PENGGUNAAN METODE QUANTITATIVE ASSOCIATION RULES UNTUK MENCARI ATURAN ASOSIATIF DARI DATABASE PENGOBATAN

PENGGUNAAN METODE QUANTITATIVE ASSOCIATION RULES UNTUK MENCARI ATURAN ASOSIATIF DARI DATABASE PENGOBATAN Arif Arizal1 1 Teknik Informatika, Universitas Bhayangkara, Surabaya e-mail: [email protected] Abstrak Permasalahan mencari asosiasi antara suatu kombinasi item obat beserta jumlah pemakaiannya banyak dialami oleh instansi rumahsakit maupun klinik kesehatan. Mereka mengalami kendala dalam memperkirakan kebutuhan obat dan mengetahui asosiasi antara satu obat dengan obat lainya. Penelitian ini bertujuan untuk mencari aturan asosiatif dari data penggunaan obat dan jumlah pemakaian obat dari database pengobatan. Dalam penelitian ini digunakan metode quantitative association rules. Penelitian ini berhasil menemukan 14 aturan yang menarik dengan minimum support 0.2% dan minimum confidence 75%. Nilai support dari quantitative association rules akan semakin kecil sebagai efek banyaknya item baru yang dihasilkan pada proses partition dan mapping. Metode association rules menemukan lebih banyak aturan dibanding dengan metode quantitative association rules.

Kata kunci : Data mining, Quantitative Association Rules, Association Rules, Database Pengobatan

Abstract The problem of association rules discovery between medicine item combination and quantities, occurred at many hospitals and health clinics agencies, are difficult in estimating medicine needs and discovering association between the medicine with other medicine. This study focuses on discovering association rules of medicine and quantities medicine of medication database. This study uses quantitative association rules methods. Found 14 interesting rules with minimum support 0.2% and minimum confidence 75%. The support of quantitative association rules will decrease drastically as the effect of new items generated in partition and mapping process. Association rules method generated more rules than quantitative association rules

Keywords : Data mining, Quantitative Association Rules, Association Rules, Medication Database

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

32

1. PENDAHULUAN

D

alam dunia kesehatan, obat merupakan komponen yang penting, karena diperlukan dalam sebagaian besar upaya kesehatan baik untuk menghilangkan gejala dari suatu penyakit atau menyembuhkan penyakit, sehingga ketersediaan stok obat pada instansi pelayanan kesehatan menjadi sangat penting. Klinik Amanah merupakan salah satu instansi kesehatan yang berletak pada kabupaten sleman, klinik Amanah mengalami beberapa permasalahan berkaitan dengan obat, bagian inventori klinik Amanah tidak mengetahui hubungan keterkaitan jumlah pemakaian antara satu obat dengan obat lain, hal ini menyebabkan stok obat yang disediakan tidak sesuai dengan kebutuhan dan tidak jarang obat masuk tanggal kadaluarsa. Dari beberapa permasalah yang dialami oleh klinik Amanah, dapat dilihat bahwa, inti dari permasalahan adalah pihak inventori klinik Amanah tidak mengetahui perbandingan pemberian dosis/jumlah tiap-tiap obat dan hubungan keterkaitan antara satu obat dengan obat lainya. Untuk mencari solusi dari permasalahan diatas perlu dilakukan analisis terhadap database obat, sehingga bisa ditemukan pola-pola hubungan keterkaitan antara satu obat dengan obat lainya, analisis data obat bermanfaat untuk memperoleh informasi penting yang dapat digunakan untuk mencari solusi permasalahan diatas. Pada penelitian ini selain mencari pola aturan yang menarik dengan menganalisis data obat klinik Amanah dengan Quantitative Association Rules[1]. 2. QUANTITATIVE ASSOCIATION RULES

2.1 Association Rules

Larose[3] menyatakan bahwa Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence). Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Contoh dari aturan assosiatif dari analisa pembelian di suatu minimarket adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli suatu barang bersamaan dengan barang lainya seperti membeli pasta gigi bersamaan dengan sikat gigi. Aturan assosiatif biasanya dinyatakan dalam bentuk : {pasta gigi, sikat gigi} ⇒{sabun mandi} (support = 30%, confidence = 40%) Yang artinya : "40% dari transaksi di database yang memuat item pasta gigi dan sikat gigi juga memuat item sabun mandi. Sedangkan 30% dari seluruh transaksi yang ada di database memuat ketiga item itu". Metodologi dasar analisis asosiasi terbagi menjadi dua tahap : a. Analisa frequent itemset Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut : Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

33

Support ( , ) = Jumlah transaksi mengandung dan Total transaksi b. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif ⇒ Nilai Confidence dari aturan ⇒ diperoleh dari rumus berikut : Confidence (⇒) = Jumlah transaksi mengandung dan Jumlah transaksi mengandung

Algoritma association rules yang sering digunakan antara lain: Apriori dan AprioriTID diperkenalkan oleh Agrawal dan Srikan pada [4], AIS pertamakali di perkenalkan di [5] , DHP diperkenalkan oleh Park, Chen dan Yu pada [6], dari keempat algoritma tersebut AIS memiliki kinerja yang paling buruk, sedangkan DHP merupakan algoritma yang paling efisien, performa dari beberapa algoritma association rules tersebut dikemukakan di [4,6].

2.2 Quantitative Association Rules

Quantitative association rules ini pertama kali dikembangkan oleh seorang ilmuwan bernama Agrawal pada [1]. Quantitative association rules digunakan untuk menemukan aturan asosiasi antara satu barang dengan barang lainya dengan menghiraukan/menimbang jumlah pembeliannya. Untuk setiap item yang berbeda jumlah pembelianya diangap sebagai item kuantitatif yang berbeda. Salah satu contoh quantitative association rules adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli 4kg gula bersamaan dengan membeli 2 bungkus teh. Beberapa penelitian tentang quantitative association rules [1,2,7,8]. Permasalahan utama dalam quantitative association rules terdiri dari 3 tahapan : a. Partition dan mapping Proses ini berfungsi untuk menggabungkan nilai quantity yang berdekatan ke dalam interval sehingga dukungan untuk setiap interval tidak kurang dari minimum support. Algoritma untuk partition dan mapping dapat dilihat pada [1,2]. b. Menemukan frequent itemset Proses ini berfungsi untuk mendapatkan kombinasi item yang terdapat dalam transaksi, kombinasi dilakukan mulai dari 2 kombinasi hingga N kombinasi, dimana N adalah jumlah kombinasi item terbanyak dari itemset yang terdapat dalam transaksi. Menemukan frequent itemset merupakan proses terpenting dari beberapa Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

34

proses yang ada dalam mining. Penelitian yang menghasilkan algoritma menemukan frequent itemset yang efisien [ 2, 3, 4, 5,6]. c. Mendapatkan aturan yang mengandung nilai kuantitatif Proses mendapatkan aturan yang mengandung nilai kuantitatif sama dengan proses pembentukan aturan assosiatif pada Association Rules. 3. METODE PENELITIAN 3.1 Persiapan Data Dalam penelitian ini persiapan diawali dengan memilih database pengobatan dari klinik amanah condong catur sleman yogjakarta periode 2004 – 2009, dari data tersebut peneliti memfokuskan penelitian pada penggunaan data obat yang terekam dalam field pengobatan dari tabel recordMedis, contoh data dalam tabel recordMedis ditunjukan pada Tabel 1. Tabel 1 RecordMedis no_transaks kdpasien Tgl Diagnosa i 900 684 12/8/2008 Batuk, pilek>1 mg 901 356 12/8/2008 Radang tenggorokn 902 703 12/8/2008 Panas 903 455 12/8/2008 S:35/95, Bapil

Pengobatan Yusimox 1, gg, ct 2 3x1 Yusimox, ct 2, epidrin 2 3x1 Primadex 2x1, mol 3x1 Yusimox, gg 3, ct 2, mol 2

Langkah selanjutnya peneliti mengambil data dari field recordmedis dan memberikan TID baru kemudian menyimpanya dalam tabel Transaksi, ditunjukan pada Tabel 2 Tabel 2 Transaksi TID 1 2 3 4

Pengobatan Yusimox 1, gg 2, ct 2 3x1 Yusimox, ct 2, epidrin 2 3x1 Primadex sy 2x1, mol sy 3x1 Yusimox, gg 3, ct 2, mol 2

Kolom pengobatan pada tabel Transaksi pada Tabel 2 akan di pecah menjadi 2 kolom, yaitu pengobatan dan quantity kemudian nama tabel diubah menjadi pengobatan. Tabel pengobatan ditunjukan pada Tabel 3.

Tabel 3 Pengobatan TID

Pengobatan

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

Quantity 35

1 1 1 2 2 2 3 3 4 4 4 4

Yusimox gg ct Yusimox ct Epidrin Primadex mol sy Yusimox Gg Ct Mol

1 2 2 1 2 2 2 1 1 3 2 2

Data pada kolom Pengobatan yang terdapat pada tabel transaksi banyak terjadi inconsisten data sehingga perlu dilakukan cleaning. Dalam penelitian ini cleaning dilakukan dengan membandingkan isi kolom Pengobatan pada tabel Pengobatan dengan kolom namaObat pada tabel daftarObat yang ditunjukan pada Tabel 4, jika hasil pembandingan sama maka isi kolom pengobatan pada tabel transaksi akan diubah dengan isi dari kolom namaObat dari tabel daftarObat. Jika ada data yang tidak sama dengan data yang terdapat pada tabel daftarObat maka peneliti mengubah data tersebut sesuai data pada tabel daftarObat secara manual. Tabel 4 Daftar Obat TID 1 2 3 4 .. 104

Daftar Obat Amoxcilin Antalgin Ambraxol Yusimox .. Gg

Perancangan sistem pencarian aturan asosiatif bermanfaat untuk mengetahui langkahlangkah dalam mengimplementasikan sistem kedalam suatu program aplikasi. Gambaran umum alur kerja aplikasi yang dikembangkan dalam penelitian ini dapat dilihat pada Gambar 1.

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

36

Gambar 1 Alur Kerja Aplikasi yang Dikembangkan Aplikasi dimulai dengan input data berupa file xls yang memuat data transaksi yang akan di mining, kemudian sistem akan menanyakan apakah data yang diinput sesuai dengan format yang diminta jika tidak maka masuk ke proses preparation tapi jika data sesuai dengan format yang diminta maka proses selanjutnya adalah mapping data kedalam beberapa interval, proses selanjutnya mengubah data transaksi kedalam database aksen berdasarkan hasil proses mapping data, kemudian dilanjutkan dengan proses mining data yang akan mencari aturan menarik yang tersembunyi dalam data dan kemudian akan dipresentasikan dalam bentuk aturan asosiatif. 3. 2 Implementasi Dalam mengaplikasikan algoritma Quantitative Association Rules, penulis menggunakan cara sebagai berikut : diawali dengan mengubah data kedalam bentuk collection map dimana item digunakan sebagai nama index map dan TID sebagai isi/anggota dari collection. Tabel 6 Contoh database transaksi TID 1 1 1 2 2 3

Pengobatan Amoxcilin Antalgin Ambraxol Amoxcilin Ambraxol Amoxcilin

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

37

Data pada Tabel 6 akan diubah kedalam bentuk collection map sebagai berikut: map(amoxcilin,{1,2,3}); map(antalgin,{1}); map(ambraxol,{1,2}); Langkah selanjutnya adalah menghitung support, untuk menghitung support dilakukan dengan menghitung jumlah isi/anggota dari collection, support amoxcilin adalah {1 , 2} = 2/3=0.66, sedangkan support dari kombinasi amoxcilin dan ambraxol adalah {1, 2, 3} ∩ {1, 2} = {1,2} = dua isi, sehingga support dari amoxcilin dan ambroxol adalah 2/3 = 0.66 dimana dua adalah jumlah isi collection setelah proses interseksi. Sedangkan untuk menghitung confidence dari (amoxcilin, antalgin) => (ambraxol) didapat dari SP(amoxcilin, antalgin). SP(ambraxol)

4. HASIL DAN PEMBAHASAN Untuk mencari aturan asosiatif dari database pengobatan pada klinik amanah penulis menetapkan minimum support sebesar 0.2% dan minimum confidence sebesar 75% , dengan menggunakan data record sebanyak 22313 dan 67 macam item obat yang dimapping dengan quantitas item obat menjadi 303 item baru. Aturan asosiatif yang dihasilkan dapat dilihat pada Tabel 7. Tabel 7 aturan yang dihasilkan No 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Aturan Ephedrine (12..15)=> citocotin (15) bronchitin(1) => primadex sy(1) ambroxol(10),ctm(8..10) => citocotin(10) ctm(8..10),Cypro(10) => vosea(10) ctm(8..10),vosea(10) => Cypro(10) ranitidine(10),allopurinol(10) => citocotin(10) citocotin(10),ranitidine(10) => allopurinol(10) primadex f(10),vosea(10) => Amoxicillin(10) citocotin(11..12),abotil(15) => ambroxol(10) ambroxol(10),abotil(15) => citocotin(11..12) citocotin(15),antalgin(10) => Piroxicam(10) Piroxicam(10),antalgin(10) => citocotin(15) abotil(10),Cypro(14) => citocotin(10) citocotin(10),Cypro(14) => abotil(10)

Conf(%) 100 78 100 100 100 100 100 75 100 75 100 100 100 100

Jika kita perhatikan pada Tabel 7 banyak aturan yang hampir sama, seperti pada aturan nomor 2 dan nomor 12 dimana pada aturan no 2 {citocotin(16)} => {Piroxicam(8..9)} antecedent (item yang berada disebelah kiri aturan) merupakan subset dari antecedent aturan Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

38

no 12 {citocotin(15)},{antalgin(10)} => {Piroxicam(10)} dan consequent (item yang berada disebelah kanan aturan) kedua aturan tersebut sama. Pada kasus seperti ini kita dapat menggunakan konsep reduction rule [9], dimana kita dapat membuang aturan no 12 karena telah tercover oleh aturan no 2. Aturan asosiatif setelah disederhanakan dapat dilihat pada Tabel 8. Setelah proses reduksi masih terdapat beberapa aturan yang hampir sama akan tetapi item consequentnya berbeda dan item antecedentnya bukan merupakan subset dari aturan yang hampir sama, kasus seperti ini dapat kita lihat pada aturan nomor 5 dan 6 dimana kedua aturan tersebut memiliki item penyusun itemset yang sama yaitu ctm, cypro dan vosea akan tetapi item pada antecedent dan consequent berbeda, untuk kasus seperti ini penulis meggabungkan aturan tersebut menjadi satu dimana item consequent merupakan item yang tidak terdapat pada antecedent, contoh : Stok obat ctm, cypro dan vosea ditambah secara bersamaan. Tabel 8 Aturan setelah proses reduksi aturan No 1 2 3 4 5 6 7 8 9

Aturan ephedrine(12..15) => citocotin(15) bronchitin(1) => primadex sy(1) ambroxol(10),ctm(8..10) => citocotin(10) ctm(8..10),Cypro(10) => vosea(10) ctm(8..10),vosea(10) => Cypro(10) ranitidine(10),allopurinol(10) => citocotin(10) citocotin(10),ranitidine(10) => allopurinol(10) primadex f(10),vosea(10) => Amoxicillin(10) citocotin(11..12),abotil(15) => ambroxol(10) ambroxol(10),abotil(15) => citocotin(11..12) citocotin(15),antalgin(10) => Piroxicam(10) Piroxicam(10),antalgin(10) => citocotin(15) abotil(10),Cypro(14) => citocotin(10) citocotin(10),Cypro(14) => abotil(10)

Conf(%) 100 78 100 100 100 100 100 75 100 75 100 100 100 100

Berdasarkan penjelasan pada alinea diatas maka aturan yang terdapat pada tabel 8 dapat diinterpretasikan menjadi: a. jika stok obat ephedrine ditambah 12 sampai 15 buah maka sebaiknya juga ditambah citocotin berjumlah 15 dan piroxicam berjumlah 8 sampai 9. b. Jika stok obat broncitin ditambah 1 maka sebaiknya stok obat primades sy juga ditambah sebanyak 1 buah. c. jika stok obat ambroxol ditambah 10 dan ctm ditambah 8 sampai 9 maka sebaiknya stok obat citocotin juga ditambah 10 buah. d. Stok obat ctm, cypro dan vosea ditambah secara bersamaan dengan jumlah penambahan masing-masing 10 buah. e. Stok obat ranitidine, citocotin dan allopurinol ditambahkan secara bersamaan dengan jumlah penambahan masing-masing 10 buah. Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

39

f. jika obat primadex ditambah 10 dan vosea ditambah 10 maka stok obat amoxicillin juga ditambah 10 buah. g. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 11 sampai 12, abotil berjumlah 10 dan ambroxol berjumlah 10 buah. h. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 15, antalgin berjumlah 10 dan piroxicam berjumlah 10 buah. i. Ketiga obat berikut ditambah bersamaan, citocotin berjumlah 10, cypro berjumlah 14 dan abotil berjumlah 15 buah. Berdasarkan aturan menarik yang dihasilkan setelah proses penyederhanaan dapat dilihat bahwa aturan yang ditemukan mengacu pada penyakit flu, saluran nafas (batuk, asma, bronkitis ), maag dan sariawan. Adapun contoh pemakaian aturan menarik yang ditemukan sebagai berikut: Masalah : Beberapa jenis obat pada klinik sudah menipis terutama 2 jenis obat ephedrine dan ranitidine. Penyelesaian: Berdasarkan 10 aturan asosiatif diatas maka pihak klinik akan menambah stok ephedrine sebanyak 150, citocotin sebanyak 150, piroxicom sebanyak 90, ranitidine sebanyak 100 dan allopurinol sebanyak 100, selain jenis obat tersebut pihak klinik dapat menambahkan stok seperti biasa. Penambahan stok ephedrine mengakibatkan penambahan stok untuk obat citocotin dan piroxicom mengacu pada aturan no 1 dimana biasanya pemberian obat ephedrin bersamaan dengan pemberian obat citocotin dan piroxicom, penambahan stok citocotin dan ranitidine menyebabkan ditambambahnya stok untuk obat allopurinol mengacu pada aturan no 6 dimana pemberian obat citocotin dan ranitidine biasanya juga memberi obat allpurinol. Untuk memeriksa nilai support tiap itemset, dapat menggunakan formula SQl berikut ini: select count(*) from (select count(*) as jml from (select distinct obat,tid from (select concat(pengobatan,quantity) as obat,tid from pengobatan_aksen) sbPengobatn where obat in ('ephedrine5')) sub group by tid) sub2 where jml=1 formula SQL diatas digunakan untuk menghitung nilai support dari item ‘ephedrine5’, dan jml=1 dapat diganti dengan jumlah item dalam itemset yang dihitung. Jadi jika ingin menghitung itemset abotil2 dan cicocotin5 maka ‘ephedrine5’ diganti dengan ‘abotil2’,’citocotin5’ dan jml=1 diganti dengan jml=2. Perbandingan Algoritma Quantitative Association Rules dan Association Rules Menggunakan Algoritma Apriori Kedua algoritma tersebut menghasilkan aturan yang berbeda, baik dari jumlah aturan dapat dilihat pada Tabel 9 maupun kombinasi item dalam aturan yang ditemukan, perbedaan hasil dari kedua algoritma itu terlihat sangat mencolok. Perbedaan tersebut diakibatkan oleh proses partition dan mapping pada Quantitative Association Rules, nilai minimum support yang ditentukan untuk mempartisi quantity item sangat mempengaruhi jumlah item baru yang

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

40

ditemukan pada proses partition dan mapping, semakin kecil nilai minimum support maka semakin banyak item baru yang dihasilkan. Tabel 9 Perbandingan Algoritma Quantitative Association Rules dan Algoritma Association Rules Menggunakan Apriori

Support(% ) 0.103 0.112 0.121 0.13 0.14 0.152 0.161 0.17 0.18 0.19 0.2 0.3 0.4 0.5 0.6

Rules yg dihasilkan quantitative association rules 2743 2564 2213 1672 1242 863 544 297 151 85 35 11 4 3 2

Rules yg dihasilkan association rules dg apriori 3027 2964 2862 2290 2177 1538 362 274 163 154 113 63 27 19 16

Artool dg apriori aplikasi penelitian dg quantitative association rules 3500 3000 Confidence

2500 2000 1500 1000 500 0 0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

Support(%)

Gambar 3 Perbandingan aturan yang ditemukan oleh Apriori dan Quantitative Association Rules Dari Tabel 9 dan Gambar 3 dapat kita lihat bahwa aplikasi pembanding yaitu Artools menemukan lebih banyak rules dibanding dengan aplikasi yang penulis kembangkan, aplikasi yang penulis kembangkan hanya mampu menemukan lebih banyak aturan pada 2 nilai support Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

41

yaitu pada support 0.161% dan 0.17%. Selisih aturan yang dihasilkan antara Artool dan aplikasi yang penulis kembangkan sangat besar dapat kita lihat pada support 0.103 selisih jumlah aturan yang ditemukan 284. Besarnya selisih aturan yang ditemukan oleh Artool dan aplikasi yang penulis kembangkan di sebabkan oleh perbedaan model yang digunakan, pada Artool menggunakan model AR (Association Rules) sedangkan pada aplikasi yang penulis kembangkan menggunakan model QAR (Quantitative Association Rules), perbedaan utama dari model AR dan QAR adalah proses partition dan mapping item yang terdapat pada QAR, jika dalam AR hanya terdapat 2 proses utama yaitu mencari frequent itemset dan mencari aturan sedangkan pada QAR terdapat 3 proses utama yaitu partition dan mapping, mencari frequent itemset dan mencari aturan. Jumlah aturan yang dihasilkan oleh aplikasi yang penulis kembangkan sangat dipengaruhi oleh banyaknya item baru yang dihasilkan pada tahap partition dan mapping. Pengaruh item baru yang dihasilkan pada proses mapping terhadap aturan asosiasi yang dihasilkan dapat diilustrasikan sebagai berikut : Item amoxcilin sebelum dimapping memiliki support 4%, syarat minimum support 2%, saat proses mapping amoxcilin mendapat empat nilai integer sebagai alias interval yaitu 1, 2, 3 dan 4 sehingga item amoxcilin menjadi empat item baru antara lain : , , dan . Item amoxcilin yang awalnya dapat memenuhi support menjadi tidak dapat memenuhi support karena support dari item amoxcilin lama dibagi lagi kedalam item baru yang berjumlah 4 buah, dengan asumsi masing-masing item baru memiliki support 1%. 5. KESIMPULAN dan SARAN Berdasarkan pembahasan pada bagin sebelumnya maka diambil kesimpulan sebagai berikut: a. Dengan minimum support 0.2% dan minimum confidence 75% aplikasi yang penulis kembangkan dapat menemukan 14 aturan asosiatif dan 11 diantaranya memiliki nilai confiden 100%. b. Dari percobaan yang penulis lakukan diketahui bahwa nilai support pada Quantitative Association Rules akan semakin kecil sebagai efek banyaknya item baru yang dihasilkan pada proses partition dan mapping. Dari hasil penelitian yang dilakukan oleh penulis, maka penulis menyarankan untuk pengembangan penelitian yang serupa agar lebih baik adalah sebagai berikut : a. Data yang dapat dianalisa tidak sebatas data dalam database saja. b. Menguji sekaligus mengembangkan penggunaan collection Map dan List untuk mempercepat proses pencarian aturan. c. Mengkonversi sistem kedalam web based dan online sehingga dapat digunakan oleh siapa saja dibelahan dunia.

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

42

DAFTAR PUSTAKA [1] Srikant, R. dan Agrawal, R., 1996, Mining Quantitative Association Rules in Large Relational Tables, http://citeseer.ist.psu.edu/viewdoc/summary?doi=10.1.1.40.8 600, diakses 12 Februari 2011 [2] Tsai, S.M. dan Chen, C., 2001, Mining Quantitative Association Rules in a Large Database of Sales Transactions, JISE, 17, 667-681, http://www.iis.sinica.edu.tw /page/jise/2001/200107_ 08.pdf. [3] Larose, and Daniel, T., 2005, Discovering Knowledge in Data : An Introduction to Data Mining, John Willey & Sons, Inc. [4] Agrawal, R. dan Srikant, R., 1994, Fast Algorithms for Mining Association Rules, 20th VLDB Conference Santiago, Chile. [5] Agrawal, R., Imielinski, T., dan Swami, A., 1993, “Mining association rules between sets of items in large databases,” in Proceedings of ACM SIGMOD, 1993, pp. 207-216 [6] Park, J. S., Chen, M. S., dan Yu, P. S., 1997, “Using a hash-based Method with transaction trimming for mining association rules,” IEEE Transactions on Knowledge and Data Engineering, Vol. 9, No. 5, 1997, pp. 813-825 [7] Adhikari, R. dan Rao, P.R., 2008, Association Rules Induced by Item and Quantity Purchased, LNCS, 4947, 478-485. [8] Kumar, P. dan Ananthanarayana, V.S., 2002, Discovery of Frequent Itemsets Based on Minimum Quantity and Support, IJCSS , 3, 3, 216-225. [9] Li, J. dan Cercone, N., 2006, Introducing A Rule Importance Measure , LNCS, 4100/2006, 167-189.

Teknik Informatika UAD – Yogyakarta, 27 Juni 2013

43