Disusun oleh :
AFIFAN ARIFIN ALFARISY (D22.2016.01911)
II
Daftar Gambar
III
BAB 1
PENDAHULUAN
A. Latar belakang
Obat merupakan kebutuhan yang harus selalu tersedia untuk
mendukung sebuah tindakan pengobatan kesehatan. Obat digunakan
untuk mengobati penyakit atau keluhan yang di derita oleh seorang
pasien. Jadi ketersediaan obat merupakan sebuah pelayanan yang
harus ada untuk menunjang berjalannya sebuah pelayanan
pengobatan di suatu tempat kesehatan seperti klinik, rumah sakit,
puskesmas, dll.
Jumlah pengeluaran obat setiap harinya selalu terjadi berubah-
berubah tergantung banyak jumlah pasien dan penggunaan obat untuk
memberikan pengobatan kepada pasien. Sedangkan banyak jumlah
pasien dan penggunaan obat tidak menentu setiap harinya. Ini
membuat terjadi sering terjadi kekosongan dan kelebihan ketersedian
obat, sehingga membuat sebuah kerugian.
Dalam hal ini penerapan ilmu datamining dapat memberikan
gambaran tentang prediksi atau perkiraan ketersedian obat, untuk
mengetahuinya perlu diketahui banyak jumlah pengeluaran obat yang
terjadi. Untuk mengatasai masalah tersebut, peneliti membuat sebuah
percobaan penelitian menggunakan model linear regression.
B. Rumusan Masalah
Bagaimana hasil prediksi jumlah pengeluaran obat
menggunakan model linear regression di dalam datamining?
C. Tujuan
Mengetahui penggunaan datamining dalam memprediksi jumlah
pengeluaran obat menggunakan model linear regression.
D. Manfaat
Memberikan gambaran prediksi besar jumlah pengeluaran obat
untuk dapat dilakukannya tindakan pencegahan di waktu yang akan
datang.
E. Penelitian Terkait
1. Penelitian pernah dilakukan mengenai datamining dengan metode
clustering oleh Elmayati (2017) untuk pengolahan informasi
persediaan obat pada klinik srikandi medika berbasis web, yang
bertujuan untuk pembuktian penggunaan metode clustering
datamining dapat digunakan sebagai sarana pengolahan informasi
persediaan obat.
1
BAB 2
TINJAUAN PUSTAKA
A. Datamining
Data mining merupakan disiplin ilmu yang bertujuan untuk
menemukan, menggali pengetahuan dari data atau informasi yang kita
miliki[1]. Data mining berisi pencarian pola yang diinginkan pada
database untuk membantu pengambilan keputusan di waktu yang
akan datang. Text mining mengekstrak pola yang berguna dari sumber
data teks melalui eksplorasi pola tertentu[2]. Pola-pola ini dapat
diketahui oleh perangkat tertentu yang memberikan suatu analisa data
yang berguna kemudian dapat dipelajari lebih teliti, yang
memungkinkan penggunaan perangkat pendukung keputusan
lainnya[3].
Tahap-tahap data mining sebagai berikut[4]:
1. Pembersihan data. Proses menghilangkan noise dan data yang
tidak konsisten.
2. Integrasi data. Penggabungan data dari berbagai basis data ke
dalam satu basis data baru.
3. Seleksi data. Data yang ada pada basis data yang sesuai dari hasil
analisis yang akan diambil dari basis data.
4. Transformasi data (Data Transformation). Data diubah atau
digabung ke dalam format tertentu yang dapat diproses dalam
Data Mining.
5. Proses Mining. Proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi pola. Untuk mengidentifikasi pola-pola menarik ke dalam
knowledgebased yang ditemukan.
7. Presentasi pengetahuan. Penyajian pengetahuan dari
metode yang digunakan untuk memperoleh pengetahuan.
B. Linear Regression
Model linear regression adalah jenis aturan classification and
regression pada data mining selain Linear Regression yang termasuk
pada golongan ini adalah Support Vector Machine, Logistic
Regression dan lain- lain. Analisis linear regression adalah teknik data
mining untuk menentukan bahwa terdapat hubungan antara variable
yang ingin diramalkan dengan variabel lain [5].
2
C. Kerangka Teori
Dataset
Datamining
Prediksi
(Regression)
Model Linear
Regression
Hasil Prediksi
Kesimpulan
3
BAB 3
METODOLOGI PENELITIAN
4
BAB 4
Gambar 2. Dataset
B. Rangkaian regression
Rangkaian regression terdiri dari 2 rangkaian yaitu rangkaian
dipengaruhi dan rangkaian yang mempengaruhi, ini dilakukan sebagai
pembanding dalam proses pengolahan.
Rangkaian regression terdiri dari:
1. Read Exel. Untuk menampilkan dataset yang akan diolah.
2. Split data. Untuk membagi data
3. Windowing. Untuk menampilkan tambahan atribut berupa mirror
dari atribut yang ingin diteliti (terdiri dari dua windowing)
5
4. Set Role. Untuk menentukan besaran penilaian (terdiri dari dua Set
Role)
5. Model pengolahan ( yaitu menggunakan Linear Regression)
6. Apply model. Untuk menjalankan model yang digunakan
7. Performance. Untuk menampilkan hasil proses pengolahan
D. Hasil percobaan
Percobaan pertama menggunakan set role 7 banding 3 dengan
windowing sebesar 20 terdapat error, sebanyak 2125.369. error.
KESIMPULAN
8
DAFTAR PUSTAKA
[1] Susanto, S., Suryadi, D., 2010. Pengantar Data Mining “Menggali
Pengetahuan dari Bongkahan Data, Penerbit Andi Offset, Yogyakarta.
[2] Jumeilah, F., S., 2017. Penerapan SVM untuk Pengkatogorian
Penelitian, Jurnal Resti, Vol.1 No.1, April 2017, Hal. 19-25.
[3] Mustafa, S. M., 2017. Implementasi Data Mining Evaluasi Kinerja
Akademik Mahasiswa menggunakan Naive Bayes Classifier, Jurnal
Citec, Vol. 4 No. 2, Februari-April 2017, Hal. 151-162.
[4] Saleh, A., 2015. Implementasi Metode Klasifikasi Naive Bayer dalam
Memprediksi Besarnya Penggunakan Listrik Rumah Tangga, Jurnal
Citec, Vol.2 No.3, Mei–Juli 2015, Hal 207217.
[5] Xin Yan, & Xiao Gang Su., 2009. Linear regression analysis. London:
World Scientific Publishing Co. Pte. Ltd., Covent Garden.