Web Log Mining Menggunakan k-Means pada Server Proxyuntuk Perancangan Manajemen Bandwidth IPB

(1)

WEB LOG MINING

MENGGUNAKAN K-MEANS PADA

SERVER

PROXY

UNTUK PERANCANGAN

MANAJEMEN

BANDWIDTH

IPB

ELKANA GETALOID PARIWONO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Web Log Mining

Menggunakan k-Means pada Server Proxyuntuk Perancangan Manajemen

Bandwidth IPBadalah 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, Januari 2014

Elkana Getaloid Pariwono

(4)

ABSTRAK

ELKANA GETALOID PARIWONO. Web Log Mining Menggunakan k-Means pada Server Proxyuntuk Perancangan Manajemen Bandwidth IPB. Dibimbing oleh HERU SUKOCO.

Layanan internet IPB meningkat dari tahun ke tahun, baik dari aspek infrastruktur maupun layanan. Salah satu peningkatan infrastruktur yang dilakukan adalah peningkatanbandwidth internet. Meskipun demikian,penelitian untuk mengetahui karakteristik penggunaan internet IPB belum pernah dilakukan. Penelitian ini melakukanclustering terhadap fail-fail logproxy IPBmenggunakan algoritme k-Means untuk mendapatkan karakteristik pengguna internet. Fail-fail yang digunakan berasal dari server proxymahasiswa, staf kependidikan, dan staf pendidik. Penelitian ini berhasil mendapatkan total 16clusterberdasarkan jumlah

hit pada 14 kategori situs.Hasil clustering menunjukkan bahwa terdapat kemiripan pada penggunaan internet dari asrama mahasiswa.Pada seluruh cluster situs berkategori Service dan Entertainment memiliki total rata-rata persentasehit diatas 24% dan 33%. Perancangan manajemen bandwidth dibuat dengan mempertimbangkan penggunaan serta anggota dari setiap cluster

Kata kunci:clustering,internet IPB, karakterisasi penggunaaan,k-Means, logproxy, server proxy

ABSTRACT

ELKANA GETALOID PARIWONO. Web Log Mining Using k-Means OnProxy

Server for Designing IPB Bandwidth Management. Supervised by HERU SUKOCO.

IPB internet services isimproving every year, both from the infrastructure and service aspects. One of the infrastructure improvements is internet bandwidth enhancement. However, research on user characterization of internet usage in IPB has never been done. This study uses k-Means algorithm to cluster IPB proxy

server log's file to obtain the characteristics of internet users. The research evaluates all user's log files including student, educational staff, and lecturer. This study resulted in 16clusters calculated based on the number of hits on the 14 site categories. Clustering resultsshowedthatthere weresimilaritiesin theuse of the internetfrom student dorm.In each cluster, thetotalaverage percentage of the sites with Service and Entertainmentcategoriesareabove 24% and 33%.Bandwidth management is designed based on member and utilization of each cluster.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

WEB LOG MINING

MENGGUNAKAN K-MEANS PADA

SERVER

PROXY

UNTUK PERANCANGAN

MANAJEMEN

BANDWIDTH

IPB

ELKANA GETALOID PARIWONO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

(7)

Judul Skripsi :Web Log Mining Menggunakan k-Means pada Server Proxyuntuk Perancangan Manajemen Bandwidth IPB

Nama : Elkana Getaloid Pariwono NIM : G64114004

Disetujui oleh

Diketahui oleh

DrEng Heru Sukoco, SSi MT Pembimbing I

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

(9)

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2013 ini ialah log miningpada server proxy IPB, dengan judul Web Log Mining Menggunakan k-Means pada Server Proxyuntuk Perancangan Manajemen Bandwidth IPB.

Terima kasih penulis ucapkan kepada:

1 Ayah, ibu dankakak telah memberikan doa serta dukungan moral sehingga karya ilmiah ini dapat terselesaikan

2 Bapak DrEng Heru Sukoco, SSi MT selaku pembimbing, serta Ibu Dr Imas Sukaesih Sitanggang, SSi MKom yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Bapak Endang Purnama Giri, SKom MKom selaku penguji.

3 Bapak Faozan Ahmad, SSi MSi dari Departemen Fisika IPB, Bapak Drs Mahfuddin Zuhri, MSi selaku Kasubdit Jaringan Direktorat Integrasi Data dan Sistem Informasi (DIDSI), Bapak Hasan Rokhim, AMd, Bapak Ahmad Kurnia beserta seluruh staf DIDSI IPB yang telah membantu selama pengumpulan data.

4 Teman-teman Ilkom Alih Jenis angkatan 6 atas segala bantuan yang diberikan. Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2014

(10)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 1

Tujuan Penelitian 1

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Studi Pustaka 3

Analisis Lingkungan Jaringan 3

Karakterisasi Beban Kerja 3

Perancangan Model Beban Kerja 5

Lingkungan Pengembangan 5

HASIL DAN PEMBAHASAN 6

Analisis Lingkungan Jaringan 6

Karakterisasi Beban Kerja 7

Perancangan Model Beban Kerja 12

SIMPULAN DAN SARAN 26

Simpulan 26

Saran 26

DAFTAR PUSTAKA 27

LAMPIRAN 13

(11)

DAFTAR TABEL

1 Kriteria log yang dihapus 3

2 Format data 4

3 Anggota cluster pada log dosen 9

4 Centroidcluster pada log dosen 10 5 Anggota cluster pada log mahasiswa dan tenaga kependidikan 11 6 Centroidcluster pada log mahasiswa dan tenaga kependidikan 11 7 Rataan hit seluruh kategori dari pengguna dosen 25 8 Rataan hit seluruh kategori dari pengguna mahasiswa dan tenaga

kependidikan 26

DAFTAR GAMBAR

1 Tahapan penelitian 2

2 Arsitektur server proxy IPB (DKSI 2012b) 6

3 SSE dan k pada cluster data logproxy dosen 9

18 Pencilan cluster 0 pada logproxy mahasiswa dan tenaga kependidikan 19 19 Jumlah hit pada cluster 1 untuk logproxy mahasiswa dan tenaga

kependidikan 20

20 Pencilancluster 1 pada logproxy mahasiswa dan tenaga kependidikan 20 21 Jumlah hit pada cluster 2 untuk logproxy mahasiswa dan tenaga

(12)

26 Jumlah hit pada cluster 6 untuk logproxy mahasiswa dan tenaga

kependidikan 24

27 Pencilan cluster 6 pada logproxy mahasiswa dan tenaga kependidikan 24

28 Model HTB pengguna dosen 25

(13)

(14)

PENDAHULUAN

Latar Belakang

Peningkatan layanan internet IPB terus dilakukan dari tahun ke tahun. Salah satu peningkatan yang dilakukan adalah meningkatkan kapasitas bandwidth untuk jalur internet internasional dan domestik. Pada tahun 2012 peningkatan kapasitas

bandwidth untuk jalur internasional dilakukan dari 60 Mbps (Mega bit per second) menjadi 200 Mbps, sedangkan untuk jalur domestik peningkatan terjadi dari 100 Mbps ke 200 Mbps (DKSI 2012a). Meskipun demikian, pengelolaan sumber daya bandwidth ini belum dilakukan secara maksimal. Hal ini terlihat dari belum adanya bandwidth management yang berfungsi untuk melakukan pembagian bandwidth. Pengelolaan dan pembagian bandwidth secara maksimal dapat dilakukan jika karakteristik penggunaan telah diketahuai sebelumnya.

Penelitian yang terkait dengan penggunaan internet IPB telah dilakukan sebelumnya. Sianipar (2012) melakukan penelitian yang berjudul Analisis Penggunaan Layanan Jaringan Internet IPB. Dalam penelitian tersebut Sianipar (2012) melakukan analisis pada data sniffing yang berisi seluruh aktivitas jaringan IPB. Dari hasil penelitian tersebut diperoleh kesimpulan bahwa layanan web

adalah layanan yang paling banyak digunakan. Sianipar (2012) juga menyimpulkan penggunaan layanan internet IPB yang berkaitan dengan kebutuhan informasi akademis hanya sebesar 8.15%. Informasi ini didapat dengan melihat Top Level Domain (TLD) dari situs yang diakses oleh pengguna internet di IPB. Top Level Domain ini digunakan untuk mengkategorikan situs (contoh:

.gov untuk situs pemerintahan, .com untuk situs komersial) sehingga persentase dari situs yang berhubungan dengan kebutuhan akademik IPB dapat diperoleh.

Berdasarkan hasil penelitian yang diperoleh Sianipar (2012), maka perlu dilakukan penelitian lebih lanjut yang berfokus pada penggunaan layanan web di jaringan IPB. Kebijakan penggunaan internet di IPB mengharuskan penggunaan server proxy IPB untuk dapat terhubung ke internet oleh karena itu seluruh aktivitas penggunaan internet di IPB akan dicatat oleh server proxy IPB dalam bentuk fail log.Pada penelitian ini akan dilakukan proses clustering menggunakan k-Means terhadap fail log yang berisi aktivitas penggunaan internet IPB. Karakterisitik penggunaan pada setiap clusterakan digunakan sebagai dasar untuk membuat model kebijakan manajemen bandwidth.

Perumusan Masalah

Perumusan masalah dalam penelitian ini adalah bagaimana memperoleh pengetahuan tentang karakteristik penggunaan internet di IPB dari fail log yang terdapat pada server proxy IPB. Pengetahuan itu akan digunakan sebagai dasar untuk membuat model kebijakan manajemen bandwidth.

Tujuan Penelitian Tujuan dari penelitian ini adalah:

(15)

2

2 Mengetahui karakteristik penggunaan internet di IPB berdasarkan

cluster yang diperoleh

3 Merekomendasikan model kebijakan manajemen bandwidth di IPB Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat memberi gambaran tentang karakteristik penggunaan internet di IPB, sehingga dapat dijadikan bahan pertimbangan dalam melakukan manajemenbandwidth.

Ruang Lingkup Penelitian Ruang lingkup pada penelitian ini antara lain: 1 Penelitian dilakukan pada jaringan IPB.

2 Data yang digunakan adalah fail Squid log dari server proxy IPB 3 Identifikasi pengguna dilakukan berdasarkan IP address

4 Clustering dilakukan berdasarkan nilai hit

5 Perancangan kebijakan dilakukan berdasarkan hasil clustering pada fail log

METODE

Penelitian dilaksanakan dalam3 tahap utama yaitu analisis lingkungan jaringan,karakterisasi beban kerja dan perancangan model beban kerja.Setiap tahapan utama tersebut terbagi menjadi tahapan yang lebih kecil.Gambar 1 menunjukkan tahapan yang dilakukan dalam penelitian ini.

(16)

3 Studi Pustaka

Tahapan ini dilakukan untuk mengumpulkan dan mempelajari pustaka yang berkaitan dengan penelitian. Pustaka yang dikumpulkan dan dipelajari adalah pustaka yang berkaitan dengan log mining dan algoritme manajemenbandwidth

HTB. Metode yang dilakukan pada pustaka tersebut dipelajari dan dianalisis sehingga dapat diterapkan dalam penelitian ini. Buku dan artikel (jurnal dan prosiding) penelitian merupakan sumber utama pada tahap ini.

Analisis Lingkungan Jaringan

Pada tahapan ini dilakukan pengumpulan data dan dokumentasi terkait infrastruktur jaringan IPB. Data yang dikumpulkan pada tahapan ini adalah fail

log dari server proxy IPB. IPB menggunakan Squid sebagai server proxy. Format fail log yang dimiliki Squid adalah sebagai berikut (http://wiki.squid-cache.org/Features/LogFormat)

time elapsed remotehost code/status bytes method URL rfc931 peerstatus/peerhost type

Dokumentasi infrastruktur jaringan IPB berguna untuk membantu memahami datalog yang diperoleh.

Karakterisasi Beban Kerja Praproses

Sebelum data log yang digunakan dapat dijadikan masukan untuk algoritme

data mining,terlebih dahulu dilakukan praproses. Praproses yang dilakukan terdiri atas beberapa tahapan:

1 Pembersihan Data:Akses ke suatu halaman situs dapat menghasilkan beberapa barislog. Hal ini dikarenakan suatu halaman situs memiliki beberapa elemen seperti gambar dan suara (Kerkhofset al. 2001). Pada logproxy juga terdapat baris log yang tidak dihasilkan dari aksi pengguna (Weinreich et al. 2006). Tahap ini melakukan penghapusan terhadap baris logberdasarkan kriteriafield logpada Tabel 1.

Tabel 1Kriteria log yang dihapus

Field Kriteria

URL akhiran .gif, .jpeg, jpg .css, .png, .js (Chitraa et al, 2012), iklan (Weinreich

et al, 2006), malware, tracking cookie

Type image/gif, text/javascript, application/xml, image/png, text/css, image/jpeg, text/xml, application/x-shockwave-flash, application/javascript/, application/pdf, application/x-gzip, text/chat, application/zip, audio/mpeg, application/msword, application/x-rpm, application/vnd.ms-powerpoint, application/x-tar, application/x-cap, application/xml-dtd (Chaudhari, 2011), application/ocsp-request, application/ocsp-response

Method selain GET dan POST (Sathiyamoorthi et al, 2011)

(17)

4

Setelah baris yang tidak relevan dibuang, tahapan selanjutnya adalah memilih

field yang dibutuhkan. Field yang dibutuhkan pada tahapan ini adalahfieldtime

yang merupakan waktu pengaksesan,remotehost yang merupakan Internet Protocol Address (IP Address) pengguna, dan URL dari situs yang dikunjungi pengguna.

2 Identifikasi Pengguna:setiap pengguna yang tercatat pada logharus diidentifikasi, hal ini diperlukan untuk perhitungan jumlah hit ke situs yang dikunjungi oleh setiap pengguna. Menurut Sathiyamoorti et al. (2011) IP

address dapat digunakan untuk membedakan setiap pengguna. Perhitungan jumlah hitakandilakukan pada setiap IP address yang berbeda.

3 Kategorisasi situs:pada tahap ini dilakukan kategorisasi terhadapsitusmemiliki

hit lebih dari 120 pada fail log yang telah bersih. Situs yang memiliki hit

dibawah 120 akan mempengaruhi reliabilitas hasil (Kerkhofs et al. 2001). Membagi situs kedalam suatu kategori merupakan hal yang umum dilakukan. Proses ini akan membantu manajemen data (Cadez et al. 2003). Setiap baris pada fail log dihitung sebagai 1 hit.Pengkategorian situs dilakukan secara manual dengan mengunjungi situs tersebut dan memanfaatkan fasilitas domain tagging pada situs OpenDNS. Jika pada tahapan ini ditemukan halaman situs yang memiliki kategori iklan, malware atau tracking cookie, maka proses pembersihan data diulang kembali dengan menyertakan situs tersebut sebagai baris yang akan dihilangkan.

4 Perhitungan hit:pada fail log yang telah bersih dilakukan perhitungan untuk menentukan jumlah hit ke setiap kategori yang telah ditentukan. Perhitungan ini dilakukan pada setiap situs yang dikunjungi olehseluruh pengguna. Tahapan selanjutnya adalah melakukan penjumlahan hit untuk setiap IP address dengan alamatnetwork yang sama.

Setelah tahapan praproses selesai maka akan diperoleh data berisi jumlah hit

untuk masing-masing kategori situs yang diakses setiapalamat network di IPB. Tabel 2 adalah format data yang didapat setelah melakukan praproses.

Tabel 2Format data

Tahapan selanjutnya adalah menerapkan data yang diperoleh pada tahapan sebelumnya pada algoritme clusteringk-Means. Clustering dengan algoritmeMeans dilakukan dengan memanfaatkan perangkat lunak Weka 3.6. Algoritme k-Means adalah sebagai berikut (Han dan Kamber2006):

1 Tentukan jumlah cluster yang diinginkan (jumlah k) beserta dengan titik pusat

cluster (centroid)

2 Lakukan Perulangan (3-4):

3 Masukan objek ke cluster dengan centroid terdekat.

(18)

5 padacluster tersebut.

5 Lakukan sampai tidak ada perubahan

Pada penelitian ini perhitungan jarak antara objek dan titik pusat cluster dilakukan menggunakan jarak Euclidean.

Perancangan Model Beban Kerja Analisis Cluster

Pada tahapan ini dilakukan analisis terhadap setiap cluster yang didapat pada tahapan sebelumnya. Analisis ini dilakukan untuk melihat karakteristik

cluster.Hasil analisis ini dijadikan sebagai dasar dalam menentukan rekomendasi kebijakan manajemen bandwidth.

Perancangan Model HTB

Pada tahapan ini dilakukan perancangan kebijakan manajemen

bandwidth.Algoritme manajemenbandwidth yang direkomendasikan pada penelitian ini adalah HierarchicalTokenBucket (HTB).Algoritme manajemen

bandwidth HTB direpresentasikan dalam bentuk hirarki (Brown2006). Hirarki HTB terdiri atasroot, inner class, dan leaf. Pembatasan traffic (shaping) terjadi pada leaf class, sedangkan innerclass bertugas untuk membagi token ke leaf class(Brown 2006). Berdasarkan hal tersebut rekomendasi kebijakan dalam penelitian ini direkomendasikan dalam bentuk hirarki HTB.Pada penelitian sebelumnya, Purwanto (2012) yang menyatakan bahwa HTB memiliki kinerja yang lebih baik dibandingkan dengan ClassBasedQueuing (CBQ).CBQ merupakan dispilin antrian yang melakukan pembagian traffic ke dalam kelas-kelas tertentu (Hubertet al. 2002).Setiap kelas tersebut memiliki perlakuan dan prioritas yang berbeda.

Lingkungan Pengembangan

Penelitian ini diimplementasikan menggunakan spesifikasi perangkat keras dan perangkat lunak berikut ini:

1 Perangkat Keras

Spesifikasi perangkat keras yang digunakan adalah: o Intel ® Core™ i5 650 CPU 3.20 GHz.

o Sistem operasi Windows7 Pro32 bit. o Eclipse Indigo 32 bit.

(19)

6

HASIL DAN PEMBAHASAN

Analisis Lingkungan Jaringan

Pada tahapan ini diketahui bahwa terdapat 10 unit server proxy di IPB. Server proxy dengan IP address 172.17.0.18 dan 172.17.0.11 merupakan load balancer yang berfungsi membagi beban kerja dari 10 unit server proxy. Pembagian beban kerja dilakukan dengan menggunakan algoritme Weighted Round Robin (WRR). Server yang memiliki bobot yang lebih besar akan melayani koneksi yang lebih banyak (IBM 2012).Dari 10 unit server proxy, 2 unit diperuntukkan untuk pengguna dosen, sedangkan 8 unit sisanya diperuntukkan untuk penggunamahasiswadan tenaga kependidikan.Infrastruktur dari server proxy

IPB dapat dilihat pada Gambar 2.Server proxy dosen juga diperuntukkan untuk beberapa tenaga kependidikan yang diprioritaskan kecepatan akses internetnya.

Berdasarkan pengetahuan ini maka log proxy yang akan digunakan untuk penelitian ini diambil dari 1 unit server proxy untuk dosen dan 1 unit server proxy

untuk mahasiswa dan tenaga kependidikan. Pemilihan server yang akan digunakan log-nya didasarkan pada bobot server. Kedua log proxy yang digunakan pada penelitian ini mencatat aktivitas internet dari tanggal 1 Juli 2013 sampai dengan 31 Juli 2013.

Dari dokumentasi jaringan IPB juga diperoleh pengetahuan bahwa dengan melihat alamatnetwork dari IP address, lokasi pengaksesan dapat dilihat. Setiap unit kerja dapat memiliki 1 network atau lebih. Pada beberapa lokasi, 1 network

dialokasikan untuk 1 wing. Network yang dialokasikan pada jaringan internal IPB memiliki subnet mask 255.255.255.0. Dengan melihat 3 oktet pertama dari IP yang tercatat pada log, maka lokasi penggunaan internet dapat diketahui.Pada penelitian ini terdapat 3network yang tidak diketahui lokasinya.

(20)

7 Karakterisasi Beban Kerja

Pembersihan Data

Pada tahap karakterisasi beban kerja dilakukan proses dataminingpadalog

yang diperoleh. Setelah melakukan pembersihan data, ukuran fail log yang berasal dari server proxy dosen berkurang dari 4.7GB menjadi 241MB. Fail tersebut berisi 5.456.899 baris, sedangkan untuk fail log yang berasal dari server proxy

mahasiswa dan tenaga kependidikan, ukuran berkurang dari 6.6GB menjadi 296MB. Fail tersebut berisi 6.586.486 baris. Berkurangnya ukuran secara signifikan disebabkan banyaknya baris log yang dihasilkan dari aktivitas yang bukan dipicu oleh aksi pengguna. Akses ke satu halaman yang dicatat dalam beberapa baris log serta log hasil aktivitas malware, tracking cookie, dan permintaan terhadap halaman iklan juga menyebabkan besarnya ukuran fail log. Format fail log setelah dilakukan pembersihan data adalah sebagai berikut:

yyyy-mm-dd hh:mm:ss ip domain.tld

Identifikasi Pengguna

Pada tahapan identifikasi pengguna ditemukan 7051IP address yang berbeda pada log yang berasal dari server proxy dosen, sedangkan pada server

proxy mahasiswa dan tenaga kependidikan ditemukan 11131 IP address yang berbeda. IP addresstersebut akan dikelompokan berdasarkan alamat network

masing-masing. Berdasarkan alamatnetwork tersebut lokasi pengaksesan dapat diketahui.

Kategorisasi Situs

Pada tahapan kategorisasi situs, dilakukan kategorisasi terhadap situs yang memiliki jumlah hit lebih dari sama dengan 120 pada kedua log. Pada logproxy

dosen ditemukan 814 situs yang memiliki hit lebih dari 120, sedangkan pada

logproxy mahasiswa dan tenaga kependidikan ditemukan 1188 situs. Total terdapat 700 situs yang dikategorikan pada logproxy dosen, dan 1056 situs untuk

proxy mahasiswa dan tenaga kependidikan. Situs yang tidak masuk ke dalam kategori adalah situs yang tidak dapat dikunjungi, situs yang memiliki halaman

home yang kosong, serta situs yang nama domainnya merupakan parked-domain. Pada tahapan ini juga ditemukan akses ke situs porno.Hal ini sesuai dengan kesimpulan dari penelitian yang dilakukan Sianipar (2012).Pengkategorian dari situs ini menghasilkan 14 kategori berbeda. Berikut ini adalah deskripsi dari 14 kategori tersebut:

• University: merupakan kategori yang berisi situs universitas

• Games: merupakan kategori yang berisi situs terkait dengan games

• Blog: merupakan kategori yang berisi situs blog dan personal web

• News: merupakan kategori yang berisi situs yang menampilkan berita dari berbagai macam bidang (sport, gosip, otomotif, politik, agama dan lain lain). Pada kategori ini juga terdapat situs tv online dan radio online.

• Porn: merupakan kategori yang berisi situs porno

• E-Commerce: merupakan kategori yang berisi situs yang jual beli online. • Services: merupakan kategori yang berisi situs yang menyediakan layanan

(21)

8

proxy, portal ke situs lain, dan hosting. Situs perusahaan penyedia layanan internet, jasa perjalanan, dan bank juga termasuk kedalam kategori ini

• Information and Communication Technology (ICT): merupakan kategori yang berisi situs perusahaan yang bergerak dibidang IT (contoh: Samsung, Apple dll), situs software developer, situs framework programing (contoh: yiiframework.com), dan situs perankinganwebsite.

• File Sharing: merupakan kategori yang berisi situs untuk upload dan download

fail, situs untuk sharing image, serta situs peer-to-peer

• Entertainment: merupakan kategori yang berisi situs video streaming, situs

manga, situs anime, situs gambar lucu, situs movie, situs drama, dan situs musik.

• Publication: merupakan kategori yang berisi situs terkait publikasi jurnal ilmiah, situs untuk mengunduh ebook, dan situs penerbit buku.

• Education: merupakan kategori yang berisi situs tutorial, situs informatif (contoh: Wikipedia), situs pendidikan agama, dan situs penyedia kamus online. • Organization and Company: merupakan kategori yang berisi situs

pemerintahan, situs organisasi, situs badan dunia, serta situs perusahaan.

• Social Network: merupakan kategori yang berisi situs social networking, situs forum, situs komunitas, dan situs chatting.

Perhitungan Hit

Contoh hasil tahap perhitungan hit ditampilkan pada Lampiran 1. Pada transformasi logproxy dosen terdapat 94 network. Totalnetwork pada logproxy

mahasiswa dan tenaga kependidikan adalah 93 network. Tahapan ini menghasilkan format data yang telah sesuai untuk dijadikan input pada algoritme

clusteringk-Means.

Data Mining

Clustering pada Log Dosen

Pada tahapan data mining dilakukan clustering menggunakan algoritme k-Means pada data hasil praproses. Penentuan jumlah cluster dilakukan dengan memperhatikan nilai Sum Squared Error (SSE). Hasil yang ideal adalah dengan jumlah k yang sekecil mungkin didapatkan SSE yang sekecil mungkin. Semakin kecil nilai k maka cluster yang dianalisis akan semakin sedikit,sedangkan nilai SSE menandakan kedekatan setiap objek ke centroid pada cluster masing-masing. Semakin kecil nilai SSE maka semakin mirip setiap objek pada cluster

(22)

9

Gambar 3SSE dan kpada cluster data logproxy dosen

Anggota dari setiap cluster ditunjukkan pada Tabel 3. Pada algoritme k-Means nilai centroid merupakan nilai rata-rata dari setiap cluster.Nilai centroid

dari setiap clusterditampilkan pada Tabel 4. Dari Tabel 4 terlihat pada setiap

cluster nilai rata-rata dari kategori services dan entertainment lebih tinggi dari pada kategori lainnya. Total rata-rata dari dari kategori services adalah 327849.6

hit atau sebesar 24.73%, sedangkan total rata-rata dari kategori entertainment

adalah 599679.1hit atau sebesar 45.23%.Hal ini berarti pada setiap cluster

terdapat nilai hit yang tinggi pada kategori tersebut. Kategori services berisi situs dengan layanan email dan searchengine. Situs video streaming seperti Youtube merupakan salah satu anggota dari kategori entertainment.

Tabel 3Anggota cluster pada logdosen

Cluster Anggota

0 Dept. PSP, Dept. KSH, 172.18.68.0, ILKOM-BS1, Faperta 1 Dept. FIS

2 Dept. AGB-2, Dept. TIN, Dept. ITK, Rektorat-Lt 4-6, Dept. ITP, Staff Perpus 3 172.18.39.0, Reklatam, Fahutan, Lt1, Dept. TEP, Dept. KOM-1,

FKH-Lt4, FKH-Lt2, Cyber-Merpati, Dept. BDP, ILKOM-BS2, Dept. KOM-2, Dept. MAT, Dept.MNH, Rektorat-Lt 3, Dept. BIO, FEMA, Dept. THP, CDA, Dept. KOM-3, Wing Rektorat, Asrama-Int, Green-TV

4 Dept. THH, Perpustakaan, Rektorat-Lt 1 5 Dept. GFM, Dept. MSP, Dept. HPT 6 Dekanat-FKH, Dept. AGH

(23)

10

Tabel 4Centroidcluster pada log dosen

Clustering pada LogProxy Mahasiswa dan Tenaga Kependidikan

Clustering pada logproxy mahasiswa dan tenaga kependidikan menghasilkan 7 cluster dengan SSE 12.38.Perbandingan jumlah k dengan nilai SSE ditunjukkan pada Gambar 4.

Gambar 4SSE dan k padacluster datalogproxy mahasiswa dan tenaga kependidikan

Anggota dari setiap cluster pada log proxy mahasiswa dan tenaga kependidikan ditunjukkan pada Tabel5,sedangkan nilai centroid dari setiap clusterpada

logproxymahasiswa dan tenaga kependidikan ditampilkan pada Tabel 6. Seperti halnya pada logproxy dosen, kategori services dan entertainment juga memiliki nilai rata-rata yang besar pada setiap cluster yang dihasilkan dari logproxy

mahasiswa dan tenaga kependidikan. Total rata-rata dari dari kategori services

adalah 157254.0 hit atau sebesar 25.13%, sedangkan total rata-rata dari kategori

entertainment adalah 207370.4hit atau sebesar 33.13%. 19,21

16,09

13,00 13,09 13,05 12,38 12,06 12,06 12,04 12,33

0,00 5,00 10,00 15,00 20,00 25,00

2 3 4 5 6 7 8 9 10 11

SSE

(24)

11 Tabel 5Anggota cluster pada log mahasiswa dan tenaga kependidikan

Cluster Anggota

0 Astra2,Astra3,Astri2,Astri3, Astri4,Asram-Int,Sylvasari1,Rusunawa1,Landhuis,Faperta,Dept. AGH, Dept. BIO, Dept. KOM-2,Dept. KOM-3, Dekanat-Fateta2,

1 Dept. KIM, Dept. PSP, Dept. THP, Dept. MSP, Wing-Rektorat, Reklatam, Dept. AGB-1, CDA, 172.18.69.0, Cyber-Merpati, Dept. FIS, Dept. MAT, Dekanat-FKH, FEM, Lestari1, Dept. AGB-2, Fahutan, Dekanat-Fateta1, Dept. TIN, Dept. TEP, Dept. SVK, Fapet-Lt2, Dept. IPTP

2 Rektorat-Lt4-6, FKH-Lt4 3 ILKOM-BS-2, FKH-Lt 3

4 ILKOM-BS-1, Perpus, Rektorat-Lt 1, 172.18.68.0

5 Dept. BDP, FPIK, Dept. ITK, Dept. HPT, FEMA, Dept. GFM, Rektorat-Lt2, Sekret-FMIPA, Dept. ESL, Dept. KSH, Dept. THH, Dept. MNH, Dept. ITP, SC

6 SEAFAST2, TPB-Wifi2b, TPB-Wifi1b, Perpus-FPIK, TPB, Lab. Terpadu BS, Staff Perpus, Cyber-Singkong, GPK, Rektorat-Lt 3, Astri1, Dept. ARL, Data-Center-FMIPA, Auditorium- AHN, Green-TV, Dept. STK, Amarilis, Dept. KOM-1, FKH-Lt 2, FKH-Lt 1, INTERCAFE, Astra4, Dept. MAN, GWW, 172.18.39.0, PPSHB, Fateta, Astra1, Dept. BIOKIMIA, GOR, SEIP, Dept. INTP, Fapet-Lt1

Tabel 6Centroidcluster pada log mahasiswa dan tenaga kependidikan

Kategori Cluster₀ Cluster₁ Cluster₂ Cluster₃ Cluster₄ Cluster₅ Cluster₆ _rataanTotal

University 91.47 24.91 9.00 0.50 192.75 40.57 10.52 369.72

Games 1557.73 531.00 142.50 1.50 7063.75 1119.29 228.58 10644.3

Blog 4311.87 793.65 546.00 262.00 6337.25 1901.43 388.24 14540.4

News 2937.20 2481.30 1062.00 566.50 10885.50 4212.93 514.24 22659.7

Porn 361.80 233.39 43.50 0.50 1696.75 767.79 54.52 3158.3

E-Commerce 587.53 211.87 171.50 883.50 2514.00 484.86 94.03 4947.3

Services 27742.13 12712.43 11232.50 4113.50 71664.00 25252.86 4536.61 157254.0

ICT 9490.07 2026.91 2508.00 672.50 21056.50 5668.50 899.09 42321.6

FileSharing 11906.07 2740.78 1938.00 77.50 31403.50 8034.79 807.55 56908.2

Entertainment 54505.53 10749.30 4281.50 1106.50 96743.25 35838.14 4146.21 207370.4

Publication 295.00 184.87 2996.00 36.50 2245.00 264.86 64.03 6086.26

Education 590.47 101.48 72.50 19.50 1110.00 233.50 45.82 2173.27

Organization

andCompany 5889.47 438.04 162.00 241.50 6435.50 687.79 246.30 14100.6

SocialNetwork 19288.13 5151.74 1741.00 1145.00 44579.50 9626.21 1776.94 83308.6

(25)

12

Perancangan Model Beban Kerja Analisis ClusterProxy Dosen

Cluster 0 berisi network dengan hit yang tinggi pada situs berkategori news,

services, ICT, file sharing, entertainment, organization and company, dan

socialnetwork. Hal ini terlihat dari grafik total hit pada cluster 1 yang ditunjukkan pada Gambar 5. Cluster ini memiliki jumlah anggota 5 network. Hal yang menarik pada cluster ini adalah jumlah hit ke situs dengan kategori organization and company yang cukup besar. Jumlah hit pada kategori ini melebihi jumlah hit pada situs dengan kategori social network.

Gambar 5Jumlah hitpadacluster 0 untuklogproxy dosen

Cluster 1 adalah cluster yang hanya berisi 1 network. Network tersebut adalah network yang dialokasikan untuk Departemen Fisika. Cluster ini dapat dikatakan sebagai pencilan. Pada Tabel4 yang berisi nilai centroid setiap cluster, terlihat bahwa nilai hit ke situs berkategori university merupakan penyebab

cluster ini menjadi pencilan. Nilai hit ke kategori ini lebih besar jika dibandingkan dengan cluster lainnya. Pada cluster ini hit didominasi pada situs berkategori news, services, entertainment dan social network. Gambar 6 menunjukkan total hit

untuk setiap kategori pada cluster 1.

(26)

13

Cluster 2 berisi 6 network dengan hit yang didominasi ke situs berkategori

services, ICT, entertainment, dan socialnetwork. Gambar 7 menunjukkan total hit

untuk setiap kategori pada cluster 2. Hit ke situs dengan kategori services dan

entertainment memiliki jumlah yang paling besar. Gambar 8 merupakan grafik

boxplot berdasarkan jumlah hit pada cluster ini. Pada Gambar 8 terlihat bahwa terdapat pencilan pada kategori games. Pada kategori games, network yang dialokasikan untuk staf perpustakaan memiliki nilai hit yang paling tinggi yaitu sebesar 4196 hit. Nilai ini menyebabkan adanya nilai pencilan pada kategori

games.

Gambar 7Jumlah hitpadacluster2 untuklogproxy dosen

Gambar 8Pencilan cluster 2 pada logproxy dosen

news, services, ICT, file sharing, entertainment,dan social network. Gambar9 menunjukkan total hit untuk setiap kategori pada cluster 3. Gambar 10 merupakkan grafik boxplot berdasarkan jumlah hit pada cluster ini. Pada kategori

(27)

14

Network ini merupakan pencilan pada kategori tersebut.Network ini juga merupakan pencilan pada kategori news, yaitu sebesar 13150 hit dihasilkan dari

network ini, sedangkan pencilan kedua pada kategori news berasal dari network

yang dialokasikan untuk Wing Rektorat. Network ini juga merupakan penyebab adanya pencilan pada kategori games, yaitu sebesar 4590 hit dihasilkan dari

network ini. Pencilan pada kategori file sharing dihasilkan dari network yang dialokasikan untuk Departemen Matematika. Network ini menghasilkan 10654 hit pada kategori ini.

Gambar 10Pencilan cluster 3 pada log proxy dosen

news, services, ICT, file sharing, entertaiment, dan social network. Gambar 11 menunjukkan total hit untuk setiap kategori pada cluster 4. Pada cluster ini terdapat 13074 hit ke situs berkategori porn. Sebesar 8627 hit dihasilkan dari

(28)

15

hitdihasilkan dari network yang dialokasikan untuk Rektorat lantai 1. Meskipun demikian tidak dapat disimpulkan bahwa pengguna yang ada pada cluster ini tertarik pada situs berkategori porn. Hit yang ada pada kategori tersebut belum tentu dihasilkan dari aktivitas pengguna. Hit tersebut dapat dihasilkan dari pop-up

ataupun malware yang luput pada tahap pembersihan data.

Cluster 5 memiliki karakteristik yang hampir mirip dengan cluster 4.

Cluster ini berisi 3 network dengan hit yang didominasi ke situs berkategori

news,porn,services, ICT, entertainment, dan social network. Gambar 12menunjukkan total hit untuk setiap kategori pada cluster 5. Pada cluster ini terdapat hit yang cukup besar pada kategori porn, yaitu sebesar 17522 hit. Hit

pada kategori ini melebihi nilai hit pada kategori social network. Sebesar 10713

hit ke kategori ini dihasilkan dari network yang dialokasikan untuk Departemen GFM. Seperti yang telah disebutkan diatas, tidak dapat disimpulkan bahwa pengguna yang ada pada cluster ini tertarik pada situs berkategori porn. Pada

cluster ini network yang dialokasikan untuk Departemen HPT memiliki nilai hit

tertinggi pada hampir setiap kategori (kecuali pada kategori university, porn dan

(29)

16

news, services, file sharing, entertainment, dan social network. Gambar 13 menunjukkan total hit untuk setiap kategori pada cluster 6. Pada cluster ini kategori e-commerce memiliki nilai hit ke tiga terbesar setelah kategori services

dan entertainment. Sebesar 6267 hit pada kategori e-commerce dihasilkan dari

network yang dialokasikan untuk Dekanat FKH dan sebesar 3886 hit dihasilkan dari network yang dialokasikan untuk Departemen AGH. Pada kategori ICT dan

entertainment,network yang dialokasikan untuk Departemen AGH memiliki nilai

hit yang besar. Sebanyak 7756 hit dari 8883 hit pada kategori ICT dihasilkan dari

network ini,sedangkan pada kategori entertainment sebanyak 12985 hit dari 18777

hit juga dihasilkan dari network ini.

(30)

17

news, services,entertainment, dan social network. Cluster ini berisi 53% dari seluruh network yang ditemukan pada logproxy dosen. Meskipun anggota dari

cluster ini banyak tetapi rata-rata hitcluster ini rendah. Hampir seluruh network

yang dialokasikan untuk asrama mahasiswa (kecuali asrama internasional) merupakan anggota cluster ini. Hal ini dikarenakan clusterini dihasilkan dari prosesclustering pada log dosen.Gambar 14 menunjukkan total hit untuk setiap kategori pada cluster 7. Pada cluster ini hampir setiap kategori kecuali kategori

blog memiliki nilai pencilan. Gambar 15 merupakan boxplot berdasarkan jumlah

hit pada cluster ini. Nilai hit yang tertinggi terdapat pada kategori entertainment, kemudian diikuti dengan kategori services dan social network.

Gambar 15Pencilan cluster 7 pada logproxy dosen

(31)

18

menjadi pencilan adalah karena nilai rata-rata clusterini pada kategori games,

blog, news, services, entertainment, dan social network lebih tinggi dari pada

cluster lain. Pada algoritme k-Means rata-rata ini merupakan nilai centroid (titik pusat) pada cluster tersebut. Jika pada cluster tersebut hanya terdapat 1 anggota maka nilai centroid tersebut sama dengan nilai hit setiap kategori pada cluster

tersebut. Gambar 16 menunjukkan total hit dari setiap kategori pada cluster 8. Pada Gambar 16 terlihat bahwa nilai hit pada kategori entertainment jauh lebih tinggi dari pada nilai hit pada kategori yang lain.

Gambar 16Jumlah hitpadacluster 8 untuklogproxy dosen Analisis ClusterProxy Mahasiswa dan Tenaga Kependidikan

Anggota dari cluster 0 sebagian besar merupakannetworkyang dialokasikan untuk asrama mahasiswa.Hit pada cluster ini didominasi ke situs berkategori blog, news, services, ICT, file sharing, entertainment, organization and company, dan

social network. Gambar 17 menunjukkan total hit untuk setiap kategori pada

cluster 0. Jumlah anggota dari cluster 0 adalah 15 network. Gambar 18 merupakan

(32)

19

Gambar 17Jumlah hitpadacluster 0 untuklogproxy mahasiswa dan tenaga

kependidikan

Pada cluster 1 jumlah hit didominasi pada situs berkategori news, services, ICT, file sharing dan entertaiment. Gambar 19 menunjukkan total hit untuk setiap kategori pada cluster 1. Jumlah anggota dari cluster 1 adalah 23 network. Pada

cluster ini terdapat pencilan pada kategori university, games, blog, news, porn, publication, education, organization and company, dan social network. Hal ini terlihat dari boxplotcluster 1 pada Gambar 20. Pada kategori games dan social network pencilan ini memiliki nilai yang cukup tinggi. Network yang dialokasikan untuk Fapet-Lt2 merupakan pencilan pada kategori games.Network ini menghasilkan 4903 hit pada kategori ini, sedangkan pada kategori social

(33)

20

network,network yang menjadi pencilan adalah network yang dialokasikan untuk

wing rektorat. Sebesar 13860 hit pada kategori ini dihasilkan dari wing rektorat.

Gambar 19Jumlah hitpadacluster 1 untuklogproxy mahasiswa dan tenaga kependidikan

Gambar 20Pencilancluster 1 pada logproxy mahasiswa dan tenaga kependidikan Pada cluster 2 jumlah hit didominasi pada situs berkategori services, ICT, file sharing, entertaiment, publication dan social network. Gambar 21 menunjukkan total hit untuk setiap kategori pada cluster 2. Jumlah anggota dari

(34)

21

Pada cluster 3 jumlah hit didominasi pada situs berkategori e-commerce, services, ICT, entertaiment, dan social network. Gambar 22 menunjukkan total hit

untuk setiap kategori pada cluster 3. Jumlah anggota dari cluster 3 adalah 2

network. Hal yang menarik pada cluster ini adalah banyaknya hit ke situs berkategori e-commerce. Pengguna yang melakukan akses internet dari

network172.20.32.0 yang dialokasikan untuk Ilkom Baranang Siang menghasilkan 991 hitke kategori ini, sedangkan akses internet dari network yang dialokasikan untuk FKH lantai 3 menghasilkan 776 hit. Tidak terdapat pencilan pada cluster ini.

Cluster 4 merupakan cluster dengan rata-ratahittinggi. Pada Tabel 6 yang menunjukkan centroid setiap cluster, terlihat bahwa pada seluruh kategori kecuali kategori publicationcluster ini memiliki nilai rataan yang lebih tinggi dibanding

(35)

22

file sharing, entertaiment, dan socialnetwork. Jumlah anggota pada cluster ini adalah 4 network. Gambar 23 menunjukkan total hit untuk setiap kategori pada

cluster. Pada cluster ini terdapat 25742 hit ke situs berkategori organization and company. Sebesar 15872 hit dihasilkan dari network 172.20.33.0 yang dialokasikan untuk Ilkom BS. Pada logproxy dosen network ini juga termasuk ke dalam cluster dengan nilai hit tinggi pada kategori tersebut.

Cluster 5 memiliki karakteristik yang hampir sama dengan cluster 4. Jumlah

hit didominasi pada situs berkategori services, ICT, filesharing, entertaiment, dan

socialnetwork. Gambar 24 menunjukkan total hit untuk setiap kategori pada

cluster 5. Jumlah anggota dari cluster 5 adalah 14 network. Terdapat pencilan pada kategori university, games, ICT, entertainment, organization and company, dan social network. Gambar 25 merupakan boxplot berdasarkan jumlah hit pada

cluster 5. Pencilan pada kategori entertainment disebabkan network yang dialokasikan untuk Departemen TIN.Network ini menghasilkan 71342 hit pada kategori tersebut. Pada kategori socialnetwork terdapat 2 pencilan. Pencilan pertama dihasilkan karena nilai hit yang tinggi, yaitu sebesar 14405. Nilai ini dihasilkan dari network yang dialokasikan untuk SC. Pencilan yang kedua dihasilkan karena nilai hit yang rendah, yaitu sebesar 4572. Network yang menghasilkan nilai hit ini adalah network yang alokasikan untuk Departemen ESL. Pada kategori ICT juga terdapat 2 pencilan.Pencilan yang paling tinggi adalah

(36)

23

Gambar 25Pencilan cluster 5 pada logproxy mahasiswa dan tenaga kependidikan Pada cluster 6 jumlah hit didominasi pada situs berkategori services, ICT,

filesharing, entertaiment, dan socialnetwork. Gambar 26 menunjukkan total hit

untuk setiap kategori pada cluster 6. Jumlah anggota dari cluster 6 adalah 33

network. Sebanyak 35% network yang ditemukan pada logproxy mahasiswa dan tenaga kependidikan merupakan anggota dari cluster ini.Cluster ini mirip dengan

cluster 7 pada logproxy dosen. Kedua cluster ini sama-sama memiliki jumlah anggota yang terbanyak tetapi memiliki rata-rata yang rendah. Hampir setiap kategori pada cluster ini memiliki pencilan. Hal ini terlihat pada Gambar 27 yang merupakan boxplot berdasarkan jumlah hit dari cluster 6. Pada kategori

(37)

24

Gambar 27Pencilan cluster 6 pada logproxy mahasiswa dan tenaga kependidikan Perancangan Model HTB

Tahap perancangan ini menghasilkan 2 model HTB. Model HTB yang pertama dirancang berdasarkan proses data mining pada log dosen, dan model HTB yang kedua dirancang berdasarkan proses data mining pada log mahasiswa dan tenaga kependidikan.Pengguna dosen dialokasikan 45% dari bandwidth yang tersedia, sedangkan pengguna mahasiswa dan tenaga kependidikan dialokasikan 55% dari bandwidth yang tersedia. Nilai ini diperoleh dengan perhitungan sebagai berikut

(38)

25 maka setiap cluster dibagi dalam 3 interior class. Class A berisi cluster dengan rata-rata hit lebih dari 6000 pada setiap kategori situs. Class B berisi cluster

dengan rata-rata hitantara 3000 sampai 6000 pada setiap kategori situs.Class C berisi cluster dengan rata-rata hit dibawah 3000.Class A berisi cluster dengan nilai hit yang tinggi sehingga dialokasikan 40% dari bandwidthuntuk pengguna dosen. ClassB dan C masing-masing memperoleh 30% dari bandwidth untuk pengguna dosen.Pembagian bandwidth pada leaf class dilakukan dengan perhitungan sebagai berikut

Gambar 28Model HTB pengguna dosen Tabel 7Rataan hit seluruh kategori dari pengguna dosen

Rata-rata HitSeluruh Kategori

Cluster

Pada Class A penentuan alokasi bandwidth pada leaf class dilakukan berdasarkan kebijakan IPB. Hal ini dikarenakan penggunaan internet dari network pada cluster

0, cluster 4 dan cluster 8 tidak sesuai dengan tugas pokok dan fungsi dari unit kerja tersebut.

Pada proxy mahasiswa dan tenaga kependidikan perancangan model HTB ditunjukkan pada Gambar 29. Seperti pada server proxy dosen, perancangan model HTB pada server proxy mahasiswa dan tenaga kependidikan juga dilakukan dengan cara yang sama. Tabel 8 menunjukkan rataan hit pada setiap

(39)

26

cluster dengan rata-rata hit lebih dari 3000 pada setiap kategori situs. Class A diberikan 40% dari total bandwidth yang dialokasikan untuk mahasiswa dan tenaga kependidikan.Class B diberikan alokasi bandwidth sebesar 30% dan berisi

cluster dengan rata-rata hitantara 1000 sampai 3000 pada setiap kategori situs. Class C diberikan alokasi bandwidth sebesar 30% dan berisi cluster dengan rata-rata hit dibawah 1000.

Gambar 29Model HTB pengguna mahasiswa dan tenaga kependidikan Tabel 8Rataan hit seluruh kategori dari pengguna mahasiswa dan tenaga

kependidikan

Rata-rata HitSeluruh Kategori

Cluster

Pada penelitian ini telah dilakukan clustering terhadap kedua logproxy. Hasil clusteringmenunjukkan bahwa karakteristik setiap clusteruntuk setiap unit kerja tidak berbeda jauh. Situs berkategori entertainment dan services

mendominasi jumlah hit pada setiap cluster.Kedua kategori ini memiliki total rata-rata persentase hit di atas 24% dan 33%. Berdasarkan hasil ini maka telah dibuat perancanganmodel pembagian bandwidth untuk setiap pengguna.

(40)

27 1 Perbaikan pada sistem logging perlu dilakukan sehingga username pengguna

dapat tercatat pada log.

2 Identifikasi pengguna tidak dilakukan berdasarkan IP address tetapi berdasarkan username. Berdasarkan username tersebut, aktivitas pengguna disetiap unit kerja maupun departemen dapat diketahui secara akurat.

DAFTAR PUSTAKA

Brown MA.2006. Traffic Control Howto [diakses pada 5 Januari 2014]. Tersedia pada: http://linux-ip.net/articles/Traffic-Control-HOWTO.

Cadez I, Heckerman D, Meek C, Smyth P, White, S. 2003. Model-based clustering and visualization of navigation patterns on a Web site.Journal of Data Mining and Knowledge Discovery. 7(4):399–424.

Chaudhari VK. 2011. WEBSTUR : a tool for analyzing web user behavior [disertasi]. Surat (IN): Veer Narmad South Gujarat University.

Chitraa V, Thanamani AS. 2012. An enhanced clustering technique for web usage mining. IJERT. 1(4):1-5.

[DKSI].Direktorat Komunikasi dan Sistem Informasi.2012a. Pengembangan ICT 2012 (Dokumentasi teknis). Bogor (ID): IPB.

[DKSI].Direktorat Komunikasi dan Sistem Informasi. 2012b. Optimalisasi Akses Internet IPB (Dokumentasi teknis). Bogor (ID): IPB.

Han J, Kamber M. 2011. Data Mining:Concept and Techniques. Second Edition. San Diego (US): Morgan-Kauffman.

IBM. 2012. IBM websphere datapower Version 4.0.1 Information Center[diakses pada 5 Januari 2014]. Tersedia pada: http://pic.dhe.ibm.com/infocenter/wsdata p/4mt/index.jsp?topic=%2Fcom.ibm.dp.xa.doc%2Fadministratorsguide.xa3526 3.htm.

Kerkhofs J, Vanhoof K, Pannemans D. 2001. Web usage mining on proxy servers: a case study.Workshop on Data Mining for Marketing Applications.[Waktu dan tempat pertemuan tidak diketahui].

Purwanto J. 2012. Perbandingan Hierarchical Token Bucket dan Class Based Queuing untuk pembatasan bandwidth [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Sathiyamoorthi V, Bhaskaran M. 2011. Data preprocessing techniques for pre-fetching and caching of web data through proxy server. IJCSNS. 11(11):92-98. Sianipar H. 2012. Analisis Penggunaan Layanan Jaringan Internet IPB [skripsi].

Bogor (ID): Institut Pertanian Bogor.

Weinreich H, Obendorf H, Herder E. 2006. Data cleaning methods for client and proxy logs.Workshop on Logging Traces of Web Activity: The Mechanics of Data Collection; 2006 Mei 23; Edinburgh (GB): Dalhousie University.

(41)

28