lUDUL PENELITIAN -...
Transcript of lUDUL PENELITIAN -...
15 Metode Pengembangan Peran ultimedia,Eka Wahyu Hidayat16 Implementasi Web Service Untuk Pembangunan Sistem Layanan Informasi Akademik
Dan Kepegawaian (Studi Kasus : Fakultas Teknik Univesitas Siliwangi Tasikmalaya),Heni Suiastri, Rahmi Nur Shofa, Neng Ika kurniati .
17 Clustering Pada WebMining Dengan Menggunakan Metode Jaringan Syaraf Tiruan,Uning Lestari
18 Integrasi Algoritma Genetik Dengan Tabu Search Untuk Proses PenjadwalanPekerjaan Terhadap Resource, Irfan Darmawan
gangan 12 volt ArtisNandang Iskandar
a Fumitama, Nundang
arang Tengah Dan
i Kasus Penyulang
amdaniType Menggunakan
Tanjung STA 0+000-7+7230,6Nina Herlina
7 Perencanaan Elemen8 Simulasi Perancan
Microsoft Visual '910
11
12
13Busaeri
14 Penerapan Pohon KepuAradea
lUDUL PENELITIAN1 Kolom Ultimate Versus Kolom Elastis,Agus Widodo2 Sistem Drainase Kawasan Ibu Kota Tasikmalaya,Asep Kurnia Hidayat3 Perencanaan Dinding Penahan Tanah Type Gravity Wall Terhadap Stabilitas Gaya
Ekstemal, Empung, YusepRamdani4 Percncanaan Sudetan Ciromban, Iman Handiman5 Pengendalian Waktu Dan Biaya Pada oyek Konstruksi (Studi Kasus Pada Rumah
Sakit Permata Bunda Tasikmal
116-121
110-115
103-109
97-102
90-96
84-89
76-83
70-75
64-69
56-63
49-55
43-48
37-42
31-36
22-30
17-21
9-16
1- 8
lntegrasi Algoritma Genetik Dengan Tabu Search Untuk Proses Penjadwalan PekerjaanTerhadap Resource, Irfan Darmawan ..
Clustering Pada Web Mining Dengan Menggunakan Metode Jaringan Syaraf Tiruan,Uning Lestari .
Implementasi WebService Untuk Pembangunan Sistem Layanan Informasi Akademik DanKepegawaian (Studi Kasus : Fakultas Teknik Universitas Siliwangi Tasikmalaya), Hen;Sulastri, Rahmi Nur Shofa, Neng Ika Kumiati ..
Metode Pengembangan Perangkat Lunak Berbasis Multimedia, Eka Wahyu Hidayat .........
Penerapan Pohon Keputusan Untuk Penentuan Pola Data Penerimaan MahasiswaBaru, A r a d ea ..
Perencanaan Pemasangan Kapasitor Pada Industri PT. Falak Jaya Furnitama, NundangBusaeri .
Sistem Inverter Push-pull Paralel Transistor Bipolar (BlT) Tegangan 12 volt Arus Searah(DC) ke 220 volt Arus Bolak-balik (AC), Abdul Chobir, Nandang Iskandar .
Analisa Keandalan Sistem Distribusi Energi Listrik Penyulang Karang Tengah DanSekarwangi PT. PLN APl Sukabumi,'Sutisna .
Studi Perencanaan Kapasitor Untuk Perbaikan Faktor Daya,Edvin Priatna .
Analisis Rugi - Rugi Daya Pada Jaringan Distribusi 20 kY ( Studi Kasus PenyulangLeuwimunding ), Ifkar Usrah .
Simulasi Perancangan Transformator Daya Satu Fasa E1 Core Type MenggunakanMicrosoft Visual Basic 6.0, Asep Andang ..
Perencanaan Elemen Struktur Atas Jernbatan Gantung, Yusep Ramdani ..
Perencanaan Geometrik Jalan Manonjaya - Gunung Tanjung STA 0+000-7+7230, NinaHerlina .
Pengendalian Waktu Dan Biaya Pada Proyek Konstruksi (Studi Kasus Pada Rumah SakitPennata Bunda Tasikmalaya), Murdini .
Perencanaan Sudetan Ciromban, Iman Handiman ..
Perencanaan Dinding Penahan Tanah Type Gravity Wall Terhadap Stabilitas GayaEksternal, Empung, Yusep Ramdani ..
Sistem Drainase Kawasan Ibu Kota Tasikmalaya, Asep Kumia Hidayat ..
Kolom Ultimate Versus Kolom Elastis, Agus Widodo .
PENGANT AR REDAKSI
DAFTAR lSI
DAFTARISI .
110
organisasinya. Teknologi web dalam sepuluh
Dewasa ini hampir sebagian besar organisasi
memanfaatkan internet sebagai salah satu
sarana untuk mengpublikasi dan
1. PENDAHULUAN tahun terakhir merupakan teknologi yang
paling mempengaruhi kehidupan masyarakat
dunia. Pertumbuhan yang eksplosif dari
World Wide Web telah memungkinkan
tersedianya sumber informasi on-line yang
sangat besar.
denganluarduniamenghubungkan
ABSTRACTAnalysis carried out on the web server logs have traditionally been widely used to view webvisitors' activities such as determining the amount of access to web pages, any user accessing theweb and the time to visit the web and URLs and much more statistical analysis. But it is still verylittle information about the relationship between the data available on the web; order a visit by auser or any group of users who have access to a web site.One of the methods used to conduct the analysis is using webmining.. In this research will beassessed on the use of clustering teohniques using Artificial Neural Network Algorithm especiallyLVQ method (Vector Learning quantitation) to determine the pattern of interest in web visitors.Treatment with LVQ method shows that through some process of training and testing of theaverage visitor enters the class 1that is Not Interested. The success of this system in recognizingthe pattern is 95% as indicated by the Similarity between the target and test results. From thisresearch can be concluded that the 1STAKPRIND web manager AKPRIND must always improvethe performance of the site (design, content and appearance), so it is expected that there will bemore visitors who enter the class 3; Very Interested.Key words: web mining, clustering, Neural Network Algorithm, VectorLearning quantitation
ABSTRAKAnalisa yang dilakukan pada web server log secara tradisional telah banyak digunakan untukmelihat aktifitas pengujung web seperti menentukan jumlah akses terhadap halaman web, siapasaja user yang mengakses web dan waktu mengunjungi web dan URL yang dikunjungi dan masihbanyak lagi analisa secara statistik: Tetapi hal tersebut masih sangat sedikit memberikaninformasi tentang hubungan antara data yang ada dalam web, urutan kunjungan yang dilakukanoleh sorang user atau siapa saja kelompok user yang melakukan akses ke suatu situs web.Dalam penelitian ini akan dikaji penggunaaan teknik clustering dalam web mining denganmenggunakan Algoritma Jaringan Syaraf Tiruan metode LVQ (Learning Vector Quamitation)untuk mengetahui pola ketertarikan pengunjung web . Pengolahan dengan metode LVQmenunjukkan melalui beberapa proses pelatihan dan pengujian rata-rata pengunjung masukdalam kelas 1yaitu Tidak Tertarik: Keberhasilan sistem ini dalam mengenali pola adalah 95%yang ditunjukkan dengan kesamaan antara nita; target dan hasil uji Dart penelitian ini dapatdisimpulkan bahwa pengelola web 1ST AKPRIND harus selalu meningkatkan performa situs(desain, konten, tampilan) sehingga diharapkan lebih banyak pengunjung yang masuk kelas 3yaitu sangat tertarikKata kunci: WebMining, Clustering, Jaringan Syaraf Tiruan, Metode LVQ
',:'
CLUSTERING PADAWEB MINING DENGANMENGGUNAKANMETODEJARINGAN SYARAF TffiUAN
Jurnal Sitrotika, Volume 7, Nomor 1, Januari 2011ISSN: 1693-9670,halaman 110 s.d 115
,.!".•...' .• ;.
Oleh:, , . ' ,';" '. 'Dning Lesta..r" ..' <, ,.,' , 'TekriiklnfQtm~k!i:;'InstitutS'ains & TeknolQgt,A~P Yog)i~~
memberikan layanan komunikasi yang lebih
baik, dan juga dapat untuk meningkatkan
target tertentu terhadap sebuatu kelompok
pemakai tertentu. Pemantauan sebuah web
menjadi hal penting dan wajib diperhatikan
oleh setiap web ....developer. Pekerjaan
pemantauan web pada kenyataannya sangat
kompleks dan tidak bisa dilakukan secara
manual, dibutuhkan berbagai tools
(alat/aplikasi/program) pembantu yang dapat
melakukan tugas ini secara otomatis.
Penelitian tentang trafik web pernah
dilakukan oleh Ghaleb Abdulla (1998) melalui
disertasi yang berjudul "Analysis and
Modelling of World Wide Web Traffic".
Penelitian ini menguraikan tentang
pemantauan, pengoleksian, penelitian, dan I
pemodelan interaksi klien dan trafik World
Wide Web (WWW) secara luas. Pekerjaan I
pemantauan website pada kenyataannya sangat
meningkatkan
4'n~TteringIfJI Penerapan Jaringan Syaraf Tiruan
dengan algoritma LVQ untuk sistem"':t.
Ip.~ifarian poia kunjungan web ini dapat
dilihat pada gambar 3.9 dibawah ini yang
rnenggambarkan jaringan saraf yang terdiri
dari 4 lapisan yaltu:Lapisan masukkan terdiri atas 5
masukkan unit sel saraf
log sever untuk mengetahui pola ketertarikan
pengunjung web 1STAKP~ Yogyakarta ...'
2. LANDASAN TEORIArsitektur Jaringan LVQ untuk Proses
.J .
probabilistic grammar, dimana grammar
dengan nilai probabilitas besar akan
membangkitkan string yang mewakili jejak
akses yang paling banyak diakses user.
B,nrdasarkan lat~r belakang di atas, maka
pada penelitian ini akan dibuat sistem
program aplikasi untuk clustering data web; ~ • t
rnenggunakan teknik baku dalam data mining
sepertl associaton rule dan sequential pattern
(Gunawan, 2000) dan kedua, pendekatan;_; ;
la~ff.sung yang dapat diterap~,ap "M~adarekaman log-data dengan memodelkan
it . "'l" rh'i'flrekaman navigasi user sebagai hypertext
" ~,
kompleks dan tidak bisa dilakukan secara
manual.
Penelitian di bidang pemanfaatan
informasi dari log data pada saat ini
umumnya menggunakan dua pendekatan,
yaitu pertama memetakan data navigasi ke, ' , r. (;1 ~; ~s f
bentuk table-tabel relasi kemudian
efektifitas,dapatagar
Web Mining didefmisikan sebagai kajian
tentang teknik-teknik untuk secara otomatis
menemukan dan mengekstrak informasi dalam
web. Web server log merupakan sebuah data
yang. sangat be.rharga ba~. sebuah. organisasiyang melakukan aktivita a di dalam web.
Karena jumlah data yang sang t, besar maka
"sebuah organisasi perlu melakukan analisa.. ;-.'
terhadap data tersebut sehingga informasi yang
tersembunyi dapat diperoleh. Analisa tersebut
diharapkan akan memberikan informasi
bagaimana melakukan restrukturisasi web site
112
memperhatikan request juga diperhatikan
Selainlainnya akan dihilangkan.
Proses Pre Processing
Proses persiapan dilakukan dengan langkah-1angkahsebagai berikut:
1. Membuka file web server log yang asli
2. Persiapan suatu file untuk menampung
hasil proses persiapan dan juga file yang
menampung data yang tidak berhasiI
dibersihkan (cleaning).
3. File web server log dibaca perbarisnya
kemudian dilakukan pemisahan sekaligus
juga melakukan proses cleaning.
Kemudian hasilnya disimpan dikedua file
yang telah dipersiapkan. Proses
pemisahan dilakukan dengan cara
membaca satu demi satu karakter pada
setiap baris dari web server log dan juga
suatu string pembatas. Pemisahan ini
perlu dilakukan hati-hatl mengingat
karakter pembatas (delimeter) dari setiap
field dari web server log. Pembatas akan
menandai pemisahan antar token yang
berarti pemisahan antar field. Setiap hasil
token disimpan dalam sebuah variable
yang akan menjadi field-field dari hasil
proses cleaning.Selanjutnya proses pemisahan
tersebut dibarengi dengan proses
cleaning. Harus diuji dari setiap
requestnya yaitu dengan memperhatikan
ekstensi (suffiknya). Sebagai contoh bila
tidak diinginkan file grafik maka file-file
dengan ekstensi gif, jpeg, jpg, bmp dan
Ownbar 2. Proses Persiapan (Preparation)
Proses Persiapan (data preparation)Proses persiapan merupakan proses
yang sangat menentukan hasil dari pola YflPg
akan dihasilkan karena pada proses in]
menghasilkan data yang siap diolah pada
proses selanjutnya. Proses persiapan dapatdilihat pada Gambar I.
3. METODE PENELITIAN
Yaitu untuk cluster PMB, cluster
Kegiatan, cluster Sarana dan Prasarana,cluster Alumni dan cluster Jurusan
Lapisan data pengunjung terdiri dari n
unit sel saraf
Yaitu nilai kunjungan setiap user dengan
nilai I jika mengunjungi halaman salah
satu halaman dalam tiap cluster dan 0 jikatidak,
Lapisan mengelompokkan kelas terdiri
dari 3 unit sel saraf yang digunakan untukmengelompokkan data . sesuai
kelompoknya yaitu kategori (Tidak .
Tertarik), kategori 2 (Cukup Tertarik) dan
kategori 3 (Teratrik)
Lapisan proporsi data training dan testingterdiri atas 2 unit sel saraf
Yaitu untuk pelatihan data training dandata uji
Lapisan keluaran terdiri atas 1 sel saraf
113
Gambar 5. Tampilan Proses Pengujian
5. ANALISA HASIL
Dari hasil kerja metode LVQ ini, dapat
dilihat bahwa tidak seperti kebanyakan
algoritma pembelajaran terawasi dimana
neuron bekerja dengan eara memproses
penjumlahan terbobot (input dikalikan dengan
bobot), pada metode LVQ ini neuron-neuron
bekerja dengan mencari jarak normal
Euclidian antara input dengan bobot-bobot
yang bersangkutan.
Pada percobaan pelatihan ini diambil data
dari log server 1STAKPRIND dengan format
ECLF. Data percobaan sistem diambil-selama 12 hari dari tanggal 1 - 12 September
JIiiWIOilklVqDa.; ,ea JlllNtlldetl!liW.TIIt1MI 47NNlT.".,.di Uu2 J~k*l2~TIIItMII liS
JiAlMftlrMt3[T(lltftj 15
~; .
DIXIJ1 Iii UIII~ l.Dm8Zlill22llSoat ,. o.Cl~ 1.1D1~ 1,DJ1B2En17(fl QD1~DIlII1 181 UIII~ l.DmIllJ5illllZMSl.Dm=>llIll 0111_
tDIIIl1 lill Olll_ ·,,·-lIlJ182M12lJ09 tDm=>llIll 0111_
um~tDmI2JiilJ22308l.Dmll!.JJl11ll1ll
I~I-" .._Ujl ~ I
+1 1 I+I-H 1.l<:I~ QIII-
ooxn 184 w.-/w,loabMLccrn 0 0DOOOi 1!h....... 0 0OIDn 1fE"'~~ca 0 0 0OCQJ1 1811C .• rc..ct..,.. 0 0 0
.O!Xll'l· '.'rinaIIwL"9f!.ec,id 0 0 0 1
Gambar 4. Tampilan Proses Clustering Proses
LVQ
",_",~_~ __ ,,_ I","" _~1 ..""'.... _ rli1iri" - -:1......_f_ fi""ij---- -----;:-J --..,..._. ~~lio"" -:-1 _ ..._ .....fnrn;.;:---
Gambar 3. Tampilan menu pemasukan data.
2. Proses Clustering
Proses Clustering dimulai dari proses
pengambilan data yang sudah diolah di tahap
sebelumnya. Dilanjutkan proses memasukkan
bobot-bobot dengan nilai 0-1 dan prosess
pelatihan. Proses tersebutdapat dilihat pada
Gambar4.
3. Proses Pengujian
Dari proses pengujian ini bisa
dihasilkan juga pola ketertarikan pengunjung
web apakah masuk kategori 1 (tidak tertarik),
2 ( cukup tertarik), dan 3 (tertarik). Tampilan
menu untuk proses pengujian ini terlihat pada
gambar S.
'~IJ3."_l _,'''''''4f'3,_..,__ .-.. H!,;o.~a,.... >1Slsa.'7a.S2-.?P'.2.1'2.6O'l?7 ',""'-72.,..;0:'7.~':w.a.15..,, ..,_,__ '""'117._21 ..__ ..
__ ., j .._..,._., T_ )...T_'_'"- .......__ "'-I[.......nr~'r~-~-J,.._""Tiii!i~.M~~~
""'_T .._ ..._o,._"" ,"'.. ,_..". ",,5... _""_'_F""",_
1. Proses Pemasukan Data
Sistem pencarian pola kunjungan web
memerlukan pre processing yang meliputi
proses pengambilan data dari log server data
dan pembersihan data sehingga data siap untuk
digunakan. Proses ini dapat dilihat pada
Gambar 3.
apakah merupakan baris yang tidak error.
Seperti yang sudah dijelaskan sebelumnya,
baris yang error ditandai dengan kode
status dan requestnya bukan GET.
4. dari file teks
114
memasukkan data uji yang telah dikenaliyaitu digunakan pada proses pernbelajaranmisal diambil tanggal 2 Januari 2006. Hasilproses menunjukkan ada 92 transaksi aksesdengan perincian: jumlah cluster t' ( TidakTertarik) sebanyak 89 user, jurnlah cluster 2 (Cukup Tertarik) ada 0 user, dan jumlah
cluster 3 (Tertarik) ada 3 user.Dari hasil pengujian ini menunjukkan hasil97.8 % benar terhadap pengujian dengan datayang sudah dikenali/pernah dilatih yaitu dari92 transaksi akses, terdapat 90 transaksi aksesyang target dan hasil pengujiannya sarna..
Pengujian dengandilakukan2.
Dari hasil pengujian ini menunjukkan hasil94,1 % benar terhadap penguj ian dengan databelurn pernah dilatih yaitu dari 224 transaksiakses, terdapat 211 transaksi akses yangtarget dan hasil penguj iannya sarna.
user.
memasukkan .data uji yang belurn pernah
dilatih yaitu tanggal 16 dan 17 September2009. Hasil proses menunjukkan ada 224transaksi akses dengan perincian: jurnlahcluster I ( Tidak Tertarik) sebanyak 212 user,jumlah cluster 2 ( Cukup Tertarik) ada 5user, dan jumlah cluster 3 (Tertarik) ada 7
dengandilakukanPengujian1.
selanjutnya dilakukan proses pengujianterhadap pola-pola input yang belurn dikenali(tidak ikut dilatih pada proses pernbelajaran)dan juga pola-pola input yang sudah ikutdilatih.
Contoh pengujian :
Setelah dilakukan proses pernbelajaran dan
didapatkan hasil bobot konvergen maka
BoOOt 1 BoOOt 2 .8oOOt3
(WI) (W2) (W3)
Cluster 1 0.00345 0.19655 0.70569Cluster 2 0.01868 0.49999 0.23707C1uster3 0.01353 0.39919 0.22802Cluster 4 0.01179 0.19959 0.24594Cluster 5 0.02424 0.89919 0.48900
2009. Setelah dilakukan pengolahan terhadap
data tersebut didapat hasil sebagai berikut:
1. Jurnlah seluruh transaksi selarna 11 hari
adalah 4314 kunjungan
2. Jurnlah seluruh IP User ada 793 IP
User.
3. Jumlah seluruh Agent ada 227 Agent.
4. Jumlah seluruh request ada 577 request
5. Pada proses clustering dengan LVQ
didapatkan hasil sebagai berikut:
a. Setelah dilakukan proses LVQ dari
4314 jurnlah akses selarna 12 hari
menghasilkan 793 akses yang sudah
disaring.
b. Bobot awal WI= (0.1, 0.5, 0.3,
0.2,0.5)
W2 = (0.2, 0.5, 0.4, 0.2, 0.9)
W3=(0.6. 0.2, 0.2, 0.3, 0.4)
c. Dengan rnenentukan LearningRate=O,05, Nilai Max Epoh=IO,Nilai Alfa Awal= 0,01 dan nilaiMinirnun Alfa=0.005 makadidapatkan hasilBobot akhir konvergen seperti yangterlihat pada Tabel 2.
Tabel 2. Tabel Bobot Akhir Konvergen
115
DAFTAR PUSTAKA
1. Abdulla, G., 1998, Analysis and Modeling
of World Wide Web Traffic, VirginiaPolytechnic Institute and State University,Virginia
2. Abraham, A., and Ramos, Y., 2003, " WebUsage Mining Using Artificial Ant ColonyClustering and Genetic Programming".
3. Gunawan, R., 2002, " Pencarian Pola
Navigasi dari Data Web dengan Teknik
Association Rule dan Sequential Pattern",
Thesis Magister Teknik, Teknik Elektro,Universitas Gadjah Mada, Yogyakarta
4. Rangarajan,S .., Virva, P., and Balagani,K.,2002 " Web User Clustering using Neural
Networks", Departement of Computer
Science and Engineering.5. Rafiudin, R., 2004, Panduan Menjadi
Seorang Webmaster, Andi, Yogyakarta
bahwa. rata-rata pengunjung web TidakTertarik terhadap situs 1ST AKPRINDsehingga diharapkan pengelola web tersebutdapat memperbaiki struktur webnya danmeningkatkan performa dengan selalu meng
update isi dari home page yang dikelolanya.
Pada Sistem Pencarian Pola Kunjungandengan metode LVQ ini telah mampu
mengkasifikasikan data log server sesuaidengan klasifikasi yang telah ditentukansebelumnya sehingga mampu membuat polaketertarikan pengunjung web terhadap situs1STAKPRIND. Pola ini tergantung dari nitaithreshold yang dimasukkan pada saat pelatihandata. Rata-rata keberhasilan sistem ini dalammengklasifikasikan poia ketertarikankunjungan web adalah 95%. Dari beberapa
percobaan pelatihan dan proses pengujian yangdilakukan dapat dilihat pola ketertarikannya
6. KESIMPULAN
a e a e aSI engujianKategori
Torgct=~Koborhasi
Data JumJah IanPengujian Akses I 2 3 asilUji p"';~~ian
2 Januan 2009 92 89 0 3 90 97.84 Januari 2009 59 54 I 4 52 88.110 Jenueri 2009 116 III 4 I 110 94.816 & 17 Jan 2009 224 212 5 7 211 94.119 Januari 2009 90 80 0 2 86 95.5
Contoh hasil proses untuk 5 (lima) kali
pengujian dapat dilihat pada tabel 5.9. Dari
hasil percobaan-percobaan tersebut dapat
dilihat pola ketertarikan user yaitu rata-rata
user Tidak Tertarik (Kategori 1). Selain itu
dapat disimpulkan bahwa metode LVQ ini
dapat melakukan klasifikasi pola ketertarikan
dengan ketepatan rata-rata 95%. Hal tersebut
dapat dilihat pada Tabel 4
T b I 4 T b I H '1 P