BAB II

LANDASAN TEORI

2.1 Tahapan Knowledge Discovery in Database (KDD)

Proses KDD secara garis besar dapat dijelaskan sebagai berikut (Fayyad,
1996 dikutip oleh Kusrini & Luthfi, 2009) :
1. Data Selection
Pemilihan (seleksi) data dari sekumpulan dan perlu dilakukan sebelum
tahap penggalian informasi dalam KDD dimulai. Data yang diperoleh dari hasil
seleksi akan digunakan untuk proses data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional.
2. Pre-processing/Cleaning
Sebelum proses data mining dapat dlaksanakan, perlu dilakukan proses
cleaning atau pembersihan pada data yang menjadi fokus KDD. Proses cleaning
mencakup antara lain membuang duplikasi data, memeriksa inkonsisten data, dan
memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga
dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada
dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti
data atau informasi eksternal.
3. Transformation
Coding adalah proses transformasi pada data yang telah dipilih, sehingga
data tersebut sesuai untuk proses data mining. Proses coding dalam KDD
merupakan proses kreatif dan dipengaruhi oleh jenis atau pola informasi yang
akan dicari dalam basis data.
4. Data mining
Data mining adalah proses mencari pola atau informasi menarik dalam
data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode,
atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau
algoritma yang tepat tergantung pada tujuan dan proses KDD secara keseluruhan.
 5. Interpretation/Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini
merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini
mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan
dengan fakta atau hipotesis sebelumnya.

2.2 Data Mining

Data mining adalah proses yang mempekerjakan satu atau lebih teknik
pembelajaran komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowlegde) secara otomatis. Definisi lain
diantaranya adalah pembelajaran berbasis induksi (induction-based learning)
adalah proses pembentukan definisi-definisi konsep umum yang dilakukan dengan
cara mengobservasi contoh-contoh spesifik dari konsep-konsep yang akan
dipelajari. Knowledge Discovery in Database (KDD) adalah penerapan metode
saintifik pada data mining. Dalam konteks ini data mining merupakan satu
langkah dari proses KDD (Hermawati,2013).

2.2.1 Karakteristik Data Mining

Berdasarkan definisi-definisi yang telah disampaikan, hal penting terkait
data mining adalah :
1. Data mining merupakan suatu proses otomatis terhadap data yang sudah
ada.
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola yang
mungkin memberikan indikasi yang bermanfaat.

2.2.2 Pengelompokan Data Mining

Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang
dapat dilakukan, yaitu :

II-2
1. Deskripsi
Deskripsi dari pola dan kecenderungan sering memberikan kemungkinan
penjelasan untuk suatu pola atau kecenderungan.
2. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi
lebih ke arah numerik daripada ke arah kategori. Model dibangun menggunakan
record lengkap yang menyediakan nilai dari variabel target sebagai nilai rediksi.
Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi.
3. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam
prediksi nilai dari hasil akan ada di masa datang.
4. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori yang berguna untuk
menggolongkan data kedalam kelompok-kelompok yang ada. Misalnya
penggolongan pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah.
5. Pengklusteran
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan lainnya
dan memiliki ketidakmiripan dengan record-record dalam kluster lain.
Pengklusteran berbeda dengan klasifikasi yaitu tidak adanya variabel target
dalam pengklusteran. Pengklusteran tidak mencoba untuk melakukan klasifikasi,
mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma
pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data
menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana
kemiripan record dalam satu kelompok akan bernilai maksimal, sedangkan
kemiripan dengan record dalam kelompok lain akan bernilai minimal.

II-3
6. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja (Kusrini & Emha Taufiq,2009).

2.3 Association Rule

Association rule merupakan suatu prsedur untuk mencari hubungan tiap item
dalam suatu dataset yang digunakan. Pada association rule memberikan informasi
dalam bentuk „if – then” atau “jika – maka”. Istilah jika diwakili dengan
antecendent sedangkan maka diwakili dengan istilah consequent.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut
dalam database dan confidence (nilai kepastian) yaitu kuatnya hubungan antar
item dalam aturan assosiatif.
Support sebuah item diperoleh dengan rumus :

Support (A) = ............................. Persamaan (2.1)

Sedangkan nilai support dari 2 item diperoleh dengan rumus berikut :

Support (A∩B) = ............ Persamaan (2.2)

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan

assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung
confidence aturan assosiatif A  B
Nilai confidence dari aturan A  B diperoleh dari rumus berikut :

Confidence P(A|B) = ...... Persamaan (2.3)

2.4 Algoritma ECLAT

Equivalence Class Transformation (ECLAT) merupakan algoritma yang
sangat sederhana untuk menemukan itemset yang paling sering muncul, pada
dasarnya algoritma ECLAT melakukan pencarian secara depth-first search pada
database dengan tata letak vertikal, jika database berbentuk horizontal maka

II-4
harus dikonversikan ke bentuk vertikal terlebih dahulu (Kaur & Grag,2014 dikutip
oleh Norsyanah,2016).
Algoritma Eclat (Equivalence Class Transformation) adalah sebuah
program yang digunakan untuk menemukan set item yang sering, algoritma ini
menggunakan yang melakukan pencarian depth first pada kisi bagian dan
menentukan dukungan set item dengan memotongkan daftar transaksi. Versi saat
ini dari program ini hanya dapat menemukan set item yang sering. Algoritma ini
tidak mendukung pengelompokan item / clustering, tetapi algoritma ini dapat
mendukung diffset dan beberapa varian algoritma lainnya (Samodra, J. Et
al,2015).
Contoh penerapan algoritma ECLAT adalah sebagai berikut :
Format data awal transaksi berbentuk horizontal :
Tabel 2.1 Transaksi Dalam Format Horizontal
TID Item
1 Jagung, Gandum, Telur
2 Gandum, Tepung
3 Gandum, Beras
4 Jagung, Gandum, Tepung
5 Jagung, Beras
6 Gandum, Beras
7 Jagung, Beras
8 Jagung, Gandum, Beras, Telur
9 Jagung, Gandum, Beras

Untuk pembentukan itemset menggunakan ECLAT, transaksi di atas diolah

dahulu ke dalam bentuk vertikal. Berikut tampilan data dalam bentuk vertikal
dimana pada kasus ini minimum support = 2 :
Tabel 2.2 Transaksi dalam format vertikal
Item TID
Jagung 1,4,5,7,8,9
Gandum 1,2,3,4,6,8,9
Beras 3,5,6,7,8,9
Tepung 2,4
Telur 1,8

Dikarenakan seluruh itemset pada gambar di atas memenuhi minimum

support, maka seluruh itemset di atas digunakan untuk pencarian penyilangan 2-
itemset selanjutnya.

II-5
Tabel 2.3 Hasil Penyilangan 2-itemset
2-Itemset TID
Jagung, gandum 1,4,8,9
Jagung, beras 5,7,8,9
Jagung, tepung 4
Jagung, telur 1,8
Gandum, beras 3,6,7,8,9
Gandum, tepung 2,4
Gandum, telur 1,8
Beras, tepung 0
Beras, telur 8
Tepung, telur 0

Dikarenakan pada hasil di atas terdapat beberapa itemset yang tidak

memenuhi syarat minimum support, maka itemset tersebut dihapuskan. Berikut
tabel frequent 2-itemset dari penyilangan 2-itemset sebelumnya :
Tabel 2.4 Frequent 2-itemset
2-Itemset TID
Jagung, gandum 1,4,8,9
Jagung, beras 5,7,8,9
Jagung, telur 1,8
Gandum, beras 3,6,7,8,9
Gandum, tepung 2,4
Gandum, telur 1,8

Selanjutnya yaitu langkah penyilangan 3-itemset. Hasil penyilangan dapat

dilihat pada tabel di bawah ini :
Tabel 2.5 Hasil Penyilangan 3-itemset
3-Itemset TID
Jagung, gandum, beras 8,9
Jagung, gandum, tepung 4
Jagung, gandum, telur 1,8

Dari hasil di atas, diketahui terdapat itemset yang tidak memenuhi syarat
minimum support dan akan dihilangkan. Frequent 3-itemset dapat dilihat di bawah
ini :
Tabel 2.6 Frequent 3-itemset
3-Itemset TID
Jagung, gandum, beras 8,9
Jagung, gandum, telur 1,8

Penerapan algoritma ECLAT dalam Pseudocode dapat dilihat pada gambar di

bawah ini

II-6
 Gambar 2. 1 Pseudocode Algoritma ECLAT (Xu, G. Zhang, Y. Li, L.2011)

2.5.Pengertian Narkoba
“Narkoba (Narkotika dan Obat/Bahan Berbahaya), disbut juga NAPZA
(Narkotika, Psikotropika, Zat Adiktif Lain) adalah obat, bahan, atau zat bukan
makanan yang jika diminum, diisap, dihirup, ditelan, atau disuntikkan
berpengaruh pada kerja otak (susunan syaraf pusat) dan seringkali menimbulkan
ketergantungan” (Martono, 2008).

2.5.1. Pengertian Narkotika

Yang dimaksud dengan narkotika adalah zat atau obat yang berasal dari
tanaman atau bukan tanaman, baik sintetis maupun semisintesis yang dapat
menyebabkan penurunan atau perubahan kesadaran, hilangnya rasa, mengurangi
sampai menghilangkan rasa nyeri serta menimbulkan ketergantungan.
Ada 3 golongan narkotika yang dibagi berdasarkan potensinya menyebabkan
ketergantungan yaitu :
- Golongan I berpotensi sangat tinggi menimbulkan ketergantungan dan
dilarang digunakan untuk pengobatan dan golongan ini banyak
disalahgunakan. Contoh : Heroin, Kokain, dan Ganja. Ketiganya dilarang
keras digunakan atau diedarkan di luar ketentuan hukum.

II-7
- Golongan II berpotensi tinggi menimbulkan ketergantungan dan
penggunaannya untuk kebutuhan pengobatan yaitu terbatas. Contoh : Petidin,
Candu.
- Golongan III berpotensi ringan menimbulkan ketergantungan dan banyak
digunakan pada pengobatan. Contoh : Kodein.

2.5.2 Psikotropika
Pengertian psikotropika adalah zat atau obat, baik alamiah maupun sintetis
bukan narkotika, yang berkhasiat psikoaktif melalui pengaruh pada susunan saraf
pusat dan menyebabkan perubahan pada aktivitas mental dan perilaku.
Ada 4 golongan psikotropika yang dibagi menurut potensinya
menyebabkan ketergantungan, yaitu sebagai berikut :
- Golongan I sangat tinggi menimbulkan ketergantungan dan selain untuk ilmu
pengetahuan dinyatakan sebagai barang terlarang, sehingga dilarang keras
digunakan atau diedarkan di luar ketentuan hukum. Contoh : ekstasi
(MDMA) yang banyak disalahgunakan dan LSD.
- Golongan II berpotensi tinggi menimbulkan ketergantungan dan secara
selektif dapat digunakan pada pengobatan. Contoh : Amfetamin dan
Metafatamin (shabu) yang banyak disalahgunakan.
- Golongan III dan IV berpotensi sedang dan ringan menimbulkan
ketergantungan, dan dapat digunakan pada pengobatan, tetapi harus dengan
resep dokter. Contoh bermacam-macam obat penenang (sedativa) dan obat
tidur (hipnotika). Yang sering disalahgunakan : Mogadon (MG), Rohypnol
(Rohyp), pil BK/Koplo, Lexotan (Lexo).

2.5.3 Zat Psikoaktif Lain

Zat psikoaktif lain adalah zat atau bahan lain bukan narkotika dan
psikotropika yang berpengaruh terhadap kerja otak. Beberapa jenis psikotropika
yang sering disalahgunakan adalah sebagai berikut.
a. Alkohol pada minuman keras.

II-8
b. Inhalansi atau Solven, yaitu gas atau zat pelarut yang mudah menguap berupa
senyawa organik yang sering digunakn untuk berbagai keperluan industri,
kantor, bengkel, toko, dan rumah tangga, seperti lem, Thiner, Aceton,
Aerosol, bensin.
c. Nikotin terdapat pada tembakau. Rokok mengandung 4000 zat. Yang paling
berbahaya adalah Nikotin, tar, dan Karbon Monoksida (CO). Nikotin
merupakan bahan penyebab ketergantungan.
Organisasi Kesehatan sedunia (WHO) menggolongkan obat, bahan, dan zat
prikoaktif, berdasarkan pengarunya terhadap tubuh manusia yaitu :
1. Opioida (Opium, Morfin, Heroin, dan Petidin)
2. Ganja
3. Kokain dan daun koka
4. Alkohol
5. Amfetamin (Amfetamin, Ekstasi, Shabu)
6. Halusinogen (LSD)
7. Sedativa dan hipnotika (obat penenang dan obat tidur)
8. PCP (Fensiklidin)
9. Inhalansia dan solven
10. Nikotin
11. Kafein (Martono, 2008).

2.6 Pengertian Opioid

Opioid adalah sebuah kelompok dari obat narkotika yang kuat digunakan
untuk menangangi rasa sakit yang parah dimana rasa sakit tersebut menjadi
jaminan untuk penggunaan Opioid ketika obat penghilang rasa sakit lain tidak
cukup untuk menghilangkan rasa sakit yang ada. Opioid memiliki resiko yang
serius termasuk penyalahgunaan, kecanduan, overdosis, dan kematian. Opioid
seperti Codeine dan Hydrocodone biasa dikombinasikan dengan obat jenis lain
untuk menguragi batuk (FDA, 2016).

II-9
2.7 Overdosis
Overdosis bisa terjadi karena : penyalahgunaan obat-obatan ilegal,
menggunakan obat-obatan untuk mendapatkan efek “high”, atau ketika seseorang
mengkonsumsi obat yang telah diresepkan diluar dari dosis yang disarankan.
Beberapa jenis overdosis berdasarkan informasi (National Council on Alcoholism
and Drugs Dependence, 2015 ) yaitu :
1. Overdosis Depressant
Opioid, Benzodiazepines dan alkohol tergolong depresan, artinya membuat
kerja nervous system, termasuk pernafasan dan detak jantung menjadi lambat. Jika
mengkonsumsi substan ini terlalu banyak atau mengkombinasikannya bisa
menyebabkan kematian atau cacat otak permanen.
2. Overdosis Stimulant
Mengkonsumsi amphetamines memiliki kemungkinan mengalami overodosis.
3. Mencampur Obat-obatan
Mengkonsumsi lebih dari satu jenis obat dapat membuat kejang pada badan
dan meningkatkan resiko serta effectnya. Contoh : kebanyakan overdosis Heroin
terjadi saat mengkonsumsi Heroin dan obat depressant lain secara bersamaan.
Alkohol dan Benzodiazepines yang merupakan depressant, mencampurnya
dengan Heroin, Oxycodone atau Morphine meningkatkan resiko overdosis.
Sedangkan menurut artikel yang diterbitkan Substance Abuse and Mental
Health Service Administration (SAMHSA, 2016) overdosis Opioid dapat terjadi
karena beberapa alasan diantaranya :
1. Overdosis obat Opioid ilegal seperti Heroin dan Morphin.
2. Tanpa sengaja mengkonsumsi dosis ekstra, penyalahgunaan obat Opioid
resep, atau mencampur Opioid dengan obat-obatan lain, alkohol, atau obat-
obatan over-the-counter.
3. Ketika seseorang mengkonsumsi obat Opioid yang diresepkan untuk orang
lain. Dimana anak-anak rentan mengalami overdosis yang tak disengaja jika
mengkonsumsi obat yang tidak ditujukan untuk mereka.

II-10
2.8 The Western Pennsylvania Regional Data Center
The Western Pennsylvania Regional Data Center mengelola Allegheny
Country dan City Of Pittsburgh portal data, serta menyediakan berbagai
pelayanan kepada pengguna dan publisher. Data center mendapatkan data dari
berbagai agen sektor umum, institusi akademi, dan organisasi non-profit. Data
center dikelola oleh University of Pittsburgh’s Center for Social and Urban
Research bekerja sama dengan University, Allegheny County and the City of
Pittsburgh. Didirikan oleh Richard King Mellon Foundation, The Heinz
Endowments, dan University of Pittsburgh (wprdc.org).

2.9 Penelitian Terkait

Beberapa penelitian terkait penelitian yang akan dilakukan salah satunya
yaitu Penelitian oleh (White et al., 2011) dengan judul Hospitalizations for
Alcohol and Drug Overdose in Young Adults Ages 18-24 in the United States,
1999-2008 : Results From the Nationwide Inpatient Sample dengan tujuan dari
penelitian yaitu mengetahui tingkat dan biaya perawatan dari overdosis alkohol,
overdosis obat dan overdosis kombinasi keduanya pada usia 18-24 tahun serta
perubahan yang terjadi antara tahun 1999 sampai 2008. Didapatkan kesimpulan
bahwa pasien rawat inap karena overdosis alkohol, overdosis obat serta kombinasi
keduanya pada usia 18-24 teahun meningkat dari 1999 sampai 2008. Dimana
rawat inap overdosis alkohol tanpa obat meningkat 25%. Rawat inap overdosis
obat tanpa alkohol meningkat 56% dan rawat inap overdosis kombinasi alkohol
dan obat meningkat paling tinggi yaitu 76%. Dimana 1 dari 5 kasus overdosis
melibatkan overdosis alkohol, menunjukkan bahwa alkohol memiliki peran
penting dalam banyak kasus overdosis obat. Biaya rawat inap overdosis alkohol
dan obat-obatan mencapai $1,2 milliar di tahun 2008.
Penelitian selanjutnya yaitu penelitian oleh (Ester et al., 2014) dengan judul
Gender and Prescription Opioid Misuse in the Emergency Department yang
meneliti bagaimana perbedaan gender mempengaruhi penggunaan obat resep
opioid dan obat-obatan lainnya terhadap jumlah pasien di emergency department
didapatkan kesimpulan bahwa tidak ada perbedaan berarti antara perempuan dan

II-11
laki-laki dalam penggunaan opioid. Dimana lebih dari 30% laki-laki maupun
perempuan membutuhkan perawatan di rumah sakit sedangkan lebih dari 20%
perempuan dan laki-laki membutuhkan perawatan ICU.
Penelitian lain yaitu penelitian oleh (Budiana, A.2015) dengan judul
implementasi data mining pada penjualan produk di PT. Focus Gaya Graha
Menggunakan Metode Association Rule yaitu ECLAT. Penelitian ini bertujuan
untuk mengetahui pola pembelian konsumen agar dapat mempermudah dalam
menentukan produk apa yang akan diproduksi. Menggunakan data penjualan dari
bulan Januari-Februari 2015 dengan nilai minimum support 3 dan nilai minimum
confidence 50%. Aturan asosiasi sistem yang dibangun adalah MB.0602 – Beige
 MB.0603 – Beige confidence 50%, LPP.32 – Walnut  LPP.22 – Italian
Walnut confidence 60%, MB.0603 – Beige  MB.0602 – Beige confidence 60%,
LHS.0701 – Beige  LHS.0703 – Walnut confidence 66,67%, LHS.0703 
LHS.0701 – Beige confidence 66,67% dan LPP.22 – Italian Walnut  LPP.32 –
Walnut confidence 100%. Kesimpulan yang didapat yaitu nilai minimum support
dan minimum confidence mempengaruhi terhadap banyaknya rule yang terbentuk.
Maka dari itu untuk nilai minimum support lebih baik bernilai kecil, sedangkan
untuk nilai minimum confidence lebih baik bernilai besar karena jika seperti itu
akan menghasilkan rule yang lebih bervariasi dengan nilai kepastian yang tinggi.
Dan yang terakhir yaitu penelitian yang dilakukan oleh (Norsyanah, E.2016)
dengan judul Penerapan Algoritma Eclat Dalam Menentukan Metode Kontrasepsi
Yang Dipilih. Tujuan dari penelitian ini adalah mencari metode kontrasepsi yang
dipilih berdasarkan umur, lama menikah, pekerjaan dan pendidikan. Hasil dari
penelitian ini yaitu pengguna KB terbanyak adalah pengguna yang berumur antara
26-35 tahun, dengan usia pernikahan 1-10 tahun, bekerja sebagai Ibu Rumah
Tangga (IRT) dan berpendidikan SMA/sederajat, dengan metode KB yang paling
banyak adalah jenis suntik dengan nilai support tertinggi sebesar 8,50% dengan
nilai confidence sebesar 55,26%.

II-12