alva graceora nugroho 165314107 - usd

i

IMPLEMENTASI METODE ASOSIASI PADA DATA PEMINJAMAN

BUKU DI PERPUSTAKAAN UNIVERSITAS SANATA DHARMA

MENGGUNAKAN ALGORITMA FP-GROWTH

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Informatika

Alva Graceora Nugroho

165314107

PROGRAM STUDI INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2020

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

IMPLEMENTATION OF ASSOCIATION METHOD ON THE

TRANSACTION DATA OF SANATA DHARMA UNIVERSITY

LIBRARY USING FP - GROWTH ALGORITHM

THESIS

As Partial Fullfillment of the Requirements

To Obtain the Sarjana Komputer Degree

in Informatics Study Program

Alva Graceora Nugroho

165314107

INFORMATICS STUDY PROGRAM

INFORMATICS DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2020


v

HALAMAN PERSEMBAHAN

“Takut akan TUHAN adalah permulaan pengetahuan, tetapi orang bodoh menghina

hikmat dan didikan. Hai anakku, dengarkanlah didikan ayahmu, dan jangan menyia-

nyiakan ajaran ibumu”

Amsal 1:7-8


vii

ABSTRAK

Perpustakaan adalah sumber ilmu bagi tenaga edukasi, mahasiswa dan seluruh

akademisi di lingkungan kampus, antara lain di Universitas Sanata Dharma.

Perpustakaan Universitas Sanata Dharma mengelola buku-buku yang bermanfaat

untuk menunjang proses belajar mengajar berbagai program studi serta dilengkapi

dengan teknologi yang memadai seperti barcode, pembaca barcode, basis data, dan

lain-lain. Namun penggunaan teknologi pada Perpustakaan Universitas Sanata Dharma

belum secara optimal dapat memberikan manfaat bagi para penggunanya, antara lain

belum dapat memberikan rekomendasi buku-buku yang dapat dipinjam oleh tenaga

edukasi, mahasiswa dan seluruh akademisi sesuai dengan kebutuhannya.

Untuk dapat memberikan rekomendasi terhadap para pengguna perpustakaan

sesuai kebutuhannya, maka dapat digunakan pencarian keterkaitan peminjaman satu

buku dengan buku yang lain dengan menggunakan teknik pencarian aturan asosiasi

dalam penambangan data. Penelitian ini dimaksudkan untuk memberikan nilai lebih

dari penggunaan teknologi Perpustakaan Universitas Sanata Dharma dengan

menerapkan metode asosiasi dan algoritma FP-Growth. Dengan menerapkan metode

tersebut terhadap data peminjaman buku di tahun 2018, akan dapat diketahui pola

peminjaman buku pada tahun tersebut.

Penambangan aturan asosiasi dilakukan terhadap data peminjaman buku di

perpustakaan Universitas Sanata Dharma selama tahun 2018 sebanyak 78.779 data dan

33.917 transaksi. Penelitian ini menggunakan python dengan berbagai macam function

seperti PyQt5, mlxtend preprocessing, FPGrowth, dan Association_rule. Eksperimen

yang dilakukan pada penelitian ini adalah menguji data tiap bulan mulai dari bulan

Januari hingga bulan Desember dengan menggunakan rentang nilai minimum support

sebesar 0.1% hingga 0.3% dan rentang nilai minimum confidence sebesar 50% hingga

100%.

Berdasarkan penelitian yang telah dilakukan diperoleh nilai minimum support

tertinggi sebesar 0.3% dan nilai minimum confidence sebesar 100% pada bulan Januari

yang menghasilkan 1 aturan. Aturan asosiasi yang dihasilkan adalah “Pembelajaran

Terpadu: konsep dan penerapannya” → “Pembelajaran Tematik Terpadu” yang

merupakan aturan asosiasi yang kuat dengan nilai support sebesar 0.307%, nilai

confidence sebesar 100% , dan nilai lift ratio sebesar 118.3636.

Kata kunci : data mining, FP-Growth


viii

ABSTRACT

Libraries are a source of knowledge for education staff, students and all

academics on campus, including at Sanata Dharma University. The Sanata Dharma

University Library manages useful books to support the teaching and learning process

of various study programs and is equipped with adequate technology such as barcodes,

barcode readers, databases, and others. However, the use of technology in the Sanata

Dharma University Library has not been able to provide benefits to its users optimally,

including not being able to provide recommendations for books that can be borrowed

by education staff, students and all academics according to their needs.

To be able to provide recommendations to library users according to their

needs, association analysis was performed towards the data in finding relation between

one book to another in borrowing transaction. This study is intended to provide more

value than the use of Sanata Dharma University Library technology by applying the

association method and the FP-Growth algorithm. By implementing association

analysis and FP-Growth algorithm towards borrowing transaction data, it will be

possible to identify the pattern of borrowing.

Mining association rules were carried out on borrowing at the Sanata Dharma

University library during 2018 that consists of 78,779 data and 33,917 transactions.

This research uses python with various functions such as PyQt5, mlxtend

preprocessing, FPGrowth, and Association_rule. The experiment carried out in this

study was to test data every month from January to December using a minimum support

value range of 0.1% to 0.3% and a minimum confidence value range of 50% to 100%.

Based on the experiment, it can be found that the highest minimum support

value was 0.3% and the minimum confidence value was 100% in January which

resulted in 1 rule. The resulted association rule is “Pembelajaran Terpadu: konsep dan

penerapannya” → “Pembelajaran Tematik Terpadu”, which is a strong association rule

with a support value of 0.307%, a confidence value of 100%, and a lift ratio of

118.3636.

Keywords: data mining, FP-Growth


xii

DAFTAR ISI

HALAMAN PERSETUJUAN ..................................................................................... iii

HALAMAN PENGESAHAN ...................................................................................... iv

HALAMAN PERSEMBAHAN ................................................................................... v

PERNYATAAN KEASLIAN KARYA ...................................................................... vi

ABSTRAK .................................................................................................................. vii

ABSTRACT ............................................................................................................... viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI....................................... ix

KATA PENGANTAR .................................................................................................. x

DAFTAR ISI ............................................................................................................... xii

DAFTAR GAMBAR ................................................................................................. xiv

DAFTAR TABEL ....................................................................................................... xv

BAB I PENDAHULUAN ........................................................................................... 1

1.1 Latar Belakang .................................................................................................... 1

1.2 Rumusan Masalah ............................................................................................... 4

1.3 Tujuan ................................................................................................................. 4

1.4 Manfaat ............................................................................................................... 4

1.5 Batasan Masalah.................................................................................................. 5

1.6 Sistematika Penulisan ......................................................................................... 5

BAB II LANDASAN TEORI ...................................................................................... 7

2.1 Perpustakaan ....................................................................................................... 7

2.2 Data mining ......................................................................................................... 7

2.2.1 Pengelompokan Data mining ....................................................................... 8

2.3 Proses Penambangan Data ................................................................................ 10

2.4 Aturan Asosiasi ............................................................................................ 10

2.5 Algoritma FP-Growth ...................................................................................... 12

2.5.1 FP-Tree ....................................................................................................... 13

2.5.2 Frequent Itemset Generation dalam algoritma FP-Growth ....................... 16

BAB III METODOLOGI PENELITIAN .................................................................. 23

3.1 Gambaran Umum ......................................................................................... 23


xiii

3.2 Bahan Riset/Data .......................................................................................... 23

3.3 Pre-processing .............................................................................................. 24

3.3.1 Data Cleaning........................................................................................ 25

3.3.2 Data Integration .................................................................................... 26

3.3.3 Data Selection........................................................................................ 26

3.3.4 Data Transformation ............................................................................. 26

3.4 Peralatan Penelitian ...................................................................................... 27

3.5 Algoritma FP-Growth .................................................................................. 27

BAB IV ANALISA DAN DESAIN SISTEM ............................................................ 30

4.1 Model Fungsi Sistem ........................................................................................ 30

4.1.1 Diagram Use Case ...................................................................................... 30

4.1.2 Narasi Use Case ......................................................................................... 31

4.2 Desain Antar Muka Pengguna .......................................................................... 36

BAB V IMPLEMENTASI DAN ANALISIS HASIL ................................................ 52

5.1 Implementasi Sistem ......................................................................................... 52

5.1.1 Tampilan Menu Utama .............................................................................. 52

5.1.2 Tampilan Output ........................................................................................ 53

5.1.3 Implementasi function dalam sistem .......................................................... 54

5.2 Hasil Pengujian ................................................................................................. 59

5.2.1 Uji Validasi ................................................................................................ 59

5.2.2 Uji Akurasi ................................................................................................. 76

5.3 Analisis Hasil Pengujian ................................................................................... 68

BAB VI PENUTUP .................................................................................................... 70

6.1 Simpulan ........................................................................................................... 70

6.2 Saran .................................................................................................................. 71

DAFTAR PUSTAKA ................................................................................................. 72


xiv

DAFTAR GAMBAR

Gambar 2.1 Pembentukan Sebuah FP-Tree (Tan, 2005)……………………………14

Gambar 2.2 Penguraian masalah itemset generation ke dalam subproblem, dimana

setiap subproblem terdapat item yang berakhiran di e, d, c,b,dan a (Tan, 2005)...…17

Gambar 2.3. Contoh penerapan algoritma FP-Growth untuk mencari frequent

itemsets yang berakhir di e. (Tan, 2005)…………………………………………….19

Gambar 3.1 Data Asli………………………………………………………………..25

Gambar 3.2 Data cleaning judul buku……………………………………………….25

Gambar 3.3 Data cleaning mobile library USD……………………………………..26

Gambar 3. 4 Flowchart sistem………………………………………………………27

Gambar 3. 5 Flowchart Proses FP-Growth dan Aturan Asosiasi…………………...28

Gambar 4.1 Diagram Use Case...................................................................................30

Gambar 4.2 Desain Antarmuka dengan Pengguna…………………………………..36

Gambar 5.1 Tampilan Menu Utama ………………………………………………...53

Gambar 5.2 Tampilan Output ……………………………………………………….53

Gambar 5.3 Function yang digunakan……………………………………………….54

Gambar 5.4 Function mlx.preprocessing…………………………………………….54

Gambar 5.5 Function mlx.frequentspatterns...………………………………………55

Gambar 5.6 Function fpcommons……...…………………………………………….56

Gambar 5.7 Function fpgrowth…...………………………………………………….58

Gambar 5.8 Function association_rules.…....……………………………………….58

Gambar 5.9 Proses Pembentukan FP-Tree Data Sampel……………………………65


xv

DAFTAR TABEL

Tabel 2.1. Daftar Item yang Sering Muncul dengan Akhirannya……….…………..18

Tabel 3.1 Jumlah Transaksi Tiap Bulan……………………………………………..24

Tabel 3.2 Nama Function yang Digunakan…………………...……………………..28

Tabel 4.1 Input File …......………………...………………………………………...31

Tabel 4.2 Input Nilai Minimum Support ……………………………………………32

Tabel 4.3 Input Nilai Minimum Confidence ……………...…………………………33

Tabel 4.4 Proses Aturan Asosiasi …………………………………………………...34

Tabel 4.5 Lihat Hasil Algoritma …………………………………………..………...34

Tabel 5.1 Contoh data………….. ...……...………………………………………….59

Tabel 5.2 Penyederhanaan Daftar Buku …………………………………………….62

Tabel 5.3 Item dan Count ……………………………………………………………62

Tabel 5.4 Item yang Memenuhi Minimum Support………………………………….63

Tabel 5.5 Frequent Itemset Data Sampel ..………………………………………….67

Tabel 5.6 Aturan Asosiasi Dari Data Sampel …..…………………………………...69

Tabel 5.7 Hasil Uji Validasi ………………………………………………………...74

Tabel 5.8 Perbandingan Jumlah Aturan Asosiasi Tiap Bulan dengan Variasi Nilai

Minsup dan Mincof ………………………………………………………………….76

Tabel 5.9 Hasil Aturan Asosiasi dengan Support dan Confidence Terbaik tiap Bulan ……78


1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Perpustakaan merupakan suatu gudang ilmu yang terletak di setiap instansi

pendidikan maupun non pendidikan. Seperti apa yang dikatakan pepatah, perpustakaan

merupakan sebuah jantung dari institusi tersebut. Jika setiap sekolah atau kampus

mengandaikan perpustakaan merupakan sebuah jantung, berarti dalam arti yang

sesungguhnya pendidikan merupakan jantung dari sebuah negara. Perpustakaan

mempunyai peranan penting dalam meningkatkan kualitas mahasiswa juga menjadi

jembatan antara sumber ilmu dengan sumber daya manusia.

Dalam perkembangannya, manusia memanfaatkan teknologi untuk mempermudah

kepentingan kesehariannya. Teknologi sudah mempengaruhi di semua bidang, sama

hal nya di bidang pendidikan, seperti contoh kasus perpustakaan Universitas Sanata

Dharma. Salah satu contoh penggunaan teknologi di perpustakaan Sanata Dharma

adalah penggunaan basis data. Basis data tersebut berisi data transaksi peminjaman

buku di Perpustakaan Universitas Sanata Dharma. Namun data transaksi hanya

digunakan sebagai laporan akhir tahunan koleksi buku yang ada di perpustakaan.

Padahal jika diolah dengan baik maka akan mendapatkan informasi yang berharga.

Setiap mahasiswa, dosen, dan karyawan diperbolehkan untuk meminjam koleksi

dari perpustakaan dan harus mentaati sesuai peraturan tata cara meminjam buku.

Peminjaman yang dilakukan oleh stakeholder tersebut tercatat dengan baik ke dalam

sebuah basis data yang dikelola oleh bagian data perpustakaan tersebut. Namun mereka

belum menyediakan informasi mengenai saran buku kepada peminjam. Hal itu

dikarenakan belum adanya sumber daya manusia yang mengolah daftar peminjaman

buku menjadi informasi mengenai saran buku bagi peminjam. Saran buku sangat

penting bagi peminjam karena mempermudah peminjam dalam menentukan buku apa

saja yang dapat dipinjam sesuai dengan kebutuhannya. Saran buku juga penting bagi


2

pegawai perpustakaan karena bisa menentukan jumlah koleksi berdasarkan

keterpakaian yang kemungkinan besar dipinjam bersamaan oleh peminjam. Dengan

demikian, pegawai perpustakaan bisa mempersiapkan jumlah atau stok koleksi yang

sering dipinjam. Jika koleksi yang sering dipinjam habis maka dalam laporan akhir

tahun pegawai perpustakaan dapat memperbanyak jumlah koleksi berupa buku ataupun

dalam bentuk softcopy.

Data transaksi peminjaman buku di Perpustakaan Universitas Sanata Dharma

dapat diolah untuk mendapatkan saran buku dengan memanfaatkan data mining. Data

mining adalah sebuah teknik dalam bidang teknologi informasi yang bertujuan untuk

mengolah dan menganalisa kumpulan data dalam jumlah besar untuk menghasilkan

informasi yang berharga. Hal tersebut dapat dilakukan dengan cara mencari pola buku

yang sering dipinjam secara bersamaan oleh peminjam. Metode yang dapat digunakan

untuk menganalisis pola buku tersebut adalah Association rule mining.

Terdapat beberapa algoritma Association rule mining, diantaranya yaitu: algoritma

apriori dan algoritma Frequent Pattern-Growth (FP - Growth). Algoritma FP-Growth

(Frequent Pattern-Growth) merupakan metode yang membentuk struktur data compact

untuk meringkas transaksi basis data yang asli dan berfokus kepada FP – Growth dan

menghindari proses pembuatan kandidat yang tidak penting sehingga menghasilkan

hasil yang efisiens (Han, 2006). Karakteristik algoritma FP - Growth adalah struktur

data yang digunakan dalam tree yang disebut FP-Tree. Algoritma FP-Growth memiliki

beberapa kelebihan yaitu penggunaan memori yang lebih sedikit, dan proses pencarian

frequent itemset menjadi lebih cepat dan lebih efisien dibandingkan dengan algoritma

apriori karena tidak dilakukan pemindaian data transaksi secara berulang – ulang

(David, 2008).

Penelitian – penelitian terdahulu mengenai aturan asosiasi sudah menghasilkan

banyak hasil. Penulis mengutip empat penelitian sebelumnya yaitu: Pertama Analisis

Keranjang Belanja Menggunakan Metode FP - Growth pada Toko Grosir Pancaran

Bahagia oleh Yohanes Adi Purnomo Batlayeri (2019), penelitian dilakukan pada tahun

2019 menggunakan data transaksi toko Grosir Pancaran bahagia tahun 2017 dan 2018


3

menggunakan algoritma FP-Growth. Kesimpulan dari penelitian pertama adalah

dataset pada bulan Juli 2017 sampai Desember 2017 menghasilkan nilai minimum

support count sebesar 15 dan nilai minimum confidence sebesar 50% pada setiap

bulannya. Terdapat dataset yang tidak memiliki aturan asosiasi yaitu pada bulan Juli

2017 dan bulan Agustus 2017.

Penelitian kedua, Penerapan algoritma FP-Growth Untuk Menemukan Pola

Peminjaman Buku di Perpustakaan UIN Raden Fatah Palembang oleh Kadafi (2018).

Data yang digunakan adalah transaksi peminjaman buku pada tahun 2017. Kesimpulan

yang dihasilkan pada penelitian kedua adalah nilai minimum support dan confidence

mempengaruhi jumlah rule yang dihasilkan semakin tinggi rule tersebut maka rule

yang dihasilkan akan semakin akurat.

Penelitian ketiga, Implementasi Algoritma FP-Growth untuk Sistem Rekomendasi

Buku di Perpustakaan UKDW oleh Miraldi, dkk (2014). Data yang digunakan adalah

data transaksi peminjaman buku di perpustakaan UKDW. Kesimpulan yang dihasilkan

pada penelitian ketiga adalah algoritma FP-Growth dapat digunakan di dalam kasus

perekomendasian buku dan mendapatkan hasil keluaran berupa rekomendasi buku

yang terkait. Kesimpulan lain yang dihasilkan adalah tingkat keakuratan FP-Growth

dalam memberikan rekomendasi buku sebesar 60.78%.

Penelitian keempat, Analisis dan Implementasi Algoritma FP-Growth pada

Aplikasi SMART untuk Menentukan Market Basket Analysis pada Usaha Retail oleh

Larasati, dkk (2015). Data yang digunakan adalah data transaksi penjualan barang

retail. Kesimpulan yang dihasilkan pada penelitian keempat adalah rules yang

dihasilkan setiap bulan dengan nilai minimum support sebesar 0.002 dan minimum

confidence sebesar 0.5.

Berdasarkan permasalahan di atas penulis akan mengolah data peminjaman

buku di perpustakaan Universitas Sanata Dharma dengan menggunakan FP-Growth

untuk mencari pola buku yang sering dipinjam secara bersamaan guna membantu

peminjam dalam menentukan buku yang akan dipinjam sesuai dengan kebutuhannya.


4

1.2 Rumusan Masalah

Berdasarkan permasalahan di atas masalah yang akan diselesaikan dalam

penelitian ini antara lain:

1. Bagaiman mengimplementasikan algoritma FP-Growth untuk menganalisis

pola peminjaman buku di perpustakaan?

2. Berapakah minimum support dan minimum confidence yang optimal untuk

mendapatkan aturan asosiasi yang kuat?

3. Seperti apakah aturan asosiasi kuat yang dihasilkan dan berapakah nilai support

dan confidence aturan kuat tersebut?

1.3 Tujuan

Tujuan dari penelitian ini antara lain:

1. Mengimplementasikan sistem analisis pola peminjaman buku dengan

menggunakan algoritma FP-Growth.

2. Menganalisis sistem untuk mendapatkan nilai minimum support dan minimum

confidence yang optimal untuk menghasilkan aturan asosiasi yang kuat.

3. Menganalisis sistem untuk mendapatkan aturan asosiasi yang kuat beserta nilai

support dan confidence nya.

1.4 Manfaat

Manfaat dalam penelitian ini adalah:

1. Bagi Penulis

Manfaat penelitian bagi penulis adalah membuat sistem yang menggunakan

aturan asosiasi dengan menggunakan algoritma FP-Growth.

2. Bagi Perpustakaan

Manfaat penelitian bagi perpustakaan adalah memudahkan pegawai

perpustakaan dalam menentukan ketersediaan koleksi.


5

3. Bagi Peminjam

Aturan yang didapat melalui algoritma ini selanjutnya dapat dipergunakan

dalam sistem rekomendasi yang dapat dimanfaatkan oleh peminjam untuk

menentukan buku yang sesuai untuk dipinjam.

1.5 Batasan Masalah

Batasan masalah dalam penelitian ini adalah:

1. Data yang digunakan dalam penelitian ini adalah data transaksi peminjaman

buku di perpustakaan Universitas Sanata Dharma selama tahun 2018.

2. Algoritma yang digunakan adalah algoritma FP-Growth.

1.6 Sistematika Penulisan

Sistematika penulisan yang digunakan adalah:

1. BAB I PENDAHULUAN

Bab ini berisi tentang latar belakang, perumusan masalah, batasan masalah,

tujuan, dan sitematika penulisan.

2. BAB II LANDASAN TEORI

Bab ini berisi landasan teori yang akan digunakan dalam penelitian ini

antara lain pengertian perpustakaan, pengertian data mining,

pengelompokan data mining, pengertian asosiasi dan algoritma FP-

Growth.

3. BAB III METODOLOGI PENELITIAN

Bab ini berisi tentang penjelasan metodologi penelitian yang dibuat untuk

penerapan data mining serta penentuan analisis aosisasi menggunakan

algoritma FP-Growth.


6

4. BAB IV ANALISA DAN DESAIN SISTEM

Bab ini berisi tentang analisa dan desain sistem untuk

mengimplementasikan metode asosiasi pada peminjaman buku di

perpustakaan menggunakan algoritma Growth.

5. BAB V IMPLEMENTASI DAN ANALISIS HASIL

Bab ini berisi tentang implementasi perancangan sistem dan analisis hasil

yang telah didapat dalam pengujian terhadap algoritma Growth.

6. BAB VI PENUTUP

Bab ini berisi tentang kesimpulan dari analisis hasil dan saran – saran yang

akan berguna untuk pengembangan penelitian ini ke depannya.


7

BAB II

LANDASAN TEORI

2.1 Perpustakaan

Perpustakaan merupakan unit kerja dari suatu badan atau lembaga tertentu

yang mengelola bahan-bahan pustaka. Baik berupa buku maupun non buku yang

diatur secara sistematis menurut aturan tertentu sehingga dapat digunakan sebagai

sumber informasi (Suhendar, 2005). Perpustakaan adalah sekumpulan bahan

pustaka, baik yang tercetak maupun rekaman yang lainnya, pada suatu tempat

tertentu yang telah diatur sedemikian rupa untuk mempermudah pemustaka

mencari informasi yang diperlukannya dan yang tujuannya utamanya adalah untuk

melayani kebutuhan informasi masyarakat yang dilayaninnya dan bukan untuk

diperdagangkan” (Mudyana dan Royani dalam Sinaga, 2005).

2.2 Data mining

Pengertian data mining adalah proses menemukan pola yang menarik dan

pengetahuan dari data yang berjumlah besar (Han dan Kamber, 2011), Sedangkan

pengertian data mining kedua adalah suatu pencarian dan analisa dari jumlah data

yang sangat besar dan bertujuan untuk mencari arti dari pola dan aturan (Linoff

dan Berry, 2011). Lalu pengertian data mining ketiga adalah suatu proses ekstraksi

atau penggalian data yang belum diketahui sebelumnya, namun dapat dipahami

dan berguna dari basis data yang besar serta digunakan untuk membuat suatu

keputusan bisnis yang sangat penting (Connolly dan Begg, 2010). Dan menurut

pengertian data mining yang keempat adalah aktivitas yang menggambarkan

sebuah proses analisis yang terjadi secara iteratif pada basis data yang besar,

dengan tujuan mengekstrak informasi dan knowledge yang akurat dan berpotensial

berguna untuk knowledge workers yang berhubungan dengan pengambilan

keputusan dan pemecahan masalah (Vercellis, 2009). Dari beberapa teori yang


8

dijabarkan oleh para ahli di atas, bahwa data mining. Menurut beberapa pendapat

mengenai pengertian data mining, data mining sendiri itu adalah sebuah proses

untuk mengelola, menganalisa, dan menarik kesimpulan dari kumpulan data

menggunakan metode tertentu untuk meningkatkan nilai kegunaan dari data itu

sendiri.

2.2.1 Pengelompokan Data mining

Data mining dapat dikelompokkan menjadi beberapa kelompok, yaitu:

1. Deskripsi

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara

berulang pada suatu data dan mengubah pola tersebut menjadi aturan

dan kriteria yang dapat mudah dimengerti oleh para ahli pada domain

aplikasinya. Aturan yang dihasilkan harus mudah dimengerti agar dapat

dengan efektif meningkatkan tingkat pengetahuan (knowledge) pada

sistem. Tugas deskriptif merupakan tugas data mining yang sering

dibutuhkan pada teknik postprocessing untuk melakukan validasi dan

menjelaskan hasil dari proses data mining. Postprocessing merupakan

proses yang digunakan untuk memastikan hanya hasil yang valid dan

berguna yang dapat digunakan oleh pihak yang berkepentingan.

2. Prediksi

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data

diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada

masa yang akan datang. Contoh dari tugas prediksi misalnya untuk

memprediksikan adanya pengurangan jumlah pelanggan dalam waktu

dekat dan prediksi harga saham dalam tiga bulan yang akan datang.

3. Estimasi

Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi

lebih ke arah numerik dari pada ke arah kategori. Model dibangun

menggunakan record lengkap yang menyediakan nilai dari variabel


9

target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya

estimasi nilai dari variabel target dibuat berdasarkan nilai variabel

prediksi. Sebagai contoh, akan dilakukan estimasi tekanan darah sistolik

pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat

badan, dan level sodium darah. Hubungan antara tekanan darah sistolik

dan nilai variabel prediksi dalam proses pembelajaran akan

menghasilkan model estimasi.

4. Klasifikasi

Klasifikasi merupakan proses menemukan sebuah model atau fungsi

yang mendeskripsikan dan membedakan data ke dalam kelas-kelas.

Klasifikasi melibatkan proses pemeriksaan karakteristik dari objek dan

memasukkan objek ke dalam salah satu kelas yang sudah didefinisikan

sebelumnya.

5. Clustering

Clustering merupakan pengelompokan data tanpa berdasarkan kelas

data tertentu ke dalam kelas objek yang sama. Sebuah kluster adalah

kumpulan record yang memiliki kemiripan suatu dengan yang lainnya

dan memiliki ketidakmiripan dengan record dalam kluster lain.

Tujuannya adalah untuk menghasilkan pengelompokan objek yang

mirip satu sama lain dalam kelompok-kelompok. Semakin besar

kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap

cluster maka kualitas analisis cluster semakin baik.

6. Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang

muncul dalam suatu waktu. Dalam dunia bisnis lebih umum disebut

analisis keranjang belanja (market basket analisys). Tugas asosiasi

berusaha untuk mengungkap aturan untuk mengukur hubungan antara

dua atau lebih atribut.


10

2.3 Proses Penambangan Data

Langkah- langkah dalam penambangan data atau yang lebih dikenal dengan

istilah KDD (knowledge discovery in databases). Knowledge discovery in

databases (KDD) adalah keseluruhan proses non-trivial untuk mencari dan

mengidentifikasi pola (pattern) dalam data. Pola yang ditemukan bersifat sah,

baru, dapat bermanfaat dan dapat dimengerti. Menurut Jiawei, Kamber (2012)

tahapan KDD adalah sebagai berikut.

1. Data cleaning untuk membersihkan data dari gangguan dan data yang tidak

konsisten

2. Data integration untuk menggabungkan beberapa sumber data yang tersedia

3. Data selection untuk memilih data yang relevan untuk dianalisa yang berasal

dari basis data.

4. Data transformation untuk mentransformasikan dan mengkonsolidasikan

data ke dalam bentuk yang sesuai untuk penambangan dengan melakukan

operasi ringkasan atau agregasi.

5. Data mining adalah proses penting di mana data diolah dengan metode untuk

mengekstrak pola data.

6. Pattern evaluation untuk mengidentifikasi pola yang benar-benar menarik

yang mewakili pengetahuan berdasarkan ukuran ketertarikan.

7. Knowledge presentation adalah teknik visualisasi dan representasi

pengetahuan digunakan untuk menyajikan pengetahuan yang ditambang

kepada pengguna.

2.4 Aturan Asosiasi

Analisis asosiasi adalah teknik data mining untuk menemukan aturan

asosiatif antara suatu kombinasi item (Kusrini & Lutfi, 2009). Analisis asosiasi

berguna untuk menemukan hubungan penting yang tersembunyi diantara set data

yang sangat besar (Prasetyo, 2012).

Tujuan umum penjual yang berkaitan dengan asosiasi adalah untuk


11

mengidentifikasi item yang dibeli bersama-sama. Informasi ini dapat digunakan

untuk meningkatkan susunan barang-barang dalam sebuah toko atau susunan

halaman katalog (Hernawati, 2013).

Dalam asosiasi terdapat dua hal penting yang berpengaruh besar terhadap

aturan yang dibentuknya, yaitu support dan confidence. Perhitungan nilai support

dan confidence dapat dilakukan sebagai berikut (Kusrini, dan Emha 2009):

a. Analisa pola frekuensi

Support merupakan perbandingan dari transaksi dalam basisdata yang

berisi semua item dalam itemset.

Mencari Nilai support sebuah item diperoleh dengan menggunakan

rumus berikut:

Nilai support 2 item diperoleh dengan rumus:

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) =Jumlah transaksi yang mengandung A

Total Transaksi (2.1)

b. Pembentukan aturan asosiasi

Confidence merupakan seberapa sering item-item dalam B muncul

dalam transaksi yang berisi Perhitungan aturan asosiasi confidence

menggunakan rumus:

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴, 𝐵) =Jumlah transaksi yang mengandung A dan B

Transaksi Mengandung A (2.2)

c. Pembentukan Lift Ratio

Lift ratio adalah satuan ukuran untuk mengetahui kekuatan aturan

asosiasi yang telah terbentuk. Ukuran lift ratio berada pada kisaran

nilai 0 sampai tak hingga (Han dan Kamber, 2012). Adapun

keterangannya adalah sebagai berikut:

• Jika lift ratio = 1, maka antara item A dan B saling independent.


12

Sehingga tidak ada hubungan keeratan antara A dan B

• Jika lift ratio > 1, maka antara item A dan B memiliki hubungan

korelasi yang positif, di mana kejadian satu menyiratkan terjadinya

kejadian yang lain.

• Jika lift ratio < 1, maka antara item A dan B memiliki korelasi yang

negatif, terjadinya suatu kemungkinan mengarah pada ketiadaan

yang lain.

Nilai lift ratio dikatakan baik ketika nilai lift ratio > 1. Pada nilai ini

proses transaksi dikatakan memiliki korelasi positif karena keadaan

keeratan antar item saling positif dan dapat diartikan di mana

kejadian satu menyiratkan kejadian yang lainnya (Han dan Kamber,

2012). Dapat disimpulkan semakin besar lift ratio maka semakin kuat

aturan asosiasi yang dihasilkan. Untuk mengetahui lift ratio

digunakan rumus sebagai berikut (Tan, 2005):

𝐿𝑖𝑓𝑡 𝑅𝑎𝑡𝑖𝑜 = 𝑐 (𝐴𝐵)

𝑠(𝐵) (2.3)

di mana :

𝑐 (𝐴𝐵) : nilai confidence transaksi yang memiliki item A dan B

𝑠(𝐵) : nilai support transaksi yang memiliki item B

A : transaksi yang memiliki item A

B : transaksi yang memiliki item B

2.5 Algoritma FP-Growth

Algoritma FP-Growth merupakan salah satu algoritma penambangan data yang

menggunakan teknik aturan asosiasi. Algoritma FP-Growth adalah algoritma yang

tidak memakai paradigma generated - and – test seperti yang dilakukan oleh algoritma

apriori. Algoritma FP-Growth mengkodekan sebuah data set menggunakan struktur

data yang biasa disebut FP-Tree (Tan, 2005). Algoritma FP-Growth lebih efisien untuk


13

menentukan frequent pattern baik dalam data yang berjumlah kecil maupun besar.

Algoritma ini sebagai penyempurnaan dari algoritma apriori dalam hal waktu saat

proses data dan jumlah data yang dapat diolah (Han, 2006). Langkah – langkah dalam

algoritma FP – Growth adalah Pertama menghitung setiap count pada item dalam

transaksi. Kedua adalah pembentukan FP – Tree. Setelah tahap pembangunan FP-Tree

dari sekumpulan data transaksi, akan diterapkan algoritma FP-Growth untuk mencari

frequent itemset yang signifikan. Algoritma FP-Growth dibagi menjadi tiga langkah

utama (David, 2008), yaitu :

1. Tahap pembangkitan conditional pattern base

Conditional pattern base merupakan subdatabase yang berisi prefix path

(lintasan prefix) dan suffix pattern (pola akhiran). Pembangkitan conditional

pattern base didapatkan melalui FP-Tree yang telah dibangun sebelumnya.

2. Tahap pembangkitan conditional FP-Tree

Pada tahap ini, support count dari setiap item pada setiap conditional pattern

base dijumlahkan, lalu setiap item yang memiliki jumlah support count lebih

besar sama dengan minimum support count akan dibangkitkan dengan

conditional FP-Tree.

3. Tahap pencarian frequent itemset

Apabila conditional FP-Tree merupakan lintasan tunggal (single path), maka

didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap

conditional FP-Tree. Jika bukan lintasan tunggal, maka dilakukan

pembangkitan FP-Growth secara rekursif.

2.5.1 FP-Tree

Dalam algoritma FP-Growth dikenal pula dengan istilah FP-Tree

(Frequent Pattern Tree) yaitu sebuah struktur seperti pohon prefix yang

digunakan untuk mendesain struktur frequent pattern mining secara efisien.

Setiap node pada pohon diisi dengan 1 item dan di setiap anak dari node


14

tersebut merepresentasikan item yang berbeda dengan item yang ada pada

induk. Setiap node menyimpan informasi pendukung dari isi item di dalam

path dan root hingga ke node. Sebuah root dalam FP-Tree diinisialisasikan

dengan nilai null. Dengan menggunakan FP-Tree, algoritma FP-Growth dapat

langsung mengekstrak frequent itemset.

Gambar 2.1 Pembentukan Sebuah FP-Tree (Tan, 2005)

Pada gambar 2.1 menunjukkan data transaksi yang berisi sepuluh transaksi

dan lima item. Struktur FP-Tree membaca mulai dari transaksi pertama,

kedua, ketiga hingga transaksi terakhir. Setiap node dalam tree berisi label

item bersama dengan counter dan pemetaan sesuai dengan rute dalam

transaksi. Pada awalnya FP-Tree berisi root yang bernilai null, langkah

berikut nya dalam pembentukan FP-Tree adalah sebagai berikut:


15

1. Tahap pertama adalah memindai dataset sebanyak 1 kali untuk

menemukan support count pada setiap item. Item yang jarang muncul

akan dieliminasi. Item yang sering muncul akan diurutkan (sort) dari

count yang bejumlah besar ke count yang bejumlah kecil (decreasing

support). Pada gambar 2.1 dapat dilihat item yang memiliki count

terbanyak adalah a, diikuti oleh item b,c, dan e.

2. Tahap kedua adalah membangun FP-Tree baru setelah membaca

transaksi pertama, {a,b}, kemudian membuat node dengan label sebagai

a dan b. Sebuah jalur terbentuk dari null a b. Setiap node di jalur

tersebut memiliki bobot frekuensi yang bernilai 1. Pembentukan FP-

Tree transaksi pertama dapat dilihat pada gambar 2.1 point (i).

3. Tahap ketiga adalah membaca transaksi kedua {b,c,d}, kemudian

membuat node baru untuk item b,c,d. Sebuah jalur baru terbentuk untuk

menghubungkan node nullbc d. Setiap node di jalur tersebut

memiliki bobot frekuensi yang bernilai 1. Pembentukan FP-Tree

transaksi kedua dapat dilihat pada gambar 2.1 point (ii).

4. Tahap keempat adalah membaca transaksi ketiga, {a,,c,d,e}, kemudian

terlihat memiliki awalan yang sama dengan transaksi pertama yaitu {a}.

Kemudian, jalur untuk transaksi ketiga adalah null a c d e.

Karena item {a} tumpang tindih jalur dengan {a,b}, maka jumlah

frekuensi untuk node a bertambah menjadi dua. Sementara untuk node

{c,d,e} jumlah frekuensi nya adalah satu. Pembentukan FP-Tree

transaksi ketiga dapat dilihat pada gambar 2.1 point (iii).

5. Proses ini dilanjutkan sampai setiap transaksi terpetakan ke satu

transaksi dari jalur yang diberikan di FP-Tree. Pembentukan FP-Tree

sampai transaksi terakhir dapat dilihat pada gambar 2.1 point (iv).


16

2.5.2 Frequent Itemset Generation dalam algoritma FP-Growth

Algoritma FP-Growth adalah algoritma yang membentuk

frequent itemset dari sebuah FP-Tree dengan cara mengekplorasi tree

di bottom-up. Dapat dilihat pada gambar 2.1, item terakhir pada frequent

itemset adalah item e, kemudian diikuti oleh item d,c,b, dan berakhir di

item a. Bottom-up digunakan untuk mencari frequent itemset yang

berakhiran dengan item tertentu yang setara dengan basis suffix. Setiap

transaksi akan terpetakan ke dalam jalur FP-Tree. Sebagai contoh

adalah item e, jalur yang diperiksa hanyalah jalur yang mengandung

node e. Jalur ini bisa diakses dengan cepat dengan memakai pointer

yang berkaitan dengan node e. Berikut merupakan contoh setiap jalur

yang diekstraksi ditunjukkan pada gambar 2.2.

Gambar 2.2 Penguraian masalah itemset generation ke dalam

subproblem, dimana setiap subproblem terdapat item yang

berakhiran di e, d, c,b,dan a (Tan, 2005)


17

Setelah memvisualisasikan penguraian dengan menggunakan gambar

dalam bentuk tree kemudian mendata setiap subfix dan mencatatnya ke

dalam frequent itemsets. Daftar frequent itemsets setiap node

ditunjukkan pada tabel 2.1

Tabel 2.1. Daftar item yang sering muncul dengan akhirannya.

Setelah melakukan pencarian frequent itemsets yang berakhiran

dengan e, maka algoritma akan melakukan proses untuk mencari

itemset yang berakhir dengan node d, dengan cara memproses

jalur yang berasosiasi dengan node d. Jalur yang sesuai dapat

dilihat pada gambar 2.2 point (b). Proses dilanjutkan sampai

semua jalur tersambung atau saling berasosiasi dengan nodes c,

b dan berakhir di a, kemudian dilakukan pemrosesan

selanjutnya. Jalur untuk item-item ini ditunjukkan pada gambar

2.2 point (c), (d), dan (e).

Algoritma FP-Growth mencari semua frequent itemsets dengan

suffix tertentu dengan strategi divide and conquer atau membagi

dan menggabungkan untuk melakukan pembagian dari satu

masalah menjadi beberapa subproblem yang lebih kecil.

Suffix Frequent Itemsets

e {e}, {d,e}, {a,d,e}, {c,e},{a,e}

d {d}, {c,d}, {b,c,d}, {a,c,d}, {b,d}, {a,b,d}, {a,d}

c {c}, {b,c}, {a,b,c}, {a,c}

b {b}, {a,b}

a {a}


18

Sebagai contoh, pencarian semua frequent itemsets yang

berakhiran di e. Untuk melakukan hal itu kita harus memeriksa

apakah itemset{e} adalah frequent dirinya sendiri. Jika dia

adalah frequent, maka kita pertimbangkan untuk subproblem

mencari itemsets yang berakhiran dengan de, kemudian diikuti

dengan ce,be, dan ae. Selanjutnya setiap subproblem ini

diuraikan menjadi subproblem yang lebih kecil. Dengan

menguraikan subproblem menjadi lebih kecil, maka semua

itemsets yang sering berakhiran e dapat ditemukan. Pendekatan

divide and conquer ini adalah cara utama yang dipakai algoritma

FP-Growth.

Gambar 2.3. Contoh penerapan algoritma FP-Growth

untuk mencari frequent itemsets yang berakhir di e. (Tan,

2005)


19

Berikut adalah tahapan untuk menyelesaikan subproblems,

untuk mencari frequent itemsets yang berakhiran dengan e.

Ilustrasi dapat dilihat pada gambar 2.3.

1. Langkah pertama, kumpulkan semua jalur yang mengandung

node e. Ini disebut sebagai awalan, maka dari itu dipanggil

sebagai jalur prefix seperti ditunjukkan pada gambar 2.3(a).

2. Dari jalur prefix yang ditunjukan pada gambar 2.3(a), support

count untuk e didapatkan dengan cara menambahkan support

count yang terasosiasi dengan node e. Misalnya support count

adalah sebesar 2, {e} dinyatakan karena merupakan itemset

yang sering muncul dan memiliki nilai support count sebesar 3.

3. Item {e} sering muncul, maka subproblem harus diselesaikan

oleh algoritma untuk menemukan itemset yang berakhiran

dengan de,ce,be dan ae. Awal jalur harus dikonversi lebih

dahulu menjadi conditional FP-Tree sebelum melakukan

penyelesaian subproblem. Secara structural ini mirip dengan

FP-Tree tetapi digunakan untuk mencari frequent itemsets yang

berakhiran tertentu.

Cara memperoleh conditional FP-Tree adalah sebagai berikut :

a) Tahap pertama, support count sepanjang jalur prefix

harus diperbarui, karena beberapa perhitungan dalan

transaksi tidak termasuk di item e. Pada gambar 2.2 (a),

null b:2c:2e:1, jalur paling kanan, transaksi{b,c}

tidak terkandung item e. Sepanjang jalur awal, count harus

menyesuaikan ke 1 untuk menampilkan jumlah transaksi

yang sebenarnya yang terkandung {b, c, e}.

b) Melakukan pemotongan pada jalur awal dengan cara

menghapus node e. Penghapusan node dilakukan karena


20

support count dalam jalur awalan telah perbarui untuk

menunjukkan transaksi yang mengandung hanya node e

dan subproblem untuk itemset yang ditemukan sering

muncul dan berakhiran de, ce, be dan ae.

c) Support count yang telah diperbarui pada frefix path,

dimana memungkinkan beberapa item tidak lagi sering

muncul. Sebagai contoh, node b, memiliki support count

sama dengan 1 dan hanya muncul sekali yang

menandakan hanya ada satu transaksi yang berisi b dan e.

Item b dapat diabaikan dengan aman dari analisis

selanjutkan, karena semua item yang berakhiran be jarang

muncul.

4. Conditional FP-Tree digunakan pada FP-Growth untuk

menyelesaikan subproblem penentuan frequent itemset dengan

akhiran de, ce, dan ae. Prefix path untuk d dikumpulkan dari

conditional FP-Tree pada e (Gambar 2.3(c)) untuk menemukan

itemset yang sering muncul berakhiran. Dengan menambahkan

jumlah frekuensi yang berasosiasi dengan node d, maka akan

didapatkan support count untuk {d,e}. Sejak support count sama

dengan 2, {d, e} dideklarasikan sebagai frequent itemset.Tahap

selanjutnya, algoritma membangun conditional FP-Tree untuk

de dengan menggunakan pendekatan yang dijelaskan pada tahap

ketiga. Setelah support count diperbarui dan melakukan

penghapusan item yang jarang muncul (c) yang ditunjukkan

pada gambar 2.3 (d) conditional FP-Tree untuk de. Sejak

conditional FP-Tree hanya mengandung satu item a, yang mana

support dengan minimum support, algoritma melakukan ekstrasi

frequent itemset {a,d,e} dan bergerak ke subproblem

selanjutnya yang menhasilkan frequent itemset yang berakhiran


21

ce. Setelah prefix path untuk c diproses, ditemukan {c, e} yang

sering muncul. Algoritma akan memproses untuk

menyelesaikan subprogram selanjuntya dan menemukan {a, e}

yang menjadi frequent itemset satu-satunya yang tersisa.

Ilustrasi tadi menjelaskan pendekatan divide and conguer yang

dipakai algoritma FP-Growth. Pada tahap rekursif, conditional FP-

Tree dibentuk dengan cara memperbarui jumlah frekuensi di

sepanjang prefix path dan semua item yang jarang muncul akan

dihapus. Jumlah yang berasosiasi dengan node memperbolehkan

algoritma untuk menunjukan perhitungan support ketika

menghasilkan common suffix itemsets.


23

BAB III

METODOLOGI PENELITIAN

Pada bab ini berisi tentang metodologi penelitian tugas akhir yang

digunakan, di bab ini juga berisi bagaimana mendapatkan data, cara mengolah

data, spesifikasi hardware dan software yang digunakan, cara pengujian, desain

antarmuka dengan pengguna, dan analisis fungsi sistem.

3.1 Gambaran Umum

Penelitian ini memiliki tujuan untuk menemukan aturan asosiasi

berupa pola buku yang sering dipinjam secara bersamaan oleh

peminjam. Aturan asosiasi tersebut digunakan untuk mencari pola buku

yang sering dipinjam secara bersamaan guna membantu peminjam

dalam menentukan buku yang akan dipinjam sesuai dengan

kebutuhannya

3.2 Bahan Riset/Data

Data yang digunakan dalam penelitian ini adalah data peminjaman

buku di perpustakaan Universitas Sanata Dharma selama tahun 2018

sebanyak 78.779 data dan 33.917 transaksi. Atribut yang dipakai dari

data sebanyak dua yaitu id transaksi dan judul buku. Bentuk dari data

yang digunakan penulis berupa excel. Penulis mendapatkan data dari

bagian akademik di perpustakaan Sanata Dharma Mrican. Dalam

penelitian ini, data akan diproses dalam jangka waktu setiap bulan.

Untuk melihat jumlah transaksi tiap bulan dapat dilihat pada tabel 3.1.


24

Tabel 3.1 Jumlah Transaksi Tiap Bulan

No Bulan Jumlah Transaksi

1. Januari 1302

2. Febuari 4493

3. Maret 3265

4. April 3235

5. Mei 3249

6. Juni 1081

7. Juli 1202

8. Agustus 3376

9. September 3654

10. Oktober 3762

11. November 3248

12. Desember 2050

3.3 Pre-processing

Pada tahap sebelum pengujian, diperlukan satu tahap untuk

memastikan data siap untuk di proses. Tahap tersebut bernama tahapan

pre-processing. Tahapan pre-processing terdiri dari data cleaning, data

integration, data selection dan data transformation. Data asli dapat

ditunjukkan pada Gambar 3.1


25

Gambar 3.1 Data Asli

3.3.1 Data Cleaning

Pada tahapan ini beberapa data perlu dibersihkan karena tidak

sesuai dengan kriteria. Beberapa kriteria data yang perlu

dibersihkan adalah sebagai berikut:

1. Transaksi yang memiliki judul buku kosong.

2. Transaksi dengan peminjam bernama Mobile Library

USD.

Proses data cleaning dapat ditunjukkan pada gambar 3.2 dan

gambar 3.3.

Gambar 3.2 Data cleaning judul buku


26

Gambar 3.3 Data cleaning mobile library USD

3.3.2 Data Integration

Data transaksi peminjaman buku perpustakaan diperoleh dari

satu sumber dan sebanyak satu file excel yang berisi transaksi

peminjaman buku selama satu tahun pada tahun 2018.

Sehingga tidak diperlukan tahap data integration.

3.3.3 Data Selection

Pada data asli transaksi peminjaman buku di perpustakaan

terdapat 7 atribut yaitu no barcode, judul buku, tanggal pinjam,

tanggal perpanjangan, tanggal kembali, nomor anggota, dan

nama. Atribut yang digunakan oleh sistem untuk menganalisis

aturan asosiasi pada transaksi peminjaman atau penambangan

data hanya 2 atribut yaitu ID Transaksi dan judul buku.

ID Transaksi diperoleh dari proses pengolahan yaitu jika buku

yang dipinjam masih dalam satu nama peminjam yang sama

dan tanggal pinjam yang sama menjadi satu transaksi, Jika

nama peminjam dan tanggal pinjam berbeda sudah menjadi

transaksi yang baru.

3.3.4 Data Transformation

Tahapan ini adalah hasil dari data selection. Atribut yang telah

terpilih yaitu id transaksi dan judul buku ditampung sistem

dalam bentuk array untuk proses penambangan data.


27

3.4 Peralatan Penelitian

Alat yang digunakan dalam penelitian ini adalah

1. Laptop dengan spesifikasi:

- Prosesor intel core i5 7200u

- Memory 4 GB

2. Software dengan spesifikasi:

- Windows 10 Home Single Language 64 bit

- Phytom.

3.5 Algoritma FP-Growth

Terdapat beberapa tahapan dari sistem yang akan dibangun, sebagai

berikut:

1. Tahap pertama dari sistem yang dibangun adalah membaca data

masukan yang berupa file bertipe .xls atau .xlsx

2. Selanjutnya, menginputkan nilai minimum support dan minimum

confidence.

3. Proses pembentukan aturan asosiasi yang sesuai dengan nilai

minimum support dan nilai minimum confidence.

4. Tahap terakhir dari sistem yang dibangun adalah menampilkan hasil

aturan asosiasi.

Tahapan dari sistem yang dibangun dapat digambarkan pada gambar 3.4.

Gambar 3. 4 Flowchart sistem


28

Pada proses perhitungan menggunakan algoritma FP-Growth terdapat

beberapa langkah penting yang harus diperhatikan yaitu:

1. Perhitungan count pada setiap item.

2. Pembentukan FP-Tree.

3. Pembuatan Conditional Pattern Base.

4. Pembuatan Conditional FP-Tree.

5. Pembuatan Frequent Itemset.

Tahapan proses FP-Growth dapat digambarkan dalam flowchart pada

Gambar 3.5

Gambar 3. 5 Flowchart Proses FP-Growth dan Aturan Asosiasi

Pada tahapan proses FP-Growth dan aturan asosiasi menggunakan

beberapa function. Function yang digunakan dapat dilihat pada tabel

3.2:

Tabel 3.2 Nama Function yang Digunakan

No Proses Nama Function

1. Menghitung count pada setiap item FPGrowth

2. Membentuk FP-Tree FPcommons

3. Membuat Conditional Pattern Base FPGrowth


29

4. Membuat Conditional FP-Tree FPGrowth

5. Membuat Frequent Itemset FPGrowth

6. Pembentukan Aturan Asosiasi Association_rule

7. Output : Aturan Asosiasi, Support,

Confidence, dan Lift Ratio

Association_rule


30

BAB IV

ANALISA DAN DESAIN SISTEM

4.1 Model Fungsi Sistem

4.1.1 Diagram Use Case

Diagram Use Case adalah diagram yang digunakan untuk

mendokumentasikan dan menjelaskan interaksi antara pengguna

dengan sistem. Sistem ini terdapat satu pengguna atau actor yang

dapat menginput file data transaksi peminjaman buku. Proses

selanjutnya adalah menginput nilai minimum support dan minimum

confidence. Langkah berikutnya adalah mengklik tombol proses

untuk melakukan proses penghitungan menggunakan algoritma

FP-Growth. Pengguna dapat melihat hasil dari penghitungan

berupa rule. Diagram use case yang digunakan dapat dilihat pada

Gambar 4.1.

Gambar 4.1 Diagram Use Case


31

4.1.2 Narasi Use Case

Narasi use case adalah penjelasan dari setiap use case dari Gambar

4.1.

Tabel 4.1 Input File

Input File

Nama Usecase Input Data Transaksi Peminjaman Buku

Id Usecase 001

Aktor Pengguna

Deskripsi Pengguna dapat melakukan input file data transaksi

belanja dalam bentuk excel dengan tipe .csv dengan

menekan tombol “Cari File”.

Kondisi Awal Pengguna masuk dalam sistem.

Kondisi Akhir Setelah file diinputkan maka sistem akan menyimpan

data transaksi peminjaman buku yang telah dipilih.

Typical Course Aksi Pengguna Reaksi Sistem

LANGKAH 1:

Menekan tombol “Cari

File”.

LANGKAH 2:

Menampilkan kotak

dialog dari direktori

pc/laptop pengguna untuk

memilih file.

LANGKAH 3:

Memilih file data bertipe

.csv atau .csv

LANGKAH 4:

Menyimpan file data

transaksi belanja

Alternate Course -


32

Tabel 4.2 Input Nilai Minimum Support

Input nilai minimum support

Nama Usecase Input Nilai Minimum Support

Id Usecase 002

Aktor Pengguna

Deskripsi Pengguna dapat melakukan input nilai minimum

support sesuai dengan nilai yang diinginkan.

Kondisi Awal Nilai minimum support belum terisi.

Kondisi Akhir Setelah nilai minimum support dimasukkan maka

sistem akan menampilkan nilai minimum support.


LANGKAH 1:

Mengklik ke text field

minimum support.

LANGKAH 2:

Memasukkan nilai

minimum support.

LANGKAH 3:

Menampilkan persentase

dari nilai minimum

support.

Alternate Course -


33

Tabel 4.3 Input Nilai Minimum Confidence

Input Nilai Minimum Confidence

Nama Usecase Input nilai minimum confidence

Id Usecase 003

Aktor Pengguna

Deskripsi Pengguna dapat melakukan input nilai minimum

confidence sesuai dengan nilai yang diinginkan.

Kondisi Awal Nilai minimum confidence belum terisi.

Kondisi Akhir Setelah nilai minimum confidence dimasukkan maka

sistem akan menampilkan nilai minimum confidence.


LANGKAH 1:

Mengklik ke text field

minimum confidence.

LANGKAH 2:

Memasukkan nilai

minimum confidence.

LANGKAH 3:

Menampilkan persentase

dari nilai minimum

confidence.

Alternate Course -


34

Tabel 4.4 Proses Aturan Asosiasi

Proses

Nama Usecase Proses

Id Usecase 005

Aktor Pengguna

Deskripsi Pengguna dapat menekan tombol “Proses” untuk

memulai proses yang dilakukan oleh program.

Kondisi Awal Nilai minimum confidence, minimum confidence,

tanggal transaksi sudah terisi.

Kondisi Akhir Sistem akan memulai perhitungan setelah menekan

tombol “Proses”.


LANGKAH 1:

Pengguna menekan

tombol “Proses”

LANGKAH 2 :

Sistem akan memulai

perhitungan

Alternate Course -

Tabel 4.5 Lihat Hasil Algoritma

Lihat Hasil Algoritma

Nama Usecase Lihat Hasil Algoritma

Id Usecase 006

Aktor Pengguna

Deskripsi Pengguna dapat melihat hasil perhitungan algoritma

berupa rule.

Kondisi Awal Nilai minimum confidence, minimum confidence,

tanggal transaksi sudah terisi.

Kondisi Akhir Sistem akan menampilkan hasil rule.


35


LANGKAH 2 :

Sistem akan menampilkan

hasil rule dari perhitungan

algoritma.

Alternate Course -


36

4.2 Desain Antar Muka Pengguna

Gambar 4.2 Desain Antarmuka dengan Pengguna

Keterangan:

1. Header – Menampilkan judul.

2. Cari File – Tombol yang digunakan untuk memasukkan file.

3. Tabel Dataset – Menampilkan dataset peminjaman perpustakaan.


37

4. Minimum support – Memasukkan nilai minimal support yang akan

dicari.

5. Minimum confidence - Memasukkan nilai minimal confidence yang

akan dicari.

6. Proses – Tombol untuk menghitung asosiasi data.

7. Aturan asosiasi – Menampilkan hasil dari pengujian data yang telah

dihitung


52

BAB V

IMPLEMENTASI DAN ANALISIS HASIL

5.1 Implementasi Sistem

5.1.1 Tampilan Menu Utama

Tampilan menu utama merupakan halaman awal pada

program. Pada tampilan utama terdapat tampilan dataset,

tombol cari file, tampilan hasil aturan asosiasi, menu inputan

minimum support, menu inputan minimum confidence, dan

tombol proses. Tampilan dataset merupakan tampilan isi file

yang akan diproses. Tombol cari file merupakan tombol yang

berguna untuk memilih file dari direktori yang akan diproses

oleh sistem. Tampilan hasil aturan asosiasi merupakan tampilan

aturan hasil asosiasi yang telah diproses oleh sistem. Menu

inputan minimum support merupakan inputan yang paling

minimum untuk support (ukuran yang menunjukkan persentase

suatu item kombinasi dari keseluruhan transaksi). Sedangkan

menu minimum confidence (ukuran yang menunjukkan item-

item yang paling sering muncul dalam keseluruhan transaksi).

Tampilan menu utama pada sistem dapat dilihat pada

Gambar 5.1.


53

Gambar 5.1 Tampilan Menu Utama

5.1.2 Tampilan Output

Tampilan menu output digunakan oleh pengguna untuk

melihat hasil perhitungan yang dilakukan oleh sistem.

Tampilan menu output tersebut berisi rule hasil perhitungan,

nilai support, nilai confidence, dan nilai lift ratio. Tampilan

ouput pada sistem dapat dilihat pada Gambar 5.2

Gambar 5.2 Tampilan Output


54

5.1.3 Implementasi function dalam sistem

Dalam proses FP-Growth dan aturan asosiasi terdapat beberapa tahapan

yang menggunakan function. Berikut penggalan program terkait

pemanggilan function:

5.1.3.1. Function yang digunakan

Penggalan program pertama berupa semua function yang

digunakan di dalam program. Tampilan penggalan

program pertama dapat dilihat pada Gambar 5.3.

Gambar 5.3 Function yang digunakan

5.1.3.2. Function mlx.preprocessing

Penggalan program kedua berupa function

mlx.preprocessing yang berfungsi untuk melakukan pre-

processing data sebelum diproses oleh sistem. Tampilan

penggalan program kedua dapat dilihat pada Gambar 5.4.

Gambar 5.4 Function mlx.preprocessing


55

5.1.3.3. Function mlx.frequentspatterns

Penggalan program ketiga berupa function

mlx.frequentspatterns yang berfungsi untuk memeilih

algoritma asosiasi yang digunakan dalam penelitian.

Tampilan penggalan program ketiga dapat dilihat pada

Gambar 5.5.

Gambar 5.5 Function mlx.frequentspatterns

5.1.3.4. Function fpcommons

Penggalan program keempat berupa function fpcommons

yang berfungsi untuk pembuatan FP-Tree sesuai dengan

data transaksi. Tampilan penggalan program ketiga dapat

dilihat pada Gambar 5.6.


56

Gambar 5.6 Function fpcommons


57

5.1.3.5. Function fpgrowth

Penggalan program kelima berupa function fpgrowth yang

berfungsi untuk melakukan tahapan – tahapan penting

seperti pembentukan conditional pattern base, conditional

fp-tree dan pembentukan frequent itemset. Tampilan

penggalan program ketiga dapat dilihat pada Gambar 5.7.


58

Gambar 5.7 Function fpgrowth

5.1.3.6. Function association_rules

Penggalan program keenam berupa function

association_rules yang berfungsi untuk melakukan

perhitungan data untuk menampilkan nilai support,

confidence, dan lift ratio dari aturan yang telah terbentuk.

Tampilan penggalan program keenam dapat dilihat pada

Gambar 5.8.

Gambar 5.8 Function association_rules


59

5.2 Hasil Pengujian

5.2.1 Uji Validasi

Pengujian validasi program dilakukan untuk menguji

apakah program yang sudah dibuat sesuai dengan fungsi-fungsi

terhadap keperluan yang sudah dirancang. Dalam penelitian

ini, program diuji apakah dapat digunakan untuk menghasilkan

aturan asosiasi sesuai metode “analisis keranjang belanja”

dengan menggunakan uji validasi manual dan uji validasi

program.

Pada pengujian ini menggunakan sampel data sebanyak

10 transaksi. Hasil uji validasi menggunakan perhitungan

manual.

5.2.1.1 Perhitungan Manual

Pada perhitungan manual, penulis melakukan langkah-

langkah sebagai berikut:

a. Menghitung count pada setiap item.

Pada tahap pertama, dilakukan pencarian count untuk

setiap buku pada data transaksi peminjaman buku. Sebagai

contoh, terdapat data sampel pengujian peminjaman buku

yang ditunjukkan pada Tabel 5.1.

Tabel 5.1 Contoh Data

id_tr buku 1 Language and gender

1 An introduction to sociolinguistics

(2nd Edition) 1 Sociolinguistics

1 Sociolinguistics : a resource book

for students

1 Discussing language


60


(6th edition)

1 The handbook of language and

gender 2 The bilingualism reader 2 Sociolinguistics


for students 2 What is sociolinguistics?

2 Variationist sociolinguistics :

change, observatio 2 Discourse strategies

3 Language and Gender :

Interdisiplinary Perspective 3 Sociolinguistics

3 Language and identity : an

introduction 4 Sociolinguistics : An introduction 4 Language and gender 4 Sociolinguistics

5 An Introduction to discourse

analysis 5 Sociolinguistics : An introduction 5 Language and gender 5 Sociolinguistics

5 Speech acts : an essay in the

philosophy of langua 6 Sociolinguistics


for students


(6th edition)

6 Variationist sociolinguistics :

change, observatio 7 Sociolinguistics


for students

8 Slang down the ages : the historical

development o 8 Sociolinguistics


for students 8 Sosiolinguistik 8 What is sociolinguistics? 8 Variationist sociolinguistics :


61

change, observatio

8 Global English slang :

methodologies and perspecti 9 The bilingualism reader 9 Bilingualism [1996]


(6th edition) 9 Discourse strategies 10 The bilingualism reader 10 An introduction to bilingualism 10 Bilingualism [1996]

Untuk mempermudah dalam proses perhitungan, setiap

judul buku ditransformasi menjadi kode angka, sebagai

berikut:

1 = Language and gender

2 = An introduction to sociolinguistics (2nd Edition)

3 = Sociolinguistics

4 = Sociolinguistics : a resource book for students

5 = Discussing language

6 = An introduction to sociolinguistics (6th edition)

7 = The handbook of language and gender

8 = The bilingualism reader

9 = What is sociolinguistics?

10 = Variationist sociolinguistics : change, observation

11 = Discourse strategies

12 = Language and Gender : Interdisiplinary Perspective

13 = Language and identity : an introduction

14 = Sociolinguistics : An introduction

15 = An Introduction to discourse analysis

16 = Speech acts : an essay in the philosophy of langua

17 = Slang down the ages : the historical development o

18 = Bilingualism [1996]


62

19 = An introduction to bilingualism

Berdasarkan keterangan di atas dapat dijelaskan secara

lebih singkat melalui Tabel 5.2

Tabel 5.2 Penyederhanaan Daftar Buku

T id Daftar Buku

T1 1,2,3,4,5,6,7

T2 8,3,4,9,10,11

T3 12,3,13

T4 14,1,3

T5 15,14,1,3,16

T6 3,4,6,10

T7 3,4

T8 17,3,4,9,10

T9 8,18,6,11

T10 8,18,19

Tabel 5.3 menunjukkan nilai support count dari setiap itemset. Untuk

menuju ke tahap berikutnya ditentukan nilai minimum support sebesar

2. Dari tabel 5.3, jika item yang memiliki nilai support count dibawah 2

maka akan dihapus.

Tabel 5.3 Item dan Count

Item Count

1 3

2 1

3 8

4 5


63

Tabel 5.4 merupakan item yang telah memenuhi minimum support yang

telah ditentukan, yaitu sebesar 2. Item yang tidak lolos, tidak diikutkan

ke langkah berikutnya.

Tabel 5.4 Item yang memenuhi minimum support

Item Count Inisialisasi

3 8 a

4 5 b

1 3 c

6 3 d

5 1

6 3

7 1

8 3

9 2

10 3

11 2

12 1

13 1

14 2

15 1

16 1

17 1

18 2

19 1


64

8 3 e

10 3 f

9 2 g

11 2 h

14 2 i

18 2 j

b. Membentuk FP-Tree

Tahap kedua adalah pembentukan FP-Tree. Pada tahapan

sebelumnya dapat dilihat pada tabel 5.4, ditunjukkan item – item

yang telah lolos eliminasi dengan minimum support count bernilai 2.

Di dalam FP-Tree terdapat node yang berisi label item dan count.

Setiap transaksi akan dibaca dan dilakukan pembentukan FP-Tree

terhadap 10 data sampel. Pembacaan transaksi akan dimulai dari

transaksi pertama sampai kesepuluh. Pembentukan FP-Tree dimulai

dari node root yang bernilai null. Pada transaksi pertama dengan ID

Transaksi 1 (a,b,c,d), sistem membuat node dengan label

{a},{b},{c}, dan {d}. Jalur yang menggambarkan transaksi pertama

terbentuk dari nullabc d. Setiap node memiliki jumlah

frekuensi yang bernilai 1. Jalur pada transaksi pertama dapat dilihat

pada Gambar 5.9 (i)


65

Gambar 5.9 Proses Pembentukan FP-Tree Data Sampel

Selanjutnya adalah membaca transaksi kedua yaitu Tid 2. Jika

terdapat awalan node yang sama pada transaksi berbeda maka suatu

jalur akan tumpeng tindih dan frekuensi bertambah 1. Pada transaksi

kedua terdapat item yang sama yaitu {a},{b} sehingga frekuensi

node {a}dan{b} bertambah 1 menjadi 2. Item berikutnya adalah

{e},{f},{g},{h}, karena belum ada node yang terbentuk dari node

{b} maka dibuat sebuah jalur untuk item – item tersebut. Jalur yang


66

menggambarkan transaksi kedua terbentuk dari nullabe

fgh. Jalur pada transaksi kedua dapat dilihat pada Gambar 5.9 (ii)

Proses pembentukan FP-Tree dilakukan sampai transaksi terkahir

yaitu Tid 10. Pembentukan FP-Tree yang sudah membaca seluruh

transaksi dapat dilihat pada Gambar 5.9 (iii).

Dalam proses pembentukan FP-Tree, jika terdapat awalan node yang

sama pada transaksi yang sebelumnya atau yang sudah terdapat node

nya maka suatu jalur akan tumpeng tindih dan jumlah frekuensi

bertambah 1 terhadap node tersebut. Jika awalan node berbeda akan

terbentuk jalur baru dari root dengan frekuensi bernilai 1. Garis putus

– putus pada Gambar 5.9 (iii) menunjukkan node yang memiliki label

yang sama.

c. Pembentukan Conditional Pattern Base, Conditional FP-Tree dan

Frequent Itemset

Tahapan berikutnya adalah pembentukan Conditional Pattern Base,

Conditional FP-Tree dan Frequent Itemset dari FP-Tree yang telah

terbentuk dengan menjelajah tree yang telah terbentuk secara

bottom-up. Penulis mengambil contoh node dengan akhiran {j}.

Langkah berikutnya adalah melakukan pengecekan terhadap

frekuensi kemunculan node {j}. Dapat dilihat jalur yang memiliki

akhiran node {j} yaitu {e:1} dan {deh:1} sehingga node tersebut

menjadi conditional pattern base. Langkah berikutnya adalah

melakukan pengecekan terhadap count dari conditional pattern base.

Dalam jalur ini terdapat node {e} yang memiliki frekuensi

kemunculan sebanyak 2 kali bersama dengan node {j} pada tree yang

sudah dipetakan.


67

Tabel 5.5 Frequent Itemset data sampel

Akhiran Conditional

Pattern Base

Conditional

FP-Tree

Frequent

Itemset

j {e : 1}{deh :1} {e :2} {e, j :2}

i {ac : 2} {a : 2} {c :2}

{ac :2}

{a,i : 2}

{c,i :2}

{ac,i :2}

h {abefg : 1}

{de :1}

{e : 2} {e, h :2}

g {abef : 1}

{abf : 1}

{a :2} {b :2}

{f :2}{abf :2}

{a, g :2}

{b, g :2}

{f, g:2}

{abf, g :2}

f {abe : 1}

{abd : 1}

{ab : 1}

{a : 3} {b : 3}

{ab : 3}

{a, f : 3}

{b,f : 3}

{ab,f : 3}

e {ab : 1} {d : 1} - -

d {abcd : 1}

{ab : 1}

{a : 2} {b : 2}

{ab : 2}

{a,d : 2}

{b,d : 2}

{ab,d : 2}

c {ab : 1} {a : 2} {a : 3} {a, c : 3}

b {a : 5} {a : 5} {a, b : 5}

a - - -

Dalam pembentukan conditional FP-Tree dilakukan dengan cara

mencatat kembali node yang memiliki item g dan lolos eliminasi

minimum support count sebesar 2. Dapat dilihat pada tabel 5.5


68

conditional FP-Tree dengan akhiran node {j} adalah {e : 2}. Node

{d} dan {h} dieliminasi karena memiliki minimum support count

dibawah 2. Tahap ini juga bisa disebut tahap pemetaan karena

memetakan semua node. Sebagai contoh node dengan akhiran {i}.

Dapat dilihat pada Tabel 5., jalur yang memiliki atau diakhiri node

{i} adalah {ac} dengan count sebanyak 2. Proses pembentukan

conditional FP-Tree dengan jalur {ac} dipetakan menjadi {a},{c},

dan {ac}.

Tahapan berikutnya adalah pembentukan frequent itemset. Node

yang berada di conditional FP-Tree ditambahkan dengan node yang

sesuai akhirannya. Contohnya adalah {e, j : 2}. Proses pembentukan

frequent itemset dapat dilihat pada tabel 3.7. Tahapan ini berlanjut

sampai semua jalur yang diakhiri atau dilewati node

{i},{h},{g},{f},{e},{d},{c},{b},{a} diproses.

5.2.1.2 Aturan Asosiasi

Hasil dari frequent itemset algoritma FP-Growth akan diproses

untuk membentuk aturan asosiasi. Dapat dilihat pada Tabel 5.4

penulis menentukan nilai minimum support count sebesar 2 dan

nilai minimum confidence sebesar 50%. Aturan asosiasi yang

tidak memenuhi nilai minimum support count dan nilai

minimum confidence akan di eliminasi. Hasil aturan asosiasi

dapat ditunjukkan pada Tabel 5.6.


69

Tabel 5.6 Aturan Asosiasi dari data sampel

No Aturan

Asosiasi

Support Confidence Lift Ratio

1. e → j 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

2. j → e 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

3. i → a 2

10 = 0.2

2

2 = 1

1

0.8

= 1.25

4. c → i 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

5. i → c 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

6. a,c → i 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

7. c,i → a 2

10 = 0.2

2

2 = 1

1

0.8

= 1.25

8. a,i → c 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333


70

9. c → a,i 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

10. i → c,a 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

11. e → h 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

12. h → e 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

13. g → a 2

10 = 0.2

2

2 = 1

1

0.8

= 1.25

14. g → b 2

10 = 0.2

2

2 = 1

1

0.5

= 2.0

15. f → g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.333

16. g → f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.333

17. a,b,f → g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

18. a,g → f,b 2

10 = 0.2

2

2 = 1

1

0.3

= 3.33

19. a,f → b,g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.33


71

20. f,b,g → a 2

10 = 0.2

2

2 = 1

1

0.8

= 1.25

21. a,f,g → b 2

10 = 0.2

2

2 = 1

1

0.5

= 2

22. f,b → a,g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.333

23. b,g →a,f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.33

24. f,g → a,b 2

10 = 0.2

2

2 = 1

1

0.5

= 2

25. f → a,b,g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.33

26. g → a,f,b 2

10 = 0.2

2

2 = 1

1

0.3

= 3.33

27. a,b,g → f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.33

28. f → a,g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.33

29. g → a,b 2

10 = 0.2

2

2 = 1

1

0.5

= 2

30. b,g →a 2

10 = 0.2

2

2 = 1

1

0.8


72

= 1.25

31. f → a 3

10 = 0.3

2

2 = 1

1

0.8

= 1.25

32. f → b 3

10 = 0.3

2

2 = 1

1

0.5

= 2.0

33. f → a,b 3

10 = 0.3

2

2 = 1

1

0.4

= 2.0

34. b → a,f 3

10 = 0.3

3

5 = 0.6

0.6

0.3

= 2

35. f,b → a 3

10 = 0.3

3

3 = 1

1

0.8

= 1.25

36. a,f → b 3

10 = 0.3

3

3 = 1

1

0.5

= 2

37. a,b →f 3

10 = 0.3

3

5 = 0.6

0.6

0.3

= 2

38. b → f 3

10 = 0.3

3

5 = 0.6

0.6

0.3

= 2

39. f,b → g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

40. b,g → f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333


73

41. f,g →b 2

10 = 0.2

2

2 = 1

1

0.5

= 2

42. f → b,g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

43. g → f,b 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

44. a,f →g 2

10 = 0.2

2

3 = 0.667

0.667

0.2

= 3.3333

45. a,g → f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

46. f,g → a 2

10 = 0.2

2

2 = 1

1

0.8

= 1.25

47. g →a,f 2

10 = 0.2

2

2 = 1

1

0.3

= 3.3333

48. a,g → b 2

10 = 0.2

2

2 = 1

1

0.5

= 2

49. d → a 2

10 = 0.2

2

3 = 0.667

0.667

0.8

= 0.83333

50. d → b 2

10 = 0.2

2

3 = 0.667

0.667

0.5

= 1.333

51. d → a,b 2

10 = 0.2

2

3 = 0.667

0.667

0.5


74

= 1.333

52. c → a 3

10 = 0.3

3

3 = 1

1

0.8

= 1.25

53. b → a 5

10 = 0.5

2

2 = 1

1

0.8

= 1.25

Hasil dari pengujian validasi program menggunakan sampel data sebanyak 10

transaksi menghasilkan rules, nilai support dan nilai confidence yang sama

dengan menggunakan perhitungan manual. Hasil uji validasi program dapat

dilihat pada Tabel. 5.7

Tabel 5.7 Hasil Uji Validasi


75


76

5.2.2 Uji Akurasi

Pengujian akurasi merupakan pengujian sistem

menggunakan dataset tiap bulan untuk melihat rule, nilai

support, nilai confidence, dan nilai lift ratio yang dihasilkan.

Uji akurasi pada penelitian ini dilakukan dengan menggunakan

data set tiap bulan untuk menghasilkan aturan asosiasi. Pada

penelitian ini dilakukan uji akurasi terhadap 78.779 data dan

33.917 transaksi yang dihasilkan pada bulan Januari sampai

dengan bulan Desember 2018.

Perbandingan hasil uji akurasi dari Januari tahun 2018

sampai dengan Desember 2018 dapat dilihat pada Tabel 5.8.

Tabel 5.8 Perbandingan Jumlah Aturan Asosiasi Tiap Bulan

dengan Variasi Nilai Minsup dan Mincof

Minsup Mincof Jumlah Aturan Asosiasi

Jan Feb Mar Apr Mei Jun Agt Sep Okt Des

0.1 % 50% 355 1 4 6 4 265 10 2 6 17

60% 310 0 1 5 4 256 8 2 4 16

70% 197 0 1 2 2 193 7 2 2 14

80% 191 0 1 2 1 193 6 2 2 7

90% 190 0 1 1 1 193 4 2 1 7

100% 190 0 1 1 1 193 4 2 1 7

0.2 % 50% 31 0 0 0 0 5 2 0 0 0

60% 19 0 0 0 0 5 1 0 0 0

70% 15 0 0 0 0 4 1 0 0 0

80% 9 0 0 0 0 4 0 0 0 0

90% 8 0 0 0 0 4 0 0 0 0


77

100% 8 0 0 0 0 4 0 0 0 0

0.3 % 50% 4 0 0 0 0 0 0 0 0 0

60% 3 0 0 0 0 0 0 0 0 0

70% 2 0 0 0 0 0 0 0 0 0

80% 2 0 0 0 0 0 0 0 0 0

90% 1 0 0 0 0 0 0 0 0 0

100% 1 0 0 0 0 0 0 0 0 0

Jumlah

Transaksi

PerBulan

1302 4493 3265 3235 3249 1081 3376 3654 3762 2050

Dari tabel 5.8 di atas menunjukkan bahwa uji akurasi

yang menggunakan nilai minimum support antara 0,1% sampai

0,3% dan nilai minimum confidence 50% sampai 100%

menghasilkan nilai minimum support tertinggi sebesar 0,3% dan

nilai minimum confidence tertinggi sebesar 100% pada bulan

Januari.

Berdasarkan hasil uji akurasi, dapat disampaikan

perbandingan aturan asosiasi, support, confidence, dan lift ratio

terbaik setiap bulan, sebagaimana termuat dalam tabel 5.9


78

Tabel 5.9 Hasil Aturan Asosiasi dengan Support dan Confidence Terbaik tiap Bulan

Bulan Jan Feb Mar Apr Mei Jun Agt Sept Okt Des

Aturan

“Pembelajaran

Terpadu :

konsep dan

penerapannya”

→

“Pembelajaran

Tematik

Terpadu”

“Pengantar

Filsafat

Ilmu” →

“Filsafat

Ilme :

Sebuah

Pengantar

Populer”

“Sedjarah

Djepang

[djilid I]”

→

“Jepang :

dulu dan

sekarang”

“Metode

penelitian

bahasa :

tahapan

strategi

metod”

→“Metode

Penelitian

Bahasa”

“Pengantar

Filsafat

Ilmu” →

“Filsafat

ilmu :

sebuah

pengantar

populer”

“Sistem

Informasi

Akutansi =

Accounting

Informatio”

→“Sistem

Informasi

Akutansi”

“Driyarkara

tentang

manusia”

→

“Driyarkara

tentang

pendidikan”

“Tatanegara

Indonesia :

dari Sriwijaya

sampai Indon”

→“Sejarah

ketatanegaraan

Republik

Indonesia”

“Pancasila

Secara

Ilmiah

Populer”

→

“Filsafat

Pancasila”

“Cooperative

learning :

teori riset

dan praktik”

→

“Cooperative

learning :

teori riset

dan aplikasi

PAIKEM”

Support 0.307% 0.11% 0.12% 0.15% 0.18% 0.27% 0.20% 0.10% 0.10& 0.14%

Confidence 100% 50% 50% 55.5% 75% 60% 77.7% 100% 66% 100%

Lift Ratio 118.3636 187.208 233.214 299.53 243.674 92.657 218.8148 913.5 228 292.857


68

Berdasarkan tabel 5.9 di atas, maka hasil penelitian

menunjukkan bahwa pengujian pada bulan Juli dan November

tidak menemukan aturan asosiasi. Selain itu, buku dengan judul

: “Pembelajaran Terpadu: konsep dan penerapannya” →

“Pembelajaran tematik terpadu” mempunyai nilai support dan

confidence tertinggi, yaitu 0.307% dan 100% serta nilai lift ratio

sebesar 118.3636.

5.3 Analisis Hasil Pengujian

Berdasarkan hasil pengujian yang telah dilakukan di atas, maka telah

diperoleh hasil uji bahwa dengan menggunakan nilai minimum support

antara 0.1% sampai 0.3% dan nilai minimum confidence 50% sampai 100%

menghasilkan nilai minimum support tertinggi sebesar 0.3% dan nilai

minimum confidence tertinggi sebesar 100% pada bulan Januari. Selain itu

hasil penelitian menunjukkan bahwa buku dengan judul: “Pembelajaran

Terpadu: konsep dan penerapannya” → “Pembelajaran tematik terpadu”

mempunyai nilai support dan confidence tertinggi, yaitu 0.307% dan 100%

serta nilai lift ratio sebesar 118.3636.

Berkenaan dengan hasil pengujian aturan sosialisasi terbaik setiap bulan

yang memuat support, confidence dan lift ratio, dapat dimaknai bahwa

semakin besar support maka persentase rule tersebut terhadap keseluruhan

transaksi akan semakin besar. Apabila nilai confidence semakin besar, maka

antara antisendent dan consequent semakin sering dipinjam secara

bersamaan. Sedangkan apabila data menunjukkan semakin besar lift ratio,

maka aturan asosiasi tersebut akan semakin kuat sehingga memberikan

rekomendasi alternatif terhadap buku sejenis yang dibutuhkan.

Hasil pengujian di atas menunjukkan bahwa penelitian telah

menghasilkan aturan asosiasi sesuai tujuan penelitian yang dapat


69

dipergunakan bagi pengelola perpustakaan maupun pengguna perpustakaan

untuk diimplementasikan. Bagi pengelola perpustakaan, hasil pengujian

akan memberikan informasi bahwa buku yang mempunyai support,

confidence, dan lift ratio tertinggi:

1. Menjadi buku-buku yang perlu diperbanyak stok-nya, dan di stok secara

bersamaan sesuai dengan hasil aturan asosiasi karena sangat dibutuhkan

oleh pengguna;

2. Peletakannya pada rak buku perlu didekatkan karena buku-buku

tersebut dapat menjadi alternatif bagi para pengguna seandainya salah satu

buku telah kehabisan stok untuk dipinjamkan.

3. Menjadi saran rekomendasi peminjaman bagi pengguna seandainya

stok buku yang akan dipinjamkan telah habis.

Sedangkan bagi pengguna perpustakaan, maka buku yang mempunyai

support, confidence, dan lift ratio tertinggi akan memberikan informasi

mengenai alternatif buku yang dapat dipinjam apabila judul buku yang akan

dipinjam stok-nya telah habis.


70

BAB VI

PENUTUP

6.1 Simpulan

Hasil penelitian sistem implementasi metode asosiasi pada data

peminjaman buku di perpustakaan Universitas Sanata Dharma

menggunakan algoritma FP-Growth menghasilkan kesimpulan sebagai

berikut:

1. Algoritma FP-Growth dapat diterapkan untuk menemukan

aturan asosiasi pada data transaksi peminjaman buku di

perpustakaan Universitas Sanata Dharma berdasarkan hasil

penelitian yang menyatakan bahwa nilai minimum support antara

0.1% sampai 0.3% dan nilai minimum confidence 50% sampai

100% menghasilkan nilai minimum support tertinggi sebesar 0.3%

dan nilai minimum confidence tertinggi sebesar 100% pada bulan

Januari, serta buku dengan judul : “Pembelajaran Terpadu:

konsep dan penerapannya” → “Pembelajaran tematik terpadu”

mempunyai nilai support dan confidence tertinggi, yaitu 0.307%

dan 100% serta nilai lift ratio sebesar 118.3636.

2. Nilai minimum support dan minimum confidence yang optimal

untuk mendapatkan aturan asosiasi yang kuat adalah sebesar 0.3%

dan 100%.

3. Aturan asosiasi pada buku “Pembelajaran Terpadu: konsep dan

penerapannya” → “Pembelajaran Tematik Terpadu” merupakan

aturan asosiasi yang kuat dengan nilai support sebesar 0.307% ,

nilai confidence sebesar 100% , dan nilai lift ratio sebesar

118.3636.


71

6.2 Saran

Penelitian sistem implementasi metode asosiasi pada data peminjaman

buku di perpustakaan Universitas Sanata Dharma menggunakan algoritma

FP-Growth ini memberikan saran untuk pengembangan penelitian di masa

mendatang, yaitu:

1. Penelitian dengan menggunakan algoritma FP-Growth sistem dapat

dikembangkan lebih lanjut untuk memberikan rekomendasi buku

bagi jenjang umur tertentu, jenis kelamin tertentu, atau jenjang

pendidikan tertentu di Perpustakaan Universitas Sanata Dharma

dengan menambahkan data-data terkait usia, jenis kelamin, dan

tingkatan pendidikan dalam penelitian.

2. Untuk penelitian berikutnya dapat dikembangkan dengan

menggunakan algoritma yang dapat menangani data jarang (sparse)

sehingga dapat menemukan aturan yang lebih banyak.

3. Hasil penelitian algoritma FP-Growth sistem agar dapat

diimplementasikan pada Perpustakaan Universitas Sanata Dharma

untuk merekomendasikan:

a. Stok buku-buku sangat dibutuhkan oleh pengguna;

b. Peletakan buku-buku yang dapat menjadi alternatif

pinjaman pengguna dengan meletakkannya secara

berdekatan.

c. Memudahkan peminjam menentukan buku sesuai dengan

kebutuhannya.


72

DAFTAR PUSTAKA

Batlayeri, Yohanes Adi Purnomo. 2019. Analisis Keranjang Belanja

Menggunakan Metode FP-Growth pada Toko Grosir Pancaran Bahagia.

Program Studi Teknik Informatika Fakultas Sains dan Teknologi

Universitas Sanata Dharma Yogyakarta.

Berry, M.J. & Linoff, G.S. 2004. Data mining Techniques for Marketing, Sales

and Customer Relationship Management. Second Edition. USA: Wiley

Publishing, Inc

Connolly, Thomas and Begg, Carolyn, 2010, Database Systems: A Practical

Approach to Design, Implementation, and Management, Fifth Edition.

Pearson Education, Boston.

Enykawati, E. S. E., 2015. Penerapan Data Mining pada Perusahaan Ritail

Pakaian untuk Memprediksi Ketersediaan Jenis Barang dengan

Menggunakan Algoritma FP-Growth. Program Studi Teknik Informatika

Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

Jiawei Han, Micheline Kamber, Jian Pei. 2012. Data Mining : Concepts and

Techniques 3rd Edition

Kadafi, Muhammad. 2018. Penerapan Algoritma FP - Growth Untuk

Menemukan Pola Peminjaman Buku di Perpustakaan UIN Raden Fatah

Palembang. Program Studi Sistem Informasi UIN Raden Fatah Palembang.

Kusrini dan Luthfi, R.T., 2009, Algoritma Data Mining, Yogyakarta, Andi

Offset

Larasita, D.P. Muhammad Nasrun. Umar Ali Ahmad. 2018. Analisis dan

Implementasi Algoritma FP-Growth pada Aplikasi SMART untuk

Menentukan Market Basket Analysis pada Usaha Retail (Studi Kasus :

PT.X) Vol. 2 (01):749-755

Mudyana dan Royani (dalam Sinaga 2005:16). .(http://pengertian-

pengertianinfo.blogspot.co.id/2015/05/pengertian-dan-fungsi-

perpustakaan.html). (Diakses 27 Oktober 2019)


73

Prasetyo, Eko. 2012. Data mining Konsep dan Aplikasi Menggunakan Matlab.

Yogyakarta : Andi Yogyakarta.

Rachmat, Antonius dkk. 2014. Implementasi Algoritma FP-Growth untuk

Sitem Rekomendasi Buku di Perpustakaan UKDW. Vol. 10 No. 1.

Samuel, David 2008. Penerapan Struktur FP Tree dan Algoritma FP-Growth

dalam Optimasi Penentuan Frequent Itemset. Institut Teknologi Bandung

Suhendar, Yusuf. 2005. Pedoman Penyelenggaraan Perpustakaan Sekolah.

Jakarta: Prenada Media group

Tan, Pang Ning. 2005. Introduction to Data Mining 1st ed. Addison Wesley,

New York

Vercellis, Carlo. 2009. Business Intilligence : Data mining and optimization for

decision making. Chichester : John Willey & Son.


alva graceora nugroho 165314107 - usd

Documents