Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina1, Wiranto2,Widodo3 1,2
Program Studi Informatika, FMIPA, Universitas Sebelas Maret 3 UPT Perpustakaan Universitas Sebelas Maret Email:
[email protected],
[email protected],
[email protected] 1
ABSTRAK Perpustakaan sebagai institusi pengelola koleksi karya yang bertujuan untuk memberikan pelayanan kepada pemustaka senantiasa berusaha meningkatkan kualitas pelayanannya, termasuk UPT Perpustakaan Universitas Sebelas Maret (UNS). UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas memberikan layanan kepada civitas akademika UNS. Dalam usaha meningkatkan kualitas pelayanannya, UPT ini mengalami kendala, pertama, sulit mengetahui kecenderungan minat buku civitas akademika UNS, sehingga pengelola kesulitan mengembangkan perpustakaan sesuai dengan kebutuhan civitas akademika. Kedua, sulit mengetahui apakah koleksi yang telah dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika. Setiap hari, UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman, jika diakumulasikan dalam satu tahun UPT ini memiliki ribuan data transaksi yang hanya tersimpan dalam database aplikasi UNS Library Automation (UNSLA). Data transaksi tersebut masih dapat diolah menjadi informasi yang bermanfaat, termasuk menyelesaikan permasalahan yang dialami oleh UPT Perpustakaan. Database transaksi peminjaman tersebut diolah dengan menggunakan pendekatan data mining. Teknik data mining yang digunakan adalah Assocation Rule (support, confidence, lift ratio). Algoritma Association Rule yang digunakan adalah Frequent Pattern Growth (FP-Growth). Data transaksi diolah berdasarkan bulan, semester, dan tahun. Dari hasil penelitian diperoleh hasil bahwa pertama, rule yang dihasilkan tiap bulan tidak selalu sama. Kedua, rule hasil berdasarkan semester/tahun sebagian besar merupakan akumulasi dari rule yang dihasilkan perbulan. Kata Kunci: Data mining, Association Rule, FP-Growth , Lift Ratio, Perpustakaan
1. PENDAHULUAN Perpustakaan merupakan institusi pengelola koleksi karya (karya cetak, karya tulis, karya rekam) yang bertujuan memberikan pelayanan kepada pemustaka [1]. Berdasarkan pada tujuan tersebut, peningkatan kualitas perpustakaan menjadi tugas utama bagi pengelola perpustakaan, termasuk pengelola UPT Perpustakaan UNS. UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas memberikan pelayanan kepada civitas akademika UNS. Dalam menjalankan tugasnya, UPT ini dibantu dengan aplikasi UNSLA (UNS Library Automation) untuk mencatat proses sirkulasi (peminjaman, pengembalian buku). Seluruh proses sirkulasi tersimpan dalam database aplikasi UNSLA. Setiap harinya UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman buku, jika diakumulasikan dalam satu tahun, database UNSLA dapat berisi ribuan transaksi peminjaman. Data transaksi peminjaman buku tersebut dapat diolah untuk mendapatkan informasi yang bermanfaat. Dengan melakukan analisa terhadap pola peminjaman buku, pengelola UPT Perpustakaan dapat menggunakan hasil analisa tersebut untuk mengetahui pola peminjaman buku dari civitas akademika UNS, menetapkan kebijakan dalam rangka pengembangan UPT Perpustakaan dan mengetahui apakah koleksi yang dimiliki sudah sesuai dengan kebutuhan civitas akademika UNS. Pengolahan database transaksi peminjaman buku dilakukan dengan pendekatan data mining. Data mining merupakan pendekatan yang dilakukan untuk mendapatkan knowledge baru dari tumpukan data berukuran besar [2]. Teknik data mining yang digunakan adalah Association Rule. Association Rule merupakan teknik yang digunakan untuk mengetahui proses apa yang sering terjadi bersamaan [2]. Algoritma Association Rule yang digunakan adalah algoritma FP-Growth. Algoritma ini dipilih karena dinilai lebih baik dibandingkan algoritma sejenis, Apriori [3-5]. Fokus dari penelitian ini adalah melakukan analisa konsistensi terhadap pola peminjaman buku di UPT Perpustakaan dengan menggunakan algoritma FP-Growth. Dalam penelitian sebelumnya, Rama Novta Miraldi dkk mencoba membuat sistem rekomendasi peminjaman buku dengan menggunakan algoritma FP-Growth. Dari penelitian tersebut diperoleh hasil berupa sistem rekomendasi peminjaman buku dengan akurasi algoritma 60,78% [6]. Suryati Ali, dalam penelitiannya mengenai penerapan algoritma FP-Growth untuk penyelesaian kasus pola peminjaman buku menjelaskan bahwa algoritma ini dapat digunakan untuk menyelesaikan kasus pola peminjaman buku. Hasil yang diperoleh berupa pola–pola peminjaman buku yang dilakukan oleh pemustaka di Perpustakaan Otorita Batam [7]. Rincian perbedaan antara penelitian Rama Novta Miraldi dkk, Suryati Ali dan penelitian ini dijelaskan pada Tabel 1 dan Tabel 2. 227
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 Tabel 1. Rincian perbedaan penelitian Novta Miraldi dkk dan penelitian baru Dilihat dari Novta Miraldi dkk (2014) Penelitian baru Fokus Pembuatan sistem rekomendasi Analisa rule Tujuan
Data
Association Rule Pengujian
Output
Untuk mengetahui seberapa kuat rekomendasi sistem yang dibuat Data training : 80% data diambil acak Data uji : 20% Association Rule (support, confidence) Lift pengujian Dilakukan dengan menggunakan lift kemudian lihat apakah ada rule yg terpenuhi dari data uji Sistem rekomendasi yang menampilkan 5 rekomendasi buku Akurasi algoritma 60,78%
Untuk mengetahui pola/rule yang terbentuk dari peminjaman buku Seluruh data dari tahun 2012 – 2015 digunakan (dibagi perbulan, persemester, pertahun. Data tidak diambil secara acak) Association Rule (support, confidence) Lift faktor penentu rule Tidak dilakukan pengujian
Analisa Rule hasil implementasi FP-Growth berdasarkan support, confidence, lift yang dibagi perbulan, persemester, pertahun
Tabel 2. Rincian perbedaan penelitian Suryati Ali dan penelitian baru Dilihat dari Suryati Ali (2015) Penelitian Baru Association Association Rule Association Rule (Support, confidence,lift) Rule (Support, confidence) Faktor Support rule ≥ Support rule ≥ min_support Interestingness min_support Confidence rule ≥ min_confidence Confidence rule ≥ Lift rule > 1 min_confidence Data 531 (Mei 2013 – Maret 179.252 (Januari – Desember 2012 hingga Juni 2014) 2015) Olahan Seluruh data dianalisa Data dianalisa perbulan, persemester, pertahun Analisa Data sekaligus Preprocessing Transformation Data cleaning (hilangkan data redundan, (generalisasi) kategorisasi,seleksi kategori sama) Data selection Data selection (pilih hanya data yang diperlukan) Fokus Pembangunan sistem, Analisa rule analisa pola Pada penelitian ini, faktor interestingeness rule yang digunakan pada Association Rule adalah support, confidence, dan korelasi. Perhitungan korelasi yang dipilih adalah lift ratio karena dengan lift dapat dilihat hubungan keterkaitan antar item penyusun rule selain itu pada penelitian lain [8] dijelaskan bahwa lift terbukti dapat digunakan untuk membentuk Association Rule. 2. METODE Metode yang diterapkan pada penelitian ini ditunjukkan pada Gambar 1.
Gambar 1. Metode penelitian yang digunakan. 228
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 2.1. Pengumpulan Data Data yang digunakan pada penelitian ini bersumber dari database UNSLA milik UPT Perpustakaan UNS. Database UNSLA berisi riwayat transaksi sirkulasi mulai dari tahun 2006 hingga saat ini. Namun, pada penelitian ini hanya digunakan data pada bulan Januari – Desember 2012 hingga Juni 2015. Data tersebut dibagi berdasarkan bulan, semester, dan tahun kemudian diolah untuk mendapatkan pola peminjaman buku. 2.2. Preprocessing Preprocessing merupakan tahap yang dilakukan untuk mengolah data mentah menjadi data yang siap untuk digunakan. Data yang diperoleh dari database UNSLA harus melalui proses ini terlebih dahulu untuk memastikan bahwa data yang digunakan sudah siap dan sesuai. Proses preprocessing yang dilakukan pada penelitian ini ditunjukkan pada Gambar 2.
Gambar 2. Preprocessing yang dilakukan pada penelitian. 2.3. Data Selection Data selection merupakan tahap preprocessing yang dilakukan untuk memilih data apa saja yang digunakan pada penelitian. Tidak semua tabel pada database UNSLA digunakan pada penelitian ini. 2.4. Data Cleaning Data cleaning merupakan tahap preprocessing yang dilakukan untuk menghapus redundansi data, proses kategorisasi judul buku, pengecekan terhadap redudansi kategori buku untuk peminjam yang sama. Penghapusan redudansi data dilakukan apabila terdapat lebih dari satu data yang identik. Kategorisasi buku dilakukan dengan cara mengkategorikan judul buku berdasarkan kategori buku. UPT Perpustakaan membagi koleksi buku berdasarkan 10 kategori, seperti ditunjukkan pada Tabel 3. Pengecekan terhadap redudansi kategori buku untuk peminjam yang sama dilakukan untuk melihat apakah pada satu peminjam yang sama terdapat lebih dari satu kategori buku yang sama. Tabel 3. Pembagian kategori buku di UPT Perpustakaan UNS Kode Kategori Buku Nama Kategori 000 Umum 100 Filsafat 200 Agama 300 Sosial 400 Bahasa 500 Ilmu Murni 600 Ilmu Terapan 700 Seni dan Olahraga 800 Kesusastraan 900 Sejarah 229
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 2.5. Analisa data Analisa data merupakan tahap yang dilakukan untuk menganalisa pola/ rule yang terbentuk pada pola peminjaman buku. Tahap yang dilakukan pada analisa data ditunjukkan pada Gambar 3.
Gambar 3. Tahap analisa data. Tahapan analisa data yang dilakukan pada penelitian ini adalah: 1) Tahap pertama dimulai dengan mengolah data hasil preprocessing, menghitung nilai support count untuk tiap item yang terlibat kemudian melakukan seleksi terhadap item yang memenuhi persyaratan support rule ≥ minimum support. 2) Tahap kedua, menampilkan hasil seleksi item berdasarkan peminjam. Kemudian membuat FP-Tree berdasarkan pada transaksi peminjaman yang dilakukan peminjam. 3) Tahap ketiga, membuat conditional pattern base, conditional FP-Tree, dan frequent itemset dari FP-Tree. 4) Tahap keempat, menghitung nilai confidence dan lift untuk tiap rule yang dihasilkan. Kemudian melakukan seleksi terhadap rule yang memenuhi persyaratan confidence rule ≥ minimum confidence dan lift rule > 1. 2.6. Association Rule Association Rule merupakan teknik data mining yang digunakan untuk mengetahui proses yang sering terjadi bersamaan. Ada dua tahap yang dilakukan pada teknik ini yaitu temukan itemset yang sering muncul kemudian lakukan penyusunan rule [2]. 2.7. Faktor Interestingness Support Support merupakan peluang kejadian rule terhadap keseluruhan transaksi dalam dataset. Minimum support diartikan sebagai nilai support minimal yang harus dipenuhi oleh rule [2]. ∑ Support (AB) = P (AUB) = ∑ (1) Confidence Confidence merupakan peluang kejadian suatu item muncul bersamaan dengan item lain muncul. Jika dinotasikan dengan bentuk A B, maka confidence diartikan sebagai seberapa sering B muncul ketika A juga muncul. Minimum confidence diartikan sebagai nilai confidence minimal yang harus dipenuhi oleh rule [2]. Confidence (AB) = P(B|A) = = (2)
230
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 Lift Ratio Lift ratio digunakan untuk mengetahui korelasi antar item dalam rule. Jika nilai lift rule > 1 maka positive correlation, jika nilai lift rule < 1 maka negative correlation, jika nilai lift rule = 1 maka disebut independent (tidak memiliki keterkaitan) [2]. Lift (AB) = = (3) 2.8. Frequent Pattern Growth (FP-Growth) FP-Growth merupakan salah satu algoritma yang digunakan untuk menyelesaikan kasus Association Rule. Algoritma ini memiliki dua tahap yaitu pertama, dilakukan kompresi terhadap database berdasarkan pada item yang sering muncul dengan membuat Frequent Pattern Tree (FP-Tree). Kedua, dilakukan pemisahan terhadap database hasil kompresi ke dalam bentuk conditional database [2]. 2.9. FP-Tree FP-Tree merupakan ciri khusus yang membedakan antara algoritma FP-Growth dengan algoritma sejenis, Apriori. FP-Tree memiliki dua karakteristik, pertama, dimulai dari sebuah akar yang diberi nama “null”. Kemudian dari akar membentuk sub-tree yang terdiri dari item-item tertentu dan sebuah tabel frequent header. Kedua, setiap simpul (node) mengandung tiga informasi penting yaitu label item (menunjukkan jenis item (item ID) yang direpresentasikan oleh node tersebut), support count (menunjukkan jumlah lintasan transaksi yang melewati simpul tersebut atau disebut juga sebagai frekuensi), pointer penghubung (node link) sebagai penghubung antara simpul dengan item sekaligus penghubung antar lintasan, pointer penghubung ditandai dengan garis panah putus–putus. Contoh FPTree ditunjukkan pada Gambar 4.
Gambar 4. Contoh FP-Tree [2]. 3. HASIL DAN PEMBAHASAN 3.1. Pengumpulan data Data yang diperoleh dari database UNSLA dipisahkan berdasarkan bulan, semester dan tahun dengan cara melakukan query terhadap database UNSLA. Data hasil query disimpan dalam bentuk csv file dan kemudian diolah menggunakan FP-Growth. 3.2. Preprocessing Data 3.2.1. Data Selection Tahap preprocessing dimana dilakukan seleksi terhadap data yang digunakan. Data yang dibutuhkan untuk penelitian ini adalah tabel transaksi peminjaman buku, tabel anggota, tabel buku, dan tabel kategori buku. 3.2.2. Data Cleaning Penghilangan Redundansi Data Tahap penghilangan redudansi data dilakukan seperti pada Tabel 4. Tabel 4. Contoh penghilangan redudansi data Nama Peminjam Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto
Judul Buku Analisis Pembebanan Lalu Lintas Dengan Mempertimbangkan Pengaruh Fenomena Simpang 99 Tips Mempersiapkan Dan Menjaga Kehamilan Indeks Biologi Dan Pertanian Indonesia : 231
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4
Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abis Yuni Puspita Adam Megatantra
Hubungan Antara Kedisplinan Belajar, Keharmonisan Keluarga Dengan Prestasi Belajar Sosiologi Siswa.. The Reappearance Of The Christ And The Masters Of Wisdom Pengujian Karakteristik Aliran Fasa Tunggal Aliran Air Horisontal Pada Penukar Kalor Saluran Annular Pengujian Karakteristik Aliran Fasa Tunggal Aliran Air Horisontal Pada Penukar Kalor Saluran Annular Anggur: Teknik Mengajar Secara Sistematis
Kategorisasi Judul Buku Tahap ini dilakukan dengan mengubah judul buku sesuai dengan kategori bukunya, seperti ditunjukkan pada Tabel 5.
No 1 2 3 4 5
Tabel 5. Contoh proses kategorisasi judul buku Kategori No Nama Peminjam Buku . Nama Peminjam 6 Abdurrahman Abdurrahman Hadiyanto 600 Hadiyanto Abdurrahman Hadiyanto 600 7 Abdurrahman Abdurrahman Hadiyanto 300 Hadiyanto 8 Abdurrahman Hadiyanto 200 Abis Yuni Puspita 9 Abdurrahman Hadiyanto 900 Adam Megatantra
Kategori Buku 500 500 600 300
Pengecekan dan penghilangan redundansi kategori Tahap ini dilakukan pengecekan terhadap redudansi kategori untuk peminjam yang sama kemudian dilakukan penghapusan terhadap redudansi tersebut, seperti ditunjukkan Tabel 6.
No 1 2 3 4 5
Tabel 6. Contoh penghilangan redudansi kategori Kategori No. Nama Peminjam Buku Nama Peminjam Abdurrahman Hadiyanto 600 6 Abdurrahman Hadiyanto Abdurrahman Hadiyanto 600 7 Abdurrahman Hadiyanto Abdurrahman Hadiyanto 300 8 Abis Yuni Puspita Abdurrahman Hadiyanto 200 9 Abdurrahman Hadiyanto 900 Adam Megatantra
No 1 2 3 4 5 6 7
Nama Peminjam Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abdurrahman Hadiyanto Abis Yuni Puspita Adam Megatantra
232
Kategori Buku 600 300 200 900 500 600 300
Kategori Buku 500 500 600 300
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 Transaksi peminjaman berdasarkan peminjam. Pada tahap ini diperoleh hasil akhir preprocessing berupa transaksi peminjaman buku berdasarkan peminjam. Transaksi yang digunakan adalah transaksi dengan minimal 2 kategori untuk tiap transaksinya, seperti ditunjukkan Tabel 7. Tabel 7. Contoh hasil preprocessing Nama Peminjam Kategori Buku Abdurrahman Hadiyanto Abis Yuni Puspita Adam Megatantra
600,300,200,900,500 600 300
3.3. Analisa Data Pada tahap ini, dilakukan analisa terhadap pola yang dihasilkan. Pertama dicari pola yang terbentuk di tiap bulan, semester dan tahun dengan cara menghitung nilai support (1), confidence (2) dan lift (3) setiap pola. Kemudian dilakukan analisa konsistensi pola yang dihasilkan perbulan, semester, dan tahun. Dalam penelitian ini, nilai minimum support, minimum confidence, dan lift yang digunakan adalah 2% , 0.7, dan lift rule >1. 3.3.1. Hasil Pola Peminjaman Buku Berdasarkan Bulan Data transaksi peminjaman buku setiap bulan diolah menggunakan algoritma FP-Growth, menghasilkan pola transaksi seperti pada Tabel 8 dan Tabel 9. Tabel 8. Contoh pola bulan Januari (sampling) Pola Peminjaman Buku Januari 2012 No. Pola Peminjaman Buku 1 000,700 300 2 300,500,800 600 3 600,500,100 300 4 000,900 300 ..... .....
Tabel
9.
Contoh pola bulan Desember(sampling) Pola Peminjaman Buku Desember 2012 No. Pola Peminjaman Buku 1 800,900 300 2 600,500,200 300 3 000,900 300 4 500,200 300 ..... .....
3.3.2. Hasil Pola Peminjaman Buku Berdasarkan Semester Data peminjaman buku tiap semester (Januari–Juni dan Juli-Desember) diolah menggunakan algoritma FP-Growth. Contoh hasil pengolahan data peminjaman buku tiap semester ditunjukkan pada Tabel 10 dan 11. Tabel 10. Contoh pola semester (Januari-Juni) (sampling) Pola Peminjaman Buku Januari-Juni 2012 No. Pola Peminjaman Buku 1 600,500,800 300 2 600,500,000 300 3 000,900 300 4 300,000,400 600 ..... .....
Tabel 11. Contoh pola semester (Juli-Desember) (sampling) Pola Peminjaman Buku JuliDesember 2012 No. Pola Peminjaman Buku 1 300,500,700 600 2 500,200 600 3 300,500,200 600 4 000,900300 ..... .....
3.3.3. Hasil Pola Peminjaman Buku Berdasarkan Tahun Data peminjaman buku berdasarkan tahun (Januari–Desember) diolah menggunakan algoritma FPGrowth. Contoh hasil pengolahan data peminjaman buku berdasarkan tahun ditunjukkan pada Tabel 12.
233
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015 ISBN: 978-602-1034-19-4 Tabel 12. Contoh pola peminjaman buku dalam satu tahun (sampling) Pola Peminjaman Buku JanuariDesember 2012 No. Pola Peminjaman Buku 1 000,700,900 300 2 900,200,100 300 3 000,900 300 4 600,000,700,200 300 ..... ..... 3.3.4. Analisa Konsistensi Pola Analisa konsistensi pola dilakukan dengan cara melihat seberapa sering sebuah rule muncul pada tiap bulan. Kemudian melihat apakah rule tersebut juga muncul pada pola peminjaman berdasarkan semester dan tahun. Output dari proses ini adalah pola peminjaman buku yang konsisten seperti ditunjukkan pada Tabel 13. No
1 2 3 ...
Tabel 13. Contoh hasil pola yang konsisten Pola/Rule Konsistensi Kemunculan Pola Semester Tahun 000,900 300 Ya Ya 600,000,700 300 Ya Ya 300, 000 700 Tidak Tidak ... ... ...
Konsisten
Ya Ya Tidak .....
Pola yang konsisten menunjukkan karakteristik peminjaman buku yang dilakukan oleh civitas akademika UNS. Setelah mengetahui karakteristik peminjaman civitas akademika UNS, dapat diketahui apakah koleksi buku yang dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika UNS. Hal tersebut dilakukan dengan cara membandingkan jumlah koleksi buku ditiap kategori dengan pola yang konsisten. 4. SIMPULAN Pola transaksi peminjaman buku yang dihasilkan tiap bulan tidak selalu sama meskipun dalam tahun yang sama. Hal tersebut dikarenakan karakteristik peminjam tiap bulan belum tentu sama, selain itu waktu peminjaman juga menentukan pola transaksi yang dihasilkan. Pola transaksi peminjaman buku tiap bulan mempengaruhi pembentukan pola transaksi berdasarkan semester dan tahun. Pola transaksi berdasarkan semester mencakup sebagian besar pola yang dihasilkan tiap bulan. Pola transaksi berdasarkan tahun mencakup sebagian besar pola yang dihasilkan tiap semester. Pola/rule yang sering muncul pada bulanbulan di tahun yang sama kemudian pola tersebut juga muncul di semester dan tahun menunjukkan pola tersebut konsisten. 5. REFERENSI [1] Presiden Republik Indonesia. 2007. Undang-Undang Republik Indonesia Nomor 43 Tahun 2007 Tentang Perpustakaan. p. 45. [2] Han, J. dan Kamber, M. 2006. Data Mining: Concepts and Techniques, vol. 54, no. Second Edition. Elsevier Inc. [3] Anggraeni, R. M. 2014. Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk Perekomendasi Pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian Nuswantoro. pp. 1–6. [4] Erwin. 2009. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth, J. Generic, vol. 4, pp. 26–30. [5] Ahmed, A. dan Mohamed, F. 2014. A Frequent Pattern Growth Method for Mining Association Rules, pp. 2–5. [6] Miraldi, R. N., Rachmat, A., dan Susanto, B. 2014. Implementasi Algoritma FP-Growth untuk Sistem Rekomendasi Buku di Perpustakaan UKDW. INFORMATIKA, vol. 10, no. l, pp. 29– 39. [7] Ali, S. 2015. Analisis Data Pola Peminjaman Buku Menggunakan Algoritma FP-Growth (Studi Kasus Perpustakaan Otorita Batam). [8] Hussein, N., Alashqur, A., dan Sowan, B. Using the interestingness measure lift to generate Association Rules. J. Adv. Comput. Sci. Technol., vol. 4, no. 1, p. 156. 234
