ANALISA KONSISTENSI POLA PEMINJAMAN BUKU

Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU
MENGGUNAKAN ALGORITMA FP-GROWTH
(Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
Miranda Nur Qolbi Aprilina1, Wiranto2,Widodo3
1,2
Program Studi Informatika, FMIPA, Universitas Sebelas Maret
3
UPT Perpustakaan Universitas Sebelas Maret
Email: [email protected], [email protected], [email protected]
1
ABSTRAK
Perpustakaan sebagai institusi pengelola koleksi karya yang bertujuan untuk memberikan pelayanan kepada
pemustaka senantiasa berusaha meningkatkan kualitas pelayanannya, termasuk UPT Perpustakaan Universitas
Sebelas Maret (UNS). UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas
memberikan layanan kepada civitas akademika UNS. Dalam usaha meningkatkan kualitas pelayanannya, UPT ini
mengalami kendala, pertama, sulit mengetahui kecenderungan minat buku civitas akademika UNS, sehingga
pengelola kesulitan mengembangkan perpustakaan sesuai dengan kebutuhan civitas akademika. Kedua, sulit
mengetahui apakah koleksi yang telah dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika. Setiap
hari, UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman, jika diakumulasikan dalam satu tahun
UPT ini memiliki ribuan data transaksi yang hanya tersimpan dalam database aplikasi UNS Library Automation
(UNSLA). Data transaksi tersebut masih dapat diolah menjadi informasi yang bermanfaat, termasuk menyelesaikan
permasalahan yang dialami oleh UPT Perpustakaan. Database transaksi peminjaman tersebut diolah dengan
menggunakan pendekatan data mining. Teknik data mining yang digunakan adalah Assocation Rule (support,
confidence, lift ratio). Algoritma Association Rule yang digunakan adalah Frequent Pattern Growth (FP-Growth).
Data transaksi diolah berdasarkan bulan, semester, dan tahun. Dari hasil penelitian diperoleh hasil bahwa pertama,
rule yang dihasilkan tiap bulan tidak selalu sama. Kedua, rule hasil berdasarkan semester/tahun sebagian besar
merupakan akumulasi dari rule yang dihasilkan perbulan.
Kata Kunci: Data mining, Association Rule, FP-Growth , Lift Ratio, Perpustakaan
1. PENDAHULUAN
Perpustakaan merupakan institusi pengelola koleksi karya (karya cetak, karya tulis, karya rekam) yang
bertujuan memberikan pelayanan kepada pemustaka [1]. Berdasarkan pada tujuan tersebut, peningkatan
kualitas perpustakaan menjadi tugas utama bagi pengelola perpustakaan, termasuk pengelola UPT
Perpustakaan UNS. UPT Perpustakaan UNS merupakan perpustakaan perguruan tinggi yang bertugas
memberikan pelayanan kepada civitas akademika UNS. Dalam menjalankan tugasnya, UPT ini dibantu
dengan aplikasi UNSLA (UNS Library Automation) untuk mencatat proses sirkulasi (peminjaman,
pengembalian buku). Seluruh proses sirkulasi tersimpan dalam database aplikasi UNSLA. Setiap harinya
UPT Perpustakaan dapat melayani hingga 50 transaksi peminjaman buku, jika diakumulasikan dalam satu
tahun, database UNSLA dapat berisi ribuan transaksi peminjaman. Data transaksi peminjaman buku
tersebut dapat diolah untuk mendapatkan informasi yang bermanfaat. Dengan melakukan analisa terhadap
pola peminjaman buku, pengelola UPT Perpustakaan dapat menggunakan hasil analisa tersebut untuk
mengetahui pola peminjaman buku dari civitas akademika UNS, menetapkan kebijakan dalam rangka
pengembangan UPT Perpustakaan dan mengetahui apakah koleksi yang dimiliki sudah sesuai dengan
kebutuhan civitas akademika UNS.
Pengolahan database transaksi peminjaman buku dilakukan dengan pendekatan data mining. Data mining
merupakan pendekatan yang dilakukan untuk mendapatkan knowledge baru dari tumpukan data
berukuran besar [2]. Teknik data mining yang digunakan adalah Association Rule. Association Rule
merupakan teknik yang digunakan untuk mengetahui proses apa yang sering terjadi bersamaan [2].
Algoritma Association Rule yang digunakan adalah algoritma FP-Growth. Algoritma ini dipilih karena
dinilai lebih baik dibandingkan algoritma sejenis, Apriori [3-5]. Fokus dari penelitian ini adalah
melakukan analisa konsistensi terhadap pola peminjaman buku di UPT Perpustakaan dengan
menggunakan algoritma FP-Growth.
Dalam penelitian sebelumnya, Rama Novta Miraldi dkk mencoba membuat sistem rekomendasi
peminjaman buku dengan menggunakan algoritma FP-Growth. Dari penelitian tersebut diperoleh hasil
berupa sistem rekomendasi peminjaman buku dengan akurasi algoritma 60,78% [6]. Suryati Ali, dalam
penelitiannya mengenai penerapan algoritma FP-Growth untuk penyelesaian kasus pola peminjaman
buku menjelaskan bahwa algoritma ini dapat digunakan untuk menyelesaikan kasus pola peminjaman
buku. Hasil yang diperoleh berupa pola–pola peminjaman buku yang dilakukan oleh pemustaka di
Perpustakaan Otorita Batam [7]. Rincian perbedaan antara penelitian Rama Novta Miraldi dkk, Suryati
Ali dan penelitian ini dijelaskan pada Tabel 1 dan Tabel 2.
227
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
Tabel 1. Rincian perbedaan penelitian Novta Miraldi dkk dan penelitian baru
Dilihat dari
Novta Miraldi dkk (2014)
Penelitian baru
Fokus
Pembuatan sistem rekomendasi Analisa rule
Tujuan
Data
Association
Rule
Pengujian
Output
Untuk mengetahui seberapa
kuat rekomendasi sistem yang
dibuat
Data training : 80% data
diambil acak
Data uji : 20%
Association Rule (support,
confidence)
Lift  pengujian
Dilakukan
dengan
menggunakan lift kemudian
lihat apakah ada rule yg
terpenuhi dari data uji
Sistem rekomendasi
yang
menampilkan 5 rekomendasi
buku Akurasi algoritma 60,78%
Untuk mengetahui pola/rule yang terbentuk
dari peminjaman buku
Seluruh data dari tahun 2012 – 2015
digunakan (dibagi perbulan, persemester,
pertahun. Data tidak diambil secara acak)
Association Rule (support, confidence)
Lift  faktor penentu rule
Tidak dilakukan pengujian
Analisa Rule hasil implementasi FP-Growth
berdasarkan support, confidence, lift yang
dibagi perbulan, persemester, pertahun
Tabel 2. Rincian perbedaan penelitian Suryati Ali dan penelitian baru
Dilihat dari
Suryati Ali (2015)
Penelitian Baru
Association
Association
Rule Association Rule (Support, confidence,lift)
Rule
(Support, confidence)
Faktor
Support
rule
≥ Support rule ≥ min_support
Interestingness min_support
Confidence rule ≥ min_confidence
Confidence
rule
≥ Lift rule > 1
min_confidence
Data
531 (Mei 2013 – Maret 179.252 (Januari – Desember 2012 hingga Juni
2014)
2015)
Olahan
Seluruh data dianalisa Data dianalisa perbulan, persemester, pertahun
Analisa Data
sekaligus
Preprocessing
Transformation
Data cleaning (hilangkan data redundan,
(generalisasi)
kategorisasi,seleksi kategori sama)
Data selection
Data selection (pilih hanya data yang diperlukan)
Fokus
Pembangunan
sistem, Analisa rule
analisa pola
Pada penelitian ini, faktor interestingeness rule yang digunakan pada Association Rule adalah support,
confidence, dan korelasi. Perhitungan korelasi yang dipilih adalah lift ratio karena dengan lift dapat
dilihat hubungan keterkaitan antar item penyusun rule selain itu pada penelitian lain [8] dijelaskan bahwa
lift terbukti dapat digunakan untuk membentuk Association Rule.
2. METODE
Metode yang diterapkan pada penelitian ini ditunjukkan pada Gambar 1.
Gambar 1. Metode penelitian yang digunakan.
228
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
2.1. Pengumpulan Data
Data yang digunakan pada penelitian ini bersumber dari database UNSLA milik UPT Perpustakaan UNS.
Database UNSLA berisi riwayat transaksi sirkulasi mulai dari tahun 2006 hingga saat ini. Namun, pada
penelitian ini hanya digunakan data pada bulan Januari – Desember 2012 hingga Juni 2015. Data tersebut
dibagi berdasarkan bulan, semester, dan tahun kemudian diolah untuk mendapatkan pola peminjaman
buku.
2.2. Preprocessing
Preprocessing merupakan tahap yang dilakukan untuk mengolah data mentah menjadi data yang siap
untuk digunakan. Data yang diperoleh dari database UNSLA harus melalui proses ini terlebih dahulu
untuk memastikan bahwa data yang digunakan sudah siap dan sesuai. Proses preprocessing yang
dilakukan pada penelitian ini ditunjukkan pada Gambar 2.
Gambar 2. Preprocessing yang dilakukan pada penelitian.
2.3. Data Selection
Data selection merupakan tahap preprocessing yang dilakukan untuk memilih data apa saja yang
digunakan pada penelitian. Tidak semua tabel pada database UNSLA digunakan pada penelitian ini.
2.4. Data Cleaning
Data cleaning merupakan tahap preprocessing yang dilakukan untuk menghapus redundansi data, proses
kategorisasi judul buku, pengecekan terhadap redudansi kategori buku untuk peminjam yang sama.
Penghapusan redudansi data dilakukan apabila terdapat lebih dari satu data yang identik. Kategorisasi
buku dilakukan dengan cara mengkategorikan judul buku berdasarkan kategori buku. UPT Perpustakaan
membagi koleksi buku berdasarkan 10 kategori, seperti ditunjukkan pada Tabel 3. Pengecekan terhadap
redudansi kategori buku untuk peminjam yang sama dilakukan untuk melihat apakah pada satu peminjam
yang sama terdapat lebih dari satu kategori buku yang sama.
Tabel 3. Pembagian kategori buku di UPT Perpustakaan UNS
Kode Kategori Buku Nama Kategori
000
Umum
100
Filsafat
200
Agama
300
Sosial
400
Bahasa
500
Ilmu Murni
600
Ilmu Terapan
700
Seni dan Olahraga
800
Kesusastraan
900
Sejarah
229
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
2.5. Analisa data
Analisa data merupakan tahap yang dilakukan untuk menganalisa pola/ rule yang terbentuk pada pola
peminjaman buku. Tahap yang dilakukan pada analisa data ditunjukkan pada Gambar 3.
Gambar 3. Tahap analisa data.
Tahapan analisa data yang dilakukan pada penelitian ini adalah: 1) Tahap pertama dimulai dengan
mengolah data hasil preprocessing, menghitung nilai support count untuk tiap item yang terlibat
kemudian melakukan seleksi terhadap item yang memenuhi persyaratan support rule ≥ minimum support.
2) Tahap kedua, menampilkan hasil seleksi item berdasarkan peminjam. Kemudian membuat FP-Tree
berdasarkan pada transaksi peminjaman yang dilakukan peminjam. 3) Tahap ketiga, membuat conditional
pattern base, conditional FP-Tree, dan frequent itemset dari FP-Tree. 4) Tahap keempat, menghitung
nilai confidence dan lift untuk tiap rule yang dihasilkan. Kemudian melakukan seleksi terhadap rule yang
memenuhi persyaratan confidence rule ≥ minimum confidence dan lift rule > 1.
2.6. Association Rule
Association Rule merupakan teknik data mining yang digunakan untuk mengetahui proses yang sering
terjadi bersamaan. Ada dua tahap yang dilakukan pada teknik ini yaitu temukan itemset yang sering
muncul kemudian lakukan penyusunan rule [2].
2.7. Faktor Interestingness
Support
Support merupakan peluang kejadian rule terhadap keseluruhan transaksi dalam dataset. Minimum
support diartikan sebagai nilai support minimal yang harus dipenuhi oleh rule [2].
∑
Support (AB) = P (AUB) = ∑
(1)
Confidence
Confidence merupakan peluang kejadian suatu item muncul bersamaan dengan item lain muncul. Jika
dinotasikan dengan bentuk A  B, maka confidence diartikan sebagai seberapa sering B muncul ketika A
juga muncul. Minimum confidence diartikan sebagai nilai confidence minimal yang harus dipenuhi oleh
rule [2].
Confidence (AB) = P(B|A) =
=
(2)
230
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
Lift Ratio
Lift ratio digunakan untuk mengetahui korelasi antar item dalam rule. Jika nilai lift rule > 1 maka positive
correlation, jika nilai lift rule < 1 maka negative correlation, jika nilai lift rule = 1 maka disebut
independent (tidak memiliki keterkaitan) [2].
Lift (AB) =
=
(3)
2.8. Frequent Pattern Growth (FP-Growth)
FP-Growth merupakan salah satu algoritma yang digunakan untuk menyelesaikan kasus Association
Rule. Algoritma ini memiliki dua tahap yaitu pertama, dilakukan kompresi terhadap database berdasarkan
pada item yang sering muncul dengan membuat Frequent Pattern Tree (FP-Tree). Kedua, dilakukan
pemisahan terhadap database hasil kompresi ke dalam bentuk conditional database [2].
2.9. FP-Tree
FP-Tree merupakan ciri khusus yang membedakan antara algoritma FP-Growth dengan algoritma
sejenis, Apriori. FP-Tree memiliki dua karakteristik, pertama, dimulai dari sebuah akar yang diberi nama
“null”. Kemudian dari akar membentuk sub-tree yang terdiri dari item-item tertentu dan sebuah tabel
frequent header. Kedua, setiap simpul (node) mengandung tiga informasi penting yaitu label item
(menunjukkan jenis item (item ID) yang direpresentasikan oleh node tersebut), support count
(menunjukkan jumlah lintasan transaksi yang melewati simpul tersebut atau disebut juga sebagai
frekuensi), pointer penghubung (node link) sebagai penghubung antara simpul dengan item sekaligus
penghubung antar lintasan, pointer penghubung ditandai dengan garis panah putus–putus. Contoh FPTree ditunjukkan pada Gambar 4.
Gambar 4. Contoh FP-Tree [2].
3. HASIL DAN PEMBAHASAN
3.1. Pengumpulan data
Data yang diperoleh dari database UNSLA dipisahkan berdasarkan bulan, semester dan tahun dengan
cara melakukan query terhadap database UNSLA. Data hasil query disimpan dalam bentuk csv file dan
kemudian diolah menggunakan FP-Growth.
3.2. Preprocessing Data
3.2.1. Data Selection
Tahap preprocessing dimana dilakukan seleksi terhadap data yang digunakan. Data yang dibutuhkan
untuk penelitian ini adalah tabel transaksi peminjaman buku, tabel anggota, tabel buku, dan tabel kategori
buku.
3.2.2. Data Cleaning
Penghilangan Redundansi Data
Tahap penghilangan redudansi data dilakukan seperti pada Tabel 4.
Tabel 4. Contoh penghilangan redudansi data
Nama Peminjam
Abdurrahman
Hadiyanto
Abdurrahman
Hadiyanto
Abdurrahman
Hadiyanto
Judul Buku
Analisis Pembebanan Lalu Lintas Dengan
Mempertimbangkan Pengaruh Fenomena Simpang
99 Tips Mempersiapkan Dan Menjaga Kehamilan
Indeks Biologi Dan Pertanian Indonesia :
231
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
Abdurrahman
Hadiyanto
Abdurrahman
Hadiyanto
Abdurrahman
Hadiyanto
Abdurrahman
Hadiyanto
Abis Yuni
Puspita
Adam
Megatantra
Hubungan Antara Kedisplinan Belajar,
Keharmonisan Keluarga Dengan Prestasi Belajar
Sosiologi Siswa..
The Reappearance Of The Christ And The Masters
Of Wisdom
Pengujian Karakteristik Aliran Fasa Tunggal
Aliran Air Horisontal Pada Penukar Kalor Saluran
Annular
Pengujian Karakteristik Aliran Fasa Tunggal
Aliran Air Horisontal Pada Penukar Kalor Saluran
Annular
Anggur:
Teknik Mengajar Secara Sistematis
Kategorisasi Judul Buku
Tahap ini dilakukan dengan mengubah judul buku sesuai dengan kategori bukunya, seperti ditunjukkan
pada Tabel 5.
No
1
2
3
4
5
Tabel 5. Contoh proses kategorisasi judul buku
Kategori
No
Nama Peminjam
Buku
.
Nama Peminjam
6
Abdurrahman
Abdurrahman Hadiyanto 600
Hadiyanto
Abdurrahman Hadiyanto 600
7
Abdurrahman
Abdurrahman Hadiyanto 300
Hadiyanto
8
Abdurrahman Hadiyanto 200
Abis Yuni Puspita
9
Abdurrahman Hadiyanto 900
Adam Megatantra
Kategori
Buku
500
500
600
300
Pengecekan dan penghilangan redundansi kategori
Tahap ini dilakukan pengecekan terhadap redudansi kategori untuk peminjam yang sama kemudian
dilakukan penghapusan terhadap redudansi tersebut, seperti ditunjukkan Tabel 6.
No
1
2
3
4
5
Tabel 6. Contoh penghilangan redudansi kategori
Kategori
No.
Nama Peminjam
Buku
Nama Peminjam
Abdurrahman Hadiyanto 600
6
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto 600
7
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto 300
8
Abis Yuni Puspita
Abdurrahman Hadiyanto 200
9
Abdurrahman Hadiyanto 900
Adam Megatantra
No
1
2
3
4
5
6
7
Nama Peminjam
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto
Abdurrahman Hadiyanto
Abis Yuni Puspita
Adam Megatantra
232
Kategori
Buku
600
300
200
900
500
600
300
Kategori
Buku
500
500
600
300
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
Transaksi peminjaman berdasarkan peminjam.
Pada tahap ini diperoleh hasil akhir preprocessing berupa transaksi peminjaman buku berdasarkan
peminjam. Transaksi yang digunakan adalah transaksi dengan minimal 2 kategori untuk tiap transaksinya,
seperti ditunjukkan Tabel 7.
Tabel 7. Contoh hasil preprocessing
Nama Peminjam
Kategori Buku
Abdurrahman Hadiyanto
Abis Yuni Puspita
Adam Megatantra
600,300,200,900,500
600
300
3.3. Analisa Data
Pada tahap ini, dilakukan analisa terhadap pola yang dihasilkan. Pertama dicari pola yang terbentuk di
tiap bulan, semester dan tahun dengan cara menghitung nilai support (1), confidence (2) dan lift (3) setiap
pola. Kemudian dilakukan analisa konsistensi pola yang dihasilkan perbulan, semester, dan tahun. Dalam
penelitian ini, nilai minimum support, minimum confidence, dan lift yang digunakan adalah 2% , 0.7, dan
lift rule >1.
3.3.1. Hasil Pola Peminjaman Buku Berdasarkan Bulan
Data transaksi peminjaman buku setiap bulan diolah menggunakan algoritma FP-Growth, menghasilkan
pola transaksi seperti pada Tabel 8 dan Tabel 9.
Tabel 8. Contoh pola bulan Januari
(sampling)
Pola Peminjaman Buku Januari
2012
No.
Pola Peminjaman Buku
1
000,700  300
2
300,500,800 600
3
600,500,100 300
4
000,900 300
.....
.....
Tabel
9.
Contoh
pola
bulan
Desember(sampling)
Pola Peminjaman Buku Desember
2012
No.
Pola Peminjaman Buku
1
800,900 300
2
600,500,200 300
3
000,900 300
4
500,200 300
.....
.....
3.3.2. Hasil Pola Peminjaman Buku Berdasarkan Semester
Data peminjaman buku tiap semester (Januari–Juni dan Juli-Desember) diolah menggunakan algoritma
FP-Growth. Contoh hasil pengolahan data peminjaman buku tiap semester ditunjukkan pada Tabel 10
dan 11.
Tabel 10. Contoh pola semester
(Januari-Juni) (sampling)
Pola Peminjaman Buku
Januari-Juni 2012
No. Pola Peminjaman Buku
1
600,500,800 300
2
600,500,000 300
3
000,900 300
4
300,000,400 600
..... .....
Tabel 11. Contoh pola semester
(Juli-Desember) (sampling)
Pola Peminjaman Buku JuliDesember 2012
No. Pola Peminjaman Buku
1
300,500,700 600
2
500,200 600
3
300,500,200 600
4
000,900300
.....
.....
3.3.3. Hasil Pola Peminjaman Buku Berdasarkan Tahun
Data peminjaman buku berdasarkan tahun (Januari–Desember) diolah menggunakan algoritma FPGrowth. Contoh hasil pengolahan data peminjaman buku berdasarkan tahun ditunjukkan pada Tabel 12.
233
Seminar Nasional Ilmu Komputer (SNIK 2015) - Semarang, 10 Oktober 2015
ISBN: 978-602-1034-19-4
Tabel 12. Contoh pola peminjaman buku dalam satu tahun (sampling)
Pola Peminjaman Buku JanuariDesember 2012
No. Pola Peminjaman Buku
1
000,700,900 300
2
900,200,100 300
3
000,900 300
4
600,000,700,200 300
.....
.....
3.3.4. Analisa Konsistensi Pola
Analisa konsistensi pola dilakukan dengan cara melihat seberapa sering sebuah rule muncul pada tiap
bulan. Kemudian melihat apakah rule tersebut juga muncul pada pola peminjaman berdasarkan semester
dan tahun. Output dari proses ini adalah pola peminjaman buku yang konsisten seperti ditunjukkan pada
Tabel 13.
No
1
2
3
...
Tabel 13. Contoh hasil pola yang konsisten
Pola/Rule
Konsistensi Kemunculan
Pola
Semester
Tahun
000,900 300
Ya
Ya
600,000,700 300 Ya
Ya
300, 000 700
Tidak
Tidak
...
...
...
Konsisten
Ya
Ya
Tidak
.....
Pola yang konsisten menunjukkan karakteristik peminjaman buku yang dilakukan oleh civitas akademika
UNS. Setelah mengetahui karakteristik peminjaman civitas akademika UNS, dapat diketahui apakah
koleksi buku yang dimiliki saat ini sudah relevan dengan kebutuhan civitas akademika UNS. Hal tersebut
dilakukan dengan cara membandingkan jumlah koleksi buku ditiap kategori dengan pola yang konsisten.
4. SIMPULAN
Pola transaksi peminjaman buku yang dihasilkan tiap bulan tidak selalu sama meskipun dalam tahun yang
sama. Hal tersebut dikarenakan karakteristik peminjam tiap bulan belum tentu sama, selain itu waktu
peminjaman juga menentukan pola transaksi yang dihasilkan. Pola transaksi peminjaman buku tiap bulan
mempengaruhi pembentukan pola transaksi berdasarkan semester dan tahun. Pola transaksi berdasarkan
semester mencakup sebagian besar pola yang dihasilkan tiap bulan. Pola transaksi berdasarkan tahun
mencakup sebagian besar pola yang dihasilkan tiap semester. Pola/rule yang sering muncul pada bulanbulan di tahun yang sama kemudian pola tersebut juga muncul di semester dan tahun menunjukkan pola
tersebut konsisten.
5. REFERENSI
[1] Presiden Republik Indonesia. 2007. Undang-Undang Republik Indonesia Nomor 43 Tahun 2007
Tentang Perpustakaan. p. 45.
[2] Han, J. dan Kamber, M. 2006. Data Mining: Concepts and Techniques, vol. 54, no. Second Edition.
Elsevier Inc.
[3] Anggraeni, R. M. 2014. Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk
Perekomendasi Pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian
Nuswantoro. pp. 1–6.
[4] Erwin. 2009. Analisis Market Basket Dengan Algoritma Apriori dan FP-Growth, J. Generic, vol. 4,
pp. 26–30.
[5] Ahmed, A. dan Mohamed, F. 2014. A Frequent Pattern Growth Method for Mining Association Rules,
pp. 2–5.
[6] Miraldi, R. N., Rachmat, A., dan Susanto, B. 2014. Implementasi Algoritma FP-Growth untuk
Sistem Rekomendasi Buku di Perpustakaan UKDW. INFORMATIKA, vol. 10, no. l, pp. 29–
39.
[7] Ali, S. 2015. Analisis Data Pola Peminjaman Buku Menggunakan Algoritma FP-Growth (Studi
Kasus Perpustakaan Otorita Batam).
[8] Hussein, N., Alashqur, A., dan Sowan, B. Using the interestingness measure lift to generate
Association Rules. J. Adv. Comput. Sci. Technol., vol. 4, no. 1, p. 156.
234