ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN ALGORITMA APRIORI
Seminar Nasional Informatika 2014
ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN
MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN
ALGORITMA APRIORI
Harris Kurniawan1, Fujiati2, Alfa Saleh3
STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
ch0c0_pahmen@yahoo.com, fujiati.00@gmail.com, alfasoleh1@gmail.com
Abstrak
Rumah Sakit adalah tempat untuk menangani pasien dari berbagai daerah dan jenis penyakit pasien tersebut
berbeda-beda, karena cara hidup dan lingkungan berperan dalam perjalanan penyakit. Berdasarkan hal tersebut
untuk meningkatkan upaya menurunkan angka kesakitan dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem yang dapat mendeteksi
timbulnya penyakit sehingga dapat dilakukan upaya prefentif serta upaya rehabilitatif bagi penderita
penyakit dengan pendekatan yang menyeluruh, sehingga dampak terjadinya berbagai penyakit
menahun, seperti penyakit jantung koroner, penyakit pada mata, ginjal dan syaraf dapat dikurangi. Dalam
usaha peningkatan kesehatan, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi
dengan sistem informasi dan data yang akurat bagi kepentingan dinas kesehatan maupun instansi terkait
untuk pengambilan kebijakan. Salah satu alternatif sebagai solusi dari masalah tersebut adalah membuat
suatu pencarian pola atau hubungan Association rule (aturan asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang dapat digunakan untuk menemukan aturan-aturan tertentu
yang mengasosiasikan data yang satu dengan data yang lainnya dengan Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk mengidentifikasi pola data yang didasarkan pada sifat-sifat
yang teridentifikasi sebelumnya. Informasi yang dihasilkan untuk selanjutnya bisa digunakan oleh Dinas
Kesehatan setempat maupun dokter sebagai dasar untuk melakukan tindakan-tindakan yang diperlukan.
Kata Kunci : Data Mining, Association rule dan algoritma apriori
1.
Pendahuluan
Dengan bertambahnya angka harapan
hidup bangsa Indonesia perhatian masalah
kesehatan beralih dari penyakit infeksi ke
penyakit degenerative. Pada umumnya penyakit
tidak mengenal usia, karena penyakit bisa
menyerang siapapun. karena itu perlu di waspadai
serangan dari penyakit tersebut. Penyakit manusia
banyak jenisnya seperti, anemia, diabetes, jantung,
kulit, kanker, demam berdarah, typus, ginjal dan
sebagainya.
Rumah Sakit adalah tempat untuk
menangani pasien dari berbagai daerah dan jenis
penyakit pasien tersebut berbeda-beda, karena cara
hidup dan lingkungan berperan dalam perjalanan
penyakit. Berdasarkan
hal
tersebut
untuk
meningkatkan upaya menurunkan angka kesakitan
dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang
mengarah pada pembuatan sistem yang dapat
mendeteksi timbulnya penyakit sehingga dapat
dilakukan upaya prefentif serta upaya rehabilitatif
bagi penderita penyakit dengan pendekatan yang
menyeluruh,
sehingga
dampak
terjadinya
berbagai
penyakit menahun, seperti penyakit
jantung koroner, penyakit pada mata, ginjal dan
syaraf dapat dikurangi.
Dalam usaha peningkatan kesehatan,
penguasaan teknologi perlu ditingkatkan. Selain itu,
juga perlu diimbangi dengan sistem informasi dan
data yang akurat bagi kepentingan dinas kesehatan
maupun instansi terkait untuk pengambilan
kebijakan. Misalnya informasi mengenai daerah
pemberantasan penyakit dan potensi adanya
penyakit dalam suatu daerah tertentu sehingga
informasi-informasi ini dapat mengarahkan
paramedis melakukan usaha pemberantasan
penyakit tersebut. Untuk mengatasi masalah dalam
pemberantasan penyakit ini, diperlukan analisa
terhadap data penyakit yang terlah didapat dari
setiap daerah yang pernah dirawat pada rumah
sakit, sehingga dapat diketahui penyakit apa yang
paling banyak dalam masing-masing daerah dan
daerah mana yang jenis penyakitnya paling
berbahaya. Dengan demikian, daerah yang utama
untuk pemberantasan penyakit tersebut dapat di
tentukan.
Salah satu alternatif sebagai solusi dari
masalah tersebut adalah membuat suatu pencarian
pola atau hubungan Association rule (aturan
asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang
dapat digunakan untuk menemukan aturan-aturan
195
Seminar Nasional Informatika 2014
tertentu yang mengasosiasikan data yang satu
dengan data yang lainnya dengan suatu metode
algoritma. Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk
mengidentifikasi pola data yang didasarkan pada
sifat-sifat yang teridentifikasi
sebelumnya.
Kemudian dapat diberikan alternatif pengobatan
atau pencegahan bila ditemukan indikasi yang
mengarah pada timbulnya penyakit. Informasi
yang dihasilkan untuk selanjutnya
bisa
digunakan
oleh Dinas Kesehatan setempat
maupun dokter sebagai dasar untuk melakukan
tindakan-tindakan yang diperlukan.
2.
Tinjauan Pustaka
Data Mining (DM)
Data mining adalah proses pengolahan
informasi dari sebuah database yang besar,
meliputi
proses
ekstraksi,
pengenalan,
komprehensif, dan penyajian informasi sehingga
dapat digunakan dalam pengambilan keputusan
bisnis yang krusial”.[1][3]
Metodologi Data Mining
Langkah-langkah yang dibutuhkan untuk
mengerjakan implementasi Data Mining :
1. Problem Analysis, langkah ini untuk
menganalisa permasalahan dalam bisnis yang
hendak diatasi dengan menggunakan Data
Mining. Dari sini harus dibuat penilaian pada
ketersediaan data, teknologi yang dipakai dan
hasil yang diinginkan sebagai bagian dari
keseluruhan solusi.
2. Data Preparation, langkah ini untuk
mengekstrasi data dan mentransformasikannya
ke dalam format yang dibutuhkan oleh
algoritma Data Mining, termasuk di dalamnya
join
tabel,
menambah
field
baru,
membersihkan data dan sebagainya.
3. Data Exploration, langkah ini mendahului
langkah pencarian pola yang sesungguhnya.
Didalamnya terdapat proses eksplorasi secara
visual dan memberikan pengguna kemudahan
untuk menemukan kesalahan yang terjadi
dalam proses data preparation.
4. Pattern Generation, langkah ini menggunakan
cara induksi dan mengumpulkan algoritma
penelusuran untuk membuat pola-pola
tertentu.
5. Pattern
Deployment,
langkah
ini
pengembangan pola-pola yang ditemukan
yang didesain dalam langkah problem
analysis. Pola-pola ini khusus digunakan
dalam Decision Support System (DSS), untuk
membuat laporan-laporan atau buku petunjuk,
atau memfilter data untuk tujuan pemrosesan.
6. Pattern Monitoring, kesimpulan utama dari
hasil pengembangan Data Mining adalah
kesamaan pola-pola di waktu yang lalu dapat
196
diaplikasikan untuk kondisi-kondisi
terjadi di masa depan. [1]
yang
Association Rule
Association rule merupakan salah satu
teknik data mining yang paling banyak
digunakan dalam penelusuran pola pada
sistem pembelajaran unsupervised . Metodologi
ini akan mengambil seluruh kemungkinan pola pola yang diamati dalam basis data. Association
rule menjelaskan kejadian–kejadian yang sering
muncul dalam suatu kelompok. Bentuk umum
aturan
B1,B2,…,Bm, yang berarti jika item Ai muncul,
item Bj juga muncul dengan peluang tertentu.
Misalkan X adalah itemset. transaksi T dikatakan
mengandung X jika dan hanya
transaksi dengan
tingkat
kepercayaan
(confidence ) C, jika C % dari transaksi dalam
D yang mengandung X juga mengandung Y.
transaksi set D jika S% dari transaksi dalam basis
Y. Tingkat kepercayaan
menunjukkan kekuatan implikasi, dan support
menunjukkan seringnya pola terjadi dalam rule.
Mining association rule dilakukan dalam dua
tahap yaitu :
1. Mencari semua association rule yang
mempunyai minimum support (S min) dan
minimum confidence Cmin. Itemset dikatakan
sering muncul (frequent) jika Support(A)
min.
2. Menggunakan itemset yang besar untuk
menentukan association rule untuk basis
data yang mempunyai tingkat kepercayaan C
di atas nilai minimum yang telah ditentukan
(Cmin.). [2][3][4][5]
3.
Analisa dan Pembahasan
Analisa Association Rule
Penerapan data mining dengan association
rule bertujuan menemukan informasi item-item
yang saling berhubungan dalam bentuk rule,
dengan demikian association rule di terapkan
pada pola data penyakit yang paling sering
muncul dengan menggunakan algoritma apriori.
Dengan demikian proses untuk menemukan
hubungan
antar
item
ini
mungkin
memerlukan pembacaan data penyakit secara
berulang-ulang dalam jumlah data penyakit yang
besar untuk menemukan pola-pola hubungan
yang berbeda, maka waktu dan biaya komputasi
tentunya juga akan sangat besar, sehingga untuk
menemukan hubungan tersebut diperlukan suatu
algoritma yang efisien.
Seminar Nasional Informatika 2014
Tabel 1. Association Analysis pada data
penyakit pasien
NO
ITEM
1
Dyspepsia, Febris, DHF
2
Vertigo, Febris, Dyspepsya
Support(A)=
RULL dditemukan
3
Vertigo, Dispepsya
{Dispepsya }
{Vertigo }
{ Febris, Dispepsia
{DHF}
4
CHF, Astmah, Vertigo, Dispepsya
5
DHF, Dispepsya, Febris, Astmah
Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dari
data penyakit. Nilai support sebuah item
diperoleh dengan rumus 1 berikut :
Analisis asosiasi atau association rule
mining adalah teknik data mining untuk
menemukan aturan assosiatif antara suatu
kombinasi item. Aturan assosiatif dari penyakit
pasien di rumah sakit adalah dapat diketahuinya
berapa besar kemungkinan seorang pasien dapat
mengidap penyakit TB. Paru bersamaan dengan
Febris. Dengan pengetahuan tersebut Dokter
yang merawat dapat mengambil tindakan
penolongan pertama pada pasien.
Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi
tinggi (frequent pattern mining) menarik
perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien. Penting tidaknya suatu
aturan assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam
database dan confidence (nilai kepastian) yaitu
kuatnya hubungan antar item dalam aturan
assosiatif.
Aturan assosiatif biasanya dinyatakan
dalam bentuk :
{Febris, TB.Paru} -> {Dispepsya} (support =
40%, confidence = 50%)
Yang artinya : "50% dari transaksi di database
yang memuat item Febris dan TB.Paru juga
memuat item Dispepsya. Sedangkan 40% dari
seluruh transaksi yang ada di database memuat
ketiga item itu." Dapat juga diartikan : "Seorang
pasien yang mengidam penyakit Febris dan
TB.Paru kemungkinan 50% punya penyakit
Dispepsya. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."
Analisis asosiasi didefinisikan suatu proses untuk
menemukan semua aturan assosiatif yang
memenuhi syarat minimum untuk support
(minimum support) dan syarat
minimum
untuk
confidence
(minimum
confidence). Dasar analisis asosiasi terbagi
menjadi dua tahap :
[rumus
1]
Nilai support dari 2 item diperoleh dari rumus 2
berikut:
Support(A,B) =P(A B)=
..[rumus 2]
Data
dari Penyakit pasien
ditunjukkan dalam tabel 2 berikut :
Pasien
1
2
3
4
5
6
7
8
9
10
11
seperti
Tabel 2. Penyakit Pasien
Item Penyakit
Febris, Dispepsya, Anemia
Anemia, Febris, DM
DM, DHF, Dispepsya
Dispepsya, Febris, Anemia
Febris, Anemia, Dispepsya
Dispepsya, Febris, DHF
Febris, Anemia, DM
Febris, DM, DHF
Anemia, Dispepsya, Thyphoid
Febris, Hypertensi, Dyspepsia
Hypertensi, Dispepsya. Febris
Data tersebut diatas dalam database
Pasien direpresentasikan dalam bentuk seperti
tampak pada tabel 3. berikut:
Tabel 3. Representasi Data Penyakit Pasien
JlhPasien
Item Penyakit
2
Hypertensi
8
Dispepsya
6
Anaemia
4
DM
9
Febris
3
DHF
1
Thyphoid
Dan bila di bentuk dalam bentuk tabular, data
Penyakit Pasien akan tampak seperti pada tabel 4
berikut:
197
Seminar Nasional Informatika 2014
Tabel 4. Format Tabular Data Penyakit Pasien
Hy
Dis
1
pert
ensi
0
pep
sya
1
2
0
0
3
0
4
Ane
mia
DM
Febris
DHF
Thy
pho
id
1
0
1
0
0
1
1
1
0
0
1
0
1
0
1
0
0
1
1
0
1
0
0
5
0
1
1
0
1
0
0
6
0
1
0
0
1
1
0
7
0
0
1
1
1
0
0
8
0
0
0
1
1
1
0
9
0
1
1
0
0
0
1
10
1
1
0
0
1
0
0
11
1
1
0
0
1
0
0
Pasien
Misalkan D adalah Pasien yang
direperesentasikan dalam tabel 1, dimana masingmasing Pasien T dalam D merepresentasikan
himpunan item yang berada dalam I. Himpunan
items A (Febris dan Dispepsya) dan himpunan
item lain B (Anemia). Kemudian aturan asosiasi
akan berbentuk :
Jika Febris dan Dispepsya Maka Febris.
Dimana antecedent A dan consequent B
merupakan subset dari I, kemudian A dan B
merupakan mutually exclusive. Definisi ini tidak
berlaku untuk aturan trivial seperti :
Jika A, maka B ( A_B)
Penulis hanya akan mengambil aturan
yang memiliki support dan/atau confidence yang
tinggi. Aturan yang kuat adalah aturan-aturan
yang melebihi kriteria support dan/atau
confidence minimum. Aturan yang memiliki
support lebih dari 20 % dan confidence lebih dari
35 %. Sebuah itemset adalah himpunan item-item
yang ada dalam I, dan k-itemset adalah itemset
yang berisi k item. Misalnya {Febris, Dispepsya)
adalah sebuah 2-itemset dan {Tb. Paru, Anemia,
DM) merupakan 3-itemset. Frequent Itemset
menunjukkan itemset yang memiliki frekuensi
kemunculan lebih dari nilai minimum yang telah
ditentukan (ф). Misalkan ф = 3, maka semua
itemset yang frekuensi kemunculannya lebih dari
3 kali disebut frequent. Himpunan dari frequent kitemset dilambangkan dengan Fk .
Tabel 5. Calon 2-itemset
Combinasi
Count
Combinasi
Hypertensi,
2
Anaemia,
Dispepsya
0
DM
Anaemia,
Hypertensi,
0
198
Count
2
5
0
Anaemia
Hypertensi,
DM
Hypertensi,
Febris
Hypertensi,
DHF
Hypertensi,
Thypoid
Dispepsya,
Anaemia
Dispepsya,
DM
Dispepsya,
Febris
Dispepsya,
DHF
Dispepsya,
Thypoid
2
0
0
4
1
6
2
1
Febris
Anaemia,
DHF
Anaemia,
Thypoid
DM, Febris
DM, DHF
DM,
Thypoid
Febris, DHF
Febris,
Thypoid
DHF,
Thypoid
1
3
2
0
2
0
0
Tabel 6. berikut ini menujukkan calon 2itemset dari data Penyakit pada tabel 1. Dari data
tersebut diatas, jika ditetapkan nilai ф = 3 maka
F2 = { { Dispepsya, Anaemia}, { Dispepsya,
Febris}, { Anaemia, Febris}{ DM, Febris}}
Tabel 6. Calon 3-Itemset
Combination
Count
Dispepsya,
Anemia, 3
Febris
1
Dyspepsia, Febris, DHF
Dengan demikian F3 = {{ Dispepsya,
Anemia, Febris}}, karena hanya kombinasi inilah
yang memiliki frekeunsi kemunculan >= ф.
Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence
dengan menghitung confidence aturan assosiatif
confidence
diperoleh dari rumus 3 berikut:
Confidence =P(B | A)=
Dari F3 yang telah ditemukan, dapat
dilihat besarnya nilai support dan confidence dari
calon aturan asosiasi seperti tampak pada tabel 7
berikut:
Seminar Nasional Informatika 2014
Tabel 7. Calon Aturan Asosiasi dari F3
Confidence minimal adalah 75% maka
aturan yang bisa terbentuk adalah aturan dengan 1
antecedent berikut:
“IF Mengidam Dispepsya end Anaemia, Then
Mengidam Febris”
Sementara itu calon aturan asosiasi dari F2 bisa
dilihat pada tabel 8. berikut:
pencarian frequent itemset, dengan association
rule. Sesuai dengan namanya, algoritma ini
menggunakan knowledge mengenai frequent
itemset yang telah diketahui sebelumnya, untuk
memproses informasi selanjutnya. Algoritma
apriori memiliki beberapa prinsip dasar yaitu :
1. Kumpulan jumlah item tunggal, dapatkan
item besar.
2. Dapatkan kandidat pairs, hitung => large
pair dari item-item.
3. Dapatkan candidate triplets, hitung => large
triplets dari item-item dan seterusnya.
4. Sebagai petunjuk : setiap sumset dari sebuah
frequent itemset harus menjadi frequent.
Pada gambar 2 adalah ilustrasi penerepan
apriori
Tabel 8. Calon Aturan Asosiasi dari F2
Gambar 2. ilustrasi penerapan apriori
Aturan asosiasi final terurut berdasarkan
Support x Confidence terbesar dapat dilihat pada
table 9. berikut:
Tabel 9. Aturan Asosiasi Final
Analisa Penerapan Algoritma Apriori
Apriori adalah suatu algoritma yang
sudah sangat dikenal dalam melakukan
Bila dilihat pada Gambar 2 dimana dari
5 candidat dari 1-itemset yang memenuhi
support ≥ 2 hanya 4 candidat atau calon dari 1itemset ini memenuhi support yaitu 1, 2, 3, dan
5 sedangkan item 4 tidak memenuhi syarat
minimum support karena memiliki jumlah 1.
Selanjutnya dari ke 4 item yang memenuhi
syarat minimum support di gunakan untuk
mencari atau menemukan 2-itemset maka di
peroleh 6 pasang item yang menjadi candidat
dari 2-itemset, setelah itu dicari kembali item
yang memenuhi syarat minimum support.
selanjutnya 2-itemset digunakan untuk mencari
3-itemset begitu seterusnya sehingga algortitma
tidak dapat menemukan lagi frequent dan
algoritma berhenti setelah menemukan semua
frequent itemset.
Berikut table penerapan cara kerja
Apriori :
Table 10. Data pasien
Code
Item Penyakit
Pasien
1
2
3
4
5
6
7
8
9
10
11
Febris, Dispepsya, Anemia
Anemia, Febris, DM
DM, DHF, Dispepsya
Dispepsya, Febris, Anemia
Febris, Anemia, Dispepsya
Dispepsya, Febris, DHF
Febris, Anemia, DM
Febris, DM, DHF
Anemia, Dispepsya, Thyphoid
Febris, Hypertensi, Dyspepsia
Hypertensi, Dispepsya. Febris
199
Seminar Nasional Informatika 2014
1. Pada iterasi pertama dari algoritama , setiap
item adalah anggota dari set calon 1itemset, C1. Algoritma akan secara langsung
memeriksa semua penyakit yang ada untuk
dapat menghitung kejadian munculnya
setiap item. Jika diasumsikan bahwa
minimum support yang dibutuhkan adalah 2
( misalnya min_sup = 3/11=27,3%. Set dari
1-itemset, L1, dapat ditentukan yaitu semua
calon 1-itemset yang memenuhi minimum
support.
Table 11. C1 dan L1 Untuk mencari 1itemset
C1
L1
Juml
Item Penyakit
Juml
Item
Pasien
Pasien
Penyakit
2
Hypertensi
8
Dispepsya
8
Dispepsya
6
Anaemia
6
Anaemia
4
DM
4
DM
9
Febris
9
Febris
3
DHF
3
DHF
1
Thyphoid
2. Untuk menemukan 2-itemset, L2, algorima
ini menggunakan pengkombinasian C1
dengan L1 untuk menghasilkan candidate set
dari 2-itemset, C2. C2 merupakan hasil
kombinasi dari L1. Penyakit yang ada dalam
database D diperiksa dan support count dari
setiap calon itemset yang ada di C2
ditambahkan, seperti yang diajukkan pada
table.
Tabel 12. C2 dan L2, Untuk mencari 2itemset
C2
L2
Combinasi
Count Combinasi count
Hypertensi,
Dispepsya
Hypertensi,
Anaemia
Hypertensi, DM
2
Hypertensi,
Febris
Hypertensi, DHF
2
Hypertensi,
Thypoid
Dispepsya,
Anaemia
Dispepsya, DM
0
Dispepsya, Febris
6
Dispepsya, DHF
2
Dispepsya,
Thypoid
1
200
0
0
0
4
1
Dispepsya,
Anaemia
Dispepsya,
Febris
Anaemia,
Febris
DM,
Febris
4
Anaemia, DM
2
Anaemia, Febris
5
Anaemia, DHF
0
Anaemia,
Thypoid
DM, Febris
1
DM, DHF
2
DM, Thypoid
0
Febris, DHF
2
Febris, Thypoid
0
DHF, Thypoid
0
3. Set dari 2-itemset, L2, dapat ditentukan,
yaitu semua candidate 2-itemset yang
memenuhi minimum support. Proses untuk
menghasilakan suatu set candidate dari 3itemset, C2, dijelaskan secara lebih detail
pada table 10, 11, 12 Pertama dapatkan C3,
yaitu dengan cara mengkombinasikan L2
dengan C2, maka menhasilkan { Dispepsya,
Anemia, Febris}berdasarkan pada algoritma
apriori, maka semua sumset dari frequent
itemset diatas, harus juga frequent, dapat
dipastikan kemudian ke-empat candidate
terakhit tidak mungkin akan frequent. Oleh
karena itu harus disingkirkan dari C3,
dengan demikian dapat menghemat usaha
yang tidak diperlukan untuk melakukan
perhitungan terhadap database, ketika akan
menentukan L3. Penyakit yang ada di D di
periksa untuk menentukan L3, yaitu terdiri
dari candidate 3-Itemset di C3 yang
memenuhi minimum support yang sudah
ditentukan.
4. Algoritma akan melakukan kombinasi antara
C3 dengan L3 untuk menghasilkan candidate
dari 4-itemset, C4. Dengan demikian , C4 ?,
dan algoritma berhenti karena telah
menemukan semua frequent itemset.
Table 13. final proses 3-itemset
Combination
Count
Dispepsya, Anemia, Febris
3
Dyspepsia, Febris, DHF
1
6
5
3
3
4.
Kesimpulan
Atas analisis dan pembahasan yang
dilakukan pada Pola Data Penyakit Rumah Sakit
dengan menerapkan Metode Association Rule
Menggunakan Algoritma Apriori, maka dapat
diambil kesimpulan sebagai berikut:
1. Metode Association Rule Menggunakan
Algoritma Apriori dapat membantu Rumah
Sakit untuk melakukan penelusuran pada data
historis Penyakit untuk mengidentifikasi pola
Seminar Nasional Informatika 2014
2.
3.
4.
5.
data yang didasarkan pada sifat-sifat yang
teridentifikasi sebelumnya.
Penggunaan
Metode
Association
Rule
Menggunakan Algoritma Apriori sangat
membantu dalam memperkirakan Penyakit
Pasien yang harus ditangani oleh Rumah Sakit
dalam periode yang akan datang.
Penggunaan aplikasi Data Mining dapat
membantu dalam pengambilan keputusan
untuk pengklasifikasian untuk banyak data.
Penggunaan
Metode
Association Rule
Menggunakan Algoritma Apriori dalam
menemukan penyakit telah menemukan semua
frequent itemset untuk penyakit Dispepsya,
Anemia, Febris sebanyak 3.
Metode
ini
dapat
diterapkan
pada
permasalahan yang berkaitan dalam pencarian
informasi dimasa yang akan datang.
Daftar Pustaka
[1] Abdallah Alashqur, “Mining Association
Rule:
A
Database
Perspective”,
International Journal of Computer Science
and Network Security, Vol 8 No. 12,
December 2008, Page 69 – 74, HTTP://
paper.ijcsns.org/07_book/200812/20081211.
pdf
[2] D,Suryadi, (2001) Pengantar Data Mining,
Andi, Yogyakarta
[3] Kusrini (2007), “Penerapan Algoritma
Apriori
pada
Data
Mining
untuk
Mengelompokkan
Barang Berdasarkan
Kecenderungan
Kemunculan
Bersama
dalam Satu Transaksi”, Page 1 – 16,
HTTP://dosen.amikom.ac.id/.../Publikasi%2
0Apriori-Kusrini_Feb-07_.pdf
[4] Susanto. (2010). Pengantar Data Mining.
Informatika. Jakarta
[5] Therling K. (2006).“ An Introduction to
DataMining: Discovering hidden value in
your data warehouse”, www.thearling.com,
diakses tanggal 21 Mei 2013.
201
ANALISA POLA DATA PENYAKIT RUMAH SAKIT DENGAN
MENERAPKAN METODE ASSOCIATION RULE MENGGUNAKAN
ALGORITMA APRIORI
Harris Kurniawan1, Fujiati2, Alfa Saleh3
STMIK Potensi Utama
Jl. K.L. Yos Sudarso Km. 6.5 No.3-A, Tanjung Mulia, Medan, Indonesia
ch0c0_pahmen@yahoo.com, fujiati.00@gmail.com, alfasoleh1@gmail.com
Abstrak
Rumah Sakit adalah tempat untuk menangani pasien dari berbagai daerah dan jenis penyakit pasien tersebut
berbeda-beda, karena cara hidup dan lingkungan berperan dalam perjalanan penyakit. Berdasarkan hal tersebut
untuk meningkatkan upaya menurunkan angka kesakitan dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang mengarah pada pembuatan sistem yang dapat mendeteksi
timbulnya penyakit sehingga dapat dilakukan upaya prefentif serta upaya rehabilitatif bagi penderita
penyakit dengan pendekatan yang menyeluruh, sehingga dampak terjadinya berbagai penyakit
menahun, seperti penyakit jantung koroner, penyakit pada mata, ginjal dan syaraf dapat dikurangi. Dalam
usaha peningkatan kesehatan, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi
dengan sistem informasi dan data yang akurat bagi kepentingan dinas kesehatan maupun instansi terkait
untuk pengambilan kebijakan. Salah satu alternatif sebagai solusi dari masalah tersebut adalah membuat
suatu pencarian pola atau hubungan Association rule (aturan asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang dapat digunakan untuk menemukan aturan-aturan tertentu
yang mengasosiasikan data yang satu dengan data yang lainnya dengan Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk mengidentifikasi pola data yang didasarkan pada sifat-sifat
yang teridentifikasi sebelumnya. Informasi yang dihasilkan untuk selanjutnya bisa digunakan oleh Dinas
Kesehatan setempat maupun dokter sebagai dasar untuk melakukan tindakan-tindakan yang diperlukan.
Kata Kunci : Data Mining, Association rule dan algoritma apriori
1.
Pendahuluan
Dengan bertambahnya angka harapan
hidup bangsa Indonesia perhatian masalah
kesehatan beralih dari penyakit infeksi ke
penyakit degenerative. Pada umumnya penyakit
tidak mengenal usia, karena penyakit bisa
menyerang siapapun. karena itu perlu di waspadai
serangan dari penyakit tersebut. Penyakit manusia
banyak jenisnya seperti, anemia, diabetes, jantung,
kulit, kanker, demam berdarah, typus, ginjal dan
sebagainya.
Rumah Sakit adalah tempat untuk
menangani pasien dari berbagai daerah dan jenis
penyakit pasien tersebut berbeda-beda, karena cara
hidup dan lingkungan berperan dalam perjalanan
penyakit. Berdasarkan
hal
tersebut
untuk
meningkatkan upaya menurunkan angka kesakitan
dan prevalensi timbulnya komplikasi pada penyakit
maka perlu dilakukan penelitian-penelitian yang
mengarah pada pembuatan sistem yang dapat
mendeteksi timbulnya penyakit sehingga dapat
dilakukan upaya prefentif serta upaya rehabilitatif
bagi penderita penyakit dengan pendekatan yang
menyeluruh,
sehingga
dampak
terjadinya
berbagai
penyakit menahun, seperti penyakit
jantung koroner, penyakit pada mata, ginjal dan
syaraf dapat dikurangi.
Dalam usaha peningkatan kesehatan,
penguasaan teknologi perlu ditingkatkan. Selain itu,
juga perlu diimbangi dengan sistem informasi dan
data yang akurat bagi kepentingan dinas kesehatan
maupun instansi terkait untuk pengambilan
kebijakan. Misalnya informasi mengenai daerah
pemberantasan penyakit dan potensi adanya
penyakit dalam suatu daerah tertentu sehingga
informasi-informasi ini dapat mengarahkan
paramedis melakukan usaha pemberantasan
penyakit tersebut. Untuk mengatasi masalah dalam
pemberantasan penyakit ini, diperlukan analisa
terhadap data penyakit yang terlah didapat dari
setiap daerah yang pernah dirawat pada rumah
sakit, sehingga dapat diketahui penyakit apa yang
paling banyak dalam masing-masing daerah dan
daerah mana yang jenis penyakitnya paling
berbahaya. Dengan demikian, daerah yang utama
untuk pemberantasan penyakit tersebut dapat di
tentukan.
Salah satu alternatif sebagai solusi dari
masalah tersebut adalah membuat suatu pencarian
pola atau hubungan Association rule (aturan
asosiatif) dari data yang berskala besar dan
kaitannya sangat erat dengan data mining yang
dapat digunakan untuk menemukan aturan-aturan
195
Seminar Nasional Informatika 2014
tertentu yang mengasosiasikan data yang satu
dengan data yang lainnya dengan suatu metode
algoritma. Metode algoritma apriori bisa
melakukan penelusuran pada data historis untuk
mengidentifikasi pola data yang didasarkan pada
sifat-sifat yang teridentifikasi
sebelumnya.
Kemudian dapat diberikan alternatif pengobatan
atau pencegahan bila ditemukan indikasi yang
mengarah pada timbulnya penyakit. Informasi
yang dihasilkan untuk selanjutnya
bisa
digunakan
oleh Dinas Kesehatan setempat
maupun dokter sebagai dasar untuk melakukan
tindakan-tindakan yang diperlukan.
2.
Tinjauan Pustaka
Data Mining (DM)
Data mining adalah proses pengolahan
informasi dari sebuah database yang besar,
meliputi
proses
ekstraksi,
pengenalan,
komprehensif, dan penyajian informasi sehingga
dapat digunakan dalam pengambilan keputusan
bisnis yang krusial”.[1][3]
Metodologi Data Mining
Langkah-langkah yang dibutuhkan untuk
mengerjakan implementasi Data Mining :
1. Problem Analysis, langkah ini untuk
menganalisa permasalahan dalam bisnis yang
hendak diatasi dengan menggunakan Data
Mining. Dari sini harus dibuat penilaian pada
ketersediaan data, teknologi yang dipakai dan
hasil yang diinginkan sebagai bagian dari
keseluruhan solusi.
2. Data Preparation, langkah ini untuk
mengekstrasi data dan mentransformasikannya
ke dalam format yang dibutuhkan oleh
algoritma Data Mining, termasuk di dalamnya
join
tabel,
menambah
field
baru,
membersihkan data dan sebagainya.
3. Data Exploration, langkah ini mendahului
langkah pencarian pola yang sesungguhnya.
Didalamnya terdapat proses eksplorasi secara
visual dan memberikan pengguna kemudahan
untuk menemukan kesalahan yang terjadi
dalam proses data preparation.
4. Pattern Generation, langkah ini menggunakan
cara induksi dan mengumpulkan algoritma
penelusuran untuk membuat pola-pola
tertentu.
5. Pattern
Deployment,
langkah
ini
pengembangan pola-pola yang ditemukan
yang didesain dalam langkah problem
analysis. Pola-pola ini khusus digunakan
dalam Decision Support System (DSS), untuk
membuat laporan-laporan atau buku petunjuk,
atau memfilter data untuk tujuan pemrosesan.
6. Pattern Monitoring, kesimpulan utama dari
hasil pengembangan Data Mining adalah
kesamaan pola-pola di waktu yang lalu dapat
196
diaplikasikan untuk kondisi-kondisi
terjadi di masa depan. [1]
yang
Association Rule
Association rule merupakan salah satu
teknik data mining yang paling banyak
digunakan dalam penelusuran pola pada
sistem pembelajaran unsupervised . Metodologi
ini akan mengambil seluruh kemungkinan pola pola yang diamati dalam basis data. Association
rule menjelaskan kejadian–kejadian yang sering
muncul dalam suatu kelompok. Bentuk umum
aturan
B1,B2,…,Bm, yang berarti jika item Ai muncul,
item Bj juga muncul dengan peluang tertentu.
Misalkan X adalah itemset. transaksi T dikatakan
mengandung X jika dan hanya
transaksi dengan
tingkat
kepercayaan
(confidence ) C, jika C % dari transaksi dalam
D yang mengandung X juga mengandung Y.
transaksi set D jika S% dari transaksi dalam basis
Y. Tingkat kepercayaan
menunjukkan kekuatan implikasi, dan support
menunjukkan seringnya pola terjadi dalam rule.
Mining association rule dilakukan dalam dua
tahap yaitu :
1. Mencari semua association rule yang
mempunyai minimum support (S min) dan
minimum confidence Cmin. Itemset dikatakan
sering muncul (frequent) jika Support(A)
min.
2. Menggunakan itemset yang besar untuk
menentukan association rule untuk basis
data yang mempunyai tingkat kepercayaan C
di atas nilai minimum yang telah ditentukan
(Cmin.). [2][3][4][5]
3.
Analisa dan Pembahasan
Analisa Association Rule
Penerapan data mining dengan association
rule bertujuan menemukan informasi item-item
yang saling berhubungan dalam bentuk rule,
dengan demikian association rule di terapkan
pada pola data penyakit yang paling sering
muncul dengan menggunakan algoritma apriori.
Dengan demikian proses untuk menemukan
hubungan
antar
item
ini
mungkin
memerlukan pembacaan data penyakit secara
berulang-ulang dalam jumlah data penyakit yang
besar untuk menemukan pola-pola hubungan
yang berbeda, maka waktu dan biaya komputasi
tentunya juga akan sangat besar, sehingga untuk
menemukan hubungan tersebut diperlukan suatu
algoritma yang efisien.
Seminar Nasional Informatika 2014
Tabel 1. Association Analysis pada data
penyakit pasien
NO
ITEM
1
Dyspepsia, Febris, DHF
2
Vertigo, Febris, Dyspepsya
Support(A)=
RULL dditemukan
3
Vertigo, Dispepsya
{Dispepsya }
{Vertigo }
{ Febris, Dispepsia
{DHF}
4
CHF, Astmah, Vertigo, Dispepsya
5
DHF, Dispepsya, Febris, Astmah
Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dari
data penyakit. Nilai support sebuah item
diperoleh dengan rumus 1 berikut :
Analisis asosiasi atau association rule
mining adalah teknik data mining untuk
menemukan aturan assosiatif antara suatu
kombinasi item. Aturan assosiatif dari penyakit
pasien di rumah sakit adalah dapat diketahuinya
berapa besar kemungkinan seorang pasien dapat
mengidap penyakit TB. Paru bersamaan dengan
Febris. Dengan pengetahuan tersebut Dokter
yang merawat dapat mengambil tindakan
penolongan pertama pada pasien.
Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi
tinggi (frequent pattern mining) menarik
perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien. Penting tidaknya suatu
aturan assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam
database dan confidence (nilai kepastian) yaitu
kuatnya hubungan antar item dalam aturan
assosiatif.
Aturan assosiatif biasanya dinyatakan
dalam bentuk :
{Febris, TB.Paru} -> {Dispepsya} (support =
40%, confidence = 50%)
Yang artinya : "50% dari transaksi di database
yang memuat item Febris dan TB.Paru juga
memuat item Dispepsya. Sedangkan 40% dari
seluruh transaksi yang ada di database memuat
ketiga item itu." Dapat juga diartikan : "Seorang
pasien yang mengidam penyakit Febris dan
TB.Paru kemungkinan 50% punya penyakit
Dispepsya. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."
Analisis asosiasi didefinisikan suatu proses untuk
menemukan semua aturan assosiatif yang
memenuhi syarat minimum untuk support
(minimum support) dan syarat
minimum
untuk
confidence
(minimum
confidence). Dasar analisis asosiasi terbagi
menjadi dua tahap :
[rumus
1]
Nilai support dari 2 item diperoleh dari rumus 2
berikut:
Support(A,B) =P(A B)=
..[rumus 2]
Data
dari Penyakit pasien
ditunjukkan dalam tabel 2 berikut :
Pasien
1
2
3
4
5
6
7
8
9
10
11
seperti
Tabel 2. Penyakit Pasien
Item Penyakit
Febris, Dispepsya, Anemia
Anemia, Febris, DM
DM, DHF, Dispepsya
Dispepsya, Febris, Anemia
Febris, Anemia, Dispepsya
Dispepsya, Febris, DHF
Febris, Anemia, DM
Febris, DM, DHF
Anemia, Dispepsya, Thyphoid
Febris, Hypertensi, Dyspepsia
Hypertensi, Dispepsya. Febris
Data tersebut diatas dalam database
Pasien direpresentasikan dalam bentuk seperti
tampak pada tabel 3. berikut:
Tabel 3. Representasi Data Penyakit Pasien
JlhPasien
Item Penyakit
2
Hypertensi
8
Dispepsya
6
Anaemia
4
DM
9
Febris
3
DHF
1
Thyphoid
Dan bila di bentuk dalam bentuk tabular, data
Penyakit Pasien akan tampak seperti pada tabel 4
berikut:
197
Seminar Nasional Informatika 2014
Tabel 4. Format Tabular Data Penyakit Pasien
Hy
Dis
1
pert
ensi
0
pep
sya
1
2
0
0
3
0
4
Ane
mia
DM
Febris
DHF
Thy
pho
id
1
0
1
0
0
1
1
1
0
0
1
0
1
0
1
0
0
1
1
0
1
0
0
5
0
1
1
0
1
0
0
6
0
1
0
0
1
1
0
7
0
0
1
1
1
0
0
8
0
0
0
1
1
1
0
9
0
1
1
0
0
0
1
10
1
1
0
0
1
0
0
11
1
1
0
0
1
0
0
Pasien
Misalkan D adalah Pasien yang
direperesentasikan dalam tabel 1, dimana masingmasing Pasien T dalam D merepresentasikan
himpunan item yang berada dalam I. Himpunan
items A (Febris dan Dispepsya) dan himpunan
item lain B (Anemia). Kemudian aturan asosiasi
akan berbentuk :
Jika Febris dan Dispepsya Maka Febris.
Dimana antecedent A dan consequent B
merupakan subset dari I, kemudian A dan B
merupakan mutually exclusive. Definisi ini tidak
berlaku untuk aturan trivial seperti :
Jika A, maka B ( A_B)
Penulis hanya akan mengambil aturan
yang memiliki support dan/atau confidence yang
tinggi. Aturan yang kuat adalah aturan-aturan
yang melebihi kriteria support dan/atau
confidence minimum. Aturan yang memiliki
support lebih dari 20 % dan confidence lebih dari
35 %. Sebuah itemset adalah himpunan item-item
yang ada dalam I, dan k-itemset adalah itemset
yang berisi k item. Misalnya {Febris, Dispepsya)
adalah sebuah 2-itemset dan {Tb. Paru, Anemia,
DM) merupakan 3-itemset. Frequent Itemset
menunjukkan itemset yang memiliki frekuensi
kemunculan lebih dari nilai minimum yang telah
ditentukan (ф). Misalkan ф = 3, maka semua
itemset yang frekuensi kemunculannya lebih dari
3 kali disebut frequent. Himpunan dari frequent kitemset dilambangkan dengan Fk .
Tabel 5. Calon 2-itemset
Combinasi
Count
Combinasi
Hypertensi,
2
Anaemia,
Dispepsya
0
DM
Anaemia,
Hypertensi,
0
198
Count
2
5
0
Anaemia
Hypertensi,
DM
Hypertensi,
Febris
Hypertensi,
DHF
Hypertensi,
Thypoid
Dispepsya,
Anaemia
Dispepsya,
DM
Dispepsya,
Febris
Dispepsya,
DHF
Dispepsya,
Thypoid
2
0
0
4
1
6
2
1
Febris
Anaemia,
DHF
Anaemia,
Thypoid
DM, Febris
DM, DHF
DM,
Thypoid
Febris, DHF
Febris,
Thypoid
DHF,
Thypoid
1
3
2
0
2
0
0
Tabel 6. berikut ini menujukkan calon 2itemset dari data Penyakit pada tabel 1. Dari data
tersebut diatas, jika ditetapkan nilai ф = 3 maka
F2 = { { Dispepsya, Anaemia}, { Dispepsya,
Febris}, { Anaemia, Febris}{ DM, Febris}}
Tabel 6. Calon 3-Itemset
Combination
Count
Dispepsya,
Anemia, 3
Febris
1
Dyspepsia, Febris, DHF
Dengan demikian F3 = {{ Dispepsya,
Anemia, Febris}}, karena hanya kombinasi inilah
yang memiliki frekeunsi kemunculan >= ф.
Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence
dengan menghitung confidence aturan assosiatif
confidence
diperoleh dari rumus 3 berikut:
Confidence =P(B | A)=
Dari F3 yang telah ditemukan, dapat
dilihat besarnya nilai support dan confidence dari
calon aturan asosiasi seperti tampak pada tabel 7
berikut:
Seminar Nasional Informatika 2014
Tabel 7. Calon Aturan Asosiasi dari F3
Confidence minimal adalah 75% maka
aturan yang bisa terbentuk adalah aturan dengan 1
antecedent berikut:
“IF Mengidam Dispepsya end Anaemia, Then
Mengidam Febris”
Sementara itu calon aturan asosiasi dari F2 bisa
dilihat pada tabel 8. berikut:
pencarian frequent itemset, dengan association
rule. Sesuai dengan namanya, algoritma ini
menggunakan knowledge mengenai frequent
itemset yang telah diketahui sebelumnya, untuk
memproses informasi selanjutnya. Algoritma
apriori memiliki beberapa prinsip dasar yaitu :
1. Kumpulan jumlah item tunggal, dapatkan
item besar.
2. Dapatkan kandidat pairs, hitung => large
pair dari item-item.
3. Dapatkan candidate triplets, hitung => large
triplets dari item-item dan seterusnya.
4. Sebagai petunjuk : setiap sumset dari sebuah
frequent itemset harus menjadi frequent.
Pada gambar 2 adalah ilustrasi penerepan
apriori
Tabel 8. Calon Aturan Asosiasi dari F2
Gambar 2. ilustrasi penerapan apriori
Aturan asosiasi final terurut berdasarkan
Support x Confidence terbesar dapat dilihat pada
table 9. berikut:
Tabel 9. Aturan Asosiasi Final
Analisa Penerapan Algoritma Apriori
Apriori adalah suatu algoritma yang
sudah sangat dikenal dalam melakukan
Bila dilihat pada Gambar 2 dimana dari
5 candidat dari 1-itemset yang memenuhi
support ≥ 2 hanya 4 candidat atau calon dari 1itemset ini memenuhi support yaitu 1, 2, 3, dan
5 sedangkan item 4 tidak memenuhi syarat
minimum support karena memiliki jumlah 1.
Selanjutnya dari ke 4 item yang memenuhi
syarat minimum support di gunakan untuk
mencari atau menemukan 2-itemset maka di
peroleh 6 pasang item yang menjadi candidat
dari 2-itemset, setelah itu dicari kembali item
yang memenuhi syarat minimum support.
selanjutnya 2-itemset digunakan untuk mencari
3-itemset begitu seterusnya sehingga algortitma
tidak dapat menemukan lagi frequent dan
algoritma berhenti setelah menemukan semua
frequent itemset.
Berikut table penerapan cara kerja
Apriori :
Table 10. Data pasien
Code
Item Penyakit
Pasien
1
2
3
4
5
6
7
8
9
10
11
Febris, Dispepsya, Anemia
Anemia, Febris, DM
DM, DHF, Dispepsya
Dispepsya, Febris, Anemia
Febris, Anemia, Dispepsya
Dispepsya, Febris, DHF
Febris, Anemia, DM
Febris, DM, DHF
Anemia, Dispepsya, Thyphoid
Febris, Hypertensi, Dyspepsia
Hypertensi, Dispepsya. Febris
199
Seminar Nasional Informatika 2014
1. Pada iterasi pertama dari algoritama , setiap
item adalah anggota dari set calon 1itemset, C1. Algoritma akan secara langsung
memeriksa semua penyakit yang ada untuk
dapat menghitung kejadian munculnya
setiap item. Jika diasumsikan bahwa
minimum support yang dibutuhkan adalah 2
( misalnya min_sup = 3/11=27,3%. Set dari
1-itemset, L1, dapat ditentukan yaitu semua
calon 1-itemset yang memenuhi minimum
support.
Table 11. C1 dan L1 Untuk mencari 1itemset
C1
L1
Juml
Item Penyakit
Juml
Item
Pasien
Pasien
Penyakit
2
Hypertensi
8
Dispepsya
8
Dispepsya
6
Anaemia
6
Anaemia
4
DM
4
DM
9
Febris
9
Febris
3
DHF
3
DHF
1
Thyphoid
2. Untuk menemukan 2-itemset, L2, algorima
ini menggunakan pengkombinasian C1
dengan L1 untuk menghasilkan candidate set
dari 2-itemset, C2. C2 merupakan hasil
kombinasi dari L1. Penyakit yang ada dalam
database D diperiksa dan support count dari
setiap calon itemset yang ada di C2
ditambahkan, seperti yang diajukkan pada
table.
Tabel 12. C2 dan L2, Untuk mencari 2itemset
C2
L2
Combinasi
Count Combinasi count
Hypertensi,
Dispepsya
Hypertensi,
Anaemia
Hypertensi, DM
2
Hypertensi,
Febris
Hypertensi, DHF
2
Hypertensi,
Thypoid
Dispepsya,
Anaemia
Dispepsya, DM
0
Dispepsya, Febris
6
Dispepsya, DHF
2
Dispepsya,
Thypoid
1
200
0
0
0
4
1
Dispepsya,
Anaemia
Dispepsya,
Febris
Anaemia,
Febris
DM,
Febris
4
Anaemia, DM
2
Anaemia, Febris
5
Anaemia, DHF
0
Anaemia,
Thypoid
DM, Febris
1
DM, DHF
2
DM, Thypoid
0
Febris, DHF
2
Febris, Thypoid
0
DHF, Thypoid
0
3. Set dari 2-itemset, L2, dapat ditentukan,
yaitu semua candidate 2-itemset yang
memenuhi minimum support. Proses untuk
menghasilakan suatu set candidate dari 3itemset, C2, dijelaskan secara lebih detail
pada table 10, 11, 12 Pertama dapatkan C3,
yaitu dengan cara mengkombinasikan L2
dengan C2, maka menhasilkan { Dispepsya,
Anemia, Febris}berdasarkan pada algoritma
apriori, maka semua sumset dari frequent
itemset diatas, harus juga frequent, dapat
dipastikan kemudian ke-empat candidate
terakhit tidak mungkin akan frequent. Oleh
karena itu harus disingkirkan dari C3,
dengan demikian dapat menghemat usaha
yang tidak diperlukan untuk melakukan
perhitungan terhadap database, ketika akan
menentukan L3. Penyakit yang ada di D di
periksa untuk menentukan L3, yaitu terdiri
dari candidate 3-Itemset di C3 yang
memenuhi minimum support yang sudah
ditentukan.
4. Algoritma akan melakukan kombinasi antara
C3 dengan L3 untuk menghasilkan candidate
dari 4-itemset, C4. Dengan demikian , C4 ?,
dan algoritma berhenti karena telah
menemukan semua frequent itemset.
Table 13. final proses 3-itemset
Combination
Count
Dispepsya, Anemia, Febris
3
Dyspepsia, Febris, DHF
1
6
5
3
3
4.
Kesimpulan
Atas analisis dan pembahasan yang
dilakukan pada Pola Data Penyakit Rumah Sakit
dengan menerapkan Metode Association Rule
Menggunakan Algoritma Apriori, maka dapat
diambil kesimpulan sebagai berikut:
1. Metode Association Rule Menggunakan
Algoritma Apriori dapat membantu Rumah
Sakit untuk melakukan penelusuran pada data
historis Penyakit untuk mengidentifikasi pola
Seminar Nasional Informatika 2014
2.
3.
4.
5.
data yang didasarkan pada sifat-sifat yang
teridentifikasi sebelumnya.
Penggunaan
Metode
Association
Rule
Menggunakan Algoritma Apriori sangat
membantu dalam memperkirakan Penyakit
Pasien yang harus ditangani oleh Rumah Sakit
dalam periode yang akan datang.
Penggunaan aplikasi Data Mining dapat
membantu dalam pengambilan keputusan
untuk pengklasifikasian untuk banyak data.
Penggunaan
Metode
Association Rule
Menggunakan Algoritma Apriori dalam
menemukan penyakit telah menemukan semua
frequent itemset untuk penyakit Dispepsya,
Anemia, Febris sebanyak 3.
Metode
ini
dapat
diterapkan
pada
permasalahan yang berkaitan dalam pencarian
informasi dimasa yang akan datang.
Daftar Pustaka
[1] Abdallah Alashqur, “Mining Association
Rule:
A
Database
Perspective”,
International Journal of Computer Science
and Network Security, Vol 8 No. 12,
December 2008, Page 69 – 74, HTTP://
paper.ijcsns.org/07_book/200812/20081211.
[2] D,Suryadi, (2001) Pengantar Data Mining,
Andi, Yogyakarta
[3] Kusrini (2007), “Penerapan Algoritma
Apriori
pada
Data
Mining
untuk
Mengelompokkan
Barang Berdasarkan
Kecenderungan
Kemunculan
Bersama
dalam Satu Transaksi”, Page 1 – 16,
HTTP://dosen.amikom.ac.id/.../Publikasi%2
0Apriori-Kusrini_Feb-07_.pdf
[4] Susanto. (2010). Pengantar Data Mining.
Informatika. Jakarta
[5] Therling K. (2006).“ An Introduction to
DataMining: Discovering hidden value in
your data warehouse”, www.thearling.com,
diakses tanggal 21 Mei 2013.
201