IMPLEMENTASI DATA MINING DALAM PENENTUAN

POLA PEMBELIAN OBAT MENGGUNAKAN

ALGORITMA APRIORI

SINOPSIS

Oleh:
MOH.ARIEF WICAKSONO
1710510148

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS TEKNIK DAN KESEHATAN
UNIVERSITAS BUMIGORA
MATARAM
2020
1. Latar Belakang
Perkembangan teknoogi yang semakin pesat memberikan dampak
yang sangat signifikan dalam berbagai bidang. Tak terkecualidalam bidang
bisnis jual beli khususnya Apotek yang kian hari semakin tinggi terjadinya
persaingan antara peaku usah.Banyak hal yang dilakukan pelaku usaha
apotek untuk menghadapi persaingan pada era teknologi seperti saat ini.
Pemanfaatan teknologi informasi dalam mendukung aktifitas usaha apotek
juga semakin maju dan berkembang. Pra usaha pelaku memanfaatkan hal
ini untuk meningkatkan strategi-strategi bisnis mereka. Pemanfaatan data
yang dikelola kerap menjadi objek dalam memberikan informasi untuk
meningkatkan kualitas dan efektif dalam kegiatan usaha jual beli.
Setiap usaha apotek mempunyai system operasi yang setiap transaksi
kegiatan operasinya selalu dicatat dan
didokumentasikan.Pendokumentasian setiap transaksi sangat berguna bagi
apotek tersebut untuksegala keperluan.Data-data tersebut disimpan dalam
sebuah basis data berkapasitas besar.
Kemudahan dalam pengelolaan data yang menjadi objek dalam
menggali informasi-informasi baru yang mendukung pengetahuan pelaku
usaha apotek dalam meningkatkan strategi bisnis tersebut dilakukan
dengan menggunakan teknik data mining.Data mining merupakan teknik
yang digunakan untuk anaisis data menggunakan tool untuk menemukan
pola dan aturan dalam himpunan data. Perangkat lunak bertugas
menemukan pola dengan mengidentifikasi aturan dan fitur pada data dan
harapkan mampu mengenal pola dalam data dengan input minimal dari
user. Munculnya data mining didasarkan pada kenyataan bahwa jumlah
data yang tersimpan dalam basis data semakin besar. Untuk data yang
semakin bertambah jumlahnya dari waktu kewaktu menyebabkan
munculnya pertanyaan yakni untuk apa data-data tersebut, tentu menjadi
hal yang sia-sia jika data tersebut tidak dimanfaatkn untuk kepentingan
perusahaan atau instansi itu sendiri.
Ilmu data mining menjadi salah satu solusi dari permaslahan tersebut
dengan proses yang dapat menemuan suatu informasi baru yang berguna
bagi perushaan. Informasi baru tersebut dapat membantu para pengusaha
dalam penjualan obat sebagai rekomendasi obat apa saja yang harus
disediakan stok lebih.
 Dalam penelitian ini saya mengambil studi kasus di Apotek Karunia
Montong Gamang Lombok Tengah, dengan mengunakan data transaksi
menjadi objek yang akan diolah dengan sebuah aplikasi data mining yang
dibangun menggunakan algoritma apriori, algoritma ini untuk menghasilkan
pola pembelian konsumen yang sering terjadi pada produk yang paling
sering dibeli berdasarkan data transaksi Apotek Karunia Montong Gamang
Lombok Tengah yang sering diolah.
Permasalahan dari apotek karunia montong gamang Lombok Tengah yaitu
dalam proses pencatatan data transaksi penjualan masih menggunakan
manual.Sedangkan dalam menentukan persediaan atau stok obat yang
sering dibeli oleh konsumen.Disini data yang digunakan adalah data
penjualan obat pada periode 18 Maret 2019 sampai 11 Desember 2020
dengan jumlah 10.000 data transaksi yang belum diolah.Dalam mengolah
dan menganalisanya membutuhkan waktu yang tidak sedikit agar diketahui
obat apa saja yang harus ditambah persediaannya. Alasan mengapa
menggunakan algoritma apriori karena algoritma apriori sangat efisien dan
dapat mempercepat proses pembentukan kecenderungan pola kombinasi
itemset dan algoritma apriori dapat juga digunakan perusahaan untuk
menyusun strategi pemasaran dalam memasarkan produk dengan meneliti
pola pembelian konsumen. Pendapat dari jurnal lain yaitu Algoritma Apriori
dipilih untuk mengolah data. Alasan dipilihnya metode tersebut karena
tujuan pada penelitian ini adalah menemukan hubungan data murid dengan
nilai sekolah.( STMIK Nusa Mandiri).Penerapan algoritma apriori,
membantu dalam membentuk 3 kandidat kombinasi item, kemudian
dilakukan pengujian apakah kombinasi tersebut memenuhi parameter
support dan confidence minimum yang merupakan nilai ambang yang
diberikan oleh pengguna
Solusi dari permasalahan penelitian diatas menggunakan algoritma
apriori untuk menentukan pola pembelian obat agar persediaan atau stok
obat disana tetap tersedia untuk konsumen.Algoritma apriori dapat
membantu dalam menemukan frequent-itemset dengan melakukan iterasi
pada data. Dimana itemset adalah himpunan item-item yang berada di
dalam himpunan yang diolah oleh sistem, sedangkan frequent-itemset
menunjukan itemset yang memiliki frekuensi kemunculan lebih dari nilai
minimum yang telah ditentukan (ф). Pada iterasi ke-k, semua itemset yang
ditemukan yang memiliki k item disebut k-itemset. Setiap iterasi terdiri dari
dua tahap yaitu pembangkitan kandidtat dan pembangkitan rule. Pada
tahap pembangkitan kandidat (candidat generation) dimana himpunan
semua frequent(k – 1)-itemset yang digunakan pada pass ke-(k-
1)digunakan untuk membangkitkan kandidat itemset Prosedur
pembangkitan kandidat menjamin bahwa adalah superset dari himpunan.
Kemudian di-scan dalam tahap perhitungan support (support counting).
Pada akhir pass diperiksa untuk menentukan kandidat mana yang muncul,
menghasilkan . Perhitungan support berakhir ketika atau kosong.
Pada tahap membangkitkan rule, akan dibangkitkan lebih dahulu
candidate rule. Candidate rule berisi semua kemungkinan rule yang
memiliki support > minimum support karena inputan candidate rule adalah
frequent-itemset. Kemudian candidate rule akan di-join dengan table F
untuk menemukan support antecedent. Confidence rule dihitung dengan
cara membandingkan support rule dengan support antecendent rule. Hanya
rule yang mempunyai confidence > minimum confidence yang disimpan
dalam table.
2. Rumusan Masalah
Berdasarkan latar belakang yang telah dijelaskan di atas, maka dapat
dirumuskan masalah, yaitu :
1. Menetukan pola pembelian konsumen pada Apotek Karunia Montong
Gamang Lombok Tengah per duatahunnya.
2. Apakah teknik data mining memberikan informasi dan pengetahuan baru
berdasarkan data transaksi yang diolah ?

3. Batasan Masalah

Batasan maslah dalam penelitian ini adalah:

a. Objek yang akan digunakan sebagai bahan penelitian adalah data

transaksi penjualan pada Apotek Karunia Montong Gamang Lombok
Tengah dari tanggal 01 januari 2019 sampai 01 januari 2021.
b. Algoritma yang digunakan adalah algoritma apriori untuk mengetahui
aturan asosiatif antara kombinasi pembelian produk oleh konsumen.
c. Data yang diolah adalah data transaksi yang sebelumnya telah
dilakukan preprocessing.
Aplikasi dibuat menggunakan bahasa pemrograman PHP dan
database MYSQL.

4. Tujuan dan Manfaat

i. Tujuan

a. Untuk mengetahui pola pembelian produk oleh konsumen pada

bulan Januari 2019 sampai Januari 2021 di Apotek Karunia Montong
Gamang Lombok Tengah.
b. Mengetahui sejauh mana algoritma apriori dapat membantu
menggali informasi dari data transaksi yang diolah.

ii. Manfaat

Dengan tercapainya tujuan penelitian diatas dapat kita simpulkan

manfaat dari penelitian ini adalah:

a. Aplikasi data mining dapat digunakan untuk analisis data transaksi

sehingga data transaksi tersebut dapat dimanfaatkan untuk
mendapatkan informasi atau knowledge baru.
 b. Memberikan kemudahan dalam menentukan strategi bisnis dengan
memanfaatkan informasi yang telah diperoleh dari data transaksi
yang diolah menggunakan aplikasi data mining yang menggunakan
algoritma apriori untuk mengetahui produk yang paling diminati dan
pola pembelian konsumen pada Apotek Karunia Montong Gamang
Lombok Tengah.

5. Metodologi

Metodologi penelitian yang digunakan yaitu studi kasus, studi

kasus adalah suatu serangkaian kegiatan ilmiah yang dilakukan secara
intensif, terinci dan mendalam tentang suatu program, peristiwa, dan
aktivitas, baik pada tingkat perorangan, sekelompok orang, lembga,dan
organisasi untuk memperoleh pengetahuan mendalam tentang peristiwa
tersebut.

5.1 Objek Penelitian

Dalam melakukan penelitian ini saya memulai pada bulan Desember

2020 sampai dengan bulan Februari 2021. Penelitian ini beralokasi
pada Apotek Karunia Montong Gamang Lombok Tengah

Pada Penelitian ini objek yang akan di ambil adalah sebuah Apotek
Karunia Montong Gamang Lombok Tengah , dengan mengambil data
transaksi penjualan barang pada 01 Januari 2019 sampai 01 Januari
2021.

5.2 Jenis dan Sumber Data

5.2.1Jenis Data

a.Data Primer
Data primer adalah data yang dikumpulkan sendiri oleh
perorangan atau suatu organisasi secara langsung dari objek
yang diteliti dan untuk kepentingan studi yang bersangkutan yang
dapat berupa wawancara langsung dengan pimpinan atau bagian
yang menangani langsung permasalahan di lapangan atau dapat
 berupa observasi kegiatan sehari-hari suatu objek yang diteliti.
Hasilnya dapat berbentuk data yang dibutuhkan atau data yang
diharapkan sesuai dengan penelitian yang dilakukan, seperti
data transaksi penjualan yang ada di Apotek Karunia Montong
Gamang dalam periode tertentu yang nantinya akan digunakan
sebagai bahan untuk analisis data mining.

b.Data Sekunder
Data sekunder adalah data yang diperoleh atau dikumpulkan
dan disatukan oleh studi-studi sebelumnya atau yang diterbitkan
oleh berbagai instansi lain. Biasanya sumber tidak langsung
berupa data dokumentasi dan arsip-arsip resmi. Data sekunder
didapatkan dari pustaka-pustaka yang relevan dengan penelitian
yang dilakukan, yaitu seperti literature tentang data mining dari
buku “Algoritma Data Mining” oleh Kusrini, Lutfi, dan Emha
Taufiq atau literature lain seperti jurnal “Almon Junior
Simanjuntak "Aplikasi data mining untuk pemodelan pembelian
barang menggunakan algoritma apriori".

5.2.2 Sumber Data

Data-data yang penulis cantumkan disini merupakan data-

data yang terdapat dari berbagai macam media yaitu : jurnal,
buku, survey, internet dan lain-lain. Semua sumber data dan
literature tersebut berguna untuk memperkuat bahan penelitian
sebagai representasi teori. Data-data tersebut terdapat pada
berbagai media, seperti dibawah ini :
a. Studi Pustaka

Metode pengumpulan data dengan studi kepustakaan ini

dilakukan dengan mempelajari banyak jurnal, dan buku-buku
literature yang berkaitan dengan masalah aplikasi data mining
tertutama dengan penggunaan metode algoritma apriori salah
satunya seperti jurnal Robi Yanto, Riri Khoiriah, "Implementasi
Data Mining dengan Metode Algoritma Apriori dalam
Menentukan Pola Pembelian Obat".
b. Literatur

Dengan banyak mempelajari literature yang berhubungan

dengan data mining, Association Rule, Algoritma Apriori.
Maka sumber literatur banyak di dapatkan dari buku, paper
atau jurnal, karya ilmiah, dan situs-situs penunjang, seperti
contoh, disini penulis mengambil literature dari buku
“Algoritma Data Mining’ oleh Kusrini,Lutfi, dan Emah Taufiq
sebagai bahan referensi atau sumber literature untuk
membantu dalam menyelesaikan skripsi penulis.
c. Internet

Internet merupakan salah satu sumber literature yang penulis

gunakan dan sangat berguna sekali bagi penulis dalam
membantu menyelesaikan skripsi penulis. Seperti Wikipedia,
Academia Edu dan lain-lain.
d. Wawancara

Wawancara/interview merupakan percakapan antara dua

orang atau lebih dan berlangsung antara narasumber dan
pewawancara yang dilakukan dengan cara tanya jawab antara
narasumber dengan pewawancara untuk dimintai informasi
yang berhubungan. Tujuan dari wawancara adalah untuk
mendapatkan informasi dan memperluas data yang diperoleh
dari orang-orang lain seperti pemilik Apotek dan pegawainya,
di mana sang pewawancara melontarkan pertanyaan-
pertanyaan untuk dijawab oleh orang yang diwawancarai.
e. Survey

Survey adalah salah satu metode penelitian yang umumnya

mengkaji populasi yang besar dengan menggunakan sampel
populasi yang bertujuan untuk membuat deskripsi,
generalisasi, atau prediksi tentang opini, perilaku, dan
karakteristik yang ada dalam populasi tersebut, survey sangat
diperlukan untuk mengumpulkan data dalam melakukan
penelitian ini dan dilakukan dengan mendatangi tempat yang
akan digunakan
 sebagai objek penelitian. Dalam hal ini penulis melakukan
survey di Apotek Karunia Montong Gamang Lombok Tengah.
Adapun hasil dari survey yang dilakukan oleh penulis yaitu
mendapatkan data transaksi penjualan obat yang dibeli oleh
pelanggan

5.3 Metode Pengumpulan Data

5.3.1 Wawancara

Wawancara merupakan salah satu teknik yang digunakan

dalam pengumpulan data, wawancara yang dilakukan yaitu
Tanya jawab antara peneliti dan narasumber dengan tujuan
untuk menggali data atau memperoleh informasi yang
berhubungan dengan penelitian.

5.3.2 Pengamatan

Sebagai metode ilmiah observasi dapat diartikan sebagai

pengamatan. Jadi Observasi merupakan suatu teknik
pengumpulan data yang dilakukan secara sistematis dan
sengaja, yang dilakukan melalui pengamatan dan pencatatan
gejala-gejala yang diselidiki dengan menggunakan alat indra
terutama mata terhadap kejadian yang sedang berlangsung.
Dalam penelitian ini penulis melakukan pengamatan terhadap
objek data dengan tujuan mendapatkan korelasi antara
persediaan barang dengan kebutuhan pelanggan.

5.4 Tahapan Penelitian Cross-Industry Standard Process for Data

Mining (CRISP-DM)

Tahapan-tahapan yang penulis lakukan dalam penelitian ini

menggunakan metode CRISP-DM dengan langkah-langkah sebagai
berikut :

5.4.1 Fase Pemahaman Bisnis

 Tujuan dari penelitian ini yaitu mencari keterkaitan
antar barang yang sering dibeli oleh pelanggan Apotek
Karunia Montong Gamang.Pada tahap awal peneliti mencari
dataset dengan mengetahui transaksi pembelian obat pada
konsumen di Apotek Karunia Montong Gamang pada 01
Januari 2019 sampai 01 Januari 2021.

5.4.2 Fase Pemahaman Data

Sumber data yang digunakan pada penelitian ini adalah

data primer yang diperoleh langsung dari transaksi penjualan
obat kepada konsumen pada 01 Januari 2019 sampai 01
Januari 2021.
5.4.3 Fase Pengolahan Data

Dari data transaksi yang ada, tidak semua yang diolah.

Pada penelitian ini data yang digunakan hanya transaksi yang
lebih dari 1 jenis barang, bukan berapa jumlah barang yang
dibeli karena yang dicari adalah keterkaitan barang.

5.4.3.1 Pemilihan data yang diolah

Data yang diolah Ada Variable “No”, “Nama

Obat”,”tanggal”,”Harga”,tetapi tidak semua variable
tersebut digunakan, yang diperlukan hanya “No”,
“Nama Obat”, “Tanggal”.

5.4.3.2 Format Tabular Data Transaksi

Format tabular data adalah format data dalam

bentuk 1 dan 0 atau format data dalam bentuk biner.
Berhubungan dengan aplikasi yang digunakan dalam
pengujian adalah aplikasi yang menggunakan salah satu
database Microsoft Excel dengan data dalam bentuk
tabular data,maka data transaksi penjualan, dikonversi ke
dalam bentuk biner.Proses konversinya adalah nomer
slip dari data yang akan diuji dibuat dalam bentuk
horizontal kebawah, sedangkan semua jenis item akan
menjadi attribute berbentuk vertical, sehingga
membentuk seperti sebuah table, berdasarkan data real
transaksi penjualan titik temu antara nama barang dan
no akan menjadi biner 1, sedangkan yang tidak menjadi
titik temu akan menjadi biner 0. Contoh hasil proses
konversi data transaksi penjualan ke format data dalam
bentuk tabular data adalah seperti table berikut ini :

Gambar 1.2 Contoh Format tabel

5.4.4 Fase Pemodelan

Apotek Karunia
Montong Gamang

Dataset

Market Basket
analysis dengan
algoritma apriori

Coding

Hasil Mengetahui kebiasaan

belanja konsumen untuk prediksi
stok obat dan order obat Pada
Apotek Karunia montong gamang

Gambar 3.3 fase pemodelan

Keterangan :
Dataset

1. Pemilihan transaksi lebih dari satu barang

2. Diskritisasi nama_barang
3. Representasi biner

Market basket analysis dengan algoritma apriori

1. Penggabungan
 2. Pemangkasan dengan minimum support
3. Minimum confidence
Coding
1. Implementasi dengan web php dan db mysql
Hasil
1. Pola yang didapat

5.4.5 Fase Evaluasi

Tahap fase evaluasi dilakukan untuk mendapatkan

kualitas dan efektifitas sebelum disebarkan. Apakah model
sudah memenuhi tujuan awal dan sudah memecahkan
permasalahan dalam penelitian ini, serta mengambil
keputusan berkaitan dengan penggunaan hasil dari data
mining.

5.4.6 Fase Penyebaran/Deployment

Setelah melakukan evaluasi, fase selanjutnya adalah

fase penyebaran yaitu hasil dari penelitian ini dapat dijadikan
rekomendasi oleh pihak pengelola Apotek Karunia Montong
Gamang dalam menentukan strategi bisnis mengatur stok
barang dengan memperhatikan barang yang paling sering
dibeli secara bersamaan.

 Data Mining
Data mining adalah suatu proses penambangan informasi penting dari
suatu data. Informasi penting ini didapat dari suatu proses yang amat rumit
seperti menggunakan artificial intelligence, teknik statistik, ilmu matematika,
machine learning, dan lain sebagainya. Teknik-teknik rumit tersebut nantinya
akan mengidentifikasi dan mengekstraksi informasi yang bermanfaat dari
suatu database besar.Dapat disimpulkan bahwa data mining merupakan
suatu proses penambangan data dalam jumlah data yang sangat besar
dengan menggunakan metode statistika, matematika, hingga memanfaatkan
teknologi artificial intelligence.Berikut beberapa algoritma data mining
sebagai berikut:
 Algoritma Data Mining
1. Estimation(Estimasi)
Linear Regression, Neural Network, Support Vector Machine

2. Prediction/Forecasting (Prediksi/Peramalan)
Linear Regression, Neural Network, Support Vector Machine

3. Classification (Klasifikasi)
Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear
Discriminant Analysis
4. Clustering (Klastering)
K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means
5. Association (Asosiasi)
FP-Growth, A Priori

 Fungsi Data Mining

Penambangan data adalah suatu proses yang memiliki banyak
fungsi. Fungsi utamanya yaitu untuk mendapatkan informasi penting
yang nantinya bisa bermanfaat. Jika dijabarkan lebih lanjut, berikut
fungsi dasarnya yaitu:

 Prediction
Prediction atau fungsi prediksi merupakan salah satu
fungsi data mining. Maksudnya yaitu dari proses nanti akan
menemukan pola tertentu dari suatu data. Pola tersebut dapat
diketahui dari variabel-variabel yang ada pada data. Pola yang
didapat bisa digunakan untuk memprediksi variabel lain yang
belum diketahui nilai ataupun jenisnya.

 Description
Fungsi selanjutnya adalah description atau fungsi
deskripsi. Maksud dari fungsi deskripsi ini yaitu untuk
memahami lebih jauh tentang data yang diamati. Jadi dengan
 melakukan proses, diharap mampu mengetahui perilaku dari
data

tersebut yang nantinya bisa digunakan untuk mengetahui

karakteristik dari data yang dimaksud.Data mining nantinya
bisa menemukan pola tertentu yang tersembunyi dalam
sebuah data. Dengan pola yang berulang dan bernilai itulah
karakteristik data bisa diketahui. Hal satu ini tentunya
memberikan banyak manfaat dan dapat meningkatkan
pengetahuan.

 Klasifikasi
Fungsi lainnya adalah fungsi klasifikasi
atau classification. Maksud dari fungsi klasifikasi yaitu data
yang ada akan diproses sehingga akan ditemukan fungsi atau
model tertentu yang menggambar konsep dari suatu data.
Model atau fungsi tersebut nantinya akan memisahkan tiap
data menjadi kelompok-kelompok tertentu.Kelompok data
tersebut nantinya bisa digunakan untuk meramalkan
kecenderungan suatu data di masa depan. Pengelompokan
atau pengklasifikasian data juga dapat memudahkan pemilik
data saat mencari data yang dibutuhkan

 Asosiasi
Fungsi selanjutnya ialah fungsi asosiasi. Maksud dari
fungsi asosiasi atau analisis asosiasi yaitu penggunaannya
untuk menemukan kombinasi atau aturan assosiatif dari suatu
data. Jadi data yang ada nantinya diproses sehingga akan
menemukan informasi tentang hubungan variabel satu
dengan lainnya.

 Association Rule Mining

Analisis asosiasi atau association rule mining adalah teknik data
mining untuk menemukan aturan asosiatif antara suatu kombinasi item.
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining
yang menjadi dasar dari salah satu teknik data mining lainnya. Secara
khusus,

salah satu tahap analisis asosiasi yang menarik perhatian banyak

peneliti untuk menghasilkan algoritma yang efisien, yaitu analisis pola
frekuensi tinggi (frequent pattern mining) [5]. Secara umum association
rule mempunyai bentuk : LHS => RHS dimana LHS dan RHS tersebut
adalah himpunan item; jika setiap item-item dalam LHS terdapat dalam
transaksi maka item-item dalam RHS juga terdapat dalam transaksi.
Aturan asosiasi biasanya dinyatakan dalam bentuk: {A,B} => {C}
(support = 10%, confidence = 50%)

Berikut formula pencarian nilai support dan confidence yaitu sebagai

berikut:

a. Analisa pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum
dari nilai support dalam database. Nilai support sebuah item
diperoleh dengan rumus berikut:

Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:

b. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
assosiatif yang memenuhi syarat minimum untuk confidence dengan
 menghitung confidence aturan assosiatif A B Nilai confidence dari
aturan A B diperoleh dari rumus berikut:

 Algoritma apriori
Algoritma apriori adalah langkah untuk proses menemukan frequent-
itemset dengan melakukan iterasi pada data. Dimana itemset adalah
himpunan item-item yang berada di dalam himpunan yang diolah oleh
sistem, sedangkan frequent-itemset menunjukan itemset yang memiliki
frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (ф).
Pada iterasi ke-k, semua itemset yang ditemukan yang memiliki k item
disebut k-itemset. Setiap iterasi terdiri dari dua tahap yaitu pembangkitan
kandidtat dan pembangkitan rule. Pada tahap pembangkitan kandidat
(candidat generation) dimana himpunan semua frequent(k – 1)-itemset
yang digunakan pada pass ke-(k-1) digunakan untuk membangkitkan
kandidat itemset . Prosedur pembangkitan kandidat menjamin bahwa
adalah superset dari himpunan. Kemudian di-scan dalam tahap
perhitungan support (support counting). Pada akhir pass diperiksa untuk
menentukan kandidat mana yang muncul, menghasilkan . Perhitungan
support berakhir ketika atau kosong.
Pada tahap membangkitkan rule, akan dibangkitkan lebih dahulu
candidate rule. Candidate rule berisi semua kemungkinan rule yang
memiliki support > minimum support karena inputan candidate rule
adalah frequent-itemset. Kemudian candidate rule akan di-join dengan
table F untuk menemukan support antecedent. Confidence rule dihitung
dengan cara membandingkan support rule dengan support antecendent
rule. Hanya rule yang mempunyai confidence > minimum confidence
yang disimpan dalam table.
 Untuk melakukan proses pengolahan data transaksi obat maka
perlu digambarkan tahapan kerja yang dapat dilakukan pada
algoritma apriori seperti gambar 2 berikut.

Mulai

Pengolahan Data

Pencarian calon kombinasi

(Pembentukan Itemset)

Kombinasi yang T
terpilih

Selesai?

Y
Selesai

Gambar 2. Flowchart Algoritma Apriori

 Lift Rasio
Lift ratio adalah suatu ukuran untuk mengetahui kekuatan
aturan asosisasi (association rule) yang telah terbentuk. Nilai lift
ratio biasanya digunakan sebagai penentu apakah aturan
asosiasi valid atau ISSN : 2355-9365 e-Proceeding of
Engineering : Vol.2, No.3 Desember 2015 3 tidak valid.

Untuk menghitung lift ratio digunakam rumus sebagai berikut:

Untuk mendapatkan nilai benchmark confidence sendiri dapat
dihitung menggunakan rumus sebagai berikut:

Keterangan:
- Nc = jumlah transaksi dengan item yang menjadi consequent
- N = jumlah transaksi basis data

Berikut tahapan-tahapan data mining yang dilakukan sebagai

berikut:
1. Seleksi Data (Data Selection)

Tahap ini merupakan langkah awal, langkah awal

yaitu melakukan pemilihan pada data mentah transaksi
penjualan yang diperoleh dari Apotek Karunia Montong
Gamang Lombok Tengah yang akan digunakan dalam
proses data mining.

2. Preprocessing/Cleaning Data
Selanjutnya adalah melakukan preprocessing data
pada data yang sudah terpilih sebelumnya, preprocessing
data/cleaning data meliputi pembuangan duplikasi data dan
penambahan field yang diperlukan.

3. Transformation

Pada tahap ini, hal yang dilakukan adalah proses

mentransformasi data yang sudah dilakukan
 preprocessing/cleaning sehingga menghasilkan data yang
siap diolah dengan data mining. Tahap ini dilakukan
dengan meng-import data kedalam basis data sehingga
data siap diolah oleh aplikasi

4. Data Mining

Pada tahap ini, data yang sudah siap diolah akan

dilakukan proses data mining pencarian pola menggunakan
algoritma apriori dengan menggunakan aplikasi yang telah
dibuat. Tahap ini akan menghasilkan pola pembelian
konsumen atau pattern yang akan menjadi acuan untuk
proses selanjutnya yaitu proses Implementasi System.

5. Implementasi System
Implementasi Pada tahap ini untuk memudahkan
dalam pembuktian hasil analisa yang dilakukan, dibutuhkan
sistem yang akan dibangun menggunakan bahasa
pemrograman PHP dan database mysql.Proses selanjutnya
yaitu Interpretation/Evaluation.

6. Interpretation/Evaluation

Pola yang dihasilkan dari proses data mining

selanjutnya akan dinterpretasikan menjadi sebuah informasi
atau pengetahuan (knowledge).
6. Perbandingan dengan Skripsi/ TA Sebelumnya

No Penulis Tahun Judul Pembahasan

1. IMPLEMENTASI Metodologi
ALGORITMA sistemnya berbeda
APRIORI PADA disini penuis
DATA MINING menggunakan
RAPIT 2018 UNTUK POLA metode CRIPSDM
A SARI PEMINJAMAN sedangkan untuk
BUKU DI algoritmanya sama
PERPUSTAKAAN yaitu menggunakan
UIN RADEN metode algoritma
FATAH apriori dan tahapan-
PALEMBANG tahapannya
berbeda.
2. Amir Penentuan Pola Metodenya berbeda
Setiaw
Pembelian yang digunakan
an
2019 Konsumen pada penulis penulis
Indra
Indomaret GKB menggunakan
Gita
Gresik dengan Algoritma Aprioro
Anugra
Metode FP- sedangkan untuk
h
Growth jurnalnya disini
menggunakan
metode FP-Growth.
3. Jordy IMPLEMENTASI Metodenya sama
Lasma
ALGORITMA dengan apa yang
na
Putra APRIORI penulis digunakan
TERHADAP yaitu dengan metode
Mugi
Raharj DATA algoritma
o
2019 PENJUALAN apriori,sedangkan
Tommi PADA tahapan-tahapannya
Alfian
PERUSAHAAN dan metodologi
Armaw
an RETAIL penelitian berbeda
 Sandi juga yang penulis
Ridwan
buat.
Rizal
Prasety
o
 7. Jadwal Kegiatan

Waktu Kegiatan
No Kegiatan
Januari Februari Maret
Bab1
1.
Pendahuluan
Bab2
2.
Landasan Teori
Bab3
Metodologi
3.
Pembuatan
aplikasi
Sistemnya.
Bab4
4. Hasil dan
Pembahasan
Bab5
5.
Penutup
Uji Seminar &
6.
Revisi

Mataram, Desember 2020

Telah dikonsultasikan dengan Mahasiswa

dosen penguji

T (MOCH. Syahrir, S.ST, M.Kom) ( Moh Arief Wicaksono )

NIK. 14.6.193 NIM.1710510148

Disetujui oleh
Ka Prodi S1 Ilmu computer
 (Lilik widyawati M.Kom )
NIK. 19.6.356

HALAMAN TAMBAHAN :

IDENTITAS

NIM : 1710510148

NAMA LENGKAP : MOH ARIEF WICAKSONO

PRODI : S1 ILMU KOMPUTER

PEMINATAN(u/ S1 TI) : REKAYASA PERANGKAT LUNAK

NO. HP : 087846055891

EMAIL : ariefw162@gmail.com

TOPIK SKRIPSI/TA : IMPLEMENTASI DATA MINING DALAM

PENENTUAN POLA PEMBELIAN OBAT
DENGAN METODE APRIORI

KATA KUNCI : DATA MINING,METODE APRIORI

DOSEN CALON
PEMBIMBING : MOCH.SYAHRIR S.ST,M.Kom