ANALISA POLA KEYWORD PENCARIAN PADA GOOGLE MENGGUNAKAN MARKET BASKET ANALYSIS.(STUDI KASUS : STIKOM Wireless Connection)

Bayu Hendra Krisdhianto 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 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– Menghasilkan perangkat lunak (Client Side) yang dapat

mengumpulkan data history keyword pencarian pada Google.– Mengetahui bahwa Market Basket Analysis dapat digunakan

untuk menganalisa pola keyword pencarian pada Google.– Menghasilkan perangkat lunak (Server Side) yang dapat

menganalisa data history keyword pencarian pada Google yang dikirimkan oleh sistem (Client Side) menggunakan metode Apriori.

– 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.

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 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).

MBA (2)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.

MBA (3)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) :

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).

ASSOCIATION RULES (2)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 γ dapat dikatakan sebagai valid association rule (Agrawal R, Srikant, R.,1994).

ALGORITMA APRIORIAlgoritma 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 Borgelt (2003) yang sering diacu dan digunakan oleh peneliti di bidang algoritma data mining.

GOOGLEGoogle 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

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.

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

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 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.

Flow Chart MBA

Context Diagram Sistem Go ’n Run

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

HASIL DAN PEMBAHASAN

Bahasa pemrograman yang digunakan untuk melakukan implementasi adalah Microsoft Visual Basic.NET.

Aplikasi Client

Aplikasi Server

UJI COBA DATAPerangkat 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.

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%.

Min. Support (%) 0 25 50

Waktu Proses 00:00:24 00:00:08 00:00:09

∑ Kaidah Asosiasi 30 10 10

Min. Support (%) 0 25 50

Waktu Proses 00:07:34 00:07:05 00:07:13

∑ Kaidah Asosiasi 260 80 80

Min. Support (%) 0 25 50Waktu Proses 00:01:51 00:01:42 00:01:55∑ Kaidah Asosiasi 208 44 44

Hasil Uji Coba 1 menggunakan Data3

Hasil Uji Coba 1 menggunakan Data2

Hasil Uji Coba 1 menggunakan Data1

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.

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)

KESIMPULAN– Metode Market Basket Analysis dapat digunakan untuk menganalisa pola

keyword pencarian pada Google.– 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).

– 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.

– 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.

KESIMPULAN (2)– 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.

– 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.

– 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.

KESIMPULAN (3)– 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 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