1

ANALISA POLA KEYWORD PENCARIAN PADA GOOGLE

MENGGUNAKAN MARKET BASKET ANALYSIS.

(STUDI KASUS : STIKOM Wireless Connection)

Bayu Hendra Krisdhianto 1)

1) S1 / Jurusan Sistem Informasi, STIKOM Surabaya, email : bhkrisdhianto@gmail.com Abstract: Market Basket Analysis with the Association Rules is one way to search for patterns of associations based on spending patterns by consumers, which will then be known to those items purchased any item simultaneously. And later can be used as an ingredient in the decision analysis, to increase profits or to determine marketing strategies.

In this research, apriori methods used to obtain the association rules that describe the relationship between the keywords searched by users in the Google search engine on the network STIKOM Wireless Connection.

From the results of empirical testing can be concluded that the computing time for generating association rules is influenced by the number of transactions, and the number of association rules is influenced by the value of minimum support and minimum confident.

Keyword: Google, Apriori, Market Basket Analysis, Client – Server, Networking.

Kata “informasi” telah menjadi suatu topik

yang cukup menarik untuk dibicarakan dan

seolah tak ada habisnya untuk dikaji karena

pertumbuhannya dan kebutuhannya yang sangat

cepat dan mendesak. Teknologi Informasi

memacu dalam suatu lingkungan di mana

informasi menjadi sangat penting dalam segala

sisi kehidupan kita baik di dunia nyata ataupun di

dunia maya atau biasa disebut internet. Internet

telah secara dramatis mengubah cara orang dalam

mencari suatu informasi. Berbagai web mesin

pencari (search engine) banyak bermunculan dan

saling bersaing untuk menjadi yang teratas dalam

menyediakan informasi. Salah satu metode yang

dapat digunakan search engine untuk

mengumpulkan semua data yang ada di internet

dan menyajikannya kembali sebagai sebuah

informasi bagi user adalah web mining. “Web

mining adalah sebuah penemuan dan analisis

informasi yang berguna dari World Wide Web.

Ini menggambarkan pencarian otomatis sumber

informasi on-line yang tersedia, yaitu, konten

Web mining, dan penemuan pola-pola akses

pengguna dari layanan web, yaitu penggunaan

Web mining”. (Cooley, Mobasher, & Srivastava

(1997).

Sekolah Tinggi Manajemen Informatika

dan Teknik Komputer (STIKOM) Surabaya

memberikan banyak fasilitas tambahan untuk

mendukung proses kegiatan pembelajaran di area

kampus STIKOM Surabaya. Salah satunya

adalah STIKOM Wireless Connection (SWC).

Dengan tersambung pada SWC, civitas akademik

STIKOM Surabaya dapat mengakses internet

secara gratis untuk mendapatkan informasi

penunjang pembelajaran kuliah ataupun

informasi lainnya.

Usaha yang dilakukan oleh search engine

untuk mengumpulkan informasi juga berbanding

lurus bila dilihat dari sudut pandang pihak

manajemen STIKOM Surabaya. Pihak

manajemen menginginkan semua fasilitas yang

ada di kampus dapat dimaksimalkan fungsinya

bagi kepentingan civitas akademik STIKOM

2

Surabaya. Banyaknya audience yang menghadiri

pelatihan atau seminar yang diadakan pihak

kampus, padatnya kerumunan mahasiswa di

perpustakaan karena selalu tersedia koleksi baru

yang sekarang ini sedang trend, dan masih

banyak lagi tujuan yang lain

Internet seakan-akan telah menjadi tempat

rujukan kedua bila ada sesuatu hal yang tidak

bisa didapatkan langsung di dunia nyata karena

adanya beberapa keterbatasan seperti letak

geografis ataupun waktu. Google adalah salah

satu websearch terkenal yang sering dipakai oleh

civitas STIKOM Surabaya untuk mencari

informasi yang tidak bisa didapatkan langsung di

kampus STIKOM Surabaya. Tidak diadakannya

seminar atau pelatihan pada topik tertentu,

minimnya jumlah koleksi pustaka yang dimiliki

perpustakaan di topik tertentu, mendorong

mereka harus mencari informasi dimana dan

bagaimana hal tersebut bisa mereka dapatkan.

Diantaranya dengan mencari informasi di

Google. Hal ini menjadi peluang bagi pihak

manajemen agar event yang diadakan di kampus

ataupun fasilitas yang disediakan selalu dipadati

oleh civitas akademik STIKOM Surabaya.

Diantaranya adalah dengan mengetahui trend apa

yang sekarang ini sedang diminati di kalangan

civitas akademik STIKOM Surabaya.

Untuk mengetahui trend apa yang sekarang

ini sedang diminati oleh civitas STIKOM

Surabaya, pihak manajemen STIKOM Surabaya

merasa perlu memantau hasil pencarian yang

dilakukan oleh user internet di STIKOM

Surabaya pada websearch Google. Dari

kumpulan keyword yang dicari oleh user internet

di STIKOM Surabaya, baik yang terkoneksi

lewat wired local area network ataupun

STIKOM wireless Connection, dapat dijadikan

sumber data untuk kemudian dianalisa sehingga

dapat diketahui kata-kata yang berkaitan dengan

topik tertentu dengan kadar relasi interest yang

tinggi sedang menjadi trend di kampus STIKOM

sekarang ini. Dari hasil pencarian user internet di

Google, dirasa ada beberapa hubungan yang unik

antara kata ataupun topik yang dimasukkan

sebagai keyword pencarian di Google.

Penelitian ini membahas tentang analisa

keyword pencarian di Google berdasarkan

aktivitas Google search dari jaringan STIKOM

Wireless Connection (SWC) dengan metode

Market Basket Analysis (MBA). Dari hasil analisa

akan didapatkan suatu pola assosiasi dari

keyword tertentu beserta nilai confidence yang

dimiliki. Hasil analisa tersebut yang kemudian

dapat menjadi masukan bagi pihak manajemen

STIKOM Surabaya selaku pembuat keputusan

untuk memaksimalkan fungsi fasilitas yang ada

berkaitan dengan hasil analisa sistem ini.

Misalnya bagi pihak PSDM dapat mengadakan

pelatihan atau seminar yang berkaitan dengan

topik yang sedang menjadi trend dikalangan

civitas akademik STIKOM, bagi pihak

Perpustakaan dapat menyediakan koleksi pustaka

yang baru berkaitan dengan topik yang sama.

Dan masih banyak lagi manfaat tidak langsung

dari diketahuinya topik yang sekarang ini sedang

menjadi trend interest di kampus STIKOM

sebagaimana didapat dari hasil analisa sistem

yang akan dibuat ini.

TUJUAN

1. Menghasilkan perangkat lunak (Client Side)

yang dapat mengumpulkan data history

keyword pencarian pada Google.

3

2. Mengetahui bahwa Market Basket Analysis

dapat digunakan untuk menganalisa pola

keyword pencarian pada Google.

3. Menghasilkan perangkat lunak (Server Side)

yang dapat menganalisa data history keyword

pencarian pada Google yang dikirimkan oleh

sistem (Client Side) menggunakan metode

Apriori.

4. Menghasilkan perangkat lunak yang dapat

menyusun daftar hubungan assosiasi antar

keyword beserta tingkat confidence yang

dimiliki berdasarkan parameter minimum

frequent, minimum support dan minimum

confidence.

LANDASAN TEORI DATA MINING

Secara sederhana data mining adalah suatu

proses untuk menemukan interesting knowledge

dari sejumlah data yang disimpan dalam basis

data atau media penyimpanan data lainnya.

Dengan melakukan data mining terhadap

sekumpulan data, akan didapatkan suatu

interesting pattern yang dapat disimpan sebagai

knowledge baru. Pattern yang didapat akan

digunakan untuk melakukan evaluasi terhadap

data-data tersebut untuk selanjutnya akan

didapatkan informasi.

Tehnik dalam data mining datang dari

Basis Data, Machine Learning, dan Statistik.

Elemen-elemen kunci untuk data mining ini telah

dibuat dalam beberapa tahun terakhir. Secara

umum tugas dari data mining dapat dibagi ke

dalam dua tipe, yaitu Predictive Data Mining dan

Knowledge Discovery / Description Data Mining.

Predictive Data Mining adalah tipe data

mining untuk memprediksi nilai suatu variabel di

masa yang akan datang atau nilai variabel lain

berdasarkan beberapa variabel yang saat ini telah

diketahui nilainya. Yang termasuk dalam tipe ini

antara lain: klasifikasi, re gresi, dan deteksi

deviasi.

Knowledge Discovery / Description Data

Mining yang juga sering disebut sebagai

pencarian pola (pattern discovery) adalah tipe

data mining yang digunakan untuk mendapatkan

pola yang tersembunyi dalam data dan bisa

dipahami oleh manusia, biasanya ditampilkan

dalam bentuk kalimat yang mudah dimengerti,

misalnya “Jika seseorang membeli produk A

maka juga membeli produk B”. Meskipun pola

ini bisa ditemukan oleh manusia tanpa bantuan

komputer – khususnya jika jumlah variabel dan

datanya kecil – namun jika jumlah variabel

puluhan bahkan ratusan dan jumlah data ribuan

bahkan jutaan maka diperlukan waktu bertahun-

tahun untuk mendapatkan pola-pola tersebut.

Disinilah peran teknologi informasi dengan

dukungan sistem data mining membantu dalam

penyelesaian permasalahan ini. Yang termasuk

tipe ini adalah: klusterisasi, aturan asosiasi, dan

penemuan pola sekuensial.

Dengan data mining pemilik toko bisa

mendapatkan informasi penting dan profitable

tentang konsumen yang pada akhirnya bisa

meningkatkan keuntungan toko dan angka

penjualan. Kegunaan informasi pada data mining

seperti diatas sering disebut sebagai Market

Basket Analysis. Dalam jangka panjang, data

mining dapat membuat sebuah toko menjadi lebih

kompetitif.

MARKET BASKET ANALYSIS (MBA)

Market Basket Analysis merupakan sebuah

analisis terhadap kebiasaan customer berbelanja

4

pada supermarket dengan cara menemukan

asosiasi dan korelasi di antara berbagai macam

item yang dimasukkan customer di dalam

shopping basket mereka. Secara lebih spesifik

Market Basket Analysis bertujuan untuk

mengetahui item apa saja yang sering dibeli

bersamaan oleh customer. Item di sini diartikan

sebagai berbagai macam produk atau barang pada

supermarket (Han, Yongjian Fu, 1999).

Pada umumnya Market Basket Analysis

dapat diaplikasikan pada :

1. Transaksi kartu kredit : barang-barang yang

dibeli menggunakan kartu kredit dapat

menjadi analisa atas produk sejenis lainnya

yang juga dibeli secara bersamaan.

2. Transaksi Supermarket : kombinasi dari

barang-barang yang telah dibeli oleh

pelanggan dapat digunakan untuk

menentukan peletakan posisi barang di rak.

3. Transaksi produk telekomunikasi : fasilitas

yang saling berhubungan (Seperti nada sela,

tampilan nama pemanggil, fungsi

multimedia, kamera, koneksi dan lain-lain)

membantu menentukan paket dan fungsi dari

suatu produk.

4. Transaksi perbankan : pola dari pelayanan

yang digunakan oleh nasabah digunakan oleh

pihak bank untuk menawarkan pelayanan

yang juga banyak digunakan oleh nasabah

lainnya.

5. Transaksi asuransi : kombinasi yang tidak

lazim dari sebuah klaim asuransi

menunjukkan terjadinya kecurangan sebuah

klaim (klaim fiktif/ rekayasa).

6. Prosedur absensi mesin : kombinasi yang

tidak lazim dari jam kedatangan seseorang

menunjukkan terjadinya kecurangan dalam

proses absensi.

7. Catatan medis pasien : kombinasi tertentu

dari suatu kondisi dapat menggambarkan

bertambahnya resiko dari sebuah komplikasi dari

suatu penyakit

Untuk beberapa kasus, pola dari item-

item yang dibeli secara bersamaan oleh

konsumen mudah untuk ditebak, misalnya susu

dibeli bersamaan dengan roti. Namun, mungkin

saja terdapat suatu pola pembelian item yang

tidak pernah terpikirkan sebelumnya. Misalnya,

pembelian minyak goreng dengan deterjen.

Mungkin saja pola seperti ini tidak pernah

terpikirkan sebelumnya karena minyak goreng

dan deterjen tidak mempunyai hubungan sama

sekali, baik sebagai barang pelengkap maupun

barang pengganti. Hal ini mungkin tidak pernah

terpikirkan sebelumnya sehingga tidak dapat

diantisipasi jika terjadi sesuatu, seperti

kekurangan stok deterjen misalnya. Inilah salah

satu manfaat yang dapat diperoleh dari

melakukan market basket analysis. Dengan

melakukan proses ini secara otomatis, seorang

manajer tidak perlu mengalami kesulitan untuk

menemukan pola item apa saja yang mungkin

dibeli secara bersamaan.

ASSOCIATION RULES

Association rules digunakan untuk

menemukan hubungan di antara data atau

bagaimana suatu kelompok data mempengaruhi

suatu keberadaan data yang lain (M. Kantardzic,

2003). Metode ini dapat membantu mengenali

pola-pola tertentu di dalam kumpulan data yang

besar. Association rule meliputi dua tahap

(Ulmer, David, 2002) :

5

1. Pencarian frequent itemset, dengan cara

mencari kombinasi yang paling sering terjadi

dari suatu itemset.

2. Penyusunan rules, dengan cara

mendefinisikan Condition dan Result

(conditional association rule).

Dalam menentukan suatu association rule,

terdapat suatu interestingness measure (ukuran

kepercayaan) yang didapatkan dari hasil

pengolahan data dengan perhitungan tertentu.

Umumnya ada tiga ukuran, yaitu:

- Support : suatu ukuran yang menunjukkan

seberapa besar tingkat dominasi suatu

item/itemset dari keseluruhan transaksi. Ukuran

ini akan menentukan apakah suatu item/itemset

layak untuk dicari confidence-nya (misal, dari

seluruh transaksi yang ada, seberapa besar tingkat

dominasi yang menunjukkan bahwa item A dan B

dibeli bersamaan) dapat juga digunakan untuk

mencari tingkat dominasi item tunggal.

- Confidence : suatu ukuran yang menunjukkan

hubungan antar 2 item secara conditional (misal,

seberapa sering item B dibeli jika orang membeli

item A).

- Improvement : suatu ukuran yang

menunjukkan besarnya kemungkinan 2 item

dapat dibeli secara bersamaan.

Ketiga ukuran ini nantinya akan berguna

dalam menentukan interesting association rules,

yaitu untuk dibandingkan dengan threshold

(batasan) yang ditentukan.

Batasan tersebut umumnya terdiri dari

minimum support, minimum cofidence, dan

minimum improvement. Sebuah association rule

dengan confidence sama atau lebih besar dari

minimum confidence � dapat dikatakan sebagai

valid association rule (Agrawal R, Srikant,

R.,1994).

ALGORITMA APRIORI

Algoritma ini dicetuskan oleh Agrawal

(1994). Ide dasarnya adalah menghitung pola

kemunculan item yang muncul dalam data

transaksi dengan beberapa iterasi. Iterasi ke i

berarti mendapatkan semua frequent i-itemset

(suatu itemset yang jumlah item anggotanya

sejumlah i). Langkah umum tiap iterasi adalah

menghasilkan candidate itemset kemudian

dihitung nilai support dari tiap candidate. Untuk

menghasilkan candidate, pada dasarnya dapat

dilakukan dengan menyusun kombinasi item-item

yang sudah ditemukan sebelumnya. Algoritma ini

didasari oleh hukum apriori, jika sebuah itemset

ternyata infrequent, maka seharusnya superset-

nya juga infrequent sehingga tidak perlu

diperiksa lagi.

Pada iterasi pertama, setiap jenis item yang

ditemukan dalam data dijadikan candidate untuk

frequent 1-itemsets. Sedangkan candidate di

iterasi berikutnya didapatkan dari frequent

itemset yang ditemukan di iterasi sebelumnya.

Proses akan berhenti jika tidak ada lagi

kombinasi candidate yang bisa dibuat.

Selain algoritma Apriori yang

diimplementasikan sendiri, dalam data mining

workbench yang dibangun juga diintegrasikan

implementasi algoritma Apriori oleh Christian

6

Borgelt (2003) yang sering diacu dan digunakan

oleh peneliti di bidang algoritma data mining.

GOOGLE

Google adalah plesetan dari kata 'googol',

yang dipakai oleh Milton Sirotta, keponakan dari

ahli matematika Amerika Edward Kasner, untuk

menyebutkan angka 1 dan mempunyai 100 angka

nol dibelakangnya. Google memakai kata ini

dalam menjelaskan misi perusahaan untuk

mengorganisasi sedemikian banyaknya informasi

yang tersedia di Internet dan didunia ini.

Google adalah sebuah raksasa pencarian

yang banyak diminati sebagai search engine

favorit. Google seolah telah menembus ruang

waktu di berbagai belahan dunia. Google

merupakan mesin pencari yang mempunyai nama

yang cukup populer di mata para pengguna

internet sedunia. Tampilan Google sangat

sederhana, tetapi mengandung kekuatan dan

multifungsi. Selain itu, web Google sangat

lengkap dan hampir menampung semua

perbendaharaan kata dalam berbagai bahasa di

seluruh dunia.

Mesin pencari (search engine) merupakan

cara yang efektif untuk mencari informasi secara

online berdasarkan kata kunci (keyword) yang

dimasukkan. Dalam sistem database, hal itu

disebut sebagai query, merupakan sistematika

bahasa operasi untuk melakukan pencarian data

berdasarkan kedekatan dengan keyword yang

dimasukkan.

ANALISA SISTEM

Setelah dilakukan analisa terhadap

sistem, langkah berikutnya perancangan sistem.

Dimana dalam perancangan sistem ini dapat

memberikan gambaran tentang sistem yang

dibuat.

Gambar 1. Blok Diagram Aplikasi Go ‘N Run.

Go ’n Run nantinya akan terbagi menjadi 2

(dua) bagian, yaitu aplikasi yang berada di sisi

server sebagai penganalisis data, dan aplikasi

yang berada di setiap client baik yang terhubung

secara wired ataupun wireless local area network

sebagai pengumpul data. Server dan Client akan

berada dalam satu jaringan yang sama meskipun

tersambung dari hub wired network dan wireless

access point yang berbeda.

Aplikasi client hanya akan memonitor

aktivitas dari browser Internet Explorer. Setiap

url yang diketikkan pada addressbar Internet

Explorer akan dicatat dan kemudian dikirimkan

ke aplikasi server. Sebagaimana umumnya

aplikasi yang berjalan secara client-server, maka

terlebih dahulu harus ditentukan IP address dari

server dan juga port yang digunakan sebagai

jalur komunikasi antara client dan server.

7

Gambar 2. System Flow Aplikasi Client.

Agar Go ’N Run client dapat digunakan

dengan sempurna, terlebih dahulu harus

ditentukan alamat IP server yang terpasang

aplikasi Go ’N Run Server beserta port yang

sedang aktif digunakan menerima kiriman paket

keyword Google. Begitu konfigurasi jaringan

sudah dilakukan dan client sudah dapat

terkoneksi dengan server, pada startup aplikasi

Go ’N Run client berikutnya setiap aktifitas

keluar masuknya client ke sistem server akan

selalu dicatat di log server. Pencatatan ini

berguna untuk membantu identifikasi client,

sehingga dapat diketahui client mana saja (siapa

saja) yang sedang online dan terhubung dengan

aplikasi Go ’N Run server.

Fitur password dapat diaktifkan untuk

mencegah pengubahan konfigurasi jaringan

komunikasi dengan aplikasi server oleh pihak

lain.

Aplikasi client akan mencatat semua url

yang diketikkan di addressbar Internet Explorer.

Url akan disaring sehingga hanya akan

didapatkan url yang berasal dari domain Google.

Data url Google akan disaring ulang, hingga

akhirnya akan didapatkan kumpulan kata kunci

yang dicari oleh user.

Secara periodik kata kunci akan

dikirimkan ke aplikasi server untuk kemudian

disimpan. Sehingga data dapat dianalisa di

kemudian hari sesuai dengan kebutuhan analisis

.Gambar 3. System Flow Aplikasi Server..

Agar Go ’N Run server dapat digunakan

dengan sempurna, terlebih dahulu harus

ditentukan port manakah yang digunakan untuk

melayani kiriman paket keyword dari client.

Kumpulan pola keyword pencarian yang

telah terkumpul di server kemudian dilakukan

analisa dengan memberikan batasan nilai

Minimal Support dan Minimal Confident. Daftar

yang dihasilkan adalah data yang memenuhi

8

persyaratan nilai Minimal Support dan Minimal

Confident.

User diberikan pilihan apakah daftar

tersebut akan dicetak menjadi sebuah dokumen.

Modul PDF Generator akan memproses daftar

tersebut hingga dihasilkan sebuah file PDF yang

memuat deskripsi singkat dari hasil analisis

Market Basket Analysis, grafik frekuensi data,

dan daftar kesimpulan analisis data.

Di akhir proses user kembali diberikan

pilihan, apakah file PDF tersebut akan

didistribusikan atau tidak. Media email dipilih

sebagai media distribusi berkas kepada pihak-

pihak terkait. Untuk mempermudah identifikasi

user penerima email, terlebih dahulu bisa diisikan

data user pada buku alamat email Go ’N Run

Server.

Algoritma Market Basket Analysis

Proses terpenting pada aplikasi ini adalah

penerapan metode Market Basket Analysis.

Proses dimulai dengan pencatatan url dari

browser Internet Explorer. Dari url yang berhasil

dicatat, hanya akan diambil url yang berasal dari

domain Google. Dari daftar baru yang hanya

berisi url dari Google, akan dipecah-pecah

sehingga didapatkan pola keyword yang dicari

oleh user.

Pola-pola keyword kemudian akan dipecah

menjadi daftar keyword tunggal. Kemudian

dibuat tabel tabulasinkeyword untuk mengetahui

jumlah keyword yang ditemukan per pola

keyword yang ada. Dari tabel tabulasi dapat

diketahui nilai support dan nilai confident dari

tiap pola. Dengan membandingkan dengan

batasan nilai Minimal Support dan Minimal

Confident didapatkan daftar akhir pola keyword

yang ber-asosiasi dan memenuhi batasan nilai

Minimal Support dan Minimal Confident. Aliran

proses Market Basket Analysis yang diterapkan

akan tampak seperti pada gambar 4.

Gambar 4. Flow Chart MBA.

Desain DFD dalam sistem ini seperti

dalam Gambar 5. Context diagram merupakan

diagram pertama dalam rangkaian suatu DFD

yang menggambarkan entitas-entitas yang

berhubungan dengan suatu sistem informasi.

AttachedReport

Raw URL

Hostname

Serverport

Usedport

Original PDF Report

Min_Confident

Min_Support

Password

mailAddress

0

Analisis Pola Keyword Pencarian pada Google

Menggunakan Market Basket Analysis

+

Client User

Internet Explorer

DepartemenPPTI

Gambar 5 Context Diagram Sistem Go ’n Run

9

HASIL DAN PEMBAHASAN

Bahasa pemrograman yang digunakan

untuk melakukan implementasi adalah Microsoft

Visual Basic.NET. Tampilan awal aplikasi client

dapat dilihat pada gambar 6.

Gambar 6 Aplikasi Client

Dan tampilan awal aplikasi server dapat dilihat

pada gambar 7.

Gambar 7 Aplikasi Server

UJI COBA DATA

Perangkat keras yang dipergunakan pada

uji coba ini adalah komputer dengan prosesor

Intel Pentium IV Core2Duo 2.0GHz dengan

memori sebesar 2048 MB. Sedangkan sistem

operasi yang dipergunakan adalah Windows XP

Profesional Edition Service Pack 2. Pada uji coba

yang akan dilakukan, digunakan 3 sumber data

transaksional yang berbeda. Spesifikasi ketiga

sumber data transaksional yang akan digunakan

adalah seperti yang terlihat pada tabel 1.

Tabel 1 Spesifikasi Data Uji Coba

Data 1 Data 2 Data 3

∑ Item 15 15 15

∑ Transaksi 26 58 108

Pada uji coba ini, yang akan dilakukan

adalah menjalankan perangkat lunak dengan

parameter yang sama pada tabel yang berbeda.

Sumber data yang akan digunakan ada 3 (tiga),

yaitu: Data 1, Data 2, dan Data 3. Sedangkan

parameter yang digunakan adalah minsup dan

minconf. Nilai minsup yang akan dimasukkan

adalah 0%, 25%, 50%. Sedangkan nilai minconf

yang dimasukkan adalah 20%. Hasil uji coba

untuk masing-masing tabel dapat dilihat pada

tabel 2, tabel 3 dan tabel 4.

Tabel 2 Hasil Uji Coba 1 menggunakan Data1

Min. Support

(%)

0 25 50

Waktu

Proses

00:00:24 00:00:08 00:00:09

∑ Kaidah

Asosiasi

30 10 10

10

Tabel 3 Hasil Uji Coba 1 menggunakan Data2

Min. Support

(%)

0 25 50

Waktu

Proses

00:01:51 00:01:42 00:01:55

∑ Kaidah

Asosiasi

208 44 44

Tabel 4 Hasil Uji Coba 1 menggunakan Data3

Min. Support

(%)

0 25 50

Waktu

Proses

00:07:34 00:07:05 00:07:13

∑ Kaidah

Asosiasi

260 80 80

Berdasarkan hasil pengujian yang telah

dilakukan pada tabel uji coba maka dapat ditarik

kesimpulan sementara hasil pengujian sebagai

berikut :

1. Semakin banyak jumlah transaksi maka akan

semakin banyak waktu yang diperlukan untuk

proses analisa Market Basket Analysis.

2. Semakin tinggi nilai Minimum Support maka

akan semakin memperpendek waktu yang

diperlukan untuk proses analisa Market

Basket Analysis.

3. Semakin tinggi nilai Minimum Support maka

akan semakin sedikit jumlah kaidah asosiasi

yang dihasilkan.

Gambar 8 Grafik Support – Waktu Komputasi

Gambar 9 Grafik Support – Jumlah Pola Asosiasi

UJI DATA LAPANGAN

Perangkat keras yang dipergunakan pada

uji lapangan ini adalah komputer dengan prosesor

Intel Pentium IV Core2Duo 2.0 GHz dengan

memori sebesar 2048 MB. Sedangkan sistem

operasi yang dipergunakan adalah Windows XP

Profesional Edition Service Pack 2. Uji lapangan

ini dilakukan selama 2 minggu yaitu mulai

tanggal 1 Agustus 2011 sampai dengan tanggal

16 Agustus 2011.

Dari hasil uji lapangan diketahui bahwa

selama periode uji lapangan telah terjadi 897 kali

pola pencarian di websearch Google. Untuk

mengetahui semua aturan asosiasi yang

dihasilkan, proses analisa Market Basket Analysis

dilakukan dengan memberikan batasan minimum

support sebesar 0% dan minimum confidence

sebesar 0%.

Dari proses analisa dihasilkan 796 aturan

asosiasi User pencari kata (buku) juga

mencari kata (blog) dengan nilai confidence

tertinggi sebesar 97% dan nilai confidence

terendah sebesar 1%. Untuk melakukan proses

analisa ini diperlukan waktu selama hampir 3,5

jam (03:24:44).

11

KESIMPULAN

1. Metode Market Basket Analysis dapat

digunakan untuk menganalisa pola keyword

pencarian pada Google.

2. Arsitektur aplikasi Keyword Patern

Searching Analyzer pada dasarnya terbagi

menjadi 2 (dua) bagian utama, yaitu client

side (aplikasi yang di-install di client) dan

server side (aplikasi yang di-install di

server).

3. Client side dapat mencatat url yang

diketikkan user pada Internet Explorer pada

masing-masing client PC. Pada saat user

melakukan pencarian di Google, dapat

diketahu pola keyword yang pernah dicari

oleh user. Keyword dikirimkan ke server

untuk kemudian dilakukan analisa lebih

lanjut oleh aplikasi pada server side.

4. Server side dapat menangkap semua

kiriman pola keyword dari client yang

terkoneksi di jaringan. Berdasarkan pola

keyword yang telah terkumpul, aplikasi

server side dapat menemukan association

rule dari keyword yang dicari oleh user

client di Google sesuai kebutuhan dengan

parameter pembatas berupa minimum

support dan minimum confident.

5. Output dari aplikasi Keyword Patern

Searching Analyzer yang berupa informasi

mengenai keyword apa saja yang dicari

secara bersamaan oleh pengguna search

engine Google, masih berupa laporan

umum. Daftar ini dapat didistribusikan ke

pihak-pihak terkait sebagai bahan masukan

pembuatan keputusan.

6. Contoh menerapkan informasi yang

dihasilkan oleh aplikasi Keyword Patern

Searching Analyzer ini adalah dapat

disimpulkan bahwa semakin tinggi nilai

confident dari suatu pattern, semakin

banyak pula peminat pattern tersebut. Dan

bila pattern tersebut diterapkan sebagai

topik diskusi dalam sebuah

seminar/workshop, maka diharapkan

semakin tinggi pula jumlah peserta yang

mengikutinya. Baik peserta dari kalangan

umum maupun dari kalangan civitas

akademik STIKOM Surabaya. Dengan

demikian semakin baik pula image kampus

STIKOM Surabaya di pandangan

masyarakat sekitar.

7. Pada analisa terhadap sejumlah data

ditemukan bahwa semakin banyak data

yang dianalisa, waktu proses akan lebih

lama karena semakin banyak pula frequent

items dan rules yang dihasilkan.

8. Pada analisa terhadap sejumlah data

ditemukan bahwa semakin tinggi nilai

minimum support dan minimum confident

yang ditentukan, semakin sedikit jumlah

kaidah asosiasi yang dihasilkan yang

dihasilkan.

DAFTAR RUJUKAN

Agrawal R, Srikant, R.(1994). Fast Algorithms for Mining Association Rules, Proceedings of the 20th International Conference on Very

12

Large Data Bases (VLDB), Santiago, Chile, pp. 487-499.

Amanda Spink, Dietmar Wolfram, Bernard J.

Jansen, and Tefko Saracevic. Searching the Web: the public and their queries. Journal of the American Society for Information Science and Technology, 52(3), 226-234, 2001.

Borgelt C. (2003). Efficient Implementations

of Apriori and Eclat. Proceeding of the 1st IEEE ICDM Workshop on Frequent Item Set Mining Implementations (FIMI 2003, Melbourne, FL). CEUR Workshop Proceedings 90, Aachen, Germany.

Cooley, R., Mobasher, B., & Srivastava, J. “Web mining: Information and pattern discovery on the world wide web”, 1997

Google.com. “Official Supported Domains”, http://www.google.com/supported_domains (diakses pada tanggal 9 Februari 2010)

Han, Jiawei, Micheline Kamber, “Data Mining: Concepts and Techniques”, Morgan Kaufmann, 2001

Han, Jiawei, Yongjian Fu, “Discovery Of Multiple-Level Association Rules From Large Databases”, IEEE Transactions On Knowledge And Data Engineering, Vol. 11, No. 5, September/October 1999

Jansen, B. J., & Spink, A., “An Analysis of Document Viewing Patterns of Web Search Engine Users”, 2003

Kantardzic, M. (2003). Data Mining

Concepts Models, Methods, and Algorithms. New Jersey: IEEE.

Ulmer, David; “Mining an Online Auctions Data Warehouse.” The Mid-Atlantic Student Workshop on Programming

Languages and Systems. 19 April 2002. Pace University. http://csis.pace.edu/csis/masplas/p8.pdf (diakses pada tanggal 9 Februari 2010)

Wicaksono, Soetam Risky, 2005, Kuliah Interaksi Manusia dan Komputer, STIKOMP, Surabaya