JURNAL ILMIAH KOMPUTER GRAFIS.
Vol.
No.
Desember 2024, pp.
p-ISSN : 1979-0414.
, e-ISSN : 2621-6256 .
DOI : https://doi.
org/10.
51903/pixel.
Identifikasi Letak Buku di Perpustakaan Universitas Prima Indonesia Menggunakan Metode FP-Growth Satriandi yandisatri7@gmail.
Universitas Nahdlatul Ulama Sumatera Utara
ARTICLE INFO
Article history:
Received 27 September 2024
Accepted 10 November 2024
Published 24 Desember 2024
ABSTRACT
This research uses the FP-Growth method to identify the location of books in the Prima Indonesia University library with the following steps: .
conducting research, .
solving the problem, .
studying the literature, .
inputting data, .
analyzing high frequency patterns, determining associative rules, and making conclusions.
This research aims to apply the FP-Growth method to arrange book layouts according to needs.
This research aims to: .
apply the FP-Growth method to arrange the layout of books according to needs, .
implement the FP-Growth method to arrange the layout of books in the Prima Indonesia University (UNPRI) library, and .
create an application using language and a data base with the FP-Growth method which can arrange the layout of library books.
The result of the research is that using the FP-Growth method book searches can be faster with a success rate of 80%, making it easier to get the book you Keywords: Data mining.
Book layout.
FPGrowth Algorithm.
Rapidminer Pendahuluan Perpustakaan di perguruan tinggi merupakan bagian penting yang harus diperhatikan.
Hal tersebut untuk menunjang dalam proses belajar mengajar.
Perpustakaan berfungsi sebagai sumber informasi yang sangat penting, terutama dalam bidang pendidikan dan bagi komunitas secara luas .
Oleh karena itu diperlukan penyusunan buku, tata letak ruangan yang nyaman untuk menarik minat mahasiswa untuk berkunjung ke perpustakaan.
Dengan perkembangan Identifikasi Letak Buku di Perpustakaan Universitas Prima Indonesia Menggunakan Metod FP -Growth
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
teknologi informasi saat ini, untuk menemukan judul buku yang akan dipinjam atau di baca akan lebih mudah, karena dengan menggunakan sistem komputer untuk mencari data atau jenis buku yang mau kita pinjam cukup dengan menemui operator perpustakaan kemudian tanya apa judul buku yang diinginkan.
Operator akan melihat melalui layar komputer dan memasukan apa judul buku yang akan dicari, kemudian keluar kode buku dan letak buku berdasarkan rak buku, jadi para mahasiswa tidak perlu repot-repot keliling hanya untuk mencari satu judul buku saja di berbagai rak buku.
Dengan adanya sistem tata letak buku sesuai dengan jurusannya maka kita akan lebih mudah dalam melakukan pekerjaan dibandingkan dengan sebelumnya.
Sistem komputer yang dapat digunakan adalah data mining.
Data mining merupakan solusi yang mampu menemukan kandungan informasi yang tersembunyi berupa pola dan aturan sekumpulan data yang besar agar mudah dipahami.
Data Mining dan knowledge discovery in database (KDD) merupakan istilah yang memiliki konsep yang berbeda akan tetapi saling berkaitan karena data mining adalah bagian dalam proses KDD.
Berdasarkan penelitian mengenai Analisis Keranjang Pasar Menggunakan Apriori Dan FPGrowth Untuk Analisis Pola Pengeluaran Konsumen Di Berkah Mart Di Pekanbaru Riau.
Andi dan Utami menggunakan algoritma Apriori dan FP-Growth untuk menganalisis keranjang pasar .
Selanjutnya berdasarkan penelitian terdahulu diatas yang menggunakan metode FP-Growth untuk mengatasi masalah, maka peneliti menggunakan metode FP-Growth untuk mengatur tata letak buku.
Association rule merupakan salah satu metode yang bertujuan mencari pola yang sering muncul di antara banyak transaksi, dimana setiap transaksi terdiri dari beberapa item .
Algoritma FP-Growth menggunakan struktur data yang disebut FP-tree (Frequent Pattern tre.
dalam melakukan pencarian frekuensi Pattern atau itemset.
Sesuai dengan namanya.
FP-tree merupakan struktur pohon dimana setiap cabang berisi informasi frekuensi itemset, dan setiap node menyimpan informasi item dan frekuensinya.
FP-Growth berasal dari singkatan Frequent Pattern Growth merupakan salah satu algoritma yang dapat berfungsi dapat mendeteksi sekumpulan data yang sering muncul .
Sehingga dengan adanya penggunaan data mining dan metode FP-Growth maka pihak perpustakaan dapat mengatur tata letak buku dengan mudah dan sesuai dengan kebutuhan.
Berdasarkan penjelasan yang telah dijabarkan maka peneliti tertarik untuk melakukan penelitian di perpustakaan Universitas Prima Indonesia dengan judul AuIdentifikasi Letak Buku di Perpustakaan Universitas Prima Indonesia Menggunakan Metode FPGrowthAy.
Metode Penelitian Metode penelitian merupakan kerangka dan panduan yang diperlukan dalam menjalankan sebuah proses penelitian, sehingga penelitian yang dilakukan akan terarah, teratur, dan sistematis .
Penelitian ini menggunakan metode FP-Growth untuk mengidentifikasi tata letak buku di perpustakaan Unipersitas Prima Indonesia.
Ada beberapa Langkah yang dilakukan untuk mengidentifikasi tata letak buku dengan menggunakan Metode FP-Growth yang meliputi:
Melakukan Riset Penelitian Melakukan riset penelitian pada Universitas Prima Indonesia untuk mendapatkan datadata yang dibutuhkan.
Merumuskan Masalah Merumuskan masalah yang akan diselesaikan berdasarkan hasil riset penelitian yang telah dilakukan.
Mempelajari Literatur Setelah masalah telah teridentifikasi maka tahap yang dilakukan selanjutnya adalah studi literatur.
Dimana pada tahapan ini peneliti menggunakan referensi berupa jurnal penelitian terdahulu dan buku-buku yang berkaitan dengan penelitian ini.
Menginputkan data Tahapan dimana menginputkan data-data ke dalam sistem setelah data diperoleh, hal ini dilakukan sebelum pengujian terhadap data yang dimiliki untuk dapat di proses Menganalisa pola frekuensi tinggi n p-ISSN : 1979-0414 e-ISSN : 2621-6256 Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dan nilai support dalam data base.
Dimana nilai support dicari menggunakan dua tahapan.
Tahap yang pertama yaitu :
Support A = Jumlah Transaksi Mengandung A Total Transaksi Sedangkan nilai dari support 2 item diperoleh dari rumus berikut:
Support (A.
B) = P (AOB) = Jumlah Traksaksi Mengandung A dan B Total Transaksi Menentukan Aturan Assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan Membuat Kesimpulan Merupakan langkah dimana membuat kesimpulan setelah dilakukan penghitungan terhadap data yang dimiliki.
Hal ini dilakukan agar dapat mengetahui hasil akhir yang didapat apakah dapat dipakai atau tidak.
Hasil dan Analisis Penelitian ini menggunakan algoritma FP-Growth untuk penentuan tata letak buku pada perpustakaan Universitas Prima Indonesia (UNPRI).
Algoritma FP-Growth membutuhkan datadata yang memiliki nilai untuk diproses dan nilai yang digunakan sebagai proses yaitu jumlah peminjaman buku.
FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets.
Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari algoritma Apriori.
Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree yang disebut dengan FP-Tree.
Dengan menggunakan FP-Tree, algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari FP-Tree.
Berikut tahapan dalam mengimplementasikan metode association rules dengan menggunakan algoritma FP-Growth untuk menentukan penyusunan buku yang sesuai dengan kategori di Perpustakaan Universitas Universitas Prima Indonesia, yang nantinya akan diimplementasikan dalam proses Algoritma Frequent Patten Growth (FP-Growt.
, yaitu:
Penginfutan Dataset Pencarian Dataset Pencarian Frequent itemset .
ata yang sering muncu.
Pembangkitan FP-Tree berdasarkan priority Pembangkitan Conditional Pattren Base 1 Penginputan Dataset Melakukan penginputan data dan dilanjutkan dengan konversi data, maka data yang telah diolah tadi siap untuk diuji dengan melakukan proses pencarian Frequent Itemset dengan menggunakan Algoritma FP-Growth untuk menghasilkan Association Rules.
Cara penginputan data di algoritma FP-Growth yaitu berdasarkan dari data peminjaman buku dan dikelompokan berdasarkan kategori buku yang dipinjam jika AuYAy berarti ada peminjaman dan jika AuTAy berarti tidak ada peminjaman.
Seperti tabel 3.
1 berikut ini.
Tabel 3.
1 Tabel Data Transaksi Peminjaman Buku
Transaksi B02 B03 B11 B25 B27 B31 B39
B47
B56
B57
B58
B59
B60
B62
T01
T02
T03
JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
T04
T05
T06
T07
T08
T09
T1T
T1Y
T12
T13
T14
T15
T16
T17
Data yang telah diinput yang didapatkan dari tabel 3.
1 akan dilakukan konversi menjadi tabel 3.
2 jika AuYAy berarti dberi nilai angka 1, jika AuTAy maka dikasih nilai 0, berikut dapat dilihat hasil konversinya pada table 3.
T01
B02
Tabel 3.
2 Tabel Konversi Data Transaksi Peminjaman Buku
B03 B11 B25 B27 B31 B39 B47 B56 B57 B58 B59
B60
B62
T02
T03
T04
T05
T06
T07
T08
T09
T10
T11
T12
T13
Tabel 3.
3 Tabel Konversi Data Transaksi Peminjaman Buku (Lanjuta.
Transaksi B02 B03 B11 B25 B27 B31 B39 B47 B56 B57 B58
T14
B59
B60
B62
Transaksi
T15
T16
T 17
TOTAL
n p-ISSN : 1979-0414 e-ISSN : 2621-6256 2 Pencarian Frequent Itemset Pencarian frequent itemset dilakukan pada data peminjaman buku dan dapat dilihat pada table berikut:
Tabel 3.
1 Frekuensi Kemunculan Item
ITEM SET
B02
COUNT
SUPPORT
FREQUENT ITEM SET
IYA
B03
B11
TIDAK
TIDAK
B25
IYA
B27
IYA
B31
IYA
B39
TIDAK
B47
IYA
B56
IYA
B57
IYA
B58
IYA
B59
IYA
B60
TIDAK
B62
TIDAK
Nilai support didapatkan dengan cara:
Nilai yang terdapat pada kolom count dibagi dengan jumlah nilai keseluruhan yang terdapat pada kolom item set.
Contoh :
baris satu pada kolom count terdapat nilai 4 dibagi dengan 17 nilai transaksi pada kolom itenset sehingga memperoleh nilai 0,235.
Lalu dikalikan dengan persentase keseluruhan 100% sehingga diperoleh nilai 24%.
Jika terdapat nilai pada kolom suport maka nilai pada frequen item set menghasilkan nilai AuIYAAy dan jika tidak ada nilai maka diberikan nilai AuTIDAKAy.
Contohnya pada baris ke 1 terdapat nilai suport 24% sehingga diberikan nilainya AuIYAAy.
3 Dataset Diurutkan Berdasarkan Priority Dari Frekuensi kemunculan di atas dapat dilihat berapa banyak jumlah kemunculan tiap item dari seluruh transaksi, setelah didapatkan frekuensi kemunculan maka tahap selanjutnya adalah menentukan nilai support count.
Support count yang diberikan adalah = 6%, maka item yang berpengaruh dan akan dimasukkan ke dalam FP-Tree, selebihnya untuk item yang frekuensi kemunculannya di bawah 18% maka dapat dibuang karena tidak berpengaruh signifikan, seperti terlihat pada tabel 3.
Tabel 3.
1 Frekuensi Kemunculan Item Pertama ITEM SET
B02
COUNT
SUPPORT
B25
B27
FREQUENT ITEM SET
IYA
IYA
IYA
B31
IYA
B47
IYA
B56
IYA
B57
IYA
JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
B58
IYA
B59
IYA
Dari Frekuensi kemunculan di atas dapat dilihat berapa banyak jumlah kemunculan tiap item dari seluruh transaksi, setelah didapatkan frekuensi kemunculan pertama maka tahap selanjutnya adalah menentukan nilai Confidence.
Confidence yang diberikan adalah = 75%, maka item yang berpengaruh dan akan dimasukkan ke dalam FP-Tree, selebihnya untuk item yang frekuensi kemunculannya di bawah 75% maka dapat dibuang karena tidak berpengaruh signifikan, seperti terlihat pada tabel 3.
Tabel 3.
2 Frekuensi Kemunculan Item Kedua 2 ITEM
SET
B02 B31
B25 B57
COUNT ITEM 1
COUNT
SUPPORT
CONFIDENCE
B27
B56
B27
B58
B31
B02
B47
B58
B47
B59
B56
B27
Setelah dilakukan pemindaian data berdasarkan nilai confedence count = 75%, maka data transaksi peminjaman buku menjadi seperti yang terlihat pada tabel 3.
Tabel 3.
3 Data Transaksi Peminjaman Setelah Proses Pemindaian TID
Itemset
TID02
KB05.
KB02.
KB31.
KB30
TID11
KB12.
KB54.
KB66.
KB36.
KB27.
KB67.
KB55.
KB56.
KB42.
KB45.
KB58.
KB50,
KB73.
KB44.
KB23.
KB32.
KB33.
KB44
TID14
KB22.
K16.
KB24.
KB05.
KB18.
KB19.
KB78.
KB38.
KB16.
KB38.
KB70.
KB71.
KB42,
KB69.
KB47.
KB58.
KB63
TID15
KB75.
KB59.
KB29.
KB14.
KB13.
KB45.
KB45.
KB47.
KB15.
KB47.
KB58.
KB63
4 Pembangkitan FP-Tree Berdasarkan Priority Pembangkitan FP-Tree dilakukan setelah didapatkan item -item yang frequent atau memenuhi nilai support count, yang mana item -item tersebut telah didapatkan sebelumnya.
Proses dalam pembangkitan FP-Tree dimulai dengan pembacaan TID01, yang kemudian dilanjutkan dengan TID02, dan diteruskan dengan peminjaman berikutnya sampai transaksi terakhir.
Adapun proses dalam pembangkitan FP-Tree dari data link yang digunakan dapat dilihat pada penjelasan berikut Pembacaan TID02 Pembacaan TID02 berdasarkan Tabel 3.
4 Data Transaksi Peminjaman Buku Perpustakaan dapat dilihat pada Gambar 3.
n p-ISSN : 1979-0414 e-ISSN : 2621-6256 Gambar 3.
1 Hasil Pembentukan FP-Tree TID02 Pembacaan TID04 Pembacaan TID04 berdasarkan Tabel 3.
1 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Gambar 3.
2 Hasil Pembentukan FP-Tree TID04 Pembacaan TID08 Pembacaan TID08 berdasarkan Tabel 3.
2 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Peminjaman Buku Peminjaman Buku Peminjaman Buku Gambar 3.
3 Hasil Pembentukan FP-Tree TID08 Pembacaan TID10 Pembacaan TID10 berdasarkan Tabel 3.
3 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
Gambar 3.
4 Hasil Pembentukan FP-Tree TID10 Pembacaan TID11 Pembacaan TID11 berdasarkan Tabel 3.
Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Gambar 3.
5 Hasil Pembentukan FP-Tree TID11 Pembacaan TID13 Pembacaan TID13 berdasarkan Tabel 3.
5 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Peminjaman Buku Peminjaman Buku n p-ISSN : 1979-0414 e-ISSN : 2621-6256 Gambar 3.
6 Hasil Pembentukan FP-Tree TID13 Pembacaan TID14 Pembacaan TID14 berdasarkan Tabel 3.
6 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Peminjaman Buku Gambar 3.
7 Hasil Pembentukan FP-Tree TID14 JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
Pembacaan TID15 Pembacaan TID15 berdasarkan Tabel Perpustakaan dapat dilihat pada Gambar 3.
Data Transaksi Gambar 3.
8 Hasil Pembentukan FP-Tree TID15 Pembacaan TID16 Pembacaan TID16 berdasarkan Tabel 3.
8 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
Peminjaman Buku Peminjaman Buku Peminjaman Buku Gambar 3.
9 Hasil Pembentukan FP-Tree TID16 Pembacaan TID17 Pembacaan TID17 berdasarkan Tabel 3.
9 Data Transaksi Perpustakaan dapat dilihat pada Gambar 3.
n p-ISSN : 1979-0414 e-ISSN : 2621-6256 Gambar 3.
10 Hasil Pembentukan FP-Tree TID17 5 Pembangkitan Conditional Pattern Base Setelah FP-Tree terbentuk, maka langkah selanjutnya adalah tahap pembangkitan Conditional Pattern Base.
Pada tahap ini dapat dilakukan dengan melihat kembali FP-Tree yang sudah dibuat sebelumnya.
Untuk menemukan frequent itemset dari data yang telah tersedia maka perlu ditentukan cabang pohon dengan lintasan yang berakhiran dengan support count Conditional Pattern Base dibangkitkan berdasarkan suffix akhiran KB58, maka dari FPTree yang sudah dibuat sebelumnya dapat diambil lintasan yang hanya mengandung suffix KB57.
adapun proses dalam membangkitkan Conditional Pattern Base yang mengandung suffix KB57 dapat dilihat pada gambar 3.
Gambar 3.
1 Lintasan Yang Mengandung Suffix KB57 Conditional Pattern Base dibangkitkan berdasarkan suffix akhiran KB58, maka dari FPTree yang sudah dibuat sebelumnya dapat diambil lintasan yang hanya mengandung suffix KB58.
adapun proses dalam membangkitkan Conditional Pattern Base yang mengandung suffix KB58 dapat dilihat pada gambar 3.
JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
Gambar 3.
2 Lintasan Yang Mengandung Suffix KB58 Conditional Pattern Base dibangkitkan berdasarkan suffix akhiran KB58, maka dari FPTree yang sudah dibuat sebelumnya dapat diambil lintasan yang hanya mengandung suffix KB59.
adapun proses dalam membangkitkan Conditional Pattern Base yang mengandung suffix KB59 dapat dilihat pada gambar 3.
Gambar 3.
3 Lintasan Yang Mengandung Suffix KB59 6 Pembangkitan Frequent Pattern Setelah mencari frequent itemset untuk beberapa akhiran suffix maka didapat hasil yang dirangkum sebagai berikut:
Tabel 3.
1 Tabel Hasil Frequent Itemset
Suffix
Frequent Itemset
KB02
{KB02.
KB31:.
KB25
{KB25.
KB57:.
KB27
{KB27.
KB56:.
,{KB27.
KB58:.
KB47
{KB47.
KB58:.
,{KB47.
KB59:.
KB56
{KB56.
KB27:.
,{KB25.
KB58:.
KB56
{KB56.
KB27.
KB56:.
n p-ISSN : 1979-0414 e-ISSN : 2621-6256
KB58
KB58
KB58
KB59
KB58
{KB58.
KB27.
KB58:.
{KB58.
KB56.
KB27:.
{KB58.
KB47.
KB59:.
{KB59.
KB47.
KB59:.
{KB58.
KB59.
KB47:.
Pencarian Association Rules dilakukan melalui dua tahap yaitu pencarian frequent itemset dan penyusutan rules dan dapat diketahui dengan dua parameter, yaitu support minimum 6% dan confidence minimum 100%.
Tabel 3.
2 Perhitungan Nilai Support dan Confidence Setiap Association Rule No.
Premise (A) Conclusion (B) Support
Confidence KB02
KB31
KB25
KB57
KB27
KB56
KB27
KB58
KB47
KB58
KB47
KB59
KB56
KB27
KB56
KB58
KB56.
KB27
KB56
KB58.
KB27
KB58
KB58.
KB56
KB27
KB58.
KB47
KB59
KB59.
KB47
KB59
KB58.
KB59
KB47
6 Pembentukan Rule Base Keputusan Berdasarkan Tabel 3.
1 perhitungan nilai support dan confidence maka dapat ditentukan rule base keputusan sebagai berikut :
Jika terdapat penyusunan buku KB02 maka terdapat juga penyusunan buku KB31dengan nilai dukungan 24% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB25 maka terdapat juga penyusunan buku KB57 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB27 maka terdapat juga penyusunan buku KB56 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB27 maka terdapat juga penyusunan buku KB58 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB47 maka terdapat juga penyusunan buku KB58 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB47 maka terdapat juga penyusunan buku KB59 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB56 maka terdapat juga penyusunan buku KB27 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB56 maka terdapat juga penyusunan buku KB58 dengan nilai dukungan 6% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB56 dan buku KB 27 maka terdapat juga penyusunan buku KB56 dengan nilai dukungan 18% dan nilai kepercayaan 100%.
JURNAL ILMIAH KOMPUTER GRAFIS Vol.
No.
Desember 2024 : 178-191
JURNAL ILMIAH KOMPUTER GRAFIS
p-ISSN : 1979-0414 e-ISSN : 2621-6256.
Jika terdapat penyusunan buku KB56 dan buku KB 27 maka terdapat juga penyusunan buku KB56 dengan nilai dukungan 18% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB58 dan buku KB 27 maka terdapat juga penyusunan buku KB58 dengan nilai dukungan 25% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB58 dan buku KB 56 maka terdapat juga penyusunan buku KB27 dengan nilai dukungan 25% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB58 dan buku KB 47 maka terdapat juga penyusunan buku KB59 dengan nilai dukungan 25% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB59 dan buku KB 47 maka terdapat juga penyusunan buku KB59 dengan nilai dukungan 18% dan nilai kepercayaan 100%.
Jika terdapat penyusunan buku KB58 dan buku KB 59 maka terdapat juga penyusunan buku KB47 dengan nilai dukungan 25% dan nilai kepercayaan 100%.
Kesimpulan Berdasarkan pembahasan yang telah dijelaskan pada bab sebelumnya, diperoleh beberapa kesimpulan antara lain:
Dengan menggunakan teknik data mining dan metode FP-Growth maka dapat mengatur tata letak buku sesuai kebutuhan.
Dengan menggunakan data peminjaman buku perpustakaan Universitas Prima Indonesia (UNPRI) kemudian menggunakan tahapan dan rumus metode FP-Growth maka dapat mengatur tata letak buku.
Dengan menggunakan aplikasi Rapidminer dan data peminjaman buku pada perpustakaan Universitas Prima Indonesia (UNPRI) maka dapat menghasilkan association rule untuk tata letak buku.
References