SEMINAR NASIONAL TEKNOLOGI INFORMASI DAN APLIKASINYA 2013

!

SAMPUL !

!

!

! PROCEEDING! SEMINAR NASIONAL TEKNOLOGI INFORMASI DAN APLIKASINYA 2013 “Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata” Bali, 20 September 2013

Diselenggarakan Oleh : Program Studi Teknik Informatika Jurusan Ilmu Komputer Universitas Udayana Bali

!

!

DAFTAR ISI

Kata Pengantar Daftar Isi Penerapan Analytical Network Process Dalam Purchasing Motor Second (Studi Kasus : Sumber Baru Motor, Yogyakarta) Agus Aan Jiwa Permana .....................................................................................

1

Transformasi Model Warna Yuv Dan Fuzzy Support Vector Machine Untuk Klasifikasi Citra Satelit Ahmad Afif Supianto, Sutrisno ..........................................................................

13

Passage Retrieval In Question Answering System I Wayan Supriana, I Wayan Santiyasa, Cokorda Rai Adi Pramartha ................

23

Sentiment Analysis Dokumen E-Complaint Kampus Menggunakan Additive Selected Kernel SVM Imam Cholissodin, Budi Darma S ......................................................................

29

Segmentasi Data Citra Satelit Berdasarkan Homogenitas Spektral Menggunakan Model Markov Random Field Murinto, Agus Harjoko, Sri Hartati ....................................................................

53

Penerapan Algoritma Boyer More Dan Levenshtein Distance Dalam Koreksi Penulisan Kata Berbahasa Indonesia Yulison Herry Chrisnanto, Erna Dhini Nurhasanah, Agus Komarudin .............

61

Artificial Stigmergy Semut Dalam Penanganan Masalah Optimasi Pencarian Jalur Terpendek Ekspedisi Barang Ketut Bayu Yogha Bintoro, Ni G. A. P. Harry Saptarini ...................................

73

Pengembangan Sistem Informasi Akuntansi BMT Berbasis Web (studi kasus BMT AZZAM) Tedy Setiadi, Risfi Syarif ...................................................................................

81

Pengaturan Penempatan Buku Di Perpustakaan Menggunakan Metode Association Rule Analysis Dan Vertical Format Algorithm Ni Wayan Mirah Pratiwi Negari, Agus Muliantara, Ngurah Agus Sanjaya ER ...................... ................................................................................................

93

Pengamanan Data Citra Digital Menggunakan Metode Vigenere Cipher Hamdani , Anindita Septiarini, Irmadani Apriningrum ......................................

103

Teknik Pengamanan dari Serangan Spammers I Dewa Made Bayu Atmaja Darmawan ..............................................................

113

!

!

Femur Length Detection And Measurement Using Cascade Adaboost And Morphology Operators Zaki Imaduddin, I Putu Satwika, Robeth Rahmatullah, Wisnu Jatmiko ............

119

Sistem Pendukung Pemilihan Keputusan Penentuan Kelayakan Penerima Jaminan Kesehatan Masyarakat Menggunakan Multiple Attribut Decision Making (MADM) Dan Metode Simple Additive Weighting (SAW) Gunawan Abdillah, Agus Komarudin, Agun Abdul Gani..................................

127

Pseudo Random Number Generator Untuk Kode Acak Pin Pada Sistem Informasi PMDK Online Made Putra Wira Dharma, Agus Muliantara ......................................................

135

SMS Gateway Untuk Peningkatan Pelayanan Kepada Customer (Studi Kasus : PT Bhakti Jaya Mobil Indonesia) Ni G. A. P. Harry Saptarini, Zulfahmi Alif Abdi ...............................................

145

Optimasi Sistem Distribusi Dua Tingkat Dengan Algoritma Genetika Adaptif Putu Indah Ciptayani, Zulfahmi Indra ................................................................

159

Pengaruh Nguyen Widrow Dan Momentum Pada Kinerja Jaringan Syaraf Tiruan Backpropagation I Gusti Agung Ari Bawarta, I Made Widiartha ..................................................

167

Peramalan Hujan Harian Menggunakan Algoritma Backpropagation Ida Bagus Gede Bayu Priyanta, Elsyantri Nana Suhendra, I Gede Santi Astawa ............... ................................................................................................

175

Pengenalan Pola Daun Dengan Menggunakan Metode Radial Basis Function Dengan K-Means Clustering Untuk Penentuan Jenis Tanaman Ni Putu Tessa Intaran, Agus Muliantara ............................................................

181

Prototype Sistem Penunjuk Arah dan Pelacakan Bagi Penyandang Tuna Netra berbasis RFID (Radio Frequency Identification) I Made Widhi Wirawan ......................................................................................

189

Aplikasi Mobile Menampilkan Data Property Perusahaan Property Menggunakan Sistem Operasi Android Cok. Istri Oka Diah Anggaraeni .........................................................................

201

Implementasi Fuzzy dalam Proses Pengereman Secara Otomatis Menggunakan Metode Mamdani Anak Agung Ayu Jacqueline Widari ..................................................................

211

!

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% !

PENGATURAN PENEMPATAN BUKU DI PERPUSTAKAAN MENGGUNAKAN METODE ASSOCIATION RULE ANALYSIS DAN VERTICAL FORMAT ALGORITHM Ni Wayan Mirah Pratiwi Negari1, Agus Muliantara2, Ngurah Agus Sanjaya ER3 1

Jurusan Ilmu Komputer, Fakultas MIPA Universitas Udayana Jl. Kampus UNUD Bukit Jimbaran, Badung, Bali 2 Jurusan Ilmu Komputer, Fakultas MIPA Universitas Udayana Jl. Kampus UNUD Bukit Jimbaran, Badung, Bali 3 Jurusan Ilmu Komputer, Fakultas MIPA Universitas Udayana Jl. Kampus UNUD Bukit Jimbaran, Badung, Bali Email : [email protected], [email protected],[email protected] ABSTRAK Berdasarkan pengklasifikasian decimal dewey (DDC) yang terdapat di perpustakaan, pengaturan penempatan buku sangat penting dilakukan agar antar kategori buku mempunyai hubungan keterkaitan dalam penempatannya. Untuk mendapatkan pengaturan penempatan buku yang sesuai dengan prediksi kemunculan setiap buku dilakukan dengan mencari hubungan keterkaitan antar buku melalui data transaksi peminjaman buku dengan menggunakan metode Association Rule Analysis dan menggunakan Vertical Format Algorithm untuk mengurangi kandidat dari aturan asosiasi yang telah dihasilkan. Pengaturan penempatan buku ini sangat penting dilakukan karena diharapkan dapat membantu dalam pencarian informasi dan ilmu pengetahuan secara cepat dan efisien. Oleh karena itu dalam pengujian penelitian ini dilakukan perbandingan tingkat efisiensi dari segi waktu terhadap model pengaturan penempatan buku menggunakan metode Association Rule Analysis dengan pengaturan penempatan buku yang telah berlaku sebelumnya di perpustakaan. Berdasarkan hasil pengujian, diperoleh bahwa pengaturan penempatan buku dengan menggunakan metode Association Rule Analysis lebih efisien dibandingkan dengan pengaturan penempatan buku yang telah berlaku sebelumnya di perpustakaan. Hal ini dibuktikan dengan rata – rata waktu tempuh yang dimiliki pengaturan penempatan buku dengan menggunakan metode Association Rule Analysis lebih singkat dibandingkan dengan pengaturan penempatan buku di perpustakaan. Kata Kunci: Pengaturan penempatan buku, Association Rule Analysis, Vertical Format Algorithm, Support, Confidence

1

PENDAHULUAN Perpustakaan merupakan salah satu pusat informasi, sumber ilmu pengetahuan, penelitian dan rekreasi. Namun fungsi perpustakaan tersebut hingga kini belum optimal karena memiliki beberapa kendala. Hal ini disebabkan faktor pengaturan penempatan setiap kategori buku dengan kategori buku lainnya terbilang acak. Dalam bidang kepustakawanan, sebuah perpustakaan umum paling tidak memiliki kategori buku sejumlah sepuluh kategori utama yang didasarkan pada pengelompokan kepustakawanan yang dinamakan pengklasifikasian decimal dewey (DDC). Mengacu dari pengklasifikasian ini, sebuah permasalahan muncul yaitu bagaimana aturan penempatan buku yang tepat terhadap pola prediksi kemunculan dari suatu kategori buku dengan kategori buku yang lain sesuai dengan data transaksi peminjaman buku. Dengan kata lain, penempatan setiap kategori buku dengan kategori buku yang lainnya harus memiliki suatu hubungan atau relasi yang saling berkaitan. Pengaturan penempatan buku ini sangat penting dilakukan karena diharapkan dapat membantu dalam pencarian informasi dan ilmu pengetahuan secara cepat dan efisien. Dalam permasalahan pengaturan penempatan buku, perlu adanya pengurangan kandidat untuk menemukan aturan asosiasi. Berdasarkan penelitian sebelumnya oleh Wirdasari (Wirdasari, 2011), tentang penempatan buku di perpustakaan, dikemukakan bahwa untuk mendapatkan penyusunan buku yang sesuai dengan prediksi kemunculan setiap buku dilakukan dengan mencari hubungan keterkaitan antar buku melalui data transaksi peminjaman buku dengan menggunakan metode Association Rule Analysis dan menggunakan algoritma Apriori untuk mengurangi kandidat dari aturan asosiasi yang telah dihasilkan. Walaupun algoritma 93 !

Jurusan Ilmu Komputer, FMIPA, Universitas Udayana

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! Apriori sangat mudah untuk dipahami dan dimplementasikan, akan tetapi algoritma Apriori juga memiliki kekurangan yaitu, untuk melakukan pencarian frequent itemset (data yang sering muncul), algoritma Apriori harus melakukan akses ke basis data berulang kali untuk setiap kombinasi item. Hal tersebut menyebabkan banyaknya waktu yang dibutuhkan untuk melakukan scanning database (Erwin, 2009). Selain dari kekurangan tersebut, algoritma Apriori juga merupakan algoritma lama yang sudah lazim digunakan untuk beberapa penelitian. Maka dibutuhkan suatu algoritma baru yang dapat mengatasi kekurangan dari algoritma Apriori. Vertical Format Algorithm merupakan algoritma baru yang mencari frequent itemset dengan format vertikal. Algoritma ini dipilih karena berdasarkan penelitian sebelumnya oleh Kurniawan (Kurniawan, 2011), menunjukkan bahwa performa Vertical Format Algorithm jauh lebih cepat dibandingkan algoritma Apriori. Hal ini disebabkan karena algoritma ini hanya melakukan satu kali scanning database untuk mendapatkan frequent 1-itemset dan untuk selanjutnya tidak perlu dilakukan scan terhadap database lagi. Sehingga dari penelitian ini diharapkan dapat menemukan aturan penempatan buku di perpustakaan yang paling optimal. Keoptimalan dari aturan (rule) yang dihasilkan diukur berdasarkan nilai support dan confidence yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence), dimana nilai minimum support dan minimum confidence harus ditetapkan sebelumnya. Oleh karena inilah, penulis mengangkat judul penelitian Tugas Akhir, yaitu “Pengaturan Penempatan Buku di Perpustakaan Menggunakan Metode Association Rule Analysis dan Vertical Format Algorithm”. Adapun permasalahan yang harus diselesaikan dalam penelitian adalah bagaimana cara menentukan aturan penempatan buku dari proses Association Rule Analysis? Tujuan dari penelitian ini adalah mencari pengaturan penempatan buku yang efisien dengan metode Association Rule Analysis dan menentukan aturan penempatan buku dari proses Association Rule Analysis.

2

TINJAUAN PUSTAKA 2.1 Association Rule Analysis Association Rule Analysis merupakan suatu metode untuk menemukan relasi antar dataset. Relasi ini dapat direpresentasikan dengan aturan asosiasi yang akan memprediksi kemunculan setiap item terhadap kemunculan item yang lain dalam suatu transaksi. (Tan P.N, 2006:327) 2.2 Itemset dan Support Count Itemset adalah kumpulan dari satu atau lebih item. Jika suatu itemset terdiri dari k item maka dapat dikatakan sebagai k itemset. Sebagai contoh {Beer,Diapers,Milk} dikatakan sebagai 3-itemset. Set kosong pada itemset tidak berarti tidak ada item pada itemset. Support count (σ) adalah frekuensi kemunculan setiap itemset. Jika suatu transaksi terdiri dari itemset X, maka secara matematis, support count σ(X), untuk suatu itemset X dapat dinyatakan sebagai :

σ (X ) = {ti X ⊆ ti , ti ∈T } Dimana : σ(X) = support count atau frekuensi kemunculan itemset X X = itemset atau kumpulan dari beberapa item ti = transaksi yang mengandung itemset X T = semua transaksi = jumlah elemen dalam satu set (Tan P.N, 2006:329) 2.3 Support dan Confidence Suatu aturan asosiasi adalah ekspresi maksud dari X ! Y. Support adalah prosentase dari transaksi pada setiap item yang mengandung X dan Y. Confidence adalah prosentase yang menunjukkan seberapa sering item Y muncul di X. Secara matematis support dan confidence dapat dinyatakan sebagai : 94 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! Support , s( X " "→Y ) =

Dimana :

σ (X ∪ Y )

N σ (X ∪ Y ) Confidence, c( X # #→Y ) = σ (X )

= frekuensi kemunculan dari item X gabungan item Y dalam seluruh transaksi. = frekuensi kemunculan dari item yang mengandung X dalam seluruh transaksi. N = jumlah seluruh transaksi (Tan P.N, 2006:330) 2.4 Penemuan Aturan Asosiasi Association Rule Analysis didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum support (minsup) dan syarat minimum confidence (minconf) (Pramudiono, 2007). Selanjutnya, terdapat dua strategi dalam menemukan aturan asosiasi : 1. Frequent itemset generation, dimana tujuannya untuk menemukan semua itemset yang memenuhi ambang minsup. Itemset ini disebut juga frequent itemset. 2. Rule generation, dimana tujuannya untuk mengekstraksi semua aturan high-confidence dari frequent itemset pada langkah sebelumnya. Aturan ini disebut strong rules (Tan P.N, 2006). 2.5 Vertical Format Algorithm Vertical Format Algorithm adalah sebuah algoritma baru yang diciptakan oleh Yi-ming Gou dan Zhi-jun Wan dari Universitas Teknik Liaoning, Huludao, China dengan mencari frequent itemset dengan format vertikal. Algoritma ini melakukan scanning database hanya satu kali untuk mendapatkan frequent 1-itemset dan untuk langkah selanjutnya tidak perlu dilakukan scan terhadap database lagi. Keuntungan dari algoritma ini adalah dapat menentukan itemset non-frequent sebelum generate itemset kandidat sehingga dapat menghemat waktu. Setiap id transaksi pada k-itemset membawa informasi yang lengkap yang dapat mengkalkulasi tingkat support, sehingga tidak perlu lagi melakukan scan database untuk mencari tingkat support dari (k+1) itemsets (Kurniawan, 2011). 2.6. Cara Kerja Vertical Format Algorithm Pada awalnya dilakukan scanning database untuk mendapatkan frequent 1-itemset. Kemudian merubah format horizontal menjadi format vertikal pada frequent 1-itemset tersebut. Langkah selanjutnya adalah dengan melakukan “operasi AND” untuk setiap elemen dari frequent itemset tersebut dan simpan hasilnya. Jika hasilnya melebihi minimum support, maka kita mendapatkan kandidat set untuk Ck+1 dan dilakukan “operasi AND” berikutnya dan dilakukan secara berulang – ulang sampai mendapatkan situasi seperti berikut ini : • Hanya tersisa satu frequent itemset dan tidak mungkin dapat digunakan “operasi AND” lagi. • Seluruh hasil dari “operasi AND” kurang dari minimum support. 2.7 Rule Generation Proses Rule Generation yaitu mengekstraksi setiap aturan yang memenuhi minimum confidence dari frequent itemset yang dihasilkan. Sebagai contoh dihasilkan frequent itemset yaitu {I1, I2, I5}. Dari frequent itemset tersebut dapat dihasilkan kombinasi aturan asosiasi. Kombinasi aturan asosiasi tersebut yaitu : {I1, I2} ! {I5} {I1, I5} ! {I2} {I2, I5} ! {I1} {I1} ! {I2, I5} {I2} ! {I1, I5} {I5} ! {I1, I2} Masing – masing dari kombinasi aturan tersebut dihitung tingkat confidencenya sehingga akan dapat diketahui aturan yang memenuhi minimum confidence. Sehingga dari 95 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! aturan yang memenuhi minimum confidence merupakan output akhir dari proses Association Rule Analysis. (Jiawei Han and Micheline Kamber, 2006) 2.8 Decimal Dewey Classification (DDC) Sistem klasifikasi DDC diberi nama desimal karena sistem tersebut mengatur semua pengetahuan sebagaimana tertuang dalam bahan perpustakaan menjadi sepuluh kelas utama yang diberi nomor 000 sampai 900. Desimal sama dengan persepuluh artinya setiap bilangan dibagi menjadi sepuluh lalu selanjutnya di bagi sepuluh lagi. Misalnya kelas 400 di bagi menjadi 400, 410, 420, 430, 440, 450, 460, 470, 480, 490 kelas 490 dibagi lagi menjadi 490, 491, 492, 493, 494, 495, 496, 497, 498, 499, kelas 491 dibagi menjadi 491.1 – 491.7, lalu dibagi lagi, demikian seterusnya. Adapun susunan singkatan 10 kelas utama DDC (first summarry atau ringkasan pertama) sebagai berikut: 000 Computer science, information & general works 100 Philosopy & psychology 200 Religion 300 Social sciences 400 Language 500 Science 600 Technology 700 Arts & recreation 800 Literature 900 History & geography

3

METODELOGI PENELITIAN 3.1 Pengumpulan Data Data set yang diambil yaitu berdasarkan data transaksi peminjaman buku di perpustakaan Universitas Udayana. Data set yang digunakan sebanyak 100 data transaksi peminjaman buku, diambil dari data transaksi pada bulan Januari – April 2013. 3.2 Analisis Sistem Adapun kebutuhan sistem yang diperlukan dalam permasalahan pengaturan penempatan buku yaitu : 1. Proses penemuan Frequent Itemset dengan menggunakan Vertical Format Algorithm. 2. Proses penemuan Association Rule dari frequent itemset dengan membentuk aturan asosiasi yang memenuhi minimum confidence. 3.3 Perancangan Sistem 3.3.1 Flowchart Sistem Dalam sistem yang akan dibangun terdapat dua proses dalam mencari aturan asosiasi. Pada Gambar 3.1 merupakan flowchart yang menggambarkan langkah-langkah yang dilakukan selama proses penemuan frequent itemset dengan Vertical Format Algorithm. Pada proses ini dilakukan AND operation untuk setiap elemen frequent itemset. Selanjutnya dari hasil AND operation tersebut dilakukan pengecekan terhadap minimum support. Hasil yang memenuhi dijadikan kandidat itemset selanjutnya.

96 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! Start

Generate kitemset candidat

Itemset

loop = faktorial dari jumlah itemset

start = 0 start2 = 0

irisan itemset(start,start2+1)

cek minsup

start2 ++

Ya

if start2 = end

start ++ start2 = start

T idak

frequent itemset T idak

T idak

Result frequent itemset

Ya

if counter < 0

Ya

if i > loop

i ++

End

Gambar 1. Flowchart proses Frequent Itemset Generation

Pada gambar 3.2 merupakan flowchart dari proses penemuan aturan asosiasi. Dimana pada proses ini mengekstraksi semua kombinasi aturan asosiasi dari masing – masing frequent itemset. Start

maksimal frequent itemset

Generate kombinasi

counter = jumlah solusi itemset

i=0

counter_kombinasi = jumlah kombinasi ke i

j=0

hitung confidence

if confidence > minconf

Ya

list conf

Tidak j ++

if j< counter_kombinasi

Ya

Tidak i ++

Ya

if i < counter Tidak

End

cetak list conf

Gambar 2. Flowchart proses Rule Generation 3.3.2 Diagram Konteks Sistem data transaksi peminjaman buku minimum support minimum confidence

0 Sistem Pengaturan Penempatan Buku

Pengguna

aturan asosiasi penempatan buku

Gambar 3. Diagram Konteks 97 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! Dari gambar 3.3 dapat dijelaskan bahwa sistem pengaturan penempatan buku mendapatkan input data transaksi peminjaman buku dari pengguna sistem. Selanjutnya sistem akan memberikan output kepada pengguna berupa aturan asosiasi yang dapat dijadikan aturan dalam penempatan buku. 3.3.3 Data Flow Diagram Sistem DFD level 0 ini menjelaskan bagian – bagian atau sub proses dari diagram konteks di atas. DFD level 0 ini memiliki dua proses, antara lain : proses penemuan frequent itemset dan proses penemuan association rule. data transaksi peminjaman buku tb_dt_transaksi peminjaman buku

Pengguna

minimum support minimum confidence

1.0 Proses Penemuan Frequent Itemset

data frequent itemset tb_dt_frequent itemset data frequent itemset

2.0 Proses Penemuan Association Rule aturan asosiasi penempatan buku

Gambar 4. Data Flow Diagram level 0

4

HASIL DAN PEMBAHASAN 4.1 Implementasi Sistem Implementasi dari sistem ini mencakup lingkungan perangkat keras dan perangkat lunak. Dalam implementasinya, sistem pengaturan penempatan buku dengan metode Association Rule Analysis ini diimplementasikan pada bahasa pemrograman web PHP. Adapun spesifikasi untuk perangkat keras adalah sebagai berikut : 1. Processor Intel Pentium Dual Core T4200 2,00 Ghz 2. RAM 2 GB 3. Hardisk 250 GB 4. Perangkat output berupa monitor 14’ 5. Perangkat input berupa keyboard dan mouse Sedangkan untuk spesifikasi dari perangkat lunak adalah sebagai berikut : 1. Database Management System (DBMS) MySQL 2. Web Server Apache ( XAMPP 1.7.3 ) 3. Web Browser Mozilla Firefox 4. Sistem Operasi Windows 7 4.2 Hasil Pengujian Pengujian ini dilakukan dengan menentukan batas minsup dan minconf terlebih dahulu. Batasan tersebut dapat diatur oleh pengguna. Sehingga pengujian dilakukan dengan beberapa kali percobaan dengan nilai minsup 5% dan nilai minconf 50%, 60%, 70%, 80%. a. Pengujian dengan minsup 5% dan minconf 50% Tabel 1. Hasil Pengujian Data dengan Minsup 5% dan Minconf 50% Itemset Nilai Confidence Computer science, 85,71% information & general works ; Social sciences => Technology Computer science, 63,64% information & general

98 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! works ; Language => Technology Computer science, information & general works ; Science => Technology Social sciences ; Language => Technology Social sciences ; Science => Technology Social sciences ; Literature => Technology Science ; Literature => Technology

55,56%

70% 54,55% 66,67% 55,56%

b. Pengujian dengan minsup 5% dan minconf 60% Tabel 2. Hasil Pengujian Data dengan Minsup 5% dan Minconf 60% Itemset Nilai Confidence Computer science, 85,71% information & general works ; Social sciences => Technology Computer science, 63,64% information & general works ; Language => Technology Social sciences ; Language 70% => Technology Social sciences ; Literature 66,67% => Technology

c. Pengujian dengan minsup 5% dan minconf 70% Tabel 3. Hasil Pengujian Data dengan Minsup 5% dan Minconf 70% Itemset Nilai Confidence Computer science, 85,71% information & general works ; Social sciences => Technology Social sciences ; Language 70% => Technology

d. Pengujian dengan minsup 5% dan minconf 80% Tabel 4. Hasil Pengujian Data dengan Minsup 5% dan Minconf 80% Itemset Nilai Confidence Computer science, 85,71% information & general works ; Social sciences => Technology

Dari hasil pengujian tersebut menunjukan bahwa itemset yang dihasilkan merupakan aturan asosiasi yang telah memenuhi batas minsup dan minconf yang telah ditentukan. Nilai minsup dan minconf mempengaruhi jumlah aturan asosiasi yang dihasilkan. Hal tersebut dapat dilihat dari kesimpulan berikut : • Minsup 5% dan Minconf 50% = 7 aturan asosiasi • Minsup 5% dan Minconf 60% = 4 aturan asosiasi • Minsup 5% dan Minconf 70% = 2 aturan asosiasi • Minsup 5% dan Minconf 80% = 1 aturan asosiasi 99 !


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! Dari masing – masing kombinasi nilai minsup dan minconf yang menghasilkan aturan asosiasi dapat dibentuk sebuah model pengaturan penempatan buku yang dapat dijadikan bahan rekomendasi bagi perpustakaan. 4.3 Analisis Hasil Pengujian Analisis hasil pengujian ini terdiri dari perbandingan model pengaturan penempatan buku dari aturan asosiasi yang dihasilkan dengan pengaturan penempatan buku yang telah ada sebelumnya di perpustakaan. Dari hasil pengujian sebelumnya yang dilakukan dengan 4 macam kombinasi nilai minsup dan minconf maka dapat dibentuk 4 model pengaturan penempatan buku. Sedangkan di perpustakaan sudah terdapat 1 pengaturan penempatan buku yang telah ada sebelumnya. Sehingga terdapat 5 macam pengaturan penempatan buku yang akan dibandingkan untuk mencari pengaturan penempatan buku yang lebih efisien dari segi waktu. Kategori buku yang berdekatan letaknya dianggap memiliki waktu tempuh sebanyak t satuan waktu. Hal ini bertujuan untuk mempermudah menghitung waktu tempuh dari setiap kategori buku ke kategori buku yang lain. Untuk mengetahui pengaturan penempatan buku yang lebih efisien dari segi waktu dilakukan penghitungan waktu tempuh dari sampel data uji transaksi peminjaman buku. Dari hasil pengujian terhadap kelima macam pengaturan penempatan buku maka dapat diperoleh bahwa pengaturan penempatan buku menggunakan metode Association Rule Analysis dengan minsup 5% dan minconf 50% lebih baik karena memiliki rata – rata waktu tempuh yang lebih singkat yaitu 2,88t satuan waktu. Data hasil penelitian ini dapat dilihat sesuai dengan visualisasi pada gambar grafik 4.8 yang merupakan hasil rata-rata waktu tempuh dari masing – masing pengaturan penempatan buku dengan menggunakan sampel data transaksi yang sama. Dimana Model A merupakan pengaturan penempatan buku yang telah berlaku di perpustakaan, Model B merupakan pengaturan penempatan buku dengan minsup 5% dan minconf 50%, Model C adalah pengaturan penempatan buku dengan minsup 5% dan minconf 60%, Model D yaitu pengaturan penempatan buku dengan minsup 5% dan minconf 70% dan Model E yaitu pengaturan penempatan buku dengan minsup 5% dan minconf 80%.

Gambar 5. Grafik Perbandingan Rata – Rata Waktu Tempuh Masing – Masing Pengaturan Buku

5 1.

2.

3.

KESIMPULAN Berdasarkan hasil pengujian, keempat model pengaturan penempatan buku dengan menggunakan metode Association Rule Analysis lebih efisien dari segi waktu dibandingkan dengan pengaturan penempatan buku yang telah berlaku sebelumnya di perpustakaan. Hal ini dibuktikan dengan rata – rata waktu tempuh yang dimiliki keempat pengaturan penempatan buku dengan menggunakan metode Association Rule Analysis lebih singkat dibandingkan dengan pengaturan penempatan buku di perpustakaan yaitu memiliki rata – rata waktu tempuh 5,39t satuan waktu. Berdasarkan hasil pengujian, kombinasi nilai minimum support dan minimum confidence yang paling baik dalam melakukan pengaturan penempatan buku yaitu nilai minimum support 5% dan minimum confidence 50%. Hal ini disebabkan karena pengaturan penempatan buku menggunakan nilai minimum support 5% dan minimum confidence 50% memiliki rata – rata waktu tempuh paling singkat yaitu 2,88t satuan waktu. Berdasarkan hasil pengujian dengan beberapa kombinasi minimum support dan minimum confidence terlihat bahwa kategori buku Computer science, information & general works 100

!


Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 2013% ! dan Social science serta Technology memiliki hubungan keterkaitan yang tinggi karena prediksi kemunculan rule yang memuat kategori buku tersebut sangat tinggi dibandingkan rule lainnya.

6

DAFTAR PUSTAKA [1] Dewey, Melvil. 2003. Decimal Classification and Relatif Index, 22th ed.Vol.1-Vol.4. Dublin, Ohio : OCLC Online Computer Library Center, Inc. [2] Erwin. 2009. “Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth”. Jurnal Fakultas Ilmu Komputer Universitas Sriwijaya [3] Jiawei Han and Micheline Kamber. 2006. Data Mining – Concepts and Techniques. Morgan Kaufmann, 2 edition [4] Kurniawan Soekamto, Daniel. 2011. “Implementasi Data Mining Dengan Metode Association Rule Untuk Mengetahui Pola Belanja Pelanggan (Studi Kasus PT. Vision Interprima Pictures)”. Thesis Program Pasca Sarjana Ilmu Komputer Universitas Bina Nusantara Jakarta [5] Raorane A.A., Kulkarni R.V., Jitkar B.D., 2012. “Association Rule – Extracting Knowlegde Using Market Basket Analysis”. Research Journal of Recent Sciences [6] Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu [7] Subrata, Gatot. 2009. “Klasifikasi Bahan Pustaka”. Jurnal Pustakawan Perpustakaan UM [8] Tan P.N., Steinbach M., Kumar V., 2006. Introduction to Data Mining. Pearson Education [9] Wandi, Nugroho. 2012. “Pengembangan Sistem Rekomendasi Penelusuran Buku dengan Penggalian Association Rule Menggunakan Algoritma Apriori (Studi Kasus Badan Perpustakaan dan Kearsipan Propinsi Jawa Timur)”. Jurnal Teknik ITS [10] Winata, Andrey. 2010. “Pencarian Association Rule Terhadap Data Penjualan Barang Sebuah Butik”. Skripsi Fakultas Ilmu Komputer Universitas Pembangunan Nasional “Veteran” Jakarta [11] Wirdasari, Dian dan Ahmad Calam. 2011. “Penerapan Data Mining untuk Mengolah Data Penempatan Buku di Perpustakaan SMK TI PAB 7 Lubuk Pakam dengan Metode Association Rule”. Jurnal Saintikom Universitas Sumatera Utara !

101 !


SEMINAR NASIONAL TEKNOLOGI INFORMASI DAN APLIKASINYA 2013

Recommend Documents