APLIKASI REKOMENDASI DOKTER UNTUK SALES OBAT PADA ANDROID MENGGUNAKAN METODE K-MEAN CLUSTERING DAN EUCLIDEAN DISTANCE
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
APLIKASI REKOMENDASI DOKTER UNTUK SALES
i
CLUSTERING DAN EUCLIDEAN DISTANCE
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika Oleh :
Unggul Prasetya 095314043
JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2013
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DOCTORE RECOMMENDED APPLICATIONS FOR ANDROID ON SALES OF DRUEG USING K-MEANS CLUSTERING AND EUCLIDEAN DISTANCE THESIS
ii
Presented as Partial Fullfilment of the Requirements To Obtain the Computer Bachelor Degree
In Informatics Engineering By:
Unggul Prasetya 095314043
INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2013
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
v
HALAMAN PERSEMBAHAN Teruslah mencoba meski selalu gagal.
Teruslah berusaha meski sering menjadi bahan olok-olok.
Teruslah belajar dari semua hal yang didapat Teruslah bertekun, fokus pada tujuan
Kesuksesan adalah pilihan Skripsi ini saya persembahkan untuk
Ayah dan Ibu dan keluarga tercinta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERNYATAAN KEASLIAN KARYA
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Aplikasi mobile sangat cocok untuk mendukung kerja marketing yang bersifat mobile atau selalu berpindah. Tenaga marketing selalu berpindah-pindah karena pembeli berada ditempat yang jauh dan berbeda. Salah satu tenaga penjual tersebut adalah sales obat kerena mereka selalu mengunjungi dokter di klinik atau rumah sakit tempat yang jauh dan berbeda.
Dalam menjalankan bisnis yang bersifat mobile, sales obat memerlukan informasi yang real time dan akurat. Hal ini dikemukakan oleh beberapa sales obat di sebuah rumah sakit swasta di Yogyakata, bahwa sales obat memerlukan aplikasi mobile yang mampu memberikan informasi secara real time dan akurat terkait dokter yang akan dikunjungi.
Aplikasi rekomendasi dokter dibangun untuk menyelesaikan permasalahan yang dialami marketing obat. Aplikasi ini dibangun menggunakan pendekatan k-
mean clustering dan Euclidean distance. Input yang dibutuhkan adalah profil
dokter yaitu rekaman rekomendasi obat untuk pasien , input profil sales yaitu obat-obat yang akan ditawarkan kepada dokter input obat ini didasarkan pada kandungan zat active dari obat tersebut.
Data dokter yang telah diinputkan akan diproses sehingga membentuk
custer dokter. Proses ini dilakukan karena diasumsikan bahwa dokter dengan
spesialis yang sama cenderung memberikan rekomendasi obat yang sama. Cluster dan profil sales yang diproses untuk mendapatkan cluster dokter jarak terdekat. Setelah didapat cluster dokter dengan jarak terdekat anggota cluster tersebut diurutkan berdasarkan jarak similarity dengan profil sales kemudian direkomendasikan.
Dengan menggunakan pendekatan tersebut aplikasi ini dapat menghasilkan informasi berupa rekomendasi dokter yang dapat dikunjungi oleh sales obat. Setelah dilakukan pengujian menghasilkan nilai precision 0.8 - 1 dan recall 0 - 7. Dapat disimpulkan bahwa Information retrival menggunakan pendekatan k-mean vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
dan Euclidean distance menghasilkan rekomendasi dokter yang sesuai dengan yang diharapkan sales obat.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Mobile application is suitableto support a mobile marketing work or always on the move. Marketing personnel are always moving because buyers are far away and different. One of the sales reps are drugs because they are always visit the doctor at the clinicor hospital where the distant an different.
In running a bussines that is mobile, require drug sales information real time and accurate. This was stated by some drug sales at a private hospital in Yogyakarta, that requires drug sales moble application that is able to provide information in real time and accurately related to doctors who would visit.
Applications of doctor’s recommendation was built to resolve problems experienced by marketing the drug. This application was built using k-mean clustering approach and Euclidean distance. The required input is the propfile of the recording physician medication recommendations for patients, input sales profile is drugs that will be offered to doctors drug input based on active substances of the drug.
Physicians who have entered the data will be processed to form cluster doctor. This process is done because it is assumed that the same physicians with specialists tend to give the same medication recommendation. Cluster and sales profiles are processed to obtain nearest cluster distances doctor. Once the cluster obtained with the doctor closest cluster members are sorted by the distance similarity with sales profile is then recommended.
By using the approach of these applications cangenerate information in the form of a doctor’s recommendation can be visited by drug sales. After testing produces precision value 0,8- 1 and recall 0-7. It can be concluded that the information retrival using k-mean approach and the ecuclidean distance produce a doctor’s recommendation in accordance with the expected drug sales. ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Puji syukur kepada Yesus Kristus yang telah memberikan karunia, rahmat, dan kesempatan, sehingga penulis dapat menyelesaikan skripsi dengan judul “Aplikasi Rekomendasi Dokter Untuk Sales Obat Pada Android Menggunakan Metode K-Mean Clustering Dan Euclidean Distance”. Penyusunan skripsi ini tidak lepas dari semua pihak yang turut memberikan dukungan, doa, semangat, dan bantuan yang sangat bermanfaat bagi penulis. Pada kesempatan ini penulis mengucapkan terima kasih sebesar besarnya kepada :
1. Tuhan Yesus yang selalu melindungi.
2. Bapak Puspaningtyas Sanjoyo Adi,S.T.,M.T., selaku dosen pembimbing yang senantiasa memberikan masukkan dan bantuan dalam membimbing penulis untuk menyelesaikan skripsi ini.
3. Sri Hartati Wijono, S.Si.,M.Kom , Ridowati Gunawan, S.Kom.,M.T. , Paulina Heruningsih Prima Rosa, S.Si., M.Sc , Bapak Puspaningtyas Sanjoyo Adi,S.T.,M.T. Beliau-beliau telah membantu saya dalam belajar sehingga saya dapat berkembang.
4. Segenap dosen Universitas Sana Dharma yang telah membantu memberikan bekal pengethauan kepada penulis.
5. Mamah CH.Supinah, S.Pd dan bapak Suradi, S.Pd yang selalu menyayangi ku dann tidak pernah berhenti semangat, doa, dan dukungan.
6. Kakak (Trisna Sundari,S.E dan AMZ Yuli Susandar, S.E ) yang telah memberikan semangat dan dukungan.
7. Bapak, Ibu dan keluarga besar Margareta Sri Pinilih yang dengan tulus memberikan perhatian, doa, dan dukungan. xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8. Audris Evan utomo,S.Kom dan seluruh sahabat TI yang tidak dapat penulis sebutkan atas kesediaannya dalam memberi masukkan, menemani, dan mendengarkan keluh kelas dari penulis.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
SKRIPSI ................................................................................................................... i THESIS ................................................................................................................... ii HALAMAN PERSEMBAHAN ............................................................................. v PERNYATAAN KEASLIAN KARYA ................................................................ vi ABSTRAK ............................................................................................................ vii
ABSTRACT
............................................................................................................. ix KATA PENGANTAR ........................................................................................... xi DAFTAR ISI ......................................................................................................... xv DAFTAR GAMBAR ............................................................................................ xx DAFTAR TABEL ................................................................................................ xxi DAFTAR GRAFIK ............................................................................................. xxii
BAB I PENDAHULUAN ...................................................................................... 1 A. Latar Belakang Masalah ........................................................................... 1 B. Rumusan Masalah ..................................................................................... 2 C. Tujuan Penelitian ...................................................................................... 2 D. Manfaat Penelitian .................................................................................... 2 E. Batasan Masalah ....................................................................................... 2 F. Metodologi Penelitian ............................................................................... 3 G. Sistematika Penulisan ............................................................................... 4 BAB II LANDASAN TEORI ................................................................................ 5 A. Sistem Rekomendasi ................................................................................. 5 B. Content Based Filtering ............................................................................ 5 C. Normalisasi ............................................................................................... 6 xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
D. Uclidean Distance ..................................................................................... 7
E. K-Mean ..................................................................................................... 7
1. Pengertian ............................................................................................. 7
2. Teknik Metode K-Mean........................................................................ 8
F. Pengujian sistem ....................................................................................... 9
G. Android ..................................................................................................... 9
1. Pengertian ............................................................................................. 9
2. Arsitektur Android .............................................................................. 10
Application
3. .......................................................................................... 10
4. Application Framework ...................................................................... 10
BAB III METODOLOGI PENELITIAN DAN ANALISIS SISTEM ................ 12 A. Pengumpulan Data dan Informasi ........................................................... 12
1. Wawancara.......................................................................................... 12
2. Pemerolehan Data ............................................................................... 12
B. Analisis Sistem........................................................................................ 13
C. Software Requirement Analysis .............................................................. 14
1. Analisis perangkat lunak yang dibutukan .......................................... 14
2. Analisis perangkat keras yang dibutuhkan ......................................... 14
3. Arsitektur Aplikasi .............................................................................. 14
4. Membuat Rekomendasi Dokter .......................................................... 15
D. Metode Pengujian Recall dan Precision ................................................. 30
1. Contoh Perhitungan Recall dan Precision .......................................... 30
BAB IV PERANCANGAN SISTEM DAN IMPLEMENTASI ......................... 32 A. Diagram Use case ................................................................................... 32 B. Diagram Sekenario.................................................................................. 33
1. Input Profile Sales ............................................................................... 33
2. Hapus Profil Item ................................................................................ 33
8. Tambah File ........................................................................................ 40
2. Cari Rekomendasi ............................................................................... 51
1. Saat Plikasi Dijalankan ....................................................................... 50
E. Diagram Sequence .................................................................................. 50
5. Diagram Kelas Detail.......................................................................... 44
4. Diagram Kelas (Web Admin) ............................................................ 43
3. Diagram Kelas (Aplikasi Android) ................................................... 43
2. Diagram Analisis Kelas (Model View Controler) .............................. 42
1. Struktur MVC Kelas Boundary, Contorl dan Entity.......................... 41
D. Diagram Model View Controler (MVC) ................................................ 41
10. Hapus File .................................................................................... 41
9. Edit Deskripsi File .............................................................................. 40
7. Merubah File List Dokter Yang Diakses ........................................... 39
3. Cari Rekomendasi ............................................................................... 33
6. Download File Rekomendasi Dokter .................................................. 39
5. Melihat Profil MedRep ....................................................................... 38
4. Hapus Item Profile .............................................................................. 38
3. Input Profile Sales ............................................................................... 37
2. Cari rekomendasi ................................................................................ 37
1. Saat Aplikasi Dijalankan .................................................................... 36
C. Diagram Aktivitas ................................................................................... 36
7. Management File Dokter ( Admin ) .................................................. 35
6. Login Admin ....................................................................................... 35
5. Manajemen File Dokter (Sales) ......................................................... 34
4. Melihat Profil Dokter .......................................................................... 34
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3. Input Profile Medrep ........................................................................... 52
4. Lihat Profile Sales ............................................................................... 53
5. Hapus Item Profile .............................................................................. 53
6. Download File Rekomendasi Dokter .................................................. 54
7. Merubah File List Dokter Yang Diakses ............................................ 54
8. Tambah File ........................................................................................ 55
9. Edit Deskripsi File .............................................................................. 55
10. Hapus File .................................................................................... 56
F. Model Penyimpanan Data ....................................................................... 56
G. Algoritma Method Dalam Kelas Yang Memuat Proses Custering dan Euclidean Similarity................................................................................ 59
1. RekomendasiDokterActivity.java ....................................................... 59
2. UpdateData(Strting): Boolean ............................................................ 64
3. Relasi_Kontroler.Java ......................................................................... 67
4. Similarity controller_avtivity.java ...................................................... 81
BAB V HASIL DAN PENGUJIAN ..................................................................... 90 A. Hasil Pengujian Sistem ........................................................................... 90
1. Item Query Yang Tersedia ................................................................. 90
B. Sampel profil .......................................................................................... 91
C. Perhitungan Recall Dan Precision ........................................................ 100
1. Tabel Relevansi Dokumen ................................................................ 100
2. Perhitungan Recall Dan Precision Setiap Query ............................. 101
3. Perhitungan Average Precision Terhadap 11 Titik Recall ............... 104
4. Kelemahan ........................................................................................ 106
BAB VI KESIMPULAN DAN SARAN ........................................................... 107 A. Kesimpulan ........................................................................................... 107
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
B. Saran ..................................................................................................... 107 Daftar Pustaka ..................................................................................................... 108
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 1. Proses dari clustering ............................................................................ 9 Gambar 2. Arsitektur Android .............................................................................. 10 Gambar 3. Arsitektur Sistem ................................................................................. 15 Gambar 4. Diagram Usecase ................................................................................. 32 Gambar 5. Diagram Aktivitas Saat Aplikasi dijalankan ....................................... 36 Gambar 6. Diagram Aktivitas saat Proses Cari Rekomendasi .............................. 37 Gambar 7. Diagram Aktivitas Input Profil Sales .................................................. 37 Gambar 8. Diagram Aktivitas Hapus Item Profile ................................................ 38 Gambar 9. Diagram Aktivitas Melihat Profil MedRep ........................................ 38 Gambar 10. Diagram Aktivitas Download File Dokter ........................................ 39 Gambar 11. Diagram Aktivitas Meribah file list dokter yang diakses .................. 39 Gambar 12. Diagram Aktivitas Tambah File ........................................................ 40 Gambar 13. Diagram Aktivitas Edit Deskripsi File .............................................. 40 Gambar 14. Diagram Aktivitas Hapus File ........................................................... 41 Gambar 15. Diagram Analisis Kelas ..................................................................... 42 Gambar 16. Diagram Kelas ................................................................................... 43 Gambar 17. Diagram Kelas (Web Admin) .......................................................... 43 Gambar 18. Diagram Sequence Saat Aplikasi Dijalankan................................... 50 Gambar 19. Diagaram Sequence Cari Rekomendasi .......................................... 51 Gambar 20. Diagram Sequence Input Profile Medrep .......................................... 52 Gambar 21. Diagram Sequence Lihat Profil Sales................................................ 53 Gambar 22. Diagram Sequence hapus Item Profile .............................................. 53 Gambar 23. Diagram Sequence Download File Rekomendasi Dokter ................. 54 Gambar 24. Diagram Sequence Merubah File ListDokter Yang Diakses ............ 54 Gambar 25. Diagram Sequence Tambah File ....................................................... 55 Gambar 26. Diagram Sequence Edit Deskripsi..................................................... 55 Gambar 27. Diagram Sequence Hapus File .......................................................... 56 xx
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 1. Contoh Data Rekomendasi Obat Dokter ................................................ 12 Tabel 2. Rekomendasi Obat ................................................................................. 16 Tabel 3. Hasil Penggabungan obat berdasarkan Generic ..................................... 17 Tabel 4. Normalisasi Bobot Generic ................................................................... 18 Tabel 5. Centroid Awal ........................................................................................ 20 Tabel 6. Iterasi Pertama........................................................................................ 20 Tabel 7. Anggota Cluster Iiterasi Pertama ........................................................... 22 Tabel 8. Centroid Kedua ...................................................................................... 24 Tabel 9. Iterasi Kedua .......................................................................................... 24 Tabel 10. Anggota Cluster Iterasi Kedua ............................................................. 25 Tabel 11. Centroid Ketiga .................................................................................... 26 Tabel 12. Iterasi Ketiga ........................................................................................ 26 Tabel 13. Pusat cluster ......................................................................................... 28 Tabel 14. Contoh Profil Pengguna (Query) ......................................................... 28 Tabel 15. Jarak Query Dengan Cluster (contoh) .................................................. 29 Tabel 16 Anggota dari cluster yang terdekat ....................................................... 29 Tabel 17. Pengurutan Dokter Berdasarkan Jarak Similarity ................................ 30 Tabel 18 Tabel Relevansi Hasil Pencarian........................................................... 30 Tabel 19 Perhitungan Recal Dan Precission (contoh).......................................... 31 Tabel 20 Perhitungan Averge Precision (contoh) ................................................ 31 Tabel 21. Item Query Yang Tersedia ................................................................... 90 Tabel 22. Sampel Query Yang Digunakan Untuk Pengujian .............................. 91 Tabel 23. Relevansi Dokumen ........................................................................... 100 Tabel 24. Menghitung Recall dan Precision ...................................................... 101 Tabel 25. Average Precision Terhadap 11 Titik Recall .................................... 104 xxi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Grafik 1. Contoh Recall Precision ........................................................................ 31 Grafik.2 Diagram Average Precision 11 Titik Recall ......................................... 106 xxii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I PENDAHULUAN A. Latar Belakang Masalah Saat ini aplikasi mobile terus berkembang dengan pesat seiring
meningkatnya penjualan smartphone. Seperti yang dikemukakan Junifer Network
Inc dalam penelitiannya pada triwulan kedua tahun 2012, angka penjualan
Samsung mampu meraih meraih total pengiriman 52 juta unit, iPhone 26 juta unit , Nokia 10.2 juta unit, dan RIM 7.4 juta unit [www.teknoup.com, 2012]. Perusahaan pengembang software terus mengembangkan aplikasi mobile untuk menarik minat konsumen. Perusahaan pengembang software mengedepankan inovasi-inovasi baru untuk pemerolehan informasi dibidang bisnis dan hiburan. Seperti yang dikemukakan Presiden SAP Asia Tenggara “SAP akan menekankan solusi bisnis dengan meluncurkan SAP mobility" [Okezone.com, 2012].
Aplikasi mobile sangat cocok untuk mendukung kerja marketing yang bersifat mobile atau selalu berpindah. Tenaga marketing selalu berpindah-pindah karena pembeli berada ditempat yang jauh dan berbeda. Salah satu tenaga penjual tersebut adalah sales obat kerena mereka selu mengunjungi dokter di klinik atau rumah sakit tempat yang jauh dan berbeda.
Dalam menjalankan bisnis yang bersifat mobile, sales obat memerlukan informasi yang real time dan akurat. Hal ini dikemukakan oleh beberapa sales obat di sebuah rumah sakit swasta di Yogyakata, bahwa sales obat memerlukan aplikasi mobile yang mampu memberikan informasi secara real time dan akurat terkait dokter yang akan dikunjungi.
Penelitian ini mencoba untuk menyelesaikan permasalahan sales obat dengan pendekatan data mining dan information retrival. Metode data mining dan
information retrival ini akan diterapkan dalam aplikasi moible. Dengan demikian
diharpkan dengan pendekatan ini dapat menghasilkan rekomendasi dokter yang akurat dan real time.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
B. Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah penelitin ini adalah:
1. Bagaimana membuat rekomendasi dokter yang akan dikunjungi oleh sales obat?
2. Mengukur sejauh mana informasi rekomendasi dokter yang dihasilkan aplikasi dengan pendekatan k-mean clustering dan eculidean distance dapat memberikan informasi yang akurat.
C. Tujuan Penelitian
Penelitian ini bertujuan untuk mengetahui, sejauh mana rekomendasi dokter yang dihasilkan dari pendekatan k-mean clustering dan eculidean distance dapat memberikan informasi yang akurat.
D. Manfaat Penelitian
1. Penelitian ini diharapkan dapat menjadi bahan rujukan bagi penelitian sejenis daalam ranah information retrival dan data mining. 2. memberikan sebuah analisa yang dapat memberikan rekomendasi dokter yang tepat untuk dikunjungi.
3. Manfaat dari hasil penelitian diharapkan dapat membantu sales obat dalam pemasaran produk sehingga lebih efisien dan tepat sasaran .
E. Batasan Masalah
Adapun batasan-batasan masalah dalam penulisan tugas akhir ini adalah sebagai berikut :
1. Dalam penelitian ini metode clustering dan Euclidean similarity akan diimplementasikan dalam aplikasi rekomendasi dokter untuk sales berbasis mobile.
2. Aplikasi dibangun menggunakan bahasa pemrograman java untuk android
3. Aplikasi akan berjalan minimal pada sistem operasi Android 2.3 4. Perangkat yang digunakan adalah samsung galaxy mini 2.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5. Untuk melakukan pencarian dokter yang bisa dikunjungi, peneliti menggunakan metode Euclidean Distance untuk mengukur jarak profil dokter berupa rekomendasi obat(generic) dengan profil sales obat berupa list dari obat(generic).
6. Peneliti menggunakan algoritma K-Mean untuk mengelompokan data dokter yang memiliki kemiripan pola rekomendasi obat.
7. Hasil pencarian dokter akan hitung tingkat akurasinya menggunakan perhitungan information retrival dengan Recall dan Precision.
8. Karena sulitnya mendapatkan data rekomendasi dokter peneliti hanya akan menggunakan rekomendasi dari 67 dokter di Yogyakarta.
9. Banyaknya jenis obat yang direkomendasikan oleh dokter maka peneliti hanya akan menggunakan rekomendasi obat cari/injeksi sebanyk 109 merek.
10. Demi menjaga kode etik dokter dan rumah sakit maka dalam penelitian ini nama rumah sakit dan nama dokter akan disamarkan.
11. Aplikasi yang dibuat hanya untuk pentingan penelitian tidak untuk dikomersilkan.
F. Metodologi Penelitian
Langkah-langkah yang digunkan dalam penelitian ini adalah:
1. Referensi (Literatur) Pengumpulan informasi dengan cara membaca buku , jurnal dan mencari informasi di internet dan wawancara langsung pada sales obat untuk menunjang latarbelakang dalam pembuatan tugas akhir.
2. Pembuatan perangkat lunak.
Peneliti memfokuskan pada proses pemerolehan informasi agar informasi yang didapatkan menjawab masalah yang ada.
3. Pengujian unjuk kerja.
Pengujian ini dilakukan secara manual dengan mengukur tingkat presisi dari hasil pencarian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
G. Sistematika Penulisan
Secara umum dalam penelitian ini, sistematika penulisan yang akan digunakan adalah sebagai berikut :
BAB I : PENDAHULUAN Bab ini membahas latar belakang masalah, rumusan masalah, tujuan penelitian, batasan masalah, metodologi penelitian, dan sistematika penulisan. BAB II : LANDASAN TEORI Bab ini membahas teori-teori yang digunakan dalam pembuatan sistem. BAB III : METODELOGI PENELITIAN DAN ANALISIS SISTEM Bab ini membahas bagaimana data diperoleh dan diproses menggunakan metode tertentu. Bab ini juga akan membahas analisis sistem yang akan dibuat secara umum
BAB IV : PERANCANGAN SISTEM DAN IMPLEMENTASI SISTEM Bab ini membahas implementasi dalam bentuk aplikasi berdasarkan analisa dan perancangan yang telah dilakukan. BAB V : HASIL DAN PENGUJIAN Bab ini membahas analisa hasil implementasi dan pengujian sistem. BAB VI : KESIMPULAN DAN SARAN Bab ini membahas kesimpulan dan saran dari hasil analisa sistem, implementasi sistem dan pengujian.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II LANDASAN TEORI A. Sistem Rekomendasi Sistem Rekomendasi atau disebut juga Recommender system merupakan
sebuah sistem yang memberikan satu atau lebih informasi yang dibutuhkan untuk menentukan pilihan. Nilai dari Recommender system terletak pada kemampuannya untuk mencocokkan dua hal yaitu bagian yang memproses data untuk menghasilkan informasi-informasi yang dibutuhkan sebagai pertimbangan untuk menentukan pilihan [Burke, 2007].
Tugas inti dari recommender system adalah untuk memprediksikan evaluasi subyektif yang akan diberikan pengguna terhadap item. Prediksi ini dihitung menggunakan sejumlah model prediktif yang memiliki karakteristik umum, yaitu mengeksploitasi evaluasi atau penilaian yang diberikan oleh pengguna untuk transaksi yang sebelumnya. [Burke, 2007].
Recommender system telah diklasifikasikan ke dalam empat kategori utama
collaborative-based, content-based, knowledge-based, hybrid [Burke, 2007].
Sistem dengan pendekatan content-based hanya menggunakan preferensi dari pengguna saat ini, memprediksi peringkat untuk item yang tak terlihat berdasarkan seberapa banyak deskripsinya atau isinya mirip dengan pengguna [Pazzani dan Billsus, 2007].
B. Content Based Filtering
Satu aspek yang membedakan antara information filtering dan information
retrieval
adalah mengenai kepentingan pengguna. Pada information retrival pengguna menggunakan ad-hoc queries, sedangkan pada information filtering pengguna sudah mempunyai profil yang merepresentasikan kepentingan jangka panjang, dan sistem mencoba memberikan kepada setiap pengguna item yang relevan [Dai dan Mobasher, 2001].
5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Berdasarkan pada ukuran kesamaan antara masing-masing profil, sistem memilih dan membuat peringkat pada item yang relevan, kemudian diberikan kepada pengguna. Terdapat dua pendekatan pada information filtering, yaitu collaborative filtering dan content-based filtering [Dai dan Mobasher, 2001].
Keuntungan dari pendekatan content-based filtering adalah pengguna mendapatkan wawasan tentang mengapa suatu item dianggap relevan untuk pengguna, karena konten di setiap itemnya diketahui dari representasinya. Namun pendekatan ini juga mempunyai kelemahan, misalnya kenyataan bahwa pendekatan ini berfokus pada kemiripan kata kunci. Pendekatan ini tidak mampu menangkap hubungan yang lebih kompleks pada level semantik yang lebih dalam, berdasarkan pada berbagai jenis atribut yang berhubungan dengan obyek terstruktur dari teks [Dai dan Mobasher, 2001].
Kesamaan antara representasi dari pengguna dan representasi dari item akan didasarkan pada prinsip kedekatan. Perinsip kedekatan ini menyatakan bahwa jarak dari dua deskripsi item secara langsung berkaitan dengan kesamaan mereka [Knappe, 2005].
C. Normalisasi
Faktor normalisasi digunakan untuk menormalkan vektor dokumen sehingga proses retrieval tidak terpengaruh oleh panjang dari dokumen. Normalisasi ini diperlukan karena dokumen panjang biasanya mengandung perulangan term yang sama sehingga menaikkan frekuensi term (tf).
Dokumen panjang juga mengandung banyak term yang berbeda sehingga menaikkan ukuran kemiripan antara query dengan dokumen tersebut, meningkatkan peluang di-retrievenya dokumen yang lebih panjang. Beberapa pendekatan normalisasi adalah normalisasi cosinus, penjumlahan bobot, normalisasi ke- 4, normalisasi bobot maksimal dan normalisasi pivoted unique . Dalam penelitian ini akan digunakan normalisasi bobot maksimal [Husni, 2010]. ij
Normalisasi bobot maksimal suatu term i di dalam dokumen j (tf ) dapat didefinisikan sebagai berikut:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
tf ntf = Max tf
Diketahui:
- Tf merupakan frekuensi dari istilah k dalam dokumen i.
ik
- n adalah jumlah dokumen dalam kumpulan dokumen.
- Max tf adalah frekuensi istilah terbesar pada satu dokumen.
j ik
D. Uclidean Distance
Dalam matematika, euclidean distance atau adalah jarak antara dua titik dapat diukur menggunakan formula pytagoras. Euclidean sering disebut dengan vector obyek geometri yang memiliki panjang (magnitude) dan arah (direction). Sedangkan ruang vektor adalah sebuah struktur matematika yang dibentuk oleh sekumpulan vektor. Vektor-vektor tersebut dapat ditambahkan, dikalikan dengan bilangan real dan lain-lain. [Sandi, 2010].
Berikut merupakan penyelesaian dalam menghitung jarak antara vektor A dan vektor B. Panjang vektor A dan B dapat didefinisikan sebagai berikut: Dengan demikian, untuk menghitung jarak antara kedua vektor tersebut menggunakan persamaan sebagai berikut :
E. K-Mean
1. Pengertian
Jika diberikan sekumpulan data X = {x1, x2, …, xn} dimana xi = (xi1, xi2, …, xin) adalah vector dalam ruang real Rn, maka algoritma k-means akan mempartisi X dalam k buah cluster. Setiap cluster memiliki centroid (titik
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
tengah) atau mean dari data-data dalam cluster tersebut. Pada tahap awal, algoritma k-means memilih secara acak k buah data sebagai centroid. Kemudian, jarak antara data dan centroid dihitung menggunakan Euclidian
distance . Data ditempatkan dalam cluster yang terdekat, dihitung dari titik
tengah cluster. Centroid baru akan ditentukan bila semua data telah ditempatkan dalam cluster terdekat. Proses penentuan centroid dan penempatan data dalam cluster diulangi sampai nilai centroid konvergen (centroid dari semua cluster tidak berubah lagi) [Munzir dan Taufik , 2009].
2. Teknik Metode K-Mean
K -means memilih secara acak k buah data sebagai centroid. Kemudian
menempatkan data dalam cluster yang terdekat, dihitung dari titik tengah cluster (centroid). Centroid baru akan ditentukan bila semua data telah ditempatkan dalam cluster terdekat. Proses penentuan centroid dan nempatan data dalam cluster diulangi sampai nilai centroid konvergen. Gambar 1 memperlihatkan cara kerja k-means dan algoritma 1 memperlihatkan langkah- langkah proses k-means [Munzir dan Taufik , 2009].
Algoritma 1 Proses K-Means Input: vektor dokumen D, k Output: k cluster dokumen
1. Pilih secara acak k vektor sebagai centroid 2. repeat 3. tempatkan data (vektor) dalam cluster atau centroid terdekat 4. hitung centroid baru dari cluster yang terbentuk 5. until centroid tidak berubah lagi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
Gambar 1. Proses dari clustering
F. Pengujian sistem
Sistem IR mengembalikan sekumpulan dokumen sebagai jawaban dari
query pengguna. Terdapat dua kategori dokumen yang dihasilkan oleh sistem IR
terkait pemrosesan query, yaitu relevant documents (dokumen yang relevan dengan query) dan retrieved documents (dokumen yang diterima pengguna). Ukuran umum yang digunakan untuk mengukur kualitas dari text retrieval adalah kombinasi precision dan recall.
Presisi mengevaluasi kemampuan sistem IR untuk menemukan kembali dokumen top-ranked yang paling relevan, dan didefinisikan sebagai persentase dokumen yang diretrieve yang benar-benar relevan terhadap query pengguna. [Husni , 2010].
Precision =|relevant ∩ retrieved| / |retrieved
Recall mengevaluasi kemampuan sistem IR untuk menemukan semua item
yang relevan dari dalam koleksi dokumen dan didefinisikan sebagai persentase dokumen yang relevan terhadap query pengguna dan yang diterima. [Husni , 2010] .
Recall = |relevant ∩ retrieved| / |relevant|
G. Android
1. Pengertian
Android merupakan sistem operasi yang dikembangkan untuk perangkat mobile berbasis Linux.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2. Arsitektur Android
Sistem operasi Android dibangun berdasarkan kernel Linux dan memiliki arsitektur seperti Gambar 2 berikut di bawah ini.
Gambar 2. Arsitektur Android
3. Application
Lapisan ini adalah lapisan aplikasi, serangkaian aplikasi akan terdapat pada perangkat mobile. Aplikasi inti yang telah terdapat pada Android termasuk kalender, kontak, SMS, dan lain sebagainya.Aplikasi-aplikasi ini ditulis dengan bahasa pemrograman Java.
4. Application Framework
Pengembangan aplikasi memiliki akses penuh ke Android sama dengan aplikasi inti yang telah tersedia. Pengembang dapat dengan mudah mengakses informasi lokasi, mengatur alarm, menambahkan pemberitahuan ke status bar dan lain sebagainya. Arsitektur aplikasi ini dirancang untuk menyederhanakan penggunaan kembali komponen, aplikasi apa pun dapat memubikasikan kemampuan dan aplikasi lain dapat menggunakan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
kemampuan mereka sesuai batasan keamanan. Dasar dari aplikasi adalah seperangkat layanan dan sistem, yaitu berbagai View yang digunakan untuk membangun UI, Content Provider yang memungkinkan aplikasi berbagi data,
ResourceManager menyediakan akses bukan kode sperti grafik, string, dan
layout NotificationManager yang akan membuat aplikasi dapat menampilkan tanda pada status bar dan ActivityManager yang berfungsi mengatur daur hidup dari aplikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III METODOLOGI PENELITIAN DAN ANALISIS SISTEM A. Pengumpulan Data dan Informasi
1. Wawancara
Wawancara dilakukan untuk mengetahui kebutuhan kongkrit yang dialami sales obat. Peneliti menemukan masalah yaitu sales obat membutuhkan informasi rekomendasi dokter yang akurat dan bersifat real
time . Rekomendasi yang dibutuhkan adalah rekomendasi memuat informasi terkait dokter-dokter yang memiliki kesamaan profil dengan sales.
2. Pemerolehan Data
Peneliti menggunakan rekomendasi obat dari seluruh dokter disebuah rumah sakit swasta di Yogyakarta. Data tersebut yang memuat nama dokter, spesialis dan merek obat-obat yang pernah direkomendasikan oleh dokter itu. Data dokter tersebut akan diproses untuk mencari dokter-dokter yang memiliki kemiripan profil dengan sales. Data tersebut digambarkan pada Tabel 1 berikut di bawah ini. No Dokter Spesialis Dypi Dipyr Ceft Ceft Ephed Fent Dexk dex diaz cefu Tabel 1. Contoh Data Rekomendasi Obat Dokter rone one riaxo riaxo rine anyl etopr med epa roxi ne ne hydroh ofan etom m me loride idine
Nov Antra Terf Biox Epheri Fent Kete Prec Vali Anb algi in acef on n anyl se edex um acy m
1. KS Anak
14
68
74
2. AP Bedah
5
20
9
3. NA Jantung
4
4. AD Jantung
2
5. DN Kandun
4 gan
6. BP Anak
2
7. WR THT
3
7
18
12
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8. AW THT
4 Keterangan : Nama Dokter : KS , AP , NA , AD , DN , BP , WR , AW (untuk menjaga kode etik nama dokter disamarkan) .
Merek Obat : Novalgin , Novalgin , Terfacef , Bioxon , Ephedrin , Fentanyl , Ketese , Precedex ,Valium Anbacym.
Kandungan zat dalam obat (Generic) : dipyrone, ceftriaxone, ephedrine
hydrochloride theophylline anhydrous, fentanyl, dexketoprofen, + dexmedetomidine hydrochloride, diazepam, cefuroxime.
B. Analisis Sistem
Analisis sistem adalah sebuah teknik pemecahan masalah yang memecah- mecah sebuah sistem menjadi komponen-komponen untuk mengetahui bagaimana komponen-komponen tersebut bekerja dan berinteraksi untuk mencapai tujuannya [Whitten, 2004]. Dengan demikian alalisis sistem harus dilakukan agar software yang dihasilkan dapat menyelesaikan masalah yang ada.
Aplikasi ini akan menghasilkan rekomendasi dokter untuk sales obat. Rekomendasi dokter akan dibuat menggunakan pendekatan K-mean Clustering dan Euclidean Similarity. K-mean Clustering digunakan untuk mengelompokan data dokter, diasumsikan dokter dengan spesialis yang sama menawarkan obat yang sama. Euclidean Similarity digunakan untuk mengukur kemiripan profil pengguna dengan profil dokter dalam cluster yang terdekat.