REKOMENDASI PENAMBAHAN LINK PADA WEB BERDASARKAN POLA AKSES PENGGUNA NURDIAN SETYAWAN

Transkripsi

1 REKOMENDASI PENAMBAHAN LINK PADA WEB BERDASARKAN POLA AKSES PENGGUNA NURDIAN SETYAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

2 REKOMENDASI PENAMBAHAN LINK PADA WEB BERDASARKAN POLA AKSES PENGGUNA Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor NURDIAN SETYAWAN G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

3 Judul : Rekomendasi Penambahan Link pada Web Berdasarkan Pola Akses Pengguna Nama : Nurdian Setyawan NRP : G Menyetujui: Pembimbing I, Pembimbing II, Annisa, S.Kom, M.Kom. Ir. Julio Adisantoso, M.Kom. NIP NIP Mengetahui : Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus :

4 ABSTRAK NURDIAN SETYAWAN. Rekomendasi Penambahan Link pada Web Berdasarkan Pola Akses Pengguna. Dibimbing oleh ANNISA dan JULIO ADISANTOSO. Struktur web yang baik sangat diperlukan dalam pengembangan sebuah web. Akan tetapi, struktur yang baik menurut pengembang belum tentu sesuai dengan harapan pengguna. Halaman atau informasi yang dicari pengguna (halaman target) seringkali tidak ditemukan pada lokasi yang diharapkan pengguna (lokasi harapan), tetapi berada pada lokasi lain yang telah ditentukan pengembang (lokasi aktual). Oleh karena itu, diperlukan suatu cara untuk memperbaiki struktur web sehingga struktur web secara logik sesuai dengan harapan pengguna. Berdasarkan data perilaku pengguna web, pada penelitian ini dilakukan pencarian halamanhalaman yang menjadi lokasi-lokasi harapan dari suatu halaman target menggunakan Algoritme Find Expected Location. Selanjutnya dari halaman-halaman tersebut akan ditentukan halamanhalaman yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya dengan menggunakan tiga algoritme optimasi, yaitu FirstOnly, OptimizeBenefit, dan OptimizeTime. Pada penelitian ini juga dilakukan perbandingan kinerja ketiga algoritme optimasi tersebut. Hasil percobaan menunjukkan Algoritme Find Expected Location dan algoritme optimasi dapat diterapkan untuk menemukan dan menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Ketiga algoritme optimasi dapat menghasilkan halaman rekomendasi yang berbeda-beda. Halaman-halaman rekomendasi yang dihasilkan oleh ketiga algoritme optimasi sama jika lokasi harapan yang dihasilkan hanya lokasi harapan pertama. Hasil percobaan juga menunjukkan waktu komputasi algoritme optimasi FirstOnly lebih cepat dibandingkan dengan yang lainya. Kata kunci: Struktur Web, Algoritme Find Expected Location, Algoritme Optimasi.

5 RIWAYAT HIDUP Penulis dilahirkan di Brebes pada tanggal 4 Oktober 1986 dari pasangan Bapak Murokhim dan Ibu Ramlah. Penulis merupakan anak kedua dari tiga bersaudara. Penulis menyelesaikan pendidikan menengah atas di SMA Negeri 1 Brebes pada tahun Pada tahun yang sama penulis berkesempatan untuk melanjutkan studi di Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI) sebagai sivitas akademika S1 Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Selama kuliah, penulis aktif di organisasi kemahasiswaan Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) selama tiga periode kepemimpinan dan menjabat sebagai Ketua Divisi Basis Data pada periode Penulis juga pernah menjadi asisten praktikum mata kuliah Penerapan Komputer dan mata kuliah Algoritme dan Pemrograman pada tahun ajaran

6 KATA PENGANTAR Alhamdulillah, puji dan syukur penulis panjatkan kehadirat Allah SWT atas segala rahmat dan karunia-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Sholawat serta salam juga penulis sampaikan kepada junjungan kita Nabi Muhammad SAW beserta seluruh keluarga, sahabat, dan umatnya hingga akhir zaman. Penulis menyampaikan penghargaan dan terima kasih kepada Ibu Annisa, S.Kom, M.Kom selaku pembimbing pertama, atas bantuan, bimbingan, ilmu, kesabaran, dan waktu yang diberikan selama proses penelitian dan penyusunan karya ilmiah ini sehingga dapat diselesaikan dengan baik. Penulis juga menyampaikan terima kasih kepada Bapak Ir. Julio Adisantoso, M.Kom selaku pembimbing kedua yang telah memberikan saran dan masukan kepada penulis selama mengerjakan penelitian ini. Terima kasih juga penulis sampaikan kepada seluruh keluarga, terutama Ayahanda Murokhim dan Ibunda Ramlah yang senantiasa mendoakan dan memberikan dukungan selama penulis menjalankan studi di Institut Pertanian Bogor, kakak penulis Mba Yuli dan Aa Eliz yang senantiasa memberikan masukan dan semangat pada penulis, adik penulis Nok Iin yang senantiasa mendengarkan cerita-cerita penulis selama kuliah di IPB, dan Om Arif sekeluarga yang telah membimbing penulis selama penulis tinggal di Bogor. Penulis juga menyampaikan terima kasih kepada teman-teman satu bimbingan (Riza, Ayu, Ica) yang telah menjadi teman diskusi selama mengerjakan skripsi, teman-teman ILKOM 41, teman-teman Pondok D Qaka, dan teman-teman KPMDB atas dukungan dan masukan yang diberikan, serta kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama ini yang tidak dapat disebutkan satu-persatu. Sebagaimana manusia yang tidak luput dari kesalahan, penulis menyadari bahwa karya ilmiah ini jauh dari sempurna. Namun penulis berharap semoga karya ilmiah ini dapat bermanfaat bagi siapapun yang membacanya. Bogor, 25 Agustus 2008 Nurdian Setyawan

7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR GAMBAR... v DAFTAR LAMPIRAN... v PENDAHULUAN... 1 Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat... 1 TINJAUAN PUSTAKA... 1 Web... 1 Data Log... 2 Model Pencarian Pengguna... 3 Data Preprocessing... 3 Algoritme Find Expected Location... 4 Algoritme Optimasi... 5 METODE PENELITIAN... 7 Studi Pustaka... 7 Pembuatan Basis Data... 7 Pembangkitan Data... 8 Data Preprocessing... 8 Pencarian Lokasi Harapan... 8 Rekomendasi... 8 Lingkungan Pengembangan Sistem... 9 HASIL DAN PEMBAHASAN... 9 Pembuatan Basis Data... 9 Pembangkitan Data Data Preprocessing Pencarian Lokasi harapan Rekomendasi KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA iv

8 DAFTAR TABEL Halaman 1 Contoh hasil Find Expected Location Lokasi-lokasi harapan setelah melalui perhitungan dengan algoritme OptimizeBenefit Lokasi-lokasi harapan setelah melalui perhitungan dengan algoritme OptimizeTime Tabel-tabel dalam basis data Waktu komputasi algoritme optimasi percobaan I Waktu komputasi algoritme optimasi percobaan II DAFTAR GAMBAR Halaman 1 Struktur Berurut (Veer et al. 2004) Struktur Bertingkat (Veer et al. 2004) Struktur Bertingkat dengan 3 (tiga) Tingkat (Veer et al. 2004) Kombinasi Struktur Berurut dan Bertingkat (Veer et al. 2004) Struktur Jaringan (Veer et al. 2004) Website dan Model Pencarian Satu Halaman Target (Srikant & Yang 2001) Web dan Model Pencarian Beberapa Halaman Target (Srikant & Yang 2001) Metode Penelitian... 7 DAFTAR LAMPIRAN Halaman 1 Atribut-atribut tabel basis data Struktur web Contoh data log hasil pembangkitan Contoh transaksi-transaksi hasil transaction identification Contoh lokasi-lokasi harapan hasil algoritme Find Expected Location Halaman-halaman rekomendasi dan struktur web hasil algoritme optimasi percobaan I Halaman-halaman rekomendasi dan struktur web hasil algoritme optimasi percobaan II v

9 Latar Belakang PENDAHULUAN Web merupakan salah satu sarana untuk menyediakan berbagai informasi pada jaringan internet. Adanya hyperlink pada web memungkinkan pengguna menjelajahi web untuk mencari informasi atau halaman yang diperlukan (halaman target). Hal ini menyebabkan pengembang web harus menentukan struktur web yang baik dalam mengorganisasikan web agar pengguna dapat menemukan halaman target dengan mudah pada web tersebut. Namun demikian, struktur web yang baik menurut pengembang belum cukup memberikan kemudahan kepada pengguna dalam mencari halaman target. Struktur ini mungkin saja tidak sesuai dengan struktur yang diharapkan pengguna sehingga tidak sedikit pengguna menemukan halaman target tidak pada lokasi yang diharapkan (lokasi harapan) tetapi berada di lokasi lainnya (lokasi aktual). Pengguna akan melakukan penelusuran balik ketika tidak menemukan informasi pada lokasi harapan dan meneruskan penelusurannya hingga halaman target ditemukan (Srikant & Yang 2001). Oleh karena itu, diperlukan suatu cara untuk memperbaiki struktur web sehingga struktur web tersebut sesuai dengan harapan pengguna. Srikant & Yang (2001) memperkenalkan suatu metode untuk memperbaiki struktur web agar sesuai dengan harapan pengguna dengan cara menambahkan link dari lokasi harapan ke halaman targetnya. Dalam memperbaiki struktur web, metode ini menggunakan data perilaku pengguna web selama menjelajahi web yang tercatat dalam data log. Terdapat dua langkah utama pada metode ini. Pertama, menemukan lokasi-lokasi harapan dari suatu halaman target dengan menggunakan Algoritme Find Expected Locations. Kedua, menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman tergetnya dengan menggunakan algoritme optimasi sebagai upaya untuk memperbaiki struktur web agar sesuai dengan harapan pengguna. Tujuan Tujuan penelitian ini adalah mengimplementasikan Algoritme Find Expected Location dan algoritme optimasi (FirstOnly, OptimizeBenefit, dan OptimizeTime) untuk menemukan dan menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Selain itu, penelitian ini juga bertujuan membandingkan kinerja ketiga algoritme optimasi. Ruang Lingkup Ruang lingkup penelitian ini dibatasi pada: 1 Struktur web yang diteliti merupakan struktur dummy, bukan struktur dari suatu web asli. 2 Data yang diteliti adalah path halaman yang dikunjungi pengguna yang dibangkitkan dengan suatu algoritme berdasarkan struktur web yang dibuat. Manfaat Penelitian ini diharapkan dalam penerapannya pada suatu web dapat membantu administrator memperbaiki struktur web sebagai upaya meningkatkan pelayanan penyediaan informasi yang diperlukan oleh pengguna. Web TINJAUAN PUSTAKA Web merupakan suatu layanan sajian informasi yang menggunakan konsep hyperlink, yang memudahkan surfer (sebutan bagi pemakai komputer yang melakukan penelusuran informasi di internet). Informasi yang disajikan dengan web menggunakan konsep multimedia, seperti teks, gambar, animasi, suara, dan film (Sidik 2006). Halaman-halaman web perlu diorganisasikan dengan baik agar pengunjung mudah menemukan informasi yang diperlukan. Pengorganisasian halaman tersebut dapat dilakukan dengan menggunakan beberapa struktur berikut (Veer et al. 2004): a Struktur Berurut Dengan cara ini, halaman-halaman web diorganisasikan secara berurutan layaknya halaman-halaman pada sebuah buku seperti dapat dilihat pada Gambar 1. Pada setiap halaman terdapat link menuju halaman sebelum atau sesudah halaman tersebut atau mungkin juga terdapat link menuju halaman pertama dari web tersebut. Gambar 1 Struktur Berurut (Veer et al. 2004) 1

10 b Struktur Bertingkat Pada struktur bertingkat, halaman-halaman web terbagi atas halaman-halaman menu atau indeks dan halaman-halaman isi. Halamanhalaman tersebut disusun secara bertingkat dan dikelompokkan berdasarkan kategorinya seperti dapat dilihat pada Gambar 2. Jika diperlukan, halaman-halaman menu dapat dibuat 2 (dua) tingkat atau lebih seperti dapat dilihat pada Gambar 3. Pengorganisasian dengan cara ini sesuai untuk web yang mempunyai jumlah halaman terbatas dan pengembang web sulit untuk memprediksi urutan penelusuran halaman yang mungkin dilakukan oleh pengguna. Gambar 2 Struktur Bertingkat (Veer et al. 2004) Gambar 3 Struktur Bertingkat dengan 3 (tiga) Tingkat (Veer et al. 2004) c Kombinasi Struktur Berurut dan Bertingkat Struktur ini merupakan gabungan antara struktur berurut dan struktur bertingkat seperti dapat dilihat pada Gambar 4. Selain terdapat halaman menu yang memungkinkan pengguna untuk menuju halaman-halaman isi dari web, dengan cara ini pengguna juga dapat menuju halaman isi dari halaman isi lainnya. Gambar 4 Kombinasi Struktur Berurut dan Bertingkat (Veer et al. 2004) d Struktur Jaringan Pada struktur jaringan, setiap halaman terhubung dengan halaman lainnya seperti dapat dilihat pada Gambar 5. Gambar 5 Struktur Jaringan (Veer et al. 2004) Data Log Data log adalah data sekunder yang mencatat setiap request halaman web oleh pengguna selama menjelajahi web. Data log terdiri atas tiga jenis, yaitu data log yang tersimpan di server, client, dan server proxy. Data log yang tersimpan di server merupakan data yang paling banyak digunakan dalam algoritme mining (Ivancsy & Vajk 2006). Data log pada server mempunyai format yang berbeda-beda sesuai dengan web server yang digunakan. Apache-server memepunyai format data log seperti contoh berikut (Huysman et al. 2004): [27/Jun/2002:00:01: ] GET / shop/detail.html HTTP/ Mozilla/4.0 (compatible; MSIE 6.0;Windows NT 5.1;SKY11a) Komponen pertama pada contoh data log di atas, , menunjukkan alamat IP dari pengguna yang melakukan request halaman pada server. Komponen kedua menunjukkan waktu terjadinya request halaman oleh pengguna. Komponen ketiga, GET /shop/detail.html HTTP/1.1, merupakan bagian request yang terdiri atas tiga bagian. Bagian pertama, GET, menunjukkan metode request. Bagian kedua, /shop/detail.html, menunjukkan halaman yang di-request. Bagian terakhir, HTTP/1.1, menunjukkan protokol yang digunakan untuk melakukan request halaman web. Komponen keempat, 200, menunjukkan status request. Komponen kelima, 38890, menunjukkan ukuran halaman yang di-request dalam satuan byte. Komponen berikutnya, alamat adalah 2

11 halaman yang melakukan request. Komponen terakhir menunjukkan browser yang digunakan oleh pengguna. Model Pencarian Pengguna Dalam melakukan pencarian halaman target pada suatu web, pengguna akan mengikuti salah satu model pencarian di bawah ini. Dalam model ini, penggunaan mesin pencarian untuk menemukan halaman web tidak termasuk di dalamnya (Srikant & Yang 2001). 1 Pencarian Satu Halaman Target Asumsikan pengguna mencari sebuah halaman T. Maka pengguna akan melakukan langkah-langkah sebagai berikut: 1 Start from the root. 2 While (current location C is not the target pages T) do a. If any of the links from C seem likely to lead to T, follow the link that appears most likely to lead to T. b. Else, either backtrack and go to the parent of C with some (unknown) probability, or give up with some probability. Pengguna akan mengikuti link yang berbeda setelah pengguna melakukan penelusuran balik. Sebagai contoh, pada Gambar 6 dilustrasikan setelah melakukan penelusuran balik dari 3A ke 2A, pengguna akan menuju 3B, tidak kembali ke 3A. 2 Pencarian Beberapa Halaman Target Asumsikan pengguna mencari beberapa halaman T 1, T 2,, T n. Maka pengguna akan melakukan langkah-langkah sebagai berikut : 1 For i := 1 to n a. If i =1, start from the root, else from the current location C. b. While (current location C is not the target page T i ) do If any of the links from C seem likely to lead to T i, follow the link that appears most likely to lead to T i. Else, either backtrack and go to the parent of C with some probability, or give up on T i and start looking for T i+1 at step 1a with some probability. Model pencarian di atas dapat diilustrasikan pada Gambar 6 dan Gambar 7. Gambar 6 mengilustrasikan model pencarian satu halaman target yaitu halaman target 9. Sebelum berhasil menemukannya pada lokasi aktual 2C, pengguna berharap menemukan halaman target 9 pada lokasi harapan 3A atau 3B. Gambar 8 mengilustrasikan model pencarian beberapa halaman target yaitu halaman target 6 dan halaman target 9. Sebelum berhasil menemukannya pada lokasi aktual 3B, pengguna berharap menemukan halaman target 6 pada lokasi harapan 3A. Setelah halaman target 6 ditemukan, pengguna melanjutkan pencarian halaman target 9. Sebelum berhasil menemukannya pada lokasi aktual 2C, pengguna berharap menemukan halaman target 9 pada lokasi harapan 2B. Gambar 6 Website dan Model Pencarian Satu Halaman Target (Srikant & Yang 2001) Gambar 7 Web dan Model Pencarian Beberapa Halaman Target (Srikant & Yang 2001) Data Preprocessing Data log tidak dapat digunakan langsung untuk proses analisis karena banyaknya data pengotor dan format yang tidak sesuai dengan algoritme yang digunakan. Selain itu juga tidak semua komponen dalam data log diperlukan dalam suatu proses analisis. Hal ini menyebabkan diperlukannya tahap data preprocessing untuk mengubah data log 3

12 mentah menjadi data yang siap digunakan untuk proses analisis. Data preprocessing terdiri atas aktivitas-aktivitas berikut ini (Cooley et al. 1999): 1 Data Cleaning Data log mentah mengandung banyak sekali record yang tidak sesuai dalam proses analisis. Misalnya, record yang mencatat request gambar yang sebenarnya tidak dilakukan oleh pengguna secara langsung, melainkan karena pada halaman yang direquest pengguna terdapat gambar sehingga request gambar secara otomatis dilakukan oleh browser. Selain itu, record yang mencatat request yang dilakukan oleh robots (crawler) suatu mesin pencarian juga merupakan record yang tidak sesuai dalam proses analisis. Record ini harus dibersihkan sehingga dihasilkan data log yang mencatat request halaman yang benar-benar dilakukan oleh pengguna. 2 User Identification Tahap ini bertujuan untuk menentukan request halaman yang dilakukan oleh pengguna yang sama. Ada beberapa metode dalam membedakan pengguna satu dengan yang lainnya. Masing-masing metode mempunyai kelebihan dan kekurangan. Salah satu metode yang dapat digunakan yaitu dengan menggunakan kombinasi alamat IP dan browser yang digunakan pengguna. Dengan metode ini diasumsikan semua request dalam data log dengan alamat IP dan browser yang sama dilakukan oleh pengguna yang sama. Kelebihan metode ini yaitu tidak diperlukannya informasi tambahan karena alamat IP dan browser yang digunakan pengguna tercatat dalam data log. Akan tetapi, dengan metode ini tidak selalu diperoleh hasil yang sesuai. Sebagai contoh jika ada beberapa pengguna berbagi alamat IP dan masingmasing menggunakan browser yang sama, maka dengan metode ini request halaman dari masing-masing pengguna dianggap berasal dari satu pengguna yang sama. 3 Session Identification Pengguna biasanya mengunjungi sebuah web beberapa kali pada waktu yang berbeda (sesi). Setelah data log dikelompokkan berdasarkan pengguna pada langkah sebelumnya, pada tahap ini data log tersebut dikelompokkan lagi berdasarkan sesinya. Metode yang digunakan pada tahap ini adalah berdasarkan selang waktu antara request suatu halaman dengan request halaman beriktunya. Ketika ada dua urutan request halaman yang dilakukan oleh pengguna yang sama dalam rentang waktu yang cukup lama, maka dua request tersebut dianggap terjadi pada sesi yang berbeda. Rentang waktu 25,5 menit cukup digunakan untuk membedakan dua sesi yang berbeda (Catledge & Pitkow 1995). 4 Path Completion Suatu browser biasanya menerapkan sistem cache untuk menyimpan halamanhalaman yang baru saja dikunjungi dengan tujuan untuk mengurangi waktu yang diperlukan untuk melakukan request halaman. Ketika pengguna menekan tombol back pada browser, maka halaman yang ditampilkan adalah halaman yang berasal dari sistem cache, bukan hasil request dari server. Hal ini menyebabkan request halaman yang dilakukan pengguna tidak tercatat pada data log. Tujuan dari tahap ini yaitu untuk menambahkan request halaman yang tidak tercatat pada data log untuk setiap sesi sehingga dihasilkan path perilaku request pengguna yang lengkap. Struktur web diperlukan untuk melakukan proses ini. Namun demikian, tahap ini tidak selalu diperlukan dalam data preprocessing. Hal ini tergantung pada proses analisis yang akan dilakukan. 5 Transaction Identification Tahap terakhir dari data preprocessing adalah transaction identification. Pada tahap ini path yang dihasilkan dari tahap sebelumnya akan dipecah berdasarkan transaksinya. Transaksi merupakan sebuah sub-path yang mempunyai arti tertentu. Sama halnya dengan path completion, tahap ini tidak selalu diperlukan, tergantung pada proses analisis yang akan dilakukan. Algoritme Find Expected Location Algoritme Find Expected Location merupakan algoritme yang digunakan untuk mencari lokasi-lokasi harapan dari suatu halaman target berdasarkan perilaku pencarian pengguna. Halaman yang menjadi titik penelususran balik pengguna dianggap sebagai lokasi harapan. Algoritme Find Expected Locations dituliskan sebagai berikut (Srikant & Yang 2001): 1 Build hash table of links in the website. 2 Partition web log by visitor: 4

13 Sort the web log file by visitor ID as the primary key and time as the secondary key, or Partition the web log file by hashing on visitor ID and sort each partition separately, or Scan web log and extract sequence of pages for each visitor ID, passing them onto step 3. 3 For each visitor, partition web log such that each subsequence terminates in a target page. 4 For each visitor and target page, find any expected locations for that target page : Let {P 1, P 2,,P n } be the set of visited pages, where P n is a target page. Let B :=φ denote the list of backtrack pages. For i:=2 to n-2 begin End If ((P i-1 = P i+1 ) or (no link from P i to P i+1 )) If (B not empty) add P i to B. //P i is backtrack point. Add (P n, B, P n-1 ) to (current URL, backtrack list, Actual Location) table; Pada algoritme dapat dilihat bahwa langkah 2 (dua) dan 3 (tiga) sudah termasuk dalam data preprocessing. Pada data preprocessing, langkah 2 (dua) merupakan tahap user identification sedangkan langkah 3 (tiga) merupakan tahap transaction identification. Tabel hash adalah tabel yang menjelaskan link antara satu halaman dengan halaman lainnya. Tabel ini dibuat karena adanya cache dalam web browser. Ketika pengguna melakukan penelusuran balik, request halaman tujuan penelusuran balik tidak tercatat dalam data log karena halaman tersebut telah dikunjungi sebelumnya. Oleh karena itu ketika ada dua request halaman yang berurutan pada data log yang tidak mempunyai link diantara keduanya, halaman pertama dianggap sebagai lokasi harapan. Algoritme ini mempunyai kelemahan yaitu hanya pengunjung yang berhasil menemukan halaman target yang dapat menghasilkan lokasi harapan untuk halaman target tersebut. Pengunjung yang menyerah sebelum menemukan halaman target tidak dapat ditelusuri (Srikant & Yang 2001). Algoritme Optimasi Algoritme optimasi digunakan untuk menentukan lokasi-lokasi harapan yang perlu ditambahkan link ke halaman targetnya. Misal Algoritme Find Expected Location menghasilkan tabel dengan kolom-kolom T, E 1, E 2,..., E n, dan A. T berisi halaman target, E 1 sampai E n adalah n lokasi harapan pertama untuk suatu halaman target, dan A adalah lokasi aktual dari halaman target tersebut. Kemudian data dikelompokkan berdasarkan nilai T, sehingga diperoleh contoh hasil seperti pada Tabel 1. Tabel 1 Contoh hasil Find Expected Location T E 1 E 2 E 3 E 4 A Record1 T 1 P 1 P 2 AL Record2 T 1 P 1 AL Record3 T 1 P 2 P 3 P 4 P 1 AL Record4 T 1 P 3 P 2 AL Record5 T 1 P 4 P 2 AL Setelah dikelompokkan, lokasi harapan yang direkomendasikan untuk ditambahkan link ke halaman target yang bersangkutan dapat dicari dengan salah satu algoritme optimasi di bawah. Ketiga algoritme ini dapat menghasilkan halaman rekomendasi yang berbeda-beda (Srikant & Yang 2001). 1 FirstOnly Algoritme ini merekomendasikan lokasilokasi harapan yang sering dikunjungi pertama kali (lokasi-lokasi harapan pada E 1 ) yang memenuhi nilai threshold S, tanpa memperhatikan lokasi-lokasi harapan berikutnya (E 2,E 3,...,E n ). Threshold S merupakan jumlah minimum suatu lokasi harapan yang terdapat pada E 1 untuk suatu halaman target sehingga lokasi harapan tersebut perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Berikut ini algoritme FirstOnly: Count the support for all the pages in E 1 Sort the pages by their support Present all pages whose support is greater than or equal to S to administrator. Misalkan diberikan nilai threshold S=2, maka dengan algoritme FirstOnly, berdasarkan hasil yang diperoleh pada Tabel 5

14 1, halaman yang direkomendasikan untuk ditambahkan link ke halaman target T 1 adalah P1. 2 OptimizeBenefit Algoritme ini merupakan algoritme greedy yang bertujuan untuk memaksimalkan keuntungan bagi web karena tidak kehilangan pengunjung ketika tidak menemukan halaman target pada lokasi harapan yang ke k jika ditambahkan link pada lokasi harapan tersebut. Nilai b k merupakan nilai bobot dari E k yang menunjukkan berapa bagian kelompok pengunjung yang akan menyerah jika tidak menemukan halaman target pada lokasi harapan yang ke k. Nilai b k dapat dihitung dengan rumus berikut: total jenis lokasi harapan pada E b k k = total jenis lokasi harapan pada Ti Threshold S b menunjukkan total bobot minimum dari lokasi harapan untuk suatu halaman target sehingga lokasi harapan tersebut perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Berikut ini algoritme OptimizeBenefit: repeat foreach record begin end for j := 1 to m Increment support of value(e j ) by b j. Sort pages by support. P := Page with highest support (break ties at random). if support(p) S b begin end Add (P, support(p)) to list of recommended pages. foreach record begin end for k := 1 to n begin end until (support(p) < S b ); if value(e k ) = P Set E k, E k+1,, E n to null; Berdasarkan Tabel 1 diperoleh nilai b 1 = 1, b 2 = 0.5, b 3 = b 4 = 0.25, sehingga diperoleh support(p 2 ) = = 2.5, support(p 1 ) = 2.25, support(p 3 ) = 1.5, dan support(p 4 ) = Misal diberikan nilai S b = 2. P 2 mempunyai nilai support yang memenuhi S b dan paling besar sehingga P 2 ditambahkan pada halaman yang direkomendasikan. Kemudian P 2 beserta lokasi-lokasi harapan setelah P 2 untuk setiap record dihapuskan sehingga diperoleh Tabel 2. Tabel 2 Lokasi-lokasi harapan setelah melalui perhitungan dengan algoritme OptimizeBenefit T E 1 E 2 E 3 E 4 A Record1 T 1 P 1 AL Record2 T 1 P 1 AL Record3 T 1 AL Record4 T 1 P 3 AL Record5 T 1 P 4 AL Kemudian dilakukan kembali perhitungan nilai support sehingga diperoleh support(p 1 ) = 2, support(p 3 ) = 1, dan support(p 4 ) = 1. P 1 ditambahkan pada halaman yang direkomendasikan. Sampai disini iterasi dihentikan karena nilai support sudah tidak ada yang memenuhi S b. Dengan menggunakan algoritme ini halaman yang direkomendasikan yaitu P 2 dan P 1. 3 OptimizeTime Algoritme ini bertujuan untuk meminimalisasi banyaknya penelusuran balik yang harus dilakukan pengunjung ketika tidak menemukan halaman target pada lokasi harapan. Seperti halnya algoritme OptimizeBenefit, algoritme ini juga merupakan algoritme greedy. Banyaknya penelusuran balik yang dapat diminimalisasi dengan menambahkan link pada suatu lokasi harapan manunjukan bobot dari lokasi harapan tersebut. Threshold S t merupakan nilai minimum total jumlah penelusuran balik yang harus dilakukan pengunjung jika tidak dilakukan penambahan link pada suatu lokasi harapan sehingga lokasi harapan tersebut perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Berikut ini algoritme OptimizeTime: repeat foreach record begin Let m be the number of expected locations in this record. for j := 1 to m 6

15 end Increment support of value(e j ) by m+1-j. Sort pages by support. P := Page with highest support (break ties at random). if support(p) S t begin end Add (P, support(p)) to list of recommended pages. foreach record begin end for k := 1 to n begin end until (support(p) < S t ); if value(e k ) = P Set E k, E k+1,, E n to null; Misalkan diberikan S t = 4. Berdasarkan Tabel 1, untuk iterasi pertama diperoleh support(p 2 ) = = 7, support(p 1 ) = 4, support(p 3 ) = 5, dan support(p 4 ) = 4. Maka P 2 ditambahkan pada halaman yang direkomendasikan. Kemudian P 2 beserta lokasi-lokasi harapan setelah P 2 untuk setiap record dihapuskan sehingga diperoleh Tabel 3. Tabel 3 Lokasi-lokasi harapan setelah melalui perhitungan dengan algoritme OptimizeTime T E 1 E 2 E 3 E 4 A Record1 T 1 P 1 AL Record2 T 1 P 1 AL Record3 T 1 AL Record4 T 1 P 3 AL Record5 T 1 P 4 AL Kemudian dilakukan kembali perhitungan nilai support sehingga diperoleh support(p 1 ) = 2, support(p 3 ) = 1, dan support(p 4 ) = 1. Pada tahap ini iterasi dihentikan karena tidak ada nilai support yang memenuhi S t. Dengan menggunakan algoritme ini halaman yang direkomendasikan yaitu P 2. Algoritme OptimizeTime identik dengan algoritme OptimizeBenfit. Perbedaan keduanya terdapat pada cara penghitungan nilai bobot dan nilai support. METODE PENELITIAN Tahap-tahap yang dilakukan dalam penelitian ini digambarkan pada Gambar 6. Penelitian diawali dengan studi pustaka, kemudian dilanjutkan dengan pembuatan basis data, pambangkitan data, data preprocessing, pencarian lokasi harapan, dan diakhiri dengan menentukan lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya pada tahap rekomendasi. Studi Pustaka Gambar 8 Metode Penelitian Studi pustaka diawali dengan mempelajari paper Srikant & Yang (2001) yang merupakan acuan utama dalam penelitian ini. Paper ini menjelaskan tentang suatu metode untuk memperbaiki struktur web agar sesuai dengan harapan pengguna. Algoritme Find Expected Locations dan algoritme optimasi yang digunakan dalam penelitian bersumber dari paper ini. Studi pustaka kemudian dilanjutkan dengan mempelajari tulisantulisan yang terkait dengan acuan utama. Pembuatan Basis Data Berdasarkan studi pustaka yang dilakukan, pada tahap ini dibuat tabel-tabel yang diperlukan dalam penelitian. Penggunaan tabel-tabel basis data dipilih untuk memudahkan dalam melakukan langkahlangkah selanjutnya pada penelitian ini. Basis data dibuat menggunakan Database Management System (DBMS) mysql. 7

16 Pembangkitan Data Sesuai dengan ruang lingkup penelitian, data yang digunakan adalah data dummy sehingga diperlukan proses untuk membangkitkan data yang dibutuhkan. Ada 3 (tiga) tiga proses dalam pembangkitan data, yaitu pembuatan struktur web, pembangkitan data log, dan penentuan halaman target. 1 Pembuatan Struktur web Pada tahap ini dilakukan pembuatan struktur web yang akan dianalisis pada penelitian ini. Struktur web yang digunakan yaitu struktur bertingkat sesuai dengan struktur web yang digunakan oleh Srikant & Yang (2001) dalam mengimplementasikan algoritmenya. 2 Pembangkitan Data Log Setelah struktur web dibuat, langkah selanjutnya yaitu membangkitkan data log berdasarkan struktur web tersebut. Data log yang dibangkitkan merupakan data log yang sudah melalui data preprocessing hingga tahap path completion. Pada tahap ini dibuat algoritme pembangkitan data log. Algoritme ini dibuat berdasarkan model pencarian pengguna yang diperkenalkan Srikant & Yang (2001). Kemudian algoritme tersebut diimplementasikan dalam program menggunakan bahasa pemrograman PHP untuk menghasilkan data yang diperlukan. Data yang diperoleh disimpan dalam basis data yang telah dibuat. 3 Penentuan Halaman Target Tahap terakhir dalam proses pembangkitan data yaitu menentukan halaman-halaman target dari web tersebut. Halaman-halaman target akan digunakan dalam tahap transaction identification. Dalam menentukan halaman target, terdapat dua metode yaitu: Jika web mempunyai perbedaan yang jelas antara halaman-halaman indeks atau menu dan halaman-halaman isi, maka halaman target adalah halaman-halaman isi. Jika perbedaan antara halaman-halaman indeks dan halaman-halaman isi tidak jelas, maka waktu yang dihabiskan pengguna dalam mengunjungi suatu halaman dapat digunakan untuk menentukan halaman target. Halaman yang dikunjungi dalam waktu yang lama (memenuhi batas waktu yang ditentukan) maka dianggap sebagai halaman target. Struktur web yang dibuat merupakan struktur dari web yang mempunyai perbedaan yang jelas antara halaman-halaman indeks dan halaman-halaman isi sehingga dalam menentukan halaman target digunakan metode yang pertama. Pada struktur bertingkat yang dibuat, halaman-halaman isi dari web adalah leaf dari struktur tersebut. Data Preprocessing Data yang dibangkitkan merupakan data yang telah melalui data preproessing hingga tahap path completion sehingga pada tahap ini hanya dilakukan transaction identification. Transaksi pada penelitian ini diartikan sebagai perilaku pencarian pengguna yang berhasil menemukan halaman target. Pada tahap ini path hasil path completion akan dipecah sehingga setiap sub-path berakhir pada halaman-halaman target. Hasil dari proses ini selanjutnya disimpan dalam basis data yang telah dibuat. Pencarian Lokasi Harapan Setelah data preprocessing selesai, pada tahap dilakukan pencarian lokasi-lokasi harapan dari halaman-halaman target. Pencarian lokasi-lokasi harapan dilakukan menggunakan Algoritme Find Expected Locations. Untuk setiap transaksi, sebuah halaman target dapat mempunyai beberapa lokasi harapan. Pada penelitian ini lokasi harapan yang disimpan dalam basis data hanya 4 (empat) lokasi harapan untuk setiap transaksinya yaitu lokasi harapan pertama (E 1 ), lokasi harapan kedua (E 2 ), lokasi harapan ketiga (E 3 ), dan lokasi harapan keempat (E 4 ). Rekomendasi Tahap terakhir dari penelitian ini yaitu menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya. Pada tahap ini Algoritme Optimsasi diterapkan untuk menentukan halaman-halaman tersebut. Lokasi-lokasi harapan yang direkomendasikan berdasarkan hasil dari masing-masing algoritme optimasi (FirstOnly, OptimizeBenefit, dan OptimizeTime) kemudian dihitung nilai hit support-nya. Hit support berbeda dengan support pada ketiga algoritme optimasi tersebut. Nilai hit support merupakan persentase perbandingan jumlah pengguna yang berharap menemukan suatu halaman target pada halaman-halaman rekomendasi yang dihasilkan oleh masingmasing algoritme optimasi dengan jumlah 8

17 total pengguna yang berhasil menemukan halaman target yang bersangkutan. Nilai hit support dapat dihitung dengan rumus berikut: exp.locatios hit hit support = 100% target pages hit Pada tahap ini akan ditentukan nilai hit support minimum (minsup). Lokasi harapan hasil dari masing-masing algoritme optimasi yang memenuhi nilai minsup akan direkomendasikan untuk ditambahkan link ke halaman targetnya. Selain untuk menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya, pada tahap ini juga dilakukan analisis kinerja ketiga algoritme optimasi. Analisis dilakukan terhadap hasil yang diperoleh dari ketiga algoritme optimasi dan waktu komputasi yang diperlukan. Analisis dilakukan dengan melakukan dua percobaan. Percobaan pertama melibatkan seluruh lokasi harapan dalam implementasi algoritme optimasi, sedangkan percobaan kedua hanya melibatkan lokasi harapan pertama (E 1 ). Percobaan ini bertujuan untuk membuktikan pernyataan Srikant & Yang (2001) yang menyatakan bahwa ketiga algoritme optimasi dapat menghasilkan halaman-halaman rekomendasi yang berbeda. Kedua percobaan menggunakan nilai threshold dan minsup yang sama yaitu 30 dan 5%. Lingkungan Pengembangan Sistem Spesifikasi perangkat keras dan perangkat lunak pada komputer personal yang digunakan dalam penelitian ini adalah sebagai berikut: a Perangkat keras: - Prcessor: AMD Athlon Memory: 1 GB - Harddisk: 80 GB - Keyboard dan mouse - Monitor b Perangkat lunak : - Sistem operasi Microsoft Windows XP Professional - web server Apache - Web browser Mozila firefox - Bahasa pemrograman PHP dan HTML - DBMS mysql HASIL DAN PEMBAHASAN Berdasarkan penelitian yang dilakukan diperoleh hasil sebagai berikut: Pembuatan Basis Data Basis data yang dibuat dalam sistem ini terdiri atas 7 (tujuh) tabel seperti dapat dilihat pada Tabel 4. Atribut-atribut tabel tersebut dapat dilihat pada Lampiran 1. Tabel-tabel tersebut tidak mempunyai relatiopnship satu sama lain sehingga tidak terdapat foreign key. Primary key hanya terdapat pada tabel tb_exp_locations dan tabel tb_temp yang digunakan dalam proses update pada implementasi Algoritme OptimizeBenefit dan Algoritme OptimizeTime. Tabel 4 Tabel-tabel dalam basis data Nama Tabel Keterangan tb_path_accessed Tabel untuk menyimpan path halaman yang direquest pengguna. Path ini dibangkitkan oleh penulis. tb_path_target Tabel untuk menyimpan path halaman yang direquest pengguna setelah melalui tahap transaction identification. tb_exp_locations Tabel untuk menyimpan lokasilokasi harapan dari masing-masing halaman target. tb_temp Tabel pembantu dalam implementasi algoritme OptimizeBenefit dan OptimizeTime. tb_hsl_firstonly Tabel untuk menyimpan halaman yang direkomendasikan untuk ditambahkan link ke halaman target berdasarkan perhitungan algoritme FirstOnly. tb_hsl_optbenefit Tabel untuk menyimpan halaman yang direkomendasikan untuk ditambahkan 9

18 Tabel 4 Tabel-tabel dalam basis data lanjutan Nama Tabel Keterangan link ke halaman target berdasarkan perhitungan algoritme OptimizeBenefit. tb_hsl_opttime Tabel untuk menyimpan halaman yang direkomendasikan untuk ditambahkan link ke halaman target berdasarkan perhitungan algoritme OptimizeTime. Pembangkitan Data 1 Pembuatan Struktur Web Struktur web yang dibuat dapat dilihat pada Lampiran 2. Struktur web ini merupakan struktur bertingkat yang mempunyai 4 (empat) tingkat. Struktur ini terdiri atas 32 node yang merepresentasikan halaman. Setiap node diberi label mulai dari 1 sampai 32 yang juga merupakan nama halaman-halaman web. Setiap edge menggambarkan link antar halaman web. 2 Pembangkitan Data Log Algoritme yang dibuat untuk membangkitkan data log adalah Algoritme PathGenerator berikut: for j = 1 to 4000 begin pathlength = random(10,15) //number of accessed pages in a session for i =1 to pathlength begin if (i==1) P i =root else if(i==2) else P i =random(roots childs) if(p i-1 is target) P i =parent of P i-1 else if(p i-1 is root) else P i = random(roots childs - P i-2 ) if(p i-2 is child of P i-1 ) end. end. else P i =random(p i-1 parent and childs - P i-2 ) P i =random(p i-1 parent and childs) insert path into table //tb_path_accessed Data yang dibangkitkan pada penelitian ini berjumlah 4000 record. Jumlah ini ditentukan setelah penulis melakukan beberapa percobaan dengan mempertimbangkan waktu komputasi dan hasil yang diperoleh. Setiap record merupakan satu sesi kunjungan pengguna yang mencatat pengguna dan path halaman yang dikunjungi. Banyaknya sesi dari setiap pengguna pada data ini yaitu 2 (dua) dengan panjang path untuk setiap sesi antara 10 sampai 15 halaman. Contoh data ini dapat dilihat pada Lampiran 3. Data ini disimpan dalam tabel tb_path_accessed pada basis data. 3 Penentuan Halaman Target Sesuai dengan metode dalam menentukan halaman target yang digunakan pada penelitian ini maka halaman-halaman yang menjadi halaman target adalah seluruh leaf dari struktur web. Mengacu pada gambar struktur web pada Lampiran 2, maka yang menjadi halaman target adalah halaman 14 sampai 32. Halaman-halaman ini dianggap sebagai halaman isi dari struktur web tersebut. Data Preprocessing Hasil yang diperoleh dari proses transaction identification menunjukkan dari 4000 sesi diperoleh sebanyak 9637 transaksi yang berarti ada 9637 perilaku pencarian pengguna yang berhasil menemukan halaman target yang dicari. Contoh transaksi yang dihasilkan dapat dilihat pada Lampiran 4. Data ini disimpan dalam tabel tb_path_target pada basis data. Dari data tersebut dapat dilihat setiap path transaksi berakhir pada halaman-halaman target. Pencarian Lokasi harapan Hasil implementasi Algoritme Find Expected Location dapat dilihat pada Lampiran 5. Hasil ini disimpan dalam tabel tb_exp_locations pada basis data. Hasil yang diperoleh menunjukkan setiap halaman target mempunyai lokasi harapan. Hal ini berarti untuk setiap halaman target masih ada 10

19 pengguna yang belum dapat menemukannya langsung pada lokasi aktualnya yang menunjukkan masih ada ketidaksesuaian antara struktur yang dibuat dengan harapan pengguna. Dari 4 (empat) urutan lokasi harapan (E 1,E 2,E 3,E 4 ) yang mungkin dihasilkan oleh setiap halaman target, hampir semua halaman target kebanyakan hanya menghasilkan lokasi harapan pertama (E 1 ). Hal ini berarti setelah tidak menemukan halaman target pada lokasi harapan pertama (E 1 ), kebanyakan pengujung dapat menemukannya pada lokasi aktualnya. Namun demikian, tidak semua transaksi menghasilkan lokasi harapan. Dari 9637 transaksi hanya 2165 transaksi yang menghasilkan lokasi harapan sedangkan sisanya dapat menemukan halaman target secara langsung tanpa menghasilkan lokasi harapan. Rekomendasi Berdasarkan percobaan yang dilakukan pada tahap ini diperoleh hasil sebagai berikut: Percobaan I Pada percobaan ini diperoleh halaman yang direkomendasikan untuk ditambahkan link ke halaman targetnya dan struktur web setelah dilakukan penambahan link seperti dapat dilihat pada Lampiran 6. Hasil ini menunjukkan halaman yang direkomendasikan untuk ditambahkan link ke halaman targetnya cenderung berbeda dari masing-masing algoritme optimasi sehingga struktur web yang dihasilkan juga berbeda. Hal ini sesuai dengan pernyataan Srikant & Yang (2001) yang menyatakan bahwa halaman rekomendasi yang dihasilkan oleh masing-masing algoritme optimasi dapat sangat berbeda. Nilai support yang dihasilkan oleh algoritme FirstOnly cenderung lebih kecil dibandingkan dengan algoritme optimasi lainya. Hal ini terjadi karena dalam perhitungan nilai support, algoritme FirstOnly hanya melibatkan lokasi harapan urutan pertama (E 1 ). Sedangkan algoritme optimasi lainya melibatkan seluruh lokasi harapan sehingga menghasilkan nilai support yang lebih besar. Waktu komputasi yang dibutuhkan untuk masing-masing algoritme optimasi pada percobaan ini dapat dilihat pada Tabel 5. Algoritme FirstOnly membutuhkan waktu komputasi yang tercepat. Hal ini sesuai dengan kompleksitas waktu algoritme FirstOnly yang lebih kecil dibandingkan dengan dua algoritme lainnya. Algoritme FirstOnly mempunyai kompleksitas waktu O(r) sedangkan algoritme OptimizeBenefit dan algoritme OptimizeTime mempunyai kompleksitas waktu yang sama, yaitu O(n 2 r). Dalam hal ini, n menunjukkan banyaknya urutan lokasi harapan (E 1,E 2,...,E n ) dan r menunjukkan banyaknya record. Walaupun mempunyai kompleksitas waktu yang sama, pada kasus ini waktu komputasi algoritme OptimizeTime lebih lama dibandingkan dengan algoritme Optimize Benefit. Hal ini disebabkan untuk setiap iterasi, nilai support maksimal yang dihasilkan algoritme OptimizeTime lebih besar dibandingkan dengan algoritme OptimizeBenefit sehingga diperlukan jumlah iterasi lebih banyak untuk mencapai nilai threshold yang ditentukan. Tabel 5 Waktu komputasi algoritme optimasi percobaan I Algoritme Optimasi Waktu (detik) FirstOnly 0.2 OptimizeBenefit 16.9 OptimizeTime 28.6 Percobaan II Pada percobaan ini diperoleh hasil seperti dapat dilihat pada Lampiran 7. Berbeda dengan percobaan I yang menghasilkan halaman-halaman rekomendasi yang berbeda untuk setiap algoritme optimasi, hasil percobaan II menunjukkan halaman yang direkomendasikan oleh ketiga algoritme optimasi sama sehingga struktur web yang dihasilkan juga sama. Nilai support yang diperoleh juga sama untuk masing-masing algoritme optimasi. Namun demikian, ketiga algoritme optimasi tetap mempunyai waktu komputasi yang berbeda seperti dapat dilihat pada Tabel 6. Algoritme FirstOnly tetap memerlukan waktu komputasi lebih cepat dibandingkan dengan dua algoritme lainnya. Tabel 6 Waktu komputasi algoritme optimasi percobaan II Algoritme Optimasi Waktu (detik) FirstOnly 0.1 OptimizeBenefit 7.5 OptimizeTime 7.3 Berbeda dengan percobaan I, pada percobaan II waktu komputasi algoritme OptimizeBenefit tidak berbeda jauh dengan 11

20 algoritme OptimizeTime. Hal ini disebabkan pada kasus ini untuk setiap iterasi, nilai support maksimal yang dihasilkan kedua algoritme tersebut sama sehingga keduanya memerlukan jumlah iterasi yang sama untuk mencapai nilai threshold yang ditentukan. Perbedaan waktu komputasi keduanya disebabkan perbedaan cara penghitungan bobot. Pada implementasinya, dalam menghitung bobot, algoritme OptimizeBenefit lebih banyak melakukan query daripada algoritme OptimizeTime sehingga waktu komputasinya lebih lama. KESIMPULAN DAN SARAN Kesimpulan Penelitian telah berhasil menerapkan Algoritme Find Expected Location dan algoritme optimasi (FirstOnly, OptimizeBenefit, dan OptimizeTime) untuk menemukan dan menentukan lokasi-lokasi harapan yang perlu direkomendasikan untuk ditambahkan link ke halaman targetnya sebagai upaya untuk memperbaiki struktur web agar sesuai dengan harapan pengguna. Hasil percobaan menunjukkan halamanhalaman rekomendasi yang dihasilkan oleh masing-masing algoritme optimasi dapat sangat berbeda. Hasil percobaan juga menunjukkan halaman-halaman yang direkomendasikan oleh ketiga algoritme optimasi sama jika lokasi-lokasi harapan yang dihasilkan hanya lokasi-lokasi harapan pertama (E 1 ). Pada kasus ini Algoritme FirstOnly merupakan pendekatan terbaik mengingat waktu komputasinya lebih cepat dibandingkan dengan dua algoritme optimasi lainnya. Saran Penelitian ini menggunakan data dummy. Penggunaan data asli dapat diterapkan pada penelitian selanjutnya. Untuk web yang tidak mempunyai perbedaan yang jelas antara halaman indeks dan halaman isi, penghitungan lama waktu kunjungan terhadap suatu halaman dapat digunakan untuk menentukan halaman target. DAFTAR PUSTAKA Catledge L, Pitkow JE Characterizing Browsing Behaviors on The World Wide Web. itstream/1853/3558/1/95-13.pdf [8 April 2008] Cooley R, Mobasher B, Srivastava J Data Preparation for Mining World Wide Web Browsing Patterns. oad;jsessionid=ecf66fec62532cf4833f 1E2AC36C5C93?doi= &rep =rep1&type=pdf [8 April 2008] Huysmans J, Bessens B, Vanthienan J Web Usage Mining : A Practical Study. publications.htm [13 Desember 2007]. Ivancsy R, Vajk I Frequent pattern Mining in Web Log Data. Acta Polytechnica Hungarica, Vol. 3, No. 1. Sidik B Pemrograman Web dengan PHP. Bandung : Informatika. Srikant R, Yang Y Mining Web Log to Improve Website Organization. ers/www10_weblog.pdf [22 September 2007]. Veer EV, et al Creating Web Pages All-in-One Desk Reference for Dummies Edisi Ke-2. Indianapolis: Wiley Publishing, Inc. 12

21 LAMPIRAN

22 Lampiran 1 Atribut-atribut tabel basis data Atribut-atribut tabel tb_path_accessed Nama Kolom Tipe Data Keterangan Tambahan user path Varchar[10] Varchar[50] Atribut-atribut tabel tb_path_target Nama Kolom Tipe Data Keterangan Tambahan user path_target Varchar[10] Varchar[50] Atribut-atribut tabel tb_exp_locations Nama Kolom Tipe Data Keterangan Tambahan id Int[11] Primary key target E1 E2 E3 E4 actual Atribut-atribut tabel tb_temp Nama Kolom Tipe Data Keterangan Tambahan id Int[11] Primary key target E1 E2 E3 E4 Atribut-atribut tabel tb_hsl_firstonly Nama Kolom Tipe Data Keterangan Tambahan target rek_page support rek_hit target_hit hit support int[11] int[11] int[11] Float Atribut-atribut tabel tb_hsl_optbenefit Nama Kolom Tipe Data Keterangan Tambahan target rek_page support rek_hit target_hit hit support Float int[11] int[11] Float 14

23 Lampiran 1 lanjutan Atribut-atribut tabel tb_hsl_opttime Nama Kolom Tipe Data Keterangan Tambahan target rek_page support rek_hit target_hit hit support Lampiran 2 Struktur web. int[11] int[11] int[11] Float 15

24 Lampiran 3 Contoh data log hasil pembangkitan User Path 1 1,5,13,5,12,5,1,2,1,4,10,24,10,25 1 1,2,6,14,6,16,6,15,6,16,6 2 1,5,1,4,10,4,11,27,11,26,11,4 2 1,5,1,2,1,4,10,24,10,4,11,26,11,4 3 1,4,10,4,11,27,11,26,11,4,10,4,11,26,11 3 1,5,1,3,1,4,1,3,8,3,9 4 1,2,1,3,8,3,1,5,12,29,12,5,1,3 4 1,5,12,29,12,28,12,29,12,5 5 1,2,1,5,13,5,1,2,1,4,11,27,11,4,1 5 1,2,1,5,1,2,7,17,7,18,7 6 1,5,13,30,13,5,1,2,6,14,6 6 1,2,7,18,7,2,6,16,6,15,6,2,1,4 7 1,3,9,21,9,22,9,21,9,22,9,23,9,3 7 1,2,7,18,7,2,6,2,7,17,7,2,6,14,6 8 1,5,13,5,1,4,11,26,11,4 8 1,4,10,25,10,4,11,26,11,27 9 1,4,10,25,10,24,10,25,10,24,10,25,10 9 1,3,8,19,8,20,8,19,8,3,1,5,1,2,6 10 1,2,1,3,8,20,8,19,8,20,8,19,8,20,8 10 1,4,11,26,11,4,10,24,10,25,10,24,10,25, ,3,1,4,11,4,1,2,7,2,1,5, ,4,1,3,8,3,1,5,12,5,1 12 1,2,7,2,1,5,12,29,12,5,1,4,11,4,1 12 1,5,1,3,1,5,1,4,11, ,5,12,28,12,29,12,5,13, ,2,7,2,6,14,6,16,6, ,4,11,4,10,24,10,4,1,3,8,20,8,3,9 14 1,2,6,15,6,14,6,2,7,17,7,18,7 15 1,5,13,5,1,2,7,2,1,5,13,31, ,2,7,18,7,17,7,2,6,16,6,2,7 16 1,3,1,2,1,5,13,31,13,32,13,30, ,4,10,25,10,24,10,25,10,4,11, ,2,1,3,1,4,10,4,11,26,11,4,10,25, ,5,12,5,1,4,1,5,13,5,12,29, ,5,12,5,13,31,13,5,1,4,11, ,5,13,31,13,5,12,5,1,4, ,5,12,5,1,4,11,4,1,5, ,2,7,18,7,2,6,2,7,18,7 20 1,3,1,5,12,29,12,28,12,5 20 1,3,9,3,1,5,13,31,13,32,13,30, ,5,12,28,12,29,12,28,12,29,12,5,13, ,2,7,2,6,15,6,14,6, ,5,12,28,12,29,12,5,13,32,13, ,4,1,2,7,2,6,16,6,2,1,4, ,5,13,5,12,5,1,3,9, ,2,6,14,6,2,1,5,12,28, ,2,1,5,13,5,1,3,8,19,8,3,9,22,9 24 1,2,1,4,10,24,10,4,11,26,11,27,11,26,11 16

25 Lampiran 4 Contoh transaksi-transaksi hasil transaction identification User Path_target 1 1,5,13,5,12,5,1,2,1,4,10, ,25 1 1,2,6,14 1 6,16 1 6,15 1 6,16 2 1,5,1,4,10,4,11, ,26 2 1,5,1,2,1,4,10, ,4,11,26 3 1,4,10,4,11, , ,4,10,4,11,26 4 1,2,1,3,8,3,1,5,12,29 4 1,5,12, , ,29 5 1,2,1,5,13,5,1,2,1,4,11,27 5 1,2,1,5,1,2,7,17 5 7,18 6 1,5,13, ,5,1,2,6,14 6 1,2,7,18 6 7,2,6,16 6 6,15 7 1,3,9,21 7 9,22 7 9,21 7 9,22 7 9,23 7 1,2,7,18 7 7,2,6,2,7,17 7 7,2,6,14 8 1,5,13,5,1,4,11,26 8 1,4,10, ,4,11, ,27 9 1,4,10, , , , ,25 9 1,3,8,19 9 8,20 9 8, ,2,1,3,8, , ,20 17