Pemodelan personalisasi rekomendasi buku dengan pendekatan association rule mining

A. PENDAHULUAN Perkembangan teknologi informasi telah meranah ke segala bidang termasuk perpustakaan. Perpustakaan sebagai lembaga informasi sudah seharusnya mengikuti perkembangan teknologi informasi guna memenuhi kebutuhan informasi pemustaka. Penelitian ini dilakukan di sebuah perpustakaan akademik di Jakarta dalam hal ini akan disebut dengan Perpustakaan X. Perpustakaan X menyediakan Online Public Access Catalog (OPAC) sebagai sarana penelusuran informasi koleksi buku. Namun, hal ini saja tidak cukup efisien karena kadang informasi buku yang muncul tidak relevan dengan kebutuhan pengguna dan membutuhkan waktu untuk menyeleksi kembali informasi buku yang ada sesuai dengan kebutuhannya. Salah satu cara untuk memenuhi kebutuhan pemustaka mengenai informasi buku sesuai dengan kebutuhan dan karakteristik pemustaka yaitu sistem personalisasi rekomendasi buku. Banyak perpustakaan akademis telah mulai menyediakan layanan yang dipersonalisasi, seperti rekomendasi buku, untuk menarik pembaca menggunakan sumber perpustakaan (Xin, Haihong, Junde, Meina, & Junjie, 2013). Tsuji, Takizawa, Sato, Ikeuchi, & Ikeuchi (2014) menyebutkan bahwa untuk menghasilkan rekomendasi dengan merekomendasikan buku kepada pemustaka dapat dilakukan berdasarkan catatan transaksi peminjaman perpustakaan. Wandi, Hendrawan, & Mukhlason (2012) mengembangkan rekomendasi buku melalui web berdasarkan data sejarah peminjaman buku, kemudian melihat pola hubungan di antara buku-buku yang dipinjam pada tiap transaksi peminjaman dan tercatat pada sejarah peminjaman. Pola hubungan yang digunakannya dalam mendukung pengembangan sistem rekomendasi yakni menggunakan algoritme Apriori yang menghasilkan rekomendasi buku berdasarkan transaksi peminjaman buku yang ada. Li & Chen (2008) juga melakukan penelitian yang sama menggunakan algoritme Apriori untuk menghasilkan hubungan antar buku. Sitanggang & Agustina (2010) menerapkan sequential pattern mining menggunakan algoritme Apriori All pada dataset perpustakaan untuk membantu perpustakaan memberikan rekomendasi buku kepada pemustaka. Latar belakang di atas menjadi acuan bagi penulis untuk merancang model personalisasi rekomendasi buku pada Perpustakaan X dengan pendekatan association rule mining menggunakan algoritme Apriori. Hasil yang diperoleh dari penelitian ini diharapkan dapat menjadi acuan dalam membuat sistem personalisasi rekomendasi buku. Penelitian ini bertujuan (1) menerapkan association rule mining pada data transaksi peminjaman buku di Perpustakaan X (2) merumuskan rekomendasi buku berdasarkan aturan asosiasi dari pendekatan association rule mining (3) merancang model personalisasi rekomendasi buku pada Perpustakaan X sesuai kebutuhan dan karakteristik pemustaka. Manfaat penelitian untuk memberikan informasi buku sesuai kebutuhan dan karakteristik pemustaka melalui perancangan model personalisasi rekomendasi buku. Penelitian ini memiliki keutamaan dalam pengembangan sistem di perpustakaan yang bertujuan untuk membantu pustakawan dalam berperan aktif merekomendasikan buku-buku yang dimilikinya kepada pemustaka secara personalisasi berdasarkan data pemustaka dan data sejarah peminjaman pemustaka. Kebaruan dalam penelitian ini adalah menyajikan framework sebagai model rancangan sistem personalisasi rekomendasi buku di perpustakaan yang sebelumnya hanya membahas terkait analisis aturan asosiasi yang diperoleh. B. TINJAUAN PUSTAKA Sistem Rekomendasi Menurut Masruri & Mahmudy (2007), sistem rekomendasi menjadi salah satu bentuk sistem informasi personal yang digunakan dalam web e-commerce untuk menawarkan item dan memberi informasi yang dapat membantu pemustaka dalam memilih atau membeli item. Sistem rekomendasi membantu pemustaka untuk memilih objek yang mereka anggap berguna atau menarik minat mereka (Crespo et al., 2011). Di perpustakaan, sistem rekomendasi diterapkan untuk merekomendasikan buku. Xin et al., (2013) menyebutkan bahwa rekomendasi buku merupakan bagian penting dan tugas untuk layanan dan pendidikan personal yang diberikan oleh perpustakaan akademik. Tujuan dari sistem rekomendasi buku adalah untuk merekomendasikan buku yang sesuai dengan minat (Rajpurkar, Bhatt, & Malhotra, 2015). Model layanan rekomendasi buku dapat menawarkan informasi buku kepada pembaca yang mungkin akan tertarik (Zhu & Wang, 2007). Wandi et al. (2012) mengembangkan rekomendasi buku melalui web berdasarkan data sejarah peminjaman buku. Menurut Jomsri (2014), rekomendasi buku adalah proses untuk merekomendasikan buku bagi setiap pengguna dengan menggunakan hasil dari proses aturan asosiasi. Association Rule Mining Association rule mining menemukan hubungan yang menarik dan hubungan korelasi antar kumpulan data yang besar (Han, Kamber, & Pei, 2012). Association rule memiliki korelasi antar item dengan bentuk X ∩ Y, di mana X dan Y adalah disjoint itemsets, dinotasikan X ∩ Y = Ø Kumpulan dari beberapa item atau lebih disebut dengan itemset, yang dinotasikan Ik (k=1, 2, … n). Jika itemset mempunyai item sebanyak k disebut k-itemset (Tan, Steinbach, & Kumar, 2014). Secara umum, association rule mining terdiri dari proses dua langkah yakni menemukan semua frequent itemset dan menghasilkan strong rule dari frequent itemset (Han et al., 2012). Strong rule yang dihasilkan ini harus memenuhi minimum support dan minimum confidence. Adapun ukuran support dan confidence (Han et al., 2012) dideskripsikan sebagai berikut: Support adalah nilai perbandingan banyak transaksi suatu itemset terhadap jumlah transaksi pada dataset yang dinotasikan: Jumlah transaksi mengandung A dan B Support (A→B) = P (A U B) = Jumlah transaksi keseluruhan Confidence adalah tingkat kuatnya hubungan antar itemset dalam aturan asosiasi yang dinotasikan: Jumlah transaksi mengandung A dan B Confidence (A→B) = P (A|B) = Jumlah transaksi mengandung A Algoritme Apriori Apriori adalah algoritme yang diusulkan oleh R. Agrawal dan R. Srikant tahun 1994 untuk mining frequent itemsets. Apriori menggunakan pendekatan secara iterative yang disebut juga sebagai level-wise search, dimana k-itemset digunakan untuk mencari (k+1)itemsets (Han et al., 2012). Prinsip algoritme ini, bila itemset digolongkan sebagai frequent itemset yang memiliki nilai support lebih dari yang ditetapkan sebelumnya, maka semua subsetnya juga termasuk golongan frequent itemset, dan sebaliknya (Li & Chen, 2008). Penggunaan algoritme Apriori digunakan untuk membangkitkan frequent itemset yang memenuhi minimum support kemudian menghasilkan aturan yang memenuhi minimum confidence dari frequent itemset (Tan et al., 2014). Pseudo code algoritme Apriori dapat dilihat pada Gambar 1. Gambar 1 menunjukkan bahwa algoritme Apriori dibagi menjadi beberapa tahap iterasi(perulangan) pada baris 1-11. Tiap iterasi membentuk pola dengan panjang item k (kitemset) dan di mulai dari banyak item 1 pada iterasi pertama. Iterasi akan membangkitkan kandidat k-itemsets baru menggunakan frequent (k-1)-itemsets yang ditemukan pada iterasi sebelumnya pada baris 3. Fungsi subset digunakan untuk menentukan semua kandidat itemsets dalam (Ck) yang terkandung dalam setiap transaksi t pada baris 4. Untung menghitung support diimplementasikan pada baris 4-8. Itemset yang memiliki nilai support di bawah dari minimum support yang telah ditentukan pengguna akan dihapus. Langkah tersebut diulang sebanyak k iterasi hingga semua frequent itemset yang ada diekstraksi. Algoritme akan berhenti ketika tidak ada lagi frequent itemset baru yang dihasilkan (Tan et al., 2014). Fungsi apriori gen merupakan fungsi pembentukan kandidat itemset (Ck) yang melalui dua tahap yaitu join step dan prune step pada baris 12-19.

Penelitian ini dilakukan dengan pendekatan association rule mining menggunakan algoritme Apriori. Data yang digunakan yakni data transaksi peminjaman buku di Perpustakaan X tahun 2016-2017 yang dikelola dalam basis data aplikasi Senayan Library Information Management System (SLiMS) sebanyak 5.509 data transaksi peminjaman buku. Tahapan penelitian pada Gambar 2. Penelitian dimulai dengan mengidentifikasi masalah penggunaan OPAC. Kemudian, melakukan pengumpulan data dan dilanjutkan praproses data melalui proses memilih data yang relevan dan membuat dataset transaksi peminjaman buku. Data relevan yang digunakan dibatasi pada nomor klasifikasi DDC ringkasan ketiga. Hasil dari praproses data digunakan pada penerapan algoritme Apriori. Penerapan algoritme Apriori bertujuan untuk menentukan pola peminjaman buku menggunakan tools Waikato Environment for Knowledge Analysis (WEKA) yang dilakukan dengan cara menentukan nilai minimum support dan minimum confidence. Tahap selanjutnya melakukan penyusunan rekomendasi buku berdasarkan aturan asosiasi yang telah dihasilkan dari penerapan algoritme Apriori. Menurut Jomsri (2014) cara merekomendasikan buku menggunakan association rule mining adalah (1) memilih aturan dengan maximum confidence (2) memilih aturan dengan maximum support jika nilai confidence adalah sama (3) memilih aturan yang terjadi pertama kali ketika nilai confidence dan support adalah sama. Tahap akhir adalah merancang model personalisasi rekomendasi buku. Rancangan model yang akan dibuat berdasarkan penyusunan rekomendasi buku yang telah diperoleh dari hasil aturan asosiasi. Hasil dari rancangan model akan menjadi acuan pembuatan sistem rekomendasi buku termasuk iinformasi buku baru yang akan direkomendasikan melalui e-mail dan web. Framework sistem rekomendasi buku dapat dilihat pada Gambar 3. Mekanisme framework sistem rekomendasi buku dirancang dalam tiga tahap yaitu (1) data sejarah setiap transaksi peminjaman pengguna dikumpulkan setelah proses peminjaman oleh pengguna (2) mempersiapkan dan memilih data yang relevan untuk membuat model aturan asosiasi (3) merekomendasikan buku kepada setiap pemustaka menggunakan hasil dari proses aturan asosiasi.

Tampilan User Interface Data yang dipilih dalam penelitian ini meliputi id transaksi, tanggal peminjaman, id anggota, dan barcode. Contoh data transaksi peminjaman buku yang diperoleh dari aplikasi SLiMS dapat dilihat pada Tabel 1. Praproses Data Transaksi Peminjaman Buku Pada tahap praproses data, dataset dibuat berdasarkan id anggota, tanggal peminjaman, dan nomor klasifikasi dan diperoleh sebanyak 3.435 transaksi dengan kriteria yakni pada tanggal dan id anggota yang sama, pemustaka meminjam buku dengan nomor klasifikasi apa saja. Daftar item buku yang berhasil ditemukan dilihat pada Tabel 2. Proses untuk mengolah data transaksi peminjaman buku menggunakan WEKA dilakukan pengubahan data ke dalam bentuk file .CSV. Proses transformasi ini adalah jika item yang dipinjam maka akan diganti dengan huruf (“t”) yang bernilai true. Sedangkan, item yang tidak dipinjam maka akan diganti dengan tanda tanya (“?”) yang bernilai no. Berikut dataset transaksi peminjaman buku dalam bentuk CSV pada Tabel 3. Penerapan Algoritme Apriori Proses penerapan algoritme Apriori menggunakan tools WEKA dan dengan data transaksi peminjaman buku yang telah diubah kedalam bentuk file CSV. Hasil input dataset transaksi peminjaman buku tahun 2016-2017 diketahui berjumlah 3.345 transaksi dengan item sebanyak 71. Langkah selanjutnya dilakukan pengolahan data. Agar hasil pengolahan data muncul maka perlu dilakukan pengaturan nilai minimum support dan minimum confidence. Tidak ada batasan dalam menentukan nilai minimum support dan minimum confidence, nilai ini diberikan hingga aturan asosiasi yang dibutuhkan muncul sesuai dengan kebutuhan dalam penelitian. Pada penelitian ini nilai minimum support yang diberikan yakni 10%, 2%, 1%, dan 0.1%. Sedangkan nilai minimum confidence yang diberikan yakni 10, 20, 30, 40, dan 50%. Setelah menginput nilai minimum support dan minimum confidence yang telah ditentukan. maka akan muncul hasil pengolahan WEKA yang dapat dilihat pada Gambar 4. Untuk setiap aturan asosiasi yang telah dihasilkan, nomor pertama di antara tanda kurung melambangkan nilai support, yang kedua adalah nilai confidence. Aturan asosiasi pertama adalah aturan yang memiliki nilai support 0.08% dan nilai confidence 100%. Hal ini berarti bahwa 0.08% dari transaksi mengandung peminjaman dengan kode buku C001 (Ilmu Pengetahuan), C153 (Intelegensia, Kecerdasan Proses Intelektual dan Mental, dan C302 (Interaksi Sosial, Hubungan Antarpersonal). Sedangkan, nilai confidence sebesar 100% mempunyai arti bahwa tingkat kepastian pemustaka meminjam buku dengan kode buku C001 (Ilmu Pengetahuan) dan C153 (Intelegensia, Kecerdasan Proses Intelektual dan Mental bersamaan dengan C302 (Interaksi Sosial, Hubungan Antarpersonal) bernilai 100%. Berdasarkan hasil pengolahan WEKA terdapat frequent itemset yang dibangkitkan pada nilai minsup yang ditetapkan. Jumlah frequent itemset yang dibangkitkan pada minsup yang telah ditentukan dapat dilihat pada Tabel 4. Tabel 4 menunjukkan bahwa jumlah frequent itemset terbanyak dibangkitkan oleh minsup 0.1%, sedangkan frequent itemset paling sedikit dibangkitkan oleh minsup 10%. Nilai minimum support digunakan untuk menemukan l-large itemsets, l = 1, 2, 3. Dalam penelitian ini nilai minimum support yang digunakan adalah 10%, 2%, 1%, dan 0.1%. Untuk minimum support 10% tidak ditemukan l-large itemsets. Untuk minimum support 2% ditemukan 14 frequent itemset yang terdiri dari 1-large itemsets yang disingkat L(1) sebanyak 12 dan 2large itemsets yang disingkat L(2) sebanyak 2. L(1) pada minsup 2% adalah C346, C338, C004, C330, C659, C336, C001, C302, C332, C650, C657, C658. Sedangkan L(2) pada minsup 2% adalah C650 C658, C657 C658. Selain itu, hasil pengolahan WEKA juga menghasilkan aturan asosiasi. Adapun jumlah aturan asosiasi yang dihasilkan berdasarkan nilai minimum support dan minimum confidence dapat dilihat pada Tabel 5. Tabel 5 menunjukkan jumlah aturan asosiasi yang dihasilkan dari masing-masing nilai minimum support dan minimum confidence yang diberikan. Berdasarkan tabel 5 dapat disimpulkan bahwa semakin kecil nilai support dan confidence yang diberikan, maka aturan asosiasi yang dihasilkan akan semakin banyak. Proses Penyusunan Rekomendasi Buku Berdasarkan Aturan Asosiasi Setelah melakukan percobaan beberapa parameter, maka diambil minimum support 0.1% dan minimum confidence 10% yang menghasilkan sebanyak 42 aturan asosiasi untuk dilakukan penyusunan rekomendasi buku. Adapun aturan yang dihasilkan berdasarkan pada nilai minimum support dan minimum confidence yang telah ditetapkan dapat dilihat pada Tabel 6. Aturan asosiasi yang telah dihasilkan dalam penelitian ini disesuaikan dengan tiga cara Jomsri (2014) dalam merekomendasikan buku menggunakan association rule mining. Pertama, memilih aturan dengan maximum confidence yang terdapat pada aturan ke 42 dengan nilai confidence 1. Namun pada aturan ke 42 dalam Penelitian ini, nilai support sangat kecil dibandingkan aturan yang ada untuk direkomendasikan kepada pemustaka yakni hanya 3 kali transaksi yang meminjam kode buku C001 dan C153 yang kemudian terjadi pula 3 kali transaksi saja yang meminjam kode buku C001, C153, dan C302. Kedua, memilih aturan dengan maximum support jika nilai confidence sama. Adapun nilai maximum support terdapat pada aturan ke 1 dan 2 yang keduanya tidak memiliki nilai confidence yang sama. Ketiga, memilih aturan yang terjadi pertama kali ketika nilai confidence dan support adalah sama yakni terdapat pada aturan ke 23 dan 24. Setelah melakukan evaluasi tentang penyusunan rekomendasi buku menggunakan ketentuan yang dinyatakan oleh Jomsri (2014), maka dihasilkan perumusan dalam proses rekomendasi buku dalam penelitian ini yaitu dengan memilih maximum support kemudian memilih maximum confidence. Sebagai contoh pada aturan nomor 5 dan 6 yang memiliki nilai support sama, maka yang terlebih dahulu direkomendasikan yakni aturan no 6 karena nilai confidence lebih tinggi. Perancangan Model Personalisasi Rekomendasi Buku Rancangan model akan bekerja sesuai dengan framework sistem rekomendasi buku. Usulan framework sistem rekomendasi buku Perpustakaan X diberikan pada Gambar 5. Sistem rekomendasi buku ini diintegrasikan dengan aplikasi web melalui OPAC sebagai layanan penelusuran informasi buku dan melalui basis data pemustaka layanan buku dengan data yang digunakan yakni data pemustaka dan data sejarah peminjaman buku. Sistem rekomendasi buku berdasarkan pendekatan association rule mining akan menampilkan rekomendasi buku melalui web dan e-mail pemustaka. Gambar 6 menyajikan tampilan rekomendasi buku melalui web. Gambar 6 menunjukkan tampilan rekomendasi buku melalui web yang akan tampil ketika pemustaka melakukan penelusuran informasi buku yang diinginkan. Rekomendasi buku secara otomatis diberikan oleh sistem berdasarkan association rule mining dengan memilih nilai maximum support kemudian maximum confidence dan berdasarkan data pemustaka.

Hasil penerapan association rule mining menggunakan algoritme Apriori pada data transaksi peminjaman buku di Perpustakaan X membangkitkan 99 jumlah frequent itemset dan menghasilkan 42 aturan asosiasi dengan minimum support dan minimum confidence sebesar 0.1% dan 10%. Aturan asosiasi yang sering dipinjam oleh pengguna yaitu hubungan antara kode buku C657 (Akuntansi) sebanyak 651 transaksi bersamaan dengan kode buku C658 (Manajemen Umum) sebanyak 90 transaksi dengan nilai support sebesar 2.6% dan nilai confidence sebesar 14%. Perumusan rekomendasi buku dilakukan dengan memilih maximum support kemudian memilih maximum confidence. Berdasarkan proses yang telah dilakukan dirancanglah sebuah model personalisasi rekomendasi buku yang akan tampil pada halaman web dan e-mail pemustaka. Saran yang diberikan pada penelitian yakni penelitian selanjutnya dapat lebih diperluas batasan nomor klasifikasi yang digunakan agar buku yang direkomendasikan kepada pemustaka dapat menjadi lebih spesifik. Perpustakaan X dapat mengimplementasikan rancangan sistem rekomendasi buku melalui web penelusuran buku dan e-mail pemustaka.