PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK … · kode buku 027 (perpustakaan umum), ... Judul Skripsi: Penerapan Algoritme ... mahasiswa mengenai keterkaitan antar buku yang dipinjam

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 Drs Badollahi Mustafa, MLib

Pembimbing I . Pembimbing II

Tanggal Lulus: 2 8 JAN lUlf

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 7

Praproses 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

SIMPULAN DAN SARAN 18

Simpulan 18

Saran 19

DAFTAR PUSTAKA 19

LAMPIRAN 20

RIWAYAT HIDUP 22

vi

DAFTAR TABEL

1 Field dalam data sirkulasi IPB 3 2 Kelas utama UDC 3

3 Contoh hierarki peminjaman buku perpustakaan 3 4 Prefix dan suffix dalam prefixspan 7

5 Contoh peminjaman buku setelah diubah ke dalam bentuk sekuensial 8 6 Contoh data transaksi perpustakaan IPB dengan format input SPMF 8

7 Data hasil eksekusi algoritme prefixspan dan GSP menggunakan SPMF 11 8 Perbedaan urutan pola sekuensial kedua algoritme 16

DAFTAR GAMBAR

1 Tahapan penelitian 4

2 Tahapan praproses 5 3 Proses algoritme GSP menghasilkan pola sekuensial 6

4 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset

50 12


100 13


500 13


1000 13


2000 13 9 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan dataset

4104 14 10 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum

support 5% 14 11 Perbandingan waktu eksekusi prefixspan dan GSP berdasarkan minimum





support 20% 15

DAFTAR LAMPIRAN

1 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan

pada dataset 50 20


pada dataset 100 20


pada dataset 500 20


pada dataset 1000 20





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

No Nama field Tipe data

1 No.identitas peminjam Alphanumeric

2 Kategori peminjam Alphanumeric

3 No. Registrasi buku Alphanumeric

4 Judul buku Alphanumeric

5 Kelas buku yang dipinjam Alphanumeric

6 Kondisi buku yang dipinjam Alphanumeric

7 Tanggal peminjaman Alphanumeric

8 Kode tanggal peminjaman Alphanumeric

9 Tanggal buku harus kembali Alphanumeric

10 Tanggal buku dikembalikan Alphanumeric

11 Jenis peminjaman Alphanumeric

12 Operator transaksi buku Alphanumeric

13 Nama peminjam Alphanumeric

14 Jenis koleksi Alphanumeric

Tabel 2 Kelas utama UDC

Kelas utama

UDC Keterangan

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 Kelas buku yang dipinjam

500 Matematika. Ilmu Alam

570 Ilmu-ilmu hayati pada umumnya

574 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

http://www.udcc.org/udcsummary/php/index.php

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 (1-

sequences). 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 masing-

masing 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 lain-

lain. 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

No

Min

support

(%)

Jumlah

data

Prefixspan GSP

Jumlah

pola

sekuensial

Waktu eksekusi

(ms)

Jumlah

pola

sekuensial

Waktu eksekusi

(ms)

1 5

50 48 27.33* 48 53.56

100 10 15.00* 10 37.00

500 13 41.67* 13 62.00

1000 11 47.00* 11 78.00

2000 12 46.67* 12 151.00

4104 11 62.67* 11 270.67

2 6

50 15 14.67* 15 36.56

100 6 15.00* 6 15.67

500 12 52.00# 12 52.00

#

1000 10 47.00* 10 67.33

2000 9 36.67* 9 78.33

4104 5 57.00* 5 77.67

3 8

50 6 10.00* 6 15.44

100 4 15.67# 4 15.67

#

500 9 41.67* 9 47.00

1000 4 36.67 4 20.67**

2000 3 42.00 3 31.00**

4104 3 62.67 3 36.00**

4 10

50 4 15.33* 4 18.44

100 4 16.00 4 15.33**

500 6 41.67 6 36.33**

1000 2 36.00 2 15.33**

2000 1 21.00 1 15.00**

4104 2 57.67 2 31.00**

5 15

50 1 5.33 1 0.00**

100 2 15.67* 2 21.00

500 2 31.00* 2 31.67

1000 1 31.33 1 0.00**

2000 1 25.67 1 16.00**

4104 0 31.00 0 0.00**

6 20

50 0 3.00 0 1.00**

100 1 15.67 1 0.00**

500 1 15.33 1 3.00**

1000 0 20.67 0 0.00**

2000 0 15.67 0 0.00**

4104 0 36.33 0 0.00**

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

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.

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.

Gambar 4 Perbandingan waktu eksekusi prefixspan dan GSP

berdasarkan dataset 50

0

20

40

60

5 6 8 10 15 20

Wak

tu E

kse

sku

si (

ms)

Minimum support

Prefixspan GSP

13









0

10

20

30

40

5 6 8 10 15 20W

aktu

Ekse

skusi

(m

s)

Minimum support

Prefixspan GSP

0

20

40

60

80

5 6 8 10 15 20

Wak

tu e

kse

kusi

(m

s)

Minimum support

Prefixspan GSP

0

20

40

60

80

100

5 6 8 10 15 20

Wak

tu E

kse

ku

si (

ms)

Minimum support

Prefixspan GSP

0

50

100

150

200

5 6 8 10 15 20

Wak

tu E

kse

kusi

(m

s)

Minimum support

Prefixspan GSP

14




berdasarkan minimum support 5%





0

100

200

300

400

5 6 8 10 15 20W

aktu

Ekse

ku

si (

ms)

Minimum support

Prefixspan GSP

0

50

100

150

200

250

300

50 100 500 1000 2000 4110

Wak

tu E

kse

kusi

(m

s)

Jumlah Dataset

Prefixspan GSP

0

20

40

60

80

100

50 100 500 1000 2000 4110

Wak

tu E

kse

ku

si (

ms)

Jumlah Dataset

Prefixspan GSP

0

20

40

60

80

50 100 500 1000 2000 4110

Wak

tu e

kse

kusi

(m

s)

Jumlah Dataset

prefixspan GSP

15







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

0

20

40

60

80

50 100 500 1000 2000 4110W

aktu

Ek

sek

usi

(m

s)

Jumlah Dataset

prefixspan GSP

0

10

20

30

40

50 100 500 1000 2000 4110

Wak

tu e

kse

kusi

(m

s)

Jumlah Dataset

prefixspan GSP

0

10

20

30

40

50 100 500 1000 2000 4110

Wak

tu E

kse

ku

si (

ms)

Jumlah Dataset

Prefixspan GSP

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

159 -1 #SUP: 3

316 -1 #SUP: 3

338 -1 #SUP: 3

519 -1 #SUP: 3

631 -1 #SUP: 5

635 -1 #SUP: 3

636 -1 #SUP: 5

639 -1 #SUP: 4

658 -1 #SUP: 9

664 -1 #SUP: 3

681 -1 #SUP: 3

820 -1 #SUP: 5

027 -1 027 -1 #SUP: 3

658 -1 658 -1 #SUP: 3

820 -1 #SUP: 5

681 -1 #SUP: 3

159 -1 #SUP: 3

027 -1 #SUP: 4

027 -1 027 -1 #SUP: 3

519 -1 #SUP: 3

316 -1 #SUP: 3

664 -1 #SUP: 3

658 -1 #SUP: 9

658 -1 658 -1 #SUP: 3

338 -1 #SUP: 3

631 -1 #SUP: 5

635 -1 #SUP: 3

639 -1 #SUP: 4

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.philippe-

fournier-viger.com/spmf.

http://www.vtt.fi/inf/julkaisut/muut%20/2001.

http://www.philippe-fournier-viger.com/spmf

http://www.philippe-fournier-viger.com/spmf

20

LAMPIRAN

Lampiran 1 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga pengulangan pada dataset 50

Minsup Jml

sekuen

Waktu Eksekusi Prefixspan (ms) Waktu Eksekusi GSP (ms)

I1 I2 I3 Rataan I1 I2 I3 Rataan

5 48 47.00 31.00 4.00 27.33 62.00 47.00 51.67 53.56

6 15 14.00 18.00 12.00 14.67 35.00 39.00 35.67 36.56

8 6 15.00 0.00 15.00 10.00 15.00 16.00 15.33 15.44

10 4 15.00 15.00 16.00 15.33 15.00 25.00 15.33 18.44 15 1 0.00 16.00 0.00 5.33 0.00 0.00 0.00 0.00

20 0 3.00 3.00 3.00 3.00 1.00 1.00 1.00 1.00


Minsup Jml

sekuen



5 10 15.00 15.00 15.00 15.00 47.00 32.00 32.00 37.00

6 6 15.00 15.00 15.00 15.00 16.00 16.00 15.00 15.67

8 4 16.00 16.00 15.00 15.67 16.00 15.00 16.00 15.67 10 4 16.00 16.00 16.00 16.00 16.00 15.00 15.00 15.33

15 2 16.00 16.00 15.00 15.67 15.00 32.00 16.00 21.00

20 1 16.00 15.00 16.00 15.67 0.00 0.00 0.00 0.00


Minsup Jml

sekuen



5 13 31.00 47.00 47.00 41.67 62.00 62.00 62.00 62.00

6 12 47.00 62.00 47.00 52.00 47.00 47.00 62.00 52.00 8 9 31.00 47.00 47.00 41.67 47.00 47.00 47.00 47.00

10 6 47.00 31.00 47.00 41.67 47.00 31.00 31.00 36.33

15 2 31.00 31.00 31.00 31.00 31.00 32.00 32.00 31.67

20 1 15.00 15.00 16.00 15.33 0.00 0.00 10.00 3.00

Lampiran 4 Data perolehan jumlah sekuen dan waktu eksekusi pada tiga

pengulangan pada dataset 1000

Minsup Jml

sekuen



5 11 47.00 47.00 47.00 47.00 78.00 78.00 78.00 78.00

6 10 62.00 32.00 47.00 47.00 62.00 62.00 78.00 67.33

8 4 31.00 47.00 32.00 36.67 31.00 15.00 16.00 20.67

10 2 31.00 46.00 31.00 36.00 15.00 16.00 15.00 15.33

15 1 31.00 31.00 32.00 31.33 0.00 0.00 0.00 0.00

20 0 16.00 31.00 15.00 20.67 0.00 0.00 0.00 0.00

21



Minsup Jml sekuen



5 12 47.00 47.00 46.00 46.67 156.00 156.00 141.00 151.00

6 9 31.00 32.00 47.00 36.67 94.00 63.00 78.00 78.33

8 3 32.00 47.00 47.00 42.00 31.00 31.00 31.00 31.00

10 1 16.00 16.00 31.00 21.00 15.00 15.00 15.00 15.00

15 1 31.00 31.00 15.00 25.67 16.00 16.00 16.00 16.00

20 0 16.00 15.00 16.00 15.67 0.00 0.00 0.00 0.00



Minsup Jml sekuen



5 11 62.00 63.00 63.00 62.67 266.00 265.00 281.00 270.67

6 5 62.00 62.00 47.00 57.00 62.00 93.00 78.00 77.67

8 3 47.00 78.00 63.00 62.67 31.00 31.00 46.00 36.00

10 2 63.00 47.00 63.00 57.67 31.00 31.00 31.00 31.00

15 0 31.00 31.00 31.00 31.00 0.00 0.00 0.00 0.00

20 0 31.00 31.00 47.00 36.33 0.00 0.00 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.

Documents

PENERAPAN ALGORITME PREFIXSPAN DAN GSP UNTUK … · kode buku 027 (perpustakaan umum), ... Judul Skripsi: Penerapan Algoritme ... mahasiswa mengenai keterkaitan antar buku yang dipinjam