Analisis Asosiasi Untuk Menemukan Pola Pada Terapi Obat Pasien Dengan Menggunakan Metode Apriori

Penulis

  • Evi Dewi Sri Mulyani Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya
  • Teuku Mufizar Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya
  • Sarmidi Sarmidi Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya
  • Cepi Rahmat Hidayat Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya
  • Dede Syahrul Anwar Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya
  • Rofi Chaeruddin Sekolah Tinggi Manajemen Informatika dan Komputer Tasikmalaya, Tasikmalaya

DOI:

https://doi.org/10.25126/jtiik.20231026051

Abstrak

Pemantauan Terapi Obat (PTO) merupakan suatu proses yang didalamnya mencakup proses kegiatan untuk memastikan terapi obat bagi pasien secara aman, efektif dan rasional. Dataset diperoleh dari Klinik Nabila yang berisi tentang pelayanan kesehatan seperti pemeriksaan kondisi pasien, pemberian tindakan, dan pemberian obat sesuai resep dokter. Pada umumnya ditemukan kencenderungan bahwa setiap penyakit akan diberikan terapi obat yang berbeda, sesuai dengan gejala yang ditimbulkannya. Terapi obat yang berbeda diberikan untuk penyakit yang memiliki gejala yang berbeda, akan tetapi satu terapi obat yang sama dapat diberikan kepada penyakit yang berbeda dengan memiliki gejala yang sama. Berdasarkan hal tersebut dilakukanlah sebuah analisis menggunakan metode Assosiasi dalam mencari hubungan dalam data terapi obat dengan menggunakan algoritma Apriori, algoritma ini bekerja dengan cara mempelajari aturan asosiasi, yaitu dengan mencari hubungan antara satu atau lebih dalam sebuah itemset. Penelitian ini menghasilkan 7 aturan asosiasi terapi obat berdasarkan mininum support dan minimum confidence. Dengan nilai asosiasi tertinggi yaitu dengan nilai confidence 59% yaitu terapi obat meloxicam 7,5mg, Ranitidine yang sudah melebihi kriteria minimum nilai confidence yaitu lebih dari 20%. Dan untuk nilai support tertinggi yaitu dengan nilai support 4% yaitu terapi obat  Grafaclor -> Ranitidine. Nilai tersebut sudah melebihi kriteria minimum nilai support 3%. Dalam penelitian ini juga dibangun aplikasi yang mengimplementasikan algoritma apriori untuk membantu dokter maupun apoteker dalam mengetahui pola terapi obat dengan bahasa pemrograman PHP dan database MySql.

 

Abstract

 

Drug Therapy Monitoring (PTO) is a process that includes a process of activities to ensure drug therapy for patients is safe, effective and rational. The dataset was obtained from the Nabila Clinic which contains health services such as checking the patient's condition, giving actions, and administering drugs according to doctor's prescriptions. In general, there is a tendency that each disease will be given different drug therapy, according to the symptoms it causes. Different drug therapies are given for diseases that have different symptoms, but the same drug therapy can be given to different diseases with the same symptoms. Based on this, an analysis was carried out using the Association method in finding relationships in drug therapy data using the Apriori algorithm, this algorithm works by studying association rules, namely by looking for relationships between one or more in an itemset. This study resulted in 7 association rules for drug therapy based on minimum support and minimum confidence. With the highest association value, namely with a confidence value of 59%, namely drug therapy meloxicam 7.5 mg, Ranitidine which has exceeded the minimum criteria for a confidence value of more than 20%. And for the highest support value, namely with a support value of 4%, namely drug therapy Grafaclor -> Ranitidine. This value has exceeded the minimum criteria for the support value of 3%. In this study, an application that implements the a priori algorithm was also built to assist doctors and pharmacists in knowing the pattern of drug therapy using the PHP programming language and MySql database.

Downloads

Download data is not yet available.

Referensi

R. ORDILA, R. WAHYUNI, Y. IRAWAN, AND M. YULIA SARI. 2020. Penerapan Data Mining Untuk Pengelompokan Data Rekam Medis Pasien Berdasarkan Jenis Penyakit Dengan Algoritma Clustering (Studi Kasus : Poli Klinik PT.Inecda). J. Ilmu Komput., vol. 9, no. 2, pp. 148–153, doi: 10.33060/jik/2020/vol9.iss2.181.

E. KURNIAWAN. 2016. Analisa Tujuan Berobat Pasien Berdasarkan Jenis Penyakit (Icd) Menggunakan Teknik Data Mining Association Rules Dengan Algoritma Clustering. Multitek Indones., vol. 7, no. 1, p. 21, doi: 10.24269/mtkind.v7i1.130.

F. MEGAWATY, S. KUMALA, AND S. A. KEBAN. 2020. Evaluasi Pelayanan Pemantauan Terapi Obat di Rumah Sakit X Tangerang ( Evaluation of Therapeutic Drug Monitoring Services in Tangerang X Hospital ),” J. Ilmu Kefarmasian Indones., vol. 18, no. 1, pp. 28–33.

Y. I. ABUZAWAYDA. 2013. Mining Postgraduate Students’ Data Using Apriori Algorithm. J. Comput. …, vol. 1, no. 2, pp. 1–35.

S. PANJAITAN et al. 2019. Implementation of Apriori Algorithm for Analysis of Consumer Purchase Patterns. J. Phys. Conf. Ser., vol. 1255, p. 12057, doi: 10.1088/1742-6596/1255/1/012057.

I. DJAMALUDIN & A. NURSIKUWAGUS. 2017. Analisis Pola Pembelian Konsumen Pada Transaksi Penjualan Menggunakan Algoritma Apriori. Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 8, no. 2, p. 671, doi: 10.24176/simet.v8i2.1566.

M. QISMAN, R. ROSADI, & A. S. ABDULLAH. 2021. Market basket analysis using apriori algorithm to find consumer patterns in buying goods through transaction data (case study of Mizan computer retail stores). J. Phys. Conf. Ser., vol. 1722, no. 1, doi: 10.1088/1742-6596/1722/1/012020.

E. DEWI SRI MULYANI, Y. PURNAMA PUTRA, E. BADAR SAMBANI, S. SITI SUNDARI, T. MUFIZAR, & M. SATRIO NUGRAHA. 2021. Student Competency Association Analysis For Learning Evaluation Using Apriori Algorithm,” Elinvo (Electronics, Informatics, Vocat. Educ. Vol 6, No 2 Novemb. 2021DO - 10.21831/elinvo.v6i2.42264 , Dec. 2021, [Online]. Available: https://journal.uny.ac.id/index.php/elinvo/article/view/42264.

A. P. FADILLAH. 2015. Penerapan Metode CRISP-DM untuk Prediksi Kelulusan Studi Mahasiswa Menempuh Mata Kuliah (Studi Kasus Universitas XYZ),” J. Tek. Inform. dan Sist. Inf., vol. 1, no. 3, pp. 260–270, doi: 10.28932/jutisi.v1i3.406.

E. D. S. DKK MULYANI. 2018. Implementasi Algoritma K-Means Dan Fp- Growth Untuk Rekomendasi Bimbingan Belajar Berdasarkan Segmentasi Akademik Siswa. IT J., vol. 6, no. 2, pp. 160–173.

Diterbitkan

14-04-2023

Terbitan

Bagian

Ilmu Komputer

Cara Mengutip

Analisis Asosiasi Untuk Menemukan Pola Pada Terapi Obat Pasien Dengan Menggunakan Metode Apriori. (2023). Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(2), 441-448. https://doi.org/10.25126/jtiik.20231026051