Banyaknya keragaman buku di perpustakaan, menyebabkan pengguna sulit menemukan buku yang sesuai dengan keinginan mereka. Penelitian ini bertujuan mengimplementasikan sistem rekomendasi peminjaman buku berdasarkan minat pengunjung menggunakan metode k-means dan association rule. Penelitian ini dilakukan pada perpustakaan UTM. Data yang digunakan adalah data anggota dan transaksi pinjam mahasiswa fakultas teknik. Dengan skenario ujicoba 200 record data. Proses pengelompokan pengunjung berdasarkan total data tiap cluster dan jumlah nilai yang terdapat dalam satu cluster yang paling besar. Kelompok mahasiswa yang aktif melalui proses association rule didapatkan support minimal 30% dan support maksimal 50%. Rule terbaik pada minsup 50% yaitu kombinasi Algoritma & pemrograman dengan borland C++ dan Pemrograman C dan Implementasinya. Dengan nilai support 70% dan nilai confidence 100%. Support minimal terbentuk dari jumlah tiap item yang lebih besar sama dengan minsup. Support maksimal terbentuk dari minsup yang digunakan tidak lagi menghasilkan output berupa rule. Rule terbaik adalah rule yang mempunyai nilai support dan confidence yang paling tinggi. Rule tersebut mempunyai nilai kepercayaan yang mewakili seluruh kombinasi item yang terbentuk. Semakin besar minsup yang digunakan rule yang dihasilkan semakin sedikit, namun rule yang dihasilkan semakin kuat karena memiliki nilai kepercayaan yang tinggi. Kata kunci: k-means, association rule, apriori, rekomendasi buku.

A large variety of books in the library, causing the user is difficult to find a book that suits their desires. This research aims to implement a recommendation system based on visitor interest borrowing books using the k-means clustering and association rule. This research was conducted at UTM library. The data used is a loan transaction data members and engineering students. With the test scenario 200 data records. The process of grouping visitors based on the data of each cluster and the total number of values contained in a single cluster at most. Active student groups through the process of association rule obtained the support of at least 30% and a maximum of 50% support. The best rule to minsup 50% is a combination of algorithms and programming with Borland C ++ and C Programming and Implementation. With the support value of 70% and 100% confidence value. Minimum support is formed from the sum of each item is the same as minsup. Maximum support is formed of minsup is no longer used to produce output rule. The best rule is a rule that has the support and confidence values are highest. The rule has a confidence value that represents all combinations of items that form. The greater minsup used rule generated fewer and fewer, but more powerful the resulting rule because it has a high trust value. Keywords: k-means clustering, association rule, a priori, a book recommendation

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal