Klasterisasi Data Obat Farmasi Berdasarkan Jumlah Persediaan Dengan Menggunakan Metode K-Means
DOI:
https://doi.org/10.34148/teknika.v13i3.987Keywords:
Data Mining, Clustering, K-Means, Persedian ObatAbstract
Instalasi Farmasi memiliki peran penting terhadap pelayanan kesehatan di sebuah fasilitas kesehatan. Farmasi bertanggung jawab atas pengelolaan, pengadaan, penyimpanan, distribusi, dan penggunaan persediaan obat. Persediaan obat merupakan bagian penting dalam memastikan ketersediaan, aksesibilitas, dan penggunaan obat yang efektif serta aman bagi pasien. Tujuan penelitian ini untuk melakukan klasterisasi data obat yang berguna untuk meningkatkan efisiensi proses manajemen persediaan obat, sehingga dapat menghindari kelebihan atau kekurangan yang dapat mengganggu kelancaran layanan pemberian obat dan mencegah terjadinya kerugian penjualan obat. Pengelompokan data dilakukan dengan memanfaatkan data Persedian Obat dari data masa lalu yaitu data transaksi pembelian dan penjualan dengan memanfaatkan teori Data Mining dengan menggunakan metode Clustering yaitu K-Means. Dataset pada penelitian ini sebanyak 1.389 dengan 6 variabel. Sebelum dilakukan klasterisasi dilakukan proses optimasi jumlah klaster dengan dua metode yaitu Metode Elbow dan Metode Gap Statistik. Hasil kedua metode tersebut menunjukkan nilai optimasi k klaster k = 3. Hasil klasteriasi yaitu Klaster 1 sebanyak 41 data obat yang menunjukkan golongan obat Generik. Klaster 2 sebanyak 116 data obat yang menunjukkan obat Paten. Kedua klaster tersebut menunjukkan tingkat penjualan yang kurang cepat (slow moving). Sedangkan pada Klaster 3 sebanyak 1.232 data obat yang menunjukkan gabungan dari golongan obat generik dan paten yang memiliki tingkat penjualan yang cukup cepat (fast moving).
Downloads
References
Â. M. Bagattini, J. L. A. Borges, R. Riera, and D. C. M. F. de Carvalho, “Automation of a tertiary hospital pharmacy drug dispensing system in a lower-middle-income country: A case study and preliminary results,” Explor. Res. Clin. Soc. Pharm., vol. 6, no. November 2021, pp. 4–7, 2022, doi: 10.1016/j.rcsop.2022.100151.
H. Supriyanto, “Perbandingan Metode Supervised Learning Untuk Peramalan Time Series Pada Kunjungan Pasien Rawat jalan,” Junal SimanteC, vol. 10, no. 2, pp. 67–76, 2022.
T. Sutarsih, D. Apresziyanti, H. Wulandari, and A. N. Hasyyati, “Statistik Telekomunikasi Indonesia,” Badan Pus. Stat., vol. 1999, no. December, pp. 1–362, 2020.
T. Nurainun, “Perancangan Sistem Informasi Pengendalian Persediaan Bahan Pokok (Studi Kasus Swalayan Buyung Family Pekanbaru),” J. Tek. Ind. J. Has. Penelit. dan Karya Ilm. dalam Bid. Tek. Ind., vol. 4, no. 2, p. 139, 2020, doi: 10.24014/jti.v4i2.6761.
D. A. Wulansari, “Faktor Keberhasilan Penanggulangan Tuberculosis Dengan Strategi Dots ( Directly Observed Treatment Shortcourse ),” vol. 15, no. 2, pp. 1–8, 2023.
L. ‘ Izzah and A. Jananto, “Penerapan Algoritma K-Means Clustering Untuk Perencanaan Kebutuhan Obat Di Klinik Citra Medika,” Progresif J. Ilm. Komput., vol. 18, no. 1, p. 69, 2022, doi: 10.35889/progresif.v18i1.769.
M. R. Nugroho, I. E. Hendrawan, and P. P. Purwantoro, “Penerapan Algoritma K-Means Untuk Klasterisasi Data Obat Pada Rumah Sakit ASRI,” Nuansa Inform., vol. 16, no. 1, pp. 125–133, 2022, doi: 10.25134/nuansa.v16i1.5294.
Holwati, E. Widodo, and W. Hadikristanto, “Pengelompokan Untuk Penjualan Obat Dengan Menggunakan Algoritma K-Means,” Bull. Inf. Technol. …, vol. 4, no. 2, pp. 408–413, 2023, [Online]. Available: https://journal.fkpt.org/index.php/BIT/article/view/848%0Ahttps://journal.fkpt.org/index.php/BIT/article/download/848/468
M. N. Susanto and V. Y. Permanasari, “Penerapan Metode ABC Indeks Kritis dalam Pengelolaan Persediaan Obat di Instalasi Farmasi Rumah Sakit XYZ Pekanbaru, Riau Tahun 2018,” J. Adm. Rumah Sakit Indones., vol. 5, no. 2, pp. 72–84, 2019, doi: 10.7454/arsi.v5i2.3196.
V. Andita, W. Hermawat, and N. S. Hartati, “Pengaruh Jumlah Pelayanan Rawat Jalan, Rawat IGD Dan Rawat Inap Terhadap Tingkat Pendapatan Rumah Sakit Umum Daerah (RSUD) Cideres Kabupaten Majalengka,” J. Manaj. Sekol. Tinggi Ekon. Cirebon, vol. 14, no. 2, pp. 370–378, 2019.
Yuda Irawan, “Penerapan Data Mining Untuk Evaluasi Data Penjualan Menggunakan Metode Clustering Dan Algoritma Hirarki Divisive Di Perusahaan Media World Pekanbaru,” J. Teknol. Inf. Univ. Lambung Mangkurat, vol. 4, no. 1, pp. 13–20, 2019, doi: 10.20527/jtiulm.v4i1.34.
K. P. Sinaga and M. S. Yang, “Unsupervised K-Means clustering algorithm,” IEEE Access, vol. 8, pp. 80716–80727, 2020, doi: 10.1109/ACCESS.2020.2988796.
F. Gorunescu, Data Mining Consepts, Models and Techniques. Springer-Verlag Berlin Heidelberg, 2011.
F. Gullo, “From patterns in data to knowledge discovery: What data mining can do,” Phys. Procedia, vol. 62, pp. 18–22, 2015, doi: 10.1016/j.phpro.2015.02.005.
A. Zaki, I. Irwan, and I. A. Sembe, “Penerapan K-Means Clustering dalam Pengelompokan Data (Studi Kasus Profil Mahasiswa Matematika FMIPA UNM),” J. Math. Comput. Stat., vol. 5, no. 2, p. 163, 2022, doi: 10.35580/jmathcos.v5i2.38820.
D. Das, P. Kayal, and M. Maiti, “A K-Means clustering model for analyzing the Bitcoin extreme value returns,” Decis. Anal. J., vol. 6, no. June 2022, p. 100152, 2023, doi: 10.1016/j.dajour.2022.100152.
M. Butwall, “Data Normalization and Standardization: Impacting Classification Model Accuracy,” Int. J. Comput. Appl., vol. 183, no. 35, pp. 6–9, 2021, doi: 10.5120/ijca2021921669.
P. Bholowalia and A. Kumar, “EBK-Means: A Clustering Technique based on Elbow Method and K-Means in WSN,” Int. J. Comput. Appl., vol. 105, no. 9, pp. 975–8887, 2014.
R. A. Febrianty, W. Witanti, and P. N. Sabrina, “Segmentasi Penjualan Obat Di Apotek Menggunakan Metode K-Means,” Pros. Semin. Nas. Sist. Inf. dan Teknol., vol. 4, pp. 200–206, 2020.
R. Nainggolan, R. Perangin-Angin, E. Simarmata, and A. F. Tarigan, “Improved the Performance of the K-Means Cluster Using the Sum of Squared Error (SSE) optimized by using the Elbow Method,” J. Phys. Conf. Ser., vol. 1361, no. 1, 2019, doi: 10.1088/1742-6596/1361/1/012015.
M. Mohajer, K.-H. Englmeier, and V. J. Schmid, “A comparison of Gap statistic definitions with and without logarithm function,” 2011, [Online]. Available: http://arxiv.org/abs/1103.4767
A. Hasibuan, D. R. Kembuan, C. T. M. Manoppo, and M. T. Hermanto, “Optimization of K-Means algorithm in grouping data using the statistical gap method,” J. Intell. Decis. Support Syst., vol. 6, no. 3, pp. 112–120, 2023.
M. Benri, H. Metisen, and S. Latipa, “Analisis Clustering Menggunakan Metode K-Means Dalam Pengelompokkan Penjualan Produk Pada Swalayan Fadhila,” J. Media Infotama, vol. 11, no. 2, pp. 110–118, 2015, [Online]. Available: https://core.ac.uk/download/pdf/287160954.pdf
P. Anitha and M. M. Patil, “RFM model for customer purchase behavior using K-Means algorithm,” J. King Saud Univ. - Comput. Inf. Sci., vol. 34, no. 5, pp. 1785–1792, 2022, doi: 10.1016/j.jksuci.2019.12.011.
S. Handoko, F. Fauziah, and E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 76–88, 2020, doi: 10.35760/tr.2020.v25i1.2677.
