PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN … · pola peminjaman buku oleh pengguna perpustakaan....

PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN

UNTUK MENCARI POLA SEKUENSIAL PADA DATA

PEMINJAMAN BUKU DI PERPUSTAKAAN IPB

DEVI MEISITA KHAIRUNNISA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Penerapan Algoritme

Prefixspan dan Clospan untuk Mencari Pola Sekuensial pada Data Peminjaman

Buku di Perpustakaan IPB benar karya saya denganarahan dari komisi

pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi

mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan

maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan

dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Desember 2013

Devi Meisita Khairunnisa

NIM G64114040

ABSTRAK

DEVI MEISITA KHAIRUNNISA. Penerapan Algoritme Prefixspan dan Clospan

untuk Mencari Pola Sekuensial pada Data Peminjaman Buku di Perpustakaan

IPB. Dibimbingoleh IMAS SUKAESIH SITANGGANG dan BADOLLAHI

MUSTAFA.

Perpustakaan merupakan suatu fasilitas yang memiliki peranan penting dalam

pendidikan. Dari data perpustakaan didapatkan berbagai informasi, salah satunya

pola peminjaman buku oleh pengguna perpustakaan. Penelitian ini bertujuan

untuk menentukan pola sekuensial pada data peminjaman buku di perpustakaan

IPB dengan menggunakan algoritme Prefixspan dan Clospan. Penelitian ini

menggunakandataset berukuran mulai dari 50 sampai 4,140 dengan minimum

support mulai dari 5% sampai 15%. Hasil percobaan menunjukkan bahwa

semakin besar dataset dan minimum support yang dipakai, algoritme Clospan

memiliki kinerja lebih baik daripada Prefixspan. Selain itu, pola sekuensial yang

dihasilkan kedua algoritme menunjukkan keterkaitan antar item yaitu kode 027

(kategori perpustakaan) dengan kode 820 (kategori sastra), buku dengan kode 631

(kategori manajemen pertanian) dengan kode 636 (kategori buku peternakan dan

manajamen peternakan), buku dengan kode 631 dengan kode 658 (kategori

manajemen, administrasi bisnis dan organisasi bisnis).

Kata kunci: pola sekuensial, data transaksi sirkulasi perpustakaan, Prefixspan,

Clospan

ABSTRACT

DEVI MEISITA KHAIRUNNISA. Application of Prefixspan Algorithm and

Clospan Algorithm for Searching Sequential Pattern Mining on Data of Books

Loan in IPB’s Library. Supervised by IMAS SUKAESIH SITANGGANG dan

BADOLLAHI MUSTAFA

Library is an important facility in university. From the library data we can obtain

various information, such as patterns of borrowing books by library users. This

study aims to determine the sequential patterns of IPB’s library book loan data

using two algorithms namely Clospan and Prefixspan. This study used the dataset

with the size ranging from 50 to 4.140 and minimum support ranging from 5% to

15%. The experimental results show that the larger dataset and the minimum

support used, Clospan algorithm has better performance than Prefixspan. In

addition, the results of two sequential pattern algorithms which shows the

relationships between the book code 027 (general libraries) with 820 (literature)

books, 631 (farm management,agronomy, andhorticulture) books with book code

636 (animal husbandry and breeding in general), and 631 (farm

management,agronomy, andhorticulture) to 658 (business management,

administration, and commercial organization).

Key words: sequential pattern, library circulation data, Prefixspan, Clospan

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN

UNTUK MENCARI POLA SEKUENSIAL PADA DATA

PEMINJAMAN BUKU DI PERPUSTAKAAN IPB

DEVI MEISITA KHAIRUNNISA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

Judul Skripsi : Penerapan Algoritme Prefixspan dan Clospan untuk Mencari Pola

Sekuensial pada Data Peminjaman Buku di Perpustakaan IPB

Nama : Devi Meisita Khairunnisa

NIM : G64114040

Disetujui oleh

Dr Imas S. Sitanggang, SSi, MKom.

Pembimbing I

Drs Badollahi Mustafa, MLib

Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema

yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini

ialah data mining, dengan judul Penerapan Algoritme Prefixspan dan Clospan

untuk Mencari Pola Sekuensial pada Data Peminjaman Buku di Perpustakaan

IPB.

Terima kasih penulis ucapkan kepada Ibu Dr Imas Sukaesih Sitanggang,

SSi, MKom dan Bapak Drs Badollahi Mustafa, MLib selaku pembimbing.

Serta, Bapak Hari Agung Adrianto, SKom,MSi sebagai penguji. Selain itu,

penulis ucapkan terima kasih kepada Bapak Feri yang telah membantu dalam

pengumpulan data. Penghargaan penulis sampaikan kepada Bapak Philippe

Fournier Viger yang telah membuat perangkat lunak Sequential Pattern

Mining Framework (SPMF) dan Bapak Agus Anang, SKom yang telah

membantu selama praproses data dan penulisan karya tulis ini. Ungkapan

terima kasih juga disampaikan kepada ayah, ibu, Arina Pramudita, serta

seluruh keluarga dan teman-teman Ilmu Komputer Angkatan 6, atas segala

doa dan kasih sayangnya.

Semoga karya ilmiah ini bermanfaat.

Bogor, Desember 2013

Devi Meisita Khairunnisa

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 1

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

HASIL DAN PEMBAHASAN 5

Praproses 5

Penentuan pola sekuensial 7

Perbandingan kinerja Algoritme Prefixspan dan Clospan 9

Analisis Pola Sekuensial 17

SIMPULAN DAN SARAN 19

Simpulan 19

Saran 19

DAFTAR PUSTAKA 19

LAMPIRAN 18

RIWAYAT HIDUP 20

DAFTAR TABEL

1 Data transaksi perpustakaan 3

2 Jumlah pola sekuensial dan waktu eksekusi algoritme Prefixspan dan

Clospan berdasarkan dataset dan minimum support 10

3 Pola sekuensial dengan urutan pola berbeda untuk dataset 50 pada

minimum support 5% 18

DAFTAR GAMBAR

1 Tahapan penelitian 3

2 Tahapan praproses data 4

3 Perbandingan Clospan (■) dan Prefixspan (♦) berdasarkan minimum

support dengan waktu eksekusi untuk dataset 50 12






support dengan waktu eksekusi untuk dataset 1,000 12

7 Perbandingan Clospan (■) dan Prefixspan (♦) minimum support dengan

waktu eksekusi untuk dataset 2,000 12

8 Perbandingan Clospan (■) dan Prefixspan (♦) minimum support dengan

waktu eksekusi untuk dataset 4,140 12

9 Perbandingan Clospan (■) dan Prefixspan (♦) berdasarkan jumlah

dataset dengan waktu eksekusi untuk minimum support 5%Error! Bookmark not defined.


dataset dengan waktu eksekusi untuk minimum support 6%Error! Bookmark not defined.

11 Perbandingan Clospan (■) dan Prefixspan (♦) jumlah dataset dengan

waktu eksekusi untuk minimum support 7% 16




dataset dengan waktu eksekusi untuk minimum support 10% 16



PENDAHULUAN

Latar Belakang

Perpustakaanmempunyai peranan penting dalam dunia pendidikan.

Pengelolaan yang baik untuk memperbaiki layanan menjadi sebuah keharusan

untuk menunjang proses belajar dan mengajar di lingkungan akademik. Salah satu

proses dalam pengelolaan yang baik adalah pengambilan keputusan atau

kebijakan yang tepat yang didasari dari informasi yang baik dan tepat pula.

Informasi yang baik dapat digali dari data yang benar dan teknik pengggalian

yang teruji. Salah satu data yang dapat digali dari perpustakaan adalah transaksi

peminjaman buku pada perpustakaan.

Teknologi penggalian informasi dari data dengan basis besar yang tersimpan

atau yang lebih sering di kenal dengan data mining sudah mulai marak

dikembangkan, didalami dan digunakan diberbagai bidang. Berbagai

teknik/metode diajukan untuk mendapatkan hasil yang lebih akurat dan cepat.

Analisis perbandingan kinerja algoritme dilakukan untuk mengetahui perbedaan

kecepatan dan akurasi dari algoritme yang dibandingkan, sehingga dapat

diperoleh kesimpulan dalam pemilihan algoritme untuk mendapatkan informasi

yang lebih baik dan akurat.

Teknik sequential pattern mining merupakan salah satu teknik data mining

yang banyak diterapkan. Algoritme yang telah dikembangkandalamtekniktersebut,

antara lain Prefixspan dan Clospan. Menurut Gregoriuset al. (2013) algoritme

Clospan memiliki waktu eksekusi yang cepat pada data transaksi perpustakaan

sehinggapada penelitian ini algoritme tersebut akan diterapkan. Pada penelitian

inialgoritmePrefixspan dan Clospan akan diterapkan padadata

transaksipeminjaman buku di perpustakaan IPB dari tahun 2003 hingga 2013.

Kedua algoritme tersebut akan dibandingkan kinerja dan pola sekuensial yang

dihasilkan.

Perumusan Masalah

Perumusan masalah dalam penelitian ini adalah bagaimana pola sekuensial

pada data transaksi peminjaman buku perpustakaan ditentukan menggunakan

algoritme Prefixspan dan Clospan dan algoritme manakah yang memberikan hasil

terbaik.

Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1 Menentukan pola sekuensial pada data transaksi perpustakaan menggunakan

algoritme Prefixspan dan Clospan.

2 Membandingkan kinerja dari algoritme Prefixspan dan Clospan dalam

menemukanpola sekuensialpada data transaksi sirkulasi perpustakaan.

3 Menganalisis pola sekuensial yang dihasilkan oleh algoritme Prefixspan dan

Clospan.

2

Manfaat Penelitian

1 Penelitian ini diharapkan dapat memberikan manfaat sebagaiberikut:

2 Sebagai referensi bagi pihak perpustakaan terkait algoritme terbaik yang

dapat digunakan dalam mengolah data transaksi sirkulasi perpustakaan.

3 Pihak perpustakaan dapat mengetahui pola peminjaman yang dilakukan

anggota perpustakaan.

4 Memudahkan pihak perpustakaan dalam penambahan stok buku.

5 Memberikan rekomendasibukukepada pemustaka.

Ruang Lingkup Penelitian

Penelitian ini memiliki ruang lingkup sebagai berikut:

1 Data yang digunakan dalam penelitian ini merupakan data transaksi

peminjaman buku perpustakaan IPB tahun 2003 sampai dengan 2013.

2 Pola sekuensial dihasilkan dengan menggunakan perangkatlunak Sequential

Pattern Mining Framework (SPMF) (Viger 2013).

METODE

Data Perpustakaan

Penelitian ini menggunakan data transaksi peminjaman buku di

perpustakaan IPB tahun 2003 sampai dengan 2013 sebanyak 18,669 data. Data

transaksi perpustakaan terdiri atas beberapa atribut, diantaranya nomor identitas,

nama peminjam, kelas buku, judul buku, kondisi buku yang dipinjam, tanggal

peminjaman, kode peminjaman, tanggal buku harus kembali, jenis buku,jenis

peminjaman, operator transaksi buku, dan nomor registrasi buku.

Pada penelitian ini atribut data yang digunakan adalah nomor identitas, kelas

buku, dan tanggal peminjaman.Nomor identitas merupakan nomor unik yang

dimiliki oleh pengunjung perpustakaan dan dapat berupa nomor induk mahasiswa.

Kelas buku merupakan kategori buku. Pengelompokkan kelas buku pada

perpustakaan IPB didasarkan pada bagan klasifikasi UDC (Universal Decimal

Classification) seperti 630 yang menyatakan klasifikasi pertanian. UDC terdiri

atas dua jenis angka, yaitu angka utama yang menyatakan subjek utama dan angka

bantu yang merupakan angka khusus (dinyatakan dengan tanda atau symbol

seperti .(titik) dan - (dash)). Tanggal peminjaman merupakan berupa tanggal

transaksi peminjaman buku. Contoh data transaksiperpustakaanyang

digunakandapatdilihatpadaTabel 1.

Peralatan Penelitian

Penelitian ini menggunakan spesifikasi perangkat keras dan lunak sebagai

berikut:

1 Perangkat keras berupa komputer personal dengan spesifikasi

3

Prosesor Intel Pentium® Dual-Core CPU E5500 @ 2.80 GHz

RAM 2 GB

VGA Intel® G45/G43 Express Chipset

2 Perangkat lunak

Windows 7 Ultimate 32-bit Operating System

Javatm

standard edition versi 7

Sistem Manajemen Basis Data PostgreSQL versi 8.3.0

Perangkat lunak Sequential Pattern Mining Framework (SPMF) versi

0.94 untuk menentukan pola sekuensial dari data transaksi sirkulasi

perpustakaan

Tahapan Penelitian

Penelitian ini memiliki beberapa tahapan, diantaranya praproses data,

dataset, penentuan pola sekuensial, perbandingan kinerja algoritme, dan analisis

pola sekuensial. Tahapan penelitian yang dilakukan dapat dilihat pada Gambar 1.

Tabel 1Data transaksiperpustakaan

Nomor Identitas Kelas

Tanggal KlS1 KlS2 KLS3

99007 600 650 650 05/01/2004

99007 600 650 651 05/01/2004

5061971 100 150 155 16/05/2013

PraprosesPraproses

Penentuan pola

sekuensial dengan

Clospan

Penentuan pola

sekuensial dengan

Clospan

Penentuan pola

sekuensial dengan

Prefixspan

Penentuan pola

sekuensial dengan

Prefixspan

Perbandingan

kinerja Clospan dan

Prefixspan

Perbandingan

kinerja Clospan dan

PrefixspanSelesaiSelesai

mulaiDatasetDataset

Analisis

Pola

Sekuensial

Analisis

Pola

Sekuensial

Gambar 1Tahapan penelitian

4

1 Praproses

Praproses dilakukan untuk membersihkan data dan membuat data yang ada

menjadi pola sekuensial. Praproses terbagi ke dalam empat tahapan, yaitu

transformasi data, seleksi data, pembersihan data, dan pembuatan data sekuensial

yang dapat dilihat pada Gambar 2. Transformasi data merupakan suatu proses

konversi perubahan data untuk diolah pada tahapan selanjutnya. Pembersihan data

merupakan tahapan membuang data dari noise dan menyesuaikan data dengan

format klasifikasi yang ada. Pembuatan data sekuensial merupakan tahapan

pengurutan data berdasarkan nomor identitas dan waktu.

Gambar 2Tahapan praproses data

2 Dataset

Dataset merupakan data hasil praproses yang telah diurutkan berdasarkan

waktu atau lebih dikenal dengan data sekuensial. Dataset dihasilkan dari

praproses kemudian disesuaikan kembali menjadi data sekuensial yang sesuai

dengan format perangkat lunak SPMF. Pembuatan dataset dilakukan dengan

sebuah program PHP sederhana yang menghasilkan pola sekuensial sebanyak

4,110 data.

3 Penentuan pola sekuensial dengan Prefixspan dan Clospan

Pola sekuensial merupakan pola keterkaitan antar objek. Dalam penelitian

ini pola untuk data perpustakaan dihasilkan menggunakan perangkatlunak

Sequential Pattern Minning Framework (SPMF) (Viger2013). SPMF tidak hanya

menghasilkan pola sekuensial, tetapi juga jumlah pola yang dihasilkan dan waktu

eksekusi.

4 Perbandingan kinerja Algoritme Prefixspan dan Clospan

Perbandingan kinerja diukur dengan membandingkan jumlah pola dan

waktu eksekusi dari algoritme Prefixspan dan Clospan. Pada tahapan ini akan

dianalisis hasil dari pengujian dan keterkaitan antara jumlah pola atau waktu

eksekusi terhadap minimum support dan dataset.

5 Analisis pola sekuensial

Analisis pola sekuensial merupakan tahap analisis faktor-faktor yang

menjadi perbedaan dari pola sekuensial antara algoritme Prefixspan dan Clospan.

Basis data CDS/ISIS

Transformasi

dataSeleksi data

Pembersihan data

Pembuatan data sekuensial

Data Sekuensial

5

HASIL DAN PEMBAHASAN

Praproses

Praproses dilakukan melalui beberapa tahapan, yaitu transformasi data,

seleksi data, pembersihan data, dan pembuatan data sekuensial.

1 Transformasi data

Data perpustakaan yang didapatkan dari basis data CDS/ISIS memiliki

format CIRC sedangkan untuk dapat diolah data tersebut harus ditransformasi ke

dalam format xlsxuntuk dilakukan proses seleksi data dan pembersihan data

terlebih dulu. Proses transformasi data dilakukan dengan dua tahapan, yaitu:

a. Data diubah ke dalam format XML dengan menggunakan fasilitas konversi

yang telah tersedia aplikasi CDS/ISIS.

b. Data yang telah ditransformasi ke dalam format XML, kemudian

ditransformasi kembali menjadi format xlsx dengan menggunakan Microsoft

Excel.

2 Seleksi data

Seleksi data merupakan suatu proses pemilihan atribut yang akan digunakan

dalam percobaan. Pemilihan atribut didasarkan oleh kebutuhan dari algoritme

Prefixspan dan Clospan. Algoritme Prefixspan dan Clospan membutuhkan

masukan berupa data sekuensial. Data sekuensial dapat dibentuk oleh tiga atribut,

yaitu nomor identitas, kelas buku, dan tanggal peminjaman. Kelas buku terdiri

atas tiga tingkatan yaitu KLS1 (umum), KLS2 (sedang), dan KLS3 (khusus). Pada

penelitian ini tingkatan yang akandigunakan adalah KLS3. KLS3 merupakan

tingkatan yang paling khusus diantara tingkatan kelas yang lain sehingga

diharapkan akan terbentuk pola sekuensial yang lebih spesifik dari segi tipe dan

jenis buku.

3 Pembersihan data

Atribut-atribut yang telah terpilih pada proses sebelumnya, kemudian

dimasukkan ke dalam DBMS PostgreSQL untuk dilakukan proses pembersihan

data. Pada proses pembersihan data awal, ditemukan 3,000 data invalid sehingga

data mengandung noisedan perlu dilakukan praproses. Data invalid pada data

tersebut mengandung tanda selain angka seperti . (titik), ‘ (kutip), dan – (strip).

Proses pembersihan noise dilakukan dengan melakukan sebuah querydengan

mengasumsikannoisesebagai angka ‘0’.

Data yang telah terbebas dari noise tersebut kemudian dibandingkan dengan

format bagan klasifikasi buku UDC. Pada data dengan atribut kelas buku ternyata

masih ditemukan suatu ketidakkonsisten dengan format klasifikasi UDC.

Ketidakkonsistenan terjadi pada kategori KLS1 dan KLS3. KLS1 yang

seharusnya kategori umum, tetapi bernilai khusus dan dan sebaliknya KLS3 yang

seharusnya kategori khusus tetapi data yang ada kategori umum.

6

Kekeliruan tersebut kemudian didiskusikan dengan pakar dari Perpustakaan

IPB. Hasil diskusi menunjukkan bahwa memang terjadi kekeliruan pada kelas

tersebut sehingga perlu dilakukan proses perbandingan antara KLS1 dan KLS3.

Selanjutnya, proses query diterapkan kembali untuk menukar KLS3 dengan

KLS1 dengan aturan jika KLS1 berisi kategori khusus dan KLS3 berisi kategori

umum. Contoh kasusnya jika KLS1 bernilai 631, sedangkan KLS3 630, maka

tukar nilai dari KLS3 menjadi KLS1. KLS3 akan bernilai 631 dan KLS1 akan

bernilai 630.

Dari hasil tersebut ternyata masih juga ditemukan 1,441 data yang tidak

sesuai dengan klasifikasi UDC. Nilai kategori pada KLS1, KLS2, dan KLS3

masuk ke dalam kategori umum, padahal seharusnya KLS3 masuk ke dalam

kategori khusus. Oleh karena itu, data yang tidak sesuai tersebut memerlukan

proses penyesuaian data secara manual. Proses penyesuaian dilakukan dengan

mencocokkan antara kelas data beserta judul buku dengan format

pengklasifikasian UDC.

4 Pembuatan data sekuensial

Sequential pattern miningmerupakan penambangan data yang telah

diurutkan berdasarkan waktu (Han dan Kamber 2006). Dalam penelitian ini,

pembuatan data sekuensial dilakukan dengan menggunakan sebuah program PHP.

Program tersebut bekerja dengan dua tahapan, yaitu:

a. Menggabungkan kategori kelas yang memiliki nomor identitas dan tanggal

yang sama.

Program ini bekerja dengan membandingkan kategori yang memiliki nomor

identitas dan tanggal yang sama dan menuliskannya ke dalam sebuah file

teks. Berikut potongan program tersebut.

$cekquery=" SELECT DISTINCT k.nrp,

k.tanggal,

l.kategori as katbaru

from (

select DISTINCT *

FROM

belajar.mentah2

)as k

RIGHT JOIN

(

SELECT distinct *

FROM

belajar.mentah2

) as l on l.nrp=k.nrp and

k.tanggal=l.tanggal

ORDER BY k.nrp, k.tanggal ";

b. Menggabungkan kategori kelas yang memiliki nomor identitas sama

Program ini bekerja dengan membandingkan kategori yang memiliki nomor

identitas yang sama dan menuliskannya ke dalam sebuah berkas teks.

Berikut potongan program tersebut.

for($i=1; $i<$numrow;$i++){

$nrp=$data[$i]['nrp'];

7

$kat=$data[$i]['katbaru'];

$kata=$nrp.';'.$kat;

if($data[$i]['nrp']==$data[$i-1]['nrp'] )

{

$tanda=true;

if($tanda)

$kata=$kat;

echo $kata;

}

else{

$tanda=false; echo "<br>";

echo $kata;

}

}

c. Membuat sesuai dengan format masukan SPMF

Program ini bekerja dengan membandingkan panjang dari setiap item. Jika

panjang item lebih dari 3 item tersebut akan ditambahkan -1 pada akhir item

tersebut dan ketika suatu transaksi pada setiap item telah selesai

dibandingkan pada setiap akhir transaksi akan diberi akhiran -2. Berikut

potongan program tersebut.

for($i=0; $i<$jml; $i++)

{

if($jml==1){

$str.=wordwrap($awal[0],3,' ', true);

}

else

{

if($i==$jml-1)

$str.=wordwrap($awal[$i],3,' ', true);

else

$str.=wordwrap($awal[$i],3,' ', true).' -1 ';

}

} $str.='-2';

Ketiga program tersebut menghasilkan data sekuensial sebanyak 4.104

dalam format teks dengan masukan seperti 630 -1 -2. Angka 630

merepresentasikan tingkatan buku,-1 menunjukkan spasi, dan -2

menunjukkan akhir dari setiap data sekuensial.

Penentuan pola sekuensial

Penentuan pola sekuensial dilakukan dengan mencari frequent sequence.

Frequent sequence merupakan kumpulan transaksi yang memiliki jumlah

minimum support sama atau melebihi minimum support yang telah ditentukan

sebelumnya (Han dan Kamber 2006). Pada penelitian ini algoritme Prefixspan

dan Clospan akan diterapkan untuk menghasilkan pola sekuensial tersebut.

1 Algoritme Prefixspan

Prefixspan merupakan algoritme yang memproyeksikan basis data dengan

menerapkan konsep prefix dan postfix dalam menjalankan algoritmenya (Hanet

8

al.2000). Prefixspan menerapkan konsep depth first search yang bekerja dengan

tiga tahapan, yaitu (Saputra dan Sulaiman 2006):

a. Hitung panjang prefix data sekuensial dengan panjang 1.

b. Bagi ruang pencarian berdasarkan prefixnya (pisahkan antara prefix dan

postfix).

c. Cari pola yang memenuhi minimum support berdasarkan ruang pencarian.

Prefixspan akan memproyeksikan prefix dari item yang dimiliki sehingga ukuran

proyeksi data akan semakin menyusut dan redundansi menjadi tereduksi (Hanet al.

2000).Berikut algoritme dari Prefixspan tersebut (Yan et al. 2003):

Input : A sequence s, projected DB Ds, and min_sup, α item, i new item

Output: The frequent sequence set F.

1: insert s to F;

2: scan Ds once, find every frequent item α such that

(a) s can be extended to (s <>i α)

(b) s can be extended to (s <>s α)

3: if no valid α available then

4: return;

5: for each valid α do

6: Call Prefixspan(s <>i α, D s <>i α, min_sup, F);


8: Call Prefixspan(s <>s α, D s <>sα, min_sup, F);

9: return;

2 Algoritme Clospan

Clospan merupakan suatu algoritme penghasil pola sekuensial dengan

metode efisiensi basis data (Yanet al. 2003). Clospan bekerja dengan dua tahapan,

yaitu:

a. Membangkitkanpola sekuensial dengan algoritme Prefixspan.

b. Melakukan post-pruning.

Pruning merupakan suatu proses efisiensi pola pada basis data. Pada Clospan

pruning dilakukan dengan menggabungkan nodeyang memiliki prefix yang sama

menjadi satu kesatuan. Clospan memiliki dua teknik pruning, yaitu backward sub-

patterndan backward super-pattern(Yan et al.2003). Berikut algoritme dari

Clospan:

Input : A sequence s, a projected DB Ds, and min_sup, α item, i new item

Output: The prefix search lattice L.

1: Check whether a discover sequence s’ exist s.t.

either s [ s’ or s’ [ s, and I(Ds)

2: if such super-pattern or sub-pattern exist then

3: modify the link in L, return;

4: else insert s into L;

5: Scan Ds once, find every frequent item α such that

(a) s can be extended to (s <>i α),or

Comment [U1]: Numbering tidak perlu pakai titik a Hitung b Bagi

Comment [U2]:

9

(b) s can be extended to (s <>s α);

6: if no valid α available then

7: return;


9: Call Clospan(s <>i α, D s <>i α, min_sup, L);


11: Call Clospan(s <>s α, D s <>sα, min_sup, L);

12: return;

3 Penggunaan algoritme Prefixspan dan Clospan pada data peminjaman

buku perpustakaan

Sebelum dilakukan penerapan algoritme Prefixspan dan Clospan pada data

transaksi perpustakaan,perlu dilakukan penentuan minimum supportdan

datasetterlebih dulu. Penentuan minimum supportdan datasetakan berpengaruh

terrhadap kinerja dari kedua algoritme nantinya.

a. Pemilihan minimum support

Penentuan minimum support dipilih dengan melakukan percobaan berulang-

ulang dengan minimum support secara progresif dimulai dari 0% sampai 100%

dengan menggunakan perangkat lunak SPMF. Pemilihan minimum support dipilih

dengan dasar terdapat perbedaan jumlah pola sekuensial yang dihasilkan oleh

setiap dataset untuk setiap minimum support yang berbeda.

Dari hasil beberapa kali percobaan didapatkan bahwa pada data dengan

minimum supportdiatas 15% tidak ditemukan lagi pola sekuensial dan pola

sekuensial yang dihasilkan oleh data dengan minimum support dibawah 5% tidak

akurat karena pola sekuensial yang dihasilkan sangat banyak sehingga tidak

ditemukan keterkaitan antar item. Oleh karena itu, minimum support di bawah

5% dan di atas 15% tidak dapat digunakan dalam pengujian. Minimum support

yang digunakan adalah 5%, 6%, 7%, 8%, 10%, dan 15% untuk setiap dataset.

Pada minimum support tersebut terlihat terdapat minimum support yang jaraknya

signifikan nilainya, yaitu dari minimum support 10% ke 15%. Hal tersebut

disebabkan olehminimum support tersebut tidak ditemukan perubahan jumlah pola

sekuensial (jumlah pola sekuensial tetap).

b. Pemilihan dataset

Penentuan dataset dilakukan secara acak dengan mengelompokkan dataset

menjadi beberapa jumlah dataset yaitu dataset 50, 100, 200, 300, 400, 500, 1,000,

1,500, 2,000, 2,500, 3,000, 3,500, dan 4,140. Pada penelitian ini yang akan

dianalisis adalah dataset dengan jumlah 50, 100, 500, 1,000, 2,000, dan 4,140.

Pemilihan dataset ini didasarkan oleh kemiripan minimum support pada setiap

dataset.

Perbandingan kinerja Algoritme Prefixspan dan Clospan

Pada penelitian ini kinerja dari algoritme Prefixspan dan Clospan akan diuji

berdasarkan kriteria dataset, minimum support, jumlah pola sekuensial, dan waktu

eksekusi. Penelitian ini dilakukan dalam dua bentuk percobaan, yaitu:

Comment [U3]:

10

1 Hubungan antara dataset, minimum support, dan jumlah pola

sekuensial

Hubungan antara dataset, minimum support dan jumlah pola sekuensial

perlu dianalisis lebih lanjut untuk melihat keterkaitan antara ketiga parameter

sehingga akan terlihat tren pola sekuensialnya. Selanjutnya, pengujian dilakukan

sebanyak tiga kali dengan dataset dan minimum support yang telah ditentukan

sebelumnya 140 (detail waktu pengujian dapat dilihat pada Lampiran 1). Hasil

percobaan tersebut dapat dilihat pada Tabel 2.

Tabel 2Jumlah pola sekuensial dan waktu eksekusi algoritme Prefixspan dan

Clospan berdasarkan dataset danminimum support

No

Minimum

support(%)

Dataset

Jumlah pola

sekuensial

Waktu (ms)

Prefixspan Clospan Prefixspan Clospan

1

5

50 34 21 8 6

2 100 10 10 1 2

3 500 13 13 12 8

4 1,000 11 11 10 10

5 2,000 12 12 20 19

6 4,140 11 11 48 49

7

6

50 15 15 1 2

8 100 6 6 1 2

9 500 12 12 8 8

10 1,000 10 10 9 7

11 2,000 9 9 16 30

12 4,140 5 5 42 17

13

7

50 15 8 1 1

14 100 5 5 1 1

15 500 10 10 8 6

16 1,000 6 6 7 7

17 2,000 7 7 16 8

18 4,140 4 4 8 38

19

8

50 6 6 0 1

20 100 4 4 1 1

21 500 9 9 9 5

22 1,000 4 4 4 4

23 2,000 3 3 6 5

24 4,140 3 3 28 9

25 10 50 4 4 1 3

11

No

Minimum

support(%)

Dataset

Jumlah pola

sekuensial

Waktu (ms)


26 100 4 4 1 1

27 500 6 6 7 4

28 1,000 2 2 3 3

29 2,000 1 1 6 5

30 4,140 2 2 28 9

31

15

50 1 1 1 1

32 100 2 2 1 2

33 500 2 2 2 3

34 1,000 1 1 3 3

35 2,000 0 0 6 4

36 4,140 0 0 7 6

Hasil percobaan pada Tabel 2 menunjukkan bahwa kedua algoritme

menghasilkan pola sekuensial dengan jumlah yang sama yaitu 34 dari 36

percobaan. Perbedaan jumlah pola kedua algoritme hanya didapatkan 2 percobaan.

Perbedaan tersebut ditemukan untuk dataset 50 dengan minimum support 5% dan

7%. Pada dataset tersebut jumlah pola sekuensial Prefixspan lebih banyak

daripada Clospan.

Pada pengujian ini kedua algoritme menghasilkan pola sekuensial dengan

presentase kemiripan yang sangattinggi. Hal tersebut diperkirakan karena setiap

item pada dataset yang digunakan tidak memiliki keterkaitan yang kuat antara

satu item dengan item yang lain sehingga dapat dikatakan setiap item berbeda satu

sama lain.

2 Hubungan antara dataset, minimum support, dan waktu eksekusi

Hubungan antara dataset, minimum support dan waktu eksekusi perlu

dianalisis lebih lanjut untuk melihat keterkaitan antara ketiga parameter sehingga

akanterlihat algoritme mana yang lebih cepat dalam menghasilkan pola sekuensial.

Hasil percobaan dapat dilihat pada Tabel 2.

Pada Tabel 2terlihat bahwa pada 11 data pengujian (nomor percobaan 4, 6, 9,

13, 14, 16, 20, 22, 26, 31, dan 34 ) Prefixspan memiliki waktu eksekusi yang sama

dengan Clospan dan Prefixspan jauh lebih cepat dibandingkan Clospan pada 12

data pengujian (nomor percobaan 7, 8, 11, 18, 19, 25, 32, dan 33). Clospan terlihat

lebih cepat dibandingkan dengan Prefixspan pada 13 data pengujian (nomor

percobaan 1, 2, 3, 5, 10, 12, 15, 17, 21, 23, 24, 27, 29, 30, 35, dan 36).

Selanjutnya, dilakukan pengelompokkan dataset berdasarkan minimum

support berdasarkan waktu eksekusi. Hasil pengelompokkan tersebut dapat

digambarkan pada Gambar 3 sampai dengan Gambar 8.

12

Gambar 3Perbandingan Clospan (■) dan

Prefixspan (♦) berdasarkan minimum

support dengan waktu eksekusi untuk

dataset 50




dataset 100




dataset 500




dataset 1,000

Gambar 7Perbandingan Clospan (■)

dan Prefixspan (♦) minimum support

dengan waktu eksekusi untuk dataset

2,000

Gambar 8Perbandingan Clospan (■)

dan Prefixspan (♦) minimum support

dengan waktu eksekusi untuk

dataset 4,140

13

Dari Gambar 4 sampai 8 terlihat bahwa pada dataset dengan jumlah

14

dibawah atau sama dengan 100, waktu eksekusi Prefixspan jauh lebih cepat

15

dibandingkan dengan Clospan. Sedangkan untuk dataset 1,000 waktu eksekusi

16

Prefixspan sama cepatnya dengan Clospan. Pada dataset 500, 1,000, 2,000, dan


Prefixspan (♦) berdasarkan jumlah dataset

dengan waktu eksekusi untuk minimum

support 5%

Gambar 10 Perbandingan Clospan (■) dan



support 6%


Prefixspan (♦) jumlah dataset dengan

waktu eksekusi untuk minimum support

7%




8%




support 10%




15%

17

4,140 waktu eksekusi Clospan lebih cepat jika dibandingkan dengan Prefixspan.

Selanjutnya dilakukan perbandingan antara jumlah datasetdan waktu eksekusi

yang digambarkan pada Gambar 9 sampai dengan Gambar 14.

Pada Gambar 9 sampai dengan Gambar 14 terlihat jika dataset semakin

besar dan minimum support semakin tinggi baik algoritme Prefixspan maupun

Clospan memiliki waktu eksekusi yang semakin cepat. Namun, algoritme Clospan

terlihat lebih baik jika dibandingkan dengan Prefixspan. Selain itu, dari Gambar 9

sampai 14 didapatkan fakta-fakta sebagai berikut:

- Pada minimum support 5% Prefixspan dan Clospan memiliki waktu

eksekusi yang sama, kecuali untuk dataset 50 dan 500. Pada minimum

support tersebut Clospan jauh lebih cepat dibandingkan dengan Prefixspan.

- Pada minimum support 6% Prefixspan lebih cepat dibandingkan dengan

Clospan, kecuali untuk dataset di atas 2,000.

- Pada minimum support 7%, 8%, 10%, dan 15% Clospan memiliki waktu

eksekusi yang sama atau lebih cepat jika dibandingkan dengan Prefixspan,

kecuali untuk dataset di bawah 100. Pada dataset tersebut waktu eksekusi

Prefixspan jauh lebih cepat dibandingkan dengan Clospan.

-

Analisis Pola Sekuensial

Pada pengujian sebelumnya, yaitu hubungan antara dataset, minimum

support, dan jumlah pola sekuensial didapatkan fakta bahwa pada 34 percobaan

dari seluruh percobaan yang telah dilakukan, algoritme Prefixspan dan Clospan

memiliki jumlah pola sekuensial yang sama untuk dataset serta minimum support

yang sama (lihat Tabel 2).

Pada sub bab ini akan dianalisis pola sekuensial yang dihasilkan

bersertaketerkaitan Antara pola sekuensial dengan koleksi buku perpustakaan.

a. Pola sekuensial

Dari percobaan yang telah dilakukan sebelumnya terlihat bahwa dataset

yang menghasilkan jumlah pola sekuensial yang samaternyata memiliki pola

sekuensial yang sama, namun pola yang dihasilkan memiliki perbedaan urutan.

Perbedaan tersebut ditemukan untuk dataset dengan jumlah pola sekuensial di

atas 4 pola dan sebaliknya untuk pola sekuensial dengan jumlah di bawah 4 tidak

memiliki perbedaan urutan.Dataset yang menghasilkan perbedaan jumlah dan

urutan pola dapat dilihat pada Tabel 3.

Pada Tabel 3 terlihat bahwa pola sekuensial yang dihasilkan Clospan

berurutan, sedangkan Prefixspan menghasilkan pola sekuensial secara acak. Hal

tersebut menunjukkan perbedaan cara kerja dari kedua algoritme.Clospan

mengurutkan itemset setelah membangkitkan semua kandidat, sedangkan

Prefixspan tidak memperhatikan urutan pola ketika membangkitkankandidat.

Pada dataset 50 untuk minimum support 5% dan 7% ditemukan perbedaan

jumlah pola sekuensial. Pola sekuensial yang dihasilkan Clospan jauh lebih

sedikit, yaitu sebanyak 21 dan 8 jika dibandingkan dengan Prefixspan yang

menghasilkan pola sebanyak 34 dan 15. Perbedaan tersebut dikarenakan Clospan

menerapkan konsep post-pruning. Post-pruning merupakan proses efisiensi

dengan teknik backward super-patterndan backward sub-pattern.

18

Tabel 3Pola sekuensial dengan urutan pola berbeda untuk dataset50 pada

minimum support 5%

Prefixspan Clospan

820 -1 #SUP: 5 (1) 27 -1 #SUP: 4 (4)

681 -1 #SUP: 3 (2) 639 -1 #SUP: 4 (14)

159 -1 #SUP: 3 (3) 27 -1 27 -1 #SUP: 3 (5)

27 -1 #SUP: 4 (4) 631 -1 #SUP: 5 (12)

27 -1 27 -1 #SUP: 3 (5) 636 -1 #SUP: 5 (15)

519 -1 #SUP: 3 (6) 658 -1 #SUP: 9 (9)

316 -1 #SUP: 3 (7) 658 -1 658 -1 #SUP: 3 (10)

664 -1 #SUP: 3 (8) 820 -1 #SUP: 5 (1)

658 -1 #SUP: 9 (9)

658 -1 658 -1 #SUP: 3 (10)

338 -1 #SUP: 3 (11)

631 -1 #SUP: 5 (12)

635 -1 #SUP: 3 (13)

639 -1 #SUP: 4 (14)

636 -1 #SUP: 5 (15)

b. Keterkaitan antara pola sekuensial dengan item buku

Pada pengujian yang telah dilakukan sebelumnya diperoleh pola sekuensial

yang secara umum tidak memiliki keterkaitan antar item atau hanya memiliki

keterkaitan dengan item itu sendiri. Pola sekuensial yang menarik ditemukan pada

dataset 50, 100, 500, 1,000, 2,000 dan 4,140 dengan minimum support 10%. Pada

dataset tersebut terlihat bahwa buku dengan jenis 631, 639, dan 658 merupakan

buku yang paling banyak dipinjam, tetapi pada pengujian tersebut tidak dihasilkan

pola sekuensial yang memiliki keterkaitan yang kuat antaraitem satu dengan item

lain. Hal tersebut dikarenakan hanya terdapat satuitem untuk setiap pola

sekuensial.

Keterkaitan yang kuat antar item hanya ditemukan pada dataset 50 dengan

minimum support5%.Item027 memiliki keterkaitan dengan item 820, 631 dan 636,

dan 631 dan 638 dengan jumlah support 2 pada masing-masing pola. Kode buku

027 merupakan kode buku dengan kategori perpustakaan, 631 termasuk buku

dengan kategori manajemen pertanian, 636 merupakan peternakan dan

manajemen peternakan, 658 termasuk kategori manajemen, administrasi bisnis,

dan organisasi komersial, dan 820 termasuk kategori sastra.

Selain itu, pola sekuensial dengan minimum support tertinggi didapatkan

pada dataset 100 pada minimum support 35% dengan support 138.Item 658

merupakan kategori buku yang paling kuat diantara item lain. Hal ini

menunjukkan bahwa kode buku 658 dengan kategori manajemen, administrasi

bisnis, dan organisasi komersial merupakan pola yang paling kuat di dalam

transaksi peminjaman buku perpustakaan IPB. Pola tersebut juga ditemukan pada

19

dataset50 dengan minimum support maksimal 15% dan dataset4,140 dengan

minimum support 11%.

SIMPULAN DAN SARAN

Simpulan

Dari penelitian yang telah dilakukan dapat disimpulkan sebagai berikut:

1 Secara umum waktu eksekusi algoritme Clospan lebih cepat dibandingkan

dengan Prefixspan untuk dataset yang berukuran besar.

2 Secara umum algoritme Clospan dan Prefixspan memiliki jumlah pola

sekuensial yang sama yaitu 34 data dari 36 data percobaan.

3 Pola menarik ditemukan pada dataset 50 dengan minimum support 5%.

4 Buku dengan kategori perpustakaan (kode 027) akan dipinjam secara

bersamaan dengan buku kategori sastra (kode 820), buku dengan kategori

manajemen pertanian (kode 631) akan dipinjam secara bersamaan dengan

buku peternakan dan manajemen peternakan (kode 636).

5 Buku dengan kategori manajemen, administrasi bisnis, dan organisasi

komersialbisnis (kode 658) memiliki keterkaitan yang kuat dengan

manajemen pertanian (kode 631).

Saran

Penelitian selanjutnya dapat dilakukan pada data transaksi peminjaman buku

perpustakaan lintas disiplin ilmu sehingga didapatkan pola menarik yang lebih

beragam.

DAFTAR PUSTAKA

Gregorius SB, Gunawan, Yulia. 2013. CloSpan Sequential Pattern Mining for

Books Recommendation System in Petra Christian University Library.

International Conference on Computer Networks and Information

Technology (ICCNIT- 2013); Bangkok, Thailand.

Han J, Kamber M. 2006. Data Mining Concepts and Techniques Second Edition.

San Fransisco (US): Morgan Kaufmann Publ.

Han J, Mortazavi-Asi B, Pei J, Pinto H. 2000. Prefixspan: Mining Sequential

Patterns Efficiently by Prefix-Projected Pattern Growth. Prefixspan

[Internet]. ([diunduh 2013 Agustus 26]).

Han J, Pei J, Yan X. 2003. Sequential Pattern Mining by Pattern Growth.

Sequential Pattern Mining [internet].([diunduh 2013 Juli 25]).

Han J, Yan X, Ashfar R. 2003. Clospan: Mining closed sequential pattern in large

dataset. Clospan [Internet]. ([diunduh2013 Agustus 26]).

20

Saputra D,Solaeman R. 2006. Analisis kinerja algoritma prefixspan dan aprioriall

pada penggalian pola sekuensial. Di dalam: Fasholli Daswir, editorProsiding

SNATI 2006 [internet].Seminar Nasional Aplikasi Teknologi Informasi

2006;2006 Juni 17; Yogyakarta, Indonesia. Yogyakarta (ID): UII. hlm F7-

F12.

Viger PF. 2013. Sequential pattern mining framework versi 0.94. SPMF [internet].

(2013 Agustus 12 [diunduh 2013 Agustus 20]). Tersedia pada:

http://www.philippe-fournier-viger.com/spmf.

21

Lampiran 1Pengujian terhadap beberapa datasetdenganminimum support

1 Dataset 50

Minimum

Support (%)

Jumlah sekuen Waktu (ms)


1 2 3 R* 1 2 3 R

*

5 34 21 11 8 5 8 6 6 5 5.67

6 15 15 1 2 1 1.33 3 2 2 2.33

7 15 8 1 1 1 1 1 2 1 1.33

8 6 6 0 1 0 0.33 1 2 1 1.33

10 4 4 1 1 1 1 1 5 2 2.67

15-19 1 1 1 1 0 0.67 1 1 1 1

2 Dataset 100

Minimum

Support

(%)



1 2 3 R* 1 2 3 R

*

5 10 10 1 1 2 1.33 2 2 2 2

6 6 6 1 1 1 1 2 2 1 1.67

7 5 5 2 1 1 1.33 1 1 2 1.33

8 4 4 1 1 1 1 1 1 1 1

10 4 4 1 1 1 1 2 1 1 1.33

15 2 2 1 1 1 1 1 2 1 1.33

17-35 1 1 0 0 0 0 0 0 0 0

3 Dataset 500

Minimum

Support

(%)



1 2 3 R* 1 2 3 R

*

5 13 13 9 13 13 9.67 11 7 7 10.33

6 12 12 8 8 8 8.67 7 10 7 7.33

7 10 10 7 7 10 7.67 6 6 5 6

8 9 9 10 10 6 7.33 5 6 5 6.67

10 6 6 8 5 8 6.67 4 4 4 4.33

15 2 2 2 2 3 2.33 2 2 2 2

16 1 1 0 0 0 0 0 0 0 0

* R merupakan rataan

22

4 Dataset 1,000

Minimum

Support

(%)



1 2 3 R* 1 2 3 R

*

5 11 11 8 14 8 8 13 8 8 11.67

6 10 10 7 12 8 7.67 7 8 7 8.67

7 6 6 5 11 6 5.33 10 5 5 8.67

8 4 4 5 4 4 4.33 4 4 4 4

10 2 2 4 3 3 3.33 3 3 3 3

15 1 1 3 3 4 3 2 2 5 3.33

16 0 0 0 0 0 0 0 0 0 0

5 Dataset 2,000

Minimum

Support (%)



1 2 3 R* 1 2 3 R

*

5 12 12 15 23 22 20 25 10 23 19.33

6 9 9 22 14 12 16 59 11 19 29.67

7 7 7 15 18 15 16 10 5 10 8.33

8 3 3 6 6 6 6 5 4 5 4.67

10 1 1 6 6 6 6 9 4 3 5.33

15 0 0 6 5 6 5.67 4 4 4 4

6 Dataset 4,140

Minimum

Support

(%)



1 2 3 R* 1 2 3 R

*

5 11 11 21 32 90 47.67 81 30 35 48.67

6 5 5 29 69 29 42.34 24 15 13 17.33

7 4 4 77 14 23 38 22 8 8 12.67

8 3 3 14 58 13 28.33 9 9 9 9

9-10 2 2 12 23 21 18.67 8 6 7 7

15 0 0 9 9 3 7 4 9 5 6

* R merupakan rataan

23

RIWAYAT HIDUP

Penulis bernama Devi Meisita Khairunnisa yang lahir di Bandung tanggal

30 Mei 1991. Penulis merupakan putri pertama dari pasangan Drs H. Herlambang

Sitompul, MM dan Natin Karyatin. Penulis bersekolah di SMA N 66 Jakarta dan

melanjutkan pendidikan di Diploma IPB dengan jurusan Teknik Komputer pada

tahun 2008 dan lulus tahun 2011. Kemudian, penulis melanjutkan pendidikan

Sarjana melalui program alih jenis pada program studi Ilmu Komputer IPB pada

tahun yang sama.

Selama mengikuti perkuliahan, penulis menjadi asisten praktikum Aplikasi

Komputer dan Sistem Operasi pada tahun 2011/2012 pada Program Diploma 3

IPBdan pada tahun 2013 penulis menjadi Technical Writer di Universitas

Indonesia.

PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN … · pola peminjaman buku oleh pengguna perpustakaan....

Documents

Transcript of PENERAPAN ALGORITME PREFIXSPAN DAN CLOSPAN … · pola peminjaman buku oleh pengguna perpustakaan....