PERBANDINGAN ALGORITMA APRIORI DAN

ALGORITMA FP-GROWTH UNTUK PEREKOMENDASI

PADA TRANSAKSI PEMINJAMAN BUKU DI
PERPUSTAKAAN UNIVERSITAS DIAN NUSWANTORO

Rizky Mei Anggraeni

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro
Semarang
Jl. Nakula 1 No. 5-11, Semarang, 50131, Telp: (024) 3517261, Fax : (024) 325 0165
E-mail : dira.anggraeni25@gmail.com

Abstrak
Perpustakaan merupakan salah satu tempat penyedia layanan kepustakaan yang dapat di
manfaatkan untuk kegiatan proses belajar mengajar. Koleksi buku yang terdapat pada
perpustakaan cukup banyak, terkadang hal tersebut membingungkan pengunjung perpustakaan
yang ingin meminjam buku. Untuk memudahkan proses peminjaman buku pada perpustakaan
tersebut perlu adanya sistem yaitu sistem perekomendasi untuk mahasiswa atau dosen. Pada
penelitian ini dibuat sebuah sistem di mana nantinya dapat dijadikan sistem perekomendasi yaitu
menggunakan dua metode data mining association rule mining dengan membandingkan algoritma
apriori dan fp-growth (frequent pattern growth). Hal tersebut bertujuan untuk menentukan buku-
buku yang sering dipinjam bersamaan pada transaksi peminjaman buku sebelumnya. Hasil dari
sistem tersebut yaitu sebuah informasi rekomendasi buku dengan membandingkan kinerja
algoritma apriori dan fp-growth.

Kata kunci : Data Mining, Perpustakaan, Apriori, FP-Growth

Abstract
Right now this method of of data mining has been widely used in many fields for data processing,
one of which uses of data mining is the right decision makers are educational institutions that exist
in the library. The library is one of the library service providers that can be used for teaching and
learning activities. Collection of books contained in the library quite a lot, sometimes confusing
visitors who want to borrow a library book. To simplify the process of borrowing library books on
the need for a system that can help facilitate the loan process for students or faculty. In this study
perekomendasi created a system using association rule mining algorithm Apriori of data mining
and Fp-Growth (Frequent Pattern Growth). It aims to look at the validity of the results obtained
information books.

kKeyword : Data Mining, Library, Apriori, Frequent Pattern Growth

 1

I. PENDAHULUAN dengan membandingkan kinerja

Perpustakaan Universitas Dian algoritma Apriori dan FP-Growth.
Nuswantoro merupakan salah satu Algoritma Apriori ini
tempat penyedia layanan dikembangkan pada tahun 1994
kepustakaan yang dapat oleh Agrawal dan Srikan. Apriori
dimanfaatkan untuk kegiatan proses adalah algoritma dalam melakukan
belajar mengajar. Perpustakaan ini pencarian frequent itemset dengan
menyediakan berbagai macam menggunakan pengetahuan tentang
bahan-bahan pustaka seperti buku- frequent itemset yang telah
buku teks, literatur,refrensi, jurnal, diketahui sebelumnya untuk
majalah ilmiah, majalah umum, memproses informasi selanjutnya.
koran maupun koleksi laporan tugas Biasanya kandidat-kandidat yang
akhir mahasiswa dari berbagai mungkin muncul ditentukan
fakultas. Dari sekian banyak koleksi terlebih dahulu dengan
perpustakaan dapat dipinjam atau memperhatikan minimum
hanya boleh dibaca di tempat[1]. support[5].
Untuk memudahkan proses FP-Growth adalah salah satu
peminjaman buku perpustakaan alternatif algoritma yang dapat
terutama dalam hal pencarian buku digunakan untuk menentukan
yang akan di pinjam perlu adanya himpunan data yang paling sering
sistem yang tepat dalam muncul (frequent item set) dalam
merekomendasikan buku apa saja sebuah kumpulan data. FP-Growth
yang tersedia pada perpustakaan dan menggunakan pendekatan yang
yang paling sering dipinjam berbeda dari paradigma yang
bersamaan oleh pengunjung digunakan pada apriori.
perpustakaan pada transakski
sebelumnya. Dikarenakan II. METODE YANG DIUSULKAN
perpustakaan Universitas Dian A. Data Mining
Nuswantoro belum mempunyai Menurut Turban dalam
sistem yang membantu bukunya yang berjudul “Decision
merekomendasi peminjam buku Support System and Intelligent
perspustakaan dalam hal memilih System”, Data Mining adalah suatu
buku yang tepat untuk digunakan, istilah yang digunakan untuk
oleh karena itu perlu adanya sistem menguraikan penemuan
perekomendasi untuk pengetahuan di dalam basis data.
merekomendasikan buku dengan Data Mining adalah proses yang
menemukan himpunan data yang menggunakan teknik statistik,
paling sering muncul dalam suatu matematika, kecerdasan buatan, dan
kumpulan data. Metode yang machine learning untuk
digunakan dalam perekomendasian mengekstraksi dan mengidentifikasi
tersebut adalah Data Mining. Data informasi yang bermanfaat dan
mining adalah proses mencari pola pengetahuan yang terkait dari
atau informasi menarik dalam data berbagai basis data besar[4].
terpilih dengan menggunakan teknik B. Apriori
atau metode tertentu[3]. Algoritma Apriori digunakan
Perekomendasian ini dilakukan untuk mencari frequent itemset yang
 2

memenuhi minsup kemudian algoritma FP-Growth lebih cepat dari

mendapatkan rule yang memenuhi algoritma Apriori.
minconf dari frequent itemset tadi[8]. Karakteristik algoritma FP-
Algoritma Apriori diperkenalkan Growth adalah struktur data yang
oleh agrawal dan Srikant pada tahun digunakan adalah tree yang disebut
1994. Sampai saat ini algoritma dengan FP-Tree. Dengan
tersebut merupakan algoritma menggunakan FP-Tree, algoritma
asosiasi yang telah banyak digunakan FP-Growth dapat langsung
dan dikembangkan oleh para peneliti. mengekstrak frequent itemset dari
Algoritma Apriori dalam menangani FP-Tree.
masalah asosiasi adalah dengan Penggalian itemset yang
mengurangi jumlah itemset yang frequent dengan menggunakan
dipertimbangkan. Pengguna algoritma FP-Growth akan
menetapkan minimum support. Jadi dilakukan dengan cara
nilai (A C) ≤ minimum support membangkitkan struktur data tree
atau disebut dengan FP-Tree.
untuk setiap assosiation rule
Metode FP-Growth dapat dibagi
A → C atau (A → C) ≤ min- support. menjadi 3 tahapan utama yaitu
Apriori pertama menghasilkan semua sebagai berikut [6]:
himpunan item yang memenuhi min- 1. Tahap Pembangkitan
dukungan. Himpunan item tersebut conditional pattern base,
sering disebut himpunan item 2. Tahap pebangkitan conditional
(frequent item sets)[6]. FP-Tree, dan
3. Tahap pencarian frequent
C. FP-Growth itemset.
Algoritma FP-Growth
merupakan pengembangan dari
algoritma Apriori. Sehingga III. IMPLEMENTASI
kekurangan dari algoritma Apriori A. Apriori
diperbaiki oleh algoritma FP-
Growth[4].
Frequent Pattern Growth (FP-
Growth) adalah salah satu alternatif
algoritma yang dapat digunakan
untuk menentukan himpunan data
yang paling sering muncul (frequent
itemset) dalam sebuah kumpulan
data[8].
Pada algoritma Apriori
diperlukan generate candidate untuk
mendapatkan frequent itemsets.
Akan tetapi, di algoritma FP-Growth Gambar 1. Aturan Asosiasi
generate candidate tidak dilakukan yang terbentuk dari
karena FP-Growth menggunakan proses mining Apriori
konsep pembangunan tree dalam
pencarian frequent itemsets. Hal
tersebutlah yang menyebabkan
 3

Tabel 2. Aturan Asosiasi

Tabel 1. Aturan Asosiasi yang terbentuk dari
yang terbentuk dari proses mining FP-Growth
proses mining Apriori
C. Hasil Perbandingan Kedua
B. FP-Growth Algoritma

Gambar 2. Aturan Asosiasi

yang terbentuk dari
Tabel 3. Tabel Hasil
proses mining FP-Growth Perbandingan Apriori dan FP-
Growth

Dari hasil penelitian

di atas maka dapat di
simpulkan bahwa kedua
algoritma mempunyai
kesamaan hanya saja pada
kecepatan eksekusi
program lebih cepat
menggunakan algoritma
fp-growth.
 4

rule yang terbentuk

sempurna atau mendekati
IV. HASIL DAN PEMBAHASAN sempurna.
5.1 Kesimpulan Maka dapat
Dari permasalahan di disimpulkan bahwa
atas mengenai data kedua algoritma tersebut
transaksi peminjaman layak diimplementasikan
buku, algoritma Apriori untuk perekomendasi
dan Frequent Pattern peminjaman buku
Growth dapat digunakan berdasarkan aturan
dalam perekomendasi asosiasi.
buku perpustakaan
dengan teknik data 5.2 Saran
mining menggunakan Agar penelitian ini
aturan asosiasi untuk terus berkembang,
menentukan buku-buku berikut saran-saran yang
yang sering dipinjam diusulkan :
dalam waktu bersamaan. 1. Penelitian ini dapat
Hasil analisis kelayakan dikembangkan dengan
bahwa algoritma Apriori menggunakan metode
dan FP-Growth telah aturan asociation rules
dijelaskan di atas bahwa data mining lainnya
aturan Asosiasi yang untuk dilakukan
terbentuk dari kedua perbandingan.
algoritma yaitu sama. 2. Jumlah buku yang
Perbedaan terletak pada dapat dipinjam
waktu eksekusi program pengunjung
dimana dengan ditingkatkan agar pola
menggunakan Apriori mining yang terbentuk
waktu yang digunakan semakin bervariasi.
untuk eksekusi program 3. Hasil dari penelitian
lebih banyak ini dari rule yang
dibandingkan waktu terbentuk dapat
eksekusi program dikembangkan
menggunakan FP- menjadi pengetahuan
Growth. untuk sistem
Dari hasil kinerja pendukung keputusan.
kedua algoritma semakn
besar minimum support
nya maka itemsets dan
Association rule yang
terbentuk tidak ada, maka
dari itu dicari minimum
support yang paling
mendekati agar frequent
itemsets dan Association
 5

V. Daftar Pustaka Rekomendasi Film Di

Website Solo Movie
[1] http://www.dinus.ac.id/a Dengan Menggunakan
bout/upt/perpus Metode Algoritma
[2] Thomas Richard Stif Apriori” : Pustaka uns,
Wijaya(2014): “Aplikasi 2010.
Data Mining [7] Bapersip. Visi dan Misi
Menggunakan Algoritma [Online]. Available:
A-Priori Untuk http://bapersip.jatimprov.
Menentukan Aturan go.id/bapersip/profil.jsp?i
Asosiasi Pada Transaksi d=4 (2011).
Peminjaman Buku [8] Samuel, David. 2008.
Perpustakaan “Penerapan Struktur FP-
Universitas Dian Tree dan Algoritma FP-
Nuswantoro Semarang”. Growth dalam Optimasi
Semarang : UDINUS. Penentuan Frequent
[3] Goldie Gunadi dan Dana Itemset”. Institut
Indra Sensuse(2012): Teknologi Bandung.
“Penerapan Metode
Data Mining Market
Basket Analysis
Terhadap Data
Penjualan Produk Buku
dengan Menggunakan
Algoritma Apriori dan
Frequent Pattern Growth
(FP-Growth) : Studi
Kasus Pada Percetakan
PT. GRAMEDIA”, Jurnal
Telematika MKOM,
Volume. 4 NISN:2085-
725X
[4] Kusrini dan E. T. Luthfi.
(2009). “Algoritma Data
Mining”. Yogyakarta :
Andi Offset.
[5] Jiawei Han dan
Micheline Kamber,
“Data Mining: Concept
and Techniques: Capture
6. Mining Association
Rules in Large
Databases”, Simon
Fraser University, 2009.
[6] Affriantari Rochmah,
“Perancangan Fitur