web usage mining: proses, aplikasi dan penggunaannya

Seminar Nasional Multidisiplin Ilmu (SENMI-2010) Universitas Budi Luhur ISSN : 2087 - 0930

A-284

WEB USAGE MINING: PROSES, APLIKASI DAN PENGGUNAANNYA

Achmad Solichin1

Ferdiansyah2 Wahyu Pramusinto3

1 [email protected] 2 [email protected]

3 [email protected]

Abstraksi

Website merupakan suatu layanan internet yang sudah digunakan oleh seluruh dunia. Website mengandung data dan informasi yang sangat besar sehingga sangat berpotensi untuk dilakukan penggalian informasi agar menghasilkan suatu pengetahuan (knowledge) yang berguna bagi masyarakat. Proses penggalian informasi terhadap website tersebut dapat dilakukan terhadap tiga hal, yaitu terhadap isi website yang disebut web content mining, terhadap struktur website yang disebut web structure mining dan terhadap penggunaan atau akses website yang disebut web usage mining. Makalah ini berusaha menjelaskan mengenai bentuk penggalian informasi yaitu web usage mining. Dalam makalah ini akan dijelaskan mengenai bagaimana proses penerapan dan implementasi web usage mining, berbagai aplikasi web usage mining dan penggunaannya di kehidupan sehari-hari. Makalah ini diharapkan dapat memberikan gambaran mengenai proses penggalian informasi website, terutama proses web usage mining. 1. Pendahuluan

World Wide Web atau WWW merupakan salah satu fenomena teknologi yang berkembang sangat pesat saat ini. WWW menyediakan berbagai layanan informasi mengenai berita, iklan, pendidikan, e-commerce dan sebagainya. Informasi yang tersedia dalam WWW tersebut memiliki ukuran yang sangat besar dan terdistribusi secara global di seluruh dunia. Web juga mengandung kekayaan informasi dilihat dari struktur dan penggunaannya (web usage). Web merupakan kumpulan data dan informasi yang sangat berpotensi untuk dilakukan penggalian (mining) agar menghasilkan pengetahuan (knowledge) yang dapat berguna bagi masyarakat maupun pihak-pihak tertentu.

Data dan informasi yang tersimpan di dalam web memiliki karakteristik yang berbeda dengan data yang tersimpan dalam penyimpanan konvensional seperti DBMS. Dalam (Han, et al., 2006) disebutkan beberapa karakteristik web sebagai berikut: • Web memiliki ukuran yang terlalu besar sehingga tidak terlalu efektif jika diterapkan dengan

menggunakan data warehouse dan data mining biasa. Ukuran data dalam web mencapai ribuan terabyte dan akan terus berkembang. Saat ini begitu banyak perusahaan dan organisasi yang mempublikasikan berbagai informasi perusahaan di sebuah website. Dengan ukuran yang begitu besar, akan sangat sulit jika harus membangun sebuah data warehouse yang akan menyimpan data dan informasi tersebut.

• Tingkat komplektivitas dari halaman-halaman web jauh lebih tinggi dibanding dokumen dalam format teks biasa. Halaman web memiliki struktur yang sangat beragam. Apalagi jika dilihat dari isi atau content yang disajikan di halaman web, memiliki bahasa, gaya penulisan, struktur penulisan dan tampilan yang beragam.

• Informasi yang disajikan di web bersifat dinamis. Informasi seperti berita, stock market, saham, dan sebagainya dapat berkembang dan berubah setiap saat.

• Web memiliki ragam pengguna yang tersebar di seluruh dunia. Berdasarkan survey dari Netcraft, internet hingga bulan November 2009 memiliki lebih dari 240 juta alamat situs, dan masih terus berkembang. Pengguna dari situs-situs tersebut memiliki latar belakang, demografi, minat, dan tujuan yang berbeda dalam mengakses web.

• Hanya sedikit dari informasi yang disajikan di web benar-benar bermanfaat (sesuai) dengan pengguna. Fakta tersebut merupakan tantangan untuk menemukan suatu metode atau teknik menyajikan informasi yang tepat bagi user yang tepat.

mailto:[email protected]




A-285

Untuk menggali informasi yang terdapat di dalam web, dapat digunakan mesin pencari (search-

engine) seperti Google, Yahoo dan MSN. Namun penggunaan mesin pencari belum cukup efektif untuk mendapatkan informasi yang tepat di halaman web karena mesin pencari pada umumnya menampilkan hasil pencariannya berdasarkan keyword yang diberikan. Sebagai contoh pencarian dengan menggunakan keyword ‘data mining’, selain menampilkan informasi tentang data mining dalam konteks ilmu komputer, informasi mengenai istilah mining dalam disiplin ilmu lain juga ditampilkan.

Karena keterbatasan kemampuan dari mesin pencari tersebut, muncul konsep baru mengenai web mining yang pertama kali dikenalkan oleh Etzioni Oren dalam (Oren, 1996). Menurut Etzioni Oren, web mining diartikan sebagai suatu usaha mengaplikasikan teknik data mining untuk menggali dan mengekstrak informasi yang berguna dari dokumen-dokumen yang tersimpan dalam halaman web secara otomatis. Meskipun memiliki akar terminologi yang sama dengan data mining, namun web mining memiliki perbedaan dari data mining, diantaranya berhubungan dengan sifat datanya yang tidak terstruktur dan sumber datanya yang tidak disimpan di sebuah data warehouse namun tersebar di berbagai sumber.

Web mining terbagi menjadi 3 (tiga) kategori yaitu web content mining, web structure mining dan web usage mining (Madria, et al., 1999). Web content mining berfokus pada usaha untuk menggali informasi dari isi atau content yang disajikan di web. Teknik web content mining lebih banyak berhubungan dengan disiplin information retrieval (IR). Sedangkan web structure mining, membahas mengenai penggalian informasi web dilihat dari struktur halaman web itu sendiri. Web structure mining banyak digunakan untuk menggali keterkaitan antara suatu halaman web dengan halaman web lainnya. Sementara web usage mining, berusaha melihat pola atau pattern dari user dalam mengakses web.

GAMBAR 1. WEB MINING TAXONOMY

2. Web Usage Mining

Definisi yang banyak diterima mengenai web usage mining adalah definisi yang dikemukakan dalam (Cooley, et al., 1999), yaitu “the application of data mining techniques to large web data repositories in order to extract usage patterns”. Seperti diketahui bahwa web sangat berkaitan erat dengan sebuah web server, yaitu suatu software server yang memiliki tugas utama melayani dan memenuhi permintaan halaman web oleh client (pengguna). Selain itu, web server juga akan mencatat setiap aktivitas yang dilakukan oleh client (pengguna) tersebut ke dalam sebuah file yang sering disebut web access log. Hasil catatan aktivitas tersebut yang menjadi sumber data utama dalam web usage mining. Dari sebuah web access log, dapat diketahui beberapa informasi mengenai pola akses dan kelakuan (behaviour) pengguna dalam mengakses halaman web.

Web access log atau web log file memiliki format yang standar, sehingga dapat mempermudah dalam proses mining. Format standar dari sebuah web access log (Consortium, 1995) adalah [remotehost rfc931 authuser [date] "request" status bytes], dimana: • remotehost adalah nama host atau alamat IP client (user). • rfc931 adalah nama log dari user. • authuser adalah nama user.


A-286

• [date] adalah tanggal dan waktu request. • "request" adalah halaman yang diminta oleh user beserta metodenya . • status adalah kode HTTP yang dikirimkan kembali ke user (client). • bytes adalah jumlah byte dokumen yang dikirimkan ke user (client). Berikut ini contoh sebuah web access log: Visitor1.org - - [01/Jan/2001:00:10:00 +0200] "GET H.html HTTP/1.1" 200 1000 2.1. Proses Web Usage Mining

Secara garis besar, proses web usage mining terbagi menjadi 3 (tiga) fase , yaitu preprocessing, pattern discovery dan pattern analysis (Kimpball, et al., 2000). Dalam (Cooley, et al., 1999), (Cooley, 2000) dan (Cooley, et al., 1999), digambarkan mengenai proses web usage mining seperti terlihat pada gambar 3 berikut ini.

GAMBAR 2. PROSES WEB USAGE MINING

2.1.1. Tahap Preprocessing

Tahapan ini merupakan proses yang pertama kali dilakukan dari keseluruhan proses web usage mining. Tahapan ini penting dilakukan untuk melakukan standarisasi data dan juga menghilangkan bagian-bagian data tertentu yang tidak diperlukan dalam proses mining. Menurut (Wang, 2000), tahapan preprocessing dapat dibagi menjadi 3 (tiga) bagian yaitu content preprocessing, structure preprocessing dan usage preprocessing. Pembagian tersebut berdasarkan bentuk data yang akan diolah. Namun dalam (Cooley, et al., 1999) dan (Scime, 2005), disebutkan bahwa proses preprocessing dapat dibagi menjadi tahap:

1. Data Cleaning. Tahap untuk membersihkan file log dari data yang tidak relevan dengan proses mining, seperti data multimedia dan script CSS maupun javascript.

2. User Identification. Karena beberapa user mungkin menggunakan komputer (host) yang sama, maka perlu dilakukan proses identifikasi user . (Pitkow, 1997)

3. Session identification. Setelah user diidentifikasi, halaman yang diakses pun harus dibagi ke dalam sesi tertentu, umumnya berdasarkan waktu tertentu agar didapatkan sesi yang tunggal untuk setiap user (Berendt, et al., 2001).

4. Path Completion. Tahapan melengkapi path yang mungkin belum lengkap karena tidak tersimpan dalam file log (Pitkow, 1997).

5. Transaction Identification. Mengidentifikasi sejumlah sesi tertentu yang menghasilkan satu proses transaksi yang dilakukan oleh user.

2.1.2. Pattern Discovery

Fase yang kedua dari web usage mining adalah pencarian pola akses yang dilakukan oleh user. Fase ini merupakan fase yang sangat penting dan sangat menentukan keluaran dari proses usage mining. Pada fase ini dikenal beberapa algoritma dan teknik, antara lain (Wang, 2000) :


A-287

1. Statistical analysis. Teknik analisa statistik merupakan teknik yang paling banyak digunakan dalam mendapatkan knowledge dari pola akses user (Cooley, 2000). Analisis statistik dapat disajikan dalam berbagai bentuk analisis dengan beragam variabel yang menjadi parameter analisis. Contoh analisis yang dapat dihasilkan adalah pola akses user yang dilihat dari waktu akses untuk setiap harinya.

2. Association rules. Algoritma association rules dalam data mining pertama kali diusulkan oleh Agrawal, Imielinski dan Swami (Agrawal, et al., 1993). Association rule juga dapat diterapkan dalam web usage mining. Contoh keluaran yang dapat dihasilkan yaitu mengenai pola akses terhadap halaman-halaman dalam web, dimana dapat diketahui halaman mana saja yang selalu diakses secara bersamaan oleh user. Hal tersebut dapat digunakan sebagai dasar untuk merancang atau menyusun kembali halaman web agar lebih efektif.

3. Clustering. Clustering merupakan proses mengelompokkan sekumpulan object fisik maupun abstrak ke dalam kelas tertentu berdasarkan kesamaannya (Han, et al., 2006). Dalam kaitannya dengan web usage mining, teknik clustering sering digunakan untuk menentukan segmentasi pasar pengunjung suatu situs e-commerce berdasarkan kesamaan pola akses maupun demografinya.

4. Classification. Classification merupakan proses pengelompokan berdasarkan kelas yang sudah didefinisikan sebelumnya. Proses classification terbagi menjadi dua, yaitu proses membangun model sesuai dengan kelas yang sudah ditentukan dan proses menerapkan model untuk mengklasifikasikan sekumpulan data (Han, et al., 2006).

5. Sequential Pattern. Sequential Pattern digunakan untuk menganalisa pola urutan akses halaman web oleh user. Tren urutan pola akses user dapat digunakan untuk memprediksikan tren di masa mendatang atau untuk mengatur penempatan iklan.

6. Dependency Modeling. Dependency modeling berusaha mencari ketergantungan antara satu variabel dengan variabel yang lainnya dalam web. Hal ini berguna untuk memprediksikan pola di masa mendatang.

2.1.3. Pattern Analysis

Pattern analysis merupakan fase terakhir dalam web usage mining. Pada fase ini, dilakukan proses visualisasi hasil analisis pola yang telah dilakukan pada langkah sebelumnya. Penyajian data menjadi hal yang penting dalam langkah ini, dimana penyajian data tentunya tergantung pada kebutuhan user dan bisnis. Dari hasil visualisasi tersebut, dapat dilakukan suatu keputusan (action) misalnya keputusan untuk mengubah tampilan suatu website, melakukan optimasi navigasi website, meningkatkan kemampuan website dengan melakukan caching halaman-halaman tertentu yang sering dikunjungi. 3. Aplikasi dan Penggunaan Web Usage Mining

Dalam kaitannya dengan Web Usage Mining, saat ini banyak tool dan aplikasi yang tersedia mulai dari yang berbayar hingga yang gratis. Berdasarkan survey yang dilakukan oleh Srivastava et al dalam (Srivastava, et al., 2000), tool dan aplikasi web usage mining dapat dibagi menjadi beberapa kelompok penggunaan yang digambarkan dalam gambar 3.

Kelompok yang pertama merupakan aplikasi yang bersifat umum dalam web usage mining. Contoh dari aplikasi dalam kelompok ini adalah WebSIFT (Cooley, et al., 1999), WUM atau Web Utilization Miner (Spiliopoulou, et al., 1998), SpeedTracer (Wu, et al., 1998), WebLogMiner dan Shahabi. Sedangkan kelompok aplikasi yang kedua adalah aplikasi yang secara khusus ditujukan untuk menangani proses tertentu sesuai dengan manfaat penerapan web usage mining.


A-288

GAMBAR 3. APLIKASI WEB USAGE MINING

Adapun manfaat penerapan atau penggunaan web usage mining tersebut, antara lain: 1. Personalization

Personalisasi merupakan suatu usaha untuk menyajikan layanan web sesuai dengan preferensi atau kenyamanan tiap user atau pengunjung. Personalisasi yang dilakukan dalam situs e-commerce secara langsung akan meningkatkan penjualan maupun tingkat kepuasan pelanggan (user). Personalisasi dalam e-commerce antara lain dengan penerapan strategi cross-selling dan up-selling. Contoh aplikasi yang bertujuan melakukan personalisasi, adalah WebWatcher (Joachims, et al., 1997), SiteHelper (Ngu, et al., 1997), PWUM (Ouamani, et al., 2007), Koinotites (Pierrakos, et al., December 2001) dan Letizia (Lieberman, 1995).

2. System Improvement Performa dari suatu website dan layanan di dalamnya merupakan hal yang utama untuk menjamin kenyamanan user (pengunjung). Berdasarkan pola akses user yang dihasilkan dari proses web usage mining, dapat diambil suatu keputusan terkait dengan peningkatan performa layanan web. Misalnya jika ternyata ditemukan pola bahwa layanan tertentu cukup sering diakses, maka dapat dilakukan mekanisme caching baik di webserver maupun di proxy. Langkah peningkatan performa sistem lainnya seperti load balancing, network transmission, data distribution, fraud detection, intrussion detection juga dapat diambil berdasarkan hasil dari web usage mining.

3. Site Modification Website yang adaptif sesuai dengan pola perilaku user tentu akan memberi kenyamanan lebih bagi user. Hasil analisis terhadap pola perilaku user dalam mengakses suatu halaman dapat digunakan untuk menentukan apakah halaman yang bersangkutan sudah disajikan dengan baik atau belum.

4. Bussiness Intelligence Berdasarkan hasil yang dikeluarkan oleh web usage mining beserta web mining yang lainnya selanjutnya dapat disusun sebuah business intelligence (BI). BI berbasis web mining dapat mempermudah pihak eksekutif dalam memonitor performa website bisnisnya. BI akan berisi rangkuman dari beberapa sumber laporan. Pemanfaatan web usage mining untuk membentuk suatu BI memang masih terus dikembangkan, salah satunya adalah framework yang diusulkan oleh Ajith Abraham dalam (Abraham, 2000). Contoh aplikasi web usage mining yang masuk kategori BI adalah SurfAid dan Buchner.

5. Usage Characterization Karakter user dalam menggunakan web berbeda satu dengan yang lainnya. Berdasarkan hasil dari proses web usage mining, karakter user dapat diidentifikasi. Informasi karakter user dalam mengakses web dapat dijadikan dasar untuk meningkatkan performa dari website maupun aplikasi terkait lainnya seperti browser dan web server.

Selain pembagian di atas, SaiMing Au dalam (Au, 2002) memberikan beberapa contoh dari aplikasi web usage mining dalam tabel berikut ini.


A-289

TABEL 1. APLIKASI WEB USAGE MINING Product Author /

Company Feature Function

WebMate Chen & Sycara, 1998

The user profile is inferred from training examples Proxy agent

WebLogMiner Zaiane et al Use data mining and OLAP on treated and transformed web access files.

Mining web server log files

SpeedTracer IBM

Use the referrer page and the URL of the requested page as a traversal step and reconstructs the user transversal paths for session identification

Mining web server log files

Web usage miner (WUM) Myra Spiliopoulou

To analyze the navigational behavior of users, appropriate for sequential pattern discovery in any type of log. It discovers patterns comprised of not necessarily adjacent events

Discovers navigation patterns in the form of graphs

WEBMINER

R. Cooley and J. Srivastava

A general and flexible framework for Web usage mining, the application of data mining techniques, such as the discovery of association rules and sequential patterns, to extract relationships from data collected in large Web data repositories

Restructure a Web site, and in analyzing user access patterns to dynamically present information tailored to specific groups of users

Clementine SPSS To browse data using interactive graphics to find important features and relationships

CRM

WebAnalyst Megaputer Integrates the data and text mining capabilities of analytical software directly

Profiles the website resources and dynamically identifies the most appropriate resources to serve each visitor

DB2 Intelligent Miner for Data (IBM)

Provides a single framework for database mining using proven, parallel mining techniques

User database miner

3.1. Web Utilization Miner (WUM)

Web Utilization Miner (WUM) merupakan sebuah sistem web mining yang menggali pola-pola navigasi yang dilakukan oleh user (Spiliopoulou, et al., 1998). Sumber data dari WUM adalah log file dari webserver, proxy server dan sebagainya. WUM dibangun menggunakan Java Technology dan didistribusikan secara gratis. Selain menyajikan visualisasi dalam bentuk grafis maupun tree, WUM juga menyediakan suatu tata bahasa untuk menghasilkan tampilan yang lebih kompleks. Tata bahasa tersebut disebut MINT.

Arsitektur dari WUM sendiri dapat dilihat pada gambar berikut ini


A-290

GAMBAR 4. ARSITEKTUR WUM

WUM dapat dijalankan di sistem operasi berbasis Windows maupun Linux. Di website

resminya tersedia instalasi untuk Windows maupun Linux. Untuk menjalankan WUM, saat ini masih harus dilakukan melalui command prompt. Berikut ini tampilan awal dari WUM.

GAMBAR 5. TAMPILAN AWAL WUM

Untuk melakukan proses web mining, dapat mengikuti langkah-langkah sebagai berikut:

Pertama lakukan proses “Create Mining Base” dengan mengakses menu File > Create Mining Base. Isi dengan informasi nama mining base beserta path tempat menyimpan file log. Tampilannya sebagai berikut :

GAMBAR 6. CREATE MINING BASE


A-291

Selanjutnya kita dapat melakukan import log file yang akan di-mining. Buka menu File > Import Log File dan tentukan log file-nya. Setelah ditekan tombol Import, maka akan dilakukan proses cleansing terhadap file log dan akan ditampilkan informasi berapa baris file log yang berhasil di-import. Lihat gambar sebagai berikut:

GAMBAR 7. IMPORT LOG FILE

Langkah selanjutnya adalah meng-generate sesi user berdasarkan log file yang telah di-import. Buka menu Analyze > Create Visitor’s Session dan tentukan berapa waktu tunggu sesi (threshold) yang diinginkan. Klik tombol OK untuk mengeksekusi proses ini.

GAMBAR 8. CREATE VISITOR'S SESSION

Tahap selanjutnya adalah melakukan pattern discovery melalui menu Analyze > Create Aggregated Log (Database). Klik OK untuk menjalankan proses ini.

GAMBAR 9. CREATE AGGREGATED LOG (DATABASE)

Hasil proses mining dapat diakses melalui menu Visualizer baik dalam bentuk teks, tabel maupun grafis. Dua gambar berikut ini merupakan contoh hasil proses mining yang disajikan dalam bentuk graph dan tree.


A-292

GAMBAR 10. HASIL WUM DALAM BENTUK GRAPH

GAMBAR 11. HASIL WUM DALAM BENTUK TREE

4. Kesimpulan

Di dalam makalah ini, sudah dibahas mengenai web usage mining, termasuk proses, aplikasi dan penggunaannya. Web usage mining sebagai salah satu bagian dari web mining berusaha menggali pengetahuan yang tersembunyi dari sumber data yang sangat besar yaitu web. Saat ini masih terus dilakukan penelitian terkait web mining maupun web usage mining untuk mendapatkan algoritma, teknik dan metodologi yang lebih efektif dan efisien.

Salah satu aplikasi (tools) yang mencoba mensimulasikan proses yang terjadi dalam web usage mining adalah Web Utilization Miner (WUM), dimana aplikasi web usage mining ini memiliki kelebihan dari sisi grafis maupun fitur bahasa query yang disediakan, yaitu MINT. Aplikasi WUM ini masih sangat sederhana dan sangat terbuka untuk dilakukan pengembangan karena berbasis teknologi Java dan open source.


A-293

DAFTAR PUSTAKA [1] Abraham Ajith Natural Computation for Business Intelligence from Web Usage Mining

[Conference]. - Korea : [s.n.], 2000. [2] Agrawal R., Imielinski T. and Swami A Mining association rules between sets of items in

large databases [Conference]. - Washington, DC : SIGMOD'93, 1993. [3] Au SaiMing A Study of Application of Web Mining For E-Commerce: Tools and

Methodoology [Journal] // International Journal of The Computer, The Internet and Management. - Tak Chee Avenue, Hong Kong : [s.n.], 2002. - pp. 1-14.

[4] Berendt B. [et al.] Measuring the accuracy of sessionizers for web usage analysis. [Conference]. - Chicago : Proceedings of the International Workshop on Web Mining, 2001.

[5] Consortium W.W.W The common logfile format [Online] // Logging in W3C httpd. - 1995. - 12 14, 2009. - http://www.w3.org/Daemon/User/Config/Logging.html#common-logfile-format.

[6] 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.

[7] Cooley R., Mobasher B. and Srivastava J. Data preparation for mining world wide Web browsing patterns [Conference] // Knowledge and Information Systems. - 1999.

[8] Cooley R., Tan Pang-Ning and Srivastava J. WebSIFT: The Web Site Information Filter System [Conference] // Department of Computer Science, University of Minnesota. - 1999.

[9] Cooley R., Tan P-N. and Srivastava J Discovery of interesting usage patterns from web data. [Conference] // WEBKDD. - 1999. - pp. 163-182.

[10] Han Jiawei and Kamber Micheline Data Mining: Concepts and Techniques [Book]. - [s.l.] : Morgan Kaufmann Publisher, 2006.

[11] Joachims T., Freitag D. and Mitchell T. Webwatcher: A tour guide for the world wide web. [Conference]. - Nagoya, Japan : The 15th International Conference on Artificial Intelligence, 1997.

[12] Kimpball Ralph and Merz Richard The Data Webhouse Toolkit: Building the Web-Enabled Data Warehouse [Book]. - [s.l.] : Wiley Computer Publishing, 2000.

[13] Lieberman H. Letizia: An agent that assists web browsing [Conference]. - Montreal, Canada : Proceedings of the 1995 International Joint Conference on AI, 1995.

[14] Madria S.K [et al.] Research issues in Web data mining [Conference] // Proceedings of Data Warehousing and Knowledge Discovery. - [s.l.] : First International Conference, 1999. - pp. 303-312.

[15] Ngu D.S.W. and Wu X. SiteHelper: A Localized Agent that Helps Incremental Exploration of the World Wide Web [Conference]. - Santa Clara, CA : 6th International World Wide Web Conference, 1997.

[16] Oren Etzioni The world wide Web: Quagmire or Gold Mine [Conference] // Communications of the ACM. - [s.l.] : ACM, 1996. - pp. 65-68.

[17] Ouamani F. [et al.] PWUM: A Web Usage Mining Multi-Agent Architecture for Web Personalization [Conference]. - [s.l.] : IADIS International Conference WWW, 2007.

[18] Pierrakos D. [et al.] KOINOTITES: A Web Usage Mining Tool for Personalization [Conference]. - Patras : Proceedings of the Panhellenic Conference on Human Computer Interaction, Dec 2001.

[19] Pitkow J. In search of reliable usage data on the WWW. [Conference]. - Santa Clara, California : Proceedings of the 6th International World Wide Web Conference, 1997. - pp. 451-463.

[20] Scime Anthony Web Mining: Applications and Techniques [Book]. - [s.l.] : Idea Group Publishing, 2005. - 1591404142.

[21] Spiliopoulou M. and Faulstich L.C. WUM: A Web Utilization Miner [Conference]. - Valencia, Spain : EDBT Workshop WebDB98, Springer Verlag, 1998.

[22] Srivastava J. [et al.] Web Usage Mining: Discovery and Applications of Usage Patterns from Web Data [Conference]. - Minneapolis : Department of Computer Science and Engineering, University of Minnesota, 2000.

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

http://www.w3.org/Daemon/User/Config/Logging.html#common-logfile-format


A-294

[24] Wu Kun-lung, Yu Philip S and Ballman Allen Speedtracer: A web usage mining and analysis tool [Journal]. - [s.l.] : IBM Systems Journal, 1998. - Vol. 38.

web usage mining: proses, aplikasi dan penggunaannya

Documents