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