penerapan algoritme prefixspan dan gsp untuk

PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK
MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN
BUKU DI PERPUSTAKAAN IPB
ARINA PRAMUDITA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi yang berjudul Penerapan
Algoritme Prefixspan dan GSP untuk Mencari Pola Sekuensial Pada Data
Peminjaman Buku di Perpustakaan IPB adalah benar karya saya dengan arahan
dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada
perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya
yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam
teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Januari 2014
Arina Pramudita
NIM G64114022
ABSTRAK
ARINA PRAMUDITA. Penerapan Algoritme Prefixspan dan GSP untuk Mencari
Pola Sekuensial pada Data Peminjaman Buku di Perpustakaan IPB. Dibimbing
oleh IMAS SUKAESIH SITANGGANG dan BADOLLAHI MUSTAFA
Perpustakaan IPB sebagai unit penunjang belajar bagi mahasiswa memiliki
peranan yang penting salah satunya memberikan layanan dalam peminjaman
buku. Data yang diperoleh dari transaksi sirkulasi peminjaman akan menghasilkan
pola peminjaman buku oleh pengguna perpustakaan. Penelitian ini menerapkan
algoritme prefixspan dan generalized sequential pattern (GSP) yang bertujuan
untuk memperoleh pola sekuensial. Dataset yang digunakan adalah data dengan
jumlah 50 hingga 4104 dengan minimum support dari 5% sampai 20%. Hasil
penelitian menunjukan bahwa algoritme GSP bekerja lebih baik pada minimum
support yang tinggi sedangkan algoritme prefixspan bekerja lebih baik pada
minimum support yang rendah. Pola sekuensial yang dihasilkan dari kedua
algoritme menunjukan keterkaitan antar item yaitu kode buku 820 (sastra) dengan
kode buku 027 (perpustakaan umum), kode buku 631 (pertanian secara umum)
dengan kode buku 658 (manajemen, administrasi, organisasi komersial), dan kode
buku 631 dengan kode buku 636 (bidang peternakan). Buku yang paling sering
dipinjam dari seluruh dataset adalah buku dengan kode 658
Kata kunci: generalized sequential pattern (GSP), pola sekuensial, prefixspan
ABSTRACT
ARINA PRAMUDITA. Application of Prefixspan and GSP Algorithms to Find
the Sequential Patterns on Loan Data Book in IPB’s Library. Supervised by IMAS
SUKAESIH SITANGGANG and BADOLLAHI MUSTAFA.
IPB's library as a learning support unit for student has an important role
such as book lending service. The data obtained from the circulation transaction
will generate a certain pattern of books that are being borrowed by library user.
This research applies the prefixspan algorithm and generalized sequential pattern
(GSP) algorithm to obtain a sequential pattern. The amount of data used ranges
from 50 to 4104 with the value of minimum support ranges from 5% to 20%. The
results show that the GSP algorithm works better on high minimum support while
prefixspan algorithm works better in low minimum support. The sequential
patterns generated from the two algorithms show the relationships between item:
book code 820 (literature) with 027 (general), book code 631 (agriculture) with
658 (management, administration, commercial organizations), and book code 631
with 636 (husbandry). The most frequently borrowed book from the entire dataset
is the book code 658.
Keywords: generalized sequential patterns (GSP), sequential pattern, prefixspan
PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK
MENCARI POLA SEKUENSIAL PADA DATA PEMINJAMAN
BUKU DI PERPUSTAKAAN IPB
ARINA PRAMUDITA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji : Hari Agung Adrianto, SKom MSi
Judul Skripsi : Penerapan Algoritme Prefixspan dan GSP untuk Mencari Pola
Sekuensial pada Data Peminjaman Buku di Perpustakaan IPB
Nama
: Arina Pramudita
NIM
: G64114022
Disetujui oleh
Dr Imas S Sitanggang, SSi MKom
Pembimbing I
Drs Badollahi Mustafa, MLib
Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
Judul Skripsi: Penerapan Algoritme Prefix span dan GSP untuk Mencari Pola
Sekuensial pada Data Peminjaman Buku di Perpustakaan IPB
Nama
: Arina Pramudita
NIM
: G64114022
Disetujui oleh
\)~lA~
.
Dr Imas S Sltanggang, SSi MKom
Pembimbing I
Tanggal Lulus:
2 8 JAN lUlf
\-/
Drs Badollahi Mustafa, MLib
. Pembimbing II
PRAKATA
Alhamdulillahi rabbil' alamin, puji syukur penulis panjatkan ke hadirat
Allah subhanahu wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya,
penyusunan skripsi yang berjudul Penerapan Algoritme Prefixspan dan GSP
untuk Mencari Pola Sekuensial pada Data Peminjaman Buku di Perpustakaan IPB
dapat diselesaikan dengan baik. Sholawat serta salam semoga selalu tercurahkan
kepada Nabi Muhammad shalallahu 'alaihi wassalam beserta keluarga, sahabat,
dan para pengikutnya yang telah memberikan contoh dalam meraih kebahagiaan
di dunia dan akhirat.
Penulis menyadari bahwa keberhasilan penulisan skripsi ini tidak terlepas
dari bantuan berbagai pihak. Untuk itu penulis menyampaikan ucapan terima
kasih dan penghargaan kepada Ibu Dr Imas S Sitanggang, SSi Mkom selaku
pembimbing I dan Bapak Drs Badollahi Mustafa, MLib selaku pembimbing II
yang telah membantu penulis dalam menyusun tugas akhir ini.
Selanjutnya ucapan terima kasih penulis sampaikan pula kepada:
1 Pak Hari Agung Adrianto, SKom MSi selaku moderator sekaligus penguji
dalam tugas akhir
2 Pak Fery selaku staf Perpustakaan IPB yang telah membantu penulis untuk
memperoleh data peminjaman buku IPB
3 Agus Anang, SKom yang telah banyak membantu dalam pengolahan data
perpustakaan
4 Phillippe Fournier-Viger selaku associate professor Ilmu Komputer University
of Moncton, Canada yang telah banyak memberikan saran dan membuka
pandangan mengenai kinerja kedua algoritme yang digunakan dalam penelitian
ini
5 Devi Meisita Khairunnisa selaku partner skripsi atas kerjasama dan dukungan
motifasinya
6 Ayahanda John Daniel dan Ibunda Wati Ningsih atas semua doa, kasih sayang,
semangat, harapan, dan dukungan kepada penulis
7 Adiku Ega Haricandra yang selalu menjadi motifasi bagi penulis
8 Seluruh staf dan dosen Departemen Ilmu Komputer IPB atas segala bimbingan
dan kemudahan layanan
9 Seluruh teman-teman Ilkom 6 atas kebersamaan dan semangatnya
10 Semua pihak lain yang telah membantu penulis, dan tidak dapat disebutkan
satu persatu, jazakumullah khairan.
Bogor, Januari 2014
Arina Pramudita
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE PENELITIAN
2
Data Peminjaman Buku Perpustakaan IPB
2
Spesifikasi Kebutuhan Perangkat Sistem
3
Tahapan Penelitian
4
Praproses
4
Perbandingan Kinerja Kedua Algoritme
7
Analisis Pola Sekuensial
7
HASIL DAN PEMBAHASAN
Praproses
7
7
Transformasi Data
7
Seleksi Data
7
Pembersihan Data
8
Pembuatan Pola Sekuensial
8
Penentuan Pola Sekuensial
9
Pola sekuensial
9
Itemset dan Dataset
9
Minimum support
9
Waktu eksekusi
9
Penggunaan Algoritme Prefixspan dan GSP pada Data Peminjaman Buku di
Perpustakaan IPB
9
Pemilihan Minimum support
9
Pemilihan Dataset
9
Perbandingan Kinerja Algoritme Prefixspan dan GSP
10
Analisis Pola Sekuensial
15
Perbedaan Urutan Hasil Pola Sekuensial
15
Item Buku yang Dipinjam
16
vi
SIMPULAN DAN SARAN
18
Simpulan
18
Saran
19
DAFTAR PUSTAKA
19
LAMPIRAN
20
RIWAYAT HIDUP
22
DAFTAR TABEL
1
2
3
4
5
6
7
8
Field dalam data sirkulasi IPB
Kelas utama UDC
Contoh hierarki peminjaman buku perpustakaan
Prefix dan suffix dalam prefixspan
Contoh peminjaman buku setelah diubah ke dalam bentuk sekuensial
Contoh data transaksi perpustakaan IPB dengan format input SPMF
Data hasil eksekusi algoritme prefixspan dan GSP menggunakan SPMF
Perbedaan urutan pola sekuensial kedua algoritme
3
3
3
7
8
8
11
16
DAFTAR GAMBAR
1
2
3
4
Tahapan penelitian
Tahapan praproses
Proses algoritme GSP menghasilkan pola sekuensial
Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
50
5 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
100
6 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
500
7 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
1000
8 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
2000
9 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset
4104
10 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 5%
11 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 6%
12 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 8%
13 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 10%
14 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 15%
15 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum
support 20%
4
5
6
12
13
13
13
13
14
14
14
14
15
15
15
DAFTAR LAMPIRAN
1 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 50
2 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 100
3 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 500
4 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 1000
5 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 2000
6 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan
pada dataset 4104
20
20
20
20
21
21
1
PENDAHULUAN
Latar Belakang
Perpustakaan IPB sebagai salah satu unit penyedia penunjang kebutuhan
belajar bagi mahasiswa mencatat data transaksi peminjaman buku yang banyak
setiap hari. Transaksi tersebut menghasilkan kumpulan data yang besar. Tercatat
sebanyak 18.669 transaksi peminjaman buku periode tahun 2003-2013. Angka
tersebut diperoleh dari basisdata perpustakaan IPB yang sebelumnya sudah
diseleksi dengan membuang beberapa data yang sudah tidak diperlukan agar dapat
menghemat memori. Data tersebut akan menghasilkan informasi yang penting
sebagai penunjang pengambilan keputusan bila dianalisis lebih lanjut. Salah satu
informasi yang berguna adalah dapat memberikan rekomendasi kepada
mahasiswa mengenai keterkaitan antar buku yang dipinjam
Analisis terhadap data sirkulasi pemninjaman buku lebih lanjut dapat
dilakukan dengan menerapkan data mining. Data mining merupakan proses
ekstraksi informasi atau pola yang penting dalam basis data berukuran besar (Han
dan Kamber 2006). Penerapan data mining pada peminjaman buku di
perpustakaan IPB diharapkan dapat digunakan sebagai penunjang pengambilan
keputusan dengan cara melihat pola peminjaman buku.
Metode data mining yang akan digunakan pada penelitian ini adalah metode
sequential pattern mining. Sequential pattern mining pertama kali diperkenalkan
oleh (Agrawal dan Srikant 1995) yang ditujukan untuk mencari inter-transaction
pattern yaitu kemunculan item yang diikuti oleh item lain yang terurut
berdasarkan waktu transaksi. Sebagai contoh, seseorang meminjam buku
“Pengenalan Dasar Ilmu Komputer” pada dua bulan yang lalu mungkin juga akan
meminjam “Pemrograman dengan PHP ” pada bulan berikutnya.
Algoritme yang digunakan dalam penelitian ini adalah algoritme prefixspan
dan generalized sequential pattern (GSP). Prefixspan menggunakan basisdata
yang diproyeksikan, sehingga dalam menentukan pola peminjaman buku tidak
diperlukan pembangkitan kandidat, sehingga dapat menghemat waktu eksekusi.
Hal ini berbeda dengan GSP dalam menghasilkan pola peminjaman yang
memerlukan pembangkitan kandidat, sehingga memerlukan waktu eksekusi yang
lebih lama.
Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut:
1 Menentukan pola sekuensial dari data peminjaman buku pada Perpustakaan
IPB dengan dua algoritme yaitu prefixspan dan GSP.
2 Membandingkan kinerja prefixspan dan GSP dalam memperoleh pola
sekuensial pada data peminjaman buku Perpustakaan IPB.
3 Menganalisis pola sekuensial dan waktu eksekusi yang dihasilkan oleh
prefixspan dan GSP.
2
Manfaat Penelitian
Penelitian ini diharapkan memberi manfaat sebagai berikut:
1 Memberikan gambaran alur kerja prefixspan dan GSP dalam mengolah data
peminjaman buku di Perpustakaan IPB.
2 Mengetahui pola peminjaman buku di Perpustakaan IPB.
3 Memudahkan pihak perpustakaan untuk mengambil keputusan dalam
manejemen stok buku.
4 Menemukan kode buku tertentu yang memiliki keterkaitan paling kuat.
5 Memberikan rekomendasi peminjaman buku kepada mahasiswa dengan cara
melihat hubungan buku yang dipinjam dengan buku lainnya.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah sebagai berikut:
1 Penelitian ini membandingan dua metode sequential pattern mining yaitu
prefixspan dan GSP.
2 Penelitian ini menggunakan data transaksi peminjaman buku mulai tahun
2003-2013.
3 Penelitian ini menggunakan perangkat lunak bantu yaitu SPMF (Viger 2013)
untuk memperoleh pola sekuensial.
METODE PENELITIAN
Data Peminjaman Buku Perpustakaan IPB
Data yang digunakan dalam penelitian ini adalah data transaksi peminjaman
(sirkulasi) buku pada Perpustakaan IPB periode tahun 2003-2013. Data tersebut
diperoleh dalam format CDS/ISIS (circ.mst) yang terdiri atas 18.669 record dan
14 field yang sebelumnya telah diseleksi oleh pihak perpustakaan dengan
membuang beberapa record yang sudah tidak diperlukan lagi, guna menghemat
memory. Deskripsi field data transaksi peminjaman buku di Perpustakaan IPB
dapat dilihat pada Tabel 1.
Perpustakaan IPB mengklasifikasikan buku berdasarkan Universal Decimal
Classification (UDC) dari system Dewey Decimal Classification (DDC). UDC
adalah sistem klasifikasi bahan perpustakaan yang dikembangkan oleh pakar
biliografi Belgia, Paul Otlet dan Henri La Fontaine. Sistem klasifikasi UDC
menggunakan tanda-tanda baca tertentu yang membagi ilmu pengetahuan ke
dalam sepuluh kelompok. Ke-sepuluh kelompok tersebut dapat dilihat pada Tabel
2.
Pada data peminjaman buku Perpustakaan IPB setiap buku memiliki tiga
kelas. KLS1 yang bersifat umum, KLS2 menengah, KLS3 khusus. Sebagai
Contoh, Peminjam dengan Id C14102019 meminjam buku dengan KLS1=500,
KLS2=570, KLS3=574. Maka hirarki untuk peminjam dengan Id C14102019
dapat dilihat pada Tabel 3.
3
Tabel 1 Field dalam data Sirkulasi IPB
Nama field
Tipe data
No.identitas peminjam
Alphanumeric
Kategori peminjam
Alphanumeric
No. Registrasi buku
Alphanumeric
Judul buku
Alphanumeric
Kelas buku yang dipinjam
Alphanumeric
Kondisi buku yang dipinjam
Alphanumeric
Tanggal peminjaman
Alphanumeric
Kode tanggal peminjaman
Alphanumeric
Tanggal buku harus kembali
Alphanumeric
Tanggal buku dikembalikan
Alphanumeric
Jenis peminjaman
Alphanumeric
Operator transaksi buku
Alphanumeric
Nama peminjam
Alphanumeric
Jenis koleksi
Alphanumeric
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Tabel 2 Kelas utama UDC
Kelas utama
Keterangan
UDC
0
Sains dan pengetahuan. Organisasi. Ilmu komputer.
Dokumentasi. Kepustakawanan. Lembaga. Publikasi
1
Filsafat. Psikologi
2
Agama.Teologi
3
Ilmu Sosial
4
(Tidak digunakan)
5
Matematika. Ilmu Alam
6
Applied Science. Kedokteran.Teknologi
7
Seni. Rekreasi. Entertainment. Olahraga
8
Bahasa. Linguistik. Literatur
9
Geografi. Biografi. Sejarah
Sumber: http://www.udcc.org/udcsummary/php/index.php
Tabel 3 Contoh hierarki peminjaman buku perpustakaan
Kode kelas
500
570
574
Kelas buku yang dipinjam
Matematika. Ilmu Alam
Ilmu-ilmu hayati pada umumnya
Ekologi dan biodiversitas umum
Spesifikasi Kebutuhan Perangkat Sistem
Implementasi sistem menggunakan komputer personal yang memiliki
spesifikasi perangkat keras dan perangkat lunak sebagai berikut:
Perangkat keras
 Processor Intel Core i3-2367M CPU @ 1.40Hz
 RAM 4 GB
4








Sistem operasi: Windows 7 Ultimate 32-bit
Harddisk 500 GB
Keyboard dan mouse
Monitor
Perangkat lunak
Microsoft Excel 2010 sebagai lembar kerja (worksheet) dalam pengolahan
data
Java Platform SE 7 U21 versi 7.0.210.11
PostgreSQL sebagai sistem manajemen basis data
SPMF versi 0.94 sebagai perangkat lunak yang digunakan untuk menghasilkan
pola sekuensial dari data peminjaman buku perpustakaan IPB
Tahapan Penelitian
Prefixspan dan GSP adalah dua metode dalam data mining yang dapat
digunakan untuk memperoleh pola sekuensial dengan berbagai tahapan. Tahapan
tersebut dapat dilihat pada Gambar 1.
Gambar 1 Tahapan penelitian
Praproses
Data harus melalui praproses terlebih dahulu sebelum diproses lebih lanjut.
Tahapan tersebut meliputi transformasi data, seleksi data dan pembersihan data.
Praproses penting dilakukan agar dapat menghasilkan data yang valid, lengkap
dan sesuai dengan input yang diperlukan. Tahapan praproses dapat dilihat pada
Gambar 2.
5
Gambar 2 Tahapan praproses
Transformasi Data
Transformasi data merupakan tahap untuk mengubah format data dalam
format yang sesuai agar data dapat diproses. Format koleksi data dari
perpustakaan dikonversi dari format CDS/ISIS (circ.mst) menjadi format
Microsoft Excel (.xlxs) kemudian dikonversi kembali ke format data sekuensial
dalam (.txt) agar dapat dibaca oleh software SPMF.
Seleksi Data
Seleksi data merupakan proses untuk menentukan data yang akan diproses
lebih lanjut untuk dianalisis. Pada tahapan ini juga akan dipilih field atau atribut
yang dibutuhkan sebagai input untuk masing-masing algoritme. Data yang
digunakan meliputi No. Identitas Peminjam, Tanggal peminjaman, dan Kelas
buku yang dipinjam. Data peminjaman buku Perpustakaan IPB memiliki 3 kelas
buku. Dalam penelitian ini digunakan hanya kelas 3 saja untuk memperoleh pola
sekuensial.
Pembersihan Data
Pembersihan data merupakan tahap pembersihan data dari noise, nilai
kosong, dan data yang tidak konsisten dari koleksi data yang akan diproses.
Pembuatan Pola Sekuensial
Tahap ini merupakan proses utama dalam penelitian. Data yang telah
diproses pada tahap sebelumnya akan di-mining dengan menggunakan dua
algoritme sequential pattern yaitu prefixspan dan GSP untuk memperoleh pola
sekuensial dari data peminjaman buku di Perpustakaan IPB.
6
Pencarian Pola Sekuensial
Pola sekuensial adalah suatu pola yang menunjukan urutan transaksi dalam
suatu periode. Pola ini dapat digunakan untuk menganalisis hubungan antar item.
Dalam penelitian ini item yang dimaksud adalah buku.
a Pencarian Pola Sekuensial dengan GSP
Generalized sequential pattern (GSP) merupakan salah satu algoritme untuk
penyelesaian masalah sequential pattern. GSP didesain untuk data transaksi,
dimana setiap pola merupakan kumpulan dari transaksi setiap waktu dan setiap
transaksi berupa item (Ahola 2001). Algoritme ini bekerja menemukan pola
sekuensial dengan cara membangkitkan candidates yang sesuai dengan minimum
support yang ditentukan.
GSP memeriksa semua basisdata untuk menghitung single item (1sequences). Item yang frequent akan membentuk dua item (2-sequences). Item
yang frequent pada 2-sequences akan digunakan untuk men-generate candidate
dari 3 item (3-sequences). Proses ini akan berhenti sampai tidak ada frequent item
yang ditemukan (Zaki 1997). Proses algoritme GSP dalam membangkitkan
candidate dapat dilihat pada Gambar 3.
Gambar 3 Proses algoritme GSP menghasilkan pola sekuensial
b Pencarian Pola Sekuensial dengan Prefixspan
"Prefixspan memproyeksikan basis data dengan membentuk prefix dari
sequence" (Pei et al. 2004). Prefix-projected sequential pattern mining biasa
disebut dengan prefixspan merupakan suatu metode dengan memproyeksi
sequence basisdata berdasarkan hanya pada awalan yang sering muncul frequent
prefixes karena setiap frequent subsequence dapat ditemukan dengan
menumbuhkan sebuah frequent prefix. Prefixspan berbeda dengan GSP dimana
prefixspan tidak membangkitkan candidate baru, oleh sebab itu prefixspan lebih
menghemat waktu dalam membuat pola sekuensial. Tabel 4 menunjukan cara
kerja prefixspan dalam menghasilkan pola sekuensial dengan menghasilkan prefix
dan suffix pada setiap sekuennya.
7
Tabel 4 Prefix dan suffix dalam prefixspan
Prefix
Suffix (prefix-based-projection)
<a>
<(abc)(ac)d(cf)>
<aa>
<(_bc)(ac)d(cf)>
<ab>
<(_c)(ac)d(cf)>
Perbandingan Kinerja Kedua Algoritme
Pada tahap ini akan ditampilkan hasil kinerja kedua algoritme dalam
memperoleh pola sekuensial dari berbagai minimum support dan dataset. Hasil
dari kinerja algoritme akan dicatat dalam tabel untuk kemudian dianalisis lebih
lanjut.
Analisis Pola Sekuensial
Pada tahap ini akan dilakukan analisis hasil pola sekuensial yang dihasilkan
oleh kedua algoritme baik dari pola sekuensial yang diperoleh maupun waktu
eksekusi yang dibutuhkan pada setiap minimum support dan dataset.
HASIL DAN PEMBAHASAN
Praproses
Data peminjaman buku Perpustakaan IPB harus melalui tahapan praproses
terlebih dahulu untuk dapat menghasilkan pola sekuensial. Praproses ini dilakukan
agar data masukan (input) valid dan sesuai denga format input perangkat lunak
yang digunakan. Tahapan praproses dapat dilihat pada Gambar 1.
Transformasi Data
Data peminjaman buku Perpustakaan IPB yang diperoleh dari basisdata
CDS/ISIS memiliki format CIRC (.mst). Data tersebut dapat diolah lebih lanjut
dengan cara mentransformasikan format yang semula (.mst) ke dalam format
(.xlxs). Data kemudian diseleksi dan dibersihkan agar terbebas dari noise. Proses
transformasi data dilakukan dengan dua tahap
a Data dikonversi ke dalam bentuk XML.
b Data yang telah ditransformasikan dalam format xml, kemudian kembali
ditransformasikan ke dalam format .xlxs.
Seleksi Data
Data masukan yang dibutuhkan berupa data sekuensial yang dibentuk dari
tiga atribut, yaitu no identitas, kelas buku yang dipinjam dan tanggal peminjaman.
Kelas buku sendiri, terdiri dari tiga tingkatan kelas yaitu KLS1 yang besifat
umum, KLS2 yang bersifat menengah dan KLS3 yang bersifat khusus. Semakin
dalam kelasnya maka kategori buku semakin spesifik. Dalam penelitian ini dipilih
KLS3 sebagai atribut kelas. Hal ini dilakukan agar keluaran yang dihasilkan
memiliki variasi yang lebih banyak dan terbentuk pola yang lebih spesifik dari
setiap jenis buku dalam transaksi peminjaman.
8
Pembersihan Data
Proses seleksi data menghasilkan tiga atribut. Atribut ini kemudian
dimasukan ke dalam DBMS PostgreSQL untuk dibersihkan. Pada pembersihan
data awal ditemukan ada 3000 data yang tidak memenuhi standar UDC karena
mengandung noise (tanda selain angka seperti . (titik), ‘ (kutip), dan – (strip)).
Proses ini melibatkan query dimana noise diasumsikan sebagai angka ‘0’.
Pembersihan data selanjutnya dilakukan dengan menukar kelas yang salah
dalam klasifikasi. Misalnya KLS1 bernilai 631 dan KLS3 bernilai 630 maka tukar
kedua kelas tersebut sehingga KLS1 bernilai 630 dan KLS3 bernilai 631.
Pembersihan data selanjutnya dilakukan dengan mencocokan data yang
ketiga kelasnya bersifat umum secara manual dengan mencocokan kelas dan judul
buku pada format pengklasifikasian UDC.
Pembuatan Pola Sekuensial
Untuk menentukan pola sekuensial dengan metode prefixspan dan GSP
dilakukan dengan bantuan perangkat lunak (SPMF). Perangkat lunak ini membaca
input berupa data dalam bentuk sekuensial. Pada awalnya data peminjaman buku
perpustakaan IPB masih dalam format .xlxs dimana No. identitas peminjam masih
diperlukan. Format data dalam bentuk sekuensial dapat dilihat pada Tabel 5.
Tabel 5 Contoh peminjaman buku setelah diubah ke
dalam bentuk sekuensial
Identitas peminjam
Pola sekuensial
D14202024
<(637 664 637) 664>
A151050241
<658>
Setiap tanda kurung menggambarkan buku yang dipinjam bersamaan pada
waktu yang sama sedangkan kode yang tidak ditulis dalam tanda kurung
menggambarkan kode buku yang dipinjam pada waktu yang berbeda. Untuk
setiap kode buku yang sama dan dipinjam secara bersamaan pada waktu yang
sama cukup ditulis satu kali.
SPMF tidak membaca karakter ‘(’ (kurung buka) ‘)’ (kurung tutup) ‘<’
(lebih kecil) ’>’ (lebih besar), maka karakter harus diubah. Untuk setiap
perbedaan waktu transaksi dipisahkan dengan tanda ‘-1’ dan diakhiri dengan
tanda ‘-1 -2’. Pola transaksi pada Tabel 5 akan diubah ke dalam format yang dapat
dibaca oleh SPMF. Perubahan bentuk sekuensial diperlihatkan pada Tabel 6.
Tabel 6 Contoh data transaksi Perpustakaan IPB dengan
format input SPMF
Identitas peminjam
Pola sekuensial
D14202024
637 664 637 -1 664 -1 -2
A151050241
658 -1 -2
Pembuatan data sekuensial ini dilakukan dengan menggunakan bahasa
pemrograman PHP yang kemudian menghasilkan data sekuensial sebanyak 4104
baris dalam format teks (.txt).
9
Penentuan Pola Sekuensial
Metode data mining yang digunakan pada penelitian ini adalah metode
sequential pattern mining dengan menggunakan algoritme prefixspan dan GSP.
Beberapa istilah digunakan dalam metode sequential pattern mining. Istilah
tersebut di antaranya:
1 Pola sekuensial
Pola sekuansial yang dimaksud adalah pola yang dibentuk dari kode buku
berdasarkan urutan transaksi peminjaman buku. No id peminjam menjadi
atribut unik untuk mengelompokan kode-kode buku yang dipinjam dalam satu
transaksi. Kemudian transaksi tersebut diurutkan berdasarkan waktu dari yang
paling lama hingga yang terbaru. Semakin panjang pola sekuensial dihasilkan
maka semakin banyak transaksi peminjaman yang dilakukan.
2 Itemset dan Dataset
Itemset adalah sekumpulam Item dalam satu transaksi. Item dalam penelitian
ini adalah kode buku perpustakaan yang sudah diklasifikasikan berdasarkan
standar UDC dimana beberapa judul buku bisa diklasifikasikan dalam satu
kode UDC. Item ini digunakan sebagai input pada perangkat lunak SPMF.
Dataset adalah kumpulan dari itemset. Dataset mengandung informasi
peminjaman yang dikelompokan berdasarkan kriteria tertentu.
3 Minimum support
Minimum support adalah jumlah minimum yang dicapai suatu itemset yang
frequent. Semakin tinggi minimum support maka semakin erat keterkaitan antar
item.
4 Waktu eksekusi
Waktu eksekusi adalah waktu yang diperlukan oleh suatu algoritme dalam
membentuk pola sekuensial. Waktu ini akan dibandingkan untuk memperoleh
kesimpulan kinerja kedua algoritme dalam menghasilkan pola sekuensial.
Penggunaan Algoritme Prefixspan dan GSP pada Data Peminjaman Buku di
Perpustakaan IPB
Pemilihan minimum support
Minimum support yang digunakan dalam penelitian ini adalah 5%, 6%, 8%,
10%, 15% dan 20%. Ke-enam minimum support tersebut dipilih agar mudah
mengamati perbedaan kedua algoritme dalam menghasilkan pola sekuensial. Di
atas 20% sudah tidak diperoleh pola sekuensial yang frequent.
Pemilihan dataset
Data yang telah melalui tahap praproses akan diproses lebih lanjut untuk
menghasilkan pola sekuensial. Dalam penelitian ini keseluruhan data transaksi
peminjaman buku perpustakaan dibagi ke dalam enam dataset berdasarkan
jumlahnya yaitu 50, 100, 500, 1000, 2000 dan 4104 yang diurutkan berdasarkan id
peminjam dan diurutkan kembali berdasarkan tanggal paling lama hingga paling
baru dari id peminjam. Selisih dataset yang digunakan cukup jauh agar mudah
menganalisis kinerja kedua algoritme pada ukuran dataset yang berbeda.
10
Perbandingan Kinerja Algoritme Prefixspan dan GSP
Perbedaan alur kerja dari prefixspan dan GSP dalam menghasilkan pola
sekuensial akan mempengaruhi jumlah pola sekuensial yang dihasilkan dan waktu
eksekusi yang diperlukan. Hasil eksekusi kedua algoritme dengan SPMF dapat
dilihat pada Tabel 7.
Data peminjaman buku Perpustakaan IPB dengan masing-masing minimum
support dan dataset di uji sebanyak tiga kali. Hal ini dilakukan karena masingmasing algoritme menghasilkan waktu eksekusi yang berbeda pada setiap
pengulangan pengujian. Menurut Viger (2013) hal ini disebabkan oleh hal-hal
sebagai berikut:
1 Waktu eksekusi yang dihasilkan oleh algoritme GSP adalah waktu eksekusi
untuk menulis file output saja. Waktu eksekusi untuk membaca file input dan
mengidentifikasi single frequent item tidak dihitung sedangkan waktu eksekusi
algoritme prefixspan adalah waktu eksekusi untuk menulis file output dan lainlain. Waktu eksekusi untuk membaca file input tidak dihitung.
2 Kinerja komputer saat program dijalankan (dalam kasus ini hanya dijalankan
SPMF saja).
Data dari tiga kali pengulangan kemudian dirata-ratakan dan dicatat
hasilnya pada Tabel 7 sementara data lengkap dari tiga percobaan per dataset
disajikan pada Lampiran 1 sampai Lampiran 6. Beberapa informasi yang
diperoleh dari Tabel 7 adalah sebagai berikut:
1 Berdasarkan jumlah pola sekuensial yang dihasilkan
Prefixspan dan GSP menghasilkan jumlah pola sekuensial yang sama pada
setiap dataset dan minimum support.
2 Berdasarkan waktu eksekusi
Terdapat 18 data yang menyatakan bahwa GSP bekerja lebih cepat dari
prefixspan yang diberi tanda (**), 2 data yang menyatakan GSP bekerja sama
cepatnya dengan prefixspan yang diberi tanda (#), 16 data yang menyatakan
GSP bekerja lebih lambat dari prefixspan yang diberi tanda (*).
Gambar 4 sampai Gambar 9 merupakan perbandingan antara minimum
support dan waktu eksekusi yang dikelompokan berdasarkan dataset. Gambar
tersebut menunjukan pada setiap dataset, prefixspan memiliki waktu eksekusi
yang lebih cepat pada minimum support yang rendah sedangkan GSP memiliki
waktu eksekusi yang cepat pada minimum support yang tinggi. Beberapa alasan
terkait hal tersebut diantaranya:
1 Kondisi data yang seragam
GSP menghasilkan pola sekuensial dengan cara membangkitkan kandidat.
Masalah yang ditimbulkan dalam algoritme GSP adalah pembangkitan
kandidat yang ternyata tidak ada di basisdata, hal ini yang menyebabkan GSP
memerlukan waktu yang lama dalam memperoleh pola sekuensial.
Pada data perpustakaan diperoleh data dengan item yang sedikit namun pola
yang panjang seperti 027 -1 820 -1 027 -1 027 -1 027 -1 027 -1 027 -1 027 -1 2. Kode ‘027’ muncul beberapa kali. Hal tersebut menggambarkan transaksi
dilakukan dengan meminjam kode buku yang sama pada waktu yang berbeda
beberapa kali. Bila item yang dihasilkan sedikit maka pembangkitan kandidat
tidak akan lama. Hal inilah yang menyebabkan GSP bekerja lebih cepat.
11
Tabel 7 Data hasil eksekusi algoritme prefixspan dan GSP menggunakan SPMF
Min
support
(%)
No
1
5
2
4
5
*
53.56
37.00
62.00
78.00
151.00
270.67
15
6
12
10
9
5
14.67
*
15.00
#
52.00
*
47.00
*
36.67
*
57.00
15
6
12
10
9
5
6
4
9
4
3
3
*
8
50
100
500
1000
2000
4104
10.00
15.67#
*
41.67
36.67
42.00
62.67
6
4
9
4
3
3
4
4
6
2
1
2
15.33
16.00
41.67
36.00
21.00
57.67
*
4
4
6
2
1
2
18.44
10
50
100
500
1000
2000
4104
50
100
500
1000
2000
4104
1
2
2
1
1
0
5.33
15.67
*
31.00
31.33
25.67
31.00
1
2
2
1
1
0
0.00
21.00
31.67
50
100
500
1000
2000
4104
0
1
1
0
0
0
3.00
15.67
15.33
20.67
15.67
36.33
0
1
1
0
0
0
15
6
50
100
500
1000
2000
4104
Jumlah
pola
sekuensial
48
10
13
11
12
11
GSP
Waktu eksekusi
(ms)
50
100
500
1000
2000
4104
6
3
Jumlah
data
Prefixspan
Jumlah
Waktu eksekusi
pola
(ms)
sekuensial
*
48
27.33
*
10
15.00
*
13
41.67
*
11
47.00
*
12
46.67
*
11
62.67
20
*
Keterangan:
*
data yang menyatakan GSP bekerja lebih lambat dari prefixspan
** data yang menyatakan GSP bekerja lebih cepat dari prefixspan
#
data yang menyatakan GSP bekerja sama cepatnya dengan prefixspan
36.56
15.67
#
52.00
67.33
78.33
77.67
15.44
15.67#
47.00
**
20.67
**
31.00
**
36.00
**
15.33
**
36.33
**
15.33
**
15.00
**
31.00
**
**
0.00
**
16.00
**
0.00
**
1.00
**
0.00
**
3.00
**
0.00
**
0.00
**
0.00
12
Di sisi lain prefixspan bekerja dengan proyeksi ke basisdata. Untuk
menghasilkan pola sekuensial pada setiap length, prefixspan harus melakukan
scan terhadap basisdata terus menerus. Hal ini yang menyebabkan prefixspan
bekerja lebih lambat pada kasus diatas.
2 Minimum support yang diterapkan
Penentuan minimum support akan mempengaruhi waktu eksekusi dari kedua
algoritme. Semakin tinggi minimum support maka candidate yang dihasilkan
oleh GSP semakin sedikit. Hal inilah yang menyebabkan GSP bekerja lebih
cepat pada minimum support yang tinggi.
Di sisi lain prefixspan bekerja dengan melakukan scan terhadap basisdata.
Pada minimum support yang rendah prefixspan bekerja lebih cepat
dibandingkan GSP yang akan membangkitkan kandidat semakin banyak.
Waktu Ekseskusi (ms)
Analisis akan dilanjutkan dengan membandingkan kinerja kedua algoritme
berdasarkan minimum support. Gambar 10 sampai Gambar 15 merupakan
perbandingan antara waktu eksekusi dan dataset yang dikelompokan berdasarkan
minimum support. Dari Gambar 10 sampai Gambar 15 dapat diperoleh informasi
bahwa prefixspan bekerja lebih cepat pada minimum support yang lebih kecil (5%
dan 6%). Semakin rendah minimum support yang digunakan dan semakin besar
dataset, prefixspan bekerja lebih cepat. GSP bekerja lebih cepat pada minimum
support yang tinggi. Semakin tinggi minimum support yang diterapkan, GSP akan
semakin sedikit dalam membangkitkan kandidat dalam setiap dataset, hal inilah
yang menyebabkan GSP bekerja lebih cepat pada minimum support yang tinggi.
Pada minimum support 5%, 6%, 8% dengan dataset 50, prefixspan bekerja
lebih cepat dari GSP namun ketika minimum support dinaikan menjadi 10%
kinerja prefixspan menurun sehingga memiliki waktu eksekusi yang sama dengan
GSP. Ketika minimum support dinaikan kembali menjadi 15% dan 20%
prefixspan bekerja lebih lambat dari GSP. Penentuan minimum support ini sangat
mempengaruhi waktu eksekusi kedua algoritme untuk menghasilkan pola
sekuensial.
60
Prefixspan
GSP
40
20
0
5
6
8
10
Minimum support
15
20
Gambar 4 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 50
Waktu Ekseskusi (ms)
13
40
Prefixspan
GSP
30
20
10
0
5
6
8
10
Minimum support
15
20
Waktu eksekusi (ms)
Gambar 5 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 100
80
Prefixspan
GSP
60
40
20
0
5
6
8
10
15
Minimum support
20
Waktu Eksekusi (ms)
Gambar 6 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 500
100
Prefixspan
80
GSP
60
40
20
0
5
6
8
10
15
Minimum support
20
Waktu Eksekusi (ms)
Gambar 7 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 1000
200
Prefixspan
150
GSP
100
50
0
5
6
8
10
15
Minimum support
20
Gambar 8 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 2000
Waktu Eksekusi (ms)
14
400
Prefixspan
GSP
300
200
100
0
5
6
8
10
15
Minimum support
20
Waktu Eksekusi (ms)
Gambar 9 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan dataset 4104
Prefixspan
300
250
200
150
100
50
0
50
GSP
100
500 1000
Jumlah Dataset
2000
4110
Waktu Eksekusi (ms)
Gambar 10 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 5%
100
Prefixspan
GSP
80
60
40
20
0
50
100
500
1000 2000
Jumlah Dataset
4110
Waktu eksekusi (ms)
Gambar 11 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 6%
80
prefixspan
GSP
60
40
20
0
50
100
500 1000
Jumlah Dataset
2000
4110
Gambar 12 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 8%
15
Waktu Eksekusi (ms)
80
prefixspan
GSP
60
40
20
0
50
100
500
1000 2000
Jumlah Dataset
4110
Waktu eksekusi (ms)
Gambar 13 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 10%
40
prefixspan
GSP
30
20
10
0
50
100
500
1000
Jumlah Dataset
2000
4110
Waktu Eksekusi (ms)
Gambar 14 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 15%
Prefixspan
40
GSP
30
20
10
0
50
100
500
1000
Jumlah Dataset
2000
4110
Gambar 15 Perbandingan waktu eksekusi prefixspan dan GSP
berdasarkan minimum support 20%
Analisis Pola Sekuensial
Perbedaan Urutan Hasil Pola Sekuensial
Kedua algoritme pada penelitian ini menghasilkan pola sekuensial yang
sama, baik panjang polanya maupun jumlah pola sekuensial yang dihasilkan.
Namun dalam pemrosesannya, kedua algoritme ini mempunyai alur yang berbeda
sehingga akan menghasilkan urutan pola sekuensial yang berbeda. Tabel 8
memperlihatkan perbedaan urutan pola sekuensial yang dihasilkan kedua
algoritme.
Tabel 8 merupakan hasil pola sekuensial pada dataset 50 dengan minimum
support 6%, artinya sekurang-kurangnya ada 3 transaksi peminjaman pada setiap
16
kode buku yang diperoleh dari 50 dataset. Perbedaan terlihat pada cara kedua
algoritme tersebut menampilkan output.
GSP bekerja dengan cara membangkitkan kandidat. Terlihat pada Tabel 8,
GSP menyelesaikan terlebih dahulu setiap itemset per-length. GSP tidak dapat
menghasilkan length-2 sequential pattern bila length-1 sequential pattern belum
selesai di-buat begitupun seterusnya hingga tidak diperoleh lagi pola yang
memenuhi minimum support.
Prefixspan bekerja dengan menggunakan proyeksi basisdata. Dapat dilihat
pada Tabel 8 bahwa prefixspan bekerja per-prefix. Artinya prefixspan dapat
membuat length-n per-prefix tanpa harus menyelesaikan semua sesuai urutan,
seperti pada GSP. Contohnya dapat dilihat pada Tabel 8, kode buku 658
memenuhi minimum support pada length-1, pada kode tersebut prefixspan dapat
langsung mencari hingga length-n tanpa harus mencari kandidat yang lain.
Tabel 8 Perbedaan urutan pola sekuensial kedua algoritme
GSP
Prefixspan
027 -1 #SUP: 4
820 -1 #SUP: 5
159 -1 #SUP: 3
681 -1 #SUP: 3
316 -1 #SUP: 3
159 -1 #SUP: 3
338 -1 #SUP: 3
027 -1 #SUP: 4
519 -1 #SUP: 3
027 -1 027 -1 #SUP: 3
631 -1 #SUP: 5
519 -1 #SUP: 3
635 -1 #SUP: 3
316 -1 #SUP: 3
636 -1 #SUP: 5
664 -1 #SUP: 3
639 -1 #SUP: 4
658 -1 #SUP: 9
658 -1 #SUP: 9
658 -1 658 -1 #SUP: 3
664 -1 #SUP: 3
338 -1 #SUP: 3
681 -1 #SUP: 3
631 -1 #SUP: 5
820 -1 #SUP: 5
635 -1 #SUP: 3
027 -1 027 -1 #SUP: 3
639 -1 #SUP: 4
658 -1 658 -1 #SUP: 3
636 -1 #SUP: 5
Item Buku yang Dipinjam
Tabel 8 menunjukan kode ‘658’ muncul sebanyak 9 kali pada length-1
artinya buku dengan kode ‘658’ banyak dipinjam tanpa meminjam buku yang lain.
Tabel 8 juga memberi hasil keterkaitan antar kode buku sampai peminjaman 2
item , yaitu ada sebanyak tiga kali transaksi peminjaman pada kode buku ‘027’
yang dipinjam berurutan dengan kode buku ‘027’ pada waktu yang berbeda dan
kode buku ‘658’ yang dipinjam berurutan dengan kode buku ‘658’ pada waktu
yang berbeda juga. Artinya diperoleh keterkaitan antara 2 item dengan kode buku
yang sama (027 dengan 027) dan (658 dengan 658). Hal ini menunjukan bahwa
pada minimum support 6% dan dataset 50 sekurang-kurangnya ada tiga kali
transaksi yang dilakukan oleh mahasiswa yang meminjam buku dengan topik
yang sama.
17
Pola yang Dihasilkan dari Data Peminjaman Buku Perpustakaan IPB
Terdapat beberapa pola yang dapat dianalisis pada beberapa dataset. Pola
tersebut menggambarkan kode buku yang sering dipinjam dan kode buku yang
saling terkait satu dengan yang lain.
1 Dataset 50
Pada dataset 50 diperoleh pola menarik yaitu pada minimum support 5%
artinya ada sekurang-kurangnya 2 dari 50 transaksi peminjaman. Pola tersebut
adalah sebagai berikut.
820 -1 027 -1 #SUP: 2
027 -1 820 -1 #SUP: 2
027 820 -1 #SUP: 2
631 658 -1 #SUP: 2
631 636 -1 #SUP: 2
Pada pola diatas diperoleh pola terpanjang yang masing-masing dipinjam
sebanyak dua kali yaitu pada length-2 ( pola yang memiliki keterkaitan sampai
dua item) yaitu item <820 027>, <027 820>, <(027 820)>,<(631 658)>,<(631
636)> dimana ada dua dari 50 data transaksi yang menggambarkan seseorang
akan meminjam buku dengan kode 820 (sastra) kemudian 027 (perpustakaan
umum) secara terpisah pada waktu yang berbeda, begitu juga sebaliknya, selain
itu ada juga yang meminjam kode buku 027 dan 820 secara bersamaan di
waktu yang sama. Keterkaitan kuat lainnya adalah ketika seseorang meminjam
buku dengan kode buku 631 (pertanian secara umum) dan 658 (Manajemen,
administrasi bisnis. Organisasi komersial) yang dipinjam bersamaan, dan 631
dan 636 ( peternakan dan pengembangbiakan ternak secara umum.
Pemeliharaan ternak. Pembibitan hewan domestik) yang dipinjam bersamaan.
2 Dataset 100
Pada dataset 100 diperoleh pola yang menunjukan keterkaitan kode buku
yang sama yaitu pada minimum support 10%, polanya adalah sebagai berikut.
658 -1 #SUP: 11
631 -1 #SUP: 34
631 -1 631 -1 #SUP: 16
631 -1 631 -1 631 -1 #SUP: 12
Pola diatas menjelaskan bahwa dari 100 orang yang meminjaman buku 11
diantaranya meminjam buku dengan kode 658 (Manajemen, administrasi bisnis.
Organisasi komersial). 34 diantaranya meminjam buku dengan kode 631, 16
diantaranya meminjam kode buku 631(pertanian secara umum) sebanyak dua
kali pada waktu yang berbeda. 12 diantaranya meminjam kode buku 631
sebanyak tiga kali pada waktu yang berbeda. Dapat diambil kesimpulan dari 4
pola yang dihasilkan pada 100 dataset selalu diperoleh kode 631. Artinya buku
dengan kode 631(pertanian secara umum) selalu dipinjam hampir pada setiap
transaksi pada 100 dataset.
18
3 Dataset 4104 (seluruh data peminjaman buku periode 2003-2013)
Pada dataset 4104 (seluruh data transaksi peminjaman buku) diperoleh pola
yang menunjukan keterkaitan kode buku yang sama yaitu pada minimum 10%,
pola tersebut adalah sebagai berikut.
631 -1 #SUP: 435
658 -1 #SUP: 458
Pola diatas menjelaskan dari 4104 peminjam buku, 435 diantaranya
meminjam buku dengan kode 631 (pertanian secara umum) dan 458
diantaranya meminjam buku dengan kode 658 (Manajemen, administrasi bisnis.
Organisasi komersial). Dari pola diatas dapat diambil kesimpulan bahwa dari
seluruh transaksi peminjaman buku pada Perpustakaan IPB kode buku yang
paling banyak dipinjam adalah 658 (Manajemen, administrasi bisnis.
Organisasi komersial).
SIMPULAN DAN SARAN
Simpulan
Dari hasil analisis yang telah dilakukan diperoleh beberapa kesimpulan
terkait kinerja kedua algoritme dalam menghasilkan pola sekuensial pada data
Peminjaman Buku Perpustakaan IPB periode 2003-2013.
1 Prefixspan dan GSP menghasilkan pola sekuensial yang sama baik panjang
polanya maupun jumlah pola sekuensial yang dihasilkan meskipun alur kerja
algoritme ini berbeda. Pada dataset 50 dengan minimum support 5% diperoleh
transaksi peminjaman yang menarik dengan pola <820 027> dimana buku
dengan kode 820 (sastra) akan dipinjam berurutan pada waktu yang berbeda
dengan kode buku 027 (perpustakaan umum) begitupun sebaliknya, <(027
820)> dimana kode buku 027 akan dipinjam bersamaan dengan kode buku 820,
<(631 658)> dimana kode buku 631 (pertanian secara umum) akan dipinjam
bersamaan dengan kode buku 658 (Manajemen, administrasi bisnis. Organisasi
komersial), <(631 636)> dimana kode buku 631 akan dipinjam bersamaan
dengan kode buku 636 ( peternakan dan pengembangbiakan ternak secara
umum. Pemeliharaan ternak. Pembibitan hewan domestik). Pada seluruh
dataset yang merupakan seluruh transaksi peminjaman buku diperoleh
kesimpulan bahwa buku dengan kode 658 dipinjam sebanyak 458 kali. Hal ini
berarti bahwa buku yang paling sering dipinjam di Perpustakaan IPB adalah
buku dengan kode 658 (Manajemen, administrasi bisnis. Organisasi komersial).
2 GSP bekerja lebih cepat pada minimum support yang tinggi karena akan
mengurangi waktu eksekusinya dalam pembangkitan kandidat. Prefixspan
bekerja lebih cepat pada minimum support yang rendah karena pola-pola
panjang akan ditemukan, prefixspan bekerja lebih baik daripada GSP pada
pola-pola yang panjang. Dari hasil penelitian dapat dilihat pada minimum
support 5% dan 6% prefixspan bekerja dengan waktu eksekusi yang lebih
cepat daripada GSP. Sedangkan pada minimum support 8%, 10%, 15% dan
20% GSP bekerja lebih cepat. Sehingga diperoleh kesimpulan untuk seluruh
19
minimum support dan dataset yang digunakan GSP bekerja lebih cepat pada
data peminjaman buku Perpustakaan IPB periode 2003-2013.
Saran
Penelitian selanjutnya diharapkan dapat menghasilkan korelasi yang kuat
dan pola sekuensial yang lebih baik pada minimum support yang tinggi serta dapat
mengelompokan data berdasarkan fakultas atau departemen agar bisa melihat pola
peminjaman buku pada setiap fakultas atau departemen.
DAFTAR PUSTAKA
Ahola J. 2001. Mining sequential pattern (version 1.0) [Internet]. [diunduh 2013
Okt 31]. Tersedia pada: http://www.vtt.fi/inf/julkaisut/muut /2001.
Agrawal R, Srikant R. 1995. Mining sequential pattern. Di dalam International
Conference on Data Engineering; 1995 Mar; Taipei, Taiwan. hlm 3-14.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. Ed ke-2. San
Fransisco (US): Morgan Kaufmann.
Pei J, Han J, Mortazawi-Asl B, Wang J, Pinto H, Chen Q, Dayal U, Hsu M. 2004.
Mining sequential patterns by pattern-growth: the prefixspan approach.
IEEE Transactions on Knowledge and Data Engineering. 16(11):1424-1440.
Zaki MJ. 1997. Fast mining of sequential patterns in very large databases
[technical report]. NewYork (US): University of Rochester.
Viger PF. 2013. Sequential pattern mining framework (SPMF) versi 0.94
[internet]. [diunduh 2013 Agu 6]. Tersedia pada:http://www.philippefournier-viger.com/spmf.
20
LAMPIRAN
Lampiran 1 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 50
Minsup
5
6
8
10
15
20
Jml
sekuen
48
15
6
4
1
0
Waktu Eksekusi Prefixspan (ms)
I1
47.00
14.00
15.00
15.00
0.00
3.00
I2
31.00
18.00
0.00
15.00
16.00
3.00
I3
Rataan
4.00
12.00
15.00
16.00
0.00
3.00
27.33
14.67
10.00
15.33
5.33
3.00
Waktu Eksekusi GSP (ms)
I1
I2
62.00
35.00
15.00
15.00
0.00
1.00
47.00
39.00
16.00
25.00
0.00
1.00
I3
51.67
35.67
15.33
15.33
0.00
1.00
Rataan
53.56
36.56
15.44
18.44
0.00
1.00
Lampiran 2 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 100
Minsup
5
6
8
10
15
20
Jml
sekuen
10
6
4
4
2
1
Waktu Eksekusi Prefixspan (ms)
I1
15.00
15.00
16.00
16.00
16.00
16.00
I2
15.00
15.00
16.00
16.00
16.00
15.00
I3
15.00
15.00
15.00
16.00
15.00
16.00
Rataan
15.00
15.00
15.67
16.00
15.67
15.67
Waktu Eksekusi GSP (ms)
I1
47.00
16.00
16.00
16.00
15.00
0.00
I2
I3
32.00
16.00
15.00
15.00
32.00
0.00
32.00
15.00
16.00
15.00
16.00
0.00
Rataan
37.00
15.67
15.67
15.33
21.00
0.00
Lampiran 3 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 500
Minsup
5
6
8
10
15
20
Jml
sekuen
13
12
9
6
2
1
Waktu Eksekusi Prefixspan (ms)
I1
31.00
47.00
31.00
47.00
31.00
15.00
I2
47.00
62.00
47.00
31.00
31.00
15.00
I3
47.00
47.00
47.00
47.00
31.00
16.00
Rataan
41.67
52.00
41.67
41.67
31.00
15.33
Waktu Eksekusi GSP (ms)
I1
62.00
47.00
47.00
47.00
31.00
0.00
I2
I3
62.00
47.00
47.00
31.00
32.00
0.00
62.00
62.00
47.00
31.00
32.00
10.00
Rataan
62.00
52.00
47.00
36.33
31.67
3.00
Lampiran 4 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 1000
Minsup
5
6
8
10
15
20
Jml
sekuen
11
10
4
2
1
0
Waktu Eksekusi Prefixspan (ms)
I1
47.00
62.00
31.00
31.00
31.00
16.00
I2
47.00
32.00
47.00
46.00
31.00
31.00
I3
47.00
47.00
32.00
31.00
32.00
15.00
Rataan
47.00
47.00
36.67
36.00
31.33
20.67
Waktu Eksekusi GSP (ms)
I1
78.00
62.00
31.00
15.00
0.00
0.00
I2
I3
78.00
62.00
15.00
16.00
0.00
0.00
78.00
78.00
16.00
15.00
0.00
0.00
Rataan
78.00
67.33
20.67
15.33
0.00
0.00
21
Lampiran 5 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 2000
Minsup
5
6
8
10
15
20
Jml
sekuen
12
9
3
1
1
0
Waktu Eksekusi Prefixspan (ms)
I1
I2
47.00
31.00
32.00
16.00
31.00
16.00
I3
47.00
32.00
47.00
16.00
31.00
15.00
46.00
47.00
47.00
31.00
15.00
16.00
Rataan I1
Waktu Eksekusi GSP (ms)
I2
46.67 156.00 156.00
36.67 94.00 63.00
42.00 31.00 31.00
21.00 15.00 15.00
25.67 16.00 16.00
15.67
0.00
0.00
I3
141.00
78.00
31.00
15.00
16.00
0.00
Rataan
151.00
78.33
31.00
15.00
16.00
0.00
Lampiran 6 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga
pengulangan pada dataset 4104
Minsup
5
6
8
10
15
20
Jml
sekuen
11
5
3
2
0
0
Waktu Eksekusi Prefixspan (ms)
I1
62.00
62.00
47.00
63.00
31.00
31.00
I2
63.00
62.00
78.00
47.00
31.00
31.00
I3
Rataan I1
63.00
47.00
63.00
63.00
31.00
47.00
Waktu Eksekusi GSP (ms)
I2
62.67 266.00 265.00
57.00 62.00 93.00
62.67 31.00 31.00
57.67 31.00 31.00
31.00
0.00
0.00
36.33
0.00
0.00
I3
281.00
78.00
46.00
31.00
0.00
0.00
Rataan
270.67
77.67
36.00
31.00
0.00
0.00
22
RIWAYAT HIDUP
Penulis lahir di Yogyakarta 31 Desember 1989, anak pertama dari dua
bersaudara. Putri dari Bapak John Daniel dan Ibu Wati ningsih. Penulis
menyelesaikan Sekolah Menengah Atas (SMA) di SMA Negeri 4 Bogor lalu
kemudian diterima sebagai mahasiswa USMI Diploma IPB jurusan Manajemen
Informatika. Penulis Menyelesaikan study di diploma IPB lalu kemudian lulus dan
melanjutkan study pada Ilmu Komputer IPB untuk meraih gelar Sarjana
Komputer.
Pada masa sekolah hingga menjadi mahasiswa penulis aktif dalam kegiatan
kemahasiswaan seperti terlibat dalam beberapa kepanitian (OMDI, MPKMB).
Penulis juga sering mengikuti seminar-seminar yang dapat menambah
pengetahuan dan rekan kerja.
Selain kuliah, penulis menjadi salah satu karyawati di LPPM-IPB yaitu
PKHT (Pusat Kajian Hortikultura Tropika) sebagai web administrator.