WEB USAGE MINING UNTUK PENENTUAN POLA AKSES USER MENGGUNAKAN ALGORITMA HIERARCHICAL AGGLOMERATIVE CLUSTERING

Komferensi Nasional Sistem Informasi 2014, STMIK Dipanegara Makassar 27 Pebruari – 1 Maret 2014

KNSI2014-25 WEB USAGE MINING UNTUK PENENTUAN POLA AKSES USER MENGGUNAKAN ALGORITMA HIERARCHICAL AGGLOMERATIVE CLUSTERING Arham Maulana1, Angelina Prima Kurniati, ST., MT2, Yanuar Firdaus A. W., ST., MT3 Fakultas Teknik Telkom Engineering School Telkom University, Bandung 1 [email protected], [email protected], [email protected]

Abstrak Perkembangan teknologi Internet yang sangat pesat berdampak pada semakin tingginya aktivitas user dalam pemanfaatannya. E-commerce, e-news, dan e-learning adalah beberapa contoh dari pemanfaatan teknologi internet ini. Aktivitas user dalam mengakses halaman-halaman pada suatu website dapat menjadi informasi yang dapat digunakan guna menjaga kualitas website tersebut. Dengan menerapkan ilmu web usage mining, makalah ini menyajikan hasil penelitian tentang kemiripan-kemiripan aktivitas user dalam mengakses website e-learning kampus, dengan melihat jarak antar-user yang ada atau Euclidean Distance. Aktivitas-aktivitas user yang disimpan didalam sebuah log file akan diolah dengan teknik clustering menggunakan algoritma Hierarchical Agglomerative Clustering sebagai salah satu teknik web usage mining. Data log ini akan diolah dengan mengambil beberapa bagian data yang diperlukan seperti Ip address, userId, pageId dan waktu akses user. Clusters yang terbentuk akan dianalisis untuk mendapatkan pola dan segmentasi user saat mengakses e-learning. Kata Kunci : aktivitas user, web usage mining, clustering, data log, pola akses, segmentasi user. 1.

Pendahuluan

Perkembangan era internet saat ini meningkat dengan sangat pesat. Pemanfaatan teknologi internet (World Wide Web) telah mencakup semua aspek kehidupan. Seiring perkembangan ini, aktivitas user dalam penggunaannya ikut meningkat. Untuk menjamin kepuasan user dalam menggunakan website, perlu diperhatikan performansi dan kualitasnya. Salah satu tolok ukurnya adalah kecenderungan user dalam mengakses website. Web usage mining merupakan proses analisis terhadap pola akses user dan segala aktivitasnya pada suatu website. Web server menyimpan semua data tentang interaksi user dengan website pada sebuah log file. Log file ini kemudian akan diolah melalui beberapa tahap, yaitu preprocessing, pattern discovery, dan pattern analysis. Dalam kaitannya dengan web usage mining, teknik clustering [8,15] sering digunakan untuk menentukan segmentasi pengunjung suatu situs e-commerce berdasarkan kesamaan pola akses maupun demografinya [1,4]. Metode hierarchical agglomerative clustering adalah salah satu teknik clustering yang dapat diterapkan untuk mencari kesamaan pola akses suatu website. Metode ini adalah teknik clustering yang membentuk kontruksi hirarki berdasarkan tingkatan tertentu seperti struktur pohon. Algoritma ini bekerja KNSI 2014

dengan menggabungkan N clusters menjadi satu cluster berdasarkan jarak antar cluster secara bertahap dengan melihat jarak antar clusters. Dengan metode seperti ini, HAC cocok dengan kebutuhan untuk pengolahan dan pengelompokan data log file. Hasil pengelompokan ini disajikan dalam bentuk dendogram seperti pada Gambar 1.

Gambar 1 Contoh Dendogram

2. LANDASAN TEORI 2.1 Web Mining Web mining adalah salah satu cabang ilmu dari data mining. Web mining menggunakan teknik data mining untuk menemukan dan mengekstrak informasi dari dokumen dan layanan web. Menurut Liu [11], web mining bertujuan untuk menemukan informasi atau pengetahuan yang bermanfaat dari struktur web hyperlinks, halaman web, dan data

127


penggunaan web. Berdasarkan jenis data primer dalam proses penggalian informasi, web mining dapat dikategorikan menjadi 3, yaitu Web Structure Mining [7], Web Content Mining, Web Usage Mining. 2.2 Web Usage Mining Web usage mining merupakan proses untuk menangkap dan memodelkan pola perilaku dan profil dari pengunjung web [12]. Pola-pola tersebut dapat digunakan untuk meningkatkan pemahaman mengenai perilaku pengunjung web yang berbeda, untuk memaksimalkan tata letak dan struktur dari situs web, dan untuk memberikan informasi sesuai dengan profil pengunjung. Berbeda dengan dua jenis web mining lainnya, sumber data primer dari web usage mining adalah log akses web server [10], bukan halaman web. Tujuan dari web usage mining adalah menemukan dan memprediksi tingkah laku user, membantu developer mengembangkan website, menarik pengunjung atau untuk mengelompokkan user berdasarkan kebiasaan aksesnya [11]. Secara umum, proses web usage mining terbagi menjadi 3 (tiga) fase, yaitu preprocessing, pattern discovery dan pattern analysis [9]. Prosesproses tersebut seperti pada Gambar 2.1 [1,2,3].

Gambar 2.3 Agglomerative dan Divisive 2.4 Cophenetic Correlation Coefficient (CP) Cophenetic Correlation adalah salah satu metode evaluasi cluster dengan menghitung indeks yaitu Cophenetic Correlation Coefficient. Metode ini biasa digunakan pada Hierarchical Clustering. Untuk menghitung Cophenetic Correlation Coefficient pada Hierarchical Clustering, metode ini membutuhkan dua informasi, yaitu [14] : 1. Distance Matrix

Gambar 2.3 Distance matrix 2.

Cophenetic Matrix

Gambar 2.4 Cophenetic Matrix Untuk mendapatkan nilai cophenetic correlation coefficient, maka digunakan formula sebagai berikut:

Gambar 2.2 Proses Web usage mining

2.3 Hierarchical Agglomerative Clustering Teknik hirarki (hierarchical methods) adalah teknik clustering yang membentuk kontruksi hirarki berdasarkan tingkatan tertentu seperti struktur pohon, secara bertingkat atau bertahap. Hasilnya dapat disajikan dalam bentuk dendogram. Ada dua pendekatan dalam hierarchical clustering yaitu agglomerative dan divisive. Gambar 2.2 adalah gambaran mengenai Agglomerative dan Divisive.

3. MODEL DAN PERANCANGAN SISTEM 3.1 Gambaran Umum Sistem Secara umum, sistem akan melakukan analisa terhadap pola akses user pada halaman web dengan metode Hierarchical Agglomerative Clustering. Tahapan-tahapan prosesnya sesuai Gambar 3.1.

Gambar 3.4 Alur Proses pada Sistem Preprocessing - Parsing Data

KNSI 2014

128


-

Proses ini bertujuan untuk mendapatkan bagian-bagian data yang diinginkan. Cleaning Data Setelah data selesai pada tahap parsing, data yang terkelompok tersebut dibersihkan dari bagian-bagian yang tidak perlu seperti data berekstensi .jpg, .gif, ukuran byte, dan status. Hasil dari cleaned data ini adalah informasi yang dibutuhkan untuk penelitian ini. Tabel 3.1 Contoh data sebelum cleaning

Ip addressRfc931 Userna me

118.96.202. 212

-

-

Time

Request

[24/Feb/2013 "GET :11:29:28 /course/view.ph +0700] p?id=279 HTTP/1.1"

Status

Size

200

22572

Tabel 3.2 Contoh data setelah cleaning

1

ip : 222.124.204.252 time: 13/Feb/2013:18:52:30 4 user id : 7667 page id :

ip : 222.124.204.252 time: 14/Feb/2013:11:46:33 user id : 7713 page id :

2

ip : 222.124.204.252 time: 13/Feb/2013:18:53:12 5 user id : 7667 page id : 255

ip : 222.124.204.252 time: 14/Feb/2013:11:46:49 user id : 7713 page id : 1114

3

ip : 222.124.204.252 time: 13/Feb/2013:18:55:11 6 user id : 7667 page id : 258

ip : 222.124.204.252 time: 14/Feb/2013:11:46:51 user id : 7713 page id : 852

-

User Identification Proses ini bertujuan untuk mengidentifikasi user yang melakukan akses terhadap website. Proses ini dilakukan setiap sistem menemukan baris data “userId=”. 39.210.211.63 - - [03/Apr/2013:03:43:45 +0700] "GET /login/index.php?key=d6ef1166cb2adc2412b199fde28 11cd9&userId=2841 HTTP/1.1" 303 406

-

Page Access Identification Proses ini sama seperti proses sebelumnya. Disini yang diidentifikasi adalah pageId yang diakses user. Sistem mengidentifikasi pages tersebut jika menemukan"view.php?id=", "index.php?id=", "courseId=", "category.php?id=" pada baris data. 182.12.5.228 - - [08/Apr/2013:05:36:16 +0700] "GET /course/view.php?id=1310 HTTP/1.1" 200 8644

Pattern Discovery Pada tahap pattern discovery akan dilakukan proses pencarian user cluster berdasarkan kemiripan akses oleh users yang login. Pencarian cluster tersebut menggunakan disiplin ilmu Clustering dengan algoritma Hierarchical Agglomerative Clustering. Metode yang digunakan pada algoritma ini adalah Unweighted Average Linkage, dimana KNSI 2014

metode ini akan menghitung kemiripan antara dua cluster dengan menghitung rata-rata jarak semua kombinasi pasangan yang mungkin. S(AB),C = (SAC + SBC)/2 S(AB),(CD) = (SAC + SAD + SBC + SBD)/4 SE,(C,(AB)) = (SAE + SBE + SCE)/3

Pattern Analysis Tahap berikutnya dari proses ini adalah pattern analysis dari user cluster yang didapatkan. Dari cluster ini dapat dicari pola kemiripan akses user dengan melihat page-page yang diakses sebelumnya. 4. ANALISIS DAN PENGUJIAN SISTEM 4.1 Pengujian Pattern Discovery Dataset Februari Hasil preprocessing data berdasarkan parameter yang di set sebelumnya. Tabel 4.1 Potongan hasil parsing dan cleaning

Ip address User Id Time Page Id 118.96.202.212 4961 24/Feb/2013:11:29:28 279

Selanjutnya akan dicari pages yang diakses oleh masing-masing user. Setiap page yang diakses akan diberi nilail dan yang lainnya 0 [13]. Tabel 4.2 Potongan list page yang diakses user UserId 7667 7667 7667 7667 7667 7667 7667 7667 7667

PageId 255 258 114 852 226 228 214 267 260

Jumlah 1 1 0 0 0 0 0 0 0

UserId 7667 7667 7667 7667 7667 7667 …. 7702

PageId 259 264 263 257 245 242 …. 447

Jumlah 0 0 0 0 0 0 …. 0

Dari data tersebut, nilai Euclidean dihitung berdasarkan kemiripan aktivitas antar-user. Tabel 4.3 Euclidean Distance dataset Februari User 7667 7667 7667 7667 7667 7667 7667 7667

User 7667 7713 52239 51733 50559 50823 219 50511

ED 0.00 2.65 2.45 2.24 2.00 3.00 3.16 2.65

User 7667 7667 7667 7667 7667 …. 7702

User 9397 9098 8934 9343 51172 …. 7702

ED 2.00 2.00 3.32 2.24 2.00 …. 0.00

User yang memiliki nilai 0 berarti pola aksesnya tepat sama sama lain. Setelah nilai Euclidean didapat, maka nilai ini akan divisualisasikan menggunakan multidendogram 3.1.0. Hasilnya adalah seperti pada Gambar 4.1.

129


40 20 0

User S1 IF D3 D3 S1 SI S1 IF TT SK

Gambar 4.2 Segmentasi User dataset Februari 4.2. Pengujian Pattern Discovery Dataset Maret Gambar 4.1 User cluster untuk bulan Februari

Gambar 4.1 menunjukkan user clusters. Dengan mengacu pada nilai jarak, dua atau lebih user digabungkan mulai dari user dengan jarak terkecil, nilai 0, sampai dengan user dengan jarak terjauh, nilai 3.46. Penggabungan user tersebut dilakukan dengan melihat nilai minimum rata-rata jarak antar semua user/cluster. Pola penggabungan user/cluster ini memiliki perbedaan satu sama lain. Ada beberapa user/cluster yang digabungkan dengan pola membentuk tangga (naik ke kanan). Ini menandakan user/cluster yang digabungkan memiliki kemiripan pola cukup jauh dengan cluster-cluster yang terbentuk sebelumnya. Setelah menganalisis cluster yang ditemukan, didapatlah pola akses user pada beberapa cluster, seperti ditunjukkan pada Tabel 4.4. Tabel 4.4 Pola akses cluster Februari Cluster

UserId

Pola Akses

A

7667, 51410

B

9397, 9098, 4886, 7872, 3817, 2455, 3342, 2199, 7618, 51783, 51506, 7622 9343, 5894, 7657, 7626, 5958, 7702, 7639, 7663

Course-ModulAssignment Course-ModulAssignment-Forum

C D

4336, 5962, 5394

E

51733, 50559, 50565, 52364, 50408 7715, 7810, 7820, 7595, 7604, 7839, 7684

F G

50511, 51172, 8486, 8413

H

52239, 50594, 52297

I

8950, 8953, 8955, 8929, 8951, 8952, 8923, 8935, 8924

Course-Quiz-Grade report Course-ModulAssignment Course-Modul Course-ModulAssignment-Grade report Course-ModulAssignment-Forum Course-Modul Course-Assignment

Dari data tersebut, dapat dilihat bahwa pola akses user paling banyak adalah mengakses mata kuliah, modul atau materi kuliah lalu latihan atau assignment. Untuk beberapa cluster lainnya ada user yang mengakses page yang lainnya seperti forum, quiz dan laporan hasil (grade report). Segmentasi pengguna bulan ini ditunjukkan Gambar 4.2.

KNSI 2014

User Cluster yang terbentuk pada Gambar 4.3.

Gambar 4.3 User Cluster untuk bulan Maret Untuk user cluster ini, simpangan terjauh nilai jaraknya adalah 5 yang berarti jarak user yang paling maksimum adalah 5 dan akan digabungkan pada tahap terakhir setelah cluster yang lain terbentuk. Pola yang dapat terbentuk dari user cluster ini ditunjukkan pada Tabel 4.5. Tabel 4.5 Pola akses dataset bulan Maret Cluster

UserId

F

5668, 2306, 4623, 7659, 7763, 1894, 5556 7607,7603, 7772, 3902, 3957, 5735, 3976, 8257, 8401, 51385, 51022 51857, 50918, 52054 7839, 51947, 51252, 50504, 52108, 50709 1653, 2826, 3905, 5491, 6036, 1650 7830, 7822, 7833, 7835, 7707, 7824, 7595, 7615, 7718, 7840, 7820, 117

G

50428, 52272, 52321, 52239

A B C D E

H I J

4453, 4218, 3428, 4886, 1514, 5154, 6028, 5875 8921, 8924, 8942 51945, 50837, 50866, 50732, 50503, 50777, 50243, 50997, 51251

Pola Akses Course-ModulAssignment-Forum Course-QuizAssignment Course-Modul Course-Assignment Course-Modul-Quiz Course-Modul-Quiz Course-ModulAssignment Course-AssignmentWiki Course-Assignment Course-AssignmentQuiz

Untuk segmentasi user pada bulan Maret dapat dilihat dari grafik pada Gambar 4.4.

130


Kecenderungan user melakukan akses lebih banyak untuk melihat materi saja. Sedangkan untuk assignment dan quiz hanya untuk beberapa cluster tetentu saja. Segmentasi user untuk bulan ini ditunjukkan pada Gambar 4.6.

Gambar 4.4 Grafik segmentasi user Maret 4.3 Pengujian Pattern Discovery Bulan April Untuk dataset bulan April, user cluster yang terbentuk seperti ditunjukkan pada Gambar 4.5.

Gambar 4.6 Segmentasi user dataset April 4.4 Pengujian Pattern Discovery Dataset Mei User cluster yang terbentuk untuk bulan Mei, ditunjukkan pada Gambar 4.7. Gambar 4.5 User cluster dataset bulan April Cluster yang yang terbentuk dengan nilai jarak antar user 0 semakin meningkat. Hal ini disebabkan pola yang sama persis. Pola akses yang dihasilkan dari cluster ini ditunjukkan pada Tabel 4.6. Tabel 4.6 Pola akses user April Cluste r A B C D

UserId

Pola Akses course, modul, assignment, grade report, course, forum course, modul course

G

8292, 8379 2841, 2746 51903, 51439, 59785, 3844, 125, 6349, 2813, 448, 4961 7684, 7813, 117, 7834, 7715, 7595, 7827, 7811, 7819, 7683, 7838, 7825 50349,51010,50559, 50665, 50643, 52364, 50254, 50565,51875, 51733, 50777, 51246, 51425, 52381, 50404, 51251, 51018, 50732, 51974, 52223, 50782 50241, 50986

H

51827, 50459, 7641, 51653, 51869, 52056, 51953

course-modul course-modulassignment

I J

7637, 7643, 7601, 5377, 7655, 7664, 7670, 9343, 7665, 7654 3596, 4101, 4000, 2218

course-modul-page course-modul

E F

course-modul course-assignment

M

7772, 7594, 7620, 7596, 7611, 7610, 7632, 7635, 5979, 1825 4241, 2067, 5652 52049, 52177, 50905, 50394, 51171, 50465, 51272, 52093, 50494, 50227, 51258, 51443, 51871, 51170, 52122, 50461, 51506

O

73, 8958, 8954, 8921, 8926

course-modulassignment

P Q

7817, 7815, 7628, 7729, 7615, 7691, 7710 7795, 7781, 7788

course-modul-quiz course-modul

K L

KNSI 2014

Gambar 4.7 User cluster dataset Mei

Dari Gambar 4.7, simpangan terjauh pada nilai 4. Dapat dilihat juga bahwa pola penggabungan semakin menyerupai anak tangga ke kanan. Namun berbeda dengan data sebelumnya, pola itu terbentuk setelah penggabungan dari beberapa user/cluster yang memliki nilai kemiripan yang dekat. Pola akses yang dihasilkan ditunjukkan pada Tabel 4.7.

course-modul-page course-assignment course-modulassignment-quiz

131


Tabel 4.7 Pola Akses user Mei Cluster A B C D E F

UserId 4406, 3717, 4101, 2218, 3042 57, 7597, 7632, 7598 117, 7715, 7707, 7718, 7855 7667, 7658, 7671, 7852, 52222, 51788, 51952, 50533, 50307, 50921, 51704, 50727 50286, 51503, 50991

H

51018, 50599, 51900, 50643, 51783, 50777, 50997, 50866, 51857 51240, 51725, 51802, 50250, 51239, 51115, 50986, 51714, 52314, 51760, 50954

I

5573, 5105, 4461

J K L

52210, 50278, 51824, 52004 5447, 1543, 2886 51445, 50229, 50674, 51947, 7839, 50535, 51779, 51948, 51252, 52056, 51590

M

9343, 5958, 7601, 7637, 7655, 116

N O P Q

4961, 4596, 3342, 3620, 5390, 3794, 3993, 3306, 9406, 3971, 3591, 4835, 5022, 5397, 2199 50941, 51939 50645, 50270

G

Pola Akses course, modul course, forum course, modul course-forum course, modul course,modul course, assignment Courseassignment Courseassignment Course-modulcourse course-modul course-modulassignment Courseassignment course-modulassignment course-modul course-modul course-modul

Untuk segmentasi user pada bulan Mei adalah sebagaimana ditunjukkan pada Gambar

4.8. Gambar 4.8 Segmentasi user Mei 4.5 Pengujian Cophenetic Correlation Coeffient Pengujian dilakukan terhadap keempat dataset dengan menghitung distance dan cophenetic. Nilai cophenetic didapat dari perhitungan nilai distance minimum dari hasil penggabungan dua atau lebih user. Empat nilai CP didapat dari multidendogram untuk membentuk cluster sebelumnya. Hasil perbandingan CP ditunjukkan pada Gambar 4.10.

Gambar 4.5 Perbandingan CP keempat cluster Keempat data memiliki nilai diatas 0.8 yang berarti kualitas cluster yang dihasilkan sudah baik.

KNSI 2014

4.6 Kesimpulan Pengujian dan Rekomendasi Dari pengujian, dapat ditarik kesimpulan bahwa pola akses user untuk keempat dataset tersebut tidak jauh berbeda. Pola akses tersebut masih hanya pada beberapa fungsi saja seperti course, modul, quiz dan assignment. Dapat disimpulkan bahwa beberapa page atau fungsionalitas yang lain seperti forum, media chat, pesan belum sepenuhnya digunakan secara baik. Padahal media-media tersebut merupakan penunjang e-learning. Sehingga disarankan agar lebih mengaktifkan pages yang jarang terpakai. Dari kesimpulan diatas, beberapa rekomendasi pengembangan e-learning adalah sebagai berikut : 1. Page Course-Modul-Assignment dipertahankan dengan setiap assignment diikuti dengan modul sebagai sumber pencarian bahan latihan. 2. Page Forum ditempatkan pada setiap CourseModul sehingga pemanfaatan forum ini lebih baik lagi sebagai tempat berdiskusi mahasiswa mengenai mata kuliah dan informasi lainnya. 3. Page Quiz ditempatkan terpisah dengan Modul karena quiz sifatnya tertutup dan disetiap quiz harus disertakan waktu per soal dan di akhir quiz juga disediakan langsung page untuk hasil nilainya (untuk tipe soal pilihan ganda). 4. Page Grade Report ditempatkan untuk setiap mata kuliah agar mahasiswa dapat melihat rincian nilainya. Sehiangga nantinya akan muncul pola akses Course-Grade Report. 5. Untuk keseluruhan Course, ditempatkan media chat dimana media ini akan bermanfaat untuk interaksi yang langsung (online) antar mahasiswa pada satu kelas. Berbeda dengan forum yang sifatnya tidak selamanya online. 5. PENUTUP 5.1 Kesimpulan 1. Pola akses yang dianalisis dapat menjadi informasi untuk pengelolaan website. 2. Setiap cluster yang terbentuk tidak selalu dapat di polakan karena aktivitas akses user yang hanya mengakses satu page saja atau memiliki kemiripan yang sangat jauh dengan cluster yang lain. 3. Pola akses user menunjukkan bahwa pemanfaatan website e-learning terbatas pada pages tertentu seperti course, modul, assignment, quiz. 4. Pada setiap cluster yang terbentuk untuk semua dataset, masih terdapat outlier dimana kemiripan user atau cluster sangat jauh dari user atau cluster yang lain. 5. Segmentasi akses user pada e-learning masih terbatas pada beberapa prodi saja. 6. Cluster yang dihasilkan untuk setiap dataset memiliki nilai CP diatas 0.8 sehingga

132


cluster dapat dikategorikan sebagai cluster yang baik.

[15] Wang Yan, Web Mining and Knowledge Discovery of Usage Patterns [Conference]. - [s.l.]: CS 748T Project, 2000.

5.2 Saran 1. 2. 3.

Melakukan perbaikan website berdasarkan pola akses dan segmentasi user. Pencarian outlier langsung dilakukan saat mencari nilai Euclidean sehingga pola cluster yang dihasilkan lebih baik lagi. Mencoba metode web usage mining lain sebagai pembanding pola yang dihasilkan. DAFTAR PUSTAKA

[1]

[2]

[3]

[4] [7]

[8] [9]

[10]

[11] [12]

[13]

[14]

Abdurrahman, Bambang Riyanto T., Rila Mandala, 2006, Pemodelan Web usage mining untuk Mengelola E-Commerce, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung. Cooley R. Web usage mining: Discovery and Application of Interesting Patterns from Web data [Report]. - [s.l.] : PhD thesis, Dept. of Computer Science, University of Minnesota, 2000. Cooley R., Mobasher B. and Srivastava J. Data preparation for mining world wide Web browsing patterns [Conference] // Knowledge and Information Systems. - 1999. Cooley R., Tan P-N. and Srivastava J Discovery of interesting usage patterns from web data. [Conference] // WEBKDD. - 1999. - pp. 163-182. Gomes, M. and Gong, Z., 2005, Web Structure Mining: An Introduction, Proceedings of the 2005 IEEE International Conference on Information Acquisition Han Jiawei and Kamber Micheline Data Mining: Concepts and Techniques [Book]. - [s.l.] : Morgan Kaufmann Publisher, 2006. Kimpball Ralph and Merz Richard The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse [Book]. - [s.l.] : Wiley Computer Publishing, 2000. Kurniawan, Agus, Desain dan Implementasi Aplikasi untuk Visualisasi Informasi pada File Offline Log Web Server, Fakultas Ilmu Komputer, Universitas Indonesia, Depok, Indonesia. Liu, B., 2007, Web Data Mining: Exploring Hyperlinks, Contents, and Usage Data, Springer. R.Khanchana and M. Punithavalli.2011, Web usage mining for Predicting Users’ Browsing Behaviors by using FPCM Clustering, IACSIT International Journal of Engineering and Technology. Solichin Achmad, Ferdiansyah, Wahyu Pramusinto, 2010, Web usage mining: Proses, Aplikasi dan Penggunaannya, Universitas Budi Luhur. Teknomo, Kardi. (2009) Hierarchical Clustering Tutorial.http://people.revoledu.com/kardi/tutorial/ Clustering/Cophenetic.htm, diakses 30 Agustus 2013.

KNSI 2014

133

WEB USAGE MINING UNTUK PENENTUAN POLA AKSES USER MENGGUNAKAN ALGORITMA HIERARCHICAL AGGLOMERATIVE CLUSTERING

Recommend Documents