Data semakin
lama akan semakin bertambah banyak. Jika dibiarkan saja, maka data-data tersebut
hanya menjadi sampah yang tidak berarti. Dengan adanya dukungan perkembangan
teknologi, semakin berkembang pula kemampuan dalam mengumpulkan dan mengolah
data. Sekumpulan fakta-fakta yang belum di olah itu sering didapatkan di
sekitar kita, tak terluput pula dalam bidang kesehatan, seperti di klinik,
apotek, atau rumah sakit. Ketika kita membeli obat di apotek, kita akan diberikan
struk pembayaran yang berisi obat-obatan yang kita beli, lalu kamu apakan struk
itu? Apakah kamu buang? Mungkin struk tersebut bermakna sedikit bagi kalian,
tapi tahukah kalian jika data-data yang ada di struk kalian mengandung
informasi berharga bagi pihak apotek? Data-data yang ada pada struk akan diolah
oleh mereka sehingga tidak menjadi sampah. Data-data tersebut sangat
penting, salah satunya sebagai antisipasi kekurangan stok, atau melohat
karakteristik pembeli dalam kecenderungan membeli obat apa.
Lalu melihat
studi kasus tersebut, teknik apa yang digunakan untuk mengolah data-data
yang ada pada struk?
Data mining,
sering juga disebut knowledge discovery in database (KDD), adalah
kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan
keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari
data mining bisa dipakai untuk memperbaikin pengambilan keputusan dimasa depan.
Dengan adanya data mining maka
akan didapatkan suatu permata berupa pengetahuan di dalam kumpulan data – data
yang banyak jumlahnya.
Persaingan di dunia bisnis, khususnya
dalam industri apotik, menuntut para pengembang untuk menemukan suatu strategi
yang dapat meningkatkan penjualan khususnya penjualan obat dengan memaksimalkan
pelayanan kepada konsumen. Salah satu caranya adalah dengan tetap tersediaannya
berbagai jenis obat digudang apotik. Untuk mengetahui obat apa saja yang dibeli
oleh para konsumen, dapat dilakukan dengan menggunakan teknik analisis
keranjang pasar yaitu analisis dari kebiasaan membeli konsumen. Pendeteksian mengenai
obat yang sering terbeli secara bersamaan disebut association rule (aturan
asosiasi). Proses pencarian asosiasi atau hubungan antar item data ini diambil
dari suatu basis data relasional. Proses tersebut menggunakan algoritma
apriori.
Algoritma apriori adalah algoritma
pengambilan data dengan aturan asosiatif (Association rule) untuk menentukan
hubungan asosiatif suatu kombinasi item. Association Rule yang dimaksud
dilakukan melalui mekanisme penghitungan support dan confidence dari
suatu hubungan item. Sebuah rule asosiasi dikatakan interesting jika
nilai support adalah lebih besar dari minimum support dan juga
nilai confidence adalah lebih besar dari minimum confidence.
Algoritma apriori ini akan cocok untuk diterapkan bila terdapat beberapa
hubungan item yang ingin dianalisa. Salah satunya yang bisa diterapkan
adalah di dalam bidang kesehatan dan penentuan pola pembelian obat
Yanto, Robi dan Khoiriah, Riri dalam
jurnalnya yang berjudul “Implementasi Data Mining dengan Metode Algoritma
Apriori dalam Menentukan Pola Pembelian Obat.” (2015) menjelaskan bahwa proses
penentuan pola pembelian obat dapat dilakukan dengan menerapkan data mining
dengan metode algoritma appriori. dengan metode tersebut penentuan pola
pembelian dapat dilakukan dengan melihat hasil dari kecenderungan konsumen
membeli obat berdasarkan kombinasi 2 itemset. Pengetahuan baru yang
dapat diperoleh berdasarkan hasil perhitungan algoritma apriori dan sistem yang
dibangun dapat dilakukan pengaturan tata letak obat secara berdekatan untuk
memudahkan keberadaan obat.
Buulolo, Efori dalam jurnalnya yang
berjudul “Implementasi Algoritma
Apriori pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi
Medan).” (2013) mengemukakan hasil analisis dengan algoritma apriori tersebut
antara lain sebagai berikut:
1.
Dengan
algoritma apriori dan pengujian dengan aplikasi menghasilkan pola kombinasi itemsets
dan rules sebagai ilmu pengetahuan dan informasi penting dari data
penjualan (data obat keluar).
2.
Teknik
data mining denga algoritma apriori dapat diimplementasikan pada sistem persediaan
dengan data yang digunakan adalah data penjualan (data obat keluar).
Data mining dan penerapannya dalam
bidang kesehatan tidak terbatas dalam menentukan pola pembelian obat dan mengatur
persediaan obat. Namun dapat digunakan pula sebagai suatu strategi jitu yang
dapat meningkatkan penjualan barang. Salah satu cara mengatasinya adalah
dengan tetap tersediaannya berbagai jenis alat-alat kesehatan secara kontinu
digudang Apotik. Untuk mengetahui alat-alat kesehatan apa saja yang dibeli oleh
para konsumen, dilakukan teknik analisis keranjang pasar yaitu analisis dari
kebiasaan membeli konsumen. Algoritma apriori juga berperan penting dalam membantu
dalam membentuk kandidat kombinasi item yang mungkin, kemudian dilakukan
pengujian apakah kombinasi tersebut memenuhi parameter support dan confidence
minimum yang merupakan nilai ambang yang diberikan oleh pengguna.
Tampubolon, Kenedi dkk. dalam jurnalnya
yang berdujul “Implementasi Data Mining Algoritma Apriori pada Sistem
Persediaan Alat-Alat Kesehatan.” (2013) menarik beberapa kesimpulan sebagai
berikut:
1.
Data
Mining dapat di implementasikan dengan menggunakan Database penjualan alat-alat
kesehatan karena dapat menemukan kecenderungan pola kombinasi itemsets sehingga
dapat dijadikan sebagai informasi yang sangat berharga dalam pengambilan
keputusan untuk mempersiapkan stok jenis barang apa yang diperlukan kemudian.
2.
Penerapan
Algoritma Apriori pada teknik Data Mining sangat efisien dan dapat mempercepat
proses pembentukan kecenderungan pola kombinasi itemset hasil penjualan
alat-alat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan
confidence tertinggi adalah Stick Asam Urat - Stick Gula dan Stick Colestrol-
Stick Gula.
Berdasarkan opini penulis, penerapan
data mining dalam kehidupan sehari-hari khususnya dalam bidang kesehatan bisa
dikatakan sebagai strategi jitu. Dari jurnal-jurnal yang sudah ditemukan
penulis, penerapan data mining bisa menjadi suatu revolusi dalam memajukan bisnis
suatu apotek, menjadikan data mining merupakan kunci dalam persaingan bisnis.
Konsumen suatu apotek dengan sistem yang baik dan dilandasi dengan data mining
juga tentu merasa diuntungkan, dengan melihat pola pembelian obat, konsumen
dalam suatu apotek tidak perlu khawatir akan kekurangan stok. Bahkan dengan
melihat pola pembelian obat, pihak apotek dapat menjajakan obat yang sering
dibeli oleh konsumen dalam posisi yang berdekatan, sehingga konsumen tidak
perlu kebingungan dalam mencari obat yang diinginkan. Semisal, banyak konsumen
membeli obat penurun panas di apotek A, melihat pola ini pihak apotek
menjajakan kompres penurun panas di samping obat penurun panas.
Begitu pula dengan algoritma apriori,
algoritma apriori merupakan algoritma yang dapat menentukan item (dalam hal artikel
ini merupakan obat atau alat kesehatan) yang sering dibeli oleh konsumen,
dengan membandingkan jumlah transaksi suatu item dan total transaksi. Algoritma
apriori sangat mudah diterapkan dan dipahami sehingga banyak dipakai dalam
penerapan data mining.
Meskipun data mining sudah bukan hal
yang asing lagi, dan penerapannya sudah banyak di berbagai bidang, namun begitu
penerapan data mining belum merata di Indonesia, melihat kegunaannya penulis
berharap data mining dapat diterapkan secara merata untuk memudahkan kehidupan
sehari-hari.
Referensi
:
1 Tampubolon,
Kenedi; dkk. 2013. Implementasi Data Mining Algoritma Apriori pada Sistem
Persediaan Alat-Alat Kesehatan). http://www.academia.edu/,
diunduh tanggal 19 Maret 2019.
2. Yanto,
Robi; Khoiriah, Riri. 2015. Implementasi Data Mining dengan Metode Algoritma
Apriori dalam Menentukan Pola Pembelian Obat. http://citec.amikom.ac.id/, diunduh
tanggal 19 Maret 2019.
3.
Buulolo,
Efori. 2013. Implementasi Algoritma
Apriori pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi
Medan). https://ejurnal.stmik-budidarma.ac.id/,
diunduh tanggal 19 Maret 2019.
EmoticonEmoticon