PENERAPAN DATA MINING UNTUK MENGOLAH DATA PENEMPATAN

BUKU DI PERPUSTAKAAN SMK TI PAB 7 LUBUK PAKAM

DENGAN METODE ASSOCIATION RULE

Dian Wirdasari#1 dan Ahmad Calam*2

#
Program Studi Ilmu Komputer, Universitas Sumatera Utara
*
Program Studi Sistem Informasi, STMIK Triguna Dharma
1
dianws, 2ahmadcalam@ymail.com

ABSTRAK: Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi
kaya akan data tapi minim informasi. Data mining merupakan penambangan atau penemuan
informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar
yang diharapkan dapat mengatasi kondisi tersebut. Dengan memanfaatkan data kunjungan
perpustakaan, dapat menggali informasi tentang buku-buku apa yang sering dipinjam oleh siswa
dan keterkaitan antar masing – masing peminjaman sehingga dapat melakukan penyusunan buku
sesuai dengan tingkat support dan confidence. Kemudian setelah itu dibuat suatu aplikasi yang
dapat menujukkan lokasi buku secara lebih spesifik sehingga memudahkan pencarian bagi para
pengunjung.
Penelitian yang dibuat di SMK TI PAB 7 Lubuk Pakam ini dibuat dengan menggunakan
beberapa software seperti XL Miner untuk data mining dan Visual Basic 6.0 untuk aplikasi pencari
buku. Sementara untuk basis data digunakan Microsoft Access dan software – software pendukung
lainnya.Hasil penelitian ini adalah, pertama, dalam tumpukan data kunjungan perpustakaan,
terdapat pengetahuan yang bermanfaat bagi perpustakaan itu dan para pengunjung perpustakaan
tersebut, kedua, hasil mining data kunjungan perpustakaan SMK TI PAB 7 Lubuk Pakam
didapatkan informasi bahwa buku yang paling sering dipinjam oleh siswa dengan nilai support 9
adalah buku Biologi Kelas X, ketiga, terdapat beberapa aturan asosiasi yang memiliki nilai
confidence 100% misalnya jika meminjam Conversation dan matematika bilingual maka meminjam
Matematika X. Artinya jika meminjam buku Conversation dan matematika maka kemungkinan
meminjam matematika bilingual adalah 100%.
Kata kunci : data mining, association rules, support, confidence.

A. PENDAHULUAN masih harus digali ulang dari data yang

jumlahnya sangat besar. Kemampuan
Dengan kemajuan teknologi informasi teknologi informasi untuk mengumpulkan dan
dewasa ini, kebutuhan akan informasi yang menyimpan berbagai tipe data jauh
akurat sangat dibutuhkan dalam kehidupan meninggalkan kemampuan untuk
sehari-hari, sehingga informasi akan menjadi menganalisis, meringkas dan mengekstrak
suatu elemen penting dalam perkembangan pengetahuan dari data. Metode tradisional untuk
masyarakat saat ini dan waktu mendatang. menganalisis data yang ada, tidak dapat
Namun kebutuhan informasi yang tinggi kadang menangani data dalam jumlah besar.
tidak diimbangi dengan penyajian informasi Pemanfaatan data yang ada di dalam
yang memadai, sering kali informasi tersebut sistem informasi untuk menunjang kegiatan
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…
pengambilan keputusan, tidak cukup hanya
mengandalkan data operasional saja,
diperlukan suatu analisis data untuk menggali
potensi-potensi informasi yang ada. Para
pengambil keputusan berusaha untuk
memanfaatkan gudang data yang sudah
dimiliki untuk menggali informasi yang
berguna membantu mengambil keputusan, Hal
ini mendorong munculnya cabang ilmu baru
untuk mengatasi masalah penggalian informasi
atau pola yang penting atau menarik dari data
dalam jumlah besar, yang disebut dengan Data
Mining. Penggunaan teknik data mining
diharapkan dapat memberikan pengetahuan-
pengetahuan yang sebelumnya tersembunyi
di dalam gudang data sehingga menjadi
informasi yang berharga.
Di SMK TI PAB 7 Lubuk Pakam, sebagai
sekolah Teknologi Informasi dilengkapi dengan
fasilitas berupa perpustakaan. Perpustakaan ini
memiliki koleksi buku yang cukup banyak dari
mulai buku pelajaran sampai buku – buku
ensiklopedi. Pengunjung perpustakaan pun
cukup banyak. Setiap akhir semester diberikan
penghargaan kepada siswa- siswa yang paling
sering mengunjungi perpustakaan. Hal ini tentu
saja mendorong siswa untuk lebih sering
mengunjungi perpustakaan.
1.1 Rumusan Masalah
Permasalahan yang akan dibahas dalam hal
ini adalah :
1. Bagaimana mengolah data peminjaman
buku diperpustakaan sehingga menjadi
informasi yang berguna.
2. Bagaimana mengukur tingkat support
dan confidence dari peminjaman buku
sehingga dapat dilakukan penyusunan
buku dengan lebih baik.
1.2 Tujuan Penelitian
Tujuan yang ingin dicapai dalam penelitian
ini adalah:
1. Mengolah data peminjaman buku
diperpustakaan sehingga menjadi
informasi yang berguna.
2. Mengukur tingkat support dan
confidence dari peminjaman buku
138
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
sehingga dapat dilakukan penyusunan
buku dengan lebih baik.
B. DATA WAREHOUSE
Data warehouse adalah sebuah sistem yang
mengambil dan menggabungkan data secara
periodik dari sistem sumber data ke
penyimpanan data bentuk dimensional atau
normal (Reinardi, 2008). Data warehouse
merupakan penyimpanan data yang berorientasi
objek, terintegrasi, mempunyai variant
waktu,dan menyimpan data dalam bentuk
nonvolatile sebagai pendukung manejemen
dalam proses pengambilan keputusan.(Han.
2006)
Data warehouse menyatukan dan
menggabungkan data dalam bentuk
multidimensi. Pembangunan data warehouse
meliputi pembersihan data, penyatuan data dan
transformasi data dan dapat dilihat sebagai
praproses yang penting untuk digunakan dalam
data mining. Selain itu data warehouse
mendukung On-line Analitycal Processing
(OLAP), sebuah kakas yang digunakan untuk
menganalisis secara interaktif dari bentuk
multidimensi yang mempunyai data yang
rinci. Sehingga dapat memfasilitasi secara
efektif data generalization dan data mining.
Banyak metode-metode data mining yang
lain seperti asosiasi, klasifikasi, prediksi, dan
clustering, dapat diintegrasikan dengan
operasi OLAP untuk meningkatkan proses
mining yang interaktif dari beberapa level dari
abstraksi. Oleh karena itu data warehouse
menjadi platform yang penting untuk data
analisis dan OLAP untuk dapat menyediakan
platform yang efektif untuk proses data mining.
Empat karakteristik dari data warehouse
meliputi :
1. Subject oriented : sebuah data warehouse
disusun dalam subjek utama, seperti
pelanggan, suplier, produk, dan sales.
Meskipun data warehouse terkonsentrasi
pada operasi harian dan proses
transaksi dalam perusahaan, data
warehouse fokus pada pemodelan dan
analisis data untuk pembuat keputusan.
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…
Oleh karena itu data warehouse
mempunyai karakter menyediakan
secara singkat dan sederhana gambaran
seputar subjek lebih detail yang dibuat
dari data luar yang tidak berguna dalam
proses pendukung keputusan.
2. Integrated : Data warehouse biasanya
dibangun dari bermacam-macam sumber
yang berbeda, seperti database
relasional, flat files, dan on-line
transaction records. Pembersihan dan
penyatuan data diterapkan untuk
menjamin konsistensi dalam penamaan,
struktur kode, ukuran atribut, dan yang
lainnya.
3. Time Variant : data disimpan untuk
menyajikan informasi dari sudut pandang
masa lampau (misal 5 – 10 tahun yang
lalu). Setiap struktur kunci dalam data
warehouse mempunyai elemen waktu baik
secara implisit maupun eksplisit
4. Nonvolatile : sebuah data warehouse secara
fisik selalu disimpan terpisah dari data
aplikasi operasional. Penyimpanan yang
terpisah ini, data warehouse tidak
memerlukan proses transaksi, recovery
dan mekanisme pengendalian
konkurensi. Biasanya hanya
membutuhkan dua operasi dalam akses
data yaitu initial load of data dan access
of data
Dari pengertian tersebut, sebuah data
warehouse merupakan penyimpanan data tetap
sebagai implementasi fisik dari pendukung
keputusan model data. Data warehouse juga
biasanya dilihat sebagai arsitektur,
pembangunan dan penyatuan data dari
bermacam macam sumber data yang berbeda
untuk mendukung struktur dan atau query
tertentu, laporan analisis, dan pembuatan
keputusan.
Extract, transform, dan load (ETL)
merupakan sebuah sistem yang dapat
membaca data dari suatu data store, merubah
bentuk data, dan menyimpan ke data store yang
lain. Data store yang dibaca ETL disebut Data
Source, sedangkan data store yang disimpan
ETL disebut Target. Proses pengubahan data
digunakan agar data sesuai dengan format
dan kriteria, atau sebagai validasi data dari
source system. Proses ETL tidak hanya
menyimpan data ke data warehouse, tetapi
juga digunakan untuk berbagai proses
pemindahan data. Kebanyakan ETL mempunya
mekanisme untuk membersihkan data dari
source system sebelum disimpan ke
warehouse. Pembersihan data merupakan proses
identifikasi dan koreksi data yang kotor. Proses
pembersihan ini menerapkan aturan-aturan
tertentu yang mendefinisikan data bersih.
C. DATA MINING
Secara sederhana data mining adalah
penambangan atau penemuan informasi baru
dengan mencari pola atau aturan tertentu dari
sejumlah data yang sangat besar (Davies.
2004). 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).
Data mining, sering juga disebut Sebagai
Knowledge Discovery In Database (KDD).
KDD adalah kegiatan yang meliputi
pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan
dalam set data berukuran besar (Santoso, 2007).
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 pola-pola dalam data. Proses ini
otomatis atau seringnya semiotomatis (Witten,
2005).. Pola yang ditemukan harus penuh
139
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…
arti dan pola tersebut memberikan keuntungan,
biasanya keuntungan secara ekonomi.
Karakteristik data mining sebagai berikut
1. Data mining berhubungan dengan
penemuan sesuatu yang tersembunyi dan
pola data tertentu yang tidak diketahui
sebelumnya.
2. Data mining biasa menggunakan data yang
sangat besar. Biasanya data yang besar
digunakan untuk membuat hasil lebih
dipercaya.
3. Data mining berguna untuk membuat
keputusan yang kritis, terutama dalam
strategi (Davies, 2004).
Berdasarkan beberapa pengertian tersebut
dapat ditarik kesimpulan bahwa data mining
adalah suatu teknik menggali informasi
berharga yang terpendam atau tersembunyi
pada suatu koleksi data (database) yang
sangat besar sehingga ditemukan suatu pola
yang menarik yang sebelumnya tidak
diketahui. Datamining sendiri berarti usaha
untuk mendapatkan sedikit barang berharga
dari sejumlah besar material dasar. Karena itu
data mining sebenarnya memiliki akar yang
panjang dari bidang ilmu seperti kecerdasan
buatan (artificial intelligent), machine
learning, statistik dan database. Beberapa
metode yang sering disebut-sebut dalam
literatur data mining antara lain clustering,
classification, association rules mining, neural
network, genetic algorithm dan lain-lain
(Pramudiono, 2007).
D. 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)
Pembersihan data merupakan proses
menghilangkan noise dan data yang tidak
konsisten atau data tidak relevan. Pada
140
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
umumnya data yang diperoleh, baik dari
database suatu perusahaan maupun hasil
eksperimen, memiliki isian-isian yang tidak
sempurna seperti data yang hilang, data yang
tidak valid atau juga hanya sekedar salah ketik.
Selain itu, ada juga atribut-atribut data yang
tidak relevan dengan hipotesa data mining yang
dimiliki. Data-data yang tidak relevan itu juga
lebih baik dibuang. Pembersihan data juga akan
mempengaruhi performasi dari teknik data
mining karena data yang ditangani akan
berkurang jumlah dan kompleksitasnya.
2. Integrasi data (data integration)
Integrasi data merupakan penggabungan
data dari berbagai database ke dalam satu
database baru. Tidak jarang data yang
diperlukan untuk data mining tidak hanya
berasal dari satu database tetapi juga berasal
dari beberapa database atau file teks. Integrasi
data dilakukan pada atribut-aribut yang
mengidentifikasikan entitas-entitas yang unik
seperti atribut nama, jenis produk, nomor
pelanggan dan lainnya. Integrasi data perlu
dilakukan secara cermat karena kesalahan pada
integrasi data bisa menghasilkan hasil yang
menyimpang dan bahkan menyesatkan
pengambilan aksi nantinya. Sebagai contoh
bila integrasi data berdasarkan jenis produk
ternyata menggabungkan produk dari kategori
yang berbeda maka akan didapatkan korelasi
antar produk yang sebenarnya tidak ada.
3. Seleksi Data (Data Selection)
Data yang ada pada database sering kali
tidak semuanya dipakai, oleh karena itu hanya
data yang sesuai untuk dianalisis yang akan
diambil dari database. Sebagai contoh,
sebuah kasus yang meneliti faktor
kecenderungan orang membeli dalam kasus
market basket analysis, tidak perlu
mengambil nama pelanggan, cukup dengan id
pelanggan saja.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam
format yang sesuai untuk diproses dalam data
mining. Beberapa metode data mining
membutuhkan format data yang khusus
sebelum bisa diaplikasikan. Sebagai contoh
beberapa metode standar seperti analisis
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…
asosiasi dan clustering hanya bisa menerima
input data kategorikal. Karenanya data berupa
angka numerik yang berlanjut perlu dibagi-bagi
menjadi beberapa interval. Proses ini sering
disebut transformasi data.
5. Proses mining,
Merupakan suatu proses utama saat
metode diterapkan untuk menemukan
pengetahuan berharga dan tersembunyi dari
data.
6. Evaluasi pola (pattern evaluation),
Untuk mengidentifikasi pola-pola
menarik kedalam knowledge based yang
ditemukan. Dalam tahap ini hasil dari teknik
data mining berupa pola-pola yang khas
maupun model prediksi dievaluasi untuk
menilai apakah hipotesa yang ada memang
tercapai. Bila ternyata hasil yang diperoleh
tidak sesuai hipotesa ada beberapa alternatif
yang dapat diambil seperti menjadikannya
umpan balik untuk memperbaiki proses data
mining, mencoba metode data mining lain yang
lebih sesuai, atau menerima hasil ini sebagai
suatu hasil yang di luar dugaan yang
mungkin bermanfaat.
7. Presentasi pengetahuan (Knowledge
Presentation),
Merupakan visualisasi dan penyajian
pengetahuan mengenai metode yang
digunakan untuk memperoleh pengetahuan
yang diperoleh pengguna. Tahap terakhir dari
proses data mining adalah bagaimana
memformulasikan keputusan atau aksi dari hasil
analisis yang didapat. Ada kalanya hal ini harus
melibatkan orang-orang yang tidak memahami
data mining. Karenanya presentasi hasil data
mining dalam bentuk pengetahuan yang bisa
dipahami semua orang adalah satu tahapan
yang diperlukan dalam proses data mining.
Dalam presentasi ini, visualisasi juga bisa
membantu mengkomunikasikan hasil Data
Mining (Han, 2006)
E. 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.
F. METODE ASSOCIATION RULES
Association rules (aturan asosiasi) atau
affinity analysis (analisis afinitas) berkenaan
dengan studi tentang “apa bersama apa”.
Sebagai contoh dapat berupa studi transaksi di
supermarket, misalnya seseorang yang membeli
susu bayi juga membeli sabun mandi. Pada
kasus ini berarti susu bayi bersama dengan
sabun mandi. Karena awalnya berasal dari
studi tentang database transaksi pelanggan
untuk menentukan kebiasaan suatu produk
dibeli bersama produk apa, maka aturan asosiasi
juga sering dinamakan market basket analysis
(Santoso,2007).
Aturan asosiasi ingin memberikan
informasi tersebut dalam bentuk hubungan “if-
then” atau “jika-maka”. Aturan ini dihitung dari
data yang sifatnya probabilistik Analisis
asosiasi dikenal juga sebagai salah satu
metode data mining yang menjadi dasar dari
berbagai metode data mining lainnya.
Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frekuensi
tinggi (frequent pattern mining) menarik
perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien. Penting tidaknya suatu
aturan assosiatif dapat diketahui dengan dua
parameter, support (nilai penunjang) yaitu
prosentase kombinasi item tersebut. Dalam
database dan confidence (nilai kepastian) yaitu
kuatnya hubungan antar item dalam aturan
assosiatif. Analisis asosiasi didefinisikan
suatu proses untuk menemukan semua aturan
assosiatif yang memenuhi syarat minimum
untuk support (minimum support) dan syarat
minimum untuk confidence (minimum
confidence) (Pramudiono, 2007)
Ada beberapa algoritma yang sudah
dikembangkan mengenai aturan asosiasi,namun
141
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

ada satu algoritma klasik yang sering Σ T = Jumlah transaksi

dipakai yaitu algoritma apriori. Ide dasar dari  (Ta  Tc)
C ................................. (2.2)
algoritma ini adalah dengan mengembangkan
frequent itemset. Dengan menggunakan satu
 Ta
Keterangan :
item dan secara rekursif mengembangkan
C = Confidence
frequent itemset dengan dua item, tiga item
∑ (Ta+Tc)= Jumlah transaksi yang
dan seterusnya hingga frequent itemset dengan
mengandung antecedent dan
semua ukuran.
consequencent
Untuk mengembangkan frequent set
Σ(Ta) = Jumlah transaksi yang
dengan dua item, dapat menggunakan frequent
mengandung antecedent
set item. Alasannya adalah bila set satu item
tidak melebihi support minimum, maka
sembarang ukuran itemset yang lebih besar
G. ANALISA DAN PERANCANGAN
tidak akan melebihi support minimum
tersebut. Secara umum, mengembangkan set
Tabel 1 berikut ini adalah tabel contoh
dengan fc-item menggunakan frequent set
transaksi peminjaman buku dengan
dengan k – 1 item yang dikembangkan dalam
menggunakan data fiktif. Hal ini dimaksudkan
langkah sebelumnya. Setiap langkah
untuk memberikan gambaran bagaimana
memerlukan sekali pemeriksaan ke seluruh
melakukan mining data sehingga menghasilkan
isi database.
aturan asosiasi.
Dalam asosiasi terdapat istilah antecedent
dan consequent, antecedent untuk mewakili Tabel 1. Tabel Transaksi Peminjaman Buku
bagian “jika” dan consequent untuk
mewakili bagian “maka”. Dalam analisis ini, No Nama Buku Yang di Pinjam
antecedent dan consequent adalah sekelompok
item yang tidak punya hubungan secara AYU Biologi Kamus
1 Fisika X
WANDIRA X B.Inggris
bersama (Santoso, 2007) . ARYA Bahasa Kamus Hello
Dari jumlah besar aturan yang mungkin 2
KAMANDAKA Inggris X B.Inggris Magazine
dikembangkan, perlu memiliki aturan-aturan Bahasa Kamus Menanam
3 BIMA ARYA
yang cukup kuat tingkat ketergantungan antar Inggris X B.Inggris Jamur
item dalam antecedent dan consequent. Untuk Bahasa
KHAIRUN Bahasa Kehidupan
mengukur kekuatan aturan asosiasi ini, 4 Indonesia
NISA Inggris x Bakteri
X
digunakan ukuran support dan confidence. SATRIA Biologi Kehidupan Hello
Support adalah rasio antara jumlah transaksi 5
WALJUKA X Bakteri Magazine
yang memuat antecedent dan consequent Kumpulan
GLADYS Menanam
dengan jumlah transaksi. Confidence adalah 6 Fisika X Rumus
AMELIA Jamur
rasio antara jumlah transaksi yang meliputi Fisika
HARYA Bahasa Kamus B. Jakarta
semua item dalam antecedent dan 7
ADITYA Inggris X Inggris Post
consequent dengan jumlah transaksi yang HENI Bahasa Kamus B. Hello
meliputi semua item dalam antecedent. 8
PASARIBU Inggris X Inggris Magazine
Biologi Kehidupan Jakarta
S
 (Ta  Tc) ........................ (2.1)
9 JENNY
X Bakteri Post
T FANDY
Kumpulan
Kamus B.
10 Fisika X Rumus
Keterangan : APRIANTO Inggris
Fisika
S = Support 11 GAMAL FUAD Kimia X Biologi X Fisika X
∑ (Ta + Tc) = Jumlah transaksi yang RIZA Bahasa Kamus Helo
12
mengandung antecedent dan ANANDA Inggris X B.Inggris Magazine
13 FACHRY Fisika X Kumpulan Kamus B.
consequencent
142
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

HASIHOLAN Rumus Inggris item yang memenuhi minimum support disebut

Fisika frequent 1-item set. Daftar frequent 1-itemset
Kumpulan
14
HERU
Fisika X Kimia X Rumus
dapat dilihat pada Table 3 berikut ini.
APRIANDI
Fisika
NANA Bahasa Kamus B. Tabel 3. Daftar Frequent 1- Item Set
15 Kimia X
ZAIRINA Inggris X Inggris No ItemSet Support
1 Biologi X 4
Untuk melakukan penggalian dari data 2 Kamus B.Inggris 9
transaksi peminjaman buku diatas, penulis
3 Fisika X 6
menggunakan sebuah algoritma yang menjadi
4 Hello Magazine 4
dasar dari algoritma – algoritma yang lain yaitu
5 Kehidupan Bakteri 3
algoritma Market Basket Analysis (MBA). Ada
6 Kumpulan rumus –rumus 4
tiga langkah besar
fisika
1) Langkah Besar Pertama Algoritma MBA
(Market Basket Analysis ) 7 Bahasa Inggris X 7
Langkah pertama dalam algoritma MBA 8 Kimia X 3
(Market Basket Analysis ) yaitu
menetapkan besarnya besaran nilai Dari daftar frequent 1-itemset di atas, dibuat
minimum support dan confidence. Dalam menjadi daftar calon frequent 2-itemset, maka
hal ini penulis menetapkan besaran, support akan didapat hasil seperti pada Table 4 berikut
= 3 dan confidence =50%. ini.
Tabel 4. Daftar calon frequent 2-itemset
2. Langkah Besar Kedua Algoritma MBA
(Market Basket Analysis ) No ItemSet Support
Langkah kedua yaitu dengan menyusun 1 Biologi X, Kamus 1
semua frequent itemset yaitu itemset yang B.Inggris
memiliki minimum support=3 yang telah 2 Biologi X, Fisika X 1
ditetapkan sebelumnya. 3 Biologi X, Hello 0
Kita akan memulai dengan membahas Magazine
setiap frequent 1 – Itemset yaitu terdapat pada 4 Biologi X, Kehidupan 2
Tabel 2 berikut ini. Bakteri
5 Biologi X, Kumpulan 0
Tabel 2. Daftar 1 Item Set rumus –rumus fisika
No ItemSet Support 6 Biologi X, Bahasa Inggris 0
1 Biologi X 4 X
2 Kamus B.Inggris 9 7 Biologi X, Kimia X 1
3 Fisika X 6 8 Kamus B.Inggris, Fisika X 1
4 Hello Magazine 4 9 Kamus B.Inggris, Hello 3
5 Menanam Jamur 2 Magazine
6 Kehidupan Bakteri 3 10 Kamus B.Inggris, 0
7 Jakarta Post 2 Kehidupan Bakteri
8 Kumpulan rumus–rumus 4 11 Kamus B.Inggris, 0
Fisika Kumpulan rumus –rumus
9 Bahasa Inggris X 7 fisika
10 Kimia X 3 12 Kamus B.Inggris, Bahasa 6
11 Bahasa Indonesia 1 Inggris X
13 Kamus B.Inggris, Kimia 1
Dari Tabel 2 di atas dapat dilihat item apa X
saja yang memiliki minimum support =3. Item– 14 Fisika X, Hello Magazine 0
143
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

15 Fisika X, Kehidupan 0 Kemudian daftar frequent 2-itemset diatas

Bakteri dibuat menjadi daftar calon frequent 3-itemset
16 Fisika X, Kumpulan 4 yaitu seperti terlihat pada Tabel 6 berikut.
rumus –rumus fisika
Tabel 6. Daftar calon frequent 3-itemset
17 Fisika X, Bahasa Inggris 0
X No ItemSet Support
18 Fisika X, Kimia X 0 1 Kamus B.Inggris, Hello 3
19 Hello Magazine, 1 Magazine, Bahasa Inggris X
Kehidupan Bakteri 2 Kamus B.Inggris, Hello 0
20 Hello Magazine, 0 Magazine, Fisika X
Kumpulan rumus –rumus 3 Kamus B.Inggris, Hello 0
fisika Magazine, Kumpulan rumus
21 Hello Magazine, Bahasa 4 –rumus fisika
Inggris X 4 Kamus B.Inggris, Bahasa 0
22 Hello Magazine, Kimia X 1 Inggris X, Fisika X
23 Kehidupan Bakteri, 1 5 Kamus B.Inggris, Bahasa 0
Kumpulan rumus –rumus Inggris X, Kumpulan rumus
fisika –rumus fisika
24 Kehidupan Bakteri, 1
Bahasa Inggris X Dari table di atas, dapat dilihat bahwa yang
25 Kehidupan Bakteri, Kimia 1 berhak menjadi frequent 3-itemset adalah
X, seperti terlihat pada Tabel 7 berikut.
26 Kumpulan rumus –rumus 0
fisika, Kimia X Tabel 7. Daftar frequent 3-itemset
27 Kumpulan rumus –rumus 1 No ItemSet Support
fisika, Bahasa Inggris X 1 Kamus B.Inggris, Hello 3
28 Bahasa Inggris X, Kimia 0 Magazine, Bahasa Inggris X
X
Kemudian frequent 3-itemset = frequent 4-
Dari table diatas dapat dilihat bahwa yang itemset = frequent 5-iteset
memenuhi syarat minimum support atau yang Setelah itu kita hitung nilai confidence dari
berhak menjadi frequent 2-itemset adalah masing – masing frequent itemset sehingga
seperti terlihat pada Tabel 5 berikut. muncul calon aturan asosiasi. Untuk
menghitung nilai confidence digunakan rumus
Tabel 5. Daftar frequent 2-itemset sebagai berikut:
No ItemSet Support
C
 (Ta  Tc )
1 Kamus B.Inggris, Hello 3
Magazine
 Ta
2 Kamus B.Inggris, Bahasa 6 Keterangan :
Inggris X C = Confidence
3 Fisika X, Kumpulan rumus 4 ∑ (Ta+Tc) = Jumlah transaksi yang
–rumus fisika mengandung antecedent dan
4 Hello Magazine, Bahasa 4 consequencent
Inggris X Σ(Ta) = Jumlah transaksi yang
mengandung antecedent
Misalnya untuk itemKamus B.Inggris,
Hello Magazine dihasilkan calon aturan asosiasi

144
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

“Jika pinjam Kamus B.Inggris maka pinjam 9 Kamus Jika pinjam Kamus
B.Inggris, B.Inggris dan Hello
Hello Magazine” didapatkan nilai confidence Hello Magazine, maka
yaitu sebagai berikut : 0 0/3 -
Magazine, pinjam Bahasa Inggris
Bahasa X
C
 (Ta  Tc ) Inggris X
 Ta 10 Jika pinjam Bahasa
Inggris X, maka
3 pinjam Kamus 3 3/7 43%
  0,33  33%
9 B.Inggris dan Hello
Magazine
Untuk aturan asosiasi Jika pinjam Hello 11 Jika pinjam Kamus
Magazine maka pinjam Kamus B.Inggris B.Inggris dan Bahasa
Inggris X, maka 0 0/6 -
didaptkan nilai confidence yaitu sebagai berikut: pinjam Hello

C
 (Ta  Tc ) 12
Magazine
Jika pinjam Hello
 Ta Magazine,
pinjam
maka
Kamus 0 0/4 -
3
  0,75  75% B.Inggris dan Bahasa
4 Inggris X
Untuk daftar calon aturan asosiasi yang lain 13 Jika pinjam Hello
Magazine dan Kamus
dapat dilihat pada daftar calon aturan asosiasi di 100
B.Inggris maka 3 3/3
%
tabel 8 berikut ini. pinjam Bahasa Inggris
Tabel 8. Daftar calon aturan asosiasi X
14 Jika pinjam Bahasa
N Dari Dihasilkan aturan Sup Confidence Inggris X maka
o Frequent asosiasi port pinjam Hello 0 0/7 -
ItemSet Magazine dan Kamus
1 Kamus Jika pinjam Kamus B.Inggris
B.Inggris, B.Inggris maka 3/9
3 33% 15 Jika pinjam Hello
Hello pinjam Hello Magazine dan Bahasa
Magazine Magazine Inggris X maka 0 0/1 -
2 Jika pinjam Hello pinjam Kamus B.
Magazine maka Inggris
3 3/4 75%
pinjam Kamus 16 Jika pinjam Kamus
B.Inggris B.Inggris maka
3 Kamus Jika pinjam Kamus pinjam Hello 1 1/9 11%
B.Inggris, B.Inggris maka Magazine dan Bahasa
6 6/9 67%
Bahasa pinjam Bahasa Inggris Inggris X
Inggris X X 17 Jika pinjam Bahasa
4 Jika pinjam Bahasa Inggris X dan Kamus
Inggris X, Maka B.Inggris maka 3 3/6 50%
6 6/7 86%
pinjam Kamus pinjam Hello
B.Inggris Magazine
5 Fisika X, Jika pinjam Fisika X, 18 Jika pinjam Hello
Kumpulan maka pinjam Magazine maka
rumus – Kumpulan rumus - 4 4/6 67% pinjam Bahasa Inggris 3 3/4 75%
rumus rumus Fisika dan Kamus B.Inggris
fisika
6 Jika pinjam 19 Jika pinjam Bahasa
Kumpulan rumus - 100 Inggris X dan hello
4 4/4 100
rumus Fisika maka % magazine maka 3 3/3
%
pinjam Fisika X pinjam Kamus
7 Hello Jika pinjam Hello B.Inggris
Magazine, Magazine maka 20 Jika pinjam Kamus
3 3/4 75% B.Inggris maka
Bahasa pinjam Bahasa Inggris
Inggris X X pinjam Bahasa Inggris 0 0/9 -
8 Jika pinjam Bahasa X dan Hello
Inggris X maka Magazine
3 3/7 43%
pinjam Hello
Magazine.

145
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

3. Pilih aturan asosiasi yang memenuhi 7 Kamus Jika pinjam Hello

minimum support dan minimum confidence B.Inggris, Magazine dan
Hello Kamus B.Inggris 100
Dari table daftar calon asosiasi di atas, kita Magazine, maka pinjam
3 3/3
%
pilih yang memenuhi nilai minimum support Bahasa Bahasa Inggris X
dan minimum confidence untuk menjadi aturan Inggris X
asosiasi. Daftar aturan asosiasi dapat dilihat 8 Jika pinjam
pada table 9 berikut ini. Bahasa Inggris X
dan Kamus 50
3 3/6
B.Inggris maka %
Tabel 9. Daftar aturan asosiasi pinjam Hello
N Dari Dihasilkan Sup Confidenc Magazine
o Frequent aturan asosiasi por e 9 Jika pinjam Hello
ItemSet t Magazine maka
75
1 Hello Jika pinjam Hello pinjam Bahasa 3 3/4
%
Magazine, Magazine maka 75 Inggris dan
3 3/4 Kamus B.Inggris
Bahasa pinjam Kamus %
Inggris X B.Inggris 1 Jika pinjam
2 Kamus Jika pinjam 0 Bahasa Inggris X
B.Inggris, Kamus B.Inggris 67 dan hello 100
6 6/9 3 3/3
Bahasa maka pinjam % magazine maka %
Inggris X Bahasa Inggris X pinjam Kamus
3 Jika pinjam B.Inggris
Bahasa Inggris X, 86
6 6/7
Maka pinjam % Proses diatas adalah proses mining data
Kamus B.Inggris
secara manual dengan menggunakan data fiktif.
4 Fisika X, Jika pinjam Fisika
Kumpulan X, maka pinjam Untuk perpustakaan SMK TI PAB 7 Lubuk
67 Pakam, diambil data peminjaman buku untuk
rumus – Kumpulan rumus 4 4/6
%
rumus -rumus Fisika kelas X dari mulai 7 April 2010 sampai dengan
fisika 12 Juni 2010. Data peminjaman buku tersebut
5 Jika pinjam penulis dapatkan dari petugas perpustakaan
Kumpuan rumus -
rumus Fisika 4 4/4
100 Dari data yang ada, setelah dilakukan
% mining dengan menggunakan XL Miner dengan
maka pinjam
Fisika X tingkat minimum support =3 dan minimum
6 Hello Jika pinjam Hello confidence = 50% maka menghasilkan beberapa
Magazine, Magazine maka 75 aturan asosiasi seperti pada Gambar 1 berikut.
3 3/4
Bahasa pinjam Bahasa %
Inggris X Inggris X

146
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

Gambar 1. Hasil mining dengan menggunakan XL Miner

147
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

Untuk menu utama , rancangan formnya seperti pada Gambar 2 berikut.

Menu Utama

Input Data Program

Data Rak Atur Password

Data Buku Log Out

Keluar

Gambar 2. Rancangan Menu Utama

H. PENGUJIAN DAN IMPLEMENTASI data yang direkam tidak sesuai dengan

data yang sebenarnya.
Kegiatan uji coba program dengan cara
memasukkan data sampel ke dalam sistem dan Aplikasi pencari buku ini apabila dijalankan
memperhatikan output-output yang dihasilkan. memiliki tampilan menu utama seperti pada
Adapun tahapan yang dilakukan adalah : Gambar 3 berikut.
1. Melakukan kompile program untuk
mengetahui kesalahan penulisan pada
program tersebut.
2. Melakukan run program untuk mengetahui
hasil dari pada eksekusi program, sehingga
dapat diketahui apakah program telah benar
atau masih salah. Untuk mengetahui
program sudah benar maka, dapat dilakukan
dengan menguji coba dengan beberapa
tahapan, adapun tahapan yang dilakukan
anatara lain :
a. Melakukan perekaman data, dalam hal
ini perekaman data untuk:
1. Data buku
2. Data Rak Menu Gambar
utama 3.memiliki
Gambar Menu Utama
dua menu utama
b. Melakukan perbaikan data untuk yaitu menu Input Data dan menu Program. Input
menghindari apabila ada data yang data memiliki dua submenu yaitu Data Buku
direkam tidak benar maka, dapat dan Data Rak. Sementara menu Program
dilakukan sesuai dengan yang memiliki tiga submenu yaitu Pengaturan
sebenarnya Password, Log Out dan Keluar.
c. Melakukan penghapusan data bila data Dalam aplikasi ini, sebelum kita dapat
yang direkam tidak dibutuhkan lagi atau menginputkan data, terlebih dahulu kita Log in.
148
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

Kita dapat log in sebagai user ataupun sebagai

admin. Perbedaannya kalau kita masuk sebagai Untuk menginputkan data rak, dapat kita
user, beberapa tombol dalam form input data lakukan dengan mengklik menu Data kemudian
akan dibekukan. Hal ini dilakukan untuk kita pilih Data Rak. Kemudian form input data
menghindari pemodifikasian oleh orang – orang rak akan tampil (Gambar 6).
yang tidak berhak. Tetapi kalau kita masuk
sebagai admin semua form akan berfungsi
normal tanpa ada tombol yang dalam keadaan
beku.
Untuk masuk sebagai user cukup diketikan
”user” kemudian masukkan passwordnya
kemudian klik tombol log in. Untuk masuk
sebagai admin, ketik pada kolom user ”admin”
kemudian ketikkan passwordnya kemudian klik
log in.
Untuk mengganti password dapat dilakukan
dengan mengklik menu program pilih
pengaturah password. Kemudian form untuk
mengatur password akan ditampilkan seperti
pada Gambar 4 berikut.
Gambar 6. Form Input Data Rak

Form pencarian buku berfungsi untuk

Gambar 4. Form Pengaturan Password
Untuk memasukkan data buku, dapat kita
lihat pada Gambar 5, klik menu Data kemudian
pilih Data Buku. Kemudian kotak form Input
Data Buku akan ditampilkan.
melakukan pencarian buku berdasarkan field-
field tertentu. Dengan menggunakan form ini
pengguna bisa mengetahui letak buku secara
spesifik. Untuk membuka form pencarian buku
dapat kita lakukan dengan mengklik menu Data
pilih Data Buku kemudian form pencarian buku
akan terbuka (Gambar 7).

Gambar 7. Form Pencarian Buku

Gambar 5. Form Input Data Buku

149
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011
Dian Wirdasari dan Ahmad Calam: Penerapan Data Mining…

I. SIMPULAN Laboratorim Data Mining. 2011. Klasifikasi

Decision Tree dalam “http://datamining-
Adapun kesimpulan yang diperoleh dari lab.com”. Yogyakarta : Fakultas Teknologi
penelitian ini adalah : Industri Universitas Islam Indonesia
1. Dari tumpukan data kunjungan Larose, Daniel T. 2005. Discovering Knowledge
perpustakaan, terdapat pengetahuan yang in Data: An Introduction to Data Mining.
bermanfaat bagi perpustakaan itu sendiri John Willey & Sons, Inc.
dan para pengunjung perpustakaan tersebut. Santosa, Budi. 2007. Data Mining Teknik
2. Dari hasil mining data kunjungan Pemanfaatan Data untuk Keperluan Bisnis.
perpustakaan SMK TI PAB 7 Lubuk Pakam Yogyakarta: Graha Ilmu.
didapatkan informasi bahwa buku yang Susanto, Sani., dan Suryadi, Dedy. 2010.
paling sering dipinjam oleh siswa dengan Pengantar Data Mining. Yogyakarta:
nilai support 9 adalah buku Biologi Kelas Penerbit Andi Yogyakarta.
X.
3. Terdapat beberapa aturan asosiasi yang
memiliki nilai confidence 100% misalnya
jika meminjam Conversation dan
matematika bilingual maka meminjam
Matematika X. Artinya jika memnjam buku
Conversation dan matematika maka
kemungkinan meminjam matematika
bilingual adalah 100%.

J. DAFTAR PUSTAKA

Arhami, Muhammad. 2005. Konsep Dasar

Sistem Pakar. Yogyakarta: Penerbit Andi.
Hartati, Iswanti. 2008. Sistem Pakar dan
Pengembangannya. Yogyakarta: Graha
Ilmu.
http://journal.unair.ac.id/filerPDF/PERPUSTAK
AAN%20DIGITAL.pdf diakses pada
9/01/2011 11:00
http://blogs.msdn.com/azazr/archive/2008/05/09
/populate-time-dimension-of
adventureworksdw-sample-database-and-
use-it-in-your-datawarehouse-cube.aspx.
Diakses pada 12/10/2011 08:25
Jogiyanto H. M. 1999. Analisa dan Desain.
Yogyakarta: Andi Offset.
Kusrini, Emha Taufiq Luthfi. 2009. Algoritma
Data Mining. Yogyakarta : Penerbit Andi
Kusrini. 2008. Aplikasi Sistem Pakar,
Yogyakarta: Penerbit Andi.
----. 2006. Sistem Pakar Teori dan Aplikasi.
Yogyakarta: Penerbit Andi.

150
Jurnal SAINTIKOM
Vol. 10 / No. 2 / Mei 2011