Search This Blog

Tuesday, May 11, 2021

PENERAPAN ALGORITMA APRIORI PADA APLIKASI DATA MINING UNTUK PENGAMATAN DATA TRANSAKSI PENJUALAN OBAT

By :  Ardelia Mahardika, Tri Ginanjar Laksana 

Negara Indonesia merupakan negara dengan populasi penduduk terbanyak keempat di dunia. Banyaknya jumlah penduduk harus diimbangi dengan meratanya jumlah fasilitas kesehatan yang tersebar di seluruh Indonesia, seperti: rumah sakit, puskesmas, apotik, dan posyandu. Selain pemerataan fasilitas kesehatan, jumlah obat-obatan yang dibutuhkan oleh masyarakat juga turut mempengaruhi pertumbuhan kesehatan di Indonesia. Salah satu fasilitas kesehatan yang dibutuhkan adalah apotik, salah satu tempat untuk mendapatkan obat-obatan yang dibutuhkan oleh masyarakat. Apotek sebagai salah satu tempat untuk mendapatkan obat-obatan setiap harinya melayani masyarakat dalam penjualan obat-obatan. Transaksi penjualan obat-obatan yang dilakukan setiap hari jika dikumpulkan merupakan data penting untuk kebutuhan apotek ke depannya. Sayangnya, data-data penjualan obat-obatan yang terkumpul tersebut seringnya kurang dimanfaatkan dengan maksimal oleh pengelola, sehingga mempengaruhi pola strategi penjualan obat-obatan. Pengumpulan data yang dilakukan pun masih berbasis teknik statistik dasar, dimana memiliki kelemahan dalam konsistensi data dan minimnya informasi antar data. Data mining adalah proses yang menggunakan statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terakit dari berbagai basis data besar. Penelitian ini membahas tentang penerapan algoritma Apriori dengan menggunakan parameter minimum support, minimum confidence, dan periode bulan transaksi penjualan untuk menemukan aturan asosiasi. Algoritma Apriori berfungsi untuk membentuk kandidat kombinasi item yang mungkin, lalu diuji apakah kombinasi tersebut memenuhi parameter minimum support dan minimum confidence yang merupakan nilai ambang yang diberikan oleh pengguna. Nantinya, algoritma ini digunakan untuk menentukan pola penjualan obat-obatan di apotek berbasis data mining. Harapannya, keluaran yang dihasilkan dari penelitian ini adalah sebagai salah satu acuan untuk menentukan pola dan strategi penjualan berdasarkan analisis kebiasaan pembelian obat-obatan oleh masyarakat atau produk yang sering dibeli secara bersamaan, sehingga dapat meningkatkan penjualan obat-obatan bagi apotek. Dengan menggunakan algoritma Apriori, maka pencarian data penjualan obat-obatan yang dibutuhkan oleh apotek dapat dengan mudah dilakukan.

Keywords: Algoritma Apriori, Aturan Asosiasi, Data Mining, Itemset, Penjualan.


OPTIMALISASI PREPROCESSING DALAM MENINGKATKAN NILAI AKURASI, PRECISION, RECALL, DAN F-MEASURE PADA ALGORITMA K-NEAREST NEIGHBOR DAN NAÏVE BAYES

 By : Robby Sulistyawan B, Tri Ginanjar Laksana, Rima Dias Ramadhani 

Permasalahan pada penelitian ini berdasarkan keberlanjutan dari penelitian sebelumnya oleh Putri Rizqiyah yang dari saran penelitiannya dikatakan bahwa memiliki kelemahan, yaitu belum optimalnya tahapan preprocessing pada dataset #CitraDPR dan belum diketahuinya hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dengan adanya permasalahan tersebut sehingga dibuat penelitian ini yang bertujuan untuk optimalisasi tahap preprocessing pada dataset #CitraDPR dan untuk mengetahui hasil akurasi, precision, recall, dan f-measure antara K-Nearest Neighbor dan Naïve Bayes setelah dataset dioptimalkan di tahap preprocessing. Dari hasil penelitian ini setelah dataset dioptimalkan di tahap preprocessing mendapatkan hasil hasil akurasi sebesar 89,30% pada k=7 untuk K-Nearest Neighbor dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-Nearest Neighbor, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-Nearest Neighbor, 94% pada k=7 dan 90% pada k=1 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-Nearest Neighbor, serta 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Kata Kunci: Akurasi, F-Measure, K-Nearest Neighbor, Optimalisasi, Naïve Bayes, Precision, Preprocessing, Recall


Kesimpulan

Pada penelitian ini dapat disimpulkan beberapa hal diantaranya adalah sebagai berikut:

1.        Pengoptimalan yang telah dilakukan pada tahap preprocessing dalam penelitian ini berpengaruh terhadap hasil akurasi, precision, recall, dan f-measure dimana pembuktian tersebut berdasarkan perbandingan hasil antara dataset sebelum dioptimalkan dengan dataset setelah dioptimalkan.

2.        Hasil yang diprediksi oleh K-NN dan Naïve Bayes telah mencapai lebih dari 80%, hal tersebut terbukti berdasarkan akurasi yang didapatkan pada penelitian ini diketahui mendapatkan akurasi sebesar 89,30% pada k=7 untuk K-NN dan sebesar 87,5% pada k=2 untuk Naïve Bayes. Untuk precision yang didapatkan sebesar 84% dan 97% pada k=7 untuk K-NN, 89% pada k=9 dan 93% pada k=7 untuk Naïve Bayes, selanjutnya recall yang didapatkan sebesar 97% dan 81% pada k=7 untuk K-NN, 94% pada k=7 dan 90% pada k=2 untuk Naïve Bayes. Sedangkan f-measure yang didapatkan sebesar 90% dan 88% pada k=7 untuk K-NN, sedangkan 89% pada k=9 dan 87% pada k=2 untuk Naïve Bayes.

Saran

Berdasarkan hasil penelitian ini terdapat beberapa saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut:

1.      Diharapkan bisa melakukan penelitian selanjutnya menggunakan bahasa pemrograman JAVA dan bandingkan dengan penelitian ini yang menggunakan bahasa pemrograman Python untuk mengetahui apakah hasilnya berbeda atau sama.

2.      Melakukan penelitian klasifikasi dengan menggunakan algoritma klasifikasi yang lainnya seperti Neural Network atau Support Vector Machine.


PENGEMBANGAN SISTEM BIG DATA PETERNAKAN SAPI BERBASIS DUAL LAYER APPS DAN MACHINE LEARNING DI KABUPATEN KEBUMEN

 By : Novanda Alim Setya Nugraha, Tri Ginanjar Laksana, A. Zaki Yamani, Ridho Ananda


Banyaknya permasalahan mengenai pencatatan pemotongan sapi dan manajemen monitoring sapi di Kabupaten Kebumen, mengakibatkan sulitnya pemerintah daerah dalam menentukan kebijakan terkait kebutuhan konsumsi daging sapi.  Oleh karenya dibutuhkan solusi secara optimal. Hal tersebut, berdasarkan hasil yang diperoleh melalui verifikasi 2 Rumah Pemotongan Hewan yang berada di gombong dan kebumen terkait pencatatan yang kurang maksimal mengenai data pemotongan sapi yang belum tersaji secara up to date. Meskipun disisi lain sudah ada ketua paguyuban sapi lokal serta 150 petugas rekorder kelompok pembibitan, namun upaya pendataan seringkali menghadapi kendala, terkait metode update data sapi yang masih manual dan rentan akan terjadinya kesimpangsiuran data. Misalnya, ingin mengetahui update jumlah sapi lokal yang beranak, mati atau bahkan sudah terjual karena alasan ekonomi, keluarga peternak sapi. Berdasarkan kondisi tersebut, diusulkan optimalisasi pencatatan dan monitoring sapi di Kabupaten Kebumen menggunakan pendekatan model waterfall berbasis android. Model pengembangan waterfall merupakan sebuah model pengembangan perangkat lunak yang menggunakan prinsip secara berurutan, yang berarti bahwa selangkah tahapan lanjut tidak akan dikerjakan jika tahapan sebelumnya belum terselesaikan. Mengetahui informasi kebutuhan jumlah konsumsi daging sapi masyarakat di Kabupaten Kebumen secara realtime. Merancang modul informasi untuk menampilkan gambaran faktual tentang ketersediaan sapi yang dipotong di Kabupaten pada aplikasi (SIDAK) Sistem Daging Sapi Kebumen. Membuat aplikasi (SIDAK) Sistem Daging Sapi Kebumen berbasi android guna mengoptimalkan pencatatan sapi yang telah dipotong secara realtime di Kabupaten Kebumen.

Penelitian ini berfokus pada proses identifikasi serta menciptakan rancang bangun sistem big data peternakan sapi berbasis dual layer apps dan machine learning yang bernama SIDAK (Sistem Informasi Daging Sapi Kebumen), sehingga bisa digunakan sebagai alat bantu monitoring sapi lokal secara periodik oleh petugas rekorder kelompok pembibitan.  Hasil penelitian ini berbentuk Sistem informasi Daging Sapi Kebumen (SIDAK) guna mencatat secara uptodate dan memudahkan manajemen memonitoring pencatatan sapi yang terintegrasi. Kemudian, model matematika untuk peramalan produksi daging sapi dengan model ARIMA(0,2,1) ialah  sedangkan model untuk populasinya ialah . Konsumsi daging sapi diperoleh dari populasi dikalikan dengan kebutuhan konsumsi daging sapi normative yaitu 1.3 kg perkapita pertahun. Hasil analisis menunjukkan bahwa untuk tahun 2020 s.d. 2022, kebutuhan konsumsi daging sapi diprediksi dapat dipenuhi oleh produksi daging sapi di Kebumen. kedepan aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen) ini, dapat menjadi masukan terhadap perumusan arah kebijakan pengendalian serta pengelolaan sapi di Kabupaten Kebumen. 

 

 Kata Kunci : Aplikasi, Android,  Big data, Machine Learning, Sapi, Waterfall.


Kesimpulan

Berdasarkan hasil penelitian yang telah dikaji dan dilakukan pembasahan pada BAB IV sebelumnya, maka kesimpulan dalam penelitian ini, sebagai berikut:

1)      Model matematika untuk peramalan produksi daging sapi yang diperoleh ialah  sedangkan model untuk populasinya ialah  .

2)      Berdasarkan data yang diperoleh dilapangan, dan hasil analisis diperoleh prediksi bahwa kebutuhan konsumsi daging sapi tahun 2020, 2021, dan 2022 diprediksi dapat dipenuhi oleh produksi daging sapi lokal di Kebumen.

3)      Setelah dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen) diharpkan dapat membantu tim recorder, khususnya admin pencatatan di RPH Kebumen dan Gombong menjadi lebih optimal.

4)      Dibuatnya aplikasi SIDAK (Sistem Informasi Daging Sapi Kebumen), dimana aplikasi tersebut membantu stakeholder, khususnya pemerintah kabumpten kebumen dalam menentukan kebijakan pengelolaan kebutuhan daging sapi diwilayah kabupaten kebumen.

 Saran

Adapun saran yang dapat dilakukan pada penelitian selanjutnya, bagi para peneliti yang ingin mengkaji dari hasil penelitian ini, maka yang harus dilakukan untuk penelitian selanjutnya, yaitu :

1)      Ruang lingkup pengambilan sampel data sebaiknya bisa diperoleh secara lebih detail untuk setiap bulannya, sehingga hasil peramalan akan lebih akurat. Hal itu dikarenakan diprediksi aka nada pola musiman yang tentunya memiliki banyak informasi yang bisa diambil.

2)      Aplikasi yang sudah di bangun, tidak hanya dapat menampilkan monitoring data secara realtime, namun harus adanya pengukuran yang divalidasi oleh tim khusus (Satgas dalam pengelolaan daging sapi kebumen).

3)      Database yang tersimpan sementara di IT Telkom Purwokerto, terkait aplikasi yang sudah di bangun. Mohon dapat segera di pindahkan, guna keamanan dan ketertiban data.



PENERAPAN ALGORITMA APRIORI PADA APLIKASI DATA MINING UNTUK PENGAMATAN DATA TRANSAKSI PENJUALAN OBAT

By :  Ardelia Mahardika, Tri Ginanjar Laksana  Negara Indonesia merupakan negara dengan populasi penduduk terbanyak keempat di dunia. Banyak...