FUZZY DEPARTEMEN ILMU KOMPUTER

NGGUNA SIT TUS WEB IPB B ANALISIS POLA KUNJJUNGAN PEN GGUNAKAN N ALGORITM MA TOTALLY Y FUZZY MENG

AYUDYA PAR RAMITA

DEPART TEMEN ILMU U KOMPUTE ER FAKULTA AS MATEMAT TIKA DAN IL LMU PENGE ETAHUAN AL LAM INSTIT TUT PERTAN NIAN BOGOR R 2009 1

ANALISIS POLA KUNJUNGAN PENGGUNA SITUS WEB IPB MENGGUNAKAN ALGORITMA TOTALLY FUZZY

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

AYUDYA PARAMITA G64104069

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009 2

ABSTRAK AYUDYA PARAMITA. Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy. Dibimbing oleh ANNISA dan HERU SUKOCO. Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara sekuensial terhadap waktu. Untuk mengetahui trends dari pengguna situs web terkait pola pengaksesannya, dapat digunakan metode web mining. Salah satu teknik web mining yang dapat digunakan untuk mengetahui pola sekuensial yaitu Totally Fuzzy. Konsep fuzzy yang diterapkan dalam teknik web mining dapat lebih baik dalam menangani data numerik, karena himpunan fuzzy ”memperhalus” batasan yang tegas. Data numerik diubah menjadi bentuk data fuzzy menggunakan teknik Fuzzy C-Means yang menerapkan konsep ketidakmiripan dalam mengelompokkan suatu objek. Pola sekuensial yang memiliki frekuensi cukup tinggi kemudian dipresentasikan agar mudah dipahami dan diintrepretasikan. Informasi tersebut dapat digunakan oleh web master sebagai dasar untuk perancangan ulang disain sebuah situs web, baik tatanan antarmuka maupun isi. Data yang digunakan pada penelitian ini adalah data log akses situs web IPB (www.ipb.ac.id) pada periode 5 Januari sampai dengan 18 Juni 2007. Data dikelompokkan ke dalam dua bagian, yaitu pengguna internal dan pengguna eksternal. Dalam hal ini digunakan alamat IP dari server proxy untuk mengasumsikan bahwa seorang pengguna termasuk ke dalam kelompok pengguna internal atau eksternal. Pada penelitian ini digunakan nilai ambang batas (threshold) dari 0,1 hingga 0,6 dengan peningkatan sebesar 0,05 dan nilai minimum support sebesar 3% hingga 56% untuk data pengguna internal serta 14% hingga 65% untuk data pengguna eksternal. Nilai minimum support tersebut ditentukan berdasarkan kondisi datanya. Dari hasil percobaan didapatkan informasi bahwa bagi data pengguna internal jumlah item maksimal yang membentuk suatu pola sekuensial adalah 5-sequences, yaitu (home, rendah) (ipbbhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support tertinggi sebesar 56,66%, sedangkan bagi data pengguna eksternal, yaitu (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipbbhmn/akademik, rendah) dengan nilai fuzzy support sebesar 64,84%. Hal tersebut menggambarkan pola sekuensial yang sering dilakukan oleh pengguna situs web IPB. Dengan nilai minimum support sebesar 10 %, terdapat delapan halaman yang sering diakses oleh pengguna internal IPB, yaitu halaman home, ipb-bhmn, ipb-bhmn/akademik, ipb-bhmn/others, ipb-bhmn/ipbphoto, id, id/uploaded pictures, dan ipb-bhmn/gallery. Dengan nilai minimum support yang sama yaitu 10%, terdapat tujuh halaman yang sering diakses oleh pengguna eksternal IPB, yaitu halaman home, ipb-bhmn, ipbbhmn/direktori, ipb-bhmn/akademik, ip-bhmn/others, ipb-bhmn/ipbphoto dan id. Web master sebaiknya mengalokasikan link menuju halaman tersebut pada halaman utama serta di antara halamanhalaman pada pola sekuensial yang menggambarkan pola pengaksesan pengguna situs web IPB sehingga memudahkan pengguna dalam mengaksesnya. Kata kunci : web mining, algoritma totally fuzzy, frequent sequence, pola sekuensial, fuzzy support.

3

Judul Skripsi

:

Nama NIM

: :

Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy Ayudya Paramita G64104069

Menyetujui : Pembimbing I,

Pembimbing II,

Annisa S.Kom., M.Kom. NIP 132311930

Heru Sukoco S.Si., M.T. NIP 132282666

Mengetahui : Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. drh. Hasim, DEA NIP 131578806

Tanggal Lulus :

4

RIWAYAT HIDUP Penulis dilahirkan pada tanggal 28 Januari 1987 di Jakarta. Penulis merupakan anak pertama dari tiga bersaudara pasangan Dedi Suryadi dan Saryati Kosasih, S.H. Pada tahun 2004 penulis lulus dari SMA Negeri 2 Bogor. Pada tahun yang sama penulis diterima di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama mengikuti perkuliahan, penulis pernah menjadi pengurus Badan Eksekutif Mahasiswa FMIPA tahun kepengurusan 2005/2006. Selain itu, penulis juga pernah menjadi pengurus Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) tahun kepengurusan 2004/2005. Pada tahun 2007, penulis pernah melakukan kegiatan praktik lapang selama dua bulan di Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumberdaya Genetik Pertanian (BB-BIOGEN).

5

KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy. Tugas akhir ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Komputer di FMIPA IPB. Penghargaan serta rasa terima kasih penulis sampaikan kepada Ibu Annisa, S.Kom., M.Kom. dan Bapak Heru Sukoco, S.Si., M.T. selaku pembimbing yang telah bersedia meluangkan waktu serta memberikan saran dan bimbingannya selama penelitian dan penulisan tugas akhir ini. Penghargaan dan rasa terima kasih juga penulis sampaikan kepada Bapak Endang, S.Kom., M.Kom. yang telah berkenan sebagai moderator dan penguji dalam pelaksanaan seminar dan sidang. Penulis menyampaikan terima kasih dan penghargaan yang mendalam kepada seluruh keluarga, Bapak, Ibu, dan Adik tercinta yang senantiasa memberikan dukungan moral, doa, kasih sayang, dan perhatian. Penulis menyampaikan terima kasih kepada sahabatku (Venty, Dewi, Alfinda, Zee dan Cindy), Kak Irfan, Ilkom 41 (Tresna, Restu, Ajeng, Imam, Heny, Ferdi, Welly, Syadid, Hany, Anna, Intan, Ingrid, Indri, Mirza dan Noven) dan teman-teman satu bimbingan (Marissa, Iwan, Riza dan Jefry) atas dukungan, motivasi dan masukan yang telah diberikan. Terima kasih kepada teman-teman yang telah membantu selama penulisan tugas akhir dan memberi dukungan ketika seminar dan sidang. Semua teman-teman Ilkom 41 lainnya, terima kasih untuk canda tawa, persahabatan, dan kebersamaan selama kuliah di Ilkom IPB. Penulis mengucapkan terima kasih kepada seluruh staf pengajar yang telah memberikan wawasan serta ilmu yang berharga selama penulis menuntut ilmu di Departemen Ilmu Komputer. Seluruh staf administrasi dan perpustakaan Departemen Ilmu Komputer FMIPA IPB yang selalu memberi kemudahan dalam mengurus segala macam hal berkaitan dengan perkuliahan, serta pihakpihak lain yang tidak dapat disebutkan satu-persatu. Penulis menyadari bahwa karya ilmiah ini masih jauh dari sempurna. Namun penulis berharap semoga karya ilmiah ini dapat memberikan manfaat bagi pembacanya.

Bogor, Januari 2009

Ayudya Paramita

6

DAFTAR ISI Halaman DAFTAR TABEL.................................................................................................................................. vi DAFTAR GAMBAR............................................................................................................................. vi DAFTAR LAMPIRAN.......................................................................................................................... vii PENDAHULUAN Latar Belakang ............................................................................................................................ 1 Tujuan ......................................................................................................................................... 1 Ruang Lingkup ........................................................................................................................... 1 Manfaat Penelitian .................................................................................................................... ..1 TINJAUAN PUSTAKA Web mining .................................................................................................................................. 1 Knowledge Discovery in Database (KDD) ................................................................................. 2 Association Rule Mining.............................................................................................................. 3 Pola Sekuensial............................................................................................................................ 3 Himpunan Fuzzy .......................................................................................................................... 3 Peubah Linguistik ........................................................................................................................ 3 Fuzzy C-Means ............................................................................................................................ 4 Fuzzy Cardinality ........................................................................................................................ 4 Fuzzy Candidate Sequence .......................................................................................................... 4 File Log Akses............................................................................................................................. 4 Totally Fuzzy ............................................................................................................................... 5 METODE PENELITIAN Proses Dasar Sistem .................................................................................................................... 6 Lingkungan Pengembangan Sistem........................................................................................... 10 HASIL DAN PEMBAHASAN Pembersihan Data ...................................................................................................................... 10 Seleksi Data ............................................................................................................................... 11 Transformasi Data ..................................................................................................................... 11 Web Mining ............................................................................................................................... 12 Pembentukan fuzzy support bagi masing-masing halaman situs web ......................... 12 Pembentukan frequent sequence ................................................................................. 13 Evaluasi Pola ............................................................................................................................. 16 Representasi Pengetahuan ......................................................................................................... 17 KESIMPULAN DAN SARAN Kesimpulan ................................................................................................................................ 19 Saran .......................................................................................................................................... 19 DAFTAR PUSTAKA ....................................................................................................................... 20 LAMPIRAN ..................................................................................................................................... 20 v 7

DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10

Deskripsi format data log akses........................................................................................................ 4 Data transaksi customer ................................................................................................................... 7 Nilai derajat keanggotaan bagi customer 1 dengan nilai ambang batas sebesar 0,3 ......................... 8 Nilai fuzzy support bagi masing-masing item ................................................................................... 8 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (internal) ........ 14 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (eksternal) ...... 15 Daftar pola sekuensial yang menarik (data internal) ...................................................................... 17 Daftar pola sekuensial yang menarik (data eksternal) .................................................................... 17 Daftar fuzzy support yang memiliki nilai di atas 10% dengan threshold 0,3 (data internal) .......... 18 Daftar fuzzy support yang memiliki nilai di atas 10% dengan threshold 0,3 (data eksternal) ........ 18

DAFTAR GAMBAR Halaman 1 Arsitektur web mining ..................................................................................................................... 2 2 Tahapan proses KDD ...................................................................................................................... 2 3 Algoritma CalcTotallySupport ........................................................................................................ 5 4 Diagram alur metode penelitian ...................................................................................................... 6 5 (a) Fungsi keanggotaan item Candy ...................................................................................................... 7 5 (b) Fungsi keanggotaan item Soda ........................................................................................................ 7 5 (c) Fungsi keanggotaan item Toothpaste ............................................................................................... 7 5 (d) Fungsi keanggotaan item Ball.......................................................................................................... 7 5 (e) Fungsi keanggotaan item Video game.............................................................................................. 7 6 Proses scanning data customer 1 ..................................................................................................... 9 7 (a) Fungsi keanggotaan halaman home bagi data pengguna internal .................................................. 12 7 (b) Fungsi keanggotaan halaman home bagi data pengguna eksternal ................................................ 12 8 (a) Jumlah frequent sequence dengan threshold 0,2 terhadap data pengguna internal ........................ 13 8 (b) Jumlah frequent sequence dengan threshold 0,4 terhadap data pengguna internal........................ 13 8 (c) Jumlah frequent sequence dengan threshold 0,6 terhadap data pengguna internal ........................ 14 9 (a) Jumlah frequent sequence dengan threshold 0,2 terhadap data pengguna eksternal...................... 15 9 (b) Jumlah frequent sequence dengan threshold 0,4 terhadap data pengguna eksternal ..................... 15 9 (c) Jumlah frequent sequence dengan threshold 0,6 terhadap data pengguna eksternal...................... 15 10 Perbandingan waktu eksekusi (data pengguna internal) ................................................................ 16 11 Perbandingan waktu eksekusi (data pengguna eksternal) ............................................................. 16 12 Antarmuka grafis aplikasi ............................................................................................................. 19

vi8

DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9

Tahapan algoritma Totally Fuzzy .................................................................................................... 22 Deskripsi field data log akses .......................................................................................................... 23 Data yang telah melalui proses pembersihan data ........................................................................... 24 Format data yang telah dikonversi ke dalam bentuk numerik ......................................................... 25 URL halaman situs web IPB yang telah dikonversi ke dalam bentuk numerik ............................... 26 Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna internal ...................... 27 Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna eksternal .................... 31 Jumlah frequent sequences berdasarkan nilai ambang batas dan minimum support (internal)........ 35 Jumlah frequent sequences berdasarkan nilai ambang batas dan minimum support (eksternal) ..... 38

vii 9

PENDAHULUAN Latar Belakang Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara serial terhadap waktu. Oleh karena itu, analisis terhadap pola sekuensial didasarkan pada urutan waktu atau urutan terjadinya suatu transaksi. Salah satu metode yang digunakan untuk mendapatkan tatanan antarmuka dan isi yang strategis adalah sequential pattern mining. Metode tersebut pertama kali diperkenalkan oleh Agrawal & Srikant (1995) dan bertujuan untuk mencari kemunculan suatu item yang diikuti kemunculan item lain secara terurut berdasarkan waktu terjadinya transaksi. Metode ini dapat juga digunakan untuk mengetahui trends dari pengguna terkait pola pengaksesannya terhadap sebuah situs web. Untuk ”memperhalus” batasan yang tegas yang terdapat pada data yang bernilai numerik maka diterapkan konsep fuzzy pada sequential pattern mining. Pola tersebut dikarakterisasikan oleh nilai support, yaitu persentase banyaknya transaksi yang mengikuti aturan tersebut. Salah satu teknik web mining yang dapat digunakan untuk mengetahui pola sekuensial yaitu Totally Fuzzy. Teknik ini menggunakan metode Thresholded Sigma Count untuk mendapatkan nilai fuzzy cardinality dari tiaptiap pengguna sebuah situs web (Fiot. C et al 2005). Pada pendekatan ini, masing-masing fuzzy itemset diperhitungkan dalam proses komputasi untuk mendapatkan nilai fuzzy support. Pemahaman terhadap user preference yang tercatat pada data log akses akan mengarahkan sebuah situs web semakin dekat dengan pengguna dan meningkatkan kualitas sebuah situs web, sehingga secara tidak langsung dapat meningkatkan besarnya kemungkinan sebuah situs web untuk tetap bertahan pada lingkungan bisnis yang kompetitif. Tujuan Penelitian Penelitian ini bertujuan untuk melihat trends dari pengguna yang mengakses situs web IPB. Trends tersebut dapat dilihat berdasarkan

informasi mengenai besarnya beban akses suatu halaman pada situs web IPB. Berdasarkan informasi tersebut pada akhirnya dapat diketahui halaman-halaman yang sering dikunjungi oleh pengguna situs web IPB dan dapat digunakan untuk meningkatkan perancangan situs web berdasarkan pola pemakaian. Ruang Lingkup Penelitian Ruang lingkup untuk penelitian ini dibatasi pada penerapan metode Totally Fuzzy pada data log akses server web IPB dari tanggal 5 Januari 2007 hingga 18 Juni 2007. Data tersebut dikelompokkan ke dalam dua bagian, yaitu internal dan eksternal IPB. Analisa dilakukan terhadap kedua kelompok data tersebut. Penelitian ini akan menghasilkan informasi mengenai pola pengaksesan yang dilakukan oleh pengguna. Manfaat Penelitian Informasi yang didapatkan pada penelitian ini diharapkan dapat digunakan untuk meningkatkan performa dan perancangan situs web berdasarkan pola pemakaian, perubahan struktur dan rancangan web menjadi lebih strategis, mendapatkan pola akses pengunjung web IPB baik internal maupun eksternal yang mengakses situs web IPB (www.ipb.ac.id) dan mengetahui halaman-halaman situs web IPB yang sering dikunjungi oleh pengguna.

TINJAUAN PUSTAKA Web mining Web mining merupakan penerapan teknikteknik data mining untuk secara otomatis mengumpulkan dan mengekstrak informasi dari sebuah dokumen web. Web mining merupakan suatu teknik yang dapat membantu pengguna untuk menemukan suatu informasi dari sekumpulan data. Selain itu, web mining mengamati pola akses kunjungan pengguna pada sebuah situs web (Kamber 2006). Secara umum web mining diklasifikasikan ke dalam tiga kategori berdasarkan jenis data yang diekstrak, yaitu web usage mining, web content mining, dan web structure mining. Arsitektur web mining ditunjukkan pada Gambar 1.

1

General Access Pattern

General Access Logs

Web Usage Mining Customized Access Pattern Search Result Web Mining

Web Content Mining

Usage Pofile

Text XML

Web Pages HTML Web Structure Mining

Links

Multimedia

Gambar 1 Arsitektur web mining. Deskripsi mengenai masing-masing kategori tersebut, yaitu : 1.

2.

3.

Tahapan-tahapan proses KDD diilustrasikan pada Gambar 2. Knowledge

Web usage mining Web usage mining berusaha menemukan nilai data berdasarkan pola tingkah laku web surfer. Web content mining Menggambarkan proses penemuan informasi yang berasal dari konten, data atau dokumen sebuah web. Web structure mining Web structure mining mencoba menemukan sebuah model pada struktur link sebuah web.

Salah satu bagian dari web usage mining adalah General Access Pattern Tracking (GAPT). Gagasan utama pada GAPT adalah melihat secara umum trends pengguna yang mengakses situs web tersebut.

Data Mining

Gambar 2 Tahapan proses KDD (Han & Kamber 2006). Deskripsi mengenai tahapan-tahapan tersebut adalah sebagai berikut : 1.

Informasi yang diperoleh dapat digunakan untuk perancangan ulang sebuah situs web sehingga memudahkan proses pengaksesan yang dilakukan oleh pengguna.

2.

Knowledge Discovery from Data (KDD)

3.

Knowledge Discovery from Data (KDD) adalah suatu proses mengekstrak ilmu pengetahuan atau informasi yang berasal dari kumpulan data dalam jumlah besar (Kamber 2006). Data mining adalah proses penemuan pengetahuan yang menarik dari kumpulan data yang tersimpan pada basis data, data warehouse dan media penyimpanan informasi lainnya.

4.

5.

Pembersihan data Pembersihan terhadap data dilakukan untuk menghilangkan noise dan data yang tidak konsisten. Integrasi data Integrasi data dilakukan untuk menggabungkan data yang berasal dari berbagai sumber. Seleksi data Proses seleksi data merupakan proses pengambilan data yang relevan dengan proses analisis yang dilakukan. Transformasi data Data ditransformasikan atau digabungkan ke dalam bentuk yang sesuai untuk dimining dengan cara melakukan peringkasan atau operasi agregasi. Data mining Merupakan proses yang penting dan merupakan tahapan ketika metode-metode

2

6.

7.

cerdas diaplikasikan untuk mengekstrak pola-pola dari kumpulan data. Evaluasi pola Merupakan suatu proses untuk mengidentifikasikan pola-pola tertentu pada data yang menarik dan mempresentasikan pengetahuan. Representasi pengetahuan Penggunaan visualisasi dan teknik representasi untuk menunjukkan penemuan pengetahuan hasil proses mining kepada pengguna.

Association Rule Mining Aturan Asosiasi (association rule) atau analisis afinitas (affinity analysis) berkenaan dengan studi 'apa bersama apa'. Pada dasarnya aturan ini digunakan untuk menggambarkan keterkaitan antar item pada sekumpulan data (Santoso 2007). Secara umum aturan asosiasi dapat dipandang sebagai proses yang terdiri dari 2 tahap (Kamber 2006), yaitu : 1.

2.

Menemukan kumpulan frequent item. Sebuah itemset dikatakan frequent item jika memiliki frekuensi kemunculan minimal sama dengan nilai minimum support. Membangkitkan aturan asosiasi dari itemset yang dikatakan frequent item. Aturan ini harus memenuhi nilai minimum support.

• Support Support bagi suatu aturan asosiasi adalah proporsi banyaknya kejadian pada basis data dimana proporsi sekumpulan item A dan proporsi sekumpulan item B terdapat pada sebuah transaksi. Definisi dari support, yaitu sebagai berikut : support(A→B) = P(A U B)

(1)

Pola Sekuensial Pola sekuensial adalah daftar urutan dari sekumpulan item. Sebuah pola sekuensial dikatakan maksimal jika tidak mengandung pola sekuensial lainnya (Wang et al 2005). Sebuah pola sekuensial dengan k-item disebut dengan ksequence. Panjang pada sebuah pola sekuensial adalah jumlah item yang terdapat pada pola sekuensial tersebut dan dilambangkan dengan |s|. Sebuah subsequence s’ dari s dilambangkan dengan s’ ⊆ s. Misalkan, sebuah pola sekuensial

a = merupakan subsequence dari b = jika terdapat integer i1 < i2 < .....in, 1 ≤ ik ≤ m, sehingga a1 ⊆ b1, a2 ⊆ b2, ...., an ⊆ bm. Diberikan basis data transaksi D dan ambang batas minimum support ε, maka dapat didefinisikan sequential pattern mining adalah mencari nilai frequent sequence yang maksimal di antara semua pola sekuensial yang mempunyai nilai support lebih besar atau sama dengan ε. Dalam hal ini, waktu terjadinya transaksi juga akan dipertimbangkan dalam pencarian pola sekuensial. Himpunan Fuzzy Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan, yaitu 0 dan 1. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar ke sepenuhnya salah. Inti dari himpunan fuzzy, yaitu fungsi keanggotaan yang menggambarkan hubungan antara domain himpunan fuzzy dengan nilai derajat keanggotaan. Hal yang membedakan antara himpunan boolean dan fuzzy, yaitu elemen pada himpunan fuzzy memiliki nilai derajat keanggotaan t (Cox 2005). Hubungan pada fungsional karena derajat keanggotaan pada domain x. keanggotaan sebuah sebagai berikut :

himpunan fuzzy mengembalikan untuk nilai yang Definisi dari himpunan fuzzy f

t = f(s,x)

bersifat sebuah terdapat derajat adalah (2)

Peubah Linguistik Peubah linguistik merupakan sebuah himpunan fuzzy yang membentuk aturan tertentu untuk sebuah variabel dan digunakan pada aturan fuzzy sebagai bagian dari hubungan fuzzy (Cox 2005). Peubah linguistik dikarakterisasikan oleh quintaple (x, T(x), X, G, M) dengan x adalah nama peubah, T(x) adalah kumpulan dari linguistic term, X adalah nilai interval x, G adalah aturan sintak yang membangkitkan term dalam T(x), M adalah aturan semantik yang bersesuaian dengan nilai linguistik M(A), dengan M(A) menunjukkan fungsi keanggotaan untuk himpunan fuzzy dalam X. Sebagai contoh, jika frekuensi pengaksesan dipresentasikan

3

sebagai peubah linguistik, maka himpunan dari linguistic term T(frekuensi akses) menjadi : T(frekuensi akses) = {rendah, sedang, tinggi} Setiap term dalam T(frekuensi akses) dikarakterisasikan oleh himpunan fuzzy dalam X. Fuzzy C-Means Fuzzy C-Means merupakan salah satu metode pengklasteran data, dimana objek dikelompokkan ke dalam k kelompok atau klaster. Untuk melakukan teknik klastering ini, nilai k harus ditentukan terlebih dahulu. Pada teknik ini digunakan ukuran ketidakmiripan dalam mengelompokkan objek-objek tersebut. Ketidakmiripan bisa diterjemahkan dalam konsep jarak (Cox 2005). Pada Fuzzy C-Means, setiap data bisa menjadi anggota dari beberapa klaster. Sesuai dengan konsep fuzzy yang berarti samar, maka batas-batas klaster dalam Fuzzy C-Means adalah soft. Dalam Fuzzy C-Means, pusat klaster dihitung dengan mencari nilai rata-rata dari semua titik dalam suatu klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut. Fuzzy Cardinality Terdapat tiga metode untuk mengkomputasikan nilai fuzzy cardinality (Fiot et al. 2005), yaitu : 1. 2.

3. 4.

Menghitung semua elemen yang memiliki nilai derajat keanggotaan tidak sama dengan nol. Hanya memperhitungkan elemen yang memiliki nilai derajat keanggotaan lebih besar dari nilai ambang batas (threshold) yang telah didefinisikan. Menambahkan nilai derajat keanggotaan dari masing-masing elemen. Metode perhitungan ini disebut juga Sigma Count. Menambahkan nilai derajat keanggotaan dari masing – masing elemen yang memiliki nilai lebih besar dari nilai ambang batas (threshold) yang telah ditentukan. Metode penghitungan ini disebut juga Thresholded Sigma Count.

Fuzzy Candidate Sequence Untuk membangkitkan suatu elemen kandidat pola sekuensial fuzzy maka harus terlebih dahulu dilakukan proses validasi, yaitu untuk memeriksa apakah dua buah fuzzy item yang terdapat pada sebuah fuzzy itemset tidak menunjuk pada sebuah atribut yang sama (Fiot et al 2005). Langkah awal yang harus dilakukan adalah menghitung nilai fuzzy support bagi masingmasing item dan hanya item yang memiliki nilai support lebih besar dari nilai minimum support yang akan disimpan sebagai frequent sequence dengan nilai k berukuran satu. Kandidat pola sekuensial dengan ukuran k, dikatakan sebagai k-sequence, diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses tersebut akan berhenti jika tidak memungkinkan lagi untuk membangkitkan kandidat pola sekuensial dengan ukuran k+1. File Log Akses Pengelolaaan server web secara efektif membutuhkan feedback atau aktivitas kinerja server serta permasalahan-permasalahan yang mungkin terjadi. Feedback ini dapat berupa informasi mengenai pengguna-pengguna yang mengakses situs web, apa yang diakses dan statusnya serta waktu pengaksesan. Informasi tersebut tersimpan pada server web terutama data log akses (Purnomo & Anindito 2006). Common Log Format (CLF) untuk setiap baris data pada log akses, yaitu : remotehost rfc931 authuser [date] ”request” status bytes

Tabel 1 Deskripsi format data log akses Field Remotehost rfc931 Authuser [date]

Deskripsi Nama host atau alamat IP dari pengguna yang mengakses situs web. User name dari pengguna pada remote system seperti yang dispesifikasikan pada RFC931. Username yang melakukan otentifikasi seperti yang dispesifikasikan pada RFC931. Informasi tanggal dan waktu saat melakukan request HTTP pewaktuan lokal.

4

Field ”request” Status

Bytes

Deskripsi Informasi HTTP request dari pengguna. Angka numerik yang menyatakan kode status dari HTTP yang dikirimkan kepada pengguna. Panjang bytes dari data yang dikirimkan kepada pengguna.

Sumber : http://www-group.slac.stanford.edu /techpubs/logfiles/info.html Totally Fuzzy Diberikan sebuah basis data transaksi D yang berisi data yang mencatat transaksi yang dilakukan customer. Misalkan T adalah sekumpulan transaksi. Masing-masing transaksi meliputi tiga informasi : customer-id, waktu terjadinya transaksi, dan sekumpulan item. merupakan Sebuah itemset, (i1,i2,...,ik), himpunan bagian I = {i1,i2,..,im}. Sebuah pola sekuensial s merupakan himpunan item yang tidak kosong, yang dilambangkan dengan <s1s2...sp>. Secara umum, support bagi sebuah pola sekuensial adalah persentase customer yang memiliki s pada transaksi yang dilakukannya. Sebuah fuzzy item didefinisikan sebagai hubungan antara sebuah item dengan sebuah fuzzy set yang bersesuaian. Sebuah fuzzy item dinotasikan dengan (x,α) dimana x merupakan sebuah item dan α merupakan fuzzy set dari item yang bersangkutan. Misalkan, (/php/tutor.htm, lot) adalah sebuah fuzzy item dengan lot merupakan sebuah fuzzy set yang didefinisikan oleh suatu derajat keanggotaan (membership degree) pada pengaksesan item /php/tutor.htm. Sebuah fuzzy itemset adalah himpunan fuzzy item. Sebuah fuzzy itemset dinotasikan dengan (X,A) dengan X menunjukkan kumpulan item dan A kumpulan dari fuzzy set dari item yang bersangkutan. Sebuah fuzzy sequence S = <s1...... sn> adalah sebuah pola sekuensial yang terdapat pada fuzzy itemset, misalkan [(/php/tutor.htm, lot) (/php/faq.php, little) (/php/functions.php, lot)]. Cara untuk mengkomputasikan nilai fuzzy cardinality pada algoritma Totally Fuzzy adalah dengan menggunakan metode Thresholded Sigma Count (Fiot. C et al 2005). Nilai derajat keanggotaan μα suatu atribut t pada domain x dinotasikan dengan μα(t[x]) dan nilai ambang

batas (threshold) dinotasikan dengan ω. Nilai derajat keanggotaan αa pada algoritma Totally Fuzzy didefinisikan sebagai berikut :

αa (t[x]) =

μa (t[x]) if μa(t[x]) > ω

{0

else

(3)

Formulasi penghitungan nilai Support Totally Fuzzy (STF) bagi seorang customer c, yaitu : STF (c, (X,A)) = θc

j=1

[x, a] Є (X, A) [

αa (tj[x]) ] (4)

Nilai fuzzy support Fsupp bagi sebuah fuzzy sequence dikomputasikan sebagai rasio jumlah customer yang memiliki pola sekuensial fuzzy tertentu pada transaksi yang dilakukannya dibandingkan dengan jumlah total customer C pada basis data.

Σ [ STF(c,gS)]

Fsupp(X,A) = ___________ cєC

(5)

C Derajat nilai sebuah fuzzy support STF(c,gS) mengindikasikan bahwa pada transaksi yang dilakukan oleh seorang customer c terdapat fuzzy sequence gS. Derajat nilai fuzyy support dikomputasikan dengan menggunakan algoritma CalcTotallySupport seperti yang ditunjukkan pada Gambar 3. CalcTotallySupport – Input : gS, candidate k-sequence; Output : Fsupp fuzzy support for the sequence gS; Fsupp, nbSupp,m 0; For each customer client c Є C do m FindTotallySeq(g-S, Tc) [the customer support degree is aggregated to the current support] nbSupp += m; End for Fsupport nbSupport/T; Return Fsupp; Gambar 3 Algoritma CalcTotallySupport. Untuk menentukan sebuah frequent sequence, nilai minimum support ditentukan terlebih dahulu oleh pengguna. Sebuah pola sekuensial fuzzy dikatakan frequent sequence jika memenuhi kondisi bahwa support (s) > minSupp.

5

Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al 2005). Diagram alir metode Totally Fuzzy secara lengkap dapat dilihat pada Lampiran 1. METODE PENELITIAN

Mulai

Data akses log

Seleksi data

Proses Dasar Sistem Proses dasar sistem mengacu pada proses dalam Knowledge Discovery from Data (KDD). Algoritma Totally Fuzzy diterapkan pada tahap web mining. Diagram alur metode penelitian dapat dilihat pada Gambar 4. Tahapan KDD tersebut dapat diuraikan sebagai berikut : 1. Pembersihan data Data yang mencatat kode status selain 200 tidak akan diikutsertakan pada tahap selanjutnya. Kode status 200 mengindikasikan bahwa request berhasil dilakukan dan dikirimkan dari server web kepada pengguna. 2.

Seleksi data Pada tahap seleksi data dilakukan pemilihan atribut data yang dibutuhkan sebagai masukkan yang digunakan dalam tahap web mining. Terdapat tiga buah atribut yang akan digunakan yaitu : remotehost / alamat IP, date / tanggal pengaksesan yang dilakukan pengguna dan URL yang diminta oleh pengguna. Selanjutnya dilakukan pemisahan data yang mencatat request dari pengguna yang berasal dari internal dan eksternal IPB.

3. Transformasi data Data diubah ke dalam bentuk yang sesuai sebagai masukkan bagi algoritma Totally Fuzzy. Data tersebut dikelompokkan berdasarkan alamat IP masing-masing pengguna, selanjutnya diurutkan secara menaik berdasarkan waktu pengaksesannya. Sebagai ilustrasi tahapan algoritma Totally Fuzzy maka akan digunakan kumpulan data transaksi seperti yang ditunjukkan pada Tabel 2, sel yang kosong menunjukkan bahwa customer tidak melakukan pembelian terhadap item yang bersangkutan. Notasi Cn digunakan untuk melambangkan customer dan d digunakan untuk melambangkan hari pada saat customer tersebut melakukan pembelian produk.

Pengguna Eksternal

Pengguna Internal

Pengklasteran data

Pembentukan membership function

Data fuzzy

Web Mining

Pemberian nilai threshold

Pembentukan nilai fuzzy support bagi masing-masing halaman

Pemberian minimum support

Pembentukan k-sequences

Pembentukan frequent sequence

Apakah terdapat K+1 sequences ?

Ya

Tidak

Output

Evaluasi Pola Pengguna internal

Evaluasi Pola Pengguna eksternal

Representasi Pengetahuan

Selesai

Gambar 4 Diagram alur metode penelitian.

6

Tabel T 2 Data transaksi t custoomer Customer C1

Date D d d1 d d2 d d3 d d4 d d5 d d1 d d2 d d3 d d4 d d1 d d2 d d3 d d4 d d5 d d1 d d2 d d3 d d4 d d5 d d6

C2

C3

C4

Candy 2 1 4

Item ms Toothpaste Soda 3

Ball

1 1 1 2

Videogame

5 2

2

1 2 1

4 3

3 3

1 4

5

2 2

2

4 3 2 2

Suumber : Fiot. C et al. Speeedy, Mini and Totally Fuzzy:: Three Ways for f Fuzzy Sequuential Patternns Miniing. Technical Report 5035, http://ww.lirmm h m.fr. Sebelum melallui tahap mininng, data tersebbut S haruus diubah terleebih dahulu ke k dalam bentuuk dataa fuzzy. Fung gsi keanggotaaan (membershhip funcction) didapaatkan dengann menerapkan metode Fuzzy C-Means. C Funggsi keanggotaan bagii masing-massing item dittunjukkan pada Gam mbar 5(a), 5((b), 5(c), 5(d) dan 5(e). Pada akhiirnya didapatk kan data dalam bentuk fuzzzy yangg memiliki nilaai yang berkisaar antara 0 dann 1. 1.2 1 11 0 0.8 0 0.6 0,5 0 0.4 0 0.2 0

little

1

1.2 1 1 0.8 0.5 0.6 0.4 0.2 0

3

1 Candy

4

5

m medium

1

2

little

few

1.2 1 1 0.8 0,5 0.6 0.4 0.2 0

2

3

Soda

1 5 (b)

5

.

lott

1

2

3

4

5

Ball

1 5 (d) lot

1

4

Toothpaste

5 (a) 1.2 1 1 1 0 0.8 0,5 0 0.6 0 0.4 0 0.2 0

3

lot

1 5 (c)

lot

2

little

4

5

1.2 1 1 0.8 0,5 0.6 0.4 0.2 0

few

1

medium

2

3

lot

4

5

Videogame

1 5 (e)

Gambar 5 (aa), 5 (b), 5 (c), 5 (d) dan 5 (e)) Fungsi keangggotaan masinng-masing item m. 7

Tabel 3 merupakan konversi data yang terdapat pada Tabel 2 ke dalam bentuk derajat keanggotaan fuzzy. Fungsi keanggotaan tersebut dibentuk berdasarkan data yang terdapat pada basis data transaksi. Setiap nilai atau frekuensi pengaksesan memiliki nilai derajat keanggotaan tertentu terhadap masing-masing fuzzy set.

dengan menggunakan Thresholded Sigma Count. Nilai fuzzy support bagi item berukuran satu ditunjukkan pada Tabel 4. Nilai tersebut didapatkan dengan menggunakan algoritma Totally Fuzzy. Hanya pola sekuensial yang merupakan frequent sequence yang akan diikutsertakan dalam tahap selanjutnya. Misalkan ditentukan nilai minimum support sebesar 55 %, maka hanya item [candy, little], [toothpaste, medium], [soda, lot], [videogame, medium] dan [videogame, lot] yang merupakan frequent sequence dan diikutsertakan dalam proses pembentukan kandidat item berukuran dua.

Pada penelitian ini nilai k atau fuzzy set akan ditentukan terlebih dahulu, yaitu frekuensi pengaksesan rendah, sedang dan tinggi. 4.

Web Mining Tahap ini merupakan inti untuk melakukan analisis terhadap data. Pada tahap ini diterapkan penggunaan algoritma Totally Fuzzy yang diperkenalkan oleh Celine Fiot, Anne Laurent dan Maguelonne Teisseire (2005).

2

Tahapan-tahapan yang akan digunakan pada metode tersebut, yaitu: a.

Menentukan nilai ambang batas (threshold) ώ terhadap data. Sebagai ilustrasi pengguna menentukan nilai ambang batas ώ sebesar 0,2 , maka nilai derajat keanggotaan yang lebih kecil dari 0,2 tidak diperhitungkan dan bernilai 0.

b.

Penerapan algoritma Totally Fuzzy bagi masing-masing kandidat pola sekuensial yang terbentuk, yaitu : 1.

Dilakukan proses pembentukan kandidat pola sekuensial yang hanya mengandung sebuah item atau 1sequence. Proses komputasi dilakukan

Pada tahap ini selanjutnya akan dilakukan proses scanning data untuk memeriksa apakah pada transaksi yang dilakukan oleh tiap pengguna terdapat item yang merupakan item pertama pada kandidat pola sekuensial yang dicari. Jika ya, maka dilakukan proses pembentukan sebuah path baru. Masing-masing path menyimpan tiga buah informasi yaitu : item pada pola sekuensial yang telah ditemukan (Seq), item yang selanjutnya akan dicari (curIS), dan nilai derajat keanggotaan (curDeg). Hanya path yang memiliki nilai derajat keanggotaan yang paling tinggi yang akan disimpan.

Tabel 3 Nilai derajat keanggotaan bagi customer 1 dengan nilai ambang batas sebesar 0,3 Candy D d1 d2 d3 d4 d5

li 1 1 0

L 0 0 1

li

Toothpaste m

L

0

0,5

0,5

Items Soda li L 0,5 0,5 0,5 0

Ball

0,5 0,5 0,5 1

f

L

0

1

f

Videogame m L

0

1

0

Keterangan : li : little, L : lot, m: medium, f : few

Tabel 4 Nilai fuzzy support bagi masing-masing item Candy (%) li L 87,5 50

Toothpaste (%) li m L 25 62,5 37,5

Items Soda (%) li L 25 100

Ball (%) f L 25 50

Videogame (%) f m L 0 62,5 67,5

Keterangan : li : little, L : lot, m: medium, f : few

8

nilai yang sama. Maka hanya salah satu dari path tersebut yang akan dibuang. Misalkan, nilai pada pth1 yang dibuang, maka nilai pada pth2 yang akan mewakili besarnya derajat keanggotaan customer 1 terhadap pola sekuensial ([candy, little], [soda, lot)].

Sebagai ilustrasi penerapan algoritma Totally Fuzzy, maka akan dilakukan proses komputasi pada data transaksi seperti yang terdapat pada Tabel 3 untuk mendapatkan nilai fuzzy support terhadap kandidat pola sekuensial gS = <([candy,little]),([soda,lot]) bagi customer 1. Sebagai langkah awal yang harus dilakukan yaitu proses inisialisasi untuk membentuk sebuah path kosong pth1 = (ø,([candy,little]), 0). Pth1 bernilai 0 karena belum dilakukan proses scanning terhadap data transaksi.

pth1

d1

Langkah-langkah proses scanning data menggunakan algoritma Totally Fuzzy adalah sebagai berikut :

d2

•

d3

• •

•

•

Pada transaksi d1 : lakukan proses update pada path pth1, karena transaksi pada d1 terdapat ([candy,little]) yang merupakan item pertama pada kandidat pola sekuensial yang dicari, sehingga pth1 saat ini bernilai pth1 = (<([candy, little])>, ([soda, lot]), [1]). Pada transaksi d2 : lakukan proses pembentukan sebuah path baru pth2 = (<([candy, little])>,([soda, lot]), [1]). Selanjutnya lakukan proses update pada pth1 karena ([soda, lot]) yang merupakan curIS pada pth1 terdapat pada transaksi d2, sehingga pth1 saat ini bernilai pth1 = (<([candy, little])([soda, lot]), ø, [0,75]). Nilai curDeg pada pth1 saat ini didapatkan dari nilai curDeg pth1 sebelum proses update dijumlahkan dengan nilai derajat keanggotaan ([soda, lot]) pada transaksi d2, kemudian dicari nilai rataannya. Saat ini curDeg pada pth1 bernilai 0,75. Pth1 ditutup (path closed) karena telah mengandung semua item pada itemset pola sekuensial yang dicari. Pada transaksi d3 : lakukan proses update pada pth2 karena [soda,lot] yang merupakan curIS pada pth2 terdapat pada transaksi d3, saat ini bernilai sehingga pth2 pth2=(<([candy,little])([soda,lot])>,ø,[0,75] ). Pth2 ditutup karena telah mengandung semua item pada itemset pola sekuensial yang dicari. Untuk optimasi proses scanning terhadap datanya, maka untuk dua path yang telah lengkap (path tersebut telah mencakup semua itemset pada pola sekuensial yang dicari), hanya satu path yang memiliki nilai derajat keanggotaan terbesar yang akan disimpan. Karena pth1 dan pth2 memiliki

pth1 : updated

<([candy,little])>,([soda,lot]),[1]) <([candy,little])([soda,lot])>, ø ,[0,75]) <([candy,little])>,([soda,lot]),[1])

pth1 : updated & closed

pth2 : created

pth1 : deleted

pth2 : updated & closed <([candy,little])([soda,lot])>, ø ,[0,75])

d4

d5

pth2 : not changed

pth2 : improved <([candy,little])([soda,lot])>, ø ,[1]) pth2 : return of curDeg

Gambar 6 Proses scanning data customer 1. •

Pada transaksi d5 : Terdapat [soda,lot] yang memiliki nilai lebih tinggi yaitu 1, sehingga terjadi proses improved terhadap nilai curDeg pada pth2. Nilai pth2 yang sebelumnya bernilai 0,75 mengalami peningkatan menjadi 1. Nilai tersebut berasal dari nilai [candy, little] yang terdapat pada transaksi d1 dijumlahkan dengan nilai [soda, lot] yang terdapat pada transaksi d5, kemudian dicari nilai rataannya. Selanjutnya proses scanning data dilanjutkan seperti ditunjukkan pada Gambar 6.

•

Lakukan langkah-langkah diatas bagi masing-masing customer. Nilai fuzzy cardinality bagi masing-masing customer dijumlahkan kemudian dibagi dengan jumlah total customer pada basis data transaksi sehingga didapatkan nilai persentase fuzzy support bagi kandidat pola sekuensial <([candy, little]),([soda, lot])> sebesar 93,75 %.

9

3

Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-1. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan kandidat pola sekuensial dengan ukuran k+1. Tahapan algoritma Totally Fuzzy secara lengkap dapat dilihat pada Lampiran 1.

5. Analisis Pola Pada tahap ini akan dianalisis pola sekuensial mana yang dikatakan frequent sequence dan mewakili pola pengaksesan pengguna. 6.

Representasi pengetahuan Pola sekuensial yang telah ditemukan kemudian dipresentasikan kepada pengguna agar mudah dipahami dan diinterpretasikan.

dalam bentuk file Common Log Format (CLF). Deskripsi data tersebut dapat dilihat pada Lampiran 2. Sebelum di-mining, data harus melewati tahap praproses (preprocessing) terlebih dahulu yang meliputi pembersihan data, transformasi data, dan seleksi data. Hal ini dilakukan agar data benar-benar lengkap, valid, dan sesuai dengan masukkan yang dibutuhkan oleh algoritma. Pembersihan Data Pada tahap ini dilakukan proses pembersihan terhadap data, data yang dibuang dan tidak diikutsertakan dalam tahap berikutnya, yaitu : 1.

Lingkungan Pengembangan Sistem Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam pengembangan sistem adalah sebagai berikut : a.

Perangkat keras dengan spesifikasi : • Processor : Intel(R) Core(TM) 2 Duo • Memory : 1 GB • Harddisk : 160 GB • Monitor 12.1” WXGA dengan resolusi 1024 x 768 pixel • Alat input : mouse dan keyboard

b.

Perangkat lunak yang digunakan : • Sistem Operasi : Microsoft Windows XP Professional dan Linux Ubuntu Feasty Fawn 7.10 • Microsoft Excel 2007 sebagai lembar kerja (worksheet) dalam pengolahan data. • Matlab 7.0.1 sebagai bahasa pemrograman. • GAWK sebagai media yang digunakan untuk praproses data.

2. 3.

Data yang diikutsertakan selanjutnya, yaitu : 1.

HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data log akses server web situs web IPB (www.ipb.ac.id). Data tesebut merupakan data pada server web IPB selama periode waktu 5 Januari hingga 18 Juni 2007 yang diperoleh

Data yang mencatat request terhadap resource data citra, yaitu jpg, png dan gif yang berukuran < 6 KB. Data citra yang berukuran > 6 KB dianggap merupakan sebuah konten dari halaman situs web dan bukan data yang hanya merupakan data pelengkap dari sebuah halaman situs web. Data yang mencatat proses request terhadap data css, emz, ico, js, robots, swf, vbs, cgi, exe dan template. Data yang mencatat kode status 401, 403, dan 404. Kode status 401, 403, dan 404 menunjukkan bahwa terjadi kegagalan (failed) dalam proses request. Kode status 401 menunjukkan bahwa terjadi kegagalan dalam proses autentifikasi, kode status 403 menunjukkan bahwa terdapat suatu larangan tertentu dalam proses request (forbidden request) terhadap subdirektori yang diminta oleh pengguna, dan kode status 404 menunjukkan bahwa file yang diminta oleh pengguna tidak ditemukan pada server (file not found).

2.

dalam

tahap

Data yang mencatat kode status 200. Kode status 200 mengindikasikan bahwa request berhasil dilakukan dan server web mengirimkan halaman situs yang diminta kepada pengguna. Data yang mencatat request terhadap sebuah halaman situs web.

Pada tahap ini dihasilkan koleksi data yang valid dan sesuai dengan input yang dibutuhkan oleh algoritma Totally Fuzzy. Setelah dilakukan proses pembersihan data maka diperoleh data

10

bersih sebanyak 2.268.596 record yang terdiri atas 25.162 record yang berasal dari pengguna internal dan 2.243.434 record yang berasal dari pengguna eksternal. Contoh data yang telah melalui tahap pembersihan data ditunjukkan pada Lampiran 3.

2.

Seleksi Data Koleksi data log akses server web IPB yang tersedia kemudian diseleksi untuk mendapatkan data yang akan di-mining. Prosedur yang dilakukan pada tahap seleksi data adalah sebagai berikut : 1.

2.

Memilih tiga atribut dari tujuh atribut yang tersedia. Pada log akses tercatat tujuh buah atribut. Namun atribut yang akan digunakan sebagai masukkan bagi algoritma Totally Fuzzy hanya tiga atribut, yaitu remotehost / alamat IP, date atau tanggal terjadinya proses pengaksesan, dan URL yang diakses oleh pengguna. Melakukan pemisahan data yang mencatat request dari pengguna yang berasal dari internal dan eksternal IPB. Untuk dapat mengetahui bahwa request tersebut berasal dari internal maupun eksternal IPB dapat dilihat dari remotehost / alamat IP server proxy masing-masing pengguna. Alamat IP dari server proxy kelompok pengguna yang berasal dari internal IPB, yaitu berkisar di antara 10.x.x.x s/d 10.255.255.255 (class A), 172.16-18.x.x s/d 172.32.x.x (class B), 192.168.0.0 s/d 192.168.255.255 (class C) dan 118.97.49.x, sedangkan alamat IP dari proxy selain alamat IP dari server proxy yang termasuk ke dalam kelompok pengguna internal akan dianggap sebagai kelompok pengguna eksternal.

Transformasi Data Pada tahap ini dilakukan beberapa proses transformasi data, yaitu : 1.

Proses konversi format data yang sesuai untuk digunakan sebagai masukkan algoritma. Data yang semula terdapat dalam bentuk Common Log Format (CLF) kemudian ditransformasikan terlebih dahulu ke dalam format text (*.txt) dan selanjutnya diubah ke dalam format data Microsoft Excel (*.xlsx). Data dalam format *.xlsx inilah yang kemudian akan digunakan

3.

sebagai masukkan bagi algoritma Totally Fuzzy. Data dikelompokkan berdasarkan alamat IP masing-masing pengguna. Kemudian data diurutkan berdasarkan hari pengaksesan serta dilakukan penghitungan banyaknya pengaksesan terhadap masing-masing halaman situs web bagi tiap pengguna. Setelah melalui tahapan tersebut maka untuk kelompok pengguna internal terdapat 572 baris data dengan 54 alamat IP yang berbeda, sedangkan untuk kelompok pengguna eksternal terdapat sebanyak 393.622 baris data dengan 30.269 alamat IP yang berbeda. Proses konversi atribut ke dalam bentuk numerik. Atribut tanggal yang semula berformat date ditransformasikan ke dalam bentuk numerik (datenum). Selain itu, alamat IP dan URL dinotasikan ke dalam bentuk numerik dengan kode yang bersifat unik. Format data tersebut dapat dilihat pada Lampiran 4 dan 5. Hal tersebut dilakukan agar lebih sederhana dan mempermudah proses komputasi terhadap data. Alamat IP dikonversikan ke dalam bentuk numerik dengan menggunakan rumus sebagai berikut : Proxy = 2553 * w + 2552 * x + 255 * y + z

4

(5)

Simbol w, x, y dan z menggambarkan digit pada alamat IP yang dipisahkan oleh tanda titik. Nilai maksimum w, x ,y dan z adalah 255, yang menunjukkan nilai maksimum digit angka pada alamat IP. Data ditransfomasi ke dalam bentuk himpunan fuzzy yang memiliki nilai berkisar antara 0 dan 1. Pada tahap ini digunakan metode Fuzzy C-Means untuk membentuk fungsi keanggotaan. Fungsi keanggotaan tersebut dibentuk berdasarkan data yang diperoleh bagi masing-masing halaman situs web. Masing-masing halaman situs web dipartisi ke dalam tiga fuzzy set, yaitu yang memiliki frekuensi pengaksesan rendah, sedang dan tinggi. Dari data tercatat 41 halaman situs web yang diakses oleh pengguna internal dan 48 halaman situs web yang diakses pengguna eksternal. Bagi masing-masing halaman situs web tersebut akan dibentuk fungsi keanggotaan (membership function) sehingga didapatkan nilai derajat keanggotaan bagi masing-

11

masing frekuensi pengaksesan. Gambar 7(a) dan 7(b) menunjukkan fungsi keanggotaan halaman home bagi data pengguna internal dan eksternal. rendah 1 1.2 1 0.8 0,5 0.6 0.4 0.2 0

1

sedang

1,5

2

2,5

tinggi

3

3,5

4

7 (a)

1

rendah

1.2 1 1 0.8 0,5 0.6 0.4 0.2 0

sedang

tinggi

Pada data pengaksesan pengguna eksternal di antara 5 Januari hingga 18 Juni 2007 dengan selang waktu satu minggu dilakukan pengambilan data hanya pada hari dengan jumlah pengguna terbanyak (ditunjukkan dari banyaknya jumlah alamat IP pengguna yang berbeda pada data per hari). Alamat IP yang berbeda diasumsikan sebagai pengguna yang berbeda. Kemudian dilakukan proses analisis terhadap data yang mencatat request terhadap situs web IPB hingga hierarki level tiga. Pembentukan fuzzy support bagi masingmasing halaman situs web

5

10

15

20

25

71 (b)

Gambar

dan data eksternal sebanyak 112.140 record). Dalam pengambilan data eksternal diterapkan metode Simple Random Sampling. Hal ini dikarenakan jumlah data pengguna eksternal yang tersedia dalam jumlah yang besar dan terdapat keterbatasan dalam perangkat lunak yang digunakan.

7(a) dan 7(b) adalah fungsi keanggotaan halaman home bagi data pengguna internal dan eksternal.

Web Mining Tahapan web mining diterapkan dengan menggunakan metode Totally Fuzzy (Fiot. C et al 2005) untuk membentuk semua kemungkinan frequent sequence. Secara garis besar, proses ini dibagi menjadi 2 bagian, yaitu melakukan proses komputasi untuk mendapatkan nilai fuzzy support bagi masing-masing fuzzy item dan hanya item dengan nilai support lebih besar dari nilai minimum support yang akan disimpan sebagai frequent sequence berukuran satu. Kemudian melakukan proses pembentukan kandidat pola sekuensial berukuran k yang didapatkan dari kombinasi frequent sequence berukuran k-1. Proses tersebut akan berhenti jika tidak memungkinkan lagi untuk melakukan proses pembentukan kandidat pola sekuensial berukuran k+1. Percobaan dilakukan terhadap dua kelompok data, yaitu pengguna internal dan eksternal IPB yang telah mengakses situs web IPB (www.ipb.ac.id) dan telah melewati tahapan praproses (data internal sebanyak 25.162 record

Sebagai langkah awal pengguna harus terlebih dahulu menentukan nilai ambang batas (threshold). Nilai ambang batas (threshold) digunakan untuk menyaring data pada basis data fuzzy, sedangkan nilai minimum support digunakan untuk menyaring nilai fuzzy support bagi masing-masing pola sekuensial setelah dilakukan proses komputasi menggunakan algoritma Totally Fuzzy. Nilai derajat keanggotaan yang bernilai lebih kecil dari nilai ambang batas tidak akan diperhitungkan. Metode ini dikenal juga sebagai Thresholded Sigma Count. Selanjutnya dilakukan proses komputasi bagi masing-masing halaman situs web dengan menggunakan algoritma Totally Fuzzy sehingga didapatkan nilai persentase pengaksesan bagi masing-masing halaman situs web dengan kategori pengaksesan rendah, sedang dan tinggi. • Data Pengguna Internal IPB Data hasil percobaan didapatkan dengan penerapan algoritma Totally Fuzzy pada data pengguna internal IPB yang mengakses situs web IPB (www.ipb.ac.id) dengan time constraint sekitar 6 bulan. Pada data log akses situs tersebut tercatat 41 halaman web yang diakses oleh pengguna. Percobaan dilakukan terhadap beberapa nilai ambang batas di antara 0,1 hingga 0,6 dengan penambahan nilai ambang batas sebesar 0,05. Nilai fuzzy support

12

Halaman-halaman tersebut merupakan halaman yang sering diakses oleh pengguna situs web IPB yang berasal dari ruang lingkup internal IPB karena memiliki nilai fuzzy support yang cukup besar dibandingkan halaman lainnya. • Data Pengguna Eksternal IPB Percobaan dilakukan terhadap data pengguna eksternal IPB yang mengakses situs web IPB (www.ipb.ac.id) dengan time constraint sekitar 6 bulan. Dari data yang tercatat pada data log akses situs web tersebut tercatat 48 halaman yang diakses oleh pengguna. Data hasil percobaan didapatkan dengan penerapan algoritma Totally Fuzzy dengan beberapa nilai ambang batas di antara 0,1 hingga 0,6 dengan penambahan nilai ambang batas sebesar 0,05. Nilai fuzzy support terhadap masing-masing halaman web berdasarkan nilai ambang batas secara lengkap dapat dillihat pada Lampiran 7. Dari data hasil percobaan menunjukkan bahwa hanya tujuh halaman yang memiliki nilai fuzzy support di atas 10%, yaitu halaman 10 (home), halaman 11 (ipb-bhmn), halaman 12 (ipb-bhmn/direktori), halaman 18 (ipbbhmn/akademik), halaman 21 (ipb-bhmn/others), halaman 22 (ipb-bhmn/ipbphoto), dan halaman 28 (id/). Pembentukan frequent sequence Pada tahap ini, metode sequential pattern mining diterapkan untuk membentuk semua kemungkinan frequent sequences dengan menggunakan algoritma Totally Fuzzy. Sebuah sequence berukuran k merupakan kombinasi dari sequence berukuran k-1.

Dilakukan percobaan terhadap data pengguna internal IPB yang tercatat pada data log akses server web situs web IPB dengan time constraint sekitar 6 bulan. Pengujian dilakukan dengan minimum support dari 3% hingga 56% serta variasi nilai ambang batas dari 0,1 hingga 0,6 dengan penambahan sebesar 0,05. Grafik yang menunjukkan jumlah frequent sequence yang terbentuk dengan threshold sebesar 0,2 , 0,4 dan 0,6 serta beberapa variasi nilai minimum support dapat dilihat pada Gambar 8 (a), 8 (b) dan 8 (c). Dari grafik pada Gambar 8 (a), 8 (b) dan 8 (c), jumlah maksimal frequent sequences yang terbentuk adalah 5.470, 5.237 dan 4.085 buah pada posisi minimum support 3%. Nilai minimum support tertinggi hingga masih terdapat frequent sequence yang terbentuk adalah 56% dengan nilai ambang batas sebesar 0,2 dan 0,4 yaitu 1-sequence sebanyak satu buah.

jumlah frequent sequence (buah)

Dari data hasil percobaan menunjukkan bahwa hanya delapan halaman yang memiliki nilai fuzzy support di atas 10% dengan nilai ambang batas sebesar 0,3 yaitu halaman 10 (home), halaman 11 (ipb-bhmn), halaman 18 (ipb-bhmn/akademik), halaman 21 (ipbbhmn/others), halaman 22 (ipb-bhmn/ipbphoto), halaman 28 (id/), halaman 34 (id/uploadpictures) serta halaman 54 (ipbbhmn/gallery) .

• Data Pengguna Internal IPB

Pembentukan frequent sequence dengan threshold 0,2

6000 5000 4000 3000 2000 1000 0

5470

3350

532

0

1

113 64

20

40

60

Minimum Support (%)

8 (a) Pembentukan frequent sequence dengan threshold 0,4 jumlah frequent sequence (buah)

terhadap masing-masing halaman web berdasarkan nilai ambang batas secara lengkap dapat dilihat pada Lampiran 6.

6000 5000 4000 3000 2000 1000 0

5237

2647

532

0

64 64

20

1

40

60

Minimum Support (%)

8 (b) 13

yang diinginkan oleh pengguna dan untuk mengakses menu lain umumnya pengguna harus melewati halaman home ini terlebih dahulu. Nilai fuzzy support berdasarkan nilai ambang batas dan minimum support secara lengkap dapat dilihat pada Lampiran 8.

jumlah frequent sequence (buah)


5000 4000 3000 2000 1000 0

4085

Berdasarkan data hasil percobaan pada Tabel 5 dapat dilihat bahwa semakin besar nilai minimum support yang diberikan maka akan semakin sedikit jumlah maksimal frequent sequences yang terbentuk. Banyaknya maksimal item yang dapat dibentuk pada sebuah sequence adalah lima buah (5-sequences), yaitu terbentuk ketika diberikan nilai minimum support sebesar 15%. Hal tersebut menunjukkan bahwa terdapat paling banyak lima halaman yang diakses oleh pengguna internal IPB secara sekuensial. Contoh 5-sequences yang terbentuk adalah [(10 2) (11 2) (18 2) (34 2) (28 2)] dengan nilai fuzzy support sebesar 56,30%.

2330

531 15

64

0

20

0

40

60

Minimum Support (%)

8 (c) Gambar 8 (a), 8 (b) dan 8 (c) adalah jumlah frequent sequence terhadap nilai threshold dan minimum support terhadap data pengguna internal Pada beberapa minimum support yang digunakan pada saat percobaan, ternyata frequent sequence tidak terbentuk. Hal ini disebabkan karena tidak adanya 2-sequences yang terbentuk. Tidak terbentuknya 2-sequences disebabkan oleh semua 2-sequences hasil penggabungan dari kombinasi 1-sequence mempunyai nilai fuzzy support lebih rendah dari nilai minimum support.

• Data Pengguna Eksternal IPB Data hasil percobaan didapatkan dari penerapan algoritma Totally Fuzzy pada data pengguna eksternal IPB yang mengakses situs web IPB (www.ipb.ac.id) dengan time constraint sekitar 6 bulan dapat dilihat pada lampiran 9. Percobaan dilakukan dengan minimum support dari 14% hingga 65% serta variasi nilai ambang batas dari 0,1 hingga 0,6 dengan penambahan sebesar 0,05. Gambar 9 (a), 9 (b) dan 9 (c) menggambarkan jumlah frequent sequence yang terbentuk berdasarkan nilai ambang batas dan minimum support.

Nilai fuzzy support 1-sequence tertinggi pada setiap nilai threshold umumnya berkisar di antara 55-56% yang didapatkan dari proses komputasi sequence (10 2) atau halaman home dengan kategori pengaksesan rendah. Hal ini dikarenakan halaman home pada situs web IPB sudah mencakup semua link menuju informasi

Tabel 5 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (internal) Minimum Support 56 34 21 19 15 10 9 8 7 6 5 4 3

0,1 1 15 64 113 200 532 845 1.149 1.553 1.814 2.152 3.590 5.465

0,15 1 15 64 113 200 532 846 1.146 1.384 1.631 1.957 3.214 5.025

0,2 1 15 64 113 200 532 777 1.076 1.545 1.816 2.153 3.350 5.470

0,25 1 15 64 113 200 532 780 1.072 1.458 1.723 2.055 3.043 4.997

0,3 1 15 64 113 200 532 717 998 1.546 1.817 2.150 3.362 5.474

Threshold 0,35 1 15 64 113 200 532 784 1.149 1.468 1.652 2.052 2.866 4.944

0,4 1 15 64 64 200 532 720 1.074 1.467 1.652 1.958 2.647 5.237

0,45 1 15 64 64 200 532 720 1.153 1.554 1.743 2.058 2.721 4.996

0,5 15 64 64 200 531 653 1.150 1.385 1.564 1.867 2.505 4.894

0,55 15 64 64 200 531 716 1.003 1.303 1.479 1.959 2.613 5.183

0,6 15 15 64 200 531 653 1.036 1.076 1.396 1.864 2.330 4.085

14


350 300 250 200 150 100 50 0

325

Jumlah frequent sequence (buah)



64 15

0

4

20

4

40

1

60

80

350 300 250 200 150 100 50 0

325

64 15 4

0

20

4

4

40

0

60

80

Minimum Support (%) Minimum Support (%)

9 (c) 9 (a)

Gambar 9 (a), 9 (b) dan 9 (c) adalah jumlah frequent sequence terhadap nilai threshold dan minimum support terhadap data pengguna eksternal.


Pembentukan frequent sequence dengan threshold 0,4 325

350 300 250 200 150 100 50 0

64 15

0

20

4

4

40

0

60

80

Minimum Support (%)

Berdasarkan grafik pada Gambar 8 (a), 8 (b) dan 8 (c), dapat dilihat bahwa jumlah maksimal frequent sequence yang terbentuk adalah 325 buah pada posisi minimum support 14%, 15% dan 16%. Nilai minimum support tertinggi hingga masih terdapat frequent sequences yang terbentuk adalah 65% dengan nilai ambang batas sebesar 0,2 yaitu 1-sequence sebanyak satu buah. Hal ini menunjukkan bahwa untuk penggunaan minimum support di atas 65% tidak menghasilkan frequent sequence . Nilai fuzzy support 1-sequence tertinggi pada setiap nilai threshold umumnya berkisar diantara 65-64% yang didapatkan dari proses komputasi sequence (10 2) atau halaman home dengan kategori pengaksesan rendah. Nilai fuzzy

9 (b)

Tabel 6 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (eksternal) Minimum Support 65 50 34 23 19 18 17 16 15 14

0,1 1 4 4 15 64 64 64 325 325 325

0,15 1 4 4 15 64 64 64 325 325 325

0,2 1 4 4 15 64 64 64 325 325 325

0,25 1 4 4 15 64 64 64 325 325 325

Threshold 0,3 0,35 0,4 1 1 4 4 4 4 4 4 15 15 15 64 64 64 64 64 64 64 64 64 325 325 64 325 325 325 325 325 325

0,45 4 4 15 64 64 64 64 325 325

0,5 4 4 4 15 64 64 64 325 325

0,55 4 4 4 15 64 64 64 325 325

0,6 4 4 4 15 64 64 64 64 325

15

support berdasarkan nilai ambang batas dan minimum support secara lengkap dapat dilihat pada Lampiran 9.

Berdasarkan data pada Tabel 6 diperoleh informasi bahwa peningkatan nilai threshold ternyata tidak terlalu mempengaruhi jumlah frequent sequence yang terbentuk kecuali untuk pembentukan 1-sequence. Variasi jumlah frequent sequence yang terbentuk lebih dipengaruhi oleh variasi nilai minimum support . Waktu eksekusi yang diperlukan untuk membentuk frequent sequence sangat dipengaruhi oleh nilai ambang batas dan minimum support yang digunakan. Perbandingan waktu eksekusi yang diperlukan untuk membentuk frequent sequence dari seluruh percobaan yang telah dilakukan dapat dilihat pada Gambar 10 dan 11.

Waktu Eksekusi (detik)

Perbandingan Waktu Eksekusi

400 350 300 250 200 150 100 50 0

Waktu Eksekusi (detik)

Dengan menerapkan algoritma Totally Fuzzy ternyata jumlah maksimal item yang dapat dibentuk pada sebuah pola sekuensial adalah lima buah (5-sequences). Hal ini menunjukkan bahwa jumlah halaman yang diakses oleh pengguna eksternal secara sekuensial adalah paling banyak lima halaman. Contoh 5sequences yang terbentuk adalah [(10 2) (28 2) (12 2) (11 2) (18 2)] dengan nilai fuzzy support sebesar 64,84%.

Perbandingan Waktu Eksekusi

1000 800 600 400 200 0 0 Threshold 0.2 Threshold 0.4 Threshold 0.6

Gambar

11

20

40

60

80

Minimum Support (%)

Grafik perbandingan eksekusi terhadap pengguna eksternal.

waktu data

Menurut Gambar 10 dan 11, semakin tinggi nilai minimum support yang digunakan maka semakin cepat waktu yang diperlukan untuk membentuk frequent sequence. Hal ini disebabkan semakin besar nilai minimum support maka akan semakin sedikit sequence yang membentuk frequent sequence sehingga waktu komputasi untuk pembentukan frequent sequence akan semakin cepat. Jumlah pola sekuensial yang semakin sedikit disebabkan oleh banyaknya pola sekuensial yang memiliki nilai fuzzy support di bawah nilai minimum support yang digunakan. Selain itu, juga diperoleh informasi bahwa semakin besar nilai ambang batas yang diberikan maka akan semakin cepat waktu yang digunakan untuk membentuk frequent sequence. Hal tersebut disebabkan karena makin sedikitnya jumlah data yang memiliki nilai di atas nilai ambang batas yang ditentukan. Evaluasi Pola

0 Threshold 0.2 Threshold 0.4 Threshold 0.6

20

40

60

Minimum Support (%)

Gambar 10 Grafik perbandingan waktu eksekusi terhadap data pengguna internal.

Seluruh frequent sequence yang dihasilkan pada tahap web mining kemudian dievaluasi untuk mendapatkan pola sekuensial. Evaluasi dilakukan dengan mencari frequent sequence yang maksimal dari seluruh frequent sequences yang ada. Suatu pola sekuensial dikatakan maksimal jika pola sekuensial tersebut tidak termuat pada pola sekuensial lainnya. Dari seluruh pola sekuensial yang terbentuk diambil pola sekuensial yang memiliki nilai

16

fuzzy support tertinggi dengan jumlah ksequence maksimal pada nilai minimum support tertinggi yang dilakukan selama tahap percobaan. Suatu pola sekuensial dikatakan menarik jika terjadi pada minimum support yang tinggi. Daftar pola sekuensial yang menarik dari seluruh percobaan yang telah dilakukan pada data pengaksesan pengguna terhadap situs web IPB dapat dilihat pada Tabel 7 dan 8. Dari evaluasi pola yang terdapat pada Tabel 7 dan 8, diperoleh informasi sebagai berikut : Nilai minimum support yang menghasilkan sequence dengan item paling banyak adalah 15% bagi data pengguna internal dan 16% bagi data pengguna eksternal. Nilai minimum support yang menghasilkan sequence dengan item paling sedikit adalah 65% bagi data pengguna internal dan 56% bagi data pengguna eksternal. Umumnya pengguna internal situs web IPB mengakses halaman 10 (home), 11 (/ipbbhmn/), 18 (ipb-bhmn/akademik), 28 (/id)

dan 34 (id/uploadedpictures) secara sekuensial. Umumnya pengguna eksternal situs web IPB mengakses halaman 10 (home), 11 (/ipb-bhmn/), 12 (/ipb-bhmn/direktori), 18 (ipb-bhmn/akademik) dan 28 (/id) secara sekuensial.

Representasi Pengetahuan Representasi pengetahuan dari pola sekuensial yang dihasilkan diperlukan agar pola yang ada mudah dimengerti dan diinterpretasikan. Berdasarkan hasil presentasi diharapkan dapat diperoleh pengetahuan yang berharga dari koleksi data yang telah dilakukan proses mining. • Data Pengguna Internal Data hasil percobaan pada Tabel 9 menunjukkan bahwa pembentukan nilai fuzzy support bagi masing-masing halaman terdapat hanya delapan halaman yang memiliki nilai fuzzy support di atas 10% dengan jumlah item

Tabel 7 Daftar pola sekuensial yang menarik (data pengguna internal) Nilai threshold

Minimum Support Tertinggi (%)

Maksimal Item pada sequence

Jumlah Frequent Sequence

Nilai fuzzy support tertinggi (%)

Contoh Pola Sekuensial yang terbentuk

0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6

21 21 21 21 21 21 15 15 15 15 15

4 4 4 4 4 4 5 5 5 5 5

24 24 24 24 24 24 480 480 480 480 480

56,66 56,66 56,30 56,30 56,30 56,30 56,30 56,30 55,43 55,43 55,43

[(10 2) (11 2) (34 2) (28 2)] [(10 2) (34 2) (11 2) (28 2)] [(10 2) (34 2) (28 2) (11 2)] [(10 2) (11 2) (18 2) (28 2)] [(10 2) (11 2) (34 2) (28 2)] [(10 2) (34 2) (11 2) (28 2)] [(10 2) (11 2) (18 2) (34 2) (28 2)] [(10 2) (18 2) (11 2) (34 2) (28 2)] [(10 2) (11 2) (18 2) (34 2) (28 2)] [(10 2) (34 2) (28 2) (18 2) (11 2)] [(10 2) (34 2) (28 2) (18 2) (11 2)]

Tabel 8 Daftar pola sekuensial yang menarik (data pengguna eksternal) Nilai threshold

Minimum Support Tertinggi (%)

Maksimal Item pada sequence

Jumlah Frequent Sequence

Nilai fuzzy support tertinggi (%)

Contoh Pola Sekuensial yang terbentuk

0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6

16% 16% 16% 16% 16% 16% 15% 15% 15% 15% 14%

5 5 5 5 5 5 5 5 5 5 5

120 120 120 120 120 120 120 120 120 120 120

64,84 64,84 64,84 64,84 64,84 64,84 64,78 64,78 64,74 64,58 64,55

[(10 2) (28 2) (11 2) (12 2) (18 2)] [(10 2) (28 2) (11 2) (12 2) (18 2)] [(10 2) (28 2) (12 2) (11 2) (18 2)] [(10 2) (12 2) (28 2) (11 2) (18 2)] [(10 2) (28 2) (11 2) (12 2) (18 2)] [(10 2) (28 2) (11 2) (18 2) (12 2)] [(10 2) (28 2) (11 2) (18 2) (12 2)] [(10 2) (28 2) (11 2) (12 2) (18 2)] [(10 2) (28 2) (12 2) (11 2) (18 2)] [(10 2) (28 2) (12 2) (11 2) (18 2)] [(10 2) (28 2) (12 2) (11 2) (18 2)]

17

yang membentuk suatu pola sekuensial terbanyak yaitu 5 item (5-sequences). Tabel 9

Daftar fuzzy support yang memiliki nilai di atas 10% dengan threshold 0,3 (data internal) Halaman

Kategori

home home ipb-bhmn ipb-bhmn/akademik ipb-bhmn/others ipb-bhmn/ipbphoto id/ id/uplodedpictures ipb-bhmn/gallery

rendah sedang rendah rendah rendah rendah rendah rendah rendah

Fuzzy support (%) 56,31 19,02 34,92 18,04 12,03 12,16 34,55 21,92 10,63

Contoh pola sekuensial dengan fuzzy support tertinggi dengan nilai minimum support 21 % yaitu (home, rendah) (ipb-bhmn, rendah) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support sebesar 56,66%. Pola tersebut memiliki arti bahwa sebanyak 56,66% dari total jumlah data pengguna internal situs web IPB melakukan pengaksesan dengan pola tersebut secara sekuensial dengan diawali mengakses halaman 10 (home), diikuti halaman 11 (ipb-bhmn), 34 (/id/uploadedpictures) dan 28 (/id). Contoh pola sekuensial yang memiliki jumlah item terbanyak (5-sequences) terjadi pada minimum support 15% adalah (home, rendah) (ipb-bhmn, rendah) (ipbbhmn/akademik) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support sebesar 56,30%. Pola sekuensial tersebut mempunyai arti bahwa sebanyak 56,30% dari total data pengguna internal IPB melakukan pengaksesan dengan pola tersebut secara sekuensial diawali dengan mengakses halaman 10 (home) diikuti halaman 11 (ipbbhmn), 18 (ipb-bhmn/akademik), 34 (id/ uploadedpictures) dan 28 (id).

Tabel 10 Daftar fuzzy support yang memiliki nilai di atas 10% dengan threshold 0,3 (data eksternal) Kategori

Home ipb-bhmn ipb-bhmn/direktori ipb-bhmn/akademik ipb-bhmn/others ipb-bhmn/ipbphoto id

rendah rendah rendah rendah rendah rendah rendah

Fuzzy support (%) 65,03 50,67 19,24 16,17 12,20 13,37 23,22

Representasi pengetahuan terhadap pola sekuensial hanya dilakukan pada pola sekuensial dengan minimum support 16% yang memiliki jumlah maksimal item terbanyak yaitu lima (5sequences) dan pola sekuensi yang memiliki nilai fuzzy support tertinggi. Contoh pola sekuensial dengan nilai fuzzy support tertinggi dengan nilai minimum support 16% yaitu (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipb-bhmn/akademik, rendah) dengan nilai fuzzy support sebesar 64,84%. Pola tersebut memiliki arti bahwa sebanyak 64,84% dari total jumlah pengguna eksternal situs web IPB melakukan pengaksesan dengan pola tersebut secara sekuensial diawali mengakses halaman 10 (home) diikuti halaman 28 (/id/), 11 (/ipb-bhmn/), 12 (/ipb-bhmn/direktori ) dan 18 (/ipb-bhmn/akademik) Berdasarkan hasil penelitian, terdapat beberapa saran bagi web master situs web IPB, yaitu : 1.

2.

• Data Pengguna Eksternal Data hasil percobaan pada Tabel 10 menunjukkan bahwa pada data pengguna eksternal terdapat tujuh halaman yang memiliki nilai fuzzy support di atas 10%.

Halaman

3.

Menempatkan link yang merupakan penghubung menuju halaman /ipb-bhmn, /ipb-bhmn/akademik, /ipb-bhmn/others, /ipb-bhmn/ipbphoto, /id, /id/uploaded pictures, dan /ipb-bhmn/gallery pada halaman utama. Menempatkan link yang merupakan penghubung menuju halaman /ipb-bhmn, /ip-bhmn/direktori, /ipb-bhmn/akademik, ip-bhmn/others, /ipb-bhmn/ipbphoto dan /id/ pada halaman utama. Menempatkan konten situs web IPB secara efisien pada halaman-halaman tertentu sesuai dengan sasaran pengguna. Misalnya, menempatkan link menuju halaman

18

4.

5.

mengenai pengumuman hasil USMI, pada halaman-halaman yang sering diakses oleh pengguna eksternal. Dengan melakukan hal tersebut diharapkan dapat mengurangi distribusi beban situs web IPB. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna internal adalah (home, rendah) (ipb-bhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah), yaitu sebesar 56,66%. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna eksternal adalah (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipbbhmn/direktori) (ipb- bhmn/akademik, rendah), yaitu sebesar 56,30%. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya.

Untuk melakukan proses pembentukan frequent sequence telah dibangun sebuah aplikasi sederhana dengan menggunakan matlab 7.0.1. Salah satu antarmuka grafis dari aplikasi tersebut dapat dilihat pada Gambar 12.

KESIMPULAN DAN SARAN Kesimpulan Dari hasil percobaan dengan penerapan algoritma Totally Fuzzy yang dilakukan terhadap data pengaksesan pengguna terhadap situs web IPB, diperoleh kesimpulan bahwa nilai minimum support tertinggi hingga masih terbentuk frequent sequence terjadi pada nilai minimum support 56% bagi data pengguna internal dan 65% bagi data pengguna eksternal. Nilai support menunjukkan persentase dukungan data terhadap validasi sebuah pola sekuensial. Kelompok pengguna dibedakan berdasarkan alamat IP dari proxy server yang tercatat pada data log akses. Pola sekuensial dengan jumlah item terbanyak yaitu 5-sequences dengan minimum support 15% bagi data pengguna internal dan 16 % bagi data pengguna eksternal. Pengguna internal situs web IPB memiliki frekuensi yang lebih tinggi dalam mengakses halaman /ipb-bhmn, /ipb-bhmn/akademik, /ipbbhmn/others, /ipb-bhmn/ipbphoto, /id, /id/uploadedpictures dan /ipb-bhmn/gallery, sedangkan pengguna eksternal situs web IPB memiliki frekuensi yang lebih tinggi dalam mengakses halaman /ipb-bhmn, /ipbbhmn/direktori, /ipb-bhmn/akademik, /ipbbhmn/others, /ipb-bhmn/ipbphoto dan /id/. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna internal adalah halaman halaman (home, rendah) (ipb-bhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah), yaitu sebesar 56,66%, sedangkan pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna eksternal adalah halaman (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipb-bhmn/akademik, rendah), yaitu sebesar 56,30%. Hal tersebut menggambarkan pola sekuensial yang sering dilakukan oleh pengguna situs web IPB. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya. Selain itu, mengalokasikan link yang merupakan penghubung menuju halaman yang banyak diakses oleh pengguna internal dan eksternal pada halaman utama atau lokasi yang mudah terlihat dan terjangkau oleh pengguna

Gambar 12 Antarmuka grafis aplikasi. 19

serta mengatur penempatan konten situs web IPB berdasarkan sasaran penggguna sehingga diharapkan dapat mengurangi distribusi beban situs web IPB. Saran Diharapkan pada penelitian selanjutnya dilakukan analisis terhadap data pengaksesan pengguna dengan menerapkan algoritma Speedy Fuzzy dan Mini Fuzzy serta membandingkan hasil percobaan yang diperoleh dengan penerapan algoritma Totally Fuzzy yang dilakukan pada penelitian ini. Selain itu, dapat dilakukan penelitian mengenai bagaimana perancangan sisi antarmuka pada situs web IPB baik itu dalam hal penempatan konten maupun struktur link sehingga memudahkan pengguna mengakses situs web IPB berdasarkan informasi yang diperoleh pada penelitian ini.

DAFTAR PUSTAKA Han J dan Kamber M. 2006. Data Mining: Concept and Techniques. Edisi ke-2. San Diego, USA: Morgan-Kauffman. Wang J et al. 2005. Data Mining in Bioinformatics. London : Springer. Purnomo Y. S & Anindito K. 2005. Pemodelan Tingkah Laku Pengunjung Situs Web Berdasarkan Data Log Web Server. http://inf.uajy.ac.id/~sigit/portfolio/publica tion/YSP-CBMG-Jurnal%20Algoritma.pdf, [23 Februari 2008]. Santoso B. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu. Cox E. 2005. Fuzzy Modelling and Genetic Algorithms for Data Mining and Exploration. USA: Academic Press. Fiot. C et al. Speedy, Mini and Totally Fuzzy: Three Ways for Fuzzy Sequential Patterns Mining. Technical Report 5035,LIRMM :http://www.lirmm.fr/~fiot/ Publi/rtech5035.pdf [14 Desember 2007]. Fiot. C et al. Web Access Log Mining with Soft Sequential Pattern.TechnicalReport 5036,LIRMM :http://www.lirmm.fr/~fiot/ Publi/rtech5036.pdf [14 Desember 2007].

20

LAMPIRAN

21

Lampiran 1 Tahapan algoritma Totally Fuzzy

Basis Data Transaksi

Pembentukan fungsi keanggotaan fuzzy menggunakan metode Fuzzy C-Means

Fungsi Keanggotaan (membership function) bagi tiap halaman t

Pemetaan data asli x ke dalam bentuk derajat keanggotaan fuzzy µa

Keterangan : Rumus mencari nilai fuzzy support Fsupp :

Menentukan nilai ambang batas (threshold) bagi data berdasarkan masukkan user

Basis Data Transaksi dalam nilai fuzzy

USER

nilai ambang batas (threshold) ώ

FSupp = Σ [ S(c,gS)] |C| cєC

Menghitung nilai fuzzy support, Fsupp bagi 1-fuzzy item F1

STF F1

Menghitung nilai derajat keanggotaan bagi F1 bagi masing-masing customer

1-fuzzy itemset F1

Proses generate Candidate Sequence yang terdiri dari satu fuzzy item F1

Data yang lebih besar dari nilai ambang batas (threshold)

Menyeleksi data yang bernilai lebih besar dari nilai ambang batas (threshold) αa

Keterangan : Rumus untuk menyeleksi data berdasarkan nilai threshold

αa (t[x]) =

{

μa (t[x]) if μa(t[x]) > ω 0

else

USER Keterangan : Rumus mencari nilai derajat keanggotaan :

FSupp F1

STF (c, (X,A)) = θc ╧j = 1 Menentukan nilai Minimum support , MinSupp, berdasarkan masukkan user

MinSupp

Menemukan frequence sequence bagi F1., yaitu yang memiliki FSupp yang bernilai > minimum support MinSupp

frequent sequence 1-fuzzy itemset F1

╤

[x, a] Є (X, A) [

αa (tj[x]) ]

Proses generate Candidate Sequence yang terdiri dari k fuzzy item Fk dimana merupakan kombinasi frequence sequence k-1 fuzzy item Fk-1

k-fuzzy itemset Fk

Menghitung nilai derajat keanggotaan bagi Fk bagi masing-masing customer

STF FK

Menghitung nilai fuzzy support, Fsupp bagi 1-fuzzy item Fk

FSupp FK

Menemukan frequence sequence bagi FK., yaitu yang memiliki FSupp yang bernilai > minimum support MinSupp Persentase fuzzy support bagi masing-masing sequence Output berupa Pola Sekuensial

Ditemukan Nilai fuzzy support bagi fuzzy item yang berukuran1, k dan k+1

Kondisi berhenti

Proses akan berhenti jika tidak ditemukan lagi frequence sequence berukuran k

frequent sequence k-fuzzy itemset Fk+1

Proses Untuk menemukan frequence sequence berukuran k+1, proses selanjutnya berulang seperti tahap sebelumnya

frequent sequence k-fuzzy itemset Fk

22

Lampiran 2 Deksripsi field data log akses Remotehost 202.51.237.211 202.51.237.211 202.51.237.211 222.124.11.126 202.57.29.187 222.124.11.127 202.51.237.211 202.51.237.211 222.124.11.127 202.51.237.211 222.124.11.126 172.17.0.11 172.17.0.18 172.17.1.95 172.17.65.12 172.17.0.18 172.17.0.11 172.17.1.29 172.17.1.29 172.17.1.95 172.17.1.95 172.17.0.18 172.17.0.18 172.17.33.87 172.17.33.87 172.17.0.11 172.17.0.11 125.160.96.240 61.94.185.105 125.160.96.240 61.94.185.105 66.249.66.102

date [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [02/Apr/2007:13:01:39 +0700] [01/Apr/2007:08:28:21 +0700] [07/May/2007:11:04:13 +0700] [30/Mar/2007:09:18:42 +0700] [30/Mar/2007:17:01:09 +0700] [29/Mar/2007:18:42:50 +0700] [05/May/2007:10:02:11 +0700] [05/May/2007:10:02:11 +0700] [07/May/2007:14:54:20 +0700] [07/May/2007:14:55:32 +0700] [07/May/2007:14:55:32 +0700] [02/Apr/2007:13:11:08 +0700] [18/Jan/2007:13:32:43 +0700] [18/Jan/2007:13:32:59 +0700] [02/Apr/2007:15:29:44 +0700] [02/Apr/2007:15:30:19 +0700] [20/Jan/2007:21:14:02 +0700] [20/Jan/2007:21:14:03 +0700] [20/Jan/2007:21:14:06 +0700] [20/Jan/2007:21:14:07 +0700] [22/Jan/2007:15:12:24 +0700]

Status Request GET GET GET GET GET GET POST GET GET GET GET GET GET GET GET GET GET GET GET POST POST GET POST GET GET GET GET GET GET POST GET GET

Request /ipb-bhmn/jadwal/utspo.php /ipb-bhmn/jadwal/ /ipb-bhmn/jadwal/uasmk.php /ipb-bhmn/wartawan/isiBerita.php /ipb-bhmn/ /ipb-bhmn/ /ipb-bhmn/jadwal/listuasmk.php /ipb-bhmn/jadwal/uasmk.php /ipb-bhmn/others/viewnews.php /ipb-bhmn/jadwal/utspo.php /ipb-bhmn/ /ipb-bhmn/direktori/sltausmi.php /ipb-bhmn/ /unitbahasa/ /ipb-bhmn/unit/beritaunit.php /ipb-bhmn/mayorminor/ /ipb-bhmn/others/viewnews.php /id/index.php /id/index.php /id/jadwal/listJadwalPS.php /id/jadwal/listJadwalPS.php /ipb-bhmn/direktori/suratRektor2007b.php /ipb-bhmn/direktori/suratRektor2007b.php /ipb-bhmn/lembaga/internasional.php /ipb-bhmn/akademik/kalender.php /ipb-bhmn/ /ipb-bhmn/krsonline/index.php /ipb-bhmn/jadwal/uasmami.php /ipb-bhmn/ /ipb-bhmn/jadwal/listuasmami.php /ipb-bhmn/ /ipb-bhmn/guestbook/index.php

HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.1 HTTP/1.1 HTTP/1.1

Status Code 200 404 501 200 404 200 200 200 200 200 200 200 200 302 200 200 200 301 200 200 200 200 200 200 200 501 200 200 200 200 200 404

Bytes 13667 7648 96572 9388 15342 19874 2331 85443 5416 13684 19891 29993 22514 3727 18472 10664 2871 5334 4276 681 569 10639 10658 10007 22513 22513 13610 13671 20158 6645 16789 13971

23

Lampiran 3 Data yang telah melalui proses pembersihan data Remotehost 202.51.237.211 202.51.237.211 202.51.237.211 222.124.11.126 202.57.29.187 222.124.11.127 202.51.237.211 202.51.237.211 222.124.11.127 202.51.237.211 222.124.11.126 172.17.0.11 172.17.0.18 172.17.1.95 172.17.65.12 172.17.0.18 172.17.0.11 172.17.1.29 172.17.1.29 172.17.1.95 172.17.1.95 172.17.0.18 172.17.0.18 172.17.33.87 172.17.33.87 172.17.0.11 172.17.0.11 125.160.96.240 61.94.185.105 125.160.96.240 61.94.185.105 66.249.66.102 125.162.94.11

date [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [05/Jan/2007:23:58:10 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [06/Jan/2007:00:00:11 +0700] [02/Apr/2007:13:01:39 +0700] [01/Apr/2007:08:28:21 +0700] [07/May/2007:11:04:13 +0700] [30/Mar/2007:09:18:42 +0700] [30/Mar/2007:17:01:09 +0700] [29/Mar/2007:18:42:50 +0700] [05/May/2007:10:02:11 +0700] [05/May/2007:10:02:11 +0700] [07/May/2007:14:54:20 +0700] [07/May/2007:14:55:32 +0700] [07/May/2007:14:55:32 +0700] [02/Apr/2007:13:11:08 +0700] [18/Jan/2007:13:32:43 +0700] [18/Jan/2007:13:32:59 +0700] [02/Apr/2007:15:29:44 +0700] [02/Apr/2007:15:30:19 +0700] [20/Jan/2007:21:14:02 +0700] [20/Jan/2007:21:14:03 +0700] [20/Jan/2007:21:14:06 +0700] [20/Jan/2007:21:14:07 +0700] [22/Jan/2007:15:12:24 +0700] [20/Jan/2007:21:14:10 +0700]

Status Request GET GET GET GET GET GET POST GET GET GET GET GET GET GET GET GET GET GET GET POST POST GET POST GET GET GET GET GET GET POST GET GET GET

Request /ipb-bhmn/jadwal/utspo.php /ipb-bhmn/jadwal/ /ipb-bhmn/jadwal/uasmk.php /ipb-bhmn/wartawan/isiBerita.php /ipb-bhmn/ /ipb-bhmn/ /ipb-bhmn/jadwal/listuasmk.php /ipb-bhmn/jadwal/uasmk.php /ipb-bhmn/others/viewnews.php /ipb-bhmn/jadwal/utspo.php /ipb-bhmn/ /ipb-bhmn/direktori/sltausmi.php /ipb-bhmn/ /unitbahasa/ /ipb-bhmn/unit/beritaunit.php /ipb-bhmn/mayorminor/ /ipb-bhmn/others/viewnews.php /id/index.php /id/index.php /id/jadwal/listJadwalPS.php /id/jadwal/listJadwalPS.php /ipb-bhmn/direktori/suratRektor2007b.php /ipb-bhmn/direktori/suratRektor2007b.php /ipb-bhmn/lembaga/internasional.php /ipb-bhmn/akademik/kalender.php /ipb-bhmn/ /ipb-bhmn/krsonline/index.php /ipb-bhmn/jadwal/uasmami.php /ipb-bhmn/ /ipb-bhmn/jadwal/listuasmami.php /ipb-bhmn/ /ipb-bhmn/guestbook/index.php /ipb-bhmn/jadwal/

HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.0 HTTP/1.0 HTTP/1.1 HTTP/1.1 HTTP/1.1 HTTP/1.1 HTTP/1.1 HTTP/1.0

Status Code 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200

Bytes 13667 13257 85443 9388 16615 19874 2331 85443 5416 13684 19891 29993 22514 3727 18472 10664 2871 5334 4276 681 569 10639 10658 10007 22513 22513 13610 13671 20158 6645 16789 13971 13319

24

Lampiran 4 Format data yang telah dikonversi ke dalam bentuk numerik userID

Date

Frekuensi

Page code

UserID

Date

Frekuensi

Page Code

733106

16

12

2886795275

733158

2

29

2085712142

2886795275

733132

2

12

2085712142

733106

10

26

2886795277

733115

3

19

2085712142

733106

2

25

2886795277

733150

1

12

2085712142

733106

2

83

2886795278

733087

4

61

2085712142

733106

2

21

2886795278

733087

6

10

2085712142

733106

4

18

2886795278

733087

2

11

2085712142

733201

1

10

2886795278

733087

4

18

2085712142

733201

10

28

733109

6

11

2886795282

733188

1

10

2085712142

2886795282

733188

8

28

2085712142

733109

2

25

2886795282

733188

1

54

2085712142

733109

3

12

2886795626

733183

1

28

2085712142

733142

2

10

2886795626

733169

2

53

2085712142

733142

5

11

2886795626

733173

1

21

2085712142

733142

3

16

2886795633

733134

2

13

2085712142

733142

2

18

2886795633

733169

2

10

2085712142

733142

2

14

2886795633

733169

1

28

2085712142

733111

2

11

733111

2

12

2886795633

733141

1

16

2085712142

2886795633

733142

2

12

2085712142

733111

2

26

2886795633

733208

1

69

2085712142

733112

1

10

2886795633

733148

2

68

2085712142

733112

10

11

2886795633

733148

1

56

2085712142

733112

2

12

2886795633

733179

2

54

2085712142

733112

1

18

2886795633

733150

2

21

2085712142

733112

2

21

733173

1

10

2886795648

733199

4

10

2085712142

2886795648

733199

6

28

2085712142

733173

8

28

2886795648

733199

2

16

2085712142

733085

1

10

2886795648

733199

1

11

2085712142

733085

10

11

2886795648

733204

1

10

2085712142

733085

14

13

2886795648

733204

1

28

2085712142

733085

4

23

2886795648

733176

2

61

2085712142

733206

1

10

2886795648

733176

1

10

2085712142

733206

3

28

733176

1

10

2886795648

733176

2

28

2085712142

2886795648

733208

2

10

2085712142

733176

4

28

2886795648

733208

7

28

2085712142

733176

6

35

2886795648

733208

4

54

2085712142

733115

1

10

2886795648

733187

2

10

2085712142

733115

1

11

2886795648

733187

11

28

2085712142

733115

11

18

2886795651

733198

2

54

2085712142

733208

1

10

2886795651

733205

6

10

2085712142

733208

4

28 25

Lampiran 5 URL yang telah dikonversi ke dalam bentuk numerik URL yang direquest pengguna / /ipb-bhmn/ /ipb-bhmn/direktori/ /ipb-bhmn/jadwal/ /ipb-bhmn/beasiswa/ /ipb-bhmn/guestbook/ /ipb-bhmn/agenda/ /ipb-bhmn/wartawan/ /ipb-bhmn/akademik/ /ipb-bhmn/bud/ /ipb-bhmn/lembaga/ /ipb-bhmn/others/ /ipb-bhmn/ipbphoto/ /ipb-bhmn/registrasi/ /ipb-bhmn/unit/ /ipb-bhmn/invensi/ /ipb-bhmn/diploma/ /ipb-bhmn/krsonline/ /id/ /unitbahasa/ /lms/claroline/ /pi /krsonline/ /id/uploadedPictures/ /id/jadwal/ /id/feed/ /en/ /ipb-bhmn/selayang/ /ipb-bhmn/gallery/ /tour/ /ipb-bhmn/jtit/ /ipb-bhmn/aturan/ /pi/news/ /ipb-bhmn/mobile/ /ipb-bhmn/mayorminor/ /agrimart/ /uf/ /ipb-bhmn/ict/ /ipb-bhmn/lelang/ /lms/ /ipb-bhmn/sa-ipb/ /gallery/journal/ /id/Direktori/ /id/BUD/ /ipb-bhmn/mwa/ /krsonline/student/ /gallery/

Kode 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 34 35 43 50 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 76 78 83 85 87

URL yang direquest pengguna /ipb-bhmn/agenda/ /pi/news /ipb-bhmn/lulus/ /ipb-bhmn/layanan/

Kode 88 89 90 91

26

Lampiran 6 Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna internal

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70

Threshold : 0,1 Category Low Medium 56,67 19,78 36,14 3,45 9,09 2,95 6,61 4,43 8,18 2,93 8,73 7,64 5,00 4,09 2,73 2,73 12,12 7,88 5,45 3,64 9,61 4,94 14,42 2,02 12,16 6,03 3,64 1,82 2,72 6,36 3,64 2,60 8,45 2,46 8,81 2,10 34,55 18,18 4,85 4,62 1,82 2,55 4,91 4,36 3,12 1,82 3,64 7,27 21,92 9,82 8,91 5,08 4,92 3,64 1,82 3,64 1,82 3,64 9,55 3,41 10,63 1,82 1,82 3,64 1,82 2,42 1,82 7,27 1,82 3,64 1,82 1,82 4,85 2,42 1,82 2,42 1,82 2,27 3,43 2,02

High 10,49 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 4,75 1,82 2,91 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 10,49 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 4,75 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70

Threshold : 0,2 Category Low Medium 56,31 19,46 36,14 3,05 9,09 2,95 6,61 4,17 8,18 2,73 8,73 7,27 5 4,09 2,73 2,73 18,04 1,82 5,00 1,82 9,61 4,68 12,03 3,64 12,16 6,03 3,64 1,82 2,73 6,36 5,09 1,82 8,45 2,46 8,81 1,82 34,55 18,18 4,85 4,62 1,82 2,55 4,91 4,36 3,12 1,82 3,64 7,27 21,92 9,82 8,91 5,08 4,92 3,64 1,82 3,64 1,82 3,64 9,55 3,18 10,63 1,82 1,82 3,64 1,82 2,42 1,82 7,27 1,82 3,64 1,82 1,82 4,85 2,42 1,82 2,42 1,82 2,27 3,43 1,82

High 10,49 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 4,75 1,82 2,91 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

27

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 10,49 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 4,75 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 10,49 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 4,27 1,82 2,91 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 1,82 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,91 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

28

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,91 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,91 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,09 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 1,82 1,82

29

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,09 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 46 50 53 54 58 59 61 62 63 64 68 69 70


High 9,09 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 5,31 1,82 1,82 1,82 1,82 1,82 1,82 1,82 1,82 3,64 1,82 1,82 1,82 1,82 1,82 1,82 3,10 1,82 1,82 1,82 1,82 1,82 1,82 3,03 1,82 1,82 1,82 1,82 3,03 3,18 1,82

30

Lampiran 7 Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna eksternal

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91

Threshold : 0,1 Category Low Medium 65,09 4,78 50,72 6,30 19,37 6,99 7,65 3,38 5,69 4,02 1,56 0,62 4,11 3,60 0,07 0,03 16,32 6,48 3,14 1,88 5,55 1,58 12,20 5,14 13,41 2,85 2,90 2,45 3,63 0,35 1,30 3,50 6,84 3,46 3,81 1,25 23,56 8,32 2,33 1,94 1,05 0,17 4,24 1,94 6,11 0,96 0,48 0,16 3,52 2,21 0,86 0,50 1,41 0,48 0,12 0,03 0,05 0,39 7,86 3,06 4,11 1,32 6,71 2,33 0,69 0,56 1,40 0,33 0,84 0,60 1,27 4,19 2,69 1,04 0,89 0,08 5,13 2,10 1,21 0,51 2,35 0,29 2,19 1,40 0,59 0,20 1,66 0,81 0,43 0,31 1,97 0,35 1,77 0,70 0,03 0,05

High 0,03 0,03 0,60 0,17 0,24 0,03 0,05 0,03 0,19 0,28 0,21 0,38 0,10 0,43 0,03 0,23 0,23 0,14 0,10 0,45 0,05 0,39 0,25 0,07 0,42 0,03 0,10 0,03 0,04 0,35 0,04 0,38 0,08 0,03 0,07 0,83 0,06 0,08 0,39 0,09 0,03 0,29 0,03 0,13 0,03 0,07 0,06 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,60 0,17 0,24 0,03 0,05 0,03 0,19 0,32 0,21 0,38 0,10 0,43 0,03 0,23 0,23 0,14 0,10 0,45 0,05 0,39 0,25 0,07 0,42 0,03 0,10 0,03 0,04 0,35 0,04 0,37 0,08 0,03 0,07 0,23 0,06 0,08 0,39 0,09 0,03 0,29 0,03 0,13 0,03 0,07 0,06 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,60 0,17 0,24 0,03 0,05 0,03 0,19 0,28 0,21 0,35 0,09 0,43 0,03 0,23 0,23 0,14 0,10 0,45 0,05 0,39 0,25 0,07 0,63 0,03 0,10 0,03 0,04 0,34 0,04 0,37 0,08 0,20 0,07 0,23 0,05 0,08 0,39 0,09 0,03 0,29 0,03 0,13 0,03 0,07 0,05 0,03

31

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,60 0,17 0,23 0,03 0,05 0,03 0,18 0,29 0,21 0,35 0,09 0,37 0,03 0,23 0,23 0,14 0,12 0,42 0,05 0,39 0,24 0,07 0,60 0,03 0,10 0,03 0,04 0,34 0,04 0,37 0,08 0,20 0,07 0,82 0,05 0,08 0,39 0,09 0,03 0,29 0,03 0,12 0,03 0,07 0,05 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91

Threshold 0,3 Category Low Medium 65,03 3,85 50,67 5,16 19,24 6,58 7,60 3,19 5,49 3,74 1,56 0,62 4,11 3,60 0,07 0,03 16,17 6,07 3,14 1,87 5,55 1,58 12,20 5,14 13,37 2,60 2,90 2,41 3,63 0,31 1,30 3,50 6,78 3,30 3,78 1,13 23,22 6,69 2,33 1,93 1,05 0,10 4,24 1,93 6,09 0,88 0,53 0,10 3,52 2,21 0,86 0,50 1,40 0,46 0,12 0,03 0,05 0,39 7,86 3,06 4,06 1,01 6,68 2,19 0,69 0,56 0,36 1,24 0,84 0,60 1,27 4,19 2,67 0,99 0,89 0,08 5,13 2,10 1,21 0,50 2,34 0,21 2,19 1,40 0,58 0,20 1,66 0,80 0,43 0,31 1,96 0,29 1,77 0,66 0,03 0,05

Lanjutan High 0,03 0,03 0,60 0,17 0,23 0,03 0,05 0,03 0,17 0,28 0,21 0,35 0,09 0,37 0,03 0,23 0,22 0,14 0,12 0,43 0,05 0,39 0,23 0,07 0,42 0,03 0,10 0,03 0,04 0,34 0,04 0,37 0,08 0,20 0,07 0,83 0,05 0,08 0,39 0,09 0,03 0,29 0,03 0,12 0,03 0,07 0,05 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,58 0,17 0,23 0,03 0,05 0,03 0,17 0,29 0,19 0,35 0,09 0,37 0,03 0,23 0,22 0,14 0,10 0,43 0,05 0,38 0,23 0,07 0,60 0,03 0,10 0,03 0,04 0,34 0,04 0,35 0,08 0,03 0,05 0,23 0,05 0,08 0,35 0,09 0,03 0,29 0,03 0,12 0,03 0,07 0,05 0,03

32

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,58 0,17 0,21 0,03 0,05 0,03 0,16 0,28 0,19 0,34 0,09 0,37 0,03 0,23 0,21 0,14 0,12 0,43 0,05 0,38 0,23 0,07 0,36 0,03 0,10 0,03 0,04 0,31 0,04 0,35 0,08 0,20 0,05 0,83 0,05 0,08 0,35 0,09 0,03 0,29 0,03 0,12 0,03 0,07 0,05 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,57 0,17 0,21 0,03 0,05 0,03 0,15 0,29 0,19 0,34 0,09 0,37 0,03 0,23 0,21 0,12 0,08 0,43 0,05 0,34 0,23 0,07 0,36 0,03 0,10 0,03 0,04 0,31 0,04 0,34 0,08 0,20 0,05 0,23 0,05 0,08 0,35 0,09 0,03 0,29 0,03 0,12 0,03 0,07 0,05 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,56 0,16 0,18 0,03 0,05 0,03 0,15 0,29 0,19 0,34 0,08 0,34 0,03 0,13 0,21 0,12 0,08 0,36 0,05 0,34 0,21 0,07 0,56 0,03 0,10 0,03 0,03 0,31 0,04 0,34 0,08 0,03 0,05 0,46 0,05 0,08 0,35 0,09 0,03 0,18 0,03 0,12 0,03 0,07 0,05 0,03

33

Lanjutan

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,56 0,16 0,18 0,03 0,05 0,03 0,15 0,29 0,19 0,34 0,08 0,34 0,03 0,13 0,21 0,12 0,08 0,36 0,05 0,34 0,21 0,070 0,56 0,03 0,10 0,03 0,03 0,31 0,04 0,34 0,08 0,03 0,05 0,46 0,05 0,08 0,35 0,09 0,03 0,18 0,03 0,12 0,03 0,07 0,05 0,03

Page 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 43 44 48 53 54 56 58 59 60 61 62 63 64 68 69 70 74 75 78 83 85 91


High 0,03 0,03 0,53 0,16 0,18 0,03 0,05 0,03 0,15 0,22 0,19 0,33 0,08 0,34 0,03 0,13 0,21 0,11 0,08 0,36 0,05 0,33 0,21 0,07 0,56 0,03 0,09 0,03 0,03 0,27 0,03 0,32 0,08 0,20 0,05 0,46 0,05 0,08 0,35 0,07 0,03 0,18 0,03 0,12 0,03 0,07 0,05 0,03

34

FUZZY DEPARTEMEN ILMU KOMPUTER

Recommend Documents