Analisis Permintaan Barang Habis Pakai Menggunakan Algoritma Apriori dan Artificial Neural Network (Studi Kasus: Instalasi Bedah Rumah Sakit X)

Analysis of Consumables Demand Using Apriori Algorithm and Artificial Neural Network (Case Study: X Hospital Surgical Installation)

Setiap unit maupun instalasi pada rumah sakit memiliki kebutuhan barang habis pakai yang berbeda-beda. Sehingga untuk memenuhi kebutuhan barang habis pakai tersebut, setiap unit maupun instalasi mengajukan permintaan barang kepada logistik rumah sakit. Seperti yang dilakukan oleh instalasi bedah pada rumah sakit x yang kesulitan untuk mengetahui barang habis pakai apa saja yang saling berkaitan dan yang paling sering dibutuhkan. Selain itu, pihak instalasi bedah rumah sakit x juga kesulitan dalam memprediksi jumlah permintaan barang habis pakai. Teknik dan metode yang digunakan untuk menangani permasalahan pada sulitnya mengetahui keterkaitan antar barang habis pakai yang sering dibutuhkan adalah association rule dengan menggunakan algoritma apriori, sedangkan teknik dan metode untuk menangani permasalahan pada sulitnya memprediksi jumlah permintaan barang habis pakai adalah Artificial Neural Network (ANN) menggunakan algoritma backpropagation. Proses association rule dengan algoritma apriori menggunakan parameter minimal support sebesar 8% atau 0,08 dan minimal confidence 60% atau 0,6 yang didapatkan melalui proses trial and error, menghasilkan 9 association rule barang habis pakai yang sering muncul pada transaksi permintaan barang habis pakai. Selanjutnya dari 9 association rule tersebut diambil 5 association rule dengan nilai confidence tertinggi untuk dilakukan prediksi menggunakan ANN dengan algoritma backpropagation. Variabel yang diperlukaan pada proses ANN adalah jumlah barang habis pakai tiap bulannya. Pembentukan model arsitektur ANN dilakukan dengan melakukan trial and error menggunakan perubahan hidden layer mulai dari 1-10 dan 6 jenis learning rate yaitu 0,001-0,003 dan 0,1-0,3. Hasil uji coba ANN mendapatkan nilai akurasi tertinggi sebesar 95,625% pada rule keempat dengan model 1-1-1 learning rate 0,01. Dan nilai akurasi terkecil sebesar 81,367% pada rule kedua dengan model 2-9-1 learning rate 0,03. 

Each unit and installation in the hospital has different consumables needs. So to meet the needs of these consumables, each unit and installation submits a request for goods to the hospital logistics. As surgical installations do in hospitals x that have difficulty knowing what consumables are interconnected and which are most often needed. In addition, the hospital surgical installation x also has difficulty in predicting the amount of demand for consumables. Techniques and methods used to deal with problems in the difficulty of knowing the interrelationship between consumables that are often needed is association rule by using a priori algorithm, while techniques and methods to deal with problems in the difficulty of predicting the number of requests for consumables is Artificial Neural Network (ANN) using backpropagation algorithm. The process of association rule with a priori algorithm uses a minimum support parameter of 8% or 0.08 and a minimum confidence of 60% or 0.6 obtained through the trial and error process, resulting in 9 association rules of consumables that often appear in the transaction of demand for consumables. Furthermore, from the 9 association rules taken 5 association rules with the highest confidence value to be predicted using ANN with backpropagation algorithm. The variable in the ANN process is the number of consumables per month. The formation of ANN architecture model is done by conducting trial and error using hidden layer changes ranging from 1-10 and 6 types of learning rate which is 0.001-0.003 and 0.1-0.3. Ann's test result obtained the highest accuracy score of 95.625% in the fourth rule with a model of 1-1-1 learning rate of 0.01. And the smallest accuracy value of 81.367% in the second rule with the model 2-9-1 learning rate 0.03.