ANALISIS DAN PERBANDINGAN ALGORITMA APRIORI DAN FP GROWTH UNTUK MENEMUKAN POLA PENYAKIT GIGI DI PUSKESMAS CICINDE

Afria Maulana; Alya Madaniah; Zilah Rima Halizah; Fatmawati Fatmawati; Nurullah Sururi Afif

doi:10.31539/ws8aqm46

Authors

Afria Maulana Universitas Bina Sarana Informatika
Alya Madaniah Universitas Bina Sarana Informatika
Zilah Rima Halizah Universitas Bina Sarana Informatika
Fatmawati Fatmawati Universitas Bina Sarana Informatika
Nurullah Sururi Afif Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.31539/ws8aqm46

Abstract

Data rekam medis Poli Gigi UPTD Puskesmas Cicinde berpotensi untuk mengidentifikasi pola penyakit, namun pemanfaatannya masih terbatas pada administrasi. Penelitian ini bertujuan mengidentifikasi pola keterkaitan penyakit gigi menggunakan metode Association Rule Mining serta membandingkan performa algoritma Apriori dan FP-Growth. Data yang digunakan berupa 694 rekam medis pasien periode November 2025 hingga Mei 2026 dari sistem e-Puskesmas. Proses analisis menggunakan perangkat lunak RapidMiner dengan parameter minimum support 6% dan minimum confidence 30%. Hasil penelitian menunjukkan penyakit paling dominan adalah Diseases of Pulp and Periapical Tissues (Pulpitis) dan Gingivitis and Periodontal Diseases. Algoritma Apriori menghasilkan 10 aturan asosiasi dengan frequent itemset hingga ukuran tiga, sedangkan FP-Growth menghasilkan 68 aturan asosiasi hingga ukuran empat. Kedua algoritma menghasilkan aturan yang valid, namun FP-Growth terbukti lebih unggul karena mampu menemukan pola hubungan keterkaitan penyakit yang lebih kompleks dan komprehensif. Penelitian ini diharapkan menjadi informasi pendukung bagi Puskesmas Cicinde dalam pengambilan keputusan dan perencanaan pelayanan kesehatan gigi.

Kata Kunci: Association Rule Mining, Apriori, FP-Growth, Rekam Medis, Kesehatan Gigi

References

Ahmed, N., Ameer, R., Khan, A., & Gull, S. (2024). Data Mining in Healthcare : An Overview of Applications , Techniques , and Challenges. 3(01), 1–10.

Gulzar, K., Memon, M. A., Mohsin, S. M., Aslam, S., Muhammad, S., Akber, A., & Nadeem, M. A. (2023). An Efficient Healthcare Data Mining Approach Using Apriori Algorithm : A Case Study of Eye Disorders in Young Adults. 1–14.

Ferreira, J., Mendonca, M., & DIniz, P. S. R. (2021). Data Selection in Neural Networks. IEEE Open Journal of Signal Processing, 2, 522–534. https://doi.org/10.1109/OJSP.2021.3106197

Hapsari, R. kembang, Indriyani, T., & Sulaksono, D. H. (2025). Buku Ajara Data Mining. In Academia.Edu. https://www.academia.edu/downlo ad/121512863/E_BOOK_BERAKSI_Bermain_Kreatif_Diskusi_dan_ Ceria_.pdf

Latipa, H., & Yati, I. (2022). Association Rule Mining System in Analyzing The Use Pattern of Drugs by Using Apriori. 6(2). Roihan, M., & Adhen, J. (2026). Penerapan Data Mining untuk Prediksi Jumlah Penduduk Miskin di Provinsi Sumatera Selatan Menggunakan Metode Regresi Linier Berganda. 4(6), 4552–4557.

Sulianta, F. (2023). Basic Data Mining From A-Z Dasar Membangun Tindakan Bisni. https://www.researchgate.ne t/publication/382274667_Basic_Da ta_Mining_From_A_to_Z

Sutejo, D., Indra, V., Adhi, Y., & Kacung, S. (2024). Analysis of A Priori Algorithm in Medical Data for Heart Disease Identification with Association Rule Mining. 04(02).

Syamsuddin, N., Dewantara, R., Pramana, I. B. B. S. A., & Maryati, D. E. (2022). Metode Penelitian Kuantitatif (O. T. Awaru (ed.)). Sanabil.

Wahyu Pujiharto, E., Kusrini, & Nasiri, A. (2023). Comparative Analysis of The Performance of The Apriori, FP-Growth and Eclat Algorithms In Finding Frequency Patterns In The INA-CBG’s Dataset. Cogito Smart Journal, 9(2), 340–350.