IMPLEMENTASI ALGORITMA APRIORI PADA SIST

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

ISSN : 2301-9425

IMPLEMENTASI ALGORITMA APRIORI PADA SISTEM
PERSEDIAAN OBAT (STUDI KASUS : APOTIK
RUMAH SAKIT ESTOMIHI MEDAN)
Efori Buulolo
Dosen Tetap STMIK Budi Darma Medan
Jl. Sisingamangaraja No. 338 Simpang Limun Medan
http: // www.stmik-budidarma.ac.id // Email: efori.budidarma@gmail.com
ABSTRAK
Data semakin lama akan semakin bertambah banyak. Jika dibiarkan saja, maka data-data transaksi
tersebut hanya menjadi sampah yang tidak berarti. Dengan adanya dukungan perkembangan teknologi, semakin
berkembang pula kemampuan dalam mengumpulkan dan mengolah data.
Data mining, sering juga disebut knowledge discovery in database (KDD), adalah kegiatan yang
meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set
data berukuran besar. Keluaran dari data mining bisa dipakai untuk memperbaikin pengambilan keputusan
dimasa depan.
Algoritma apriori adalah adalah algoritma yang paling terkenal untuk menemukan pola frekuensi
tinggi. algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass Pembentukan kandidat

itemset, kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu
cara dari algoritma apriori adalah adanya pemangkasan kandidat k-itemset yang subset-nya yang berisi k-1
item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1
Kata Kunci: Apriori, Persediaan, Data mining

1.1 Pendahuluan
Algoritma apriori pada saat ini telah
diimplementasikan keberbagai bidang, salah satunya
adalah dibidang bisnis atau perdangangan dan bidang
pendidikan, dibidang bisnis misalnya implementasi
data mining algoritma apriori untuk sistem penjualan
tujuanya untuk membantu para pembisnis
meningkatkan penjualan produk,
Sedangkan
dibidang pendidikan misalnya implementasi data
mining untuk menemukan pola hubungan tingkat
kelulusan mahasiswa dengan data induk mahasiswa.
Adanya kegiatan operasional sehari-hari
data semakin lama akan semakin bertambah banyak.
Jika dibiarkan saja, maka data-data transaksi tersebut

hanya menjadi sampah yang tidak berarti. Dengan
adanya dukungan perkembangan teknologi, semakin
berkembang pula kemampuan dalam mengumpulkan
dan mengolah data.
Persaingan di dunia bisnis, khususnya dalam
industri apotik, menuntut para pengembang untuk
menemukan suatu strategi yang dapat meningkatkan
penjualan
khusus
penjualan
obat
dengan
memaksimalkan pelayanan kepada konsumen. Salah
satu caranya adalah dengan tetap tersediaannya
berbagai jenis obat digudang apotik. Untuk
mengetahui obat apa saja yang dibeli oleh para
konsumen, dapat dilakukan dengan menggunakan
teknik analisis keranjang pasar yaitu analisis dari
kebiasaan membeli konsumen. Pendeteksian
mengenai obat yang sering terbeli secara bersamaan

disebut association rule (aturan asosiasi). Proses

pencarian asosiasi atau hubungan antar item data ini
diambil dari suatu basis data relasional. Proses
tersebut menggunakan algoritma apriori.
1.2 Perumusan Masalah
Berdasarkan uraian latar belakang, maka
penulis merumuskan suatu permasalahan yaitu
sebagai berikut:
1. Bagaimana membentuk pola kombinasi itemsets
dengan menggunakan algoritma apriori pada
sistem persediaan?
2. Bagaimana menghasilkan rules dari pola
kombinasi itemsets yang interesting dengan
association rules ?
1.3 Batasan Masalah
Agar tidak lepas dari latar belakang dan
perumusan masalah, maka penulis membuat batasan
masalahnya yaitu sebagai berikut :
1. Menggunakan data mining algoritma apriori

untuk menemukan pola kombinasi itemset dan
association rules untuk menghasilkan rules.
2. Data yang digunakan adalah data transaksi
penjualan (data obat keluar) dan menggunakan
aplikasi atau tools data mining Tanagra 1.4
sebagai pengujian data.
1.4 Tujuan Penelitian
Beberapa tujuan yang ingin dicapai dalam
penelitian ini yaitu sebagai berikut:

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

71

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

1. Membentuk pola kombinasi itemsets dari data

penjualan
(data
obat
keluar)
dengan
menggunakan algoritma apriori.
2. Menghasilkan rules dengan association rules dari
pola kombinasi itemsets yang interesting.
2. Landasan Teori
2.1. Defenisi Data Mining
Data mining, sering juga disebut knowledge
discovery in database (KDD), adalah kegiatan yang
meliputi pengumpulan, pemakaian data historis untuk
menemukan keteraturan, pola atau hubungan dalam
set data berukuran besar. Keluaran dari data mining
bisa dipakai untuk memperbaikin pengambilan
keputusan dimasa depan (Budi Santosa, 2007).
Dari
defenisi-defenisi
yang

telah
disampaikan, hal penting yang terkait dengan data
mining adalah:
1. Data mining merupakan suatu proses otomatis
terhadap data yang sudah ada.
2. Data yang akan diproses berupa data yang sangat
besar.
3. Tujuan data mining adalah mendapatkan
hubungan atau pola yang akan mungkin
memberikan indikasi yang bermanfaat.
 

Pencaria
n

Statistik

Data
Mining

Artificial
Intelligent

Database

Gambar 1 Bidang Ilmu Data Mining
Data mining bukanlah suatu bidang yang
sama sekali baru.
Salah satu kesulitan untuk
mendefenisikan data mining adalah kenyataan bahwa
data mining mewariskan banyak aspek dan teknik
bidang-bidang ilmu yang sudah mapan terlebih
duhulu. Gambar 1 menunjukkan bahwa data mining
memiliki akar yang panjang dari ilmu seperti ilmu
kecerdasan buatan (artificial intelligent), machining
learning, statistic, database, dan juga informasi
retrievel.

 

Knowledg

 

 

 

 
 

 

        

 

Evalution
Presentation

 
        Data Mining 
Selection
Transformation
Data
Wareho
Cleaning
Integration
Da
Dat

Gambar 2 Proses Data Mining
(Beta Noranita dan Nurdin Bahtiar , 2010)
1. Data selection
Pemilihan (seleksi) data dari sekumpulan data
operasional perlu dilakukan sebelum tahap
penggalian informasi dalam KDD dimulai. Data
hasil seleksi yang akan digunakan untuk proses
data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional.

2. Pre-processing/Cleaning
Sebelum proses data mining dapat dilaksanakan,
perlu dilakukan proses cleaning pada data yang
menjadi fokus KDD. Proses cleaning mencakup
antara lain membuang duplikasi data, memeriksa
data yang inkonsisten, dan memperbaikin
kesalahan pada data, seperti kesalahan cetak
(tipografi). Juga dilakukan proses encrihment,
yaitu proses “memperkaya” data yang sudah ada
dengan data atau informasi lain yang relevan dan
diperlukan untuk KDD, seperti data atau
informasi eksternal.
3. Transformation
Coding adalah proses transformation pada data
yang telah dipilih, sehingga data tersebut sesuia
dengan untuk proses data mining. Proses coding
dalam KDD merupakan proses kreatif dan sangat
bergantung pada jenis dan pola informasi yang
akan dicari dalam basis data.
4. Data mining

Data mining adalah proses mancari pola atau
informasi menarik dalam data yang terpilih
dengan menggunakan teknik atau metode
tertentu. Teknik, metode, atau algoritma dalam
data mining sangat bervariasi. Pemilihan metode
atau algoritma yang tepat sangat bergantung pada
tujuan dan proses KDD secara keseluruhan.
5. Interpretation/Evaluation
Pola informasi yang dihasilkan dari proses data
mining perlu ditampilkan dalam bentuk yang

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

72

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

mudah
dimengerti
oleh
pihak
yang
berkepentingan. Tahap ini merupakan bagian dari
proses KDD yang disebut interpretation. Tahap
ini mencakup pemeriksaan apakah pola atau
informasi yang ditemukan bertentangan dangan
fakta atau hipotesis yang ada sebelumnya.
2.2 Pengelompokan Data Mining
Data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat dilakukan,
yaitu (Kusrini dan Emha Taufiq Luthfi, 2009):
1. Deskripsi
Terkadang peneliti dan analis secara sederhana
ingin
mencoba
mencari
data
untuk
menggambarkan pola dan kecenderungan yang
terdapat dalam data. Sebagai contoh, petugas
pengumpulan suara mungkin tidak dapat
menentukan keterangan atau fakta bahwa siapa
yang tidak cukup professional akan sedikit
didukung dalam pemilihan presiden. Deskripsi
dari pola dan kecenderungan sering memberikan
kemungkinan penjelesan untuk suatu pola atau
kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali
variabel target estimasi lebih kearah numerik dari
pada kearah kategori.
Model dibangun
menggunakan record lengkap yang menyediakan
nilai dari variabel target sebagai prediksi.
Selanjutnya, pada peninjauan berikutnya estimasi
nilai dari variabel target dibuat berdasarkan nilai
variabel predikasi.
Sebagai contoh akan
dilakukan estimasi tekanan darah sistolik pada
pasien rumah sakit berdasarkan umur pasien, jenis
kelamin, indeks berat badan, dan level sodium
darah. Hubungan antara tekanan darah sistolik
dan nilai variabel prediksi dalam proses
pembelajaran akan menghasilkan model estimasi.
Model estimasi yang dihasilkan dapat digunakan
untuk kasus baru lainnya.
3. Prediksi.
Prediksi hampir sama dengan klasifikasi dan
estimasi, kecuali bahwa dalam predikasi nilai dari
hasik akan ada dimasa mendatang.
Contoh prediksi bisnis dan penelitian adalah:
a. Prediksi harga beras dalam tiga bulan yang
akan datang.
b. Prediksi persentasi kenaikan kecelakaan lalu
lintas tahun depan jika batas bawah
kecepatan dinaikkan.
Beberapa metode dan teknik yang digunakan
dalam klasifikasi dan estimasi dapat pula
digunakan (untuk keadaan yang tepat) untuk
prediksi.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel
kategori.
Sebagai contoh
penggolongan
pendapatan dapat dipisahkan dalam tiga kategori ,
yaitu pendapatan tinggi, pendapatan sedang, dan
pendapatan rendah.

ISSN : 2301-9425

Contoh lain klasifikasi dalam bisnis dan
penelitian adalah:
a. Menentukan apakah suatu transaksi kartu
kredit merupakan transaksi yang curang atau
tidak.
b. Memperkirakan apakah suatu pengajuan
hipotek oleh nasabah merupakan suatu kredit
yang baik atau buruk.
c. Mendiagnosis penyakit seorang pasien untuk
mendapatkan termasuk kategori penyakit
apa.
5. Pengklusteran
Pengkluteran merupakan pengelompokan record,
pengamatan, atau memperhatikan dan membentuk
kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki
kemiripan satu dengan yang lainnya dan memiliki
ketidakmiripan dengan record-record dalam
kluster lain.
Pengklusteran berbeda dengan
klasifikasi yaitu tidak adanya variabel target
dalam pengklusteran.
Pengklusteran tidak
mencoba
untuk
melakukan
klasifikasi,
mengestimasi, atau memprediksi nilai dari
variabel target.
Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan
pembagian terhadap keseluruhan data menjadi
kelompok-kelompok yang memiliki kemiripan
(homogeny), yang mana kemiripan dalam satu
kelompok akan bernilai maksimal, sedangkan
kemiripan dengan record dalam kelompok lain
akan bernilai minimal.
Contoh pengklusteran dalam bisnis dan penelitian
adalah:
a. Mendapatkan
kelompok-kelompok
konsumen untuk target pemasaran dari satu
suatu produk bagi perusahaan yang tidak
memiliki dana pemesaran yang besar.
b. Untuk tujuan audit akuntansi, yaitu
melakukan pemisahan terhadap perilaku
financial dalam baik dan mencurigakan.
c. Melakukan pengklusteran terhadap ekspresi
dari gen, untuk mendapatkan kemiripan
perilaku dari gen dalam jumlah besar.
6. Asosiasi.
Tugas asosiasi dalam data mining adalah
menemukan attribut yang muncul dalam satu
waktu. Dalam dunia bisnis lebih umum disebut
analisis keranjang belanja.
Contoh asosiasi dalam bisnis dan penelitian
adalah:
a. Meneliti jumlah pelanggan dari perusahaan
telekomunikasi seluler yang diharapkan
untuk memberikan respon positif terhadap
penawaran upgrade layanan yang diberikan.
b. Menentukan barang dalam supermarket yang
dibeli secara bersamaan dan yang tidak
pernah dibeli secara bersamaan.
2.3. Fungsi dan Tugas Data Mining

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

73

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Data
mining
menganalisis
data
menggunakan tool untuk menemukan pola dan aturan
dalam himpunan data. Perangkat lunak bertugas
untuk menmukan pola dengan mengidentifikasi
aturan dan fitur pada data. Tool data mining
diharapkan mampu mengenal pola ini dalam data
dengan input minimal dari user (Dana Sulistiyo
Kusumo et al, 2003).
2.4. Komponen Data Mining
Secara alami, material data mining
sebenarnya sudah terbentuk karena faktor rutinitas
dan
waktu
seraya
perusahaan
melakukan
aktivitasnya. Tanpa disadari perusahaan berinvestasi
dengan menggunakan bugdetnya untuk penggunaan
teknologi informasi atau komputer (Feri Sulianto dan
Dominikus Juju, 2010).
Tetapi, tanpa penanganan yang seksama,
perusahaan tidak dapat memanfaatkan investasinya di
level yang lebih tinggi, maka dari itu sebelum benarbenar melakukan mining, perusahaan harus
mengeluarkan sedikit effort lagi untuk realokasi dan
pengadaan tools seperti layaknya seseorang yang
melakukan penambangan.

Gambar
3.
Aliran
Pembentukan Data Warehouse

Data

Pada

Sebuah perusahaan membangun data
warehouse dan data mart menggunakan sumberdaya
informasi internal dan (mungkin juga) eksternal,
kelola data warehouse dengan mining tools akan
meng-generate laporan-laporan orientasi strategi dan
taktis, dengan view yang dimengerti para pemegang
keputusan yang melibatkan pula statistik, pekerja ahli
dan menager-menager yang ada setiap lini
perusahaan.
2.5. Langkah-langkah Mining
Secara rinci, ada empat tahap yang dilalui
dalam data mining, antara lain :
1. Tahap pertama : Pricise statement of the problem
(pernyataan tepat terhadap permasalahan)
Sebelum mengakses perangkat lunak data mining,
seorang analis harus memiliki kejelasan perihal
‘pertanyaan apa yang akan ingin dijawabnya’.
Jika tidak ada formula yang tepat untuk
problematika yang ada maka anda hanya akan

ISSN : 2301-9425

membuang-buang dan uang dalam membuat
solusinya.
2. Tahap kedua : Initial exploration
Tahap ini dimulai dengan mempersiapkan data
yang juga juga termasuk kedalam data mining
“cleaning” (misalnya : mengedentifikasi dan
menyikirkan data yang dikodekkan salah),
transformasi data, memilih subset record, data
set, langkah awal seleksi. Mendeskripsikan dan
memvisualisasikan data adalah kunci dari tahap
ini.
3. Tahap tiga : Model building and validation
Tahap ini melibatkan pertimbangan terhadap
ragam permodelan dan memilih yang terbaik bagi
performasi prediktif.
4. Tahap ke-empat : Deployment
Memilih aplikasi yang tepat berikut permodelan
untuk membuat (generate) prediksi. Selanjutnya
kita kan melihat rincian perihal tahapan-tahapan
data mining.
2.6. Association Rule
Analisis asosiasi atau association rule
mining adalah teknik data mining untuk menemukan
aturan assosiatif antara kombinasi item. Contoh dari
aturan assosiatif dari analisa pembelian di suatu pasar
swalayan adalah dapat diketahui berapa besar
kemungkinan seseorang membeli roti bersamaan
dengan susu. Dengan pengetahuan tersebut pemilik
pasar
swalayan dapat mengatur penempatan
barangnya atau merancang kampanye pemasaran
dengan memakai kupon diskon untuk kombinasi
barang tertentu (Amirudin et al, 2007)
2.6.1 Tahapan Association Rules
Analisis asosiasi dikenal juga sebagai salah
satu teknik data mining yang menjadi dasar dari
berbagai teknik data mining lainya. Khususnya salah
satu tahap dari analisis asosiasi yang disebut analisis
pola frekuensi tinggi (frequent pattern mining)
menarik
perhatian
banyak
peneliti
untuk
menghasilkan algoritma yang efesien (Muhammad
Ikhsan et al, 2007).
Metodologi dasar analisis asosiasi terbagi
menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support dalam
database. Nilai support sebuah item diperoleh
dengan rumus berikut:
Support (A) =
JumlahTran saksiMenga ndungA
TotalTrans aksi
Sedangkan nilai dari support 2 item diperoleh dari
rumus berikut :
Support (A,B) = P(A B)
JumlahTran
saksiMenga ndungAdanB
=
TotalTrans aksi
2. Pembentukan aturan assosiatif

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

74

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Setelah semua pola frekuensi tinggi
ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A
Nilai confidence dari aturan A
diperoleh dari
rumus berikut :
Confidence = P(B|A) =
JumlahTransaksiMengandungAdanB
JumlahTransaksiMengandungA
2.6.2. Langkah-Langkah Proses Penghitungan
Association Rules
Proses perhitungan association rule terdiri
dari beberapa tahap adalah 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 large itemset pada iterasi pertama (L1)
untuk membentuk kandidat itemset kedua (L2).
Pada
iterasi
selanjutnya
sistem
akan
menggunakan hasil large itemset pada iterasi
selanjutnya akan menggunakan hasil large itemset
pada iterasi sebelumnya (Lk-1) untuk membentuk
kandidat itemset berikut (Lk).
Sistem akan
menggabungkan (join) Lk-1 dengan Lk-1 untuk
mendapatkan Lk, seperti pada iterasi sebelumnya
sistem akan menghapus (prune) kombinasi
itemset yang tidak termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan
itemset baru hasil proses join tersebut dihitung
supportnya.
5. Proses pembentuk kandidat yang terdiri dari
proses join dan prune akan terus dilakukan hingga
himpunan kandidat itemsetnya null, atau sudah
tidak ada lagi kandidat yang akan dibentuk.
6. Setelah itu, dari hasil frequent itemset tersebut
dibentuk association rule yang memenuhi nilai
support dan confidence yang telah ditentukan.
7. Pada pembentukan association rule, nilai yang
sama dianggap sebagai satu nilai.
8. Assosiotion rule yang terbentuk harus memenuhi
nilai minimum yang telah ditentukan.

ISSN : 2301-9425

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.
2.7. Algoritma Apriori
Algoritma apriori adalah adalah algoritma
yang paling terkenal untuk menemukan pola
frekuensi tinggi. algoritma apriori dibagi menjadi
beberapa tahap yang disebut narasi atau pass (Devi
dinda setiawan, 2009).
1. Pembentukan kandidat itemset, kandidat k-itemset
dibentuk dari kombinasi (k-1)-itemset yang
didapat dari iterasi sebelumnya. Satu cara dari
algoritma apriori adalah adanya pemangkasan
kandidat k-itemset yang subset-nya yang berisi k1 item tidak termasuk dalam pola frekuensi tinggi
dengan panjang k-1.
2. Penghitungan support dari tiap kandidat kitemset. Support dari tiap kandidat k-itemset
didapat dengan menscan database untuk
menghitung jumlah transaksi yang memuat semua
item didalam kandidat k-itemset tersebut. Ini
adalah juga ciri dari algoritma apriori dimana
diperlukan penghitungan dengan cara seluruh
database sebanyak k-itemset terpanjang.
3. Tetapkan pola frekuensi tinggi. Pola frekuensi
tinggi yang memuat k item atau k-itemset
ditetapkan dari kandidat k-itemset yang
supportnya lebih besar dari minimum support.
4. Bila tidak didapat pola frekuensi tinggi baru maka
seluruh proses dihentikan. Bila tidak, maka k
ditambah satu dan kembali bagian 1.
3. Pembahasan
Proses pembentukan pola kombinasi
itemsets dan pembuatan rules dimulai dari analisis
data. Data yang digunakan adalah data transaksi
penjualan obat, kemudian dilanjutkan dengan
pembentukan pola kombinasi itemsets dan dari pola
kombinasi itemsets yang menarik terbentuk
association rules.
3.2.1 Analisis Data
Dengan studi kasus pada apotik rumah sakit
Estomihi Medan, dapat dilakukan analisa terhadap
data khusus data penjualan (data obat keluar) dengan
salah satu tujuan adalah untuk menemukan pola
kombinasi penjualan obat dan hubungan antar item
jenis obat didalam transaksi. Berikut ini adalah tabel
1 yaitu beberapa sampel data yang akan dijadikan
sampel untuk analisis dan juga untuk pengujian.

Tabel 1. Tabel Real Data Penjualan (Data Obat Keluar)
No

No Slip

1

2012.1.4087

Nama Obat
Ringer Lactate Larutan,Ceftriaxone Inj 1.0g, Metronidazole Inj 5mg/ml - 100ml,
Ranitidine Inj 25mg/ml – 2ml,Ketorolac 3% Inj 30 mg/ml

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

75

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

ISSN : 2301-9425

2

2012.1.502

3

2012.1.503

4

2012.1.504

5

2012.1.505

6

2012.1.506

7

2012.1.507

Ringer Lactate Larutan,Pitogin Inj 10 IU/ ml /sintosin,Metronidazole Inj 5mg/ml 100ml,Ceftriaxone Inj 1.0g,Ketorolac 3% Inj 30 mg/ml

8

2012.1.502

Ringer Lactate Larutan,Ceftriaxone
100ml,Ketorolac 3% Inj 30 mg/ml

9

2012.1.504

Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone Inj 1.0g,Ketorolac 3% Inj 30
mg/ml,Ringer Lactate Larutan

10

2012.1.505

Ceftriaxone Inj 1.0g,Metronidazole Inj 5mg/ml - 100ml,Ketorolac 3% Inj 30
mg/ml,Ringer Lactate Larutan

11

2012.1.506

Ringer Lactate Larutan,Ceftriaxone Inj 1.0g,Pitogin Inj 10
/sintosin,Metronidazole Inj 5mg/ml - 100ml,Ketorolac 3% Inj 30 mg/ml

12

2012.1.511

13

2012.1.2457

14

2012.1.4143

Ringer Lactate Larutan,Ceftriaxone Inj 1.0g,Metronidazole Inj 5mg/ml 100ml,Ketorolac 3% Inj 30 mg/ml
Ringer Lactate Larutan,Pitogin Inj 10 IU/ ml /sintosin,Infusion set dewasa/
makro,Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone Inj 1.0g,spuit 10 cc,Ketorolac
3% Inj 30 mg/ml,Spuit 3 cc
spuit 5 cc,Infusion set dewasa/ makro,Abocath 18,Ringer Lactate Larutan,Pitogin Inj
10 IU/ ml /sintosin,Spuit 3 cc,Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone Inj
1.0g,spuit 10 cc,Ketorolac 3% Inj 30 mg/ml,Spinocan 27 B Raun,Bupivacaine Spinal
Inj 5 mg/ml - 4ml/Decain,Ranitidine Inj 25mg/ml - 2ml,Ethiferan / MetocLopramide
Inj 5 mg/ml,Ephedrine Inj 50 mg/mL,Myo-Mergin Inj 200 mcg/mL,Tramadol Inj 100
mg/2 mL,Natrium klorida (NaCl) 500 ml,Glove size M / Handskun,masker
Infusion set dewasa/ makro,Abocath 18,Plester 5 yard x 2 inch,Ceftriaxone Inj
1.0g,spuit 10 cc,Metronidazole Inj 5mg/ml - 100ml,Ketorolac 3% Inj 30
mg/ml,Pitogin Inj 10 IU/ ml /sintosin,Spuit 3 cc, Ringer Lactate Larutan
Ringer Lactate Larutan,Ceftriaxone Inj 1.0g,spuit 10 cc,Metronidazole Inj 5mg/ml 100ml,Ketorolac 3% Inj 30 mg/ml,Spuit 3 cc
Ringer Lactate Larutan,Abocath 18,Infusion set dewasa/ makro

15

2012.1.4441

16

2012.1.4442

17

2011.1.1237

18

2011.1.1949

19

2011.1.1956

20

2012.1.395

21

2012.1.890

22

2012.1.2066

Ringer Lactate Larutan,Pitogin Inj 10 IU/ ml /sintosin,Ceftriaxone
1.0g,Metronidazole Inj 5mg/ml - 100ml,Ketorolac 3% Inj 30 mg/ml
Ringer Lactate Larutan,Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone
1.0g,Ketorolac 3% Inj 30 mg/ml
Ringer Lactate Larutan,Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone
1.0g,Ketorolac 3% Inj 30 mg/ml
Metronidazole Inj 5mg/ml - 100ml,Ceftriaxone Inj 1.0g,Ketorolac 3% Inj
mg/ml,Ringer Lactate Larutan

Inj
Inj
Inj
30

Ringer Lactate Larutan,Dexametason Inj 5mg/ml - 1ml

Inj

1.0g,Metronidazole

Inj

5mg/ml

IU/

-

ml

Abocath 18,Ringer Lactate Larutan,Infusion set dewasa/ makro,Cefotaxime Inj
1.0g,Ketorolac 3% Inj 30 mg/ml,Transamin
Abocath 18,Ringer Lactate Larutan,Infusion set dewasa/ makro,Lidocain
Kompositum Inj,Ketorolac 3% Inj 30 mg/ml,Cefotaxime Inj 1.0g
Ceftriaxone Inj 1.0g, Ringer Lactate Larutan
Ringer Lactate Larutan, Paracetamol 500 mg, Antasida Doen Syrup,Vitamin B
Compleks
Antasida Doen Syrup,Diaform 20 mg,- Metronidazole

Data diatas adalah bentuk transaksi data
penjualan (data obat keluar) real terdiri atas
attribute nomor slip dan nama obat.
Tahap dalam menganalisa data dengan
algoritma apriori pada penjualan (data obat keluar)
dimulai dengan menyeleksi dan membersihkan
data-data yang akan dianalisis, kemudian dicari
semua jenis item nama obat yang ada didalam list

transaksi penjualan, selanjut dicari jumlah setiap
item yang ada pada semua data transaksi penjualan
(data obat keluar). Pembentukan pola kombinasi
didasarkan pada nilai support minimal, Jika nilai
support minimal terpenuhi dan pola kombinasi
itemsets yang ada lebih dari pada satu pola
kombinasi, maka pola kombinasi itemsets yang
berikutnya bisa bentuk. Setelah selesai pembuatan

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

76

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

pola maka langkah selanjutnya pembentuk rules
association, rules yang akan dihasilkan dibentuk
dari pola kombinasi itemsets yang memenuhi
support minimal. Gambar 4 merupakan flowchart
algorima apriori sebagai berikut:

3.2.2 Analisa Pola Frekuensi Tinggi
Sebelum dilakukan pencarian pola dari
data transaksi terlebih dulu, dicari semua nama
jenis item obat yang ada didalam transaksi seperti
pada seperti pada tabel 4.2 sekaligus menentukan
support peritem jenis obat, dimana tahap ini
mencari kombinasi item yang memenuhi syarat
minimum dari nilai support dalam database,
nilai support sebuah item diperoleh dengan
rumus berikut:
Jumlaht _ transaksi _ yang _ mengandung _ A S

∑ Transaksi

Support ( A) =

edangkan nilai support dari dua item diperoleh
dengan rumus berikut:
Support (A, B) =P(A ∩ B)
Support ( A, B) =

∑ Transaksi _ yang _ mengandung _ A _ dan _ B
∑ Transaksi

Tabel berikut merupakan tabel semua jenis
item obat yang didalam transaksi penjualan (data
obat keluar), seperti pada tabel berikut ini:

Gambar 4. Flowchat Algoritma Apriori
Tabel 2 Keterangan Jenis Items Obat
Items

Support

Suppo
rt(%)

Metronidazole

1

4,55

Metronidazole Inj 5mg/ml – 100ml

15

68,18

Myo-Mergin Inj 200 mcg/mL

1

4,55

Natrium klorida (NaCl) 500 ml

1

4,55

Abocath 18

5

22,73

Antasida Doen Syrup
Bupivacaine Spinal Inj 5 mg/ml 4ml/Decain

2

9,09

1

4,55

Paracetamol 500 mg

1

4,55

Cefotaxime Inj 1.0g

2

9,09

Pitogin Inj 10 IU/ ml /sintosin

6

27,27

Ceftriaxone Inj 1.0g

16

72,73

Plester 5 yard x 2 inch

1

4,55

Dexametason Inj 5mg/ml - 1ml

1

4,55

Ranitidine Inj 25mg/ml - 2ml

2

9,09

Diaform 20 mg

1

4,55

Ringer Lactate Larutan

21

95,45

Ephedrine Inj 50 mg/mL
Ethiferan / MetocLopramide Inj 5
mg/ml

1

4,55

Spinocan 27 B Raun

1

4,55

1

4,55

spuit 10 cc

4

18,18

Glove size M / Handskun

1

4,55

Spuit 3 cc

4

18,18

Infusion set dewasa/ makro

6

27,27

spuit 5 cc

1

4,55

Ketorolac 3% Inj 30 mg/ml

17

77,27

Tramadol Inj 100 mg/2 mL

1

4,55

Lidocain Kompositum Inj

1

4,55

Transamin

1

4,55

Masker

1

4,55

Vitamin B Compleks

1

4,55

Data diatas menggambar bentuk data satu
item, yang terdiri atas attribute item sebagai nama
item jenis semua obat yang ada didalam transaksi,
support yaitu jumlah setiap item yang ada disemua
transaksi, sedangkan support (%) adalah presentasi
jumlah item yang ada didalam transkasi, yang

didapat dari jumlah item dibagi jumlah semua
transaksi di kali seratus persen. Tabel diatas
adalah item data yang memenuhi support minimal,
nilai support minimal sama dengan 22 persen (%).
Seperti yang terlihat pada tabel berikut ini:

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

77

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Tabel 3 Keterangan Jenis Items Obat yang
Memenuhi Support Minimal

Ketorolac 3% Inj 30 mg/ml

17

77,27

Metronidazole Inj 5mg/ml – 100ml

15

68,18

Items

Sup
port

Sup port(%)

Pitogin Inj 10 IU/ ml /sintosin

6

27,27

Abocath 18

5

22,73

Ringer Lactate Larutan

21

95,45

Ceftriaxone Inj 1.0g

16

72,73

Infusion set dewasa/ makro

6

27,27

3.2.3.
Pembentukan Pola Kombinasi Dua
Itemsets
Pembentukan pola frekuensi dua itemsets,
dibentuk dari items-items jenis obat yang

memenuhi support minimal yaitu dengan cara
mengkombinasi semua items kedalam pola dua
kombinasi, hasil pembentukan pola kombinasi dua
itemsets yang dibentuk dari tabel 4 berikut ini:

Tabel 4. Pola Kombinasi Dua Itemsets
Items

support

Support (%)

Abocath 18, Ceftriaxone Inj 1.0g

2

9,09

Abocath 18, Infusion set dewasa/ makro

5

22,73

Abocath 18, Ketorolac 3% Inj 30 mg/ml

4

18,18

Abocath 18, Metronidazole Inj 5mg/ml – 100ml

2

9,09

Abocath 18, Pitogin Inj 10 IU/ ml /sintosin

2

9,09

Abocath 18, Ringer Lactate Larutan

5

22,73

Ceftriaxone Inj 1.0g, Infusion set dewasa/ makro

3

13,64

Ceftriaxone Inj 1.0g, Ketorolac 3% Inj 30 mg/ml

15

68,18

Ceftriaxone Inj 1.0g, Metronidazole Inj 5mg/ml - 100ml

15

68,18

Ceftriaxone Inj 1.0g, Pitogin Inj 10 IU/ ml /sintosin

6

27,27

Ceftriaxone Inj 1.0g, Ringer Lactate Larutan

16

72,73

Infusion set dewasa/ makro, Ketorolac 3% Inj 30 mg/ml

5

22,73

Infusion set dewasa/ makro, Metronidazole Inj 5mg/ml - 100ml

3

13,64

Infusion set dewasa/ makro, Pitogin Inj 10 IU/ ml /sintosin

3

13,64

Infusion set dewasa/ makro, Ringer Lactate Larutan

6

27,27

Ketorolac 3% Inj 30 mg/ml, Metronidazole Inj 5mg/ml - 100ml

15

68,18

Ketorolac 3% Inj 30 mg/ml, Pitogin Inj 10 IU/ ml /sintosin

6

27,27

Ketorolac 3% Inj 30 mg/ml, Ringer Lactate Larutan

17

77,27

Metronidazole Inj 5mg/ml - 100ml, Pitogin Inj 10 IU/ ml /sintosin

6

27,27

Metronidazole Inj 5mg/ml - 100ml, Ringer Lactate Larutan

15

68,18

Pitogin Inj 10 IU/ ml /sintosin, Ringer Lactate Larutan

6

27,27

Data diatas merupakan kombinasi dua itemsets
yang merupakan hasil dari semua kombinasi semua
jenis items. Dengan menetapkan support minimal
sama dengan 22 persen (%), maka data yang
memenuhi support minimal adalah seperti pada
tabel 5 berikut ini:

Tabel 5 .Pola Kombinasi Dua Itemsets yang
Memenuhi Support Minimal

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

78

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Data diatas adalah pola kombinasi dua
itemsets yang memenuhi support minimal, terlihat
data kombinasi jenis obat Ketorolac 3% Inj 30
mg/ml dan Ringer Lactate Larutan, memiliki
support yang terbanyak, itu menandakan bahwa
pola kombinasi dua itemsets tersebut paling banyak
didalam transaksi.
3.2.4 Pembentukan Association Rules
Setelah semua pola frekuensi tinggi
ditemukan, baru dicari association rules yang
memenuhi syarat minimum confidence, dengan
menghitung confidence aturan asosiati A ke B.
Nilai confidence dari aturan A ke B diperoleh
dengan rumus:
Confidence = P( B | A) =

∑ Transaksi _ mengandung _ A _ dan _ B
∑ Transaksi _ yang _ mengandung _ A

hubungan antara satu item dengan item yang lain
dalam satu kombinasi disebut metode association
rules. Pembentukan association rules adalah
menganalisis pola frekuensi tinggi, tahap ini
mencari kombinasi yang memenuhi syarat
minimum dari support dalam database. Proses
aturan association rules, dikenal dengan istilah
mencari nilai confidence dan support, dimana
support adalah jumlah item-item yang berkombinasi
di dalam transaksi sedangankan confidence adalah
nilai yang mendefinisikan kuat tidaknya hubungan
antara item-item tersebut.
Sedangkan rumus untuk mendapat lift sebagai
berikut:

Lift =

Confidence
benchmark _ Confidence

Data tabel diatas merupakan tabel calon
aturan asosiasi dari pola kombinasi dengan empat
items, tabel diatas terdiri atas rules sebagai rules
dari kombinasi empat itemsets, lift sebagai nilai
tingkat kekuatan rules, support(itemsets) sebagai
nilai support antara ke keempat itemsets yang
berkombinasi, support sebagai nilai support item
yang mengandung antecedent. Dengan menetapkan
confidence minimal adalah 60 persen(%), maka
rules yang interesting yang dihasilkan seperti pada
tabel berikut ini:

Proses mencari jumlah kombinasi dan kuatnya
Tabel 6. Assosiation Rules yang Memenuhi Confidence Minimal
Rules

Jika dibeli Ceftriaxone Inj 1.0g : maka akan dibeli Ketorolac
3% Inj 30 mg/ml, Metronidazole Inj 5mg/ml - 100ml dan
Ringer Lactate Larutan
Association rules dari tabel diatas merupakan
aturan yang terbentuk dari pola kombinasi empat
item, tabel diatas terbagai atas beberapa bagian
rules adalah aturan yang dihasilkan dari pola
kombinasi empat itemsets, lift sebagai nilai tingkat
kekuatan rules, support adalah nilai support antara
ketiga items, sedangkan confidence adalah nilai

Rules

Lift

Support

1,37500

68.18

yang didapat dari support empat itemsets dibagi
oleh nilai support antecedent di kalikan seratus
persen.
Pembentukan aturan asosiasi berikutnya
dibentuk dari pola kombinasi lima itemsets tampak
pada
tabel
berikut
ini:

Tabel 7. Calon Association rules
Lift
Support
(itemsets)

Jika Pitogin Inj 10 IU/ ml /sintosin : maka akan
dibeli Ceftriaxone Inj 1.0g, Ketorolac 3% Inj 30
mg/ml, Metronidazole Inj 5mg/ml – 100ml dan
Ringer Lactate Larutan
Jika dibeli Metronidazole Inj 5mg/ml - 100ml:
maka akan dibeli Ceftriaxone Inj 1.0g ,
Ketorolac 3% Inj 30 mg/ml, Ringer Lactate

Confi
dence
(%)
93,75

1,46667

6

6

Confi
dence
(%)
100

1,46667

6

15

40

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

Support

79

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Larutan dan Pitogin Inj 10 IU/ ml /sintosin
Jika dibeli Ringer Lactate Larutan: maka akan
dibeli Ceftriaxone Inj 1.0g, Ketorolac 3% Inj 30
mg/ml, Metronidazole Inj 5mg/ml - 100ml dan
Pitogin Inj 10 IU/ ml /sintosin

1,04757

Data tabel diatas merupakan tabel calon association
rules dari pola kombinasi dengan lima itemsets,
tabel diatas terdiri atas rules sebagai rules dari pola
kombinasi lima itemsets, lift sebagai nilai tingkat
kekuatan rules, support(itemsets) sebagai nilai
support antara kelima items yang berkombinasi,

6

21

28,57

support sebagai nilai support item yang
mengandung antecedent. Dengan menetapkan nilai
confidence minimal sama dengan 60 persen(%),
maka rules yang interesting yang dihasilkan seperti
pada
tabel
berikut
ini:

Tabel 8. Association Rules yang Memenuhi Nilai Confidence Minimal
Rules

Jika dibeli Pitogin Inj 10 IU/ ml /sintosin : maka akan dibeli
Ceftriaxone Inj 1.0g, Ketorolac 3% Inj 30 mg/ml,
Metronidazole Inj 5mg/ml - 100ml dan Ringer Lactate
Larutan

Association rules dari tabel diatas merupakan
aturan yang terbentuk dari pola kombinasi lima
itemsets, tabel diatas terbagai atas beberapa bagian
yaitu rules sebagai aturan yang dihasilkan dari pola
kombinasi lima itemsets, lift sebagai nilai tingkat
kekuatan rules, support adalah nilai support antara
kelima itemsets, sedangkan confidence adalah nilai
yang didapat dari support lima itemsets dibagi oleh
nilai support antecedent di kalikan seratus persen.
3.3. Format Tabular Data Transaksi
Format tabular data adalah format data
dalam bentuk 1 dan 0 atau format data dalam
bentuk biner. Berhubungan dengan aplikasi yang
digunakan dalam pengujian adalah aplikasi yang

Lift

Support

1,46667

27,27

Confi
dence
(%)
100

menggunakan salah satu database Microsoft Exel
dengan data dalam bentuk tabular data, maka data
transaksi penjualan (data obat keluar), di konversi
ke dalam bentuk biner. Proses konversinya adalah
nomor slip dari data yang akan diuji dibuat dalam
bentuk horizontal kebawah, sedangkan semua jenis
items akan menjadi attribute berbentuk vertical,
sehingga membentuk seperti sebuah tabel,
berdasarkan data real penjualan (data obat keluar)
titik ketemu antara nama jenis obat dengan nomor
slip akan menjadi biner 1, sedangkan yang tidak
menjadi titik temu akan menjadi biner 0. Hasil
proses konversi data transaksi penjualan ke format
data dalam bentuk tabular data adalah seperti pada
tabel
berikut
ini:

Tabel 9. Data Dalam Bentuk Tabular Data

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

80

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

3.4. Pengujian Untuk Menghasilkan Rules
Setelah melakukan pengujian untuk
menghasilkan jenis items dan pola kombinasi,
mulai dari kombinasi dua items sampai dengan pola
kombinasi lima items, , dimana rules-rules tersebut
terbentuk dari pola kombinasi items pada pengujian
sebelumnya. Pengujian yang dilakukan pertama
adalah pengujian untuk menghasilkan rules-rules
yang terbentuk dari pola kombinasi dua items. .
Jendela Association rules adalah seperti pada
gambar 5 berikut:

ISSN : 2301-9425

Gambar 5. Jendela Association Rules
Paremeters
Setelah dilakukan penentuan nilai
parameters, maka rules-rules yang dihasilkan dari
parameters diatas adalah seperti pada gambar 6
berikut ini:

Gambar 6 : Pengujian Dengan Rules
Dari Pola Kombinasi Dua Itemsets
Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

81

ISSN : 2301-9425

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

Gambar 7. Pengujian Dengan Rules Dari Pola
Kombinasi Dua, Tiga, Empat dan Lima
Itemsets.
Rules diatas merupakan rules yang
dihasilkan dari pengujian dengan parematers sama
dengan support sama dengan 22 persen(%),
confidence sama dengan 60 (%), maksimal card
itemsets sama dengan 5 (lima) dan lift sama dengan
0. Dengan maksimal card itemsets sama dengan 5
(lima) maka rule yang terbentuk adalah berasal dari
pola kombinasi dua itemset sampai dengan pola
kombinasi lima itemsets jadi rule yang dihasilkan
bertambah menjadi sebanyak 128 rules. Rules
yang dihasilkan diatas ada didalam bentuk tabel
dengan attribute adalah antecedent sebagai kondisi
dari pada rules, consequent sebagai pernyataan dari
rules yang dihasilkan, lift sebagai tingkat kekuatan
rules, support sebagai nilai support items-items
yang ada didalam rules didalam bentuk kombinasi,
sedangkan confidence adalah nilai kekuatan antar
items yang ada didalam satu rules.
Dari beberapa rules yang dihasilkan dari pengujian
diatas yang paling tinggi nilai support dan
confidencenya adalah salah satunya dari rules, if
Ketorolac 3% Inj 30 mg/ml=true" - "Metronidazole
Inj 5mg/ml - 100ml=true" : maka "Ringer Lactate
Larutan=true", dimana supportnya sama dengan
68,182% dan confidencenya sama dengan 100%.
Berhubungan karena jumlah pola kombinasi
maksimal lima items, maka pengujian dengan
paremeters maksimal card itemset sama dengan
enam dan seterusnya tidak dapat dilakukan, jadi
rulesnya
4. Kesimpulan Dan Saran
4.1 Kesimpulan
Berdasarkan hasil analisis dengan
algoritma apriori dan pengujian dengan aplikasi
Tanagra maka penulis menarik sebuah kesimpulan,
dimana kesimpulan tersebut nanti dapat kiranya
berguna bagi pembaca, sehingga penulisan tesis ini
dapat lebih berguna dan bermanfaat. Adapun
kesimpulan-kesimpulan tersebut antara lain sebagai
berikut:

1. Dengan algoritma apriori dan pengujian dengan
aplikasi Tanagra menghasilkan pola kombinasi
itemsets dan rules sebagai ilmu pengetahuan
dan informasi penting dari data penjualan (data
obat keluar).
2. Teknik data mining denga algoritma apriori
dapat
diimplementasikan
pada
sistem
persediaan dengan data yang digunakan adalah
data penjualan (data obat keluar).
3. Hasil yang diperoleh dengan algoritma apriori
dan pengujian dengan aplikasi adalah salah
satunya, Pola kombinasi yang paling tinggi
supportnya adalah pola kombinasi Ketorolac
3% Inj 30 mg/ml, Ringer Lactate Larutan,
sedangkan pola kombinasi yang paling banyak
itemnya adalah kombinasi itemsets Ceftriaxone
Inj 1.0g, Ketorolac 3% Inj 30 mg/ml,
Metronidazole Inj 5mg/ml - 100ml, Ringer
Lactate Larutan dan Pitogin Inj 10 IU/ ml
/sintosin
4. Data mining dengan algoritma apriori memiliki
kelemahan karena harus melakukan scan
database setiap kali iterasi, sehingga waktu
bertambah setiap kali iterasi.
5. Banyaknya asosiasi antar data dan pola kombisi
dan rules yang makin akurat, didapat
berdasarkan volume data dan level confidence
dan support yang bervariasi.
4.2 Saran
Untuk kepentingan lebih lanjut dari
penulisan tesis ini maka penulis memberikan
beberapa saran sebagai berikut :
1. Disarankan dapat dikembangkan dengan
menambah volume data serta penggunaan level
confidence dan support yang bervariasi
sehingga diperoleh lebih banyak asosiasi antar
data.
2. Berdasarkan kelememahan data mining dengan
algoritma apriori yaitu membutuhkan waktu
yang lama, maka perlu menggunakan algoritma
FP ( frequent pattern) Growth. Dimana
algoritma
FP
Growth
merupakan
pengembangan dari algoritma apriori.
3. Perlu dilakukan perbandingan dengan algoritma
lain, untuk menguji serta mendapatkan
kesimpulan bahwa algoritma apriori berkinerja
baik untuk memproses dan menemukan pola
hubungan (asosiasi) antar item dari suatu basis
data data transaksi.

DAFTAR PUSTAKA

1.

Budi Santosa (2007). Data Mining, Teknik
Pemanfaatan Data Untuk Keperluan Bisnis.
Yogyakarta. Penerbit Graha Ilmu.10.

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

82

Pelita Informatika Budi Darma, Volume : IV, Nomor: 1, Agustus 2013

2.

Feri Sulianto dan Dominikus Juju (2010). Data
Mining, Meramalkan Bisnis Perusahaan.
Jakarta. Penerbit Elex Media Komputindo.1922.

3.

Kusrini dan Emha Taufig Luthfi (2009).
Algoritma Data Mining. Yogyakarta. Penerbit
Andi.3-12,

4.

Sani Susanto dan Dedy Suryadi (2010).
Pengantar Data Mining. Yogyakarta.
Penerbit Andi.97.

5.

Devi Dinda Setiawati (2009). Penggunaan
Metode Apriori Untuk Analisa Keranjang
Pasar Pada Data Transaksi Penjualan
Minimarket Menggunakan Java dan Mysql.

6.

Eko Wahyu Tyas D (2008). Penerapan
Metode Association Rules Menggunakan

ISSN : 2301-9425

Algoritma Apriori Untuk Analisa Pola Data
Hasil Tangkapan Ikan.
7.

M.Ikhsan, M. Dahria dan Sulindawaty (2011).
Penerapan Association Rules Dengan
Algoritma
Apriori
Pada
Proses
Pengelompokan Barang di Perusahaan
Retail.

8.

Dana Sulistiyo, Moch.Arief Bijaksana dan
Dhinta Darmantoro (2003). Data Mining
Dengan Algoritma Apriori pada RDBMS
ORACLE.

9.

Amiruddin, Ketut Eddy Purnama dan Mauridhi
Hery Purnomo (2007). Penerapan Association
Rules Mining Pada Data Nomor Unik
Pendidikan dan Tenaga Kependidikan
Untuk Menemukan Pola Sertifikasi Guru.

Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : 
Apotik Rumah Sakit Estomihi Medan).  Oleh : Efori Buulolo 

83