Implement asi Met ode Apriori Menganalisa Perilaku Pelanggan Memilih Produk (St udi Kasus: P…
indra Sidabut ar
Dat a Mining Penjualan Produk Dengan Met ode Apriori Pada Indomaret Galang Kot a
Anit a Sindar
ABSTRAK
Menambang data atau upaya untuk menggali informasi dan pengetahuan yang berharga pada database
yang sangat besar disebut data mining atau Knowledge Discovery in Database disingkat KDD. Salah satu
algoritma yang paling populer pada teknik data mining adalah algoritma Apriori. Sedangkan dalam penemuan
pola kombinasi hubungan antar item-sets digunakan Association Rules ( Aturan Asosiasi ).
Data Mining telah diimplementasikan ke berbagai bidang, diantaranya bidang bisnis atau
perdangangan, bidang pendidikan, dan telekomunikasi. Dibidang bisnis misalnya hasil implementasi data mining
menggunakan algoritma Apriori dapat membantu para pebisnis dalam kebijakan pengambilan keputusan
terhadap apa yang berhubungan dengan persediaan barang. Misalnya pentingnya sistem persediaan barang di
suatu Apotek dan jenis barang apa yang menjadi prioritas utama yang harus di stok untuk mengantisipasi
kekosongan barang. Karena minimnya stok barang dapat berpengaruh pada pelayanan konsumen dan pendapatan
Apotek. Oleh sebab itu ketersediaan berbagai jenis alat-alat kesehatan di Apotek sebagai salah satu supplier alat-
alat kesehatan, mutlak untuk mendukung kelancaran penyalurannya kepada konsumen, sehingga aktivitas
pelayanan konsumen berjalan dengan baik.
Seiring dengan masalah diatas, data mining mampu menciptakan lingkungan bisnis yang inteligen,
untuk menghadapi semakin tingginya tingkat persaingan bisnis Apotek dimasa yang akan datang.
Kata Kunci : Data Mining, Aturan Asosiasi, Algoritma Apriori, Alat-alat Kesehatan.
ABSTRACT
Extracting data or an effort to retrieve valuable knowladge and information in a large database is called data
mining or Knowledge Discovery in Database or usually shortened as KDD . One of the most popular algorithm
in data mining technic is Apriori Algorithm, while the discovery of “relational combination pattertn among
itemset used Assosiation Rules”.
Data mining has been implemented into the various fields like : business or trade, education and
telecommunication. In bussiness for instance, the implementation result of data mining use ‘algorithm Apriori
which can give a hand to help the Businessmen make decision on supplies. For example, the necessity of supplies
system in a drugstore as one of the mecical stuff supplier, and to determine which product as the priority should
be supplied to anticipate out of stock of supplies availability in the store, as the results will also affect to the
consumer service and daily income. Medical tools are essential unit should be supplied and being and essential
factor which will impact to the consumer trust to a hospital or another medical service. That is why the
availability of medical tools in drugstores is completely needed to support the succes of distribution to the
consumers, so the activity of medical service to consumers run thoroughly.
In this case, data mining is seen as able to buildt intelligent business environment as solution for competing
increated compitition among the drugstores in future.
Keywords : Data Mining, Association Rules, Apriori Algorithm, Medical tools.
pengambilan keputusan terhadap apa yang hingga saat ini aktivitas pelayanan dan transaksi di
berhubungan dengan persediaan barang ( Finn Lee S Apotek Kelambir – 2 Medan belum mengalami
& Juan Santana. 2010 ). Misalnya pentingnya sistem kendala yang berarti, tentu keadaan ini suatu saat
persediaan barang di suatu Apotek dan jenis barang menjadi faktor penghambat dalam meningkatkan
apa yang menjadi prioritas utama yang harus distok pelayanan seiring semakin banyaknya transaksi dan
untuk mengantisipasi kekosongan barang. Karena jenis item dan itemset transaksi yang terjadi dan
minimnya stok barang dapat berpengaruh pada tersimpan dalam kurun waktu tertentu, sehingga
pelayanan konsumen dan pendapatan Apotek. menyulitkan pihak apotek dalam menganalisa jenis
Adanya aktivitas transaksi penjualan sehari- item dan itemset barang mana yang paling diminati
hari pada Apotek Kelambir – 2 Medan, akan atau tidak diminati konsumen.
menghasilkan tumpukan data yang semakin lama
semakin besar, sehingga dapat menimbulkan masalah 1.1. Identifikasi Masalah
baru. Jika hal ini dibiarkan, maka data-data transaksi Dari uraian permasalahan diatas berikut ini
tersebut akan menjadi tumpukan sampah yang masalah yang dapat diidentifikasi oleh
merugikan karena membutuhkan media peneliti, antara lain :
penyimpanan/database yang semakin besar. Seiring 1. Semakin tingginya aktivitas transaksi sehari hari
dengan kemajuan teknologi yang semakin pesat maka akan menimbulkan penumpukan data dalam
berkembang pula kemampuan dalam mengumpulkan, database.
menganalisa dan mengolah data pada database. 2. Dalam melakukan administrasi, aktivitas
Sehingga diperlukan suatu aplikasi untuk memilah transaksi dan pelayanan konsumen, perusahaan
dan memilih data penting dari database. sudah menggunakan teknologi komputer namun
Dalam persaingan di dunia bisnis, khususnya dalam pengolahan datanya masih sangat
industri Apotek, menuntut para pengembang untuk sederhana.
menemukan suatu strategi jitu yang dapat 3. Belum adanya penelitian yang bertujuan untuk
meningkatkan penjualan barang. Salah satu cara mengetahui informasi penting dalam
mengatasinya adalah dengan tetap tersediaannya meningkatkan penjualan dan pelayanan pada
berbagai jenis alat-alat kesehatan secara kontinu konsumen.
digudang Apotik. Untuk mengetahui alat-alat
kesehatan apa saja yang dibeli oleh para konsumen, 1.2. Ruang Lingkup Masalah
dilakukan teknik analisis keranjang pasar yaitu Penelitian ini membahas tentang
analisis dari kebiasaan membeli konsumen. Penerapan Implementasi data mining menggunakan algoritma
Algoritma Apriori, membantu dalam membentuk Apriori dengan studi kasus pada Apotik Kelambir – 2
kandidat kombinasi item yang mungkin, kemudian Medan dari bulan Oktober – November 2013 dan
dilakukan pengujian apakah kombinasi tersebut yang menjadi populasi penelitian ini adalah data- data
memenuhi parameter support dan confidence transaksi penjualan alat-alat kesehatan. Sedangkan
minimum yang merupakan nilai ambang yang dalam pengujian peneliti menggunakan program
diberikan oleh pengguna. aplikasi Microsoft Exel 2007 dan Tanagra 1.4.48
Aktivitas dan transaksi di suatu organisasi pada
umumnya sama, yang berbeda adalah elemen – 1.3. Rumusan Masalah
elemen penyusunnya, misalnya organisasi Berdasarkan analisa penulis dari uraian
pemerintahan berbeda dengan organisasi bisnis, diatas, maka yang menjadi rumusan masalah dari
demikian pula dengan organisasi kependidikan. penelitian ini adalah sebagai berikut :
Karakteristik organisasi yang berbeda demikian akan 1. Bagaimana mengimplementasikan Data Mining
menghasilkan pemodelan bisnis yang bervariasi, dan pada database transaksi penjualan item alat - alat
perbedaan ini juga terlihat dalam data dan aliran kesehatan.
datanya. 2. Bagaimana penerapan Algoritma Apriori dalam
Di Apotek Kelambir – 2 Medan misalnya penentuan frekuensi tinggi item-set untuk
aktivitas transaksi dan pelayanan terhadap konsumen memprediksi persediaan barang di waktu yang
setiap harinya semakin lama semakin tinggi, sehingga akan datang.
tanpa disadari hal ini dapat menimbulkan tumpukan
data yang semakin besar. Dalam menjalankan 1.4. Tujuan dan Manfaat Penelitian
aktivitasnya, Apotek Kelambir – 2 Medan sudah Adapun tujuan dan manfaat dari penelitian ini
menggunakan jasa teknologi komputer sebagai alat adalah sebagai berikut:
dalam pengimputan data, pengolahan serta a. Mengimplementasikan Data Mining pada
pencetakan/print out hasil pengolahan data berupa database transaksi penjualan item alat-alat
informasi yang di inginkan. Namun dalam pengolahan kesehatan.
data masih menggunakan aplikasi – aplikasi yang b. Menerapkan Algoritma Apriori untuk
sangat sederhana , dan cara – cara manual juga masih menentukan frekuensi tinggi itemset untuk
dilakukan terutama dalam pengecekan barang masuk memprediksi persediaan barang diwaktu yang
dan keluar dan dalam pengarsipan data. Walaupun akan datang.
implisit dan tidak dikenal dari sekumpulan data. 2. Data yang akan diproses berupa data yang sangat
Proses Knowlegde Discovery in Database besar.
melibatkan hasil proses data mining (proses 3. Tujuan data mining adalah mendapatkan
pengekstrak kecenderungan suatu pola data), hubungan atau pola yang akan
kemudian mengubah hasilnya secara akurat menjadi mungkin memberikan indikasi yang bermanfaat.
informasi yang mudah dipahami (Sri Andayani,
2010).
Ada beberapa macam pendekatan yang
berbeda yang diklasifikasikan sebagai teknik
pencarian informasi/pengetahuan dalam KDD. Ada
pendekatan kuantitatif, seperti pendekatan
probabilistik seperti logika induktif, pencarian pola,
dan analisis pohon keputusan. Pendekatan yang lain
meliputi deviasi, analisis kecenderungan, algoritma
genetik, jaringan saraf tiruan, dan pendekatan
campuran dua atau lebih dari beberapa pendekatan
yang ada.
Pada dasarnya ada enam elemen yang paling
esensial dalam teknik pencarian Gambar 1 : Bidang Ilmu Data Mining
informasi/pengetahuan dalam KDD yaitu: Sumber: (Kusrini, Emha Taufiq Luthfi, 2009)
1 Mengerjakan sejumlah besar data.
2 Diperlukan efesiensi berkaitan dengan volume Proses KDD secara garis besar dapat dijelaskan
data. sebagai berikut :
3 Mengutamakan ketetapan/keakuratan.
4 Membutuhkan pemakaian bahasa tingkat tinggi.
5 Menggunakan beberapa bentuk dari pembelajaran
otomatis.
6 Menghasilkan hasil yang menarik.
Estimasi hampir sama dengan klasifikasi, kecuali menjadi kelompok-kelompok yang memiliki
variable target estimasi lebih kearah numerik dari kemiripan (homogeny), yang mana kemiripan
pada kearah kategori. Model dibangun dalam satu kelompok akan bernilai maksimal,
menggunakan record lengkap yang menyediakan sedangkan kemiripan dengan record dalam
nilai dari variabel target sebagai prediksi. kelompok lain akan bernilai minimal.
Selanjutnya, pada peninjauan berikutnya estimasi Contoh pengklusteran dalam bisnis dan penelitian
nilai dari variabel target dibuat berdasarkan nilai adalah:
variabel predikasi. Sebagai contoh akan dilakukan a. Mendapatkan kelompok-kelompok konsumen
estimasi tekanan darah sistolik pada pasien rumah untuk target pemasaran dari satu suatu produk
sakit berdasarkan umur pasien, jenis kelamin, bagi perusahaan yang tidak memiliki dana
indeks berat badan, dan level sodium darah. pemesaran yang besar.
Hubungan antara tekanan darah sistolik dan nilai b. Untuk tujuan audit akuntansi, yaitu
variabel prediksi dalam proses pembelajaran akan melakukan pemisahan terhadap perilaku
menghasilkan model estimasi. Model estimasi financial dalam baik dan mencurigakan.
yang dihasilkan dapat digunakan untuk kasus baru c. Melakukan pengklusteran terhadap ekspresi
lainnya. dari gen, untuk mendapatkan kemiripan
3. Prediksi. perilaku dari gen dalam jumlah besar.
Prediksi hampir sama dengan klasifikasi dan 6. Asosiasi
estimasi, kecuali bahwa dalam predikasi nilai dari Tugas asosiasi dalam data mining adalah
hasik akan ada dimasa mendatang. menemukan attribut yang muncul dalam satu
Contoh prediksi bisnis dan penelitian adalah: waktu. Dalam dunia bisnis lebih umum disebut
a. Prediksi harga beras dalam tiga bulan yang analisis keranjang belanja.
akan dating. Contoh asosiasi dalam bisnis dan penelitian
b. Prediksi persentasi kenaikan kecelakaan lalu adalah:
lintas tahun depan jika batas bawah kecepatan a. Meneliti jumlah pelanggan dari perusahaan
dinaikkan. telekomunikasi seluler yang diharapkan untuk
Beberapa metode dan teknik yang digunakan memberikan respon positif terhadap
dalam klasifikasi dan estimasi dapat pula penawaran upgrade layanan yang diberikan.
digunakan (untuk keadaan yang tepat) untuk b. Menentukan barang dalam supermarket yang
prediksi. dibeli secara bersamaan dan yang tidak
4. Klasifikasi pernah dibeli secara bersamaan.
Dalam klasifikasi, terdapat target variabel
kategori. Sebagai contoh, penggolongan 2.6. Fungsi dan Tugas Data Mining
pendapatan dapat dipisahkan dalam tiga kategori , Data mining menganalisis data menggunakan
yaitu pendapatan tinggi, pendapatan sedang, dan tool untuk menemukan pola dan aturan dalam
pendapatan rendah. himpunan data. Perangkat lunak bertugas untuk
Contoh lain klasifikasi dalam bisnis dan penelitian menmukan pola dengan mengidentifikasi aturan dan
adalah: fitur pada data. Tool data mining diharapkan mampu
a. Menentukan apakah suatu transaksi kartu mengenal pola ini dalam data dengan input minimal
kredit merupakan transaksi yang curang atau dari user (Dana Sulistiyo Kusumo et al, 2003).
tidak.
b. Memperkirakan apakah suatu pengajuan 2.6. 1. Association Rule
hipotek oleh nasabah merupakan suatu kredit Analisis asosiasi atau association rule
yang baik atau buruk. mining adalah teknik data mining untuk menemukan
c. Mendiagnosis penyakit seorang pasien untuk aturan asosiasi antara kombinasi item. Contoh dari
mendapatkan termasuk kategori penyakit apa. aturan asosiasi dari analisa pembelian di suatu pasar
5. Pengklusteran (Clustering) swalayan adalah dapat diketahui berapa besar
Pengkluteran merupakan pengelompokan record, kemungkinan seseorang membeli roti bersamaan
pengamatan, atau memperhatikan dan membentuk dengan susu. Dengan pengetahuan tersebut pemilik
kelas objek-objek yang memiliki kemiripan. pasar swalayan dapat mengatur penempatan
Kluster adalah kumpulan record yang memiliki barangnya atau merancang kampanye pemasaran
kemiripan satu dengan yang lainnya dan memiliki dengan memakai kupon diskon untuk kombinasi
ketidakmiripan dengan record-record dalam barang tertentu (amirudin et al, 2007)
kluster lain. Pengklusteran berbeda dengan Aturan asosiasi akan menggunakan data
klasifikasi yaitu tidak adanya variabel target dalam latihan, sesuai dengan pengertian data mining, untuk
pengklusteran. Pengklusteran tidak mencoba menghasilkan pengetahuan. Pengetahuan untuk
untuk melakukan klasifikasi, mengestimasi, atau mengetahui item-item belanja yang sering dibeli
memprediksi nilai dari variabel target. Akan secara bersamaan dalam suatu waktu. Aturan asosiasi
tetapi, algoritma pengklusteran mencoba untuk yang berbentuk “if…then…” atau “jika…maka…”
melakukan pembagian terhadap keseluruhan data merupakan pengetahuan yang dihasilkan dari fungsi
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 97
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
Aturan Asosiasi (Seni Susanto dan Dedy Suryadi, Analisis asosiasi dikenal juga sebagai salah
2010) satu teknik data mining yang menjadi dasar dari
2.6.2. Langkah-langkah Data Mining berbagai teknik data mining lainya. Khususnya salah
Ada empat tahap yang dilalui dalam Data Mining satu tahap dari analisis asosiasi yang disebut analisis
antara lain (Feen Lee & Juan Santana, 2010:37-40) : pola frekuensi tinggi (frequent pattern mining)
1. Tahap pertama: Precise statement of the problem menarik perhatian banyak peneliti untuk
(mendefinisikan permasalahan yang ingin menghasilkan algoritma yang efesien (Muhammad
diketahui). Misalnya ingin mengetahui apakah Ikhsan et al, 2007).
seorang customer berpotensi memiliki kredit Metodologi dasar analisis asosiasi terbagi
macet, atau mengidentifikasi seorang customer menjadi dua tahap :
apakah akan pindah ke kompetitor bisnis kita, dan 1. Analisa pola frekuensi tinggi
lain sebagainya. Setelah menemukan pertanyaan Tahap ini mencari kombinasi item yang
bisnis yang perlu dijawab oleh data mining, memenuhi syarat minimum dari nilai support dalam
selanjutnya tentukan tipe tugas untuk menjawab database. Nilai support sebuah item diperoleh dengan
pertanyaan bisnis tersebut. Tugas dasar yang memakai rumus berikut:
menjadi dasar algoritma data mining adalah Support (A) =
klasifikasi, regresi, segmentasi, asosiasi dan JumlahTran saksiMenga ndungA
sequence analisis.
2. Tahap kedua: Initial Exploration (Mempersiapkan TotalTrans aksi
data yang menjadi sumber untuk data mining Sedangkan nilai dari support dua item diperoleh dari
termaksud data “cleaning” untuk mempelajari rumus berikut :
polanya). Setelah menemukan defenisi masalah, Support(A,B)=(A B)
langkah berikutnya adalah mencari data yang
mendukung defenisi masalah. Menentukan porsi JumlahTran saksiMenga ndungAdanB
data yang digunakan men-training data mining TotalTrans aksi
berdasarkan algoritma data mining yang telah
dibuat. Setelah persiapan data selesai dilakukan,
langkah berikutnya adalah memberikan sebagian 2. Pembentukan Aturan Asosiasi
dataa kedalam algoritma data mining. Setelah semua pola frekuensi tinggi
3. Tahap ketiga: Model building and validation. ditemukan, barulah dicari aturan assosiatif yang
Validasi apakah data mining memberikan memenuhi syarat minimum untuk confidence dengan
prediksi yang akurat. Setelah training data selesai menghitung confidence aturan asosiasi “ jika A maka
dilakukan, data mining tersebut perlu di-“uji” B “. Nilai confidence dari aturan “ jika A maka B “
atau di-validasi keakuratannya terhadap data diperoleh dari rumus berikut :
testing. Confidence = P(B|A) =
4. Tahap ke-empat: Deployment. Tahap ini memilih JumlahTransaksiMengandungAdanB
aplikasi yang tepat terhadap data mining untuk JumlahTransaksiMengandungA
membuat prediksi.
2.7. Langkah-Langkah Proses Aturan Asosiasi
Proses Aturan Asosiasi terdiri dari beberapa
tahap sebagai berikut (Eko Wahyu Tyas d, 2008).
1. Sistem men-scan database untuk mendapat
kandidat 1-itemset (himpunan item yang terdiri
dari 1 item) dan menghitung nilai supportnya.
Kemudian nilai supportnya tersebut dibandingkan
dengan minimum support yang telah ditentukan,
jika nilainya lebih besar atau sama dengan
minimum support maka itemset tersebut termasuk
dalam large itemset.
2. Itemset yang tidak termasuk dalam large itemset
tidak diikutkan dalam iterasi selanjutnya (di
prune).
3. Pada iterasi kedua sistem akan menggunakan hasil
Gambar 3 : Tahapan dalam Data Mining dan large itemset pada iterasi pertama (L1) untuk
Membangun Model membentuk kandidat itemset kedua (L2). Pada
Sumber: (Finn Lee & Juan Santana 2010:41) iterasi selanjutnya sistem akan menggunakan hasil
large itemset pada iterasi selanjutnya akan
2.6.3. Tahapan Association Rule menggunakan hasil large itemset pada iterasi
sebelumnya (Lk-1) untuk membentuk kandidat
itemset berikut (Lk). Sistem akan menggabungkan
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 98
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
(join) Lk-1 dengan Lk-1 untuk mendapatkan Lk, juga ciri dari algoritma apriori dimana diperlukan
seperti pada iterasi sebelumnya sistem akan penghitungan dengan cara seluruh database
menghapus (prune) kombinasi itemset yang tidak sebanyak k-itemset terpanjang.
termasuk dalam large itemset. 3. Tetapkan pola frekuensi tinggi.
4. Setelah dilakukan operasi join, maka pasangan Pola frekuensi tinggi yang memuat k item atau k-
itemset baru hasil proses join tersebut dihitung itemset ditetapkan dari kandidat k-itemset yang
supportnya. supportnya lebih besar dari minimum support.
5. Proses pembentuk kandidat yang terdiri dari 4. Bila tidak didapat pola frekuensi tinggi baru maka
proses join dan prune akan terus dilakukan hingga seluruh proses dihentikan.
himpunan kandidat itemsetnya null, atau sudah Untuk lebih memahami proses algoritma
tidak ada lagi kandidat yang akan dibentuk. Apriori maka berikut ini akan diberikan illustrasi
6. Setelah itu, dari hasil frequent itemset tersebut penggunaan algoritma Apriori. Dengan menggunakan
dibentuk association rule yang memenuhi nilai database pada gambar 4 dan mengasumsikan
support dan confidence yang telah ditentukan. minimum support adalah 2 transaksi.
7. Pada pembentukan association rule, nilai yang
sama dianggap sebagai satu nilai.
8. Assosiotion rule yang terbentuk harus memenuhi
nilai minimum yang telah ditentukan.
9. Untuk setiap large itemset L, kita cari himpunan
bagian L yang tidak kosong. Untuk setiap
himpunan bagian tersebut, dihasilkan rule dengan
bentuk aB(L-a) jika supportnya (L) dan supportnya
(a) lebih besar dari minimum support.
yaitu yang memperoleh support dan confidence salah satu sumber pertimbangan dalam
tertinggi. Sedangkan tahap terakhir adalah pengambilan keputusan.
implementasi dan pengujian menggunakan sistem 4. Pengamatan/Observasi
operasi aplikasi software tanagra 1.4, dan database Sebagai metode ilmiah observasi dapat diartikan
dengan microsoft excel 2007. sebagai pengamatan. Jadi observasi merupakan
Langkah - langkah di dalam kerangka suatu penyelidikan yang dilakukan secara
pemikiran tersebut dapat di gambarkan dalam bentuk sistematik dan sengaja dilakukan dengan
flowchart berikut ini : menggunakan alat indera terutama mata terhadap
kejadian yang sedang berlangsung dan dapat
dianalisa pada waktu kejadian itu terjadi. Dalam
penelitian ini penulis melakukan pengamatan
terhadap objek data dengan tujuan mendapatkan
korelasi antara persediaan dengan kebutuhan,
permintaan dan lain-lain.
5. Dokumentasi
Motode dokumentasi adalah mencari data
mengenai hal-hal atau variabel berupa catatan
buku, surat, transkip, majalah, prasasti, notulen,
rapat, lengger, angenda dan sebagainya baik yang
berupa file atau dokumen. Dalam hal ini penulis
melakukan pengumpulan dokumentasi berupa
dokumentasi file data atau data faktur barang
keluar untuk digunakan sebagai bahan
implementasi dan uji coba.
6. Pengolahan Data
Gambar 5 : Flowchart penelitian. Pada tahap pengolahan data terlebih dahulu
melakukan identifikasi masalah yang ada dan
3.2. Uraian Flowchart Penelitian sering dihadapi oleh pihak ApotEk, untuk
Berikut ini langkah – langkah dari flowchart kemudian mendeskripsikan masalah-masalah
penelitian yang sudah di buat. tersebut untuk diperoleh solusinya.
1. Studi Awal Tahap selanjutnya dilakukan analisa masalah,
Langkah awal dari penelitian ini adalah dengan dengan tujuan agar penulis mengetahui dan
mencari dan mempelajari masalah yang akan di memperoleh gambaran yang jelas bagaimana
teliti. Kemudian menentukan ruang lingkup bentuk penyelesaian dan algoritma apa yang
masalah, latar belakang masalah, dan dapat digunakan untuk penyelesaiannya.
mempelajari beberapa literatur yang berkaitan Selanjutnya penulis menggunakan teknik data
dengan permasalahan dan bagaimana mencari mining dengan algoritma Apriori untuk
solusi dari masalah tersebut. Untuk mencapai mendapatkan hasil sebagai tujuan yang akan
tujuan yang akan ditentukan, maka perlu dicapai oleh peneliti yang kemudian dapat
dipelajari beberapa literatur-literatur yang dijadikan pihak Apotek sebagai pengetahuan
digunakan. Kemudian literatur-literatur yang dalam meningkatkan penjualan alat-alat
dipelajari tersebut diseleksi untuk dapat kesehatan kepada konsumen.
ditentukan literatur mana yang akan digunakan 7. Implementasi
dalam penelitian. Pada tahap ini untuk memudahkan penulis dalam
Melalui studi literatur, dipelajari teori-teori yang pembuktian hasil analisa yang dilakukan, maka
berhubungan dengan data mining, association penulis menggunakan suatu tools atau aplikasi
rule, serta algoritma apriori yang akan dibahas. data mining yang telah ada. Sedangkan database
Teori-teori tersebut diatas berdasarkan sumber yang digunakan untuk menyimpan data-data yang
berupa buku, jurnal, paper, maupun situs internet ada adalah penulis menggunakan database
yang berhubungan dengan data mining. Microsoft Excel.
2. Pengumpulan Data 8. Pengujian
Metode yang digunakan dalam proses Pada tahap ini penulis melakukan pengujian
pengumpulan data dalam penelitian ini adalah dengan menggunakan tools atau aplikasi data
sebagai berikut: mining dengan menghubungkan dengan database
3. Wawancara yang telah diisi atau berisi data-data yang akan
Wawancara diperlukan oleh penulis guna diuji.
menanyakan secara langsung tentang apa saja Mekanisme pengujian sistem dimulai dengan
masalah yang sering dihadapi oleh pihak Apotek mempersiapkan hardware dan software yang
khususnya tentang persediaan alat-alat kesehatan dibutuhkan untuk menjalankan sistem yang telah
karena data tersebut dapat digunakan sebagai ada. Sistem yang telah tersedia merupakan suatu
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 100
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
aplikasi data mining yang pada dasarnya telah pola penjualan alat-alat kesehatan dan hubungan antar
siap untuk dijalankan dikomputer. item jenis alat-alat kesehatan didalam transaksi.
Berikut ini adalah tabel 1 sebagai sampel data dan
4. HASIL DAN PEMBAHASAN sebagian terlampir yang akan dijadikan untuk analisa
4.1 Analisa dan juga untuk uji coba.
Sistem informasi persediaan alat-alat Tabel 1 : Daftar Real Penjualan Alat-alat Kesehatan
kesehatan di Apotek Kelambir – 2 Medan sudah
terkomputerisasi artinya semua yang berhubungan
dengan aktifitas penjualan dan pembelian
menggunakan komputer yang berbasis jaringan
dengan database terpusat kedalam satu server. Sistem
informasi persediaan barang di Apotek Kelambir – 2
Medan terdiri atas bagi-bagian data obat dan alat-alat
kesehatan, gudang farmasi, pelayanan resep obat dan
penjualan. Ditampilan gudang farmasi terdiri atas
bagian persediaan, laporan pembelian, laporan
penjualan sedangkan data alat-alat kesehatan keluar
terdiri atas attribute nomor, tanggal, nomor slip,
nama, jumlah barang, harga, dan total harga dan setiap
transaksi penjualan minimal terdiri atas satu jenis
alat-alat kesehatan. Untuk mendapat analisa data
maka data penjualan di export kedalam database
Microsoft excel karena database Microsoft excel
bersifat spreadsheet sehingga sangat mendukung
dalam analisa data. Microsoft excel dalam analisis
data digunakan sebagai database karena Microsoft
excel sangat mendukung beberapa aplikasi data
mining, dimana aplikasi (perangkat lunak) data
mining digunakan sebagai tempat uji coba atau
implementasi. Data mining ialah proses menambang
data untuk mendapatkan ilmu pengetahuan atau
informasi penting dari database khususnya database
penjualan alat-alat kesehatan.
4.2. Pembahasan
4.2.1 Analisis Data
Berhubungan dengan studi kasus pada
Apotik Kelambir – 2 Medan, dapat dilakukan analisis
data. Analisis data dilakukan khusus pada penjualan
(data alat kesehatan) dengan tujuan untuk menemukan Tahap dalam menganalisa data dengan algoritma
Apriori pada penjualan (data alat-alat kesehatan)
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 101
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
Support ( A ) =
Tabel diatas merupakan data item jenis alat-
Jumlaht _ transaksi _ yang _ mengandung _alat
A kesehatan yang terseleksi atau terpilih sesuai
∑ Transaksi dengan support yang telah ditentukan. Dimana data
diatas akan digunakan untuk membentuk pola atau
kombinasi item dan juga digunakan untuk menentukan
Sedangkan nilai support dari 2 item diperoleh dengan support dan confidence pada pembahasan selanjutnya.
rumus berikut:
Support (A, B) =P(A ∩ B) 4.2.3. Pembentukan Pola Kombinasi dua items
Pembentukan pola frekuensi dua item,
dibentuk dari items-items jenis alat – alat kesehatan
yang memenuhi support minimal yaitu dengan cara
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 102
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
mengkombinasi semua items kedalam dua kombinasi, lain dalam satu kombinasi disebut metode association
hasil dari kombinasi dua items seperti pada tabel 4 rule. pembentukan association rule adalah
berikut ini: menganalisis pola frekuensi tinggi, tahap ini mencari
Tabel 4 : Daftar Calon Pola Kombinasi Dua itemset kombinasi yang memenuhi syarat minimum dari
support dalam database., Pembentukan aturan
association rule, dengan mencari nilai confidence.
Dimana support adalah jumlah dari kombinasi antara
suatu item dengan item yang lain sedangankan
confidence adalah nilai yang mendefinisikan kuat
tidaknya hubungan antara item-item tersebut.
Berikut ini adalah flowchat pembentukan
Association Rule seperti yang terlihat pada gambar 8
berikut ini:
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 103
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
Berdasarkan hasil yang diperoleh berupa data 4.3.1. Pengujian Untuk Menghasilkan Pola
statistik seperti yang tertera pada tabel 7 diatas, maka Kombinasi Itemsets
dapat dinyatakan dalam bentuk diagram sebagai
berikut;
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 104
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)
Volume : I, Nomor : 1, Oktober 2013 Majalah Ilmiah
Informasi dan Teknologi Ilmiah (INTI)
ISSN : 2339-210X
[5] Finn Lee S & Juan Santana. 2010. Data Mining : Teknologi 2007 (SNT 2007) Yogyakarta, 24
Meramalkan Bisnis Perusahaan. Jakarta : No`vember 2007. ISSN : 1978 – 9777
Penerbit PT. Elex Media Komputindo.
[6] Agrawal, R., Mannila, H., Srikant, R., Toivonen,
H., and Verkamo, I. 1996. Fast Discovery of AUTHOR BIOGRAPHIES
Association Rules, in AKDDM, AAAI/MIT
Press, 307-328. Kennedi Tampubolon, lahir
[7] Fayyad, U.M., Piatetsky-Shapiro, G., and di Tapanuli Selatan tanggal
Smyth, P. 1996. Knowledge Discovery and Data 22 April 1967. Pada tahun
Mining : Towards a Unifying Framework. In
Proceedings of KDD-96 (AKDDM), AAAI/MIT 1993 menyelesaikan
Press, pp. 82-88. pendidikan S1 di Universitas
[8] Yeong-Chyi Lee, Tzung-Pei Hong, and Wen- Sumatera Utara jurusan
Yang Lin. Mining Association rules with multiple Matematika, saat ini sedang
minimum support using maximum constraints.
menyusun tesis Magister
International Journal of Approximate Reasoning
40 (2005) 44-45. Komputer di STMIK ERESHA
[9] N. Badal, and Shuruti Tripathi. Frequent Data School Of IT Jakarta. Saat ini
Itemset Mining Using VS_Apriori Algorithm. juga aktif sebagai dosen
International Journal on Computer Science and tetap pada STMIK Budi
Engineering (IJCSE)-VOL.02, No. 04, 2010.
[10] Pratima Gautam, and K. R. Pardasani. Efficient Darma Medan
Method for Multiple-Level Association
Rules in Large Databases. Journal of Emerging
Trends in Computing and Information Sciences.
VOL.2 No.12. December 2011.
[11] Abdullah Saad Almalaise Alghamdi., Efficient
Implementation of FP Growth Algoritma-
Data Mining on Medical Data. International
Journal of Computer Science and Network
Security, VOL.11 No.12, December 2011.
[12] Sanjeev Rao, and Priyanka Gupta. Implementing
Improved Algorithm Over Apriori Data Mining
Association Rule Algorithm. International
Journal of Computer Science and Technology
(IJCST)-VOL.3 Issue 1, Jan-March 2012.
[13] OTHMAN YAHYA, OSMAN HEGAZY, and
EHAB EZAT. An Efficient Implemantation of
Apriori Algorithm Based on HADOOP-
MAPREDUCE Model. International Journal of
Reviews in Computing (IJRIC)-VOL.12,
December 2012.
[14] Jogi. Suresh, and T. Ramanjaneyulu. Mining
Frequent Itemsets Using Apriori Algorithm.
International Journal of Computer Trends and
Technology (IJCTT)-VOL.4 Issue4-April 2013.
[15] Shuruti Aggarwal, and Ranveer Kaur.
Comparative Study of Various Improved
Versions of Apriori Algorithm. International
Journal of Engineering Trends and Technology
(IJETT)-VOL.4 Issue4-April 2013.
[16] Prof. Paresh Tama., and Dr. Yogesh Ghodasara.
Foundation for Frequent Pattern Mining
Algorithms’ Implementation. International
Journal of Computer Trends and Technology
(IJCTI)-VOL.4 Issue 7 - July 2013.
[17] Ema Utami, Jazi Eko Istiyanto, dan Suwanto
Raharjo. METODOLOGI PENELITIAN PADA
ILMU KOMPUTER. Seminar Nasional
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan Alat-Alat 106
Kesehatan. Oleh : Kennedi Tampubolon 1), Hoga Saragih 2), Bobby Reza 3)