SKRIPSI - USD Repository - Universitas Sanata Dharma

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PENENTUAN ATURAN ASOSIASI PADA TRANSAKSI PENJUALAN
OBAT MENGGUNAKAN ALGORITMA APRIORI
Studi Kasus Pada RSUD Dr. Soetrasno Rembang
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh:
Erwin Tomy Fitriyanto
135314117
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2017
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DETERMINATION OF ASSOCIATION RULES ON MEDICINE SALES
TRANSACTIONS USING APRIORI ALGORITHM
Case Study In RSUD Dr. Soetrasno Rembang
A THESIS
Presented as Partial Fulfillment of The Requirement
To Obtain The Sarjana Komputer Degree
In Informatics Engineering Study Program
By:
Erwin Tomy Fitriyanto
135314117
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MOTTO
“ Kebanggaan kita yang terbesar adalah bukan tidak pernah gagal, tetapi bangkit
kembali setiap kali kita jatuh”
( Confusius )
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
Segala hasil ini saya persembahkan kepada Tuhan Yesus Kristus, atas
segala rahmat dan berkat yang diberikan, sehingga semua dapat
terselesaikan.
Kepada kedua Orang Tua saya, yang telah memberikan doa, atas
dukungan dan semangat selama proses perkuliahan.
Kepada Doses-dosen Teknik Informatika Sanata Dharma, terima
kasih atas segala bimbingan dari awal proses sampai akhir
perkuliahan.
Kepada teman-teman Teknik Informatika Sanata Dharma 2013,
terima kasih telah saling memberikan semangat dan berjuang
bersama serta doa yang diberikan.
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Saat ini transaksi penjualan dan pembelian obat di Rumah Sakit Umum
Daerah Dr.Soetrasno Rembang terus bertambah setiap harinya dan di rumah
sakit tersebut data transaksi penjualan hanya disimpan sebagai arsip dan tidak
diketahui apa kegunaan dari data yang disimpan tersebut. Oleh karena itu
rumah sakit tersebut memerlukan sistem untuk mengolah data yang dapat
menghasilkan data penjualan obat yang terjual secara bersamaan atau
kombinasi obat yang paling banyak terjual sehingga dari hasil tersebut dapat
menjadi acuan untuk menambah stok obat yang paling banyak dibeli dan
mengurangi beberapa obat yang jarang dibeli oleh konsumen.
Salah satu teknik pengolahan data yang dapat digunakan untuk masalah
tersebut adalah data mining dengan analisis asosiasi menggunakan algoritma
apriori. Algoritma apriori merupakan salah satu teknik dari data mining yang
menghasilkan aturan untuk perilaku kebiasaan konsumen dalam membeli
barang secara bersamaan dalam satu waktu. Aturan tersebut di dapat dari nilai
minimum support dan confidence yang ditentukan. Support merupakan jumlah
item pada setiap transaksi sedangkan confidence berpengaruh pada jumlah
aturan yang dihasilkan dari proses aosiasi. Kemudian untuk mengukur kuat
tidaknya aturan yang dihasilkan digunakan Lift Ratio.
Kata Kunci : Data Mining, Association Rule, Algoritma Apriori, Support,
Confidence, Lift Ratio
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
Currently medicine sales and transactions at Dr.Soetrasno Rembang
Regional General Hospital continues to grow every day and in the hospital sales
transaction data is only stored as an archive and it is not known what the usefulness
of the stored data. Therefore the hospital needs a system for processing data that
can generate sales data of medicine sold simultaneously or the most widely sold
medicine combinations so that these results can be a reference to increase the stock
of the most purchased medicine and reduce some of the medicine that are rarely
purchased by consumers.
One of the data processing techniques that can be used for the problem is
data mining with association analysis using a priori algorithm. A priori algorithm
is one of the techniques of data mining that generates rules for the behavior of
consumer habits in buying goods simultaneously in one time. These rules can be
from the minimum value of support and confidence. Support is the number of items
in each transaction while the confidence effect on the number of rules resulting
from the process of the association. Then to measure the strength or absence of the
resulting rule is used Lift Ratio.
Keywords: Data Mining, Association Rule, Apriori Algorithm, Support,
Confidence, Lift Ratio
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa karena
atas rahmat dan karunia-Nya, penulis dapat menyelesaikan Tugas Akhir yang
berjudul
“PENENTUAN
ATURAN
ASOSIASI
PADA
TRANSAKSI
PENJUALAN OBAT MENGGUNAKAN ALGORITMA APRIORI ( Studi Kasus
Pada RSUD Dr. Soetrasno Rembang )” ini dengan baik.
Dalam proses penulisan tugas akhir ini penulis menyadari bahwa ada begitu
banyak pihak yang turut memberikan motivasi semangat dan juga bantuan dalam
menyelesaikan tugas akhir ini, oleh karena itu saya ingin mengucapkan terima kasih
antara lain kepada :
1. Bapak Sudi Mungkasi, S.Si., M.Math.Sc.,Ph.D. selaku Dekan Fakultas Sains dan
Teknologi.
2. Ibu Dr. Anastasia Rita Widiarti, selaku Kepla Prodi Teknik Informatika.
3. Ibu P.H Prima Rosa, S.Si., M.Sc. sebagai dosen pembimbing akademik, yang
telah memberikan bimbingan dan saran selama penulis menempuh studi.
4. Dr. Cyprianus Kuntoro Adi, SJ., M.A., M.Sc. selaku dosem pembimbing skripsi
yang telah memberikan kesabaran, waktu dan saran sehingga dapat
diselesaikannya tugas akhir ini.
5. Seluruh dosen yang telah mendidik dan memberikan pengetahuan dan
pengalaman berharga selama penulis belajar di Universitas Sanata Dharma
Yogyakarta.
6. Orang tua, kakak dan adik yang telah memberikan kasih sayang, perhatian, doa
dan dukungan sehingga penulis dapat menyelesaik tugas akhir.
7. Teman-teman TI C yang selalu dapat memberikan motivasi dan semangat.
8. Seluruh teman-teman angkatan 2013 untuk kebersamaan kita menjalani masamasa perkuliahan.
9. Yoana Cinthya Permatasari yang selalu setia menemani, mendukung dan
membantu dikala susah dan senang saat pengerjaan skripsi ini.
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN JUDUL.. ...................................................................................... i
TITLE PAGE .................................................................................................... ii
HALAMAN PERSETUJUAN… .................................................................... iii
HALAMAN PENGESAHAN… ..................................................................... iv
MOTTO ............................................................................................................ v
HALAMAN PERSEMBAHAN ...................................................................... vi
PERNYATAAN KEASLIAN KARYA… ..................................................... vii
LEMBAR PERNYATAAN PERSETUJUAN… .......................................... viii
ABSTRAK....................................................................................................... ix
ABSTRACT ..................................................................................................... x
KATA PENGANTAR ..................................................................................... xi
DAFTAR ISI.. .............................................................................................. xiii
DAFTAR GAMBAR… .................................................................................. xv
DAFTAR TABEL… ..................................................................................... xvi
DAFTAR LAMPIRAN… ............................................................................ xvii
BAB I : PENDAHULUAN.. ........................................................................... 1
1.1. Latar Belakang.. ................................................................................... 1
1.2. Rumusan Masalah.. .............................................................................. 2
1.3. Tujuan Penelitian.. ............................................................................... 3
1.4. Batasan Masalah.. ................................................................................ 3
1.5. Manfaat Penelitian… ........................................................................... 3
1.6. Metodologi Penelitian… ...................................................................... 3
1.7. Sistematika Penulisan.. ........................................................................ 5
BAB II : LANDASAN TEORI… ................................................................... 6
2.1. Data Mining ......................................................................................... 6
2.2. Proses Penambangan Data ................................................................... 7
2.3. Teknik Penambangan Data .................................................................. 8
2.4. Teknik Asosiasi.................................................................................. 10
2.5. Algoritma Apriori .............................................................................. 10
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2.6. Lift Ratio ............................................................................................. 13
2.7. Langkah - Langkah Algoritma Apriori ............................................... 14
2.8. Penelitian Terdahulu .......................................................................... 15
BAB III : METODOLOGI PENELITIAN .................................................... 17
3.1. Gambaran Penelitian .......................................................................... 17
3.1.1. Data .......................................................................................... 17
3.1.2. Preprocessing Data .................................................................. 18
3.1.3. Penerapan Algoritma Apriori................................................... 19
3.1.4. Validasi Aturan ........................................................................ 31
3.1.5. Hasil Aturan Asosiasi ............................................................... 33
3.2. Kebutuhan Sistem .............................................................................. 35
3.3. Rancangan Antarmuka Sistem ........................................................... 36
BAB IV : IMPLEMENTASI DAN ANALISIS HASIL ................................ 38
4.1. Hasil Penelitian ................................................................................... 38
4.1.1. Preprocessing ............................................................................. 38
4.1.2. Variasi Pengujian ....................................................................... 40
4.1.3. Analisis Aturan Asosiasi ............................................................ 43
4.2. Antarmuka Sistem ............................................................................... 44
4.2.1. Uji Coba Sistem ( Black Box Testing ) ...................................... 46
BAB V : PENUTUP ....................................................................................... 50
5.1. Kesimpulan ......................................................................................... 50
5.2. Saran.................................................................................................... 50
DAFTAR PUSTAKA .................................................................................... 51
LAMPIRAN ................................................................................................... 53
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2.1 Langkah KDD .............................................................................. 7
Gambar 3.1 Diagram Blok Penelitian............................................................. 18
Gambar 3.2 Contoh Data Hasil Preprocessing ............................................... 32
Gambar 3.3 Hasil Validasi dengan Aplikasi WEKA ..................................... 33
Gambar 3.4 Rancangan Antarmuka Sistem .................................................... 36
Gambar 4.1 Contoh Data Mentah ................................................................... 38
Gambar 4.2 Contoh Data Hasil Penghilangan Atribut ................................... 39
Gambar 4.3 Contoh Pengelompokkan Data Minggu 1................................... 39
Gambar 4.4 Grafik Jumlah Aturan yang Terbentuk ....................................... 42
Gambar 4.5 Tampilan Utama Sistem ............................................................. 44
Gambar 4.6 Input File Data ............................................................................ 46
Gambar 4.7 Hasil Input Data .......................................................................... 46
Gambar 4.8 Input Nilai Support dan Confidence ........................................... 47
Gambar 4.9 Tampilan Tabel Biner Setelah Menekan Tombol “Proses” ........ 47
Gambar 4.10 Tampilan Tabel Aturan Asosiasi Setelah Menekan
Tombol “Proses”....................................................................... 48
Gambar 4.11 Tampilan Setelah Menekan Tombol Reset ............................... 49
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 3.1 Contoh Data Hasil Preprocessing .................................................. 18
Tabel 3.2 Representasi Biner .......................................................................... 19
Tabel 3.3 Hasil Kandidat 1 Itemset ................................................................ 20
Tabel 3.4 Hasil Kandidat 2 Itemset ................................................................ 21
Tabel 3.5 Hasil Kandidat 3 Itemset ................................................................ 22
Tabel 3.6 Hasil Kandidat 4 Itemset ................................................................ 24
Tabel 3.7 Hasil Kandidat 5 Itemset ................................................................ 26
Tabel 3.8 Hasil Pembentukan Aturan Asosiasi .............................................. 29
Tabel 3.9 Hasil Aturan Asosiasi Perhitungan Manual ................................... 33
Tabel 4.1 Contoh Hasil Preprocessing ........................................................... 40
Tabel 4.2 Hasil Variasi Pengujian .................................................................. 40
Tabel 4.3 Hasil Validasi Aturan ..................................................................... 43
Tabel 4.4 Kasus dan Hasil Uji Pada Sistem ................................................... 48
xvi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR LAMPIRAN
Lampiran 1 : Data Hasil Preprocessing ...........................................................53
Lampiran 2 : Hasil Aturan Asosiasi, Min Support= 0.8 dan
Min Confidence= 0.9 ................................................................53
Lampiran 3 : Hasil Aturan Asosiasi, Min Support= 0.7 dan
Min Confidence= 0.9 ................................................................56
Lampiran 4 : Hasil Validasi Aturan antara Alat Uji dengan
Aplikasi WEKA ........................................................................59
xvii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Dalam persaingan dunia bisnis, khususnya industri Apotek kebutuhan
terhadap obat sangatlah penting. Kebutuhan terhadap obat adalah salah satu hal
penting bagi manusia, terutama bagi orang yang menderita suatu penyakit. Kita
dapat membeli obat di apotek atau juga kita bisa mendapatkannya di rumah
sakit. Setiap harinya akan terjadi transaksi penjualan dan pembelian obat di
tempat tersebut. Oleh sebab itu setiap rumah sakit atau apotek harus memiliki
sistem pengolahan data yang baik agar data yang dihasilkan dari transaksi
tersebut dapat berguna untuk dibuat menjadi sebuah laporan bulanan atau
tahunan. Laporan dari data penjualan itu akan menghasilkan informasi yang
berguna seperti obat apa saja yang paling sering dibeli atau kombinasi obat
yang paling banyak terjual.
Transaksi penjualan dan pembelian obat di Rumah Sakit Umum Daerah
Dr.Soetrasno Rembang terus bertambah setiap harinya dan di rumah sakit
tersebut data transaksi penjualan hanya disimpan sebagai arsip dan tidak
diketahui apa kegunaan dari data yang disimpan tersebut. Sistem pengolahan
data yang ada juga belum berjalan dengan baik karena sistem hanya digunakan
untuk menyimpan dan mencari data penjualan. Data hanya dibiarkan
menumpuk di database dan terus bertambah tanpa diketahui untuk apa
selanjutnya data-data tersebut. Oleh karena itu rumah sakit tersebut
memerlukan sistem untuk mengolah data yang dapat menghasilkan data
penjualan obat yang terjual secara bersamaan atau kombinasi obat yang paling
banyak terjual sehingga dari hasil tersebut dapat menjadi acuan untuk
menambah stok obat yang paling laku dan mengurangi beberapa obat yang
jarang dibeli oleh konsumen. Salah satu teknik pengolahan data yang dapat
digunakan untuk masalah tersebut adalah algoritma Apriori.
Algoritma apriori merupakan algoritma market basket analysis yang
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
digunakan untuk menghasilkan association rule, dengan pola “if then ”.Market
basket analysis merupakan salah satu teknik dari data mining yang
mempelajari tentang perilaku kebiasaan konsumen dalam membeli barang
secara bersamaan dalam satu waktu ( Kusrini , 2009 ) . Teknik tersebut bisa
diterapkan dalam data yang sangat besar seperti data transaksi penjualan.
Dari beberapa penelitian yang telah dilakukan oleh Tampubolon dan dkk
(2013) , Dewi (2013) , Mangla (2013) dan Nugroho (2012) didapatkan hasil
yang optimal dalam mengelompokkan suatu barang atau mencari pola asosiasi
suatu barang yang di pilih atau di beli secara bersamaan dengan menggunakan
algoritma apriori. Salah satu penelitian yang dilakukan oleh Kennedi
Tampubolon tentang Implementasi Data Mining Algoritma Apriori Pada
Sistem Persediaan Alat-Alat Kesehatan ( Studi kasus : Apotek Kelambir 2
Medan ) berhasil mengimplementasikan algoritma apriori dengan nilai support
dan confidence tertinggi pada Stick Asam Urat dengan Stick Gula dan Stick
Colestrol dengan Stick Gula. Kesimpulan dari penelitian tersebut adalah
dengan diketahuinya alat kesehatan yang paling banyak terjual tersebut, dapat
dijadikan sebagai informasi yang sangat berharga dalam pengambilan
keputusan untuk mempersiapkan stok jenis barang apa yang diperlukan
kemudian, dengan menambah stok alat kesehatan Stick Asam Urat , Stick Gula
dan Stick Colestrol.
Atas dasar uraian diatas, maka penelitian ini akan melakukan penelitian
dengan memanfaatkan data penjualan obat di Rumah Sakit Umum Daerah Dr.
Soetrasno Rembang, yang berjudul “PENENTUAN ATURAN ASOSIASI
PADA
TRANSAKSI
PENJUALAN
OBAT
MENGGUNAKAN
ALGORITMA APRIORI”.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah diatas maka rumusan masalah yang
dapat di ambil yaitu : Bagaimana pendekatan asosiasi khususnya algoritma
apriori mampu dengan baik menentukan/menemukan kombinasi penjualan
obat yang optimal ?
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
1.3. Tujuan Penelitian
Berdasarkan rumusan masalah di atas, tujuan penelitian yaitu :
Menentukan kombinasi atau aturan asosiasi pada data penjualan obat di RSUD
Dr. Soetrasno Rembang menggunakan algoritma apriori.
1.4. Batasan Masalah
1. Data yang akan digunakan yaitu transaksi penjulan obat pada tahun 2015.
2. Data transaksi yang digunakan adalah data transaksi penjualan perminggu
dari setiap item transaksi.
3. Data yang akan di proses akan berbentuk spreadsheet dengan format (*.xls).
1.5. Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat dan berguna bagi
berbagai pihak. Manfaat dari penelitian ini yaitu :
1. Untuk Mengetahui apakah algoritma Apriori dapat digunakan untuk
mengetahui keterkaitan antara obat yang satu dengan yang lain.
2. Membantu Rumah Sakit mengetahui pola asosiasi pada transaksi penjualan
obat.
3. Sebagai solusi bagi Rumah Sakit Umum Daerah Dr. Soetrasno Rembang
dalam menentukan persediaan obat.
1.6. Metodologi Penelitian
Dalam penyelesaian tugas akhir yang berjudul penentuan aturan asosiasi pada
transaksi penjualan obat menggunakan algoritma apriori dengan studi kasus
pada RSUD Dr.Soetrasno Rembang, akan ditempuh langkah-langkah berikut :
1. Penelitian Kepustakaan (Library Research)
Merupakan bentuk penelitian yang dilakukan berdasarkan kepustakaan atau
buku-buku, jurnal dan sumber-sumber sejenis (tertulis maupun dokumen)
lain yang mempunyai hubungan dengan masalah yang sedang dibahas.
2. Penelitian Lapangan (Field Research)
a. Pengamatan (Observation)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
Data-data dalam penulisan skripsi ini penulis peroleh dari pengamatan
secara langsung dan pencatatan data-data yang dibawahi oleh Rumah
Sakit Umum Dr.Soetrasno Rembang selama penulis melakukan riset.
b. Wawancara
Wawancara merupakan teknik pengumpulan data dengan mengadakan
tanya jawab secara langsung dengan orang yang mengerti dan
mengetahui tentang topik dan data yang diambil pada RSUD Dr.
Soetrasno Rembang.
3. Pengumpulan Data
Metodologi yang ketiga adalah pengumpulan data. Data yang digunakan
dalam penelitian ini bersumber dari RSUD Dr. Soetrasno Rembang,
pengumpulan data dilakukan dengan wawancara dan mengambil dari arsiparsip penjualan obat.
4. Pembuatan Alat Uji
Metodologi yang keempat adalah pembuatan alat uji. Pembuatan alat uji
dilakukan dengan Teknik data mining yang langkah-langkahnya seperti
dibawah ini :
a. Pembersihan data, menghilangkan noise, dan data yang tidak konsisten
b. Integrasi data, menggabungkan data dari berbagai sumber data yang
berbeda.
c. Seleksi data dan transformasi data, untuk menentukan kualitas dari hasil
data mining, sehingga data menjadi bentuk yang sesuai di mining.
d. Penerapan data mining menggunakan analisis asosiasi dengan algoritma
apriori sebagai cara untuk menemukan pola yang ada di dalam asosiasi.
e. Evaluasi pola yang ditentukan, menampilkan hasil dari Teknik data
mining berupa aturan yang khas maupun mengukur hasil akhir.
f. Presentasi pengetahuan, merupakan tahap terakhir dari proses data
mining yaitu memformulasikan keputusan atau aksi dari hasil analisa
yang di dapat.
5. Pembuatan Dokumen
Metodologi yang terkahir adalah pembuatan dokumen berdasarkan semua
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
metodologi penelitian yang sudah dilakukan.
1.7. Sistematika Penulisan
Adapun sistematika penulisan tugas akhir ini terdiri dari 5 bab, yaitu :
BAB I : PENDAHULUAN
Bab ini berisi tentang latar belakang, rumusan masalah, tujuan
penelitian, manfaat penelitian, batasan masalah, dan sistematika
peulisan laporan dari penelitian yang dilakukan.
BAB II : LANDASAN TEORI
Bab ini menjelaskan tentang landasan teori yang berhubungan
dengan penelitian yang akan dilakukan untuk memecahkan masalah
yang akan diteliti.
BAB III : METODOLOGI PENELITIAN
Bab ini menjelaskan tentang tahap-tahap penyelesaian masalah
menggunakan algoritma apriori serta rancangan system yang akan
dibuat.
BAB IV : IMPLEMENTASI DAN ANALISA HASIL
Bab ini membahas analisa hasil perancangan sistem, dan pengujian
algoritma apriori.
BAB V : PENUTUP
Bab ini berisi kesimpulan dari hasil analisa dan saran-saran untuk
pengembangan lebih lanjut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Bab ini akan membahas dasar teori mengenai penambangan data, teknik
asosiasi, algoritma apriori, dan lift ratio serta hasil penelitian terdahulu.
2.1. Data Mining
Data Mining adalah suatu proses yang mempekerjakan satu atau
lebih teknik pembelajaran komputer (machine learning) untuk menganalisis
dan mengekstraksi pengetahuan secara otomatis. Data Mining berisi
pencarian trend atau pola yang diinginkan dalam database besar untuk
membantu pengambilan keputusan di waktu yang akan datang. Pola-pola ini
dikenali oleh perangkat tertentu yang dapat memberikan suatu analisa data
yang berguna dan berwawasan yang kemudian dapat dipelajari dengan lebih
teliti . ( Hermawati, 2013 )
Secara sederhana dapat diartikan bahwa data mining atau yang
disebut juga dengan Knowledge Discovery in Database (KDD) adalah
serangkaian proses untuk mengekstrak pola yang penting atau menarik dari
sejumlah data yang sangat besar berupa pengetahuan yang selama ini tidak
diketahui secara manual.
Data mining muncul setelah banyak dari pemilik data baik
perorangan maupun organisasi mengalami penumpukan data yang telah
terkumpul selama beberapa tahun, misalnya data pembelian, data penjualan,
data nasabah, data transaksi, data akademik, dan sebagainya. Kemudian
muncul pertanyaan dari pemilik data tersebut, apa yang harus dilakukan
terhadap tumpukan data tersebut.
6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
2.2. Proses Penambangan Data (Data Mining)
Data mining merupakan serangkaian proses yang terdiri dari langkah-langkah
sesuai pada Gambar 2.1 ( Tampubolon & Saragi 2013) :
Gambar 2.1. Langkah KDD ( Tampubolon & Saragi 2013)
1. Data Cleaning (Pembersihan Data)
Pada langkah ini, noise data yang tidak konsisten akan dihapus. Di dunia nyata,
data cenderung tidak lengkap, noisy, dan tidak konsisten. Pembersihan data
secara rutin mencoba mendeteksi missing values, memperhalus noise dari luar
dengan mengidentifikasi outliers, dan membenarkan ketidak konsistenan di
dalam data.
2. Data Integration (Integrasi Data)
Pada langkah ini, akan dilakukan penggabungan data dari berbagai macam
sumber data. Data ini akan digabungkan ke dalam penyimpanan data yang
koheren. Macam-macam penyimpanan termasuk multiple databases, data cubes,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
atau flat files. Hal-hal yang perlu diperhatikan dalam integrasi data yaitu
integrasi skema, pencocokan objek, redudansi data.
3. Data Selection (Seleksi Data)
Pada langkah ini, data yang relevan akan dianalisis yang diambil dari sebuah
basis data. Akan dilakukan analisis korelasi untuk analisis fitur. Atribut-atribut
data akan dicek apakah relevan ataupun atribut yang mengalami redudansi tidak
akan digunakan. Atribut yang diharapkan adalah atribut yang bersifat
independen. Artinya antara atribut satu dengan atribut yang lain tidak saling
mempengaruhi.
4. Data Transformation (Transformasi Data)
Pada langkah ini, data ditransformasikan atau dikonsolidasi kedalam bentukbentuk yang sesuai atau tepat untuk ditambang.
5. Data Mining (Penambangan Data)
Merupakan sebuah proses penting, dimana metode-metode diaplikasikan dengan
tepat untuk mengekstrak pola data.
6. Pattern Evaluation (Evaluasi Pola)
Mengidentifikasi pola yang sungguh-sungguh menarik untuk merepresentasikan
pengetahuan berdasarkan beberapa pengukuran yang penting.
7. Knowledge Presentation (Presentasi Pengetahuan)
Teknik visualisasi dalam merepresentasikan pengetahuan yang dipresentasikan
kepada pengguna.
2.3. Teknik Penambangan Data
Penambangan data dibagi menjadi beberapa teknik, seperti (Kusrini, 2009):
1. Deskripsi
Terkadang peneliti dan analis secara sederhana ingin mencoba mencari data
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat
menentukan keterangan atau fakta bahwa siapa yang tidak cukup
professional akan sedikit didukung dalam pemilihan presiden. Deskripsi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
dari pola dan kecenderungan sering memberikan kemungkinan penjelesan
untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi
lebih kearah numerik dari pada kearah kategori. Model dibangun
menggunakan record lengkap yang menyediakan nilai dari variabel target
sebagai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai dari
variabel target dibuat berdasarkan nilai variabel predikasi.
3. Prediksi.
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
predikasi nilai dari hasil akan ada dimasa mendatang. Beberapa metode dan
teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan
untuk prediksi.
4. Klasifikasi
Proses untuk menemukan model atau fungsi yang menjelaskan atau
membedakan konsep atau kelas data, dengan tujuan untuk dapat
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model
itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree, formula
matematis atau neural network.
5. Pengklusteran (Clustering)
Pengkluteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki
kemiripan. Kluster adalah kumpulan record yang memiliki kemiripan satu
dengan yang lainnya dan memiliki ketidakmiripan dengan record-record
dalam kluster lain.
6. Asosiasi
Teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi
item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar
swalayan adalah bisa diketahui berapa besar kemungkinan seorang
pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan
tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
atau merancang kampanye pemasaran dengan memakai kupon diskon untuk
kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat
diketahui dengan dua parameter, support yaitu persentase kombinasi item
tersebut dalam database dan confidence yaitu kuatnya hubungan antar item
dalam aturan assosiatif.
2.4. Teknik Asosiasi
Pada penelitian ini teknik yang digunakan adalah teknik asosiasi, teknik
asosiasi merupakan suatu metode penambangan data untuk mencari pola
asosiasi yang sering muncul dalam data. Metode ini popular karena sering
digunakan untuk menganalisis keranjang belanja. Aturan yang terbentuk akan
berupa “jika maka” dalam suatu transaksi. Bisa digambarkan jika membeli
barang A maka membeli barang B terjadi dalam satu transaksi (Kusrini, 2009).
Algoritma yang digunakan dalam teknik asosiasi antara lain :
1. Apriori
Algoritma ini mencari frequent itemset dari database transaksi melalui
beberapa tahap iterasi.
2. FP Growth
Algoritma ini berbeda dengan Apriori, tidak perlu melakukan pencarian
kandidat. Data direpresentasikan menggunakan Frequent Pattern Tree
melalui pendekatan devide and conquer untuk mendapat frequent itemset.
2.5. Algoritma Apriori
Dari kedua algoritma yang ada pada teknik asosiasi, Algoritma apriori
di pilih dan digunakan pada penelitian ini karena Algoritma apriori merupakan
algoritma market basket analysis yang digunakan untuk menghasilkan
association rule, dengan pola “if then ”. Market basket analysis merupakan
salah satu teknik dari data mining yang mempelajari tentang perilaku kebiasaan
konsumen dalam membeli barang secara bersamaan dalam satu waktu. Analisis
asosiasi atau association rule mining adalah teknik data mining untuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi
yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang
efisien adalah analisis pola frekuensi tinggi (frequent pattern mining). 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 ( Kusrini , 2009 ).
Beberapa istilah yang digunakan dalam algoritma apriori antara lain (
Tampubolon, 2013 ) :
a.
Support (dukungan): probabilitas pelanggan membeli beberapa
produk secara bersamaan dari seluruh transaksi. Support untuk aturan
“X  Y” adalah probabilitas atribut atau kumpulan atribut X dan Y
yang terjadi bersamaan.
b.
Confidence (tingkat kepercayaan): probabilitas kejadian beberapa
produk dibeli bersamaan dimana salah satu produk sudah pasti dibeli.
c.
Minimum support: parameter yang digunakan sebagai batasan
frekuensi kejadian atau support count yang harus dipenuhi suatu
kelompok data untuk dapat dijadikan aturan.
d.
Minimum confidence: parameter yang mendefinisikan minimum level
dari confidence yang harus dipenuhi oleh aturan yang berkualitas.
e.
Itemset: kelompok produk.
f.
Kandidat itemset (Ck): itemset-itemset yang akan dihitung support
count-nya.
g.
Frequent itemset (Fk): itemset yang sering terjadi, atau itemset-itemset
yang sudah melewati batas minimum support yang telah ditentukan.
Ada 2 proses utama yang dilakukan dalam algoritma Apriori untuk mendapat
frequent itemset yaitu (Kusrini, 2009) :
1. Join (penggabungan)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
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.
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan
asosiasi yang memenuhi syarat minimum untuk support ( minimum support)
dan syarat minimum untuk confidence (minimum confidence). Metodologi
dasar analisi asosiasi terbagi menjadi dua tahap yaitu sebagai berikut
(Kusrini, 2009) :
1. Analisis Pola Frekuensi Tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum
dari nilai support sebuah item diperoleh dengan menggunakan rumus
berikut ( Tampubolon, 2013 ) :
Support (A) =
∑ Transaksi Mengandung A
∑ Transaksi
…………………… (2.1)
Sementara, nilai support dari 2 itemset atau lebih diperoleh dengan
menggunakan rumus :
Support (A, B) =
∑ Transaksi Mengandung A dan B
∑ Transaksi
..………....(2.2)
Frequent itemset menunjukkan itemset yang memiliki frekuensi
kemunculan lebih dari nilai minimum yang ditentukan. Misalkan minimal
support = 2, maka semua itemsets yang frekuensi kemunculannya lebih dari
2 atau sama dengan 2 disebut frequent. Himpunan dari frequent k-itemset
dilambangkan dengan Fk.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
2. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidence, dengan
menghitung confidence aturan asosiatif AB. Nilai confidence dari aturan
AB diperoleh dengan rumus berikut
Confidence =
∑ Transaksi Mengandung Anteseden dan konsekuen
∑ Transaksi Mengandung Antesenden
..(2.3)
Anteseden merupakan sebab yang menjadikan item konsekuen.
Sedangkan konsekuen adalah sebuah akibat atau juga item yang akan dibeli
setelah membeli anteseden. Jika didapatkan aturan asosiasi AB maka A
sebagai anteseden dan B sebagai konsekuen.
2.6 Lift Ratio
Salah satu cara yang lebih baik untuk melihat kuat tidaknya aturan
asosiasi adalah dengan menghitung lift ratio. Cara kerja metode ini adalah
membagi confidence dengan expected confidence. Confidence dapat dihitung
dengan rumus (2.3) :
Confidence =
∑ Transaksi Mengandung Anteseden dan konsekuen
∑ Transaksi Mengandung Antesenden
..(2.3)
Sedangkan nilai dari expected confidence dapat dihitung dengan rumus :
Expected Confidence =
∑ Transaksi Mengandung konsekuen
∑ Transaksi
……..(2.4)
Lift ratio dapat dihitung dengan cara membandingkan antara confidence untuk
suatu aturan dibagi dengan expected confidence. Berikut rumus dari lift ratio :
Lift Ratio =
Confidence
Expected Confidence
……………………………………..(2.5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Nilai lift ratio lebih besar dari 1 menunjukkan adanya manfaat dari aturan
tersebut. Lebih tinggi nilai lift ratio, lebih besar kekuatan asosiasinya (Santosa,
2007). Jika nilai lift ratio < 1 maka kemunculan A berkorelasi negative dengan
kemunculan B, artinya kemunculan salah satu item mempengaruhi hal yang
sebaliknya pada kemunculan item lainnya. Contoh dari korelasi negative adalah
jika penjualan item A naik maka mempengaruhi jumlah penjualan B menjadi
menurun. Jika didapatkan lift ratio > 1 maka kemunculan A berkorelasi positive
dengan kemunculan B, artinya kemunculan A ini berhubungan dengan
kemunculan B. Contoh dari korelasi positive adalah jika item A dibeli maka
item B juga akan dibeli. Sedangkan jika lift ratio = 1 maka kemuncul item A
dan B independent dan tidak ada korelasi diantara kedua item tersebut (Han et
al. 2006).
2.7 Langkah – Langkah Algoritma Apriori
Berikut ini merupakan langkah – langkah atau proses yang dilakukan di
dalam algoritma apriori :
1. Memisahkan item yang unik dari seluruh transaksi dan menghitung rumus
minimum support.
2. Setelah memisahkan per-item data yang unik maka akan menghitung
support count dari jumlah setiap item yang ada di seluruh transaksi.
3. Jika nilai support count yang di hitung lebih dari batas minimum support
yang telah di tentukan maka akan di ijinkan untuk masuk langkah
perhitungan selanjutnya, Jika nilai support count tersebut tidak memenuhi
batas minimum support maka tidak masuk perhitungan selanjutnya.
4. Setelah nilai support count masuk ke dalam perhitungan untuk memilih
kandidat untuk item ke i dari seluruh transaksi maka akan dilanjutkan
dengan perhitungan kandidat.
5. Jika kandidat tersebut nilainya memenuhi ambang batas minimum support
yang ditentukan maka akan masuk ke dalam bagian dari itemset yang
nilainya frekuen ( nilai yang memenuhi ambang batas minimum support ).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
6. Setelah semua pola item frekuen ditemukan maka akan dibentuk sebuah
rules atau aturan dengan menghitung hasil dari item antesenden dengan item
konsekuen.
7. Jika item tersebut nilainya sama atau lebih dari ambang batas minimum
support maka akan membentuk sebuah itemset. Jika itemset tersebut sudah
ditemukan maka akan masuk ke dalam rules.
8. Setelah nilai rules sudah didapatkan maka akan menghitung nilai confidence
untuk setiap rules. Hasil confidence didapat jika nilai dari itemset
antesenden dan konsekuen dibagi dengan nilai antesenden tersebut
memenuhi ambang batas minimum confidence yang telah ditentukan.
9. Jika sudah ditemukan hasil berupa rules dan confidence yang memenuhi
ambang batas minimumnya maka akan menghitung nilai lift rationya.
10. Langkah selanjutnya yaitu menghasilkan data rules bersama dengan nilai
confidence dan lift ratio untuk masing-masing rules yang sudah ditemukan
dari seluruh transaksi yang memenuhi ambang batas yang sudah di tentukan.
2.8. Penelitian Terdahulu
Beberapa penelitian terdahulu terkait dengan penggunaan algoritma
apriori. Penelitian Mangla dan dkk (2013) mengenai Improving the efficiency
of Apriori Algorithm in Data Mining. Hasil yang diperoleh yaitu algoritma
apriori mampu mengoptimalkan suatu data dengan jumlah yang besar dalam
database. Penelitian Tampubolon, Kennedi dan Hoga Saragih (2013) mengenai
Implementasi Data Mining Algoritma Apriori Pada Sistem Persediaan AlatAlat Kesehatan. Hasil yang diperoleh yaitu berhasil mengimplementasikan
algoritma apriori dengan nilai support dan confidence tertinggi pada Stick
Asam Urat dengan Stick Gula dan Stick Colestrol dengan
Penelitian Nugroho, Rully dan Ahmad Mukhlason
Stick Gula.
(2012) mengenai
Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian
Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan
Perpustakaan dan Kearsipan Provinsi Jawa Timur). Hasil yang diperoleh yaitu
algoritma apriori sudah baik dalam menentukan pola, tetapi ditemukan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
kelemahan saat uji coba, yakni data yang akan di uji memiliki persebaran yang
tidak seimbang, cenderung pada transaksi dengan satu atau dua buku saja,
sehingga rekomendasi yang ditemukan algoritma sedikit. Berdasarkan
kelemahan yang ditemukan, penulis menyarankan untuk penelitian selanjutnya
menggabungkan data transaksi mingguan ke dalam transaksi dua mingguan
untuk dilakukan mining. Penggabungan data ini bisa mengurangi persebaran
data yang tidak merata. Penelitian Dewi, (2013) mengenai Implementasi Data
Mining Pada Penjualan Produk Elektronik Dengan Algoritma Apriori. Hasil
yang diperoleh yaitu penjualan produk elektronik paling banyak terjual pada
perusahaaan Kreditplus Medan dapat diketahui dengan menggunakan
algoritma apriori, dengan produk yang memenuhi minimal support dan
minimal confidence, yaitu produk Acer dan Toshiba.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III
METODOLOGI PENELITIAN
Pada bab ini akan membahas mengenai gambaran penelitian yang akan
dilakukan serta kebetuhan sistem yang diperlukan dan tampilan antarmuka sistem
yang akan dibuat.
3.1. Gambaran Penelitian
Gambar 3.1 Diagram Blok Penelitian
3.1.1. Data
Bahan Riset/Data adalah hal yang menjadi sasaran penelitian. Pada
penelitian ini data yang digunakan adalah data transaksi penjualan obat. Data
ini nantinya akan di dapat dari Rumah Sakit Umum Daerah Dr. Soetrasno
Rembang, dengan melakukan observasi dan wawancara disana. Data
transaksi yang digunakan adalah data transaksi penjualan obat selama 1
tahun yaitu tahun 2015 sebanyak 533 data transaksi. Data transaksi akan di
kelompokkan untuk penjualan obat pada setiap minggunya, sehingga 1
itemsets hanya beris obat-obat yang terjual selama 1 minggu. Kemudian data
tersebut di simpan dengan format file *.xls ( File Excel ).
Jenis obat yang digunakan pada penelitian ini sebanyak 36 obat, obat
ini merupakan obat yang terjual selama tahun 2015. Jenis obatnya yaitu
aminophylline, amitriptyline, amlodipine, amoxicillin, antalgin, antasida,
asam mefenamat, asering, aspilets, atarax, captopril, capriaton, cefadroxil,
17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
cefixime, cefotaxime, cetriaxone, cetirizine, ciprofloxacin, clindamycin,
dexamethasone, interpil, ketorolac, metronidazole, neurosanbe, novalgin,
omeprazole, ondansetron, pantoprazol, paracetamol, piracetam, pitogin,
ranitidin, vit b, vit b 12, vit b complex, vit b6.
3.1.2. Preprocessing Data
Pada tahap ini merupakan tahap awal agar data mentah dapat di olah
oleh alat uji yang dibuat. Preprocessing dilakukan secara manual dalam 2
tahap, tahap pertama yaitu menghilangkan atribut yang tidak terpakai seperti
no nota, tanggal resep, nama pasien dan kelompok pasien. Tahap kedua yaitu
melakukan pengelompokkan data dalam perminggu. Pengelompokan
dilakukan dengan cara memilih obat-obat yang terjual selama seminggu
kemudian obat tersebut dikelompokkan menjadi 1 itemset, sehingga 1
itemset berisi obat yang terjual dalam 1 minggu, setiap jenis obat dipisahkan
dengan tanda koma ( , ). Kemudian data yang sudah dikelompokkan dalam
perminggu disimpan dengan format file .*xls. Berikut ini adalah contoh data
yang sudah di preprocessing (Tabel 3.1).
Tabel 3.1 Contoh Data Hasil Preprocessing
No
Obat
Minggu
1.
Ranitidin,Ketorolac,Ondansentron,Amoxicillin,Ceftriaxone
2.
Ranitidin,Ketorolac,Omeprazole,Ondansentron,Amoxicillin,
Ceftriaxone
3.
Ondansentron,Cefotaxime,Ranitidin,Ketorolac,Amoxicillin,
Ceftriaxone
4.
Ranitidin,Dexamethasone,Ketorolac,Amoxicillin
5.
Ranitidin,Ketorolac,Paracetamol,Amoxicillin,Ondansentron,
Ceftriaxone
6.
Asam Mefenamat,Ondansentron
7.
Ketorolac,Ranitidin,Metrodiazol
8.
Amoxicillin,Asam Mefenamat, Ondansentron, Ketorolac,
Ranitidin,Ceftriaxone
9.
Amoxicillin,Amlodipine,Paracetamol,Metrodiazol
10.
Ranitidin,Ketorolac,Ceftriaxone,Ondansentron,Amoxicillin,
Ceftriaxone
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
3.1.3. Penerapan Algoritma Apriori
Berikut merupakan contoh penerapan algoritma Apriori dengan 10
data itemsets yang telah di preprocessing (Tabel 3.1) dengan syarat aturan
nilai minimum support 0.6 dan nilai minimum confidence adalah 1.
1. Menghitung Kandidat 1 Itemset
Setelah menyiapkan data, selanjutnya melakukan perhitungan
jumlah transaksi pada masing-masing obat dan menghitung jumlah obat
pada seluruh transaksi, apabila pada setiap transaksi terdapat 1 obat yang
dibeli maka dihitung 1 dan jika pada setiap transaksi tidak ada obat yang
dibeli maka dihitung 0. Perhitungan seperti pada Tabel 3.2
Tabel 3.2. Representasi Biner
No
Obat
Minggu 1
2
3
4
5
6
7
8
9
10
11
12
1.
0
1
0
0
1
0
1
0
0
1
0
1
2.
0
1
0
0
1
0
1
0
1
1
0
1
3.
0
1
0
1
1
0
1
0
0
1
0
1
4.
0
1
0
0
0
1
1
0
0
0
0
1
5.
0
1
0
0
1
0
1
0
0
1
1
1
6.
0
1
1
0
0
0
0
0
0
1
0
0
7.
0
0
0
0
0
0
1
1
0
0
0
1
8.
0
1
1
0
1
0
1
0
0
1
0
1
9.
1
1
0
0
0
0
0
1
0
0
1
0
10.
0
1
0
0
1
0
1
0
0
1
0
1
Jumlah
1
9
2
1
6
1
8
2
1
7
2
8
Berikut ini adalah penjelasan nama obat dari Tabel 3.2 :
1.
Amlodipine
6.
Dexamethazone
11. Paracetamol
2.
Amoxicillin
7.
Ketorolac
12. Ranitidin
3.
Asam Mefenamat
8.
Metrodiazol
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
4.
Cefotaxime
9.
Omeprazol
5.
Ceftriaxone
10. Ondansentron
Ditetapkan bahwa nilai minimal support = 0.6, maka semua obat
yang frekuensi kemunculannya kurang dari dari 0.6 atau nilai support obat
tersebut kurang dari 0.6 di prune / di pangkas. Hasil dari perhitungan nilai
support dan hasil kandidat 1 itemsets dapat dilihat pada Tabel 3.3. Kandidat
1 itemsets ditandai dengan warna kuning sedangkan untuk menghitung nilai
support dari setiap obat di gunakan rumus (2.1) :
Support (A) =
∑ Transaksi Mengandung A
∑ Transaksi
Tabel 3.3. Hasil Kandidat 1 Item
Obat
Amlodipine
Amoxicillin
Asam Mefenamat
Cefotaxime
Ceftriaxone
Dexamethazone
Ketorolac
Metrodiazol
Omeprazol
Ondansentron
Paracetamol
Ranitidin
Jumlah
1
9
2
1
6
1
8
2
1
7
2
8
Menghitung
Support ( A )
1/10
9/10
2/10
1/10
6/10
1/10
8/10
2/10
1/10
7/10
2/10
8/10
Support
0.1
0.9
0.2
0.1
0.6
0.1
0.8
0.2
0.1
0.7
0.2
0.8
Berdasarkan hasil dari Tabel 3.3, obat yang memenuhi syarat
minimum support adalah obat Amoxicillin, Ceftriaxone, Ketorolac,
Ondasentron dan Ranitidin. Kemudian dari hasil kandidat 1 itemsets ini,
akan dilakukan perhitungan kandidat 2 itemset.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
2. Menentukan Kandidat 2 Itemset
Pada tahap pencarian kandidat 2 itemset, perhitungannya di ambil
dari kombinasi 2 obat hasil dari kandidat 1 itemsets yaitu Amoxicillin,
Ceftriaxone, Ketorolac, Ondansentron dan Ranitidin. Dua kombinasi obat
dihitung jumlahnya sesuai dengan data transaksi pada Tabel 3.1. Apabila
dalam satu transaksi terdapat 2 kombinasi itemsets yang dibeli maka
dihitung 1 dan bila dalam satu transaksi tidak terdapat 2 kombinasi itemset
yang dibeli maka dihitung 0. Hasil dari kandidat 2 itemset dapat dilihat
pada Tabel 3.4, untuk menghitung nilai support dari kandidat 2 itemsets di
gunakan rumus (2.2) :
Support (A, B) =
∑ Transaksi Mengandung A dan B
∑ Transaksi
Tabel 3.4. Hasil Kandidat 2 Itemset
Obat
Ketorolac => Ondasentron
Ketorolac => Ranitidin
Ketorolac => Ceftriaxone
Ketorolac => Amoxicillin
Ondasentron => Ketorolac
Ondasentron => Ranitidin
Ondasentron => Ceftriaxone
Ondasentron => Amoxicillin
Ranitidin => Ketorolac
Ranitidin => Ondasentron
Ranitidin => Ceftriaxone
Ranitidin => Amoxicillin
Ceftriaxone => Ondasentron
Ceftriaxone => Ranitidin
Ceftriaxone => Amoxicillin
Ceftriaxone => Ketorolac
Amoxicillin => Ondasentron
Amoxicillin => Ranitidin
Amoxicillin => Ceftriaxone
Jumlah
6
8
6
7
6
6
6
7
8
6
6
7
6
6
6
6
7
7
5
Menghitung
Support (A,B)
6/10
8/10
6/10
7/10
6/10
6/10
6/10
7/10
8/10
6/10
6/10
7/10
6/10
6/10
6/10
6/10
7/10
7/10
5/10
Support
0.6
0.8
0.6
0.7
0.6
0.6
0.6
0.7
0.8
0.6
0.6
0.7
0.6
0.6
0.5
0.6
0.7
0.7
0.5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Amoxicillin => Ketorolac
7/10
7
0.7
Berdasarkan hasil dari kandidat 2 itemset pada Tabel 3.4, didapatkan 18
kandidat yang nilai support memenuhi minimum support, maka langkah
selanjutnya melakukan pencarian kandidat 3 itemset dari hasil kandidat 2
itemset.
3. Menentukan Kandidat 3 Itemset
Pada tahap pencarian kandidat 3 itemset, perhitungannya di ambil
dari kombinasi 3 obat hasil dari kandidat 2 itemsets. Tiga kombinasi obat
dihitung jumlahnya sesuai dengan data transaksi pada Tabel 3.1. Apabila
dalam satu transaksi terdapat 3 kombinasi itemset yang dibeli maka
dihitung 1 dan apabila dalam satu transaksi tidak terdapat 3 kombinasi
itemset yang dibeli maka dihitung 0. Hasil dari kandidat 3 itemset dapat
dilihat pada Tabel 3.5, untuk menghitung nilai support dari kandidat 3
itemsets di gunakan rumus (2.2) :
Support (A, B) =
∑ Transaksi Mengandung A dan B
∑ Transaksi
Tabel 3.5. Hasil Kandidat 3 Itemset
Obat
Jumlah
Ketorolac => Ondasentron Ranitidin
Ketorolac => Ondasentron Amoxicillin
Ketorolac => Ondasentron Ceftriaxone
Ondasentron => Ketorolac Ranitidin
Ondasentron => Ketorolac Amoxicillin
Ondasentron => Ketorolac Ceftriaxone
Ranitidin => Amoxicillin Ondasentron
Ranitidin => Amoxicillin Ketorolac
Ranitidin => Amoxicillin Ceftriaxone
Amoxicillin => Ceftriaxone
Ondasentron
Amoxicillin => Ceftriaxone Ketorolac
6
6
6
6
6
6
6
7
6
6
6
Menghitung
Support (A,B)
6/10
6/10
6/10
6/10
6/10
6/10
6/10
7/10
6/10
6/10
6/10
Support
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.7
0.6
0.6
0.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Amoxicillin => Ceftriaxone Ranitidin
Ceftriaxone => Ranitidin Ondasentron
Ceftriaxone => Ranitidin Ketorolac
Ceftriaxone => Ranitidin Amoxicillin
Ondasentron Ranitidin => Ketorolac
Ondasentron Amoxicillin => Ketorolac
Ondasentron Ceftriaxone => Ketorolac
Ketorolac Ranitidin => Ondasentron
Ketorolac Amoxicillin => Ondasentron
Ketorolac Ceftriaxone => Ondasentron
Amoxicillin Ondasentron => Ranitidin
Amoxicillin Ketorolac => Ranitidin
Amoxicillin Ceftriaxone => Ranitidin
Ceftriaxone Ondasentron =>
Amoxicillin
Ceftriaxone Ketorolac => Amoxicillin
Ceftriaxone Ranitidin => Amoxicillin
Ranitidin Ondasentron => Ceftriaxone
Ranitidin Ketorolac => Ceftriaxone
Ranitidin Amoxicillin => Ceftriaxone
6
6
6
6
6
6
6
6
6
6
6
7
6
6/10
6/10
6/10
6/10
6/10
6/10
6/10
6/10
6/10
6/10
6/10
7/10
6/10
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.7
0.6
6
6/10
0.6
6
6
6
6
6
6/10
6/10
6/10
6/10
6/10
0.6
0.6
0.6
0.6
0.6
Berdasarkan hasil dari kandidat 3 itemset pada Tabel 3.5, semua kandidat
mempunyai nilai support yang memenuhi minimum support, maka langkah
selanjutnya melakukan pencarian kandidat 4 itemset dari hasil kandidat 3
itemset.
4. Menentukan Kandidat 4 Itemset
Pada tahap pencarian kandidat 4 itemset, perhitungannya di ambil
dari kombinasi 4 obat hasil dari kandidat 3 itemsets. Empat kombinasi obat
dihitung jumlahnya sesuai dengan data transaksi pada Tabel 3.1. Apabila
dalam satu transaksi terdapat 4 kombinasi itemset yang dibeli maka
dihitung 1 dan apabila dalam satu transaksi tidak terdapat 4 kombinasi
itemset yang dibeli maka dihitung 0. Hasil dari kandidat 4 itemset dapat
dilihat pada Tabel 3.6, untuk menghitung nilai support dari kandidat 4
itemsets di gunakan rumus (2.2) :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
Support (A, B) =
∑ Transaksi Mengandung A dan B
∑ Transaksi
Tabel 3.6. Hasil Kandidat 4 Itemset
Obat
Ranitidin => Ondasentron Amoxicillin
Ceftriaxone
Ranitidin => Ondasentron Amoxicillin
Ketorolac
Ondasentron => Ranitidin Amoxicillin
Ceftriaxone
Ondasentron => Ranitidin Amoxicillin
Ketorolac
Amoxicillin => Ranitidin Ondasentron
Ceftriaxone
Amoxicillin => Ranitidin Ondasentron
Ketorolac
Ceftriaxone => Ranitidin Ondasentron
Amoxicillin
Ceftriaxone => Ranitidin Ondasentron
Ketorolac
Ketorolac => Ranitidin Ondasentron
Amoxicillin
Ketorolac => Ranitidin Ondasentron
Ceftriaxone
Ondasentron Amoxicillin Ceftriaxone
=> Ranitidin
Ondasentron Amoxicillin Ketorolac =>
Ranitidin
Ranitidin Amoxicillin Ceftriaxone =>
Ondasentron
Ranitidin Amoxicillin Ketorolac =>
Ondasentron
Ranitidin Ondasentron Ceftriaxone =>
Amoxicillin
Ranitidin Ondasentron Ketorolac =>
Amoxicillin
Ranitidin Ondasentron Amoxicillin =>
Ceftriaxone
Ranitidin Ondasentron Ketorolac =>
Ceftriaxone
Ranitidin Ondasentron Amoxicillin =>
Jumlah
Menghitung
Support (A,B)
Support
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Ketorolac
Ranitidin Ondasentron Ceftriaxone =>
Ketorolac
Ranitidin Ondasentron => Ketorolac
Ceftriaxone
Ranitidin Ondasentron => Amoxicillin
Ketorolac
Ranitidin Amoxicillin => Ondasentron
Ceftriaxone
Ranitidin Amoxicillin => Ondasentron
Ketorolac
Ranitidin Ceftriaxone => Amoxicillin
Ondasentron
Ranitidin Ceftriaxone => Ondasentron
Ketorolac
Ranitidin Ketorolac => Amoxicillin
Ondasentron
Ranitidin Ketorolac => Amoxicillin
Ceftriaxone
Ketorolac Ceftriaxone => Ranitidin
Ondasentron
Amoxicillin Ketorolac => Ranitidin
Ondasentron
Ondasentron Ceftriaxone => Ranitidin
Amoxicillin
Ondasentron Ketorolac => Ranitidin
Amoxicillin
Amoxicillin Ondasentron =>
Ranitidin Ceftriaxone
Ondasentron Ketorolac => Ranitidin
Ceftriaxone
Amoxicillin Ondasentron =>
Ranitidin Ketorolac
Amoxicillin Ceftriaxone => Ranitidin
Ketorolac
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
Berdasarkan hasil dari kandidat 4 itemset pada Tabel 3.6, semua kandidat
mempunyai nilai support yang memenuhi minimum support, maka langkah
selanjutnya melakukan pencarian kandidat 5 itemset dari hasil kandidat 5
itemset.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
5. Menentukan Kandidat 5 Itemset
Pada tahap pencarian kandidat 5 itemset, perhitungannya di ambil
dari kombinasi 5 obat hasil dari kandidat 5 itemsets. Lima kombinasi obat
dihitung jumlahnya sesuai dengan data transaksi pada Tabel 3.1. Apabila
dalam satu transaksi terdapat 5 kombinasi itemset yang dibeli maka
dihitung 1 dan apabila dalam satu transaksi tidak terdapat 5 kombinasi
itemset yang dibeli maka dihitung 0. Hasil dari kandidat 5 itemset dapat
dilihat pada Tabel 3.7, untuk menghitung nilai support dari kandidat 5
itemsets di gunakan rumus (2.2) :
Support (A, B) =
∑ Transaksi Mengandung A dan B
∑ Transaksi
Tabel 3.7. Hasil Kandidat 5 Itemset
Obat
Amoxicillin => Ketorolac Ranitidin
Ondasentron Ceftriaxone
Ketorolac => Amoxicillin Ranitidin
Ondasentron Ceftriaxone
Ondasentron => Amoxicillin Ranitidin
Ketorolac Ceftriaxone
Ceftriaxone => Amoxicillin Ranitidin
Ondasentron Ketorolac
Ranitidin => Amoxicillin Ketorolac
Ondasentron Ceftriaxone
Amoxicillin Ketorolac => Ranitidin
Ondasentron Ceftriaxone
Amoxicillin Ranitidin => Ketorolac
Ondasentron Ceftriaxone
Ketorolac Ondasentron => Ranitidin
Amoxicillin Ceftriaxone
Ceftriaxone Ranitidin => Ondasentron
Amoxicillin Ketorolac
Ranitidin Ondasentron Ceftriaxone =>
Amoxicillin Ketorolac
Ketorolac Ondasentron Ceftriaxone =>
Amoxicillin Ranitidin
Ranitidin Amoxicillin Ceftriaxone =>
Jumlah
Menghitung
Support (A,B)
Support
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Ketorolac Ondasentron
Ondasentron Amoxicillin Ketorolac
=> Ceftriaxone Ranitidin
Ketorolac Ranitidin Ondasentron
Ceftriaxone => Amoxicillin
Amoxicillin Ranitidin Ondasentron
Ceftriaxone => Ketorolac
Amoxicillin Ranitidin Ketorolac
Ceftriaxone => Ondasentron
Amoxicillin Ranitidin Ondasentron
Ketorolac => Ceftriaxone
Amoxicillin Ketorolac Ondasentron
Ceftriaxone => Ranitidin
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
6
6/10
0.6
Berdasarkan hasil dari kandidat 5 itemset pada Tabel 3.7, semua kandidat
mempunyai nilai support yang memenuhi minimum support, maka langkah
selanjutnya melakukan pembentukan aturan asosiasi. Pembentukan aturan
asosiasi ini dilakukan karena sudah tidak bisa lagi dilakukan pencarian
kandidat 6 itemset yang disebabkan karena jumlah obat yang memenuhi
syarat minimum support hanya 5 obat.
6. Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi yang memenuhi minimum support
ditemukan,
maka
akan
dilakukan
pembentukan
aturan
asosiasi.
Pembentukan aturan asosiasi berfungsi untuk menghasilkan aturan yang
memenuhi nilai minimum support dan minimum confidence yang ditentukan.
Nilai confidence dapat di hitung dengan rumus (2.3) :
Confidence =
∑ Transaksi Mengandung Antesenden dan Konsekuen
∑ Transaksi Mengandung Antesenden
Kemudian untuk mengukur seberapa kuat aturan yang akan dihasilkan,
dilakukan perhitungan lift ratio pada seiap aturan yang dihasilkan, aturan
yang kuat adalah aturan yang memiliki nilai lift ratio lebih dari 1. Nilai lift
ratio dapat di hitung dengan rumus (2.5) :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Lift Ratio =
Confidence
Expected Confidence
Sedangkan untuk menghitung nilai expected confidence digunakan rumus
(2.4) :
Expected Confidence =
∑ Transaksi Mengandung Konsekuen
∑ Transaksi
Hasil Aturan asosiasi yang terbentuk dapat dilihat pada Tabel 3.8, Aturan
yang terbentuk merupakan aturan yang memenuhi syarat yang ditentukan
dan aturan yang memiliki lift ratio di atas 1. Berikut ini merupakan contoh
perhitungan nilai confidence, expected confidence dan lift ratio :
1. Contoh Perhitungan Nilai Confidence :
A
=>
B
( Ketorolac => Ranitidin )
Jumlah Item A & B = 8 dan Jumlah Item A = 8
Confidence =
8
=1
8
2. Contoh Perhitungan Expected Confidence :
A
=>
B
( Ketorolac => Ranitidin )
Jumlah Item B = 8 dan Jumlah Transaksi = 10
Expected Confidence =
8
= 0.8
10
3. Contoh Perhitungan Nilai Lift Ratio :
A
=>
B
( Ketorolac => Ranitidin )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
Nilai Confidence A & B = 1 dan Expected Confidence = 0.8
Lift Ratio =
1
= 1.25
0.8
Tabel 3.8 Hasil Pembentukan Aturan Asosiasi
Rule
Ketorolac => Ranitidin
Ranitidin => Ketorolac
Ceftriaxone => Ondasentron
Ceftriaxone => Ranitidin
Ceftriaxone => Ketorolac
Ceftriaxone => Ranitidin
Ondasentron
Ceftriaxone => Ranitidin Ketorolac
Ceftriaxone
Ondasentron Ranitidin => Ketorolac
Ondasentron Ceftriaxone =>
Ketorolac
Ketorolac Ceftriaxone =>
Ondasentron
Amoxicillin Ketorolac => Ranitidin
Amoxicillin Ceftriaxone =>
Ranitidin
Ceftriaxone Ondasentron =>
Amoxicillin
Ceftriaxone Ketorolac =>
Amoxicillin
Ceftriaxone Ranitidin =>
Amoxicillin
Ranitidin Ondasentron =>
Ceftriaxone
Ceftriaxone => Ranitidin
Ondasentron Amoxicillin
Ceftriaxone => Ranitidin
Ondasentron Ketorolac
Ondasentron Amoxicillin
Ceftriaxone => Ranitidin
Ranitidin Ondasentron Ceftriaxone
=> Amoxicillin
Ranitidin Ondasentron Ceftriaxone
=> Ketorolac
Ranitidin Ondasentron => Ketorolac
Support
0.6
0.8
0.6
0.6
0.6
Confidence
1
1
1
1
1
Lift Ratio
1.25
1.25
1.43
1.25
1.25
0.6
1.00
1.67
0.6
0.6
0.6
1.00
1.00
1.00
1.25
1.43
1.25
0.6
1.00
1.25
0.6
1.00
1.43
0.7
1.00
1.25
0.6
1.20
1.50
0.6
1.00
1.11
0.6
1.00
1.11
0.6
1.00
1.11
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.25
0.6
1.00
1.25
0.6
1.00
1.11
0.6
1.00
1.25
0.6
1.00
1.67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Ceftriaxone
Ranitidin Ondasentron =>
Amoxicillin Ketorolac
Ranitidin Ceftriaxone =>
Amoxicillin Ondasentron
Ranitidin Ceftriaxone =>
Ondasentron Ketorolac
Ketorolac Ceftriaxone => Ranitidin
Ondasentron
Ondasentron Ceftriaxone =>
Ranitidin Amoxicillin
Ondasentron Ketorolac => Ranitidin
Amoxicillin
Ondasentron Ketorolac => Ranitidin
Ceftriaxone
Amoxicillin Ceftriaxone =>
Ranitidin Ketorolac
Ceftriaxone => Amoxicillin
Ranitidin Ondasentron Ketorolac
Ketorolac Ondasentron => Ranitidin
Amoxicillin Ceftriaxone
Ceftriaxone Ranitidin =>
Ondasentron Amoxicillin Ketorolac
Ranitidin Ondasentron Ceftriaxone
=> Amoxicillin Ketorolac
Ketorolac Ondasentron Ceftriaxone
=> Amoxicillin Ranitidin
Ranitidin Amoxicillin Ceftriaxone
=> Ketorolac Ondasentron
Ondasentron Amoxicillin Ketorolac
=> Ceftriaxone Ranitidin
Ketorolac Ranitidin Ondasentron
Ceftriaxone => Amoxicillin
Amoxicillin Ranitidin Ondasentron
Ceftriaxone => Ketorolac
Amoxicillin Ranitidin Ketorolac
Ceftriaxone => Ondasentron
Amoxicillin Ranitidin Ondasentron
Ketorolac => Ceftriaxone
Amoxicillin Ketorolac Ondasentron
Ceftriaxone => Ranitidin
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.25
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.11
0.6
1.00
1.25
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.25
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
3.1.4. Validasi Aturan
Salah satu metode yang dilakukan peneliti untuk mengetahui valid
atau tidaknya hasil dari alat uji yang dibuat nanti, maka peneliti melakukan
perbandingan hasil antara alat uji dengan aplikasi yang hasilnya sudah pasti
dapat dipercaya kebenarannya. Berdasarkan penelitian yang dilakukan oleh
Paresh, beliau berhasil menggunakan aplikasi WEKA untuk menghasilkan
aturan asosiasi yang valid, Oleh sebab itu peneliti memilih aplikasi WEKA.
Aplikasi yang dipilih oleh peneliti adalah aplikasi WEKA versi 3.8.1. Weka
adalah salah satu aplikasi penambangan data open source berbasis Java.
Aplikasi ini dibuat oleh Universitas Waikato, New Zealand dengan tujuan
untuk penelitian dan pendidikan. WEKA sendiri merupakan singkatan dari
Waikato Environment for Knowledge Analysis.
Berikut ini adalah contoh pengujian validasi menggunakan data
transaksi penjualan yang sama dengan data yang digunakan pada
perhitungan manual yang telah dilakukan (Tabel 3.1). Sebelum data di
proses di aplikasi WEKA, data harus di preprocessing terlebih dahulu agar
data dapat diolah menggunakan aplikasi WEKA. Proses preprocessing yang
dilakukan peneliti adalah mengubah nilai biner hasil perhitungan
manualnya ‘0’ menjadi ‘?’ dan ‘1’ menjadi ‘t’ dan disimpan dalam format
*.arff agar bisa di baca oleh aplikasi WEKA. Berikut ini adalah contoh data
Tabel 3.1 yang telah di peprocessing (Gambar 3.2).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
Gambar 3.2 Contoh Data Hasil Preprocessing
Setelah proses preprocessing selesai, data langsung dicobakan pada aplikasi
WEKA. Contoh hasil yang didapat dengan aplikasi WEKA dapat dilihat
pada Gambar 3.3.
Gambar 3.3 Hasil Validasi dengan Aplikasi WEKA
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Dari percobaan yang telah dilakukan, aplikasi WEKA menghasilkan
rule yang sama dengan rule yang dihasilkan dari perhitungan manual,
sehingga dapat dikatakan bahwa aturan yang dihasilkan sudah valid. Pada
proses validasi pada alat uji yang akan dibuat nantinya, hasil aturan dari alat
uji di bandingkan dengan hasil aturan dari aplikasi WEKA. Setelah aturan
telah di validasi kemudian aturan tersebuat akan di analisis.
3.1.5. Hasil Aturan Asosiasi
Berdasarkan perhitungan manual yang telah dilakukan, didapatkan 43
aturan yang memenuhi minimum support 0.6, minimum confidence 1 dan lift
ratio > 1 dengan lift ratio tertinggi sebesar 1.25. Berikut ini adahal hasil aturan
asosiasi (Tabel 3.9).
Tabel 3.9 Hasil Aturan Asosiasi Perhitungan Manual
No
Rule
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Ketorolac => Ranitidin
Ranitidin => Ketorolac
Ceftriaxone => Ondasentron
Ceftriaxone => Ranitidin
Ceftriaxone => Ketorolac
Ceftriaxone => Ranitidin Ondasentron
Ceftriaxone => Ranitidin Ketorolac
Ceftriaxone
Ondasentron Ranitidin => Ketorolac
Ondasentron Ceftriaxone => Ketorolac
Ketorolac Ceftriaxone => Ondasentron
Amoxicillin Ketorolac => Ranitidin
Amoxicillin Ceftriaxone => Ranitidin
Ceftriaxone Ondasentron => Amoxicillin
Ceftriaxone Ketorolac => Amoxicillin
Ceftriaxone Ranitidin => Amoxicillin
Ranitidin Ondasentron => Ceftriaxone
Ceftriaxone => Ranitidin Ondasentron
Amoxicillin
Ceftriaxone => Ranitidin Ondasentron
Ketorolac
Ondasentron Amoxicillin Ceftriaxone =>
18
19
20
0.6
0.8
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.6
0.7
0.6
0.6
0.6
0.6
0.6
1
1
1
1
1
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.20
1.00
1.00
1.00
1.00
Lift
Ratio
1.25
1.25
1.43
1.25
1.25
1.67
1.25
1.43
1.25
1.25
1.43
1.25
1.50
1.11
1.11
1.11
1.67
0.6
1.00
1.43
0.6
1.00
1.25
0.6
1.00
1.25
Support Confidence
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
Ranitidin
Ranitidin Ondasentron Ceftriaxone =>
Amoxicillin
Ranitidin Ondasentron Ceftriaxone =>
Ketorolac
Ranitidin Ondasentron => Ketorolac
Ceftriaxone
Ranitidin Ondasentron => Amoxicillin
Ketorolac
Ranitidin Ceftriaxone => Amoxicillin
Ondasentron
Ranitidin Ceftriaxone => Ondasentron
Ketorolac
Ketorolac Ceftriaxone => Ranitidin
Ondasentron
Ondasentron Ceftriaxone => Ranitidin
Amoxicillin
Ondasentron Ketorolac => Ranitidin
Amoxicillin
Ondasentron Ketorolac => Ranitidin
Ceftriaxone
Amoxicillin Ceftriaxone => Ranitidin
Ketorolac
Ceftriaxone => Amoxicillin Ranitidin
Ondasentron Ketorolac
Ketorolac Ondasentron => Ranitidin
Amoxicillin Ceftriaxone
Ceftriaxone Ranitidin => Ondasentron
Amoxicillin Ketorolac
Ranitidin Ondasentron Ceftriaxone =>
Amoxicillin Ketorolac
Ketorolac Ondasentron Ceftriaxone =>
Amoxicillin Ranitidin
Ranitidin Amoxicillin Ceftriaxone =>
Ketorolac Ondasentron
Ondasentron Amoxicillin Ketorolac =>
Ceftriaxone Ranitidin
Ketorolac Ranitidin Ondasentron
Ceftriaxone => Amoxicillin
Amoxicillin Ranitidin Ondasentron
Ceftriaxone => Ketorolac
Amoxicillin Ranitidin Ketorolac
Ceftriaxone => Ondasentron
Amoxicillin Ranitidin Ondasentron
Ketorolac => Ceftriaxone
0.6
1.00
1.11
0.6
1.00
1.25
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.25
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.43
0.6
1.00
1.43
0.6
1.00
1.67
0.6
1.00
1.67
0.6
1.00
1.11
0.6
1.00
1.25
0.6
1.00
1.43
0.6
1.00
1.67
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
43
Amoxicillin Ketorolac Ondasentron
Ceftriaxone => Ranitidin
0.6
1.00
1.25
3.2. Kebutuhan Sistem
Alat yang akan dipergunakan dalam proses perancangan sistem :
a. Perangkat Keras
Perangkat Keras dengan spesifikasi sebagai berikut :
1. Processor : Intel Core i3 2.3 GHz
2. Memory : 4GB
3. Hard Drive : 500GB
b. Perangkat Lunak
Perangkat Lunak yang digunakan adalah sebagai berikut :
1. Windows 10 64 bit
Sistem operasi yang digunakan untuk mengoperasikan kedua
perangkat lunak lainnya.
2. Microsoft Exel 2016
Perangkat
lunak
yang
digunakan
untuk
melakukan
proses
preprosesing data transaksi obat sebelum diolah oleh sistem.
3. Matlab 2014
Perangkat lunak yang digunakan untuk membuat sistem.
4. Aplikasi WEKA 3.8.1
Perangkat lunak yang digunakan untuk melakukan validasi hasil
aturan dari sistem.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
3.3. Perancangan Antarmuka Sistem
Gambar 3.4 Rancangan Antarmuka Sistem
Pada tampilan antarmuka sistem terdapat 4 panel fungsi pada sistem seperti
terlihat di Gambar 3.4, yaitu :
a. Input Data
Pada panel Input Data ini berfungsi untuk mengimputkan data,
menginputkan minimum support dan menginputkan minimum confident.
Format data yang akan di proses dalam bentuk *.xls. Kemudian terdapat 3
tombol yaitu tombol input data yang berfungsi untuk memilih file data yang
akan diolah , tombol proses yang berfungsi untuk memproses/mengolah
data yang telah diinputkan pada sistem, tombol reset berfungsi untuk
mereset semua data yang diinputkan beserta hasilnya.
b. Tabel Data
Pada panel Tabel Data berfungsi untuk menampilkan isi data yang di
inputkan, berupa no minggu dan data penjualan obat per minggunya.
c. Tabel Data Biner
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
Pada panel Tabel Data Biner ini berfungsi untuk menampilkan hasil
transaksi yang di ubah dalam bentuk biner. Hasil representasi biner akan
digunakan untuk mencari kombinasi dari seluruh transaksi.
d. Tabel Rule Asosiasi
Pada panel Tabel Rule Asosiasi ini berfungsi sebagai output atau keluaran
sistem yang berisi hasil final rule atau aturan akhir .
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
IMPLEMENTASI DAN ANALISA HASIL
Bab ini berisi uraian implementasi sistem berupa hasil penelitian dan analisa
hasil rule asosiasi serta antarmuka sistem.
4.1 Hasil Penelitian
Hasil dari penelitian ini adalah aturan asosiasi (rule asosiasi) yang
didapat dari nilai minimum support dan minimum confidence yang optimal.
Tahap awal yaitu melakukan preprosesing data agar data dapat diolah di alat
uji, kemudian mencari aturan terbaik dari variasi minimum support dan
minimum confidence.
4.1.1 Preprocessing
Preprocessing di lakukan agar data mentah (Gambar 4.1) dapat diolah di
alat uji yang dibuat. Data mentah yang akan digunakan yaitu data penjualan
obat pada tahun 2015 sebanyak 533 transaksi, data transaksi tersebut
dikelompokkan dalam perminggu sehingga menghasilkan 48 itemset dalam 1
tahun.
Gambar 4.1 Contoh Data Mentah
38
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Preprocessing dilakukan secara manual dalam 2 tahap, tahap pertama yaitu
menghilangkan atribut yang tidak terpakai seperti no nota, tanggal resep, nama
pasien dan kelompok pasien. Berikut ini adalah contoh data hasil penghilangan
beberapa atribut (Gambar 4.2).
Gambar 4.2 Contoh Data Hasil Penghilangan Atribut
Tahap kedua yaitu melakukan pengelompokkan data dalam perminggu.
Pengelompokan dilakukan dengan cara memilih obat-obat yang terjual selama
seminggu kemudian obat tersebut dikelompokkan menjadi 1 itemset, sehingga
1 itemset berisi obat yang terjual dalam 1 minggu, setiap jenis obat dipisahkan
dengan tanda koma ( , ). Berikut ini adalah contoh pengelompokan data pada
minggu 1 dapat dilihat pada Gambar 4.3.
Gambar 4.3 Contoh Pengelompokkan Data Minggu 1
Kemudian data yang sudah dikelompokkan dalam perminggu disimpan dengan
format file .*xls.
Berikut ini adalah contoh hasil data yang sudah di
preprocessing (Tabel 4.1).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Tabel 4.1 Contoh Hasil Preprocessing
No
Minggu
1
2
3
4
5
6
7
8
9
10
Obat
Ranitidin,ketorolac,omeprazole,ondansetron,cefotaxime,novalgin,de
xamethasone,paracetamol,amoxicillin,asam mefenamat
Amoxicillin,asam mefenamat, amlodipine, pitogin,ranitidin,
ceftriaxone, dexamethasone, ketorolac, ondansetron
Amoxicillin,asam mefenamat,ranitidin,ketorolac,ondansetron,vit b,
metronidazole, amlodipine, paracetamol, dexamethasone,
ceftriaxone, asering, pitogin, piracetam, novalgin, cefotaxime
Ketorolac,ranitidin,antasida,paracetamol,vit b,ceftriaxone,asam
mefenamat, vit b 12, ondansetron, amlodipine, aspilets,
ciprofloxacin, asering, antalgin
Ranitidin,ceftriaxone,paracetamol,vit b complex, ciprofloxacin,
ketorolac, ondansetron
Metronidazole,paracetamol,ceftriaxone,asam mefenamat,
amoxicillin, pitogin, pantoprazol, ranitidin, ketorolac,
aminophylline, dexamethasone, ondansetron, aspilets, novalgin
Antasida,captopril,ceftriaxone,carpiaton,aminophylline,ranitidin,aml
odipine,ondansetron,ketorolac,metronidazole
Ranitidin,ketorolac,metronidazole,ceftriaxone,cefotaxime,paracetam
ol,omeprazole,vit b,vit b 12
Ranitidin,metronidazole,ceftriaxone,ondansetron,antalgin,dexametha
sone,paracetamol,vit b, cefotaxime, ketorolac, pantoprazol,
amlodipine, asam mefenamat, ciprofloxacin
Amlodipine,ranitidin,ceftriaxone,vit b complex, ketorolac,
cefotaxime, paracetamol, ciprofloxacin, omeprazole, asam
mefenamat, pantoprazol, ondansetron, antasida
4.1.2 Variasi Pengujian
Setelah data di preprocessing, data di ujikan pada alat uji yang dibuat.
Berdasarkan pengujian yang telah dilakukan dengan variasi minimum support
dan minimum confidence sebanyak 25 kali, di dapat hasil seperti pada Tabel
4.2 berikut ini.
Tabel 4.2 Hasil Variasi Pengujian
Minimal
Support
0.6
Minimal
Confident
0.6
0.7
0.8
0.9
Lift Ratio
Tertinggi
1.2000
1.2000
1.2000
1.2000
Jumlah Aturan
294
255
199
143
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
0.7
0.8
0.9
1
1
0.6
0.7
0.8
0.9
1
0.6
0.7
0.8
0.9
1
0.6 - 1
0.6 - 1
1.2000
1.0891
1.0891
1.0891
1.0891
1.0891
1.0891
1.0891
1.0891
-
25
108
108
106
57
0
14
14
14
14
0
0
0
Berdasarkan variasi minimum support dan minimum confidence yang
telah dilakukan didapatkan hasil sebagai berikut :
1. Ketika minimum support 0.6 dan minimum confidence 0.6 maka akan
ditemukan 294 aturan dan didapatkan lift ratio tertinggi sebesar 1.2000.
2. Ketika minimum support 0.6 dan minimum confidence 0.7 maka akan
ditemukan 255 aturan dan didapatkan lift ratio tertinggi sebesar 1.2000.
3. Ketika minimum support 0.6 dan minimum confidence 0.8 maka akan
ditemukan 199 aturan dan didapatkan lift ratio tertinggi sebesar 1.2000.
4. Ketika minimum support 0.6 dan minimum confidence 0.9 maka akan
ditemukan 143 aturan dan didapatkan lift ratio tertinggi sebesar 1.2000.
5. Ketika minimum support 0.6 dan minimum confidence 1 maka akan
ditemukan 25 aturan dan didapatkan lift ratio tertinggi sebesar 1.2000.
6. Ketika minimum support 0.7 minimum confidence 0.6 dan 0.7 maka akan
ditemukan 108 aturan dan didapatkan lift ratio tertinggi sebesar 1.0891.
7. Ketika minimum support 0.7 minimum confidence 0.8 maka akan
ditemukan 106 aturan dan didaptakan lift ratio tertinggi sebesar 1.0891.
8. Ketika minimum support 0.7 minimum confidence 0.9 maka akan
ditemukan sebanyak 57 aturan dan didapatkan lift ratio tertinggi sebesar
1.0891.
9. Ketika minimum support 0.7 minimum confidence 1 maka tidak akan
ditemukan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
10. Ketika minimum support 0.8 minimum confidence 0.6 - 0.9 maka akan
ditemukan sebanyak 14 aturan dan didaptkan lift ratio tertinggi sebesar
1.0891.
11. Ketika minimum support 0.8 minimum confidence 1 maka tidak akan
ditemukan aturan.
12. Ketika minimum support 0.9 dan 1 minimum confidence 0.6 - 1 maka tidak
akan ditemukan aturan.
Dari hasil variasi pengujian yang telah dilakukan (Tabel 4.2), baris yang
diberi warna kuning merupakan kombinasi syarat aturan yang optimal/terbaik,
karena aturan yang dihasilkan dengan minimum support 0.7 dan mininum
confidence 0.9 memiliki jumlah obat dalam anteseden dan konsekuen tidak
hanya satu obat sedangkan aturan dengan minimum support 0.8 dan mininum
confidence 0.9 jumlah obat dalam anteseden dan konsekuen hanya satu obat,
sehingga aturan yang dihasilkan dianggap kurang optimal. Untuk lebih mudah
melihat jumlah aturan yang dihasilkan, dapat dilihat pada grafik dibawah ini.
Gambar 4.4 Grafik Jumlah Aturan yang Terbentuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Dari Gambar 4.4 dapat dilihat perubahan jumlah aturan yang dihasilkan
jika minimum support dan confidence di variasi. Semakin tinggi nilai
minimum support dan minimum confidence semakin sedikit aturan yang
dihasilkan.
4.1.3 Analisis Aturan Asosiasi
Dari hasil pengujian yang telah dilakukan dipilih aturan dengan
minimum support 0.7 dan minimum confidence 0.9. Aturan dengan minimum
support 0.6 tidak dipilih karena nilai support aturan yang dihasilkan rendah,
kemudian aturan dengan minimum support 0.8 tidak dipilih karena semua
aturan yang dihasilkan memiliki jumlah obat dalam anteseden 1 dan konsekuen
1 sehingga pola aturan asosiasi yang dihasilkan kurang optimal meskipun
memiliki nilai support dan confidence tinggi. Kemudian dari hasil tersebut
dilakukan validasi dengan menggunakan aplikasi WEKA untuk mengetahui
apakah aturan yang dihasilkan oleh alat uji valid atau tidak.
Validasi dilakukan dengan menggunakan data transaksi penjualan yang
sama dengan data yang digunakan pada alat uji yang dibuat, dengan syarat
aturan yang dipilih yaitu dengan minimum support 0.7 dan minimum
confidence 0.9. Validasi dilakukan dengan membandingkan aturan yang
dihasilkan aplikasi WEKA dengan alat uji yang dibuat apakah menghasilkan
aturan yang sama atau tidak dan melihat apakah nilai support, confidence dan
lift ratio yang dihasilkan sama atau tidak. Hasil validasi dapat dilihat pada
Tabel 4.3 berikut ini.
Tabel 4.3 Hasil Validasi Aturan
Perangkat Lunak
Jumlah Aturan
Jumlah Aturan
Lift Ratio
(Lift Ratio > 1)
Tertinggi
Alat Uji
57
57
1.0891
Aplikasi WEKA
92
57
1.09
Berdasarkan validasi yang telah dilakukan, alat uji yang dibuat
menghasilkan jumlah aturan yang berbeda dengan aplikasi WEKA ini
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
disebabkan karena alat uji yang dibuat hanya menampilkan aturan dengan lift
ratio > 1 sedangkan aplikasi WEKA menampilkan seluruh aturan yang
terbentuk. Aturan yang terbentuk dengan lift ratio > 1 antara alat uji dan
aplikasi WEKA jumlahnya sama dan memiliki lift ratio tertinggi yang sama.
Aturan yang akan digunakan atau di pilih adalah aturan dengan lift ratio > 1
karena aturan dengan lift ratio > 1 memiliki aturan asosiasi yang kuat.
Sehingga aturan yang digunakan adalah aturan yang di hasilkan oleh alat uji
karena dapat dikatakan bahwa alat uji telah berhasil menghasilkan aturan
asosiasi yang sama dengan aturan asosiasi yang dihasilkan oleh aplikasi
WEKA.
Berdasarkan hasil pengujian dan validasi yang dilakukan didapatkan
syarat aturan terbaik untuk data penjualan obat tahun 2015 adalah 0.7 untuk
minimum support dan 0.9 untuk minimum confident, dengan jumlah aturan
yang dihasilkan sebanyak 57 aturan dan lift ratio tertinggi 1.0891.
4.2 Antarmuka Sistem
Gambar 4.5 Tampilan Utama Sistem
Pada tampilan antarmuka sistem terdapat 4 panel fungsi pada sistem seperti terlihat
di Gambar 4.5, yaitu :
a. Input Data
Pada panel Input Data ini berfungsi untuk mengimputkan data,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
menginputkan minimum support dan menginputkan minimum confident.
Format data yang akan di proses dalam bentuk *.xlsx. Kemudian terdapat 3
tombol yaitu tombol input data yang berfungsi untuk memilih file data yang
akan diolah , tombol proses yang berfungsi untuk memproses/mengolah
data yang telah diinputkan pada sistem, tombol reset berfungsi untuk
mereset semua data yang diinputkan beserta hasilnya.
b. Tabel Data
Pada panel Tabel Transaksi berfungsi untuk menampilkan isi data yang
diinputkan, berupa no minggu dan data penjualan obat per minggunya.
c. Tabel Data Biner
Pada panel Tabel Data Biner ini berfungsi untuk menampilkan hasil
transaksi yang di ubah dalam bentuk biner. Hasil representasi biner akan
digunakan untuk mencari kombinasi dari seluruh transaksi.
d. Tabel Rule Asosiasi
Pada panel Tabel Rule Asosiasi ini berfungsi sebagai output atau keluaran
sistem yang berisi hasil final rule atau aturan akhir .
4.2.1 Uji Coba Sistem (Black Box Testing)
Pengujian yang dilakukan pada sistem ini yaitu dengan menguji fungsi
dari setiap komponen pada sistem. Pada sistem yang dibuat terdapat panel
input data, yang berfungsi untuk pengguna memilih file yang isinya akan
digunakan sebagai data yang akan diolah pada sistem. Pada pengujian ini,
peneliti mencoba memilih file dengan format yang benar yaitu .xlsx dengan
menekan tombol input file (Gambar 4.6).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
Gambar 4.6 Input File Data
Setelah data tahun 2015 dipilih dan berhasil dimasukkan maka data secara
otomatis akan tampil pada tabel transaksi. Data transaksi yang berhasil
dimasukkan kedalam sistem, dapat dilihat pada Gambar 4.7.
Gambar 4.7 Hasil Input File
Selain mengimputkan file, pengguna dapat melihat aturan asosiasi yang
dihasilkan oleh sistem. Ada beberapa aktivitas yang harus dilakukan oleh
pengguna untuk mendapatkan aturan asosiasi tersebut. Aktivitas pertama
adalah mengisikan nilai minimum support dan minimum confidence
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
(Gambar 4.8). Setelah itu Aktivitas yang kedua, pengguna menekan tombol
“Proses” yang nantinya akan menampilkan representasi binernya pada
tabel representasi biner (Gambar 4.9) dan menampilkan hasil aturan
asosiasi yang memenuhi minimum support dan minimum confidence pada
tabel rule asosiasi (Gambar 4.10). Kemudian tombol Reset akan digunakan
untuk mereset data yang telah diinputkan (Gambar 4.11).
Gambar 4.8 Input Nilai Support dan Confidence
Gambar 4.9 Tampilan Tabel Data Biner Setelah Menekan Tombol “ Proses ”
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
Gambar 4.10 Tampilan Tabel Rule Asosiasi Setelah Menekan Tombol “ Proses ”
Gambar 4.11 Tampilan Setelah Menekan Tombol “ Reset ”
Berikut ini adalah tabel yang mencatat hasil dari pengujian blackbox pada
aktivitas-aktivitas yang dilakukan pada perangkat lunak yang di buat.
Tabel 4.4 Kasus dan Hasil Uji Pada Sistem
Require
Pilih File
Skenario Uji
Pilih File
Hasil
yang Hasil
diharapkan
Pengujian
Menampilkan
Sesuai
Gambar
Gambar 4.2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
kotak
dialog
dan data tampil
pada
dan Gambar
4.3
table
transaksi
Mencari
Memasukkan
Aturan
nilai
minimum
support dan
minimum
confidence
Reset Data
Menekan
Tombol
“Reset”
Menampilkan
Sesuai
hasil
Representasi
biner pada tabel
Data Biner dan
hasil
aturan
pada
tabel
Aturan Asosiasi
Gambar 4.5
Menghapus
Sesuai
semua
data
inputan
dan
data yang telah
diproses
Gambar 4.7
dan Gambar
4.6
Berdasarkan semua pengujian yang sudah dilakukan pada perangkat
lunak yang dibuat dapat disimpulkan bahwa sistem sudah dapat dijalankan
dengan baik karena sistem dapat dijalankan sesuai tabel pengujian black
box.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
PENUTUP
Bab ini berisi kesimpulan dari hasil analisis aturan asosiasi yang dihasilkan
dan saran - saran untuk pengembangan lebih lanjut.
5.1 Kesimpulan
Berdasarkan hasil pengujian dan analisis yang telah dilakukan pada alat
uji yang dibuat menggunakan algoritma apriori, dapat ditarik kesimpulan
sebagai berikut :
1. Metode
analisis
asosiasi
menggunakan
algoritma
apriori
mampu
menemukan aturan asosiasi untuk penjulan obat di Rumah Sakit Dr.
Soetrasno Rembang dan algoritma apriori mampu menemukan aturan
asosiasi dengan melihat obat yang banyak terjual secara bersamaan dengan
obat yang lain.
2. Alat uji yang dibuat menggunakan algoritma apriori telah mampu
menghasilkan aturan yang valid dan mampu menentukan aturan yang
terbentuk dari minimum support dan minimum confidence yang ditentukan.
3. Hasil aturan yang optimal/terbaik untuk syarat aturan minimum support 0.7
dan minimum confidence 0.9 adalah Ceftriaxone Ondansetron Paracetamol
Ranitidin => Ketorolac dengan nilai support sebesar 0.7083, confidence
sebesar 0.9714 dan lift ratio sebesar 1.0844 dengan jumlah itemset sebanyak
4 obat.
5.2 Saran
1. Sistem dapat di kembangkan untuk bisa melakukan proses preprocessing,
agar data mentah dapat langsung di olah pada sistem.
2. Sistem dapat dikembangkan untuk menyimpan hasil aturan ke dalam
database, agar pengguna dapat langsung melihat hasil aturan yang pernah
disimpan.
50
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
DAFTAR PUSTAKA
Paresh, Tanna dan Yogesh Ghodasara, (2014), “Using Apriori with WEKA for
Frequent Pattern Mining”, International Journal of Engineering Trends and
Technology (IJETT) ( Online ) , vol 12. no 3. ( http:// ijettjournal.org, diakses
18 Juli 2017 )
Mangla, Vipul dan Chandni Sarda, (2013), “Improving the efficiency of Apriori
Algorithm in Data Mining”, International Journal of Engineering and
Innovative Technology (IJEIT) ( Online ) , vol 3. no 3. ( http://www.ijeit.com
, diakses 28 September 2016 )
Tampubolon, Kennedi dan Hoga Saragih, (2013), “Implementasi Data Mining
Algoritma Apriori Pada Sistem Persediaan Alat-Alat Kesehatan”, Jurnal
Majalah ilmiah Informasi dan Teknologi ilmiah ( INTI ) vol 1. no 1. (
http://vokasi.uho.ac.id, diakses 2 September 2016 )
Nugroho, Rully dan Ahmad Mukhlason, (2012), “Pengembangan Sistem
Rekomendasi Penelusuran Buku dengan Penggalian Association Rule
Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan
Kearsipan Provinsi Jawa Timur)”, Jurnal Teknik ITS vol 1. no 1. (
http://www.researchgate.net, diakses 2 September 2016 )
Dewi, Kartika Pane, (2013), “Implementasi Data Mining Pada Penjualan Produk
Elektronik Dengan Algoritma Apriori”, Jurnal Ilmiah vol 4. no 3 . (
http://www.ilmuskripsi.com, diakses 10 September 2016 )
Hermawati, F.A. ( 2013 ). “ Data Mining ”. Yogyakarta : Andi Offset.
Luthfi, E.T dan Kusrini. ( 2009 ) . “ Algoritma Data Mining ”. Yogyakarta : Andi
Offset.
Santosa, Budi. 2007. “Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis”, Graha Ilmu, Yogyakarta
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Han Jiawei, and M. Kamber. 2006. Data Mining: Concepts and Techniques,
Morgan Kaufmann, USA.
Universitas Waikato 2016, Weka 3: Data Mining Software in Java version 3.8.1,
GNU General Public License, The University of Waikato, Selandia Baru.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
LAMPIRAN
Lampiran 1 : Data Hasil Preprocessing
No
Minggu
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Obat
Ranitidin,Ketorolac,Omeprazole,Ondansetron,Cefotaxime,Novalgin,
Dexamethasone,Paracetamol,Amoxicillin,Asam Mefenamat
Amoxicillin,Asam Mefenamat, Amlodipine, Pitogin,Ranitidin,
Ceftriaxone, Dexamethasone,Ketorolac,Ondansetron
Amoxicillin,Asam Mefenamat,Ranitidin,Ketorolac,Ondansetron,Vit
B, Metronidazole, Amlodipine, Paracetamol, Dexamethasone,
Ceftriaxone, Asering,Pitogin,Piracetam,Novalgin,Cefotaxime
Ketorolac,Ranitidin,Antasida,Paracetamol,Vit B,Ceftriaxone,Asam
Mefenamat,Vit B 12, Ondansetron, Amlodipine, Aspilets,
Ciprofloxacin, Asering, Antalgin
Ranitidin,Ceftriaxone,Paracetamol,Vit B Complex, Ciprofloxacin,
Ketorolac, Ondansetron
Metronidazole,Paracetamol,Ceftriaxone,Asam Mefenamat,
Amoxicillin, Pitogin, Pantoprazol, Ranitidin, Ketorolac,
Aminophylline,Dexamethasone,Ondansetron,Aspilets,Novalgin
Antasida,Captopril,Ceftriaxone,Carpiaton,Aminophylline,Ranitidin,A
mlodipine,Ondansetron,Ketorolac,Metronidazole
Ranitidin,Ketorolac,Metronidazole,Ceftriaxone,Cefotaxime,Paraceta
mol,Omeprazole,Vit B,Vit B 12
Ranitidin,Metronidazole,Ceftriaxone,Ondansetron,Antalgin,Dexamet
hasone,Paracetamol,Vit B, Cefotaxime, Ketorolac, Pantoprazol,
Amlodipine, Asam Mefenamat,Ciprofloxacin
Amlodipine,Ranitidin,Ceftriaxone,Vit B Complex, Ketorolac,
Cefotaxime, Paracetamol, Ciprofloxacin, Omeprazole,Asam
Mefenamat, Pantoprazol, Ondansetron,Antasida
Ranitidin,Paracetamol,Ceftriaxone,Novalgin,Ketorolac,Aspilets,Cefo
taxime,Ondansetron,Amlodipine,Vit B,Asering,Metronidazole,Vit B
12,Vit B Complex, Omeprazole, Antasida, Clindamycin,
Amoxicillin, Asam Mefenamat,Pitogin
Ondansetron,Ranitidin,Dexamethasone,Ceftriaxone,Antalgin,Ketorol
ac,Pitogin,Antasida,Paracetamol,Cefixime,Asam Mefenamat,
Amoxicillin, Vit B, Amlodipine, Metronidazole, Asering,
Cefotaxime, Captopril,Vit B Complex,Vit B 12
Ondansetron,Amlodipine,Vit B,Vit B 12,Amoxicillin,Asam
Mefenamat, Paracetamol,Ranitidin,Aspilets,Vit B Complex,
Ceftriaxone,Ketorolac,Pitogin
Antalgin,Dexamethasone,Amoxicillin,Asam Mefenamat,
Ondansetron, Antasida, Ketorolac,Pitogin,Vit B,Vit B 12,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
Amlodipine, Paracetamol, Metronidazole,Vit B Complex, Ranitidin,
Ceftriaxone, Ciprofloxacin
Ondansetron,Ranitidin,Antasida,Dexamethasone,Pantoprazol,Ceftria
xone,Amoxicillin,Asam Mefenamat,Amlodipine,Vit B, Paracetamol,
Omeprazole, Ketorolac, Metronidazole,Ciprofloxacin,Pitogin
Amoxicillin,Asam Mefenamat, Ciprofloxacin, Dexamethasone,
Metronidazole, Ondansetron, Ceftriaxone, Ranitidin, Paracetamol,
Ketorolac,Amlodipine,Omeprazole,Vit B Complex,Cefotaxime
Ranitidin,Paracetamol,Ceftriaxone,Vit B Complex, Amlodipine,
Captopril, Carpiaton, Dexamethasone,Ciprofloxacin,Omeprazole
Ondansetron,Ranitidin,Ketorolac,Paracetamol,Vit B Complex,
Ceftriaxone, Antasida, Metronidazole, Omeprazole,Vit B,Vit B 12,
Amlodipine, Antalgin, Dexamethasone,Amoxicillin,Asam
Mefenamat
Ranitidin,Ketorolac,Paracetamol,Ceftriaxone,Ondansetron,Antasida,
Carpiaton, Pantoprazol,Vit B
Ranitidin,Aspilets,Vit B Complex, Paracetamol, Ceftriaxone,
Ondansetron, Amlodipine,Ketorolac,Vit B,Antasida
Paracetamol,Ketorolac,Ceftriaxone,Ondansetron,Amlodipine,Vit B,
Metronidazole, Vit B 12,Ranitidin,Antasida,Aspilets
Ketorolac,Dexamethasone,Ceftriaxone,Novalgin,Paracetamol,Omepr
azole,Metronidazole,Ondansetron,Asam Mefenamat, Ciprofloxacin,
Amoxicillin,Pitogin
Ketorolac,Metronidazole,Ceftriaxone,Aminophylline,Ranitidin,Panto
prazol,Ondansetron,Novalgin,Asam Mefenamat,Amoxicillin,Vit B
12,Paracetamol,Vit B Complex,Amlodipine,Dexamethasone
Ketorolac,Ceftriaxone,Ranitidin,Paracetamol,Cefotaxime,Vit B
Complex, Amoxicillin,Metronidazole
Metronidazole,Paracetamol,Ondansetron,Vit B,Vit B 12, Ceftriaxone,
Aminophylline,Ranitidin,Cefotaxime,Antalgin,Dexamethasone,Ketor
olac,Amlodipine,Asam Mefenamat,Ciprofloxacin,Vit B Complex
Paracetamol,Ciprofloxacin,Ondansetron,Ketorolac,Pantoprazol,Ceftri
axone,Ranitidin,Antasida,Cefotaxime,Novalgin,Aspilets,Amlodipine,
Vit B Complex, Asering, Metronidazole
Paracetamol,Ceftriaxone,Ranitidin,Vit B,Vit B 12,Vit B Complex,
Cefotaxime, Ondansetron, Ketorolac, Antasida, Metronidazole,
Amoxicillin, Asam Mefenamat, Pitogin, Dexamethasone,
Antalgin,Asering
Ondansetron,Antalgin,Cefotaxime,Ranitidin,Ketorolac,Antasida,Para
cetamol,Amoxicillin,Asam Mefenamat,Vit B,Vit B 12, Ceftriaxone,
Amlodipine, Asering, Dexamethasone,Metronidazole,Captopril,Vit B
Complex
Paracetamol,Ranitidin,Vit B,Vit B 12, Ketorolac, Ceftriaxone,
Metronidazole, Ondansetron, Amlodipine,Aspilets,Vit B
Complex,Amoxicillin,Asam Mefenamat, Antalgin,Dexamethasone
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
Ranitidin,Antasida,Ketorolac,Amoxicillin,Asam Mefenamat,Vit
B,Vit B 12, Captopril, Amlodipine, Paracetamol, Pantoprazol,
Ondansetron,Metronidazole, Cefotaxime,Dexamethasone
Ranitidin,Vit B,Vit B 12,Vit B Complex, Cefotaxime, Ceftriaxone,
Novalgin, Ketorolac, Antalgin, Ciprofloxacin, Ondansetron,
Metronidazole,Paracetamol, Antasida,Dexamethasone,Pantoprazol
Amlodipine,Antasida,Ciprofloxacin,Neurosanbe,Interpril,Paracetamo
l,Ranitidin,Asam Mefenamat,Vit B 12,Dexamethasone,Vit B
Complex,Amoxicillin,Vit B,Aspilets,Carpiaton,Atarax,Omeprazole
Ondansetron,Ranitidin,Amlodipine,Vit B,Vit B 12, Ketorolac,
Paracetamol, Atarax,Ceftriaxone,Metronidazole,Asam Mefenamat
Asam Mefenamat, Ranitidin, Ciprofloxacin, Ondansetron,
Cefotaxime, Novalgin, Asering, Ketorolac, Metronidazole,
Ceftriaxone, Amoxicillin,Dexamethasone
Asam Mefenamat, Ranitidin, Ketorolac, Paracetamol, Ceftriaxone,
Dexamethasone, Ondansetron, Amlodipine, Metronidazole,
Omeprazole, Vit B Complex,Cefotaxime
Ondansetron,Ranitidin,Paracetamol,Cefotaxime,Amlodipine,Vit B
Complex,Aminophylline,Ceftriaxone
Ranitidin,Dexamethasone,Paracetamol,Ceftriaxone,Ciprofloxacin,O
meprazole,Ondansetron,Ketorolac,Antasida,Novalgin,Vit B
Complex, Cefotaxime, Metronidazole
Paracetamol,Vit B,Vit B 12, Ceftriaxone, Omeprazole,
Metronidazole, Ranitidin, Amlodipine, Cefotaxime, Ondansetron,
Antalgin, Dexamethasone,Ketorolac,Vit B Complex, Amoxicillin,
Asam Mefenamat
Ondansetron,Paracetamol,Antasida,Ceftriaxone,Carpiaton,Ranitidin,
Ketorolac,Pantoprazol,Metronidazole,Vit B,Aspilets,Vit B Complex
Ondansetron,Amlodipine,Paracetamol,Ceftriaxone,Ketorolac,Ranitidi
n,Vit B,Aspilets,Vit B Complex,Antasida
Ketorolac,Ceftriaxone,Ranitidin,Ondansetron,Amlodipine,Vit B,
Metronidazole, Paracetamol,Vit B 12,Ciprofloxacin
Ranitidin,Antasida,Ketorolac,Amlodipine,Aspilets,Vit B,Vit B 12,
Atarax, Novalgin, Ondansetron, Dexamethasone, Cefotaxime,
Paracetamol,Omeprazole, Ceftriaxone
Ketorolac,Novalgin,Ranitidin,Metronidazole,Paracetamol,
Ceftriaxone,Ondansetron,Asam Mefenamat, Ciprofloxacin,
Amoxicillin, Dexamethasone, Cefadroxil, Pitogin
Ketorolac,Ceftriaxone,Ranitidin,Metronidazole,Aminophylline,Panto
prazol,Ondansetron,Atarax,Asam Mefenamat,Amoxicillin,Vit B 12,
Cefadroxil, Paracetamol, Vit B Complex, Amlodipine
Ketorolac,Ceftriaxone,Ranitidin,Dexamethasone,Novalgin,Paracetam
ol,Vit B,Vit B Complex,Cefixime,Amoxicillin,Cefotaxime
Ranitidin,Ketorolac,Metronidazole,Ceftriaxone,Amlodipine,Cefotaxi
me,Ondansetron,Dexamethasone,Aminophylline,Antasida,Captopril,
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
47
48
Paracetamol,Vit B, Ciprofloxacin
Paracetamol,Ranitidin,Vit B, Antasida, Captopril, Cetirizine,
Amitriptyline, Aspilets, Amoxicillin, Ciprofloxacin, Omeprazole,
Cefadroxil
Amoxicillin,Paracetamol,Vit B,Amitriptyline,Asam Mefenamat,
Antalgin, Ranitidin, Antasida,Vit B Complex,Cefadroxil,Vit B
6,Amlodipine,Vit B 12, Dexamethasone, Cefixime, Ciprofloxacin,
Aspilets, Carpiaton
Lampiran 2 : Hasil Aturan Asosiasi, Min Support= 0.8 dan Min Confidence=
0.9
No
Aturan Asosiasi
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Ketorolac => Ondansetron
Ondansetron => Ketorolac
Ketorolac => Ondansetron Ranitidin
Ondansetron Ranitidin => Ketorolac
Ketorolac Ranitidin
Ondansetron => Ketorolac Ranitidin
Ceftriaxone => Ketorolac
Ketorolac => Ceftriaxone
Ceftriaxone => Ketorolac Ranitidin
Ketorolac => Ceftriaxone Ranitidin
Ceftriaxone Ranitidin => Ketorolac
Ketorolac Ranitidin => Ceftriaxone
Ceftriaxone => Ondansetron
Ondansetron => Ceftriaxone
Suppot
0.8333
0.8333
0.8125
0.8125
0.8125
0.8125
0.8542
0.8542
0.8333
0.8333
0.8333
0.8333
0.8125
0.8125
Confidence Lift Ratio
0.9302
0.9756
0.9070
0.9750
0.9286
0.9512
0.9535
0.9535
0.9302
0.9302
0.9524
0.9524
0.9070
0.9512
1.0891
1.0891
1.0884
1.0884
1.0871
1.0871
1.0644
1.0644
1.0631
1.0631
1.0631
1.0631
1.0618
1.0618
Lampiran 3 : Hasil Aturan Asosiasi, Min Support= 0.7 dan Min Confidence=
0.9
No
1
2
3
4
5
6
Aturan Asosiasi
Ketorolac => Ondansetron
Ondansetron => Ketorolac
Ketorolac => Ondansetron
Ranitidin
Ondansetron Ranitidin =>
Ketorolac
Ceftriaxone Ondansetron =>
Ketorolac
Ketorolac Ranitidin =>
Ondansetron
Suppot
Confidence
Lift Ratio
0.8333
0.8333
0.9302
0.9756
1.0891
1.0891
0.8125
0.9070
1.0884
0.8125
0.9750
1.0884
0.7917
0.9744
1.0877
0.8125
0.9286
1.0871
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
Ondansetron => Ketorolac
Ranitidin
Ondansetron Paracetamol =>
Ketorolac
Ceftriaxone Ondansetron Ranitidin
=> Ketorolac
Ondansetron Paracetamol Ranitidin
=> Ketorolac
Ceftriaxone Ondansetron
Paracetamol => Ketorolac
Ceftriaxone Ketorolac =>
Ondansetron
Ondansetron => Ceftriaxone
Ketorolac
Ceftriaxone Ondansetron
Paracetamol Ranitidin =>
Ketorolac
Ceftriaxone Ondansetron =>
Ketorolac Ranitidin
Ondansetron => Ketorolac
Paracetamol
Ketorolac Paracetamol =>
Ondansetron
Ceftriaxone ketorolac =>
Ondansetron Ranitidin
Ondansetron => Ceftriaxone
Ketorolac Ranitidine
Ceftriaxone Ketorolac Ranitidin =>
Ondansetron
Ondansetron Ranitidin =>
Ceftriaxone Ketorolac
Ondansetron Paracetamol =>
Ketorolac Ranitidin
Ketorolac Paracetamol Ranitidin
=> Ondansetron
Ketorolac Paracetamol =>
Ondansetron Ranitidin
Ondansetron Ranitidin =>
Ketorolac Paracetamol
Ceftriaxone Ondansetron
Paracetamol => Ketorolac
Ranitidin
Ceftriaxone Ketorolac Paracetamol
=> Ondansetron
Ondansetron Paracetamol =>
0.8125
0.9512
1.0871
0.7708
0.9737
1.0869
0.7708
0.9737
1.0869
0.7500
0.9730
1.0861
0.7292
0.9722
1.0853
0.7917
0.9268
1.0851
0.7917
0.9268
1.0851
0.7083
0.9714
1.0844
0.7708
0.9487
1.0842
0.7708
0.9024
1.0829
0.7708
0.9250
1.0829
0.7708
0.9024
1.0829
0.7708
0.9024
1.0829
0.7708
0.9250
1.0829
0.7708
0.9250
1.0829
0.7500
0.9474
1.0827
0.7500
0.9231
1.0807
0.7500
0.9000
1.0800
0.7500
0.9000
1.0800
0.7083
0.9444
1.0794
0.7292
0.9211
1.0783
0.7292
0.9211
1.0783
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
Ceftriaxone Ketorolac
Ceftriaxone Ketorolac Paracetamol
Ranitidin => Ondansetron
Ondansetron Paracetamol Ranitidin
=> Ceftriaxone Ketorolac
Ceftriaxone => Ketorolac
Ketorolac => Ceftriaxone
Ceftriaxone => Ketorolac Ranitidin
Ketorolac => Ceftriaxone Ranitidin
Ceftriaxone Ranitidin => Ketorolac
Ketorolac Ranitidin => Ceftriaxone
Ceftriaxone => Ondansetron
Ondansetron => Ceftriaxone
Ketorolac Ondansetron =>
Ceftriaxone
Ceftriaxone Paracetamol =>
Ketorolac
Ketorolac Paracetamol =>
Ceftriaxone
Ondansetron Ranitidin =>
Ceftriaxone
Ondansetron => Ceftriaxone
Ranitidin
Ceftriaxone Ranitidin =>
Ondansetron
Ketorolac Ondansetron Ranitidin
=> Ceftriaxone
Ceftriaxone Paracetamol Ranitidin
=> Ketorolac
Ketorolac Paracetamol Ranitidin
=> Ceftriaxone
Ondansetron Paracetamol =>
Ceftriaxone
Ketorolac Ondansetron =>
Ceftriaxone Ranitidin
Ceftriaxone Paracetamol =>
Ketorolac ranitidine
Ketorolac Paracetamol =>
Ceftriaxone Ranitidin
Ketorolac Ondansetron
Paracetamol => Ceftriaxone
Ondansetron Paracetamol Ranitidin
=> ceftriaxone
Ketorolac Ondansetron
Paracetamol Ranitidin =>
0.7083
0.9189
1.0758
0.7083
0.9189
1.0758
0.8542
0.8542
0.8333
0.8333
0.8333
0.8333
0.8125
0.8125
0.9535
0.9535
0.9302
0.9302
0.9524
0.9524
0.9070
0.9512
1.0644
1.0644
1.0631
1.0631
1.0631
1.0631
1.0618
1.0618
0.7917
0.9500
1.0605
0.7917
0.9500
1.0605
0.7917
0.9500
1.0605
0.7917
0.9500
1.0605
0.7917
0.9268
1.0592
0.7917
0.9048
1.0592
0.7708
0.9487
1.0590
0.7708
0.9487
1.0590
0.7708
0.9487
1.0590
0.7500
0.9474
1.0575
0.7708
0.9250
1.0571
0.7708
0.9250
1.0571
0.7708
0.9250
1.0571
0.7292
0.9459
1.0559
0.7292
0.9459
1.0559
0.7083
0.9444
1.0543
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
55
56
57
Ceftriaxone
Ceftriaxone Paracetamol =>
Ondansetron
Ondansetron Paracetamol =>
Ceftriaxone Ranitidin
Ketorolac Ondansetron
Paracetamol => Ceftriaxone
Ranitidin
0.7500
0.9000
1.0537
0.7292
0.9211
1.0526
0.7083
0.9189
1.0502
Lampiran 4 : Hasil Validasi Aturan antara Alat Uji dengan Aplikasi WEKA
Hasil Pengujian dengan Aplikasi WEKA
No
1
2
3
4
5
6
7
8
9
10
11
Alat Uji
Conf
Lift
Ketorolac => Ondansetron
0.9302
1.0891
Ondansetron => Ketorolac
0.9756
1.0891
Ketorolac => Ondansetron
Ranitidin
0.9070
1.0884
Ondansetron Ranitidin =>
Ketorolac
0.9750
1.0884
Ceftriaxone Ondansetron =>
Ketorolac
0.9744
1.0877
Ketorolac Ranitidin =>
Ondansetron
0.9286
1.0871
Ondansetron => Ketorolac
Ranitidin
0.9512
1.0871
Ondansetron Paracetamol =>
Ketorolac
0.9737
1.0869
Ceftriaxone Ondansetron
Ranitidin => Ketorolac
0.9737
1.0869
Ondansetron Paracetamol
Ranitidin => Ketorolac
0.9730
1.0861
Ceftriaxone Ondansetron
Paracetamol => Ketorolac
Aplikasi WEKA
Conf
Lift
Ketorolac => Ondansetron
0.93
1.09
Ondansetron => Ketorolac
0.97
1.09
Ketorolac => Ondansetron Ranitidin
0.91
1.09
Ondansetron Ranitidin => Ketorolac
0.97
1.09
Ceftriaxone Ondansetron =>
Ketorolac
0.97
1.09
Ketorolac Ranitidin => Ondansetron
0.93
1.09
Ondansetron => Ketorolac Ranitidin
0.95
1.09
Ondansetron Paracetamol =>
Ketorolac
0.97
1.09
Ceftriaxone Ondansetron Ranitidin
=> Ketorolac
0.97
1.09
Ondansetron Paracetamol Ranitidin
=> Ketorolac
0.97
1.08
Ceftriaxone Ondansetron Paracetamol
=> Ketorolac
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.9722
1.0853
Ceftriaxone Ketorolac =>
Ondansetron
0.9268
1.0851
Ondansetron => Ceftriaxone
Ketorolac
0.9268
1.0851
Ceftriaxone Ondansetron
Paracetamol Ranitidin =>
Ketorolac
0.9714
1.0844
Ceftriaxone Ondansetron =>
Ketorolac Ranitidin
0.9487
1.0842
Ondansetron => Ketorolac
Paracetamol
0.9024
1.0829
Ketorolac Paracetamol =>
Ondansetron
0.9250
1.0829
Ceftriaxone ketorolac =>
Ondansetron Ranitidin
0.9024
1.0829
Ondansetron => Ceftriaxone
Ketorolac Ranitidine
0.9024
1.0829
Ceftriaxone Ketorolac Ranitidin
=> Ondansetron
0.9250
1.0829
Ondansetron Ranitidin =>
Ceftriaxone Ketorolac
0.9250
1.0829
Ondansetron Paracetamol =>
Ketorolac Ranitidin
0.9474
1.0827
Ketorolac Paracetamol Ranitidin
=> Ondansetron
0.9231
1.0807
Ketorolac Paracetamol =>
Ondansetron Ranitidin
0.9000
1.0800
Ondansetron Ranitidin =>
Ketorolac Paracetamol
0.9000
1.0800
Ceftriaxone Ondansetron
0.97
1.08
Ceftriaxone Ketorolac =>
Ondansetron
0.93
1.08
Ondansetron => Ceftriaxone
Ketorolac
0.93
1.08
Ceftriaxone Ondansetron Paracetamol
Ranitidin => Ketorolac
0.97
1.08
Ceftriaxone Ondansetron =>
Ketorolac Ranitidin
0.95
1.08
Ondansetron => Ketorolac
Paracetamol
0.90
1.08
Ketorolac Paracetamol =>
Ondansetron
0.92
1.08
Ceftriaxone ketorolac =>
Ondansetron Ranitidin
0.90
1.08
Ondansetron => Ceftriaxone
Ketorolac Ranitidine
0.90
1.08
Ceftriaxone Ketorolac Ranitidin =>
Ondansetron
0.92
1.08
Ondansetron Ranitidin =>
Ceftriaxone Ketorolac
0.92
1.08
Ondansetron Paracetamol =>
Ketorolac Ranitidin
0.95
1.08
Ketorolac Paracetamol Ranitidin =>
Ondansetron
0.92
1.08
Ketorolac Paracetamol =>
Ondansetron Ranitidin
0.90
1.08
Ondansetron Ranitidin => Ketorolac
Paracetamol
0.90
1.08
Ceftriaxone Ondansetron Paracetamol
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Paracetamol => Ketorolac
Ranitidin
0.9444
1.0794
Ceftriaxone Ketorolac
Paracetamol => Ondansetron
0.9211
1.0783
Ondansetron Paracetamol =>
Ceftriaxone Ketorolac
0.9211
1.0783
Ceftriaxone Ketorolac
Paracetamol Ranitidin =>
Ondansetron
0.9189
1.0758
Ondansetron Paracetamol
Ranitidin => Ceftriaxone
Ketorolac
0.9189
1.0758
Ceftriaxone => Ketorolac
0.9535
1.0644
Ketorolac => Ceftriaxone
0.9535
1.0644
Ceftriaxone => Ketorolac
Ranitidin
0.9302
1.0631
Ketorolac => Ceftriaxone
Ranitidin
0.9302
1.0631
Ceftriaxone Ranitidin =>
Ketorolac
0.9524
1.0631
Ketorolac Ranitidin =>
Ceftriaxone
0.9524
1.0631
Ceftriaxone => Ondansetron
0.9070
1.0618
Ondansetron => Ceftriaxone
0.9512
1.0618
Ketorolac Ondansetron =>
Ceftriaxone
0.9500
1.0605
Ceftriaxone Paracetamol =>
Ketorolac
0.9500
1.0605
Ketorolac Paracetamol =>
Ceftriaxone
=> Ketorolac Ranitidin
0.94
1.08
Ceftriaxone Ketorolac Paracetamol
=> Ondansetron
0.92
1.08
Ondansetron Paracetamol =>
Ceftriaxone Ketorolac
0.92
1.08
Ceftriaxone Ketorolac Paracetamol
Ranitidin => Ondansetron
0.92
1.07
Ondansetron Paracetamol Ranitidin
=> Ceftriaxone Ketorolac
0.92
1.07
Ceftriaxone => Ketorolac
0.95
1.06
Ketorolac => Ceftriaxone
0.95
1.06
Ceftriaxone => Ketorolac Ranitidin
0.93
1.06
Ketorolac => Ceftriaxone Ranitidin
0.93
1.06
Ceftriaxone Ranitidin => Ketorolac
0.95
1.06
Ketorolac Ranitidin => Ceftriaxone
0.95
1.06
Ceftriaxone => Ondansetron
0.91
1.06
Ondansetron => Ceftriaxone
0.95
1.06
Ketorolac Ondansetron =>
Ceftriaxone
0.95
1.06
Ceftriaxone Paracetamol =>
Ketorolac
0.95
1.06
Ketorolac Paracetamol =>
Ceftriaxone
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
42
43
44
45
46
47
48
49
50
51
52
53
54
55
0.9500
1.0605
Ondansetron Ranitidin =>
Ceftriaxone
0.9500
1.0605
Ondansetron => Ceftriaxone
Ranitidin
0.9268
1.0592
Ceftriaxone Ranitidin =>
Ondansetron
0.9048
1.0592
Ketorolac Ondansetron Ranitidin
=> Ceftriaxone
0.9487
1.0590
Ceftriaxone Paracetamol
Ranitidin => Ketorolac
0.9487
1.0590
Ketorolac Paracetamol Ranitidin
=> Ceftriaxone
0.9487
1.0590
Ondansetron Paracetamol =>
Ceftriaxone
0.9474
1.0575
Ketorolac Ondansetron =>
Ceftriaxone Ranitidin
0.9250
1.0571
Ceftriaxone Paracetamol =>
Ketorolac ranitidine
0.9250
1.0571
Ketorolac Paracetamol =>
Ceftriaxone Ranitidin
0.9250
1.0571
Ketorolac Ondansetron
Paracetamol => Ceftriaxone
0.9459
1.0559
Ondansetron Paracetamol
Ranitidin => ceftriaxone
0.9459
1.0559
Ketorolac Ondansetron
Paracetamol Ranitidin =>
Ceftriaxone
0.9444
1.0543
Ceftriaxone Paracetamol =>
Ondansetron
0.9000
1.0537
Ondansetron Paracetamol =>
0.95
1.06
Ondansetron Ranitidin =>
Ceftriaxone
0.95
1.06
Ondansetron => Ceftriaxone
Ranitidin
0.93
1.06
Ceftriaxone Ranitidin =>
Ondansetron
0.90
1.06
Ketorolac Ondansetron Ranitidin =>
Ceftriaxone
0.95
1.06
Ceftriaxone Paracetamol Ranitidin =>
Ketorolac
0.95
1.06
Ketorolac Paracetamol Ranitidin =>
Ceftriaxone
0.95
1.06
Ondansetron Paracetamol =>
Ceftriaxone
0.95
1.06
Ketorolac Ondansetron =>
Ceftriaxone Ranitidin
0.92
1.06
Ceftriaxone Paracetamol =>
Ketorolac ranitidine
0.92
1.05
Ketorolac Paracetamol =>
Ceftriaxone Ranitidin
0.92
1.05
Ketorolac Ondansetron Paracetamol
=> Ceftriaxone
0.94
1.05
Ondansetron Paracetamol Ranitidin
=> ceftriaxone
0.94
1.05
Ketorolac Ondansetron Paracetamol
Ranitidin => Ceftriaxone
0.94
1.05
Ceftriaxone Paracetamol =>
Ondansetron
0.90
1.05
Ondansetron Paracetamol =>
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
56
57
Ceftriaxone Ranitidin
0.9211
1.0526
Ketorolac Ondansetron
Paracetamol => Ceftriaxone
Ranitidin
0.9189
1.0502
Ceftriaxone Ranitidin
0.92
1.05
Ketorolac Ondansetron Paracetamol
=> Ceftriaxone Ranitidin
0.92
1.05