PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA

Transkripsi

1 PENERAPAN ALGORITMA APRIORI DALAM MEMPREDIKSI PERSEDIAAN BUKU PADA PERPUSTAKAAN SMA DWI TUNGGAL TANJUNG MORAWA Domma Lingga Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja No.338 Simpang Limun Medan http : // // dumawatilingga@gmail.com ABSTRAK Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma Apriori menggunakan knowledge mengenai frequent itemset yang telah dikenal sebelumnya, untuk memproses data yang berhubungan dengan peminjaman buku diperpustakaan untuk diolah menjadi informasi yang berguna. Untuk memudahkan siswa untuk memiinjam buku diperpustakaan SMA Dwi Tunggal maka dirancang penerapan algoritma apriori dalam memprediksi buku pada perpustakaan Dwi Tunggal. Dan sistem ini dirancang dengan menggunakan data mining Algoritma Apriori untuk menemukan pola kombinasi itemset dan association rule untuk menemukan rule yang dapat memprediksi persediaan buku diperpustakaan dengan bantuan software Tanagra.Dengan adanya sistem ini siswa/i tidak kesulitan meminjam buku sesuai dengan keperluan siswa sehingga akan tercipta proses peminjaman yang nyaman dan cepat. Kata kunci : Apriori, Data Mining, Persediaan Buku. 1. Pendahuluan 1.1 Latar Belakang Data Mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data (Pramudiono, 2007). Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan yang sebelumnya tersembunyi di dalam gudang data sehingga menjadi informasi yang berharga. Teknik data mining untuk menemukan aturan asosiatif atau hubungan antara item disebut dengan association rule mining. Salah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algoritma apriori. Keluaran dari data mining bisa dipakai untuk memperbaiki pengambilan keputusan dimasa depan. Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma apriori menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Pada algoritma apriori untuk menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan minimum support (Efori Buulolo, 2013). 1.2 Perumusan Masalah Beberapa Rumusan Permasalahan yang akan dibahas dalam skripsi ini adalah : 1. Bagaimana menerapkan algoritma apriori untuk mendapatkan item set peminjaman buku dengan frekuensi tinggi. 2. Bagaimana menemukan aturan asosiatif dengan menggunakan algoritma apriori dalam mendapatkan kombinasi buku untuk memprediksi persediaan buku? 3. Bagaimana mengimplementasikan algoritma apriori untuk memprediksi persediaan buku dengan bantuan software tanagra. 1.3 Batasan Masalah Agar pembahasan tidak lepas dari latar belakang dan perumusan masalah, maka penulis membatasi masalah yang dibahas yaitu sebagai berikut: 1. Menggunakan algoritma apriori untuk menemukan pola kombinasi itemsets dan association rule untuk menemukan rules yang dapat memprediksi persediaan buku diperpustakaan. 2. Data yang digunakan dalam pengolahan data adalah dimulai tahun Pengujian data menggunakan tools data mining yaitu Tanagra versi Tujuan dan Manfaat Penelitian Tujuan Beberapa tujuan yang ingin dicapai dalam penelitian ini yaitu sebagai berikut: 1. Menerapkan algoritma apriori untuk mendapatkan item set peminjaman buku dengan frekuensi tinggi. 18

2 2. Menemukan aturan asosiatif dengan menggunakan algoritma apriori dalam mendapatkan kombinasi buku untuk memprediksi persediaan buku 3. Mengimplementasikan algoritma apriori utnuk memprediksi persediaan buku dengan bantuan software tanagra Manfaat Beberapa manfaat dari penelitian ini adalah sebagai berikut: 1. Mengaplikasikan algoritma apriori dalam memprediksi persediaan buku di perpustakaan SMA Dwi Tunggal Tanjung Morawa 2. Memudahkan pihak SMA Dwi Tunggal Tanjung Morawa untuk mengetahui jenis item buku yang sering muncul atau dipinjam diantara banyak transaksi peminjama buku secara bersamaan. 3. Membantu pihak SMA Dwi Tunggal Tanjung Morawa dalam memperbaiki pengambilan keputusan untuk persedian buku di perpustakaannya. 2. Landasan Teoritis 2.1 Data Mining Data Mining merupakan analisis dari peninjauan kumpulan data untuk menemukan hubungan yang tidak diduga dan meringkas data dengan cara yang berbeda dengan sebleumnya, yang dapat dipahami dan bermanfaat bagi pemilik data. (Larose, 2005). Data Mining meruapkan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database dan visualisasi utuk penanganan permasalahan pengambilan informasi dari database yang besar. (Larose, 2005) Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse, atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu ilmu lain, seperti database system, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing (Han, 2006). Data mining didefinisikan sebagai proses menemukan polapola dalam data. Proses ini otomatis atau seringnya semi otomatis (Witten, 2005). Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar Tahap-Tahap Data mining Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan di Gambar. Tahap-tahap tersebut bersifat interaktif, pemakai terlibat langsung atau dengan perantaraan knowledge base. Tahap-tahap data mining ada 6 yaitu : 1. Pembersihan data (data cleaning) 2. Integrasi data (data integration) 3. Seleksi Data (Data Selection) 4. Transformasi data (Data Transformation) 5. Proses mining 6. Evaluasi pola (pattern evaluation), 2.3 Support dan Confidence a. Support, suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu item atau itemset dari keseluruhan transaksi. b. Confidence, suatu ukuran yang menunjukkan hubungan antar dua item secara conditional. (Dian Wirdasari, Ahmad Calam, 2011) 2.4 Metode Metode Data Mining Metode Association Rules Aturan asosiasi (association rules) atau analisis afinitas (affinity analysis) berkenaan dengan tentang apa bersama apa. Ini bisa berupa studi transaksi di supermarket misalnya orang yang membeli susu bayi juga membeli sabun mandi. Algoritma aturan asosiasi akan menggunakan data latihan, sesuai dengan pengertian data mining, untuk menghasilkan pengetahuan. Pengetahuan apakah yang hendak dihasilkan dalam aturan asosiasi? Pengetahuan untuk mengetahui item-item belanja yang sering dibeli secara bersamaan dalam suatu waktu. Aturan asosiasi yang berbentuk if... then... atau jika...maka... merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi (Dian Wirdasari, Ahmad Calam, 2011) Tahapan Association Rule Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien (Kennedi Tampubolon et al, 2013). Metodologi dasar analisis asosiasi terbagi menjadi dua tahap: 1. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. 19

3 2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiasi jika A maka B. Nilai confidence dari aturan jika A maka B Langkah-Langkah Proses Perhitungan Association Rule Proses perhitungan association rule terdiri dari beberapa tahap adalah sebagai berikut (Kennedi Tampubolon et al, 2013): 1. Sistem men-scan database untuk mendapat kandidat 1-itemset (himpunan item yang terdiri dari 1 item) dan menghiung nilai supportnya. Kemudian nilai supportnya tersebut dibandingkan dengan minimum support yang telah ditentukan, jika nilainya lebih besar atau sama dengan minimum support maka itemset tersebut termasuk dalam large itemset. 2. Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya ( di prune) Pada iterasi kedua sistem akan menggunakan hasil large itemset pada iterasi pertama (L1) untuk membentuk kandidat itemset kedua (L2). Pada iterasi selanjutnnya sistem akan menggunakan hasil large itemset pada iterasi selanjutnnya akan menggunakan hasil large itemset pada iterasi sebelumnya (Lk-1) untuk membentuk kandidat itemset bertikut (Lk). Sistem akan menggabungakan (join) Lk-1 dengan Lk-1 untuk mendapatkan Lk, seperti pada iterasi sebelumnya sistem akan menghapus (prune) kombinasi itemset yang tidak termasuk dalam large itemset. 4. Setelah dilakukan operasi join, maka pasangan itemset baru hasil proses join tersebut dihitung supportnya. 5. Proses pembentuk kandidat yang terdiri dari proses join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah tidak ada lagi kandidat yang akan dibentuk. 6. Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan. 7. Pada pembentukan association rule, nilai yang sama dianggap sebagai satu nilai. 8. Assosiation rule yang terbentuk harus memenuhi nilai minimum yang telah ditentukan. 9. Untuk setiap large itemset L, kita cari himpunan bagian L yang tidak kosong untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk ab(l-a) jika supportnya (L) dan supportnya (a) lebih besar dari minimum support. 2.5 Algoritma Apriori Apriori adalah suatu algoritma yang sudah sangat dikenal dalam melakukan pencarian frequent itemset dengan menggunakan teknik association rule. Algoritma apriori menggunakan knowledge mengenai frequent itemset yang telah diketahui sebelumnya, untuk memproses informasi selanjutnya. Pada algoritma apriori untuk menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan minimum support (Efori Buulolo, 2013).Penerapan algoritma apriori dapat diilustrasikan melalui gambar berikut: Gambar 2.1 Ilustrasi Algoritma Apriori Sumber : (Efori uololo, 2013) 3. Analisa dan Perancangan 3.1. Analisa Sistem peminjaman buku pada perpustakaan SMA Dwi Tunggal Tanjung Morawa masih manual, artinya semua yang berhubungan dengan aktifitas peminjaman buku di catat pada sebuah buku. Salah satu output dari sistem peminjaman buku adalah data peminjaman buku. Proses memprediksi persediaan buku selama ini masih sebatas hanya melihat langsung buku apa yang sering dipinjam anggota langsung dari buku 20

4 transaksi peminjaman buku perpustakaan secara manual yaitu mencari secara satu per satu. Untuk mencapai tujuan yang diinginkan didalam penelitian ini, maka data peminjaman tersebut di export ke dalam bentuk Microsoft excel. 3.2 Pembahasan Proses pembentukan pola kombinasi itemsets dan pembuatan rules dimulai dari analisis data. Data yang digunakan adalah data transaksi penjualan obat, kemudian dilanjutkan dengan pembentukan pola kombinasi itemsets dan dari pola kombinasi itemsets yang menarik terbentuk association rules Analisis Data Dengan studi kasus pada perpustakaan SMA Dwi Tunggal 2 Tanjung Morawa, dapat dilakukan analisa terhadap data khusus data peminjaman buku dengan salah satu tujuan adalah untuk menemukan pola kombinasi peminjaman buku dan hubungan antar item judul buku didalam transaksi. Berikut ini adalah tabel 3.1 yaitu sampel data antara bulan Juli 2013 Juli 2014 yang akan dijadikan sampel untuk analisis dan juga untuk pengujian Penerapan Algoritma Apriori Tahap dalam menganalisa data dengan algoritma apriori pada peminjaman buku dimulai dengan menyeleksi dan membersihkan data-data yang akan dianalisis, kemudian dicari semua jenis item judul buku yang ada didalam list peminjaman buku, selanjut dicari jumlah setiap item yang ada pada semua data transaksi peminjaman buku. Pola hubungan yang dibentuk dari data peminjaman buku adalah dimulai dari pembentukan pola kombinasi satu itemset, dari pola kombinasi satu itemsets, terbentuk lah pola kombinasi dua itemsets, dari pola kombinasi dua itemsets terbentuk lagi pola kombinasi tiga itemsets, dan dari pola kombinasi tiga itemsets terbentuk pola kombinasi empat itemsets, kemudian dari pola kombinasi empat itemset terbentuk pola kombinasi lima itemsets. Pembentukan pola kombinasi didasarkan pada nilai support minimal, Jika nilai support minimal terpenuhi dan pola kombinasi itemsets yang ada lebih dari pada satu pola kombinasi, maka pola kombinasi itemsets yang berikutnya bisa bentuk. Setelah selesai pembuatan pola maka langkah selanjutnya pembentuk rules association, rules yang akan dihasilkan dibentuk dari pola kombinasi itemsets yang memenuhi support minimal. 4. Algoritma Dan Implementasi 4.1 Algoritma Algoritma adalah urutan langkah logis tertentu untuk memecahkan suatu masalah. Yang ditekankan adalah urutan langkah logis, yang berarti algoritma harus mengikuti suatu urutan tertentu, tidak boleh melompat-lompat. Alur pemikiran dalam menyelesaikan suatu pekerjaan yang dituangkan secara tertulis. Yang ditekankan pertama adalah alur pikiran, sehingga algoritma seseorang dapat juga berbeda dari algoritma orang lain. Sedangkan penekanan kedua adalah tertulis, yang artinya dapat berupa kalimat, gambar, atau tabel tertentu. Adapun algoritma yang digunakan adalah sebagai berikut : 4.2 Implementasi Implementasi data mining menggunakan algoritma apriori pada penelitian skripsi ini menggunakan tools aplikasi Tanagra Versi Implementasi ini memiliki format tabular data transaksi. 5. Kesimpulan Dan Saran 5.1 Kesimpulan Berdasarkan hasil pengujian dan analisis dari penerapan algoritma apriori dalam memprediksi persediaan buku pada perpustakaan SMA Dwi Tunggal Tanjung Morawa maka dapat di tarik kesimpulan sebagai berikut: 1. Penerapan algoritma apriori dapat digunakan untuk menyelesaikan permasalahan dalam menemukan pola peminjaman buku yang menghasilkan pola kombinasi sebagai acuan dalam memprediksi jumlah buku pada perpustakaan. 2. Pola data peminjaman yang dihasilkan dengan min support 30 persen(%), min confidence 70 persen(%) adalah pola kombinasi lima items. 3. Dari data hasil pengujian yang telah diperoleh, dapat diketahui buku apa saja yang sering muncul di dalam proses peminjaman buku. Dengan demikian informasi ini dapat memudahkan pihak perpustakaan SMA Dwi Tunggal Tanjung Morawa dalam memambah stok buku nantinya. 5.2 Saran Berdasarkan hasil penelitian ini, ada beberapa saran yang dapat dilakukan guna pengembangan penelitian ini untuk menjadi lebih baik, di antaranya sebagai berikut: 1. Data yang digunakan dalam pengolahan sebaiknya dikelompokkan berdasarkan jenis dan penerbit buku, karena adanya tingkat perkembangan penerbitan buku yang pesat. 2. Disarankan untuk menggunakan min support 21

5 dan min confidence yang lebih bervariasi sehingga pola yang dihasilkan lebih memiliki kombinasi yang lebih banyak. 3. Sebaiknya dilakukan perbandingan dengan menggunakan algoritma lain, untuk mengukur tingkat kinerja dan hasil yang diperoleh, apakah algoritma apriori sudah baik dalam memprediksi persediaan buku pada perpustakaan. Daftar Pustaka 1. Kusrini dan Emha Taufig Luthfi, Ilmiah Kursor menuju Solusi Teknologi Informasi,Yogyakarta, Han, Pengenalan Pola, Spatial data Analysis image database,signal Processing, Dian Wirdasari dan Ahmad Calam, Support dan Confidence, Larose, Data Mining Tecnique for Marketing Sales and Customer support, Suwarno, Pengertian Buku, Julsam et al, Pengenalan Aplikasi Tanagra, Jurnal Kennedi Tampubolon, Association Rule, [ 8 ]. Jurnal Efori Buulolo, Data Mining, tml Tanggal 23 agustus Sartika 1603/Pengenalan Tanagra.word press.com/