ANALISIS PENGUKURAN NUMERIK PADA OPTIMALISASI CLUSTER OBAT DI APOTEK X MENGGUNAKAN DAVIES BOULDIN INDEX

JOISIE Journal Of Information System And Informatics Engineering Vol. 5, No.1 Juni 2021, Hlm 60-66 p- ISSN: 2503-5304 e- ISSN: 2527-3116 ANALISIS PENGUKURAN NUMERIK PADA OPTIMALISASI CLUSTER OBAT DI APOTEK X MENGGUNAKAN DAVIES BOULDIN INDEX Gusrianty1, Muhammad Siddik2 Fakultas Ilmu Komputer, Institut Bisnis dan Teknologi Pelita Indonesia, Jl. Jend. Ahmad Yani No. 78-88 Pekanbaru, Riau email: , 1,2 Abstract The use of different measuring techniques in grouping results in different grouping results. Testing the data on a number of k tests makes the placement of drug cluster members not the same in each measurement so that cluster optimization is then needed. This can raise doubts for data users who want to obtain accurate information. The study was conducted to examine the comparison of drug cluster optimization results using category, type and drug unit variables grouped by numerical measurements namely Manhattan Distance, Canberra Distance and Dynamic Time Warping Distance (DTWD) using the Davises Bouldin Index (DBI) cluster evaluation technique. The test results obtained through the RapidMiner application show that the optimal cluster of the three measurements is at k=2, k=3 and k=2 with DBI values of 0.752, 0.873, and 0.868. Manhattan was chosen as the better numerical measurement technique. than the other two techniques because it has the lowest DBI value tested at k 2. Keywords: K test, cluster optimalization, numerical measurements, DBI Abstrak Penggunaan teknik ukur yang berbeda dalam pengelompokkan mengakibatkan hasil pengelompokkan yang berbeda pula. Pengujian data terhadap sejumlah k uji menjadikan penempatan anggota cluster obat tidak sama pada setiap pengukuran sehingga kemudian diperlukan optimalisasi cluster. Hal ini dapat menimbulkan keraguan bagi para pengguna data yang ingin memperoleh informasi yang akurat. Penelitian dilakukan untuk mengkaji perbandingan hasil optimalisasi cluster obat dengan menggunakan variabel ketegori, jenis dan satuan obat yang dikelompokkan dengan pengukuran numerik yakni Manhattan Distance, Canberra Distance dan Dynamic Time Warping Distance (DTWD) menggunakan teknik evaluasi cluster Davises Bouldin Index (DBI). Hasil pengujian yang diproleh melalui aplikasi RapidMiner menujukkan bahwa cluster optimal dari ketiga pengukuran tersebut terdapat pada k=2, k=3 dan k=2 dengan nilai DBI adalah 0,752, 0,873, dan 0, 868. Manhattan terpilih sebagai teknik ukur numerik yang lebih baik dari pada dua teknik lainnya karena memiliki nilai DBI terendah yang di uji pada k 2. Keywords: K uji, Optimalisasi, Cluster, Pengukuran numerik, DBI 1. PENDAHULUAN Hasil pengelompokkan (cluster) terbaik merupakan tujuan melakukan optimalisasi cluster. Cluster membentuk kumpulan data berdasarkan karakteristik alaminya (Prasetyo, 2014) namun tidak memerlukan target luaran (Nishom & Fathoni, 2018) sehingga pengelompokkan yang terjadi menimbulkan keraguan. Pengelompokan dapat dilakukan dengan berbagai teknik pengukuran numerik. Proses yang berbeda pada setiap pengukuran menghasilkan analisis yang berbeda. Saat dilakukan optimalisasi terhadap cluster obat, besar kemungkinan cluster optimal berada pada k yang berbeda. Pengguna data selalu dihadapkan pada permasalahan menentukan teknik pengukuran numerik yang sesuai dengan data. Penelitian ini bertujuan untuk memberikan informasi tentang variabel data uji seperti ketegori, jenis dan satuan obat. 61 | Jurnal JOISIE, Volume 5, Nomor 1 Juni 2021 Pengukuran numerik, menggunakan metode Manhattan Distance, Canberra Distance dan Dynamic Time Warping Distance dalam membentuk cluster obat yang optimal menggunakan teknik evaluasi cluster Davies Bouldin Index (DBI). Dalam penelitian ini tidak melakukan clusterisasi pemasaran obat yang laris terjual melainkan menetukan nilai numerik terendah dari ketiga variabel yang di uji. Berbagai penelitian terkait ketiga teknik pengukuran telah banyak dilakukan. Penelitian (Gautama et al., 2015) menujukkan kemampuan Manhattan dalam menganalisis penyimpangan (anomaly) trafik saat mengakses internet. Manhattan juga digunakan untuk mencari kesamaan bentuk kesalahan yang terjadi pada peralatan mesin (Jiang et al., 2019) dan menentukan posisi karyawan (Miftahuddin et al., 2020). Pada penelitian (Pulungan et al., 2019), pengukuran Canberra dapat meningkatkan kinerja algoritma KNN dengan akurasi mencapai 94,70%. Studi yang dilakukan oleh (Putra & Harjoko, 2018), menggunakan Canberra untuk pengambilan fitur dari citra wajah dan pengelompokkan jumlah instar pada lalat Simuliidae berdasarkan empat kriteria (Yang et al., 2018). Sedangkan untuk teknik pengukuran Dynamic Time Warping Distance (DTWD), dapat mengenali kesamaan lisensi nomor kendaraan (Sudarma & Ariyani, 2014) dan pesan twitter (Jendoubi et al., 2015). Ketiga teknik pengukuran yang dijelaskan menggunakan algoritma K-Mean untuk menemukan kesamaan antar data. Sejumlah k diujikan sehingga optimalisasi cluster diperlukan demi mendapatkan kesimpulan terbaik. Studi ini menerapkan teknik Davies Bouldin Index (DBI). Pada buku (Jollyta et al., 2021) dijelaskan bahwa kinerja DBI berdasarkan nilai kohesi dan separasi, dimana dalam suatu pengelompokan, kohesi didefinisikan sebagai jumlah dari kedekatan data terhadap titik pusat cluster dari cluster yang diikuti, sedangkan separasi didasarkan pada jarak antar titik pusat cluster dari cluster. Cluster uji dengan nilai DBI terendah merupakan cluster optimal. Sejumlah penelitian membuktikan DBI mampu mendapatkan cluster optimal, menggunakan berbagai data seperti data Covid-19 (Gie & Jollyta, 2020) dan data kecamatan yang dikelompokkan berdasarkan indikator pendidikan (Irhamni et al., 2014). DBI juga berhasil mendapatkan cluster optimal melalui tiga macam data set (Sitompul et al., 2019). Berdasarkan penelitian optimalisasi cluster dengan berbagai teknik pengukuran numerik, dilakukan penelitian ini dengan menggunakan data yang sama yakni data obat dari sebuah Apotek X di Pekanbaru. Adanya perbandingan kinerja ketiga teknik pengukuran dalam menghasilkan cluster optimal menggunakan DBI, dapat mengarahkan pengguna pada teknik pengukuran yang tepat sesuai dengan data yang digunakan. 2. METODE PENELITIAN Untuk memperoleh perbandingan kinerja ketiga teknik pengukuran numerik, disusun tahapan penelitian sebagai berikut: Mulai Studi Literatur (Cluster, Teknik Pengukuran Numerik, DBI) Persiapan Data Uji Tentukan Jumlah K Uji Pembentukan Cluster Menggunakan Manhattan, Canberra dan DTWD) Optimalisasi Cluster Menggunakan DBI Analisis Hasil Cluster Optimal Selesai Gambar 1. Tahapan penelitian Pada Gambar 1, tahapan penelitian diawali dengan studi literatur tentang ketiga pengukuran numerik dan teknik evaluasi cluster DBI. Penjelasan untuk ketiga pengukuran numerik adalah sebagai berikut: Gusrianty, Analisis Pengukuran Numerik Pada Optimalisasi Cluster Obat Di Apotek X Menggunakan Davies Bouldin Index, 60-66| 62 1. Manhattan Distance Manhattan Distance adalah pengukuran yang dihasilkan berda (...truncated)