BAB II TINJAUAN PUSTAKA
2.1 Recommender System Berdasarkan [6], Recommender System merupakan bagian dari Sistem Pengolahan Informasi yang dimaksudkan untuk mempresentasikan informasi yang mungkin diminati oleh pengguna pada masa kini. Recommender System akan membandingkan informasi dari user profile seorang user berdasarkan histori user tersebut dan/atau membandingkannya dengan profile user lain dengan latar belakang atau minat yang serupa untuk menyediakan informasi beberapa item dengan peringkat tertinggi yang relevan dengan item yang kemungkinan diminati oleh user pada saat ini. Recommender System berupaya untuk mengurangi overload informasi dan mempertahankan pelanggan dengan menyediakan informasi beberapa item dari sejumlah besar kemungkinan pilihan berdasarkan preferensi pengguna. Preferensi dapat merefleksikan sebuah kondisi mental seorang individu yang berhubungan dengan sekelompok barang dari sejumlah besar alternatif. Seorang
individu
menentukan
sebuah
preferensi
berdasarkan
pengalamannya dengan sejumlah barang yang relevan, seperti musik, buku, film, makanan, dan sebagainya. Rekomendasi yang dihasilkan berfungsi sebagai filter untuk memperoleh informasi dari sumber yang berukuran sangat besar dan umumnya tidak dapat diakses oleh sembarang orang. Sekenario umum sebuah Recommender System berbentuk sebuah portal online yang berinteraksi langsung dengan user. Umumnya Recommender System menyediakan sejumlah daftar item untuk dipilih satu atau lebih item oleh user untuk memperoleh informasi detailnya atau untuk melakukan interaksi dalam bentuk lainnya. Contohnya seperti pada situs E-Commerce Amazon.com yang menyediakan daftar barang yang terpisah untuk kemudian dilihat informasi detailnya atau untuk dibeli.
II-1
II-2
Sebuah web server memiliki database dan biasanya menyajikan informasi dari database dengan cara menampilkannya pada halaman web berupa daftar informasi yang dapat diakses. Dikarenakan terlalu banyak informasi di dalam database untuk ditampilkan dalam satu halaman web, maka dibutuhkan pemilihan beberapa kelompok informasi yang akan ditampilkan kepada user, atau sebuah pengaturan bagaimana urutan prioritas informasi mana yang akan ditampilkan, terutama untuk menampilkan informasi yang diminati oleh user dan berpotensi untuk menghasilkan penjualan, mempertahankan pelanggan dan memberikan kepuasan kepada pelanggan dalam sebuah portal E-Commerce. Contoh dari tampilan pada recommender system Amazon.com dapat dilihat pada gambar 2.1.
Gambar 2.1 Recommender System Penjualan Buku Amazon.com [7]
II-3
Berdasarkan [6] ada tiga tipe Recomender System. Tipe-tipe recommender system tersebut adalah sebagai berikut: 1. Content Based Recommender System Content Based Recommender System adalah sebuah recommender system yang menyediakan rekomendasi berdasarkan informasi yang dicari berdasarkan query user/kebutuhan informasi user dan juga berdasarkan profil user(bila ada). Karakteristik user dikumpulkan dalam jangka waktu tertentu dan secara otomatis dibentuk menjadi sebuah profil berdasarkan histori interaksi atau pilihan-pilihan user di masa lalu. Hal ini dimaksudkan agar sistem tidak hanya menyediakan informasi yang relevan dengan item yang dipilih saat ini, tetapi juga sistem berupaya untuk memastikan bahwa informasi yang disediakan sesuai dengan preferensi user. 2. Collaborative Filtering Collaborative Filtering adalah sebuah recommender system berbasis komunitas sosial yang menyediakan usulan item yang disukai oleh user-user lain yang memiliki minat yang sama dengan user aktif yang biasanya informasi tersebut belum diketahui oleh user aktif tersebut. Rekomendasi jenis ini mencocokkan kebutuhan user dengan informasi user-user lain dalam jangka waktu tertentu yang memiliki kecocokkan minat dengan user aktif. Pendekatan ini memberikan rekomendasi berdasarkan korelasi antar user. Collaborative filtering dikatakan efektif karena biasanya selera seorang individu dengan individu lainnya tidaklah ortogonal. Skema collaborative filtering ditujukan untuk menyediakan saran kepada user berdasarkan pilihan-pilihan user tersebut sebelumnya, juga berdasarkan preferensi user-user lain yang memiliki minat yang serupa. Contohnya, user-user
lain
yang
memiliki
minat
terhadap
bidang/group/hobby/kelompok yang sama dengan user aktif.
satu
II-4
3. Hybrid System Hybrid System adalah metode yang dikembangkan untuk menangani kekurangan dari Content Based Recommender System dan Collaborative Filtering. Umumnya Hybrid System menggunakan kedua sistem rekomendasi tersebut dan menggabungkan hasil dari keduanya dengan cara tertentu. Misalnya, menggabungkan hasil dari kedua sistem tersebut berdasarkan relevansinya, atau mencampurkan keluaran dari kedua algoritma yang dipergunakan, atau merubah metode yang dipergunakan dari Content Based menjadi Collaborative Filtering (atau sebaliknya), atau juga mempergunakan keluaran dari salah satu algoritma sebagai masukan pada algoritma lainnya.
2.2 Market Basket Analysis 2.2.1 Afinity Analysis Menurut Daniel T. Larose [4], Afinity Analysis adalah sebuah studi terhadap atribut-atribut atau karakteristik-karakteristik yang “muncul/terjadi bersamaan”. Metode Afinity Analysis yang juga dikenal sebagai Market Basket Analysis dipergunakan untuk menyingkap hubungan antara atribut-atribut tersebut, lebih tepatnya menyingkap aturan untuk meng-kuantitaskan hubungan antara dua atau lebih atribut. Market Basket Analysis dapat digunakan untuk menyelesaikan masalah-masalah seperti berikut: 1. Melakukan investigasi proporsi pelanggan perusahaan provider telepon seluler yang menanggapi secara positif tawaran untuk melakukan upgrade sistem. 2. Menghitung proporsi anak-anak yang dibacakan buku oleh orang tuanya, dimana orang tuanya sendiri adalah pembaca yang baik. 3. Melakukan prediksi degradasi pada dalam jaringan telekomunikasi. 4. Mencari tahu barang apa saja yang sering dibeli bersamaan, atau barang apa yang tidak pernah dibeli bersamaan. 5. Menemukan proporsi kasus dimana penggunaan obat baru dapat menimbulkan efek samping.
II-5
2.2.2 Algoritma Apriori Berdasarkan [4], dalam membentuk association rules dari sejumlah k atribut, maka kemungkinan association rules yang bisa terbentuk adalah sejumlah (k . 2k-1) association rules. Hal ini menyebabkan untuk mendapatkan association rules yang akurat, akan melibatkan proses pencarian yang berulang-ulang dan waktu yang sangat panjang. Misalkan akan dicari association rules dari 100 item yang berbeda, maka kemungkinan association rules yang akan terbentuk adalah 100 x 299 = 6.4 x 1031 association rules yang akan menimbulkan proses perulangan yang sangat banyak di dalam algoritma yang akan dipergunakan. Algoritma apriori dalam hal ini adalah salah satu algoritma yang dapat membantu mengurangi jumlah perulangan pencarian yang harus dilakukan. Penggunaan algoritma apriori melibatkan dua tahapan utama yaitu sebagai berikut: 1. Cari seluruh frequent itemsets. Frequent itemsets adalah itemsetitemset yang memenuhi treshold/batas minimum kemunculan. 2. Dari frequent itemsets yang terbentuk, dibentuklah association rules yang memenuhi ketentuan minimum support dan minimum confidence. Parameter-parameter utama yang terlibat dalam algoritma apriori adalah treshold, support, dan confidence. Berikut adalah penjelasan dari parameterparameter tersebut: 1. Treshold : merupakan batas minimum kemunculan dari suatu itemset. Treshold akan dipergunakan untuk menentukan frequent itemsets. 2. Support
: merupakan jumlah transaksi yang mengandung itemset A
dan itemset B. Support didapatkan menggunakan rumus sebagai berikut: ∩
=
ℎ ℎ
II-6
3. Confidence: merupakan jumlah transaksi yang mengandung itemset A dan itemset B dibagi jumlah transaksi yang mengandung itemset A . Confidence didapatkan menggunakan rumus sebagai berikut: |
=
∩ ℎ
=
ℎ
Algoritma apriori mempergunakan kaidah Apriori property untuk memperkecil ruang pencarian. Apriori property membantu agar tidak semua kombinasi itemset harus dicari dari database. Berikut adalah bunyi dari kaidah Apriori property: “Apabila diketahui sebuah itemset Z tidak frequent, maka Z ∪ A tidak frequent untuk item A manapun.”
Contoh Pembentukan Frequent Itemsets: Diketahui sebuah toko menjual sayur-sayuran. Sayur-sayuran yang dijual di toko tersebut adalah sebagai berikut: {asparagus, kacang polong, brokoli, jagung, paprika hijau, labu, tomat}. Data transaksi penjualan sayuran pada toko tersebut dapat dilihat pada tabel 2.1. Tabel 2.1 Contoh Data Transaksi Pada Toko Eceran ID Transaksi
Barang Yang Dibeli Pelanggan
1
Brokoli, paprika hijau, jagung
2
Asparagus, labu, jagung
3
Jagung, tomat, kacang polong, labu
4
Paprika hijau, jagung, tomat, kacang polong
5
Kacang polong, asparagus, brokoli
6
Labu, asparagus, kacang polong, tomat
7
Tomat, jagung
8
Brokoli, tomat, paprika hijau
II-7
ID Transaksi
Barang Yang Dibeli Pelanggan
9
Labu, asparagus, kacang polong
10
Kacang polong, jagung
11
Paprika hijau, brokoli, kacang polong, labu
12
Asparagus, kacang polong, labu
13
Labu, jagung, asparagus, kacang polong
14
Jagung, paprika hijau, tomat, kacang polong, brokoli
Untuk membentuk frequent itemset kita pergunakan reprensentasi data tabular. Bentuk representasi data tabular dapat dilihat pada tabel 2.2. Tabel 2.2 Representasi Data Transaksi Secara Tabular ID
Asparagus
Transaksi
Kacang
Brokoli
Jagung
Polong
Paprika
Labu
Tomat
Hijau
1
0
0
1
1
1
0
0
2
1
0
0
1
0
1
0
3
0
1
0
1
0
1
1
4
0
1
0
1
1
0
1
5
1
1
1
0
0
0
0
6
1
1
0
0
0
1
1
7
0
0
0
1
0
0
1
8
0
0
1
0
1
0
1
9
1
1
0
0
0
1
0
10
0
1
0
1
0
0
0
11
0
1
1
0
1
1
0
12
1
1
0
0
0
1
0
13
1
1
0
1
0
1
0
14
0
1
1
1
1
0
1
II-8
Berikut adalah tahapan-tahapan pembentukan frequent itemset: 1. Hitung jumlah kemunculan tiap 1-itemset. Pada tahap awal ini seluruh 1itemset yang ada adalah kandidat frequent 1-itemsets atau C1. C1 dapat dilihat pada tabel 2.3. Tabel 2.3 Kandidat Frequent 1-Itemsets Itemset
Frekuensi Kemunculan
Asparagus
6
Kacang Polong
10
Brokoli
5
Jagung
8
Paprika Hijau
5
Labu
7
Tomat
6
2. Filter C1 menggunakan treshold kemunculan. Misalkan treshold adalah 4 kali kemunculan, maka seluruh itemset C1 lolos dan disimpan sebagai frequent 1-itemsets atau F1. F1 dapat dilihat pada tabel 2.4. Tabel 2.4 Frequent 1-Itemsets Itemset
Frekuensi Kemunculan
Asparagus
6
Kacang Polong
10
Brokoli
5
Jagung
8
Paprika Hijau
5
Labu
7
Tomat
6
II-9
3. Bentuk kandidat frequent 2-itemset atau C2 dengan cara menggabungkan F1 dengan dirinya sendiri. C2 yang terbentuk dapat dilihat pada tabel 2.5. Tabel 2.5 Kandidat Frequent 2-Itemsets Itemset
Frekuensi
Itemset
Kemunculan Asparagus,
5
Kacang
Frekuensi Kemunculan
Brokoli,
2
Jagung
Polong Asparagus,
1
Brokoli Asparagus,
4
Paprika Hijau 2
Jagung Asparagus,
Brokoli,
Brokoli,
1
Labu 0
Paprika
Brokoli,
2
Tomat
hijau, Asparagus,
5
Labu Asparagus,
Jagung,
3
Paprika Hijau 1
Jagung, Labu
3
3
Jagung,
4
Tomat Kacang Polong,
Tomat
Brokoli Kacang
5
Polong,
Paprika Hijau
1
Labu
Jagung Kacang Polong, Paprika Hijau
3
Paprika Hijau, Tomat
3
II-10
Itemset
Frekuensi
Itemset
Frekuensi
Kemunculan Kacang
6
Kemunculan Labu, Tomat
2
Polong, Labu Kacang
4
Polong, Tomat
4. Filter C2 menggunakan treshold kemunculan yaitu 4 kali kemunculan. Itemsets yang lolos akan disimpan sebagai frequent 2-itemset atau F2. F2 yang terbentuk dapat dilihat pada tabel 2.6. Tabel 2.6 Frequent 2-Itemsets Itemset
Frekuensi Kemunculan
Asparagus, Kacang Polong
5
Asparagus, Labu
5
Kacang Polong, Jagung
5
Kacang Polong, Labu
6
Kacang Polong, Tomat
4
Brokoli, Paprika Hijau
4
Jagung, Tomat
4
II-11
5. Untuk membentuk F3 dan selanjutnya, proses yang dilakukan berbeda dengan proses membentuk F2. F2 yang digabungkan hanya yang memiliki k-1 item pertama yang sama seperti yang diperlihatkan pada tabel 2.7. Tabel 2.7 F2 Dengan k-1 item pertama yang sama Itemset Asparagus, Kacang Polong Asparagus, Labu Kacang Polong, Jagung Kacang Polong, Labu Kacang Polong, Tomat {Asparagus, Kacang Polong} dan {Asparagus, Labu} memiliki k-1 item pertama yang sama yaitu Asparagus. Oleh karena itu, {Asparagus, Kacang Polong} dan {Asparagus, Labu} digabungkan dan menghasilkan kandidat 3-itemset yaitu {Asparagus, Kacang Polong, Labu}. Hal yang sama dilakukan terhadap {Kacang Polong, Jagung}, {Kacang Polong, Labu}, dan{Kacang Polong, Tomat} sehingga menghasilkan tiga kandidat frequent 3-itemset yaitu {Kacang Polong, Jagung, Labu}, {Kacang Polong, Jagung, Tomat}, dan{Kacang Polong, Labu, Tomat}. C3 yang didapatkan dari proses ini dapat dilihat pada tabel 2.8. Tabel 2.8 Hasil Penggabungan F2 Dengan k-1 Item Pertama Yang Sama Itemset Asparagus, Kacang Polong, Labu Kacang Polong, Jagung, Labu Kacang Polong, Jagung, Tomat Kacang Polong, Labu, Tomat
II-12
Langkah selanjutnya adalah proses pruning/eliminasi kandidat frequent 3-itemsets menggunakan apriori property. Caranya adalah mengenerate subset k-1 dari itemset s yang ada dalam C3, kemudian diperiksa apakah tiap subset dari itemset s tersebut frequent atau tidak. Apabila ada salah satu saja subset k-1 dari itemset s yang tidak frequent, maka s juga tidak frequent sehingga tidak perlu dilakukan pencarian ke dalam database. Contohnya pada itemset s={Asparagus, Kacang Polong, Labu}. Untuk itemset ini, subset k-1=2 yang didapatkan adalah {Asparagus, Kacang Polong}, {Asparagus, Labu}, dan{Kacang Polong, Labu}. Subsets ini kemudian diperiksa apakah frequent atau tidak. Dari tabel yang menunjukkan F2, dapat kita lihat bahwa ketiga subset tersebut frequent sehingga tidak dilakukan pruning terhadap itemset {Asparagus, Kacang Polong, Labu}. Hal yang sama terjadi pada itemset s={Kacang Polong, Jagung, Tomat}. Berbeda dengan yang terjadi pada itemset s={Kacang Polong, Jagung, Labu} dan itemset s={Kacang Polong, Labu, Tomat}. Pada itemset s={Kacang Polong, Jagung, Labu}, subset {Jagung, Labu} tidak frequent karena hanya memiliki frequensi kemunculan sebanyak 3 kali kemunculan sehingga tidak memenuhi treshold kemunculan. Pada itemset s={Kacang Polong, Labu, Tomat}, subset {Jagung, Labu} tidak frequent karena hanya memiliki frequensi kemunculan sebanyak 3 kali kemunculan sehingga tidak memenuhi treshold kemunculan. Hal ini menyebabkan dilakukannya pruning terhadap itemset s={Kacang Polong, Jagung, Labu} dan itemset s={Kacang Polong, Labu, Tomat}. Sisa dari C3 yang lolos dari proses pruning dapat dilihat pada tabel 2.9 pada halaman II-13.
II-13
Tabel 2.9 Kandidat Frequent 3-Itemsets Itemset
Frekuensi Kemunculan
Asparagus, Kacang Polong,
4
Labu Kacang Polong, Jagung,
3
Tomat
Untuk membentuk F3 tetap dilakukan pencarian dan perhitungan frekuensi kemunculan. Dan yang lolos hanya yang memiliki frekuensi minimum 4 kali kemunculan sesuai treshold kemunculan yang telah didefinisikan. F3 yang terbentuk dapat dilihat pada tabel 2.10. Tabel 2.10 Frequent 3-Itemsets Itemset
Frekuensi Kemunculan
Asparagus, Kacang Polong,
4
Labu
6. Proses nomor 5 dilakukan berulang kali hingga tidak ada kandidat frequent k-itemset yang dapat dibentuk. Sebagai contoh adalah pada F3 yang tidak dapat dipergunakan untuk membentuk kandidat frequent 4-itemset.
Setelah seluruh frequent itemsets diperoleh, tahapan selanjutnya adalah membentuk association rules. Proses pembentukan association rules melibatkan dua tahapan utama sebagai berikut: 1. Generate seluruh subset dari itemset s. 2. Misalkan ss adalah subset tidak kosong dari itemset s dan R: ss
(s-ss),
dimana (s-ss) adalah set s dikurangi subset ss. Bentuk dan simpan R apabila R memenuhi prasyarat minimum confidence yang telah ditentukan. Sebagai catatan, atas alasan kesederhanaan association rules dengan item consequent tunggal umumnya lebih dikehendaki.
II-14
Contoh Pembentukan Association rules: Diketahui
Frequent Itemsets yang didapatkan dari proses generate
frequent itemset yang telah dicontohkan sebelumnya. Dalam contoh ini yang akan dilakukan adalah pembentukan association rules dengan 1 item consequent. Frequent itemsets yang diperoleh dapat dilihat pada tabel 2.11. Tabel 2.11 Frequent Itemsets F
Itemset
Frekuensi Kemunculan
3
Asparagus, Kacang Polong, Labu
4
2
Asparagus, Kacang Polong
5
2
Asparagus, Labu
5
2
Kacang Polong, Jagung
5
2
Kacang Polong, Labu
6
2
Kacang Polong, Tomat
4
2
Brokoli, Paprika Hijau
4
2
Jagung, Tomat
4
1
Asparagus
6
1
Kacang Polong
10
1
Brokoli
5
1
Jagung
8
1
Paprika Hijau
5
1
Labu
7
1
Tomat
6
Pembentukan association rules dimulai dari itemset dengan k tertingi dalam hal ini k=3. Jumlah antecedent yang dihasilkan adalah k-1 =2 antecedent. Untuk membentuk association rules dari F3 yaitu { Asparagus, Kacang Polong, Labu }, yang dilakukan adalah proses generating seluruh subset dari s. Subset dari s adalah {Asparagus}, {Kacang Polong}, {Labu}, {Asparagus, Kacang Polong}, {Asparagus, Labu}, dan {Kacang Polong, Labu}.
II-15
Misalkan ss={Asparagus, Kacang Polong}, sehingga (s-ss)={Labu}. Support adalah jumlah kemunculan dari {Asparagus, Kacang Polong} juga {Labu}, yaitu 4 dari 14 transaksi sehingga Support dari R: {Asparagus, Kacang Polong} {Labu} adalah 4/14 = 0,286 atau 28,6% dari jumlah transaksi D. Untuk menghitung confidence, yang dilakukan adalah menghitung jumlah kemunculan R= R: {Asparagus, Kacang Polong} {Labu} dibagi jumlah kemunculan ss= {Asparagus, Kacang Polong} yaitu 5 kali kemunculan sehingga confidence dari R: {Asparagus, Kacang Polong} {Labu} adalah 4/5 = 0,8 atau 80% dari jumlah transaksi D. Hal yang sama dilakukan terhadap ss={Asparagus, Labu} dan ss={Kacang Polong, Labu} sehingga menghasilkan kandidat rules dengan 2 item antecedent seperti yang ditunjukkan pada tabel 2.12. Tabel 2.12 Kandidat Association rules Dengan 2 Antecedent Association Rules
Support
Jika beli Asparagus dan Kacang Polong, 4/14=28.6%
Confidence 4/5 = 80%
maka beli juga Labu Jika beli Asparagus dan Labu, maka beli 4/14=28.6%
4/5 = 80%
juga Kacang Polong Jika beli Kacang Polong dan Labu, maka 4/14=28.6%
4/6 =66.7%
beli juga Asparagus
Selanjutnya adalah membentuk association rules dari F2 dengan 1 item antecedent dan 1 item consequent. Apabila dilakukan proses yang sama dengan yang dilakukan untuk mendapatkan kandidat association rules dengan 2 item antecedent dan 1 item consequent, maka akan didapatkan kandidat association rules seperti yang ditunjukkan pada tabel 2.13 pada halaman II-16.
II-16
Tabel 2.13 Kandidat Association rules Yang Terbentuk Dari Keseluruhan Frequent Itemsets Association Rules
Support
Confidence
5/14 = 35.7%
5/6 = 83.3%
5/14 = 35.7%
5/10 = 50%
Jika beli Asparagus, maka beli juga Labu
5/14 = 35.7%
5/6 = 83.3%
Jika beli Labu, maka beli juga Asparagus
5/14 = 35.7%
5/7 = 71.4%
Jika beli Kacang Polong, maka beli juga
5/14 = 35.7%
5/10 = 50%
5/14 = 35.7%
5/8 = 62.5%
6/14= 42.9%
6/10 = 60%
6/14= 42.9%
6/7 = 85.7%
4/14= 28.6%
4/10 = 40%
4/14= 28.6%
4/6 = 66.7%
4/14= 28.6%
4/5 = 80%
4/14= 28.6%
4/5 = 80%
Jika beli Jagung, maka beli juga Tomat
4/14= 28.6%
4/8 = 50%
Jika beli Tomat, maka beli juga Jagung
4/14= 28.6%
4/6 = 66.7%
Jika beli Asparagus, maka beli juga Kacang Polong Jika beli Kacang Polong, maka beli juga Asparagus
Jagung Jika beli Jagung, maka beli juga Kacang Polong Jika beli Kacang Polong, maka beli juga Labu Jika beli Labu, maka beli juga Kacang Polong Jika beli Kacang Polong, maka beli juga Tomat Jika beli Tomat, maka beli juga Kacang Polong Jika beli Brokoli, maka beli juga Paprika Hijau Jika beli Paprika Hijau, maka beli juga Brokoli
II-17
Apabila kita filter dengan minimum support sebesar 20% dan minimum confidence sebesar 80% maka association rules final yang terbentuk dapat dilihat pada tabel 2.14. Tabel 2.14 Association Rules Final Yang Terbentuk Association Rules
Support
Confidence
Support x Confidence
Jika beli Labu, maka beli juga
6/14= 42.9%
6/7 = 85.7%
0.3677
5/14 = 35.7%
5/6 = 83.3%
0.2974
5/14 = 35.7%
5/6 = 83.3%
0.2974
4/14= 28.6%
4/5 = 80%
0.2288
4/14= 28.6%
4/5 = 80%
0.2288
4/14=28,6%
4/5 = 80%
0.2288
4/14=28,6%
4/5 = 80%
0.2288
Kacang Polong Jika beli Asparagus, maka beli juga Kacang Polong Jika beli Asparagus, maka beli juga Labu Jika beli Brokoli, maka beli juga Paprika Hijau Jika beli Paprika Hijau, maka beli juga Brokoli Jika
beli
Asparagus
dan
Kacang Polong, maka beli juga Labu Jika beli Asparagus dan Labu, maka beli juga Kacang Polong
Field (support x confidence) dipergunakan untuk mengurutkan rules berdasarkan tingkat keakuratan. F1 tidak menghasilkan rules karena k-1 = 1-1 = 0 tidak akan menghasilkan item antecedent ataupun item consequent.
II-18
2.3 Senayan Open Source Library Management System Berdasarkan [8], Senayan adalah aplikasi web-based Open Source untuk kebutuhan automasi perpustakaan, atau Library Automation System. Aplikasi ini dinamakan Senayan karena dikembangkan di daerah Senayan, Jakarta, tepatnya di kantor pusat Departemen Pendidikan Nasional. Latar belakang dikembangkannya Senayan pada awalnya adalah untuk menggantikan aplikasi automasi perpustakaan proprietary yang dipakai oleh Perpustakaan Departemen Pendidikan Nasional (Depdiknas), aplikasi tersebut bernama Alice, produk UK. Pada saat itu, Hendro Wicaksono, Lead Developer Senayan yang juga staf Perpustakaan Depdiknas berinisiatif untuk melempar sekaligus aplikasi yang akan dikembangkan ini ke publik dengan lisensi Open Source, dengan harapan masyarakat Indonesia bisa ikut menikmati aplikasi ini, khususnya perpustakaan perpustakaan kecil maupun besar di seluruh Indonesia yang belum ter-automasi proses pengelolaan perpustakaannya. Akhirnya dengan dukungan dari Kepala Pusat Informasi dan Humas (PIH) Depdiknas kala itu, bapak Bambang Wasito Adi, Senayan dirilis ke publik dengan lisensi GNU GPL versi 3 dan secara perlahan tapi pasti aplikasi Alice “disingkirkan” sepenuhnya oleh Senayan hingga sekarang. Data dari aplikasi Alice dikonversikan sepenuhnya ke rdbms MySQL yang digunakan Senayan. Saat ini Perpustakaan Depdiknas mengelola kurang lebih 25.000 koleksi dan kurang lebih 1862 anggota. Sebagai sebuah aplikasi Library Automation System, fiturfitur yang terdapat pada Senayan Open Source Library Management System adalah sebagai berikut: 1. OPAC (Online Public Access Catalog) : untuk mempublikasikan daftar katalog ke publik atau pemustaka. 2. Bibliography : untuk pengelolaan data katalog dan juga Items. 3. Circulation : untuk membantu proses pengembalian, peminjaman dan denda koleksi perpustakaan. 4. Membership : untuk pengelolaan data anggota/patron perpustakaan. 5. Stock Take : untuk membantu proses Stock Opname koleksi perpustakaan.
II-19
6. Master File : untuk pengelolaan data-data master/referensial (master table). 7. System : untuk pengelolaan user aplikasi, grup user, hak akses, backup, log viewer dan juga konfigurasi global sistem. 8. Serial Control : untuk pengelolaan data langganan Jurnal, Majalah, dan terbitan berseri lainnya.
