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.