122 1 10 20180521 ##common.downloadPdf##
Jurnal Manajemen Informatika dan Teknik Komputer
Volume 3, Nomor 1, April 2018
ANALISA POLA SISTEM PENGADAAN ALAT KESEHATAN DENGAN
ALGORITMA FP-GROWTH
(STUDI KASUS DINAS KESEHATAN KOTA MEDAN)
Zulham1, Ulya Ilhami Arsyah2
1
Manajemen Informatika, Universitas Dharmawangsa
2
Manajemen Informatika, AMIK Royal
e-mail: zulham@dharmawangsa.ac.id, ulyailhamiarsyah@amikroyal.ac.id
Abstrak
Perkembangan dunia teknologi saat ini menuntut peneliti untuk menemukan strategi pengadaan yang
efesien dan efektif. Adapun strategi tersebut dilakukan untuk meningkatkan keakuratan dalam proses
pengadaannya yaitu Data Mining. Tehnik yang digunakan dalam strategi ini adalah Algoritma FP-Growth.
FP-Gowth adalah tehnik yang dapat menentukan himpunan data yang paling sering muncul (Frequent
Itemset) dalam sekumpulan data. FP-Growth merupakan pengembangan dari tehnik Apriori yang mana
menggunakan konsep pembangunan tree dalam mencari Frequent Itemset. Penelitian ini mengamati beberapa
variabel, yaitu, Nomor Pengadaan, Periode, Nama Alat Kesehatan, Kategori, Jumlah, Satuan. Hasil penelitian
ini nantinya dapat digunakan untuk keperluan institusi dalam proses pengadaan. Disamping itu dihasilkan
perangkat lunak untuk menunjang kinerja institusi tersebut sehingga hasil bisa lebih efektif.
Kata Kunci : Data Mining, Association Rules, Frequent Itemset, FP-Growth.
1. PENDAHULUAN
Perkembangan teknologi saat ini yang semakin
maju dalam segala bidang menuntut manusia
untuk menemukan suatu strategi yang dapat
meningkatkan kinerja dan kualitas dalam hal
apapun. Di suatu pemerintahan yang banyak
bersentuhan langsung dengan masyarakat dituntut
untuk bisa bekerja lebih efesien agar hasil yang
diraih
bisa
langsung
dirasakan
oleh
masyarakatnya.
Saat ini Dinas Kesehatan Kota Medan yang
merupakan pusat distribusi kebutuhan alat-alat
kesehatan yang dibutuhkan oleh seluruh
Puskesmas (Pusat Kesehatan Masyarakat) yang
berada di wilayah tersebut. Untuk itu
pendistribusian dan pengadaan alat-alat kesehatan
itu sangat berpengaruh kepada pelayanan
asyarakat sehingga hasil yang diraih bisa maksimal
sesuai dengan harapan masyarakat. Untuk
memaksimalkan pengadaan alat-alat kesehatan
tersebut agar tidak terjadi kekurangan memenuhi
kebutuhan perlu diadakan analisa sehingga
permasalahan tersebut tidak terjadi.
Analisa pengadaan alat-alat kesehatan ini
menggunakan Algoritma FP-Growth, dimana
memiliki kemampuan menambang frequent
Pattern (pola yang sering muncul dalam kumpulan
data) dengan efesien. Berdasarkan latar belakang
di atas maka dilakukanlah penelitian dengan judul
“Analisa Pola Sistem Pengadaan Alat-alat
Kesehatan Dengan Algoritma FP-Growth (Studi
Kasus Dinas Kesehatan Kota Medan)”.
2. KAJIAN
LITERATUR
PEGEMBANGAN HIPOTESIS
DAN
2.1 Knowledge Discovery in Database (KDD)
Fayyad dan Dunham dalam (Azhari & Anshori,
2009) mengatakan Knowledge Discovery in
Databases (KDD) untuk menunjuk pada
keseluruhan proses pencarian pengetahuan dalam
kumpulan data jumlah besar.
2.2 Data Mining
Menurut Turban dalam (Gunadi dan Sensuse,
2012) Data Mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan di dalam basis data. Data Mining
adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine
learning
untuk
mengekstraksi
dan
mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai basis data
besar. Menurut Azhari & Anshori, (2009) Data
Mining adalah eksplorasi dan analisis terhadap
sejumlah data dengan tujuan untuk menemukan
pola dan aturan yang sangat penting.
Menurut Siregar, (2014) Data Mining
merupakan suatu proses pendukung pengambil
keputusan dimana kita mencari pola informasi
dalam data.
2.3 Association Rules
Menurut Wandi, et al (2012) Association rule
merupakan salah satu metode yang bertujuan
mencari pola yang sering muncul di antara banyak
transaksi, dimana setiap transaksi terdiri dari
beberapa item, sehingga metode ini akan
mendukung sistem rekomendasi peminjaman
buku yang akan di pinjam oleh pengguna melalui
penemuan pola antar item dalam transaksi transaksi yang terjadi di Bapersip.
40
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
2.4 Algoritma FP-Growth
Gunadi (2012) mengatakan FP-Growth adalah
salah satu alternatif algoritma yang dapat
digunakan untuk menentukan himpunan data yang
paling sering muncul (frequent itemset) dalam
sebuah kumpulan data.
Menurut Ruldeviani, et al (2008) Algoritma
FP-Growth merepresentasikan transaksi dengan
menggunakan struktur data FP-Tree.
Melaini, (2015) Algoritma FP-Growth
merupakan pengembangann dari algoritma
Apriori.
Karakteristik algoritma FP-Growth adalah
struktur data yang digunakan adalah tree yang
disebut dengan FP-Tree. Dengan menggunakan
FP-Tree, algoritma FP- Growth dapat langsung
mengekstrak frequent Itemset dari FP-Tree.
Penggalian itemset yang frequent dengan
menggunakan algoritma FP-Growth akan
dilakukan dengan cara membangkitkan struktur
data tree atau disebut dengan FP- Tree. Metode FPGrowth dapat dibagi menjadi 3 tahapan utama
yaitu sebagai:
1. Tahap pembangkitan conditional pattern base,
2. Tahap pembangkitan conditional FP-Tree, dan
3. Tahap pencarian frequent itemset (Meilani, et
al 2015).
2.4.1 FP-Tree
Menurut Melaini, (2015) FP-Tree merupakan
struktur penyimpanan data yang dimanfaatkan.
FP-Tree dibangun dengan memetakan setiap data
transaksi ke dalam setiap lintasan tertentu dalam
FP-Tree. Karena dalam setiap transaksi yang
dipetakan, mungkin ada transaksi yang memiliki
item yang sama, maka lintasannya memungkinkan
untuk saling menimpa. Semakin banyak data
transaksi yang memiliki item yang sama, maka
proses pemampatan dengan struktur data FP-Tree
semakin efektif.
Adapun FP- Tree adalah sebuah pohon dengan
definisi sebagai berikut:
1. FP-Tree dibentuk oleh sebuah akar yang diberi
label
null,
sekumpulan
sub-tree
yang
beranggotakan item-item tertentu, dan sebuah
tabel frequent header.
2. Setiap simpul dalam FP-Tree mengandung tiga
informasi
penting,
yaitu
label
item,
menginformasikan
jenis
item
yang
direpresentasikan simpul tersebut, support count,
merepresentasikan jumlah lintasan transaksi yang
melalui simpul tersebut, dan pointer penghubung
yang menghubungkan simpul-simpul dengan label
item sama antar-lintasan, ditandai dengan garis
panah putus-putus.
Gambar 2.4.1 Contoh FP-Tree dan Tabel
Header
1. METODOLOGI PENELITIAN
Sebelum melakukan penelitian diperlukan
suatu metode ilmiah atau kaidah- kaidah yang
sesuai dan telah ditetapkan. Hal ini bertujuan agar
hasil yang diperoleh dari penelitian tersebut
mendapatkan hasil yang maksimal. Metodologi
penelitian ini memuat tentang kerangka kerja
penelitian yang akan dijalankan.
Adapun metodologi
penelitian
ini
akan
digunakan untuk mengidentifikasi permasalahan
yang ditemukan, kemudian membuat analisa
dari
permasalahan tersebut sehingga akan
mendapatkan solusi terbaik dari masalah ataupun
penyelesaian masalah. Dalam penelitian ini
diperlukan suatu penyelesaian permasalahan
dalam melakukan pengadaan alat – alat kesehatan
yang nantinya akan didistribusikan ke Puskesmas
yang ada di Kota Medan, sehingga pendistribusian
alat – alat kesehatan tersebut bisa lebih efektif dan
tepat sasaran dibandingkan dari sebelum sebelumnya.
3.1 KERANGKA KERJA
Dalam metodologi penelitian ada urutan
kerangka kerja yang harus diikuti, urutan kerangka
kerja ini adalah gambaran dari langkah–langkah
yang harus dilalui agar penelitian ini bisa berjalan
dengan baik serta sesuai yang diharapkan.
Kerangka kerja yang harus
diikuti bisa dilihat pada gambar 3.1.
Gambar 3.1 Kerangka Kerja
41
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
Berdasarkan Gambar 3.1 di atas dijabarkan
urutan kerangka kerja sebagai berikut :
1. Mengidentifikasi dan Merumuskan Masalah.
Sebagaimana halnya dalam metode ilmiah,
pada penelitian ilmiah juga harus berangkat dari
adanya permasalahan yang ingin pecahkan.
Sebelum melaksanakan penelitian ilmiah perlu
dilakukan identifikasi masalah. Proses identifikasi
masalah penting dilakukan agar rumusan masalah
menjadi tajam dan sebagai bentuk data awal bahwa
dalam penelitian ilmiah tersebut memang
dibutuhkan
pemecahan
masalah
melalui
penelitian. Identifikasi masalah dirumuskan
bersesuaian sebagaimana latar belakang masalah,
berdasarkan fakta dan data yang ada di lapangan.
Identifikasi masalah pada umumnya dirumuskan
dalam bentuk kalimat deklaratif, sementara
rumusan masalah ditulis dalam bentuk kalimat
tanya (berbentuk pertanyaan).
2. Melakukan Studi Pendahuluan.
Di dalam penelitian ilmiah, perlu dilakukan
sebuah studi pendahuluan. Peneliti dapat
melakukannya dengan menelusuri dan memahami
kajian pustaka untuk bahan penyusun landasan
teori yang dibutuhkan untuk menyusun hipotesis
maupun pembahasan hasil penelitian nantinya.
Sebuah penelitian dikatakan bagus apabila
didasarkan pada landasan teori yang kukuh dan
relevan. Banyak teori yang bersesuaian dengan
penelitian, namun ternyata kurang relevan. Oleh
karenanya, perlu dilakukan usaha memilah-milah
teori yang sesuai. Selain itu studi pendahuluan
yang dilakukan peneliti melalui pengkajian
kepustakaan akan dapat membuat penelitian lebih
fokus pada masalah yang diteliti sehingga dapat
memudahkan penentuan data apa yang nantinya
akan dibutuhkan
3. Merumuskan Hipotesis.
Hipotesis perlu dirumuskan dalam sebuah
penelitian ilmiah, lebih-lebih penelitian kuantitatif.
Dengan menyatakan hipotesis, maka penelitian
ilmiah yang dilakukan peneliti akan lebih fokus
terhadap masalah yang diangkat. Selain itu dengan
rumusan hipotesis, seorang peneliti tidak perlu lagi
direpotkan dengan data-data yang seharusnya tidak
dibutuhkannya, karena data yang diambilnya
melalui instrumen penelitian hanyalah data-data
yang berkaitan langsung dengan hipotesis.
4. Mengidentifikasi Variabel dan Definisi
Operasional Variabel.
Sebuah variabel dalam penelitian ilmiah adalah
fenomena yang akan atau tidak akan terjadi
sebagai akibat adanya fenomena lain. Variabel
penelitian sangat perlu ditentukan agar masalah
yang diangkat dalam sebuah penelitian ilmiah
menjadi jelas dan terukur.
5. Menentukan
Rancangan
atau
Desain
Penelitian.
Rancangan penelitian sering pula disebut
sebagai desain penelitian. Rancangan penelitian
merupakan prosedur atau langkah-langkah
aplikatif penelitian yang berguna sebagai pedoman
dalam melaksanakan penelitian ilmiah bagi si
peneliti yang bersangkutan.
6. Menentukan dan Mengembangkan Instrumen
Penelitian.
Apakah yang dimaksud dengan instrumen
penelitian? Instrumen penelitian merupakan alat
yang
digunakan
oleh
peneliti
untuk
mengumpulkan data yang dibutuhkannya.
Beragam alat dan teknik pengumpulan data yang
dapat dipilih sesuai dengan tujuan dan jenis
penelitian ilmiah yang dilakukan. Setiap bentuk
dan jenis instrumen penelitian memiliki kelebihan
dan kelemahannya masing-masing.
7. Menentukan Subjek Penelitian.
Orang yang terlibat dalam penelitian ilmiah
dan berperan sebagai sumber data disebut subjek
penelitian. Seringkali subjek penelitian berkaitan
dengan populasi dan sampel penelitian. Apabila
penelitian ilmiah yang dilakukan menggunakan
sampel penelitian dalam sebuah populasi
penelitian, maka peneliti harus berhati-hati dalam
menentukannya. Hal ini dikarenakan, penelitian
yang menggunakan sampel sebagai subjek
penelitian akan menyimpulkan hasil penelitian
yang berlaku umum terhadap seluruh populasi,
walaupun data yang diambil hanya merupakan
sampel yang jumlah jauh lebih kecil dari populasi
penelitian.
8. Melakukan Analisis Data.
Beragam data yang terkumpul saat peneliti
melaksanakan penelitian ilmiahnya tidak akan
mempunyai kana apapun sebelum dilakukan
analisis. Ada beragam alat yang dapat digunakan
untuk melakukan analisis data, bergantung pada
jenis data itu sendiri. Bila penelitian ilmiah yang
dilakukan bersifat kuantitatif, maka jenis data akan
bersifat kuantitatif juga. Bila penelitian bersifat
kualitatif, maka data yang diperoleh akan bersifat
kualitatif dan selanjutnya perlu diolah menjadi
data kuantitatif. Untuk itu perlu digunakan statistik
dalam pengolahan dan analisis data.
9.
Implementasi Penelitian.
Pada tahap ini, hasil penelitian akan
diimplementasikan sehingga hasil tersebut bisa
diuji untuk diketahui apakah hasil sudah sesuai
dengan apa yang diharapkan.
10. Pengujian Hasil.
Pada tahap ini, rule diuji kembali atau diuji lagi
menggunakan sistem data mining yang sudah ada.
Tools yang digunakan sebagai pengujian sistem
adalah Rapidminer.
4. HASIL DAN PEMBAHASAN
4.1 Analisa Data
Algoritma FP-Growth merupakan algoritma
yang dapat dugunakan untuk menganalisa struktur
data dengan menggunakan karakteristik yang
disebut dengan FP-Tree. FP-Tree di- bangun
42
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
dengan memetakan setiap data transaksi ke dalam
setiap lintasan tertentu dalam FP-Tree. Algoritma
FP-growth dapat langsung mengekstrak frequent
Itemset dari dengan menggunakan FP-Tree.
Penggalian data berupa frequent itemset dengan
menggunakan algoritma FP-Growth akan
dilakukan dengan cara membangkitkan struktur
data tree atau disebut dengan FP-Tree. Metode FPGrowth dapat dibagi menjadi 3 tahapan utama
yaitu sebagai :
1. Tahap pembangkitan conditional pattern base,
2. Tahap pembangkitan conditional FP-Tree, dan
3. Tahap pencarian frequent itemset.
Ketiga tahap tersebut merupakan langkah yang
akan dilakukan untuk mendapat frequent itemset.
Gunadi dan Sensuse (2014).
Input
: FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent
Methode : FP-Growth (Tree, null)
Procedure
: FP-Growth (Tree, α)
{
01: if Tree mengandung single path P;
02: then untuk tiap kombinasi (dinotasikan β) dari
node-node dalam path do
03: bangkitkan pola β α dengan support dari nodenode dalam path do β;
04: else untuk tiap a1 dalam header dari tree do
}
05: bangkitkan pola
06: bangun β = a1 α dengan support = a1 support
07: if Tree β =
4.2
Penerapan Data Mining
Data Mining dapat dilakukan dengan
banyak penerapan. Disamping itu penerapan
tersebut dikombinasikan dengan beberapa bidang
ilmu seperti seperti artificial intelligence, database,
statistic, pemodelan matematika, pengolahan citra,
dan sebagainya. Sehingga dengan kombinasi
tersebut penerapan data mining menjadi semakin
luas, salah satunya dalam hal pengadaan di dalam
institusi Pemerintahan.
4.2.1 Pemilihan Variabel
Data sampel yang diuji dalam penelitian ini
sebanyak 1 periode data pengadaaan alat-alat
kesehatan di Dinas Kesehatan Kota Medan, format
seperti berikut :
1. Nomor Pengadaan
2. Periode
3. Nama Alat Kesehatan
4. Kategori
5. Jumlah
6. Satuan
Adapun yang di ambil sebagai variabel dalam
asosiasi adalah mengenai Nomor Pengadaan,
Nama Alat Kesehatan, Kategori, Jumlah, Satuan
dan empat variabel ini nantinya akan dijadikan
dasar untuk membentuk algoritma FP-Growth
dibagi menjadi tiga langkah utama, tetapi
dilakukan terlebih dahulu pembentukan pohon
dengan menggunakan algoritma FP-Tree.
Frequent Patern Tree (FP-Tree) adalah
representasi pemasukan data yang dipadatkan.
Tabel 4.1 Kode Inisial Alat-Alat Kesehatan
Pada tabel 4.1 Alat-alat kesehatan diberikan inisial
sehingga menjadi keterangan dalam penyusunan
frequent itemset.
Tabel 4.2 Pengadaan Alat-Alat Kesehatan
Periode Januari 2015
Berdasarkan data pengadaan alat kesehatan
tersebut setiap transaksi terdiri dari beberapa item
alat kesehatan, dengan data tersebut dapat
langsung dipergunakan
untuk melakukan
perhitungan frequent item. Untuk mendapatkan
frekuensi kemunculan dari tiap item yang akan
diuji dalam penelitian ini. Berdasarkan Transaksi
pengadaan alat kesehatan yang terdapat pada tabel
4.2 akan diberikan simbol pada setiap itemset guna
mempermudah proses pembacaan itemset.
Tabel 4.3 Frequent Items
43
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
Untuk menentukan minimum frequency
itemsetnya peneliti menetapkan 35%. Oleh sebab
itu minimum support dalam penelitian ini 35%,
Jadi frequency yang paling sering muncul diambil
diatas nilai frequency itemset minimum 35% yaitu
: items A, B, O, H, I, J, dan K. Jadi selain 7 item
yang dicari dengan menentukan minimum support
tersebut tidak digunakan untuk membangun FPTree. Items inilah yang akan berpengaruh dan akan
dimasukkan ke dalam FP-tree, selebihnya dari
tujuh variable tersebut dapat dibuang karena tidak
berpengaruh signifikan.
Selanjutnya dilakukan penyaringan data terhadap
data sampel yang digunakan. Penyaringan
dilakukan dengan membuang itemset selain dari
itemset yang terpilih.
Tabel 4.4 Frekuensi Dari Setiap Transaksi
Menggunakan Itemset Terpilih.
Gambar 4.2 : Hasil Pembentukan FP-tree
Setelah Pembacaan TID 39
Gambar 4.2 didapat setelah melakukan TID
39,Yaitu: NULL - O (Viewer X-Ray Double) = 20
– H (Timbangan Dewasa) = 11.
Tabel 4.5 Daftar Frequent Itemset Diurutkan
Berdasarkan Hubungan Akhiran
Maka langkah selanjutnya adalah membentuk
pohon FP-Tree dengan melihat tabel 4.4. Gambar
di bawah ini memberikan ilustrasi mengenai
pembentukan FP-tree setelah pembacaan TID pada
tabel 4.4.
Setelah mendapat suffix maka selanjutnya
menghitung nilai minimum support count dari
itemset tersebut.
Tabel 4.6 Itemset Terpilih Dengan nilai
Minimum Support
Gambar 4.1: Hasil Pembentukan FP-tree
Setelah Pembacaan TID 1
Gambar 4.1 Pembentukan FP-Tree setelah
pembacaan didapat setelah melakukan TID 1,
Yaitu berisi : NULL - A (Stetoskop Dewasa) =1 B (Stetoskop Anak) = 1 - O (Viewer X-Ray
Double) = 1 - H (Timbangan Dewasa) = 1 - K
(Lampu Periksa/Examination Light 15 Klux
Mobile) = 1.
Setelah menghitung nilai support count maka
confidencenya juga harus dihitung, adapun rumus
untuk mencari nilai confidence.
Adapun rumus untuk mencari nilai confidence
adalah :
Parameter lainnya adalah confidence yaitu
nilai ukuran seberapa besar valid tidaknya suatu
Association Rules. Sebuah Association Rules
dengan confidence sama atau lebih besar dari
44
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
minimum confidence dapat dikatakan sebagai
valid association rule. Dari hasil minimum support
di atas yang terpilih maka langkah selanjutnya
menentukan nilai confidence. Adapun nilai
minimum confidence pada penelitian ini
ditetapkan 50%.
Tabel 4.7 Itemset Minimal Support Terpilih
Dengan nilai Confidence
Selanjutnya dengan nilai minimum confidence ≥
50%, maka aturan asosiasi yang terbentuk adalah
sebagai berikut:
Tabel 4.8 Aturan Asosiasi (Association Rule)
Dari tahap-tahap yang telah dilakukan di atas,
maka item yang memenuhi Support x Confidence
terbesar dan minimum confidence = 50% pada
Tabel 4.12, sehingga berdasarkan aturan asosiasi
yang terbentuk maka dapat diambil kesimpulan
sebagai berikut:
Rule 1 : Jika membeli Alkes Steteskop Dewasa
(A), maka akan membeli Alkes Stetoskop Anak
(B) dengan support 56% dan confidence 84%.
Rule 2 : Jika membeli Alkes Steteskop Anak (B),
maka akan membeli Alkes Stetoskop Dewasa (A)
dengan support 56% dan confidence 88%.
Rule 3 : Jika membeli Alkes Stetoskop Dewasa
(A), maka akan membeli Alkes Viewer X-Ray
Double (O) dengan support 33% dan confidence
50%.
Rule 4 : Jika membeli Alkes Steteskop Anak (B),
maka akan membeli Alkes Viewer X-Ray Double
(O) dengan support 35% dan confidence 56%.
Rule 5 : Jika membeli Alkes Kaca Pembesar (J),
maka akan membeli Alkes Stetoskop Dewasa (A)
dengan support 30% dan confidence 80%.
Rule 6 : Jika membeli Alkes Viewer X-Ray Double
(O), maka akan membeli Alkes Stetoskop Dewasa
(A) dengan support 33% dan confidence 61%.
Rule 7 : Jika membeli Alkes Viewer X-Ray
Double (O), maka akan membeli Alkes Stetoskop
Anak (B) dengan support 35% dan confidence
66%.
Rule 8 : Jika membeli Alkes Steteskop Dewasa
(A) danAlkes Stetoskop Anak (B), maka akan
diikuti dengan membeli Alkes Viewer X-Ray
Double (O) dengan support 30% dan confidence
54%.
Rule 9 : Jika membeli Alkes Stetoskop Dewasa
(A) dan Alkes Viewer X-Ray Double (O), maka
akan diikuti membeli Alkes Stetoskop Anak (B)
dengan support 30% dan confidence 92%.
Rule 10 : Jika membeli Alkes Steteskop Anak (B)
dan Alkes Viewer X-Ray Double (O), maka akan
membeli Alkes Stetoskop Dewasa (A) dengan
support 30% dan confidence 85%.
Rule 11 : Jika membeli Alkes Viewer X-Ray
Double (O), maka akan membeli Alkes Stetoskop
Dewasa (A) dan Alkes Steteskop Anak (B) dengan
support 30% dan confidence 57%.
5.
KESIMPULAN
Dari hasil pembahasan tersebut bahwasannya
algoritma
FP-Growth
dapat
menentukan
hubungan antara 1 item alat kesehatan dengan alat
kesehatan yang lain (Rule Association). Hal ini
sangat membantu institusi untuk bisa bekerja lebih
efektif dan efesien.
Disamping itu hasil yang diperoleh dari
penelitian ini bisa dijadikan sampel untuk institusi
lain sehingga ke depannya setiap pembelian dapat
disesuaikan dengan hasil di algoritma FP-Growth.
6.
REFERENSI
Gunadi & Sensuse (2012), Penerapan Metode
Data Mining Market Basket Analysis Terhadap
Data
Penjualan
Produk
Buku
Dengan
Menggunakan Metode Algoritma Apriori dan
Frequent Pattern Growth (FP-Growth). Vol .4,
No.1.
Azhari & Anshori (2009), Pendekatan Aturan
Asosiasi Untuk Analisis Pergerakan Saham, ISSN:
1979-2328.
Meilani & Azinar (2015), Penentuan Pola
Yang Sering Muncul Untuk Penerima Kartu
Jaminan Kesehatan Masyarakat (Jamkesmas)
Menggunakan Metode FP-Growth, ISSN: 20891121.
Hermawati (2009), Dalam Buku “Data
Mining”.
Triyanto (2014), Association Rule Mining
Untuk Penentuan Rekomendasi Promosi Produk,
Vol 5 No 2.
Siregar (2014), Implementasi Data Mining
Pada Penjualan Tiket Pesawat Menggunakan
Algoritma Apriori, Vol VII, Nomor :1.
Ruldeviyani & Fahrian (2008), Implementasi
Algoritma-algoritma Association Rules Sebagai
Bagian Dari Pengembangan Data Mining
Algoritms Collection, KSN&I08-043
45
Volume 3, Nomor 1, April 2018
ANALISA POLA SISTEM PENGADAAN ALAT KESEHATAN DENGAN
ALGORITMA FP-GROWTH
(STUDI KASUS DINAS KESEHATAN KOTA MEDAN)
Zulham1, Ulya Ilhami Arsyah2
1
Manajemen Informatika, Universitas Dharmawangsa
2
Manajemen Informatika, AMIK Royal
e-mail: zulham@dharmawangsa.ac.id, ulyailhamiarsyah@amikroyal.ac.id
Abstrak
Perkembangan dunia teknologi saat ini menuntut peneliti untuk menemukan strategi pengadaan yang
efesien dan efektif. Adapun strategi tersebut dilakukan untuk meningkatkan keakuratan dalam proses
pengadaannya yaitu Data Mining. Tehnik yang digunakan dalam strategi ini adalah Algoritma FP-Growth.
FP-Gowth adalah tehnik yang dapat menentukan himpunan data yang paling sering muncul (Frequent
Itemset) dalam sekumpulan data. FP-Growth merupakan pengembangan dari tehnik Apriori yang mana
menggunakan konsep pembangunan tree dalam mencari Frequent Itemset. Penelitian ini mengamati beberapa
variabel, yaitu, Nomor Pengadaan, Periode, Nama Alat Kesehatan, Kategori, Jumlah, Satuan. Hasil penelitian
ini nantinya dapat digunakan untuk keperluan institusi dalam proses pengadaan. Disamping itu dihasilkan
perangkat lunak untuk menunjang kinerja institusi tersebut sehingga hasil bisa lebih efektif.
Kata Kunci : Data Mining, Association Rules, Frequent Itemset, FP-Growth.
1. PENDAHULUAN
Perkembangan teknologi saat ini yang semakin
maju dalam segala bidang menuntut manusia
untuk menemukan suatu strategi yang dapat
meningkatkan kinerja dan kualitas dalam hal
apapun. Di suatu pemerintahan yang banyak
bersentuhan langsung dengan masyarakat dituntut
untuk bisa bekerja lebih efesien agar hasil yang
diraih
bisa
langsung
dirasakan
oleh
masyarakatnya.
Saat ini Dinas Kesehatan Kota Medan yang
merupakan pusat distribusi kebutuhan alat-alat
kesehatan yang dibutuhkan oleh seluruh
Puskesmas (Pusat Kesehatan Masyarakat) yang
berada di wilayah tersebut. Untuk itu
pendistribusian dan pengadaan alat-alat kesehatan
itu sangat berpengaruh kepada pelayanan
asyarakat sehingga hasil yang diraih bisa maksimal
sesuai dengan harapan masyarakat. Untuk
memaksimalkan pengadaan alat-alat kesehatan
tersebut agar tidak terjadi kekurangan memenuhi
kebutuhan perlu diadakan analisa sehingga
permasalahan tersebut tidak terjadi.
Analisa pengadaan alat-alat kesehatan ini
menggunakan Algoritma FP-Growth, dimana
memiliki kemampuan menambang frequent
Pattern (pola yang sering muncul dalam kumpulan
data) dengan efesien. Berdasarkan latar belakang
di atas maka dilakukanlah penelitian dengan judul
“Analisa Pola Sistem Pengadaan Alat-alat
Kesehatan Dengan Algoritma FP-Growth (Studi
Kasus Dinas Kesehatan Kota Medan)”.
2. KAJIAN
LITERATUR
PEGEMBANGAN HIPOTESIS
DAN
2.1 Knowledge Discovery in Database (KDD)
Fayyad dan Dunham dalam (Azhari & Anshori,
2009) mengatakan Knowledge Discovery in
Databases (KDD) untuk menunjuk pada
keseluruhan proses pencarian pengetahuan dalam
kumpulan data jumlah besar.
2.2 Data Mining
Menurut Turban dalam (Gunadi dan Sensuse,
2012) Data Mining adalah suatu istilah yang
digunakan untuk menguraikan penemuan
pengetahuan di dalam basis data. Data Mining
adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine
learning
untuk
mengekstraksi
dan
mengidentifikasi informasi yang bermanfaat dan
pengetahuan yang terkait dari berbagai basis data
besar. Menurut Azhari & Anshori, (2009) Data
Mining adalah eksplorasi dan analisis terhadap
sejumlah data dengan tujuan untuk menemukan
pola dan aturan yang sangat penting.
Menurut Siregar, (2014) Data Mining
merupakan suatu proses pendukung pengambil
keputusan dimana kita mencari pola informasi
dalam data.
2.3 Association Rules
Menurut Wandi, et al (2012) Association rule
merupakan salah satu metode yang bertujuan
mencari pola yang sering muncul di antara banyak
transaksi, dimana setiap transaksi terdiri dari
beberapa item, sehingga metode ini akan
mendukung sistem rekomendasi peminjaman
buku yang akan di pinjam oleh pengguna melalui
penemuan pola antar item dalam transaksi transaksi yang terjadi di Bapersip.
40
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
2.4 Algoritma FP-Growth
Gunadi (2012) mengatakan FP-Growth adalah
salah satu alternatif algoritma yang dapat
digunakan untuk menentukan himpunan data yang
paling sering muncul (frequent itemset) dalam
sebuah kumpulan data.
Menurut Ruldeviani, et al (2008) Algoritma
FP-Growth merepresentasikan transaksi dengan
menggunakan struktur data FP-Tree.
Melaini, (2015) Algoritma FP-Growth
merupakan pengembangann dari algoritma
Apriori.
Karakteristik algoritma FP-Growth adalah
struktur data yang digunakan adalah tree yang
disebut dengan FP-Tree. Dengan menggunakan
FP-Tree, algoritma FP- Growth dapat langsung
mengekstrak frequent Itemset dari FP-Tree.
Penggalian itemset yang frequent dengan
menggunakan algoritma FP-Growth akan
dilakukan dengan cara membangkitkan struktur
data tree atau disebut dengan FP- Tree. Metode FPGrowth dapat dibagi menjadi 3 tahapan utama
yaitu sebagai:
1. Tahap pembangkitan conditional pattern base,
2. Tahap pembangkitan conditional FP-Tree, dan
3. Tahap pencarian frequent itemset (Meilani, et
al 2015).
2.4.1 FP-Tree
Menurut Melaini, (2015) FP-Tree merupakan
struktur penyimpanan data yang dimanfaatkan.
FP-Tree dibangun dengan memetakan setiap data
transaksi ke dalam setiap lintasan tertentu dalam
FP-Tree. Karena dalam setiap transaksi yang
dipetakan, mungkin ada transaksi yang memiliki
item yang sama, maka lintasannya memungkinkan
untuk saling menimpa. Semakin banyak data
transaksi yang memiliki item yang sama, maka
proses pemampatan dengan struktur data FP-Tree
semakin efektif.
Adapun FP- Tree adalah sebuah pohon dengan
definisi sebagai berikut:
1. FP-Tree dibentuk oleh sebuah akar yang diberi
label
null,
sekumpulan
sub-tree
yang
beranggotakan item-item tertentu, dan sebuah
tabel frequent header.
2. Setiap simpul dalam FP-Tree mengandung tiga
informasi
penting,
yaitu
label
item,
menginformasikan
jenis
item
yang
direpresentasikan simpul tersebut, support count,
merepresentasikan jumlah lintasan transaksi yang
melalui simpul tersebut, dan pointer penghubung
yang menghubungkan simpul-simpul dengan label
item sama antar-lintasan, ditandai dengan garis
panah putus-putus.
Gambar 2.4.1 Contoh FP-Tree dan Tabel
Header
1. METODOLOGI PENELITIAN
Sebelum melakukan penelitian diperlukan
suatu metode ilmiah atau kaidah- kaidah yang
sesuai dan telah ditetapkan. Hal ini bertujuan agar
hasil yang diperoleh dari penelitian tersebut
mendapatkan hasil yang maksimal. Metodologi
penelitian ini memuat tentang kerangka kerja
penelitian yang akan dijalankan.
Adapun metodologi
penelitian
ini
akan
digunakan untuk mengidentifikasi permasalahan
yang ditemukan, kemudian membuat analisa
dari
permasalahan tersebut sehingga akan
mendapatkan solusi terbaik dari masalah ataupun
penyelesaian masalah. Dalam penelitian ini
diperlukan suatu penyelesaian permasalahan
dalam melakukan pengadaan alat – alat kesehatan
yang nantinya akan didistribusikan ke Puskesmas
yang ada di Kota Medan, sehingga pendistribusian
alat – alat kesehatan tersebut bisa lebih efektif dan
tepat sasaran dibandingkan dari sebelum sebelumnya.
3.1 KERANGKA KERJA
Dalam metodologi penelitian ada urutan
kerangka kerja yang harus diikuti, urutan kerangka
kerja ini adalah gambaran dari langkah–langkah
yang harus dilalui agar penelitian ini bisa berjalan
dengan baik serta sesuai yang diharapkan.
Kerangka kerja yang harus
diikuti bisa dilihat pada gambar 3.1.
Gambar 3.1 Kerangka Kerja
41
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
Berdasarkan Gambar 3.1 di atas dijabarkan
urutan kerangka kerja sebagai berikut :
1. Mengidentifikasi dan Merumuskan Masalah.
Sebagaimana halnya dalam metode ilmiah,
pada penelitian ilmiah juga harus berangkat dari
adanya permasalahan yang ingin pecahkan.
Sebelum melaksanakan penelitian ilmiah perlu
dilakukan identifikasi masalah. Proses identifikasi
masalah penting dilakukan agar rumusan masalah
menjadi tajam dan sebagai bentuk data awal bahwa
dalam penelitian ilmiah tersebut memang
dibutuhkan
pemecahan
masalah
melalui
penelitian. Identifikasi masalah dirumuskan
bersesuaian sebagaimana latar belakang masalah,
berdasarkan fakta dan data yang ada di lapangan.
Identifikasi masalah pada umumnya dirumuskan
dalam bentuk kalimat deklaratif, sementara
rumusan masalah ditulis dalam bentuk kalimat
tanya (berbentuk pertanyaan).
2. Melakukan Studi Pendahuluan.
Di dalam penelitian ilmiah, perlu dilakukan
sebuah studi pendahuluan. Peneliti dapat
melakukannya dengan menelusuri dan memahami
kajian pustaka untuk bahan penyusun landasan
teori yang dibutuhkan untuk menyusun hipotesis
maupun pembahasan hasil penelitian nantinya.
Sebuah penelitian dikatakan bagus apabila
didasarkan pada landasan teori yang kukuh dan
relevan. Banyak teori yang bersesuaian dengan
penelitian, namun ternyata kurang relevan. Oleh
karenanya, perlu dilakukan usaha memilah-milah
teori yang sesuai. Selain itu studi pendahuluan
yang dilakukan peneliti melalui pengkajian
kepustakaan akan dapat membuat penelitian lebih
fokus pada masalah yang diteliti sehingga dapat
memudahkan penentuan data apa yang nantinya
akan dibutuhkan
3. Merumuskan Hipotesis.
Hipotesis perlu dirumuskan dalam sebuah
penelitian ilmiah, lebih-lebih penelitian kuantitatif.
Dengan menyatakan hipotesis, maka penelitian
ilmiah yang dilakukan peneliti akan lebih fokus
terhadap masalah yang diangkat. Selain itu dengan
rumusan hipotesis, seorang peneliti tidak perlu lagi
direpotkan dengan data-data yang seharusnya tidak
dibutuhkannya, karena data yang diambilnya
melalui instrumen penelitian hanyalah data-data
yang berkaitan langsung dengan hipotesis.
4. Mengidentifikasi Variabel dan Definisi
Operasional Variabel.
Sebuah variabel dalam penelitian ilmiah adalah
fenomena yang akan atau tidak akan terjadi
sebagai akibat adanya fenomena lain. Variabel
penelitian sangat perlu ditentukan agar masalah
yang diangkat dalam sebuah penelitian ilmiah
menjadi jelas dan terukur.
5. Menentukan
Rancangan
atau
Desain
Penelitian.
Rancangan penelitian sering pula disebut
sebagai desain penelitian. Rancangan penelitian
merupakan prosedur atau langkah-langkah
aplikatif penelitian yang berguna sebagai pedoman
dalam melaksanakan penelitian ilmiah bagi si
peneliti yang bersangkutan.
6. Menentukan dan Mengembangkan Instrumen
Penelitian.
Apakah yang dimaksud dengan instrumen
penelitian? Instrumen penelitian merupakan alat
yang
digunakan
oleh
peneliti
untuk
mengumpulkan data yang dibutuhkannya.
Beragam alat dan teknik pengumpulan data yang
dapat dipilih sesuai dengan tujuan dan jenis
penelitian ilmiah yang dilakukan. Setiap bentuk
dan jenis instrumen penelitian memiliki kelebihan
dan kelemahannya masing-masing.
7. Menentukan Subjek Penelitian.
Orang yang terlibat dalam penelitian ilmiah
dan berperan sebagai sumber data disebut subjek
penelitian. Seringkali subjek penelitian berkaitan
dengan populasi dan sampel penelitian. Apabila
penelitian ilmiah yang dilakukan menggunakan
sampel penelitian dalam sebuah populasi
penelitian, maka peneliti harus berhati-hati dalam
menentukannya. Hal ini dikarenakan, penelitian
yang menggunakan sampel sebagai subjek
penelitian akan menyimpulkan hasil penelitian
yang berlaku umum terhadap seluruh populasi,
walaupun data yang diambil hanya merupakan
sampel yang jumlah jauh lebih kecil dari populasi
penelitian.
8. Melakukan Analisis Data.
Beragam data yang terkumpul saat peneliti
melaksanakan penelitian ilmiahnya tidak akan
mempunyai kana apapun sebelum dilakukan
analisis. Ada beragam alat yang dapat digunakan
untuk melakukan analisis data, bergantung pada
jenis data itu sendiri. Bila penelitian ilmiah yang
dilakukan bersifat kuantitatif, maka jenis data akan
bersifat kuantitatif juga. Bila penelitian bersifat
kualitatif, maka data yang diperoleh akan bersifat
kualitatif dan selanjutnya perlu diolah menjadi
data kuantitatif. Untuk itu perlu digunakan statistik
dalam pengolahan dan analisis data.
9.
Implementasi Penelitian.
Pada tahap ini, hasil penelitian akan
diimplementasikan sehingga hasil tersebut bisa
diuji untuk diketahui apakah hasil sudah sesuai
dengan apa yang diharapkan.
10. Pengujian Hasil.
Pada tahap ini, rule diuji kembali atau diuji lagi
menggunakan sistem data mining yang sudah ada.
Tools yang digunakan sebagai pengujian sistem
adalah Rapidminer.
4. HASIL DAN PEMBAHASAN
4.1 Analisa Data
Algoritma FP-Growth merupakan algoritma
yang dapat dugunakan untuk menganalisa struktur
data dengan menggunakan karakteristik yang
disebut dengan FP-Tree. FP-Tree di- bangun
42
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
dengan memetakan setiap data transaksi ke dalam
setiap lintasan tertentu dalam FP-Tree. Algoritma
FP-growth dapat langsung mengekstrak frequent
Itemset dari dengan menggunakan FP-Tree.
Penggalian data berupa frequent itemset dengan
menggunakan algoritma FP-Growth akan
dilakukan dengan cara membangkitkan struktur
data tree atau disebut dengan FP-Tree. Metode FPGrowth dapat dibagi menjadi 3 tahapan utama
yaitu sebagai :
1. Tahap pembangkitan conditional pattern base,
2. Tahap pembangkitan conditional FP-Tree, dan
3. Tahap pencarian frequent itemset.
Ketiga tahap tersebut merupakan langkah yang
akan dilakukan untuk mendapat frequent itemset.
Gunadi dan Sensuse (2014).
Input
: FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent
Methode : FP-Growth (Tree, null)
Procedure
: FP-Growth (Tree, α)
{
01: if Tree mengandung single path P;
02: then untuk tiap kombinasi (dinotasikan β) dari
node-node dalam path do
03: bangkitkan pola β α dengan support dari nodenode dalam path do β;
04: else untuk tiap a1 dalam header dari tree do
}
05: bangkitkan pola
06: bangun β = a1 α dengan support = a1 support
07: if Tree β =
4.2
Penerapan Data Mining
Data Mining dapat dilakukan dengan
banyak penerapan. Disamping itu penerapan
tersebut dikombinasikan dengan beberapa bidang
ilmu seperti seperti artificial intelligence, database,
statistic, pemodelan matematika, pengolahan citra,
dan sebagainya. Sehingga dengan kombinasi
tersebut penerapan data mining menjadi semakin
luas, salah satunya dalam hal pengadaan di dalam
institusi Pemerintahan.
4.2.1 Pemilihan Variabel
Data sampel yang diuji dalam penelitian ini
sebanyak 1 periode data pengadaaan alat-alat
kesehatan di Dinas Kesehatan Kota Medan, format
seperti berikut :
1. Nomor Pengadaan
2. Periode
3. Nama Alat Kesehatan
4. Kategori
5. Jumlah
6. Satuan
Adapun yang di ambil sebagai variabel dalam
asosiasi adalah mengenai Nomor Pengadaan,
Nama Alat Kesehatan, Kategori, Jumlah, Satuan
dan empat variabel ini nantinya akan dijadikan
dasar untuk membentuk algoritma FP-Growth
dibagi menjadi tiga langkah utama, tetapi
dilakukan terlebih dahulu pembentukan pohon
dengan menggunakan algoritma FP-Tree.
Frequent Patern Tree (FP-Tree) adalah
representasi pemasukan data yang dipadatkan.
Tabel 4.1 Kode Inisial Alat-Alat Kesehatan
Pada tabel 4.1 Alat-alat kesehatan diberikan inisial
sehingga menjadi keterangan dalam penyusunan
frequent itemset.
Tabel 4.2 Pengadaan Alat-Alat Kesehatan
Periode Januari 2015
Berdasarkan data pengadaan alat kesehatan
tersebut setiap transaksi terdiri dari beberapa item
alat kesehatan, dengan data tersebut dapat
langsung dipergunakan
untuk melakukan
perhitungan frequent item. Untuk mendapatkan
frekuensi kemunculan dari tiap item yang akan
diuji dalam penelitian ini. Berdasarkan Transaksi
pengadaan alat kesehatan yang terdapat pada tabel
4.2 akan diberikan simbol pada setiap itemset guna
mempermudah proses pembacaan itemset.
Tabel 4.3 Frequent Items
43
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
Untuk menentukan minimum frequency
itemsetnya peneliti menetapkan 35%. Oleh sebab
itu minimum support dalam penelitian ini 35%,
Jadi frequency yang paling sering muncul diambil
diatas nilai frequency itemset minimum 35% yaitu
: items A, B, O, H, I, J, dan K. Jadi selain 7 item
yang dicari dengan menentukan minimum support
tersebut tidak digunakan untuk membangun FPTree. Items inilah yang akan berpengaruh dan akan
dimasukkan ke dalam FP-tree, selebihnya dari
tujuh variable tersebut dapat dibuang karena tidak
berpengaruh signifikan.
Selanjutnya dilakukan penyaringan data terhadap
data sampel yang digunakan. Penyaringan
dilakukan dengan membuang itemset selain dari
itemset yang terpilih.
Tabel 4.4 Frekuensi Dari Setiap Transaksi
Menggunakan Itemset Terpilih.
Gambar 4.2 : Hasil Pembentukan FP-tree
Setelah Pembacaan TID 39
Gambar 4.2 didapat setelah melakukan TID
39,Yaitu: NULL - O (Viewer X-Ray Double) = 20
– H (Timbangan Dewasa) = 11.
Tabel 4.5 Daftar Frequent Itemset Diurutkan
Berdasarkan Hubungan Akhiran
Maka langkah selanjutnya adalah membentuk
pohon FP-Tree dengan melihat tabel 4.4. Gambar
di bawah ini memberikan ilustrasi mengenai
pembentukan FP-tree setelah pembacaan TID pada
tabel 4.4.
Setelah mendapat suffix maka selanjutnya
menghitung nilai minimum support count dari
itemset tersebut.
Tabel 4.6 Itemset Terpilih Dengan nilai
Minimum Support
Gambar 4.1: Hasil Pembentukan FP-tree
Setelah Pembacaan TID 1
Gambar 4.1 Pembentukan FP-Tree setelah
pembacaan didapat setelah melakukan TID 1,
Yaitu berisi : NULL - A (Stetoskop Dewasa) =1 B (Stetoskop Anak) = 1 - O (Viewer X-Ray
Double) = 1 - H (Timbangan Dewasa) = 1 - K
(Lampu Periksa/Examination Light 15 Klux
Mobile) = 1.
Setelah menghitung nilai support count maka
confidencenya juga harus dihitung, adapun rumus
untuk mencari nilai confidence.
Adapun rumus untuk mencari nilai confidence
adalah :
Parameter lainnya adalah confidence yaitu
nilai ukuran seberapa besar valid tidaknya suatu
Association Rules. Sebuah Association Rules
dengan confidence sama atau lebih besar dari
44
Zulham, dkk., Analisa Pola Sistem Pengadaan Alat Kesehatan Dengan Algoritma FP-Growth
(Studi Kasus: Dinas Kesehatan Kota Medan)
minimum confidence dapat dikatakan sebagai
valid association rule. Dari hasil minimum support
di atas yang terpilih maka langkah selanjutnya
menentukan nilai confidence. Adapun nilai
minimum confidence pada penelitian ini
ditetapkan 50%.
Tabel 4.7 Itemset Minimal Support Terpilih
Dengan nilai Confidence
Selanjutnya dengan nilai minimum confidence ≥
50%, maka aturan asosiasi yang terbentuk adalah
sebagai berikut:
Tabel 4.8 Aturan Asosiasi (Association Rule)
Dari tahap-tahap yang telah dilakukan di atas,
maka item yang memenuhi Support x Confidence
terbesar dan minimum confidence = 50% pada
Tabel 4.12, sehingga berdasarkan aturan asosiasi
yang terbentuk maka dapat diambil kesimpulan
sebagai berikut:
Rule 1 : Jika membeli Alkes Steteskop Dewasa
(A), maka akan membeli Alkes Stetoskop Anak
(B) dengan support 56% dan confidence 84%.
Rule 2 : Jika membeli Alkes Steteskop Anak (B),
maka akan membeli Alkes Stetoskop Dewasa (A)
dengan support 56% dan confidence 88%.
Rule 3 : Jika membeli Alkes Stetoskop Dewasa
(A), maka akan membeli Alkes Viewer X-Ray
Double (O) dengan support 33% dan confidence
50%.
Rule 4 : Jika membeli Alkes Steteskop Anak (B),
maka akan membeli Alkes Viewer X-Ray Double
(O) dengan support 35% dan confidence 56%.
Rule 5 : Jika membeli Alkes Kaca Pembesar (J),
maka akan membeli Alkes Stetoskop Dewasa (A)
dengan support 30% dan confidence 80%.
Rule 6 : Jika membeli Alkes Viewer X-Ray Double
(O), maka akan membeli Alkes Stetoskop Dewasa
(A) dengan support 33% dan confidence 61%.
Rule 7 : Jika membeli Alkes Viewer X-Ray
Double (O), maka akan membeli Alkes Stetoskop
Anak (B) dengan support 35% dan confidence
66%.
Rule 8 : Jika membeli Alkes Steteskop Dewasa
(A) danAlkes Stetoskop Anak (B), maka akan
diikuti dengan membeli Alkes Viewer X-Ray
Double (O) dengan support 30% dan confidence
54%.
Rule 9 : Jika membeli Alkes Stetoskop Dewasa
(A) dan Alkes Viewer X-Ray Double (O), maka
akan diikuti membeli Alkes Stetoskop Anak (B)
dengan support 30% dan confidence 92%.
Rule 10 : Jika membeli Alkes Steteskop Anak (B)
dan Alkes Viewer X-Ray Double (O), maka akan
membeli Alkes Stetoskop Dewasa (A) dengan
support 30% dan confidence 85%.
Rule 11 : Jika membeli Alkes Viewer X-Ray
Double (O), maka akan membeli Alkes Stetoskop
Dewasa (A) dan Alkes Steteskop Anak (B) dengan
support 30% dan confidence 57%.
5.
KESIMPULAN
Dari hasil pembahasan tersebut bahwasannya
algoritma
FP-Growth
dapat
menentukan
hubungan antara 1 item alat kesehatan dengan alat
kesehatan yang lain (Rule Association). Hal ini
sangat membantu institusi untuk bisa bekerja lebih
efektif dan efesien.
Disamping itu hasil yang diperoleh dari
penelitian ini bisa dijadikan sampel untuk institusi
lain sehingga ke depannya setiap pembelian dapat
disesuaikan dengan hasil di algoritma FP-Growth.
6.
REFERENSI
Gunadi & Sensuse (2012), Penerapan Metode
Data Mining Market Basket Analysis Terhadap
Data
Penjualan
Produk
Buku
Dengan
Menggunakan Metode Algoritma Apriori dan
Frequent Pattern Growth (FP-Growth). Vol .4,
No.1.
Azhari & Anshori (2009), Pendekatan Aturan
Asosiasi Untuk Analisis Pergerakan Saham, ISSN:
1979-2328.
Meilani & Azinar (2015), Penentuan Pola
Yang Sering Muncul Untuk Penerima Kartu
Jaminan Kesehatan Masyarakat (Jamkesmas)
Menggunakan Metode FP-Growth, ISSN: 20891121.
Hermawati (2009), Dalam Buku “Data
Mining”.
Triyanto (2014), Association Rule Mining
Untuk Penentuan Rekomendasi Promosi Produk,
Vol 5 No 2.
Siregar (2014), Implementasi Data Mining
Pada Penjualan Tiket Pesawat Menggunakan
Algoritma Apriori, Vol VII, Nomor :1.
Ruldeviyani & Fahrian (2008), Implementasi
Algoritma-algoritma Association Rules Sebagai
Bagian Dari Pengembangan Data Mining
Algoritms Collection, KSN&I08-043
45