Latifa Wiratami, Jasmir, Fachruddin

Implementasi Data Mining Dengan Menggunakan Algoritma FP-Growth Untuk Analisa Pola Peminjaman Buku Di Perpustakaan Universitas Jambi

Introduction

Implementasi data mining dengan menggunakan algoritma fp-growth untuk analisa pola peminjaman buku di perpustakaan universitas jambi . Analisis pola peminjaman buku di Perpustakaan Universitas Jambi menggunakan data mining & algoritma FP-Growth. Temukan 14 aturan asosiasi untuk optimasi penataan, stok, dan tingkatkan layanan perpustakaan.

Abstract

Penelitian ini menganalisis data transaksi peminjaman buku di Perpustakaan Universitas Jambi, tujuannya untuk mendapatkan pola peminjaman buku. Dengan menggunakan algoritma FP-Growth metode association rules, ini salah satu cara penggalian informasi atau pola penting dengan cara menemukan pola frekuensi tinggi antara himpunan itemset. Pola peminjaman buku dapat membantu pustakawan dalam mengambil keputusan untuk mengelola perpustakaan. Data yang digunakan adalah data transaksi peminjaman buku pada tahun 2022 sebanyak 2978 transaksi. Hasil perhitungan dengan bantuan pemogramman phyton menghasilkan 14 rules kelompok buku terasosiasi dengan memilih nilai minimum support 0.005 dan nilai minimum confidence 0.1. Adapun rules yang dihasilkan yaitu Manajemen dan Ekonomi (0.006), Budidaya dan Ekonomi (0.014), Ekonomi dan Budidaya (0.014), Psikologi dan Pendidikan (0.013), Karya Umum dan Pendidikan (0.026), Pendidikan dan Karya Umum (0.026), Matematika dan Pendidikan (0.005), Matematika dan Sains (0.006), Matematika dan Ekonomi (0.006), Sosial dan Hukum (0.007), Politik dan Hukum (0.012), Politik dan Sosial (0.005), Fiksi dan Bahasa (0.005), Bahasa dan Fiksi (0.005). Rules ini dapat digunakan untuk pertimbangan penataan letak buku, pertimbangan pertambahan stok buku dan keputusan strategis lainnya yang dibutuhkan oleh perpustakaan untuk meningkatkan kualitas layanan perpustakaan.

Review

This paper, titled "Implementasi Data Mining Dengan Menggunakan Algoritma FP-Growth Untuk Analisa Pola Peminjaman Buku Di Perpustakaan Universitas Jambi," presents a focused effort to extract valuable insights from library transaction data. The core objective is to identify prevalent book borrowing patterns at the Universitas Jambi Library using data mining techniques. By employing the FP-Growth algorithm, a well-established method for association rule mining, the authors aim to uncover high-frequency itemsets that represent books borrowed together, thereby offering actionable intelligence for library management. The research meticulously analyzes a dataset comprising 2978 book borrowing transactions recorded throughout 2022. The application of the FP-Growth algorithm, facilitated by Python programming, was performed with carefully selected minimum support and confidence thresholds of 0.005 and 0.1, respectively. This process successfully yielded 14 significant association rules. These rules highlight interesting co-borrowing patterns, such as "Manajemen dan Ekonomi," "Budidaya dan Ekonomi," "Psikologi dan Pendidikan," and "Pendidikan dan Karya Umum," among others, each with its calculated confidence score. These findings illustrate the practical ability of the chosen methodology to reveal non-obvious relationships within the borrowing data. The practical implications of these derived rules are well articulated by the authors, suggesting their utility in optimizing book placement, guiding decisions on stock replenishment, and informing other strategic initiatives to enhance the overall quality of library services. While the study provides a solid foundation for data-driven decision-making in libraries, future work could consider a more granular analysis of individual rules' impact, perhaps segmenting users or exploring the temporal dynamics of these patterns. Additionally, a comparative analysis with other association rule algorithms or a sensitivity analysis of the chosen support and confidence thresholds might further validate the robustness and generalizability of the findings. Nonetheless, this paper offers a practical and valuable demonstration of how data mining can directly contribute to improving library operations.

Full Text

Comments

You need to be logged in to post a comment.