Implementasi Metode K-Medoids Untuk Pengelompokan Data Obat Pada
Klinik Khalisa Medic
Diana Siti Mariana, Toni Arifin, Hermansyah Program Studi Sistem Informasi Universitas BSI Bandung Bandung [email protected]
Abstrak- Perencanan kebutuhan obat merupakan hal yang penting dilakukan untuk menjamin ketersediann dan pemerataan obat dengan jenis dan jumlah yang mencukupi agar obat dapat diperoleh dengan cepat pada tempat dan waktu yang tepat.
Pengolahan ketersediaan data obat harus dikelola dengan baik untuk menjamin obat yang dibutuhkan oleh masyarakat selalu tersedia. Clustering merupakan salah satu metode dalam data mining yang dapat digunakan untuk mengelompokan pemakaian obat yang terjadi pada sebuah klinik dan dapat digunakan sebagai alat bantu untuk mempermudah pekerjaan bagian farmasi pada klinik dalam mengajukan permintaan obat untuk periode yang akan datang. Metode yang digunakan pada penelitian ini adalah metode K-Medoids yang merupakan suatu metode clusterisasi dalam data mining. Penelitian ini juga didukung dengan software RapidMiner untuk pengolahan data obat dengan menggunakan metode K-Medoids. Hasil akhir dari penelitian ini adalah sebuah program aplikasi yang dapat mengelompokan tingkat pemakaian obat dengan kategori pemakaian sering, sedang dan pemakaian jarang pada Klinik Khalisa Medic.
Kata kunci- Clustering, Data Mining, K-Medoids, dan Obat
I. PENDAHULUAN
Perencanaan kebutuhan obat merupakan hal yang penting dilakukan untuk menjamin ketersediann dan pemerataan obat dengan jenis dan jumlah yang mencukupi agar obat dapat diperoleh dengan cepat pada tempat dan waktu yang tepat pada instansi yang terkait dengan pelayanan kesehatan, baik itu rumah sakit, puskesmas, dinas kesehatan dan lain sebagainya. Selain itu, ruang lingkup ekspansi bisnis juga membuat peningkatan jumlah dan jenis obat-obatan menjadi lebih kompleks. Namun perkembangan teknologi medis dan ilmu kedokteran yang luar biasa menyebabkan semakin banyak jenis obat-obatan yang membuat pihak manajemen bekerja lebih rumit dari sebelumnya [1].
Klinik Khalisa Medic merupakan tempat pelayanan kesehatan yang menyediakan berbagai jenis obat-obatan dalam melakukan pelayanan bagi pasiennya. Klinik tersebut didirikan
dengan sebuah visi untuk menjadi tempat pelayanan kesehatan yang menangani pasien secara holistik. Oleh karena itu, pengobatan dilakukan secara cepat dan tepat yang disertai dengan pendekatan moral dan nurani namun dengan biaya yang kompetitif. Sehingga diharapkan klinik ini dapat memberikan manfaat untuk masyarakat luas tanpa memandang golongan serta dipercaya oleh seluruh lapisan masyarakat. Pengelolaan obat pada Klinik Khalisa Medic cukup banyak dan semakin bertambah, sehingga perlu adanya pengelompokan untuk mengolah data obat. Data jenis obat pada Klinik Khalisa Medic disusun berdasarkan permintaan dan catatan resep yang dibawa oleh pasien. Hal ini menjadi masalah ketika karyawan klinik pada bagian farmasi harus menyusun data persediaan obat yang paling sering digunakan pasien menggunakan rekapan catatan yang masih sederhana. Berdasarkan permasalahan yang ada, maka perlu diimplementasikan suatu metode untuk mengelompokan data obat agar memudahkan karyawan dalam menyusun persediaan obat.
Algoritma K-Means merupakan salah satu metode paling sederhana yang dikenal untuk memecahkan masalah clustering [2]Teknik clustering pada K-Means menggunakan mean untuk mewakili cluster. Namun algortima K-Means pada data yang bernilai ekstrim membuat distribusi data akan menjadi tidak merata yang mengakibatkan pengelompokan yang tidak tepat.
Kemudian algoritma ini sangat sensitif terhadap outlier dan noise sehingga mengurangi kinerjanya [3].
Algoritma K-Medoids merupakan metode clustering yang memecah dataset menjadi beberapa kelompok. Algoritma ini berusaha untuk meminimalkan jarak antara titik-titik yang ditandai yang berada pada sebuah cluster dan sebuah titik yang ditunjuk sebagai pusat cluster. K-Medoids memilih titik data sebagai pusat (medoids) serta menggunakan matrik jarak antara titik data [4]. Hasil perbandingan dari dataset menunjukkan bahwa algoritma K-Medoids lebih baik dalam semua aspek seperti waktu eksekusi, tidak sensitif terhadap outlier, dan pengurangan noise dibandingkan dengan K-Means [5].
II. METODE PENELITIAN
Metode K-medoids dikembangkan oleh Leonard Kaufman dan Peter J.Rousseeuw pada tahun 1987. Algoritma k-medoids sering disebut juga algoritma Partitoning Around Medoid (PAM).
Metode partitioning merupakan metode pengelompokan data ke dalam sejumlah cluster tanpa adanya struktur hirarki antara satu dengan yang lainnya. Algoritma ini menggunakan objek pada kumpulan objek untuk mewakili sebuah cluster.
Objek yang terpilih untuk mewakili sebuah cluster disebut medoid [6].
Dalam penelitian ini dilakukan beberapa tahapan penelitian, adapaun bentuk gambaran metode algoritma yang akan diuji, terlihat seperti yang terlihat pada gambar 1.
Gambar 1. Tahapan Algoritma A. Pengumpulan Data
Pengumpulan data dalam suatu penelitian dimaksudkan untuk memperoleh data-data yang relevan, akurat dan realistis [7]
Data yang digunakan adalah data primer karena diperoleh langsung dari Klinik Khalisa Medic.Pengelompokan data obat menggunakan metode K-Medoids diwujudkan dalam sebuah sistem berbasis web. Tahap-tahap pelaksanaan penelitian diantaranya adalah pengumpulan data melalui wawancara kepada karyawan bagian farmasi tentang persediaan data obat yang digunakan pada klinik khalisa medic. Pengujian hasil eksekusi sistem berbasis web dibandingkan dengan hasil perhitungan manual. Sistem berbasis web untuk penegelompokan data obat dibuat dengan menggunakan metode waterfall. Perangkat lunak utama yang digunakan dalam pengembangan web diantaranya adalah CodeIgniter , Xampp 3.2.2, dan MySQL.
B. Atribut Data Obat
Data obat yang digunakan adalah data pada bulan Maret 2018. Atribut yang digunakan dapat dilihat dalam tabel 1.
Tabel 1. Atribut Data Obat
C. Penentuan Data Set
Dari hasil wawancara dengan karyawan bagian farmasi Klinik Khalisa Medic, Jumlah data obat pada bulan maret 2018 diketahui sebanyak 3014 data. Dengan menggunakan metode K- Medoids, maka dapat dihitung jumlah sampel yang diambil yaitu sebanyak 30 data yang digunakan sebagai data sampling. Dapat dilihat pada Tabel 2.
Tabel 2. Dataset Obat
D. Analisis Data
Tahap analisis data dilakukan perhitungan menggunakan algoritma Manhattan. algorithma Manhattan merupakan algoritma yang digunakan untuk menghitung jarak antar centroid, algorithma ini biasa digunakan untuk dataset bersifat numeric dan dapat dihitung menggunakan persamaan [8] 1.
(1) Keterangan :
Χ = object data C = medoid d = dimensi object
Adapun total jarak dapat dihitung menggunakan persamaan 2.
Atribut Keterangan
Harga Harga obat yang ditetapkan oleh Klinik Khalisa Medic Penjualan Data obat yang terjual
(permintaan pasien )pada bulan Maret 2018
Pembelian Data pembelian obat kepada supplier
Persediaan Awal
(PA) Persediaan obat sebelum melakukan transaksi penjualan Persediaan Akhir
(PR) Persediaan obat sesudah
melakukan transaksi penjualan
nama produk harga penjuala n
pem belian
PA PR Acylovir
200mg tab
360 0 0 540 540
Acylovir
400mg tab 500 286 200 314 228 Acylovir
cream 2709 7 0 4 3
Akita tab 187 380 200 371 191
Alletol TM 10750 5 9 1 5
Total Jarak = {(total jarak minimum C1 + total jarak minimum C2.. d } (2)
E. Perancangan Use Case Diagram
Dalam Use Case diagram sistem pengelompokan data obat menggunakan metode K-Medoids dengan algoritma manhattan dijelaskan beberapa langkah proses yang user kerjakan untuk sistem pengelompokan data obat, seperti yang terlihat pada gambar 2. dan tabel 3.
Gambar 2. Use case Diagram Tabel 3. Keterangan Use Case Diagram Nama Use Case Aktor Deskripsi
Login User Menggambarkan input
username dan password Mengelola data user User
Menggambarkan kegiatan menambah,
mengubah, dan menghapus data user Mengelola data
obat User
Menggambarkan kegiatan menambah,
mengubah, dan menghapus data obat Hasil Analisis User Menggambarkan
kegiatan menampilkan hasil analisis data mining
Logout User Menggambarkan
kegiatan keluar dari sistem
III. HASIL
Hasil dari penelitian ini adalah sebuah aplikasi data mining untuk mengelompokan data obat pada Klinik Khalisa Medic menggunakan metode K-Medoids . Aplikasi ini memiliki beberapa form yang bisa diakses oleh user untuk melakukan pengelompokan data obat, diantaranya :
A. Form Login
Form login seperti yang terlihat pada gambar 3. merupakan form utama yang akan muncul saat user mengakses aplikasi data mining pengelompokan obat.
Gambar 3. Form Login
B. Form Data User
Form data user yang ditunjukan pada gambar 4. Akan ditampilkan setelah user memilih submenu data user pada menu master. User dapat menambah, mengubah, dan ,menghapus data user.
Gambar 4. Form Data User
C. Form Data Obat
Form data obat yang ditunjukan pada gambar 5. Akan ditampilkan setelah user memilih submenu data obat pada menu master. User dapat menambah, mengubah, dan ,menghapus data obat.
Gambar 5. Form Data Obat D. Form Hasil Analisis Data Mining
Form hasil analisis data mining akan ditampilkan setelah user memilih 3 data obat secara acak untuk dijadikan pusat cluster.
Data pusat cluster diproses menggunakan algoritma K-Medoids dan hasil proses tersebut akan muncul pada form Hasil Analisis seperti yang ditunjukkan pada gambar 6.
Gambar 6. Form Hasil Analisis
IV. DISKUSI
Perhitungan manual algoritma manhattan berdasarkan hasil proses pada gambar 5. dapat diketahui bahwa terdapat 18 data obat yang termassuk kedalam kelompok penggunaan sering, 11 data yang termasuk kedalam kelompok penggunaan sedang, dan 1 data yang termasuk kedalam kelompok penggunaan jarang.
A. Menentukan Pusat Cluster
Pada tahap awal dilakukan penentuan pusat cluster secara acak dari dataset sesuai dengan kelas yang diinginkan. Seperti yang terlihat pada tabel 4.
Tabel 4. Pusat Cluster
C1 K29 347 160 0 593 433
C2 K30 6550 0 0 4 4
C3 K22 29500 0 6 0 6
Pada tabel 4. menjelaskan cluster untuk masing masing kelas yaitu :
C1: (347, 160, 0, 593, 433) C2: (6550, 0, 0, 4, 4) C3: (29500, 0, 6, 0, 6)
B. Menghitung Nilai Jarak Masing-Masing Kelas
Setelah di dapat pusat cluster untuk masing-masing kelas, pada tahap ini akan dijelaskan bagaimana cara menghitung jarak, seperti yang dpat dilihat pada tabel 6 sampai 8.
Tabel 5. Nilai jarak masing- masing terhadap cluster pertama (C1)
Tabel 6. Nilai jarak masing- masing terhadap cluster kedua (C2)
Tabel 7. Nilai jarak masing- masing terhadap cluster ketiga (C3)
Dari masing-masing tabel nilai jarak menjelaskan bahwa ketika j – Cj bernilai negatif, maka nilai jarak akan tetap bernilai positif, karena nilai mutlak suatu bilangan akan selalu bernilai positif . C. Menentukan Nilai Jarak Minimum
Pada tahap ini dijelaskan bahwa setelah ditetapkan hasil total dari nilai jarak masing – masing cluster, maka tentukan nilai jarak minimum. Seperti yang terlihat pada tabel 8.
Tabel 8. Nilai Jarak Minimum
Ket : objek yang termasuk ke dalam cluster 1 (penggunaan sering )
objek yang termasuk ke dalam cluster 2 (penggunaan sedang )
objek yang termasuk ke dalam cluster 3 (penggunaan jarang )
D. Menetukan Total Jarak
Pada tahap ini dijelaskan hasil nilai total jarak, yaitu penjumlahan jarak objek dari medoid dalamclusternya. Seperti yang terlihat pada tabel 9.
Tabel 9. Nilai Total Jarak
Pada tabel 9. terlihat hasil dari total jarak dari keseluruhan cluster.
Kode C1 Data Object X Distance (Jarak) Total
K1 347 160 0 593 433 360 0 0 540 540 13 160 0 53 107 333
K2 347 160 0 593 433 500 286 200 314 228 153 126 200 279 205 963
K3 347 160 0 593 433 2709 7 0 4 3 2362 153 0 589 430 3534
K4 347 160 0 593 433 187 380 200 371 191 160 220 200 222 242 1044
K5 347 160 0 593 433 10750 5 9 1 5 10403 22 9 592 428 11454
Kode C2 Data Object X Distance (Jarak) Total
K1 6550 0 0 4 4 360 0 0 540 540 6190 0 0 536 532 7258
K2 6550 0 0 4 4 500 286 200 314 228 6050 286 200 310 306 7152
K3 6550 0 0 4 4 2709 7 0 4 3 3841 7 0 0 4 3852
K4 6550 0 0 4 4 187 380 200 371 191 6363 380 200 367 363 7673
K5 6550 0 0 4 4 10750 5 9 1 5 4200 5 9 3 1 4218
Kode C3 Data Object X Distance (Jarak) Total
K1 29500 0 6 0 6 360 0 0 540 540 29140 0 6 540 534 30220
K2 29500 0 6 0 6 500 286 200 314 228 29000 286 194 314 222 30016
K3 29500 0 6 0 6 2709 7 0 4 3 26791 7 6 4 3 26811
K4 29500 0 6 0 6 187 380 200 371 191 29313 380 194 371 185 30443
K5 29500 0 6 0 6 10750 5 9 1 5 18750 5 3 1 1 18760
Kode Total
C1 Total
C2 Total C3
K1 333 7258 30220
K2 963 7152 30016
K3 3534 3852 26811 K4 1044 7673 30443 K5 11454 4218 18760 K22 30339 22962 0
Total Jarak = {(total jarak minimum C1 + total jarak minimum C2 + total jarak minimum C3}
Total Jarak = 56844
V. KESIMPULAN
Dari hasil pengujian dan pembahasan dapat disimpulkan bahwa pengelompokan data obat menggunakan metode K- medoids dengan algoritma Manhattan, membantu dan mempermudah pekerjaan karyawan bagian farmasi pada Klinik Khalisa Medic dalam menyusun data persediaan obat. Metode K- Medoids merupakan salah satu metode dalam data mining yang baik digunakan untuk pengelompokan data obat. Dengan menggunakan dataset persediaan obat pada Klinik Khalisa Medic, dimana dari dataset persediaan obat tersebut menghasilkan tiga kelas yaitu, kelas penggunaan obat yang sering digunakan, kelas penggunaan obat yang sedang, dan kelas penggunaan obat yang jarang digunakan.
DAFTARPUSTAKA
[1] Y. Chen and H. Chang, “Improve the Management of Pharmaceutical Inventory by Using an IoT Based Information System,” vol. 7, no. 8, pp. 569–573, 2017.
[2] A. Patel and P. Singh, “New Approach for K-mean and K- medoids Algorithm,” Int. J. Comput. Appl. Technol. Res., vol. 2, no. 1, pp. 1–5, 2013.
[3] A. Bhat, “K-M EDOIDS C LUSTERING U SING P ARTITIONING A ROUND M EDOIDS F OR,” vol. 3, no.
3, pp. 1–12, 2014.
[4] E. T. Al-shammari, S. Shamshirband, and D. Petkovi,
“Comparative study of clustering methods for wake effect analysis in wind farm,” vol. 95, 2016.
[5] P. Arora, Deepali, and S. Varshney, “Analysis of K-Means and K-Medoids Algorithm for Big Data,” Phys. Procedia, vol. 78, no. December 2015, pp. 507–512, 2016.
[6] A. Y. Rofiqi, “CLUSTERING BERITA OLAHRAGA
BERBAHASA INDONESIA MENGGUNAKAN
METODE K-MEDOID,” vol. 6, no. 1, 2017.
[7] K. Perpajakan, S. Pajak, S. Fiskus, T. Kepatuhan, D. I.
Kabupaten, M. Selatan, F. Ekonomi, J. Akuntansi, U. Sam, and R. Manado, “pengumpulan data,” vol. 1, no. 3, pp. 999–
1008.
[8] E. Detection, “PENGENALAN MOTIF BATIK MENGGUNAKAN DETEKSI TEPI CANNY DAN K- NEAREST NEIGHBOR,” vol. 13, no. 4, pp. 251–262, 2014.
