Jurnal Fortech ISSN :

Implementasi Data Mining dengan Metode

Algoritma Apriori dalam Menentukan Pola
Pembelian Obat
Riski Hardiansyah, Amd
1)
email: riskihardiansyah111@gmail.com

Abstract – Data mining merupakan proses untuk mendapatkan informasi yang berguna dari
gudang basis data yang berupa ilmu pengetahuan. penelitian ini melakukan analisa data dengan
menggunakan data mining dan metode algoritma appriori. Sistem yang dibangun ditujukan untuk
pemenuhan dalam penentuan pola pembelian obat dengan menggunakan bahasa pemrograman
Visual Basic 6.0 dan database Mysql pada studi kasus di sektor kesehatan. Sistem ini dibangun
berdasarkan kebutuhan pengguna yang diperoleh melalui metode wawancara dan studi lapangan.
Metodelogi pengembangan sistem yang digunakan yaitu metode waterfall yang terdiri Analisis,
Desain, Pengkodean dan Pengujian. Hasil pengujian dengan algoritma apriori dan sistem yang
dibangun menunjukan hasil yang telah memenuhi kebutuhan dalam penentuan pola pembelian obat
berdasarkan kecenderungan pembelian obat oleh pelanggan. Dibandingkan dengan sistem yang
sedang berjalan kinerja tersebut ditunjukan pada efektifitas informasi dari sistem tentang penentuan
pola pembelian obat untuk ketersediaan obat dan tata letak obat untuk memudahkan dalam
mengetahui keberadaan obat yang dilihat dari 2 itemset obat.

Keywords : Data Mining, Appriori, Association Rules, Itemset, Pembelian

I. PENDAHULUAN

1.1 Latar Belakang

Di era modern saat ini,banyak kegiatan
pekerjaan yang tidak terlepas dari peranan
komputer .Penggunaan komputer bukan hanya
dalam kegiatan pekerjaan saja melainkan dalam
kegiatan sehari-hari. Oleh karena itu Komputer
sangat membantu menyelesaikan pekerjaan
dengan efektif dan efisien
Data mining sangat perlu dilakukan
terutama dalam mengelola data yang sangat
besar untuk memudahkan aktifitas recording
suatu transaksi dan untuk proses data
werehousing agar dapat memberikan informasi
yang akurat bagi penggunannya .
Alasan utama mengapa data mining
sangat menarik perhatian industri informasi
dalam beberapa tahun belakangan ini adalah
karena tersediaanya data dalam jumlah yang
besar dan semakin besarnya kebutuhan untuk
mengubah data tersebut menjadi informasi dan
pengetahuan yang berguna karena sesuai focus
bidang ilmu ini yaitu melakukan kegiatan
mengekstrasi atau menambang pengetahuan dari
data yang berukuran/berjumlah besar,informasi
inilah yang sangat berguna untuk pengembangan
Apotek musi rawas sama dengan apotek
lainya.sistem yang dibangun ditunjukan untuk
pemenuhan dalam penentuan pola pembelian
obat d menggunakan metode association rules
dengan softaware tangra
Penerapan data mining dalam
menentukan pola pembelian obat untuk
ketersediaan obat dan tata letak obat untuk
memudahkan dalam mengetahui keberadaan
obat yang dilihat dari 2 itemset obat.
Metode yang digunakan dalam data
mining ini adalah association rules . metode
association rule bertujuan untuk mencari
sekumpulan items yang sering muncul
bersamaan. Umumnya association rule ini
dianalogikan dengan keranjang belanjaan.dari
keranjang belajaan para penghujung
supermarket akan dapat diketahui,barang apa
saja yang sering dibeli bersamaan dan barang
mana saja yang tidak.association rule umumnya
mengambil bentuk IF-THEN yang
menghubungkan beberapa items menjadi satu
Algoritma apriori adalah algoritma
pengambilan data dengan aturan asosiatif
(Association rule) untuk menentukan hubungan
asosiatif suatu kombinasi item [2]. Association
Rule yang dimaksud dilakukan melalui
mekanisme penghitungan support dan

STMIK NURDIN HAMZAH JAMBI

Jurnal Fortech ISSN :
confidence dari suatu hubungan item. Sebuah
rule asosiasi dikatakan interesting jika nilai
support adalah lebih besar dari minimum support
dan juga nilai confidence adalah lebih besar dari
minimum confidence. Algoritma apriori ini akan
cocok untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisa. Salah
satunya yang bisa diterapkan adalah di dalam
bidang kesehatan dan penentuan pola pembelian
obat
Dalam persaingan di dunia bisnis,
khususnya industri Apotek, menuntut para
pengembang untuk menemukan suatu strategi
jitu yang dapat meningkatkan penjualan obat.
Salah satu cara mengatasinya adalah dengan
tetap tersediaannya berbagai jenis obat yang
dibutuhkan oleh konsumen. Untuk mengetahui
obat apa saja yang biasa dibeli oleh konsumen.
Penerapan Algoritma Apriori dapat membantu
dalam membentuk kandidat kombinasi item,
kemudian dilakukan pengujian apakah
kombinasi tersebut memenuhi parameter
support dan confidence minimum yang
merupakan nilai ambang yang diberikan oleh
pengguna. Jika memenuhi parameter support
dan confidence maka hasil tersebut dapat
membantu dalam penentuan pola pembelian
obat dan membantu tata letak obat berdasarkan
kencenderungan konsumen membeli obat.
Ruang lingkup penelitian ini sebagai
dasar batasan penelitian adalah menggunakan
metode algoritma appriori, pengujian dilakukan
berdasarkan nama obat bukan taksonomi obat,
kombinasi 2 itemset yang akan dijadikan tolok
ukur dalam pencarian nilai support dan
confidence pada data transaksi pembelian obat,
pengolahan data dilakukan terhadap data
penjualan obat pada periode Januari dan februari
2014 dengan sampel 20 data transaksi. Dengan
dilakukannya penelitian ini diharapkan dapat
memberikan hasil berupa informasi yang dapat
bermanfaat bagi pihak –pihak terkait dalam
melakukan pengambilan keputusan manajerial,
terutama dalam penentuan pola pembelian obat
dan juga dapat membantu dalam tata letak obat.
Gunadi G & Sensuse D [8] melakukan
penelitian menggunakan metode data mining
dengan algoritma appriori dan FP Growth dalam
menentukan strategi penjualan dan pemasaran
yang efektif pada PT gramedia. Dimana
algoritma appriori dan FP Growth adalah
algoritma yang digunakan untuk membantu
menemukan sejumlah aturan asosiasi dari basis
data transaksi penjualan produk buku. Pada
aturan asosiasi algortima FP growth menemukan
hubungan antara itemset dengan tingkat
kekuatan aturan asosiasi support dan confidence
sebesar 0,273 sedangkan pada aturan asosiasi
algoritma Appriori menemukan hubungan antar
itemset dengan tingkat kekuatan aturan asosiasi
support dan confidence sebesar 0,725. Sehingga
disimpulkan bahwa dengan algoritma appriori
dapat membantu dalam menentukan strategi
penjualan dan pemasaran buku.
Berdasarkan permasalahan tersebut diatas,
maka peneliti tertarik untuk melakukan penelitian
yang berjudul Implementasi Data mining dengan
metode algoritma apirori dalam menentukan
pola pembelian obat”.
1.2. Rumusan Masalah
Berdasarkan latar belakang di atas maka
dapat dirumuskan masalah yanag akan dipecahkan
adalah : “Bagaimana merancang dan membangun
Aplikasi data mining dengan metode algoritma
apirori dalam menentukan pola pembelian obat ?”
1.3. Tujuan Penelitian
Adapun tujuan dari penelitian ini adalah
untuk membangun aplikasi data minig dengan
metode algoritma apirori dalam menentukan pola
pembelian obat .
II. TINJAUAN PUSTAKA
2.1.Data mining
Data Mining adalah proses ekstraksi
informasi dari kumpulan data melalui
penggunaan algoritma dan teknik yang
melibatkan bidang ilmu statistik, mesin
pembelajaran, dan sistem manajemen database
[1]. Data Mining digunakan untuk ekstraksi
informasi penting yang tersembunyi dari dataset
yang besar. Dengan adanya data mining maka
akan didapatkan suatu permata berupa
pengetahuan di dalam kumpulan data – data
yang banyak jumlahnya.
Salah satu area penerapan data mining
adalah di dalam bidang kesehatan. Bila sasaran
pembelian obat tidak ditentukan secara baik,
dalam arti tidak diupayakan mencari sasaran
pembelian obat yang potensial, maka hanya akan
menghabiskan banyak waktu dan biaya yang
seharusnya bisa diminimalisir melalui pemilihan
target pembelian obat yang baik. Salah satu cara
yang dapat diterapkan adalah dengan
menerapkan penggunaan data mining.
2.2. Pola Pembelian Obat
Pola pembelian obat didapatkan setiap
pembelian obat dari konsumen di apotik .
Jurnal Fortech ISSN :

2.3. Apirori Algoritma apriori adalah algoritma

Algoritma apriori adalah algoritma pengambilan data dengan aturan asosiatif
pengambilan data dengan aturan asosiatif (Association rule) untuk menentukan
(Association rule) untuk menentukan hubungan hubungan asosiatif suatu kombinasi item
asosiatif suatu kombinasi item . Association Rule
yang dimaksud dilakukan melalui mekanisme 1. Analisis Pola Frekuensi Tinggi
penghitungan support dan confidence dari suatu dengan Algoritma Appriori
hubungan item. Sebuah rule asosiasi dikatakan
interesting jika nilai support adalah lebih besar Mencari kombinasi item yang
dari minimum support dan juga nilai confidence
memenuhi syarat minimum dari nilai
adalah lebih besar dari minimum confidence.
Algoritma apriori ini akan cocok untuk
support dalam basis data. Nilai support
diterapkan bila terdapat beberapa hubungan item sebuah item diperoleh dengan
yang ingin dianalisa. Salah satunya yang bisa menggunakan rumus berikut:
Jumlah transaksi
diterapkan adalah di dalam bidang kesehatan dan (A) =
mengandung A

penentuan pola pembelian obat

Total Transak

Nilai support dari 2 item diperoleh

Pada tahap ini dilakukan analisis hasil
berdasarkan perhitungan algoritma appriori dan
analisis hasil dari sistem yang dibangun sehingga
menghasilkan keputusan yang dapat digunakan
untuk pengambilan keputusan dalam penentuan
pola pembelian obat. Adapun langkah analisa
hasil yang dilakukan adalah:
a. Mengolah data transaksi penjualan obat
untuk diuji dengan menggunakan metode
data mining
b. Mengolah data transaksi penjualan obat
dengan sistem yang dibangun
c. Melakukan perbandingan dari hasil
dengan menggunakan rumus:
2. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan asosiasi
yang memenuhi syarat minimum untuk
confidence dengan menghitung confidence
aturan asosiatif A U B. Nilai confidence dari
aturan A U B diperoleh dengan rumus
berikut :
∑transaksi mengandung A dan B
= (|)=

∑Transaks mengandung A

pengujian dari data mining dan sistem

yang dibangun apakah hasil dari
pengujian tersebut sudah sesuai. jika
sudah sesuai maka dapat dijadikan Untuk menentukan aturan asosiasi
pedoman dalam pengambilan keputusan yang akan dipilih maka harus diurutkan
dalam penentuan pola pembelian obat. berdasarkan Support × Confidence.
Aturan diambil sebanyak n aturan yang
Analisis asosiasi atau association rule memiliki hasil terbesar.
mining adalah teknik data mining untuk
menemukan aturan asosiasi antara suatu
kombinasi item [4]. Interestingness measure
yang dapat digunakan dalam data mining
adalah:

a. Support, adalah suatu ukuran yang

menunjukkan seberapa besar tingkat
dominasi suatu item atau itemset dari
keseluruhan transaksi.

b. Confidence, adalah suatu ukuran yang

menunjukkan hubungan antar dua
item secara conditional (berdasarkan
suatu kondisi tertentu).
Jurnal Fortech ISSN :

5 AC,AF,RX,SM

6 AT,CDR,CR,SM

7 AC,AT,RX
MULAI
8 AF,KI,NA

9 CDR,CR,RX,SM
Pengolahan
data 10 AC,NA,AF

11 AF,CDR,CR,KI,NA
Pencarian calon kombinasi 12 CDR,CR,RX,SM
(pembentukan item set)
13 AC,AF,CR,RX,SM

14 AC,AT,AF,CDR,KI
Kombinasi
yang terpilih 15 AF,CR,RX,SM
T 16 AC,AF,CDR,MD

17 AC,AT,CDR,MD
SELESAI
18 AC,AF,CDR,KI,NA,

19 CR,RX,SM

20 AC,CDR,RX
SELESAI Ket :

Gambar 1 flowchart algoritma apriori AC = Amoxicilin

AT = Anastan
III. HASIL DAN PEMBAHASAN AF = Asamefenamat
CDR = CDR
3.1. Proses Peneyelesaian Association rule CR = Cefadroxil
Berikut ini adalah cara menggunakan KI = Kaditic
software Tanagra dengan menggunakan metode
NA = Nonflamin
asscociation rule :
1. data transaksi penjualan obat tabel1. RX = Redoxon
SM = Sanmol
Pola transaksi penjualan obat SB = Sangobion
MD = metronidzaol
Transaksi Item pembelian

1 AC,AF,KI,RX,SB 2. tabular data transaksi

2 CDR,CR,RX,SM
T AC AT AF CDR CR KI
3 AC,AF,CDR,CR,NA 1 1 0 1 0 0 1
2 0 0 0 1 1 0
4 AC,AF,NA,RX,
3 1 0 1 1 1 0
4 1 0 1 0 0 0
Jurnal Fortech ISSN :

5 1 0 1 0 0 0 Berikut ini adalah penyelesaian

6 0 1 0 1 1 0 berdasarkan data yang sudah
disediakan pada tabel 2
7 1 1 0 0 0 0
8 0 0 1 1 0 1
9 0 0 0 1 1 0 Proses pembentukan C1 atau disebut dengan
1 itemset dengan jumlah minimum support =
10 1 0 0 0 0 0 40%
11 0 0 1 1 1 1
12 0 0 0 1 1 0 Dengan rumus sebagai berikut
13 1 0 1 0 1 0 Support (A) = Jumlah transaksi mengadung
14 1 1 1 1 0 1 Total transaksi
15 0 0 1 0 1 0
16 1 0 1 1 0 0
17 1 1 0 0 0 1 ITEMSET JUMLAH SUPORT
18 1 0 1 1 0 1 AC 12 60%
19 0 0 0 0 1 0 AT 4 20%
20 1 0 0 1 0 1 AF 11 55%
JM 12 4 11 11 9 7 CDR 11 55%
CR 9 45%
T NA RX SM SB MD KI 7 35%
1 0 1 0 1 0 NA 7 35%
2 0 1 1 0 0 RX 9 45%
3 1 0 0 0 0 SM 8 40%
4 1 0 0 0 0 SB 1 5%
5 0 1 1 0 0 MD 1 5%
6 0 0 1 0 0
7 0 1 0 0 0 Dari proses pembentukan itemset pada
tabel 3 dengan minimum support 40 % dapat
8 1 0 0 0 0
diketahui yang memenuhi standar minimum
9 0 1 1 0 0 support yaitu pada obat amoxcilin, asamefenamat,
10 1 0 0 0 0 CDR, cefadroxil, redoxon dan sanmol. Kemudian
11 1 0 0 0 0 dari hasil pembentukan 1 itemset akan dilakukan
12 0 1 1 0 0 kombinasi 2 itemset
13 0 0 1 0 0
14 0 0 0 0 0
15 0 1 1 0 0 b. Kombinasi 2 item set
16 0 0 0 0 1
17 1 0 0 0 0 T A AC A A AC AF A
18 1 0 0 0 0 C C C F AF
19 0 1 1 0 0 & & &
& & & & &R
20 0 1 0 0 0 CD S CD
A C R C X
R M R
JM 7 9 8 1 1 F R X R
1 1 0 0 1 0 0 0 1
2 0 0 0 0 0 0 0 0
3. Pembentukan
3 1 1 1 0 0 1 1 0
itemset a. 1 item set
4 1 0 0 0 0 0 0 0
5 1 0 0 1 1 0 0 1
Jurnal Fortech ISSN :

6 0 0 0 0 0 0 0 0 Proses pembentukan C2 atau disebut dengan 2

7 0 0 0 1 0 0 0 0 itemset dengan jumlah minimum support40%
Dapat diselesaikan dengan rumus berikut:
8 0 0 0 0 0 1 0 0
9 0 0 0 0 0 0 0 0 SUPPORT(A,B) =
( ∩ )
10 0 0 0 0 0 0 0 0
11 0 0 0 0 0 1 1 0 SUPPORT(A,B)
12 ( A,B) = ∑ transaksi mengadung A dan B
0 0 0 0 0 0 0 0
13 1 0 1 0 1 0 1 0 ∑ transaksi
14 1 1 0 0 0 1 0 0
15 0 0 0 0 0 0 1 1
16 1 1 0 0 0 1 0 0
17 0 0 0 0 0 0 0 0
18 1 1 0 0 0 1 0 0 2 ITEM SET
19 0 0 0 0 0 0 0 0 ITEMSET JUMLAH SUPORT
20 0 1 0 1 0 0 0 0 AC&AF 8 40%
J AF &
M 8 5 2 4 2 6 4 3 CDR 5 25%
AC &CR 2 10%
AC& RX 4 20%
T AF CDR CDR CR CR RX AC&SM 2 10%
& & & & & AF &
&SM
CR SM RX SM SM CDR 6 30%
1 0 0 0 0 0 0 AF&CR 4 20%
2 0 1 1 1 1 1 AF&RX 3 15%
3 0 1 0 0 0 0 AF&SM 3 15%
4 0 0 0 0 0 0 CDR &
5 1 0 0 0 0 1 CR 6 30%
6 0 1 1 0 1 0 CDR &
7 0 0 0 0 0 0 SM 4 20%
8 0 0 0 0 0 0 CR&RX 5 25%
9 0 1 1 1 1 1 CR&SM 7 35%
10 0 0 0 0 0 0 RX&SM 6 30%
11 0 1 0 0 0 0
12 0 1 1 1 1 1
Dari kombinasi 2 itemset dengan minimum support
13 1 0 0 0 1 0 40 % dapat diketahui kombinasi 2 itemset yang
14 0 0 0 0 0 0 memenuhi standar minimum support yaitu
15 1 0 0 1 1 1 amoxcilin, asamefenamat dengan support sebesar
16 0 0 0 0 0 0 40%. Dari hasil kombinasi 2 itemset akan
17 0 0 0 0 0 0 dilakukan pembentukan 3 itemset
18 0 0 0 0 0 0
c. Kombinasi 3 item set
19 0 0 0 1 1 1
20 0 0 0 0 0 0
JM 3 6 4 5 7 6
T AC & AC & AF &
AF & AF & CR &
Jurnal Fortech ISSN :

CR SM SM 4. Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi

1 0 0 0 tinggi ditemukan, barulah dicari aturan
2 0 0 0 asosiasi yang memenuhi syarat minimum
3 1 0 0 untuk confidence dengan menghitung
confidence aturan asosiatif A→B.
4 0 0 0
5 0 1 0
6 0 0 0 Minimum Confidence = 70%
7 0 0 0 Nilai Confidence dari aturan A→B diperoleh
8 0 0 0
9 0 0 0 Confidence = ∑ transaksi mengandung A dan B
10 0 0 0 ∑ transaksi mengandung A
11 0 0 0
12 0 0 0
13 1 1 1
Aturan asosiasi
14 0 0 0
15 0 0 1 ITEMSET SUPPORT CONFIDANCE
16 0 0 0 AC -> AF 40% 67%
17 0 0 0 AF -> AC 40% 73%
18 0 0 0
19 0 0 0
Berdasarkan aturan asosiasi,obat yang paling sering
20 0 0 0 dibeli oleh konsumen adalah amoxcilin(AC) dan
JM 2 2 2 asamefenamat(AF), dengan diketahuinya obat yang
paling sering dibeli konsumen, maka perusahaan
dapat menyusun strategi dalam penentuan
Proses pembentukan C3 atau disebut
dengan 3 itemset dengan jumlah minimum pembelian obat untuk menjaga ketersedian obat
support = 40% Dapat diselesaikan dengan yang dibutuhkan konsumen dan juga dapat
rumus berikut: mengatur tata letak obat berdasarkan kombinasi
itemset obat yang terbentuk
Support (A,B) = ∑ transaksi mengandung A,B,DAN C

∑ transaksi 3. 2. Perancangan Sistem

1. Diagram Konteks

3 ITEMSET Diagram konteks atau disebut juga

dengan model sistem fundamental
ITEMSET JUMLAH SUPPORT merepresentasikan seluruh elemen sistem
AC&AF& sebagai sebuah bubble tunggal dengan data
CR 2 10% input dan output yang ditunjukkan oleh anak
AC&AF& panah yang masuk dan keluar secara bertahap
[6]. Berdasarkan hasil analisis, maka diagram
SM 2 10% konteks dari simulasi aplikasi penerapan data
AF&CR& mining penjualan dapat dilihat pada gambar
SM 2 10% 4.

Karena Kombinasi 3 itemset tidak ada yang

memenuhi minimal support 40 %, maka kombinasi
2 itemset yang memenuhi untuk pembentukan
asosiasi
 Jurnal Fortech ISSN :

pengertian
data alternatif

pimpinan laporan 3.4

pertanggal
lap.penjualan

Gambar 2. diagram level 0

Data obat Data User
0 Data.alternatif

Data mining untuk

Menentukan Pola pimpi 3. Implementasi sistem
Karyawan Pembelian obat pada nan
Apotek Musi Rawas Lap data obat
Data penjualan transaksi Dari hasil perancangan data flow diagram
dapat dibangun rancangan sistem sesuai dengan
algoritma apriori,dari data transaksi penjualan obat
Lap.penjualan dapat dilakukan aturan asossiasi.
Gambar 1. Diagram konteks
Berikut ini adalah adalah langka-langkah
menggunakan software Tanagra menggunakan
Dari proses analisa yang telah dilakukan,
maka digambarkan rancangan sistem yang akan metode association rule .
dibagun bertujuan untuk membentuk kerangka
aplikasi yang melibatkan karyawan dan 1. Masukan data excel ke sotware Tanagra
pimpinan dalam proses menentukan pola
pembelian obat. Dalam proses ini akan
dijabarkan secara detail pada diagram level 0.

2. Diagram level 0

Pada proses ini dapat diketahui gambaran

sistem akan bekerja dalam penentuan pola
pembelian obat yaitu melalui proses pengolahan
data penjualan obat untuk diakumulasi jumlah obat
dalam bentuk tabular yang kemudian dilakukan
proses kombinasi itemset obat. Setelah
mendapatkan frequent itemset pada obat baru
dilakukan perhitungan untuk mengetahui tingkat Gambar 3. Data excel software
support dan confidence dari kombinasi itemset obat tanagra
yang terpilih dari hasil tersebut dijadikan acuan
dalam pola pembelian obat serta juga dapat 2. Kita inputkan datanya menggunakan tool
dilakukan untuk menentukan tata letak obat Tanagra define status ,langsung excute
berdasarkan kecenderungan obat yang dibeli.

Data Penjualan kode transaksi

3.1 penjualan
Penjualan kode transaksi
karyawan
aturan
3.2 aturan
kombinasi T.kombinasi

aturan

3.3
Jurnal Fortech ISSN :

Gambar 6. Proses Perhitungan Data

transaksi
Gambar 4. Input data atribut
5. Selanjutnya kita pilih A priori 1, masukan
support : 0.4 dan Confidence : 0.7 pada
3. Kemudian kita masukan parameter support aplikasi Tanagra
pada aplikasi Tanagra -> Assosiation rule -
> frequent itemshets

Gambar 7. Tampilan Apriori

6. Melihat dari hasil pengujian menggunakan
algoritma apriori maka sistem akan diuji
dengan minimum support dan minimum
confidence yang sama untuk melihat
kesesuian hasil yang ada pada sistem dapat
dilihat pada gambar7. Dimasukan nilai
Gambar 5. Input Support minimum support sebesar 40 % dan
minimum confidence sebesar 70 % maka
4. Dibawah ini adalah hasil aturan support dari hasil pembentukan asosiasi pada
0.4 algoritma apriori dan hasil pembentukan
Dilihat pada gambar 3. Sebanyak 20 data asosiasi pada sistem memperoleh hasil
transaksi dilakukan pembentukan yang sama. Yaitu
itemset.dari pembentukan kombinasi ini 1. Jika membeli asamfemanat(AF) maka
dilakukan kombinasi 2 itemset dapat membeli obat amoxcilin dengan
confidence
dilihat pada gambar 3
72 %
Jurnal Fortech ISSN :

berdasarkan kombinasi 2 itemset. Pengetahuan

baru yang dapat diperoleh berdasarkan hasil
perhitungan algoritma apriori dan sistem yang
dibangun dapat dilakukan pengaturan tata letak
obat secara berdekatan untuk memudahkan
keberadaan obat.

4.2 Saran

Pada penelitian selanjutnya dapat

dikembangkan dengan perhitungan
Gambar 8. Hasil aturan rule menggunakan algoritma appriori lebih dari 2
itemset. Dapat dilakukan penelitian lebih lanjut
dengan memanfaatkan algoritma association
4. Hasil dan Pembahasan data mining lainya seperti Generalized Rule
Iduction, Algoritma Hash Based.
Dari proses pengujian menggunakan
algoritma apriori dan menggunakan software
Tanagra yang dibangun ditentukan nilai minimum DAFTAR REFERENSI
support:50% dan nilai minimum confidence maka
dihasilkan kecenderungan obat yang dibeli oleh
konsumen yaitu :
NO Teknik hasil
perhitungan [1] Ranjan, J., 2007, Application of Data
1 Perhitungan Jika membeli asamfemanat Mining Technique in Pharmaceutical
dengan (AF) maka membeli Industry, Journal of Theoritical and
algoritma amoxicillin(AC) dengan Applied Information Technology, Vol
apriori Confidence 72% 3, hal 61 – 67.
2 Perhitungan Jika membeli asamfemanat
dengan (AF) maka membeli [2] Kusrini, 2007, Penerapan Algoritma
software amoxicillin(AC) dengan Apriori pada Data Mining untuk
Confidence 72%
MengelompokkanBarang
Dari pengujian menggunakan algoritma Berdasarkan Kecenderungan
Kemunculan Bersama dalam Satu
appriori dan menggunakan software tanagra Transaksi,
menghasilkan nilai yang sama sesuai dengan http://dosen.amikom.ac.id/.../Publika
nilai minimum support dan minimum confidence si%20Apriori-Kusrini_Feb-13_.pdf,
yang telah ditentukan. Dari hasil tersebut maka diakses 20 Juli 2011.
sistem ini dapat membantu pola pembelian obat
berdasarkan kecenderungan obat yang dibeli [3] Kusrini, Luthfi, E. T., 2009, Algoritma
konsumen yang terdiri dari 2 itemset obat,
kemudian dari hasil pengujian ini juga dapat
Data Mining, Andi Offset, Yogyakarta.
membantu pihak karyawan dalam mengatur tata
letak obat yang terdiri dari 2 itemset obat secara [4] Turban, E., 2005, Decision Suport
berdekatan untuk memudahkan karyawan dalam Systems and Intelligent Systems,
mengetahui keberadaan obat. Andi Offset, Yogyakarta.

[5] Shalahuddin, Rosa. A.S,

IV. KESIMPULAN DAN SARAN 2011, Rekayasa Perangkat
Lunak, Informatika, Bandung.
4.1 Kesimpulan
[6] Jogiyanto, 2005, Analisis dan
Proses penentuan pola pembelian obat
Desain, Andi Offset, Yogyakarta.
dapat dilakukan dengan menerapkan data mining
dengan metode algoritma appriori. dengan
metode tersebut penentuan pola pembelian dapat [7] Santosa, B., 2007, Data Mining:
dilakukan dengan melihat hasil dari Teknik Pemanfaatan Data untuk
kecenderungan konsumen membeli obat
Jurnal Fortech ISSN :

Keperluan Bisnis, Graha Ilmu,

Yogyakarta.

[8] Gunadi, G., Sensuse, D., I., 2012,

Penerapan Metode Data Mining
Market Basket Analysis terhadap
data penjualan produk buku dengan
menggunakan algoritma Apriori dan
Frequent Pattern Growth (FP-
Growth), Jurnal TELEMATIKA
MKOM, Vol. 4, No. 1, hal 118-132.