APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI

Transkripsi

1 APLIKASI DATA MINING UNTUK POLA PERMINTAAN DARAH DI UDD ( UNIT DONOR DARAH ) PMI KOTA SURABAYA MENGGUNAKAN METODE APRIORI Budanis Dwi Meilani, dan Dermawan Cahyo Utomo Jurusan Teknik Informatika, Fakultas Teknologi Informasi Insitut Teknologi Adhi Tama Surabaya Jl. Arief Rahman Hakim 100 Surabaya dwimeilanibudanis@yahoo.com, dermawan_cu@yahoo.com ABSTRAK Palang Merah Indonesia (PMI) khususnya bagian UDD (Unit Donor Darah) berusaha memenuhi permintaan darah oleh pasien yang membutuhkan. Namun tidak semua permintaan darah dapat terpenuhi. Untuk mengatasi masalah tersebut dibutuhkan suatu analisa pola data transaksi permintaan darah. Dengan mengetahui pola permintaan darah oleh pasien, maka UDD dapat meminimalisir jumlah permintaan darah yang tidak dapat terpenuhi. Pola asosiasi menggunakan algoritma apriori adalah salah satu algoritma data mining untuk mencari pola frekuensi tinggi, pola frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki frekuensi di atas ambang batas tertentu yang disebut minimum support. Dengan menghasilkan pola permintaan darah menggunakan algoritma apriori, maka dapat disimpulan dari hasil uji yang telah dilakukan adalah penentuan nilai minimum support akan memberikan hasil pola permintaan darah yang berbeda-beda sesuai dengan nilai supportnya, dengan mempertimbangkan juga nilai confidence. Kombinasi pola itemset yang memiliki nilai support dan confidence lebih besar dari pola lainnya dapat dikatakan sebagai pola permintaan darah yang paling baik dan sebagai bahan pertimbangan dalam pengambilan keputusan. Pola permintaan darah yang terjadi di PMI pada kondisi tidak menghasilkan pola pada minimum support 67%. Kata kunci: PMI, Data Mining, Pola Asosiasi, Algoritma Apriori, Minimum Support, Minimum Confidence. PENDAHULUAN Palang Merah Indonesia (PMI) merupakan sebuah organisasi perhimpunan nasional di Indonesia yang bergerak dalam bidang sosial kemanusiaan, salah satu tugas dari PMI adalah melayani permintaan darah oleh masyarakat yang membutuhkan. Permintaan akan darah berbeda-beda tiap tahun nya di tiap daerah di Surabaya maupun di luar daerah lain, untuk itu dibutuhkan suatu aplikasi yang dapat mengantisipasi permintaan darah berdasarkan data yang di peroleh PMI kota Surabaya dari tahun ke tahun. Dari data tersebut dapat dicari informasi penting yang di gunakan untuk menunjang kegiatan pengambilan keputusan yang strategis tentang pola permintaan darah, distribusi darah dan jumlah persediaan darah. Untuk mengatasi masalah tersebut dibutuhkan suatu analisa pola data transaksi permintaan darah untuk mengetahui pola permintaan darah oleh pasien atau rumah sakit sehingga UDD PMI dapat mengantisipasi jumlah permintaan darah dan meminimalisir C-8-1

2 jumlah permintaan darah yang tidak dapat terpenuhi. Dengan demikian PMI kota Surabaya di harapkan dapat mengantisipasi masalah tersebut. DASAR TEORI Secara sederhana data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data. Data mining, sering juga disebut sebagai knowledge discovery in database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu-ilmu lain, seperti database sistem, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing. Data mining didefinisikan sebagai proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar. Karakteristik data mining sebagai berikut: Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi. METODE APRIORI Metode Apriori diperkenalkan oleh Agrawal dan Srikant pada tahun Sampai saat ini algoritma tersebut merupakan algoritma asosiasi yang telah banyak digunakan dan dikembangkan oleh para peneliti. Dalam asosiasi terdapat istilah antecedent dan consequent, antecedent untuk mewakili bagian jika dan consequent untuk mewakili bagian maka. Dalam analisis ini, antecedent dan consequent adalah sekelompok item yang tidak punya hubungan secara bersama (Santoso, 2007). Untuk mengukur kekuatan aturan asosiasi ini, digunakan ukuran support dan confidence. Support adalah rasio antara jumlah transaksi yang memuat antecedent dan consequent dengan jumlah transaksi. Confidence adalah rasio antara jumlah transaksi yang meliputi semua item dalam antecedent dan consequent dengan jumlah transaksi yang meliputi semua item dalam antecedent. Langkah pertama algoritma apriori adalah, support dari setiap item dihitung dengan men-scan database. Setelah support dari setiap item didapat, item yang memiliki support lebih besar dari minimum support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set yang terdiri dari k item. Iterasi kedua menghasilkan 2-itemset yang tiap set-nya memiliki dua item. Pertama dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap kandidat 2-itemset ini dihitung support-nya dengan men-scan database. C-8-2

3 Support artinya jumlah transaksi dalam database yang mengandung kedua item dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2. (Pramudiono, 2007) Untuk selanjutnya iterasi iterasi ke-k dapat dibagi lagi menjadi beberapa bagian: 1. Pembentukan kandidat itemset Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma apriori adalah adanya pemangkasan kandidat k- itemset yang subset-nya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k Penghitungan support dari tiap kandidat k-itemset Support dari tiap kandidat k-itemset didapat dengan men-scan database untuk menghitung jumlah transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini adalah juga ciri dari algoritma apriori yaitu diperlukan penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang. 3. Tetapkan pola frekuensi tinggi Pola frekuensi tinggi yang memuat k item atau k-itemset ditetapkan dari kandidat k- itemset yang support-nya lebih besar dari minimum support. Kemudian dihitung confidence masing-masing kombinasi item. Iterasi berhenti ketika semua item telah dihitung sampai tidak ada kombinasi item lagi. (Pramudiono, 2007) HASIL DAN PEMBAHASAN Aplikasi yang dibuat bertujuan untuk mendapatkan pola assosiasi permintaan darah yang terjadi di UDD PMI kota Surabaya berdasarkan data yang tersimpan di UDD PMI untuk meminimalisir jumlah permintaan darah yang tidak terpenuhi. Sumber Data Sumber data yang digunakan terdiri dari satu sumber data, yaitu data permintaan darah di UDD PMI kota Surabaya.Data Permintaan darah adalah data yang diperoleh dari pasien saat pasien tersebut mengajukan permintaan darah di UDD PMI kota Surabaya. Data yang dicatat terdiri dari tanggal transaksi, nama pasien, nama rumah sakit pasien, golongan darah yang diminta, jenis-jenis darah yang dibutuhkan. Transformasi data Berikut adalah contoh data permintaan darah. Tabel 1. Contoh Data Transaksi Permintaan Darah C-8-3

4 Ditranformasikan sebagai berikut: Tabel 2. Transformasi Golongan Darah Tabel 3. Tabel Transformasi Jenis Darah Berikut adalah data permitaan darah yang telah di tranformasi. Tabel 4. Contoh Data Transaksi Permintaan Darah (Transformasi) Analisa Metode Apriori Dalam proses analisa penulis menggunakan data transaksi permintaan darah pada bulan Oktober ) Misal ditentukan minimum support 27% dari 15 transaksi kemudian sistem menscan database untuk mendapatkan kandidat 1-itemset. Tabel 5. Candidat 1-itemset Item yang tidak memenuhi minimum support, maka di eleminasi kemudian dimasukan kedalam tabel large 1-itemset. C-8-4

5 Tabel 6. Large 1-itemset Sistem menscan untuk mendapatkan 2-itemset Tabel 7. Candidat 2-itemset Item yang tidak memenuhi minimum support, maka di eleminasi kemudian dimasukan kedalam tabel large 2-itemset. Tabel 8. Large 2-itemset 2) Sistem menscan untuk mendapatkan 3-itemset Tabel 9. Candidat 3-itemset Item yang tidak memenuhi minimum support, maka di eleminasi kemudian dimasukan kedalam tabel large 3-itemset. Tabel 10. Large 3-itemset C-8-5

6 3) Sistem menscan untuk mendapatkan 4-itemset Tabel 11. Candidat 4-itemset Dapatkan tabel kandidat 4-itemset terdapat himpunan { A2, B1, B2,B6} tetapi karena {A2,B1,B2} tidak terdapat dalam tabel Large 3 Itemset, maka himpunan itu dipangkas. Sehingga hasil dari C4= φ, Dan sistem berhenti men-scan. 4) Setelah sistem berhenti menscan kemudian sistem menampilkan tabel assosiasi rule. Tabel 12. Assosiation rule Implementasi Sistem Menu help pada menu ini user dibantu untuk menggunakan aplikasi ini mulai dari memasukan parameter yang dibutuhkan untuk proses mining serta batas range tanggal data yang akan di mining. Gambar 2. Menu Help Gambar 3. Menu Analysis Apriori Menu Analysis Apriori pada menu ini digunakan user untuk mencari pola assosiasi dari data permintaan darah. C-8-6

7 KESIMPULAN DAN SARAN Dari hasil analisa dan pembahasan yang dibuat, maka dapat disimpulkan bahwa: 1. Penentuan nilai minimum support akan memberikan hasil pola permintaan darah yang berbeda-beda sesuai dengan nilai supportnya, dengan mempertimbangkan juga nilai confidence pada setiap pola yang dihasilkan. 2. Kombinasi pola itemset yang memiliki nilai support dan confidence lebih besar dari pola lainnya dapat dikatakan sebagai pola permintaan darah yang paling baik dan sebagai bahan pertimbangan dalam pengambilan keputusan. 3. Aplikasi data mining PMI dapat digunakan untuk menganalysis pola permintaan darah yang terjadi di PMI. Pada kondisi tidak menghasilkan pola pada minimum support 67%. DAFTAR PUSTAKA Apriori algorithm. From 3 November Darmayuda, Ketut (2010). Pemrograman Aplikasi Database dengan Microsoft Visual Basic.NET. Bandung: Penerbit Informatika. Endros Isnento Wijoto.2011 Sistem Penunjang Keputusan Penempatan Produk Di Pasar Swalayan Menggunakan Algoritma Apriori. Kusrini, dan Emha Taufik Luthfi (2009). Algoritma Data Mining, Penerbit Andi, Yogyakarta. Muhammad Afif Syaifullah.2010 Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan. Nugroho, Aryo (2009) Menguasai T-SQL Query dan Programing SQL Server Yogyakarta: Penerbit Andi Publisher. PMI Cabang Surabaya. From 3 November UDD (Unit Donor Darah) Provinsi Jawa Timur Jln. Embong Ploso No Surabaya. Yogi Yusuf W., F. Rian Pratikto, Gerry T Jurnal Penerapan Data Mining dalam Penentuan Aturan Asosiasi Antar Jenis Item. C-8-7