JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Penerapan Algoritma Apriori untuk Mengidentifikasi Pola Peminjaman Buku Pada Perpustakaan Mas Trip Kabupaten Kediri Diterima:
27 Juni 2025 Revisi:
19 Juli 2019 Terbit:
25 Desember 2025 Asye Candra Andy Galuh.
Rina Firliana.
Aidina Ristyawan Universitas Nusantara PGRI Kediri AbstrakAiLatar Belakang: Perpustakaan berfungsi penting dalam meningkatkan kualitas intelektual masyarakat, namun banyak yang menghadapi tantangan dalam pengelolaan data, mengurangi kepuasan Tujuan: Tujuan penelitian ini untuk mengidentifikasi pola peminjaman buku di Perpustakaan Mas Trip Kabupaten Kediri menggunakan algoritma Apriori.
Metode: Metode penelitian menggunakan metode kuantitatif, data yang digunakan berasal dari gabungan tiga dataset publik (Books.
Ratings, dan User.
, yang kemudian diproses melalui teknik preprocessing dan dianalisis dengan algoritma association rule mining.
Hasil: Hasil analisis menunjukkan bahwa kombinasi kedua algoritma ini dapat memberikan rekomendasi buku yang lebih personal dan akurat.
Model yang dibangun kemudian diekspor ke dalam file untuk digunakan dalam aplikasi web berbasis Streamlit.
Aplikasi tersebut memungkinkan pengguna mendapatkan rekomendasi buku berdasarkan histori peminjaman dan rating.
Kesimpulan: Penelitian ini membuktikan bahwa integrasi algoritma data mining dapat meningkatkan efisiensi pengelolaan koleksi dan kualitas layanan perpustakaan.
Kata KunciAi Apriori.
Collaborative Filtering.
Data Mining.
Perpustakaan.
Rekomendasi Buku AbstractAi Background: Libraries serve an important function in improving the intellectual quality of society, but many face challenges in data management, reducing user satisfaction.
Objective: The purpose of this research is to identify book borrowing patterns at Mas Trip Library.
Kediri Regency using the Apriori algorithm.
Methods: The research method uses quantitative methods, the data used comes from a combination of three public datasets (Books.
Ratings, and User.
, which are then processed through preprocessing techniques and analyzed with association rule mining algorithms.
Results: The results of the analysis show that the combination of these two algorithms can provide more personalized and accurate book recommendations.
The model built was then exported into a file to be used in a Streamlit-based web The application allows users to get book recommendations based on borrowing history and Conclusion: This study demonstrates that the integration of data mining algorithms can improve the efficiency of collection management and the quality of library services.
KeywordsAi Apriori.
Book recommendation.
Collaborative Filtering.
Data Mining Library This is an open access article under the CC BY-SA License.
Penulis Korespondensi:
Rina Firliana.
Sistem Informasi.
Universitas Nusantara PGRI Kediri.
Email: rina@unpkediri.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
PENDAHULUAN
Perpustakaan memiliki peranan vital dalam mendukung peningkatan literasi dan penyediaan akses informasi bagi masyarakat (Khairunisa et al.
, 2021.
Rushendi, 2.
Di era digital saat ini, perpustakaan dituntut untuk tidak hanya menjadi tempat penyimpanan koleksi fisik, melainkan juga mampu memberikan layanan cerdas berbasis teknologi.
Permasalahan umum yang terjadi di berbagai perpustakaan, terutama pada tingkat institusi pendidikan, adalah belum optimalnya pemanfaatan data historis peminjaman buku sebagai dasar dalam pengambilan keputusan strategis, seperti pengadaan dan penataan koleksi (Tjiptasari, 2.
Ketidakteraturan dalam pengelolaan koleksi, belum adanya sistem rekomendasi adaptif, dan rendahnya personalisasi layanan informasi menjadi tantangan yang perlu segera diatasi (Iqbal et al.
, 2.
Namun, pendekatan hanya menggunakan Apriori belum cukup menangkap preferensi individu pengguna.
Untuk itu, metode collaborative filtering juga banyak diterapkan dalam sistem rekomendasi modern karena kemampuannya memahami perilaku pengguna berbasis histori (Miriyala et al.
Rana & Deeba, 2019.
Rosita et al.
, 2.
Penelitian oleh (Chauhan, 2.
membuktikan bahwa integrasi algoritma Apriori dengan teknik filtering mampu meningkatkan akurasi sistem rekomendasi di domain retail.
Sayangnya, penerapan integratif seperti ini masih jarang dilakukan dalam sistem perpustakaan lokal, khususnya di lingkungan pendidikan tingkat daerah.
Selain itu, hambatan lain seperti kesulitan dalam proses migrasi dan pengaturan ulang data (Eden, 2.
, serta kurangnya sistem otomatis dalam mengidentifikasi masalah terkait buku dan penataan koleksi (Du, 2.
, turut memperburuk efisiensi manajemen perpustakaan.
Kurangnya sistem otomatis untuk melacak data peminjaman membuat perpustakaan kesulitan dalam menemukan keterkaitan antara buku yang sering dipinjam secara bersamaan.
Padahal, preferensi dan aktivitas pengunjung dapat dimanfaatkan untuk memberikan rekomendasi buku yang lebih relevan dan personal.
Peluang untuk meningkatkan kepuasan pengguna melalui sistem rekomendasi masih terbatas jika data tidak dikelola dengan tepat.
Penataan koleksi yang tidak optimal juga menyulitkan pengunjung dalam menemukan buku dan menyulitkan staf dalam menjaga kerapian rak.
Dengan menemukan pola hubungan dalam data, teknologi pengelolaan data seperti algoritma penggalian data dapat digunakan untuk menyusun strategi rekomendasi yang lebih baik dan pengelolaan koleksi yang lebih efisien (Khademizadeh et al.
, 2022.
Li, 2022.
Melati et al.
, 2022.
Wei et al.
, 2.
Dengan pemanfaatan teknologi tersebut, perpustakaan dapat memenuhi kebutuhan pengguna yang terus berkembang dan tetap relevan di era digital (Giandaka et al.
, 2.
Berdasarkan permasalahan tersebut, perbedaan penelitian ini dengan penelitian sebelumnya adalah mengombinakasikan algoritma apriori dengan teknik collaborative filtering, tujuan JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
penelitian ini untuk menerapkan algoritma Apriori guna mengetahui pola peminjaman buku yang sering terjadi di perpustakaan.
Pola yang ditemukan diharapkan dapat digunakan untuk memberikan rekomendasi kepada perpustakaan dalam pengelolaan dan pengadaan buku berdasarkan pola peminjaman yang teridentifikasi, sehingga dapat meningkatkan kualitas layanan bagi pengguna.
Fokus utama dari penelitian ini terletak pada penerapan algoritma dan interpretasi pola yang ditemukan, tanpa mencakup pengembangan sistem informasi lebih lanjut.
Selain itu, analisis yang dilakukan terbatas pada pola peminjaman buku tanpa mempertimbangkan faktor tambahan seperti usia, jenis kelamin, preferensi genre, denda, atau data pengembalian.
II.
METODE
Dibagian ini, akan diuraikan teknik yang dipakai dalam penelitian ini, langkah langkah yang akan ditempuh dalam penelitian ini akan disajikan dalam bentuk diagram (Amarya et al.
, 2.
yang ditujukan pada gambar 1 dibawah ini.
Gambar 1.
Alur Penelitian Pada gambar 1 diatas.
Diagram alir tersebut menjelaskan tahapan dalam proses pengembangan sistem rekomendasi atau analisis data berbasis algoritma.
Proses dimulai dengan Studi Literatur, yaitu pencarian dan pengumpulan informasi dari berbagai referensi untuk memahami konsep dan metode yang akan digunakan.
Setelah itu, dilakukan Pemahaman Masalah untuk merumuskan permasalahan secara jelas dan spesifik.
Tahapan ini penting agar proses selanjutnya dapat difokuskan untuk menyelesaikan permasalahan yang tepat sasaran.
Langkah berikutnya adalah Pengumpulan Data, yang menjadi dasar bagi seluruh proses Setelah data dikumpulkan, data diproses dalam tahap Preprocessing Data, yang melibatkan kegiatan seperti Load Data dan pengecekan terhadap nilai-nilai yang hilang (Missing JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Value.
Tujuan dari tahap ini adalah membersihkan dan menyiapkan data agar dapat dianalisis secara efektif.
Data yang telah diproses kemudian masuk ke tahap Processing, di mana algoritma seperti Collaborative filtering dan Apriori diterapkan untuk menghasilkan sistem rekomendasi atau menemukan pola dari data.
Hasil dari proses tersebut kemudian dievaluasi pada tahap Evaluasi.
Evaluasi ini bisa mencakup pengukuran kinerja model serta penggunaan metode Association Rule Mining untuk melihat pola asosiasi antar data yang mungkin tidak terlihat sebelumnya.
Tahapan evaluasi bertujuan untuk memastikan bahwa sistem yang dikembangkan telah bekerja dengan baik dan dapat memberikan hasil yang sesuai dengan tujuan awal.
Diagram ini menunjukkan pendekatan sistematis dan berurutan dalam pengembangan sistem berbasis data.
Hasilnya, sistem dapat merekomendasikan buku yang sering dipinjam bersama, seperti data science dan machine learning, kepada pengunjung baru dengan pola peminjaman yang mirip.
HASIL DAN PEMBAHASAN
Pembuatan aplikasi rekomendasi buku berbasis web dimulai dengan membuat model algoritma, pembuatan model algoritma menggunakan tools jupyter notebook, sedangkan untuk pebuatan program aplikasi rekomendasi buku menggunakan tools vscode dengan bahasa pemrograman python.
Adapun langkah langkah pembuatan model dapat dilihat pada deskripsi dibawah ini.
Langkah pertama mengumpulan data dengan membaca dataset yang didapatkan melalui website kaggle dengan menggunakan library pandas yang tersedia pada aplikasi Dataset dimuat kedalam bentuk dataframe menggunakan library Pandas pada python agar mudah untuk dimanipulasi, analisis, dan visualisasikan.
Isian dataset tersebut dapat dilihat pada Gambar 2 berikut.
Gambar 2.
Dataset Gambar 2, adalah hasil penggabungan dari 3 dataset menjadi 1 dataset, variabel dataset yang digunakan, terdapat 1031136 buku, dan 10 fitur dimana kolom AuBooks_RatingsAy merupakan variabel dependen .
dan sisi kolom merupakan variabel independen (X).
dapat didekripsikan seperti tabel 1 berikut.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Tabel 1.
Atribut Dataset
Kode
ISBN
Book-Title Book-Author Year-OfPublication Publisher Image-URL-S Image-URL-M Image-URL-L User-ID Variabel Book-Rating Deskripsi Kode unik untuk setiap buku (International Standard Book Numbe.
Digunakan sebagai ID buku yang konsisten.
Berguna untuk menampilkan nama buku dalam rekomendasi atau pencarian.
Bisa digunakan untuk mencari buku berdasarkan penulis atau membuat rekomendasi berdasar kesamaan penulis.
Tahun terbit buku.
Penting untuk menyaring buku berdasarkan tahun atau melihat tren.
Bisa digunakan untuk analisis penerbit populer atau preferensi pengguna.
"Tidak" atau "Iya"URL ke gambar sampul buku berukuran kecil.
Cocok untuk thumbnail .
isalnya di hasil pencarian cepa.
URL ke gambar sampul berukuran sedang.
Sering digunakan di tampilan utama atau daftar rekomendasi.
URL ke gambar sampul besar.
Biasanya ditampilkan di halaman detail buku.
ID unik untuk pengguna.
Digunakan untuk melacak aktivitas pengguna, termasuk buku yang mereka beri rating.
Skor atau rating yang diberikan pengguna pada buku tertentu.
Ini adalah inti dari sistem rekomendasi, digunakan untuk menghitung asosiasi atau Langkah berikutnya, peneliti mengecek nilai yang hilang (Missing Value.
Temuan hasil pengencekan dapat dilihat pada gambar 3 berikut.
Gambar 3.
Missing Value Gambar 3 menunjukkan jumlah nilai yang hilang pada tiga dataset: Books.
Ratings, dan Users.
Pada dataset Books, terdapat sedikit nilai hilang pada kolom Book-Author .
Publisher .
, dan Image-URL-L .
Dataset Ratings bersih, tanpa nilai hilang di semua kolom.
Namun, pada dataset Users, kolom Age memiliki nilai hilang yang sangat banyak, yaitu 110.
762 entri.
Secara keseluruhan, data perlu dibersihkan, terutama pada kolom Age di dataset Users dan beberapa kolom di Books.
Kemudian penulis membuat eksperimen dengan menggabungkan 2 dataset, hasil eksperimen dapat dilihat dari gambar 4 berikut.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 4.
Penggabungan Dataset Gambar 4 menampilkan lima baris pertama dari dataset gabungan antara data Books dan data Ratings.
Setiap baris merepresentasikan satu pengguna yang memberikan rating terhadap sebuah buku tertentu.
Informasi yang ditampilkan mencakup ISBN, judul buku, penulis, tahun terbit, penerbit.
URL gambar sampul.
ID pengguna, dan nilai rating yang diberikan.
Beberapa buku, seperti "Clara Callan", muncul lebih dari sekali karena memiliki rating dari beberapa pengguna.
Dataset ini dapat digunakan untuk membangun sistem rekomendasi berbasis preferensi pengguna.
Langkah selanjutnya peneliti melakukan ekperimen dengan mencari 50 buku yang populer.
Langkah berikutnya adalah menerapkan algoritma apriori pada kasus yang dipilih.
Hasil penerapan algoritma apriori dapat dilihat pada gambar 5 berikut.
Gambar 5.
Hasil Penerapan Algoritma Apriori Dari gambar 5 menunjukkan hasil analisis asosiasi dari dataset buku menggunakan algoritma association rule mining.
Bagian atas menampilkan daftar itemset yang sering muncul bersama JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
dalam data rating, misalnya buku The Lovely Bones dan The Da Vinci Code memiliki tingkat dukungan .
tertinggi, artinya sering muncul dalam kombinasi pembelian atau penilaian Bagian bawah adalah hasil association rules, yang menunjukkan hubungan antar buku berdasarkan kebiasaan pengguna.
Misalnya, jika seseorang membaca Harry Potter and the Prisoner of Azkaban, maka kemungkinan besar mereka juga membaca Harry Potter and the Chamber of Secrets dengan tingkat kepercayaan .
sangat tinggi .
0 atau 100%) dan lift tinggi, yang menunjukkan kekuatan asosiasi antara kedua buku.
Semakin tinggi nilai lift, semakin kuat korelasi antara buku-buku tersebut.
Hasil ini sangat berguna dalam sistem rekomendasi buku karena dapat memprediksi buku apa yang kemungkinan besar akan disukai pengguna berdasarkan riwayat pembacaannya.
Langkah berikutnya menerapkan teknik Collaborative Filtering, hasil penerapan dapat dilihat pada gambar 6 berikut.
Gambar 6.
Penerapan Collaborative Filtering Pada gambar 6 menunjukkan data buku yang telah difilter berdasarkan aktivitas pengguna, di mana hanya pengguna yang memberikan lebih dari 200 rating yang disertakan.
Proses ini bertujuan untuk menyaring pengguna yang aktif, sehingga data yang dianalisis lebih relevan d an Tabel yang ditampilkan memuat informasi lengkap tentang buku, seperti ISBN, judul buku, penulis, tahun terbit, penerbit, serta URL gambar sampul dalam ukuran kecil dan sedang.
Contohnya, buku "Clara Callan" oleh Richard Bruce Wright muncul beberapa kali, yang menandakan bahwa buku tersebut telah dinilai oleh banyak pengguna aktif.
Secara keseluruhan, data hasil penyaringan ini terdiri dari 474.
007 baris dan 10 kolom.
Berikut mencari data buku yang sudah dirating lebih dari 50 pengguna aktif, hasil dari langkah ini dapat dilihat pada gambar Gambar 7.
Hasil Pencarian Buku Terpopuler Dari Pengguna Aktif Dari gambar 7 menghasilkan data buku populer yang telah dirating minimal 50 kali oleh pengguna aktif .
ang memberi lebih dari 200 ratin.
Hasil akhirnya adalah dataset yang hanya JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
berisi buku-buku terpopuler, tanpa duplikat, dan siap digunakan untuk analisis atau sistem Langkah berikutnya penulis Membuat pivot tabel berdasrkan rating buku dari User Id dan Book Title.
Hasil dari pencarian tersebut dapat dilihat pada gambar 8.
Gambar 8.
Hasil Pivot.
Berdasarkan gambar 8 hasil dari pembuatan pivot table menggunakan DataFrame xdfbooks_famous.
Dalam pivot table ini, baris .
adalah judul buku (Book-Titl.
, kolom adalah ID pengguna (User-ID), dan nilai yang diisi dalam sel adalah rating buku (Book-Ratin.
yang diberikan oleh pengguna tersebut.
Hasil pivot table ini membentuk sebuah matriks rekomendasi dasar, di mana setiap baris mewakili sebuah buku dan setiap kolom mewakili Nilai NaN menunjukkan bahwa pengguna tersebut tidak memberikan rating untuk buku tertentu.
Kemudian penulis mengisi nilai Nan dari gambar 9, menjadi 0 untuk menghindari error, hasil pengisian dapat dilihat pada gambar 8.
Gambar 9.
Pengisian Nilai NaN menjadi 0 Gambar 9 menunjukkan hasil pengisian nilai kosong (NaN) pada pivot table xdf_pivot dengan angka 0 menggunakan .
Tujuannya adalah untuk menyederhanakan proses analisis dan menghindari error saat perhitungan, seperti dalam sistem rekomendasi.
Setelah diisi, semua sel yang sebelumnya kosong kini bernilai 0, menandakan bahwa pengguna tidak memberikan rating pada buku tersebut.
Hal ini menjadikan data lebih siap untuk proses pemodelan selanjutnya.
Langkah berikutnya membuat sebuah fungsi rekomendasi buku yang menggabunggkan algoritma apriori dan teknik collaborative filtering.
Penerapan fungsi dapat dilihat pada gambar 10.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 10.
Function Book Recomendation Berdasarkan gambar 10 fungsi book_recommender pada gambar tersebut adalah sistem rekomendasi buku yang menggabungkan metode Collaborative Filtering dan aturan asosiasi (Apriori Association Rule.
untuk memberikan daftar buku yang mirip dengan buku yang dimasukkan pengguna, lengkap dengan informasi judul, penulis, dan URL gambar sampul dari Amazon.
Pertama, fungsi mencari buku serupa berdasarkan nilai cosine similarity dari pivot data, kemudian menambahkan buku-buku yang sering muncul bersamaan dengan buku input berdasarkan hasil asosiasi apriori.
Setelah itu, fungsi membersihkan duplikat dan menghapus buku input dari daftar hasil, lalu membatasi jumlah rekomendasi sesuai parameter.
Metadata dari setiap buku yang direkomendasikan diambil dari DataFrame dfbooks, mencakup judul, penulis, dan URL gambar, sehingga hasil akhir berupa daftar buku serupa yang kaya informasi.
Sebagai contoh, ketika pengguna memasukkan buku Au1984Ay, fungsi merekomendasikan buku-buku klasik dengan tema serupa seperti Brave New World.
Animal Farm, dan The HandmaidAos Tale, menjadikan sistem ini relevan dan berguna untuk membantu pembaca menemukan bacaan yang sesuai dengan preferensi mereka.
Setelah pembuatan fungsi rekomendasi buku selesai, penulis mengekpor model yang sudah dibuat dalam bentuk file .
pickle, dapat dilihat pada gambar 11.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 11.
Ekspor Kedalam Bentuk Pikle Dari gambar 11 menunjukkan proses penyimpanan data ke dalam file menggunakan modul pickle dan gzip di Python.
Tujuan dari proses ini adalah untuk menyimpan berbagai komponen yang digunakan dalam sistem rekomendasi buku agar dapat dimuat kembali tanpa harus dihitung Pertama, data hasil pemilihan buku populer yang disimpan dalam variabel dfbooks_popular_final diekspor ke file bernama popular.
pkl dalam format biner menggunakan dump().
Selanjutnya, untuk keperluan sistem collaborative filtering, terdapat tiga file yang disimpan: xdf_pivot.
pkl yang berisi data pivot hasil transformasi dari data pengguna, gz yang berisi informasi metadata buku dan disimpan dalam format terkompresi menggunakan gzip, serta similarity_score.
pkl yang menyimpan matriks skor kemiripan antar Penyimpanan ini penting untuk efisiensi, terutama jika sistem rekomendasi akan digunakan berulang kali atau diimplementasikan dalam aplikasi web, karena memungkinkan data besar seperti matriks kemiripan tidak perlu dihitung ulang setiap kali sistem dijalankan.
Setelah model selesai dibuat, penulis membuat sebuah aplikasi berbasis website, menggunakan framework streamlit sebagai acuan pembuatan website.
Gambar 12.
Tampilan Awal Aplikasi Pada gambar 12, menampilkan beberapa buku yang direkomendasikan untuk dibaca berdasarkan rating buku tersebut, terdapat tombol AurecomenderAy disebelah kiri .
ide men.
yang berguna untuk mencari rekomendasi buku sesuai dengan judul buku yang pengguna berikan, tombol contact berisikian informasi developer.
Hasil dari rekomendasi buku tersebut dapat dilihat pada gambar 13.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 14.
Hasil Rekomendasi Buku Pada gambar 14, sistem sudah mampu memberikan beberapa rekomendasi buku sesuai judul buku yang pengguna inputkan, serta diurutkan berdasarkan rating yang tertinggi.
Aplikasi rekomendasi buku dapat dilihat pada https://bookrecomenders-byandy.
IV.
KESIMPULAN
Penelitian ini berhasil menerapkan algoritma Apriori untuk mengidentifikasi pola peminjaman buku di Perpustakaan Mas Trip Kabupaten Kediri, yang membuktikan bahwa teknik data mining mampu meningkatkan efisiensi pengelolaan koleksi dan menghasilkan rekomendasi yang lebih Analisis data peminjaman tidak hanya mengungkap hubungan antar buku, tetapi juga memberikan wawasan mengenai preferensi pembaca yang dapat dimanfaatkan untuk penyesuaian Penelitian ini menegaskan pentingnya pengumpulan dan pengolahan data yang akurat serta membuka peluang pengembangan sistem rekomendasi yang lebih canggih melalui integrasi dengan metode collaborative filtering.
Selain itu, analisis yang dilakukan terbatas pada pola peminjaman buku tanpa mempertimbangkan faktor tambahan seperti usia, jenis kelamin, preferensi genre, denda, atau data pengembalian Untuk penelitian selanjutnya, disarankan agar sistem rekomendasi dikembangkan dengan menggabungkan algoritma Apriori dan collaborative filtering guna meningkatkan personalisasi mengimplementasikan sistem secara nyata agar hasilnya dapat memberikan manfaat praktis bagi pengguna perpustakaan.
DAFTAR PUSTAKA
Amarya.
Galuh.
Achmad.
Daniati.
, & Ristyawan.
Analisa Perbandingan Algoritma Classification Berdasarkan Komposisi Label.
Prosiding 32Ae40.
SEMNAS
INOTEK,
https://doi.
org/https://doi.
org/10.
29407/inotek.
Chauhan.
Association Rule Mining for Market Basket Analysis on Online Retail Store.
International Journal of Mechanical Engineering, 6.
, 4558Ae4566.
https://doi.
org/10.
56452/6-3-670
Du.
Research on the application of big data in book management.
Proceedings - 2020 JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:49-60 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
12th International Conference on Measuring Technology and Mechatronics Automation.
ICMTMA 2020.
https://doi.
org/10.
1109/ICMTMA50254.
Eden.
Migrating library data: A practical guide .
Banerjee.
& Parks.
(Eds.
Journal of Web Librarianship, 14.
Ae.
https://doi.
org/10.
1080/19322909.
Giandaka.
Indriati.
, & Harini.
Analisis Kualitas Sistem Informasi Perpustakaan.
Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknolog.
, 8.
, 2549Ae7952.
Iqbal.
Jamil.
Ahmad.
, & Kim.
Toward Effective Planning and Management Using Predictive Analytics Based on Rental Book Data of Academic Libraries.
Ie Access, 8.
https://doi.
org/10.
1109/ACCESS.
Khademizadeh.
Nematollahi.
, & Danesh.
Analysis of book circulation data and a book recommendation system in academic libraries using data mining techniques.
Library Information Science Research, 44.
https://doi.
org/10.
1016/j.
Khairunisa.
Dastina.
, & Katutu.
Strategi Dinas Perpustakaan dan Arsip Daerah (DPAD) Provinsi Jambi dalam Mengembangkan Perpustakaan Berbasis Inklusi Sosial untuk Mewujudkan Masyarakat Literate.
Baitul AoUlum: Jurnal Ilmu Perpustakaan Dan Informasi.
https://doi.
org/10.
30631/baitululum.
Li.
Clustering Analysis of Borrowing Data of University Library based on K-means Algorithm.
2022 Ie 2nd International Conference on Electronic Technology.
Communication Information.
ICETCI https://doi.
org/10.
1109/ICETCI55101.
Melati.
Rahardian.
, & Pringgadhan.
ASOSIASI RULE
MINING UNTUK REKOMENDASI PADA TRANSAKSI PEMINJAMAN BUKU
MENGGUNAKAN FREQUENT PATTERN.
Jurnal Teknik Informasi Dan Komputer (Tekinko.
, 5.
https://doi.
org/10.
37600/tekinkom.
Miriyala.
Chikondra.
Alwala.
, & Anjum.
Book Recommendation System Using Collaborative Filtering.
International Journal Of Novel Research And Development (IJNRD), 10.
, 350Ae366.
https://doi.
org/10.
17148/ijarcce.
Rana.
, & Deeba.
Online book recommendation system using collaborative filtering .
ith jaccard similarit.
Journal of Physics: Conference Series, 1362.
https://doi.
org/10.
1088/1742-6596/1362/1/012130
Rosita.
Puspitasari.
, & Kamila.
REKOMENDASI BUKU
PERPUSTAKAAN