Jurnal Informatika SIMANTIK Vol. 2 No.

2 September 2017 ISSN: 2541-3244

APLIKASI DATA MINING MENGGUNAKAN METODE ASSOCIATION RULE DAN ALGORITMA APRIORI
BERBASIS WEB PADA PERPUSTAKAAN
DI SMA NEGERI 1 BUNGURSARI

Tumini 1), Endro Lestanto 2)

1)
Program Studi Teknik Informatika, STMIK Cikarang
Email: kemuningijo@gmail.com
2)
Program Studi Teknik Informatika, STMIK Cikarang
Email: lestantoe@gmail.com

ABSTRAK
Data mining merupakan proses analisa data untuk menemukan suatu pola dari kumpulan data tersebut. Data mining mampu
menganalisa data yang besar menjadi informasi berupa pola yang memiliki arti bagi pendukung keputusan. Salah satu teknik
data mining yang dapat digunakan adalah association rule atau sering juga disebut market basket analysis. Didefinisikan sebagai
salah satu itemset yang dibeli secara bersamaan oleh pelanggan dalam suatu transaksi. Association rule adalah suatu alat yang
ampuh untuk pelaksanaan strategi cross-selling. Metode ini dimulai dengan mencari sejumlah frequent itemset dan dilanjutkan
dengn pembentukan aturan-aturan asosiasi (association rules). Algoritma apriori adalah sebuah algoritma yang dapat digunakan
untuk menemukan sejumlah frequent itemset dari data-data transaksi yang tersimpan dalam basis data. Dalam penelitian ini
algoritma apriori digunakan untuk membantu menemukan sejumlah aturan asosiasi dari basis data transaksi peminjaman buku .
Dengan mendapatkan pengetahuan dari algoritma ini, dapat dijadikan rujukan bagi pihak sekolah dalam penempatan buku-buku
perpustakaan.

Kata kunci: Data, Mining, Association, Rule, Apriori, Perpustakaan

1. Pendahuluan aspek penataan ruang, penataan perabot dan perlengkapan,

Perpustakaan dapat dirumuskan sebagai suatu unit
kerja dari sebuah lembaga pendidikan yang berupa tempat
penyimpanan koleksi buku-buku pustaka untuk menunjang
proses pendidikan. Perpustakaan adalah tempat untuk
mengembangkan informasi dan pengetahuan yang dikelola
oleh suatu lembaga pendidikan, sekaligus sebagai sarana
edukatif untuk membantu memperlancar cakrawala
pendidik dan peserta didik dalam kegiatan belajar
mengajar. Perpustakaan merupakan sarana penyedia
informasi, sumber ilmu penggetahuan, dan saran penunjang
bagi proses belajar mengajar bagi para pengguna untuk
mendapatkan informasi yang diinginkan.
SMA Negeri 1 Bungursari sebagai salah satu sekolah
di daerah Purwakarta memiliki sebuah perpustakaan yang
digunakan oleh siswa maupun guru dan staf untuk
memperoleh informasi yang diinginkan terutama dari buku.
Perpustakaan tersebut menyediakan berbagai macam bahan
pustaka seperti buku pelajaran, buku-buku bacaan, buku-
buku dongeng, majalah ilmiah, maupun ensiklopedia. Dari
sekian banyak bahan pustaka yang terdapat pada
perpustakaan tersebut ada beberapa yang boleh dipinjam
dan ada yang hanya boleh dibaca ditempat.
Ruang perpustakaan merupakan sarana yang penting
dalam penyelenggaraan perpustakaan karena dalam ruang
ini segala aktivitas dan program perpustakaan dirancang
dan diselenggarakan. Suatu perpustakaan bukan hanya
menyediakan ruang kemudian mengisi dengan koleksi
tetapi juga harus memperhatikan lokasi perpustakaan,
alur petugas dan penerangan. Khusus untuk penataan buku
pada rak perpustakan seharusnya diatur sedemikian rupa
untuk memberi kemudahan kepada semua pengunjung saat
mencari sebuah atau beberapa buku.
Saat ini penempatan buku yang ada diperpustakaan
SMA Negeri 1 Bungursari belum menggunakan suatu
metode apapun, sehingga masalah yang paling sering
terjadi adalah pengunjung merasa kesulitan dalam mencari
beberapa buku yang saling berkaitan. Untuk memudahkan
proses pencarian dan peminjaman buku perpustakaan,
buku-buku diberi label kode buku sesuai jenis buku
tersebut. Tetapi cara tersebut belum mengatasi
permasalahan yang ada, karena pengunjung tetap saja
membutuhkan waktu yang lama dalam mencari buku yang
saling berkaitan. Sehingga di perlukan suatu solusi yang
dapat mengatasi masalah tersebut, yaitu memudahkan
dalam pencarian buku dengan cara menggunakan suatu
metode dalam penempatan buku.
Dalam penempatan sebuah buku, petugas secara
manual menentukan penempatan buku berdasarkan kode
buku yang terdapat dalam buku tersebut. Sehingga kadang
petugas membutuhkan waktu yang lama pada proses ini.
Sehingga petugas biasanya hanya asal dalam
mengembalikan buku, tidak sesuai tempatnya. Hal ini tentu
saja akan berimbas kepada pengunjung yang akan kesulitan
dalam mencari sebuah buku. Diperlukan sebuah sistem
dalam memudahkan petugas dalam menempatkan sebuah
buku pada rak yang sesuai. Dengan sistem ini petugas

Copyright@2017 STMIK Cikarang 47

www.jurnal.stmikcikarang.ac.id
Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN: 2541-3244

dapat dengan mudah mengembalikan buku sesuai kode

buku yang tertera dibuku tersebut ke dalam rak dengan
urutan yang sesuai. Solusi untuk mengurangi atau bahkan
menghilangkan masalah yang ada dapat di gunakan metode
dalam pengembangan sistem penempatan buku pada
perpustakaan tersebut. Salah satunya dengan metode Data
Mining. Terdapat banyak metode dalam data mining.
Salah satu metode yang seringkali digunakan dalam
teknologi data mining adalah metode asosiasi atau
association rule. Metode asosiasi merupakan teknik untuk
menemukan pola yang menggambarkan kekuatan
hubungan fitur dalam data. Pola yang ditemukan biasanya
mempresentasikan bentuk aturan implikasi. Tujuannya
untuk menemukan pola yang menarik dengan cara yang
efisien.
Pada penelitian ini penulis menerapkan metode
asosiasi dengan algoritma apriori terhadap data Gambar 2. 1
peminjaman buku pada perpustakaan SMA Negeri 1 Proses Data Mining
Bungursari Purwakarta untuk membantu menerapkan data
mining sebagai rekomendasi penempatan rak buku di 2.2 Aturan Asosiasi (Association Rule) Pada Data
perpustakaan. Dengan ini sistem penempatan buku menjadi Mining
lebih efektif dan efisien. Selain itu memberikan
Aturan asosiasi berguna untuk menemukan hubungan
rekomendasi buku lain yang saling berkaitan ketika
penting yang tersembunyi diantara set data yang besar.
peminjam hendak meminjam.
Hubungan yang sudah terbuka direpresentasikan dalam
bentuk aturan asosiasi (association rule) atau set aturan
2. Landasan Teori item yang sering muncul [3]. Association rule merupakan
sebuah ekspresi implikasi yang berbentuk X→Y, dimana X
dan Y merupakan disjoint itemset (X∩Y)=ϕ[5].
2.1 Pengertian Data Mining Dalam association rule, kita dapat menghitung support
Data mining merupakan disiplin ilmu yang dan confidence. Confidence menyatakan seberapa sering
mempelajari metode untuk mengekstrak pengetahuan item-item dalam Y muncul dalam transaksi yang berisi X.
atau menemukan pola dari suatu data. Data mining Secara formal dapat dinyatakan dengan persamaan sebagai
sering juga disebut knowledge discovery in database berikut:
(KDD), adalah kegiatan yang meliputi pengumpulan,
pemakaian data historis untuk menemukan keteraturan,
pola atau hubungan dalam set data berukuran besar. Data
mining adalah suatu teknik untuk menemukan poladan
kaitan antar item data dalam database[1].
Menurut (Tan,2008) “ Data mining adalah proses
untuk mendapatkan informasi yang berguna dari gudang
basis data yang besar. Data mining juga dapat diartikan Dimana s adalah support dan c adalah confidence.
sebagai pengekstrakan informasi baru yang diambil dari Support yaitu suatu ukuran yang menunjukkan seberapa
bongkahan data besar yang membantu dalam pengambilan besar tingkat dominasi suatu item dari keseluruhan
keputusan”[2]. Data mining juga meliputi langkah- transaksi. Confidence yaitu suatu ukuran yang
langkah menentukan variabel atau fitur yang penting untuk menunjukkan hubungan antar 2 item secara conditional.
dipakai dalam klasifikasi dan regresi. Data mining
memegang peran penting dalam bidang industri, keuangan, 2.3 Konsep Algoritma Apriori
cuaca, ilmu dan teknologi. Data mining berkenaan dengan Pendekatan dengan algoritma apriori berusaha untuk
pengelolaan data dalam skala besar[3]. Data mining adalah secara efisien menemukan jumlah itemset frekuen[3].
proses yang memperkerjakan satu atau lebih teknik Itemset frekuen adalah iteset yang memenuhi ambang batas
pembelajaran komputer (machine learning) untuk minsup. Sehingga jika sebuah itemset itu frekuen maka
menganalisis dan mengekstraksi pengetahuan (knowledge) semua subset dari itemset tersebut pasti juga frekuen.
secara otomatis. Knowledge Discovery in Databases Misalnya ada data diperpustakaan {Matematika, Fisika,
(KDD) adalah metode saintifik pada data mining [4]. Kimia} adalah itemset frekuen, maka semua transaksi yang
berisi {Matematika, Fisika, Kimia} dan subsetnya, yaitu
{Matematika, Fisika}, {Matematika, Kimia}, {Fisika,

Copyright@2017 STMIK Cikarang 48

www.jurnal.stmikcikarang.ac.id
Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN: 2541-3244

Kimia}, {Matematika}, {Fisika}, {Kimia} tentu yang dipinjam dalam satu transaksi data akan di asosiasi
merupakan itemset frekuen. berdasarkan jenis buku yang paling banyak dipinjam
Set data transaksi yang berisi k item berpotensi untuk diperpustakaan. Data yang digunakan berasal dari database
membangkitkan sebanyak [3]. Sehingga jika perpustakaan yang terdiri dari tabel koleksi buku, tabel
anggota dan tabel peminjaman untuk mencari keterkaitan
terdapat 5 item, kemungkinan jumlah yang bisa terbentuk
antar tabel. Tidak semua atribut yang kira-kira berguna dan
adalah 31 macam, karena itu algoritma apriori diperlukan
sebaranya tidak terlalu acak, karena data yang terlalu acak
untuk mengurangi komputasi yang dilakukan. Pencarian
akan membuat proses mining memakan waktu lama dan
itemset frekuen ditentukan dengan menghitung support
tingkat hubunganya pun rendah. Data peminjaman yang
count untuk setiap kandidat itemset. Untuk melakukannya,
akan dicari hubungannya meliputi id_peminjam,
kita harus membandingkan setiap kandidat pada setiap
kode_buku, id_transaksi.
transaksi. Jika sebuah kandidat ternyata ada dalam sebuah
transaksi, nilai support count-nya akan dinaikkan satu.
Perbandingan yang harus dilakukan adalah sebanyak 3.2 Sumber Data
Data yang digunakan berasal dari perpustakaan SMA
, dimana N adalah jumlah transaksi, M Negeri 1 Bungursari berupa database perpustakaan yang
adalah jumlah kandidat, dan w adalah lebar transaksi terdiri dari tiga tabel, yaitu data buku, data transaksi dan
maksimal. Sehingga akan menghasilkan perbandingan data detail transaksi.
yang sangat banyak.
Flowchart langkah algoritma apriori 1. Tabel Buku
Data buku adalah data koleksi buku yang di data
2.4 Perpustakaan ketika masuknya buku-buku koleksi diperpustakaan dan di
Perpustakaan dapat dirumuskan sebagai suatu unit susun oleh pihak pustakawan pada perpustakaan dan dapat
kerja dari sebuah lembaga pendidikan yang berupa tempat dipinjam ataupun dibaca siswa yang berkunjung
penyimpanan koleksi buku-buku pustaka untuk menunjang keperpustakaan.
proses pendidikan. Perpustakaan adalah tempat untuk
mengembangkan informasi dan pengetahuan yang dikelola
oleh suatu lembaga pendidikan, sekaligus sebagai sarana
edukatif untuk membantu memperlancar cakrawala
pendidik dan peserta didik dalam kegiatan belajar
mengajar. Perpustakaan merupakan sarana penyedia
informasi, sumber ilmu penggetahuan, dan saran penunjang
bagi proses belajar mengajar bagi para pengguna untuk
mendapatkan informasi yang diinginkan.
Perpustakaan adalah suatu unit kerja dari suatu
lembaga tertentu yang mengelola bahan-bahan pustaka, Gambar 3.1 Tabel Buku
baik berupa buku-buku maupun bukan berupa buku
(nonbook material) yang diatur secara sistematis menurut
aturan tertentu sehinggga dapat digunakan sebagai sumber 2. Tabel Transaksi
informasi oleh setiap pemakainya[4]. Menurut soetopo, Data Transaksi meliputi data id transaksi, tanggal
perpustakaan sekolah atau perguruan tinggi adalah peminjaman dan, id peminjam.
perpustakaan yang diselenggarakan di sekolah atau
perguruan tinggi yang bermaksud menunjang program
belajar mengajar di lembaga pendidikan formal[4].
Pepustakaan merupakan salah satu subsistem dari suatu
sistem yang ada di lembaga induknya dimana perpustakaan
tadi berada[4].

3. Rancangan Sistem Dan Aplikasi

Gambar 3.2 Tabel Transaksi
3.1 Analisa Kebutuhan Sistem
Dalam penulisan tugas akhir ini yang akan dicari
adalah hubungan antar jenis buku yang paling banyak
dipinjam di perpustakaan SMA Negeri 1 Bungursari,
Purwakarta. Untuk mengetahui hubungan antar jenis buku

Copyright@2017 STMIK Cikarang 49

www.jurnal.stmikcikarang.ac.id
Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017
3. Tabel Detail Transaksi
Data detail transaksi adalah data detail peminjaman
pada perpustakaan tersebut. Meliputi id detail transaksi,
id_transaksi, kode_buku, dan jumlah_pinjam.
Gambar 3.3 Tabel Detail Transaksi
Pada kebutuhan data yang akan di hubungkan
dengan data koleksi, data anggota dan data peminjaman,
dengan asumsi bahwa semua siswa yang meminjam buku
dalam satu waktu memiliki keterkaitan.
3.3 Data yang Digunakan
Dalam penulisan tugas akhir kali ini dicari
hubungan beberapa atribut dari data buku, data transaksi
dan data detail transaksi. Karena tidak semua tabel
digunakan maka perlu dilakukan pembersihan data agar
data yang akan diolah benar-benar relevan dengan yang
dibutuhkan. Pembersihan ini penting guna meningkatkan
performa dalam proses mining.
Cara pembersihan dengan menghapus atribut yang
tidak terpakai dan menghapus data-data yang tidak
lengkap isiannya. atribut yang digunakan terdiri dari atribut
pada data koleksi buku, detail transaksi dan data
peminjaman. Kemudian semua data tersebut diseleksi
berdasarkan minimum threshold yang ditetapkan.
3.4 Rancangan
1. Data cleaning
Cleaning data merupakan proses menghilangkan
noise dan data yang tidak konsisten atau data yang tidak
relevan. Pada 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.
Dalam tahap ini semua data yang akan digunakan
baik data koleksi buku, data anggota maupun data
peminjman buku dibersihkan dari record data yang tidak
mempunyai atribut lengkap. Selain pembersihan record
data yang tidak valid, juga dilakukan penghapusan atribut
yang tidak dipakai, misalnya atribut notes, abstrak dan lain-
lain. Pembersihan data juga akan mempengaruhi
Copyright@2017 STMIK Cikarang
www.jurnal.stmikcikarang.ac.id
ISSN: 2541-3244
performasi dari sistem data mining karena data yang
ditangani akan berkurang jumlah dan kompleksitasnya.
2. Data integration (integrasi data)
Integrasi data merupakan penggabungan data dari
suatu database yang memiliki beberapa tabel. Tabel koleksi
buku, tabel anggota dan tabel peminjaman disimpan dalam
satu database. Integrasi data dilakukan pada atribut-aribut
yang mengidentifikasikan entitas-entitas dengan satu
atribut unik yaitu ID.
3. Data selection (seleksi data)
Selection data adalah proses menyeleksi atribut
pada tabel koleksi buku, tabel anggota dan tabel
peminjaman untuk menghilangkan data yang tidak
diperlukan untuk proses mining selanjutnya. Untuk
menghidari data yang tidak valid ataupun data yang
kosong.
3.5 Proses Asosiasi Dengan Algoritma Apriori
Aturan asosiasi berguna untuk menemukan hubungan
penting yang tersembunyi diantara set data yang besar.
Hubungan yang sudah terbuka direpresentasikan dalam
bentuk aturan asosiasi (association rule) atau set aturan
item yang sering muncul. Dalam hal ini adalah data
peminjaman dalam satu transaksi. Ketika seorang siswa
meminjam sebuah buku, kemungkinan besar siswa tersebut
juga meminjam buku yang lain yang saling berkaitan.
Ketika aturan tersebut memiliki banyak
kemungkinan akan menyebabkan system tidak efisien.
Sehingga diperlukan sebuah algoritma untuk menghindari
permasalahan tersebut. Algoritma apriori sangat cocok
digunakan bersamaan dengan aturan asosiasi.
Gambar 3.4 Matriks Peminjaman
Dari data tersebut tabel peminjaman dapat
diasosiasikan sesuai id_transaksi, kemudian dengan
algoritma apriori kita dapat menentukan item yang frekuen
sesuai treshold yang sudah ditentukan. Sehingga kita dapat
mendapatkan aturan kombinasi beberapa buku yang
dipinjam.
50
Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN: 2541-3244

Gambar 4.2 Input data peminjaman

4.3 Penentuan Treshold

Gambar 3.5 Perhitungan kombinasi Penentuan threshold bertujuan untuk membatasi
jumlah presentase kemungkinan kombinasi.

4. Hasil Dan Pembahasan

Proses data mining ini adalah untuk menampilkan
semua data yang akan dijadikan asosiasi untuk mengetahui
tingkat keterkaitan buku yang dipinjam siswa
diperpustakaan. Untuk membuat data mining dan
menampilkan kombinasi buku yang dipinjam berdasarkan
jenis buku diperpustakaan menggunakan metode asosiasi.

4.1 Proses Input Jenis Buku

Proses ini bertujuan untuk memasukkan jenis-jenis
buku yang terdapat dalam perpustakaan.
Gambar 4.3 Penentuan threshold

4.4 Hasil
Menampilkan data hasil data mining peminjaman
perpustakaan sehingga menghasilkan kombinasi buku yang
saling berkaitan dalam sebuah transaksi peminjaman
Gambar 4.1 Input Data Buku

4.2 Input Data Peminjaman

Input data peminjaman menggunakan menu import
data peminjaman yang akan disimpan dalam database.

Copyright@2017 STMIK Cikarang 51

www.jurnal.stmikcikarang.ac.id
Jurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017
Gambar 4.4 Tampil Hasil
5. Kesimpulan Dan Saran
5.1 Kesimpulan
Dari uraian pada bab-bab yang sudah dibahas
dapat ditarik kesimpulan:
1) Dengan metode association rule dan algoritma apriori
dapat digunakan untuk menentukan pola peminjaman
buku pada perpustakaan, sehingga dapat
dimanfaatkan dalam penerapan rak buku.
2) Sistem yang dibangun dapat membantu dalam
menentukan pola peminjaman perpustakaan yang
umumnya masih dilakukan secara manual, sehingga
penempatan rak buku sesuai dengan pola
peminjaman.
3) Sistem ini dapat memberikan informasi yang efektif
untuk petugas perpustakaan dalam penempatan rak
buku.
5.2 Saran
Pengembangan sistem ini adalah dari sistem
manual atau berdasarkan basis pengetahuan ke sistem
komputerisasi yang dibangun atas dasar pertimbangan dari
permasalahan-permasalahan yang akan datang.
1) Diperlukan penelitian lebih lanjut untuk
membandingkan hasil pola dan menentukan teori yang
menghasilkan prediksi yang lebih baik.
2) Untuk mendapatkan hasil yang baik diperlukan sumber
data yang lengkap. Oleh sebab itu diharapkan pada
proses penyimpanan data dilakukan secara elektronik,
Copyright@2017 STMIK Cikarang
www.jurnal.stmikcikarang.ac.id
ISSN: 2541-3244
dengan demikian akan memudahkan dalam pencarian
data untuk melakukan proses penemuan knowledge.
3) Walaupun aplikasi ini sangat mudah dijalankan, namun
perlu disosialisasikan cara pengoperasiannya.
DAFTAR PUSTAKA
Darmono. (2007). Perpustakaan Sekolah Pendekatan
Aspek MAnajemen dan Tata Kerja. Jakarta: Grasindo.
Ginanjar, T. (2014). Rahasia Membangun Website Toko
Online Berpenghasilan Jutaan Rupiah. Yogyakarta:
Ifahmedia.
Hermawati, F. A. (2013). Data Mining. Yogyakarta: CV
ANDI.
Hidayat, A. N. (2015). Belajar HTML kelas Ringkas .
Hidayat, A. N. (2015). Belajar HTML kelas Ringkas .
Yogyakarta: Bisakimia.
Irwansyah, E., & Moniaga, J. V. (Pengantar Teknologi
Informasi). Rahasia Membangun Website Toko
Online Berpenghasilan Jutaan Rupiah. Jakarta:
Deepublish.
Kurniawan, E. (2012). Pemrograman Web Dinamis dengan
ASP.NET 4.5. Yogyakarta: CV ANDI OFFSET.
Madcons. (2011). Membongkar Misteri Adobe
Dreamweaver CS6 dengan PHP dan MySQL.
Yogyakerta: CV ANDI OFFSET.
Mahatmyo, A. (2014). Sistem Informasi Akuntasi Suatu
Pengantar. Yogyakarta: Deepublish.
Nofriansyah, D. (2012). Konsep Data Mining Sistem
Pendukung Keputusan. Yogyakarta: CV BUDI
UTAMA.
Oktavian, D. P. (2010). Menjadi Programer Jempolan
Menggunakan PHP. Yogyakarta: Mediakom.
Prasetyo, E. (2012). Data Mining Konsep dan Aplikasi
menggunakan Matlab. Yogyakarta: CV ANDI.
Rosa, A. S., & Salahudin, M. (2013). Rekayasa Perangkat
Lunak Terstruktur dan Berorientasi Objek. Bandung:
Infotika.
Santoso, B. (2007). Data Minig Teknik Pemanfaatan Data
untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Sulistyawan, Rubianto, & Rahmad Saleh. (2008).
Modifikasi Blog Multiply dengan CSS. Jakarta: PT
ELEX Media Komputindo.
Suntoyo, A. (2007). Ajax Membangun Web dengan
Teknologi Asyncronous Javascrpit dan XML.
Yogyakarta: CV ABDI.
Supriyanto, W., & Muhsin, A. (2008). Teknologi Informasi
Perpustakaan. Yogyakarta: Kanisius.
Wahyono, T. (2007). Building dan Maintenance PC Server.
Jakarta: PT ELex Media Komputindo.
Widodo, P. P., & Herlawati. (2011). Menggunakan UML (
Unfied Modeling Language). Bandung: Infotika
Bandung.
52