Abstract
This study discusses how the systems work using the drug sales transactions FP-Growth Algorithm . Drug sales
transaction data is used to find a product that is purchased simultaneously . The use of FP -Growth algorithm to find
the combination pattern of goods . The use of FP-Tree is used in conjunction with FP-Growth algorithm to
determine frequent itemset from a database . Association Rule methods used in the search pattern for the product
attachment sales strategy in the policy decision-making. So that it can be seen that the drug is often purchased by
consumers , based on rules which generated from the data contained in the database. Testing is done by using the
application RapidMiner 5. The results obtained from these tests is the smaller the value of support , the number of
itemsets generated will be more and more and the number of rules which formed more and more also .
Keyword : Drug, FP-Growth, FP-Tree, rule, support
mengoptimasi penjualan obat menggunakan Setelah semua frequent item dan large item set
software Rapidminer 5. didapatkan, dapat dicari syarat minimum confidence
(mincof) dengan menggunakan rumus berikut :
Data Mining adalah proses mencari pola atau
informasi menarik dalam data terpilih menggunakan 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 → 𝐵) = 𝑃(𝐴|𝐵)
teknik atau metode tertentu. Salah satu metode yang 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
seringkali digunakan dalam Data Mining adalah =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
metode Association Rule.
Algoritma FP-Growth merupakan 2. Metode Penelitian
pengembangan dari algoritma Apriori. Algoritma Metode dalam penelitian ini adalah sebagai berikut:
Frequent Pattern Growth adalah salah satu alternatif 1. Identifikasi Masalah
algoritma yang dapat digunakan untuk menentukan Permasalahan yang ditemukan penulis,
himpunan data yang paling sering muncul (frequent dideskripsikan dengan jelas sehingga akan
itemset) dalam sebuah kumpulan data. [5] terlihat permasalahan yang akan dibahas.
Pada algoritma FP-Growth menggunakan konsep 2. Analisis Masalah
pembangunan tree, yang biasa disebut FP-Tree, Langkah analisis masalah adalah langkah untuk
dalam pencarian frequent itemsets bukan memahami yang telah ditentukan ruang lingkup
menggunakan generate candidate seperti yang atau batasannya. Dengan menganalisis masalah
dilakukan pada algoritma Apriori. Dengan yang telah ditentukan tersebut, maka diharapkan
menggunakan konsep tersebut, algoritma FP-Growth masalah tersebut dapat dipahami dengan baik.
menjadi lebih cepat daripada algoritma Apriori. [2] 3. Menentukan Tujuan
Metode FP-Growth dibagi menjadi tiga tahapan Tujuan dari penelitian ini untuk menentukan
utama, yaitu [4]: hasil analisa data penjualan menggunakan
1. tahap pembangkitan conditional pattern base, algoritma fp-tree dan fpgrowth.
2. tahap pembangkitan conditional FP-Tree, dan 4. Mempelajari Literatur
3. tahap pencarian frequent itemset. Untuk mecapai tujuan yang akan ditentukan,
maka perlu dipelajari beberapa literatur-literatur
Association rule merupakan sutu proses pada yang sesuai dengan penelitian yang akan
data mining untuk menentukan semua aturan asosiatif dilakukan. Kemudian literatur-literatur yang
yang memenuhi syarat minimum untuk support dipelajari tersebut diseleksi untuk dapat
(minsup) dan confidance (minconf) pada sebuah ditentukan literatur mana yang akan digunakan
database. Kedua syarat tersebut akan digunakan untuk dalam penelitian. Sumber literatur didapat dari
interesting association rules dengan dibandingkaan buku-buku dan jurnal-junal yang ada
dengan batasan yang telah ditentukan, yaitu minsup hubungannya dengan penelitian ini maupun
dan minconf. [3] referensi yang lain.
Association Rule Mining adalah suatu prosedur 5. Mengumpulkan Data
untuk mencari hubungan antar item dalam suatu Pengumpulan data dan informasi pada tahap ini
dataset. Dimulai dengan mencari frequent itemset, dilakukan untuk mengetahui, mendapatkan data
yaitu kombinasi yang paling sering terjadi dalam dan informasi yang nantinya akan mendukung
suatu itemset dan harus memenuhi minsup. [3] penelitian ini, dalam pengumpulan data, terdapat
Dalam tahap ini akan dilakukan pencarian kombinasi beberapa metode yang digunakan yaitu
item yang memenuhi syarat minimum dari nilai a. Penelitian Lapangan (field research)
support dalam database. Untuk mendapatkan nilai Penelitian dilakukan pada apotek yaitu
support dari suatu item A dapat diperoleh dengan melakukan wawancara dengan pihak apotek
rumus berikut: [1] untuk meneliti data-data transaksi penjualan
obat yang terkait dengan permasalahan ini.
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) b. Penelitian Perpustakaan (library research)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐼𝑡𝑒𝑚 𝐴 Penelitian ini dilakukan untuk
=
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 mengumpulkan informasi tentang literatur
dan pedoman dalam penentuan hasil analisa
Kemudian, untuk mendapatkan nilai support dari dua data transaksi penjualan obat.
item diperoleh dengan rumus berikut: c. Penelitian Laboratorium (laboratory
research).
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = 𝑃(𝐴 ∩ 𝐵) Penelitian laboratorium ini dimaksudkan
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 untuk pengujian data penentuan hasil analisa
=
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 data penjualan yang telah didapatkan dengan
menggunakan algoritma fp-tree dan fp- data transaksi penjualan dalam bentuk tabular data
growth. dapat dilihat seperti pada gambar berikut.
6. Analisa Data dengan Algoritma fp-tree dan fp-
growth
Pada tahap ini akan dilakukan dua analisa yaitu
analisa terhadap algoritma fp-tree dan fp-growth
pada data transaksi penjualan untuk menentukan
alternatif yang terbaik dari sekumpulan alternatif
yang ada melalui suatu proses seperti yang
terjadi pada proses yang terstruktur dan analisa
bagaimana algoritma fp-tree dan fp-growth Gambar 2 Tabular Data Transaksi Penjualan Obat
untuk mendapatkan hasil sebagai tujuan yang
akan dicapai oleh peneliti yang kemudian dapat 3.2 FP-Tree
dijadikan pihak apotek sebagai pengetahuan Tahap ini adalah tahap dimana dataset yang telah
dalam meningkatkan penjualan obat kepada dibatasi dengan menggunakan support count yang
konsumen. telah ditentukan, kemudian dibangun menjadi sebuah
7. Merancang Skema Tree.
Pada bagian ini akan menampilkan bagaimana Berikut ini adalah tabel dengan semua barang yang
proses analisa data mining dengan algoritma fp- dalam satu transaksi sudah disatukan.
tree dan fp-growth dirancang berdasarkan data
yang telah terkumpul. Dan bagaimana Tabel 1Data Transaksi Awal
mengembangkan proses analisa data mining
dengan assosiation rule dan algoritma fp-tree dan No ItemSet
fp-growth untuk mendapatkan hubungan 1 Ditiazem HCL, Ketoconazole, Piroksikam,
keterikatan antar tiap barang yang ada. Fungoral, Alopurinol, Asam Mefenamat
Perancangan ini dilakukan pada data transaksi 2 Ketoconazole, Ditiazem HCL, Piroksikam,
penjualan untuk mengetahui obat yang paling Klotaren, Batugin, Asiklovir
banyak dibeli oleh konsumen. 3 Asam Mefenamat, Ketoconazole,
8. Implementasi Piroksikam, Rifampicin, Alopurinol,
Pada penelitian ini penulis mengimplementasikan Fungoral
berdasarkan hasil analisa data menggunakan 4 Ditiazem HCL, Ketoconazole, Alopurinol,
algoritma fp-tree dan fp-growth dengan Batugin, Klotaren, Fungoral
menggunakan alat bantu komputer dengan 5 Ketoconazole, Ditiazem HCL, Amoksilim,
operating system windows dan menggunakan Rifampicin, Batugin, Asiklovir
software Rapidminer 5. 6 Ditiazem HCL, Fugoral, Batugin,
Piroksikam, Asam Mefenamat, Alopurinol
3. Hasil dan Pembahasan
3.1 Pengolahan Data Kemudian menentukan frekuensi setiap item dari
Pengolahan data dilakukan menggunakan aplikasi keseluruhan transaksi.
database yaitu Microsoft Excel 2007. Data real
transaksi penjualan dapat dilihat pada gambar berikut.
Tabel 2 Nama dan Frekuensi Item dari Data
Transaksi Awal
GROWTH_UNTUK_MARKET_BASKET_ANALY
SIS. [Diakses tanggal 02 Agustus 2015]