http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 532
Penerapan Data Mining Dengan Menggunakan Algoritma Ct-Pro Untuk Korelasi Obat
Septianti Ari Mindiawati Hasibuan, Berto Nadeak Prodi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia
Jl. Sisingamangaraja No. 338, Medan, Indonesia Abstrak
Kumpulan data transaksi yang begitu besar sering kali hanya disimpan di dalam suatu database dan kurang digali pemanfaatannya. Data penjualan tersebut bisa diolah lebih lanjut sehingga didapatkan informasi baru. Misalnya, dari informasi dapat dilihat obat yang dibeli secara bersamaan. Pengetahuan tersebut dapat digunakan sebagai pemasaran produk yang saling melengkapi dan membuat posisi rak obat yang dijual pada Apotek Kimi Farma.
Teknologi data mining sebagai solusi bagi para pengambil keputusan seperti manajer dalam menentukan strategi pemasaran dan korelasi antara obat yang dibeli oleh konsumen sehingga dapat meningkatkan pelayanan pada konsumen. Dengan masalah yang ada pada Apotik Kima Farma, maka peneliti mencoba memberikan suatu alternatif dengan menerapkan Algoritma CT-Pro. Algoritma ini adalah algoritma market basket analysis yang digunakan untuk menghasilkan association rule, dengan pola “if-then” atau “jika-maka”. Market basket analysis merupakan salah satu teknik dari data mining yang mempelajari tentang perilaku kebiasaan konsumen dalam membeli produk secara bersamaan dalam suatu waktu. Tujuan dari penggunaan ini dapat membantu pihak apotik untuk mengetahui korelasi antara obat yang diminati oleh konsumen dalam penyusunan peletakan obat.dengan memanfaatkan transaksi penjualan obat dengan pasien.
Kata Kunci: Korelasi Obat,CT-Pro.
Abstract
A very large set of transaction data is only stored in the database and less utilized. Sales data can be further processed to obtain new information. For example, from the information can be seen simultaneously provided drugs. Such knowledge can be used as marketing complementary products and make monster sold in Apotek Kimi Farma. Data mining technology as a solution for customers. Marketing strategy and advice between strategies that can be supported by consumers. With the problems that exist in Apotik Kima Farma, the researchers tried to provide an alternative by applying the CT-Pro Algorithm. This algorithm is a market basket analysis algorithm used to produce association rules, with the "if-then" or "if-then" pattern. Market basket analysis is one of the techniques of data mining that uses patterns in a time. The purpose of this use can help the pharmacist to know the improvement of complementary drugs obat.dengan utilize drug sales transactions with patients.
Keywords: Drug Correlation, CT-Pro
1. PENDAHULUAN
Kumpulan data transaksi yang begitu besar sering kali hanya disimpan di dalam suatu database dan kurang digali pemanfaatannya. Data penjualan tersebut bisa diolah lebih lanjut sehingga didapatkan informasi baru. Misalnya, dari informasi dapat dilihat obat yang dibeli secara bersamaan. Pengetahuan tersebut dapat digunakan sebagai pemasaran produk yang saling melengkapi dan membuat posisi rak obat yang dijual pada Apotek Kimi Farma.
Teknologi data mining sebagai solusi bagi para pengambil keputusan seperti Apoteker dalam menentukan strategi pemasaran dan korelasi antara obat yang dibeli oleh konsumen sehingga dapat meningkatkan pelayanan pada konsumen.
Proses data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan algoritma. Pemilihan fungsi atau algoritma yang tepat sangat bergantung pada tujuan dan proses pencarian pengetahuan secara keseluruhan. Penelitian ini menggunakan metode asosiasi yang merupakan teknik data mining untuk menemukan aturan asosiatif antara suatu korelasi item. Contoh aturan asosiatif dari analisis pembelian di suatu pasar swalayan adalah dapat diketahuI berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan mentega. Dengan pengetahuan tersebut, pemilik swalayan dapat mengatur penempatan barangnya untuk kombinasi barang tertentu. Tujuan dari penggunaan ini dapat membantu pihak apotik untuk mengetahui korelasi antara obat yang diminati oleh konsumen dalam penyusunan peletakan obat.dengan memanfaatkan transaksi penjualan obat dengan pasien.
2. TEORITIS
2.1 Algoritma CT-Pro
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 533 Algoritma CT-Pro termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction dan algoritma hash based. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.
2.2 Korelasi
Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja.
3. ANALISA DAN PEMBAHASAN
Analisa data dilakukan setelah data terkumpul dan sesuai dengan kebutuhan sistem ini.Oleh sebab itu, untuk menghasilkan kesimpulan berdasarkan aturan (rule) pada analisis data, diperlukan data transaksi yang telah dibeli konsumen.Analisis data tersebut dilakukan berdasarkan teknik aturan asosiasi menggunakan algoritma ct-pro dengan beberapa iterasi atau langkah-langkah.
Berdasarkan transaksi penjualan obat bebas pada Apotek Kimia Farma, transaksi tersebut dapat diakumulasikan.Akumulasi transaksi penjualan obat pada Apotek Kimia Farma diperoleh dari penjualan bulanan yang diambil dari 3 teratas laporan bulanan. Untuk sampel perhitungan pada bab 4 akan ditampilkan 15 tabel transaksi penjualan dapat dilihat dalam tabel 1.
Tabel 1. Pola Transaksi Penjualan Obat
No Itemset
1 Bisolvon,Sanaflu,Bodrex 2 Bodrex,Bisolvon,Magasida 3 Bisolvon,Antangin,Komix 4 Sanaflu,Bodrex,Bisolvon 5 Magasida,Komix,Bodrex 6 Dulcolax,Sanaflu,Bisolvon 7 Bodrex,Bisolvon,Molexflu 8 Molexflu,Bodrex,Antangin 9 Bodrex, Molexflu,Komix 10 Sanaflu,Bodrex,Komix 11 Bisolvon,Sanaflu,Antangin 12 Antangin,Bodrex
13 Molexflu,Antangin,Komix 14 Antangin,Bisolvon,Sanaflu 15 Molexflu,Antangin,Sanaflu
Selanjutnya, dilakukan pemilihan teknik data mining. Teknik data mining yang digunakan yaitu association rule mining, untuk melihat hubungan antara obat yang dibeli. Hubungan yang menarik tersebut akan memberikan informasi berupa kecenderungan konsuken untuk membeli obat A biasanya akan membeli pula obat B. Dari situlah rekomendasi penempatan layout obat diberikan.
Secara umum, proses association rule mining terbagi 2 (dua), yaitu : pemilihan frequent patterns dan penentuan kuatnya suatu rule. Untuk menentukan frequent patterns, digunakan algoritma CT-PRO.Dan untuk menentukan kuatnya suatu rule, digunakan rumus nilai confidence.Agar pemahaman teknik ini lebih baik, dijabarkan langkah – langkah perhitungan menggunakan data sampel sebanyak 12 transaksi penjualan dari tabel 1 dan nilai minimum support sebesar 4 (empat).oleh karena itu akan ditampilkan langkah-langkah untuk mencari asosiasi dengan menggunakan algoritma ct-pro.
1. Hitung frekuensi item dari semua transaksi
Tabel 2. Frekuensi Itemset
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 534
2. Hilangkan item yang nilanya dibawah min_sup.
3. Masukkan item ke dalam tabel global header. Disusun dari item frekuensi terbesar ke terkecil.
Masukkan Ke global header
Tabel 3. Global Header
Index Item Frequency
1 Bodrex 9
2 Bisolvon 8
3 Sanaflu 7
4 Antangin 7
5 Komix 6
6 Molexflu 5
7 Magasida 3
1. Urutkan item dalam setiap transaksi menurut indeks dari item terkecil ke terbesar.
Tabel 4. Item Transaksi Diurutkan
5. Lakukan pencarian frequent itemset secara lokal dari indeks terakhir, yaitu indeks 1. index 7
a. Magasida dan Molexflu = 0 b. Magasida dan Komix = 1 c. Magasida dan Antangin = 1 d. Magasida dan Sanaflu = 0 e. Magasida dan Bisolvon = 1 f. Magasids dan Bodrex = 3 2. index 6
a. Molexflu dan Komix =2 b. Molexflu dan Antangin = 3 c. Molexflu dan Sanaflu = 1 d. Molexflu dan Bisolvon = 1 e. Molexflu dan Bodrex = 3
Itemset Support
Bisolvon 8
Sanaflu 7
Bodrex 9
Magasida 2
Antangin 7
Komix 6
Molexflu 5
No Items
1 1,2,3 et
2 1,2,7
3 2,4,5
4 1,2,3
5 1,5,7
6 2,3,5
7 1,2,6
8 1,4,6
9 1,5,6
10 1,3,5
11 2,3,4
12 1,4,7
13 4,5,6
14 2,3,4
15 3,4,6
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 535 3. index 5
a. Komix dan Antangin = 2 b. Komix dan Sanaflu = 2 c. Komix dan Bisolvon = 2 d. Komix dan Bodrex = 3 4. index 4
a. Antangin dan Sanaflu = 3 b. Antangin dan Bisolvon = 3 c. Antangin dan Bodrex = 2 5 index 3
a. Sanaflu dan Bisolvon = 5 b. Sanaflu dan Bodrex = 3 5. Index 2
a. Bisolvon dan Bodrex = 4
6. Berikut hasil frequent patterns dari semua pencarian lokal :
Tabel 5. Hasil Frequent Patterns
No Item Frequency
1 Antangin dan Bisolvon 5
2 Bisolvon dan Bodrex 4
Selanjutnya dilakukan pengujian untuk pola (patterns) yang ditemukan apakah benar – benar dapat digunakan untuk pemberian rekomendasi buku. Untuk menentukan kuat tidaknya suatu rule digunakan rumus confidence : conf (x=> y ) = ∑ 𝑥,𝑦
∑ 𝑥 * 100
Nilai minimum confidence (min_conf) untuk penelitian ini berkisar dari 10% - 100%.Untuk contoh perhitungan ini, misal nilai minimum confidence adalah 40%. Berikut merupakan hasil perhitungan Berikut merupakan hasil perhitungan nilai confidence untuk beberapa patterns :
1. conf (Antangin=>Bisolvon)=∑ Antangin 𝑑𝑎𝑛 Bisolvon
∑ 𝐴𝑛𝑡𝑎𝑛𝑔𝑖𝑛 = 5 / 8 = 0,63 * 100 = 63 % (Memenhui Confidence) 2. conf (Bisolvon=>Bodrex)=∑ Bisolvon 𝑑𝑎𝑛 Bodrex
∑ 𝐵𝑖𝑠𝑜𝑙𝑣𝑜𝑛 = 4 / 8 = 0,5 * 100 = 50 % (Memenuhui Confidence) Maka, pola (patterns) yang memenuhi nilai min_conf menjadi aturan (rule) dan dijadikan dasar pemberian rekomendasi. Sehingga bisa disimpulkan untuk hasil perhitungan ini :
a. Jika membeli Antangin maka juga sering membeli Bisolvon, jadi dapat disimpulkan Antangin harus ditempatkan dalam layout yang sama dengan Bisolvon.
b. Jika membeli Bisolvon maka juga sering membeli Bodrex, jadi dapat disimpulkan Bisolvon harus ditempatkan dalam layout yang sama dengan Bodrex
5. KESIMPULAN
Berdasarkan pembahasan, implementasi dan pengujian dari sistem, diperoleh beberapa kesimpulan:
1. Metode Association Rule disertai dengan Algoritma CT-Pro dengan parameter support dan confidence dapat memudahkan pihak Apotek Kimia Frama untuk mengetahui pola pembelian dari pelanggan.
2. Aplikasi yang dibangun dapat membantu pihak perusahaan mengetahui merek dan jenis obat apa saja yang sering dipesan secara bersamaan oleh pelanggan.
3. Aplikasi yang dibangun dapat digunkan untuk proses transaksi penjualan obat di apotek Kimia farma.
REFERENCES
[1] Apotek Kimia Farma
[2] JS.Badudu dan Zain.212 dalam ,http:// eprints,uny .ac.id /9331 %202.Pdf pengertian penerapam,Tanggal 31 Maret 2014
[3] Heri Susanto, 2008, data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu
[4] Rohmania Putri Nurlaiili, 2008 data mining untuk memprediksi prestasi siswa berdasarkan sosial ekonomi, motivasi, kedisiplinan dan prestasi masa lalu.
[5] Ratna Wulandari, 2009, Layout Perpustakaan Sebagai Daya Tarik Perpustakaan Untuk Meningkatkan Minat Baca Pengguna Perpustakaan Fakultas Hukum Universitas Udayana.
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 536
[6] PerMenKes 917/Menkes/Per/x/1993
[7] Anam, Khoirul,Analisis Efisiensi Layout (2015)
[8] Rita Afyenni, 1 April 2014, perancangan data flow diagram untuk sistem informasi sekolah (studi kasus pada sma pembangunan laboratorium unp)
[9] Moh. Muttaqin, 1, Juni 2016, rancangan diagram alir data (dad) untuk pengembangan information retrieval system (irs) dokumen penelitian menggunakan basis data non-relational.
[10] J. I. Maanari, 2013, Perancangan Basis Data Perusahaan Distribusi dengan Menggunakan Oracle.
[11] Winda Febriani Kusuma, Juli 2015, Pengembangan Halaman WEB menggunakan XCML Dalam Perkembangan WEB 2.0
[12] M. Maharani, N.A. Hasibuan, N. Silalahi, S.D. Nasution, M. Mesran, S. Suginam, D.U. Sutiksno, H. Nurdiyanto, E. Buulolo, Y.
Yuhandri, IMPLEMENTASI DATA MINING UNTUK PENGATURAN LAYOUT MINIMARKET DENGAN MENERAPKAN ASSOCIATION RULE, J. Ris. Komput. 4 (2017) 6–11.
[13] Yuliansyah, , Januari 2014,Perancangan replikasi basis data mysql dengan Mekanisme pengamanan menggunakan ssl Encryption.
[14] Januari 2014,Perancangan replikasi basis data mysql dengan Mekanisme pengamanan menggunakan ssl Encryption.
