(Jurnal Teknologi Informasi) Vol.x, No.

x, xxxxxxxxx 20xx P-ISSN 2580-7927| E-ISSN 2615-2738

IMPLEMENTASI DATA MINING UNTUK ANALISIS POLA PEMBE-

LIAN OBAT MENGGUNAKAN ALGORITMA CT-PRO

Bobi Mulyadi, Yusuf Sumaryana,Ruuhwan

Program Studi Teknik Informatika, Universitas Perjuangan

Jl. Peta No.177, Kahuripan, Kec. Tawang, Kab. Tasikmalaya, Jawa Barat 46115
[email protected]

Abstract - The author conducts research on sales predictions (forecasting) to be able to predict future
conditions through sustainable pharmacy testing. By knowing the prediction of the status of the best-
selling medicinal products, it will and can assist pharmacies in making decisions to determine the
amount of drugs that must be provided by pharmacies. The sales data can be further processed to ob-
tain new information. Data mining technology is a solution for decision makers to seek further informa-
tion from large data so that information can be used to predict sales. With the problems that exist at
Lestari Pharmacy, the researchers tried to provide an alternative by applying the CT-Pro Algorithm. The
application of the CT-Pro algorithm is used to provide useful information from sales transaction data
that can be used by sustainable pharmacies in determining efficient business strategies to increase
product sales and to provide recommendations on drug product placement to pharmacy owners by ap-
plying the data mining concept. The purpose of this use is to help pharmacies to find out the turnover
of the best-selling drugs in sustainable pharmacies and to get the results of studies in determining the
decision process for buying the best-selling drugs in sustainable pharmacies. From the analysis and re-
sults of tests that have been carried out using the CT-Pro algorithm method, it can be concluded that
some drugs have high support, such as Amlodipine and Pipette which each have support of 1.33% and
1.61%. In addition, several other drugs also show support that is quite high, even though it is below
2%. The results of this analysis provide an overview of the drugs that are most purchased by cus-
tomers, and this information can be used as a basis for further decision-making in marketing strategy
and drug stock management at Apotek Lestari.

Keywords - Data Mining, CT-Pro, Medicine.

Abstrak - Penulis melakukan penelitian terhadap prediksi atau peramalan penjualan (forecasting) untuk dapat
memprediksi kondisi masa depan melalui pengujian apotek lestari. Dengan mengetahui prediksi status produk
obat terlaris, maka akan berguna dan dapat membantu apotek dalam pengambilan keputusan untuk menentukan
jumlah obat yang harus disediakan oleh apotek. Data penjualan tersebut bisa diolah lebih lanjut sehingga didap-
atkan informasi baru. Teknologi data mining sebagai solusi bagi para pengambil keputusan untuk mencari infor-
masi lebih jauh dari data yang besar sehingga didapatkan informasi yang dapat digunakan dalam memprediksi
penjualan. Dengan masalah yang ada pada Apotek Lestari, maka peneliti mencoba memberikan suatu alternatif
dengan menerapkan Algoritma CT-Pro. Penerapan algoritma CT-Pro digunakan untuk memberikan informasi
yang bermanfaat dari data transaksi penjualan yang dapat digunakan oleh apotek lestari dalam menentukan
strategi bisnis yang efisien untuk meningkatkan penjualan produk serta dapat memberikan rekomendasi terhadap
penempatan produk obat kepada pemilik apotek dengan menerapkan konsep data mining tersebut. Tujuan dari
penggunaan ini dapat membantu pihak apotik untuk mengetahui omzet obat terlaris di apotek berkelanjutan dan
ntuk mendapatkan hasil kajian dalam menentukan proses keputusan pembelian obat terlaris di apotek lestari.
Dari analisis dan hasil uji yang sudah dilakukan menggunakan metode algoritma CT-Pro, dapat disimpulkan
bahwa beberapa obat memiliki dukungan (support) tinggi, seperti Amlodipine dan Pipet yang masing-masing
memiliki dukungan sebesar 1.33% dan 1.61%. Selain itu, beberapa obat lainnya juga menunjukkan dukungan
yang cukup tinggi, meskipun di bawah 2%. Hasil analisis ini memberikan gambaran mengenai obat-obat yang

1
 (Jurnal Teknologi Informasi) Vol.x, No.x, xxxxxxxxx 20xx P-ISSN 2580-7927| E-ISSN 2615-2738

paling banyak dibeli oleh pelanggan, dan informasi ini dapat menjadi dasar untuk pengambilan keputusan lebih
lanjut dalam strategi pemasaran dan pengelolaan stok obat di Apotik Lestari.
Kata Kunci - Data Mining, CT-Pro, Obat.

2
 I. PENDAHULUAN penjualan yang dapat digunakan oleh apotek lestari
dalam menentukan strategi bisnis yang efisien untuk
meningkatkan penjualan produk serta dapat mem-
berikan rekomendasi terhadap penempatan produk
Dalam dunia bisnis yang sangat kompetitif,
obat kepada pemilik apotek dengan menerapkan kon-
khususnya industri farmasi yang sangat penting ter-
sep data mining tersebut. Karena dengan metode asosi-
hadap kebutuhan obat. Kebutuhan akan obat meru-
asi, terdapat hubungan asosiasi antara sejumlah atribut
pakan salah satu hal penting bagi manusia, terutama
penjualan guna mendapatkan pola pembelian dari kon-
orang yang menderita penyakit. Apotek lestari meru-
sumen tentang produk obat apa saja yang konsisten di-
pakan apotek yang bergerak di bidang perdagangan
beli secara bersamaan sehingga nantinya dapat men-
dan menyediakan berbagai macam produk obat-
jawab permasalahan tata letak produk yang baik guna
obatan, dll. Apotek lestari saat ini telah menggunakan
memudahkan pemilik apotek lestari untuk menyusun
sistem informasi penjualan untuk mendukung kinerja
barang. Selain itu, pemilik apotek juga bisa men-
pihak perusahaan maupun untuk layanan informasi
gontrol jumlah setok produk yang berasosiasi dan
penjualan.
bertujuan untuk membantu mengantisipasi kekosongan
persediaan produk, terutama untuk produk yang sering
Pengolahan data dari transaksi penjualan obat dijual bersama.
salah satunya sering digunakan di instalasi apotek.
Apotek merupakan sarana pelayanan kefarmasian tem-
Dilihat dari banyaknya data pembelian obat,
pat dilakukan praktik kefarmasian oleh apoteker (Per-
maka dibutuhkan prediksi penjualan obat-obatan yang
menkes, 2016). Salah satu apotek yang memerlukan
paling banyak diminta oleh konsumen. Prediksi ini
pengolahan data yaitu apotek lestari, apotek lestari
bertujuan untuk mempermudah bagian penyedia stok
merupakan apotek yang di dirikan pada tahun 2012
barang dalam melakukan perencanaan penyediaan stok
yang terletak di Kp. Warung Peuteuy Rt 16 Rw 03
barang serta memberitahu pihak apotek tentang produk
Desa Margalaksana Kecamatan Salawu Kabupaten
obat-obatan paling banyak dibeli oleh konsumen.
Tasikmalaya Provinsi Jawa Barat 46471.
Berdasarkan dari uraian latar belakang, maka dapat
diusulkan sebuah penelitian dengan judul “IMPLE-
Penulis melakukan penelitian terhadap MENTASI DATA MINING UNTUK ANALISIS
prediksi atau peramalan penjualan (forecasting) untuk POLA PEMBELIAN OBAT MENGGUNAKAN AL-
dapat memprediksi kondisi masa depan melalui pengu- GORITMA CT-PRO”.
jian apotek lestari. Dengan mengetahui prediksi status
produk obat terlaris, maka akan berguna dan dapat
Adapun beberapa penelitian yang dilakukan
membantu apotek dalam pengambilan keputusan untuk
oleh peneliti sebelumnya pada transaksi pembelian
menentukan jumlah obat yang harus disediakan oleh
komsumen dan penjualan menunjukan bahwa algo-
apotek. Selain itu, peramalan ini dapat membantu
ritma Ct-Pro dapat membantu dalam pembentukan
apotek dalam merencanakan pengiriman obat karena
pola pembelian pelanggan yang dapat digunakan untuk
peramalan ini dapat memberikan hasil yang terbaik,
mengembangkan strategi bisnis, hasil penelitian se-
sehingga resiko kesalahan akibat kesalahan peren-
belumnya yaitu “Analisis Asosiasi Rule Mining Dalam
canaan dapat diminimalkan. Prediksi biasanya digu-
Rekomendasi Sparepart Pada Bengkel Service 227
nakan untuk mencari informasi dalam jumlah data
Menggunakan Algortima CT-Pro” pada tahun 2022
yang besar, sehingga diperlukan data mining.
oleh Yogika, Azis, Hasdiana, Nurjamiyah untuk
mengetahui Penerapan Asosiasi Rule mining pada sis-
Menurut Pramudiono dalam (Banjarnahor, tem rekomendasi sparepart pada bengkel service 227
Reinaldo, & Indra, 2020), data mining merupakan yang bertujuan untuk menemukan aturan asosiatif an-
serangkaian proses untuk menggali nilai tambah tara item data dan Penerapan algoritma CT-pro untuk
berupa pengetahuan yang selama ini tidak diketahui membantu pengelolaan dan pengaturan tata letak
secara manual dari suatu kumpulan data. Data mining sparepate pada bengkel service 227 (Yogika, Azis,
dapat digunakan untuk mencari informasi lebih jauh Hasdiana, Nurjamiyah 2022).
dari data yang besar sehingga didapatkan informasi
yang dapat digunakan dalam memprediksi penjualan.
Adapun beberapa penelitian yang dilakukan
Menurut (Amalia, 2018) dalam data mining mencakup
oleh peneliti sebelumnya pada transaksi pembelian
banyak teknik untuk menemukan pola dan informasi
komsumen dan penjualan menunjukan bahwa algo-
tersembunyi diantaranya adalah Klasterisasi (cluster-
ritma Ct-Pro dapat membantu dalam pembentukan
ing), Regresi (regression), Asosiasi (asso ciation), dan
pola pembelian pelanggan yang dapat digunakan untuk
Klasifikasi (classification). Metode-metode yang ter-
mengembangkan strategi bisnis, hasil penelitian se-
dapat dalam data mining untuk prediksi diantaranya
belumnya yaitu “Penerapan Data Mining Dengan
yaitu metode algoritma CT-Pro. Pada Penelitian ini,
Menggunakan Algoritma Ct-Pro Untuk Korelasi Obat”
penerapan algoritma CT-Pro digunakan untuk mem-
pada tahun 2018 oleh Septianti Ari Mindiawati
berikan informasi yang bermanfaat dari data transaksi
Hasibuan, Berto Nadeak untuk mengetahui penerapan

3
metode Association Rule disertai dengan Algoritma 3. Pengolahan Data Mining
CT-Pro dengan parameter support dan confidence da-
pat memudahkan pihak Apotek Kimia Farma untuk Tahap ini membahas tentang penelitian
mengetahui pola pembelian dari pelanggan, Aplikasi berdasarkan tahapan Knowledge Discovery in
yang dibangun dapat membantu pihak perusahaan Database (KDD), proses KDD dijelaskan secara
mengetahui merek dan jenis obat apa saja yang sering garis besar dijabarkan oleh Fayyad dalam (Gata,
dipesan secara bersamaan oleh pelanggan, Aplikasi 2017) ) sebagai berikut:
yang dibangun dapat digunkan untuk proses transaksi
penjualan obat di apotek Kimia farma (Septianti Ari 1) Data Seleksi/Data Selection
Mindiawati Hasibuan, Berto Nadeak 2018).
Tahapan ini merupakan pemilihan data dari
Hasil penelitian sebelumnya yaitu “Per- sekumpulan data operasional harus dilakukan se-
bandingan Implementasi Algoritma CT-PRO dan Al- belum memulai tahapan penggalian informasi
goritma C45 Untuk Menentukan Pola Nasabah” Bank dalam knowledge discovery in database (KDD).
adalah salah satu lembaga pemerintah atau korporasi
yang mengelola perekonomian. Layanan pelanggan 2) Preprocessing/Cleaning
yang baik membutuhkan proses kerja yang teratur,
Proses pembersihan mencakup beberapa
bersih dan menyeluruh untuk mendapatkan informasi
langkah untuk melakukan pemeriksaan data yang
dengan cepat, akurat dan tepat waktu saat dibutuhkan.
Lembaga perbankan memiliki banyak data yang inkonsisten, membuang duplikasi data, dan
meningkat setiap tahunnya. Salah satunya adalah in- memperbaiki kesalahan data, seperti salah cetak.
formasi pelanggan baru. Namun, dengan banyaknya Dan juga dilakukan proses enrichment yaitu
data pelanggan baru, semakin sulit untuk memeriksa proses memperkaya data yang ada dengan data
sampel pelanggan baru lebih dekat dan biasanya hanya atau informasi lain yang relevan dan diperlukan
digunakan sebagai arsip. Pada penelitian ini metode al- untuk KDD, seperti informasi eksternal atau
goritma CT-PRO dan algoritma c45 diterapkan pada data.
studi kasus yaitu penentuan “customer model”. Ten-
tukan templat pelanggan dari ratusan atau ribuan 3) Transformasi/Transformation
bidang. Penerapannya dapat dilihat pada hasil imple-
mentasi yang dalam hal ini dapat menerapkan algo- Langkah transformasi/transpormation ini
ritma CT-PRO dan algoritma C45 (Ade Sukma Wati merupakan langkah koreksi data yang terpilih
2022). agar sesuai untuk proses data mining. Transfor-
masi/transformation dalam knowledge discovery
in database (KDD) adalah proses kreatif dan san-
II. METODE PENELITIAN gat tergantung pada pola informasi atau jenis
yang dicari dalam basis data.

4) Data Mining
Penelitian ini merupakan penelitian kualitatif
yang disusun dengan deskriptif analitis yakni untuk Tahapan ini merupakan proses menemukan
mendeskripsikan atau memberi gambaran terhadap ob- pola atau informasi yang menarik pada data ter-
jek yang diteliti melalui data atau sampel yang telah pilih dengan menggunakan beberapa metode atau
terkumpul sebagaimana adanya tanpa melakukan anal- teknik berdasarkan dengan proses knowledge
isis dan membuat kesimpulan yang berlaku untuk discovery in a database (KDD).
umum.

1. Mengumpulkan Data
III. HASIL DAN PEMBAHASAN
Penelitian ini dimulai dari mengumpulkan data,
yang terdiri dari observasi, wawancara, dan studi
kepustakaan 1. Gambaran Umum Lokasi Penelitian
2. Tahapan Penelitian
Apotik Lestari merupakan sebuah perusahaan
Setelah mengumpulkan data diatas selesai selan- yang bergerak di bidang perdagangan obat dan alat
jutnya dilakukan Tahapan Penelitian. Terdiri dari medis kesehatan. Apotik Lestari berdiri pada tanggal
persiapan, tinjauan kepustakaan, pengumpulan 2012 yang terletak di Kp. Warung Peuteuy Rt 16 Rw
03 Desa Margalaksana Kecamatan Salawu Kabupaten
data, pengolahan data mining, hasil dan pemba-
Tasikmalaya Provinsi Jawa Barat. Pada awal pendiri-
hasan, kesimpilan dan saran.
annya, Apotik Lestari hanya memiliki tiga karyawan.

4
Berkat rahmat Allah SWT dan didukung oleh kemam- U n t u k
import pandas as pd
import argparse
from sklearn.preprocessing import LabelEncoder
puan managerial, pengalaman, serta semangat dari
# Step 1: Membaca data dari file CSV dengan CLI
seluruh tim Apotik Lestari, perusahaan ini terus def read_csv_file(filename):
data = pd.read_csv(filename)
berkembang di kota Tasikmalaya dan saat ini telah return data

menggunakan sistem informasi penjualan untuk men- # Step 2: Data Transformation : Mengubah tipe data tanggal
def transform_date(data):
dukung kinerja pihak perusahaan maupun untuk data['Tanggal Penjualan'] = pd.to_datetime(data['Tanggal Penjualan'])
return data

layanan informasi penjualan. # Step 3: Data Cleaning : Handling Data Missing

def handle_missing_data(data):
mean_jumlah_terjual = data['Jumlah Terjual'].mean()
data['Jumlah Terjual'].fillna(mean_jumlah_terjual, inplace=True)
return data

# Step 5: Kodefikasi kolom 'Nama Obat'

2. Pembahasan
def encode_nama_obat(data):
label_encoder = LabelEncoder()
data['Nama Obat Encoded'] = label_encoder.fit_transform(data['Nama Obat'])
return data, label_encoder

Setelah melalui tahapan analisis perancangan # Step 6 : Proses Penjualan Data

def calculate_penjualan(data):
data mining dengan algoritma CT-Pro pada pola pem- data['Penjualan'] = data['Jumlah Terjual'] * data['Harga Satuan']
return data
belian obat di Apotik Lestari, analisa ini berakhir den- # Step 7: Menyimpan data hasil preprocessing ke file CSV

gan melakukan proses data mining yang sesungguh- def save_to_csv(data, input_filename):
output_filename = input_filename.replace('.csv', '_preprocessed.csv')

nya. Penelitian ini bertujuan untuk mengetahui pola data.to_csv(output_filename, index=False)

pembelian di Apotik Lestari, dan menentukan omzet def main():

terlaris berkelanjutan. Berdasarkan data penjualan pro- parser = argparse.ArgumentParser(description='Data Preprocessing')

parser.add_argument('filename', type=str, help='Nama file CSV yang ingin dibaca')

duk elektronik dari bulan Agusuts 2022 hingga Juli args = parser.parse_args()

2023 di Apotik Lestari. Dalam analisis ini, peneliti input_filename = args.filename

membuat aplikasi berbasis Python sebagai alat bantu

data = read_csv_file(input_filename)

gan prediksi, dilakukan tahap preprocessing untuk

untuk memfasilitasi proses data mining, yang akhirnya
mengelompokkan jenis penjualan obat berdasarkan
menghasilkan informasi berharga tentang prediksi pen-
jumlah terjual, harga satuan, kode obat, dan penjualan.
jualan obat terlaris.
Berikut Source Code yang digunakan pada process ini,
berikut dengan command yang digunakan.
1) Data Section
1preprocessing.py:
Penelitian ini menggunakan data penjualan
obat dari bulan Juli 2022 hingga Juli 2023 di Apotik
command:
Lestari. Data ini kemudian diseleksi menggunakan
Microsoft Excel dan akan diolah untuk meramalkan je-
nis obat terlaris. Atribut yang digunakan dalam
prediksi penjualan terlaris meliputi Nama Obat, Tang-
gal Penjualan, Jumlah, dan Harga Satuan. Informasi
lebih lengkap mengenai atribut tersebut dapat dilihat
pada Tabel 1. Setelah data terkelompokkan, selanjutnya
data-data tersebut dijumlahkan sehingga menghasilkan
No. Nama Obat Tanggal Penjualan Jumlah Terjual Hargadata
Satuan penjualan untuk seluruh jenis obat. Hasil dari
1 Faxiden 2022-07-01 1 tahap ini dapat dilihat pada beberapa tabel hasil Pre-
2 Amlodipine 2022-07-02 4 processed sebagai berikut:
3 Safecare 2022-07-02 1
4 Pipet 2022-07-02 6
5 Glimepiride 2022-07-02 7
6 Ramipril 2022-07-02 1
7 Omemox 2022-07-02 1
8 Herbakof 2022-07-02 1
9 Rohto 2022-07-02 4
10 Aqua 2022-07-02 1
11 Metol 2022-07-01 1
12 Insto 2022-07-02 1
13 Xitrol 2022-07-02 2
… … … …
12078 Piroxicam 2023-07-10 1

2) Cleaning dan Preprocessing 3) Transformation

5
 nilai threshold yang telah ditentukan, yaitu
import pandas as pd
import argparse

# Fungsi untuk membaca data dari file CSV minimum_support sebanyak 0.006 (0.6%). Jika
def read_csv_file(filename):
data = pd.read_csv(filename)
return data
frekuensi item tidak kurang dari support count, maka
# Fungsi untuk membuat Global Item Table
item tersebut akan dihapus dan tidak dipakai dalam
def create_global_item_table(data):
# Menghitung jumlah item pada kolom 'Nama Obat'
proses data mining. Langkah awalnya adalah mengam-
item_count = data['Nama Obat'].value_counts().reset_index()
item_count.columns = ['Nama Obat', 'Count']
bil semua item dari Tabel 3 dan menghapus item yang
# Menghitung jumlah penjualan berdasarkan 'Penjualan'
duplikat. Item yang dimaksud merupakan informasi
penjualan_sum = data.groupby('Nama Obat')['Penjualan'].sum().reset_index()
penjualan_sum.columns = ['Nama Obat', 'Penjualan']
dari kolom jenis Nama Obat, Kode Obat, dan Pen-
# Menggabungkan hasil perhitungan ke dalam satu tabel jualan. Berikut Source Code yang digunakan pada
global_item_table = item_count.merge(penjualan_sum, on='Nama Obat')
process ini, berikut dengan command yang digunakan.
# Menambahkan kolom 'Kode Obat' berdasarkan nama obat
nama_obat_to_kode = {nama_obat: i + 1 for i, nama_obat in
enumerate(global_item_table['Nama Obat'].unique())}
global_item_table['Kode Obat'] = global_item_table['Nama Obat'].map(nama_obat_to_kode) 3frequentItems.py:
return global_item_table[['Kode Obat', 'Nama Obat', 'Count', 'Penjualan']]

# Fungsi untuk menyimpan Global Item Table ke dalam file CSV

def save_to_csv_global(data, output_filename): command:
Setelah melalui tahap transformation hasil import pandas as pd
import argparse
dari pengelompokan data preprocessing, selanjutnya from mlxtend.frequent_patterns import fpgrowth
from mlxtend.frequent_patterns import association_rules
digunakan untuk membentuk data training. Proses def read_csv_file(filename):

pembentukan data training berdasarkan data yang telah data = pd.read_csv(filename)

return data

ada, dengan melakukan seleksi atribut yang mempen- def frequent_itemset_mining(data, min_support):

garuhi penjualan obat terlaris yang disebut sebagai # Convert the data into a one-hot encoded format
one_hot_encoded = pd.get_dummies(data['Nama Obat'])

data target. Berikut Source Code yang digunakan pada # Perform frequent itemset mining using FPGrowth

process ini, berikut dengan command yang digunakan. frequent_itemsets = fpgrowth(one_hot_encoded, min_support=min_support,
use_colnames=True)

return frequent_itemsets

2transform.py: def main():

parser = argparse.ArgumentParser(description='Frequent Itemset Mining using FPGrowth
(CFP Growth algorithm)')
parser.add_argument('filename', type=str, help='Name of the CSV file to be imported')

command: parser.add_argument('--min_support', type=float, default=0.1, help='Minimum support

threshold for frequent itemsets')
args = parser.parse_args()

filename = args.filename
min_support = args.min_support

# Step 1: Read data from the CSV file

data = read_csv_file(filename)

# Step 2: Perform frequent itemset mining

frequent_itemsets = frequent_itemset_mining(data, min_support)

Setelah data ditransformasi, didapatkan hasil

output dari program yang berisikan atribut yang rele-
van dan mendukung dalam proses data mining. Data
training yang akan digunakan terdapat pada Tabel
berikut.

Nilai support pada hasil frequent itemset

menggambarkan seberapa sering itemset tertentu
muncul dalam dataset. Secara matematis, support dari
sebuah itemset X dapat dihitung dengan membagi
jumlah transaksi yang mengandung itemset X dengan
jumlah total transaksi dalam dataset.

Rumus untuk menghitung nilai support dari

sebuah itemset X adalah sebagai berikut:

J u ml a h t r a n s a k s i y a n g m e n g a n d u n g
S u p p o r t ( x )=
J u ml a h t o t al t r a n s a k s i d a l a m d a
4) Data Mining
Support memiliki rentang nilai antara 0 dan 1.
Jika support mendekati 1, berarti itemset X sering
Pada tahap Data Mining langkah pertama
yang dilakukan ialah membuat table frequent item, di- muncul dalam dataset, sedangkan jika mendekati 0,
lakukan pengkajian terhadap penjualan obat dengan berarti itemset X jarang muncul atau tidak muncul
memperhatikan kemunculannya yang tidak kurang dari sama sekali dalam dataset. Nilai support digunakan se-

6
bagai salah satu metrik dalam analisis frequent itemset Meskipun beberapa obat memiliki dukungan tinggi,
untuk mengidentifikasi itemset yang memiliki perlu dipertimbangkan apakah ada pola pembelian ter-
frekuensi atau dukungan yang tinggi dalam dataset. tentu yang dapat diidentifikasi. Selain itu, dalam eval-
Itemset dengan nilai support yang tinggi dapat diang- uasi ini, dapat dilakukan perbandingan antara dukun-
gap sebagai itemset yang penting dan sering digunakan gan dari obat-obat tersebut dengan tujuan mengidenti-
dalam transaksi, sehingga memiliki nilai informatif fikasi item yang memiliki kinerja penjualan yang lebih
dalam analisis data. baik. Selanjutnya, hasil analisis juga perlu dievaluasi
dengan data penjualan lainnya, seperti data penjualan
3. Analisis dan Evaluasi dari periode sebelumnya atau data penjualan dari ca-
Hasil frequent itemset dari analisis data pen- bang-cabang lainnya, untuk mendapatkan gambaran
jualan obat terlaris menunjukkan beberapa item yang yang lebih lengkap tentang tren penjualan dan prefer-
memiliki dukungan (support) tinggi. Berdasarkan hasil ensi pelanggan terhadap obat-obat tertentu. Evaluasi
tabel frequent itemset, dapat dilihat bahwa obat den- yang cermat dari hasil frequent itemset akan mem-
gan nama Amlodipine memiliki dukungan sebesar berikan wawasan berharga bagi perusahaan dalam
0.013330 atau sekitar 1.33%. Kemudian, obat dengan mengoptimalkan strategi penjualan dan meningkatkan
nama Pipet juga memiliki dukungan yang signifikan kepuasan pelanggan.
yaitu sebesar 0.016145 atau sekitar 1.61%. Selain itu,
terdapat beberapa obat lainnya seperti cetirizine, Per-
men, Omeprazole, Promag, Piroxicam, dan Semar- IV. KESIMPULAN
tidine yang juga memiliki dukungan yang cukup
tinggi, meskipun berada di bawah 2%. Analisis ini Pada penelitian ini dilakukan pemodelan
menggunakan algoritma CT-Pro dengan menggunakan
memberikan gambaran awal mengenai obat-obat yang
data vang diolah berdasarkan tahapan Knowledge Dis-
paling banyak dibeli oleh pelanggan, dan informasi ini
coverv in Database (KDD). Berdasarkan hasil perhi-
dapat menjadi dasar untuk pengambilan keputusan tungan data mining menggunakan teknik algoritma
lebih lanjut dalam strategi pemasaran dan pengelolaan CT-Pro, dapat disimpulkan bahwa beberapa obat
stok obat. Setelah melalui tahap kodifikasi ulang, dida- memiliki dukungan (support) tinggi, seperti Amlodip-
patkan tabel yang menunjukan obat yang memiliki ine dan Pipet yang masing-masing memiliki dukungan
omzet dan hasil penjualan tertinggi seperti yang ditun- sebesar 1.33% dan 1.61%. Selain itu, beberapa obat
jukan pada Tabel x berikut. lainnya juga menunjukkan dukungan yang cukup
tinggi, meskipun di bawah 2%. Hasil analisis ini mem-
berikan gambaran mengenai obat-obat yang paling
banyak dibeli oleh pelanggan, dan informasi ini dapat
menjadi dasar untuk pengambilan keputusan lebih lan-
jut dalam strategi pemasaran dan pengelolaan stok
obat di Apotik Lestari.

DAFTAR PUSTAKA

[1] Depkes RI] Peraturan Menteri Kesehatan Re-

pubilk Indonesia Nomor 73 tahun 2016 ten-
tang Standar Pelayanan Kefarmasian di
Apotek. Jakarta: Departemen Kesehatan RI.
[2] Banjarnahor, dkk. 2020. Penerapan Data Min-
ing Dengan Algoritma ID3 Untuk Mem-
prediksi Penjualan (Studi Kasus : PT. Tata
Warna Cipta Perkasa); 3 (2).
[3] Amalia, Y. R. (2018). Penerapan Data Mining
Untuk Prediksi Penjualan Produk Elektronik
Terlaris Menggunakan Metode K-Nearest
Neighbor (Studi Kasus : PT. Bintang Multi
Pada tahap evaluasi, hasil frequent itemset Sarana Palembang). Thesis.
dari data penjualan obat terlaris ini perlu dikaji lebih [4] Yogika, dkk. 2022. Analisis Asosiasi Rule
Mining Dalam Rekomendasi Sparepart Pada
lanjut untuk memahami pola dan asosiasi yang
Bengkel Service 227 Menggunakan Algortima
mungkin terjadi di antara item-item tersebut.

7
 CT-Pro; 4 (1): pp. 31-39. [20] Rizky, R., Susilawati, S., Hakim, Z., & Sujai,
[5] Septianti Ari Mindiawati Hasibuan, dkk. 2018. L. (2020). Sistem Pakar Deteksi Penyakit
Penerapan Data Mining Dengan Menggunakan Hipertensi Dan Upaya Pencegahannya Meng-
Algoritma Ct-Pro Untuk Korelasi Obat; 5 (5): gunakan Metode Naive Bayes Pada RSUD
pp. 532-536. Pandeglang Banten. Jurnal Teknik Informatika
[6] Ade Sukma Wati, dkk. 2022. Perbandingan Unis, 7(2), 138–144
Implementasi Algoritma CT-PRO dan Algo- [21] Gata, W. (2017). Akurasi Text Mining
ritma C45 Untuk Menentukan Pola Nasabah; Menggunakan Algoritma K-Nearest Neigh-
pp. 64-70. bour pada Data Content Berita SMS. 6, 1–13.
[7] Yunahar Heriyanto. (2018). Perancangan Sistem
Informasi Rental Mobil Berbasis WEB Pada
PT.APM RENT CAR. 2(2), 64–77.
[8] Yanuardi, & Permana, A. A. (2018). Rancang
Bangun Sistem Informasi Keuangan Pada Pt.
Secret Discoveries Travel and Leisure Berba-
sis Web. Jurnal Teknik Informatika, 1–7.
[9] Ilmu, F., Universitas, K., Metro, M., Timur,
M., Metro, K., & Sehat, D. (2020). Perancan-
gan Aplikasi Pengolahan Data Dana Sehat.
01(01), 18–22.
[10] Indrajani, 2018. Database Systems All In One
Theory, Practice, And Case Study. Jakarta : PT
Alex Media Komputindo.
[11] Notoadmojo, Soekidjo. 2018. Metodologi
Penelitian Kesehatan. Jakarta : Rineka Cipta.
[12] Halim, J. (2017). Penerapan Data Mining
Untuk Mengukur Tingkat Kepuasan Siswa
Terhadap Pelayanan Di Bimbingan Belajar Al-
Misbah Dengan Menggunakan Metode K-
Means. Jurnal SAINTIKOM, 16(1), 1–6.
[13] Saputra, A. Y., & Primadasa, Y. (2018). Pen-
erapan Teknik Klasifikasi Untuk Prediksi
Kelulusan Mahasiswa Menggunakan Algo-
ritma K-Nearest Neighbor. Techno.Com.
[14] Utomo, D. P., & Mesran, M. (2020). Analisis
Komparasi Metode Klasifikasi Data Mining
dan Reduksi Atribut Pada Data Set Penyakit
Jantung. Jurnal Media Informatika Budidarma,
4(2), 437.
[15] Indriani, K., & Tanjung, Q. (2017). Sistem
Pendukung Keputusan Kelayakan Kredit
Motor Menggunakan Metode NAÏVE BAYES
Pada NSC FINANCE Cikampek. Publikasi Ju-
rnal Penelitian Teknik Informatika Universitas
Prima Indonesia, 1((UNPRI) Medan), 6–11.
[16] Lemi Iryani. 2022. Diagnosa Penyakit Stroke
Dengan Klasifikasi Algoritma C45 Pada RS
Daerah di Kota Palembang; 8(2): pp. 1-7.
[17] Muhammad Aditya, dkk. 2022. Penerapan Al-
goritma CT-Pro untuk Mengetahui Pola Pem-
belian Konsumen(Pada StudiKasus; 421-425.
[18] Ade Sukma Wati, dkk. 2022. Perbandingan
Implementasi Algoritma CT-PRO dan Algo-
ritma C45 Untuk Menentukan Pola Nasabah;
64-70.
[19] Mega, F., Ayu, S., & Trisiana, A. (2018). Tin-
dakan Kuratif Di Era Globalisasi). Penguatan
Pancasila Dalam Perbuatan (Alternatif Tin-
dakan Kuratif Di Era Globalisasi), 14–19.