137-Article Text-332-1-10-20210328
137-Article Text-332-1-10-20210328
http:// www.jidt.org
2021 Vol. 3 N o. 3 Hal: 160-166 ISSN: 2714-9730 (electronic)
Abstract
Knowledge Discovery in Database (KDD) is a structured analysis process aimed at getting new and correct information,
finding patterns from complex data, and being useful. Data mining is at the core of the KDD process. Clustering is a data
mining method that is suitable for optimizing library services because it can cluster books effectively and efficiently, with the
K-Means algorithm data can be clustered and information from each centroid value of each cluster. Library services can
optimize the placement of books so that students can quickly find books according to their reading interest more effectively
and can be attracted to other books because they are in one grouping. Meanwhile, the library can prioritize the procurement
of the next book. Optimization of library services in the cluster using the K-Means method. Clustering interest in reading has
the criteria for the number of books available, borrowed books, and the length of time the books are borrowed. The book data
is clustered into 3, namely very interested, in demand, and less desirable. After doing the calculation process from 40 samples
of book types, it resulted in 6 iterations, and the final results were 3 clustering, namely cluster 1 of 4 books that were of great
interest, cluster 2 of 20 books that were of interest, and cluster 3 of 16 books that were less desirable. This research can be
used as a recommendation reference for optimizing library services both for the layout and procurement of books by
prioritizing the types of books that are of great interest.
Keywords: KDD, Data Mining, Clustering, K-Means, Library.
Abstrak
Knowledge Discovery in Database (KDD) merupakan proses analisa yang terstruktur bertujuan mendapatkan informasi yang
baru dan benar, menemukan pola dari data yang komplek, dan bermanfaat. Data mining merupakan inti dari proses KDD.
Clustering merupakan metode data mining yang cocok untuk pengoptimalisasikan pelayanan perpustakaan dikarenakan dapat
mengklasterisasikan buku dengan dengan efektif dan efesien, dengan algoritma K-Means data dapat di clustering dan
informasi dari setiap nilai centroid dari setiap cluster. Pelayanan perpustakaan dapat mengoptimalisasikan penempatan buku
sehingga santri bisa dengan cepat mencari buku sesuai dengan minat bacanya dengan lebih efektif dan bisa tertarik dengan
buku yang lain karena berada dalam satu pengelompokan. Sedangkan untuk pihak perpustakaan bisa memprioritaskan untuk
pengadaan buku selanjutnya. Optimalisasi pelayanan perpustakaan di cluster dengan menggunakan metode K-Means.
Clustering minat baca memiliki kreteria jumlah kesediaan buku, buku yang di pinjam, dan lama buku di pinjam. Data buku di
clustering menjadi 3 yaitu sangat diminiti, diminati, dan kurang diminati. Setelah melakukan proses perhitungan dari 40
sampel jenis buku maka menghasilkan 6 kali iterasi, dan di dapatkan hasil akhir 3 clustering yaitu cluster 1 sebanyak 4 buku
yang sangat diminati, cluster 2 sebanyak 20 buku yang diminati, dan cluster 3 sebanyak 16 buku yang kurang diminati.
Penelitiaan ini dapat dijadikan sebagai acuan rekomendasi untuk pengoptimalisasikan pelayanan perpustakaan baik untuk tata
letak maupun pengadaan buku dengan memprioritaskan jenis buku yang sangat diminati.
Kata kunci: KDD, Data Mining, Clustering, K-Means, Perpustakaan.
© 2021 JIdT
Cluster 1 Id C0 C1 C2 C0 C1 C2
1 0,36 20,99 5,90 C0
C01 = √((2-2,1875)^2+(6-5,6875)^2 ) 2 1,23 21,22 6,11 C0
3 5,32 16,14 1,13 C2
= √(〖(-0,1875)〗^2+〖(0,3125)〗^2 ) 4 18,71 2,55 12,58 C1
5 1,06 21,78 6,85 C0
= √(0,0351+0,0977) 6 3,32 18,07 2,95 C2
7 1,33 20,01 4,91 C0
= 0,36 8 8,35 12,98 2,16 C2
9 6,57 14,71 1,26 C2
C02 = √((1-2,1875)^2+(6-5,6875)^2 ) 10 0,36 20,99 5,90 C0
11 9,49 11,77 3,39 C2
= √(〖(-1,1875)〗^2+〖(0,3125)〗^2 ) 12 9,73 11,60 3,87 C2
13 4,32 17,10 2,00 C2
= √(1,4102+0,0977) 14 10,47 10,79 4,33 C2
15 2,32 19,04 3,92 C0
= 1,23 16 3,32 18,07 2,95 C2
17 2,32 19,04 3,92 C0
Cluster 2 18 6,32 15,18 0,76 C2
19 7,31 14,23 1,37 C2
C11 = √((2-6,50)^2+(6-26,50)^2 ) 20 17,73 3,54 11,61 C1
21 12,45 8,86 6,28 C2
= √((-4,50)^2+(-20,50)^2 ) 22 3,24 23,63 8,94 C0
= √(20,25+420,25) 23 0,71 21,97 6,89 C0
24 8,31 13,29 2,28 C2
= 20,99 25 16,05 5,52 10,09 C1
26 3,69 24,91 9,88 C0
C12 = √((1-6,50)^2+(6-26,50)^2 ) 27 32,67 11,51 26,49 C1
28 5,32 16,14 1,13 C2
= √(〖(-5,50)〗^2+〖(-20,50)〗^2 ) 29 3,32 18,07 2,95 C2
30 3,32 18,07 2,95 C2
= √(30,25+353,44) 31 3,32 18,07 2,95 C2
32 1,33 20,01 4,91 C0
= 21,22 33 4,68 16,69 2,23 C2
34 1,33 20,01 4,91 C0
Cluster 3 35 1,54 19,81 4,86 C0
36 3,69 24,91 9,88 C0
C21 = √((2-2,75)^2+(6-11,85)^2 ) 37 3,32 18,07 2,95 C2
38 0,36 20,99 5,90 C0
= √(〖(-0,75)〗^2+〖(-5,85)〗^2 ) 39 6,36 14,92 0,29 C2
40 0,36 20,99 5,90 C0
= √(0,56+34,22)
Berdasarkan hasil yang diperoleh dari iterasi 6 maka
= 5,90 diperoleh pengelompokan data anggota C0, C1, dan C2
C22 = √((1-2,75)^2+(6-11,85)^2 ) seperti berikut:
[1] Zanuardi, A., & Suprayitno, H. (2018). Analisa Karakteristik [15] Moubayed, A., Injadat, M., Shami, A., & Lutfiyya, H. (2020).
Kecelakaan Lalu Lintas di Jalan Ahmad Yani Surabaya melalui Student Engagement Level in an e-Learning Environment:
Pendekatan Knowledge Discovery in Database. Jurnal Clustering Using K-means. American Journal of Distance
Education, 34(2), 137–156. DOI:
https://doi.org/10.1080/08923647.2020.1696140 .