Loan Item Member Network

πŸ“Š Grafik Lainnya:

πŸ‘€ Author Network 🚻 Visitor by Gender πŸ” Loan Item Network 🏷️ Publisher vs Topic πŸ“ˆ Book Input Trend 🟒 Topic Bubble Chart πŸ•ΈοΈ Topic Network Graph

Loan Item Network Analysis adalah visualisasi jaringan yang bertujuan untuk mengidentifikasi hubungan antar anggota perpustakaan (member) berdasarkan aktivitas peminjaman koleksi yang sama. Dalam jaringan ini, setiap simpul (node) mewakili seorang anggota, sementara garis penghubung (edge) antara dua anggota menunjukkan bahwa keduanya pernah meminjam item yang sama.

Analisis ini bermanfaat untuk:

  • Mendeteksi pola peminjaman bersama antar pengguna, seperti anggota dalam satu kelas, kelompok belajar, atau komunitas dengan minat yang sama.
  • Menemukan kelompok pengguna aktif yang saling terkait melalui penggunaan koleksi yang sama.
  • Menganalisis potensi kolaborasi atau interaksi antar pengguna berdasarkan minat literasi yang tumpang tindih.

Visualisasi ini membantu pustakawan, peneliti, atau pengelola sistem perpustakaan dalam memahami dinamika penggunaan koleksi secara sosial, dan dapat menjadi dasar dalam merancang layanan personalisasi, rekomendasi buku, atau pengembangan komunitas pengguna di perpustakaan.

Statistik Peminjaman Sepanjang Waktu

Rata-rata Peminjaman per Tahun

  • 2014: 115 peminjaman/bulan
  • 2015: 126 peminjaman/bulan
  • 2016: 84 peminjaman/bulan
  • 2017: 90 peminjaman/bulan
  • 2018: 105 peminjaman/bulan
  • 2019: 107 peminjaman/bulan
  • 2020: 44 peminjaman/bulan
  • 2021: 34 peminjaman/bulan
  • 2022: 33 peminjaman/bulan
  • 2023: 30 peminjaman/bulan
  • 2024: 43 peminjaman/bulan
  • 2025: 50 peminjaman/bulan

Prediksi Jumlah Peminjaman

  • πŸ“… Bulan Depan: 20 peminjaman
  • πŸ“† Tahun Depan: 185 peminjaman

Cara Prediksi Jumlah Peminjaman Buku

Untuk memperkirakan jumlah peminjaman bulan depan dan tahun depan, digunakan metode regresi linear sederhana berdasarkan jumlah peminjaman buku per bulan.

1. Rumus Regresi Linear

Persamaan umum:

y = a + bx
  • y = jumlah peminjaman yang diprediksi
  • x = urutan bulan (0 = bulan pertama, 1 = bulan kedua, dst)
  • a = titik awal (intercept)
  • b = pertambahan rata-rata (kemiringan garis)

2. Langkah Perhitungan Manual

  1. Kumpulkan data jumlah peminjaman buku per bulan, contoh: 
                Bulan ke-0: 1500  
            Bulan ke-1: 1600  
            Bulan ke-2: 1550  
            Bulan ke-3: 1700  
            Bulan ke-4: 1650
  2. Buat tabel bantu: 
                x   y     xΒ²     xy
            0  1500    0      0
            1  1600    1   1600
            2  1550    4   3100
            3  1700    9   5100
            4  1650   16   6600
  3. Hitung total:
    • Ξ£x = 10
    • Ξ£y = 8000
    • Ξ£xΒ² = 30
    • Ξ£xy = 16400
    • n = 5
  4. Hitung b dan a: 
                b = (nΒ·Ξ£xy - Ξ£xΒ·Ξ£y) / (nΒ·Ξ£xΒ² - (Ξ£x)Β²)
              = (5Γ—16400 - 10Γ—8000) / (5Γ—30 - 100)
              = (82000 - 80000) / (150 - 100) = 400 / 50 = 8

            a = (Ξ£y - bΒ·Ξ£x) / n
              = (8000 - 8Γ—10) / 5 = (8000 - 80) / 5 = 7920 / 5 = 1584
  5. Prediksi bulan depan (x = 5): 
    y = 1584 + 8Γ—5 = 1624 peminjaman
  6. Prediksi tahun depan (12 bulan ke depan): 
                x = 5 β†’ y = 1624  
            x = 6 β†’ y = 1632  
            x = 7 β†’ y = 1640  
            ...  
            x = 16 β†’ y = 1728

            Jumlah tahun depan = total y dari x=5 sampai x=16

3. Kesimpulan

Dengan memanfaatkan data historis peminjaman dan metode regresi linear, perpustakaan bisa memprediksi tren kebutuhan koleksi dan mengoptimalkan layanan peminjaman secara lebih proaktif.