BAB II

LANDASAN TEORI

2.1. Tinjauan Pustaka

2.1.1. Pengertian Data Mining

Sebagai bidang ilmu yang relative baru, saat ini Data Mining menjadi salah satu

pusat perhatian para akademis maupun praktisi. Menurut (Suntoro, 2019) data mining

adalah proses untuk mendapatkan informasi yang berguna dari basis data yang besar dan

perlu diekstraksi agar menjadi informasi baru dan dapat membantu dalam pengambilan

keputusan. Data mining adalah proses menganalisa data dari yang berbeda dan

menyimpulkannya menjadi informasi atau pengetahuan atau pola yang penting untuk

meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya

(Witten, 2016).

2.1.2. Tipe Data Mining :

A. Tipe Data Numerik adalah tipe data yang diperoleh dengan cara pengukuran,

dimana jarak dua titik pada skala sudah diketahui.

B. Tipe Data Kategorial adalah tipe data yang diperoleh dengan cara kategorisasi

atau klasifikasi.

6
 7

C. Tipe Data Rentang Waktu adalah tipe yang diperoleh dengan cara menunjukan

beberapa objek yang berbeda.

2.1.3. Manfaat Data Mining

Menurut Tan 2004 dalam (Vulandari S. , 2017) Pemanfaatan dari data mining

sendiri bisa dilihat dari dua sudut pandang, baik sudut pandang komersial dan sudut

pandang keilmuan. Dari sudut pandang komersial, data mining bisa digunakan untuk

menangani adanya peledakan dari volume data. Dengan melihat bagaimana

menyimpannnya, mengekstraknya dan memanfaatkannya. Tentunya berbagai ilmu

komputasi dapat untuk menghasilkan informasi yang dibutuhkan.

Selain itu data mining juga bisa dimanfaatkan untuk menyelesaikan masalah dalam

kebutuhan dibidang bisnis, misalnya :

1. Mengetahui hilangnya pelanggan dikarenakan adanya pesaing.

2. Mengetahui item suatu produk yang memiliki kesamaan karakteristik.

3. Mengidentifikasi produk-produk yang sudah terjual dengan produk lainnya.

4. Untuk memprediksi dari tingkat penjualan.

5. Menilai tingkat resiko dalam menentukan jumlah produksi pada suatu item.

6. Memprediksi perilaku bisnis dimasa depan.

 8

2.1.4. Tahap-Tahap Data Mining

Menurut Tan 2004 dalam (Vulandari S. M., Data mining teori dan aplikasi

rapidminer, 2017), serangkaian proses tahapan memiliki tujuh (7) tahapan yaitu :

A. Pembersihan Data (data cleaning)

Pembersihan data adalah proses untuk menghilangkan data-data yang tidak

relevan. Data-data yang dibuang terkadang dibandingkan terlebih dahulu

dengan hipotesa yang telah dibuat. Sehingga pada proses selanjutnya dapat

dengan mudah menemukan hasil yang diinginkan.

B. Integrasi data (data integration)

Integrasi data merupakan proses dalam menggabungkan data dari berberapa

database kedalam satu database baru. Tidak sedikit data yang dibutuhkan

diambil dari berbagai database atau teks file.

C. Seleksi data (data selection)

Data yang sudah ada di database seringkali tidak semuanya dibutuhkan, maka

dari itu dibutuhkan penyeleksian data untuk data yang benar-benar dibutuhkan

dalam proses selanjutnya.

D. Transformasi data (data trasnformation)

Data digabung atau diubah sesuai dengan proses yang digunakan dalam data

mining. Karena beberapa format data mining membutuhkan format data yang

khusus dalam pemrosesannya.

 9

E. Proses mining

Adalah proses menggali data dari sebuah database atau kumpulan data untuk

memperoleh informasi yang tersembunyi dari data yang diolah

F. Evaluasi Pola (pattern evaluation)

Dalam proses ini adalah hasil dari teknik data mining berupa pola-pola yang akan

diujia pada hipotesa yang sudah dibuat sebelumnya. Sehingga akan memperoleh

kesimpulan-kesimpulan yang mendekati hasil atau hipotesa untuk proses

selanjutnya.

G. Presentasi pengetahuan (knowlegde presentation)

Ini termasuk dalam langkah akhir dari data mining dalam tahap ini saatnya untuk

mempresentasikan hasil yang telah di lakukan dengan mengimplementasikan

analisis yang didapat. Sehingga akan memperoleh kesimpulan real.

2.1.5. Fungsi Data Mining

Menurut (Hasket, 2017) Fungsi umum dalam data mining yaitu :

A. Assosiation, adalah proses untuk menemukan aturan asosiasi Antara suatu

kombinasi item dalam suatu waktu.

B. Sequence, adalah proses untuk menetukan aturan asosiasi Antara suatu kombinasi

item dalam suatu waktu dan diterapkan lebih dari satu periode.

C. Clustering, adalah proses pengelompokan sejumlah data/objek ke dalam kelompok

data sehingga setiap kelompok berisi data yang mirip.

 10

D. Classificasion, adalah proses penemuan model atau fungsi yang menjelaskan atau

membedakan konsep atau kelas data dengan tujuan untuk dapat memperkirakan

kelas dari suatu objek yang labelnya tidak diketahui.

E. Regression, adalah proses pemetaan data dalam suatu nilai prediksi.

F. Forecasting, adalah proses pengestimasian nilai prediksi berdasarkan pola-pola di

dalam sekumpulan data.

G. Solution, adalah proses penemuan akar masalaj dan problem solving dari

persoalan bisnis yang diharapkan atau paling tidak sebagai informasi dalam

pengabilan keputusan.

2.1.6. Tugas/Pekerjaan dalam data mining

Menurut (Rerung, 2018) Data mining dibagi menjadi beberapa kelompok

berdasarkan tugas/pekerjaan yang dapat dilakukan yaitu :

1. Deskripsi: terkadang peneliti dan analisis secara sederhana ingin mencoba

mencari cara untuk menggambarkan pola dan kecenderungan yang terdapat

dalam data. Deskripsi dari pola kecenderungan sering memberikan

kemungkinan penjelasan untuk suatu pola atau kecenderungan.

2. Estimasi: hampir sama dengan klasifikasi, kecuali variabel target estimasi

lebih ke arah numerik dari pada ke arah kategori. Model dibangun

menggunakan baris data (record) lengkap yang menyediakan nilai dari

 11

variabel target sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya

estimasi nilai dari variabel target dibuat berdasarkan nilai variabel prediksi.

3. Prediksi: hampir sama dengan klasifikasi dan estimasi, kecuali bahwa dalam

prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode dan

teknik yang digunakan dalam klasifikasi dan estimasi dapat pula digunakan

(untuk keadaan yang tepat) untuk prediksi.

4. Klasifikasi: terdapat target variabel kategori. Sebagai contoh, penggolongan

pendapatan dapat dipisahkan dalam tiga kategori, yaitu pendapatan tinggi,

pendapatan sedang, dan pendapatan rendah.

5. Pengklasteran: merupakan pengelompokan record, pengamatan, atau

memperhatikan dan membentuk kelas obyek-obyek yang memiliki kemiripan.

Klaster adalah kumpulan record yang memiliki kemiripan satu dengan yang

lainnya dan memiliki ketidakmiripan record dalam klaster yang lain. Berbeda

dengan klasifikasi, pada pengklasteran tidak ada variabel target. Pengklasteran

tidak melakukan klasifikasi, mengestimasi, atau memprediksi nilai dari

variabel target, akan tetapi, algoritma pengklasteran mencoba untuk

melakukan pembagian terhadap keseluruhan data menjadi kelompok-

kelompok yang memiliki kemiripan (homogen), yang mana kemiripan record

dalam satu kelompok akan bernilai maksimal, sedangkan kemiripan dengan

record dalam kelompok lain akan bernilai minimal.

6. Asosiasi: Tugas asosiasi dalam data mining adalah untuk menemukan atribut

yang muncul dalam satu waktu. Salah satu implementasi dari asosiasi adalah

market basket analysis sebagaimana yang akan dibahas dalam penelitian ini.
 12

2.1.6. Association Rules

Menurut (Agusta, 2015) Association Rule adalah suatu metode data mining yang

bertujuan untuk mencari sekumpulan items yang sering muncul bersamaan. Umumnya

association rule ini dianalogikan dengan keranjang belanjaan. Dari keranjang belanjaan

para pengunjung supermarket akan dapat diketahui, barang apa saja yang sering dibeli

bersamaan dan barang mana saja yang tidak.

Menurut (Pracoyo, 2016) Analisis asosiasi atau association rule mining adalah

teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap

analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma

yang efisien adalah analisis pola frenkuensi tinggi (frequent pattern mining). penting

tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur, yaitu : support dan

confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam

database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antar item

dalam aturan asosiasi.

2.1.7. Algoritma Apriori

Menurut (Mazida, 2015) Algoritma Apriori termasuk jenis aturan asosiasi pada

data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut

affinity analysis atau market basket analysis. misalnya sebuah swalayan memiliki

market basket, dengan adanya algoritma apriori, pemilik swalayan dapat mengetahui

pola pembelian seorang konsumen, jika seorang konsumen membeli item A , B, punya
 13

kemungkinan 50% dia akan membeli item C, pola ini sangat signifikan dengan adanya

data transaksi selama ini.

Menurut (Pracoyo, 2016) Apriori adalah suatu algoritma yang sudah sangat

dikenal dalam melakukan pencarian frequent item set dengan menggunakan teknik

association rule. Algoritma apriori menggunakan knowledge mengenai frequent itemset

yang sebelumnya telah diketahui, untuk memproses informasi selanjutnya. Pada

algoritma apriori untuk menentukan kandidatkandidat yang mungkin muncul yakni

dengan cara memperhatikan minimum support.

2.1.8. Tanagra

Menurut (Badrul, 2016) Tanagra adalah software Data Mining bebas untuk tujuan

akademik dan penelitian ini mengusulkan beberapa metode data mining dari analisis

eksplorasi data, pembelajaran statistik, pembelajaran mesin dan daerah [Link]

adalah "proyek open source" karena setiap peneliti dapat mengakses ke kode sumber,

dan menambahkan algoritma sendiri, sejauh dia setuju dan sesuai dengan lisensi

distribusi perangkat lunak. Tujuan utama dari proyek Tanagra adalah memberikan

peneliti dan mahasiswa yang mudah untuk menggunakan perangkat lunak data mining,

sesuai dengan norma-norma yang hadir dari pengembangan perangkat lunak dalam

domain ini (terutama dalam desain GUI dan cara untuk menggunakannya), dan

memungkinkan untuk menganalisis baik data yang nyata atau sintetis.

 14

2.2. Penelitian Terkait

Penulis telah melakukan beberapa kajian terhadap penelitian yang telah dibuat

sebelumnya dalam bentuk skripsi, diantaranya :

Menurut (Santoso, 2017) Teknik algoritma apriori untuk mencari informasi pola

hubungan keterkaitan antar buku-buku yang sering dipinjam oleh pengunjung

perpustakaan secara bersamaan. Sehingga dapat memberikan rekomendasi penyusunan

buku sesuai dengan tingkat support dan confidence yang dimiliki oleh masing-masing

buku yang saling berkaitan. Selain untuk memberikan rekomendasi penyusunan buku,

juga dapat dijadikan sebagai refrensi untuk pengadaan buku baru sesuai topik buku-buku

yang sering dipinjam oleh pengunjung perpustakaan. Berdasarkan hasil penelitian dapat

disimpulkan bahwa data mining menggunakan algoritma apriori dapat memberikan

informasi berupa pola hubungan keterkaitan antar buku-buku yang sering dipinjam. Dan

hasil aplikasi adalah rekomendasi penyusunan tata letak buku sesuai dengan pola

keterkaitan antar masing-masing buku berdasarkan support dan confidence yang

dimiliki.

Menurut (Robi Yanto, 2017) penempatan buku dilakukan berdasarkan kategori

buku yang telah tersedia pada rak buku namun belum diatur berdasarkan intensitasi

peminjaman buku yang dilakukan oleh anggota sehingga masih banyak buku-buku lama

yang masih tersedia di perpustakaan sehingga digunakan teknik asosiasi data mining,

kemudian menghasilkan dari proses 10 data transaksi peminjaman buku dengan

minimum support 5 dan minimum confidence 83.3 % yang dilakukan menggunakan

 15

perangkat lunak pengujian XLminer dihasilkan kecocokan hasil yang diperoleh yaitu

confidence 100% Kimia dan Fisika, Biologi dan Fisika, Sosiologi dan Fisika.

Menurut (Esis Srikanti, 2018) Selama ini, data transaksi peminjaman buku di

Perpustakaan Fakultas Sains dan Teknologi hanya disimpan begitu saja tanpa ada

pengolahan lebih lanjut. Padahal banyaknya jumlah data transaksi peminjaman tersebut

bisa digunakan untuk mengetahui aturan asosiasi antara dua buku atau lebih. Sehingga

digunakan teknik asosiasi data mining, kemudian menghasilkan nilai confidence sebesar

81%. Selain itu, juga menunjukkan bahwa jika mahasiswa meminjaman buku dengan

kategori sistem pakar maka juga akan meminjam buku dengan kategori pemrograman.

Aturan ini memiliki nilai confidence sebesar 77%.

Setelah dilihat dari beberapa sumber dalam penelitian terkait, maka akan melakukan

penelitian menggunakan algoritma apriori dan perangkat lunak pengujiannya adalah

rapidminer sebagai acuannya. Dengan menggunakan algoritma tersebut peneliti dapat

melihat nilai minimum support dan nilai minimum confidence, yang hasilnya akan

digunakan untuk rekomendasi penempatan buku di kelurahan cisarua. Hal ini akan

mempermudah petugas dalam penempatan buku ataupun anggota perpustakaan dalam

mencari uku yang ingin dipinjamnya.

2.3. Tinjauan Organisasi/Objek Penelitian

2.3.1. Sejarah Perpustakaan Kelurahan Cisarua

 16

Perpustakaan Kelurahaan Cisarua Berawal dari pojok baca kelurahan, Ketika

gedung kelurahan pindah disanalah awal berdirinya perpustakaan cisarua seiring

berjalannya waktu perpustakaan terus berkembang sampai sekarang. Perpustakaan

Kelurahaan Cisarua banyak mendapatkan buku-buku dan banyaknya peminjam

buku guna mencari dan mendapatkan informasi-informasi yang ingin dicari.

2.3.2. Visi dan Misi Perpustakaan Kelurahan Cisarua

Visi :

“Menjadikan Perpustakaan Cisarua ( PERCIS ) Sebagai Pusat Literasi Untuk

Memujudkan Masyarakat SocialPreneur “

Misi :

“Aktif meningkatkan literasi bagi masyarakat melalui berbagai kegiatan pemberdayaan

untuk mencapai kesejahteraan”

2.3.3. Profil perpustakaan kelurahaan cisarua

Lokasi :

Tempat : Jalan samsi no.45 Rt/Rw 02/16

Letak : Gedung tersendiri

Ukuran : Luas 180 m2

Sifat : Ruang Khusus perpustakaan

 17

2.3.4. Struktur Organisasi Perpustakaan Kelurahan Cisarua

PEMBINA

Lurah Cisarua

Kepala Perpustakaan

Entang Darmadi, [Link].

Unit Layanan Pembaca Unit Layanan TI

Yusmeli
Sri Mulyani Elfin Permana, [Link].

Sumber : Pembina” Perpustakaan Kelurahan Cisarua”

Gambar: 2.1 Struktur Organisasi “Perpustakaan Kelurahaan Cisarua”

18