Proceeding Seminar Nasional Teknologi Informasi Aplikasinya
2013
95
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
N Y
X Y
X s
Support ∪
= →
σ
, X
Y X
Y X
c Confidence
σ σ
∪ =
→ ,
Dimana : = frekuensi kemunculan dari item X gabungan item Y dalam seluruh transaksi.
= frekuensi kemunculan dari item yang mengandung X dalam seluruh transaksi. N
= jumlah seluruh transaksi Tan P.N, 2006:330
2.4 Penemuan Aturan Asosiasi
Association Rule Analysis didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum support minsup dan syarat minimum
confidence minconf Pramudiono, 2007. Selanjutnya, terdapat dua strategi dalam menemukan aturan asosiasi :
1. Frequent itemset generation, dimana tujuannya untuk menemukan semua itemset yang
memenuhi ambang minsup. Itemset ini disebut juga frequent itemset. 2. Rule generation, dimana tujuannya untuk mengekstraksi semua aturan high-confidence dari
frequent itemset pada langkah sebelumnya. Aturan ini disebut strong rules Tan P.N, 2006.
2.5 Vertical Format Algorithm
Vertical Format Algorithm adalah sebuah algoritma baru yang diciptakan oleh Yi-ming Gou dan Zhi-jun Wan dari Universitas Teknik Liaoning, Huludao, China dengan mencari
frequent itemset dengan format vertikal. Algoritma ini melakukan scanning database hanya satu kali untuk mendapatkan frequent 1-itemset dan untuk langkah selanjutnya tidak perlu dilakukan
scan terhadap database lagi.
Keuntungan dari algoritma ini adalah dapat menentukan itemset non-frequent sebelum generate itemset kandidat sehingga dapat menghemat waktu. Setiap id transaksi pada k-itemset
membawa informasi yang lengkap yang dapat mengkalkulasi tingkat support, sehingga tidak perlu lagi melakukan scan database untuk mencari tingkat support dari k+1 itemsets
Kurniawan, 2011. 2.6. Cara Kerja Vertical Format Algorithm
Pada awalnya dilakukan scanning database untuk mendapatkan frequent 1-itemset. Kemudian merubah format horizontal menjadi format vertikal pada frequent 1-itemset tersebut.
Langkah selanjutnya adalah dengan melakukan “operasi AND” untuk setiap elemen dari frequent itemset tersebut dan simpan hasilnya. Jika hasilnya melebihi minimum support, maka
kita mendapatkan kandidat set untuk C
k+1
dan dilakukan “operasi AND” berikutnya dan dilakukan secara berulang – ulang sampai mendapatkan situasi seperti berikut ini :
• Hanya tersisa satu frequent itemset dan tidak mungkin dapat digunakan “operasi AND” lagi. • Seluruh hasil dari “operasi AND” kurang dari minimum support.
2.7 Rule Generation Proses Rule Generation yaitu mengekstraksi setiap aturan yang memenuhi minimum
confidence dari frequent itemset yang dihasilkan. Sebagai contoh dihasilkan frequent itemset yaitu {I1, I2, I5}. Dari frequent itemset tersebut dapat dihasilkan kombinasi aturan asosiasi.
Kombinasi aturan asosiasi tersebut yaitu : {I1, I2}
{I5} {I1, I5}
{I2} {I2, I5}
{I1} {I1}
{I2, I5} {I2}
{I1, I5} {I5}
{I1, I2} Masing – masing dari kombinasi aturan tersebut dihitung tingkat confidencenya
sehingga akan dapat diketahui aturan yang memenuhi minimum confidence. Sehingga dari
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya
2013
96
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
aturan yang memenuhi minimum confidence merupakan output akhir dari proses Association Rule Analysis. Jiawei Han and Micheline Kamber, 2006
2.8 Decimal Dewey Classification DDC Sistem klasifikasi DDC diberi nama desimal karena sistem tersebut mengatur semua
pengetahuan sebagaimana tertuang dalam bahan perpustakaan menjadi sepuluh kelas utama yang diberi nomor 000 sampai 900. Desimal sama dengan persepuluh artinya setiap bilangan
dibagi menjadi sepuluh lalu selanjutnya di bagi sepuluh lagi. Misalnya kelas 400 di bagi menjadi 400, 410, 420, 430, 440, 450, 460, 470, 480, 490 kelas 490 dibagi lagi menjadi 490,
491, 492, 493, 494, 495, 496, 497, 498, 499, kelas 491 dibagi menjadi 491.1 – 491.7, lalu dibagi lagi, demikian seterusnya.
Adapun susunan singkatan 10 kelas utama DDC first summarry atau ringkasan pertama sebagai berikut:
000 Computer science, information general works 100 Philosopy psychology
200 Religion 300 Social sciences
400 Language 500 Science
600 Technology 700 Arts recreation
800 Literature 900 History geography
3
METODELOGI PENELITIAN 3.1 Pengumpulan Data
Data set yang diambil yaitu berdasarkan data transaksi peminjaman buku di perpustakaan Universitas Udayana. Data set yang digunakan sebanyak 100 data transaksi
peminjaman buku, diambil dari data transaksi pada bulan Januari – April 2013. 3.2 Analisis Sistem
Adapun kebutuhan sistem yang diperlukan dalam permasalahan pengaturan penempatan buku yaitu :
1. Proses penemuan Frequent Itemset dengan menggunakan Vertical Format Algorithm. 2. Proses penemuan Association Rule dari frequent itemset dengan membentuk aturan asosiasi
yang memenuhi minimum confidence.
3.3 Perancangan Sistem 3.3.1 Flowchart Sistem
