Contoh Kasus Distribusi Poisson dalam Jurnal Internasional Pengukuran Probabilitas dari prediksi pola Navigasi menggunakan Analisis Distribusi Poisson Dikutip dari: Dr. V. Valli Mayil, Ms. R. Rooba, dan Ms. C. Parimala
DISUSUN OLEH: ADITYA LUKY LUKY W. BARA OKTA PRATISTA J. IRENE PATASIK NURMA AYU W. RIFQI IMADUDDIN IRFAN
(M0513002) (M0513002) (M0513012) (M0513023) (M0513035) (M0513040)
JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM SURAKARTA
BAB I PENDAHULUAN
Abstrak Web Usage Mining adalah penerapan teknik data mining untuk repositori data web yang besar untuk mengekstrak pola penggunaan. Setiap server web menyimpan log dari semua transaksi antara server dan klien. Log data yang dikumpulkan oleh server web berisi informasi tentang setiap klik dari pengguna ke dokumen web dari situs. Informasi log yang berguna perlu dianalisis dan diinterpretasikan untuk memperoleh pengetahuan tentang preferensi pengguna yang sebenarnya dalam mengakses halaman web. Pada jurnal ini membahas metode statistik analisis distribusi Poisson untuk mengetahui probabilitas urutan sesi yang lebih tinggi yang kemudian digunakan untuk menguji kinerja aplikasi web. Melakukan data mining pada log server web melibatkan penentuan urutan akses yang sering terjadi. Sebuah statistik distribusi poisson menunjukkan probabilitas frekuensi kejadian tertentu ketika probabilitas rata-rata kejadian tunggal diketahui. Distribusi Poisson adalah fungsi diskrit yang digunakan dalam jurnal ini untuk mengetahui frekuensi probabilitas halaman tertentu yang dikunjungi oleh pengguna.
Pengenalan Penilaian kuantitatif dari perilaku navigasi adalah tugas mendasar untuk memahami fenomena navigasi web. Ukuran kuantitatif dari perilaku pengguna akan memberikan karakterisasi yang lebih baik navigasi pengguna dan ini selanjutnya akan menyarankan cara yang lebih baik untuk merancang struktur situs web. Operasi kuantitatif dapat dilakukan pada informasi sesi yang memprediksi karakterisasi penting dari perilaku navigasi.
Metodologi Para penulis jurnal ini mengadopsi pendekatan teori matriks dalam pemodelan data log web dan mengusulkan satu set operator aljabar, yang secara kolektif disebut operasi navigasi, yang dapat digunakan untuk memanipulasi navigasi matriks. Informasi penggunaan web dapat dihasilkan dari file log melalui proses pembersihan, dimana satu set sesi navigasi mewakili jalur yang terbentuk selama proses navigasi. Pada jurnal ini berlaku statistik, jaringan, dan metode analisis grafik deskriptif pada data perilaku pengguna untuk mendapatkan profil pengguna. Untuk analisis grafik, file log pertama dikonversi ke matriks adjacency yang merepresentasikan pola penggunaan dari sebuah situs web untuk pengguna tertentu. Matriks tersebut
menampilkan halaman yang diminta oleh pengguna dan bagaimana pengguna sampai ke halaman yang berbeda. Penulis E. Pitkow & P. Pirolli menggunakan algoritma urutan terpanjang yang diulang untuk memprediksi perilaku pengguna dalam melakukan surfing dan Wang & Zaïane menggunakan sebuah algoritma keselarasan urutan untuk cluster sesi navigasi web pengguna. Urutan sesi direpresentasikan dalam model Markov dan berbagai pengukuran probabilitas terhadap pola navigasi dianalisis dalam model Markov. BAB II PEMBAHASAN
Metrik Navigasi Sederhana Metrik navigasi sederhana terdiri atas dwelling time dari setiap halaman web dalam satu sesi. Analisis pekerjaan dimulai dengan metode statistik dan menghitung frekuensi setiap halaman dan waktu yang dihabiskan pada setiap halaman. Faktor waktu adalah faktor yang paling bermakna dalam analisis dan korelasi positif dari waktu yang dihabiskan pada halaman web dan minat user telah diidentifikasi masuk. Pekerjaan ini mengukur dwell time antara masing – masing halaman dalam sesi dan total waktu yang dihabiskan pada setiap sesi.
Evaluasi Probabilitas File Log menggunakan Distribusi Poisson Proses Poisson adalah proses stokastik yang terdiri dari kumpulan (random) titik dalam waktu. Contoh dari proses Poisson adalah titik waktu di mana pelanggan tiba di toko. Konsep proses Poisson dapat digeneralisasi untuk proses dengan titik di sembarang set (bukan titik dalam waktu). Distribusi Poisson adalah distribusi probabilitas diskrit yang menyatakan kemungkinan dari sejumlah peristiwa yang terjadi dalam periode waktu yang tetap jika peristiwa peristiwa ini terjadi dengan tingkat rata – rata yang diketahui dan secara independen dari waktu sejak peristiwa terakhir. Hal ini memberikan probabilitas teoritis dan frekuensi teoritis variabel diskrit. Distribusi ini dapat diterapkan ketika kejadian peristiwa itu harus dari dua alternatif seperti keberhasilan atau kegagalan. Hal ini diterapkan ketika jumlah jejak 'n' sangat besar. Contoh peristiwa yang dapat dimodelkan sebagai distribusi Poisson meliputi: jumlah panggilan telepon di call center per menit, berapa kali web server diakses per menit, dan jumlah mutasi pada hamparan tertentu dari sebuah DNA setelah sejumlah radiasi. Distribusi probabilitas dari variabel acak X mewakili jumlah keberhasilan yang terjadi dalam interval waktu tertentu atau daerah tertentu dari ruang yang diberikan dalam sebuah rumus : ( )
, dimana x = 0, 1, 2, 3…
‘e’ adalah dasar dari logaritma natural (e = 2.71828…). Variabel 'x' adalah jumlah aktual keberhasilan yang dihasilkan dari percobaan. Variabel 'm' adalah jumlah rata – rata keberhasilan dalam interval waktu tertentu atau daerah ruang. Distribusi poisson diterapkan untuk data log web, karena mengandung volume hits yang besar dari halaman web. Metode ini digunakan untuk mencari ukuran probabilitas setiap halaman yang dikunjungi terhadap beberapa kali yang terdapat dalam log web.
Hasil Eksperimental Tujuan dalam jurnal ini adalah untuk menemukan probabilitas kemunculan setiap halaman web menggunakan teknik probabilitas poisson. Metode ini menemukan kemungkinan jumlah halaman yang terjadi dalam periode waktu yang tetap. Percobaan dilakukan pada empat hari transaksi log web dari Kongu Arts and Science College web server dari 14.10.07 sampai 17.10.07 dikumpulkan dan dilakukan pemrosesan awal dengan kode pembersihan data. Catatan log yang dibersihkan dikonversi dalam sesi format urutan yang berisi . Berikut tabel 1 menunjukkan rincian sesi transaksi log web. Dalam rangka untuk mencari probabilitas poisson, hal tersebut memerlukan dalam penemuan frekuensi 1,2,...n kejadian waktu dari setiap halaman web di setiap sesi dalam jangka waktu tertentu. Menggunakan distribusi Poisson, frekuensi yang diharapkan 4 kali terjadi dari setiap halaman web dihitung. Hasil probabilitas poisson ditunjukkan dalam tabel 1 sebagai berikut.
Hasil pada tabel 2 menunjukkan probabilitas terjadinya semua halaman web dari situs web www.kasc.ac.in. Entri pada tabel 2 menunjukkan bahwa 1 kali terjadinya hit halaman magazine.html tersedia di dua sesi yang berbeda. Frekuensi 1 kali, 2 kali, dan 3 kali kejadian dari setiap halaman di situs tersebut dilaporkan dalam tabel 4.2. Metrik poisson ini memberikan kemungkinan terjadinya 4 kali dari setiap nilai halaman dan dilaporkan dalam tabel 2. Grafik pada gambar 1 menunjukkan kemungkinan terjadinya halaman web dalam situs web www.kasc.ac.in. Hasil grafik menunjukkan metrik probabilitas yang dapat memprediksi perilaku navigasi dari pengguna web.
BAB III PENUTUP
Kesimpulan Metrik yang tepat dapat memberikan karakterisasi yang berguna dari web pengguna perilaku navigasi dan dapat mendiagnosa berbagai masalah. Kemampuan untuk memprediksi kemungkinan kejadian dengan presisi akan sangat berguna dalam praktek. Pada jurnal ini mengusulkan analisis probabilitas file log web menggunakan distribusi Poisson. Empat hari transaksi web log dari 14.10.07 sampai 17.10.07 dari Kongu Arts and Science College web server yang telah dikumpulkan untuk analisis probabilitas Poisson. Pendekatan ini menemukan probabilitas dan frekuensi dari melihat setiap halaman di situs web. Angka 4.1 menunjukkan bahwa halaman web "magazine.html", "course.html", "biodept/bio.html", "aicte.html", "phdhostory.html", "mphilecon.html", "cspgdept/mphilcs.html" memiliki lebih banyak nilai probabilitas. Oleh karena itu, probabilitas kemunculan halaman ini di masa mendatang lebih tinggi dari halaman lain dalam situs web.
