IMPLEMENTASI KESESUAIAN OBAT PADA
PENYAKIT MENGGUNAKAN ALGORITMA APRIORI
Yennimar 1 , Evan
Chandra Sibarani2, Irwansyah3, Muhammad Iqbal Tri Rahmadi 4, Reza 5
Teknik
Informatika
Universitas
Prima Indonesia, Jl.Skip Sei Kambing, Medan 20111, Indonesia
Abstrak
Kesehatan
adalah hal yang penting bagi setiap makluk hidup, terutama manusia. ada
beberapa hal yang penting dalam menjaga kesehatan, diantaranya dengan makan
makanan yang bergizi dan makanan yang bervitamin. Akan tetapi penyakit itu
kadang tidak bisa kita duga-duga. Penyakit dapat meyerang tubuh kita, terutama
penyakit diabetes.
Penyakit
diabetes adalah penyakit yang berlangsung lama atau kronis, serta ditandai
dengan kadar gula (glukosa) darah
tinggi atau diatas nilai normal. Jika diabetes tidak dikontrol dengan baik,
dapat menimbulkan berbagai komplikasi
yang dapat membahayakan nyawa penderita. Karena penyakit ini berbahaya sehingga
tidak sembarangan obat dapat menyembuhkan penyakit ini. Diperlukan obat yang
sesuai untuk mengobati penyakit ini, Obat yang sesuai dengan penyakit ini dapat
kita lihat berdasarkan obat mana saja yang sering dibeli oleh pasien yang
memiliki gejala diabetes. Apriori
adalah salah satu algoritma
pengumpulan data menggunakan keranjang yang memiliki keakuratan yang tinggi
yaitu mencapai 80%. Adapun data yang kita gunakan dalam penelitian kali ini
mencapai 1000 data obat. akan tetapi hanya 27 jenis obat diabetes yang kita
gunakan. dan terdiri atas 365 intraksi. Dengan minimum support 50% ,minimum
matrik confident 0.9.
Kata kunci : Kesehatan, Penyakit, Apriori, Weka
1.1
Latar Belakang
Penyakit adalah suatu keadaaan abnormal (tidak normal) dari tubuh atau
pikiran yang menyebabkan ketidak nyamanan dari seseorang, disfungsi atau kesukaran terhadap orang yang di pengaruhinya
(Wikipedia). Penyakit perlu diobatin jangan dibiarkan berlarut larut hingga
lama yang bisa membuat seseorang semakin sakit, dan bisa jadi lebih parah dari
sebelumnya bahkan bisa berujung kematian. Selain dibiarkan salah obat juga bisa
membuat orang juga keracunan sehingga bisa tambah sakit dan bahkan membuat
orang menjadi tambah penyakitnya dan ada juga bisa berujung kematian.
Disebabkan pemberian obat itu tidak boleh
sembarangan peneliti mencoba memberikan solusi atas sebuah penyakit dengan
memberikan obat yang tepat kepada orang yang terkena penyakit berdasarkan
rekomendasi dari peneliti yang dibuat berdasarkan obat yang sering digunakan,
dalam menyembukan sebuah penyakit menggunakan algoritma apriori. Algoritma
apriori ini adalah algoritma yang sangat gampang menurutkan peneliti tidak
ribet dan memiliki tingkat keakuratannya lumayan tinggi dan prosesnya pun mudah
dan mudah dipahami. ini terbukti dengan banyaknya peneliti menggunakan
algoritma ini
Oleh kerna pertimbangan dari semua aspek baik
dari kesehatan juga peneliti bisa memberi informasi dan juga bermanfaat bagi
orang banyak yang memerlukan rekomendasikan obat apa yang sesusai mereka
butuhkan dalam menangani penyakit mereka atau saudara meraka, dan juga dari
faktor waktu lebih cepat meneliti penelitian ini oleh kerna itu kami mengambil
judul kami, yaitu: yang berjudul “IMPLEMENTASI KESESUAIAN OBAT PADA PENYAKIT
MENGGUNAKAN ALGORITMA APRIORI ”
1.2
Rumusan Masalah
Ada pun beberapa Rumusan Masalah yang peneliti
buat dalam penelitian ini adalah sebagai berikut:
1.
Bagaimana
membentuk pola kombinasi itemsets dengan menggunakan algoritma apriori pada
kesesuaian obat pada penyakit?
2.
Bagaimana
menghasilkan rules dari pola kombinasi itemsets yang interesting dengan
association rules?
1.3
Tujuan Dan Manfaat
Ada
pun beberapa Tujuan dan Manfaat yang peneliti buat dalam penelitian ini adalah
sebagai berikut:
1.3.1 Tujuan
Ada pun beberapa Tujuan yang peneliti buat
dalam penelitian ini adalah sebagai berikut:
1.
Membeikan
informasi atau rekomendasi obat yang sesuai dengan penyakit yang diderita
pasien
1.3.2 Manfaat
Ada
pun manfaat yang diperoleh dari penelitian ini adalah sebagai berikut:
1.
Memberikan
informasi atau rekomendasi obat yang diperlukan
2.
Agar
tidak sulit memilih obat mana yang paling sesuai dengan penyakitnya
3.
Agar
gampang untuk Rumah Sakit menyediakan obat diabete mana yang paling sering
dibeli diapotik rumah sakit royal prima
1.4
Batasan Masalah
Ada
pun beberapa Batasan Masalah yang peneliti buat dalam penelitian ini adalah
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 pasien (data pelangan) dan penyakit yang dialami
pasien menggunakan aplikasi atau tools data mining Weka
2.1
Jenis Penelitian
Adapun jenis jenis penelitian yang dipakai
pada penelitian kali ini adalah sebagai berikut:
1.
Penelitian
Kuantitatif Adapun jenis penelitian ini digunakan oleh peneliti untuk
mendapatkan informasi mengenai obat mana yang paling sesuai dengan penyakit
diabetes berdasarkan obat mana yang paling sering dibeli pada Rumah Sakit Royal
Prima.
2.
Penelitian
Kualitatif Adapun permasalan saat ini kurangnya informasi mengenai obat
diabetes,jika kurang tepat obatnya maka bisa timbul penyakit baru atau yang
lebih serius lagi bahkan bisa berakibat kematian.
2.2 Waktu
Dan Tempat
Adapun
waktu dan tempat penelitian adalah Rumah Sakit Royal Prima pada tanggal 1 Maret
s/d 30 April 2019
2.3
Prosedur Kerja
Ada pun prosedur kerja dalam penelitian ini
adalah sebagai berikut :
1.
Siapkan data di Microsoft Excel
2. Simpan dalam bentuk CSV
3. Kemudian buka weka pilih Explorer
4. Kemudian pilih Open file
5. Ubah files of type afif ke csv
6. Cari file yang anda simpan
7. Kemudian Open
8. Kemudia pilih associate
9. Pilih apriori kemudian pilih start
2.4
Alat Dan bahan
Ada pun alat dan bahan yang penelitian gunakan
adalah sebagai berikut
1.
Laptop
Lenovo ThinkPad,Ram 4,Intel® core ™ i5-2520 CPU@2.50GHz 250 GHz
2.
System
Operating System 64 –bit
3.
Weka
3.8
4.
Microsoft
Excel 2007
2.5
Analisis Data
2.5.1
Analisi Data Obat
Obat
merupakan suatu benda atau zat yang dapat digunakan untuk merawat atau
menyembuhkan penyakit, membebaskan seseorang dari gejala penyakit atau mengubah
proses kimia di dalam tubuh. Dijabarkan lebih luas bahwa obat adalah suatu
bahan atau paduan bahan-bahan yang dimaksudkan untuk menetapkan
diagonis,mencegah, mengurangi, menyembuhkan, menghilangkan penyakit atau gejala
penyakit, luka dan kelainan, entah itu yang bersifat fisik maupun psikis.
Adapun banyak data awal 1000 obat dengan banyak transaksi sebanyak 365 intraksi.kemudian
kami terlusuri hanya 27 data obat yang berkaitan dengan diabetes dan dengan
banyak 365 intraksi.sehingga pada penelitian ini kami hanya memakai 27jenis
obat dan 365 intraksi saja.
2.5.2
Analisis Aplikasi Weka
WEKA merupakan API Java yang menyediakan API
untuk pengolahan dalam data mining yang berbasis open source (GPL) dan
berengine JAVA. WEKA dikembagkan oleh: Universitas Waikato di Selandia Baru dan
juga merupakan perangkat lunak gratis yang tersedia dibawah GNU (General Public
License).
Gambar 2.1.
Gambar Aplikasi Weka
WEKA
mulai dikembangkan sejak tahun 1994 dan telah menjadi software data mining open
source yang paling popular. WEKA mempunyai kelebihan seperti mempunyai banyak
algoritma data mining dan machine learning, kemudahan dalam penggunaannya,
selalu up-to-date dengan algoritma-algoritma yang baru. Software WEKA tidak
hanya digunakan untuk akademik saja namun cukup banyak dipakai oleh perusahaan
untuk meramalkan bisnis dari suatu perusahaan.
2.5.3
Analisis Algoritma
a.
Pengertian
Data Mining
Data mining merupakan suatu
proses penjelajahan atau mencari otomatis untuk mendapatkan informasi berguna
dalam suatu repository data yang sangat besar.Ada banyak sebutan lain dari data
mining seperti Knowledge discovery da
ta base (KDD), knowledge extraction, data/pattern analysis, data archeology,
data dredging, information harvesting, business intelligence.
b.Konsep
Data Mining Data mining adalah: bagian yang terintegrasi dari Knowledge
Discovery in Databases (KDD). Bertujuan untuk proses transformasi data mentah
menjadi informasi berguna.Jika di gambarkan secara detail tahapan KDD menjadi 5
tahap. Berikut Tahapannya:
1.
Seleksi
2.
Preprocessing
3.
Transformasi
4.
Data
Mining
5.
Interpretasi & Evaluasi
3.1
PEMBAHASAN
Data awal yang kita dapatkan
sebanyak 1000 data obat yang kita ambil dari Rumah Sakit Royal Prima, setelah
peneliti melihat dan mengecek data yang ada hanya 27 data obat yang sesuai
dengan peneliti kali ini yaitu obat diabetes. Dan banyak intraksi yang ada
sebanyak 365 hari yang dilakukan selama setahun. Dan nama obat yang kita ambil
sudah kita kodekan sesuai dengan nomor urut agar gampang kita ingat
No
|
Nama Obat
|
1
|
AMADIAB TAB
|
2
|
AMARYL 2MG TABLET
|
3
|
AMARYL 3MG TABLET
|
4
|
AMARYL 4MG TABLET
|
5
|
AMARYL 1/250 MG TABLET
|
6
|
AMARYL 2/250 MG TABLET
|
7
|
APIDRA SOLOSTAR
|
8
|
DIAMICRON 30 MG TABLET
|
9
|
DIAMICRON MR 60 MG TABLET
|
10
|
DOLO NEUROBION TABLET
|
11
|
EZELIN INSULIN GLARGINE
|
12
|
FASTOR 20 MG TABLET
|
13
|
FENOFIBRAT 300 KAPSUL
|
14
|
GALVUSMET 50/500 MG
|
15
|
GALVUSMET 50/850 MG
|
16
|
GLIBENCLAMIDE 5 MG TABLET
|
17
|
GLIKOS(METFORMIN) 500 MG TABLET
|
18
|
GLIMEPIRIDE 2 MG TABLET
|
19
|
GLIQUIDONE 2 MG TABLET
|
20
|
HUMALOG KWIKPEN 3 ML INJEKSI
|
21
|
HUMALOG MIX 25 KWIKPEN
|
22
|
HUMALOG MIX 50 KWIKPEN
|
23
|
HYDROCHLOROTHIAZIDE
|
24
|
JANUMET 50 MG/1000 MG TABLET
|
25
|
JANUMET 50 MG /500 MG TABLET
|
26
|
JANUMET 100 MG TABLET
|
27
|
LEVEMIR
|
Tabel 3.1. Tabel Penomoran Obat
1.
Pembentukan
Pola transaksi
Berdasarkan penomoran obat
diabetes diatas dapat peneliti buat pola transaksi yang mungkin akan terjadi
diantaranya
No
|
Item
|
1
|
1,3,4,5,6,7,8,10,12,13,14,15,16,16,18,19,20,21,22,23,24,25,26,27
|
2
|
1,2,3,4,5,6,7,9,10-27
|
3
|
1,2,3,4,5,6,7,9
|
4
|
6,8,9,10,11,12,13,14,16,17,18,19
|
5
|
1,2,4,5,8,18,19,20,21,22,23,24,25,26,27
|
6
|
9,10,11,12,13,14,15,16,17,18,19,23,24,25,26,27
|
7
|
1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19.20,21,23
|
8
|
1,7,8,9,10,11,17
|
9
|
4,5,6,8,15,16,18,19,20,22,23,24,25
|
10
|
1,2,3,5,6,7,8,11,12,13,14,15,16,18,19,20,21,22,23,24,25,26,27
|
11
|
1,3,4,18,22,23
|
12
|
9,10,11,12,13,14,15,16,17,18,23,24,25,26,27
|
13
|
1,2,3,4,5,6,7,8,9,10,11,17
|
Tabel 3.2. Tabel Pola Transaksi
2.
Penerapan
Algoritma Apriori
Setelah kita memiliki pola
transaksi maka selanjutnya kita akan mengikuti langkah langkah algoritma
apriori antara lain sebagai berikut:
a.
Pembuatan
format tabular
Pembuatan format tabular ini
berdasarkan data transaksi yang ada,maka akan terbentuk format tabular yang
sesuai algoritma apriori.jika obat yang kita beli maka kita tandakan dengan (y)
dan jika tidak kita tandakan dengan (n) maka hasilnya akan seperti berikut ini:
No
|
1
|
2
|
3
|
4
|
5
|
6
|
27
|
1
|
y
|
n
|
y
|
y
|
y
|
..
|
y
|
2
|
y
|
y
|
y
|
y
|
y
|
..
|
y
|
3
|
y
|
n
|
y
|
y
|
y
|
..
|
n
|
4
|
n
|
y
|
n
|
n
|
n
|
..
|
n
|
5
|
y
|
y
|
n
|
y
|
y
|
..
|
y
|
6
|
n
|
n
|
n
|
n
|
n
|
..
|
y
|
7
|
y
|
y
|
y
|
y
|
y
|
..
|
n
|
…
|
…
|
…
|
…
|
…
|
…
|
..
|
…
|
365
|
n
|
n
|
n
|
n
|
n
|
..
|
n
|
Tabel 3.3 Tabel Format tabular
b.
Analisis
pola Frekuensi Tinggi
Pada tahap ini kita mencari
frekuensi tinggi dengan cara mengkombinasikan beberapa item yang memenuhi
syarat minimum dari nilai support yang ada pada database
1. Pembentukan Itemset 1
Rumus Utama Pembentukan Itemset
Berikut ini adalah pembentukan 1
itemset
a. Data Obat 1
b. Data Obat 2
c. Data Obat 3
d.
Data
Obat 4
Dan
dengan langkah yang sama hingga banyak data obat ke 27. Maka hasilnya adalah
sebagai berikut
No
|
confident
|
|
1
|
244
|
68,84922
|
2
|
154
|
42,19178
|
3
|
173
|
47,39726
|
4
|
220
|
60,27397
|
5
|
220
|
60,27397
|
6
|
220
|
60,27397
|
7
|
199
|
54,52055
|
8
|
222
|
60,82192
|
9
|
215
|
58,90411
|
10
|
210
|
57,53425
|
11
|
204
|
55,89041
|
12
|
198
|
54,24658
|
13
|
198
|
54,24658
|
14
|
198
|
54,24658
|
15
|
201
|
55,06849
|
16
|
222
|
60,82192
|
17
|
211
|
57,80822
|
18
|
258
|
70,68493
|
19
|
232
|
63,56164
|
20
|
167
|
45,75342
|
21
|
117
|
32,05479
|
22
|
178
|
48,76712
|
23
|
215
|
58,90411
|
24
|
198
|
54,24658
|
25
|
198
|
54,24658
|
26
|
161
|
44,10959
|
27
|
161
|
44,10959
|
Tabel 3.4. Tabel Itemset 1
Dalam Itemset 1 ini kita telah mendapat
petunjuk dari aplikasi weka sebesar 50% untuk minimum support dalam penelitian
ini.jika ada data yang tidak mencapai nilai minimum support maka data akan di
hapus dari perhitungan berikutnya.berikut ini adalah data yang mencapai nilai minimum suppot.
No
|
confident
|
1
|
66,84932
|
4
|
60,27397
|
5
|
60,27397
|
6
|
60,27397
|
7
|
54,52055
|
8
|
60,82192
|
9
|
58,90411
|
10
|
57,53425
|
11
|
55,89041
|
12
|
54,24658
|
13
|
54,24658
|
14
|
54,24658
|
15
|
55,06849
|
16
|
60,82192
|
17
|
57,80822
|
18
|
70,68493
|
19
|
63,56164
|
23
|
58,90411
|
24
|
54,24858
|
25
|
54,24858
|
Tabel 3.5. Tabel Hasil Itemset 1
2.
Pembentukan
Itemset 2
Rumus itemset 2 sama dengan itemset 1 dan
yang telah memenuhi syarat minimum support adalah sebagai berikut:
Intraksi
|
banyak data
|
Support
|
4,5
|
197
|
54,7222
|
5,4
|
197
|
54,7222
|
5,6
|
183
|
50,8333
|
5,15
|
183
|
50,8333
|
5,19
|
183
|
50,8333
|
6,5
|
183
|
50,8333
|
6,16
|
184
|
51,11111111
|
6,19
|
181
|
50,27777778
|
8,18
|
183
|
50,83333333
|
9,10
|
181
|
50,27777778
|
10,9
|
181
|
50,27777778
|
10,17
|
207
|
57,5
|
12,13
|
197
|
54,72222222
|
12,14
|
196
|
54,44444444
|
12,15
|
185
|
51,38888889
|
13,12
|
197
|
54,72222222
|
13,14
|
195
|
54,16666667
|
13,16
|
185
|
51,38888889
|
14,12
|
196
|
54,44444444
|
14,13
|
195
|
54,16666667
|
14,16
|
185
|
51,38888889
|
15,5
|
183
|
50,83333333
|
15,12
|
185
|
51,38888889
|
15,16
|
186
|
51,66666667
|
16,13
|
185
|
51,38888889
|
16,15
|
186
|
51,66666667
|
16,6
|
184
|
51,11111111
|
16,18
|
186
|
51,66666667
|
16,19
|
185
|
51,38888889
|
17,1
|
203
|
56,38888889
|
18,8
|
183
|
50,83333333
|
18,16
|
186
|
51,66666667
|
19,5
|
183
|
50,83333333
|
19,6
|
181
|
50,27777778
|
19,16
|
185
|
51,38888889
|
Tabel 3.6
Hasil Itemset 2
3. Pembentukan Itemset 3
Pemebentukan Item set 3 sama dengan
Itemset 1 dan Itemset 2 caranya sama maka hasilnya adalah sebagai berikut ini:
4,5,6
|
43,288
|
4,5,8
|
34,521
|
4,5,9
|
26,301
|
4,5,10
|
24,11
|
4,5,12
|
24,658
|
4,5,13
|
24,658
|
4,5,14
|
24,658
|
4,5,15
|
33,699
|
4,5,16
|
24,658
|
4,5,17
|
24,658
|
4,5,18
|
33,973
|
4,5,19
|
42,74
|
4,6,5
|
43,288
|
4,6,8
|
30,959
|
...
|
...
|
19,18,17
|
31,50685
|
Gambar 3.7. Hasil Itemset 3
Setelah
di telitih kembali peneliti tidak mendapatkan data yang mencapai minimum
support dengan demikian untuk pencarian item set telah selesai kita lakukan
c. Pembentukan Aturan Asosiasi
Setelah
Penulis menemukan frekuensi tinggi sebuah Itemset maka kita akan melanjutkan
langka selanjutnya dengan cara mencari aturan asosiasi agar penulis dapat
menemukan hasil dari penelitian ini. Adapun rumus pembentukan aturan asosiasi
adalah sebagai berikut:
Maka hasilnya adalah
sebagai berikut
4,5,6 ->4
|
71.818.182
|
4,5,6->5
|
71.818.182
|
4,5,6->6
|
71.818.182
|
5,6,8->5
|
67.272.727
|
5,6,8->6
|
67.272.727
|
5,6,8->8
|
74.371.859
|
6,8,9->6
|
40.90,90,91
|
6,8,9->8
|
45.226.131
|
6,8,9->9
|
41.860.465
|
8,9,10->8
|
45.226.131
|
8,9,10->9
|
41.860.465
|
8,9,10->10
|
42.857.143
|
9,10,12->9
|
65118279
|
9,10,12->10
|
66.666.667
|
9,10,12->12
|
70,707071
|
10,12,13->10
|
76,666667
|
10,12,13->12
|
81.133.131
|
10,12,13->13
|
81.133.131
|
12,13,14 ->12
|
86,666667
|
12,13,14 ->13
|
91.919.192
|
12,13,14 ->14
|
91.919.192
|
13,14,15->13
|
78.787.879
|
13,14,15->14
|
78.787.879
|
13,14,15->15
|
7.761.194
|
14,15,16 ->14
|
83,3232
|
14,15,16 ->15
|
833.232
|
14,15,16 ->16
|
73.423.423
|
15,16,17->15
|
63,131313
|
15,16,17->16
|
56,306306
|
15,16,17->17
|
59,52381
|
16,17,18->16
|
55,855856
|
16,17,18->17
|
59.047.619
|
16,17,18->18
|
48,062016
|
17,18,19->17
|
51.801.802
|
17,18,19->18
|
44.573.643
|
17,18,19->19
|
49.568.966
|
4,5->4
|
89.545.455
|
5,6->5
|
83.181.818
|
6,8->6
|
68.181.818
|
8,9->8
|
43,21608
|
9,10->9
|
84.186.047
|
10,11->10
|
85.238.095
|
11,12->12
|
84.343.434
|
13,14->13
|
98.484.848
|
14,15->14
|
83.333.333
|
15,16->15
|
93.532.338
|
16,17->16
|
72.072.072
|
17,18->17
|
6.666.667
|
18,19->18
|
7.734.375
|
18,19->19
|
85.344.828
|
Tabel
3.8. Hasil
confident
Dari hasil penelitian kami mendapatkan informasi bahwa ada beberapa kombinasi yang mencapai 80%. kami prediksi
yang dapat diterapkan kesesuaian obat dalam mengobati penyakit diabetes
menggunakan algoritma apriori adalah sebagai berikut:
Intraksi
|
Confident
|
13,12 U
12
|
88.55 (
pengenapan 89)
|
13,12 U
13
|
88.55 (
pengenapan 89)
|
14,13 U
13
|
88.55 (
pengenapan 89)
|
14,13 U
14
|
88.55 (
pengenapan 89)
|
12,14 U
14
|
88.55 (
pengenapan 89)
|
14,12 U
12
|
88.55 (
pengenapan 89)
|
15 ,16 U
15
|
83,79 (
pengenapan 84)
|
16 ,15 U
16
|
92,54 (pengenapan 93)
|
14,15,16 ->15
|
83,3232 (pengenapan
84)
|
18,19->18
|
85
|
Intraksi
|
Confident
|
13,12 U
12
|
88.55 (
pengenapan 89)
|
13,12 U
13
|
0.9
=88.55 ( pengenapan 89)
|
14,13 U
13
|
197 U 198=99,5
x minimum matrik 0.9 =88.55 ( pengenapan 89)
|
14,13 U
14
|
197 U
198=99,5 x minimum matrik 0.9 =88.55 ( pengenapan 89)
|
12,14 U
14
|
197 U
198=99,5 x minimum matrik 0.9 =88.55 ( pengenapan 89)
|
14,12 U
12
|
197 U
198=99,5 x minimum matrik 0.9 =88.55 ( pengenapan 89)
|
15 ,16 U
15
|
186 U
222 =83,79=75,6
|
16 ,15 U
16
|
186 U
201 =92,54 =83,3
|
14,15,16 ->15
|
83,3232
|
18,19->18
|
85
|
Tabel 3.9. Hasil confidence
tertinggi
3.2
Hasil
Gambar
3.1. Hasil Aplikasi Weka
2
|
21
|
10
|
17
|
26
|
27
|
12
|
13
|
14
|
154
|
117
|
210
|
210
|
161
|
161
|
198
|
198
|
198
|
Tabel
3.10 Perbadndingan 1
Dari
hasil penelitian diatas bisa peneliti
simpulkan bahwa penelitian ini tingkat keakuratan algoritma menggunakan weka
hampir bisa dinyatakan bagus karena
mencapai 89% sampai 90%
Intraksi
|
Confident
|
13,12 U
12
|
88.55 (
pengenapan 89)
|
13,12 U
13
|
88.55 (
pengenapan 89)
|
14,13 U
13
|
88.55 (
pengenapan 89)
|
14,13 U
14
|
88.55 (
pengenapan 89)
|
12,14 U
14
|
88.55 (
pengenapan 89)
|
14,12 U
12
|
88.55 (
pengenapan 89)
|
15 ,16 U
15
|
83,79 (
pengenapan 84)
|
16 ,15 U
16
|
92,54 (pengenapan 93)
|
14,15,16 ->15
|
83,3232 (pengenapan
84)
|
18,19->18
|
85
|
Gambar 3.11. Perbandingan 2
4.1
Kesimpulan
Dari hasil penelitian diatas bisa peneliti simpulkan
bahwa penelitian ini tingkat keakuratan algoritma menggunakan weka bisa dinyatakan
bagus karena tingkat keakuratannya
mencapai 89% sampai 90%. Dimana data yang digunakan pada penelitian ini
data obat sebanyak 27 jenis dengan banyak yang membeli selama 365 hari.
1.
Aplikasi
weka berhasil membentuk pola kombinasi itemsets dan rules
2.
Aplikasi
weka berhasil memebrikan informasi kesesuai obat pada penyakit berdasarkan obat
yang paling laris /digunakan pada Rumah Sakit Royal Prima
3.
Teknik
data mining dengan algoritma apriori dapat diimplementasikan pada sistem
persediaan dengan data yang digunakan adalah data penjualan (data obat keluar).
4.
Data
mining dengan algoritma apriori memiliki kelemahan karena harus melakukan scan
database setiap kali iterasi, sehingga waktu bertambah setiap kali iterasi.
4.2
Saran
Untuk kepentingan lebih lanjut dari penulisan
Jurnal 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.
Daftar Pustaka
[1] Buulolo, Efori .
2013.Implementasi Algoritma Apriori pada sistem persedian obat. Pelita
Informatika Budi Darma, Volume : IV Nomor1
[2] Rodiyansyah,Fajar.S, Algoritma Apriori
untuk Analisis keranjang Belanja pada Data Transaksi Penjualan.Infotect Journal
[3] Ulvah , 2018 Implementasi Algoritma
Apriori Aturan Keterkaitan Data untuk Analisis keranjang belanja sistem
persedian obat pada Apotek PERDOS Farma Makassar. Journal.UIN-alauddin,Volume 3
Nomor 3
[4] Hidayat.A.Z, dkk,
2017 Penerapan Apriori
untuk menentukan strategi penjualan pada rumah makan “DAPOER
EMAK” Pati.DINUS
Komentar
Posting Komentar