Penerapan Algoritma K-Means Clustering untuk Mengetahui Pola Peminjaman Buku di Perpustakaan Universitas Imelda Medan
Penulis
-
Nurbeti Sinulingga
Universitas Pembangunan Panca Budi
-
Muhammad Irfan Sarif
Universitas Pembangunan Panca Budi
-
Nuzul Aini Ramadhani
Universitas Pembangunan Panca Budi
-
Karina Nurfebia
Universitas Pembangunan Panca Budi
-
Febri Yalda Sulistia
Universitas Pembangunan Panca Budi
DOI:
https://doi.org/10.62712/juktisi.v4i3.707Kata Kunci:
SLiMS 7, Data Mining, K-Means, Peminjaman Buku, PerpustakaanAbstrak
Pemanfaatan library management system modern menjadi aspek penting dalam peningkatan kualitas layanan perpustakaan. Perpustakaan Universitas Imelda Medan telah menggunakan SLiMS 7 sebagai sistem informasi pengelolaan koleksi dan transaksi peminjaman buku. Penelitian ini bertujuan untuk menganalisis data peminjaman yang berasal dari SLiMS 7 dan mengidentifikasi pola peminjaman buku menggunakan algoritma K-Means Clustering. Data penelitian meliputi kategori buku, frekuensi peminjaman, program studi peminjam, dan periode waktu peminjaman yang diekstraksi langsung dari database SLiMS 7. Tahapan penelitian mencakup pra-pemrosesan data, normalisasi, penentuan jumlah klaster optimal dengan metode Elbow, serta proses klasterisasi menggunakan algoritma K-Means. Hasil penelitian menunjukkan terbentuknya beberapa klaster yang menggambarkan pola peminjaman berbeda, seperti klaster koleksi dengan tingkat peminjaman tinggi, menengah, dan rendah. Temuan ini dapat membantu perpustakaan dalam pengambilan keputusan terkait pengembangan koleksi, penataan layanan, dan perencanaan strategi pengadaan buku. Dengan demikian, integrasi data SLiMS 7 dengan algoritma K-Means terbukti efektif dalam menghasilkan informasi yang mendukung peningkatan kualitas layanan perpustakaan berbasis data
Unduhan
Referensi
. A. Rahman and D. F. Saputra, “Implementation of SLiMS 7 for Digital Library Management in Higher Education,” Journal of Library Information Systems, vol. 5, no. 2, pp. 45–54, 2021.
. S. Hidayat, “Digital Library Optimization Using SLiMS-Based Information Systems,” Library Technology Review, vol. 14, no. 1, pp. 33–41, 2020.
. S. Marpaung, “Library Collection Development Based on Borrowing Trends in Academic Libraries,” International Journal of Library Science, vol. 10, no. 1, pp. 12–20, 2020.
. L. Sari and T. Pramudita, “Library Usage Pattern Analysis Using Data Mining Techniques,” Journal of Information Science and Technology, vol. 9, no. 4, pp. 109–117, 2021.
. D. Widodo, “Utilizing Data Mining for Library Borrowing Pattern Analysis,” Indonesian Journal of Informatics, vol. 6, no. 2, pp. 65–74, 2021.
. M. Yusuf and L. Setiawan, “A Comparative Study of Clustering Algorithms for Library Borrowing Data,” Journal of Data Mining Applications, vol. 4, no. 3, pp. 77–85, 2022.
. K. Wibowo and A. Lestari, “Pattern Analysis of Library Book Borrowing Using K-Means Clustering,” Procedia Computer Science, vol. 216, pp. 325–332, 2023.
. N. Dewi and H. Wahyudi, “Machine Learning-Based Library Data Analysis for Collection Development,” Journal of Smart Information Systems, vol. 3, no. 1, pp. 58–67, 2022.
. F. Sitorus, “Integration of SLiMS with Data Mining for Academic Library Services,” Indonesian Journal of Digital Libraries, vol. 2, no. 1, pp. 22–30, 2023.
. R. Anggraini, “Predictive Analytics in Library Borrowing Using Clustering Methods,” Journal of Information Technology and Libraries, vol. 42, no. 1, pp. 101–112, 2023.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Nurbeti Sinulingga, Muhammad Irfan Sarif, Nuzul Aini Ramadhani, Karina Nurfebia, Febri Yalda Sulistia
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
