PENENTUAN POLA PEMBELIAN OBAT MENGGUNAKAN

ALGORITMA APRIORI
Moh Arief Wicaksono1, Ria Rismayanti2, Muhammad Syahrir 3
Jurusan Ilmu Komputer Universitas Bumigora
Jln. Ismail Marzuki, Kota Mataram, Nusa Tenggara Barat. 83127, INDONESIA
ariefw162@gmail.com

Article Info ABSTRAK

Apotek merupakan salah satu usaha yang bergerak dalam bidang
Article history: kesehatan khususnya pelayanan produk dan jasa untuk meningkatkan
Received: - kesehatan masyarakat. Pelayanan produk dan jasa untuk meningkatkan
kesehatan masyarakat ini dilakukan oleh seorang pengelola apotek dalam
Revised: - upaya memenuhi tugas dan fungsi apotek yang meliputi perencanaan,
pengorganisasian, pelaksanaan, pengawasan dan penilaian. Hal ini
Accepted: - menyebabkan adanya permasalahan yang sering terjadi diapotek yaitu dalam
melakukan pencarian obat harus dilakukan dengan mencari satu persatu
dalam buku transaksi penjualan obat karena pengelola apotek tidak
mengetahui stok obat yang ada di apotek. Selain itu permasalahan lainnya
adalah pengaturan tata letak obat yang tidak teratur atau tidak terstruktur
dimana peletakan obat tidak menggunakan acuan seperti obat yang paling
laku.
Metode yang digunakan dalam membuat aplikasi ini yaitu asosiasi
dengan menggunakan algoritma apriori yang dimuai dari pengumpulan data
yang merupakan data transaksi dan analisis kebutuhan data. Kemudian
penulis membangun aplikasi dengan mengimplementasikan algoritma apriori
pada aplikasi yang akan dibangun, pengujian aplikasi menggunakan 3 nilai
minimum support dan 3 nilai minimum confidence agar nantinya bisa
mendapatkan hasil rule dan k-Itemset dari ke 3 nilai yang berbeda tersebut.

Kata Kunci:
Penentuan Pola, Metode
Asosiasi, Algoritma Apriori

ABSTRACT

Pharmacy is one of the businesses engaged in the health sector,

Keywords: especially product and service services to improve public health. The service
Pattern Determination, of products and services to improve public health is carried out by a
pharmacy manager in an effort to fulfill the duties and functions of a
Association Method, Apriori
pharmacy which includes planning, organizing, implementing, monitoring
Algorithm and evaluating. This causes problems that often occur in pharmacies, namely
in conducting drug searches, it must be done by looking for one by one in the
drug sales transaction book because the pharmacy manager does not know
the stock of drugs in the pharmacy. In addition, another problem is the
arrangement of irregular or unstructured drug layouts where the placement of
drugs does not use a reference like the best-selling drugs.
The method used in making this application is association using an a
priori algorithm which starts from data collection which is transaction data
and analysis of data needs. Then the author builds an application by
implementing the a priori algorithm in the application to be built, testing the
application using 3 minimum support values and 3 minimum confidence
values so that later they can get the rule and k-Itemset results from the 3
different values.
1. PENDAHULUAN
Perkembangan teknologi yang semakin pesat memberikan dampak yang sangat signifikan dalam berbagai bidang. Tak
terkecuali dalam bidang bisnis jual beli khususnya apotek yang kian hari semakin tinggi terjadinya persaingan antara pengusaha.
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. Para 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.
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. Hal terpenting dalam teknik Data mining adalah aturan untuk menemukan pola frekuensi tinggi antar himpunan itemset
yang disebut fungsi association rule (aturan asosiasi). Proses pencarian asosiasi atau hubungan antar item data ini diambil dari
suatu basis data relasional. Proses tersebut menggunakan algoritma apriori. 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 dimanfaatkan untuk kepentingan perusahaan atau instansi itu sendiri dalam persaingan di dunia usaha, di tuntut untuk
menemukan suatu strategi tepat yang dapat digunakan dalam penjualan. Salah satu strategi dalam optimasi adalah dengan
penentuan tata letak obat yang akan membantu mempermudah dan mempercepat kinerja karyawan dalam melakukan pelayanan
kepada konsumen, selain itu dengan menjaga persediaan obat tetap tersedia.
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. penentuan pola
pembelian obat dengan aturan asosiasi menggunakan algoritma apriori untuk mengetahui pola kombinasi item dan itemset
frekuensi tinggi dari penjualan obat di apotek karunia sehingga dapat memprediksi persediaan obat yang ada.

2. LANDASAN TEORI
2.1. Data Mining
Nama data mining sebenarnya mulai di kenal sejak tahun 1990, ketika pekerjaan pemanfaatan data menjadi sesuatu yang
penting dalam berbagai bidang, mulai dari bidang akademik,bisnis,juga medis. Menurut Tan pengertian “data mining
sebagai proses untuk mendapatkan informasi yang berguna dari gudang basis data yang besar”. Selain definisi tersebut,
dalam bukunya beberapa definisi juga di berikan seperti yang tertera di bawah ini:
“Data mining juga dapat di artikan sebagai pengekstrakan informasi baru yang di ambil dari bongkahan data besar yang
membantu dalam pengambilan keputusan”, Menurut Daryl Pregibon pengertian “ Data mining adalah campuran dari
statistik, kecerdasaan buatan, dan riset basis data yang masih berkembang”. Dari definisi-definisi yang telah di sampaikan,
hal penting yang terkait dengan data mining adalah:
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.
2. Data yang akan di proses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat.
Dalam perkembangan teknologi data mining, terdapat model atau mode yang di gunakan untuk melakukan proses
penggalian informasi terhadap data-data yang ada. Data mining sering di sebut knowledge discovery in database (KDD)
yang bertujuan untuk memanfaatkan data dalam basis data dengan mengelolanya sehingga menghasilkan informasi baru
yang berguna. Jika di lacak akar keilmuannya, ternyata data mining mempunyai empat akar bidang ilmu sebagai berikut:

Artifical
intellige Statistik
Patter Data
nce
n mining
Recog
nition

Database

Gambar 2. 1 Akar Ilmu Data Mining

a. Statistik
Bidang ini merupakan akar paling tua, tanpa ada statistik maka data mining mungkin tidak ada. Dengan
menggunakan statistik klasik ternyata data yang diolah dapat di ringkas dalam apa yang umum di kenal sebagai
exploratory data analysis (EDA). EDA berguna untuk mengidentifikasi hubungan sistematis antar variabel/ fitur ketika
tidak cukup informasi alami yang di bawanya.
b. Kecerdasan Buatan (artifical intelligence)
Bidang ilmu ini berbeda dengan statistik. Teorinya di bangun berdasarkan teknik heuristik sehingga
berkontribusi terhadap teknik pengolahan informasi berdasarkan pada model penalaran manusia.
c. Pengenalan Pola
Sebenarnya data mining juga menjadi turunan bidang pengenalan pola, tetapi hanya mengelola data dari basis
data. Data yang di ambil dari basis data untuk di olah bukan dalam bentuk relasi, melainkan dalam bentuk normal
pertama sehingga set data di bentuk normal pertama.
d. Sistem Basis Data
Akar bidang ilmu keempat dari data mining yang menyediakan informasi berupa data yang akan ‘digali’
menggunakan metode-metode yang di sebutkan sebelumnya.
2.2. Tahapan Data Mining
Menurut CRISP-DM sebuah proyek data mining memiliki siklus hidup yang terbagi dalam enam fase seperti gambar
dibawah ini :

Gambar 2. 1 . Proses Data Mining

CRISP-DM Menurut (Sofi, 2013)
1. Fase Pemahaman Bisnis/Bussines Understanding
2. Fase Pemahaman Data/Data Understanding
3. Fase Pengolahan Data/Preparation
4. Fase Pemodelan/Modeling
5. Fase Evaluasi/Evaluation
6. Fase Penyebaran/Deployment
2.3. Association Rules
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:
1. Analisis Pola Frekuensi Tinggi
Mencari kombinasi item yang memenuhi syarat minimum dan nilai support sebuah item di peroleh dengan
menggunakan persamaan 2.1 berikut:
A.𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (A)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (A)=Jumlah transaksi mengandung A (2.1) Total transaksi

Nilai support dari 2 itemset di peroleh dengan menggunakan persamaan 2.2 berikut:
B. 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴,𝐵) = 𝑃(𝐴∩𝐵)
S𝑢𝑝𝑝𝑜𝑟𝑡 (A,B) =Σtransaksi mengandung A,B (2.2) Σtransaksi

Nilai support dari 2 itemset di peroleh dengan menggunakan persamaan 2.3 berikut:
C. 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴,𝐵) = 𝑃(𝐴∩𝐵)
S𝑢𝑝𝑝𝑜𝑟𝑡 (A,B) = Σtransaksi mengandung A, B dan C.(2.3) Σtransaksi

2. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah di cari aturan asosiasi yang memenuhi syarat minimum untuk
confidence dengan menghitung confidence atau asosiatif A B
 Nilai confidence dari aturan A B di peroleh dari persamaan 2.4 berikut:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝐵|𝐴)=Σtransaksi mengandung A dan B..(2.4) ΣTransaksi mengandung A
Untuk menentukan aturan asosiasi yang akan dipilih maka harus di urutkan berdasarkan support dan confidence.
Aturan di ambil sebanyak n aturan yang memiliki hasil terbesar.
2.4. 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

Mulai

Pengolaha
n Data
Pencarian calon
kombinasi
Pembentuka
n Kombinasi
Itemset)
yang
terpilih

Selesai? T

Y
selesai

gambar 2 berikut.
Gambar 2. 2 Algoritma Apriori

3. METODE PENELITIAN
3.1. Metode Pengumpulan Data
Metode pengumpulan data yang penulis gunakan pada penelitian ini sebagai berikut:
1. Observasi
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.
2. 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.
3. Literatur
Literatur adalah serangkaian kegiatan yang bersangkutan dengan metode pengumpulan data pustaka, membaca dan
mencatat, serta mengelolah bahan penelitian. 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 literatur.
4. Dokumentasi
Dokumentasi merupakan teknik pengumpulan data dengan cara mempelajari dokumen untuk mendapatkan data atau
informasi berkaitan dengan masalah yang diteliti.

3.2. Analisis dan Perancangan Sistem

 Tahap analisis dan perancangan sistem merupakan tahap awal dalam pembuatan aplikasi ataupun sistem yang akan
dibangun. Tujuan adanya bab ini adalah untuk mengaplikasikan bab pendahuluan atas alasan karya tulis dibuat dan
mewujudkan penerapan dari teori-teori yang telah dijabarkan dalam bab sebelumnya. Dalam bab ini terdapat analisis
masalah yang akan dipecahkan menggunakan metode, dengan menggambarkannya dalam use case diagram, Flowchart, dan
gambaran input maupun output yang akan berwujud pada bab selanjutnya.
a. Analisis Sistem
Analisis sistem adalah suatu tahapan sistem yang dilakukan untuk membantu memahami suatu masalah dan apa yang
akan menjadi kebutuhan sistem. Tujuannya adalah untuk membantu mengetahui masalah yang ada dan merancang model
suatu sistem yang akan dibangun sehingga menjadi tepat guna.
b. Analisis Masalah
Masalah yang diangkat dalam skripsi ini adalah bagaimana cara menentukan pola pembelian obat pada apotek karunia
yang akan menggunakan metode data mining dengan aturan asosiasi dan algoritma apriori untuk mendapatkan informasi
dimana didalam transaksi pembelian produk akan dilihat dari kecendurungan pembelian obat yang sering dibeli oleh
konsumen. Dengan mengetahui informasi kombinasi pembelian tersebut pemilik apotek dapat memberi peningkatan dalam
penyediaan barang maupun pengaturan letak barang sesuai kombinasi agar konsumen puas atas pelayanan dan terus belanja
diapotek tersebut.
Tabel 3. 1 Transaksi Pembelian Obat
No Tanggal Nama Obat
1. 18/3/2019 Antangin,Gazero,Promag,Cair,OBH Combi,Novamox,Masker,Tespek,Vitacimin,Yusimox
2. 19/3/2019 Gom,Vitacimin,Biolysin Smart,Kapas 25gr,Bedak Salicyl
3. 20/3/2019 Vitacimin,Insto,Solinfee,Wiros,Vipcol,Yusimox,Novamox,Baby
Cough,Coparcetin,Promag,Bioplacenton,Hansaplas
Rol,Rohto,Caviplex,Gratheos,Hufagrip,Tespek
4. 21/3/2019 Pil
Kita,Gratheos,Amoxillin,Dehista,Coparcetin,Piroxicam,Dexaharsen,Ranitidine,Solinfec,Eta
mbroxol,Fasidol Forte,Dulcolax,Fargetix
5. 22/3/2019 Oralit,Sangobion,Paracetamol,Insto,Betasone,Kapsida,Demacolin
6. 23/3/2019 Paracetamol,Yusimox,Kapas Nasaco,Balsem
Lang,Baraito,Antangin,Amoxcillin,Vitacimin,Mycoral,Kapsa,Masker,Farsifen,Dexaharsen,
Dexometasone,Coparcetin,Caviplex
7. 24/3/2019 Amoxcillin,Paracetamol,Vitacimin,Caviplex,Bodrexin,Bodrex,Mixagrip,Sutra
Hitam,Proris,Demacolin,Sanmol,Herocyn,Vitaquin,Broncitin,PCT,Coldrexin
8. 25/3/2019 Oralit,Antangin,Sangobion,Minyak Kayu Putih,Telon Lang,Mycoral,Woods,Hufagrip
9. 26/3/2019 Imunos,Wiros,Fasidol Forte,Fargetik,Dexaharsen,Madu Tj,Vitacimin,Tolak
Angin,Etamoxul,Griseofalvin,Solinfec,PCT,Vicks Formula 44,Vicks Formula 44
Anak ,Handsloond
10. 27/3/2019 Imunos,Tera-F,Bronchitin,Iclitiol,Griseofalvin,Kentoconazole,Balsem Otot
Geliga,Masker,Madu Tj,Guanistrep,Rhemafar,Dexaharsen
11. 28/3/2019 Antangin,Parfum,Imunos,Masker,Dehista,Vitacimin,Tespek,Solinfec,Sanmol,Captopril,

c. Analisis Kebutuhan Sistem

1. Kebutuhan Fungsional
Berikut ini merupakan kebutuhan fungsional data yang dibutuhkan dalam membangun sistem:
Tabel 3.2 Kebuthan Fungsional
N Kebutuhan Keterangan
o
1. Admin 1. Melakukan login admin kedalam sistem.
2. Menampilkan halaman utama.
 3. Import atau masukan data transaksi penjualan obat dengan format .csv
4. Mengelola Data Testing (tentukan dan input nilai minimum support dan minimum confidence
5. Menampilkan hasil algoritma apriori dan hasil aturan asosiasi
6. Melakukan logout

2. Kebutuhan Non-Fungsional
Analisis non-fungsional menggambarkan tahapan dimana:
1. Kebutuhan Perangkat Keras (Hardware)
Kebutuhan perangkat keras (Hardware) ialah sebagai berikut:
A. Intel® Core™ i5-6200U CPU @ 2,30GHz (4Cpus), 2,4GHz
B. RAM 4GB
C. HARDISK 512GB DAN SSD 120GB
D. LCD 14”
2. Kebutuhan Perangkat Lunak (Software)
Kebutuhan perangkat lunak (Software) yang digunakan ialah sebagai berikut:
A. Sistem Operasi Windows 10 64-bit
B. Bahasa Pemrograman PHP
C. Visual Studio Code
D. Xampp (MySQL)
E. StarUML
F. Microsoft Excel
3. Pengguna (Brainware)
Analisis pengguna sistem untuk mengetahui siapa saja yang terlibat dalam menjalankan sistem serta apakah sistem
tersebut dapat berjalan dengan baik dan benar. Maka pengguna dari sistem tersebut adalah Admin yang paling
berperan dalam mengelola semua data transaksi sistem seperti import data, input data transaksi dan melakukan
proses perhitunga apriori hingga menemukan hasil yang didapatkan dari aturan asosiasi.
3.3. Perancangan Diagram
a. Use Case Diagram
Use Case Diagram merupakan teknik pemodelan untuk menjelaskan setiap aktivitas yang mungkin terjadi dengan
menggunakan sudut pandang aktor utama admin sebagai pengguna sistem. Gambaran Use Case Diagram yang digunakan
pada aplikasi berbasis web dapat dilihat pada gambar 3.7.

Gambar 3.1 Use Case Diagram

Keterangan:
Aktor dari Use case Diagram adalah admin kemudian admin dapat mengolah seluruh sistem mulai dari input manual,
import data transaksi penjualan, melakukan proses perhitungan dengan menentukan nilai minimum support dan minimum
confidence, melihat hasil perhitungan dan mengganti password akun.
b. Flowchart atau Diagram Alir
Flowchart atau diagram alir digunakan untuk mempermudah pembaca memahami metode penelitian. Berikut
merupakan flowchart tahapan penelitian dapat dilihat pada gambar 3.8.
 Gambar 3.2 Flowchart atau Diagram Alir
4. HASIL DAN PEMBAHASAN
4.1. Hasil Perhitungan Manual

Tabel 4.1 Data Transaksi

id_data id_transaksi item Tanggal
1 T000044 Masker 5/1/2019
2 T000044 Vitacimin 5/1/2019
Dexaharse
3 T000044 n 5/1/2019
4 T000044 Amoxcillin 5/1/2019
5 T000044 Fg Troches 5/1/2019
6 T000044 Cetirizin 5/1/2019
7 T000044 Tespek 5/1/2019
8 T000045 Masker 5/2/2019
9 T000045 Mycoral 5/2/2019
10 T000045 Pimtrakol 5/2/2019
11 T000045 Licofel 5/2/2019
12 T000045 Wiros 5/2/2019
13 T000045 Livron 5/2/2019
14 T000045 Molacort 5/2/2019
15 T000045 Strepsil 5/2/2019
16 T000045 Sanmol 5/2/2019
17 T000046 Masker 5/3/2019
18 T000046 Vitacimin 5/3/2019
19 T000046 Mycoral 5/3/2019
20 T000046 Hufagrip 5/3/2019

4.2. Tabel Tabular

Tabel 4.2 Tabular
4.3.