Implementasi Data Mining Pada Perpustakaan Untuk Penentuan Tata Letak Buku Dalam Menarik Minat Baca

Adie Wahyudi Oktavia Gama; Ni Made Widnyani; Putu Suparna

doi:10.33633/tc.v21i4.6940

Implementasi Data Mining Pada Perpustakaan Untuk Penentuan Tata Letak Buku Dalam Menarik Minat Baca

Adie Wahyudi Oktavia Gama, Ni Made Widnyani, Putu Suparna

Abstract

Perpustakaan memiliki sistem informasi untuk mempermudah manajemen sirkulasi buku. Sistem informasi biasanya hanya menghasilkan laporan harian, mingguan atau bahkan bulanan saja. Data mining adalah suatu cara dalam menemukan pengetahuan baru pada basis data dari suatu sistem informasi. Data mining mampu mengurai basis data untuk melakukan ekstraksi pengetahuan yang tidak ditemukan sebelumnya oleh sistem informasi. Asosiasi merupakan salah satu metode data mining yang bisa dipakai untuk menggali suatu pengetahuan baru. Teknik asosiasi memiliki berbagai algoritma yang dapat digunakan sebagai pendekatan dalam membentuk kombinasi produk, salah satunya adalah menggunakan algoritma apriori. Apriori berjalan dengan melakukan pendekatan dengan iterasi berulang pada basis data, dimana k-itemset dipakai membentuk (k+1)-itemset selanjutnya. Aturan asosiasi dimulai dengan penyiapan basis data serta setting nilai batas support dan confidence. Apriori melakukan scaning basis data secara berulang untuk membuat kombinasi dan mencatat kemunculannya pada semua transaksi. Frequent itemset atau kombinasi yang paling sering muncul diambil dari itemset yang total kemuculannya lebih besar atau sama dengan ambang nilai support yang ditentukan. Data yang dipakai pada riset ini adalah sampel 100 data peminjaman dari basis data sistem informasi perpustakaan Universitas Pendidikan Nasional. Terdapat 42 judul buku yang memenuhi minimum support, berhasil dibentuk 40 aturan asosiasi yang sesuai memenuhi minimum confidence. Berdasarkan analisis dan pembahasan tersebut diatas maka dapat dilihat bahwa algoritma apriori dapat menemukan frequent itemset tersembunyi dari data peminjaman buku yang digunakan untuk membentuk aturan asosiasi. Aturan asosiasi yang dihasilkan bisa dipakai mendukung keputusan penataan buku yang baik guna meningkatkan minat baca anggota perpustakaan.

Keywords

Data Mining Perpustakaan; Aturan Asosiasi; Algoritma Apriori; Frequent Itemset;

Full Text:

PDF

References

E. Fitriyani and H. Pramusinto, “Pengaruh Fasilitas Perpustakaan, Kualitas Pelayanan, Dan Kinerja Pustakawan Terhadap Minat Berkunjung Masyarakat,” Econ. Educ. Anal. J., vol. 7, no. 2, pp. 73–84, 2018.

Hasnawati, H. H. Arfan, and A. R. Oktaviani, “Pengaruh Kualitas Pelayanan Terhadap Minat Baca Pengunjung Pada Dinas Perpustakaan dan Kerasipan Kabupaten Sidrap,” Nobel Manag. Rev., vol. 2, no. 4, pp. 618–632, 2021.

M. Suman, T. Anuradha, K. Gowtham, and A. Ramakrishna, “A FREQUENT PATTERN MINING ALGORITHM BASED ON FP-TREE STRUCTURE AND APRIORI ALGORITHM,” Res. J. Comput. Syst. Eng., vol. 2, no. 5, pp. 275–277, 2011.

P. N. Tan, M. Steinbach, and V. Kumar, Introduction to Data Mining. United States of America: Pearson Addison-Wesley, 2006.

R. Agrawal and R. Srikant, “Fast Algorithms for Mining Association Rules,” Proceeding 20th VLDB Conf. Santiago, Chile., 1994.

J. Han and M. Kamber, Data Mining: Concepts and Techniques Second Edition. United States of America: Elsevier Inc., 2006.

K. K. Widiartha, D. Putu, and D. Kumala, “Shopping Cart Analysis System in Product Layout Management with Apriori Algorithm,” Int. J. Appl. Comput. Sci. Inform. Eng., vol. 1, no. 2, pp. 53–64, 2019, doi: 10.33173/acsie.55.

A. W. O. Gama, I. K. G. D. Putra, and I. P. A. Bayupati, “IMPLEMENTASI ALGORITMA APRIORI UNTUK MENEMUKAN FREQUENT ITEMSET DALAM KERANJANG BELANJA,” Tekonologi Elektro, vol. 15, no. 2, pp. 27–32, 2016.

N. A. Harun, M. Makhtar, A. A. Aziz, Z. A. Zakaria, F. S. Abdullah, and J. A. Jusoh, “The application of Apriori algorithm in predicting flood areas,” Int. J. Adv. Sci. Eng. Inf. Technol., vol. 7, no. 3, pp. 763–769, 2017, doi: 10.18517/ijaseit.7.3.1463.

Luthfiah and K. Ditha Tania, “K-Means and apriori algorithm for pharmaceutical care medicine (case study: Eye hospital of South Sumatera Province),” in Journal of Physics: Conference Series, 2019, pp. 1–7, doi: 10.1088/1742-6596/1196/1/012051.

E. Retnoningsih and T. M. Afriyanti, “Sistem Rekomendasi Buku Perpustakaan Menggunakan Algoritma Frequent Pattern Growth,” Techno.Com, vol. 21, no. 2, pp. 292–310, 2022, doi: 10.33633/tc.v21i2.5789.

N. Kadek et al., “Komparasi Algoritma Pincer Search dan Algoritma FP- Growth pada Stok Barang di Toko X,” vol. 21, no. 2, pp. 280–291, 2022.

A. W. O. Gama and N. M. Widnyani, “Simple Modification for an Apriori Algorithm with Combination Reduction and Iteration Limitation Technique,” Knowl. Eng. Data Sci., vol. 3, no. 2, pp. 89–98, 2020.

DOI: https://doi.org/10.33633/tc.v21i4.6940