BAB I PENDAHULUAN. Penerapan Algoritma Apriori yang ada saat ini telah di terapkan ke

BAB I PENDAHULUAN 1.1 Latar Belakang Penerapan Algoritma Apriori yang ada saat ini telah di terapkan ke berbagai bidang salah satunya bisnis atau perdagangan. Implementasi data mining digunakan untuk sistem penjualan tujuannya untuk membantu dalam peningkatkan penjualan dan memaksimalkan persediaan produk. Hal yang sama perlu di terapkan dalam dunia industri, khususnya di apotik yang menuntut para pengembang untuk menemukan suatu strategi yang dapat meningkatkan penjualan obat dengan memaksimalkan pelayanan pada konsumen (Buulolo Efori, 2013). Semakin banyak jumlah apotik yang berkembang saat ini membuat para pengelola ingin menunjukan strategi pemasaran yang lebih baik. Untuk itu maka para pengelola harus mencermati pola pola pembelian yang dilakukan oleh konsumen. Seperti pola penjualan obat sehari-hari di Apotik Buana yang penulis amati ketika sedang membeli obat disana. Penulis menemukan banyak kekurangan yang terjadi pada Apotik Buana tersebut diantaranya permasalahan yang sering timbul antara lain, sering sekali pemesanan obat yang diinginkan konsumen tidak ada atau habis karena mereka tidak mengamati transaksi yang ada. Hal ini tentu sangat mengecewakan konsumen yang hendak membeli obat, karena persediaan obatnya tidak terkontrol baik. Agar transaksi penjualan obat 1

2 dapat berjalan dengan baik, maka pola persediaan obat harus diketahui, untuk dapat mengetahui pola pembelian konsumen, dari pola pembelian konsumen inilah kita dapat mengetahui obat apa saja yang sering dibeli dan mengetahui keterkaitan pembelian suatu obat dengan obat yang lain. Dari hasil tersebut kita dapat mengatur persediaan obat dengan menambah dan menyeimbangkan persediaan obat yang sering dibeli secara bersamaan, dan juga mengurangi persediaan obat yang paling jarang dibeli. Oleh karena itu penulis mencoba untuk menyelesaikan permasalahan yang ada di Apotik Buana dengan salah satu teknik yang digunakan dalam pengolahan data tersebut dengan menggunakan Algoritma Apriori. Algoritma apriori termasuk jenis aturan asosiasi pada data mining yang merupakan algoritma yang digunakan untuk menghasilkan association rule. Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasi (Budhi dkk, 2007). Dalam penelitian ini akan dibuat suatu analisis persediaan dan transaksi penjualan obat dengan algoritma apriori yang dapat membantu dalam melihat pola pembelian obat yang paling sering dibeli. Dan pada tahap pengujian akan digunakan software Weka 3.6.13 agar data yang di dapat dari penelitian ini dapat lebih akurat. Dengan latar belakang ini maka penulis membuat skripsi yang berjudul Penerapan Algoritma Apriori Terhadap Analisis Data Persediaan Dan Transaksi Penjualan Obat Pada Apotik Buana Palembang.

3 1.2 Perumusan Masalah Dari latar belakang masalah diatas maka dapat dirumuskan sebuah permasalah yang dapat di jadikan acuan yaitu : 1. Bagaimana menerapkan algoritma apriori pada data persediaan dan transaksi penjualan obat pada Apotik Buana? 2. Bagaimana memperoleh presentasi pola kombinasi obat dari data penjualan obat yang paling banyak terjual untuk dapat memaksimalkan persediaan obat? 3. Bagaimana menguji data hasil persediaan dan penjualan obat pada algoritma apriori dengan Weka 3.6.13? 1.3 Batasan Masalah Agar pembahasan ini lebih terarah dan tidak menyimpang dari permasalahan yang ada yaitu: melakukan analisis dalam penerapan algoritma apriori hanya pada data persediaan dan transaksi penjualan obat. Dan pada tahap pengujian hanya menggunakan Weka 3.6.13. 1.4 Tujuan dan Manfaat Penelitian 1.4.1 Tujuan Penelitian Tujuannya adalah untuk mengetahui pola pembelian dan kombinasi obat yang sering dibeli konsumen berdasarkan transaksi penjualan yang nantinya persediaan obat agar transaksi penjualan dapat berjalan lebih baik.

4 1.4.2 Manfaat Penelitian Manfaat penelitian adalah agar dapat membantu perusahaan mengetahui persediaan obat apa saja yang harus ditambah ataupun dikurangi persediaannya agar dapat meningkatkan transaksi penjualan di Apotik Buana. 1.5 Sistematika Penulisan Sistematika penulisan ini menguraikan struktur bab dalam penelitian dan gambaran umum dari masing-masing bab. BAB I PENDAHULUAN Bab ini menjelaskan tentang latar belakang penelitian, perumusan masalah, batasan masalah, tujuan dan manfaat dari penelitian. BAB II LANDASAN TEORI Bab ini mencakup teori-teori yang berhubungan dengan judul. BAB III METODOLOGI PENELITIAN Dalam bab ini penulis menjelaskan tentang waktu dan tempat penelitian, alat dan bahan, metode penelitian, metode pengumpulan data, dan serta tinjauan objek yang akan diteliti. BAB IV HASIL DAN PEMBAHASAN Bab ini membahas laporan lengkap hasil dari penerapan Algoritma Apriori terhadap data persediaan dan transaksi penjualan obat. BAB V KESIMPULAN DAN SARAN Pada bab ini menguraikan kesimpulan dan saran dari semua bab.

BAB II LANDASAN TEORI 2.1 Data Mining Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database. 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 database besar (Turban, dkk. 2005). Hal penting yang terkait dengan data mining adalah: 1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada. 2. Data yang akan diproses berupa data yang sangat besar. 3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Hubungan yang dicari dalam data mining yaitu hubungan antara dua atau lebih dalam satu dimensi. Misalnya dalam dimensi produk kita dapat melihat keterkaitan pembelian suatu produk dengan produk yang lain (Ponniah, 2001). Data mining sangat perlu dilakukan terutama dalam mengelola Data yang sangat besar untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data warehousing agar dapat memberikan informasi yang akurat bagi penggunanya. 5

6 Alasan utama mengapa data mining sangat menarik perhatian industri informasi dalam beberapa tahun belakangan ini adalah karena tersedianya data dalam jumlah yang besar dan semakin besarnya kebutuhan untuk mengubah data tersebut menjadi informasi dan pengetahuan yang berguna karena sesuai fokus bidang ilmu ini yaitu melakukan kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran atau berjumlah besar, informasi inilah yang nantinya sangat berguna untuk pengembangan. berikut langkah-langkahnya : 1. Data cleaning (untuk menghilangkan noise data yang tidak konsisten) Data integration (di mana sumber data yang terpecah dapat disatukan). 2. Data selection (di mana data yang relevan dengan tugas analisis dikembalikan ke dalam database). 3. Data transformation (di mana data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi). 4. Knowledge Discovery (proses esensial di mana metode yang intelejen digunakan untuk mengekstrak pola data). 5. Pattern evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik). 6. Knowledge presentation (di mana gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambang kepada user).

7 2.2 Pengelompokan Data Mining Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu (Larose, 2005): 1. Deskripsi Terkadang peneliti dan analis secara sederhana ingin mencoba mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat menemukan keterangan atau fakta bahwa siapa yang tidak cukup professional akan sedikit didukung dalam pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan penjelasan untuk suatu pola atau kecenderungan. 2. Estimasi Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi lebih kearah numeric dari pada kearah kategori. Model dibangun menggunakan record lengkap yang menyediakan nilai dari variable target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variable target dibuat berdasarkan nilai variable prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, indeks berat badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai variable prediksi dalam proses pembelajaran akan menghasilkan model estimasi. Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainya. Contoh lain yaitu estimasi nilai indeks prestasi kumulatif mahasiswa program pascasarjana

8 dengan melihat nilai indeks prestasi mahasiswa tersebut pada saat mengikuti program sarjana. 3. Prediksi Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Contoh prediksi dalam bisnis dan penelitian adalah prediksi harga beras dalam tiga bulan yang akan datang, dan contoh lain adalah prediksi persentase kenaikan kecelakaan lalu lintas tahun depan jika batas bawah kecepatan dinaikan. 4. Klasifikasi Dalam klasifikasi, terdapat target variable kategori. Sebagai contoh, penggolongan pendapatan dapat dibagi ke tiga kategori, yaitu pendapatan tinggi, sedang dan rendah. Contoh lain klasifikasi dalam bisnis dan penelitian adlaah: a. Menentukan apakah suatu transaksi kartu kredit merupakan transaksi yang curang atau bukan. b. Memperkirakan apakah suatu pengajuan hipotek oleh nasabah merupakan suatu kredit yang baik atau buruk. c. Mendiagnosis penyakit seorang pasien untuk mendapatkan termasuk kategori penyakit apa. 5. Pengklusteran Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.

9 Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain. 6. Asosiasi Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja. Contoh asosiasi dalam bisnis dan penelitian adalah: meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang diharapkan untuk memberikan respon positif terhadap penawaran upgrade layanan yang diberikan dan menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan. 2.3 Algoritma Apriori Algoritma Apriori termasuk jenis aturan asosiasi pada data mining yang menyatakan asosiasi antara beberapa atribut atau sering disebut market basket analysis (Kusrini, Emha, 2009). Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainya. Secara khusus, salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frekuensi tinggi (frequent pattern mining). Secara garis besar cara kerja algoritma apriori adalah : 1. Pembentukan kandidat itemset, Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari algoritma

10 Apriori yaitu adanya pemangkasan kandidat k-itemset yang subset-nya berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1. 2. 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 tsb. Ini adalah juga ciri dari algoritme Apriori dimana 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. 4. Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k ditambah satu dan kembali ke bagian 1. Proses utama yang dilakukan dalam algoritma Apriori untuk mendapatkan frequent itemset yaitu (Erwin, 2009) : 1. Join (penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi. 2. Prune (pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Pada iterasi ke-k akan ditemukan semua itemset yang memiliki k item, disebut dengan k-itemset. Tiap iterasi terdiri dari dua tahap, yaitu : a. Gunakan frequent (k-1) itemset untuk membangun kandidat frequent k- itemset

11 b. Gunakan scan database dan pencocokan pola untuk mengumpulkan hitungan untuk kandidat itemset 2.4 Association Rule Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara kombinasi item. Contoh dari aturan asosiasi biasanya dinyatakan dalam bentuk : {roti, mentega} -> {susu} (support = 40%, confidence = 50%), aturan tersebut berarti 50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu. Dapat juga diartikan : Seorang konsumen membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini." (Kusrini, Emha, 2009). Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis. Fungsi Association Rules seringkali disebut dengan "market basket analysis", yang digunakan untuk menemukan relasi atau korelasi diantara himpunan item. Market Basket Analysis adalah Analisis dari kebiasaan membeli customer dengan mencari asosiasi dan korelasi antara item-item berbeda yang diletakkan customer dalam keranjang belanjaannya. Fungsi ini paling banyak

12 digunakan untuk menganalisa data dalam rangka keperluan strategi pemasaran, desain katalog, dan proses pembuatan keputusan bisnis. 2.5 Metodologi Analisis Asosiasi Metodologi dasar analisis asosiasi terbagi menjadi dua tahap yang bertujuan untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidance (minimum confidance) : 1. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut: Support (A) =... (1) Sedangkan nilai dari support 2 item diperoleh dari rumus berikut : Support (A,B) = P (A B) Support (A, B) =... (2) 2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B Nilai confidence dari aturan A B diperoleh dari rumus berikut : Confidence = P (B A) =... (3)

13 Untuk lebih jelasnya Berikut ini adalah skema proses pengolahan data menggunakan Algoritma Apriori (Chintia, 2013) : Data transaksi Penentuan kandidat pertama Perhitungan Support Penentuan kandidat 3 kombinasi Perhitungan Support Penentuan Kandidat dua kombinasi Perhitungan Support Aturan Assosiasi Perhitungan Confidence Aturan Assosiasi Final Gambar 2.1 Skema Proses Pengolahan Data Dengan Algoritma Apriori 2.6 Analisis Data Analisis data diartikan sebagai upaya mengolah data menjadi informasi, sehingga karakteristik atau sifat-sifat data tersebut dapat dengan mudah dipahami dan bermanfaat untuk menjawab masalah-masalah yang berkaitan dengan kegiatan penelitian. Dengan demikian, teknik analisis data dapat diartikan sebagai cara melaksanakan analisis terhadap data, dengan tujuan mengolah data tersebut menjadi informasi, sehingga karakteristik atau sifat-sifat datanya dapat dengan

14 mudah dipahami dan bermanfaat untuk menjawab masalah-masalah yang berkaitan dengan kegiatan penelitian, baik berkaitan dengan deskripsi data maupun untuk membuat induksi, atau menarik kesimpulan tentang karakteristik populasi (parameter) berdasarkan data yang diperoleh dari sampel (statistik). 2.6.1 Macam Macam Analisis Data Teknik analisis data dalam penelitian, dibagi menjadi dua, yaitu teknik analisis data diskriptif dan teknik analisis data inferensial. Teknik analisis data penelitian secara deskriptif dilakukan melalui statistika deskritif, yaitu statistik yang digunakan untuk menganalisis data dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul sebagaimana adanya tanpa bermaksud membuat generalisasi hasil penelitian. Temasuk dalam teknik analisis data statistik deskriptif antara lain penyajian data melalui tabel, grafik, diagram, persentase, frekuensi, perhitungan mean, median atau modus. Sementara itu teknik analisis data inferensial dilakukan dengan statistik inferensial, yaitu statistik yang digunakan untuk menganalisis data dengan membuat kesimpulan yang berlaku umum. Ciri analisis data inferensial adalah digunakannya rumus statistik tertentu (misalnya uji t, uji F, dan lain sebagainya). Hasil dari perhitungan rumus statistik inilah yang menjadi dasar pembuatan generalisasi dari sampel bagi populasi. 2.6.2 Tujuan Analisis Data Adapun tujuan dari analisis data ialah untuk mendeskripsikan data, biasanya dalam bentuk frekuensi, ukuran tendensi sentral maupun ukuran dispersi, sehingga dapat dipahami karakteristik datanya. Dalam statistika, kegiatan

15 mendeskripsikan data ini dibahas pada statistika deskriptif. Tujuan lainya adalah untuk membuat induksi atau menarik kesimpulan tentang karakteristik populasi, atau karakteristik populasi berdasarkan data yang diperoleh dari sampel (statistik). Kesimpulan yang diambil ini bisanya dibuat berdasarkan pendugaan (estimasi) dan pengujian hipotesis. Dalam statistika, kegiatan membuat induksi atau menarik kesimpulan tentang karakteristik populasi atau sampel ini dibahas pada statistika inferensial. 2.6.3 Langkah dan Prosedur Analisis Data Adapun langkah-langkah dalam analisis data, yang diantaranya sebagai berikut ini : 1. Tahap mengumpulkan data, dilakukan melalui instrumen pengumpulan data. 2. Tahap editing, yaitu memeriksa kejelasan dan kelengkapan pengisian instrumen pengumpulan data. 3. Tahap koding, yaitu proses identifikasi dan klasifikasi dari setiap pertanyaan yang terdapat dalam instrumen pengumpulan data menurut variabel-variabel yang diteliti. 4. Tahap tabulasi data, yaitu mencatat atau entri data ke dalam tabel induk penelitian. 5. Tahap pengujian kualitas data, yaitu menguji validitas dan realiabilitas instrumen pengumpulan data. 6. Tahapmendeskripsikan data, yaitu tabel frekuensi dan/atau diagram, serta berbagai ukuran tendensisentral, maupun ukuran dispersi. tujuannya memahami karakteristik data sampel penelitian.

16 7. Tahap pengujian hipotesis, yaitu tahap pengujian terhadap proposisi-proposisi yang dibuat apakah proposisi tersebut ditolak atau diterima, serta bermakna atau tidak. Atas dasar Pengujian hipotesis inilah selanjutnya keputusan dibuat. 2.7 Microsoft Excel Microsoft excel adalah program aplikasi pada Microsoft Office yang digunakan dalam pengolahan angka (Aritmatika).Microsoft Excel sangat membantu kita dalam menyelesaikan permasalahan yang mudah sampai dengan yang rumit dalam bidang administratif khususnya. Microsoft Excel adalah aplikasi pengolah angka yang dikeluarkan oleh Microsoft Corporation. Microsoft Office Excel memang dikenal dengan penggunaan rumus-rumus atau formula dalam lembar kerjanya. Penggunaan rumus yang efektif akan memudahkan Anda dalam membuat laporan pekerjaan dengan menggunakan MS Excel. Formula atau rumus MS Excel adalah keunggulan tersendiri untuk aplikasi ini, dengan kemampuannya dalam mengolah data melalui perhitungan matematis yang sangat beragam fungsinya. yaitu: Kelebihan Ms Excel Menurut Ardy (2012), kelebihan Microsoft Excel, 1. Mempunyai kemampuan menampung data yang cukup besar dengan 1 juta baris dan 16.000 kolom dalam 1 sheet. Jadi dalam 1 sheet bisa menampung jawaban 1 juta responden dan 16 ribu jawaban/pertanyaan. 2. Microsoft excel mempunyai Format yang paling populer dan fleksibel jadi sebagian besar software data entry ada fasilitas konversi ke format excel atau

17 format lain yang bisa dibaca excel. Atau jika dibutuhkan kita bisa konversi balik dari excel ke software statistik lainnya. 3. Microsoft Excel mempunyai program penggunaan rumus yang sangat lengkap sehingga mempermudah pengolahan angka untuk menghasilkan dokumen yang lebih canggih. 4. Dengan Pivot Tables, kita bisa kerja lebih efektif karena semua tabel summary yang kita rencanakan bisa kita buat dahulu walaupun data belum masuk semua. Setiap ada data masuk otomatis pivot table akan me-refresh sehingga tabel akan terupdate sendiri. Dan kekurangan Ms Exel Menurut Ardy (2012), Kekurangan Microsoft Excel, yaitu: 1. Software pengolah angka ini berbayar atau tidak gratis. 2. Aplikasi ini memerlukan banyak memory (RAM) dan proccessor yang besar (CPU). 3. Untuk membuat kolom baru yang berisi pengkategorian dari sebuah kolom atau jawaban pertanyaan, atau membuat filter responden; kita harus membuat rumus excel baik rumus matematika, logika maupun text. 2.8 Weka The Waikato Environment for Knowledge Analysis (Weka) adalah rangkaian lengkap perpustakaan kelas Java yang mengimplementasikan banyak state-of-the-art pembelajaran mesin dan algoritma data mining. Weka tersedia secara bebas di World Wide Web dan menyertai teks baru pada dokumen data mining dan sepenuhnya menjelaskan semua algoritma yang

18 dikandungnya. Aplikasi yang ditulis menggunakan library class pada Weka yang dapat dijalankan pada komputer manapun dengan kemampuan browsing Web, ini memungkinkan pengguna untuk menerapkan teknik pembelajaran mesin untuk data mereka sendiri terlepas dari platform komputer. (Witten, Frank & Hall, 2011) Gambar 2.2 Tampilan Awal Weka Empat tombol diatas dapat digunakan untuk menjalanankan Aplikasi yang berfungsi untuk : 1. Explorer digunkan untuk menggali lebih jauh data dengan aplikasi WEKA. 2. Experimenter digunakan untuk melakukan percobaan dengan pengujian statistic skema belajar. 3. Knowledge Flow digunakan untuk pengetahuan pendukung. 4. Simple CLI antar muka dengan menggunakan tampilan command-line yang memungkinkan langsung mengeksekusi perintah weka untuk Sistem Operasi yg tidak menyediakan secara langsung.

19 WEKA mendukung beberapa jenis format file yang akan digunakan untuk inputnya, yaitu : 1. Comma Separated Values (CSV): Merupakan file teks dengan pemisah tanda koma (,) yang cukup umum digunakan. 2. Format C45: Merupakan format file yang dapat diakses dengan menggunakan aplikasi WEKA. 3. Attribute-Relation File Format (ARFF): Merupakan tipe file teks yang berisi berbagai instance data yang berhubungan dengan suatu set atribut data yang dideskripsikan serta di dalam file tersebut. 4. SQL Server/MySql Server: Dapat mengakses database dengan menggunakan SQL Server/MySql Server. 2.9 Penelitian Sebelumnya 2.9.1 Analisis Algoritma Apriori Untuk Menentukan Merek Pakaian Yang Paling Diminati Pada Mode Fashion Group Medan Pada penelitian ini dilakukan oleh Eka Novita. Tujuannya adalah untuk menemukan frekuensi tertinggi dari merek pakaian yang paling banyak atau sering dibeli konsumen. Sehingga pada nantinya akan membantu perusahaan dalam penyetokan barang, dimana akan ada penambahan penyetokan pakaian pada merek pakaian yang sering dibeli dan mengurangi penyetokan terhadap barang yang jarang dibeli. Dengan demikian pengontrolan persediaan barang dapat berjalan dengan baik. Dan untuk mendapatkan hasil yang lebih baik

20 digunakan Tool Tanagra agar dapat menghasilkan hasil perhitungan yang lebih baik. 2.9.2 Implementasi Data Mining Pada Penjualan Tiket Pesawat Menggunakan Algoritma Apriori Pada penelitian ini dilakukan oleh Sri Rahayu Siregar Penelitian ini memberikan gambaran tentang penggunaan data mining yang sangat berguna untuk mengetahui hubungan pola Frekuensi penjualan tiket pesawat yang paling sering dibeli oleh konsumen, tujuanya untuk mengetahui sejauh mana algoritma apriori dapat membantu pengembangan strategi pemasaran dalam penjualan tiket pesawat pada Jumbo Travel. Tahap akhir adalah tahap pengujian pengimplementasian algoritma apriori di implementasikan menggunakan Tanagra yang hasil akhirnya akan menghasilkan asosiasi final dimana akan ditemukan tiket pesawat yang memenuhi support dan confidance. 2.10 Kerangka Berpikir Kerangka pemikiran dari penelitian ini dilakukan dengan beberapa tahap bahwa pada tahapan pertama adalah pendefinisian rumusan masalah. Kemudian pada tahapan yang kedua melakukan analisis menggunakan algoritma apriori untuk membantu memecahkan rumusan masalah yang ada. Tahap ketiga adalah metode pengumpulan data dimana data di ambil sebagai kepentingan penelitian dengan menggunakan sampel, dan kemudian menerapkan algoritma apriori kedalam analisis data penjualan. Di tahap keempat merupakan pencarian subjek penelitian, dimana peneliti mendapatkan data yang dibutuhkan dalam pencapaian

21 tujuannya, dan kemudian melakukan pengujian menggunakan tools Weka 3.6.13. Hasil yang diperoleh dari penelitian ini adalah penentuan pola kombinasi itemset frekuensi tinggi (frequent patternt) yaitu yang memperoleh support dan confidence tertinggi. Langkah-langkah di dalam kerangka pemikiran tersebut dapat di gambarkan dalam bentuk flowchart berikut ini: Gambar 2.3 Flowchart Kerangka Berpikir

BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat 3.1.1 Waktu Penelitian Waktu penelitian yang dilaksanakan pada Apotik Buana Palembang mulai dari Bulan November 2015 dan diperkirakan berakhir sampai Bulan Januari 2015. 3.1.2 Tempat Penelitian Lokasi yang menjadi tempat penulisan melaksanakan penelitian adalah pada bagian kepegawaian Apotik Buana Palembang yang berlokasi di Jl. Let. Kol. Iskandar No. 451 Palembang. 3.2 Alat dan Bahan Pada penelitian ini, penulis menggunakan alat penelitian berupa perangkat keras dan perangkat lunak, yaitu : 1. Perangkat Keras (Hardware) a. Notebook TOSHIBA Intel(R) Atom (TM) CPU D2500 Processor dan RAM 1 GB b. Printer Cannon ip2700 Series 2. Perangkat Lunak (software) a. Windows 7 Ultimate 32 Bit 22

23 b. Microsoft Office Word c. Microsoft Office Exel d. Tanagra versi 1.4.50 3.3 Metode Pengumpulan Data Teknik yang penulis gunakan untuk mengumpulkan data dilakukan dengan tiga cara yaitu : 1. Dokumentasi, bukti transaksi adalah dokumen pendukung yang berisi data transaksi yang dibuat setelah melakukan transaksi untuk kebutuhan pencatatan keuangan. Data transaksi diperoleh dari data resep obat di Apotik Buana Palembang. Data resep obat yang di ambil sebanyak 100 data transaksi dengan 35 jenis obat. 2. Wawancara, dengan cara mengajukan pertanyaan langsung kepada pengurus apotik untuk mendapatkan informasi yang lebih akurat. 3. Studi Pustaka, dengan cara mempelajari dan membaca literatur-literatur, catatan-catatan, dan laporan-laporan yang ada hubungannya dengan masalah yang berhubungan dengan permasalahan yang menjadi obyek penelitian. 3.4 Metode Penelitian Metode penelitian yang digunakan adalah metode analisis deskriptif dengan pendekatan kuantitatif artinya penelitian yang dilakukan adalah menekankan analisanya pada data data numeric (angka), yang bertujuan untuk mendapatkan gambaran yang jelas mengenai suatu keadaan berdasarkan data yang

24 diperoleh dengan cara menyajikan, mengumpulkan dan menganalisis data tersebut sehingga menjadi informasi baru yang dapat digunakan untuk menganalisa mengenai masalah yang sedang diteliti. Menurut Sugiyono (2005: 21) Metode deskriptif adalah metode yang digunakan untuk menggambarkan analisis suatu hasil penelitian tetapi tidak digunakan untuk membuat kesimpulan yang lebih luas. Langkah Langkah Umum Metode Deskriptif menurut Nazir (1988: 73-74) mengungkapakan terdapat berbagai langkah yang sering diikuti adalah sebagai berikut: 1. Memilih dan merumuskan masalah yang menghendaki konsepsi ada kegunaan masalah tersebut serta dapat diselidiki dengan sumber yang ada 2. Menentukan tujuan dari penelitian yang akan dikerjakan. Tujuan dari penelitian harus konsisten dengan rumusan dan definisi dari masalah 3. Memberikan limitasi dari area atau scope atau sejauh mana penelitian deskriptif tersebut akan dilaksanakan. Termasuk di dalamnya daerah geografis di mana penelitian akan dilakukan, batasan-batasan kronologis, ukuran tentang dalam dangkal serta sebarapa utuh daerah penelitian tersebut akan dijangkau 4. Pada bidang ilmu yang telah mempunyai teori-teori yang kuat, maka perlu dirumuskan kerangka teori atau kerangka konseptual yang kemudian diturunkan dalam bentuk hipotesa-hipotesa untuk diverifikasikan. Bagi ilmu sosial yang telah berkembang baik, maka kerangka analisa dapat dijabarkan dalam bentuk-bentuk model matematika

25 5. Menelusuri sumber-sumber kepustakaan yang ada hubungannya dengan masalah yang ingin dipecahkan 6. Merumuskan hipotesa-hipotesa yang ingin diuji, baik secara eksplisit maupun secara implisit 7. Melakukan kerja lapangan untuk mengumpulkan data, gunakan teknik pengumpulan data yang cocok untuk penelitian 8. Membuat tabulasi serta analisa statistik dilakukan terhadap data yang telah dikumpulkan. Kurangi penggunaan statistik sampai kepada batas-batas yang dapat dikerjakan dengan unit-unit pengukuran sepadan 9. Memberikan interpretasi dari hasil dalam hubungannya dengan kondisi sosial yang ingin diselidiki serta dari data yang diperoleh serta referensi khas terhadap masalah yang ingin dipecahkan 10. Mengadakan generalisasi serta deduksi dari penemuan serta hipotesa-hipotesa yang ingin diuji. Berikan rekomendasi-rekomendasi untuk kebijakankebijakan yang dapat ditarik dari penelitian 11. Membuat laporan penelitian dengan cara ilmiah 3.5 Metode Pengujian Untuk membuktikan data-data yang telah dihasilkan berupa pola hubungan kombinasi antar items dan rules-rules asosiasi sesuai dengan algoritma apriori maka perlu dilakukan pengujian dengan menggunakan aplikasi. Aplikasi yang digunakan adalah Weka versi 3.6.13.

BAB IV HASIL DAN PEMBAHASAN 5.1 Penerapan Algoritma Apriori Algoritma apriori termasuk jenis autran asosiasi pada data mining, dimana analisis asosisasi ini adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence) maka peneliti menggunakan metodologi dasar analisis asosiasi yang terbagi menjadi dua tahap yaitu Analisis Pola Frekuensi Tinggi dan kemudian di lakukan Pembentukan Aturan Asosiasi. 4.1.1 Analisis Pola Frekuensi Tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. 1. Data transaksi Data transaksi merupakan data resep obat yang diperoleh dari penjualan harian. Data transaksi terdiri dari 100 transaksi dari 35 jenis Berikut ini merupakan sebagian dari transaksi data obat yang terdapat di Apotik Buana Palembang yang telah peneliti ambil, untuk lebih lengkapnya dapat di lihat di lampiran : 26

27 Gambar 4.1 Daftar Transaksi Obat Apotik Bauana 2. Penentuan Kandidat Pertama Penentuan Kandidat Pertama diperoleh dari item-item yang terdapat pada data transaksi. Berikut ini adalah tabel item yang menjadi Kandidat pertama; Tabel 4.1 Daftar Kandidat Pertama No. Nama Obat Jenis Obat 1 Antalgin 500mg Tablet 2 Cetirizine Tablet 3 Paracetamol 500mg Kaplet 4 Apialys Drop 10ml Sirup 5 Transpulmin BB Salep 6 Sanmol Drop 15ml Sirup 7 Akilen 400mg Tablet 8 Prednisone 5mg Tablet

28 9 Mefinal 250mg Kapsul 10 Anadex Tablet 11 Amoxan 250mg Kapsul 12 Amoxan 500mg Kaplet 13 Asam Mefenamat 250mg Tablet 14 Cataflam 50mg Tablet 15 Amoxicillin 500mg Kaplet 16 Omeprazole 20mg Kapsul 17 Rhinos SR Kapsul 18 Ranitidin 150mg Tablet 19 Cataflam 25mg Tablet 20 Methylprednisolone 16mg Tablet 21 Levofloxacin 250mg Tablet 22 Asam Mefenamat 500mg Tablet 23 Diklovit Tablet 24 Neuralgin RX Kaplet 25 Ponstan 500mg Tablet 26 Amlodipine 5mg Tablet 27 Neurobion 5000mg Tablet 28 Enervon C Tablet 29 Simvastatin 10mg Tablet 30 Lactacyd Liquid Baby Sabun Cair 31 Natur E Kapsul 32 Meloxicam 15mg Tablet 33 Voltadex 50mg Tablet 34 Cal 95 Kaplet 35 Tremenza Tablet 3. Penghitungan Support Pertama 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. Untuk menentukan nilai support dapat diketahui menggunakan rumus sebagai berikut :

29

30

31

32

33

34 berikut ini : Untuk lebih jelasnya hasil dari perhitungan di atas dapat di lihat pada tabel Tabel 4.2 Daftar Penghitungan Support Pertama No. Nama Obat Support 1 Antalgin 500mg 2% 2 Cetirizine 7% 3 Paracetamol 500mg 22% 4 Apialys Drop 10ml 1% 5 Transpulmin BB 1% 6 Sanmol Drop 15ml 4% 7 Akilen 400mg 1% 8 Prednisone 5mg 4% 9 Mefinal 250mg 5% 10 Anadex 3% 11 Amoxan 250mg 4% 12 Amoxan 500mg 2% 13 Asam Mefenamat 250mg 27% 14 Cataflam 50mg 24% 15 Amoxicillin 500mg 48% 16 Omeprazole 20mg 1% 17 Rhinos SR 1%

35 18 Ranitidin 150mg 2% 19 Cataflam 25mg 2% 20 Methylprednisolone 16mg 6% 21 Levofloxacin 250mg 2% 22 Asam Mefenamat 500mg 2% 23 Diklovit 1% 24 Neuralgin RX 13% 25 Ponstan 500mg 7% 26 Amlodipine 5mg 2% 27 Neurobion 5000mg 1% 28 Enervon C 1% 29 Simvastatin 10mg 3% 30 Lactacyd Liquid Baby 1% 31 Natur E 2% 32 Meloxicam 15mg 1% 33 Voltadex 50mg 1% 34 Cal 95 1% 35 Tremenza 2% Setelah dilakukan perhitungan maka nilai support yang mencapai support minimum 10% adalah sebagai berikut : Tabel 4.3 Daftar Item Support Minimum 10% No. Nama Obat Support 1 Paracetamol 500mg 22% 2 Asam Mefenamat 250mg 27% 3 Cataflam 50mg 24% 4 Amoxicillin 500mg 48% 5 Neuralgin RX 13% 4. Menentukan Kandidat Kombinasi 2 itemset Kandidat kombinasi 2 itemset diambil dari kandidat pertama 1 itemset yang mencapai ataupun melebihi support minimal. Tabel 4.4 Daftar Kandidat Dua Kombinasi

36 No. Kombinasi Dua Item 1 Paracetamol 500mg, Asam Mefenamat 250mg 2 Paracetamol 500mg, Cataflam 50mg 3 Paracetamol 500mg, Amoxicillin 500mg 4 Paracetamol 500mg, Neuralgin RX 5 Asam Mefenamat 250mg, Cataflam 50mg 6 Asam Mefenamat 250mg, Amoxicillin 500mg 7 Asam Mefenamat 250mg, Neuralgin RX 8 Cataflam 50mg, Amoxicillin 500mg 9 Cataflam 50mg, Neuralgin RX 10 Amoxicillin 500mg, Neuralgin RX 5. Penghitungan Support Dua Kombinasi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Untuk menentukan nilai support dua item dapat diketahui menggunakan rumus sebagai berikut :

37

38 berikut ini : Untuk lebih jelasnya hasil dari perhitungan di atas dapat di lihat pada tabel Tabel 4.5 Daftar Penghitungan Support Dua Kombinasi No. Nama Obat Support 1 Paracetamol 500mg, Asam Mefenamat 4%

39 250mg 2 Paracetamol 500mg, Cataflam 50mg 0% 3 Paracetamol 500mg, Amoxicillin 500mg 6% 4 Paracetamol 500mg, Neuralgin RX 2% 5 Asam Mefenamat 250mg, Cataflam 50mg 0% 6 Asam Mefenamat 250mg, Amoxicillin 500mg 16% 7 Asam Mefenamat 250mg, Neuralgin RX 1% 8 Cataflam 50mg, Amoxicillin 500mg 10% 9 Cataflam 50mg, Neuralgin RX 0% 10 Amoxicillin 500mg, Neuralgin RX 2% Dengan nilai Support minimal 10% maka jenis kombinasi dua obat yang di dapat adalah sebagai berikut : Tabel 4.6 Daftar Item Support Minimum 10% Dua Kombinasi No. Kombinasi Dua Item Support 1 Asam Mefenamat 250mg, Amoxicillin 500mg 16% 2 Cataflam 50mg, Amoxicillin 500mg 10% 6. Menentukan Kandidat Kombinasi 3 Itemset Kandidat kombinasi 3 itemset diambil dari kandidat pertama 2 itemset yang mencapai ataupun melebihi support minimal. Hanya terdapat 1 kombinasi untuk 3 itemset yaitu : Asam Mefenamat 250mg, Amoxicillin 500mg, Cataflam 50mg. 7. Penghitungan Support Untuk menentukan nilai support dapat diketahui menggunakan rumus sebagai berikut :

40 4.1.2 Pembentukan Aturan Asosiasi Setelah semua pola frekuensi tinggi ditemukan. Kemudian langkah selanjutnya adalah menghitung confidence masing-masing kombinasi item. Iterasi berhenti ketika semua item telah dihitung sampai tidak ada kombinasi item lagi. Untuk menentukan confidence dari aturan A diperoleh dari rumus berikut : ( ) 4.1.2.1 Aturan Asosiasi Tabel 4.7 Daftar Aturan Asosiasi 2 Itemset No. Kombinasi Dua Item Confidence 1 Jika membeli Asam Mefenamat 250mg, maka akan membeli Amoxicillin 500mg 16/27 59% 2 Jika membeli Cataflam 50mg, maka akan membeli Amoxicillin 500mg 10/24 41% Confidence min = 20%

41 4.1.2.2 Aturan Asosiasi Final Table 4.8 Daftar Aturan Asosiasi Final No. Kombinasi Dua Item Support Confidence 1 2 Jika membeli Asam Mefenamat 250mg, maka akan membeli Amoxicillin 500mg Jika membeli Cataflam 50mg, maka akan membeli Amoxicillin 500mg Support x Confidence 16% 59% 9,4% 10% 41% 4,1% Berdasarkan pembahasan diatas, maka dapat di ketahui bahwa obat yang paling laris berdasarkan 100 data transaksi yang terdapat di Apotik Buana Palembang adalah Asam Mefenamat 250mg, Amoxicillin 500mg, dan Cataflam 50mg.

42 5.2 Pengujian Algoritma Apriori Pada Weka Pengujian terhadap hasil analisa, sangat penting untuk memastikan apakah hasil analisa tersebut sesuai. Hasil pengolahan data yang dikerjakan secara manual pada BAB IV dapat diuji kebenarannya menggunakan salah satu software aplikasi data mining WEKA. Langkah langkah pengujian dengan langkah-langkah sebagai berikut : 1. Seluruh variabel-variabel yang digunakan disimpan pada file dokumen Microsoft Excel dengan nama file OBAT 100 TRANSAKSI.xlsx seperti yang terlihat pada Gambar 4.2 : Gambar 4.2 Data Transaksi Awal Nilai-nilai berupa angka tersebut ditransformasikan ke dalam bentuk huruf yang mewakili range nilai tertentu (Gambar 4.3).

43 Gambar 4.3 Data Transaksi Format Huruf 2. Kemudian file OBAT 100 TRANSAKSI.xlsx tersebut disimpan sebagai file jenis CSV (*.csv). Selanjutnya, jika file tersebut dibuka dari Microsoft Word, Notepad, atau program text editor lainnya terlihat sudah berubah dalam format commaseparated. 3. Jalankan software WEKA hingga muncul WEKA GUI Chooser. Gambar 4.4 Tampilan Awal Weka GUI Chooser

44 4. Untuk memulai proses data mining, klik Explorer. Gambar 4.5 Tampilan Awal Weka Explorer 5. Pilih Open File, pilih file OBAT 100 TRANSAKSI.csv, kemudian klik Open (Gambar 4.6). Gambar 4.6 Tampilan Awal Setelah Open File

45 Setelah file OBAT 100 TRANSAKSI.csv dibuka oleh WEKA maka ditampilkan visualisasi data menggunakan diagram batang, yang mengilustrasikan jumlah dari masingmasing tipe pada atribut yang ada. 6. Untuk menerapkan Association Rule, pilih tab Associate seperti gambar 4.7. Gambar 4.7 Tampilan Awal Setelah Memilih Associate 7. Selanjutnya klik tombol Choose untuk memilih Algoritma yang akan diterapkan pada data. Pilih Apriori (Gambar 4.8). Gambar 4.8 Pemilihan Algoritma

46 8. Untuk merubah parameter seperti pilihan Support dan Confidence, klik pada tulisan Apriori. Isikan parameternya sebagai berikut (Gambar 4.9) : Gambar 4.9 Penentuan Parameter a. Nilai Support (lowerboundminsupport) sebesar 0.1. b. MetricType menjadi Confidence. c. MinMetric adalah 0.2. 9. Kemudian klik tombol OK kemudian Start dan WEKA akan mengolah data OBAT 100 TRANSAKSI.csv tersebut. 10. WEKA menampilkan hasil perhitungan algoritma apriori dan memunculkan aturan asosiasi yang ditemukan dari proses tersebut.

47 Gambar 4.10 Hasil Akhir Pengujian Hasil akhir menggunakan aplikasi Weka menunjukan bahwa kesepuluh kombinasi tersebut adalah kombinasi obat yang paling jarang di beli oleh konsumen, maka dapat di ketahui bahwa obat yang paling laris berdasarkan 100 data transaksi yang terdapat di Apotik Buana Palembang berdasarkan hasil perhitungan menggunakan metodologi dasar analisis asosiasi dengan nilai support 10% dan confidence 20% adalah : 1. Jika membeli Asam Mefenamat 250mg, maka akan membeli Amoxicillin 500mg. 2. Jika membeli Cataflam 50mg, maka akan membeli Amoxicillin 500mg.

BAB V PENUTUP 1.1 Kesimpulan Berdasarkan penelitian yang telah dilakukan oleh peneliti, maka dapat disimpulkan bahwa : 1. Dengan menggunakan algoritma Apriori, pola kombinasi itemset data transaksi obat pada Apotik Buana Palembang dapat ditemukan bahwa pola kombinasi yang dihasilkan adalah bejumlah 2 rules dengan nilai minimum support sebesar 10% dan nilai confidence tertinggi dari 2 rules tersebut sebesar 20%. Dari hasil tersebut dapat diketahui bahwa terdapat 3 jenis obat yang paling laris pada transaksi penjualan berdasarka 100 data transaksi dari 35 jenis obat pada Apotik Buana Palembang adalah ASAM MEFENAMAT 250MG, AMOXICILLIN 500MG, dan CATAFLAM 50MG. Maka jumlah persediaan ASAM MEFENAMAT 250MG, AMOXICILLIN 500MG, dan CATAFLAM 50MG harus sama atau seimbang. 2. Dengan didapatkannya rules ini maka perusahaan pemasaran dapat menggunakan rules tersebut dalam membuat strategi strategi untuk meningkatkan penjualan. 48

49 1.2 Saran Untuk kepentingan lebih lanjut dari penulisan dalam penelitian ini maka penulis memberikan beberapa saran sebagai berikut : 1. Pada penelitian selanjutnya daharapkan data yang digunakan dikembangkan tidak hanya data bulanan saja, tapi data tahunan yang lebih besar. 2. Penelitian selanjutnya juga bisa mencoba menggunakan algoritma data mining lain sehingga dapat dicari algoritma yang paling efisien dan efektif.