ANALISIS ATURAN ASOSIASI MENGGUNAKAN ALGORITMA APRIORIUNTUK MENENTUKAN INVENTORI APOTEK

Gibran Rabbany, AripinProgram Studi Teknik Informatika, Universitas Dian Nuswantoro

Jl. Nakula I No. 5-11, Semarang, INDONESIAEmail: brain.kulz@gmail.com, arifin.firdan@gmail.com

AbstrakKemajuan teknologi yang berkembang sangat pesat dewasa ini menyebabkan meningkatnya pula jumlahtransaksi. Data transaksi biasanya disimpan pada suatu database yang besar dan semakin bertambah setiapwaktu, sehingga dapat menimbulkan masalah baru. Tidak adanya pengolahan lebih lanjut terhadap datatransaksi menyebabkan data-data transaksi tersebut hanya akan menjadi tumpukan sampah tidak berguna,sementara kebutuhan ruang database semakin membesar.Proses data mining dengan metode market basket analyis memanfaatkan data transaksi dapat dipergunakanuntuk menemukan solusi nyata pengambilan keputusan pengadaan inventori obat pada Apotek TelemedikaFarma 10. Oleh karena pengadaan inventori obat tidak dapat dilakukan secara spontan, maka demi mewujudkanpengelolaan inventori obat yang efektif perlu mengenali kondisi pasar melalui kumpulan data transaksi yangsudah tersimpan.Laporan tugas akhir ini menerapkan algoritma apriori dari data transaksi apotek Telemedika Farma 10 yangmenghasilkan 2 aturan asosiasi yang sudah memenuhi batas minimum support 2% dan minimum confidence50% sesuai yang ditetapkan oleh user. Pada tahap akhir diperoleh aplikasi yang dapat membantu menganalisadan memprediksi kombinasi-kombinasi jenis obat yang sering dibeli pasien.

Kata Kunci : analisis aturan asosiasi, algoritma apriori, analisis keranjang pasar, data mining, inventoriapotek.

AbstractAdvances in technology are growing very rapidly these days also led to increased number of transactions.Transaction data is usually stored in large database that is growing all the time. The activities of daily salestransactions will generate data that is getting bigger, so that it can make many new problems. The absence offurther processing of the data transaction cause the transaction data would be a waste, while growing databasespace requirements.The data mining process using the market basket analyis method, utilizing transaction data can be used to findreal solutions procurement decisions on a drug inventory of Apotek Telemedika Farma 10. Inventoryprocurement of drugs can not be done spontaneously, then in order to realize an effective drug inventorymanagement needs to recognize the condition of market through the collection of transaction data already stored.This final report applies the apriori algorithm from the transaction data of Apotek Telemedika Farma 10 whichproduces 2 association rules that already meet the minimum support of 2% and a minimum confidence of 50% setby the user. At the final stage, there is application that can help analyze and predict the type of drugcombinations are often purchased by patients.

Keywords: association rule analysis, apriori algorithm, market basket analysis, data mining, pharmacy inventory.

I. PENDAHULUAN

Apotek adalah salah satu instansi yangbergerak pada sektor barang yang melayanipenjualan, obat-obatan, baik dengan resep atautidak [1]. Sebagai salah satu usaha yangmenyediakan barang, inventori juga merupakansalah satu masalah yang dihadapi oleh apotek,mengingat bahwa inventori dalam kegiatanusaha tidak dapat dihindari. Oleh karenapengadaan inventori tidak dapat dilakukan

secara spontan [3], maka demi mewujudkanpengelolaan inventori yang efektif, perlumengenali kondisi pasar. Dalam hal ini analisadilakukan untuk mengetahui obat-obat apa sajayang sering dibeli oleh konsumen. Perilakukonsumen dapat diteliti melalui kumpulan datatransaksi penjualan.

Data mining dapat dimanfaatkan untukmenemukan solusi nyata untuk mengambilkeputusan yang tepat. Dengan teknik datamining, dapat dilakukan analisis terhadap

perilaku konsumen dalam kegiatantransaksinya.

Salah satu metode dalam teknik data mining,yaitu Association rule mining dapat digunakanuntuk menemukan hubungan diantara data ataubagaimana suatu kelompok data mempengaruhisuatu keberadaan data yang lain. Market BasketAnalysis adalah Analisis dari kebiasaanmembeli customer dengan mencari asosiasi dankorelasi antara item-item berbeda yangdiletakkan customer dalam keranjangbelanjaannya.

Aturan asosiasi yang dihasilkan dapatdigunakan sebagai acuan dalam menentukaninventori selanjutnya, atau mempersiapkanpersediaan obat sebelum obat-obat tersebuthabis. Penerapan Algoritma Apriori, membantudalam membentuk kandidat kombinasi itemyang mungkin, kemudian dilakukan pengujianapakah kombinasi tersebut memenuhiparameter support dan confidence minimumyang merupakan nilai ambang batas yangdiberikan oleh pengguna [6].

II. TINJAUAN STUDI

Andreas Handojo [8] dalam penelitiannyayang berjudul “Aplikasi Data Mining untukmeneliti Asosiasi Pembelian Item Barang diSupermarket dengan Metode Market BasketAnalysis”. Kesimpulan dari penelitian tersebutadalah analisa terhadap sejumlah data,ditemukan bahwa semakin kecil minimumsupport dan confidence yang ditentukan,semakin banyak pula rules yang dapatdihasilkan oleh aplikasi, dengan konsekuensiwaktu proses akan lebih lama dibandingkanminimum support yang lebih besar.

Pada penelitian dengan judul “ImplementasiData Mining Algoritma Apriori pada SistemPersediaan Alat-Alat Kesehatan [6]” dianalisasejumlah data dengan 30 jenis item, sertaambang batas yang ditemtukan adalahminimum support 16% dan minimumconfidence 70%. Dari batas-batas yangdiberikan, terbentuk dua aturan asosiasi.Kesimpulan dari penelitian tersebut adalahalgoritma apriori cukup efisien dan dapatmempercepat proses pembentukankecenderungan pola kombinasi itemset, namunjuga memiliki kelemahan yaitu memerlukanwaktu yang lama untuk mengolah data denganskala besar karena algoritma ini harus

melakukan scan menyeluruh pada databasedalam setiap kali iterasi.

2.1. ApotekDefinisi apotek menurut PP 51 Tahun 2009.

Apotek merupakan suatu tempat atau terminaldistribusi obat perbekalan farmasi yang dikelolaoleh apoteker sesuai standar dan etikakefarmasian. Sedangkan menurut KeputusanMenkes RI No.1332/Menkes/SK/X/2002,Apotek merupakan suatu tempat tertentu untukmelakukan pekerjaan kefarmasian danpenyaluran obat kepada masyarakat

2.2. Inventory

Pada perusahaan dagang, persediaan adalahsimpanan sejumlah barang jadi yang siap untukdijual kepada pihak ketiga (konsumen). Darititik fokus bahasan adalah persediaan dalam artiuntuk perusahaan manufaktur. Walaupun padabeberapa hal lain berlaku pula untuk perusahaannonmanufaktur.

2.3. Data Mining

Data mining didefinisikan sebagai prosesmenemukan pola-pola dalam data, dimanaproses-nya harus otomatis atau semi-otomatis.Pola-pola yang ditemukan harus berarti danmenghasilkan keuntungan, terutamakeuntungan ekonomi. Data Mining adalahkegiatan yang meliputi pengumpulan,pemakaian dan historis untuk menemukanketeraturan, pola atau hubungan dalam suatudata berukuran besar [12]. Definisi sederhanadari data mining adalah ekstraksi informasi ataupola yang penting atau menarik dari data yangada di database yang besar. Menurut beberapasumber, data mining juga dikenal dengan namaKnowledge Discovery in Databases (KDD).

2.4. Association Rule Analysis

Analisis asosiasi atau association rulemining adalah teknik data mining untukmenemukan aturan asosiatif antara suatukombinasi item. Contoh dari aturan asosiatifdari analisis pembelian obat di Apotek Sehatadalah mengetahui besarnya kemungkinanseorang pelanggan untuk membeli panadolbersamaan dengan laserin. Analisis asosiasijuga sering disebut dengan istilah market basketanalysis. Analisis asosiasi dikenal juga sebagaisalah satu teknik data mining yang menjadidasar dari berbagai teknik data mining lainnya.Khususnya, salah satu tahap dari analisis

asosiasi yang disebut analisis pola frekuensitinggi (frequent pattern mining) yang menarikperhatian banyak peneliti untuk menghasilkanalgoritma yang efisien.

Aturan keterkaitan (association rules)merupakan suatu prosedur untuk mencarihubungan antar item dalam suatu set data yangditentukan [5]. Dengan menggunakan teknikpengolahan informasi Data Mining yaituAssociation rule mining [14] yang digunakanuntuk menemukan hubungan antara data ataubagaimana suatu kelompok data yangmempengaruhi suatu keberadaaan data yanglain.

Aturan asosiasi terdiri dari dua himpunanitem yang disebut antecedent dan consequent.Consequent biasanya dibatasi untuk berisi suatuitem tunggal. Aturan asosiasi berbentuk “Ifantecedent, then consequent”, dilengkapidengan tingkat support dan confidence aturantersebut. Kuat tidaknya sebuah aturan assosiasiditentukan oleh dua parameter yaitu support danconfidence. Berdasarkan penjelasan di atasmaka pencarian pola kaidah asosiasimengunakan dua buah parameter nilai yaitudukungan (support) dan keterpercayaan(confidence) memiliki nilai antara 0% - 100 %.

2.5. Algoritma Apriori

Apriori adalah suatu algoritma yang sudahsangat dikenal dalam melakukan pencarianfrequent itemset dengan menggunakan teknikassociation rule. Algoritma Apriori adalah salahsatu algoritma yang dapat digunakan padapenerapan market basket analysis untukmencari aturan-aturan asosiasi yang memenuhibatas support dan confidence.

Pencarian aturan asosiasi harusmenggunakan parameter sehingga aturan yangdidapat akurat. Parameter yang digunakanuntuk pembentukan rules yaitu :

a. Support

Support adalah suatu ukuran yangmenunjukkan seberapa besar tingkat dominasisuatu barang atau itemset dari keseluruhantransaksi.

Rumus untuk menghitung nilai supportadalah :

Sedangkan rumus untuk menghitungprosentasi support dari suatu item ditunjukkanpada persamaan (2), yaitu :

b. Confidence

Confidence adalah suatu ukuran yangmenunjukkan hubungan kondisional antar duabarang (misal seberapa sering obat B dibeli jikaorang membeli obat A)

Atau dapat juga dihitung menggunakanrumus :

Sedangkan rumus untuk menghitung nilaiprosentase confidence tersebut yaitu :

Untuk mengembangkan frequent itemsetdengan dua item, dapat menggunakan satu item,dengan alasan bila set satu item tidak dapatmencapai minimum support, maka setiapitemset dengan ukuran yang lebih besar jugatidak akan melebihi minimum support.

Terdapat dua proses utama dalam algoritmaapriori yaitu :

a) Join (penggabungan)

Dalam proses ini, setiap itemdikombinasikan dengan item lain sampaitidak dapat terbentuk kombinasi lagi.

b) Pruning (pemangkasan)

Pada proses ini, hasil kombinasi item akandipangkas berdasarkan minimum supportyang telah ditentukan.

III. IMPLEMENTASI

CRISP–DM yang dikembangkan pada tahun1996 oleh para analis dari beberapa industriseperti DaimlerChrysler, SPSS, dan NCR.CRISP menyediakan standar proses data miningsebagai strategi pemecahan masalah umum daribisnis atau unit penelitian. Dalam CRISP-DM,

sebuah proyek data mining memiliki siklushidup yang terbagi dalam enam fase.

Gambar 2.1 CRISP-DM

3.1 Fase Pemahaman Bisnis (BusinessUnderstanding Phase)

Fase ini menentukan target bisnis yang ingindicapai dengan proses data mining. Tujuanbisnis yang ingin dicapai dari penelitian iniadalah mengetahui pola pembelian obat padaApotek Telemedika Farma 10 untukmenentukan inventori obat agar lebih efektif.

3.2 Fase Pemahaman Data (DataUnderstading Phase)

Pengumpulan data awal dilakukan pada Faseini. Data yang akan digunakan untuk memenuhitujuan bisnis dan tujuan data mining yang telahditetapkan adalah data transaksi pembelian obatkonsumen selama 1 tahun yaitu tahun 2015.

Gambar 3.2 data transaksi pembelian obat diApotek Telemedika Farma 10

3.3 Pengolahan Data (Data PreparationPhase)

Pada fase ini perlu dilakukan persiapanterhadap data mentah, seperti pemilihan data,pembersihan data, menentukan atribut danvariabel yang diperlukan, serta transformasidata. Data yang didapat dari ApotekTelemedika Farma 10 memiliki format file

*.xls dan file tersebut dapat dijalankanmenggunakan program Microsoft Excel. Datakemudian dibersihkan dengan cara menghapusatribut-atribut yang tidak dipergunakan. Dalamhal ini hanya rincian nama obat yang akandipakai dalam penelitian. Data yang telahdibersihkan selanjutnya ditransformasi/diubahkedalam file dengan format plaintext atau *.txt.

Gambar 3.3 File hasil preprocessing

3.4 Fase Pemodelan (Modeling Phase)

Data yang telah melalui preprocessing,selanjutnya pada fase ini akan diterapkan teknikdata mining yang akan digunakan dalammembangun sebuah model data mining. Teknikdata mining yang dipilih dalam penelitian iniadalah teknik market basket analysis.Pemodelan bertujuan mencari aturan asosiasi,dimana aturan asosiasi selanjutnya dijadikanacuan untuk menentukan rencana distribusi obat.

3.5 Fase Evaluasi (Evaluation Phase)Pada fase ini dilakukan pengujian terhadap

model yang telah dihasilkan untuk menelitiapakah model sudah memenuhi tujuan yangsebelumnya telah ditetapkan pada fase pertama.Proses evaluasi adalah mengukur tingkatconfidence/kekuatan dari aturan asosiasi yangdihasilkan sehingga siap untuk fase penyebaran.Pada fase ini juga diputuskan apakah hasil datamining akan digunakan atau tidak.

3.6 Fase Penyebaran (Deployment Phase)Setelah proses evaluasi selesai dilakukan,

pada fase ini model dapat disebarkan untukdigunakan. Penyusunan deskripsi dilakukanuntuk memperjelas informasi dari aturan-aturan

FasePenyebaran

FasePengolahan Data

FaseEvaluasi

FasePemodelan

FasePemahaman Bisnis

FasePemahaman Data

yang dihasilkan, agar bisa dimengerti olehkalangan awam.

IV. HASIL & PEMBAHASAN

Analisis penelitian data mining pengolahandata transaksi pembelian obat ApotekTelemedika Farma 10 dilakukan pada periodetahun 2015 memiliki jumlah transaksi sebanyak624 data. Penetepan nilai minimum supportsebesar 2% dan nilai minimum confidencesebesar 50% sebagai indikator penelitian.

Dari seluruh transaksi, masing-masing namaobat akan dihitung nilai support-nya. Untukmelakukan perhitungan prosentase nilaisupport gluvas, digunakan persamaan (2),perhitungannya adalah

Support(gluvas)= × 100%= 3,2051

Jenis obat yang telah memenuhi minimumsupport, kemudian akan dilakukan prosespenggabungan L1 yang berisi 1 jenis obatdengan L1 juga untuk membentuk kandidatselanjutnya yang berisi 2 jenis obat, kemudianakan dihitung kembali nilai support-nya.

Tabel 4.4 Large-itemset akhiritemset muncul support

amlodipin,simvastatin 14 2,24359cefadroxil,dextrosin 14 2,24359danalgin,rhinos 17 2,72436dextrosin,methylprednisolone 13 2,08333dextrosin,nasamol 14 2,24359extropect,methylprednisolone 16 2,5641glunor,gluvas 14 2,24359loran,methylprednisolone 15 2,40385nasamol,rhinos 15 2,40385opimox,rhinos 13 2,08333

Dari Large-itemset akhir, selanjutnya akandibentuk kandidat aturan asosiasi. Darikombinasi obat yang ada kemudian dipisahkanmenjadi 2 bagian masing-masing dengan posisiantecedent dan consequent terhadap semuakemungkinan. Berikut adalah penulisan aturanasosiasi

antecedent consequentAntecedent adalah obat yang menjadi pemicu

agar obat lain ikut dibeli sedangkan consequentadalah obat yang terpengaruh akibat pembelianantecedent. Pada saat pembentukan aturanasosiasi, parameter minimum confidence mulai

diperlukan sebab pada proses ini, setiap aturanasosiasi yang muncul akan dihitung nilaiprosentase confidence-nya sesuai denganpersamaan (5).

Sebagai contoh, salah satu anggota darihimpunan large-itemset yaitu “glunor,gluvas”akan dibentuk aturan asosiasi. Makakemungkinan aturan yang muncul adalah“glunorgluvas” dan “gluvasglunor”.Meskipun nilai support untuk { glunor,gluvas }dan { gluvas,glunor } adalah sama, sebabanggota yang menyusun adalah sama, hal initidak berlaku untuk aturan asosiasi. Aturanasosiasi bersifat implikasi atau searah, olehkarena itu “glunorgluvas” dan“gluvasglunor” tidak sama. Untukmenghitung nilai prosentase confidence dariaturan “glunorgluvas” maka perhitungannyamenggunakan persamaan (5) adalah :

Confidence(glunorgluvas)

=, , × 100% = 35%

Sedangkan untuk aturan“gluvasglunor”,prosentase confidenceyang didapat menggunakan persamaan(5) adalah :

Confidence(gluvasglunor)

=,, × 100% = 70% (19)

(18)

Aturan “glunorgluvas” memiliki nilaiconfidence 35% dan aturan “gluvasglunor”memiliki nilai confidence 70% . Hal inimenujukkan bahwa aturan “gluvasglunor”lebih kuat dibandingkan dengan“glunorgluvas” sebab aturan “gluvasglunor”memiliki nilai confidence yang lebih besar.

Aturan “gluvasglunor” dibaca dengan“gluvas menentukan glunor”, gluvas merupakanantecedent yakni obat yang memicu dibelinyaglunor oleh konsumen, sedangkan glunoradalah consequent yakni obat yang terpengaruhatau ikut dibeli saat konsumen memutuskanmembeli gluvas. Nilai confidence 70% berartidari seluruh konsumen (100%) yang membeliobat gluvas 70% juga membeli glunor.

Dari hasil perhitungan confidence untukmasing-masing aturan, seperti yang ditunjukkantabel 4.5 ternyata menghasilkan 20 kandidataturan asosiasi.

Tabel 4.5 Kandidat aturan asosiasi

Dari hasil perhitungan confidence untukmasing-masing aturan, ternyata menghasilkan 2aturan asosiasi yang sudah memenuhi batasminimum support 2% dan memenuhi minimumconfidence 50%, yakni seperti yang ditunjukkanpada tabel 4.6.

Tabel 4.6 Hasil aturan asosiasi

V. PENUTUP

Dari hasil analisa dan pengujian yang telahdilakukan, maka dapat disimpulkan bahwametode data mining yaitu market basketanalysis dengan algoritma apriori dapatditerapkan pada data transaksi untukmenentukan inventori Apotek TelemedikaFarma 10 dengan aturan asosiasi yangdihasilkan adalah :1. cefadroxildextrosin, dengan nilai

confidence 66,67% yang berarti 66,67%dari seluruh konsumen yang membelicefadroxil juga membeli dextrosin.

2. gluvasglunor dengan nilai confidence 70%yang berarti 70% dari seluruh konsumenyang membeli gluvas juga membeli glunor.

REFERENSI

[1] Tutik Winarni, "Sistem Informasi StokObat Apotek", Surakarta, 2007.

[2] M. Rizwar Ghazali, "Analisis PengaruhLokasi, Promosi dan Kualitas LayananTerhadap Keputusan Membeli,"Universitas Diponegoro, Semarang, 2010.

[3] Senator Nur Bahagia, “Sistem Inventori”,Bandung, Indonesia: ITB, 2006.

[4] Devi Fitrianah and Ade Hodijah,"Penerapan Algoritma Apriori UntukMemperoleh Association Rule AntarItemset Berdasarkan Periode PenjualanDalan Satu Transaksi," Jurnal ProgramStudi Teknik Informatika Fakultas IlmuKomputer, Universitas Mercu Buana, vol.3, Mei 2011.

[5] Jiawei Han, Micheline Kamber, and PeiJian, “Data Mining Concepts andTechniques Third Edition”, USA: Elsevier,2012.

[6] Kennedy Tampubolon, Hoga Saragih, andBobby Reza, "Implementasi Data MiningAlgoritma Apriori Pada Sistem PersediaanAlat-Alat Kesehatan” Majalah IlmiahInformasi dan Teknologi Ilmiah (INTI),vol. 1, p. 93, Oktober 2013.[7] Donny Mitra Virgiawan and ImamMukhlash, "Aplikasi Association RuleMining Untuk Menemukan Pola Data NilaiMahasiswa Matematika ITS", Jurnal SainsDan Seni Pomits, vol. 1, pp. 1 - 6, 2013.

[8] Andreas Handojo, Gregorius Satia Budhi,and Hendra Rusly, "Aplikasi Data Mininguntuk Meneliti Item Barang diSupermarket dengan Metode MarketBasket Analysis", 2004.

[9] Gregorius Satia Budhi and FeliciaSoedijanto, "Aplikasi Data Mining MarketBasket Analysis Pada Tabel Data AbsensiElektronik untuk Mendeteksi KecuranganAbsensi (Check-Lock) Karyawan diPerusahaan", 2007.

[10] Tomi Listiawan, "Pembuatan PrototypePerangkat Lunak Data Mining BerbasisWeb Untuk Penggalian Kaidah Asosiasi(Mining Association Rules) BerdasarkanAlgoritma Apriori Menggunakan PHP",Jurnal Program Studi PendidikanMatematika, STKIP PGRI Tulungagung,April 2013.

[11] Emha Taufiq Luthfi and Kusrini,Algoritma Data Mining. Yogyakarta: AndiOffset, 2009.

[12] Budi Santoso, ‘Data Mining : TeknikPemanfaatan Data Untuk KeperluanBisnis”, Yogyakarta: Graha Ilmu, 2007

[13] Agus Mulyanto, Sistem Informasi Konsepdan Aplikasi. Yogyakarta: Pustaka Pelajar,2009.

[14] Kusrini and Emha Taufiq Luthfi,“Algoritma Data Mining”, 2009.