IMPLEMENTASI DATA MINING MENGGUNAKAN METODE

IMPLEMENTASI DATA MINING MENGGUNAKAN METODE ASSOCIATION
RULE UNTUK MEGOLAH DATA PERPUSTAKAAN
STT HARAPAN MEDAN
Rahmad Juhendra1, Tulus2, Habibi Ramdani Safitri3
Program Studi Teknik Informatika - Sekolah Tinggi Teknik Harapan
Jl. HM Joni No 70 C Medan
[email protected]
Abstrak
Perpustakaan Sekolah Tinggi Harapan Medan memiliki sistem informasi perpustakaan yang dapat
memudahkan pengguna untuk meminjam buku. Namun data peminjaman buku yang tercatat pada
database sistem masih belum mampu diolah kembali secara maksimal. Hal ini dikarenakan belum
adanya modul pengolahan kembali data peminjaman sehingga hanya akan terakumulasi dan
tertimbun didalam database sistem dan tidak menghasilkan kembali informasi dan pengetahuan
yang bermanfaat untuk mendukung kemajuan manajemen perpustakaan. Teknik Data mining telah
banyak digunakan untuk mengatasi permasalahan yang ada salah satunya dengan penerapan
algoritma association rule untuk menemukan aturan asosiasi yang terbentuk dari dataset
peminjaman buku. Dengan memanfaatkan data transaksi kunjungan perpustakaan akan dicari
informasi tentang buku apa yang sering dipinjam oleh mahasiswa dan keterkaitan antara masingmasing peminjaman, sehingga pihak perpustakaan itu sendiri dapat melakukan penyusunan buku
sesuai dengan tingkat nilai support dan confidence. Analisa mining data menggunakan tools
Rapid Miner Studio, dimana dari hasil mining data transaksi dengan minimum support 3 dan
confidence 50% diperoleh 21 aturan asosiasi. Salah satu aturan asosiasi yang terbentuk adalah
jika meminjam buku Microsoft Office 2007 maka meminjam buku Belajar Visual Basic 2008
dengan nilai support 0.2 dan nilai confidence 100% yang merupakan aturan dengan nilai
confidence tertinggi. Kemudian setelah itu dibuat suatu aplikasi yang dapat menunjukkan lokasi
buku secara lebih spesifik sehinggan memudahkan pencarian bagi mahasiswa.
Kata Kunci : Data Mining, Aturan Asosiasi, Support, Confidence
Abstract
The library of STT Harapan Medan has a library information system that can allow users to
borrow books. The Data of borrowing books recorded on the database system is still not able to be
recycled to the maximum . This is due to the lack of data processing module back lending so it will
only accumulate and accumulate within the database system and does not generate a return of
information and useful knowledge to support the advancement of library management. Data
mining techniques have been widely used to solve the existing problems either by the application
of association rule algorithms for finding association rules formed by the dataset borrowing
books. By utilizing transaction data visit the library to search for information about what books
are often borrowed by students and the linkages between each borrowing, so that the library itself
can undertake the preparation of a book in accordance with the level of support and confidence
values. Analysis using data mining tools Rapid Miner Studio , where the results of the transaction
data mining with minimum support 3 and 50 % confidence gained 21 association rules. One
association rules formed is borrowing the book Microsoft Office 2007 then borrow books
Learning Visual Basic 2008 for 0.2 support and confidence values 100 % which is the rule with
the highest confidence score. Then after that created an application that can show the location of
the book in a more specific sehinggan facilitate the search for students.
Keyword : Data Mining, Association Rule, Support, Confidence
1.
PENDAHULUAN
Dengan kemajuan teknologi informasi,
kebutuhan akan informasi yang akurat sangat
dibutuhkan dalam kehidupan sehari-hari, sehingga
informasi menjadi suatu elemen penting dalam
perkembangan masyarakat saat ini dan waktu
mendatang. Namun kebutuhan informasi yang
tinggi kadang tidak diimbangi dengan penyajian
informasi yang memadai. Sering kali informasi
tersebut masih harus digali ulang dari data yang
jumlahnya sangat besar. Kemampuan teknologi
informasi untuk mengumpulkan dan menyimpan
berbagai tipe data jauh meninggalkan kemampuan
untuk menganalisis, meringkas dan megekstrak
pengetahuan dari data. Metode tradisional untuk
menganalisis data yang ada tidak dapat menangani
data dalam jumlah besar.
Data adalah representasi peristiwa dunia nyata
yang mewakili suatu objek seperti manusia
(pegawai, pelanggan, siswa, pembeli), barang,
hewan, peristiwa, konsep, keadaan, dan sebagainya,
yang diwujudkan dalam bentuk angka, huruf,
symbol, teks, gambar, bunyi, atau kombinasinya
[1]. Pemanfaatn data yang ada untuk menunjang
kegiatan dalam pengambilan keputusan tidak cukup
hanya dengan mengandalakan data operasional saja,
diperlukan suatu analisis data untuk menggali
potensi-potensi informasi yang ada. Para pengambil
keputusan berusaha untuk memanfaatkan gudang
data yang sudah dimiliki untuk menggali informasi
yang berguna membantu dalam mengambil
keputusan. Hal ini mendorong munculnya cabang
ilmu baru untuk mengatasi masalah penggalian
informasi atau pola yang penting atau menarik dari
data dalam jumlah besar yang disebut dengan data
mining. Penggunaan teknik data mining diharapkan
dapat memberikan pengetahuan-pengetahuan yang
sebelumnya tersembunyi di dalam gudang data
sehingga menjadi informasi yang berharga.
Sekolah Tinggi Teknik Harapan adalah salah
satu perguruan tinggi swasta di kota Medan
Sumatera Utara. STT Harapan dilengkapi dengan
berbagai fasilitas untuk menunjang kegiatan
mahasiswanya, dimana salah satunya adalah
fasilitas berupa perpustakaan. Perpustakaan STT
Harapan memiliki koleksi buku yang cukup banyak
dari berbagai cabang ilmu pengetahuan.
Pengunjung perpustakaan cukup banyak, khususnya
bagi mahasiswa yang sedang skripsi. Biasanya
pengunjung perpustakaan akan meningkat karena
mahasiswa tersebut membutuhkan referensi dari
buku-buku untuk mendukung teori yang mereka
pelajari.
1.1 Data Warehouse
Basis data adalah himpunan kelompok data
yang saling berhubungan yang diorganisasi
sedemikian rupa agar kelak dapat dimanfaatkan
kembali dengan cepat dan mudah. Database
merupakan bagian yang paling tinggi dari sistem
data. Database adalah kumpulan beberapa file-file
yang mempunyai kaitan antara satu file dengan file
yang lain sehingga membentuk suatu data.
Sedangkan sistem database adalah suatu landasan
atau kerangka dasar yang terdiri dari sistem dan sub
sistem yang digunakan untuk melayani aplikasi
tertentu guna mencapai tujuan. Manajemen sebuah
sistem database adalah suatu sistem perangkat
lunak komputer [1].
Data warehouse adalah basis data yang
menyimpan data sekarang dan data masa lalu yang
berasal dari berbagai sistem operasional dan
sumber yang lain (sumber eksternal) yang menjadi
perhatian penting bagi manajemen dalam organisasi
dan ditujukan untuk keperluan analisis dan
pelaporan manajemen dalam rangka pengambilan
keputusan [2].
Empat karakteristik dari data warehouse
meliputi :
1. Subject Oriented
Sebuah data warehouse disusun dalam subjek
utama, seperti pelanggan, suplier, produk, dan
sales. Meskipun data warehouse terkonsentrasi
pada operasi harian dan proses transaksi dalam
perusahaan, data warehouse fokus pada
pemodelan dan analisis data untuk pembuat
keputusan. Oleh karena itu data warehouse
mempunyai karakter menyediakan secara
singkat dan sederhana gambaran seputar subjek
lebih detail yang dibuat dari data luar yang tidak
berguna dalam proses pendukung keputusan.
2. Integrated
Data warehouse biasanya dibangun dari
bermacam-macam sumber yang berbeda, seperti
database relasional, flat files, dan on-line
transaction records. Pembersihan dan penyatuan
data diterapkan untuk menjamin konsistensi
dalam penamaan, struktur kode, ukuran atribut,
dan yang lainnya.
3. Time Variant
Data disimpan untuk menyajikan informasi dari
sudut pandang masa lampau (misal 5 – 10 tahun
yang lalu). Setiap struktur kunci dalam data
warehouse mempunyai elemen waktu baik
secara implisit maupun eksplisit.
4. Nonvolatile
Sebuah data warehouse secara fisik selalu
disimpan terpisah dari data aplikasi operasional.
Penyimpanan yang terpisah ini, data warehouse
tidak memerlukan proses transaksi, recovery
dan mekanisme pengendalian konkurensi.
Biasanya hanya membutuhkan dua operasi
dalam akses data yaitu initial load of data dan
access of data.
1.2 Data Mining
Data mining atau sering disebut sebagai
knowledge discovery in database (KDD) adalah
kegiatan yang meliputi pengumpulan, pemakaian
data historis untuk menemukan keteraturan, pola
atau hubungan dalam data berukuran besar.
Keluaran data mining ini bisa dipakai untuk
membantu pengambilan keputusan di masa depan.
Pengembangan KDD ini menyebabkan penggunaan
pattern recognition semakin berkurang karena telah
menjadi bagian data mining [3]. Alasan utama
mengapa data mining diperlukan adalah karena
adanya sejumlah besar data yang dapat digunakan
untuk menghasilkan informasi dan knowledge yang
berguna. Informasi dan knowledge yang didapat
tersebut dapat [4].
Data Mining adalah salah satu bidang yang
berkembang pesat karena besarnya kebutuhan akan
nilai tambah dari databaseskala besar yang makin
banyak terakumulasi sejalan dengan pertumbuhan
teknologi informasi. Definisi umum dari data
mining itu sendiri adalah serangkaian proses untuk
menggali nilai tambah berupa pengetahuan yang
selama ini tidak diketahui secara manual dari suatu
kumpulan data [5]
Data mining dibagi menjadi beberapa
kelompok berdasarkan tugas yang dapat dilakukan,
yaitu:
1. Deskripsi (Description)
Terkadang peneliti dan analis secara sederhana
ingin
mencoba
mencari
cara
untuk
menggambarkan pola dan kecenderungan yang
terdapat dalam data. Sebagai contoh, petugas
pengumpulan suara mungkin tidak dapat
menemukan keterangan atau fakta bahwa siapa
yang tidak cukup profesional akan sedikit
didukung dalam pemilihan presiden. Deskripsi
dari
pola
dan
kecenderungan
sering
memberikan kemungkinan penjelasan untuk
suatu pola atau kecenderungan.
2. Estimasi (Estimation)
Estimasi hampir sama dengan klasifikasi,
kecuali variabel target estimasi lebih kearah
numerik daripada kearah kategori. Model
dibangun menggunakan record lengkap yang
menyediakan nilai variabel dari target sebagai
3.
4.
5.
6.
nilai prediksi, selanjutnya pada peninjauan
berikutnya estimasi nilai dari variabel target
dibuat berdasarkan nilai variabel prediksi.
Prediksi (Prediction)
Prediksi hampir sama dengan klasifikasi dan
estimasi, kecuali bahwa dalam prediksi nilai
dari hasil akan ada dimasa mendatang.
Klasifikasi (Clasification)
Dalam klasifikasi, terdapat target variabel
kategori,
sebagai
contoh
penggolongan
pendapatan dapat dipisahkan dalam tiga
kategori, yaitu pendapatan tinggi, sedang dan
rendah.
Pengklusteran (Cluster)
Pengklusteran
merupakan pengelompokan
record, pengamatan atau memperhatikan dan
membentuk kelas objek-objek yang memiliki
kemiripan. Kluster adalah kumpulan record
yang memiliki kemiripan satu dengan lainya
dan memiliki ketidak miripan dengan recordrecord dalam kluster lain.
Asosiasi (Association)
Tugas Asosiasi dalam data mining adalah
menemukan atribut yang muncul dalam satu
waktu. Dalam dunia bisnis disebut dengan
analisis keranjang belanja.
Gambar 1. Tahap-Tahap Data Mining
1.3 Association Rule
Analisis asosiasi atau association rule mining
adalah teknik data mining untuk menemukan aturan
assosiatif antara suatu kombinasi item. Algoritma
aturan asosiasi akan menggunakan data latihan,
sesuai dengan pengertian data mining, untuk
menghasilkan pengetahuan. Pengetahuan apakah
yang hendak dihasilkan dalam aturan asosiasi untuk
mengetahuan item-item belanja yang sering dibeli
secara bersamaan dalam suatu waktu. Aturan
asosiasi yang berbentuk “if…then…” atau
“jika…maka…” merupakan pengetahuan yang
dihasilkan dari fungsi aturan asosiasi [6].
Association rule merupakan salah satu metode yang
bertujuan mencari pola yang sering muncul di
antara banyak transaksi, dimana setiap transaksi
terdiri dari beberapa item [7].
Association rule merupakan salah satu metode
yang bertujuan mencari pola yang sering muncul di
antara banyak transaksi, dimana setiap transaksi
terdiri dari beberapa item sehingga metode ini akan
mendukung system rekomendasi melalui penemuan
pola antar item dalam transaksi-transaksi yang
terjadi. Analisis asosiasi dikenal juga sebagai salah
satu metode data mining yang menjadi dasar dari
berbagai metode data mining lainnya. Khususnya
salah satu tahap dari analisis asosiasi yang disebut
analisis pola frekuensi tinggi (frequent pattern
mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien. Penting
tidaknya suatu aturan assosiatif dapat diketahui
dengan dua parameter, support (nilai penunjang)
yaitu presentase kombinasi item tersebut. dalam
database dan confidence (nilai kepastian) yaitu
kuatnya hubungan antar item dalam aturan
assosiatif. Analisis asosiasi didefinisikan suatu
proses untuk menemukan semua aturan assosiatif
yang memenuhi syarat minimum untuk support
(minimum support) dan syarat minimum untuk
confidence (minimum confidence) [7].
1.4 Algoritma Apriori
Algoritma Apriori adalah algoritma analisis
keranjang
pasar
yang
digunakan
untuk
menghasilkan aturan asosiasi, dengan pola “if-then”
[4]. Algoritma Apriori yang bertujuan untuk
menemukan frequent itemsets dijalankan pada
sekumpulan data. Analaisis Apriori didefenisikan
suatu proses untuk menemukan semua aturan
apriori yang memenuhi syarat minimum untuk
support dan syarat minimum untuk confidence.
Support adalah nilai penunjang, atau persentase
kombinasi sebuah item dalam database, sedangkan
confidence adalah nilai kepastian yaitu kuatnya
hubungan antar item dalam sebuah apriori [7].
Algoritma Apriori termasuk jenis aturan
asosiasi pada data mining. Selain Apriori, yang
termasuk pada algoritma ini adalah metode
Generalized Rule Induction dan algoritma Hash
Based. Aturan yang menyatakan asosiasi antara
beberapa atribut sering disebut affinity analisys
atau market basket analysis [8].
Prinsip Algoritma Apriori adalah sebagai
berikut :
1. Kumpulkan jumlah item tunggal, dapatkan item
besar.
2. Dapatkan candidat pairs, hitung => large pairs
dari item-item.
3. Dapatkan candidat triplets, hitung => large
triplets dari itemitem dan seterusnya.
4. Sebagai petunjuk: setiap subnet dari sebuah
frequent itemset harus menjadi frequent.
Metodologi dasar analisis asosiasi terbagi
menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai support
dalam database. Nilai support sebuah item
diperoleh dengan rumus berikut:
Sedangkan nilai support dari dari 2 (dua) item
diperoleh dari rumus:
2. Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan assosiatif yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan assosiatif A _B.
Nilai confidence dari aturan A _B diperoleh dari
rumus berikut:
Prinsip algoritma Apriori dapat dijelaskan
sebagai berikut :
1. Kumpulkan jumlah item tunggal, dapatkan item
besar.
2. Dapatkan kandidat pairs => large pairs dari
item-item.
3. Dapatkan kandidat triplets, hitung => large
triplets dari item-item dan seterusnya.
4. Sebagai petunjuk : setiap subset dari sebuah
frequent itemset harus menjadi frequent.
2.
HASIL DAN PEMBAHASAN
Dalam penulisan tugas akhir ini akan dicari
nilai support dan confidence dari pinjaman buku di
perpustakaan Sekolah Tinggi Teknik Harapan
(STT) Medan. Data transaksi pinjaman buku ini
nantinya akan di mining dengan menerapkan
association rule sehingga didapatkan aturan asosiasi
baru yang berfungsi untuk memberikan informasi
yang berguna bagi pengurus perpustakaan seperti
mengetahui buku-buku apa saja yang biasanya
dipinjam oleh mahasiswa, sehingga dapat dilakukan
penyusunan buku dengan lebih baik guna
mempermudah dalam pencarian buku.
2.1 Data Mining Association Rule
Data mining adalah proses analisis untuk
mengekstraksi dan mengidentifikasi informasi yang
bermanfaat dan pengetahuan yang terkait dari
database. Salah satu metodde yang digunakan
dalam data mining yaitu metode Association Rule,
dimana aturan asosiasi ingin memberikan informasi
dalam bentuk hubungan if-then atau jika-maka.
Langkah-langkah kerja dari algoritma
Associaton Rule adalah sebagai berikut:
1. Tentukan besaran nilai minimum support dan
confidence, dimana dalam penelitian ini jumlah
besaran nilai minimum suppot = 3, sedangkan
besaran minimum confidence = 50%.
2. Scan database transaksi peminjaman buku
perpustakaan untuk mendapatkan 1-item set,
kemudian ambil kandidat yang frekuensinya
memenuhi minimum support count. Sedangkan
yang tidak memenuhi minimum support
dihilangkan atau dihapus.
3. Bangkitkan k+1 itemset dari itemset yang ada
sebelumnya, kemudian buang atau bersihkan
data kandidat yang subsetnya tidak memenuhi
support count.
4. Hitung frekuensinya, ambil kandidat yang
frekuesninya memenuhi dan selesai saat tidak
ada kandidat yang memenuhi syarat.
5. Aturan asosiasi dihasilkan dengan menyeleksi
yang memenuhi besaran minimum support dan
minimum confidence.
untuk
memberikan
gambaran
bagaimana
melakukan mining data sehingga menghasilkan
aturan asosiasi (Association Rule).
Untuk melakukan penggalian dari data
transaksi peminjaman buku, maka langkah-langkah
yang harus dilakukan adalah:
1. Langkah pertama yaitu menetapkan besarnya
besaran nilai minimum support dan confidence.
Dimana dalam hal ini ditetapkan besaran
support = 3 dan besaran confidence = 50 %.
2. Langkah kedua yaitu dengan menyususn semua
frequent itemset yaitu itemset yang memiliki
nilai minimum support = 3 yang telah
ditetapkan sebelumnya.
Untuk menganalisanya dimulai dengan
membahas setiap frequent 1-itemset, kemudian
diseleksi item apa saja yang memiliki minimum
support = 3. Item-item yang memenuhi minimum
support disebut frequent 1-itemset. Daftar frequent
1-itemset dapat dilihat pada tabel dibawah ini:
No.
1.
2.
3.
4.
5.
6.
7.
8.
Gambar 2. Flowchart Association Rule
2.2 Analisa Association Rule
Sebelum melakukan mining data dengan
metode Association Rule, perlu disiapkan data yang
akan di mining dimana data yang digunakan adalah
data transaksi peminjaman
buku dengan
menggunakan data fiktif. Hal ini dimaksudkan
Tabel 1. Daftar Frequent 1-Itemset
Itemset
Support
Algoritma
dan
4
Pemrograman
Komunikasi Data
9
Belajar Visual Basic
6
2008
Konsep Basis Data
4
Cloud Computing
3
Microsoft Office 2007
4
Data Mining
7
Kriptografi
3
Dari daftar frequent 1-Itemset diatas, dibuat
menjadi daftar calon frequent 2-Itemset. Maka akan
didapat hasil seperti terlihat pada tabel 2 berikut:
Tabel 2. Daftar Calon Frequent 2-Itemset
No.
Itemset
Support
1. Algoritma
dan
Pemrograman,Komunikasi
1
Data
2. Algoritma
dan
Pemrograman,
Belajar
1
Visual Basic 2008
3. Algoritma
dan
Pemrograman,Konsep Basis
0
Data
4. Algoritma
dan
Pemrograman,Cloud
2
Computing
5. Algoritma
dan
Pemrograman,
Microsoft
0
Office 2007
6. Algoritma
dan
0
Pemrograman,Data Mining
7. Algoritma
dan
1
Pemrograman,Kriptografi
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
Komunikasi Data, Belajar
Visual Basic 2008
Komunikasi Data, Konsep
Basis Data
Komunikasi
Data,Cloud
Computing
Komunikasi Data, Microsoft
Office 2007
Komunikasi
Data,Data
Mining
Komunikasi Data,Kriptografi
Belajar Visual Basic 2008,
Konsep Basis Data
Belajar Visual Basic 2008,
Cloud Computing
Belajar Visual Basic 2008,
Microsoft Office 2007
Belajar
Visual
Basic
2008,Data Mining
Belajar
Visual
Basic
2008,Kriptografi
Konsep Basis Data, Cloud
Computing
Konsep
Basis
Data,
Microsoft Office 2007
Konsep Basis Data, Data
Mining
Konsep
Basis
Data,
Kriptografi
Cloud Computing, Microsoft
Office 2007
Cloud
Computing,Data
Mining
Cloud
Computing,Kriptografi
Microsoft
Office
2007,
Kriptografi
Microsoft Office 2007, Data
Mining
Data Mining, Kriptografi
1
3
0
0
6
2.
3.
4.
1
0
0
4
0
0
1
5.
Itemset
Komunikasi Data, Konsep
Basis Data, Data Mining
Komunikasi Data, Konsep
Basis Data, Belajar Visual
Basic 2008
Komunikasi Data, Konsep
Basis Data, Microsoft Office
2007
Komunikasi
Data,
Data
Mining, Belajar Visual Basic
2008
Komunikasi
Data,
Data
Mining, Microsoft Office
2007
Support
3
0
0
0
0
Dari tabel diatas dapat dilihat bahwa yang
berhak menjadi frequent 3-Itemset adalah seperti
terlihat pada tabel 5 dibawah ini:
Tabel 5. Daftar Frequent 3-Itemset
No.
Itemset
Support
1.
Komunikasi Data, Konsep
3
Basis Data, Data Mining
0
4
1
1
1
1
0
1
0
Dari tabel diatas dapat dilihat bahwa yang
memenuhi syarat minimum support atau yang
berhak menjadi frequent 2-Itemset adalah seperti
terlihat pada tabel 3 berikut ini:
Tabel 3. Daftar Frequent 2-Itemset
No.
Itemset
Support
1. Komunikasi Data,Konsep
3
Basis Data
2. Komunikasi Data,Data
6
Mining
3. Belajar Visual Basic
2008, Microsoft Office
4
2007
4. Konsep Basis Data, Data
4
Mining
Kemudian daftar frequent 1-Itemset diatas
dibuat menjadi daftar calon frequent 3-Itemset yaitu
seperti terlihat pada tabel 4 berikut ini:
Tabel 4. Daftar Frequent 3-Itemset
No.
1.
Setelah frequent 3-Itemset diperoleh, maka
tahap selanjutnya menghitung nilai confidence dari
masing-masing Frequent Itemset sehingga muncul
calon aturan asosiasi. Aturan asosiasi ingin
memberikan informasi dalam bentuk hubungan ifthen atau jika-maka. Berikut contoh perhitungan
untuk mencari nilai confidence dari masing-masing
Frequent Itemset untuk menghasilkan calon aturan
asosiasi.
Jika meminjam Komunikasi Data Maka
meminjam Konsep Basis Data didapatkan nilai
confidence = 3 / 9 = 0,33 = 33%.
Dari daftar calon aturan asosiasi diatas, maka
akan dipilih aturan asosiasi yang memenuhi
minimum support dan minimum confidence untuk
menjadi aturan asosiasi. Dimana minimum support
= 3 dan minimum confidence = 50% seperti yang
sudah ditetapkan sebelumnya. Daftar aturan
asosiasi dpat dilihat pada tabel 3.6 berikut ini:
Tabel 6. Daftar Aturan Asosiasi
2.3 Implementasi Dan Pengujian
Implementasi merupakan tahapan yang
dilakukan untuk mengaplikasikan terhadap
rancangan yang diperoleh sebelumnya. Pada
penelitian ini akan mengimplementasikan data
mining pengolahan data perpustakaan STT Harapan
dengan menggunakan software Rapid Miner
Studio. Dari hasil analisa data mining dengan Rapid
Miner ini nantinya akan menghasilkan aturan
asosiasi peminjaman buku, sehingga untuk
mempermudah dalam pencarian buku dibuat
aplikasi dengan alat bantu Visual Basic 2008
dengan program database MySQL. Adapun hasil
yang diperoleh tberupa tampilan hasil dan hasil
pengujian sistem.
2.3.1 Implementasi Komponen
Untuk mengimplementsaikan data mining
pengolahan data perpustakaan ini dapat berjalan
dengan baik, ada beberapa perangkat yang harus
dipenuhi. Adapun perangkat-perangkat yang
digunakan dapat diuraikan pada tabel berikut:
Tabel 7. Spesifikasi Kebutuhan Hardware
Nama
No.
Keterangan
Perangkat
1.
Processor
AMD Dual Core atau
lebih rendah
2.
Harddisk
320 GB atau lebih
rendah
3.
Memory
2 GB atau lebih
rendah
4.
Monitor
1366 x768
Tabel 8. Spesifikasi Kebutuhan Software
No.
1.
2.
4.
5.
Nama Perangkat
Operating System
Rapid
Miner
Studio
Microsoft Visual
Basic 2008
MySQL
.Net Framework
6.
Smadav
3.
Keterangan
Windows 7
Tools data mining
Tools
bahasa
pemrograman
Database
Versi 3.5 atau
lebih tinggi
Antivirus
2.3.2 Implementasi Data Mining
Untuk mengimplementasikan data mining
peminjaman buku perpustakaan STT Harapan,
menggunakan tools Rapid Miner studio.
Di bawah ini merupakan langkah-langkah
kerja pengimplementasian data mining dengan
menggunakan metode association rule pada Rapid
Miner, yaitu sebagai berikut:
1. Langkah pertama pembuatan Format Tabular
Tahap pertama yang dilakukan yaitu
mempersiapkan data yang akan diolah, yaitu
data transaksi peminjaman buku perpustakaan.
Untuk pembuatan data format tabular
menggunakan Microsoft Excel, dimana data yag
digunakan dapat dilihat pada lampiran.
Kemudian Lakukan importing data kedalam
Repositori. Browse table Microsoft Excel yang
telah dibuat, dan masukan kedalam Local
Repository, seperti gambar dibawah ini:
Gambar 3. Importing Data Kedalam Repository
2. Drag dan Drop Tabel DataPerpustakaan tadi
kedalam Process. Sehingga Operator Database
muncul dalam Main Proses. Operator Numerical
to Binominal diperlukan untuk mengubah nilai
atribut
yang
berada
pada
table
TransaksiMakanan
menjadi
binominal.
Kemudian hubungkan Tabel DataPerpustakaan
dengan operator Numerical to Binominal.
Proses ini akan membuat nilai dari Tabel
Transaksi makan mejadi Binominal Attributes.
Selanjutnya hubungkan operator Numerical to
Binominal dengan operator FP-Growth dan isi
Parameter FP-Growth dengan minimum support
senilai 30% atau 0.3. Kemudian hubungkan
operator
FP-Growth
dengan
operator
Association Rules dan isi Parameter Association
Rules dengan minimum confidence 50% atau
0.5. Setelah itu hubungkan Association Rules
pada result. Sehingga seluruhnya membentuk
seperti gambar dibawah ini:
Gambar 4. Susunan Operator Association Rules
3. Setelah semua operator terhubung kemudia klik
ico Play atau tekan F11, maka akan muncul
sebuah tab Association Rules yang baru, yang
isinya adalah sebuah table berisi seluruh itemset
yang memenuhi parameter FP-Growth dan
Association Rules, seperti terlihat pada gambar
berikut:
Gambar 6. Hasil Dalam Bentuk Graph View
2.3.3 Implementasi Pencarian Buku
Adapun program aplikasi pencarian buku
menggunakan bahasa pemrograman Visual
Basic.NET
2008 dan
program Database
menggunakan MySQL.
1. Form Login
Setelah program dijalankan, maka tampilan
yang paling pertama muncul adalah Form
Login, merupakan Form yang digunakan untuk
login ke dalam sistem. Kita dapat login sebagai
Admin atau user, perbedaanya jika login
sebagai user ada beberapa form yang dibekukan
atau tidak diakses.
Gambar 5. Hasil Association Rules
Dari hasil analisa data mining dengan Rapid
Miner, yang mana jumlah rules yang dihasilkan
yaitu 21 rules. Kita bisa mengambil beberapa dari
rules ini untuk dijadikan sebuah pegangan dalam
melakukan pengaturan ulang tata letak buku guna
mempermudah pencarian buku. Tentunya yang
memiliki nilai support dan confidence yang tinggi,
yaitu salah satunya jika meminjam buku Microsoft
Office 2007 maka meminjam buku Belajar Visual
basic 2008 dengan nilai support 0.2 dan nilai
confidence 100%.
Untuk melihat dalam bentuk grafik. kita dapat
memilih opsi Graph View, sepeti yang ditunjukkan
pada gambar berikut:
Gambar 7. Hasil Pengujian Form Login
2. Form Menu Utama
Dalam tahap ini, dilakukan pengujian terhadap
kemampuan sistem untuk menggunakan form
menu utama di mana user akan berinteraksi
langsung dengan sistem.
Gambar 8. Hasil Pengujian Form Utama
3.
Form Data Petugas
Form Data Petugas adalah sebuah form yang
dirancang untuk menampilkan data petugas, di
mana dalam form ini dapat dilakukan Tambah,
Simpan, Ubah, Hapus Data.
4.
Gambar 9. Hasil Pengujian Form Petugas
Form Data Buku
Form Data Buku adalah sebuah form yang
dirancang untuk menampilkan data buku, di
mana dalam form ini dapat dilakukan Tambah,
Simpan, Ubah, Hapus Data.
Gambar 10. Hasil Pengujian Form Data Buku
2.3.4 Pengujian Sistem
Setelah mendapatkan hasil tampilan perangkat
lunak, tahap selanjutnya melakukan pengujian
terhadap sistem tersebut. Adapun
metode
pengujian sistem yang dilakukan adalah metode
Black Bos Testing. Metode black box testing
merupakan metode testing pengujian yang
dilakukan untuk mengamati hasil eksekusi melalui
data uji dan memeriksa fungsional dari perangkat
lunak. Adapun hasil pengujian fungsionalitas
sistem yang telah dibuat dengan menggunakan
metode pengujian Black Box testing, dapat dilihat
pada tabel berikut:
Tabel 9. Pengujian Black Box Testing
3. PENUTUP
3.1 Kesimpulan
Kesimpulan yang dapat diambil dari penelitian
data mining dengan metode association rule ini
adalah sebagai berikut:
1. Proses mining data transaksi peminjaman buku
perpustakaan mengunakan tools Rapid Miner
Studio untuk menganalisa dan menghasilkan
aturan
asosiasi.
Sedangkan
untuk
mempermudah proses pencarian buku di
perpustakaan dibuat aplikasi dengan tools
Microsoft Visual Basic.NET 2008.
2. Penerapan data mining peminjaman buku
perpustakaan merupakan sebuah sistem
pencarian aturan asosiasi melalui pengolahan
data transaksi peminjaman buku dari setiap
mahasiswa yang bertujuan untuk mencari
hubungan antara buku yang sering dipinjam
mahasiswa dengan menghitung besaran nilai
support dan confidence. Sehingga informasi ini
dapat memberikan pertimbangan tambahan bagi
perpustakaan itu sendiri guna pengaturan bukubuku pada rak untuk mempermudah pencarian.
3. Dari hasil mining data kunjungan perpustakaan
STT Harapan didapatkan informasi buku yang
sering dipinjam mahasiswa, sehingga dapat
dilakukan rekomendasi pengaturan ulang tata
letak buku guna mempermudah dalam
pencarian buku.
4. Dari hasil mining data transaksi peminjaman
buku perpustakaan dengan batasan minimum
transaksi sebesar 3 transaksi dan minimum
confidence sebesar 50% membentuk 21aturan
asosiasi. Salah satu aturan asosiasi yang
terbentuk adalah jika meminjam buku Microsoft
Office 2007 maka meminjam buku Belajar
Visual Basic 2008 dengan nilai support 0.2 dan
nilai confidence 100% yang merupakan aturan
dengan nilai confidence tertinggi.
3.2 Saran
Berdasarkan kesimpulan dari penelitian ini
maka saran yang mungkin berguna untuk
perkembangan lebih lanjut pada penelitian skripsi
ini, yaitu sebagai berikut:
1. Penelitian selanjutnya dapat dikembangkan
pada jenis data yang sama dengan menggunakan
metode yang lebih baik seperti algoritma
Generalized Sequential Pattern.
2. Jumlah buku yang dapat dianalisa ditingkatkan
agar pola mining yang terbentuk semakin
bervariasi dan banyak. Sehingga proses mining
lebih akurat dalam menentukan keterkaitan
antara buku yang dipinjam.
3. Hasil aturan asosiasi yang terbentuk dapat
dikembangkan menjadi basis pengetahuan untuk
membuat aplikasi yang lebih bagus mengenai
hubungan antara buku yang ada dalam
perpustakaan.
4.
Menggunakan Metode Association Rules.
Artikel Skripsi Universitas Nusantara PGRI
Kediri.
[6]. Rian Pratama. 2008. Perancangan Data
Warehouse Pemetaan Data Siswa Pada
Disdikpora Kota Palembang. STMIK GI
MDP.
DAFTAR PUSTAKA
[1]. Handojo, Andreas, dkk. 2008. Aplikasi Data
Mining Untuk Meneliti Asosiasi Pembelian
Item Barang di Supermaket dengan Metode
Market Basket Analysis. Surabaya.
[2]. Arifin. 2010. Data Warehouse, Data Mart,
OLAP, dan Data Mining. Sistem Informasi
UDINUS.
[3]. Fadlina. 2014. Data Mining Untuk Analisa
Tingkat Kejahatan Jalanan Dengan Algoritma
Association Rule Metode Apriori. Volume III
Nomor I, Padang, Informasi dan Teknologi
Ilmiah (INTI).
[4]. Jananto, A. 2012. Penggunaan Market Basket
Analysis untuk Menentukan Pola Kompetensi
Mahasiswa. Jurnal Teknologi Informasi
Dinamik Volume 17, No.2. Program Studi
Sistem Informasi, Universitas Stikubank.
[5]. Aminulloh, S, G. 2016. Penerapan Data
Mining Pada Penyewaan Film Di Atika
[7]. Syaifullah, A, M. 2010. Implementasi Data
Mining Algoritma Apriori Pada Sistem
Penjualan. Naskah Publikasi AMIKOM
Yogyakarta.
[8] Nurdin, Astika. D. Penerapan Data Mining
Untuk Menganalisis Penjualan Barang
Dengan Menggunakan Metode Apriori Pada
Supermarket Sejahtera Lhokseumawe. Jurnal
Techsi Vol. 6 No.1. Program Studi Teknik
Informatika Universitas Malikussaleh.