Upload
others
View
4
Download
0
Embed Size (px)
Citation preview
i
Penerapan Algoritma Apriori Untuk Mengetahui Pola
Penempatan Buku dan Rekomendasi Persediaan Buku di
Perpustakaan Daerah Kota Salatiga
Artikel Ilmiah
Peneliti :
Maissy Tsara Permatasari (672015122)
Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Februari 2019
ii
Penerapan Algoritma Apriori Untuk Mengetahui Pola
Penempatan Buku dan Rekomendasi Persediaan Buku di
Perpustakaan Daerah Kota Salatiga
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
untuk memperoleh Gelar Sarjana Komputer
Peneliti :
Maissy Tsara Permatasari (672015122)
Hindriyanto Dwi Purnomo, S.T., MIT., Ph.D.
Program Studi Teknik Informatika
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Februari 2019
iii
iv
v
vi
vii
Penerapan Algoritma Apriori Untuk Mengetahui Pola Penempatan Buku dan
Rekomendasi Persediaan Buku di Perpustakaan Daerah Kota Salatiga
1)Maissy Tsara Permatasari, 2)Hindriyanto Dwi Purnomo
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Dr. O Hamidjojo, Salatiga 50711, Indonesia
Email : 1)[email protected], 2)[email protected]
Abstract
Data mining is a technique of extracting information by looking for patterns from large
amounts of data to produce a new knowledge. By utilizing the loan data of the Regional
Library of Salatiga, the pattern search process is carried out by applying the Apriori
Algorithm to find out the interrelationships between books that are often borrowed in
transactions. New knowledge is obtained based on the results of algorithm calculations
implemented using the Rapid Miner application. Information obtained from processing is
to find out the tendency of visitors to borrow books that are used to provide
recommendations for the procurement of books and book layout policies based on loan
intensity in order to support the activities of book lending transactions. From the results of
the analysis of the book loan transaction data in 2018 which uses a minimum support value
of 2% and a minimum confidence of 40%, there are stock recommendations and book
layout suggestions on book’s classification of AT, CB, CJ, CI, and CR. Where the best
association rules have 48% confidence in the classification of CR books with type A
members.
Keywords : Data Mining, Library, Apriori Algorithm, Rapid Miner, Support, Confidence,
Stock, Layout.
Abstrak
Data mining merupakan teknik penggalian informasi dengan mencari pola dari data dalam
jumlah besar sehingga menghasilkan sebuah pengetahuan baru. Dengan memanfaatkan
data peminjaman Perpustakaan Daerah Kota Salatiga, proses pencarian pola dilakukan
dengan menerapkan algoritma Apriori agar dapat diketahui keterkaitan antar buku yang
sering dipinjam dalam transaksi. Pengetahuan baru diperoleh berdasarkan hasil
perhitungan algoritma yang diimplementasikan menggunakan aplikasi Rapid Miner.
Informasi yang didapat dari pengolahan yaitu mengetahui kecenderungan pengunjung
dalam melakukan peminjaman buku yang digunakan untuk memberikan rekomendasi
pengadaan buku dan kebijakan tata letak buku berdasarkan intensitas peminjaman dalam
rangka menunjang aktifitas transaksi peminjaman buku. Dari hasil analisa terhadap data
transaksi peminjaman buku tahun 2018 yang menggunakan nilai minimum support sebesar
2% dan minimum confidence sebesar 40% didapatkan rekomendasi stok dan saran tata
letak buku terhadap klasifikasi buku AT, CB, CJ, CI, dan CR. Dimana aturan asosiasi
terbaiknya memiliki nilai confidence 48% terhadap klasifikasi buku CR dengan tipe
anggota A.
Kata Kunci : Data Mining, Perpustakaan, Algoritma Apriori, Rapid Miner, Support,
Confidence, Stok, Tata Letak.
1) Mahasiswa Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Kristen Satya
Wacana. 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana.
1
1. Pendahuluan
Perpustakaan merupakan salah satu bagian dalam lembaga pendidikan yang
memberikan fasilitas penyedia informasi, sumber ilmu pengetahuan, dan sarana
penunjang proses kegiatan belajar mengajar bagi para anggota perpustakaan untuk
mendapatkan informasi yang diinginkan [1]. Pemerintah Kota Salatiga dalam hal
ini Perpustakaan Daerah Kota Salatiga memiliki wewenang dalam kaitannya
dengan fasilitas yang menyediakan berbagai macam bahan bacaan dengan jenis
buku seperti buku teks, computer file, dan braile dimana di dalamnya masih terbagi
lagi menjadi beberapa klasifikasi buku yang disimpan dalam klasifikasi rak tertentu.
Anggota perpustakaan pun dapat meminjam maksimal sebanyak dua buku dengan
batas waktu meminjam selama tiga hari [2]. Dengan adanya kegiatan operasional
sehari-hari, data semakin lama akan semakin bertambah banyak. Sehingga perlu
dilakukan pemanfaatan terhadap jumlah data yang begitu besar tersebut dengan
sebaik mungkin. Agar data tersebut dapat menyajikan informasi yang tepat dan
sesuai dengan kebutuhan, maka penggalian informasi terlebih dahulu juga perlu
untuk dilakukan. Dalam menggali informasi yang berpotensi dari gudang data,
tidak dapat hanya mengandalkan data operasional saja, namun diperlukan suatu
analisis data yang tepat sehingga menghasilkan informasi yang lebih berharga dan
dapat menunjang kegiatan operasional. [3]
Dengan semakin berkembangnya teknologi informasi saat ini memungkinkan
penyimpanan data dalam skala yang sangat besar terutama saat proses menggali
informasi. Proses penggalian informasi atau pola yang penting serta menarik dari
data dilakukan untuk mempermudah proses pengelolaan data transaksi peminjaman
buku perpustakaan. Selain itu dalam melakukan analisis data tidak hanya digunakan
untuk mendapatkan informasi mengenai data perpustakaan, akan tetapi juga
menemukan pola untuk mengasilkan pengetahuan yang didapat dari melakukan
pemahaman perilaku anggota perpustakaan dengan kata lain adalah peminjam
buku. Kemudian perlu juga diadakannya perhatian serius mengenai karakteristik
perilaku anggota perpustakaan sebagai bahan analisis data lebih lanjut. Maka dari
itu, digunakanlah teknik data mining guna membantu mengambil keputusan saat
menganalisis dan mengekstraksi data. Teknik data mining yang dipilih yaitu
algoritma Apriori dimana merupakan salah satu metode Association Rules yang
dapat mengetahui aturan asosiasi antara dua buku atau lebih dari data transaksi
peminjaman buku di perpustakaan [4]. Selain itu datanya akan menjadi lebih
terstruktur dan meminimalisir kemungkinan terjadinya penumpukan data
peminjaman secara berulang.
Pengimplementasian teknik data mining dilakukan untuk menggali informasi
mengenai klasifikasi buku apa saja yang sering dipinjam dari tipe anggota tertentu
sebagai peminjam bukunya serta keterkaitan atau hubungan antar item yang berada
dalam suatu set data dengan menggunakan teknik data mining dalam hal ini
keterkaitan antara buku dengan klasifikasi tertentu berdasarkan tipe anggota
perpustakaan yang meminjam buku. Hasil implementasi dari teknik tersebut dapat
digunakan sebagai solusi pendukung pengambilan keputusan dan kebijakan pada
perpustakaan tersebut dalam memberikan informasi rekomendasi persediaan buku
2
serta pola penyusunan dan penempatan atau tata letak buku di perpustakaan
sehingga dapat mempermudah anggota perpustakaan dalam mencari buku yang
ingin dipinjam di perpustakaan.
2. Tinjauan Pustaka
Berkaitan dengan topik penelitian, penelitian sebelumnya telah dilakukan
oleh Nugroho Wandi, Rully A. Hendrawan, dan Ahmad Mukhlason [5] yang
membahas tentang penggunaan teknik data mining yaitu metode Association Rules
dengan algoritma Apriori untuk menggali pola-pola asosiasi antar buku yang
dipinjam untuk meningkatkan minat baca masyarakat Surabaya terhadap histori
dari transaksi peminjaman buku yang ada. Metode dan algoritma ini menghasilkan
transaksi-transaksi peminjaman buku dengan strong association (keterkaitan yang
kuat) antar buku dalam transaksi yang digunakan sebagai rekomendasi peminjaman
buku yang membantu pengguna mendapatkan rekomendasi buku lain ketika
pengguna melihat rincian dari buku yang dipilih.
Iga Ukiarwan [6] melakukan analisis dan pencarian informasi dari data
penjualan sepatu running menggunakan data mining dengan algoritma Apriori.
Teknik data mining untuk mencari pola penjualan sepatu running tersebut
kemudian diimplementasikan ke dalam suatu sistem yang dibangun menggunakan
bahasa pemrograman Java dan database mySQL. Aturan asosiasi yang dihasilkan
digunakan sebagai informasi mengenai sepatu running yang paling banyak terjual
berdasarkan kurun waktu dan tahun sehingga terlihat mana sepatu yang memiliki
minat tinggi dan sepatu yang memiliki minat rendah. Selain itu hasil implementasi
data mining menngunakan algoritma Apriori tersebut dapat membantu pemilik toko
dalam kebijakan pengambilan keputusan terhadap persediaan sepatu atau stok yang
memiliki minat tertinggi.
Penelitian yang dilakukan Nurani dan Hamdan Gani [7] menggunakan
Algoritma Apriori dan Algoritma Centroid Linkage Hierarchical Method (CLHM)
dalam mengimplementasikan big data untuk mengambil keputusan terhadap
penempatan barang pada rak toko buku. Tujuannya adalah mencari keterkaitan
antara satu buku dengan buku yang lain di dalam suatu set data dengan
menggunakan teknik data mining. Penelitian ini memanfaatkan dua teknik data
mining yaitu implementasi algoritma Apriori yang berfungsi untuk mendapatkan
pola-pola item yang saling berkaitan, kemudian algoritma Centroid Linkage
Hierarchical Method (CLHM) untuk klasterisasi data. Hasil akhir penelitian adalah
sebuah pengetahuan baru tentang pola pembelian konsumen yang selama ini jarang
diketahui. Dan hasil dari implementasi kedua algoritma tersebut dapat
dimanfaatkan untuk membantu membuat strategi bisnis di antaranya : Menyusun
layout yang baik didasarkan pada pola pembelian item yang memiliki nilai
confidence tinggi atau dengan kata lain meletakkan satu item dengan item lain yang
nilai confidence / keterkaitannya tinggi. Selanjutnya toko buku dapat mengatur
penempatan item ini agar memudahkan konsumen dalam membeli kedua item
tersebut sehingga dapat meningkatkan penjualan kedua item tersebut. Pengetahuan
ini juga dapat digunakan dalam membantu manajer sebuah toko buku dalam
3
menentukan keputusan persediaan barang, dapat juga dengan memberikan paket
diskon terhadap pola pembelian item yang memiliki nilai confidence tinggi.
Dewi Listriani, Anif Hanifa Setyaningrum, dan Fenty Eka M. A [8]
melakukan penelitian dengan memanfaatkan data transaksi penjualan yang telah
tersimpan dalam database sehingga pihak manajemen dapat mengetahui kebiasaan
pelanggan atau perilaku pelanggan mengenai apa saja buku yang sering dibeli. Cara
mengetahui buku-buku yang dibeli secara bersamaan, dapat digunakan association
rule (aturan asosiasi), yaitu teknik data mining untuk menemukan aturan asosiasi
suatu kombinasi item. Hasil penelitian ini berupa aplikasi untuk menganalisa pola
belanja dimana pola yang dihasilkan dapat dijadikan rekomendasi dalam
menentukan strategi penjualan oleh pihak toko buku. Rekomendasi tersebut dapat
digunakan untuk menentukan tata letak buku dan sebagai rekomendasi buku pada
pencarian di situs online yang telah disediakan berdasarkan buku yang sering dibeli
dalam data transaksi.
Yuli Asriningtias dan Rodhyah Mardhiyah [9] melakukan implementasi dari
teknik data mining berupa aplikasi yang dibangun menggunakan bahasa
pemrograman Borland Delphi 7 dan menggunakan database SQL Server 2000
sebagai media penyimpanan data. Penelitian ini dikembangkan dengan cara
melakukan scan data pada database secara langsung sehingga menghasilkan
informasi yang dibutuhkan. Aplikasi data mining tersebut dapat digunakan untuk
menampilkan informasi tingkat kelulusan. Informasi yang ditampilkan berupa
hubungan antara tingkat kelulusan dengan data induk mahasiswa. Hasil dari
penelitian ini yaitu dapat diketahui tingkat ketepatan waktu dan nilai kelulusan
mahasiswa yang berelasi dengan atribut data masuk mahasiswa. Selain itu dapat
digunakan sebagai pertimbangan dalam mengambil keputusan lebih lanjut tentang
faktor yang mempengaruhi tingkat kelulusan khususnyas faktor dalam data induk
mahasiswa.
Berdasarkan penelitian-penelitian yang pernah dilakukan sehubungan dengan
menganalisis data transaksi peminjaman buku yang berkaitan dengan tingkat minat
baca anggota perpustakaan, maka dilakukannya penelitian ini adalah guna
membahas penerapan data mining untuk mengetahui pola asosiasi atau keterkaitan
antara item buku yang satu dengan yang lainnya. Analisis ini dilakukan untuk
mengetahui data buku perpustakaan dengan minat pinjaman yang tinggi
berdasarkan transaksi peminjaman yang ada serta membantu pihak pengelola
perpustakaan dalam kebijakan pengambilan keputusan terhadap persediaan buku
dan penempatan buku pada rak perpustakaan.
Data mining merupakan proses menggali informasi dengan menemukan
hubungan atau pola serta kecenderungan yang ada dari data yang tersimpan dalam
database menggunakan teknik pengenalan pola seperti statistik dan matematika.
Istilah data mining dan knowledge discovery in databases (KDD) sering kali
digunakan secara bergantian untuk menjelaskan proses penggalian informasi
tersembunyi dalam suatu basis data yang besar. Kedua istilah tersebut memiliki
keterkaitan satu sama lain, akan tetapi memiliki konsep yang berbeda karena data
mining itu sendiri berada dalam satu tahapan dalam proses knowledge discovery in
4
database (KDD) [10]. Proses pengolahan data dalam penelitian ini menggunakan
metode yang ada pada proses knowledge discovery in database (KDD). Secara garis
besar, proses knowledge discovery in database (KDD) adalah seperti yang tampak
pada gambar di bawah beserta penjelasannya :
Gambar 1 Proses knowledge discovery in database (KDD) [11]
Lima tahapan atau metode penelitian tersebut, meliputi [11] :
1. Seleksi Data (data selection)
2. Praproses Data / Pembersihan Data (preprocessing data / cleaning data)
3. Transformasi Data (data transformation)
4. Proses data mining
5. Evaluasi Pola (pattern evaluation) / Presentasi Pengetahuan (knowledge
presentation)
Association rule mining adalah teknik data mining untuk menemukan aturan
asosiatif antara suatu kombinasi item. Analisis asosiasi juga sering disebut market
basket analysis [12]. Association rule merupakan salah satu metode yang bertujuan
mencari pola yang sering muncul di antara banyak transaksi, dimana setiap
transaksi terdiri dari beberapa item. Salah satu tahap pada metode ini disebut
analisis pola frekuensi tinggi (frequent pattern mining) dimana menarik perhatian
banyak peneliti untuk menghasilkan algoritma yang efisien. Penting tidaknya suatu
aturan asosiatif dapat diketahui dengan dua parameter, yaitu nilai penunjang
(support) atau suatu ukuran yang menunjukkan seberapa besar tingkat presentase
kombinasi suatu item atau item set dari keseluruhan transaksi tersebut. Dengan kata
lain kemungkinan variabel X dan variabel Y muncul secara bersamaan dalam
database. Sedangkan nilai kepastian (confidence) yang menyatakan kuatnya
hubungan antar item dalam aturan asosiasi. Dapat dikatakan juga bahwa confidence
merupakan suatu ukuran yang menunjukkan hubungan antar dua item secara
conditional (berdasarkan suatu kondisi tertentu). Dengan kata lain merupakan
kemungkinan munculnya variabel Y ketika variabel X juga muncul [13]. Dimana
analisis asosiasi ini didefinisikan suatu proses untuk menemukan semua aturan
asosiatif yang memenuhi syarat minimum untuk support (minsup) dan syarat
minimum untuk confidence (minconf). Metodologi dasar analisis asosiasi terbagi
5
menjadi dua tahap, yaitu analisa pola frekuensi tinggi dan pembentukan aturan
asosiatif.
Pada penelitian ini, Algoritma Apriori digunakan untuk mencari frequent item
set frequent item set yang memenuhi batas minimum support (minsup) kemudian
mendapatkan rule yang memenuhi batas minimum confidence (minconf) dari
frequent item set tadi. Algoritma Apriori menggunakan pendekatan iteratif dengan
level-wise search dimana k-item set dipakai untuk mencari (k+1)-item set. Bila rule
yang didapatkan memenuhi batasan yang ditentukan dan batasan itu tinggi, maka
rule tersebut tergolong strong rules [11].
Terdapat dua proses utama dalam Algoritma Apriori, yaitu [14]:
a. Join (penggabungan)
Dalam proses ini, setiap item dikombinasikan dengan item lain sampai
tidak dapat terbentuk kombinasi lagi.
b. Prunning (pemangkasan)
Pada proses ini, hasil kombinasi item akan dipangkas berdasarkan
minimum support yang telah ditentukan.
Pseudocode 1 Perhitungan Algoritma Apriori [AGR94] [15]
L1 = {large 1-itemsets};
for(k = 2; Lk-1 ≠ ∅; k++)
{
Ck = apriori-gen(Lk-1); //pembuatan kandidat baru
forall transactions t € D
{
Ct = subset(Ck, t); //kandidat yang tampil pada t
forall candidates c € Ct
{
c.count++;
}
}
Lk = {c Ck | c.count minsup};
}
Answer = UkLk;
Keterangan :
L : Himpunan frequent item set
C: Himpunan kandidar item set
c : Kandidat item set
t : Transaksi
6
Pseudocode 2 Function Apriori-gen [AGR94] [15]
//join step
INSERT INTO Ck
SELECT p.item1, p.item2, …, p.itemk-1, q.itemk-1
FROM Lk-1 p, Lk-1 q
WHERE p.item1 = q.item1, …, p.itemk-2 = q.itemk-2,
p.itemk-1 < q.itemk-1;
//prune step
forall itemsets c € Ck
{
forall( (k-1)-subsets s of c)
{
if(s € Lk-1)
{
delete c from Ck;
}
}
}
Algoritma Apriori mengunakan fungsi Apriori-gen utuk menentukan
kandidat itemset-nya. Langkah-langkah dari proses Algoritma Apriori adalah :
Langkah pertama, melakukan scan database untuk mendapatkan kandidat 1-
itemset, yaitu C1 (himpunan item yang terdiri dari 1 item) dan menghitung nilai
support-nya. Bandingkan nilai support dengan minimum support yang sudah
ditentukan, jika nilainya lebih besar atau sama dengan minimum support, maka
itemset tersebut termasuk dalam large itemset yaitu L1 (large itemset dengan 1
item). Langkah kedua, Itemset yang tidak termasuk dalam large itemset tidak
disertakan dalam iterasi selanjutnya (dilakukan prunning). Langkah ketiga,
Himpunan L1 hasil iterasi pertama akan digunakan untuk iterasi selanjutnya. Pada
L1 dilakukan proses join terhadap dirinya sendiri untuk membentuk kandidat 2-
itemset (C2). Bandingkan lagi support dari item-item C2 dengan minimum support,
bila tidak kurang dari minimum support, maka itemset tersebut masuk dalam large
itemset L2. Pada iterasi selanjutnya, hasil large itemset pada iterasi sebelumnya (Lk-
1) akan dilakukan proses join terhadap dirinya sendiri untuk membentuk kandidat
baru (Ck), dan large itemset baru (Lk). Setelahnya dilakukan proses pruning pada
itemset yang tidak termasuk dalam Lk. Langkah keempat, tahap pembentukan
kandidat (joining) dan pembentukan large itemset (prunning) terus dilakukan
hingga terdapat himpunan kosong atau sudah tidak ada lagi kandidat yang bisa
dibentuk. Langkah kelima, dari seluruh large itemset yang memenuhi minimum
support (frequent itemset) dibentuk association rules dan dicari nilai confidence-
nya. Aturan-aturan yang nilai confidence nya lebih kecil dari minimum confidence,
tidak termasuk dalam association rule yang dipakai. [14]
7
3. Penerapan Algoritma Apriori
Pengelolaan data yang ada di perpustakaan merupakan salah satu kegiatan
yang sangat berguna dalam menggali informasi. Pengelolaan tersebut dilakukan
untuk mengetahui klasifikasi buku dengan minat baca tertinggi pada perpustakaan
berdasarkan histori transaksi peminjaman yang ada. Dengan informasi tersebut,
pihak perpustakaan akan dapat mengetahui pola penempatan buku pada rak
perpustakaan serta rekomendasi buku sehingga dapat dilakukan penambahan stok
buku berdasarkan minat baca tertinggi. Maka dari itu, pengunjung perpustakaan
pun dapat semakin meningkat. Guna mewujudkan hal tersebut, pengelolaan data
dilakukan menggunakan beberapa tahapan. Terdapat lima tahapan atau metode
penelitian di antaranya adalah : (1) Data Selection dimana pada tahap ini dilakukan
pengumpulan dan persiapan data dengan memilih atau menyeleksi data dari
sekumpulan data operasional yang kemudian data tersebut digunakan kembali pada
tahap penggalian informasi dalam knowledge discovery in database (KDD).
Terdapat tiga jenis data yang dikumpulkan, yaitu data anggota perpustakaan, data
buku, dan data transaksi peminjaman pada tahun 2018. Data tersebut tercatat dalam
Ms. Excel akan tetapi struktur datanya belum dilakukan seleksi menjadi data yang
siap pakai dan sesuai dengan penelitian ini. Tabel 1 berikut ini merupakan daftar
transaksi peminjaman buku dengan mengganti nama anggotanya menjadi nama
alias.
Tabel 1 Daftar Transaksi Peminjaman Buku
No. ID
Anggota
Nama
Anggota
Kode
Eksemplar
Judul Tanggal
Pinjam
Tanggal
Harus
Kembali
1. 10897 Anggota 1 B1320142 Baik dan Buruk Menurut
Al-Qur’an
2018-01-02 2018-01-05
B1741180 Brutal 2018-01-02 2018-01-05
Lanjutan Tabel 1 Daftar Transaksi Peminjaman Buku
2. 11338 Anggota 2 B1637054 Perang Muhammad :
Kisah Perjuangan dan
Pertempuran Rasulullah
2018-01-02 2018-01-05
B1739121 Si Juki Lika-Liku Anak
Kos!
2018-01-02 2018-01-05
3. 13853 Anggota 3 B1740351 Luka dalam Bara 2018-01-02 2018-01-05
B1741303 Ahok Pun Digoyang :
Dan Rupa-Rupa
Peristiwa
2018-01-02 2018-01-05
(2) Pre-processing / Cleaning, tahap ini dapat disebut juga tahap praproses
data dimana pembersihan dilakukan dengan cara menghapus atribut yang tidak
digunakan dalam proses data mining, menghapus duplikasi data, memeriksa data
yang inkonsistensi, 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
knowledge discovery in database (KDD) seperti data atau informasi eksternal.
8
Penerapan tahap ini pada penelitian adalah dengan mengambil beberapa atribut
yang dibutuhkan dari data-data yang ada menjadi satu dokumen guna diproses ke
tahap selanjutnya. Pengambilan atau penggunaan atribut tersebut antara lain ID
anggota yang berasal dari data anggota, atribut Tipe Anggota yang berasal dari data
anggota, dan atribut kategori atau Klasifikasi Buku yang berasal dari data buku.
Kemudian ketiga atribut atau variabel tersebut dilakukan penggabungan menjadi
satu data dimana strukturnya sesuai dengan data transaksi peminjaman buku yang
ada pada perpustakaan tersebut guna memudahkan analisis proses dalam data
mining.
Berdasarkan data anggota yang diperoleh, atribut atau variabel Tipe Anggota
memiliki jumlah 12 yang meliputi TK/SD; SMP; SMA; Mahasiswa; Umum;
Khusus; Tamu; PNS; Perpustakaan Keliling (Perling) SD; Perling SMP; Perling
SMA; dan Lain-lain. Setelah melewati tahap praproses data, jumlahnya menjadi
lima di antaranya TK/SD, SMP, SMA, Mahasiswa, dan Umum. Kemudian
Klasifikasi Buku dari data yang ada disesuaikan berdasarkan acuan dari electronic-
Dewey Decimal Classification (e-DDC) berjumlah 103 variabel yang dijabarkan
dari 10 klasifikasi utama penomoran electronic-Dewey Decimal Classification (e-
DDC) seperti yang ditunjukkan pada gambar di bawah.
Gambar 2 Klasifikasi Utama dari electronic-Dewey Decimal Classification (e-DDC) [16]
Setelah dilakukan penyelarasan struktur data berdasarkan Tipe Anggota dan
Klasifikasi Buku sesuai dengan transaksi peminjaman, proses selanjutnya adalah
menggabungkan Tipe Anggota dan Klasifikasi Buku dalam satu ID Anggota. Data
transaksi peminjaman yang akan digunakan adalah data transaksi dengan jumlah
Tipe Anggota adalah satu dan Klasifikasi Buku minimal satu, dikarenakan pada
penelitian ini tujuan utamanya adalah untuk mengetahui Klasifikasi Buku yang
dipinjam oleh Tipe Anggota tertentu dimana frekuensinya paling tinggi dalam
9
transaksi peminjaman, sehingga tiap record pada transaksi peminjaman terdapat
minimal dua variabel yang dipilih. Selain itu, pembersihan data dilakukan juga
terhadap nilai dari atribut atau variabel ID Anggota. Dimana dari data asli yang ada,
terdapat ID Anggota yang terdiri dari angka saja, namun terdapat pula ID Anggota
yang terdiri dari huruf dan angka. Maka dari itu, dilakukan penyetaraan dimana ID
Anggota hanya terdiri dari angka saja agar dapat diolah menggunakan Rapid Miner.
Tabel 2 Penggabungan Atau Integrasi Data Menjadi Satu Transaksi
ID Anggota Tipe Anggota Klasifikasi Buku
10897 Umum Islam, Sastra Inggris
11338 TK/SD Islam, Sastra Indonesia
13853 Umum Islam, Sastra Indonesia, Biografi dan Silsilah
14584 Mahasiswa Etika dan Filsafat Moral, Biografi dan Silsilah
14976 TK/SD Menggambar dan Seni Dekorasi
1530 Umum Sastra Indonesia
16303 TK/SD Menggambar dan Seni Dekorasi, Sastra Indonesia
X
1687 SMA Islam
(3) Transformation, dilakukan dengan cara mengubah bentuk data transaksi
peminjaman menjadi tabel boolean atau dalam format tabular agar selanjutnya
dapat diolah menggunakan tools data mining yaitu Rapid Miner. Pembuatan tabel
boolean berdasarkan pada tahap praproses data sebelumnya dimana atribut atau
variabel yang digunakan adalah ID Anggota, Tipe Anggota, dan Klasifikasi buku.
Transformasi data yang dilakukan menggunakan ekstensi yang terdapat di Ms.
Excel yaitu *.XLS.
Tabel 3 Data Tabular
ID Anggota A B C D E ….. DC
10897 0 0 0 0 1 ….. 0
11338 1 0 0 0 0 ….. 0
13853 0 0 0 0 1 ….. 0
….. ….. ….. ….. ….. ….. ….. …..
1418045 1 0 0 0 0 ….. 0
Hasil 484 65 73 218 21 ….. 0
Berikut merupakan keterangan variabel yang digunakan, dimana variabel
A-E merupakan variabel yang menyatakan Tipe Anggota yang berjumlah lima,
sedangkan sisanya adalah variabel Klasifikasi Buku yang berjumlah 103.
A : TK/SD BC : Bahasa Yunani Kuno
B : SMP BD : Bahasa-bahasa Lain
C : SMA BE : Bahasa Indonesia
D : Mahasiswa BF : Ilmu Pengetahuan Alam
E : Umum BG : Matematika
….. …..
BB : Bahasa Italia DB : Sejarah Umum Bagian Dunia
Lainnya
10
(4) Data Mining, pada tahap inilah dilakukan pencarian pola atau informasi
menarik dalam data terpilih dengan menerapkan teknik atau metode tertentu, atau
algoritma dalam data mining dimana sangat bervariasi. Pemilihan metode atau
algoritma yang tepat sangat bergantung pada tujuan dan proses knowledge
discovery in database (KDD) secara keseluruhan. Dalam melakukan analisis pun
dicari aturan-aturan asosiasi yang memenuhi syarat minimum support dan syarat
minimum confidence. Metodologi dasar analisis asosiasi yang digunakan terbagi
menjadi dua tahap, yaitu : [12]
1. Analisa Pola Frekuensi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan rumus
sebagai berikut :
Support (A) = 𝑋
𝑌 (1)
Keterangan :
A : Item yang menunjukkan tipe anggota.
X : Jumlah transaksi mengandung item A atau tipe anggota.
Y : Total transaksi.
Sementara itu, nilai support dari dua item diperoleh dari rumus kedua sebagai
berikut :
Support (A,B) = P(A∩B) = 𝑍
𝑌 (2)
Keterangan :
B : Item yang menunjukkan klasifikasi buku.
A,B : Transaksi yang mengandung kombinasi item A atau tipe anggota
dan item B atau klasifikasi buku.
P (A∩B) : Peluang sebuah transaksi yang mengandung item A atau tipe
anggota dan item B atau klasifikasi buku.
Z : Jumlah transaksi mengandung item A atau tipe anggota
dan item B atau klasifikasi buku.
2. Pembentukan Aturan Asosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiatif
yang memenuhi syarat minimum untuk confidence dengan menghitung
confidence aturan asosiatif A→B.
Nilai confidence dari aturan A→B diperoleh dari rumus berikut :
Confidence = P (B | A) = 𝑍
𝑋 (3)
11
Keterangan :
A→B : Seberapa sering item A dengan item B muncul dalam transaksi.
P (B|A) : Peluang sebuah transaksi yang mengandung item B dan A.
Langkah awal pada tahap analisa pola frekuensi guna mencari kombinasi item
adalah perlu untuk menentukan nilai minimum support terlebih dahulu yang dicari
menggunakan persamaan rumus 1. Pada penelitian ini menggunakan minimum
support yaitu sebesar 2%. Setelah itu dicari nilai support item set atau support
masing-masing item. Berdasarkan persamaan rumus 1 dapat diketahui bahwa
jumlah transaksi mengandung item A misal 479, dibagi dengan total transaksi misal
sebanyak 1002, maka akan menghasilkan nilai sebesar 0.478044. Dengan kata lain
dapat disimpulkan bahwa nilai support utuk item A tersebut adalah sebesar 47.80%.
Begitu pula untuk perhitungan item lainnya yang terkandung dalam transaksi.
Untuk lebih jelasnya, daftar frequent 1-Item Set dapat dilihat pada tabel di bawah
ini.
Tabel 4 Daftar frequent 1-Item Set
No. Item Set Support Count Perhitungan Rumus
1
Support (%)
1. A 479 479/1002 47.80
2. B 66 66/1002 6.59
3. C 73 73/1002 7.29
4. D 167 167/1002 16.67
5. E 217 217/1002 21.66
….. ….. ….. ….. …..
106. DB 0 0/1002 0.00
Berdasarkan nilai minimum support yang telah ditentukan yaitu 2%, maka
item yang memiliki nilai support di bawah 2% akan dihilangkan. Item yang
memiliki nilai support sama dengan atau lebih dari nilai minimum support
kemudian dilakukan kombinasi item menjadi frequent 2-Item Set. Dalam pencarian
nilai support dari frequent 2-Item Set menggunakan batasan nilai minimum support
yang sama dengan frequent 1-Item Set sebelumnya yaitu 2%. Untuk mencari nilai
support dari frequent 2-Item Set menggunakan persamaan rumus 2. Dimana dapat
diketahui dari persamaan rumus 2 bahwa jumlah transaksi mengandung item A dan
item B misal sebanyak 22, dibagi dengan total transaksi yaitu sebanyak 1002
sehingga menghasilkan nilai sebesar 0.021956 atau dengan kata lain bahwa nilai
support terhadap item AB adalah 2,19%. Begitu seterusnya untuk mencari nilai
support dari frequent 2-Item Set lainnya. Kemudian item set yang memiliki nilai
support di bawah nilai minimum support yang telah ditentukan yaitu 2% akan
dihilangkan. Berikut merupakan item set yang memenuhi nilai minimum support.
Pada penelitian ini, dikarenakan ingin mengetahui pola frekuensi antara tipe
anggota dan klasifikasi buku, maka kombinasi item yang digunakan adalah
kombinasi antara item A-E dan item F-DB. Dimana item A-E merupakan item yang
menyatakan Tipe Anggota, sedangkan item F-DB yang menyatakan Klasifikasi
12
Buku yang ada di perpustakaan. Berikut merupakan kombinasi dari 2-Item Set yang
digunakan.
Tabel 5 Daftar frequent 2-Item Set
Item Set Support Count Perhitungan Rumus 2 Support (%)
E, AI 22 22/1002 2.20
E, CJ 28 28/1002 2.79
A, AI 18 18/2002 1.80
A, CI 49 49/1002 4.89
E, CI 72 72/1002 7.19
E, CU 13 13/1002 1.30
D, CU 4 21/1003 4.19
….. ….. ….. …..
D, CI 60 60/1002 5.99
Dari daftar frequent 2-Item Set, item yang memiliki nilai support di bawah
nilai minimum support dihilangkan dan sisanya dicari kombinasi 3-Item Set. Dalam
pencarian nilai support frequent 3-Item Set pun masih berdasarkan acuan nilai
minimum support yang telah ditentukan yaitu 2%. Dan untuk mencari nilainya
menggunakan kombinasi 2-Item Set dan 1-Item Set. Misalnya mencari nilai dari
frequent 3-Item Set dari item TK/SD, item Sastra Indonesia X, serta item
Menggambar dan Seni Dekorasi. Terlebih dahulu mencari nilai support dari
frequent 2-Item Set TK/SD dan Sastra Indonesia dimana jumlah transaksi yang
mengandung item TK/SD dan item Sastra Indonesia X adalah sebanyak 232.
Kemudian dari frequent 2-Item Set tadi dikombinasikan dengan item Menggambar
dan Seni Dekorasi dimana jumlah transaksi yang mengandung item Menggambar
dan Seni Dekorasi adalah sebanyak 34. Sehingga untuk nilai support dari frequent
3-Item Set tersebut adalah 34 dibagi 1002 yang hasilnya adalah 0.033932 atau
dengan kata lain nilainya adalah 3,39%.
Tabel 6 Frequent 3-Item Set
Item Set Support Count
Frequent 2-Item Set
Support Count
Frequent 3-Item Set
Perhitungan
Nilai
Support
(%)
CB, CR, A 39 34 34/1002 3.39
A, CB, CR 34 34 34/1002 3.39
….. ….. ….. ….. …..
A, CR, CB 232 34 34/1002 3.39
Setelah mengetahui nilai support dari masing-masing frequent Item Set, maka
langkah selanjutnya adalah dengan menentukan nilai minimum confidence yang
menyatakan kuatnya hubungan frequent item set pada transaksi. Maka dari itu, pada
penelitian ini nilai minimum confidence yang ditentukan adalah 40%. Setelah
menentukan nilai minimum confidence, masing-masing frequent item set dihitung
nilai confidence-nya sehingga muncul calon aturan-aturan asosiasi. Perhitungan
nilai confidence menggunakan persamaan rumus 3. Dimana dapat diketahui bahwa
untuk mencari nilai confidence dari frequent 2-Item Set, maka jumlah transaksi
yang mengandung item A dan item B misal sebanyak 72 dibagi dengan jumlah
transaksi yang mengandung item A misal sebanyak 217 menghasilkan nilai sebesar
13
0.331797 atau dengan kata lain nilai confidence dari frequent 2-Item Set tersebut
adalah sebesar 33%. Sedangkan apabila untuk mencari nilai confidence dari
frequent 3-Item Set, maka jumlah transaki yang mengandung item A, item B, dan
item C misal sebanyak 34 dibagi dengan jumlah transaksi yang mengandung item
A dan item B misal sebanyak 72 menghasilkan nilai sebesar 0.47 atau dengan kata
lain nilai confidence dari frequent 3-Item Set tersebut adalah sebesar 47%.
Berdasarkan tahapan-tahapan di atas, maka hasil akhirnya akan terbentuk
aturan-aturan asosiasi dari transaksi berdasarkan nilai minimum support dan nilai
minimum confidence yang telah ditetapkan. Hasil akhir tersebutlah yang
menunjukkan aturan terbaik dari transaksi yang ada, dengan kata lain pola frekuensi
tinggi yang terbaik.
(5) Interpretation / Evaluation, tahap ini merupakan bagian dari proses
knowledge discovery in database (KDD) yang mencakup pemeriksaan apakah pola
atau informasi yang ditemukan bertentangan dengan fakta atau hipotesis yang ada
sebelumnya. Dari pola frekuensi yang dihasilkan dari tahap menganalisa, maka
dapat diambil kesimpulan mengenai keterkaitan hubungan tiap item transaksi
tersebut. Sehingga menghasilkan suatu informasi yang sangat berguna dan dapat
diterapkan secara langsung seperti tujuan dari penelitian ini yaitu rekomendasi stok
buku dan tata letak buku di rak kepada pihak perpustakaan. Dengan begitu pihak
perpustakaan dapat menentukan strategi lebih lanjut agar dapat menarik minat
pengunjung lebih banyak.
4. Hasil dan Pembahasan
Proses pembentukan pola kombinasi item sets dan pembuatan rules dimulai
dari analisis data. Sumber data yang digunakan pada penelitian ini adalah data
transaksi peminjaman buku di Perpustakaan Daerah Kota Salatiga pada tahun 2018
bulan Januari yang berjumlah 1593 transaksi. Data tersebut yang kemudian
dilanjutkan dengan pembentukan pola kombinasi item sets sehingga dari pola
kombinasi item sets yang menarik terbentuklah association rules. Hasil dari pola
asosiasi itulah yang sangat berguna bagi pihak perpustakaan dimana dapat
digunakan untuk menentukan kebijakan-kebijakan yang dapat diambil dalam
mengelola atau mengatur siklus peminjaman buku di perpustakaan tersebut. Selain
itu pihak perpustakaan juga dapat meningkatkan strategi pelayanan serta pemasaran
buku. Di sisi lain strategi dalam penempatan dan pengaturan stok buku juga sangat
berperan penting.
Selain data transaksi peminjaman dari data-data yang telah didapat, data
anggota dan data buku diolah terlebih dahulu sebelum dilakukan pencarian pola
kombinasi item set dengan mengambil beberapa atribut saja. Pengolahan data pada
penelitian ini menggunakan acuan ID Anggota, Tipe Anggota, dan Klasifikasi
Buku. Dalam pengolahannya, Tipe Anggota yang digunakan adalah sebanyak lima
dan Klasifikasi Buku yang berjumlah 103 dimana penulis mengklasifikasikan
kembali data yang didapat menggunakan acuan electronic-Dewey Decimal
Classification (e-DDC).
14
Tahap dalam menganalisa data menggunakan Algoritma Apriori terhadap
histori transaksi peminjaman buku dimulai dengan melakukan seleksi data (data
selection) serta pembersihan data (preprocessing data / cleaning data). Pada tahap
pembersihan data, total transaksi peminjaman menjadi 1002 data yang semula 1593
data. Pembersihan data tersebut dilakukan guna menyelaraskan data yang akan
diolah agar atribut dalam data tersebut digunakan secara maksimal jadi tidak
terdapat atribut yang tidak terpakai saat dilakukan pengolahan data sehingga hasil
akhir dari pengolahan datanya dapat mencapai tujuan dari penelitian ini. Selain itu,
data yang akan diolah juga dapat diimplementasikan menggunakan bantuan aplikasi
seperti Rapid Miner dengan cara mengubah format data ke dalam tabel boolean
atau menjadi format tabular yang dibuat menggunakan Microsoft Excel (data
transformation).
Selanjutnya tahap analisa pola frekuensi diawali dengan melakukan pencarian
pola hubungan yang terdapat pada transaksi peminjaman buku dengan membentuk
pola kombinasi item set dimana bermula dari frequent 1-item set. Kemudian dari
frequent 1-item set tersebut pola frequent 2-item set pun terbentuk, yang mana pola
dari frequent 2-item set juga membentuk pola frequent 3-item set. Sebagai acuan
tiap frequent item set dalam mencari pola kombinasinya, maka dari itu nilai
minimum support telah ditentukan di awal. Pencarian pola kombinasi item set inilah
yang merupakan tahap data mining pertama.
Tabel 7 Hasil 1-Item Set
Item Set Support Count Perhitungan Rumus 1 Support (%)
A 479 479/1002 47.80
B 66 66/1002 6.59
C 73 73/1002 7.29
D 167 167/1002 16.67
E 217 217/1002 21.66
F 21 21/1002 2.10
T 42 42/1002 4.19
….. ….. ….. …..
CU 26 26/1002 2.81
Daftar 1-Item Set di atas merupakan hasil dari pola kombinasi dimana telah
memenuhi syarat minimum support yaitu sebesar 2%. Dari pola kombinasi 1-Item
Set tersebut termasuk dalam iterasi pertama. Dari iterasi pertama, didapat pola
kombinasi menjadi 2-Item Set dimana merupakan iterasi kedua. Berikut merupakan
kombinasi 2-Item Set yang dapat dibentuk dari proses iterasi pertama.
Tabel 8 Hasil 2-Item Set
Item Set Support Count Minimum Support 2%
A, CI 49 4.89 %
B, CI 42 4.19 %
C, CR 37 3.69 %
A, AT 26 2.59 %
….. ….. …..
A, CJ 60 5.99 %
15
Dari aftar 2-Item Set di atas dapat dilihat bahwa pola kombinasi item yang
terbentuk adalah yang memiliki nilai support telah memenuhi nilai minimum
support yang ditentukan. Masuk ke tahap data mining yang kedua yaitu
pembentukan aturan asosiasi. Pembentukan aturan asosiasi dilakukan dengan
mencari nilai confidence yang memenuhi syarat minimal confidence dimana telah
ditentukan sebelumnya. Pembentukan pola-pola tersebut menghasilkan aturan-
aturan asosiasi berdasarkan dari syarat minimum support dan syarat minimum
confidence yang terpenuhi. Dibentuknya aturan asosiasi tersebut menyatakan
kuatnya hubungan kombinasi item set pada transaksi. Untuk melakukan
pembentukan asosiasi, pada penelitian ini ditetapkan nilai minimum confidence
sebesar 40%.
Tabel 9 Hasil Akhir 2-Item Set Berdasarkan Nilai Support dan Nilai Confidence
Aturan Asosiasi Minimum Support
2%
Jumlah Minimum Confidence
40%
Jika tipe anggota B, maka
meminjam klasifikasi buku CI
4.19 % 42/66 64 %
Jika tipe anggota C, maka
meminjam klasifikasi buku CR
3.69 % 37/73 51 %
Jika tipe anggota A, maka
meminjam klasifikasi buku AT
2.59 % 26/40 65 %
Jika klasifikasi buku CI, maka
dipinjam oleh tipe anggota A
4.89 % 49/72 68 %
….. ….. ….. …..
Jika tipe anggota A, maka
meminjam klasifikasi buku CJ
5.99 % 60/128 47 %
Pada Tabel 9 tersebut di atas merupakan hasil nilai support yang telah
memenuhi syarat minimum support serta nilai confidence yang telah memenuhi
syarat minimum confidence dari frequent 2-Item Set. Dari hasil akhir di atas dapat
dijadikan sebagai calon aturan asosiasi. Selanjutnya dilakukan analisa iterasi ketiga
dimana pola kombinasi yang terbentuk merupakan 3-Item Set. Berikut merupakan
kombinasi 2-Item Set yang dapat dibentuk dari proses iterasi pertama.
Tabel 10 Hasil 3-Item Set
Item Set Support Count
Frequent 2-Item Set
Support Count
Frequent 3-Item Set
Minimum Support
2%
CB, CR, A 39 34 3.39 %
A, CB, CR 34 34 3.39 %
….. ….. ….. …..
A, CR, CB 232 34 3.39 %
Pembentukan pola aturan asosiasi dilakukan setelah pencarian pola frekuensi
tinggi. Aturan asosiasi dibentuk dengan mencari nilai confidence yang memenuhi
nilai minimum support dan nilai minimum confidence.
16
Tabel 11 Hasil Akhir 3-Item Set Berdasarkan Nilai Support dan Nilai Confidence
Aturan Asosiasi Minimum Support
2%
Jumlah Minimum Confidence
40%
Jika klasifikasi buku CB dan CR,
maka dipinjam oleh tipe anggota A
3.39 % 34/39 87 %
Jika tipe anggota A, maka
meminjam klasifikasi buku CB dan
CR
3.39 % 34/72 47 %
Berdasarkan hasil akhir dari frequent 2-Item Set dan frequent 3-Item Set,
didapat daftar item set yang memiliki nilai support dan nilai confidence yang
memenuhi syarat nilai minimum support dan syarat minimum confidence. Berikut
merupakan daftar aturan asosiasi yang terbentuk dimana diambil dari daftar calon
aturan-aturan asosiasi frequent 2-Item Set dan frequemt 3-Item Set.
Tabel 12 Hasil Aturan-Aturan Asosiasi dari Tiap Frequent Item Set
No. Aturan Asosiasi Confidence (%)
1. Jika klasifikasi buku CB dan CR, maka dipinjam oleh
tipe anggota A
87
2. Jika klasifikasi buku CB, maka dipinjam oleh tipe
anggota A
82
3. Jika klasifikasi buku CI, maka dipinjam oleh tipe
anggota A
68
4. Jika klasifikasi buku AT, maka dipinjam oleh tipe
anggota A
65
5. Jika tipe anggota B, maka meminjam klasifikasi buku
CR
64
6. Jika klasifikasi buku CR, maka dipinjam oleh tipe
anggota A
52
7. Jika tipe anggota C, maka meminjam klasifikasi buku
CR
51
8. Jika tipe anggota A, maka meminjam klasifikasi buku
CR
48
9. Jika tipe anggota A, maka meminjam klasifikasi buku
CB dan CR
47
10. Jika klasifikasi buku CJ, maka dipinjam oleh tipe
anggota A
47
Setelah dilakukan analisis terhadap data dengan perhitungan manual
menggunakan Microsoft Excel, pengujian terhadap data tersebut dilakukan dengan
menggunakan bantuan aplikasi data mining yaitu Rapid Miner. Pada tahap
pengujian ini dapat dibuktikan bahwa analisis data yang telah dilakukan dimana
menghasilkan pola hubungan kombinasi antar item serta aturan-aturan asosiasi yang
telah sesuai dengan pengolahan data menggunakan aplikasi Rapid Miner, seperti
yang ditunjukkan pada gambar di bawah ini.
17
Gambar 3 Hasil Pengujian Menggunakan Rapid Miner
Dalam mengolah data transaksi peminjaman tersebut menggunakan Rapid
Miner, nilai minimum support dan nilai minimum confidence yang digunakan
adalah sama dengan nilai minimum support dan nilai minimum confidence saat
menganalisis data menggunakan bantuan Microsoft Excel. Dimana nilai minimum
support yang digunakan adalah 2% atau 0.02, sedangkan nilai minimum confidence
yang digunakan adalah 40% atau 0.4. Berdasarkan pengolahan data menggunakan
aplikasi Rapid Miner, didapatkan aturan-aturan asosiasi dengan frequent item set
tertinggi / terbaik dan telah memenuhi syarat minimum support dan minimum
confidence. Dapat dilihat pada Gambar 3 bahwa aturan-aturan yang dihasilkan
berjumlah 10. Dimana aturan-aturan tersebut didapatkan dari masing-masing
frequent item set. Dapat dilihat dari daftar hasil aturan asosiasi terbaik yang
ditemukan, item yang memiliki nilai confidence paling mendekati atau memenuhi
syarat minimum confidence terdapat pada item nomor enam dan delapan, dimana
pada Tabel 12 ditunjukkan dengan baris yang diarsir warna abu.
Setelah menemukan aturan-aturan asosiasi yang terbaik, maka tahap evaluasi
pola (pattern evaluation) / presentasi pengetahuan (knowledge presentation) pun
dilakukan. Dari hasil analisis pada penelitian di atas, peneliti dapat mengetahui
kecenderungan anggota perpustakaan dalam meminjam buku berdasarkan dari
histori transaksi peminjaman buku di perpustakaan dengan melihat klasifikasi buku
yang sering muncul pada transaksi tersebut sehingga keterkaitan antara tipe anggota
perpustakaan dengan klasifikasi buku yang dipinjam pun dapat teridentifikasi.
Seperti yang telah ditunjukkan pada Tabel 12 bahwa aturan-aturan asosiasi yang
terbentuk dihasilkan dari perhitungan algoritma dengan melakukan tahap iterasi
berdasarkan nilai confidence yang telah ditetapkan dan acuan nilai support yang
telah ditentukan juga. Dari Tabel 12 tersebut diketahui pola peminjaman dimana
18
anggota perpustakaan yang paling sering melakukan transaksi adalah tipe anggota
A yaitu TK/SD dengan meminjam buku dengan klasifikasi CR atau Sastra
Indonesia. Dengan mengetahui pola peminjaman tersebut, peneliti dapat
memberikan sebuah pengetahuan baru kepada pihak pengelola perpustakaan
mengenai keterkaitan antara peminjaman buku yang satu dengan yang lainnya.
Selain itu juga dapat memudahkan pihak pengelola perpustakaan dalam
menentukan kebijakan penambahan stok buku agar variasi di dalamnya semakin
bertambah dan tidak terjadi kekurangan stok buku. Dengan begitu anggota
perpustakaan pun semakin memiliki referensi buku yang beragam sehingga dapat
meningkatkan jumlah pengunjung atau anggota perpustakaan yang datang. Selain
itu peneliti juga dapat memberikan rekomendasi pengaturan tata letak buku
berdasarkan rak kepada pihak perpustakaan agar sesuai dengan pola peminjaman
buku dari histori transaksi. Berikut merupakan tata letak rak buku di Perpustakaan
Daerah Kota Salatiga.
Gambar 4 Tata Letak Rak Buku Perpustakaan Daerah Kota Salatiga.
Gambar di atas merupakan tata letak rak buku di perpustakaan yang disusun
secara urut dan sesuai berdasarkan penomoran yang telah ditentukan oleh pihak
pengelola perpustakaan. Setiap warna mendeskripsikan setiap klasifikasi utama
yang ada. Selain itu terdapat Ruang Referensi dimana ruang tersebut berisikan
buku-buku dalam bentuk jurnal, ensiklopedia maupun kamus dimana setiap
klasifikasi buku 000-900 juga termasuk di dalamnya, hanya format buku yang
19
membedakan peletakannya menjadi di dalam Ruang Referensi. Keterangan warna
berdasarkan klasifikasi bukunya adalah sebagai berikut :
: 000 – F-N : 400 – AU-BE : 800 – CH-CR
: 100 – O-X : 500 – BF-BN : 900 – CS-DB
: 200 – Y-AJ : 600 – BO-BW
: 300 – AK-AT : 700 – BX-CG
Gambar 5 Saran Tata Letak Rak Buku
Dapat dilihat pada Gambar 5, saran tata letak rak buku berdasarkan pola
peminjaman buku dari hasil penelitian disusun berdasarkan klasifikasi buku yang
terdapat pada electronic-Dewey Decimal Classification (e-DDC) dari hasil tahap
pembersihan data (cleaning data). Selain itu, penyusunan juga didasarkan oleh
pertimbangan relasi kedekatan buku atau dapat disebut juga sebagai nilai
confidence, serta berdasarkan nilai support. Berdasarkan hasil analisa, produk yang
memiliki relasi atau keterkaitan antara klasifikasi buku satu dengan yang lain
disusun secara berdekatan. Dalam artian, penyusunan buku berdasarkan klasifikasi
yang ada dalam transaksi dimana memiliki nilai confidence tinggi diletakkan secara
berdekatan, akan tetapi masih dalam konteks klasifikasi utama buku yang ada pada
electronic-Dewey Decimal Classification (e-DDC). Di sisi lain, penyusunan buku
dimana klasifikasinya memiliki nilai support yang tinggi akan memberi pengaruh
besar terhadap klasifikasi buku yang ada di dekatnya, atau dengan kata lain akan
menarik perhatian dari pengunjung itu sendiri. Hal itu dikarenakan pengunjung
20
perpustakaan dalam hal ini adalah anggota perpustakaan akan memperhatikan rak
buku di sebelahnya setelah menemukan buku yang akan dipinjamnya. Membahas
tentang saran tata letak rak buku tersebut, penyusunan yang dilakukan adalah
dengan tetap meletakkan rak buku sesuai urutan klasifikasi utama dari electronic-
Dewey Decimal Classification (e-DDC) yaitu rak bernomor 000-900 sebagai
penanda bagi pengunjung perpustakaan agar dapat mencari buku dengan mudah.
Sedangkan perpindahan yang dilakukan adalah dengan cara memindahkan rak-rak
yang berada di belakang rak terdepan klasifikasi utama tersebut. Rak yang terdapat
klasifikasi buku AT diletakkan berdekatan dengan rak yang terdapat klasifikasi
utama buku bernomor 400. Kemudian klasifikasi buku CB yang awalnya berada di
belakang rak-rak buku dari klasifikasi utama nomor 600, diletakkan di belakang
rak-rak klasifikasi utama nomor 800. Sehingga klasifikasi buku CB tersebut
penyusunannya diletakkan berdekatan dengan rak yang terdapat klasifikasi buku
CR, CJ, dan CI. Perpindahan penyusunan rak buku dapat dilihat pada Gambar 5
yang telah diberi tanda yaitu garis putus-putus.
Di sisi lain, dalam konteks rekomendasi stok buku berdasarkan hasil analisa,
maka peneliti melakukan rekomendasi stok buku terhadap klasifikasi buku AT, CB,
CJ, dan CI dengan dominasi buku yang dapat dibaca oleh tipe anggota A. Kemudian
rekomendasi stok buku terhadap klasifikasi buku CR dimana mayoritas dapat
dibaca oleh tipe anggota A, B, dan C.
5. Kesimpulan
Berdasarkan hasil analisis dan pengujian dari penerapan Algoritma Apriori
pada penelitian ini, dapat ditarik beberapa kesimpulan bahwa yang pertama adalah
berdasarkan data kunjungan perpustakaan dalam hal ini konteksnya adalah data
transaksi peminjaman buku, terdapat pengetahuan yang bermanfaat bagi
perpustakaan itu sendiri dan para pengunjung perpustakaan atau anggota
perpustakaan. Kedua, penerapan Algoritma Apriori dapat digunakan untuk
menyelesaikan permasalahan dalam menemukan pola peminjaman buku yang
menghasilkan pola kombinasi terhadap data transaksi peminjaman buku.
Lalu yang ketiga, dari data hasil pengujian yang telah didapat, diketahui
klasifikasi buku apa saja yang sering muncul di dalam proses peminjaman buku
atau dengan kata lain kecenderungan tipe anggota dalam melakukan transaksi
peminjaman terhadap klasifikasi buku sehingga dapat digunakan sebagai acuan
dalam memprediksi jumlah persediaan buku yang ada di perpustakaan tersebut.
Dari hasil penelitian, berdasarkan frequent 3-Item Set diperoleh aturan asosiasi
terbaik dari klasifikasi buku CB dan CR terhadap tipe anggota A dengan nilai
confidence 87% atau dari tipe anggota A terhadap klasifikasi buku CB dan CR
dengan nilai confidence 47%. Sedangkan berdasarkan frequent 3-Item Set diperoleh
aturan asosiasi terbaiknya yaitu antara klasifikasi buku CB terhadap tipe anggota A
dengan nilai confidence 82%, antara klasifikasi buku CI terhadap tipe anggota A
dengan nilai confidence 68%, antara klasifikasi buku AT terhadap tipe anggota A
dengan nilai confidence 65%, antara tipe anggota B terhadap klasifikasi buku CR
dengan nilai confidence 64%, antara klasifikasi buku CR terhadap tipe anggota A
21
dengan nilai confidence 52%, antara tipe anggota C terhadap klasifikasi buku CR
dengan nilai confidence 51%, antara tipe anggota A terhadap klasifikasi buku CR
dengan nilai confidence 48%, antara klasifikasi buku CJ terhadap tipe anggota A
dengan nilai confidence 47%. Hasil dari aturan-aturan asosiasi tersebut telah
memenuhi atau paling mendekati dari syarat minimum support sebesar 2% dan
syarat minimum confidence sebesar 40% dari tiap frequent item set dan perhitungan
tiap iterasi. Setelah menemukan aturan-aturan asosiasi terbaik dan kemudian
dilakukan tahap evaluasi pola (pattern evaluation) / presentasi pengetahuan
(knowledge presentation), maka dapat diprediksi pengadaan buku terhadap
klasifikasi buku AT, CB, CJ, dan CI dengan dominasi buku yang dapat dibaca oleh
tipe anggota A dan klasifikasi buku CR dimana mayoritas dapat dibaca oleh tipe
anggota A, B, dan C.
Kemudian yang keempat, dengan hasil analisis tersebut, sebuah informasi
baru mengenai tata letak buku berdasarkan pola peminjaman buku pun juga
didapatkan sehingga dapat membantu pihak pengelola perpustakaan dalam
menganalisis pola peminjaman anggota perpustakaan serta membantu
mempermudah pengunjung atau anggota perpustakaan dalam menemukan buku
yang akan dipinjam sehingga dapat melakukan transaksi peminjaman buku.
Berdasarkan penelitian yang dilakukan, saran tata letak bukunya adalah dengan
memindahkan rak yang terdapat klasifikasi buku AT, CB, CI, CJ, dan CR. Dari
informasi-informasi di atas, pengetahuan tersebut dapat digunakan pihak pengelola
perpustakaan dalam meningkatkan strategi pemasaran maupun pelayanan yang ada
di perpustakaan guna semakin menarik minat pengunjung untuk datang dan
melakukan transaksi peminjaman buku.
6. Daftar Pustaka
[1] Wasiati, Hera, Eddy Supriadi, 2014, Implementasi Teknik Data Mining
Association Rule pada Data Transaksi Peminjaman Buku di Perpustakaan,
Vol. 6, No. 2, STMIK AKAKOM, Yogayakarta.
[2] Perpustakaan dan Kearsipan Kota Salatiga, “Informasi Tentang Profil Badan
Publik”, 2017, http://dinaspersip.salatiga.go.id/page/read/24/Informasi-
Dinas. Diakses tanggal 8 Desember 2018.
[3] Syawaludin, Muhammad Wahdi, Indwiarti, dan Yuliant Sibaroni, 2014,
Aplikasi Data Mining Dengan Metode Apriori Untuk Menemukan
Association Rules Dari Data Transaksi Obat di Rumah Sakit PMI Bogor,
Telkom University, Bandung.
[4] Kurniawati, Anis, 2014, Pemetaan Pola Hubungan Program Studi dengan
Algoritma Apriori, Edu Komputika Journal, Vol. 1, No. 1, Hal. 51–58,
Universitas Negeri Semarang, Semarang.
[5] Wandi, Nugroho, Rully A. Hendrawan, dan Ahmad Mukhlason, 2012,
Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian
Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan
22
Perpustakaan dan Kearsipan Provinsi Jawa Timur), Jurnal Teknik ITS, Vol.
1, Hal. 1–5, Surabaya.
[6] Ukiarwan, Iga, 2017, Penentuan Aturan Asosiasi pada Penjualan Produk
Sepatu Running Menggunakan Algoritma Apriori, Universitas Sanata
Dharma, Yogyakarta.
[7] Nurani, Hamdan Gani, 2017, Analisis Keterkaitan Data Transaksi Penjualan
Buku Menggunakan Algoritma Apriori dan Algoritma Centroid Linkage
Hierearchical Method (CLHM), Ilkom Jurnal Ilmiah, Vol. 9, No. 1, Hal. 62–
69, Makassar.
[8] Listriani, Dewi, Anif Hanifa Setyaningrum, dan Fenty Eka M. A, 2016,
Penerapan Metode Asosiasi Menggunakan Algoritma Apriori pada Aplikasi
Analisa Pola Belanja Konsumen, Jurnal Teknik Informatika, Vol. 9, No. 2,
Hal. 120–127,Universitas Islam Negeri Jakarta, Jakarta.
[9] Asriningtias, Yuli, Rodhyah Mardhiyah, 2014, Aplikasi Data Mining Untuk
Menampilkan Informasi Tingkat Kelulusan Mahasiswa, Jurnal Informatika,
Vol. 8, No. 1, Hal. 837–848, Universitas Teknologi Yogyakarta, Yogyakarta.
[10] Fayyad, Usama, 1996, Mining association rules in graphs based on frequent
cohesive itemsets, Knowledge Discovery Data Mining Towards a Unifying
Framework, Vol. 17, No. 3, Hal. 637–648.
[11] Nurdin dan Dewi Astika, 2015, Penerapan Data Mining Untuk Menganalisis
Penjualan Barang dengan Menggunakan Metode Apriori pada Supermarket
Sejahtera Lhoksumawe, Vol. 6, No. 1, Universitas Malikussaleh, Aceh.
[12] Luthfi, Emha Taufiq, 2009, Penerapan Data Mining Algoritma Asosiasi
Untuk Meningkatkan Penjualan, Jurnal Dasi, Vol. 10, No. 1, Hal. 1–21,
STMIK AMIKOM, Yogyakarta.
[13] Wirdasari, Dian, Ahmad Calam, 2011, Penerapan Data Mining Untuk
Mengolah Data Penempatan Buku Di Perpustakaan Smk TI Pab 7 Lubuk
Pakam Dengan Metode Association Rule, Jurnal Saintikom, Vol. 10, No. 2,
Hal. 138–150.
[14] Coffee, Jurney, 2017, Perapan Algoritma Apriori Untuk Mencari Pola
Penjualan di Cafe, Yogyakarta.
[15] Fandi, 2009, Pencarian Pola Sekuensial Menggunakan Algoritma Apriori
All, Hal. 14–31.
[16] Muhamad, Rotmianto, Eko Wahyudi, dan Erwan Setyo Budi, “e-Class
2017”, 2017, www.e-ddc.org, Diakses tanggal 27 Maret 2019.