FUZZY DEPARTEMEN ILMU KOMPUTER

Transkripsi

1 ANALISIS POLA KUNJUNGAN PENGGUNA SITUS WEB IPB MENGGUNAKANN ALGORITMA TOTALLY FUZZY AYUDYA PARAMITA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2009

2 ANALISIS POLA KUNJUNGAN PENGGUNA SITUS WEB IPB MENGGUNAKAN ALGORITMA TOTALLY FUZZY Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor AYUDYA PARAMITA G DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

3 ABSTRAK AYUDYA PARAMITA. Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy. Dibimbing oleh ANNISA dan HERU SUKOCO. Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara sekuensial terhadap waktu. Untuk mengetahui trends dari pengguna situs web terkait pola pengaksesannya, dapat digunakan metode web mining. Salah satu teknik web mining yang dapat digunakan untuk mengetahui pola sekuensial yaitu Totally Fuzzy. Konsep fuzzy yang diterapkan dalam teknik web mining dapat lebih baik dalam menangani data numerik, karena himpunan fuzzy memperhalus batasan yang tegas. Data numerik diubah menjadi bentuk data fuzzy menggunakan teknik Fuzzy C-Means yang menerapkan konsep ketidakmiripan dalam mengelompokkan suatu objek. Pola sekuensial yang memiliki frekuensi cukup tinggi kemudian dipresentasikan agar mudah dipahami dan diintrepretasikan. Informasi tersebut dapat digunakan oleh web master sebagai dasar untuk perancangan ulang disain sebuah situs web, baik tatanan antarmuka maupun isi. Data yang digunakan pada penelitian ini adalah data log akses situs web IPB ( pada periode 5 Januari sampai dengan 8 Juni Data dikelompokkan ke dalam dua bagian, yaitu pengguna internal dan pengguna eksternal. Dalam hal ini digunakan alamat IP dari server proxy untuk mengasumsikan bahwa seorang pengguna termasuk ke dalam kelompok pengguna internal atau eksternal. Pada penelitian ini digunakan nilai ambang batas (threshold) dari 0, hingga 0,6 dengan peningkatan sebesar 0,05 dan nilai minimum support sebesar 3% hingga 56% untuk data pengguna internal serta 4% hingga 65% untuk data pengguna eksternal. Nilai minimum support tersebut ditentukan berdasarkan kondisi datanya. Dari hasil percobaan didapatkan informasi bahwa bagi data pengguna internal jumlah item maksimal yang membentuk suatu pola sekuensial adalah 5-sequences, yaitu (home, rendah) (ipbbhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support tertinggi sebesar 56,66%, sedangkan bagi data pengguna eksternal, yaitu (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipbbhmn/akademik, rendah) dengan nilai fuzzy support sebesar 64,84%. Hal tersebut menggambarkan pola sekuensial yang sering dilakukan oleh pengguna situs web IPB. Dengan nilai minimum support sebesar 0 %, terdapat delapan halaman yang sering diakses oleh pengguna internal IPB, yaitu halaman home, ipb-bhmn, ipb-bhmn/akademik, ipb-bhmn/others, ipb-bhmn/ipbphoto, id, id/uploaded pictures, dan ipb-bhmn/gallery. Dengan nilai minimum support yang sama yaitu 0%, terdapat tujuh halaman yang sering diakses oleh pengguna eksternal IPB, yaitu halaman home, ipb-bhmn, ipbbhmn/direktori, ipb-bhmn/akademik, ip-bhmn/others, ipb-bhmn/ipbphoto dan id. Web master sebaiknya mengalokasikan link menuju halaman tersebut pada halaman utama serta di antara halamanhalaman pada pola sekuensial yang menggambarkan pola pengaksesan pengguna situs web IPB sehingga memudahkan pengguna dalam mengaksesnya. Kata kunci : web mining, algoritma totally fuzzy, frequent sequence, pola sekuensial, fuzzy support. 3

4 Judul Skripsi Nama NIM : : : Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy Ayudya Paramita G Menyetujui : Pembimbing I, Pembimbing II, Annisa S.Kom., M.Kom. Heru Sukoco S.Si., M.T. NIP NIP Mengetahui : Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus : 4

5 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 28 Januari 987 di Jakarta. Penulis merupakan anak pertama dari tiga bersaudara pasangan Dedi Suryadi dan Saryati Kosasih, S.H. Pada tahun 2004 penulis lulus dari SMA Negeri 2 Bogor. Pada tahun yang sama penulis diterima di Program Studi Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama mengikuti perkuliahan, penulis pernah menjadi pengurus Badan Eksekutif Mahasiswa FMIPA tahun kepengurusan 2005/2006. Selain itu, penulis juga pernah menjadi pengurus Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) tahun kepengurusan 2004/2005. Pada tahun 2007, penulis pernah melakukan kegiatan praktik lapang selama dua bulan di Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumberdaya Genetik Pertanian (BB-BIOGEN). 5

6 KATA PENGANTAR Puji syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan karunia-nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Analisis Pola Kunjungan Pengguna Situs Web IPB Menggunakan Algoritma Totally Fuzzy. Tugas akhir ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Komputer di FMIPA IPB. Penghargaan serta rasa terima kasih penulis sampaikan kepada Ibu Annisa, S.Kom., M.Kom. dan Bapak Heru Sukoco, S.Si., M.T. selaku pembimbing yang telah bersedia meluangkan waktu serta memberikan saran dan bimbingannya selama penelitian dan penulisan tugas akhir ini. Penghargaan dan rasa terima kasih juga penulis sampaikan kepada Bapak Endang, S.Kom., M.Kom. yang telah berkenan sebagai moderator dan penguji dalam pelaksanaan seminar dan sidang. Penulis menyampaikan terima kasih dan penghargaan yang mendalam kepada seluruh keluarga, Bapak, Ibu, dan Adik tercinta yang senantiasa memberikan dukungan moral, doa, kasih sayang, dan perhatian. Penulis menyampaikan terima kasih kepada sahabatku (Venty, Dewi, Alfinda, Zee dan Cindy), Kak Irfan, Ilkom 4 (Tresna, Restu, Ajeng, Imam, Heny, Ferdi, Welly, Syadid, Hany, Anna, Intan, Ingrid, Indri, Mirza dan Noven) dan teman-teman satu bimbingan (Marissa, Iwan, Riza dan Jefry) atas dukungan, motivasi dan masukan yang telah diberikan. Terima kasih kepada teman-teman yang telah membantu selama penulisan tugas akhir dan memberi dukungan ketika seminar dan sidang. Semua teman-teman Ilkom 4 lainnya, terima kasih untuk canda tawa, persahabatan, dan kebersamaan selama kuliah di Ilkom IPB. Penulis mengucapkan terima kasih kepada seluruh staf pengajar yang telah memberikan wawasan serta ilmu yang berharga selama penulis menuntut ilmu di Departemen Ilmu Komputer. Seluruh staf administrasi dan perpustakaan Departemen Ilmu Komputer FMIPA IPB yang selalu memberi kemudahan dalam mengurus segala macam hal berkaitan dengan perkuliahan, serta pihakpihak lain yang tidak dapat disebutkan satu-persatu. Penulis menyadari bahwa karya ilmiah ini masih jauh dari sempurna. Namun penulis berharap semoga karya ilmiah ini dapat memberikan manfaat bagi pembacanya. Bogor, Januari 2009 Ayudya Paramita 6

7 DAFTAR ISI Halaman DAFTAR TABEL... vi DAFTAR GAMBAR... vi DAFTAR LAMPIRAN... vii PENDAHULUAN Latar Belakang... Tujuan..... Ruang Lingkup... Manfaat Penelitian..... TINJAUAN PUSTAKA Web mining... Knowledge Discovery in Database (KDD)... 2 Association Rule Mining... 3 Pola Sekuensial... 3 Himpunan Fuzzy... 3 Peubah Linguistik... 3 Fuzzy C-Means... 4 Fuzzy Cardinality... 4 Fuzzy Candidate Sequence... 4 File Log Akses... 4 Totally Fuzzy... 5 METODE PENELITIAN Proses Dasar Sistem... 6 Lingkungan Pengembangan Sistem... 0 HASIL DAN PEMBAHASAN Pembersihan Data... 0 Seleksi Data... Transformasi Data... Web Mining... 2 Pembentukan fuzzy support bagi masing-masing halaman situs web... 2 Pembentukan frequent sequence... 3 Evaluasi Pola... 6 Representasi Pengetahuan... 7 KESIMPULAN DAN SARAN Kesimpulan... 9 Saran... 9 DAFTAR PUSTAKA LAMPIRAN v 7

8 DAFTAR TABEL Halaman Deskripsi format data log akses Data transaksi customer Nilai derajat keanggotaan bagi customer dengan nilai ambang batas sebesar 0, Nilai fuzzy support bagi masing-masing item Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (internal) Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (eksternal) Daftar pola sekuensial yang menarik (data internal) Daftar pola sekuensial yang menarik (data eksternal) Daftar fuzzy support yang memiliki nilai di atas 0% dengan threshold 0,3 (data internal) Daftar fuzzy support yang memiliki nilai di atas 0% dengan threshold 0,3 (data eksternal)... 8 DAFTAR GAMBAR Halaman Arsitektur web mining Tahapan proses KDD Algoritma CalcTotallySupport Diagram alur metode penelitian (a) Fungsi keanggotaan item Candy (b) Fungsi keanggotaan item Soda (c) Fungsi keanggotaan item Toothpaste (d) Fungsi keanggotaan item Ball (e) Fungsi keanggotaan item Video game Proses scanning data customer (a) Fungsi keanggotaan halaman home bagi data pengguna internal (b) Fungsi keanggotaan halaman home bagi data pengguna eksternal (a) Jumlah frequent sequence dengan threshold 0,2 terhadap data pengguna internal (b) Jumlah frequent sequence dengan threshold 0,4 terhadap data pengguna internal (c) Jumlah frequent sequence dengan threshold 0,6 terhadap data pengguna internal (a) Jumlah frequent sequence dengan threshold 0,2 terhadap data pengguna eksternal (b) Jumlah frequent sequence dengan threshold 0,4 terhadap data pengguna eksternal (c) Jumlah frequent sequence dengan threshold 0,6 terhadap data pengguna eksternal Perbandingan waktu eksekusi (data pengguna internal)... 6 Perbandingan waktu eksekusi (data pengguna eksternal) Antarmuka grafis aplikasi... 9 vi 8

9 DAFTAR LAMPIRAN Halaman Tahapan algoritma Totally Fuzzy Deskripsi field data log akses Data yang telah melalui proses pembersihan data Format data yang telah dikonversi ke dalam bentuk numerik URL halaman situs web IPB yang telah dikonversi ke dalam bentuk numerik Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna internal Nilai fuzzy support bagi masing-masing halaman situs web bagi pengguna eksternal Jumlah frequent sequences berdasarkan nilai ambang batas dan minimum support (internal) Jumlah frequent sequences berdasarkan nilai ambang batas dan minimum support (eksternal) vii 9

10 Latar Belakang PENDAHULUAN Pola pengaksesan pengguna terhadap sebuah situs web biasanya tergambarkan dalam sebuah pola sekuensial. Pola sekuensial mengindikasikan bahwa transaksi biasanya terjadi secara serial terhadap waktu. Oleh karena itu, analisis terhadap pola sekuensial didasarkan pada urutan waktu atau urutan terjadinya suatu transaksi. Salah satu metode yang digunakan untuk mendapatkan tatanan antarmuka dan isi yang strategis adalah sequential pattern mining. Metode tersebut pertama kali diperkenalkan oleh Agrawal & Srikant (995) dan bertujuan untuk mencari kemunculan suatu item yang diikuti kemunculan item lain secara terurut berdasarkan waktu terjadinya transaksi. Metode ini dapat juga digunakan untuk mengetahui trends dari pengguna terkait pola pengaksesannya terhadap sebuah situs web. Untuk memperhalus batasan yang tegas yang terdapat pada data yang bernilai numerik maka diterapkan konsep fuzzy pada sequential pattern mining. Pola tersebut dikarakterisasikan oleh nilai support, yaitu persentase banyaknya transaksi yang mengikuti aturan tersebut. Salah satu teknik web mining yang dapat digunakan untuk mengetahui pola sekuensial yaitu Totally Fuzzy. Teknik ini menggunakan metode Thresholded Sigma Count untuk mendapatkan nilai fuzzy cardinality dari tiaptiap pengguna sebuah situs web (Fiot. C et al 2005). Pada pendekatan ini, masing-masing fuzzy itemset diperhitungkan dalam proses komputasi untuk mendapatkan nilai fuzzy support. Pemahaman terhadap user preference yang tercatat pada data log akses akan mengarahkan sebuah situs web semakin dekat dengan pengguna dan meningkatkan kualitas sebuah situs web, sehingga secara tidak langsung dapat meningkatkan besarnya kemungkinan sebuah situs web untuk tetap bertahan pada lingkungan bisnis yang kompetitif. Tujuan Penelitian Penelitian ini bertujuan untuk melihat trends dari pengguna yang mengakses situs web IPB. Trends tersebut dapat dilihat berdasarkan informasi mengenai besarnya beban akses suatu halaman pada situs web IPB. Berdasarkan informasi tersebut pada akhirnya dapat diketahui halaman-halaman yang sering dikunjungi oleh pengguna situs web IPB dan dapat digunakan untuk meningkatkan perancangan situs web berdasarkan pola pemakaian. Ruang Lingkup Penelitian Ruang lingkup untuk penelitian ini dibatasi pada penerapan metode Totally Fuzzy pada data log akses server web IPB dari tanggal 5 Januari 2007 hingga 8 Juni Data tersebut dikelompokkan ke dalam dua bagian, yaitu internal dan eksternal IPB. Analisa dilakukan terhadap kedua kelompok data tersebut. Penelitian ini akan menghasilkan informasi mengenai pola pengaksesan yang dilakukan oleh pengguna. Manfaat Penelitian Informasi yang didapatkan pada penelitian ini diharapkan dapat digunakan untuk meningkatkan performa dan perancangan situs web berdasarkan pola pemakaian, perubahan struktur dan rancangan web menjadi lebih strategis, mendapatkan pola akses pengunjung web IPB baik internal maupun eksternal yang mengakses situs web IPB ( dan mengetahui halaman-halaman situs web IPB yang sering dikunjungi oleh pengguna. Web mining TINJAUAN PUSTAKA Web mining merupakan penerapan teknikteknik data mining untuk secara otomatis mengumpulkan dan mengekstrak informasi dari sebuah dokumen web. Web mining merupakan suatu teknik yang dapat membantu pengguna untuk menemukan suatu informasi dari sekumpulan data. Selain itu, web mining mengamati pola akses kunjungan pengguna pada sebuah situs web (Kamber 2006). Secara umum web mining diklasifikasikan ke dalam tiga kategori berdasarkan jenis data yang diekstrak, yaitu web usage mining, web content mining, dan web structure mining. Arsitektur web mining ditunjukkan pada Gambar.

11 Web Usage Mining General Access Pattern Customized Access Pattern General Access Logs Usage Pofile Search Result Text Web Mining Web Content Mining Web Pages XML HTML Web Structure Mining Links Multimedia Gambar Arsitektur web mining. Deskripsi mengenai masing-masing kategori tersebut, yaitu :. Web usage mining Web usage mining berusaha menemukan nilai data berdasarkan pola tingkah laku web surfer. 2. Web content mining Menggambarkan proses penemuan informasi yang berasal dari konten, data atau dokumen sebuah web. 3. Web structure mining Web structure mining mencoba menemukan sebuah model pada struktur link sebuah web. Salah satu bagian dari web usage mining adalah General Access Pattern Tracking (GAPT). Gagasan utama pada GAPT adalah melihat secara umum trends pengguna yang mengakses situs web tersebut. Informasi yang diperoleh dapat digunakan untuk perancangan ulang sebuah situs web sehingga memudahkan proses pengaksesan yang dilakukan oleh pengguna. Knowledge Discovery from Data (KDD) Knowledge Discovery from Data (KDD) adalah suatu proses mengekstrak ilmu pengetahuan atau informasi yang berasal dari kumpulan data dalam jumlah besar (Kamber 2006). Data mining adalah proses penemuan pengetahuan yang menarik dari kumpulan data yang tersimpan pada basis data, data warehouse dan media penyimpanan informasi lainnya. Tahapan-tahapan proses KDD diilustrasikan pada Gambar 2. Data Mining Knowledge Gambar 2 Tahapan proses KDD (Han & Kamber 2006). Deskripsi mengenai tahapan-tahapan tersebut adalah sebagai berikut :. Pembersihan data Pembersihan terhadap data dilakukan untuk menghilangkan noise dan data yang tidak konsisten. 2. Integrasi data Integrasi data dilakukan untuk menggabungkan data yang berasal dari berbagai sumber. 3. Seleksi data Proses seleksi data merupakan proses pengambilan data yang relevan dengan proses analisis yang dilakukan. 4. Transformasi data Data ditransformasikan atau digabungkan ke dalam bentuk yang sesuai untuk dimining dengan cara melakukan peringkasan atau operasi agregasi. 5. Data mining Merupakan proses yang penting dan merupakan tahapan ketika metode-metode 2

12 cerdas diaplikasikan untuk mengekstrak pola-pola dari kumpulan data. 6. Evaluasi pola Merupakan suatu proses untuk mengidentifikasikan pola-pola tertentu pada data yang menarik dan mempresentasikan pengetahuan. 7. Representasi pengetahuan Penggunaan visualisasi dan teknik representasi untuk menunjukkan penemuan pengetahuan hasil proses mining kepada pengguna. Association Rule Mining Aturan Asosiasi (association rule) atau analisis afinitas (affinity analysis) berkenaan dengan studi 'apa bersama apa'. Pada dasarnya aturan ini digunakan untuk menggambarkan keterkaitan antar item pada sekumpulan data (Santoso 2007). Secara umum aturan asosiasi dapat dipandang sebagai proses yang terdiri dari 2 tahap (Kamber 2006), yaitu :. Menemukan kumpulan frequent item. Sebuah itemset dikatakan frequent item jika memiliki frekuensi kemunculan minimal sama dengan nilai minimum support. 2. Membangkitkan aturan asosiasi dari itemset yang dikatakan frequent item. Aturan ini harus memenuhi nilai minimum support. Support Support bagi suatu aturan asosiasi adalah proporsi banyaknya kejadian pada basis data dimana proporsi sekumpulan item A dan proporsi sekumpulan item B terdapat pada sebuah transaksi. Definisi dari support, yaitu sebagai berikut : Pola Sekuensial support(a B) = P(A U B) () Pola sekuensial adalah daftar urutan dari sekumpulan item. Sebuah pola sekuensial dikatakan maksimal jika tidak mengandung pola sekuensial lainnya (Wang et al 2005). Sebuah pola sekuensial dengan k-item disebut dengan k- sequence. Panjang pada sebuah pola sekuensial adalah jumlah item yang terdapat pada pola sekuensial tersebut dan dilambangkan dengan s. Sebuah subsequence s dari s dilambangkan dengan s s. Misalkan, sebuah pola sekuensial a = <a a 2...an> merupakan subsequence dari b = <b b 2...bm> jika terdapat integer i < i 2 <...i n, i k m, sehingga a b, a 2 b 2,..., a n b m. Diberikan basis data transaksi D dan ambang batas minimum support ε, maka dapat didefinisikan sequential pattern mining adalah mencari nilai frequent sequence yang maksimal di antara semua pola sekuensial yang mempunyai nilai support lebih besar atau sama dengan ε. Dalam hal ini, waktu terjadinya transaksi juga akan dipertimbangkan dalam pencarian pola sekuensial. Himpunan Fuzzy Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan, yaitu 0 dan. Dalam logika fuzzy nilai kebenaran suatu pernyataan berkisar dari sepenuhnya benar ke sepenuhnya salah. Inti dari himpunan fuzzy, yaitu fungsi keanggotaan yang menggambarkan hubungan antara domain himpunan fuzzy dengan nilai derajat keanggotaan. Hal yang membedakan antara himpunan boolean dan fuzzy, yaitu elemen pada himpunan fuzzy memiliki nilai derajat keanggotaan t (Cox 2005). Hubungan pada himpunan fuzzy bersifat fungsional karena mengembalikan sebuah derajat keanggotaan untuk nilai yang terdapat pada domain x. Definisi dari derajat keanggotaan sebuah himpunan fuzzy f adalah sebagai berikut : Peubah Linguistik t = f(s,x) (2) Peubah linguistik merupakan sebuah himpunan fuzzy yang membentuk aturan tertentu untuk sebuah variabel dan digunakan pada aturan fuzzy sebagai bagian dari hubungan fuzzy (Cox 2005). Peubah linguistik dikarakterisasikan oleh quintaple (x, T(x), X, G, M) dengan x adalah nama peubah, T(x) adalah kumpulan dari linguistic term, X adalah nilai interval x, G adalah aturan sintak yang membangkitkan term dalam T(x), M adalah aturan semantik yang bersesuaian dengan nilai linguistik M(A), dengan M(A) menunjukkan fungsi keanggotaan untuk himpunan fuzzy dalam X. Sebagai contoh, jika frekuensi pengaksesan dipresentasikan 3

13 sebagai peubah linguistik, maka himpunan dari linguistic term T(frekuensi akses) menjadi : T(frekuensi akses) = {rendah, sedang, tinggi} Setiap term dalam T(frekuensi akses) dikarakterisasikan oleh himpunan fuzzy dalam X. Fuzzy C-Means Fuzzy C-Means merupakan salah satu metode pengklasteran data, dimana objek dikelompokkan ke dalam k kelompok atau klaster. Untuk melakukan teknik klastering ini, nilai k harus ditentukan terlebih dahulu. Pada teknik ini digunakan ukuran ketidakmiripan dalam mengelompokkan objek-objek tersebut. Ketidakmiripan bisa diterjemahkan dalam konsep jarak (Cox 2005). Pada Fuzzy C-Means, setiap data bisa menjadi anggota dari beberapa klaster. Sesuai dengan konsep fuzzy yang berarti samar, maka batas-batas klaster dalam Fuzzy C-Means adalah soft. Dalam Fuzzy C-Means, pusat klaster dihitung dengan mencari nilai rata-rata dari semua titik dalam suatu klaster dengan diberi bobot berupa tingkat keanggotaan (degree of belonging) dalam klaster tersebut. Fuzzy Cardinality Terdapat tiga metode untuk mengkomputasikan nilai fuzzy cardinality (Fiot et al. 2005), yaitu :. Menghitung semua elemen yang memiliki nilai derajat keanggotaan tidak sama dengan nol. 2. Hanya memperhitungkan elemen yang memiliki nilai derajat keanggotaan lebih besar dari nilai ambang batas (threshold) yang telah didefinisikan. 3. Menambahkan nilai derajat keanggotaan dari masing-masing elemen. Metode perhitungan ini disebut juga Sigma Count. 4. Menambahkan nilai derajat keanggotaan dari masing masing elemen yang memiliki nilai lebih besar dari nilai ambang batas (threshold) yang telah ditentukan. Metode penghitungan ini disebut juga Thresholded Sigma Count. Fuzzy Candidate Sequence Untuk membangkitkan suatu elemen kandidat pola sekuensial fuzzy maka harus terlebih dahulu dilakukan proses validasi, yaitu untuk memeriksa apakah dua buah fuzzy item yang terdapat pada sebuah fuzzy itemset tidak menunjuk pada sebuah atribut yang sama (Fiot et al 2005). Langkah awal yang harus dilakukan adalah menghitung nilai fuzzy support bagi masingmasing item dan hanya item yang memiliki nilai support lebih besar dari nilai minimum support yang akan disimpan sebagai frequent sequence dengan nilai k berukuran satu. Kandidat pola sekuensial dengan ukuran k, dikatakan sebagai k-sequence, diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-. Proses tersebut akan berhenti jika tidak memungkinkan lagi untuk membangkitkan kandidat pola sekuensial dengan ukuran k+. File Log Akses Pengelolaaan server web secara efektif membutuhkan feedback atau aktivitas kinerja server serta permasalahan-permasalahan yang mungkin terjadi. Feedback ini dapat berupa informasi mengenai pengguna-pengguna yang mengakses situs web, apa yang diakses dan statusnya serta waktu pengaksesan. Informasi tersebut tersimpan pada server web terutama data log akses (Purnomo & Anindito 2006). Common Log Format (CLF) untuk setiap baris data pada log akses, yaitu : remotehost rfc93 authuser [date] request status bytes Tabel Deskripsi format data log akses Field Remotehost rfc93 Deskripsi Nama host atau alamat IP dari pengguna yang mengakses situs web. User name dari pengguna pada remote system seperti yang dispesifikasikan pada RFC93. Authuser Username yang melakukan otentifikasi seperti yang dispesifikasikan pada RFC93. [date] Informasi tanggal dan waktu saat melakukan request HTTP pewaktuan lokal. 4

14 Field Deskripsi request Informasi HTTP request dari pengguna. Status Angka numerik yang menyatakan kode status dari HTTP yang dikirimkan kepada pengguna. Bytes Panjang bytes dari data yang dikirimkan kepada pengguna. Sumber : /techpubs/logfiles/info.html Totally Fuzzy Diberikan sebuah basis data transaksi D yang berisi data yang mencatat transaksi yang dilakukan customer. Misalkan T adalah sekumpulan transaksi. Masing-masing transaksi meliputi tiga informasi : customer-id, waktu terjadinya transaksi, dan sekumpulan item. Sebuah itemset, (i,i 2,...,i k ), merupakan himpunan bagian I = {i,i 2,..,i m }. Sebuah pola sekuensial s merupakan himpunan item yang tidak kosong, yang dilambangkan dengan <s s 2...s p >. Secara umum, support bagi sebuah pola sekuensial adalah persentase customer yang memiliki s pada transaksi yang dilakukannya. Sebuah fuzzy item didefinisikan sebagai hubungan antara sebuah item dengan sebuah fuzzy set yang bersesuaian. Sebuah fuzzy item dinotasikan dengan (x,α) dimana x merupakan sebuah item dan α merupakan fuzzy set dari item yang bersangkutan. Misalkan, (/php/tutor.htm, lot) adalah sebuah fuzzy item dengan lot merupakan sebuah fuzzy set yang didefinisikan oleh suatu derajat keanggotaan (membership degree) pada pengaksesan item /php/tutor.htm. Sebuah fuzzy itemset adalah himpunan fuzzy item. Sebuah fuzzy itemset dinotasikan dengan (X,A) dengan X menunjukkan kumpulan item dan A kumpulan dari fuzzy set dari item yang bersangkutan. Sebuah fuzzy sequence S = <s... s n > adalah sebuah pola sekuensial yang terdapat pada fuzzy itemset, misalkan [(/php/tutor.htm, lot) (/php/faq.php, little) (/php/functions.php, lot)]. Cara untuk mengkomputasikan nilai fuzzy cardinality pada algoritma Totally Fuzzy adalah dengan menggunakan metode Thresholded Sigma Count (Fiot. C et al 2005). Nilai derajat keanggotaan μ α suatu atribut t pada domain x dinotasikan dengan μ α (t[x]) dan nilai ambang batas (threshold) dinotasikan dengan ω. Nilai derajat keanggotaan α a pada algoritma Totally Fuzzy didefinisikan sebagai berikut : α (3) a (t[x]) = { μ a (t[x]) if μ a (t[x]) > ω 0 else Formulasi penghitungan nilai Support Totally Fuzzy (S TF ) bagi seorang customer c, yaitu : S TF (c, (X,A)) = θ c [x, a] Є (X, A) [ α a (t j [x]) ] j = (4) Nilai fuzzy support Fsupp bagi sebuah fuzzy sequence dikomputasikan sebagai rasio jumlah customer yang memiliki pola sekuensial fuzzy tertentu pada transaksi yang dilakukannya dibandingkan dengan jumlah total customer C pada basis data. Σ [ S TF (c,gs)] Fsupp (X,A) = cєc (5) C Derajat nilai sebuah fuzzy support S TF (c,gs) mengindikasikan bahwa pada transaksi yang dilakukan oleh seorang customer c terdapat fuzzy sequence gs. Derajat nilai fuzyy support dikomputasikan dengan menggunakan algoritma CalcTotallySupport seperti yang ditunjukkan pada Gambar 3. CalcTotallySupport Input : gs, candidate k-sequence; Output : Fsupp fuzzy support for the sequence gs; Fsupp, nbsupp,m 0; For each customer client c Є C do m FindTotallySeq(g-S, T c ) [the customer support degree is aggregated to the current support] nbsupp += m; End for Fsupport nbsupport/t; Return Fsupp; Gambar 3 Algoritma CalcTotallySupport. Untuk menentukan sebuah frequent sequence, nilai minimum support ditentukan terlebih dahulu oleh pengguna. Sebuah pola sekuensial fuzzy dikatakan frequent sequence jika memenuhi kondisi bahwa support (s) > minsupp. 5

15 Gagasan utama dari sequential pattern mining adalah untuk menemukan semua pola sekuensial yang memiliki nilai support lebih besar dari nilai minimum support yang diberikan (Fiot. C et al 2005). Diagram alir metode Totally Fuzzy secara lengkap dapat dilihat pada Lampiran. Proses Dasar Sistem METODE PENELITIAN Proses dasar sistem mengacu pada proses dalam Knowledge Discovery from Data (KDD). Algoritma Totally Fuzzy diterapkan pada tahap web mining. Diagram alur metode penelitian dapat dilihat pada Gambar 4. Tahapan KDD tersebut dapat diuraikan sebagai berikut :. Pembersihan data Data yang mencatat kode status selain 200 tidak akan diikutsertakan pada tahap selanjutnya. Kode status 200 mengindikasikan bahwa request berhasil dilakukan dan dikirimkan dari server web kepada pengguna. 2. Seleksi data Pada tahap seleksi data dilakukan pemilihan atribut data yang dibutuhkan sebagai masukkan yang digunakan dalam tahap web mining. Terdapat tiga buah atribut yang akan digunakan yaitu : remotehost / alamat IP, date / tanggal pengaksesan yang dilakukan pengguna dan URL yang diminta oleh pengguna. Selanjutnya dilakukan pemisahan data yang mencatat request dari pengguna yang berasal dari internal dan eksternal IPB. 3. Transformasi data Data diubah ke dalam bentuk yang sesuai sebagai masukkan bagi algoritma Totally Fuzzy. Data tersebut dikelompokkan berdasarkan alamat IP masing-masing pengguna, selanjutnya diurutkan secara menaik berdasarkan waktu pengaksesannya. Sebagai ilustrasi tahapan algoritma Totally Fuzzy maka akan digunakan kumpulan data transaksi seperti yang ditunjukkan pada Tabel 2, sel yang kosong menunjukkan bahwa customer tidak melakukan pembelian terhadap item yang bersangkutan. Notasi C n digunakan untuk melambangkan customer dan d digunakan untuk melambangkan hari pada saat customer tersebut melakukan pembelian produk. Pengguna Internal Mulai Data akses log Seleksi data Pengklasteran data Pengguna Eksternal Pembentukan membership function Data fuzzy Pemberian nilai threshold Pembentukan nilai fuzzy support bagi masing-masing halaman Evaluasi Pola Pengguna internal Pemberian minimum support Pembentukan k-sequences Pembentukan frequent sequence Apakah terdapat K+ sequences? Output Tidak Representasi Pengetahuan Selesai Web Mining Ya Evaluasi Pola Pengguna eksternal Gambar 4 Diagram alur metode penelitian. 6

16 Tabel 2 Data transaksi customer Customer C C2 C3 C4 Date Candy d 2 d2 d3 4 d4 d5 d 2 d2 d3 d4 3 d d2 3 d3 d4 d5 d d2 d3 2 d4 d5 d6 Items Toothpaste Soda Ball Videogame Sumber : Fiot. C et al. Speedy, Mini and Totally Fuzzy: Three Ways for Fuzzy Sequential Patterns Mining. Technical Report 5035, Sebelum melalui tahap mining, data tersebut harus diubah terlebih dahulu ke dalam bentuk dataa fuzzy. Fungsi keanggotaan (membership function) didapatkan dengann menerapkan metode Fuzzy C-Means. Fungsi keanggotaan bagi masing-masing item ditunjukkan pada Gambar 5(a), 5( (b), 5(c), 5(d) dan 5(e). Pada akhirnya didapatkan data dalam bentuk fuzzy yang memiliki nilai yang berkisar antara 0 dan..2 little lot , Candy 5 (a) , little lot Soda 5 (b) , , little few few medium Toothpaste 5 (c) Ball 5 (d) medium Videogame 5 (e) lot lot Gambar 5 (a), 5 (b), 5 (c), 5 (d) dan 5 (e) Fungsi keanggotaan masing-masing item. 5 5 lot 5. 7

17 Tabel 3 merupakan konversi data yang terdapat pada Tabel 2 ke dalam bentuk derajat keanggotaan fuzzy. Fungsi keanggotaan tersebut dibentuk berdasarkan data yang terdapat pada basis data transaksi. Setiap nilai atau frekuensi pengaksesan memiliki nilai derajat keanggotaan tertentu terhadap masing-masing fuzzy set. Pada penelitian ini nilai k atau fuzzy set akan ditentukan terlebih dahulu, yaitu frekuensi pengaksesan rendah, sedang dan tinggi. 4. Web Mining Tahap ini merupakan inti untuk melakukan analisis terhadap data. Pada tahap ini diterapkan penggunaan algoritma Totally Fuzzy yang diperkenalkan oleh Celine Fiot, Anne Laurent dan Maguelonne Teisseire (2005). Tahapan-tahapan yang akan digunakan pada metode tersebut, yaitu: a. Menentukan nilai ambang batas (threshold) ώ terhadap data. Sebagai ilustrasi pengguna menentukan nilai ambang batas ώ sebesar 0,2, maka nilai derajat keanggotaan yang lebih kecil dari 0,2 tidak diperhitungkan dan bernilai 0. b. Penerapan algoritma Totally Fuzzy bagi masing-masing kandidat pola sekuensial yang terbentuk, yaitu :. Dilakukan proses pembentukan kandidat pola sekuensial yang hanya mengandung sebuah item atau - sequence. Proses komputasi dilakukan dengan menggunakan Thresholded Sigma Count. Nilai fuzzy support bagi item berukuran satu ditunjukkan pada Tabel 4. Nilai tersebut didapatkan dengan menggunakan algoritma Totally Fuzzy. Hanya pola sekuensial yang merupakan frequent sequence yang akan diikutsertakan dalam tahap selanjutnya. Misalkan ditentukan nilai minimum support sebesar 55 %, maka hanya item [candy, little], [toothpaste, medium], [soda, lot], [videogame, medium] dan [videogame, lot] yang merupakan frequent sequence dan diikutsertakan dalam proses pembentukan kandidat item berukuran dua. 2 Pada tahap ini selanjutnya akan dilakukan proses scanning data untuk memeriksa apakah pada transaksi yang dilakukan oleh tiap pengguna terdapat item yang merupakan item pertama pada kandidat pola sekuensial yang dicari. Jika ya, maka dilakukan proses pembentukan sebuah path baru. Masing-masing path menyimpan tiga buah informasi yaitu : item pada pola sekuensial yang telah ditemukan (Seq), item yang selanjutnya akan dicari (curis), dan nilai derajat keanggotaan (curdeg). Hanya path yang memiliki nilai derajat keanggotaan yang paling tinggi yang akan disimpan. Tabel 3 Nilai derajat keanggotaan bagi customer dengan nilai ambang batas sebesar 0,3 Items Candy Toothpaste Soda Ball Videogame D li L li m L li L f L f m L d 0 d ,5 0,5 0,5 0,5 d3 0 0,5 0,5 d4 0,5 0,5 0 d Keterangan : li : little, L : lot, m: medium, f : few Tabel 4 Nilai fuzzy support bagi masing-masing item Items Candy (%) Toothpaste (%) Soda (%) Ball (%) Videogame (%) li L li m L li L f L f m L 87, ,5 37, ,5 67,5 Keterangan : li : little, L : lot, m: medium, f : few 8

18 Sebagai ilustrasi penerapan algoritma Totally Fuzzy, maka akan dilakukan proses komputasi pada data transaksi seperti yang terdapat pada Tabel 3 untuk mendapatkan nilai fuzzy support terhadap kandidat pola sekuensial gs = <([candy,little]),([soda,lot]) bagi customer. Sebagai langkah awal yang harus dilakukan yaitu proses inisialisasi untuk membentuk sebuah path kosong pth = (ø,([candy,little]), 0). Pth bernilai 0 karena belum dilakukan proses scanning terhadap data transaksi. Langkah-langkah proses scanning data menggunakan algoritma Totally Fuzzy adalah sebagai berikut : Pada transaksi d : lakukan proses update pada path pth, karena transaksi pada d terdapat ([candy,little]) yang merupakan item pertama pada kandidat pola sekuensial yang dicari, sehingga pth saat ini bernilai pth = (<([candy, little])>, ([soda, lot]), []). Pada transaksi d2 : lakukan proses pembentukan sebuah path baru pth 2 = (<([candy, little])>,([soda, lot]), []). Selanjutnya lakukan proses update pada pth karena ([soda, lot]) yang merupakan curis pada pth terdapat pada transaksi d2, sehingga pth saat ini bernilai pth = (<([candy, little])([soda, lot]), ø, [0,75]). Nilai curdeg pada pth saat ini didapatkan dari nilai curdeg pth sebelum proses update dijumlahkan dengan nilai derajat keanggotaan ([soda, lot]) pada transaksi d2, kemudian dicari nilai rataannya. Saat ini curdeg pada pth bernilai 0,75. Pth ditutup (path closed) karena telah mengandung semua item pada itemset pola sekuensial yang dicari. Pada transaksi d3 : lakukan proses update pada pth 2 karena [soda,lot] yang merupakan curis pada pth 2 terdapat pada transaksi d3, sehingga pth 2 saat ini bernilai pth 2 =(<([candy,little])([soda,lot])>,ø,[0,75] ). Pth 2 ditutup karena telah mengandung semua item pada itemset pola sekuensial yang dicari. Untuk optimasi proses scanning terhadap datanya, maka untuk dua path yang telah lengkap (path tersebut telah mencakup semua itemset pada pola sekuensial yang dicari), hanya satu path yang memiliki nilai derajat keanggotaan terbesar yang akan disimpan. Karena pth dan pth 2 memiliki d pth pth : updated d2 pth : updated & closed d3 pth : deleted d4 nilai yang sama. Maka hanya salah satu dari path tersebut yang akan dibuang. Misalkan, nilai pada pth yang dibuang, maka nilai pada pth 2 yang akan mewakili besarnya derajat keanggotaan customer terhadap pola sekuensial ([candy, little], [soda, lot)]. <([candy,little])>,([soda,lot]),[]) <([candy,little])([soda,lot])>, ø,[0,75]) <([candy,little])>,([soda,lot]),[]) pth 2 : created pth 2 : updated & closed pth 2 : not changed d5 pth 2 : improved pth 2 : return of curdeg <([candy,little])([soda,lot])>, ø,[0,75]) <([candy,little])([soda,lot])>, ø,[]) Gambar 6 Proses scanning data customer. Pada transaksi d5 : Terdapat [soda,lot] yang memiliki nilai lebih tinggi yaitu, sehingga terjadi proses improved terhadap nilai curdeg pada pth2. Nilai pth2 yang sebelumnya bernilai 0,75 mengalami peningkatan menjadi. Nilai tersebut berasal dari nilai [candy, little] yang terdapat pada transaksi d dijumlahkan dengan nilai [soda, lot] yang terdapat pada transaksi d5, kemudian dicari nilai rataannya. Selanjutnya proses scanning data dilanjutkan seperti ditunjukkan pada Gambar 6. Lakukan langkah-langkah diatas bagi masing-masing customer. Nilai fuzzy cardinality bagi masing-masing customer dijumlahkan kemudian dibagi dengan jumlah total customer pada basis data transaksi sehingga didapatkan nilai persentase fuzzy support bagi kandidat pola sekuensial <([candy, little]),([soda, lot])> sebesar 93,75 %. 9

19 3 Nilai fuzzy support bagi frequent sequence dengan ukuran k diperoleh dengan mengkombinasikan frequent sequence dengan ukuran k-. Proses ini akan berhenti jika tidak memungkinkan lagi untuk membangkitkan kandidat pola sekuensial dengan ukuran k+. Tahapan algoritma Totally Fuzzy secara lengkap dapat dilihat pada Lampiran. 5. Analisis Pola Pada tahap ini akan dianalisis pola sekuensial mana yang dikatakan frequent sequence dan mewakili pola pengaksesan pengguna. 6. Representasi pengetahuan Pola sekuensial yang telah ditemukan kemudian dipresentasikan kepada pengguna agar mudah dipahami dan diinterpretasikan. Lingkungan Pengembangan Sistem Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam pengembangan sistem adalah sebagai berikut : a. Perangkat keras dengan spesifikasi : Processor : Intel(R) Core(TM) 2 Duo Memory : GB Harddisk : 60 GB Monitor 2. WXGA dengan resolusi 024 x 768 pixel Alat input : mouse dan keyboard b. Perangkat lunak yang digunakan : Sistem Operasi : Microsoft Windows XP Professional dan Linux Ubuntu Feasty Fawn 7.0 Microsoft Excel 2007 sebagai lembar kerja (worksheet) dalam pengolahan data. Matlab 7.0. sebagai bahasa pemrograman. GAWK sebagai media yang digunakan untuk praproses data. HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data log akses server web situs web IPB ( Data tesebut merupakan data pada server web IPB selama periode waktu 5 Januari hingga 8 Juni 2007 yang diperoleh dalam bentuk file Common Log Format (CLF). Deskripsi data tersebut dapat dilihat pada Lampiran 2. Sebelum di-mining, data harus melewati tahap praproses (preprocessing) terlebih dahulu yang meliputi pembersihan data, transformasi data, dan seleksi data. Hal ini dilakukan agar data benar-benar lengkap, valid, dan sesuai dengan masukkan yang dibutuhkan oleh algoritma. Pembersihan Data Pada tahap ini dilakukan proses pembersihan terhadap data, data yang dibuang dan tidak diikutsertakan dalam tahap berikutnya, yaitu :. Data yang mencatat request terhadap resource data citra, yaitu jpg, png dan gif yang berukuran < 6 KB. Data citra yang berukuran > 6 KB dianggap merupakan sebuah konten dari halaman situs web dan bukan data yang hanya merupakan data pelengkap dari sebuah halaman situs web. 2. Data yang mencatat proses request terhadap data css, emz, ico, js, robots, swf, vbs, cgi, exe dan template. 3. Data yang mencatat kode status 40, 403, dan 404. Kode status 40, 403, dan 404 menunjukkan bahwa terjadi kegagalan (failed) dalam proses request. Kode status 40 menunjukkan bahwa terjadi kegagalan dalam proses autentifikasi, kode status 403 menunjukkan bahwa terdapat suatu larangan tertentu dalam proses request (forbidden request) terhadap subdirektori yang diminta oleh pengguna, dan kode status 404 menunjukkan bahwa file yang diminta oleh pengguna tidak ditemukan pada server (file not found). Data yang diikutsertakan dalam tahap selanjutnya, yaitu :. Data yang mencatat kode status 200. Kode status 200 mengindikasikan bahwa request berhasil dilakukan dan server web mengirimkan halaman situs yang diminta kepada pengguna. 2. Data yang mencatat request terhadap sebuah halaman situs web. Pada tahap ini dihasilkan koleksi data yang valid dan sesuai dengan input yang dibutuhkan oleh algoritma Totally Fuzzy. Setelah dilakukan proses pembersihan data maka diperoleh data 0

20 bersih sebanyak record yang terdiri atas record yang berasal dari pengguna internal dan record yang berasal dari pengguna eksternal. Contoh data yang telah melalui tahap pembersihan data ditunjukkan pada Lampiran 3. Seleksi Data Koleksi data log akses server web IPB yang tersedia kemudian diseleksi untuk mendapatkan data yang akan di-mining. Prosedur yang dilakukan pada tahap seleksi data adalah sebagai berikut :. Memilih tiga atribut dari tujuh atribut yang tersedia. Pada log akses tercatat tujuh buah atribut. Namun atribut yang akan digunakan sebagai masukkan bagi algoritma Totally Fuzzy hanya tiga atribut, yaitu remotehost / alamat IP, date atau tanggal terjadinya proses pengaksesan, dan URL yang diakses oleh pengguna. 2. Melakukan pemisahan data yang mencatat request dari pengguna yang berasal dari internal dan eksternal IPB. Untuk dapat mengetahui bahwa request tersebut berasal dari internal maupun eksternal IPB dapat dilihat dari remotehost / alamat IP server proxy masing-masing pengguna. Alamat IP dari server proxy kelompok pengguna yang berasal dari internal IPB, yaitu berkisar di antara 0.x.x.x s/d (class A), x.x s/d x.x (class B), s/d (class C) dan x, sedangkan alamat IP dari proxy selain alamat IP dari server proxy yang termasuk ke dalam kelompok pengguna internal akan dianggap sebagai kelompok pengguna eksternal. Transformasi Data Pada tahap ini dilakukan beberapa proses transformasi data, yaitu :. Proses konversi format data yang sesuai untuk digunakan sebagai masukkan algoritma. Data yang semula terdapat dalam bentuk Common Log Format (CLF) kemudian ditransformasikan terlebih dahulu ke dalam format text (*.txt) dan selanjutnya diubah ke dalam format data Microsoft Excel (*.xlsx). Data dalam format *.xlsx inilah yang kemudian akan digunakan sebagai masukkan bagi algoritma Totally Fuzzy. 2. Data dikelompokkan berdasarkan alamat IP masing-masing pengguna. Kemudian data diurutkan berdasarkan hari pengaksesan serta dilakukan penghitungan banyaknya pengaksesan terhadap masing-masing halaman situs web bagi tiap pengguna. Setelah melalui tahapan tersebut maka untuk kelompok pengguna internal terdapat 572 baris data dengan 54 alamat IP yang berbeda, sedangkan untuk kelompok pengguna eksternal terdapat sebanyak baris data dengan alamat IP yang berbeda. 3. Proses konversi atribut ke dalam bentuk numerik. Atribut tanggal yang semula berformat date ditransformasikan ke dalam bentuk numerik (datenum). Selain itu, alamat IP dan URL dinotasikan ke dalam bentuk numerik dengan kode yang bersifat unik. Format data tersebut dapat dilihat pada Lampiran 4 dan 5. Hal tersebut dilakukan agar lebih sederhana dan mempermudah proses komputasi terhadap data. Alamat IP dikonversikan ke dalam bentuk numerik dengan menggunakan rumus sebagai berikut : Proxy = * w * x * y + z (5) Simbol w, x, y dan z menggambarkan digit pada alamat IP yang dipisahkan oleh tanda titik. Nilai maksimum w, x,y dan z adalah 255, yang menunjukkan nilai maksimum digit angka pada alamat IP. 4 Data ditransfomasi ke dalam bentuk himpunan fuzzy yang memiliki nilai berkisar antara 0 dan. Pada tahap ini digunakan metode Fuzzy C-Means untuk membentuk fungsi keanggotaan. Fungsi keanggotaan tersebut dibentuk berdasarkan data yang diperoleh bagi masing-masing halaman situs web. Masing-masing halaman situs web dipartisi ke dalam tiga fuzzy set, yaitu yang memiliki frekuensi pengaksesan rendah, sedang dan tinggi. Dari data tercatat 4 halaman situs web yang diakses oleh pengguna internal dan 48 halaman situs web yang diakses pengguna eksternal. Bagi masing-masing halaman situs web tersebut akan dibentuk fungsi keanggotaan (membership function) sehingga didapatkan nilai derajat keanggotaan bagi masing-

21 masing frekuensi pengaksesan. Gambar 7(a) dan 7(b) menunjukkan fungsi keanggotaan halaman home bagi data pengguna internal dan eksternal , , Gambar 7(a) dan 7(b) adalah fungsi keanggotaan halaman home bagi data pengguna internal dan eksternal. Web Mining rendah sedang tinggi,5 2 2,5 3 3,5 4 7 (a) rendah sedang tinggi (b) Tahapan web mining diterapkan dengan menggunakan metode Totally Fuzzy (Fiot. C et al 2005) untuk membentuk semua kemungkinan frequent sequence. Secara garis besar, proses ini dibagi menjadi 2 bagian, yaitu melakukan proses komputasi untuk mendapatkan nilai fuzzy support bagi masing-masing fuzzy item dan hanya item dengan nilai support lebih besar dari nilai minimum support yang akan disimpan sebagai frequent sequence berukuran satu. Kemudian melakukan proses pembentukan kandidat pola sekuensial berukuran k yang didapatkan dari kombinasi frequent sequence berukuran k-. Proses tersebut akan berhenti jika tidak memungkinkan lagi untuk melakukan proses pembentukan kandidat pola sekuensial berukuran k+. Percobaan dilakukan terhadap dua kelompok data, yaitu pengguna internal dan eksternal IPB yang telah mengakses situs web IPB ( dan telah melewati tahapan praproses (data internal sebanyak record dan data eksternal sebanyak 2.40 record). Dalam pengambilan data eksternal diterapkan metode Simple Random Sampling. Hal ini dikarenakan jumlah data pengguna eksternal yang tersedia dalam jumlah yang besar dan terdapat keterbatasan dalam perangkat lunak yang digunakan. Pada data pengaksesan pengguna eksternal di antara 5 Januari hingga 8 Juni 2007 dengan selang waktu satu minggu dilakukan pengambilan data hanya pada hari dengan jumlah pengguna terbanyak (ditunjukkan dari banyaknya jumlah alamat IP pengguna yang berbeda pada data per hari). Alamat IP yang berbeda diasumsikan sebagai pengguna yang berbeda. Kemudian dilakukan proses analisis terhadap data yang mencatat request terhadap situs web IPB hingga hierarki level tiga. Pembentukan fuzzy support bagi masingmasing halaman situs web Sebagai langkah awal pengguna harus terlebih dahulu menentukan nilai ambang batas (threshold). Nilai ambang batas (threshold) digunakan untuk menyaring data pada basis data fuzzy, sedangkan nilai minimum support digunakan untuk menyaring nilai fuzzy support bagi masing-masing pola sekuensial setelah dilakukan proses komputasi menggunakan algoritma Totally Fuzzy. Nilai derajat keanggotaan yang bernilai lebih kecil dari nilai ambang batas tidak akan diperhitungkan. Metode ini dikenal juga sebagai Thresholded Sigma Count. Selanjutnya dilakukan proses komputasi bagi masing-masing halaman situs web dengan menggunakan algoritma Totally Fuzzy sehingga didapatkan nilai persentase pengaksesan bagi masing-masing halaman situs web dengan kategori pengaksesan rendah, sedang dan tinggi. Data Pengguna Internal IPB Data hasil percobaan didapatkan dengan penerapan algoritma Totally Fuzzy pada data pengguna internal IPB yang mengakses situs web IPB ( dengan time constraint sekitar 6 bulan. Pada data log akses situs tersebut tercatat 4 halaman web yang diakses oleh pengguna. Percobaan dilakukan terhadap beberapa nilai ambang batas di antara 0, hingga 0,6 dengan penambahan nilai ambang batas sebesar 0,05. Nilai fuzzy support 2

22 terhadap masing-masing halaman web berdasarkan nilai ambang batas secara lengkap dapat dilihat pada Lampiran 6. Dari data hasil percobaan menunjukkan bahwa hanya delapan halaman yang memiliki nilai fuzzy support di atas 0% dengan nilai ambang batas sebesar 0,3 yaitu halaman 0 (home), halaman (ipb-bhmn), halaman 8 (ipb-bhmn/akademik), halaman 2 (ipbbhmn/others), halaman 22 (ipb-bhmn/ipbphoto), halaman 28 (id/), halaman 34 (id/uploadpictures) serta halaman 54 (ipbbhmn/gallery). Halaman-halaman tersebut merupakan halaman yang sering diakses oleh pengguna situs web IPB yang berasal dari ruang lingkup internal IPB karena memiliki nilai fuzzy support yang cukup besar dibandingkan halaman lainnya. Data Pengguna Eksternal IPB Percobaan dilakukan terhadap data pengguna eksternal IPB yang mengakses situs web IPB ( dengan time constraint sekitar 6 bulan. Dari data yang tercatat pada data log akses situs web tersebut tercatat 48 halaman yang diakses oleh pengguna. Data hasil percobaan didapatkan dengan penerapan algoritma Totally Fuzzy dengan beberapa nilai ambang batas di antara 0, hingga 0,6 dengan penambahan nilai ambang batas sebesar 0,05. Nilai fuzzy support terhadap masing-masing halaman web berdasarkan nilai ambang batas secara lengkap dapat dillihat pada Lampiran 7. Dari data hasil percobaan menunjukkan bahwa hanya tujuh halaman yang memiliki nilai fuzzy support di atas 0%, yaitu halaman 0 (home), halaman (ipb-bhmn), halaman 2 (ipb-bhmn/direktori), halaman 8 (ipbbhmn/akademik), halaman 2 (ipb-bhmn/others), halaman 22 (ipb-bhmn/ipbphoto), dan halaman 28 (id/). Pembentukan frequent sequence Pada tahap ini, metode sequential pattern mining diterapkan untuk membentuk semua kemungkinan frequent sequences dengan menggunakan algoritma Totally Fuzzy. Sebuah sequence berukuran k merupakan kombinasi dari sequence berukuran k-. Data Pengguna Internal IPB Dilakukan percobaan terhadap data pengguna internal IPB yang tercatat pada data log akses server web situs web IPB dengan time constraint sekitar 6 bulan. Pengujian dilakukan dengan minimum support dari 3% hingga 56% serta variasi nilai ambang batas dari 0, hingga 0,6 dengan penambahan sebesar 0,05. Grafik yang menunjukkan jumlah frequent sequence yang terbentuk dengan threshold sebesar 0,2, 0,4 dan 0,6 serta beberapa variasi nilai minimum support dapat dilihat pada Gambar 8 (a), 8 (b) dan 8 (c). Dari grafik pada Gambar 8 (a), 8 (b) dan 8 (c), jumlah maksimal frequent sequences yang terbentuk adalah 5.470, dan buah pada posisi minimum support 3%. Nilai minimum support tertinggi hingga masih terdapat frequent sequence yang terbentuk adalah 56% dengan nilai ambang batas sebesar 0,2 dan 0,4 yaitu -sequence sebanyak satu buah. jumlah frequent sequence (buah) jumlah frequent sequence (buah) Pembentukan frequent sequence dengan threshold 0, Minimum Support (%) Pembentukan frequent sequence dengan threshold 0, (a) Minimum Support (%) 8 (b) 3

23 jumlah frequent sequence (buah) Pembentukan frequent sequence dengan threshold 0, Minimum Support (%) 8 (c) Gambar 8 (a), 8 (b) dan 8 (c) adalah jumlah frequent sequence terhadap nilai threshold dan minimum support terhadap data pengguna internal Pada beberapa minimum support yang digunakan pada saat percobaan, ternyata frequent sequence tidak terbentuk. Hal ini disebabkan karena tidak adanya 2-sequences yang terbentuk. Tidak terbentuknya 2-sequences disebabkan oleh semua 2-sequences hasil penggabungan dari kombinasi -sequence mempunyai nilai fuzzy support lebih rendah dari nilai minimum support. Nilai fuzzy support -sequence tertinggi pada setiap nilai threshold umumnya berkisar di antara 55-56% yang didapatkan dari proses komputasi sequence (0 2) atau halaman home dengan kategori pengaksesan rendah. Hal ini dikarenakan halaman home pada situs web IPB sudah mencakup semua link menuju informasi 5 0 yang diinginkan oleh pengguna dan untuk mengakses menu lain umumnya pengguna harus melewati halaman home ini terlebih dahulu. Nilai fuzzy support berdasarkan nilai ambang batas dan minimum support secara lengkap dapat dilihat pada Lampiran 8. Berdasarkan data hasil percobaan pada Tabel 5 dapat dilihat bahwa semakin besar nilai minimum support yang diberikan maka akan semakin sedikit jumlah maksimal frequent sequences yang terbentuk. Banyaknya maksimal item yang dapat dibentuk pada sebuah sequence adalah lima buah (5-sequences), yaitu terbentuk ketika diberikan nilai minimum support sebesar 5%. Hal tersebut menunjukkan bahwa terdapat paling banyak lima halaman yang diakses oleh pengguna internal IPB secara sekuensial. Contoh 5-sequences yang terbentuk adalah [(0 2) ( 2) (8 2) (34 2) (28 2)] dengan nilai fuzzy support sebesar 56,30%. Data Pengguna Eksternal IPB Data hasil percobaan didapatkan dari penerapan algoritma Totally Fuzzy pada data pengguna eksternal IPB yang mengakses situs web IPB ( dengan time constraint sekitar 6 bulan dapat dilihat pada lampiran 9. Percobaan dilakukan dengan minimum support dari 4% hingga 65% serta variasi nilai ambang batas dari 0, hingga 0,6 dengan penambahan sebesar 0,05. Gambar 9 (a), 9 (b) dan 9 (c) menggambarkan jumlah frequent sequence yang terbentuk berdasarkan nilai ambang batas dan minimum support. Tabel 5 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (internal) Minimum Support Threshold 0, 0,5 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,

24 Jumlah frequent sequence (buah) Jumlah frequent sequence (buah) Minimum Support Pembentukan frequent sequence dengan threshold 0, Minimum Support (%) 9 (a) Pembentukan frequent sequence dengan threshold 0, Minimum Support (%) 9 (b) Gambar 9 (a), 9 (b) dan 9 (c) adalah jumlah frequent sequence terhadap nilai threshold dan minimum support terhadap data pengguna eksternal. Berdasarkan grafik pada Gambar 8 (a), 8 (b) dan 8 (c), dapat dilihat bahwa jumlah maksimal frequent sequence yang terbentuk adalah 325 buah pada posisi minimum support 4%, 5% dan 6%. Nilai minimum support tertinggi hingga masih terdapat frequent sequences yang terbentuk adalah 65% dengan nilai ambang batas sebesar 0,2 yaitu -sequence sebanyak satu buah. Hal ini menunjukkan bahwa untuk penggunaan minimum support di atas 65% tidak menghasilkan frequent sequence. Nilai fuzzy support -sequence tertinggi pada setiap nilai threshold umumnya berkisar diantara 65-64% yang didapatkan dari proses komputasi sequence (0 2) atau halaman home dengan kategori pengaksesan rendah. Nilai fuzzy Threshold 0, 0,5 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0, Jumlah frequent sequence (buah) Pembentukan frequent sequence dengan threshold 0, Minimum Support (%) Tabel 6 Jumlah frequent sequence berdasarkan nilai ambang batas dan minimum support (eksternal) (c) 5

25 support berdasarkan nilai ambang batas dan minimum support secara lengkap dapat dilihat pada Lampiran 9. Dengan menerapkan algoritma Totally Fuzzy ternyata jumlah maksimal item yang dapat dibentuk pada sebuah pola sekuensial adalah lima buah (5-sequences). Hal ini menunjukkan bahwa jumlah halaman yang diakses oleh pengguna eksternal secara sekuensial adalah paling banyak lima halaman. Contoh 5- sequences yang terbentuk adalah [(0 2) (28 2) (2 2) ( 2) (8 2)] dengan nilai fuzzy support sebesar 64,84%. Berdasarkan data pada Tabel 6 diperoleh informasi bahwa peningkatan nilai threshold ternyata tidak terlalu mempengaruhi jumlah frequent sequence yang terbentuk kecuali untuk pembentukan -sequence. Variasi jumlah frequent sequence yang terbentuk lebih dipengaruhi oleh variasi nilai minimum support. Waktu eksekusi yang diperlukan untuk membentuk frequent sequence sangat dipengaruhi oleh nilai ambang batas dan minimum support yang digunakan. Perbandingan waktu eksekusi yang diperlukan untuk membentuk frequent sequence dari seluruh percobaan yang telah dilakukan dapat dilihat pada Gambar 0 dan. Waktu Eksekusi (detik) Threshold 0.2 Threshold 0.4 Threshold 0.6 Perbandingan Waktu Eksekusi Minimum Support (%) Gambar 0 Grafik perbandingan waktu eksekusi terhadap data pengguna internal. Waktu Eksekusi (detik) Threshold 0.2 Threshold 0.4 Threshold 0.6 Gambar Grafik perbandingan waktu eksekusi terhadap data pengguna eksternal. Menurut Gambar 0 dan, semakin tinggi nilai minimum support yang digunakan maka semakin cepat waktu yang diperlukan untuk membentuk frequent sequence. Hal ini disebabkan semakin besar nilai minimum support maka akan semakin sedikit sequence yang membentuk frequent sequence sehingga waktu komputasi untuk pembentukan frequent sequence akan semakin cepat. Jumlah pola sekuensial yang semakin sedikit disebabkan oleh banyaknya pola sekuensial yang memiliki nilai fuzzy support di bawah nilai minimum support yang digunakan. Selain itu, juga diperoleh informasi bahwa semakin besar nilai ambang batas yang diberikan maka akan semakin cepat waktu yang digunakan untuk membentuk frequent sequence. Hal tersebut disebabkan karena makin sedikitnya jumlah data yang memiliki nilai di atas nilai ambang batas yang ditentukan. Evaluasi Pola Perbandingan Waktu Eksekusi Minimum Support (%) Seluruh frequent sequence yang dihasilkan pada tahap web mining kemudian dievaluasi untuk mendapatkan pola sekuensial. Evaluasi dilakukan dengan mencari frequent sequence yang maksimal dari seluruh frequent sequences yang ada. Suatu pola sekuensial dikatakan maksimal jika pola sekuensial tersebut tidak termuat pada pola sekuensial lainnya. Dari seluruh pola sekuensial yang terbentuk diambil pola sekuensial yang memiliki nilai 6

26 fuzzy support tertinggi dengan jumlah k- sequence maksimal pada nilai minimum support tertinggi yang dilakukan selama tahap percobaan. Suatu pola sekuensial dikatakan menarik jika terjadi pada minimum support yang tinggi. Daftar pola sekuensial yang menarik dari seluruh percobaan yang telah dilakukan pada data pengaksesan pengguna terhadap situs web IPB dapat dilihat pada Tabel 7 dan 8. Dari evaluasi pola yang terdapat pada Tabel 7 dan 8, diperoleh informasi sebagai berikut : Nilai minimum support yang menghasilkan sequence dengan item paling banyak adalah 5% bagi data pengguna internal dan 6% bagi data pengguna eksternal. Nilai minimum support yang menghasilkan sequence dengan item paling sedikit adalah 65% bagi data pengguna internal dan 56% bagi data pengguna eksternal. Umumnya pengguna internal situs web IPB mengakses halaman 0 (home), (/ipbbhmn/), 8 (ipb-bhmn/akademik), 28 (/id) dan 34 (id/uploadedpictures) secara sekuensial. Umumnya pengguna eksternal situs web IPB mengakses halaman 0 (home), (/ipb-bhmn/), 2 (/ipb-bhmn/direktori), 8 (ipb-bhmn/akademik) dan 28 (/id) secara sekuensial. Representasi Pengetahuan Representasi pengetahuan dari pola sekuensial yang dihasilkan diperlukan agar pola yang ada mudah dimengerti dan diinterpretasikan. Berdasarkan hasil presentasi diharapkan dapat diperoleh pengetahuan yang berharga dari koleksi data yang telah dilakukan proses mining. Data Pengguna Internal Data hasil percobaan pada Tabel 9 menunjukkan bahwa pembentukan nilai fuzzy support bagi masing-masing halaman terdapat hanya delapan halaman yang memiliki nilai fuzzy support di atas 0% dengan jumlah item Tabel 7 Daftar pola sekuensial yang menarik (data pengguna internal) Nilai threshold Minimum Support Tertinggi (%) Maksimal Item pada sequence Jumlah Frequent Sequence Nilai fuzzy support tertinggi (%) Contoh Pola Sekuensial yang terbentuk 0, ,66 [(0 2) ( 2) (34 2) (28 2)] 0, ,66 [(0 2) (34 2) ( 2) (28 2)] 0, ,30 [(0 2) (34 2) (28 2) ( 2)] 0, ,30 [(0 2) ( 2) (8 2) (28 2)] 0, ,30 [(0 2) ( 2) (34 2) (28 2)] 0, ,30 [(0 2) (34 2) ( 2) (28 2)] 0, ,30 [(0 2) ( 2) (8 2) (34 2) (28 2)] 0, ,30 [(0 2) (8 2) ( 2) (34 2) (28 2)] 0, ,43 [(0 2) ( 2) (8 2) (34 2) (28 2)] 0, ,43 [(0 2) (34 2) (28 2) (8 2) ( 2)] 0, ,43 [(0 2) (34 2) (28 2) (8 2) ( 2)] Tabel 8 Daftar pola sekuensial yang menarik (data pengguna eksternal) Nilai threshold Minimum Support Tertinggi (%) Maksimal Item pada sequence Jumlah Frequent Sequence Nilai fuzzy support tertinggi (%) Contoh Pola Sekuensial yang terbentuk 0, 6% ,84 [(0 2) (28 2) ( 2) (2 2) (8 2)] 0,5 6% ,84 [(0 2) (28 2) ( 2) (2 2) (8 2)] 0,2 6% ,84 [(0 2) (28 2) (2 2) ( 2) (8 2)] 0,25 6% ,84 [(0 2) (2 2) (28 2) ( 2) (8 2)] 0,3 6% ,84 [(0 2) (28 2) ( 2) (2 2) (8 2)] 0,35 6% ,84 [(0 2) (28 2) ( 2) (8 2) (2 2)] 0,4 5% ,78 [(0 2) (28 2) ( 2) (8 2) (2 2)] 0,45 5% ,78 [(0 2) (28 2) ( 2) (2 2) (8 2)] 0,5 5% ,74 [(0 2) (28 2) (2 2) ( 2) (8 2)] 0,55 5% ,58 [(0 2) (28 2) (2 2) ( 2) (8 2)] 0,6 4% ,55 [(0 2) (28 2) (2 2) ( 2) (8 2)] 7

27 yang membentuk suatu pola sekuensial terbanyak yaitu 5 item (5-sequences). Tabel 9 Daftar fuzzy support yang memiliki nilai di atas 0% dengan threshold 0,3 (data internal) Halaman Kategori Fuzzy support (%) home rendah 56,3 home sedang 9,02 ipb-bhmn rendah 34,92 ipb-bhmn/akademik rendah 8,04 ipb-bhmn/others rendah 2,03 ipb-bhmn/ipbphoto rendah 2,6 id/ rendah 34,55 id/uplodedpictures rendah 2,92 ipb-bhmn/gallery rendah 0,63 Contoh pola sekuensial dengan fuzzy support tertinggi dengan nilai minimum support 2 % yaitu (home, rendah) (ipb-bhmn, rendah) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support sebesar 56,66%. Pola tersebut memiliki arti bahwa sebanyak 56,66% dari total jumlah data pengguna internal situs web IPB melakukan pengaksesan dengan pola tersebut secara sekuensial dengan diawali mengakses halaman 0 (home), diikuti halaman (ipb-bhmn), 34 (/id/uploadedpictures) dan 28 (/id). Contoh pola sekuensial yang memiliki jumlah item terbanyak (5-sequences) terjadi pada minimum support 5% adalah (home, rendah) (ipb-bhmn, rendah) (ipbbhmn/akademik) (id/uploadedpictures, rendah) (id, rendah) dengan nilai fuzzy support sebesar 56,30%. Pola sekuensial tersebut mempunyai arti bahwa sebanyak 56,30% dari total data pengguna internal IPB melakukan pengaksesan dengan pola tersebut secara sekuensial diawali dengan mengakses halaman 0 (home) diikuti halaman (ipbbhmn), 8 (ipb-bhmn/akademik), 34 (id/ uploadedpictures) dan 28 (id). Data Pengguna Eksternal Data hasil percobaan pada Tabel 0 menunjukkan bahwa pada data pengguna eksternal terdapat tujuh halaman yang memiliki nilai fuzzy support di atas 0%. Tabel 0 Daftar fuzzy support yang memiliki nilai di atas 0% dengan threshold 0,3 (data eksternal) Halaman Kategori Fuzzy support (%) Home rendah 65,03 ipb-bhmn rendah 50,67 ipb-bhmn/direktori rendah 9,24 ipb-bhmn/akademik rendah 6,7 ipb-bhmn/others rendah 2,20 ipb-bhmn/ipbphoto rendah 3,37 id rendah 23,22 Representasi pengetahuan terhadap pola sekuensial hanya dilakukan pada pola sekuensial dengan minimum support 6% yang memiliki jumlah maksimal item terbanyak yaitu lima (5- sequences) dan pola sekuensi yang memiliki nilai fuzzy support tertinggi. Contoh pola sekuensial dengan nilai fuzzy support tertinggi dengan nilai minimum support 6% yaitu (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipb-bhmn/akademik, rendah) dengan nilai fuzzy support sebesar 64,84%. Pola tersebut memiliki arti bahwa sebanyak 64,84% dari total jumlah pengguna eksternal situs web IPB melakukan pengaksesan dengan pola tersebut secara sekuensial diawali mengakses halaman 0 (home) diikuti halaman 28 (/id/), (/ipb-bhmn/), 2 (/ipb-bhmn/direktori ) dan 8 (/ipb-bhmn/akademik) Berdasarkan hasil penelitian, terdapat beberapa saran bagi web master situs web IPB, yaitu :. Menempatkan link yang merupakan penghubung menuju halaman /ipb-bhmn, /ipb-bhmn/akademik, /ipb-bhmn/others, /ipb-bhmn/ipbphoto, /id, /id/uploaded pictures, dan /ipb-bhmn/gallery pada halaman utama. 2. Menempatkan link yang merupakan penghubung menuju halaman /ipb-bhmn, /ip-bhmn/direktori, /ipb-bhmn/akademik, ip-bhmn/others, /ipb-bhmn/ipbphoto dan /id/ pada halaman utama. 3. Menempatkan konten situs web IPB secara efisien pada halaman-halaman tertentu sesuai dengan sasaran pengguna. Misalnya, menempatkan link menuju halaman 8

28 mengenai pengumuman hasil USMI, pada halaman-halaman yang sering diakses oleh pengguna eksternal. Dengan melakukan hal tersebut diharapkan dapat mengurangi distribusi beban situs web IPB. 4. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna internal adalah (home, rendah) (ipb-bhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah), yaitu sebesar 56,66%. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya. 5. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna eksternal adalah (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipbbhmn/direktori) (ipb- bhmn/akademik, rendah), yaitu sebesar 56,30%. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya. Untuk melakukan proses pembentukan frequent sequence telah dibangun sebuah aplikasi sederhana dengan menggunakan matlab Salah satu antarmuka grafis dari aplikasi tersebut dapat dilihat pada Gambar 2. Gambar 2 Antarmuka grafis aplikasi. Kesimpulan KESIMPULAN DAN SARAN Dari hasil percobaan dengan penerapan algoritma Totally Fuzzy yang dilakukan terhadap data pengaksesan pengguna terhadap situs web IPB, diperoleh kesimpulan bahwa nilai minimum support tertinggi hingga masih terbentuk frequent sequence terjadi pada nilai minimum support 56% bagi data pengguna internal dan 65% bagi data pengguna eksternal. Nilai support menunjukkan persentase dukungan data terhadap validasi sebuah pola sekuensial. Kelompok pengguna dibedakan berdasarkan alamat IP dari proxy server yang tercatat pada data log akses. Pola sekuensial dengan jumlah item terbanyak yaitu 5-sequences dengan minimum support 5% bagi data pengguna internal dan 6 % bagi data pengguna eksternal. Pengguna internal situs web IPB memiliki frekuensi yang lebih tinggi dalam mengakses halaman /ipb-bhmn, /ipb-bhmn/akademik, /ipbbhmn/others, /ipb-bhmn/ipbphoto, /id, /id/uploadedpictures dan /ipb-bhmn/gallery, sedangkan pengguna eksternal situs web IPB memiliki frekuensi yang lebih tinggi dalam mengakses halaman /ipb-bhmn, /ipbbhmn/direktori, /ipb-bhmn/akademik, /ipbbhmn/others, /ipb-bhmn/ipbphoto dan /id/. Pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna internal adalah halaman halaman (home, rendah) (ipb-bhmn, rendah) (ipb-bhmn/akademik, rendah) (id/uploadedpictures, rendah) (id, rendah), yaitu sebesar 56,66%, sedangkan pola sekuensial dengan nilai fuzzy support tertinggi bagi data pengguna eksternal adalah halaman (home, rendah) (id, rendah) (ipb-bhmn, rendah) (ipb-bhmn/direktori, rendah) (ipb-bhmn/akademik, rendah), yaitu sebesar 56,30%. Hal tersebut menggambarkan pola sekuensial yang sering dilakukan oleh pengguna situs web IPB. Web master sebaiknya mengalokasikan link di antara halaman-halaman pada pola sekuensial tersebut sehingga memudahkan pengguna dalam mengakses nya. Selain itu, mengalokasikan link yang merupakan penghubung menuju halaman yang banyak diakses oleh pengguna internal dan eksternal pada halaman utama atau lokasi yang mudah terlihat dan terjangkau oleh pengguna 9