JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-445

Abstrak Bapersip Provinsi Jawa Timur merupakan BadanPemerintahan yang bertugas untuk melaksanakan penyusunandan pelaksanaan kebijakan Daerah yang bersifat spesifik yaitudibidang perpustakaan dan kearsipan. Berdasarkan data yangdidapatkan dari tahun 2010 hingga 2012 (hingga bulan Maret),perbandingan masyarakat Surabaya dengan buku yang dipinjamhanya 1:76, yang artinya kesadaran masyarakat untuk membacasangat minim.Untuk meningkatkan minat baca masyarakatSurabaya, penulis melakukan analisa terhadap histori daritransaksi peminjaman buku yang ada. Pemilihan data historisebagai bahan analisa dikarenakan dari data ini bisa digali pola-pola asosiasi antar buku yang dipinjam pada transaksi-transaksiyang ada. Metode yang digunakan dalam identifikasi pola yangdimaksud adalah association rule dengan algoritma apriori.Metode dan algoritma ini menghasilkan transaksi-transaksipeminjaman buku dengan strong association (keterkaitan yangkuat) antar buku dalam transaksi yang digunakan sebagairekomendasi peminjaman buku yang membantu penggunamendapatkan rekomendasi buku lain ketika pengguna melihatrincian dari buku yang dipilih atau hendak dipinjam. Dari hasiluji coba pada penelitian ini, ditemukan bahwa semakin besarminimum support (minsup) dan minimum confidence (minconf),semakin sedikit waktu yang dibutuhkan untuk menghasilkanrekomendasi serta semakin sedikit rekomendasi yang diberikan,namun rekomendasi yang diberikan berasal dari transaksi yangsering muncul.

Kata Kunci apriori, association rule, perpustakaan, sistemrekomendasi

I. PENDAHULUANERPUSTAKAAN merupakan salah satu fasilitas penyediainformasi, sumber ilmu pengetahuan, dan sarana

penunjang proses kegiatan belajar mengajar bagi parapengguna untuk mendapatkan informasi yang diinginkan.Pemerintah Kota Surabaya dalam hal ini Bapersip ProvinsiJawa Timur mempunyai wewenang dalam kaitannya denganfasilitas penyedia informasi terhadap pengguna yang inginmendapatkan pengetahuan lebih dari fasilitas yang disediakan.Bapersip sebagai salah satu perpustakaan yang ada di kotaSurabaya menyediakan layanan baca buku di tempat danpeminjaman buku bagi pengguna yang telah terdaftar. Hinggatahun 2010, Bapersip Provinsi Jawa Timur memiliki anggota

hingga 41.033 [1] dengan rata-rata jumlah kunjunganperharinya (Senin hingga Jumat) mencapai 100 175. Padatahun yang sama, tercatat terjadinya transaksi peminjamanbuku sebanyak 165 [2].

Perbandingan jumlah buku yang dipinjam denganjumlah pengguna hanya 1:2 buku/orang dan jika dikaitkandengan jumlah penduduk Surabaya pada tahun 2010 yangmencapai 2.765.908 warga [3] hanya satu dari 67 pendudukSurabaya yang terdaftar sebagai pengguna Bapersip.Kemudian, perhitungan lain yakni perbandingan antara jumlahbuku yang dipinjam pada tahun 2010 dengan jumlahpenduduk Surabaya, didapatkan informasi bahwa 69 pendudukSurabaya meminjam satu buku saja.

Perhitungan ini mengindikasikan kurangnya minat bacamasyarakat Surabaya, yang bisa mempengaruhi ketercapaianvisi dari Bapersip sendiri yakni Jawa Timur Membaca danTertib Arsip Tahun 2014 [4]. Salah satu solusi dari sisifasilitas berbasis teknologi yang telah dilakukan adalah adanyaweb yang bisa diakses melalui komputer pada Bapersip yangterhubung secara intranet. Adanya web ini mempermudahpengguna dalam pencarian koleksi buku Bapersip. Namun,solusi ini mempunyai kelemahan, yakni hanya terdapat fituruntuk mencari, tidak ada fitur spesifik lain yang menjadi salahsatu faktor pendukung peningkatan jumlah buku yangdipinjam oleh pengguna.

Faktor pendukung tersebut dapat diwujudkan salahsatunya dengan sistem rekomendasi peminjaman buku. Sistemini memberikan rekomendasi peminjaman buku kepadapengguna ketika memilih atau melihat rincian dari buku padaweb. Sehingga, daya pinjam buku akan meningkat, tidak lagisatu hingga dua buku yang dipinjam tiap anggota.Rekomendasi buku melalui web ini dikembangan berdasardata histori peminjaman buku, kemudian melihat pola asosiasidiantara buku-buku yang dipinjam pada tiap transaksipeminjaman dan tercatat pada histori.

Pola asosiasi yang digunakan dalam mendukungpengembangan sistem rekomendasi ini menggunakanalgoritma apriori, algoritma yang ditemukan oleh Agrawal andSrikant tahun 1994 [5]. Algoritma ini membantu menggalipola asosiasi pada buku berdasar transaksi yang terjadi,sehingga sistem dapat memberikan rekomendasi buku yang

Pengembangan Sistem RekomendasiPenelusuran Buku dengan Penggalian

Association Rule Menggunakan AlgoritmaApriori (Studi Kasus Badan Perpustakaan dan

Kearsipan Provinsi Jawa Timur)Nugroho Wandi, Rully A. Hendrawan, dan Ahmad Mukhlason

Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS)Jl. Arief Rahman Hakim, Surabaya 60111

E-mail: eraha@is.its.ac.id

P

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-446

akan dipinjam oleh pengguna sejak pengguna melihat rincianbuku pada web di Bapersip. Pemilihan algoritma apriorikarena algoritma ini hanya memerlukan waktu yang lebihsedikit dibandingkan algoritma lainnya dalam metodeassociation rule dengan data sebenarnya (real world), bilaminsup yang ditentukan cenderung besar [6].

Penelitian ini mirip dengan beberapa penelitian yang telahdilakukan sebelumnya, yakni oleh Jianwei Li dan PingHuaChen [7] yang menghasilkan asosiasi antar bukumenggunakan algoritma apriori serta SuthathipManeewongvatana dan Songrit Maneewongvatana [8] yangmenggunakan algortima yang sama untuk membuat daftarrekomendasi buku berdasarkan kebutuhan dan keinginan daripengguna. Namun, penelitian ini memiliki perbedaan denganpenelitian-penelitian yang disebutkan, yakni persiapan datadan cara pengolahannya sebelum dilakukan mining.

Perbedaan penelitian yang dilakukan penulis denganpenelitian dari Jianwei Li dan PingHua Chen ada pada datayang diolah. Data penelitian penulis adalah data transaksipeminjaman buku, tanpa melakukan pemilihan data yangpaling sering dipinjam kemudian dibagi kembali berdasarkanpeminjam. Kemudian, perbedaan penelitian penulis denganpenelitian yang dilakukan Suthathip Maneewongvatana danSongrit Maneewongvatana pada proses klustering peminjam,pengelompokkan buku menjadi beberapa sub, melakukanasosiasi dengan algoritma yang sama untuk mencariketerhubungan antar buku, kemudian menggabungkan hasilkeduanya untuk memberikan rekomendasi buku padapeminjam. Hal-hal tersebut menjadikan adanya perbedaanpenelitian yang dilakukan penulis dengan penelitian-penelitianyang telah ada.

Hasil penelitian ini berupa asosiasi antar buku, sebagaidasar rekomendasi alternatif peminjaman buku, yangdidapatkan dari perhitungan minsup dan minconf (dengan datayang digunakan sebanyak 63% dari data transaksi tahun 2009-2012).

II. KAJIAN PUSTAKABagian ini menjelaskan metode serta algoritma yang

digunakan dalam penelitian ini, yakni data preparation untukmenyiapkan data sebelum di-mining, metode association ruleuntuk mencari asosiasi antar buku yang dipinjam, algoritmaapriori untuk mencari frequent itemset (transaksi yang seringmuncul) dan rule generation yang menghasilkan ruleberdasarkan hasil dari algoritma apriori.

A. Data PreparationPada banyak bidang keilmuan, terutama komputer sains,

diperlukan data yang berkualitas melalui proses preparationdari data mentah. Dalam prakteknya, ditemukan bahwa datacleaning dan preparation membutuhkan total usaha 80% dariusaha untuk merekayasa data, sehingga menjadikan datapreparation sebagai proses yang krusial. Pentingnya proses inidapat dilihat dari tiga aspek, yakni:

1. Data real world merupakan data kotor.Data real world bisa mengandung data yang tidak

lengkap, terdapat noise, tidak konsisten, yang dikarenakan:

a. Tidak lengkap (incomplete), yaitu kekurangan nilaiatribut atau hanya mengandung agregat data (contoh :address = " ").

b. Noise, yaitu masih mengandung error dan outliers(contoh : salary = -10).

c. Tidak konsisten (inconsistent), yaitu data yangmengandung discrepansi dalam code dan nama atausingkatnya datanya tidak konsisten (contoh : dulurating = 1,2,3 sekarang a,b,c).

2. Sistem mining dengan performa tinggi membutuhkan datayang berkualitas.Data preparation atau preparation menghasilkan dataset

yang lebih sedikit daripada dataset yang asli, ini bisameningkatkan efisiensi dari data mining. Langkah inimengandung:

a. Memilih data yang relevanDengan memilih atribut (attribute selection),menghilangkan anomali, menghilangkan dataduplikat.

b. Mengurangi dataMenggunakan sampling

3. Data yang berkualitas menghasilkan pola yang berkualitas.Dengan data preparation, maka data yang dihasilkan

adalah data yang berkualitas, yang mengarah pada pola yangberkualitas pula, dengan:

a. Mengembalikan data yang tidak lengkapb. Membenarkan eror, atau menghilangkan outliersc. Membenahi data yang bertentangan.

Bila data yang dihasilkan melalui proses ini berupa datayang berkualitas, maka proses mining untuk menemukanhidden knowledge akan dipermudah, karena hasil miningnantinya tidak akan menyimpang dari data yang ada, lebihefisien dan berkualitas, dikarenakan tidak adanyapermasalahan pada data, misalnya missing data [9].B. Association Rules

Association rule merupakan salah satu metode yangbertujuan mencari pola yang sering muncul di antara banyaktransaksi, dimana setiap transaksi terdiri dari beberapa item[10], sehingga metode ini akan mendukung sistemrekomendasi peminjaman buku yang akan di pinjam olehpengguna melalui penemuan pola antar item dalam transaksi-transaksi yang terjadi di Bapersip. Korelasi antar item padatransaksi-transaksi seperti berikut:

Pada transaksi yang terdapat item X terdapatkemungkinan ada item Y juga didalamnya, dinotasikan

, dimana X dan Y adalah disjoint itemset, dinotasikan. Kumpulan dari transaksi-transaksi ini disebut dengan

itemset, yang dinotasikan dengan Ik (k=1, 2, m). Jikaterdapat itemset yang mempunyai item sebanyak k, makadisebut dengan k-itemset [11].

Association rule ini nantinya akan menghasilkan rulesyang menentukan seberapa besar hubungan antar X dan Ytadi, dan diperlukan dua ukuran untuk rules ini, yakni supportdan confidence.

Support merupakan kemungkinan X dan Y munculbersamaan yang dinotasikan:

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-447

Support ( ) = (1)

Sedangkan confidence merupakan kemungkinanmunculnya Y ketika X juga muncul, dinotasikan:

Confidence( ) = (2)

C. Frequent ItemsetLangkah pertama pada association rule adalah

menghasilkan semua itemset yang memungkinkan dengankemungkinan itemset yang muncul dengan m-item adalah2m. Karena besarnya komputasi untuk menghitung frequentitemset, yang membandingkan setiap kandidat itemsetdengan setiap transaksi, maka ada beberapa pendekatanuntuk mengurangi komputasi tersebut, salah satunya denganalgoritma apriori [5].

D. AprioriAlgoritma apriori digunakan untuk mencari frequent

itemset yang memenuhi minsup kemudian mendapatkan ruleyang memenuhi minconf dari frequent itemset tadi [7].Algoritma ini mengontrol berkembangnya kandidat itemsetdari hasil frequent itemset dengan support-based pruninguntuk menghilangkan itemset yang tidak menarik denganmenetapkan minsup. Prinsip dari apriori ini adalah bila itemsetdigolongkan sebagai frequent itemset, yang memiliki supportlebih dari yang ditetapkan sebelumnya, maka semua subsetnyajuga termasuk golongan frequent itemset, dan sebaliknya [8].

Cara algoritma ini bekerja adalah algoritma akanmenghasilkan kandidat baru dari k-itemset dari frequentitemset pada langkah sebelumnya dan menghitung nilaisupport k-itemset tersebut. Itemset yang memiliki nilai supportdi bawah dari minsup akan dihapus. Algortima berhenti ketikatidak ada lagi frequent itemset baru yang dihasilkan [12].Adapun algoritmanya pada gambar 1 [13]:

k = 1Fk = { }repeat

k = k + 1Ck = apriori-gen(Fk-1)foreach transaksi do

Ct = subset (Ck , t)foreach setiap kandidat itemset Ct do

(c) = (c) + 1end for

end forFk = { }

untilHasilnya =

Gambar 1. Pseudocode dari Algoritma Apriori

Kedua, dari hasil frequent itemset tersebut, langkahselanjutnya dihitung minconf mengikuti rumus sesuai yangtelah ditentukan. Support tidak perlu dilihat lagi, karenagenerate frequent itemset didapatkan dari melihat minsup-nya.Bila rule yang didapatkan memenuhi batasan yang ditentukan

dan batasan itu tinggi, maka rule tersebut tergolong strongrules [10]. Adapun flowchart algoritma ini berjalan padagambar 2.

E. Rule GenerationSetelah mendapatkan frequent itemset menggunakan

algoritma apriori, langkah selanjutnya adalah mendapatkanrule yang memenuhi confidence. Karena rule yang dihasilkanberasal dari frequent itemset, dengan kata lain, dalammenghitung rule menggunakan confidence, tidak perlu lagimenghitung support-nya karena semua calon rules yangdihasilkan telah memenuhi minsup sesuai yang ditentukan[11]. Penghitungan ini juga tidak perlu melakukan perulanganscanning pada database untuk menghitung confidence, cukupdengan mengambil itemset dari hasil support.

Gambar 2. Diagram Alir Apriori

III. HASILPenelitian ini menggunakan data transaksi peminjaman

buku mingguan sebanyak 45.108 transaksi dalam kisarantahun peminjaman dari 2009 hingga tahun 2012, denganketentuan batasan minsup sebesar 1 hingga 4, dan minconfsebesar 10% hingga 100%. Selanjutnya, dari hasil eksekusiaplikasi, ditemukan rule atau pada penelitian ini disebutdengan rekomendasi peminjaman buku, adapun flowchartpada gambar 3. Rule yang ditemukan dalam aplikasi sangatberagam panjang itemset-nya. Panjang itemset ini akanmenentukan banyaknya rekomendasi yang diberikan. Bilapanjang itemset mencapai 9-itemset, artinya ada delapan bukuyang direkomendasikan.

Tabel 1.Maksimum Panjang itemset

minsup Maks. k-itemset1 9

2 3

3 2

4 2

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-448

Gambar 3. Diagram Alir Pemberian Rekomendasi

Berdasarkan tabel 1, hanya pada minsup 1 yang mempunyairekomendasi hingga delapan buku (9-itemset), kemudianminsup 2 yang mempunyai dua rekomendasi (2-itemset),sisanya hanya satu rekomendasi. Beberapa hasil rule padatabel 2.

Tabel 2.Contoh Rekomendasi Buku yang ditemukan

Judul (Id) conf060900074 060900005 060917547 0,25060107547 060900005 060900074 0,67060900005 060900074 060917547 0,33061000123 061000122 1060929358 060929365 0,80060923728 060924384 0,75060917547 060900005 0,67

Ketika aplikasi di jalankan, penulis mendokumentasikanwaktu eksekusi yang dibutuhkan oleh tiap minsup (gambar 4)dan minconf (gambar 5) yang ditentukan. Perhitungan waktuuntuk minsup dimulai sejak aplikasi di eksekusi denganminsup-nya hingga aplikasi selesai melakukan perhitungan,sedangkan untuk minconf, waktu terhitung sejak satu minsupselesai terhitung kemudian di pilih minconf, hingga selesai.

Gambar 4. Perbandingan Waktu Eksekusi Support

Gambar 5. Perbandingan Waktu Eksekusi Confidence

IV. PEMBAHASANBapersip Jawa Timur memiliki koleksi lebih dari 50.000

buku, dengan kisaran buku yang terpinjam pada tahun 2009-2012 lebih dari 15.000 buku. Pada penelitian ini, digunakanalgoritma apriori untuk menemukan keterhubungan antar bukudalam tiap transaksinya yang digunakan sebagai rekomendasialternatif pilihan buku lain bila anggota perpustakaan hendakmeminjam. Sebelum data di-mining, maka terlebih dahulu datamelalui proses preparation sehingga proses mining akanmenghasilkan rekomendasi sesuai data transaksi denganjumlah rekomendasi yang sesuai. Data transaksi penulisdapatkan dari hasil join beberapa tabel yang ada, kemudianmenggabungkan data transaksi tiap anggota menjadi transaksimingguan.

Hasil penelitian sebelumnya menunjukkan keberagamanjumlah itemset. Faktor-faktor keberagaman ini adalahpersebaran data transaksi, dan nilai minsup serta minconf.Keberagaman data atau transaksi akan menentukan nilaiminsup dan minconf yang digunakan. Data transaksi terbanyak(tabel 3) ada pada satu buku pertransaksi tiap anggota sebesar71% dari total transaksi, kemudian dua buku pertransaksidengan prosentase 24%, sehingga bila menggunakan nilaiminsup lebih dari 4, cenderung tidak akan ditemukan frequentitemset-nya.

Tabel 3.Persebaran Data Transaksi

Semua Tahun (60000 data)Jumlah Buku pertransaksi BanyaknyaTransaksi

1 buku = 320762 buku = 116013 buku = 10944 buku = 2765 buku = 426 buku = 127 buku = 38 buku = 39 buku = 110 buku = 011 buku = 012 buku = 013 buku = 0Total Transaksi = 45108Jumlah buku yang dipinjam = 15445

JURNAL TEKNIK ITS Vol. 1, (Sept, 2012) ISSN: 2301-9271 A-449

Selanjutnya, dari gambar 4 dan 5, menunjukkan semakinbesar nilai minsup dan minconf, semakin sedikit waktu yangdiperlukan untuk eksekusi. Namun, penggunaan nilai minsupyang semakin besar akan memberikan rekomendasiberdasarkan buku-buku yang semakin sering dipinjam dalamkumpulan transaksi, dan sebaliknya, semakin kecil nilaiminsup yang digunakan, artinya rekomendasi yang diberikanberasal dari buku yang semakin jarang dipinjam. Untukminconf, semakin besar nilainya, semakin besar kemungkinanmuncul buku yang direkomendasikan ketika anggota memilihbuku tertentu. Sebaliknya, semakin kecil nilai minconf, makabeberapa rekomendasi yang tidak signifikan akan ditemukandan digolongkan ke dalam rekomendasi [14]. Kombinasi duabatasan ini dengan nilai tinggi menghasilkan strong rules [11].

V. KESIMPULANKesimpulan yang dapat ditarik dari penelitian ini adalah :1. Algoritma apriori dapat menghasilkan rekomendasi buku

berdasarkan transaksi peminjaman buku yang ada.2. Langkah preparation merupakan langkah penting sebelum

melakukan mining. Bila persebaran data transaksi tidakmerata seperti pada tugas akhir ini, maka denganpenggunaan preparation, data bisa disiapkan sehinggadata bisa memenuhi ekspektasi. Ataupun, daripreparation bisa diketahui sebab hasil mining yang tidakmemenuhi ekspektasi.

3. Penentuan data transaksi untuk di-mining memerlukan carayang lebih spesifik, salah satunya bertujuan mendapatkandata dengan banyak peminjaman dan sering muncul ataudengan kata lain data yang dapat memenuhi batasan-batasan yang ditentukan sehingga menghasilkanrekomendasi yang baik (rekomendasi yang baik adalahstrong rules [11])

4. Apriori sangat bergantung pada banyaknya buku yang adapada tiap transaksinya (itemset). Dalam penelitian ini nilaibatasan minsup tidak bisa lebih dari empat, karena datatransaksi terbanyak ada pada satu dan dua bukupertransaksi.

5. Pengukuran validitas algoritma menggunakan dua skenariodan menunjukkan hasil yang sama dalam perhitungannya,sehingga aplikasi dapat dikatakan valid.

VI. SARANDari hasil uji coba, ditemukan kelemahan, yakni data yang

akan di uji memiliki persebaran yang tidak seimbang,cenderung pada transaksi dengan satu atau dua buku saja,sehingga rekomendasi yang ditemukan algoritma sedikit.

Berdasarkan kelemahan yang ditemukan, penulismenyarankan untuk penelitian selanjutnya menggabungkandata transaksi mingguan ke dalam transaksi dua mingguanuntuk dilakukan mining. Penggabungan data ini bisamengurangi persebaran data yang tidak merata

VII. UCAPAN TERIMA KASIHAlhamdulillah, penulis mengucapkan terima kasih

kepada Bapersip Jawa Timur atas kesediaan pemberian data.Penulis juga mengucapkan terima kasih kepada Bapak Rully

A. Hendrawan dan Bapak Ahmad Mukhlason selaku dosenpembimbing juga Ibu Erma Suryani, Ibu Retno Aulia Vinarti,dan Ibu Raras Tyasnurita selaku dosen penguji atas saran danmasukannya.

DAFTAR PUSTAKA[1] Bapersip. Profil perpustakaan: Jumlah anggota [Online]. Available:

http://bpad-jawatimur.pnri.go.id/?q=node/67 (2010).[2] Bapersip. Profil perusahaan: Jumlah peminjaman [Online]. Available:

http://bpad-jawatimur.pnri.go.id/?q=node/69 (2010).[3] BKPM. Profil daerah kota Surabaya: Statistik penduduk menurut jenis

kelamin [Online]. Available:http://regionalinvestment.bkpm.go.id/newsipid/id/demografipendudukjkel.php?ia=3578&is=37 (2011).

[4] Dispendukcapil. Statistik Penduduk [Online]. Available:http://dispendukcapil.surabaya.go.id/index.php/media-a-publik/statistik-penduduk/43-pergerakan-penduduk/167-jumlah-penduduk-surabaya-2011 (2012).

[5] Bapersip. Visi dan misi [Online]. Available:http://bapersip.jatimprov.go.id/bapersip/profil.jsp?id=4 (2011).

[6] R. Agrawal, and R. Srikant, Fast Algorithms for Mining AssociationRules in Large Databases, in Very Large Data Base Endowment(VLDB), Chile (1994) 487-499.

[7] Z. Zheng, R. Kohav, and L. Mason, Real world performance ofassociation rule algorithms, in ACM SIGKDD International Conferenceon Knowledge Discovery and Data Mining, New York (2001) 401-406.

[8] J. Li, and P. Chen, The application of association rule in librarysystem, in Knowledge Acquisition and Modeling Workshop, Wuhan(2008) 248-251.

[9] S. Maneewongvatana and S. Maneewongvatana, A recommendationmodel for personalized book lists, Communications and InformationTechnologies (ISCIT), Tokyo (2010) 389-394.

[10] S. Zhang, C. Zhang, and Q. Yang, Data preparation for data mining, inApplied Artificial Intelligence, Sydney (2003) 375-381.

[11] M. J. Zaki, Generating non-redundant association rules, inProceedings of the sixth ACM SIGKDD international conference onKnowledge discovery and data mining, New York (2000) 34-43.

[12] Tan, P.-N., Steinbach, M., and Kumar, Introduction to data mining.Vol.5, USA: Addison-Wesley (2005) Ch. 6.

[13] Z. Zhu and J.-Y. Wang, Book Recommendation Service by ImprovedAssociation Rule Mining Algorithm, in Sixth International Conferenceon Machine Learning and Cybernetics, Hong Kong (2007) 3864-3869.

[14] Amiruddin, I K. Purnama, and M. H. Purnomo, Penerapan associationrule mining pada data nomor unik pendidik dan tenaga kependidikanuntuk menemukan pola sertifikasi guru, Surabaya (2010).