIN B COMPLEX,PARACETAMOL
TAB. 176 0,13 13%
2 000530, 001296 VITAMIN B COMPLEX, RANITIDINE TAB 126 0,09 9%
3 000530, 000253 PARACETAMOL TAB, RANITIDINE TAB 90 0,06 6%
4 000530, 001104 DEXAMETASON, VITAMIN C 90 0,06 6%
5 000530, 000779 VITAMIN C, CTM 82 0,06 6%
6 000530, 000850 PARACETAMOL TAB, DEXAMETASON 80 0,06 6%
7 000530, 000944 PARACETAMOL TAB, VITAMIN C 80 0,06 6%
8 000530, 001114 DEXAMETASON, CTM 71 0,05 5%
9 000530, 000243 VITAMIN B COMPLEX,AMOXICILLIN
500 MG 70 0,05 5%
10 000530, 001159 PARACETAMOL TAB, AMOXICILLIN 500
MG 70 0,05 5%
Setelah diketahui nilai support dari kandidat 2-itemset, selanjutnya dilakukan pemangkasan (prune) terhadap produk yang mempunyai nilai support dibawah 7%.
Produk yang memiliki nilai support lebih dari sama dengan 7% merupakan frequent 2- itemset (L2). Hasil frequent 2-itemset (L2) dapat dilihat pada Tabel 5.
Tabel 5. Hasil Frequent 2-Itemset (L2)
No. Kode Obat Deskripsi Frekuensi Support
(A,B)
Konversi Support
Dalam Persen 1 000530,
000125
VITAMIN B COMPLEX,
PARACETAMOL TAB. 176 0,13 13%
2 000530, 001296
VITAMIN B COMPLEX,
RANITIDINE TAB. 126 0,09 9%
Hasil dari frequent 2-itemset (L2) terdapat dua kombinasi produk yang memiliki nilai suppport lebih dari atau sama dengan 7%.
Pada iterasi ketiga, tidak ada kandidat itemset yang memenuhi minimum support, maka tidak terdapat anggota pada himpunan frequent 3-itemset (L3). Maka dari itu iterasi dihentikan.
d. Pembentukan Association Rule
Setelah semua pola frekuensi tinggi ditemukan, selanjutnya dilakukan pembentukan association rule A→B yang dibentuk menggunakan hasil frequent 2- itemset (L2).
Tabel 6. Hasil Association Rule
No. Deskripsi Association Rule
1 VITAMIN B COMPLEX, PARACETAMOL TAB
Jika dokter meresepkan VITAMIN B COMPLEX maka akan diresepkan juga PARACETAMOL TAB.
Jika dokter meresepkan PARACETAMOL TAB. maka akan diresepkan juga VITAMIN B COMPLEX
2
VITAMIN B COMPLEX, RANITIDINE TAB
Jika dokter meresepkan VITAMIN B COMPLEXmaka akan diresepkan juga RANITIDINE TAB.
Jika dokter meresepkan RANITIDINE TAB. maka akan diresepkan juga VITAMIN B COMPLEX
Selanjutnya dari hasil pembentukan association rule yang terdapat pada Tabel 6 akan dicari nilai confidence-nya menggunakan persamaan 3. maka,
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(VITAMIN B COMPLEX, PARACETAMOL TAB) =176
475= 0, 37 (37%)
Hasil perhitungan nilai confidence dari association rule A→B dapat dilihat pada Tabel 7.
Tabel 7.Nilai Confidence
No. Kode
Obat Association Rule
Frek. A,B Frek. A Support (A,B) Confidence
1 000530, 000125
Jika dokter meresepkan VITAMIN B COMPLEX maka akan diresepkan juga PARACETAMOL TAB.
176 475 0,13 (13%)
0,37 (37%) 2 000125,
000530
Jika dokter meresepkan PARACETAMOL TAB. maka akan diresepkan juga VITAMIN B COMPLEX
176 421 0,13 (13%)
0,42 (42%) 3 000530,
001104
Jika dokter meresepkan VITAMIN B COMPLEX maka akan diresepkan juga RANITIDINE TAB.
126 475 0,09 (9%)
0,26 (26%) 4 001104,
000530
Jika dokter meresepkan RANITIDINE TAB. maka akan diresepkan juga VITAMIN B COMPLEX
126 226 0,09 (9%)
0,56 (56%)
e. Implementasi Sistem
Berikut ini adalah hasil sistem prototipe pada perhitungan algoritma apriori untuk menentukan pola kombinasi resep obat di Klinik Mercy.
Pada halaman login ini harus memasukkan email adress/username dan password.
Halaman ini hanya dapat diakses oleh admin, setelah berhasil login maka akan masuk ke halaman dashboard.
Gambar 1. Tampilan Halaman Login
Pada tampilan dashboard menampilkan jumlah data transaksi.
Gambar 2. Tampilan Halaman Dashboard
User memiliki akses untuk mengimport data transaksi dalam bentuk format .xlsx.
Berikut tampilan import data.
Gambar 3. Tampilan Import Data
Pada menu data transaksi,user dapat melihat data transaksi yang sudah tersimpan didalam basis data. Berikut tampilan data transaksi.
Gambar 4. Tampilan Data Transaksi
Pada menu perhitungan akan menampilkan form perhitungan dimana user diminta untuk memasukkan minimum support, minimum confidence, tanggal dimulai dan tanggal selesai.
Gambar 5. Tampilan Perhitungan
Pada tampilan hasil perhitungan akan menampilkan hasil perhitungan dari hasil association rule.
Gambar 6.Tampilan Hasil Perhitungan
KESIMPULAN
Berdasarkan hasil penelitian yang dilakukan dapat ditarik beberapa kesimpulan yaitu sebagai berikut:
1. Algoritma Apriori dapat diimplementasikan untuk mendapatkan pola kombinasi resep obat berdasarkan data transaksi yang ada.
2. Aturan asosiasi yang terbentuk maksimal hanya sampai dua itemset. Hal ini dikarenakan dalam penelitian hanya sampai di kandidat 2-itemset yang memenuhi nilai minimum support dan confidence, sedangkan untuk tiga itemset tidak memenuhi nilai minimum support dan confidence yang diinginkan.
3. Dari perhitungan yang telah di bahas sebelumnya menghasilkan empat aturan asosiasi yang memenuhi nilai minimum support dan nilai minimum confidence yang telah ditentukan. Keempat asosiasi tersebut dapat diterjemahkan sebagai berikut:
a. Kombinasi resep obat RANITIDINE TAB dan VITAMIN B COMPLEX dengan nilai support sebesar 9%. Artinya 9% dari seluruh transaksi berjumlah 1.302 transaksi mengandung produk obat RANITIDINE TAB dan VITAMIN B COMPLEX Yang diresepkan secara bersamaan, sedangkan memiliki nilai confidence sebesar 56% menyatakan tingkat kepercayaan atau dapat disimpulkan
bahwa jika seorang pasien diresepkan RANITIDINE TAB maka terdapat 56%
kemungkinan pasien tersebut akan diresepkan juga VITAMIN B COMPLEX.
b. Kombinasi resep obat VITAMIN B COMPLEX dan RANITIDINE TAB dengan nilai support sebesar 9%. Artinya 9% dari seluruh transaksi berjumlah 1.302 transaksi mengandung produk obat VITAMIN B COMPLEX dan RANITIDINE TAB yang diresepkan secara bersamaan, sedangkan memiliki nilai confidence sebesar 26% menyatakan tingkat kepercayaan atau dapat disimpulkan bahwa jika seorang pasien diresepkan VITAMIN B COMPLEX maka terdapat 26%
kemungkinan pasien tersebut akan diresepkan RANITIDINE TAB juga.
c. Kombinasi resep obat VITAMIN B COMPLEX dan PARACETAMOL TAB dengan nilai support sebesar 13% . Artinya 13% dari seluruh transaksi berjumlah 1.302 transaksi mengandung produk obat VITAMIN B COMPLEX dan PARACETAMOL TAB yang diresepkan secara bersamaan, sedangkan memiliki nilai confidence sebesar 37% menyatakan tingkat kepercayaan atau dapat disimpulkan bahwa jika seorang pasien diresepkan VITAMIN B COMPLEX maka terdapat 37% kemungkinan pasien tersebut akan diresepkan PARACETAMOL TAB juga.
d. Kombinasi resep obat PARACETAMOL TAB dan VITAMIN B COMPLEX dengan nilai support sebesar 13%. Artinya 13% dari seluruh transaksi berjumlah 1.302 transaksi mengandung produk obat PARACETAMOL TAB dan VITAMIN B COMPLEX yang diresepkan secara bersamaan, sedangkan memiliki nilai confidence sebesar 42% menyatakan tingkat kepercayaan atau dapat disimpulkan bahwa jika seorang pasien diresepkan PARACETAMOL TAB maka terdapat 42%
kemungkinan pasien tersebut akan diresepkan VITAMIN B COMPLEX juga.
4. Hasil intepretasi knowledge yang diperoleh dari pola beli konsumen diatas adalah sebagai berikut:
a. Produk yang sering diresepkan dokter adalah produk obat VITAMIN B COMPLEX, PARACETAMOL TAB., dan RANITIDINE TAB, sehingga persediaan/stok untuk produk tersebut harus paling banyak dari produk obat yang lain.
b. Untuk kombinasi produk obat yang memiliki nilai support dan confidence tertinggi bisa disusun atau ditempatkan secara berdekatan pada rak obat agar memudahkan saat mencari.
c. Untuk produk yang memiliki nilai support dan nilai confidence yang rendah sebaiknya persediaan / stok produk obat tidak terlalu banyak untuk menghindari produk obat yang jarang diresepkan dokter kepada pasien sehingga mengakibatkan produk kadaluarsa.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada bapak Aidil Fitriansyah, S.Kom., MIT yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Febrian, R., Dzulfaqor, F., Lestari, M. N., Romadhon, A. A., & Widodo, E. (2018).
Analisis pola pembelian obat di apotek uii farma menggunakan metode algoritma apriori, 49–54.
Salamah, E. N., & Ulinnnuha, N. (n.d.). Analisis Pola Pembelian Obat dan Alat Kesehatan di Klinik Ibu dan Anak Graha Amani dengan Menggunakan Algoritma Apriori, (xx), 1–6.
Yanto, R., & Khoiriah, R. (n.d.). Implementasi Data Mining dengan Metode Algoritma Apriori dalam Menentukan Pola Pembelian Obat, 102–113.
