DETEKSI OUTLIER MENGGUNAKAN ALGORITMA CONNECTIVITY BASED OUTLIER FACTOR

PLAGIAT PLAGIATMERUPAKAN MERUPAKANTINDAKAN TINDAKANTIDAK TIDAKTERPUJI TERPUJI

DETEKSI OUTLIER MENGGUNAKAN ALGORITMA CONNECTIVITY BASED OUTLIER FACTOR (STUDI KASUS: DATA AKADEMIK MAHASISWA TEKNIK INFORMATIKA UNIVERSITAS SANATA DHARMA) Skripsi Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Dosen Pengampu : Ridowati Gunawan, S.Kom., M.T.

Oleh: Yustina Ayu Ruwidati 105314061

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2014


OUTLIER DETECTION USING CONNECTIVITY BASED OUTLIER FACTOR ALGORITHM (CASE STUDY: ACADEMIC DATA OF STUDENTS OF INFORMATICS ENGINEERING DEPARTMENT OF SANATA DHARMA UNIVERSITY) A Thesis Presented as Partial Fullfillment of the Requirements To Obtain the Barchelor of Computer Science In Study Program of Informatics Engineering

By: Yustina Ayu Ruwidati 105314061

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2014


i


ii


HALAMAN MOTTO DAN PERSEMBAHAN

“Let it be” -The Beatles-

A present for You.

iii


PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah saya sebutkan dalam kutipan dan daftar pustaka, sebagaimana layaknya karya ilmiah.

Yogyakarta, 14 Januari 2015 Penulis

Yustina Ayu Ruwidati

iv


ABSTRAK Kebutuhan untuk pengolahan data merupakan hal yang sangat penting untuk era saat ini. Dalam bidang pendidikan, data mining sangat berguna untuk mengembangkan sebuah metode yang dapat menemukan keunikan dari sebuah data yang berasal dari sistem pendidikan tersebut, dan menggunakan metode tersebut untuk lebih memahami siswa, sehingga dapat mengembangkan sebuah sistem yang sesuai (Barker & Yacef, 2009). Salah satu metode dalam data mining untuk mengenali data yang bersifat unik di sebut deteksi outlier. Teknik deteksi outlier di kategorikan menjadi beberapa kelompok, yaitu Statistical Approaches, Proximity-based Approaches, Clustering-based Approaches, dan Classification Approaches. Akan di buat sebuah aplikasi atau perangkat lunak untuk mendeteksi data yang unik tersebut menggunakan salah satu algoritma data mining yaitu algoritma Connectivity-based Outlier Factor dengan pendekatan density based. Data yang di gunakan dalam penelitian ini adalah data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 yang berupa hasil test penerimaan mahasiswa baru, nilai final dan nilai Indeks Prestasi Semester (IPS) dari semester satu sampai semester empat. Pengujian akan di lakukan untuk menemukan data yang dinyatakan sebagai outlier. Penelitian ini bertujuan untuk membantu Kaprodi TI Universitas Sanata Dharma dalam mendeteksi kejadian langka atau yang menyimpang dari pola umum data akademik mahasiswa.

Kata kunci: data mining, deteksi outlier, connectivity-based outlier factor

v


ABSTRACT The need for data processing is very important for the current era. In education, data mining is very useful to develop a method that can discover the uniqueness of a data derived from the education system, and using these methods to better understand the students, so that they can develop an appropriate system (Barker & Yacef, 2009). One method in data mining to identify data that is unique is called outlier detection. Outlier detection techniques categorized into several groups, Statistical Approaches, Proximity-based Approaches, Clustering-based Approaches, and Classification Approaches. It will be created an application or software to detect the unique data using one of the data mining algorithm is an algorithm-based Outlier Factor Connectivity with density-based approach. The data used in this study were student academic data Sanata Dharma University of Information Engineering 2007-2008 force in the form of new admissions test results, final value and the value of their GPA (IPS) from one semester to semester four. Tests will be done to find the data that is declared as outliers. This research aims to help the chair person of Computer Science of Sanata Dharma University in detecting rare events or that deviate from the general pattern of student academic data.

Keyword : data mining, outlier detection, connectivity-based outlier factor

vi


LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma Nama

: Yustina Ayu Ruwidati

Nomor Mahasiswa

: 105314061

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah saya yang berjudul:

DETEKSI OUTLIER MENGGUNAKAN ALGORITMA CONNECTIVITY BASED OUTLIER FACTOR (STUDI KASUS: DATA AKADEMIK MAHASISWA TEKNIK INFORMATIKA UNIVERSITAS SANATA DHARMA)

Beserta perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada Perpustakaan Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini saya buat dengan sebenarnya Dibuat di Yogyakarta Pada tanggal: 14Januari 2015 Yang menyatakan,

(Yustina Ayu Ruwidati)

vii


KATA PENGANTAR Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus, atas berkat yang luar biasa dan kehendakNya penulis dapat menyelesaikan penelitian tugas akhir ini yang berjudul

“Deteksi Outlier Menggunakan Algoritma

Connectivity-based Outlier Factor (Studi Kasus: Data Akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma)” Penulis mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang berperan dalam pengerjaan tugas akhir ini: 1. Tuhan Yesus Kristus dan Bunda Maria yang telah memberikan berkat dan anugrah yang luar biasa sehingga tugas akhir ini bisa selesai. 2. Ibu P.H. Prima Rosa, S.Si., M.Sc selaku Dekan Fakultas Sains dan Teknologi dan dosen penguji atas semua masukan dan dukungan yang telah di berikan. 3. Ibu Ridowati Gunawan, S.Kom., M.T selaku dosen pembimbing akademik atas kesabaran, bantuan, kritik, masukan, dan dorongan semangat selama penulis menyelesaikan tugas akhir ini. 4. Ibu Sri Hartati Wijono, S.Si., M.Kom selaku dosen penguji atas kritik dan saran yang di berikan. 5. Seluruh dosen dan karyawan Universitas Sanata Dharma Yogyakarta atas kontribusinya dalam membantu penulis. 6. Kedua orang tua saya Bapak E. Ruwido dan Ibu Sumirah yang tanpa henti memberikan dukungan baik secara moral maupun materi. Terima kasih atas doa yang tanpa henti Bapak dan Ib panjatkan. 7. Kedua kakak saya Wing Budi Wiratmoko dan Sunaringtyas Nugraheni atas semua semangat, doa, dan bantuan untuk penulis. Terima kasih pula untuk

keponakan

kecilku,

Randu

Sekar

Kinanthi

yang

dengan

kelucuannya dapat menghibur penulis selama pengerjaan tugas akhir ini. 8. Terima kasih untuk kamu, yang selama 10 tahun kehadiranmu telah memberikan motivasi terbesar dalam hidupku untuk mewujudkan satu persatu mimpiku. Terima kasih karena telah mengenalmu.

viii


9. Sahabat-sahabat terbaikku, Verena Pratita Adji, Venti Trimuryatin, Fidelis Asterina Surya Prasetya, dan Yohanes

Advent

Arinatal

atas

kebersamaanya dari semester 1 hingga semester akhir ini. Terima kasih atas semua canda, tawa, dukungan, doa yang telah kalian berikan. 10. Felisitas Brillianti dan Erlita Octaviani selaku teman sekelompok dalam pengerjaan tugas akhir ini. Terima kasih atas kerja sama, bantuan, dan semangatnya. 11. Daniel Tomi Rahardjo dan H. Roy Wiranata yang tidak pernah bosan untuk membantu penulis dalam menyelesaikan tugas akhir ini. 12. Sahabat PPG, Erlin Kristiyanti, Patricia Puspita Wahyujati, Chatarina Windar Herlita Swari, dan Vivi Yulisetyani atas keceriaan dan dukungan dalam mengerjakan tugas akhir ini. 13. Teman-teman HMPS yang tidak bisa saya sebutkan satu persatu, terima kasih atas kehadiran, doa, semangat, dan tawa kalian. 14. Serta semua pihak yang berperan dalam penyelesaian tugas akhir ini.

Tugas akhir ini masih kurang dari kata sempurna, oleh karena itu penulis dengan rendah hati memohon untuk memberikan kritik dan saran untuk perbaikan tugas akhir ini. Semoga penulisan tugas akhir ini dapat bermanfaat bagi semua pihak. Terima kasih

Yogyakarta, Desember 2014

Yustina Ayu Ruwidati

ix


Daftar Isi Halaman Judul

....................................................................................

Halaman Persetujuan ...............................................................................

i

Halaman Pengesahan ..............................................................................

ii

Halaman Motto dan Persembahan ..........................................................

iii

Pernyataan Keaslian Karya .....................................................................

iv

Abstrak

....................................................................................

v

Abstract

....................................................................................

vi

Lembar Pernyataan Persetujuan ..............................................................

vii

Kata Pengantar

....................................................................................

viii

Daftar Isi

....................................................................................

x

Daftar Gambar

....................................................................................

xiv

Daftar Tabel

....................................................................................

xvi

BAB I PENDAHULUAN ....................................................................

1

1.1

Latar Belakang.................................................................

1

1.2

Rumusan Masalah ...........................................................

2

1.3

Batasan Masalah ..............................................................

2

1.4

Tujuan ..............................................................................

3

1.5

Manfaat Penelitian ...........................................................

3

1.6

Metodologi Penelitian .....................................................

3

1.7

Sistematika Penulisan ......................................................

4

BAB II LANDASAN TEORI ................................................................

6

2.1

Pengertian Data Mining ..................................................

6

2.2

Outlier..............................................................................

8

2.2.1 Jenis Outlier ...........................................................

9

2.2.1.1 Statistical Distribution-based Outlier Detection 9

2.3

2.2.1.2 Distance-based Outlier Detection ...........

10

2.2.1.3 Density-based Local Outlier Approach ...

11

2.2.1.4 Deviation-based Approach ......................

11

Algoritma Connectivity-based Outlier Factor ................

12

x


2.4

Contoh Jalannya Algoritma .............................................

14

BAB III METODOLOGI PENELITIAN................................................

17

BAB IV

3.1

Data yang Dibutuhkan .....................................................

17

3.2

Pengolahan Data .............................................................

17

ANALISIS DAN PERANCANGAN SISTEM ...................

30

4.1

Gambaran Umum Sistem ................................................

30

4.1.1

Diagram Use Case .............................................

31

4.1.2

Narasi Use Case ................................................

32

Perancangan Sistem Secara Umum .................................

32

4.2.1

Input Sistem.......................................................

32

4.2.2

Proses Sistem.....................................................

35

4.2.3

Output Sistem ....................................................

37

Perancangan Sistem .........................................................

37

4.3.1

Diagram Aktivitas .............................................

37

4.3.2

Diagram Kelas Analisis .....................................

38

4.3.3

Diagram Sequence .............................................

43

4.3.4

Diagram Kelas Desain .......................................

43

4.3.5

Rincian Algoritma .............................................

44

4.4

Perancangan Struktur Data ..............................................

70

4.5

Perancangan Antarmuka ..................................................

72

4.5.1

Tampilan Halaman Awal ..................................

72

4.5.2

Tampilan Halaman Menu Utama ......................

73

4.5.3

Tampilan Halaman Pilih Database ...................

75

4.5.4

Tampilan Halaman Pilih Tabel .........................

76

4.5.5

Tampilan Halaman About .................................

77

4.5.6

Tampilan Halaman Help ...................................

78

IMPLEMENTASI SISTEM .................................................

79

4.2

4.3

BAB V

5.1

Implementasi Antarmuka ................................................

79

5.1.1

Implementasi Halaman Awal ............................

79

5.1.2

Implementasi Halaman Menu Utama ................

80

5.1.3

Implementasi Halaman Pilih Database .............

86

xi


BAB VI

5.1.4

Implementasi Halaman About ...........................

89

5.1.5

Implementasi Halaman Help .............................

90

5.1.6

Implementasi Halaman Exit ..............................

91

5.1.7

Implementasi Pengecekan Masukan .................

91

5.2

Implementasi Kelas .........................................................

94

5.3

Implementasi Struktur Data .............................................

95

5.3.1

Implementasi Kelas Vertex.java .......................

95

5.3.2

Implementasi Kelas Graph.java ........................

96

PENGUJIAN DAN ANALISA HASIL PENGUJIAN ........

99

6.1

Rencana Pengujian ..........................................................

99

6.1.1

Hasil Pengujian Blackbox..................................

102

6.1.1.1 Pengujian Input Data ...........................

102

6.1.1.2 Pengujian Koneksi Database ..............

103

6.1.1.3 Pengujian Seleksi Atribut....................

105

6.1.1.4 Pengujian Deteksi Outlier ...................

106

6.1.1.5 Pengujian Simpan Hasil Deteksi Outlier

107

Kesimpulan Hasil Pengujian Blackbox .............

108

6.1.2 6.1.3

Hasil Pengujian Dengan Perubahan Nilai Parameter k 109

6.1.4

Kesimpulan Hasil Pengujian Dengan Perubahan Nilai Parameter k ........................................................

6.1.5

115

Hasil Pengujian Validitas dan Review oleh Pengguna 115 6.1.5.1 Perbandingan

Perhitungan

Manual

dengan

Perhitungan Sistem .............................

115

6.1.5.2 Kesimpulan Perbandingan Perhitungan Manual dengan Perhitungan Sistem .................

117

6.1.5.3 Hasil Review Oleh Pengguna ..............

117

6.1.5.4 Kesimpulan

6.2

Hasil

Pengujian

Validitas

dan

Review oleh Pengguna.........................

120

Kelebihan dan Kekurangan Sistem .................................

123

6.2.1

Kelebihan Sistem...............................................

123

6.2.2

Kekurangan Sistem ...........................................

124

xii


BAB VII

KESIMPULAN DAN SARAN ............................................

125

7.1

Kesimpulan

.................................................................

125

7.2

Saran

.................................................................

126

DAFTAR PUSTAKA

.................................................................

127

LAMPIRAN 1

.................................................................

128

LAMPIRAN 2

.................................................................

129

LAMPIRAN 3

.................................................................

137

LAMPIRAN 4

.................................................................

144

LAMPIRAN 5

.................................................................

150

LAMPIRAN 6

.................................................................

159

LAMPIRAN 7

.................................................................

194

LAMPIRAN 8

.................................................................

200

xiii


DAFTAR GAMBAR Gambar 2.1

Proses KDD(Knowledge Discovery in Database) ...........

7

Gambar 2.2

Obyek pada daerah R adalah outlier ...............................

9

Gambar 3.1

Database gudangdata ......................................................

18

Gambar 3.2

Isi tabel fact_lengkap2 .....................................................

19

Gambar 3.3

Isi tabel fact_lengkap2 untuk mahasiswa Teknik Informatika 20

Gambar 3.4

Isi tabel fact_lengkap2 setelah seleksi .............................

20

Gambar 3.5

Contoh Data angkatan 2007 jalur reguler ........................

25

Gambar 4.1

Proses umum Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor ..................................

Gambar 4.2

Diagram Kelas Analisis Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor ................

Gambar 4.3

36

38

Diagram Kelas Desain Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor ................

44

Gambar 4.4

Ilustrasi Struktur Data Graf .............................................

71

Gambar 4.5

Tampilan Halaman Awal(HomePage) ............................

72

Gambar 4.6

Tampilan Halaman Utama(Home) pada tab Prepocessing

74

Gambar 4.7

Tampilan Halaman Utama(Home) pada tab Deteksi Outlier 75

Gambar 4.8

Tampilan Halaman Pilih Database .................................

76

Gambar 4.9

Tampilan Halaman Pilih Tabel ........................................

76

Gambar 4.10 Tampilan Halaman About ................................................

77

Gambar 4.11 Tampilan Halaman Help..................................................

78

Gambar 5.1

Antarmuka atau Interface Halaman Awal(HomePage) ...

80

Gambar 5.2

Antarmuka atau Interface Halaman Menu Utama(Home)

81

Gambar 5.3

Kotak Dialog Pilih File ...................................................

81

Gambar 5.4

File Inputan Tertampil pada Tabel ..................................

82

Gambar 5.5

Daftar Atribut pada Tabel Seleksi Atribut.......................

83

Gambar 5.6

Antarmuka atau Interface Halaman Menu Utama(Home) tab Deteksi Outlier

Gambar 5.7

83

Antarmuka atau Interface Halaman Menu Utama(Home) tab Deteksi Outlier Saat Memasukan Nilai Parameter ..........

xiv

84


Gambar 5.8

Hasil Deteksi Outlier .......................................................

84

Gambar 5.9

Hasil Deteksi Outlier Setelah Diberi Batas Outlier ........

85

Gambar 5.10 Kotak Dialog Simpan Hasil Deteksi Outlier ...................

85

Gambar 5.11 Kotak Dialog Simpan Hasil Deteksi Outlier Saat Memberi Nama File

.................................................................

86

Gambar 5.12 Pesan Sukses Hasil Deteksi Outlier Berhasil Disimpan..

86

Gambar 5.13 Antarmuka atau Interface Halaman PilihDatabase..........

87

Gambar 5.14 Memasukan Username, Password, Database Name, dan Url 87 Gambar 5.15 Pesan Sukses Konfigurasi ke Database Berhasil ............

88

Gambar 5.16 Antarmuka atau Interface Halaman PilihTabel ...............

88

Gambar 5.17 Tabel Inputan dari Database Tertampil pada Halaman Utama pada tab Prepocessing ..............................................................

89

Gambar 5.18 Antarmuka atau Interface Halaman About ......................

90

Gambar 5.19 Antarmuka atau Interface Halaman Help .......................

91

Gambar 5.20 Antarmuka atau Interface Halaman Exit .........................

91

Gambar 5.21 Pesan Kesalahan k Kosong .............................................

92

Gambar 5.22 Pesan Kesalahan k Mengandung Karakter Selain Angka

92

Gambar 5.23 Pesan Kesalahan Batas Outlier Kosong ..........................

93

Gambar 5.24 Pesan Kesalahan Angka

Batas Outlier Mengandung Karakter Selain

.................................................................

93

Gambar 5.25 Pesan Kesalahan Username, Password, Database Name, dan Url Ada yang Kosong ............................................................

93

Gambar 5.26 Pesan Kesalahan Username, Password, Database Name, dan Url Ada yang Salah ................................................................

94

Gambar 5.27 Pesan Kesalahan Format File Tidak Sesuai ...................

94

Gambar 6.1

Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes ....................

Gambar 6.2

Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi .............

Gambar 6.3

109

111

Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 ...................................

xv

113


DAFTAR TABEL Tabel 2.1 Simbol dan definisi...............................................................

13

Tabel 3.1 Contoh perhitungan min-max normalization untuk atribut nil11, nil12, nil13, nil14, dan15................................................................

22

Tabel 3.2 Setelah di hitung menggunakan rumus min-max normalization untuk atribut nil11, nil12, nil13, nil14, dan15 ................................

22

Tabel 3.3 Contoh perhitungan min-max normalization untuk atribut final 23 Tabel 3.4 Setelah di hitung menggunakan rumus min-max normalization untuk atribut final ...........................................................................

24

Tabel 4.1 Tabel Penjelasan dari Diagram Kelas Analisis ....................

39

Tabel 4.2 Ilustrasi Struktur Data Matriks Dua Dimensi .......................

71

Tabel 4.3 Ilustrasi Struktur Data Matriks Dua Dimensi Setelah dilakukan Perhitungan dengan Ecluidian Distance ..............................

72

Tabel 6.1 Rencana Pengujian Blackbox ...............................................

102

Tabel 6.2 Hasil Pengujian Input Data pada Kelas Home .....................

104

Tabel 6.3 Hasil Pengujian Input Data pada Kelas Koneksi Database .

105

Tabel 6.4 Hasil Pengujian Seleksi Atribut pada Kelas Home ..............

107

Tabel 6.5 Hasil Pengujian Deteksi Outlier pada Kelas Home .............

108

Tabel 6.6 Hasil Pengujian Simpan Hasil Deteksi Outlier pada Kelas Home109 Tabel 6.7 Daftar Nilai Per Atribut ........................................................

118

Tabel 6.8 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes ............................................

120

Tabel 6.9 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi ......................................

120

Tabel 6.10 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 ............................................................

xvi

121


BAB I PENDAHULUAN

1.1Latar Belakang Di era globalisasi saat ini, pendidikan merupakan kebutuhan primer bagi setiap individu. Pendidikan yang di maksud adalah usaha sadar dan terencana untuk mewujudkan suasana belajar dan proses pembelajaran agar peserta didik secara aktif mengembangkan potensi dirinya untuk memiliki kekuatan spiritual keagamaaan, pengendalian diri, kepribadian, kecerdasan, akhlak mulia, serta ketrampilan yang diperlukan dirinya, masyarakat, bangsa, dan Negara (UU No. 20 Tahun 2003). Universitas Sanata Dharma Yogyakarta adalah sebuah institusi pendidikan yang tentunya memiliki banyak data. Sebagai contoh adalah data akademik. Data-data akademik yang dapat di ambil adalah data PMB (berupa nilai test penerimaan mahasiswa baru ataupun nilai rapor SMA) dan nilai semester. Pada akhir semester IV, akan di analisa apakah mahasiswa tersebut layak untuk melanjutkan studi di program studi Teknik Informatika ataukah tidak. Apakah mahasiswa tersebut perlu untuk di drop out atau tidak. Dalam mengambil keputusan, seorang Kaprodi harus memperhatikan berbagai faktorfaktor nilai. Apabila nilai test penerimaan mahasiswa baru dan nilai semester seorang mahasiswa bagus, tentunya mahasiswa tersebut di nilai berprestasi. Begitu juga sebaliknya. Tetapi, ada kemungkinan apabila seorang mahasiswa memiliki nilai test penerimaan mahasiswa baru yang bagus, namun ia tidak berprestasi dibuktikan dengan nilai semesternya yang jelek. Kebutuhan untuk pengolahan data pun di rasa sangat penting untuk era saat ini. Dalam bidang pendidikan, data mining sangat berguna untuk mengembangkan sebuah metode yang dapat menemukan keunikan dari sebuah data yang berasal dari sistem pendidikan tersebut, dan menggunakan metode tersebut untuk lebih memahami siswa, sehingga dapat mengembangkan


2

sebuah sistem yang sesuai (Barker & Yacef, 2009). Salah satu metode dalam Data Mining untuk mengenali data yang bersifat unik di sebut Deteksi Outlier. Teknik Deteksi Outlier di kategorikan menjadi beberapa

kelompok,

yaitu

Statistical

Approaches,

Proximity-based

Approaches, Clustering-based Approaches, dan Classification Approaches. Dan salah satu algoritma yang ada adalah algoritma Connectivity-based Outlier Factor (COF). Algoritma COF ini merupakan algoritma dengan pendekatan Density Based. Algoritma COF digunakan untuk mendeteksi outlier segera setelah outlier tersebut muncul dalam database. COF dapat menangani outlier atau pola yang menyimpang dari low density pattern. Ide utama dari algoritma COF adalah untuk menentukan setiap record data yang dapat setingkat atau sederajat untuk menjadi outlier atau data yang menyimpang dari suatu pola yang umum. Dengan demikian, dapat disimpulkan bahwa mahasiswa tersebut memiliki pola yang menyimpang dari pola atau di kenal sebagai outlier. Data mahasiswa yang termasuk outlier ini dapat di gunakan oleh Kaprodi untuk lebih memperhatikan mahasiswa tersebut agar prestasinya bisa naik.

1.2 Rumusan Masalah Rumusan masalah dari penelitian ini adalah : 1.2.1

Bagaimana algoritma Connectivity-based Outlier Factor dapat mendeteksi outlier dari data nilai akademik mahasiswa Teknik Informatika Universitas Sanata Dharma?

1.2.2

Mahasiswa manakah yang memiliki data nilai akademik yang unik atau menyimpang dari pola umum berdasarkan indeks prestasi semester?

1.3 Batasan Masalah Batasan masalah dari penelitian ini adalah : 1.3.1

Algoritma deteksi outlier yang di gunakan adalah algoritma Connectivitybased Outlier Factor (COF) menggunakan pendekatan Density Based.


1.3.2

3

Data yang di gunakan adalah data akademik mahasiswa TI Universitas Sanata Dharma angkatan 2007-2008 yang berupa hasil test penerimaan mahasiswa baru, nilai final dan nilai Indeks Prestasi Semester (IPS) dari semester satu sampai semester empat.

1.3.3

Hasil penelitian ini berupa kelompok mahasiswa outlier, jika ditemukan.

1.4 Tujuan Tujuan dari penelitian ini adalah : 1.4.1

Melakukan deteksi outlier pada data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma dengan menerapkan algoritma Connectivity-based Outlier Factor.

1.4.2

Menganalisis hasil deteksi outlier pada data akademik yang di hasilkan oleh algoritma Connectivity-based Outlier Factor.

1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah : 1.5.1

Memberikan analisis sejauh mana algoritma Connectivity-based Outlier Factor dapat mendeteksi sebuah outlier serta keunggulan algoritma ini dalam mendeteksi outlier.

1.5.2

Membantu Kaprodi TI Universitas Sanata Dharma dalam mendeteksi kejadian langka atau yang menyimpang dari pola umum data akademik mahasiswa.

1.6 Metodologi Penelitian Metode yang di gunakan dalam penelitian ini adalah Knowledge Discovery in Database (KDD), yaitu proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Langkah-langkah KDD menurut Jiawei Han adalah sebagai berikut : 1.6.1

Pembersihan Data (Data Cleaning) Untuk menghilangkan noise dan data yang tidak konsisten.


1.6.2

4

Integrasi Data (Data Integration) Menggabungkan data dari berbagai sumber data yang berbeda.

1.6.3

Pemilihan Data (Data Selection) Mengambil data yang relevan dengan tugas analisis yang di ambil dari database.

1.6.4

Transformasi Data (Data Transformation) Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.

1.6.5

Penambangan Data (Data Mining) Proses penting dimana metode cerdas di aplikasikan untuk mengekstrak suatu pola data.

1.6.6

Evaluasi Pola (Pola Evaluation) Mengidentifikasi pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures.

1.6.7

Presentasi Pengetahuan (Knowledge Presentation) Penyajian

pengetahuan

yang

di

gali

kepada

pengguna

dengan

menggunakan visualisasi dan teknik representasi pengetahuan.

1.7 Sistematika Penulisan Sistematika penulisan proposal tugas akhir ini adalah sebagai berikut: BAB I

PENDAHULUAN Pada bab ini di jelaskan latar belakang penelitian dan latar belakang secara umum, masalah

penelitian,

rumusan masalah penelitian, batasan

tujuan

penelitian,

manfaat

penelitian,

metodologi penelitian, dan sistematika penulisan. BAB II

LANDASAN TEORI Pada bab ini di jelaskan landasan teori dari penelitian ini. Dasar teori yang menunjang penelitian ini meliputi pengertian data mining yang berisi proses KDD (Knowledge Discovery in


5

Database), pengertian outlier, jenis-jenis outlier, dan algoritma Connectivity-based Outlier Factor. BAB III METODOLOGI PENELITIAN Pada bab ini akan di jelaskan mengenai metode yang dipakai dalam penelitian dan pembuatan aplikasi dalam analisis outlier untuk studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma. BAB IV ANALISIS DAN PERANCANGAN SISTEM Pada bab ini akan di jelaskan analisis sistem yang meliputi gambaran umum sistem, data yang di butuhkan untuk penelitian, dan pengolahan data. Akan di jelaskan pula perancangan sistem yang

meliputi

perancangan

umum

dari

sistem

tersebut,

perancangan struktur data, dan perancangan interface atau antarmuka sistem. BAB V

IMPLEMENTASI SISTEM Pada bab ini akan di jelaskan implementasi dari sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. Akan di jelaskan pula listing program dari sistem ini.

BAB VI PENGUJIAN DAN ANALISA HASIL PENGUJIAN Pada bab ini akan di jelaskan hasil pengujian dari sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor beserta dengan analis dari hasil pengujian. BAB VII KESIMPULAN DAN SARAN Pada bab ini akan di jelaskan kesimpulan dari hasil pengujian yang telah dilakukan dan saran yang berguna untuk pengembangan sistem


BAB II LANDASAN TEORI

2.1 Pengertian Data Mining Data Mining adalah acuan untuk mengekstrak atau menambang pengetahuan dari data yang jumlahnya sangat besar (Han & Kamber, 2006). Data Mining adalah suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Gartner, 2007). Selain itu, data mining juga di definisikan oleh beberapa ahli seperti Data Mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan dana machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan dalam database besar (Turban et al, 2005). Data Mining merupakan bidang dari beberapa keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar (Larose, 2006). Dari pengertian-pengertian di atas, dapat di simpulkan bahwa data mining mewarisi dari banyak bidang ilmu seperti kecerdasan buatan (artificial intellegent), machine learning, statistik, database, dan juga pemerolehan informasi (information retrieval). Dengan kemajuan saat ini, Data Mining bertujuan untuk mendapatkan hubungan atau pola yang mungkin memberikan indikasi yang bermanfaat. Saat ini, hampir semua bidang membutuhkan data mining. Hal ini di karenakan oleh terbatasnya kemampuan manusia untuk menganalisis dan mengolah data. Istilah KDD (Knowledge Discovery in Database) dan Data Mining seringkali di artikan memiliki definisi yang sama. Padahal sebenarnya ke dua

6


7

istilah tersebut memiliki konsep yang berbeda tapi berhubungan satu sama lain atau memiliki keterkaitan satu sama lain, Data Mining merupakan salah satu tahapan yang terdapat di dalam KDD (Knowledge Discovery in Database). Menurut Jiawei Han dan Kamber, langkah untuk menemukan pengetahuan atau KDD pada data mining adalah sebagai berikut:

Gambar 2.1 Proses KDD (Knowledge Discovery in Database)

Langkah-langkah KDD adalah sebagai berikut: 1. Data Cleaning atau Pembersihan Data Di dalam tahapan ini, di lakukan penghilangan noise, memeriksa data yang tidak konsisten, membuang duplikasi data dan memperbaiki kesalahan pada data.


8

2. Data Integration atau Penggabungan Data Di dalam tahapan ini di lakukan penggabungan data dari berbagai sumber data yang ada agar mudah di pilih dan di proses nantinya. 3. Data Selection atau Seleksi Data Di dalam tahapan ini di lakukan pemilihan data yang di butuhkan dalam database dan di gunakan untuk proses analisis. 4. Data Transformation atau Transformasi Data Di dalam tahapan ini, di lakukan pengubahan dan penggabungan data dari berbagai macam bentuk menjadi satu bentuk yang sama agar mudah di proses. 5. Data Mining atau Penambangan Data Di dalam tahapan ini, merupakan proses yang sangat penting dimana metode cerdas di lakukan dan di terapkan untuk mengekstrak pola data. 6. Pattern Evaluation atau Evaluasi Pola Di dalam tahapan ini, melakukan evaluasi terhadap pattern yang telah di proses, aspek-aspek yang di evaluasi adalah hasil output yang di dapat setelah proses data mining dilakukan. 7. Knowledge Presentation atau Presentasi Pengetahuan Di dalam tahapan ini, di lakukan penyajian hasil dari proses data mining yang sudah di proses.

2.2 Outlier Meskipun data yang berjumlah besar yang di kumpulkan di banyak ilmu pengetahuan dan aplikasi komersial, peristiwa tertentu yang khusus masih sangat langka terjadi. Peristiwa langka ini, sangat sering di sebut sebagai outlier. Yang di definisikan sebagai peristiwa yang sangat jarang terjadi. Menurut Hawkins, Outlier adalah kejadian yang menyimpang sangat jauh dari kejadian lainnya yang menimbulkan kecurigaan bahwa hal tersebut terjadi di karenakan oleh mekanisme yang berbeda. Sedangkan menurut Jiawei Han dan Kamber, Outlier adalah sejumlah obyek data yang sifatnya terlalu berbeda


9

dari obyek data lain pada umumnya. Deteksi outlier, baru-baru ini telah mendapatkan perhatian dari berbagai pihak. Karena saat ini outlier bukan hanya di anggap sebagai noise untuk di hilangkan, namun bisa di anggap memiliki informasi yang sama pentingnya dengan data yang lain. Karena bisa saja menurut suatu pihak, suatu kelompok data di anggap sebagai noise namun untuk pihak lain sekelompok data tersebut dianggap sebagai informasi yang sangat berguna. Noise adalah kesalahan atau random error dari sebuah variabel yang terukur.

Gambar 2.2 Obyek pada daerah R adalah outlier.

Deteksi outlier dapat di kategorikan menjadi empat pendekatan menurut Jiawei Han dan Kamber. Yaitu Statistical approach, Distance-based approach, Density-based local outlier approach, dan Deviation-based approach.

2.2.1 Jenis Outlier 2.2.1.1

Statistical Approach / Statistical Distribution-based Outlier Detection Metode Statistik mengasumsikan distribusi atau pemodelan probabilitas untuk satu set data (distribusi normal atau Poisson Distribution) dan kemudian mengidentifikasi outlier sehubungan dengan model yang menggunakan discordancy test. Aplikasi dari kebutuhan pengetahuan dari parameter sejumlah data (seperti di asumsikan sejumlah data yang di distribusikan), pengetahuan tentang parameter(seperti mean dan variance) dan sejumlah outlier


10

yang diharapkan. Sebuah obyek data yang normal yang di hasilkan oleh model statistik (Statistical Approach) dan data yang tidak mengikuti model tersebut adalah outlier. Keefektivan dari metode statistik tergantung pada asumsi apakah yang akan di pakai atau di buat untuk metode statistik yang berlaku untuk sejumlah data yang di berikan. (Han dan Kamber, 2006)

2.2.1.2

Distance-based

Approach

/

Distance-based

Outlier

Detection Distance-based Outlier Detection ini merupakan salah satu tipe dari Proximity-based Approach yang mana mengasumsikan bahwa proximity dari sebuah outlier pada tetangga terdekatnya secara signifikan menyimpang dari proximity pada obyek untuk sebagian besar obyek pada data set. Pada Distance-based sebuah obyek di sebut sebagai outlier jika neighborhoodnya tidak memiliki titik lain yang cukup. Gagasan dari distance-based outlier detection adalah untuk mengatasi keterbatasan dari metode statistik. Sebuah obyek o pada sebuah kumpulan data, D adalah Distance-based(DB) outlier dengan parameter pct dan dmin yaitu DB(pct;dmin)-outlier, jika setidaknya fraksi, pct, dari obyek D terletak pada jarak terbesar pada dmin dari o. Dengan kata lain, daripada mengandalkan uji statistik, kita bisa memikirkan distance-based outlier sebagai obyek yang tidak cukup memiliki tetangga, dimana tetangga di definisikan berdasar pada jarak pada obyek yang di berikan. Sebagai perbandingan dengan metode statistik,

distance-based

outlier detection menggeneralisasikan ide di balik pengujian discordancy untuk berbagai distribusi yang standar. Distancebased outlier detection menghindari perhitungan yang berlebihan


11

yang berkaitan dengan distribusi yang cocok ke dalam distribusi standar dan dalam memilih tes discordancy. (Han dan Kamber, 2006)

2.2.1.3

Density-based Local Outlier Approach Metode Density-based menyelidiki kepadatan dari sebuah obyek dan tetangganya. Sebuah obyek di identifikasi sebagai outlier jika kepadatannya relativ lebih rendah dari tetangganya. Asumsi dari metode Density-based adalah bahwa kepadatan di sekeliling obyek yang bukan outlier mirip dengan kepadatan di sekeliling tetangganya, sedangkan kepadatan di sekeliling obyek outlier adalah signifikan berbeda dari jarak di sekitar tetangganya. Metode Density-based menggunakan kepadatan relatif dari sebuah obyek terhadap tetangganya untuk menunjukan sejauh mana sebuah obyek disebut sebagai oulier. (Han dan Kamber, 2006)

2.2.1.4

Deviation-based Approach Metode Deviation-based tidak menggunakan uji statistik atau Distance-based untuk mengidentifikasi obyek yang tidak biasa. Sebaliknya, metode Deviation-based mengidentifikasi outlier dengan memeriksa karakter utama obyek dari sebuah grup. Obyek yang menyimpang atau memiliki karakteristik di luar karakter utama dianggap sebagai outlier. Oleh karena itu, pendekatan deviasi biasanya di gunakan untuk merujuk pada outlier. (Han dan Kamber, 2006)


12

2.3 Algoritma Connectivity-based Outlier Factor Ide utama dari algoritma Connectivity-based Outlier Factor (COF) adalah untuk menentukan masing-masing record data yang sederajat atau setingkat untuk menjadi outlier. Algoritma Connectivity-based Outlier Factor adalah algoritma pendeteksian outlier dengan pendekatan density based untuk menangani penyimpangan dari low density pattern. Algoritma COF ini merupakan varian dari algoritma LOF (Local Outlier Factor) yang juga menggunakan k-neighborhood. Gagasan dari algoritma Connectivity-based Outlier Factor adalah low density dari isolativity. Low density berarti jumlah obyek pada close neighborhood dari suatu obyek relatif kecil. Sedangkan isolativity berarti derajat atau tingkatan dimana sebuah obyek terkoneksi dengan obyek yang lain. Record data dengan nilai COF yang tinggi biasanya di sebut strong outlier. Tidak seperti record data dari cluster yang normal yang biasanya cenderung memiliki nilai COF yang lebih rendah. Algoritma untuk menghitung nilai COF untuk semua record data memiliki langkah-langkah sebagai berikut: 1. Mencari Nk(p) untuk setiap record data p pada k nearest neighbours (k-NN); 2. Mencari set based nearest path (SBN-path) atau s. Di sini, set based nearest path (SBN-path) dari record data p1 pada set Nk (p) adalah urutan record dengan jarak terdekat masing-masing p, s={p1,p2,…,pr} sehingga untuk semua

1≤ i ≤ r −1, pi+1 adalah tetangga

terdekat dari {p1,…,pi} pada {pi+1,…,pr}. 3. Mencari set based nearest trail (SBN-trail) atau tr. SBN-trail adalah urutan edge terhadap s atau SBN-path di mana setiap tepi menghubungkan dua tetangga terdekat berturut-turut dari jalur SBNpath. Dapat dinotasikan SBN-trail = {e(1), ....., e(r-1)}. 4. Menghitung Cost Description. Cost Description adalah jarak dari masing-masing edge pada SBN-trail.


13

5. Menghitung average chaining distance(ac-dist) dari p1 ke Nk - {p1}, dinotasikan dengan ac-distNk(p)∪p(p1) dan didefinisikan sebagai:

.................... (1)

dimana dist(ei) dinotasikan jarak antara node yang terdiri dari tepi. Average chaining distance dari p1 ke Nk-{p1} adalah jumlah bobot dari cost description sequence dari SBN trail untuk beberapa SBN path dari p1, dan juga dapat dilihat sebagai rata-rata jarak bobot dalam cost description sequence SBN-trail. 6. Hitung connectivity-based outlier factor (COF) pada record data p sehubungan dengan k- neigbourhood nya menggunakan rumus berikut: .................... (2) COF dihitung sebagai rasio average chaining distance dari data record p untuk Nk(p) dan average chaining distance pada k-distance neighbors mereka sendiri.

Tabel 2.1 Simbol dan definisi P

Masing-masing record dari suatu set data

Nk(p)

Jumlah tetangga terdekat dari p

SBN-path atau s

Jalur dari p ke p(r)

SBN-trail atau tr

Urutan dari edge sesuai dengan SBNpath

Cost Desciption Sequence

Jarak dari masing-masing edge pada SBN- trail

Average Chaining Distance

Rata-rata

dari

bobot

CDS(Cost

Description Sequence) pada SBN-


14

trail Connectivity-based Outlier Factor

Menunjukkan seberapa

jauh titik

bergeser dari pola. Perbandingan

titik

sekelilingnya

yang

ke

titik

di

mempengaruhi

outlier factor

2.4 Contoh Jalannya Algoritma Di asumsikan terdapat titik yaitu 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 2, dan 1. Titik 2 dan titik 1 terletak jauh dari titik lainnya yang berdekatan. Di tentukan bahwa jarak dari titik 1 ke 2 adalah 5 ((dist(1,2) = 5)), jarak dari titik 2 ke titik 7 adalah 3 ((dist(2,7) = 3)), sedangkan jarak dari titik satu ke titik lainnya adalah 1. Di tentukan pula k = 10, r = 11. 1. Mencari Nk(p) Dari contoh di atas akan di cari Nk(1) terhadap p=1. Jarak terdekat dari titik 1 adalah 2, 9, 10, 8, 11, 7, 12, 6, 13, 5. Jadi Nk(1) = {2, 9, 10, 8, 11, 7, 12, 6, 13, 5}. 2.

Mencari SBN-path Langkah selanjutnya adalah mencari SBN-path dari titik 1 pada Nk(1) ∪ {1}. Pada langkah ini, di lakukan penggabungan antara p=1 dengan Nk(1). Perhitungan di lakukan secara berantai dengan ukuran jarak terdekat dari titik tertentu (< p1, p2, ..., pr>). Dari contoh di atas, jalur atau path dari titik 1, jarak terdekat adalah ke titik 2. Dari titik 2, jarak terdekat adalah titik 7. Dari titik 7, jarak terdekat adalah titik 6. Dari titik 6, jarak terdekat adalah titik 5. Kemudian kembali ke titik 7, titik terdekat dari titik 7 selain titik 6 adalah titik 8. Dari titik 8, jarak terdekat adalah titik 9. Dari titik 9, jarak terdekat adalah titik 10. Dari titik 10, jarak terdekat adalah titik 11. Dari titik 11, jarak terdekat adalah


15

titik 12. Dan yang terakhir dari titik 12, jarak terdekat adalah titik 13. Jadi SBN-path atau s1 = <1, 2, 7, 6, 5, 8, 9, 10, 11, 12, 13>.

3.

Mencari SBN-trail Langkah yang berikutnya adalah mencari SBN-trail untuk s1 atau SBNpath terhadap titik 1. SBN-trail adalah urutan edge terhadap s1 (< dist(e1), ..., dist(er-1)>). Dari jarak titik 1 ke titik 2, titik 2 ke titik 7, titik 7 ke titik 6, titik 6 ke titik 5, titik 7 ke titik 8, titik 8 ke titik 9, titik 9 ke titik 10, titik 10 ke titik 11, titik 11 ke titik 12, dan titik 12 ke titik 13. Jarak dari masing-masing titik tersebut adalah e. Jadi SBN-trail atau tr1 = < (1,2), (2,7), (7,6), (6,5), (7,8), (8,9), (9,10), (10,11), (11,12), (12,13) >

4.

Menghitung Cost Description Langkah

selanjutnya

adalah

menghitung

Cost

Description.

Cost

Description adalah jarak dari masing-masing edge pada SBN- trail. Pada contoh data di atas sudah di tentukan bahwa jarak dari titik 1 ke 2 adalah 5 ((dist(1,2) = 5)), jarak dari titik 2 ke titik 7 adalah 3 ((dist(2,7) = 3)), sedangkan jarak dari titik satu ke titik lainnya adalah 1. Maka dapat di hitung untuk tr1, dist(1,2) = 5, dist(2,7) = 3, dist(7,6) = 1, dist(6,5) = 1, dist(7,8) = 1, dist(8,9) = 1, dist(9,10) = 1, dist(10,11) = 1, dist(11,12) = 1, dan dist(12,13) = 1. Maka Cost Desciption atau c1 terhadap tr1 : c1 = < 5, 3, 1, 1, 1, 1, 1, 1, 1, 1 > 5.

Menghitung ac-dist atau Average Chaining Distance Langkah berikutnya yaitu menghitung ac-dist. ac-dist adalah rata-rata dari bobot CDS(Cost Description Sequence) pada SBN-trail.


16

ac-dist Nk (1) ∪ {1} (1) =( 2(11-1)*5)/(11(11-1)) + (2(11-2)*3)/(11(11-1)) + (2(11-3)*1)/(11(11-1)) + (2(11-4)*1)/(11(11-1)) + (2(11-5)*1)/(11(111))

+

(2(11-6)*1)/(11(11-1))

+

(2(11-7)*1)/(11(11-1))

+

(2(11-

8)*1)/(11(11-1)) + (2(11-9)*1)/(11(11-1)) + (2(11-10)*1)/(11(11-1)) = 2,054545455 6.

Menghitung COF (Connectivity-based Outlier Factor) Langkah selanjutnya adalah menghitung Connectivity-based Outlier Factor (COF).

Jadi COFk(1) = 2,1 Setelah di temukan nilai COF, maka dapat di tentukan bahwa obyek tersebut tergolong outlier atau tidak. Pada contoh di atas, dapat di tentukan bahwa obyek tersebut termasuk outlier dikarenakan nilai COF lebih dari 1.


BAB III METODOLOGI PENELITIAN

Pada bab ini akan di jelaskan mengenai metodologi penambangan data yang di gunakan dalam penelitian sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. Metodologi yang di gunakan adalah KDD (Knowledge Discovery in Database) menurut Jiawei Han dan Kamber. Akan di jelaskan pula penerapan dari algoritma Connectivitybased Outlier Factor pada kumpulan data atau data set akademik mahasiswa Teknik Informatika Universitas Sanata Dharma. 3.1 Data yang dibutuhkan Data yang di gunakan dalam penelitian ini adalah Data Akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008. Data akademik yang di gunakan adalah dari semester satu sampai semester empat. Data ini berasal dari penelitian yang dilakukan oleh Rosa, dkk (2011). Data ini berupa script query yang berisi tabel gudang data dan file ini berformat .sql.

3.2 Pengolahan Data Tahapan pengolahan data untuk data akademik Teknik Informatika Universitas Sanata Dharma adalah sebagai berikut: 1.

Data Integration atau Penggabungan Data Di dalam tahapan ini di lakukan penggabungan data dari berbagai

sumber data yang ada agar mudah di pilih dan di proses nantinya. Sumber data yang berupa file .sql (script query) dari penelitian Rosa, dkk (2011) ini kemudian di olah dengan di import ke dalam database dan akan terbuat satu database baru bernama gudangdata. Database gudangdata memiliki sembilan tabel, yaitu tabel dim_angkatan, tabel dim_daftarsmu, tabel dim_fakultas, tabel dim_jeniskel, tabel dim_kabupaten, tabel dim_prodi,

17


18

tabel dim_prodifaks, tabel dim_statustes, dan tabel fact_lengkap2.

Gambar 3.1 Database gudangdata.

2.

Data Selection atau Seleksi Data Setelah dilakukan proses Data Integration atau penggabungan data,

selanjutnya di dalam tahapan ini akan di lakukan pemilihan data yang di butuhkan dalam database dan di gunakan untuk proses analisis. Data yang di peroleh dari langkah sebelumnya akan di seleksi sesuai dengan kebutuhan untuk penelitian ini. Tabel yang di gunakan untuk penelitian ini adalah tabel fact_lengkap2. Tabel yang lainnya tidak di gunakan karena di nilai kurang relevan dengan penelitian ini. Di dalam tabel fact_lengkap2 ini terdapat atribut nomor, jumsttb, jummtsttb, jumnem, nomor_mhs, nama_mhs, ips1, ips2, ips3, ips4, nil11, nil12, nil13, nil14, nil15, final, statustes, kd21, kd22, kd23, kd24, kd25, kd26, kd27, kd28, nem, sttb, sk_jeniskel, sk_status, sk_kabupaten, sk_daftarsmu, dan sk_prodi.


19

Gambar 3.2 Isi tabel fact_lengkap2 Langkah selanjutnya setelah seleksi tabel adalah menyeleksi data dalam tabel. Data yang akan di gunakan adalah data mahasiswa Teknik Informatika angkatan 2007-2008. Jadi data selain mahasiswa Teknik Informatika akan di hilangkan. Data mahasiswa yang memiliki atribut sk_prodi = 27 (Teknik Informatika) akan di tampilkan.


20

Gambar 3.3 Isi tabel fact_lengkap2 untuk mahasiswa Teknik Informatika

Setelah itu, di lakukan seleksi untuk atribut-atribut yang sesuai untuk di gunakan dalam penelitian ini. Akan di lakukan penghilangan atribut-atribut nomor, jumsttb, jummtsttb, jumnem, sttb, sk_jeniskel, sk_status, sk_kabupaten, sk_daftarsmu, dan sk_prodi.

Gambar 3.4 Isi tabel fact_lengkap2 setelah seleksi

3.

Data Transformation atau Transformasi Data Di dalam tahapan ini, di lakukan pengubahan dan penggabungan

data dari berbagai macam bentuk menjadi satu bentuk yang sama agar


21

mudah di proses. Atribut-atribut yang di gunakan memiliki tipe atau jenis yang

berbeda

sehingga

membutuhkan

transformasi

data

untuk

penyeragaman data sehingga datanya dapat lebih mudah untuk di tambang. Contohnya atribut ips1, ips2, ips3, dan ips4 memiliki nilai maksimal 4.00. Untuk atribut nil11, nil12, nil13, nil14, dan nil15 memiliki nilai maksimal 10.00. Sedangkan untuk atribut final memiliki nilai maksimal 100.00. Karena perbedaan nilai maksimal masing-masing atribut tersebut, maka harus di lakukan pengubahan nilai maksimal. Atribut nil11, nil12, nil13, nil14, nil15, dan final akan di ubah nilai maksimalnya sehingga menjadi satu bentuk dengan atribut ips1, ips2, ips3, dan ips4 yaitu 4.00. Untuk penggabungan data dari berbagai macam bentuk menjadi satu bentuk yang sama tersebut di gunakan rumus min-max normalization.

v' 

v  minA (new _ maxA  new _ minA)  new _ minA maxA  minA

Keterangan : v’

: Nilai yang di cari untuk di normalisasi.

v

: Nilai yang belum di normalisasi.

minA

: Nilai minimum dari atribut A.

maxA

: Nilai maksimum dari atribut A.

new_maxA

: Nilai maksimum baru dari atribut A.

new_minA

: Nilai minimum baru dari atribut A.

Contoh perhitungan menggunakan rumus min-max normalization untuk atribut nil11, nil12, nil13, nil14, dan nil15 adalah sebagai berikut. nil11 adalah 8.00. Akan dilakukan transformasi untuk nil11 agar nilai maksimumnya 4.00. Di notasikan v = 8.00, minA = 0.00, maxA = 10.00, new_maxA = 4.00, new_minA = 0.00. Jadi v’ = ((8.00 - 0.00) / (10.00 – 0.00)) * (4.00 - 0.00) + 0.00. v’ = (8 / 10) * 4. v’ = 3.20. Akan di berikan satu contoh perhitungan dalam tabel untuk atribut ips1, nil11, nil12, nil13, nil14, dan nil15. Atribut nil11, nil12, nil13, nil14,


22

dan nil15 akan di seragamkan nilai maksimumnya adalah 4.00. Tabel 3.1 Contoh perhitungan min-max normalization untuk atribut nil11, nil12, nil13, nil14, dan15. Nomor

ips1

nil11

nil12

nil13

nil14

nil15

1.

3.72

8.00

6.00

6.00

7.00

5.00

2.

2.89

6.00

5.00

5.00

7.00

5.00

3.

2.56

6.00

4.00

5.00

7.00

5.00

4.

3.28

7.00

6.00

7.00

6.00

6.00

5.

1.89

6.00

5.00

6.00

6.00

7.00

6.

1.44

10.00

5.00

9.00

6.00

7.00

7.

4.00

6.00

6.00

4.00

4.00

7.00

8.

1.72

3.00

2.00

8.00

3.00

1.00

9.

2.89

5.00

5.00

8.00

5.00

7.00

10.

2.94

7.00

5.00

5.00

5.00

5.00

11.

2.94

6.00

4.00

6.00

3.00

7.00

12.

2.44

5.00

5.00

6.00

5.00

5.00

13.

1.72

7.00

6.00

8.00

8.00

2.00

Tabel

3.2

Setelah

di

hitung

menggunakan

rumus

min-max

normalization untuk atribut nil11, nil12, nil13, nil14, dan15. Nomor

ips1

nil11

nil12

nil13

nil14

nil15

1.

3.72

3.20

2.40

2.40

2.80

2.00

2.

2.89

2.30

2.00

2.00

2.80

2.00

3.

2.56

2.40

1.60

2.00

2.80

2.00

4.

3.28

2.80

2.40

2.80

2.40

2.40

5.

1.89

2.40

2.00

2.40

2.40

2.80

6.

1.44

4.00

2.00

3.60

2.40

2.80

7.

4.00

2.40

2.40

1.60

1.60

2.80

8.

1.72

1.20

0.80

3.20

1.20

0.40

9.

2.89

2.00

2.00

3.20

2.00

2.80


10.

2.94

2.80

2.00

2.00

2.00

1.60

11.

2.94

2.40

1.60

2.40

1.20

2.80

12.

2.44

2.00

2.00

2.40

2.00

2.00

13.

1.72

2.80

2.40

3.20

3.20

0.80

23

Sedangkan untuk contoh perhitungan menggunakan rumus minmax normalization untuk atribut final adalah sebagai berikut. final = 67.80. Akan dilakukan transformasi untuk final agar nilai maksimumnya 4.00. Di notasikan v = 67.80, minA = 0.00, maxA = 100.00, new_maxA = 4.00, new_minA = 0.00. Jadi v’ = ((67.80 - 0.00) / (100.00 – 0.00)) * (4.00 - 0.00) + 0.00. v’ = (67.80 / 100) * 4. v’ = 2.712. Akan di berikan satu contoh perhitungan dalam tabel untuk atribut ips1, ips2, ips3, ips4, dan final. Atribut final akan di seragamkan nilai maksimumnya adalah 4.00.

Tabel 3.3 Contoh perhitungan min-max normalization untuk atribut final. Nomor

ips1

ips2

ips3

ips4

Final

1.

2.06

2.32

2.91

3.00

67.80

2.

2.72

2.50

2.96

2.38

67.75

3.

3.33

3.48

3.78

3.48

69.41

4.

2.39

3.00

2.43

2.82

71.60

5.

2.11

2.71

2.43

2.45

73.75

6.

3.00

2.96

2.61

3.29

67.57

7.

3.72

3.56

3.43

3.67

78.67

8.

3.44

3.04

2.88

3.48

71.33

9.

2.17

2.70

3.09

3.63

72.00

10.

3.89

3.75

3.00

3.62

77.00

11.

2.89

3.68

2.88

3.76

72.99

12.

3.11

3.08

2.78

3.48

68.17


13.

2.00

Tabel

3.4

2.00

Setelah

di

2.29

hitung

3.00

menggunakan

24

77.10

rumus

min-max

normalization untuk atribut final. Nomor

ips1

ips2

ips3

ips4

Final

1.

2.06

2.32

2.91

3.00

2.712

2.

2.72

2.50

2.96

2.38

2.71

3.

3.33

3.48

3.78

3.48

2.7764

4.

2.39

3.00

2.43

2.82

2.864

5.

2.11

2.71

2.43

2.45

2.95

6.

3.00

2.96

2.61

3.29

2.7028

7.

3.72

3.56

3.43

3.67

2.1468

8.

3.44

3.04

2.88

3.48

2.8532

9.

2.17

2.70

3.09

3.63

2.88

10.

3.89

3.75

3.00

3.62

3.08

11.

2.89

3.68

2.88

3.76

2.9196

12.

3.11

3.08

2.78

3.48

2.7268

13.

2.00

2.00

2.29

3.00

3.084

4.

Data Mining atau Penambangan Data Di dalam tahapan ini, merupakan proses yang sangat penting

dimana metode cerdas di lakukan dan di terapkan untuk mengekstrak pola data. Data akademik Teknik Informatika angkatan 2007-2008 yang telah di olah, akan di analisis menggunakan algoritma Connectivity-based Outlier Factor. Dalam tahap ini, akan di gunakan beberapa variabel untuk melakukan pengujian. Variabel-variabel yang di gunakan adalah sebagai berikut:

1. Input Variabel input yang di gunakan di ambil dari tabel ‘fact_lengkap2’ pada database ‘gudangdata’. Variabel-variabel


25

tersebut adalah nomor_mhs, nama_mhs, ips1, ips2, ips3, ips4, nil1, nil2, nil3, nil4, nil5, final, statustes, kd21, kd22, kd23, kd24, kd25, kd26, kd27, kd28, dan nem. 2. Output Variabel output yang di gunakan berupa mahasiswa yang di anggap

sebagai

outlier

setelah

di

lakukan

pendeteksian

menggunakan algoritma Connectivity-based Outlier Factor.

Akan di berikan contoh penambangan data menggunakan algoritma Connectivity-based Outlier Factor. Data yang di gunakan adalah sampel mahasiswa Teknik Informatika angkatan 2007-2008 berjumlah 13. 1. Perhitungan data mahasiswa angkatan 2007 pendaftar jalur reguler. Dengan membandingan variabel ips1 dengan nil1, nil2, nil3,nil4, dan nil5.

Gambar 3.5 Contoh Data angkatan 2007 jalur reguler. Dari data di atas, kemudian di cari jarak perbandingan setiap obyek menggunakan rumus jarak Ecluidian.


26

Setelah di hitung jarak, maka tentukan k = 7. Cari 7 jarak paling dekat terhadap obyek p. Setelah mendapat 7 jarak terdekat, kemudian di cari jarak terbesar atau maksimum dari obyek p. Untuk obyek P1 dapat diperoleh jangkauan terbesar adalah 1,7385. Jangkauan terbesar atau maksimum juga di sebut sebagai k-distance.

2. Mencari Nk(p) Dari contoh di atas akan di cari Nk(P1) terhadap p=P1. Jarak terdekat dari titik P1 adalah P3, P4, P5, P6, P9, P11, P12 Jadi Nk(P1) = { P3, P4, P5, P6, P9, P11, P12}.

3. Mencari SBN-path Langkah selanjutnya adalah mencari SBN-path dari titik P1 pada Nk(P1)


27

∪ {P1}. Pada langkah ini, di lakukan penggabungan antara p=P1 dengan Nk(P1). Perhitungan di lakukan secara berantai dengan ukuran jarak terdekat dari titik tertentu (< p1, p2, ..., pr>). Dari contoh di atas, jalur atau path dari titik P1. Jadi SBN-path atau s1 = < P1, P12, P4, P3, P11, P9, P5, P6>.

4. Mencari SBN-trail Langkah yang berikutnya adalah mencari SBN-trail untuk s1 atau SBNpath terhadap titik P1. SBN-trail adalah urutan edge terhadap s1 (< dist(e1), ..., dist(er-1)>). Jadi

SBN-trail

atau

tr1

=

<

(P1,P12),(P12,P4),(P4,P3),(P3,P11),(P11,P9),(P9,P5),(P5,P6) >

5. Menghitung Cost Description Sequence Langkah selanjutnya adalah menghitung Cost Description Sequence. Cost


28

Description Sequence adalah jarak dari masing-masing edge pada SBNtrail. Maka Cost Desciption Sequence atau c1 terhadap tr1 : c1 = < 0,9811; 0,1189; 0,0245; 0,1854; 0,0644; 0,2258; 0,1385>

6. Menghitung ac-dist atau Average Chaining Distance Langkah berikutnya yaitu menghitung ac-dist. ac-dist adalah rata-rata dari bobot CDS(Cost Description Sequence) pada SBN-trail.

ac-dist Nk (P1) ∪ {P1} (1) = 0,329558


7.

29

Menghitung COF (Connectivity-based Outlier Factor)

Langkah selanjutnya adalah menghitung Connectivity-based Outlier Factor (COF).

Jadi COFk(P1) = 0,966746822

Pada contoh di atas, dapat di tentukan bahwa P1 bukan outlier. Karena nilai COF tidak lebih dari 1.

5.

Pattern Evaluation atau Evaluasi Pola Di dalam tahapan ini, melakukan evaluasi terhadap pattern yang

telah di proses, aspek-aspek yang di evaluasi adalah hasil output yang di dapat setelah proses data mining dilakukan. . 6.

Knowledge Presentation atau Presentasi Pengetahuan Di dalam tahapan ini, di lakukan penyajian hasil dari proses data

mining yang sudah di proses. Sehingga dalam tahapan ini akan di buat sebuah sistem berbasis desktop menggunakan bahasa pemrograman java yang

dapat

melakukan

pendeteksian

outlier.


BAB IV ANALISIS DAN PERANCANGAN SISTEM

Pada bab ini akan di jelaskan analisis dan perancangan sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. 6.1 Gambaran Umum Sistem Universitas Sanata Dharma adalah salah satu universitas swasta di Yogyakarta yang setiap tahunnya akan melakukan seleksi penerimaan mahasiswa baru. Terdapat dua jalur seleksi penerimaan mahasiswa baru, yaitu jalur prestasi dan jalur tes tertulis. Untuk jalur prestasi, di gunakan nilai rata-rata kognitif dalam raport kelas XI semester satu dan dua dengan rata-rata nilai minimal 75. Dari nilai rata-rata kognitif tersebut dapat di peroleh nilai final sehingga calon mahasiswa tersebut dapat di tentukan untuk di terima atau tidak di Universitas Sanata Dharma. Sedangkan untuk jalur test tertulis, terdapat lima komponen nilai, yaitu komponen nilai penalaran numerik, komponen nilai penalaran verbal, komponen nilai hubungan ruang, komponen nilai bahasa inggris, dan komponen nilai kemampuan numerik. Dari kelima komponen tersebut akan di rata-rata sehingga dapat menghasilkan nilai final untuk penentuan apakah calon mahasiswa tersebut dapat di terima di Universitas Sanata Dharma. Setelah di lakukan seleksi penerimaan mahasiswa baru, maka akan di dapat mahasiswa yang di nyatakan di terima di Universitas Sanata Dharma. Para mahasiswa baru ini, akan mengikuti perkuliahan reguler dan setiap akhir semester akan mendapat hasil nilai berupa Indeks Prestasi. Nilai Indeks Prestasi Semester dari mahasiswa tersebut dari semester satu sampai empat akan di gunakan sebagai pembanding dengan nilai masuk mahasiswa tersebut baik jalur tes tertulis maupun jalur prestasi. Pada akhir semester IV, akan di analisa apakah mahasiswa tersebut layak untuk melanjutkan studi di program studi Teknik Informatika ataukah tidak.

30


31

Apabila seorang mahasiswa memiliki nilai masuk yang bagus, tentunya nilai Indeks Prestasinya juga bagus. Namun tidak menutup kemungkinan terdapat mahasiswa yang memiliki nilai masuk yang bagus tetapi indeks prestasi semesternya jelek dan sebaliknya, hal ini menjadi sesuatu yang menarik untuk di teliti karena berkaitan dengan deteksi outlier. Sebuah sistem pendekteksi outlier akan di buat untuk mendeteksi kejadian langka tersebut. Sistem ini akan di buat berdasarkan algoritma Connectivity-based Outlier Factor dengan pendekatan density based. Sistem ini di harapkan dapat meneliti mahasiswa-mahasiswa mana saja yang di indikasikan sebagai outlier. 6.1.1 Diagram Use Case Diagram Use case merupakan suatu model atau pemodelan yang di gunakan untuk menggambarkan kebutuhan fungsional yang di harapkan dari sebuah sistem. Jadi, sebuah sistem terdapat pengguna atau user dan sistem yang berjalan yang saling berinteraksi. Diagram use case beserta penjelasannya akan di jelaskan pada lampiran 1. Pada diagram use case, terdapat Pengguna atau user yang menggunakan sistem pendeteksian outlier ini. Pengguna dapat melakukan input data yang berupa file Excel atau file berekstensi .csv serta dari database. Pengguna selanjutnya dapat melakukan pencarian outlier. Fungsi utama yang lain adalah pengguna dapat menyimpan hasil pendeteksian outlier. Ketiga fungsi di atas hanya bisa di lakukan secara berurutan karena terdapat depends on, dimana pengguna harus menginputkan data terlebih dahulu, kemudian melakukan proses pencarian outlier, dan selanjutnya menyimpan data hasil pendeteksian. Fungsi tambahan lain adalah pengguna dapat menyeleksi atribut. Fungsi ini bisa berjalan apabila pengguna telah melakukan salah satu fungsi utama yaitu menginputkan data.


32

6.1.2 Narasi Use Case Untuk mengetahui detail keseluruhan dari narasi use case dapat dilihat pada bagian lampiran 2.

6.2 Perancangan Sistem Secara Umum 4.2.1 Input Sistem Input untuk sistem yang akan di bangun ini berupa data bebas dari user dengan file berekstensi .xls atau file excel. Inputan dapat juga berupa data dalam suatu tabel dalam database. Di dalam sistem yang akan di bangun ini, data dapat berukuran apa saja sehingga user dapat mencari outlier pada semua jenis data. Inputan untuk mencari outlier dalam sistem ini terdapat dua macam, yaitu: 1.

k k adalah jangkauan atau tetangga terdekat dari obyek p untuk mendefinisikan local neighbourhood.

Berikut ini merupakan rincian data yang akan di gunakan dalam penelitian sistem deteksi outlier menggunakan algoritma Connectivitybased Outlier Factor: a. Data Hasil Seleksi Masuk Jalur Tes No.

Nama

Penjelasan

Nilai

Atribut 1.

Nomor urut

Atribut

ini 1-126

merupakan nama alias dari nomor mahasiswa pada tiap obyek 2.

Nil1

Merupakan

0-4.00


atribut

dari

komponen nilai tes 1 3.

Nil2

Merupakan atribut

0-4.00 dari


Nil3

Merupakan atribut

0-4.00 dari


Nil4

Merupakan atribut

0-4.00 dari


Nil5

Merupakan atribut

0-4.00 dari

komponen nilai tes 5

b. Data Hasil Seleksi Masuk Jalur Prestasi No.

Nama

Penjelasan

Nilai

Atribut 1.

Nomor urut

Atribut

ini 1-126


Final

Merupakan

0-4.00

33


atribut nilai dari rata-rata

nilai

kognitif

pada

rapor

c. Data Hasil Seleksi Masuk (Gabung) No.

Nama

Penjelasan

Nilai

Atribut 1.

Nomor urut

Atribut

ini 1-126


Ips1

Merupakan

0-4.00

atribut nilai dari Indeks Prestasi mahasiswa semester 1 3.

Ips2

Merupakan

0-4.00


Ips3

Merupakan atribut nilai dari Indeks Prestasi mahasiswa semester 3

5.

Ips4

Merupakan

0-4.00

34


35


Final

Merupakan

0-4.00

atribut nilai dari rata-rata

nilai

kognitif

pada

rapor

4.2.2 Proses Sistem Proses sistem deteksi outlier adalah sebagai berikut: 1.

Pengambilan Data Pada tahap ini, user dapat melakukan pengambilan data dengan memasukan data yang berekstensi .xls dan .csv. Selain itu, user dapat mengambil data pada tabel dalam database. Setelah itu akan di tampilkan atribut-atribut yang di gunakan, kemudian user akan memilih atau menyeleksi atribut-atribut yang sekiranya di perlukan dalam proses pendeteksian outlier.

2.

Perhitungan Jarak Obyek Data Pada tahap ini akan di lakukan perhitungan jarak antar obyek menggunakan rumus Euclidean Distance. Perhitungan ini di lakukan agar di dapatkan jarak masing-masing obyek dengan obyek lainnya.

3.

Pencarian Outlier Berdasarkan Parameter k Pada

tahap

ini

akan

di

lakukan

pendeteksian

outlier

menggunakan algoritma Connectivity-based Outlier Factor. Akan di masukan parameter k, dimana parameter k digunakan untuk mengetahui tetangga terdekat dari suatu obyek.


36

Start

Data bertipe .xls

Ya Pilih seleksi atribut

Proses Seleksi Atribut

Data bertipe .csv Tidak

Data dari tabel database

Input nilai parameter k

Proses pendeteksian Outlier

Hasil Pendektesian Outlier

End

Gambar 4.1 Proses umum Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor.


37

4.2.3 Output Sistem Output pada sistem ini adalah sebagai berikut: 1.

Jumlah Data Sistem akan menampilkan keseluruhan data sesuai dengan inputan dari user.

2.

Hasil Outlier Setelah di lakukan pendeteksian outlier, maka akan di temukan data yang di indikasikan sebagai outlier. Data yang di indikasikan atau berpotensi menjadi outlier adalah data yang memiliki derajat COF lebih dari 1 atau menjauhi 1. Akan di tampilkan pula ranking atau peringkat dari data dengan derajat COF yang paling tinggi ke yang paling rendah.

6.3 Perancangan Sistem 6.3.1 Diagram Aktivitas Diagram aktivitas merupakan representasi grafis dari gambaran dari seluruh tahapan alur kerja dari sistem yang dirancang. 1. Diagram Aktivitas Input Data File yang Berekstensi .xls 2. Diagram Aktivitas Input Data File yang Berekstensi .csv 3. Diagram Aktivitas Input Data File dari Tabel pada Database 4. Diagram Aktivitas Proses Deteksi Outlier 5. Diagram Aktivitas Simpan Hasil Deteksi Outlier 6. Diagram Aktivitas Seleksi Atribut 7. Diagram Aktivitas Seleksi Atribut dengan Pilihan Tandai Semua Atribut Penjelasan dari masing-masing diagram aktivitas akan di jelaskan pada bagian lampiran 3.


38

6.3.2 Diagram Kelas Analisis

PilihFile

PilihTabel

PilihDataBase

KoneksiDataBase

DataControl HomePage

Home

user

CheckBoxTable Model

SeleksiAtributControl

Graph

Vertex

About

CofTableModel Help

Gambar 4.2 Diagram Kelas Analisis Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor.

DataCof


39

Tabel 4.1 Tabel Penjelasan dari Diagram Kelas Analisis

No 1.

Nama Kelas

Jenis

Keterangan

KoneksiDataBase

Entity

Kelas

ini

gunakan

di

untuk

menghubungan sistem

dengan

database yang di perlukan

dalam

sistem. 2.

Vertex

Entity

Kelas

ini

gunakan

di

untuk

membentuk sebuah

vertex

dalam graph. Di dalam

kelas

vertex

ini

terdapat atributatribut perhitungan outlier. 3.

Graph

Entity

Kelas

ini

gunakan

di

untuk

membentuk sebuah graph. Di dalam kelas ini juga

terdapat

method-method untuk perhitungan


40

outlier. 4.

CheckBoxTableModel Entity

Kelas

ini

gunakan

di

untuk

membentuk sebuah

table

model. 5.

DataCof

Entity

Kelas

ini

gunakan

di

untuk

menyimpan hasil deteksi outlier. 6.

CofTableModel

Enitity

Kelas

ini

gunakan

di

untuk

membentuk sebuah

tabel

model dari hasil outlier

yang

telah di simpan. 7.

DataControl

Controller

Kelas

ini

gunakan

di

untuk

mengatur koneksi database dengan

sistem

dan berisi query untuk menampilkan tabel

dari

database. 8.


Controller

Kelas

ini

gunakan menyimpan

di

untuk


41

atribut yang di pakai

dalam

perhitungan outlier. 9.

HomePage

Boundary

Kelas gunakan

ini

di

untuk

menampilkan tampilan sistem

saat pertama

kali di jalankan. 10.

Home

Boundary

Kelas gunakan

ini

di

untuk

menampilkan fungsi-fungsi utama

dari

sistem

serta

tahap prepocessing data

dan


PilihDataBase

Boundary

Kelas gunakan

ini

di

untuk

memilih database

yang

akan di gunakan dalam perhitungan selanjutnya. 12.

PilihTabel

Boundary

Kelas

ini

di


42

gunakan

untuk

memilih

tabel

dari

database

yang

telah

di

pilih sebelumnya. 13.

PilihFile

Boundary

Kelas

ini

di

gunakan

untuk

memilih

file

yang

akan

gunakan

di

dalam


About

Boundary

Kelas

ini

gunakan

di

untuk

menampilkan halaman informasi sistem

dari deteksi

ini. 15.

Help

Boundary

Kelas

ini

gunakan

di

untuk

menampilkan halaman bantuan petunjuk pemakaian sistem.


43

4.3.3 Diagram Sequence Berikut merupakan Diagram Sequence yang terdapat pada sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor: 1. Diagram Sequence Input Data File yang Berekstensi .xls 2. Diagram Sequence Input Data File yang Berekstensi .csv 3. Diagram Sequence Input Data File dari Tabel pada Database 4. Diagram Sequence Proses Deteksi Outlier 5. Diagram Sequence Simpan Hasil Deteksi Outlier 6. Diagram Sequence Seleksi Atribut

Penjelasan dari masing-masing diagram sequence akan di jelaskan pada bagian lampiran 4.

4.3.4 Diagram Kelas Desain Diagram kelas desain merupakan diagram yang menunjukan daftar tiaptiap kelas yang nantinya akan di gunakan dalam pembuatan sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. Diagram kelas ini memuat semua kelas beserta dengan atribut-atributnya.


Halaman Prepocessing

1 1 HomePage

memanggil

memanggil

1

Home memanggil

memanggil

1 memanggil 1

Halaman PilihFile

memanggil 1

memanggil Halaman Deteksi Outlier

Halaman PilihDataBase

memanggil

DataControl

1

Halaman About

Halaman Help

1

1

Halaman PilihTabel

memanggil

memanggil

1

44

memanggil 1 1

<Entity> KoneksiDataBase

memanggil memanggil <Entity> 1 1...* SeleksiAtributContr CheckBoxTableMod ol el

memiliki 1...*

1

<entity> Vertex

<entity> Graph

memanggil

1...* <entity> CofTableModel

memanggil 1 1

<entity> DatCof

Gambar 4.3 Diagram Kelas Desain Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor.

Penjelasan mengenai masing-masing kelas beserta dengan atribut dan method yang di gunakan akan di jelaskan pada lampiran 5.

4.3.5 Rincian Algoritma Setiap Method pada Tiap Kelas 1.

Rincian Algoritma pada Setiap Method pada kelas KoneksiDataBase Nama Method

Fungsi

Algoritma Method

Method getDBConnectionOracle(Stri

Mendapatka 1. Membuat

ng, String, String)

n nilai dari

dari

username,

OracleDataSource.

password,

2. Mengeset nilai url

dan url dari

obyek

ke dalam obyek


hasil

yang telah di buat.

inputan user 3. Mengambil untuk

userId

melakukan

password

koneksi

45

nilai dan

ke 4. Jika benar, maka

database

mengembalikan

Oracle.

nilai

connection

dan

berhasil

terkoneksi dengan database Oracle. getDBConnectionSql(String,

Mendapatka

1. Membuat koneksi

String, String)

n nilai dari ke database MySql username,

dengan

password,

nilai

mengeset connection

dan url dari dengan hasil

url,

parameter userid,

dan

inputan user password. untuk

2. Jika benar, maka

melakukan

mengembalikan nilai

koneksi

ke connection

dan

database

berhasil

terkoneksi

MySql.

dengan

database

MySql. isConnectedSql(String,

Melakukan

1. Memanggil

String, String)

pengecekan

method

apakah

getDBConnectio

sistem

nSql

sudah

parameter

terkoneksi

inputan

dengan

password,

dengan

user, dan


46

database

url yang telah di

MySql.

masukan

oleh

user 2. Apabila

nilai

parameter tersebut

tidak

kosong,

maka

akan mengembalikan nilai true. 3. Apabila

nilai

parameter kosong,

maka

akan mengembalikan nilai false. 1.

Memanggil

isConnectedOracle(String,

Melakukan

String, String)

pengecekan

method

apakah

getDBConnection

sistem sudah terkoneksi dengan database Oracle.

Oracle

dengan

parameter inputan user,

password,

dan url yang telah di masukan oleh user

2. Apabila

nilai

parameter tersebut

tidak

kosong,

maka

akan mengembalikan


47

nilai true. 3. Apabila

nilai

parameter kosong,

maka

akan mengembalikan nilai false. close()

Di gunakan 1. Memanggil untuk

method getConn,

memutus

apabila

koneksi

tidak

terhubung

database

maka

panggil

dengan

method

sistem.

untuk

sudah

close menutup

koneksi.

2.

Rincian Algoritma pada Setiap Method pada kelas Graph Nama Method

Fungsi

Algoritma Method

Method addVertex(String,

Membuat

1. Membaca parameter

List)

sebuah

label dan nilai.

vertex

2. Mendeklarasikan

untuk

sebuah vertex baru

membentuk

dengan memasukan

graph.

nilai label dan nilai ke dalam vertex.

addEdge(int, int, Double)

Mengisi

1.

tiap-tiap

parameter

nilai

Membaca start,

nilai end,

edge dan weight.

pada vertex 2. Memasukan nilai dari


yang telah parameter di buat.

ke

48

dalam

variabel adjMat untuk mengisi nilai edge.

calculateEcluidianDistanc

Menghitun

e(int, int)

g jarak dari array1 dan array2. edge

1.Membaca

parameter

2. Membuat obyek x dan

obyek

y

untuk

menampung nilai dari array1 dan array2. 3. Mengeset nilai sum = 0.0. 4. Selama nilai i kurang dari

jumlah

data

x,

maka akan di lakukan perhitungan sum = sum + Math.pow((x.get(i) y.get(i)), 2.0). 5. Mengembalikan nilai sum. show()

Menampilk an

1. Selama nilai i kurang

sebuah dari panjang vertexList,

graph yang maka akan ditampilkan telah

di label dari vertex tersebut.

buat.

2. Selama nilai i kurang dari

panjang

adjMat,

maka akan di perhitungan

tampilkan jarak

Euclidian Distance. inputData()

Menginputk

1. Selama i kurang dari

an data dari

jumlah baris pada tabel,


Jtable

ke

maka

di

buat

49

obyek

dalam

listNilai

bertipe

matrix

ArrayList.

dalam

2. Selama j kurang dari

graph.

jumlah kolom pada tabel, dan j sama dengan 0 maka

akan

pengesetan

dilakukan label

ke

dalam tabel 3.

Apabila tidak maka

memasukan

nilai

ke

dalam listNilai. 4.

Memanggil

method

addVertex

untuk

membuat vertex 5. Selama i kurang dari jumlah baris pada tabel, dan selama j sama dengan 1+i dan j kurang dari jumlah baris pada tabel, maka akan di lakukan pengecekan

apabila

i

tidak sama dengan j maka memanggil

method

addEdge untuk mengisi nilai edge dengan jarak EcluidianDistance

pada

method calculateEcluidianDistanc e. Search(String)

Method

1. Untuk i = 0 dan i

untuk

kurang

mencari

vertexList

dari maka

panjang akan


50

posisi indeks dilakukan pengecekan: pada

a. Jika label sama dengan

vertexLisr

nilai

label

pada

vertexList[i],

maka

mengembalikan nilai i. b. Mengembalikan nilai -1 Search2(Double, int)

Method


untuk

kurang

mencari

vertexList

vertexList

dilakukan pengecekan:

tertentu dan a.

Jika

dari

panjang

maka

akan

adjMat

pada

mengubah

index,i sama dengan jarak

nilai

maka

wasVisited

wasVisitedP menjadi true.

set

atribut

menjadi true. cariKDistance(int, int)

Method


untuk

kurang

mencari

vertexList maka set atribut

kDistance

wasVisitedP

pada

false.

masing-

2.

masing

bertipe Double.

obyek.

3. Menginisialisasi nilai

dari

Membuat

panjang

menjadi

obyek

a

kDistance = 0.0 4. Membuat atribut temp1 bertipe Double. 5. Apabila nilai index sama dengan -1, berarti graph tidak terhubung. 6. Untuk j = 0, dan nilai j kurang dari panjang a, untuk i = 0 dan nilai i


kurang

dari

vertexList

51

panjang

maka

di

lakukan pengecekan: a.

Jika

adjMat

index,

i

tidak

sama dengan -1, 0,

dan

isWasVisited

=

false. b.

Jika

adjMat

index, o kurang dari temp1 maka nilai

temp1

=

adjMat index,i 7. Set nilai a = temp1. 8. Memasukan parameter temp1 dan index ke dalam method. 9. Untuk i = 0 dan i kurang dari panjang a akan

dilakukan

pengecekan: a. Jika kDistance kurang dari a[i], maka

nilai

kDistance = a[i] 10. Mengembalikan nilai kDistance. setKDistance(String, int)

Mengeset

1.

variabel

label dan jangkauan.

kDistance ke 2. dalam vertex

Membaca

Membuat

parameter

variabel

index dan di inisialisasi ke dalam method

Search()


52

dengan parameter label. 3.

Mengeset

kDistance

dengan

memanggil

method cariKDistance. calculateCof(int)

Menginputk

1.

Membaca

parameter

an nilai pada minPts variabel

2. Untuk nilai i = 0 dan i

COF dalam kurang vertex

dari

panjang

vertexList, maka mengeset nilai kDistance . 3. Untuk nilai i = 0 dan i kurang

dari

panjang

vertexList, maka mengeset nilai nkp. 4. Untuk nilai i = 0 dan i kurang

dari

panjang

vertexList, maka mengeset nilai sbnPath.

cariNkp(Double, int)

Method

1.

untuk

kDistance dan index

mencari

2. Membuat variabel x

masing-

bertipe ArrayList <String>

masing nkp

3. Jika index sama dengan

pada setiap -1, obyek

Membaca

maka

parameter

graph

tidak

terhubung 4. Untuk i = 0 dan i kurang

dari

vertexList

panjang

maka

di


Jika

index,

adjMat i

tidak

sama dengan -1


53

dan 0, dan jika adjMat

index,i

kurang dari sama dengan kDistance b.

Maka

memasukan nilai vertexList[i].getL abelP ke dalam x. 5. Mengembalikan nilai x. setNkp(String)

Mengeset

1.

Membaca

parameter

variabel nkp label. ke

dalam 2. Membuat atribut index

vertex

dan di inisialisasikan ke dalam

method

Search(label) 3.Mengeset

nilai

nkp

dengan method cariNkp

cariLabel(String)

Method

1.

untuk

label.

mencari


label

Membaca

pada kurang

vertexList

parameter

dari

vertexList

maka

panjang akan

dilakukan pengecekan: a.

Jika

vertexList[i].getL abelP

sama

dengan label pada parameter,

maka

mengembalikan nilai i. 4. Mengembalikan nilai 1.


cariSbnPath(Double, int)

Membaca

54

Method

1.

untuk

kDistance dan index

mencari

2. Membuat variabel x

sbnPath

bertipe ArrayList String

pada

3. Jika index sama dengan

masing-

-1,

masing

terhubung

obyek


maka

kurang

parameter

graph

dari

vertexList

tidak

panjang

maka

di


Jika

index,

adjMat i

tidak

sama dengan -1 dan 0, dan jika adjMatt

index,i

kurang dari sama dengan kDistance b.

Maka

memasukan nilai vertexList[i].getL abelP ke dalam x. c.

Melakukan

sorting untuk nilai x. 5. Mengembalikan nilai x. setSbnPath(String)

Mengeset

1.

Membaca

parameter

nilai sbnPath label. ke vertex

dalam 2. Membuat atribut index dan di inisialisasikan ke dalam

method

Search(label) Mengeset

nilai

nkp


dengan

55

method

cariSbnPath displayAll(int)

Menampilka n

1. Membaca parameter r.

semua 2. Untuk i = 0 dan i

hasil

kurang

dari

perhitungan

vertexList

COF

ditampilkan:

panjang

maka

akan

a. Memanggil dan menampilkan nilai labelP b. Memanggil dan menampilkan nilai kDistance c. Memanggil dan menampilkan nilai nkp d.

Menghitung

dan menampilkan jumlah nkp e. Memanggil dan menampilkan nilai sbnPath f.

Membuat

atribut

hasil1

dengan tipe data ArrayList g. Membuat dan menginisialisasi atribut awal = 0 h. Membuat dan menginisialisasi atribut akhir= 1 i.

Ketika

nilai


56

awal kurang dari ukuran sbnPath di kurangi

1

dan

akhir kurang dari ukuran

sbnPath

maka: j. Mencetak nilai awal k. Mencetak nilai akhir. l.

Menghitung

selisih dari akhir di kurangi awal dan

memasukan

ke dalam variabel hasil1. m. Menginisialisasi awal = awal di tambah 1 n. Menginisialisasi akhir=

akhirdi

tambah 1 3. Untuk j = 0 dan j kurang dari hasil1, maka mencetak nilai j. 4.

Membuat

jumlah1

variabel

bertipe

data

ArrayList<String> 5. Menginisialisasi nilai sum = 0.0 6. Untuk j = 0 dan j


57

kurang dari hasil, maka memasukan nilai sum. 7. Mencetak nilai sum. 8. Mengeset nilai sum ke dalam acDist. 9. Untuk ia = 0 dan ia kurang

dari

vertexList,

maka: a. Mencetak nilai labelP. b. Menginisialisasi nilai jumlah = 0.0. c. Untuk i = 0 dan i kurang dari nkp maka memanggil method cariLabel untuk nkp d.

Menjumlah

acDist untuk nkp. e.

Mengeset

jumlah

ke

acDistTetangga. 10. Untuk ib = 0 dan ib kurang

dari

vertexList

maka: a.

Membuat

variabel nkp dan memasukan nilai nkp. b.

Melakukan

perhitungan cof, c. Mengeset nilai


58

cof. d. Jika nilai cof lebih dari 1 maka outlier. setDataCof(String)

Mengeset

1.

Membaca

parameter

nilai dataCof label ke

dalam 2. Membuat variabel dlf

tabel

dengan tipe data ArrayList 3. Untuk i = 0 dan i kurang

dari

vertexList

maka: a. Jika cof lebih besar dari 1 maka memasukan nilai cof dan atributnya ke

dalam

tabel

model 4. Membuat variabel dm bertipe

data

CofTableModel

dengan

parameter dlf dan label 5. Mengembalikan nilai dm. setDataCofBatas(String,

Mengeset

1.

Membaca

parameter

Double)

nilai

label dan batasCof

dataCofBata

2.

Membuat

variabel

s ke dalam dataCofL dengan tipe data tabel

ArrayList 3. Untuk i = 0 dan i kurang

dari

vertexList

maka: a. Jika cof lebih besar batasCof

dari maka


59

memasukan nilai cof dan atributnya ke

dalam

tabel

model 4. Membuat variabel dm bertipe

data

CofTableModel

dengan

parameter dataCofL dan label 5. Mengembalikan nilai dm.

3.

Rincian

Algoritma

pada

Setiap

Method

pada

kelas

CheckBoxTableModel Nama Method

Fungsi

Algoritma Method

Method addRow(int,

Menambahka


n

)

baris

row

dalam

removeRow()

1. Membaca parameter a dan

atau field_m ke 2. Menambahkan nilai a dan tabel field_m

ke

atribut

listSeleksi

Menghapus

1.

Membuat

row atau baris dengan dari atribut

dalam

variabel

atributseleksi tipe

data

tabel ArrayList<SeleksiAtributControl > 2. Untuk seleksiA : listSeleksi maka: a. Jika !seleksiA.getPilih =

true

maka

nilai

seleksiA di tambahkan ke dalam seleksi. 3. Nilai listSeleksi = seleksi


4.

60

Rincian Algoritma pada Setiap Method pada kelas DataControl Nama Method

Fungsi Method

Algoritma Method

tampilTabelMySql(Connection) Menampilkan

1.

Membaca

tabel dari database parameter con MySql

2.

Membuat

variabel

stmt

bertipe Statement 3.

Membuat

variabel

rset

bertipe ResultSet 4.

Membuat

variabel

query

bertipe String 5. Mengisikan nilai query

=

"show

tables" 6.

Mengeksekusi

query 7.

Menampilkan

hasil query tampilTabelOracle(Connection)

Menampilkan

1.

Membaca

tabel dari database parameter con Oracle

2.

Membuat

variabel

stmt


Membuat

variabel

rset


Membuat

variabel

query

bertipe String 5. Mengisikan nilai


query

=

61

“select

table_name

from

user_tables” 6.

Mengeksekusi

query 7.

Menampilkan

hasil query selectTable(Connection, String)

Menampilkan

1.

Membaca

tabel

parameter con dan table 2.

Membuat

variabel

stmt


Membuat

variabel

rset


Membuat

variabel

query

bertipe String 5. Mengisikan nilai query = "select * from” + table 6.

Mengeksekusi

query 7.

Menampilkan

hasil query

5. Rincian Algoritma pada Setiap Method pada kelas Home Nama Method

Fungsi

Algoritma Method

Method calculateCof()

Method

1.Membuat variabel time1

untuk

yang bertipe long.

melakukan

2.Melakukan pengecekan


62

proses

jika nilai min pts dan r

pendeteksia

kosong maka:

n outlier.

a. Jika min pts kosong

maka

akan di tampilkan pesan error b. Jika r kosong maka

akan

tampilkan

di

pesan

error. 3.Melakukan pengecekan jika nilai min pts dan r tidak kosong maka: a.

Membuat

variabel min pts dan r yang bertipe int. b.

Memasukan

nilai min pts dari text field ke dalam variabel min pts yang telah dibuat c.

Memasukan

nilai r dari text field

ke

dalam

variabel r yang telah dibuat d.

Membuat

obyek graph dari kelas Graph. e.

Memanggil

method input data dan

memasukan


data

ke

63

dalam

tabel dataPrepocessing 2 f.

Memanggil

method calculateCOF yang berparameter minPts. g.

Memanggil

method show() h.

Memanggil

method displayAll yang berparameter r. i. Mengeset hasil perhitungan outlier ke dalam tabelHasil. j.

Mengurutkan

arrayList

dari

tabelHasil. 4.Membuat variabel time2 yang bertipe long. 5.Mengeset jumlah outlier ke

dalam

text

field

jumlahOutlierField. 6.Mengeset lama deteksi outlier ke dalam text field lamaDeteksiField.

hapusButton()

Method

1.Selama i = 0 dan i


64

untuk

kurang dari jumlah baris

menghapus

dari tabelSeleksi

atribut yang 2.Akan

di

lakukan

di pilih oleh pengecekan pengguna.

jika

tabelSeleksi.getValueAt(i, 1). equals(true) maka a. Selama j = 0 dan j kurang dari jumlah kolom dari dataPrepocessTab le b.

Membuat

atribut tableColumn1 yang

bertipe

TableColumn dan di

isikan

dari

dataPrepocessTab le c.

Membuat

atribut tableColumn2 yang

bertipe

TableColumn dan di

isikan

dari

dataPrepocessing 2. d.

Memanggil

method removeColumn untuk tableColumn1. e.

Memanggil


65

method removeColumn untuk tableColumn2. 3.

Memanggil

method

removeRow. okBatasOutlier()

Method

1.

untuk

kosong, maka akan di

memasukan

tampilkan pesan error.

hasil deteksi 2.

Jika

Jika

batas

outlier

batas

outlier

outlier yang nilainya 0-9 maka telah di beri

a.

batasan

dataCOFBatas ke

ke

Mengeset

dalam tabel

dalam tabelHasil,

hasil deteksi

b.

Membuat

variabel list yang bertipe ArrayList c.

Memanggil

method sort untuk melakukan pengurutan list. 3.Jika nilai batas outlier tidak berupa angka, maka akan menampilkan pesan error 4.

Mengeset

jumlah

outlier ke dalam textField jumlahOutlierField

dari

jumlah

dari

baris

tabelHasil. pilihDatabase(KoneksiDatabas

Method

1. Membaca

parameter

e, String)

untuk

koneksiDb dan table

memilih

2. Membuat variabel dc


database

66

yang bertipe DataControl

yang akan di 3. Membuat variabel rset gunakan

yang bertipe ResultSet. 4.

Memanggil

getConn

method

pada

kelas

KoneksiDatabase. 5.

Memangil

method

getMetaData 6.

Membuat

variabel

coloumnCount

yang

bertipe int. 7.

Membuat

variabel

headers dan data yang bertipe Vector 8. Selama i = 1 dan i kurang dari sama dengan coloumnCount

maka

menambahkan columnName ke dalam headers. 9.

Mengeset

nilai

dataPrepocessTable

dan

data Prepocessing2. 10.

Membuat

variabel

checkBoxT yang bertipe CheckBoxTableModel 11.

Memasukan

checkBoxT

ke

nilai dalam

tabelSeleksi. 12. Mengeset nilai jumlah data ke dalam text field jumlahDataField

dari

jumlah baris pada tabel


67

dataPrepocessTable. 13.Mengeset nilai jumlah data ke dalam text field jumlahData2Field

dari

jumlah baris pada tabel dataPrepocessing2. pilihFile

Method

1.

Membuat

atribut

untuk

fileChooser yang bertipe

memilih file JFileChooser. yang akan di 2. gunakan

Mengeset

nilai

fileChooser menjadi true. 3.

Membuat

namaFile String dengan

yang

dan

atribut bertipe

mengisikan method

getSelectedFile().getPath( ) 4. Memotong namaFile dan memasukan ke dalam atribut nama yang bertipe String[] 5.

Jika

nama[1].equals("xls") maka: a. Menampilkan file yang bertipe .xls ke dalam tabel data. 6.

Jika

nama[1].equals("csv") maka: a. Menampilkan file yang bertipe .csv ke dalam tabel data.


68

7. Apabila selain file .xls dan .csv maka akan di tampilkan pesan error. 8. Mengeset nilai jumlah data ke dalam text field jumlahDataField

dari

jumlah baris pada tabel dataPrepocessTable. 9.Mengeset nilai jumlah data ke dalam text field jumlahData2Field

dari

jumlah baris pada tabel dataPrepocessing2. saveCof()

Method

1.

untuk

fileChooser yang bertipe

menyimpan

JFileChooser

hasil

mengeset

perhitungan

directory E:/

deteksi

2.

outlier dalam

Membuat

atribut

dan ke

dalam

Mengeset

nama

ke ekstensi file .xls, .doc, dan file .txt

yang

3. Jika memilih .xls maka

berekstensi

a. Memanggil nilai dari

tertentu.

tabelHasil memasukan variabel

dan ke

dalam

excel

yang

bertipe FileWriter. b.

Memberikan

error

jika

data

pesan gagal

disimpan. 4. Jika memilih .doc maka a. Memanggil nilai dari tabelHasil

dan


memasukan

ke

69

dalam

variabel bfw yang bertipe BufferedWriter b.

Memberikan

error

jika

pesan

data

gagal

disimpan. 5. Jika memilih .txt maka a. Memanggil nilai dari tabelHasil memasukan

dan ke

dalam

variabel bfw yang bertipe BufferedWriter b.

Memberikan

error

jika

pesan

data

gagal

disimpan. 6. Jika data berhasil di simpan pada path atau direktori tertentu, maka akan menampilkan pesan sukses. tandaiButton()

Method

1. Selama i = 0, dan i

untuk


menandai

tabelSeleksi, maka:

atribut yang 2. Mengeset tabelSeleksi ingin

batalButton()

di dengan

method

hapus

setValueAt(true, i, 1)

Method

1. Selama i = 0, dan i

untuk


membatalka

tabelSeleksi, maka:

n yang

atribut 2. Mengeset tabelSeleksi telah dengan

ditandai

method

setValueAt(false, i, 1)


70

6.4 Perancangan Struktur Data Perancangan struktur data yang akan di gunakan dalam sistem ini adalah konsep graf tak berarah dengan menggunakan matriks dua dimensi. Perancangan ini sangat penting di lakukan dalam membangun sebuah sistem. Perancangan ini berfungsi untuk menggambarkan bagaimana sistem bekerja, bagaimana sekumpulan data di olah kemudian di simpan ke dalam sistem. Konsep graf yang digunakan dalam sistem ini berfungsi untuk menghubungkan data yang satu dengan data yang lain, sehingga dapat di hitung jarak antar data tersebut. 1.

Graf Graf adalah kumpulan dari simpul yang berupa vertex dan node yang saling terhubung oleh sebuah sisi atau edge. Biasanya graf di gambarkan sebagai kumpulan titik-titik (melambangkan vertex dan node) yang di hubungkan oleh garis-garis (melambangkan edge). Pada sistem ini, obyek-obyek yang nantinya akan di cari outliernya di lambangkan sebagai vertex. Di dalam vertex ini berisi atribut list. Atribut list di gunakan untuk menyimpan nilai-nilai atribut untuk menghitung jarak antar obyek. Jarak antar obyek ini di sebut sebagai edge. Pada gambar di bawah ini akan di ilustrasikan konsep graf pada sistem ini.


71

Gambar 4.4 Ilustrasi Struktur Data Graf

2.

Matriks Dua Dimensi Matriks dua dimensi digunakan dalam sistem ini untuk menyimpan vertex dan edge. Vertex merupakan simbol dari masingmasing data sedangkan edge merupakan simbol dari jarak antar data tersebut. Pada matriks ini, edge atau jarak antar obyek di didefinisikan sebagai -1, hal ini berarti antar obyek masih belum terhubung. Sedangkan edge untuk obyek itu sendiri di definisikan 0.

Tabel 4.2 Ilustrasi Struktur Data Matriks Dua Dimensi Mahasiswa[1]

Mahasiswa[2]

Mahasiswa[3]

Mahasiswa[1]

0

-1

-1

Mahasiswa[2]

-1

0

-1

Mahasiswa[3]

-1

-1

0

Kemudian

untuk

jarak

masing-masing

vertex

dilakukan

perhitungan dengan menggunakan rumus jarak Ecluidian Distance.


72

Untuk jarak yang bernilai -1, akan di ganti dengan hasil dari perhitungan rumus jarak Ecluidian tersebut. Tabel 4.3 Ilustrasi Struktur Data Matriks Dua Dimensi Setelah dilakukan Perhitungan dengan Ecluidian Distance Mahasiswa[1]

Mahasiswa[2]

Mahasiswa[3]

Mahasiswa[1]

0

2.58

3.21

Mahasiswa[2]

2.58

0

1.05

Mahasiswa[3]

3.21

1.05

0

6.5 Perancangan Antarmuka 6.5.1

Tampilan Halaman Awal (HomePage) Tampilan halaman awal merupakan tampilan sistem pertama kali. Pada halaman awal ini terdapat button masuk, dimana user akan menekan sebelum masuk ke menu utama sistem.

SISTEM PENDETEKSI OUTLIER MENGGUNAKAN ALGORITMA CONNECTIVITY BASED OUTLIER FACTOR

MASUK Yustina Ayu Ruwidati 105314061 Universitas Sanata Dharma Copyright ©2014 Gambar 4.5 Tampilan Halaman Awal(HomePage)


4.5.2

73

Tampilan Halaman Menu Utama(Home) Pada halaman menu utama ini merupakan halaman di mana user dapat melakukan proses penginputan data untuk kemudian di cari oleh sistem outlier nya. Pada halaman ini terdapat dua tab menu yaitu prepocessing dan deteksi outlier. Pada tab menu prepocessing terdapat button pilih file dan pilih database. Kedua button ini berfungsi untuk memasukan data baik dalam bentuk file (.xls dan .csv) maupun dalam bentuk tabel dalam database. Selain itu, pada tab prepocessing terdapat tabel yang di gunakan untuk menampilkan atribut-atribut dan user dapat memilih atribut mana saja yang akan di gunakan untuk pendeteksian outlier. Pada tab kedua yaitu tab deteksi outlier, di halaman ini user akan memasukan nilai dari atribut k sehingga dapat lakukan pendeteksian outlier. Dan kemudian hasil outlier akan di tampilkan pada tabel hasil deteksi outlier. User dapat menyimpan hasil deteksi outlier tersebut dalam bentuk file berekstensi .word dan .txt. Pada halaman menu utama ini juga terdapat tiga button dasar yaitu About yang berisi penjelasan tentang sistem ini, Help yang berisi bantuan untuk sistem ini, dan Exit untuk keluar dari sistem.


Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor Prepocessing

Deteksi Outlier Pilih File

About

Pilih DB

Help Seleksi Atribut Jumlah Data Atribut Tandai Semua

Exit

Hapus Batal Submit

Gambar 4.6 Tampilan Halaman Utama(Home) pada tab Prepocessing

74


75

Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor Prepocessing

Deteksi Outlier

Proses Algoritma Connectivity-based Outlier Factor About

k

Proses

Help Jumlah Data Batas Outlier Hasil Deteksi Outlier OK

Exit

Jumlah Outlier Lama Deteksi Simpan

Hapus

Gambar 4.7 Tampilan Halaman Utama(Home) pada tab Deteksi Outlier

4.5.3

Tampilan Halaman Pilih Database Halaman pilih database merupakan halaman yang akan muncul apabile button pilih database pada halaman menu utama di tekan. Pada halaman ini, user dapat memilih koneksi database yang akan di gunakan.


76

Pilih Koneksi DataBase MySql User Name Password Database Name Url OK

Batal

Gambar 4.8 Tampilan Halaman Pilih Database

4.5.4 Tampilan Halaman Pilih Tabel Halaman pilih tabel ini di gunakan oleh user untuk memasukan tabel dari database ke dalam sistem untuk di lakukan pendeteksian outlier.

Pilih Tabel

OK

Batal

Gambar 4.9 Tampilan Halaman Pilih Tabel


4.5.5

77

Tampilan Halaman About Pada halaman about ini berisi keterangan umum mengenai sistem ini. Dari nama sistem, nama pembuat sistem, dan tahun pembuatan.

Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor Pengembangan Alat Bantu Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor About

Help

Exit

Dibuat oleh: Yustina Ayu Ruwidati 105314061 Program Studi Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta 2014

Gambar 4.10 Tampilan Halaman About


4.5.6

78

Tampilan Halaman Help Pada halaman help ini terdapat penjelasan bantuan untuk sistem ini. Baik petunjuk untuk tahapan prepocessing dan petunjuk untuk tahapan deteksi outlier.

Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor Petunjuk Penggunaan Sistem About

Help

Exit

Kembali

Gambar 4.11 Tampilan Halaman Help


BAB V IMPLEMENTASI SISTEM

Pada bab ini akan di jelaskan mengenai implementasi sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. Sistem ini di buat sesuai dengan rancangan yang telah di jelaskan pada bab sebelumnya. Implementasi sistem deteksi outlier ini menggunakan bahasa pemrograman Java dengan aplikasi pemrograman NetBeans IDE 6.9.1 pada komputer dengan spesifikasi processor Intel Celeron 1.8 GHz, memori 2GB, dan Harddisk 500GB. 10.1

Implementasi Antarmuka Berikut akan di tampilkan antarmuka dari sistem deteksi outlier

menggunakan algoritma Connectivity-based Outlier Factor yang telah di bangun.

10.1.1 Implementasi Halaman Awal(HomePage) Tampilan halaman awal merupakan tampilan sistem pertama kali di jalankan. Pada halaman awal ini terdapat button masuk, dimana user akan menekan sebelum masuk ke menu utama sistem.

79


80

Gambar 5.1 Antarmuka atau Interface Halaman Awal(HomePage) 10.1.2 Implementasi Halaman Menu Utama(Home) Halaman Menu Utama ini akan muncul setelah button masuk pada halaman awal di tekan. Pada halaman menu utama ini merupakan halaman di mana user dapat melakukan proses penginputan data untuk kemudian di cari oleh sistem outlier nya. Pada halaman ini terdapat dua tab menu yaitu prepocessing dan deteksi outlier.


81

Gambar 5.2 Antarmuka atau Interface Halaman Menu Utama(Home) tab Prepocessing Pada tab Prepocessing ini berfungsi untuk menginputkan data baik yang bertipe .xls, .csv, maupun dari database. Pada tab Prepocessing ini terdapat button Pilih File yang apabila di tekan akan menampilkan jFileChooser bagi user untuk memasukan atau menginputkan file yang bertipe .xls dan .csv.

Gambar 5.3 Kotak Dialog Pilih File


82

Setelah user memilih data yang ingin di gunakan, maka sistem akan menampilkan masukan dari user tersebut ke dalam tabel pada tab prepocessing.

Gambar 5.4 File Inputan Tertampil pada Tabel pada tab Prepocessing Di dalam tab Prepocessing ini juga akan di tampilkan jumlah data dari file yang di pilih oleh user. Pada tab ini, user juga dapat melakukan seleksi atribut sesuai dengan kebutuhan user itu sendiri. Atribut dapat di hapus apabila tidak di butuhkan dalam perhitungan yang akan di lakukan dalam sistem dengan memilih atribut yang ingin di hapus kemudian menekan button Hapus. User juga dapat menghapus semua atribut dengan menekan button Tandai Semua kemudian memilih button Hapus. Apabila user ingin membatalkan atribut yang telah di tandai, maka user harus menekan button Batal.


83

Gambar 5.5 Daftar Atribut pada Tabel Seleksi Atribut Setelah melakukan seleksi atribut, akan di lakukan proses perhitungan outlier. Proses ini dapat di lakukan setelah user menekan button Submit. Setelah button Submit di tekan, maka sistem akan menampilkan tab Deteksi Outlier.

Gambar 5.6 Antarmuka atau Interface Halaman Menu Utama(Home) tab Deteksi Outlier

Di dalam tab Deteksi Outlier ini perhitungan outlier akan di lakukan. User


84

harus memasukan nilai k kemudian menekan button Proses.

Gambar 5.7 Antarmuka atau Interface Halaman Menu Utama(Home) tab Deteksi Outlier Saat Memasukan Nilai Parameter

Setelah button Proses di tekan, akan terjadi perhitungan outlier dalam sistem, kemudian sistem akan menampilkan obyek yang berpotensi sebagai outlier ke dalam tabel hasil deteksi outlier.

Gambar 5.8 Hasil Deteksi Outlier

Selanjutnya user harus memasukan batas outlier ke dalam field yang telah di sediakan kemudian menekan button OK. Maka akan di tampilkan obyek yang berpotensi sebagai outlier ke dalam tabel hasil deteksi outlier. Akan di tampilkan pula jumlah data dari outlier tersebut beserta dengan lamanya sistem melakukan perhitungan deteksi outlier.


85

Gambar 5.9 Hasil Deteksi Outlier Setelah Diberi Batas Outlier Setelah di tampilkan obyek yang berpotensi sebagai outlier, user dapat menyimpan hasil dari deteksi outlier tersebut dengan menekan button Simpan. Hasil deteksi outlier dapat di simpan sebagai file dengan ekstensi .txt, .doc, dan .xls.

Gambar 5.10 Kotak Dialog Simpan Hasil Deteksi Outlier


86

Gambar 5.11 Kotak Dialog Simpan Hasil Deteksi Outlier Saat Memberi Nama File

Apabila button Save di tekan, maka sistem akan menyimpan file tersebut ke dalam direktori yang di inginkan oleh user dan apabila berhasil di simpan maka akan di tampilkan pesan sukses.

Gambar 5.12 Pesan Sukses Hasil Deteksi Outlier Berhasil Disimpan

10.1.3 Implementasi Halaman Pilih Database Halaman pilih database merupakan halaman yang akan muncul apabila button pilih database pada halaman menu utama di tekan. Pada halaman ini, user dapat memilih koneksi database yang akan di gunakan.


87

Gambar 5.13 Antarmuka atau Interface Halaman PilihDatabase

Pada halaman ini, user harus memilih koneksi database yang ingin di gunakan. Terdapat dua koneksi database yang bisa di gunakan yaitu MySql dan Oracle yang terdapat dalam combo box.

Gambar 5.14 Memasukan Username, Password, Database Name, dan Url


88

Setelah memilih koneksi database yang ingin di gunakan, user harus memasukan username, password, database name, dan url kemudian menekan button OK. Apabila koneksi berhasil, maka akan di tampilkan pesan sukses.

Gambar 5.15 Pesan Sukses Konfigurasi ke Database Berhasil

Setelah button OK di tekan, maka akan di tampilkan halaman Pilih Tabel dimana user harus memilih tabel yang akan di gunakan dalam perhitungan deteksi outlier.

Gambar 5.16 Antarmuka atau Interface Halaman PilihTabel

Apabila user telah menekan button OK pada halaman pilih tabel, maka sistem akan memasukan data dari tabel database tersebut ke dalam tabel pada tab Prepocessing.


89

Gambar 5.17 Tabel Inputan dari Database Tertampil pada Halaman Utama pada tab Prepocessing

10.1.4 Implementasi Halaman About Pada halaman about ini berisi keterangan umum mengenai sistem ini. Dari nama sistem, nama pembuat sistem, dan tahun pembuatan. Halaman About akan di tampilkan apabila user menekan button About yang terletak pada halaman Menu Utama.


90

Gambar 5.18 Antarmuka atau Interface Halaman About

10.1.5 Implementasi Halaman Help Pada halaman help ini terdapat penjelasan bantuan untuk sistem ini. Baik petunjuk untuk tahapan prepocessing dan petunjuk untuk tahapan deteksi outlier. Halaman Help akan muncul apabila user menekan button Help pada Halaman Utama.


91

Gambar 5.19 Antarmuka atau Interface Halaman Help

10.1.6 Implementasi Halaman Exit Pada halaman exit terdapat dua button yaitu ya dan tidak. Button ya berarti user tersebut ingin keluar dari sistem ini, button tidak berarti user tidak ingin keluar dari sistem. Halaman Exit akan di tampilkan apabila user menekan button Exit.

Gambar 5.20 Antarmuka atau Interface Halaman Exit

10.1.7 Implementasi Pengecekan Masukan Pada sistem deteksi outlier menggunakan Algoritma Connectivity-based Outlier Factor ini juga di lengkapi dengan error handling atau pesan kesalahan.


92

Error handling ini akan di tampilkan apabila user salah dalam memasukan data. Error handling ini juga berfungsi agar masukan yang salah tidak menyebabkan error dalam sistem. Di bawah ini akan di tampilkan error handling yang terdapat dalam sistem detekesi outlier menggunakan algoritma Connectivity-based Outlier Factor. 1. Tampilan Kesalahan Input Nilai k Tampilan pesan kesalahan atau error handling ini akan muncul apabila user salah memasukan nilai k. k Kosong:

Gambar 5.21 Pesan Kesalahan k Kosong

k Mengandung Karakter Selain Angka:

Gambar 5.22 Pesan Kesalahan k Mengandung Karakter Selain Angka

2. Tampilan Kesalahan Input Batas Outlier Tampilan pesan kesalahan atau error handling ini akan muncul apabila user salah memasukan nilai batas outlier. Nilai batas outlier kosong:


93

Gambar 5.23 Pesan Kesalahan Batas Outlier Kosong

Nilai Batas Outlier Mengandung Karakter Selain Angka:

Gambar 5.24 Pesan Kesalahan Batas Outlier Mengandung Karakter Selain Angka

3. Tampilan Kesalahan Konfigurasi Database Tampilan pesan kesalahan atau error handling ini akan muncul apabila user salah memasukan user name, password, database name, maupun url. User name, password, database name, url kosong:

Gambar 5.25 Pesan Kesalahan Username, Password, Database Name, dan Url Ada yang Kosong


94

User name, password, database name, url tidak sesuai dengan database:

Gambar 5.26 Pesan Kesalahan Username, Password, Database Name, dan Url Ada yang Salah

4. Tampilan Kesalahan Input File Tampilan pesan kesalahan atau error handling ini akan muncul apabila user memasukan format file yang tidak sesuai. Format File Tidak Sesuai:

Gambar 5.27 Pesan Kesalahan Format File Tidak Sesuai

10.2

Implementasi Kelas Pada bagian ini akan di jelaskan implementasi dari masing-masing kelas

yang telah di buat berdasarkan pada rancangan yang telah di buat pada bab sebelumnya. Di bawah ini akan di jelaskan daftar kelas yang telah di implementasikan.

No

Nama Kelas

Nama File Fisik

Nama File Executable

1.

KoneksiDatabase

KoneksiDataBase.java

KoneksiDataBase.class

2.

Vertex

Vertex.java

Vertex.class


95

3.

Graph

Graph.java

Graph.class

4.

CheckBoxTableM

CheckBoxTableModel.java CheckBoxTableModel.class

odel 5.

DataCof

DataCof.java

DataCof.class

6.

CofTableModel

CofTableModel.java

CofTableModel.class

7.

DataControl

DataControl.java

DataControl.class

8.

SeleksiAtributCont

SeleksiAtributControl.java

SeleksiAtributControl.class

HomePage.java

HomePage.class

10. Home

Home.java

Home.class

11. PilihDataBase

PilihDataBase.java

PilihDataBase.class

12. PilihTabel

PilihTabel.java

PilhTabel.class

13. PilihFile

PilihFile.java

PilihFile.class

14. About

About.java

About.class

15. Help

Help.java

Help.class

rol 9.

HomePage

Listing program dari tiap-tiap kelas akan di jelaskan pada lampiran 6.

10.3

Implementasi Struktur Data Berikut ini akan di jelaskan implementasi struktur data pada kelas Vertex

dan Graph yang telah di sebutkan pada bab sebelumnya.

10.3.1 Implementasi Kelas Vertex.java Kelas Vertex ini di gunakan untuk membuat sebuah Vertex dalam graph. Di dalam kelas Vertex ini terdapat atribut-atribut yang di gunakan untuk menyimpan nilai dari sebuah obyek. Atribut-atribut yang terdapat pada kelas Vertex.java adalah labelP dengan tipe data String yang di gunakan untuk menyimpan setiap label pada obyek, nilaiP dengan tipe data List yang di gunakan untuk menyimpan setiap nilai pada obyek untuk perhitungan jarak


96

menggunakan rumus Euclidian Distance, wasVisitedP dengan tipe data boolean yang di gunakan untuk menandai tetangga dari obyek yang memiliki jarak kurang dari kDistance, kDistance dengan tipe data Double yang di gunakan untuk menyimpan nilai dari jarak jangkauan maksimum dari setiap obyek, nkp dengan tipe data List<String> yang di gunakan untuk menyimpan label tetangga yang nilainya kurang dari kDistance, sbnPath dengan tipe data List<String> yang di gunakan untuk menyimpan label tetangga terdekat dari obyek yang nilainya kurang dari kDistance, sbnTrail dengan tipe data List<String> yang di gunakan untuk menyimpan urutan dari jarak terdekat suatu obyek ke tetangganya yang berdasarkan sbnPath, acDist dengan tipe data Double yang di gunakan untuk menyimpan nilai hasil perhitungan dari rata-rata jarak terdekat dari sbnTrail, cof dengan tipe data Double yang di gunakan untuk menyimpan nilai hasil perhitungan COF dari masing-masing obyek, acDistTetangga dengan tipe data Double yang di gunakan untuk menyimpan nilai jumlah dari acDist tetangga. public class Vertex { private String labelP; private List nilaiP; private boolean wasVisitedP; private Double kDistance; private List<String> nkp; private List<String> sbnPath; private List<String> sbnTrail; private Double acDist; private Double cof; private Double acDistTetangga; public Vertex(String labelP, List nilaiP) { this.labelP = labelP; 10.3.2 Implementasi Kelas Graph.java this.nilaiP = nilaiP; } Kelas Graph ini di gunakan untuk membentuk sebuah graph. Di dalam kelas ini String akan di panggil atribut yang telah di buat dalam kelas Vertex.java untuk public getLabelP() { return sebuah labelP; vertex. Di dalam kelas Graph ini, akan di buat sebuah graph membangun } dan di definisikan dalam constructor Graph dengan parameter MAX_VERTS. public void setLabelP(String labelP) {nilai maksimum dari sebuah vertex untuk MAX_VERTS di definisikan sebagai this.labelP = labelP; } public boolean isIsInTree() { return isInTree; } public void setIsInTree(boolean isInTree) {


graph yang akan di bentuk.

97

adjMat di definisikan sebagai edge yang akan

menghubungkan vertex.

public Graph(int MAX_VERTS) { vertexList = new Vertex[MAX_VERTS]; adjMat = new Double[MAX_VERTS][MAX_VERTS]; nVerts = 0; for (int i = 0; i < MAX_VERTS; i++) { for (int j = 0; j < vertexList.length; j++) { adjMat[i][j] = INFINITY;

} } } Setelah graph terbentuk, maka akan di tambahkan vertex ke dalam graph tersebut. Method untuk menambah vertex adalah addVertex dengan parameter label dan nilai. Jadi akan di tambahkan vertex dengan dengan atribut label dan nilai. public void addVertex(String label, List nilai) { vertexList[nVerts++] = new Vertex(label, nilai); } public void addEdge(int start, int end, Double weight) { adjMat[start][end] = weight; Setelah itu akan di lakukan pengisian nilai edge menggunakan method adjMat[end][start] = weight; addEdge dengan parameter start, end, dan weight. Jadi akan di hitung jarak antar } obyek dari obyek itu sendiri ke obyek lain dan akan di masukan rumus jarak public Double calculateEcluidianDistance(int array1, int array2) { Euclidian Distance dalam weight. Double sum =ke0.0; List x = vertexList[array1].getNilaiP(); y = vertexList[array2].getNilaiP(); publicList void addEdge(int start, int end, Double weight) { for (int i = 0; i < x.size(); { adjMat[start][end] = i++) weight; sum = sum + Math.pow((x.get(i) - y.get(i)), 2.0); adjMat[end][start] = weight; } } return Math.sqrt(sum); for}(int i = 0; i < x.size(); i++) { sum = sum + Math.pow((x.get(i) - y.get(i)), 2.0); public void show() { } returnSystem.out.print("\t"); Math.sqrt(sum); for (int i = 0; i < vertexList.length; i++) { } System.out.print("" + vertexList[i].getLabelP() + "\t"); }public void show() { System.out.println(""); System.out.print("\t"); for i++) { { for (int (int ii = = 0; 0; ii < < adjMat.length; vertexList.length; i++)


Perhitungan

Ecluidian

Distance

dilakukan

dengan

98

method

calculateEcluidianDistance dengan parameter array1 dan array2. Di dalam method ini akan memanggil dan menambahkan nilai ke dalam vertex, kemudian akan di hitung menggunakan rumus seperti di bawah ini. public Double calculateEcluidianDistance(int array1, int array2) { Double sum = 0.0; List x = vertexList[array1].getNilaiP(); List y = vertexList[array2].getNilaiP(); for (int i = 0; i < x.size(); i++) { sum = sum + Math.pow((x.get(i) - y.get(i)), 2.0); } return Math.sqrt(sum); } public void show() { System.out.print("\t"); for (int i = 0; i < vertexList.length; i++) { System.out.print("" + vertexList[i].getLabelP() + "\t"); } System.out.println(""); for (int i = 0; i < adjMat.length; i++) { System.out.print("" + vertexList[i].getLabelP() + "\t"); for (int j = 0; j < vertexList.length; j++) { System.out.print("" + adjMat[i][j] + "\t"); } System.out.println(""); } } public void inputData(JTable dataPrepocessing2) { for (int i = 0; i < dataPrepocessing2.getRowCount(); i++) { String label = ""; List listNilai = new ArrayList(); for (int j = 0; j < dataPrepocessing2.getColumnCount(); j++) { if (j == 0) { if (dataPrepocessing2.getValueAt(i, j).toString().equals("")) { label = "null"; } else { label = dataPrepocessing2.getValueAt(i, j).toString(); }


BAB VI PENGUJIAN DAN ANALISA HASIL PENGUJIAN

Pada bab ini akan di jelaskan mengenai pengujian dan analisa hasil pengujian yang di lakukan. Pengujian suatu sistem sangat di perlukan dalam pembuatan sebuah aplikasi. Dimana dengan melakukan pengujian kemungkinan akan di temukan kesalahan dalam suatu aplikasi tersebut. Dengan demikian, akan dapat di ketahui kesalahan dan di dapat penyelesaian dari kesalahan tersebut. Berikut akan di jelaskan pengujian dan analisa hasil pengujian dari sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. 17.1

Rencana Pengujian Akan di lakukan tiga macam pengujian dalam sistem ini, yang pertama

adalah pengujian dengan menggunakan blackbox, pengujian dengan perubahan nilai atribut yaitu k, dan yang terakhir adalah pengujian reviewer dan validitas oleh pengguna atau user. Pengujian blackbox yang di maksudkan adalah pengujian untuk mengetahui apakah semua fungsi perangkat lunak telah berjalan semestinya sesuai dengan kebutuhan fungsional yang telah di definisikan. Pengujian dengan perubahan nilai atribut k dilakukan dengan mengubah nilai atribut dengan menambah atau mengurangi nilai atribut tersebut. Pengujian reviewer dan validitas oleh pengguna atau user akan di lakukan oleh penguna atau user dari sistem ini yaitu Kaprodi Teknik Informatika Universitas Sanata Dharma. Pengujian di lakukan dengan membandingkan hasil pengujian dari sistem dan analisa dari Kaprodi Teknik Informatika Universitas Sanata Dharma. Berikut ini merupakan tabel rencana pengujian blackbox yang akan di lakukan pada masing-masing kelas dalam sistem ini.

99


100

Tabel 6.1 Rencana Pengujian Blackbox No. 1.

Kelas Uji

Butir Uji

Jenis Pengujian

KoneksiDataBase

Melakukan

Blackbox

pengecekan koneksi database dari

sistem

ke

database yang di gunakan

yaitu

MySql dan Oracle 2.

Home

Menampilkan data Blackbox dari

file

yang

berekstensi .xls Menampilkan data Blackbox dari

file

yang

berekstensi .csv Menampilkan data Blackbox dari

database

Oracle atau MySql Melakukan seleksi Blackbox atribut Melakukan proses Blackbox deteksi outlier Menampilkan

Blackbox

hasil dari deteksi outlier Melakukan

Blackbox

pembatasan terhadap

derajat

nilai outlier Menampilkan

Blacbox


hasil dari deteksi outlier

setelah

dilakukan pembatasan outlier Melakukan

Blackbox

penyimpanan terhadap hasil dari deteksi outlier ke dalam format .txt Melakukan

Blackbox

penyimpanan terhadap hasil dari deteksi outlier ke dalam format .doc Melakukan

Blackbox

penyimpanan terhadap hasil dari deteksi outlier ke dalam format .xls 3.

Halaman

Menampilkan

PilihDataBase

halaman

Blackbox

PilihDatabase untuk

login

ke

dalam

database

sesuai

dengan

inputan user 4.

Halaman

Menampilkan

PilihTabel

halaman PilihTabel

Blackbox

yang

101


102

berisi daftar tabel dari

database

yang telah di pilih oleh user

17.1.1 Hasil Pengujian Blackbox 17.1.1.1

Pengujian Input Data

Berikut ini merupakan data hasil pengujian untuk input data pada kelas Home.

Tabel 6.2 Hasil Pengujian Input Data pada Kelas Home Kasus dan Hasil Uji (Data Benar) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

yang

di Kesimpulan

dapat

Memasukan

data Data di tampilkan Data di tampilkan Diterima

dari

yang dalam tabel

file

dalam tabel

berekstensi .xls Memasukan


dari

yang dalam tabel

file

dalam tabel

berekstensi .csv Memasukan dari


database dalam tabel

dalam tabel

Oracle Memasukan dari


database dalam tabel

dalam tabel

MySql

Kasus dan Hasil Uji (Data Salah) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

dapat

yang

di Kesimpulan


Memasukan

data Menampilkan

dari

yang pesan

file

Pesan

103

kesalahan Diterima

kesalahan berhasil

di

berekstensi selain bahwa file yang di tampilkan .csv dan .xls

masukan

tidak

sesuai format

6.1.1.2 Pengujian Koneksi Database Berikut ini merupakan data hasil pengujian untuk input data pada kelas KoneksiDataBase.

Tabel 6.3 Hasil Pengujian Input Data pada Kelas Koneksi Database Kasus dan Hasil Uji (Data Benar) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

dapat

Menginputkan

Menampilkan

Pesan

username,

pesan

login

yang

di Kesimpulan

berhasil Diterima

ke ditampilkan

password, url, dan database berhasil database

name

dengan

benar

untuk

database

Oracle Menginputkan

Menampilkan

username,

pesan

login

Pesan

ke ditampilkan

password, url, dan database berhasil database

name

dengan

benar

untuk MySql

database

berhasil Diterima



harapkan

dapat

Menginputkan

Menampilkan

Pesan

username,

pesan error bahwa berhasil

password, url, dan username, database untuk

di Kesimpulan

error Diterima

ditampilkan

name password, url, dan database database

Oracle ada yang tidak

name boleh

kosong

kosong

Menginputkan

Menampilkan

username,


password, url, dan username, database untuk

yang

Pesan

error Diterima

ditampilkan

name password, url, dan database database

MySql ada yang tidak

name boleh

kosong

kosong

Menginputkan

Menampilkan

username,


Pesan

error Diterima

password, url, dan login ke database ditampilkan database

name gagal

database

Oracle

ada yang salah Menginputkan

Menampilkan

Pesan

username,


password, url, dan login ke database ditampilkan database

name gagal

dengan

benar

untuk

database

MySql ada yang

error Diterima

104


salah

6.1.1.3 Pengujian Seleksi Atribut Berikut ini merupakan data hasil pengujian untuk input data pada kelas Home.

Tabel 6.4 Hasil Pengujian Seleksi Atribut pada Kelas Home Kasus dan Hasil Uji (Data Benar) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

Memilih satu atau Atribut lebih atribut yang pilih

yang

di Kesimpulan

dapat

yang di Atribut untuk

di pilih

yang di Diterima berhasil

tidak akan dipakai hapus berhasil di terhapus dari tabel dalam sistem atau hapus yang

akan

hapus

kemudian

menekan

seleksi atribut

di

button

hapus Memilih

semua Semua

atribut untuk di yang hapus menekan

atribut Semua telah

dengan tandai

di berhasil

atribut Diterima terhapus

semua dari tabel seleksi

button berhasil di hapus

atribut

tandai semua Memilih satu atau Atribut yang telah Semua lebih

atribut Diterima

atribut di tandai menjadi menjadi

kemudian menekan tidak di tandai

tidak

ditandai

button batal


harapkan

dapat

yang

di Kesimpulan

105


6.1.1.4

Pengujian Deteksi Outlier

Berikut ini merupakan data hasil pengujian untuk input data pada kelas Home.

Tabel 6.5 Hasil Pengujian Deteksi Outlier pada Kelas Home Kasus dan Hasil Uji (Data Benar) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

yang

di Kesimpulan

dapat

Memasukan nilai Hasil

deteksi Hasil

deteksi Diterima

k dengan benar

beserta outlier

beserta

outlier

atribut-atributnya

atribut-atributnya

berhasil

berhasil

ditampilkan

ditampilkan dalam tabel hasil deteksi outlier

Memasukan

nilai Hasil

deteksi Hasil

deteksi Diterima

batas outlier dengan outlier beserta outlier beserta benar atribut-atributnya atribut-atributnya

berhasil

berhasil

ditampilkan

ditampilkan dalam tabel hasil deteksi outlier


harapkan

Memasukan nilai Menampilkan k kosong

yang

di Kesimpulan

dapat Pesan


error Diterima di

106


107

nilai k tidak boleh tampilkan kosong Memasukan nilai Menampilkan batas

Pesan

error Diterima

outlier pesan error bahwa berhasil

kosong

di

nilai batas outlier tampilkan tidak

boleh

kosong Memasukan nilai Menampilkan

error Diterima

Pesan

k dengan karakter pesan error bahwa berhasil selain angka

di

nilai k tidak boleh tampilkan mengandung karakter

selain

angka Memasukan nilai Menampilkan batas

error Diterima

Pesan

outlier pesan error bahwa berhasil

dengan

di

karakter nilai batas outlier tampilkan

selain angka

tidak

boleh

mengandung karakter

selain

angka

6.1.1.5 Pengujian Simpan Hasil Deteksi Outlier Berikut ini merupakan data hasil pengujian untuk input data pada kelas Home.

Tabel 6.6 Hasil Pengujian Simpan Hasil Deteksi Outlier pada Kelas Home Kasus dan Hasil Uji (Data Benar) Aktifitas yang di Keluaran yang di Hasil lakukan

harapkan

dapat

yang

di Kesimpulan


Menekan

button File hasil deteksi File

simpan

dan outlier

melakukan

108

berhasil Diterima

ke tersimpan dengan

directory

yang ekstensi .txt

penyimpanan file telah di pilih oleh hasil

deteksi user

outlier

dengan tersimpan dengan

ekstensi .txt

berhasil

ekstensi .txt

Menekan


simpan

dan outlier

melakukan

berhasil Diterima

ke tersimpan dengan

directory

yang ekstensi .doc


deteksi user

outlier


ekstensi .doc Menekan

berhasil

ekstensi .doc berhasil Diterima


simpan

dan outlier

melakukan

ke tersimpan dengan

directory

yang ekstensi .xls


deteksi user

outlier


ekstensi .xls

berhasil

ekstensi .xls


harapkan

yang

di Kesimpulan

dapat

6.1.2 Kesimpulan Hasil Pengujian Blackbox Berdasarkan

pengujian

blackbox

untuk

sistem

deteksi

outlier

menggunakan algoritma Connectivity-based Outlier Factor, dapat di tarik


109

kesimpulan apabila sistem tersebut sudah berjalan dengan baik sesuai dengan yang di harapkan dan di rancang pada bab sebelumnya. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini juga menghasilkan output sesuai dengan yang di harapkan.

6.1.3 Hasil Pengujian dengan Perubahan Nilai Parameter k Pengujian terhadap Sistem Deteksi Outlier Menggunakan Algoritma Connectivity-based Outlier Factor dilakukan dengan mengubah masukan parameter k. Data yang akan di uji adalah data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma Angkatan 2007-2008. Berikut ini adalah tabel hasil pengujian deteksi outlier. 6.1.3.1 Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes

45 40 35 30

k = 10

25

k = 15

20

k = 20 k = 25

15

k = 30 10 5 0 IPS 1

IPS 2

IPS 3

IPS 4

Gambar 6.1 Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes


110

Tabel 6.7 Tabel jumlah outlier Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Test Semester 1-4 dengan nilai k yang berubah-ubah dan batas outlier = 1.6.

Semester

1

2

3

4

k

Outlier

10

28, 27

15

28

20

28

25

28

30

28

10

28

15

28

20

28

25

28

30

28

10

28, 74, 50

15

28, 74, 50

20

28, 74, 50

25

28, 74, 50

30

28, 74, 50

10

28

15

28

20

28

25

28

30

28, 67


111

6.1.3.2 Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi 50 45 40 35

k = 15

30

k = 20

25

k = 30

20

k = 40

15

k = 50

10 5 0 IPS 1

IPS 2

IPS 3

IPS 4

Gambar 6.2 Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi


112

Tabel 6.8 Tabel jumlah outlier Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi Semester 1-4 dengan nilai k yang berubah-ubah dan batas outlier = 1.6.

Semester

1

k

Outlier

15

76, 124, 15, 10

20

76, 124, 15, 10

30

76, 124, 15, 79, 10, 16, 94, 13

40

76, 124, 15, 10, 16, 79, 94, 13, 7

50

76, 124, 15, 10, 16, 7, 79, 19, 20

15

17, 124, 107, 86, 94

20

17, 124, 107, 86, 94

30

17, 124, 107, 94, 109, 79, 117, 19, 86, 92, 10

2 40

17, 124, 107, 94, 109, 92, 19, 10, 79, 117, 89

50

17, 124, 107, 94, 109, 79, 117, 92, 10, 19, 89, 96

3

4

15

17, 107, 117, 3, 98

20

17, 107, 117, 3

30

17, 107, 3, 117, 86, 126, 116

40

17, 107, 3, 117, 86, 116, 126, 89

50

17, 107, 3, 117, 86, 116, 126, 89, 77

15

88, 94, 107, 98, 122, 89

20

88, 94, 122, 107, 98, 89

30

88, 94, 122, 107, 89, 98, 87

40

88, 94, 122, 107, 87, 89

50

88, 94, 122, 87, 107, 89, 76


113

6.1.3.3 Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 90 80 70 60

k = 30

50

k = 40

40

k = 50 k = 60

30

k = 70 20 10 0 IPS 1

IPS 2

IPS 3

IPS 4

Gambar 6.3 Grafik Hasil Pengujian Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008


114

Tabel 6.9 Tabel jumlah outlier Mahasiswa Teknik Informatika Angkatan 2007-2008 Semester 1-4 dengan nilai k yang berubah-ubah dan batas outlier = 1.6. Semester

1

2

3

k

Outlier

30

28, 76, 27, 26, 124, 68, 36

40

76, 28, 27, 26, 124, 36, 58, 69, 10, 68, 12

50

76, 28, 27, 26, 124, 36, 10, 68, 58, 16, 69

60

76, 28, 27, 26, 124, 36, 10, 68, 16, 58, 69, 7

70

76, 28, 27, 26, 124, 10, 36, 68, 16, 58, 69, 7

30

17, 28, 124, 107, 68, 58, 86

40

17, 124, 28, 107, 68, 74, 58, 10

50

17, 124, 28, 107, 68, 74, 58, 72, 10

60

17, 124, 28, 107, 68, 74, 72, 58, 10, 94

70

17, 124, 28, 68, 107, 74, 72, 58, 94, 10, 69

30

74, 17, 28, 50, 107, 72, 55, 46, 86, 58, 67

40

74, 50, 17, 28, 107, 55, 46, 67, 86, 72, 58

50

74, 50, 17, 28, 107, 67, 46, 55, 86, 58, 68, 31, 72, 49

60

74, 50, 17, 28, 107, 67, 46, 55, 58, 86, 31, 72

70

74, 50, 17, 28, 67, 46, 107, 58, 55, 86, 31, 68, 72

30

28, 68, 67, 47, 46, 107, 27, 98, 89

40

68, 67, 28, 47, 46, 107, 27, 72, 89

50

68, 67, 47, 46, 28, 107, 72, 88, 39, 58, 27, 74, 89,

4

38 60

68, 67, 47, 46, 28, 72, 39, 88, 107, 74, 58, 36, 122

70

68, 67, 47, 46, 28, 72, 39, 88, 74, 58, 36, 107, 122, 94


115

6.1.4 Kesimpulan Hasil Pengujian dengan Perubahan Nilai Parameter k 1. Pada pengujian di atas dengan perubahan nilai parameter k, dapat di simpulkan bahwa semakin bertambahnya nilai k maka jumlah outlier yang di temukan akan semakin berkurang. Terbukti dari dua angkatan yang diuji, jumlah outlier akan berkurang dan perubahan nilai k juga merubah nilai derajat outlier. 2. Perubahan derajat outlier juga akan mempengaruhi ranking atau peringkat dari outlier tersebut. Hal ini terbukti pada pengujian angkatan 2007-2008 jalur tes, ketika pengujian di lakukan pada atribut ips3 menggunakan Min Pts = 7 dan r = 8, mahasiswa 50 merupakan outlier

dengan

ranking

ke

2

dengan

derajat

outliernya

1.805237654923072, ketika Min Pts di ubah menjadi 10 dan r = 11, maka mahasiswa 50 menjadi outlier dengan ranking ke 3 dengan derajat outliernya 1.6756354110772265. 3. Dalam hal ini dapat di simpulkan bahwa k sangat mempengaruhi derajat nilai COF. Semakin tinggi nilai k suatu obyek, maka semakin luas pula kepadatan jarak antar obyek. Oleh karena itu, apabila suatu obyek menggunakan nilai k yang tinggi, maka derajat outliernya akan lebih tinggi dari obyek yang menggunakan nilai k yang lebih rendah.

6.1.5 Hasil Pengujian Validitas dan Review oleh Pengguna 6.1.5.1 Perbandingan Perhitungan Manual dan Perhitungan Sistem Dalam pengujian kali ini, akan di uji sejumlah data yaitu sampel data dari angkatan 2007 yang masuk melalui jalur tes dan berjumlah 13 data. Akan di lakukan pengujian menggunakan perhitungan manual dengan tools Microsoft Office dan perhitungan sistem deteksi

outlier menggunakan algoritma

Connectivity-based Outlier Factor. Atribut yang akan di gunakan dalam pengujian ini adalah ips1, nil1, nil2, nil3, nil4, dan nil5.


116

Tabel 6.10 Daftar Nilai Per Atribut NO

IPS1

NIL1

NIL2

NIL3

NIL4

NIL5

1

2,94

2,80

2,00

2,00

2,00

1,60

2

1,72

1,20

0,80

3,20

1,20

0,40

3

2,56

2,40

1,60

2,00

2,80

2,00

4

2,44

2,00

2,00

2,40

2,00

2,00

5

2,94

2,40

1,60

2,40

1,20

2,80

6

1,89

2,40

2,00

2,40

2,40

2,80

7

4,00

2,40

2,40

1,60

1,60

2,80

8

1,44

4,00

2,00

3,60

2,40

2,80

9

3,72

3,20

2,40

2,40

2,80

2,00

10

1,72

2,80

2,40

3,20

3,20

0,80

11

3,28

2,80

2,40

2,80

2,40

2,40

12

2,89

2,40

2,00

2,00

2,80

2,00

13

2,89

2,00

2,00

3,20

2,00

2,80

Di bawah ini akan di tampilkan tabel perhitungan perbandingan perhitungan manual dengan perhitungan oleh sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. Hasil Perhitungan Manual: nomor_mhs COF

Ranking

2

2,002771653

1

10

1,730865914

2

8

1,703444168

3

7

1,347484376

4

Hasil Perhitungan Sistem: nomor_mhs COF

Ranking

2

1

2.002771653021513


10

1.7308659140546045 2

8

1.7034441683267105 3

7

1.3474843760503517 4

6.1.5.2 Kesimpulan

Perbandingan

Perhitungan

Manual

117

dan

Perhitungan Sistem Dari pengujian perhitungan manual dan perhitungan sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor diatas, dapat di simpulkan bahwa perhitungan ke dua cara tersebut menghasilkan outlier dengan jumlah outlier, derajat outlier, dan ranking outlier yang sama. Hal ini berarti sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat mendeteksi tepat samasesuai dengan perhitungan manualnya.

6.1.5.3 Hasil Review Pengguna Pengujian dilakukan untuk membuktikan bahwa data yang terindikasi atau berpotensi sebagai outlier tersebut memang benar-benar merupakan outlier. Oleh karena itu di butuhkan validasi oleh user atau pengguna dari sistem deteksi outlier menggunakan algoritma Conectivity-based Outlier Factor ini yaitu Kaprodi Teknik Informatika Universitas Sanata Dharma. Dalam pengujian ini akan di lakukan tiga kali uji data yaitu data akademik mahasiswa angkatan 2007-2008 jalur tes, data akademik mahasiswa angkatan 2007-2008 jalur prestasi, dan data akademik mahasiswa angkatan 2007-2008. Berikut adalah tabel pengujian yang telah dilakukan: 1. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes pada semester 1 sampai 4 menggunakan parameter k = 10. Nilai batas outlier= 1.6 dengan jumlah data 54 record data.


118

Tabel 6.11 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes Se m

Nom or

27

ips 1 1,7 2 4,0 0

28

-

1,6 5

28

-

-

74

-

-

50

-

-

1,5 3 0,1 9 0,5 9

28

-

-

-

28

1

2

3

4

ips 2

ips 3

ips 4

nilai1 1

nilai1 2

nilai1 3

nilai1 4

nilai1 5

-

-

-

1,20

0,80

3,20

1,20

0,40

-

-

2,40

2,40

1,60

1,60

2,80

-

1,20

0,80

3,20

1,20

0,40

-

1,20

0,80

3,20

1,20

0,40

-

3,20

2,00

3,60

3,20

1,60

1,6 8

2,00

2,00

2,00

1,60

2,80

1,20

0,80

3,20

1,20

0,40

COF 2,093 73 1,652 72 2,026 80 2,115 15 1,819 25 1,675 64 2,151 34

2. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur prestasi pada semester 1 sampai 4 menggunakan parameter k = 20. Nilai batas outlier= 1.6 dengan jumlah data 74 record data.

Tabel 6.12 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi Sem 1

2

3

Nomor 76 124 15 10 17 124 107 86 94 17 107 117

ips1 0,85 1,45 1,67 3,89 -

ips2 0,32 0,44 3,92 2,80 1,35 -

ips3 0,69 3,76 2,00

ips4 -

final 2,85 2,90 2,72 3,08 2,72 2,90 3,33 3,22 2,77 2,72 3,33 2,89

COF 4,329895 2,272061 1,73662 1,627632 4,014297 3,598753 2,216697 1,967725 1,690341 7,309803 1,984868 1,740475


4

3 88 94 122 107 98 89

-

-

3,78 -

0,94 1,20 1,47 3,78 3,15 3,90

2,78 2,89 2,77 3,05 3,33 3,22 2,97

119

1,689841 3,295088 2,622358 2,05038 1,973157 1,843327 1,612266

3. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 pada semester 1 sampai 4 menggunakan parameter k = 20. Nilai batas outlier= 1.6 dengan jumlah data 126 record data.

Tabel 6.13 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Sem

1

2

3

Nomor 28 76 27 26 58 28 17 124 107 86 58 28 74 50 17 72 107 55 58 46 31

ips1 1,72 0,85 4,00 1,44 2,30 -

ips2 1,65 0,32 0,44 3,92 2,80 2,61 -

ips3 1,53 0,19 0,59 0,69 1,73 3,76 3,72 2,50 1,31 1,55

ips4 -

final 1,12 2,85 2,32 2,96 1,60 1,12 2,72 2,90 3,33 3,22 1,60 1,12 2,56 2,56 2,72 2,96 3,33 2,24 1,60 2,76 2,12

COF 2,832182 2,698741 2,476131 1,704439 1,614494 2,757748 2,402557 2,23014 2,142604 2,003432 1,838364 2,978759 2,90763 2,421761 2,285508 2,090689 2,027778 1,807945 1,782962 1,704525 1,631952

Jalur Tes Tes Prestasi Tes Tes Tes Tes Prestasi Prestasi Prestasi Prestasi Tes Tes Tes Tes Prestasi Tes Prestasi Tes Tes Tes Tes


28 107 68 67 98 27 47 58 46 69

4

-

-

-

1,68 3,78 0,00 0,00 3,15 3,70 0,05 2,50 0,31 1,85

1,12 3,33 2,00 2,04 3,22 2,32 2,40 1,60 2,76 1,96

120

2,96454 2,003851 1,949267 1,930298 1,857202 1,821053 1,802944 1,778459 1,654389 1,603947

Tes Prestasi Tes Tes Prestasi Tes Tes Tes Tes Tes

6.1.5.4 Kesimpulan Hasil Pengujian Validitas dan Review Oleh Pengguna 1.

Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes dapat di ambil kesimpulan sebagai berikut:

a. Pada semester 1 (ips1) ditemukan 2 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28 dan 27. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga, mahasiswa ini memiliki derajat outlier yang cukup tinggi yaitu 2,09373. Mahasiswa 27 memiliki nilai ips yang sangat tinggi yaitu 4,00 dan nilai masuk yang tidak terlalu tinggi dan tidak terlalu rendah. b. Pada semester 2 (ips2) di temukan 1 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga. c. Pada semester 3 (ips3) di temukan 3 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 74, dan 50. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga. Mahasiswa 74 memiliki nilai ips yang sangat rendah yaitu 0,19 tetapi nilai masuknya tinggi. Mahasiswa 50 memiliki nilai ips yang sangat rendah yaitu 0,59 dan nilai masuknya juga rendah.


121

d. Pada semester 4 (ips4) di temukan 1 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28. Mahasiswa ini selalu muncul menjadi outlier dari semester 1 sampai 4. Mahasiswa 28 ini memiliki nilai ips yang rendah yaitu 1,68 dan nilai masuknya juga rendah.

2.

Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur prestasi dapat di ambil kesimpulan sebagai berikut: a. Pada semester 1 (ips1) ditemukan 4 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 76, 124, 15, dan 10. Mahasiswa 76 merupakan outlier dengan derajat tertinggi yaitu 4,32989506. Mahasiswa ini memiliki ips yang sangat rendah yaitu 0,85. Mahasiswa 124 ini memiliki nilai ips yang rendah yaitu 1,45. Mahasiswa lain yang berpotensi sebagai outlier lainnya adalah mahasiswa 15 dan 10, mahasiswa ini memiliki nilai ips yang rendah juga. b. Pada semester 2 (ips2) ditemukan 5 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 17, 124, 107, 86, dan 94. Mahasiswa 17, 124, 86, dan 94 memiliki nilai ips yang rata-rata sangat rendah tetapi memiliki nilai final yang tidak terlalu tinggi dan tidak terlalu rendah pula. Sedangkan mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,92 dan nilai final yang tinggi pula. c. Pada semester 3 (ips3) ditemukan 4 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 17, 107, 117, dan 3. Mahasiswa 17 dan 117 memiliki nilai ips yang sangat rendah yaitu 0,69 dan 2,00. Kedua mahasiswa ini memiliki nilai final yang tidak terlalu tinggi dan tidak terlalu rendah pula. Sedangkan mahasiswa 107 dan 3 memiliki nilai ips yang sangat tinggi yaitu masing-masing 3,76 dan 3,78.


122

d. Pada semester 4 (ips4) ditemukan 6 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 88, 94, 122, 107, 98, dan 89. Mahasiswa 88, 94, dan 122 memiliki nilai ips yang sangat rendah yaitu 0,94, 1,20, dan 1,47. Sedangkan mahasiswa 107, 98, dan 89 memiliki nilai ips yang sangat tinggi.

3.

Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 dapat di ambil kesimpulan sebagai berikut: a. Pada semester 1 (ips1) ditemukan 5 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 76, 27, 26, dan 58. Mahasiswa 28 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dengan derajat COF yang lebih tinggi dari pengujian sebelumnya yaitu 2,832182. Mahasiswa 76 dari jalur prestasi pada pengujian sebelumnya juga diindikasikan sebagai outlier. Mahasiswa 27 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dan derajatnya juga lebih tinggi dari pengujian sebelumnya. Sedangkan mahasiswa 26 dan 58 dari jalur tes memiliki nilai ips yang rendah. b. Pada semester 2 (ips2) ditemukan 6 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 17, 124, 107, 86, dan 58. Mahasiswa 28 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dengan derajat COF yang tinggi. Mahasiswa 17 dan 124 dari jalur prestasi memiliki nilai ips yang sangat rendah yaitu 0,32 dan 0,44. Sedangkan mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,92 dan nilai final yang tinggi pula. Mahaswa 86 memiliki ips yang tidak terlalu tinggi dan tidak terlalu rendah tetapi nilai finalnya tinggi. Mahasiswa 58 memiliki


123

nilai ips yang tidak terlalu tinggi dan tidak terlalu rendah tetapi nilai finalnya rendah. c. Pada semester 3 (ips3) ditemukan 10 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 74, 50, 17, 72, 107, 55, 58, 46, dan 31. Mahasiswa 28 merupakan mahasiswa yang selalu muncul saat pendeteksian outlier, mahasiswa ini memiliki nilai ips yang rendah dan nilai masuk yang rendah. Mahasiswa 74, 50, 17, 72, 46, dan 31 memiliki rata-rata nilai ips yang rendah. Mahasiswa 107 dan 55 memiliki nilai ips yang sangat tinggi yaitu 3,76 dan 3,72. Sedangkan mahasiswa 58 memiliki nilai final yang rendah. d. Pada semester 4 (ips4) ditemukan 10 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 107, 68, 67, 98, 27, 47, 58, 46, dan 69. Mahasiswa 28 merupakan mahasiswa yang selalu muncul saat pendeteksian outlier, mahasiswa ini memiliki nilai ips yang rendah dan nilai masuk yang rendah. Mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,78 dan nilai finalnya juga tinggi. Mahasiswa 68 dan 67 memiliki nilai ips yang sangat rendah yaittu 0,0. Mahasiswa 98 dan 27 memiliki nilai ips yang tinggi. Mahasiswa 47, 46, dan 69 memiliki rata-rata nilai ipsa yang sangat rendah. Sedangkan mahasiswa 58 memiliki nilai final yang rendah.

17.2

Kelebihan dan Kekurangan Sistem Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier

Factor memiliki kelebihan dan kekurangan.

17.2.1 Kelebihan Sistem 1. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini dapat melakukan inputan file yang berekstensi .xls, .doc, dan .csv.


124

2. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini dapat melakukan inputan file dari tabel pada database. 3. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan seleksi atribut terhadap atribut-atribut yang akan di hapus. 4. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan penyimpanan hasil outlier ke dalam file yang berekstensi .xls, .doc, dan .txt. 5. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan deteksi dengan waktu yang singkat.

17.2.2 Kekurangan Sistem 1. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor hanya bisa melakukan input data file dengan ekstensi tertentu seperti .xls, .doc, dan .csv 2. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor hanya bisa melakukan seleksi atribut untuk kolom.


BAB VII KESIMPULAN DAN SARAN

Pada bab ini akan di jelaskan kesimpulan dan saran dari seluruh perancangan dan pengujian sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor. 23.1

Kesimpulan Kesimpulan yang dapat ditarik dari hasil penelitian sistem deteksi outlier

menggunakan Algoritma Connectivity-based Outlier Factor untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes dan prestasi adalah sebagai berikut: 1. Sistem deteksi Outlier menggunakan algoritma Connectivity-based Outlier Factor yang telah di implementasikan menjadi sebuah aplikasi dapat mendeteksi outlier pada kumpulan data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma. 2. Nilai atribut k sangat mempengaruhi jumlah obyek yang berpotensi menjadi outlier serta mempengaruhi derajat nilai COF dan rangking dari obyek tersebut. 3. Hasil perhitungan manual (menggunakan tools Microsoft Exel) dengan hasil perhitungan sistem menghasilkan outlier dengan derajat COF dan ranking secara sama persis. 4. Algoritma Connectivity-based Outlier Factor tidak menyatakan secara eksplisit bahwa data tersebut merupakan outlier, tetapi di tentukan oleh pengguna atau user dengan cara melihat derajat outliernya.

125


23.2

126

Saran Berdasarkan hasil

menggunakan

algoritma

analisa dan pengujian Connectivity-based

sistem deteksi

Outlier

Factor

ini

outlier penulis

memberikan saran untuk perbaikan dan pengembangan sistem deteksi ini secara lebih lanjut. Berikut adalah saran yang di berikan: 1. Sistem ini dapat di kembangkan agar dapat menerima inputan file dengan ekstensi selain .xls, .csv, dan dari tabel pada basisdata sehingga hanya terbatas pada format data tersebut. 2. Sistem ini dapat di kembangkan agar dapat melakukan seleksi atribut pada baris tidak hanya pada kolom. Sehingga user atau pengguna dapat lebih spesifik dalam memilih baris data mana saja yang ingin di gunakan dalam pendeteksian outlier. 3. Sistem ini dapat di kembangkan agar dapat menampilkan hasil deteksi oulier dalam bentuk grafik atau diagram, sehingga user atau pengguna dapat lebih mudah dalam mengamati munculnya kejadian outlier.


DAFTAR PUSTAKA Amer, Mennatallah. (2011). Comparison of Unsupervised Anomaly Detection Techniques. Bailey, Duane A. (2003). Java Structures: DataStructures in Java for the Principled Programmer. New York: The McGraw-Hill. Goodrich, Michael T., & Tamassia, Roberto. (1998). Data Structures and Algorithms in Java. United Stated of America: John Wiley & Sons, Inc. Han, Jiawei., & Kamber, Micheline. (2006). Data Mining: Concept and Techniques. San Fransico: Elsevier Inc. Lafore, Robert. (2003). Data Structures and Algorithms in Java Second Edition. Sam Publishing. Pokrajac, Dragoljub., Reljin, Natasa., Pejcic, Nebojsa., & Lazarevi, Aleksandar. (2008). Incremental Connectivity-Based Outlier Factor Algorithm. Pieter, Kriegel., Kroger, Peer., & Zimek, Arthur. (2010). Outlier Detection Techniques. Washington, D.C: KDD. Raharjo, Daniel Tomi. (2013). Deteksi Outlier Menggunakan Algoritma Local Outlier Factor (Studi Kasus Data Akademik Mahasiswa TI Universitas Sanata Dharma). Reljin, Natasa., McDaniel, Samantha., & Pokrajac, Dragoljub. (2010). Small Moving Targets Detection Using Outlier Detection Algorithms. Tang, J., Chen, Z., Fu, A., & Cheung, D. (2004). Enchancing Evectiveness of Outlier Detections for Low Density Pattern. Tang, Jian., Chen, Zhixiang., Fu, Ada., & Cheung, David. (2004). A Robust Outlier

Detection

Scheme 127

for

Large

Data

Sets.


LAMPIRAN I

1. Diagram Use Case

Input Data Excel atau Database

<< Extends >>

<< Depends on >> Cari Outlier

<< Depends on >> Simpan

Pengguna

128

Seleksi Atribut


LAMPIRAN 2

1. Deskripsi Use Case Nomor Use Case

Nama Use Case

001

Input

data

Deskripsi file Use

Aktor

case

ini Pengguna

bertipe .xls, .csv dan menggambarkan tabel dari basisdata

dimana user dapat menginputkan

file

yang bertipe .xls, .csv, dan dari tabel basisdata 002

Pendeteksian outlier

Use

case

ini Pengguna

menggambarkan dimana sistem akan melakukan

proses

pendeteksian outlier dari

data

hasil

inputan pengguna 003

Simpan hasil deteksi Use outlier

case

ini Pengguna

menggambarkan dimana sistem akan melakukan

proses

penyimpanan hasil deteksi outlier 004

Seleksi Atribut

Use

case

ini Pengguna

menggambarkan dimana

pengguna

dapat

memilih

atribut mana yang ingin

di

gunakan

129


dalam

130

proses

pendeteksian outlier

2. Narasi Use Case Berikut ini merupakan narasi use case dari masing-masing use case: Nama Use Case:

Input data file bertipe Jenis

Use

Case:

.xls, .csv dan tabel dari Kebutuhan Operasionl basisdata Nomor Use Case:

001

Prioritas: Pelaku Utama:

Pengguna

Pelaku lain yang terlibat:

-

Pilhak

lain

yang -

berkepentingan: Deskripsi:

Use

case

ini

menggambarkan dimana user dapat menginputkan file yang bertipe .xls, .csv,

dan

dari

tabel

basisdata Kondisi Awal:

Pengguna berada dalam sistem dalam halaman Home

pada

tab

Prepocessing Urutan Aktivitas Normal:

Aksi Aktor Langkah1:

Respon Sistem Pengguna

menekan button Pilih File

Langkah2: Menampilkan

Sistem kotak

dialog halaman Pilih File


Langkah3:

131

Pengguna

memilih file yang ingin di cari outliernya Langkah4:

Sistem

menampilkan file yang di pilih ke dalam tabel pada halaman utama tab prepocessing. Aktivitas Alternatif

Langkah1a: menekan

Pengguna button

Pilih

Database Langkah2a:

Sistem

Menampilkan dialog

kotak

halaman

Pilih

DataBase Langkah3b:

Pengguna

memasukan

username,

password, dan url pada halaman PilihDatabase Langkah4b: menampilkan login

Sistem pesan

ke

database

Langkah6b:

Sistem

berhasil Langkah5b:

Pengguna

menekan button ok

menampilkan PilihTabel

Langkah7b:

Pengguna

memilih tabel database

halaman


yang

ingin

132

digunakan

kemudian

menekan

button OK

Langkah

8b:

Sistem

menampilkan tabel dari database yang di pilih ke dalam halaman

tabel utama

pada tab

prepocessing. Kondisi Akhir

Data

berhasil

di

tampilkan ke dalam tabel pada halaman utama tab prepocessing

Nama Use Case:

Pendeteksian outlier

Jenis

Use

Case:

Kebutuhan Operasionl Nomor Use Case:

002


Pengguna


-

Pilhak

lain

yang -


Use

case

ini

menggambarkan dimana sistem akan melakukan proses

pendeteksian

outlier dari data hasil inputan pengguna Kondisi Awal:

Pengguna berada dalam halaman Home pada tab Deteksi Outlier setelah melakukan seleksi atribut dan menekan button OK


Urutan Aktivitas Normal:

Aksi Aktor

133

Respon Sistem

Langkah1:

Pengguna

memasukan

nilai

parameter k dan menekan button Proses

Langkah2:

Sistem

Menampilkan

hasil

deteksi outlier ke dalam tabel hasil deteksi outlier pada halaman Home

Aktivitas Alternatif

Langkah1a:

Pengguna

memasukan nilai batas outlier

dan

menekan

button OK Langkah2a:

Sistem

Menampilkan

hasil

deteksi outlier ke dalam tabel hasil deteksi outlier pada halaman Home

Kondisi Akhir

Data hasil deteksi outier berhasil di tampilkan ke dalam halaman

tabel utama

pada tab

Deteksi Outlier

Nama Use Case:

Simpan outlier

hasil

deteksi Jenis

Use

Case:

Kebutuhan Operasionl


Nomor Use Case:

134

003


Pengguna


-

Pilhak

lain

yang -


Use

case

ini

menggambarkan dimana sistem akan melakukan proses penyimpanan hasil deteksi outlier Kondisi Awal:

Hasil deteksi outlier telah di tampilkan ke dalam sebuah

tabel,

dan

pengguna berada dalam halaman Home pada tab Deteksi Outlier Urutan Aktivitas Normal:

Aksi Aktor Langkah1:

Respon Sistem Pengguna

menekan button Simpan

Langkah2: Menampilkan dialog simpan

Langkah3:

Pengguna

memilih directory untuk menyimpan hasil deteksi outlier, memberi nama file dan menekan button Save

Sistem kotak


Langkah4:

135

Sistem

menampilkan

pesan

sukses data hasil deteksi outlier

berhasil

di

simpan. Aktivitas Alternatif

-

Kondisi Akhir

Data hasil deteksi outlier berhasil di simpan dalam directory

yang

diinginkan dan tipe data yang

diinginkan

oleh

user.

Nama Use Case:

Seleksi Atribut

Jenis

Use

Case:

Kebutuhan Operasionl Nomor Use Case:

004


Pengguna


-

Pilhak

lain

yang -


Use

case

ini

menggambarkan dimana pengguna dapat memilih atribut mana yang ingin di gunakan dalam proses pendeteksian outlier Kondisi Awal:

Pengguna berada dalam sistem Home

dalam pada

halaman tab

Prepocessing dan data telah di tampilkan pada


136

tabel Urutan Aktivitas Normal:

Aksi Aktor

Respon Sistem

Langkah1: memilih

Pengguna atribut

diinginkan

untuk

yang di

hilangkan dan menekan button hapus Langkah2:

Sistem

menghapus atribut yang telah

di

pengguna

pilih

oleh

untuk

di

hapus..

Aktivitas Alternatif

Langkah1a:

Pengguna

menekan button Tandai Semua

dan

menekan

button Hapus Langkah2a:

Sistem

Menghapus

semua

atribut.

Kondisi Akhir

Atribut yang diinginkan oleh pengguna berhasil di hapus


LAMPIRAN 3 8.

Diagram Aktivitas Input Data File yang Berekstensi .xls

Menekan Button PilihFile

Menampilkan halaman PilihFile

Memilih file berekstensi .xls

Format File sesuai?

Tidak

Ya

Membaca Data dari File dan menampilkan data ke dalam tabel

137


9. Diagram Aktivitas Input Data File yang Berekstensi .csv

Menekan Button PilihFile

Menampilkan halaman PilihFile

Memilih file berekstensi .csv

Format File sesuai?

Tidak

Ya

Membaca Data dari File dan menampilkan data ke dalam tabel

138


10. Diagram Aktivitas Input Data File dari Tabel pada Database

Menekan Button PilihDataBase

Menampilkan halaman PilihDataBase

Memilih database (Oracle atau MySql

Tidak Memilih database Oracle Memasukan username, password, url, database name

Ya

Memasukan username, password, url, database name

Tidak Koneksi database berhasil

Menekan Button OK Ya Menekan Button OK

Membaca Data dari database dan menampilkan data ke dalam tabel

139


11. Diagram Aktivitas Proses Deteksi Outlier Pengguna

Sistem

Memasukan nilai parameter k

Menekan Button Proses

Inputan k sesuai?

Sistem melakukan deteksi Outlier

Memasukan nilai batas outlier

Sistem menampilkan hasil deteksi ke dalam tabel

Sistem menampilkan hasil deteksi ke dalam tabel

140


12. Diagram Aktivitas Simpan Hasil Deteksi Outlier Pengguna

Menekan button Simpan

Sistem

Menampilkan kotak dialog Simpan File

Memilih directory penyimpanan file

Menyimpan file yang bertipe .xls, .txt, dan .doc

Menekan button Simpan

Menampilkan pesan file berhasil di simpan

141


13. Diagram Aktivitas Seleksi Atribut Pengguna

Sistem

Menampilkan daftar atribut dalam tabel pada halaman utama

Memilih atribut yang ingin di hapus

Menekan button Hapus

Mengapus atribut yang telah di pilih

Menampilkan data ke dalam tabel tanpa atribut yang sudah di hapus

142


143

14. Diagram Aktivitas Seleksi Atribut dengan Pilihan Tandai Semua Atribut Pengguna

Sistem

Menampilkan daftar atribut dalam tabel pada halaman utama

Memilih button Tandai Semua

Menekan button Hapus

Menghapus semua atribut

Menampilkan data ke dalam tabel tanpa atribut yang sudah di hapus


144

LAMPIRAN 4 7. Diagram Sequence Input Data File yang Berekstensi .xls <> Home

<> SeleksiAtributControl

<<entity>> CheckBoxTableModel

1. Menekan button Pilih File 2. Menampilkan halaman PilihFile

3. Memilih File yang berekstensi .xls

4. pilihFile() 5. New CheckBoxTableModel 6. SetAtribut(column, name) 7. SetPilih(False) 8. add(seleksiAtribut) 9. Tampil data ke dalam tabel

10. Tampil data ke dalam tabel seleksi atribut


145

8. Diagram Sequence Input Data File yang Berekstensi .csv <> Home



1. Menekan button Pilih File 2. Menampilkan halaman PilihFile

3. Memilih File yang berekstensi .csv

4. pilihFile() 5. New CheckBoxTableModel 6. SetAtribut(column, name) 7. SetPilih(False) 8. add(seleksiAtribut) 9. Tampil data ke dalam tabel

10. Tampil data ke dalam tabel seleksi atribut


146

9. Diagram Sequence Input Data File dari Tabel pada Database <> Home

<> DataControl

<<entity>> KoneksiDataBase



1. Menekan button Pilih DataBase 2. Menampilkan halaman PilihDataBase

3. pilihDataBase() 4. DisplayTable() 5. getConnection() 7. TableName

6. connection

8. Menampilkan halaman PilihTabel 9. Pilih Tabel 10. pilihTabel() 11. Tabel data 12. new CheckBoxTableModel 13. SetAtribut(Column, name) 14. setPilih(false) 15. add(SeleksiAtribut) 16. Tampil data ke dalam tabel 17. Tampil data ke dalam tabel seleksi atribut


10. Diagram Sequence Proses Deteksi Outlier

<> Home

<<entity>> Graph

1. Memasukan nilai parameter k 2. Menekan button Proses 3. Melakukan proses deteksi 4. addVertex(), addEdge(), displayAll() 5. Menampilkan hasil outlier ke dalam tabel

147


11. Diagram Sequence Simpan Hasil Deteksi Outlier

<> Home

1. Menekan button Simpan 2. Menampilkan kotak dialog Simpan 3. Memilih directory untuk menyimpan file

4. Menekan button Save

5. simpanFile()

5. Menampilkan pesan file berhasil di simpan

148


149

12. Diagram Sequence Seleksi Atribut

<> Home


1. Memilih atribut yang akan di hapus

2. Menekan button Hapus 3. removeRow()

4. Menampilkan tabel tanpa atribut yang sudah di hapus


LAMPIRAN 5 Berikut merupakan diagram kelas dengan atribut dan method: <<entity>> KoneksiDataBase - jdbcUrl: String -userid: String -password: String -conn : Connection +getDBConnectionOracle(String,

String,

String): Connection +getDBConnectionSql(String,

String,

String): Connection +isConnectedOracle(String, String, String): boolean +isConnectedSql(String, boolean

<<entity>> Vertex - acDist: Double - acDistTetangga: Double - cof: Double - kDistance: Double - labelP: String - nilaiP: List - nkp: List<String> - sbnPath: List<String> - sbnTrail: List<String> - wasVisitedP: boolean

String,

String):

150


+ getAcDist(Double) + getAcDistTetangga(Double) + getCof(Double) + getKDistance(Double) + getLabelP(String) + getNilaiP(List) + getNkp(List<String>) + getSbnPath(List<String>) + getSbnTrail(List<String> + getIsWasVisitedP(boolean) + setAcDist(Double): void + setAcDistTetangga(Double): void + setCof(Double): void + setKDistance(Double): void + setLabelP(String): void + setNilaiP(List): void + setNkp(List<String>): void + setSbnPath(List<String>): void + setSbnTrail(List<String>): void + setWasVisitedP(boolean): void

<<entity>> Graph - INFINITY: Double - MAX_VERTS: int - adjMat: Double[][] - cof: Double - format: NumberFormat - nVerts: int - vertexList: Vertex[]

151


+ Search(String): int + Search2(Double, int) + addEdge(int, int, Double) + addVertex(String, List) + calculateCOF(int) +

calculateEcluidianDistance(int,

int):

Double + cariKDistance(int, int): Double + cariLabel(String): int + cariNkp(Double, int): List<String> + cariSbnPath(Double, int): List<String> + displayAll(int) + inputData(JTable) + setDataCof(String): CofTableModel +

setDataCofBatas(String,

Double):

CofTableModel + setKDistance(String, int) + setNkp(String) + setSbnPath(String) + show(): void

<<entity>> CheckBoxTableModel - column: String - listSeleksi: SeleksiAtributControl - seleksiAtribut: SeleksiAtributControl + addRow(int, SeleksiAtributControl) + getColumnClass(int): class + getColumnCount(): int

152


+ getValueAt(int, int): Object + isCellEditable(int, int): boolean + removeRow(): void + setValueAt(Object,int, int)

<<entity>> DataCof - cof: Double - label: String - rank: int + getCof(Double) + getLabel(String) + getRank(int) + setCof(Double): void + setLabel(String): void + setRank(int): void

<<entity>> CofTableModel - data: List - label: String + getColumnCount(): int + getColumnName(int): String + getRowCount(): int + getValueAt(int, int): Object + isCellEditable(int, int): boolean + setValueAt(Object, int, int)

153


<> DataControl

+ selectTable(Connection, String): ResultSet + tampilTabelMySql(Connection): ResultSet + tampilTabelOracle(Connection): ResultSet

<> SeleksiAtributControl -atribut: String - pilih: boolean + getAtribut(): String + getPilih(): boolean + isPilih(): boolean + setAtribut(String) + setPilih(boolean)

<> SeleksiAtributControl -atribut: String - pilih: boolean + getAtribut(): String + getPilih(): boolean + isPilih(): boolean + setAtribut(String) + setPilih(boolean)

154


<> HomePage - buttonMasuk: JButton - logo: JLabel - namaSistem: JLabel - nama: JLabel + HomePage() <> + buttonMasukActionPerformed(ActionEvent evt)

<> Home - aboutButton: Jbutton - batalButton: Jbutton - batasOutlierField: JtextField - checkBoxT: CheckBoxTableModel - dataPrepocessing2: Jtable - dataPrepocessTable: Jtable - exitButton: Jbutton - fileTextField: JtextField - graph: Graph - hapusButton: Jbutton - hapusOutlierButton: Jbutton - helpButton: Jbutton - jumlahData2Field: JtextField - jumlahDataField: JtextField - jumlahOutlierField: JtextField - lamaDeteksi: JtextField

155


- okBatasOutlierButton: Jbutton - optionPanel: Jpanel - pilihDbButton: Jbutton - pilihFileButton: Jbutton - prosesButton: Jbutton - kTextField: JtextField - simpanButton: Jbutton - submitButton: Jbutton - tabelHasil: Jtable - tabelHasilOutlier: Jtable - tabelSeleksi: Jtable - tandaiButton: Jbutton + Home () <> + Home(KoneksiDataBase, String) <> + aboutButtonActionPerformed(ActionEvent evt) + batalButtonActionPerformed(ActionEvent evt) + calculateCOF() + exitButtonActionPerformed(ActionEvent evt) + hapusButtonActionPerformed(ActionEvent evt) +

hapusOutlierButtonActionPerformed(ActionEvent

evt) + helpButtonActionPerformed(ActionEvent evt) + okBatasButtonActionPerformed(ActionEvent evt) + pilihDatabase(KoneksiDatabase, String) + pilihDbButtonActionPerformed(ActionEvent evt) + pilihFile() + pilihFileButtonActionPerformed(ActionEvent evt) + prosesButtonActionPerformed(ActionEvent evt) + saveCof() + simpanButtonActionPerformed(ActionEvent evt) + submitButtonActionPerformed(ActionEvent evt)

156


+ tandaiButtonActionPerformed(ActionEvent evt) + kTextFieldActionPerfomed(ActionEvent evt) + kTextFieldKeyTyped(KeyEvent evt)

<> PilihDatabase - batalButton: JButton - dbCombo: JComboBox - dbNameField: JTextField - okButton: JButton - passwordField: JPaswordField - urlField: JTextField - userNameField: JTextField

+ PilihDatabase()<> + dbComboActionPerfomed(ActionEvent evt) + okButtonActionPerfomed(ActionEvent evt)

<> PilihTabel - batalButton: JButton - koneksi: KoneksiDataBase - okButton: JButton - tabelCombo: JComboBox +

PilihTabel(KoneksiDataBase,

<> + okButtonActionPerfomed(ActionEvent evt)

<> PilihFile

String)

157


- jFileChooser: JFileChooser + PilihFile(Frame, boolean) <>

<> About - aboutButton: JButton - exitButton: JButton - helpButton: JButton + About() <> + aboutButtonActionPerfomed(ActionEvent evt) + exitButtonActionPerfomed(ActionEvent evt) + helpButtonActionPerfomed(ActionEvent evt)

<> Help - aboutButton: JButton - exitButton: JButton - helpButton: Jbutton - kembaliButton: JButton + ABout() <> + aboutButton10ActionPerfomed(ActionEvent evt) + exitButton10ActionPerfomed(ActionEvent evt) + helpButton10ActionPerfomed(ActionEvent evt) + kembaliButton10ActionPerfomed(ActionEvent evt)

158


159

LAMPIRAN 6

Berikut adalah listing program pada masing-masing kelas:

1. Implementasi Kelas KoneksiDataBase public class KoneksiDataBase { static String jdbcUrl; static String userid; static String password; private static Connection conn; public static Connection getConn() { return conn; } public static void setConn(Connection aConn) { conn = aConn; } Statement stmt; ResultSet rset; String query; String sqlString; public KoneksiDataBase() { } public static Connection getDBConnectionOracle(String url, String user, String password) { try { OracleDataSource ds; ds = new OracleDataSource(); ds.setURL(jdbcUrl); setConn((Connection) ds.getConnection(userid, password)); System.out.println("Koneksi berhasil"); return getConn(); } catch (SQLException ex) { System.out.println("Masih belum terkoneksi"); return null; } }

} public boolean isConnectedOracle(String url, String user, String password) { if (getDBConnectionOracle(url, user, password) != null) { return true;


160

public static Connection getDBConnectionSql(String url, String user, String password) { try { Class.forName("org.gjt.mm.mysql.Driver"); setConn(DriverManager.getConnection(url, user, password)); System.out.println("Koneksi berhasil"); } catch (Exception ex) { System.out.println("Masih belum terkoneksi"); } return getConn();

} public boolean isConnected() { if (conn != null) { return true; } else { return false; } } public boolean isConnectedSQL(String url, String user, String password) { if (getDBConnectionSql(url, user, password) != null) { return true; } else { return false; } } public boolean isConnectedOracle(String url, String user, String password) { if (getDBConnectionOracle(url, user, password) != null) { return true; } else { return false; } } public void close() { try { getConn().close(); } catch (SQLException ex) { System.out.println("Tidak bisa tutup koneksi"); } }


public static void main(String args[]) throws SQLException { KoneksiDataBase con = new KoneksiDataBase(); con.getDBConnectionOracle("jdbc:oracle:thin:@localhost:1521:xe", "skripsi", "system"); con.getDBConnectionSql("jdbc:mysql://localhost:3306/gudangdata", "root", "root"); con.close(); } }

2. Implementasi Kelas Vertex public class Vertex { private String labelP; private boolean isInTree; private List nilaiP; private boolean wasVisitedP; private Double kDistance; private List<String> nkp; private List<String> sbnPath; private List<String> sbnTrail; private Double acDist; private Double cof; private Double acDistTetangga; public Vertex(String labelP, List nilaiP) { this.labelP = labelP; this.nilaiP = nilaiP; } public String getLabelP() { return labelP; } public void setLabelP(String labelP) { this.labelP = labelP; } public boolean isIsInTree() { return isInTree; } public void setIsInTree(boolean isInTree) { this.isInTree = isInTree; }

161


public List getNilaiP() { return nilaiP; } public void setNilaiP(List nilaiP) { this.nilaiP = nilaiP; } public boolean isWasVisitedP() { return wasVisitedP; } public void setWasVisitedP(boolean wasVisitedP) { this.wasVisitedP = wasVisitedP; } public Double getkDistance() { return kDistance; } public void setkDistance(Double kDistance) { this.kDistance = kDistance; } public List<String> getNkp() { return nkp; } public void setNkp(List<String> nkp) { this.nkp = nkp; } public List<String> getSbnPath() { return sbnPath; } public void setSbnPath(List<String> sbnPath) { this.sbnPath = sbnPath; } public List<String> getSbnTrail() { return sbnTrail; } public void setSbnTrail(List<String> sbnTrail) { this.sbnTrail = sbnTrail; }

}

162


public Double getAcDist() { return acDist; } public void setAcDist(Double acDist) { this.acDist = acDist; } public Double getCof() { return cof; } public void setCof(Double cof) { this.cof = cof; } public Double getAcDistTetangga() { return acDistTetangga; } public void setAcDistTetangga(Double acDistTetangga) { this.acDistTetangga = acDistTetangga; } }

3. Implementasi Kelas Graph public class Graph { private int MAX_VERTS; private Double INFINITY = 0.0; private Vertex vertexList[]; private Double adjMat[][]; private int nVerts, currentVert; private PriorityQ thePQ; private int nTree; NumberFormat format = new DecimalFormat("#,##"); List<String> hasil = new ArrayList<String>(); Double kurang; Double sumTetangga = 0.0; Double cof; public Graph(int MAX_VERTS) { vertexList = new Vertex[MAX_VERTS]; adjMat = new Double[MAX_VERTS][MAX_VERTS];

nVerts = 0; for (int i = 0; i < MAX_VERTS; i++) {

163


nVerts = 0; for (int i = 0; i < MAX_VERTS; i++) { for (int j = 0; j < vertexList.length; j++) { adjMat[i][j] = INFINITY; } } } public void addVertex(String label, List nilai) { vertexList[nVerts++] = new Vertex(label, nilai); } public void addEdge(int start, int end, Double weight) { adjMat[start][end] = weight; adjMat[end][start] = weight; } public Double calculateEcluidianDistance(int array1, int array2) { Double sum = 0.0; List x = vertexList[array1].getNilaiP(); List y = vertexList[array2].getNilaiP(); for (int i = 0; i < x.size(); i++) { sum = sum + Math.pow((x.get(i) - y.get(i)), 2.0); } return Math.sqrt(sum); } public void show() { System.out.print("\t"); for (int i = 0; i < vertexList.length; i++) { System.out.print("" + vertexList[i].getLabelP() + "\t"); } System.out.println(""); for (int i = 0; i < adjMat.length; i++) { System.out.print("" + vertexList[i].getLabelP() + "\t"); for (int j = 0; j < vertexList.length; j++) { System.out.print("" + adjMat[i][j] + "\t"); } System.out.println(""); } } public void inputData(JTable dataPrepocessing2) { for (int i = 0; i < dataPrepocessing2.getRowCount(); i++) { String label = ""; List listNilai = new ArrayList(); for (int j = 0; j < dataPrepocessing2.getColumnCount(); j++) { if (j == 0) { if (dataPrepocessing2.getValueAt(i, j).toString().equals("")) { label = "null"; } else { label = dataPrepocessing2.getValueAt(i, j).toString();

164


165

} else { label = dataPrepocessing2.getValueAt(i, j).toString(); } } else { if (dataPrepocessing2.getValueAt(i, j).toString().equals("")) { listNilai.add(INFINITY); } else if (dataPrepocessing2.getValueAt(i, j).toString().matches("[^0-9]*")) { listNilai.add(INFINITY); } else { listNilai.add(Double.parseDouble(dataPrepocessing2.getValueAt(i, j).toString().replace(",", "."))); } } } addVertex(label, listNilai); } for (int i = 0; i < dataPrepocessing2.getRowCount(); i++) { for (int j = 1 + i; j < dataPrepocessing2.getRowCount(); j++) { if (i != j) { addEdge(i, j, calculateEcluidianDistance(i, j)); } } } } public int Search(String label) { for (int i = 0; i < vertexList.length; i++) { if (label.equals(vertexList[i].getLabelP())) { return i; } } return -1; } public void Search2(Double jarak, int index) { for (int i = 0; i < vertexList.length; i++) { if (adjMat[index][i].equals(jarak)) { vertexList[i].setWasVisitedP(true); } } } public Double cariKDistance(int index, int jangkauan) { for (int i = 0; i < vertexList.length; i++) { vertexList[i].setWasVisitedP(false); } Double[] a = new Double[jangkauan]; Double kDistance = 0.0;


166

Double temp1 = Double.MAX_VALUE; if (index == -1) { System.out.println("Graph Tidak Terhubung"); } else { for (int j = 0; j < a.length; j++) { for (int i = 0; i < vertexList.length; i++) { if (adjMat[index][i] != -1 && adjMat[index][i] != 0 && vertexList[i].isWasVisitedP() == false) { if (adjMat[index][i] < temp1) { temp1 = adjMat[index][i]; } } } a[j] = temp1; Search2(temp1, index); temp1 = Double.MAX_VALUE; } } for (int i = 0; i < a.length; i++) { if (kDistance < a[i]) { kDistance = a[i]; } } return kDistance; } public void setKDistance(String label, int jangkauan) { int index = Search(label); vertexList[index].setkDistance(cariKDistance(index, jangkauan)); } public void calculateCOF(int k) { for (int i = 0; i < vertexList.length; i++) { setKDistance(vertexList[i].getLabelP(), k); } for (int i = 0; i < vertexList.length; i++) { setNkp(vertexList[i].getLabelP()); } for (int i = 0; i < vertexList.length; i++) { setSbnPath(vertexList[i].getLabelP()); } } public List<String> cariNkp(Double kDistance, int index) { List<String> x = new ArrayList<String>(); if (index == -1) { System.out.println("Graph Tidak Terhubung"); } else { for (int i = 0; i < vertexList.length; i++) { if (adjMat[index][i] != -1 && adjMat[index][i] != 0) { if (adjMat[index][i] <= kDistance) {


if (adjMat[index][i] <= kDistance) { x.add(vertexList[i].getLabelP()); } } } } return x; } public void setNkp(String label) { int index = Search(label); vertexList[index].setNkp(cariNkp(vertexList[index].getkDistance(), index)); } public int cariLabel(String label) { for (int i = 0; i < vertexList.length; i++) { if (vertexList[i].getLabelP().equals(label)) { return i; } } return -1; } public List<String> cariSbnPath(Double kDistance, int index) { List<String> x = new ArrayList<String>(); Double test; if (index == -1) { System.out.println("Graph Tidak Terhubung"); } else { for (int i = 0; i < vertexList.length; i++) { if (adjMat[index][i] != -1) { if (adjMat[index][i] <= kDistance) { x.add(adjMat[index][i].toString()); Collections.sort(x); } } } } return x; } public void setSbnPath(String label) { int index = Search(label); vertexList[index].setSbnPath(cariSbnPath(vertexList[index].getkDistance(), index)); }

167


168

public void displayAll(int k) { for (int i = 0; i < vertexList.length; i++) { System.out.println(""); System.out.println(vertexList[i].getLabelP()); System.out.println("KDistance: "); System.out.println(vertexList[i].getkDistance()); System.out.println("NKP: "); for (int j = 0; j < vertexList[i].getNkp().size(); j++) { System.out.println(vertexList[i].getNkp().get(j)); } System.out.println("Jumlah Nkp: "); System.out.println(vertexList[i].getNkp().size()); System.out.println("SBN-path: "); for (int j = 0; j < vertexList[i].getSbnPath().size(); j++) { System.out.println(vertexList[i].getSbnPath().get(j)); } List<String> hasil1 = new ArrayList<String>(); int awal = 0; int akhir = 1; System.out.println("SBN-trail: "); while (awal < vertexList[i].getSbnPath().size() - 1 && akhir < vertexList[i].getSbnPath().size()) { System.out.println("awal " + vertexList[i].getSbnPath().get(awal)); System.out.println("akhir " + vertexList[i].getSbnPath().get(akhir)); kurang = Double.parseDouble(vertexList[i].getSbnPath().get(akhir)) - Double.parseDouble(vertexList[i].getSbnPath().get(awal)); if (hasil1.isEmpty()) { hasil1.add(Double.toString(kurang)); } else { hasil1.add(Double.toString(kurang)); } awal = awal + 1; akhir = akhir + 1; } System.out.println("Cost Description Sequence: "); for (int j = 0; j < hasil1.size(); j++) { System.out.println(hasil1.get(j)); } List<String> jumlah1 = new ArrayList<String>(); Double sum = 0.0; System.out.println("Average Chaining Distance: "); for (int j = 0; j < hasil1.size(); j++) { jumlah1.add(Double.toString(((2 * ((k+1) - (j + 1))) * Double.parseDouble(hasil1.get(j))) / ((k+1) * ((k+1) - 1)))); sum += Double.parseDouble(jumlah1.get(j)); } System.out.println(sum); vertexList[i].setAcDist(sum); vertexList[i].getAcDist();


vertexList[i].getAcDist(); } for (int ia = 0; ia < vertexList.length; ia++) { System.out.println(""); System.out.println("Ac Dist: "); System.out.println(vertexList[ia].getLabelP()); Double jumlah = 0.0; for (int i = 0; i < vertexList[ia].getNkp().size(); i++) { int cariAcDist = cariLabel(vertexList[ia].getNkp().get(i)); jumlah = jumlah + vertexList[cariAcDist].getAcDist(); } System.out.println("AcDist O: " + jumlah); vertexList[ia].setAcDistTetangga(jumlah); } for (int ib = 0; ib < vertexList.length; ib++) { int nkp = vertexList[ib].getNkp().size(); System.out.println("COF: "); cof = (nkp * vertexList[ib].getAcDist()) vertexList[ib].getAcDistTetangga(); System.out.println(cof); vertexList[ib].setCof(cof); if (cof > 1.0) { System.out.println("Outlier"); } else { System.out.println("Bukan Outlier"); } } long time1 = System.nanoTime(); long time2 = System.nanoTime(); System.out.println("Lama Deteksi Outlier: " + ((time2-time1) java.lang.Math.pow(10, -9)) + " detik"); } public CofTableModel setDataCOF(String label) { List dlf = new ArrayList(); DataCof dl; for (int i = 0; i < vertexList.length; i++) { if (vertexList[i].getCof() >= 1.0) { dl = new DataCof(); dl.setLabel(vertexList[i].getLabelP()); dl.setCof(vertexList[i].getCof()); dlf.add(dl); } } CofTableModel dm = new CofTableModel(dlf, label); return dm; }

169

/

*


public CofTableModel setDataCOFBatas(String label, Double batasCOF) { List dataCofL = new ArrayList(); DataCof dataCof; for (int i = 0; i < vertexList.length; i++) { if (vertexList[i].getCof() >= batasCOF) { dataCof = new DataCof(); dataCof.setLabel(vertexList[i].getLabelP()); dataCof.setCof(vertexList[i].getCof()); dataCofL.add(dataCof); } } CofTableModel dm = new CofTableModel(dataCofL, label); return dm; } }

170


171

4. Implementasi Kelas CheckBoxTableModel public class CheckBoxTableModel extends AbstractTableModel{ String[] column = {"Atribut", "Pilih"}; SeleksiAtributControl seleksiAtribut = new SeleksiAtributControl("", false); List<SeleksiAtributControl> listSeleksi; public CheckBoxTableModel() { listSeleksi = new ArrayList<SeleksiAtributControl>(); } public int getRowCount() { return listSeleksi.size(); } public int getColumnCount() { return column.length; } @Override public String getColumnName(int col) { return column[col]; } public Object getValueAt(int rowIndex, int columnIndex) { switch(columnIndex){ case 0: return listSeleksi.get(rowIndex).getAtribut(); case 1: return listSeleksi.get(rowIndex).getPilih(); } return null; }


172

return null; } @Override public Class getColumnClass(int columnIndex) { return getValueAt(0, columnIndex).getClass(); } @Override public void setValueAt(Object aValue, int rowIndex, int columnIndex) { switch(columnIndex){ case 0: listSeleksi.get(rowIndex).setAtribut(aValue.toString()); case 1: listSeleksi.get(rowIndex).setPilih((Boolean) aValue); break; } fireTableCellUpdated(rowIndex, columnIndex); } @Override public boolean isCellEditable(int rowIndex, int columnIndex) { return true; } public void addRow(int a, SeleksiAtributControl field_m){ listSeleksi.add(a, field_m); fireTableRowsUpdated(getRowCount() -1, getRowCount() -1); } public void removeRow(){ List<SeleksiAtributControl> seleksi ArrayList<SeleksiAtributControl>(); for (SeleksiAtributControl seleksiA : listSeleksi) { if (!seleksiA.getPilih()) { seleksi.add(seleksiA); } } listSeleksi = seleksi; fireTableDataChanged(); } }

=

new


5. Implementasi Kelas DataCof public class DataCof { private String label; private Double cof; private int rank; public String getLabel() { return label; } public void setLabel(String label) { this.label = label; } public Double getCof() { return cof; } public void setCof(Double cof) { this.cof = cof; } public int getRank() { return rank; } public void setRank(int rank) { this.rank = rank; } }

6. Implementasi Kelas CofTableModel public class CofTableModel extends AbstractTableModel { private List data = new ArrayList(); String label; public CofTableModel(List data, String label) { this.data = data; this.label = label; } public int getRowCount() { return data.size(); } public int getColumnCount() { return 3; }

173


public Object getValueAt(int rowIndex, int columnIndex) { DataCof dataCof = data.get(rowIndex); switch (columnIndex) { case 0: return dataCof.getLabel(); case 1: return dataCof.getCof(); case 2: return dataCof.getRank(); default: return ""; } } @Override public String getColumnName(int column) { switch (column) { case 0: return label; case 1: return "COF"; case 2: return "Ranking"; default: return ""; } } @Override public boolean isCellEditable(int row, int column){ return true; } @Override public void setValueAt(Object value, int rowIndex, int columnIndex){ switch(columnIndex){ case 0: data.get(rowIndex).setLabel(value.toString()); break; case 1: data.get(rowIndex).setCof((Double)value); break; case 2: data.get(rowIndex).setRank((Integer)value); break; } fireTableCellUpdated(rowIndex, columnIndex); } }

174


175

7. Implementasi Kelas DataControl public class DataControl { public ResultSet tampilTabelMySql(Connection con) throws SQLException { Statement stmt; ResultSet rset; String query; stmt = con.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query = "show tables"; System.out.println("\nExecuting Query: " + query); rset = stmt.executeQuery(query); return rset; } public ResultSet tampilTabelOracle(Connection con) throws SQLException { Statement stmt; ResultSet rset; String query; stmt = con.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query = "select table_name from user_tables"; System.out.println("\nExecuting Query: " + query); rset = stmt.executeQuery(query); return rset; } public ResultSet selectTable(Connection con, String table) throws SQLException{ Statement stmt; ResultSet rset; String query; stmt = con.createStatement(ResultSet.TYPE_SCROLL_SENSITIVE, ResultSet.CONCUR_READ_ONLY); query = "select * from " + table; System.out.println("\nExecuting Query: " + query); rset = stmt.executeQuery(query); return rset; } }


8. Implementasi Kelas SeleksiAtributControl public class SeleksiAtributControl { private String atribut; private Boolean pilih; public SeleksiAtributControl() { } public SeleksiAtributControl(String atribut, Boolean pilih) { this.atribut = atribut; this.pilih = pilih; } public String getAtribut() { return atribut; } public void setAtribut(String atribut) { this.atribut = atribut; } public Boolean getPilih() { return pilih; } public boolean isPilih() { return pilih; } public void setPilih(Boolean pilih) { this.pilih = pilih; } }

9. Implementasi Kelas Home public class Home extends javax.swing.JFrame { CheckBoxTableModel checkBoxT = new CheckBoxTableModel(); Graph graph; public Home() { initComponents(); this.setLocationRelativeTo(this); jTabbedPane1.setEnabledAt(1, false); } public Home(KoneksiDataBase koneksiDb, String table) { initComponents(); this.setLocationRelativeTo(this); jTabbedPane1.setEnabledAt(1, false);

176


this.setLocationRelativeTo(this); jTabbedPane1.setEnabledAt(1, false); pilihDatabase(koneksiDb, table); } public void pilihDatabase(KoneksiDataBase koneksiDb, String table) { try { DataControl dc = new DataControl(); ResultSet rset; rset = dc.selectTable(koneksiDb.getConn(), table); ResultSetMetaData rsmd = rset.getMetaData(); int coloumCount = rsmd.getColumnCount(); Vector headers = new Vector(); Vector data = new Vector(); headers.clear(); for (int i = 1; i <= coloumCount; i++) { headers.add(rsmd.getColumnName(i)); } data.clear(); while (rset.next()) { Vector d = new Vector(); for (int i = 1; i <= coloumCount; i++) { d.add(rset.getString(i)); } d.add("\n"); data.add(d); } DefaultTableModel model = new DefaultTableModel(data, headers); dataPreprocessTable.setModel(model); dataPreprocessTable.setAutoCreateRowSorter(true); dataPrepocessing2.setModel(model); dataPrepocessing2.setAutoCreateRowSorter(true); checkBoxT = new CheckBoxTableModel(); for (int i = 0; i < model.getColumnCount(); i++) { SeleksiAtributControl seleksiAt = new SeleksiAtributControl(); seleksiAt.setAtribut(model.getColumnName(i)); seleksiAt.setPilih(false); checkBoxT.addRow(i, seleksiAt); } tabelSeleksi.setModel(checkBoxT); } catch (SQLException ex) { } jumlahDataField.setText("" + dataPreprocessTable.getRowCount()); jumlahData2Field.setText("" + dataPrepocessing2.getRowCount()); } private void aboutButtonActionPerformed(java.awt.event.ActionEvent evt) { About about = new About(); about.setVisible(true); this.dispose(); }

177


178

this.dispose(); } private void helpButtonActionPerformed(java.awt.event.ActionEvent evt) { Help help = new Help(); help.setVisible(true); this.dispose(); } private void exitButtonActionPerformed(java.awt.event.ActionEvent evt) { this.dispose(); HomePage homePage = new HomePage(); homePage.setVisible(true); } private void pilihFileButtonActionPerformed(java.awt.event.ActionEvent evt) { JFileChooser fileChooser = new JFileChooser(); fileChooser.setVisible(true); Vector headers = new Vector(); Vector data = new Vector(); TableColumnModel tabelColumn; if (fileChooser.showOpenDialog(null) == JFileChooser.APPROVE_OPTION) { String namaFile; namaFile = fileChooser.getSelectedFile().getPath(); String[] nama = namaFile.split("\\."); if (nama[1].equals("xls")) { try { fileTextField.setText(fileChooser.getSelectedFile().getPath()); File file = new File(fileChooser.getSelectedFile().getPath()); Workbook workbook = Workbook.getWorkbook(file); Sheet sheet = workbook.getSheet(0); headers.clear(); for (int i = 0; i < sheet.getColumns(); i++) { Cell cell1 = sheet.getCell(i, 0); headers.add(cell1.getContents()); } data.clear(); for (int j = 1; j < sheet.getRows(); j++) { Vector d = new Vector(); for (int i = 0; i < sheet.getColumns(); i++) { Cell cell = sheet.getCell(i, j); d.add(cell.getContents()); } d.add("\n"); data.add(d); } } catch (Exception e) { e.printStackTrace(); }


179

e.printStackTrace(); } DefaultTableModel model = new DefaultTableModel(data, headers); dataPreprocessTable.setModel(model); dataPreprocessTable.setAutoCreateRowSorter(true); dataPrepocessing2.setModel(model); dataPrepocessing2.setAutoCreateRowSorter(true); checkBoxT = new CheckBoxTableModel(); for (int i = 0; i < model.getColumnCount(); i++) { SeleksiAtributControl seleksiA = new SeleksiAtributControl(); seleksiA.setAtribut(model.getColumnName(i)); seleksiA.setPilih(false); checkBoxT.addRow(i, seleksiA); } tabelSeleksi.setModel(checkBoxT); } else if (nama[1].equals("csv")) { File csvFile = fileChooser.getSelectedFile(); String line; try { fileTextField.setText(fileChooser.getSelectedFile().getPath()); BufferedReader br = new BufferedReader(new FileReader(csvFile)); StringTokenizer st = new StringTokenizer(br.readLine(), ","); while (st.hasMoreTokens()) { headers.addElement(st.nextToken()); } while ((line = br.readLine()) != null) { StringTokenizer st2 = new StringTokenizer(line, ","); Vector row = new Vector(); while (st2.hasMoreTokens()) { row.addElement(st2.nextToken()); } data.addElement(row); } br.close(); DefaultTableModel model = new DefaultTableModel(data, headers); dataPreprocessTable.setModel(model); dataPreprocessTable.setAutoCreateRowSorter(true); dataPrepocessing2.setModel(model); dataPrepocessing2.setAutoCreateRowSorter(true); checkBoxT = new CheckBoxTableModel(); for (int i = 0; i < model.getColumnCount(); i++) { SeleksiAtributControl seleksiA = new SeleksiAtributControl(); seleksiA.setAtribut(model.getColumnName(i)); seleksiA.setPilih(false); checkBoxT.addRow(i, seleksiA); } tabelSeleksi.setModel(checkBoxT);


180

for (int i = 0; i < dataPreprocessTable.getColumnCount(); i++) { tabelHasil.setValueAt(dataPreprocessTable.getColumnName(i), 0, i); } } catch (Exception e) { } } } jumlahDataField.setText("" + dataPreprocessTable.getRowCount()); jumlahData2Field.setText("" + dataPrepocessing2.getRowCount()); } private void pilihDbButtonActionPerformed(java.awt.event.ActionEvent evt) { PilihDatabase pilihDb = new PilihDatabase(); pilihDb.setVisible(true); } private void tandaiButtonActionPerformed(java.awt.event.ActionEvent evt) { for (int i = 0; i < tabelSeleksi.getRowCount(); i++) { tabelSeleksi.setValueAt(true, i, 1); } } private void batalButtonActionPerformed(java.awt.event.ActionEvent evt) { for (int i = 0; i < tabelSeleksi.getRowCount(); i++) { tabelSeleksi.setValueAt(false, i, 1); } } private void hapusButtonActionPerformed(java.awt.event.ActionEvent evt) { for (int i = 0; i < tabelSeleksi.getRowCount(); i++) { if (tabelSeleksi.getValueAt(i, 1).equals(true)) { for (int j = 0; j < dataPreprocessTable.getColumnCount(); j++) { if (tabelSeleksi.getValueAt(i, 0).equals(dataPreprocessTable.getColumnName(j))) { TableColumn tableColumn1 = dataPreprocessTable.getColumnModel().getColumn(j); TableColumn tableColumn2 = dataPrepocessing2.getColumnModel().getColumn(j); dataPreprocessTable.removeColumn(tableColumn1); dataPrepocessing2.removeColumn(tableColumn2); } } } } checkBoxT.removeRow(); }


181

private void submitButtonActionPerformed(java.awt.event.ActionEvent evt) { jTabbedPane1.setEnabledAt(1, true); jTabbedPane1.setSelectedIndex(1); } private void prosesButtonActionPerformed(java.awt.event.ActionEvent evt) { calculateCOF(); } private void simpanButtonActionPerformed(java.awt.event.ActionEvent evt) { saveCof(); } private void okBatasOutlierButtonActionPerformed(java.awt.event.ActionEvent evt) { if (batasOutlierField.getText().equals("")) { JOptionPane.showMessageDialog(null, "Nilai Batas Outlier Tidak Boleh Kosong!"); } else if (batasOutlierField.getText().matches("[0-9.]*")) { tabelHasil.setModel(graph.setDataCOFBatas(dataPrepocessing2.getColumnNa me(0), Double.parseDouble(batasOutlierField.getText()))); tabelHasil.setAutoCreateRowSorter(true); DefaultRowSorter sorter = ((DefaultRowSorter) tabelHasil.getRowSorter()); ArrayList list = new ArrayList(); list.add(new RowSorter.SortKey(1, SortOrder.DESCENDING)); sorter.setSortKeys(list); sorter.sort(); for (int i = 0; i < tabelHasil.getRowCount(); i++) { tabelHasil.setValueAt(i + 1, i, 2); } } jumlahOutlierField.setText("" + tabelHasil.getRowCount()); } private void hapusOutlierButtonActionPerformed(java.awt.event.ActionEvent evt) { DefaultTableModel def = new DefaultTableModel(); tabelHasil.setModel(def); jumlahOutlierField.setText(""); batasOutlierField.setText(""); } public void saveCof() { JFileChooser fileChooser = new JFileChooser(new File("E:/")); fileChooser.setFileFilter(new FileNameExtensionFilter("Microsoft Excel (*.xls)", "xls")); fileChooser.setFileFilter(new FileNameExtensionFilter("Microsoft Word (*.doc)", "doc")); fileChooser.setFileFilter(new FileNameExtensionFilter("Txt File (*.txt)", "txt"));


182

fileChooser.setFileFilter(new FileNameExtensionFilter("Txt File (*.txt)", "txt")); FileOutputStream file_output_stream; int returnValue = fileChooser.showSaveDialog(this); if (returnValue == JFileChooser.APPROVE_OPTION) { String filename = fileChooser.getSelectedFile().getPath(); String ext = fileChooser.getFileFilter().getDescription(); if (ext.equals("Microsoft Excel (*.xls)")) { File file; file = new File(filename + ".xls"); try { file_output_stream = new FileOutputStream(file); } catch (FileNotFoundException e) { e.printStackTrace(); return; } try { TableModel model = tabelHasil.getModel(); FileWriter excel = new FileWriter(file); for (int i = 0; i < model.getColumnCount(); i++) { excel.write(model.getColumnName(i) + "\t"); } excel.write("\n"); for (int i = 0; i < model.getRowCount(); i++) { for (int j = 0; j < model.getColumnCount(); j++) { excel.write(model.getValueAt(i, j).toString() + "\t"); } excel.write("\n"); } excel.close(); } catch (IOException i) { JOptionPane.showMessageDialog(this, "Hasil Deteksi Outlier Gagal Disimpan!"); } } else if (ext.equals("Microsoft Word (*.doc)")) { File file; file = new File(filename + ".doc"); try { file_output_stream = new FileOutputStream(file); } catch (FileNotFoundException e) { e.printStackTrace(); return; } try { BufferedWriter bfw = new BufferedWriter(new FileWriter(file)); for (int i = 0; i < tabelHasil.getColumnCount(); i++) { bfw.write(tabelHasil.getColumnName(i)); bfw.write("\t"); } for (int i = 0; i < tabelHasil.getRowCount(); i++) { bfw.newLine();


183

for (int i = 0; i < tabelHasil.getRowCount(); i++) { bfw.newLine(); for (int j = 0; j < tabelHasil.getColumnCount(); j++) { bfw.write(tabelHasil.getValueAt(i, j).toString()); bfw.write("\t"); } } bfw.close(); } catch (IOException i) { JOptionPane.showMessageDialog(this, "Hasil Deteksi Outlier Gagal Disimpan!"); } } else { File file; file = new File(filename + ".txt"); try { file_output_stream = new FileOutputStream(file); } catch (FileNotFoundException e) { e.printStackTrace(); } try { BufferedWriter bfw = new BufferedWriter(new FileWriter(file)); for (int i = 0; i < tabelHasil.getColumnCount(); i++) { bfw.write(tabelHasil.getColumnName(i)); bfw.write("\t"); } for (int i = 0; i < tabelHasil.getRowCount(); i++) { bfw.newLine(); for (int j = 0; j < tabelHasil.getColumnCount(); j++) { bfw.write(tabelHasil.getValueAt(i, j).toString()); bfw.write("\t"); } } bfw.close(); } catch (IOException i) { JOptionPane.showMessageDialog(this, "Hasil Deteksi Outlier Gagal Disimpan!"); } } JOptionPane.showMessageDialog(this, "Hasil Deteksi Outlier Telah Berhasil Disimpan di " + filename); } } public void calculateCOF() { long time1 = System.nanoTime(); if (kTextField.getText().isEmpty()) { if (kTextField.getText().isEmpty()) { JOptionPane.showMessageDialog(null, "nilai kosong!"); } } else if (rTextField.getText().isEmpty()) {

k

tidak

boleh


184

} else { if (!kTextField.getText().isEmpty()) { if (kTextField.getText().matches("[0-9.]*")) { int k; k = Integer.parseInt(kTextField.getText()); graph = new Graph(dataPrepocessing2.getRowCount()); graph.inputData(dataPrepocessing2); graph.calculateCOF(k); graph.show(); graph.displayAll(k); tabelHasil.setModel(graph.setDataCOF(dataPrepocessing2.getColumnName(0) )); tabelHasil.setAutoCreateRowSorter(true); DefaultRowSorter sorter = ((DefaultRowSorter) tabelHasil.getRowSorter()); ArrayList list = new ArrayList(); list.add(new RowSorter.SortKey(1, SortOrder.DESCENDING)); sorter.setSortKeys(list); sorter.sort(); for (int i = 0; i < tabelHasil.getRowCount(); i++) { tabelHasil.setValueAt(i + 1, i, 2); } } } } long time2 = System.nanoTime(); jumlahOutlierField.setText("" + tabelHasil.getRowCount()); lamaDeteksiField.setText("" + ((time2 - time1) * java.lang.Math.pow(10, 9))); } private javax.swing.JButton aboutButton; private javax.swing.JButton batalButton; private javax.swing.JTextField batasOutlierField; private javax.swing.JTable dataPrepocessing2; private javax.swing.JTable dataPreprocessTable; private javax.swing.JButton exitButton; private javax.swing.JTextField fileTextField; private javax.swing.JButton hapusButton; private javax.swing.JButton hapusOutlierButton; private javax.swing.JButton helpButton; private javax.swing.JLabel jLabel1;

private javax.swing.JLabel jLabel10; private javax.swing.JLabel jLabel11;


private javax.swing.JLabel jLabel10; private javax.swing.JLabel jLabel11; private javax.swing.JLabel jLabel12; private javax.swing.JLabel jLabel13; private javax.swing.JLabel jLabel14; private javax.swing.JLabel jLabel15; private javax.swing.JLabel jLabel16; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JLabel jLabel7; private javax.swing.JLabel jLabel8; private javax.swing.JLabel jLabel9; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel4; private javax.swing.JPanel jPanel5; private javax.swing.JPanel jPanel6; private javax.swing.JPanel jPanel7; private javax.swing.JScrollPane jScrollPane1; private javax.swing.JScrollPane jScrollPane2; private javax.swing.JScrollPane jScrollPane3; private javax.swing.JTabbedPane jTabbedPane1; private javax.swing.JTextField jumlahData2Field; private javax.swing.JTextField jumlahDataField; private javax.swing.JTextField jumlahOutlierField; private javax.swing.JTextField lamaDeteksiField; private javax.swing.JTextField minPtsTextField; private javax.swing.JButton okBatasOutlierButton; private javax.swing.JPanel optionPanel; private javax.swing.JButton pilihDbButton; private javax.swing.JButton pilihFileButton; private javax.swing.JButton prosesButton; private javax.swing.JTextField rTextField; private javax.swing.JButton simpanButton; private javax.swing.JButton submitButton; private javax.swing.JTable tabelHasil; private javax.swing.JScrollPane tabelHasilOutlier; private javax.swing.JTable tabelSeleksi; private javax.swing.JButton tandaiButton; }

185


186

10. Implementasi Kelas PilihDatabase public class PilihDatabase extends javax.swing.JFrame { public PilihDatabase() { initComponents(); setResizable(false); setLocationRelativeTo(this); } private void okButtonActionPerformed(java.awt.event.ActionEvent evt) { if (dbCombo.getSelectedIndex() == 0) { if (userNameField.getText().isEmpty() || passwordField.getText().isEmpty() || dbNameField.getText().isEmpty() || urlField.getText().isEmpty()) { JOptionPane.showMessageDialog(null, "Username, Password, Database Name, dan URL tidak boleh kosong!"); } else { String username = userNameField.getText(); String password = passwordField.getText(); String url = urlField.getText(); KoneksiDataBase koneksiDb = new KoneksiDataBase(); boolean koneksi = koneksiDb.isConnectedSQL(url, username, password); if (koneksi == true) { JOptionPane.showMessageDialog(null, "Koneksi Berhasil"); PilihTabel pilihTabel = new PilihTabel(koneksiDb, dbCombo.getSelectedItem().toString()); pilihTabel.setVisible(true); this.dispose(); } else { JOptionPane.showMessageDialog(null, "Login error, silahkan coba lagi!"); userNameField.setText(""); passwordField.setText(""); dbNameField.setText(""); urlField.setText(""); } } } else if (dbCombo.getSelectedIndex() == 1) { if (userNameField.getText().isEmpty() || passwordField.getText().isEmpty() || dbNameField.getText().isEmpty() || urlField.getText().isEmpty()) { JOptionPane.showMessageDialog(null, "Username, Password, Database Name, dan URL tidak boleh kosong!"); } else { String username = userNameField.getText(); String password = passwordField.getText(); String url = urlField.getText(); KoneksiDataBase koneksiDb = new KoneksiDataBase(); boolean koneksi = koneksiDb.isConnectedOracle(url, username, password);


187

boolean koneksi = koneksiDb.isConnectedOracle(url, username, password); if (koneksi == true) { JOptionPane.showMessageDialog(null, "Koneksi Berhasil"); PilihTabel pilihTabel = new PilihTabel(koneksiDb, dbCombo.getSelectedItem().toString()); pilihTabel.setVisible(true); this.dispose(); } else { JOptionPane.showMessageDialog(null, "Login error, silahkan coba lagi!"); userNameField.setText(""); passwordField.setText(""); dbNameField.setText(""); urlField.setText(""); } } } } private void dbComboActionPerformed(java.awt.event.ActionEvent evt) { if (dbCombo.getSelectedItem().equals("MySql")) { urlField.setText("jdbc:mysql://localhost:3306/gudangdata"); } else if (dbCombo.getSelectedItem().equals("Oracle")) { urlField.setText("jdbc:oracle:thin:@localhost:1521:xe"); } } private javax.swing.JButton batalButton; private javax.swing.JComboBox dbCombo; private javax.swing.JTextField dbNameField; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JPanel jPanel1; private javax.swing.JButton okButton; private javax.swing.JPasswordField passwordField; private javax.swing.JTextField urlField; private javax.swing.JTextField userNameField; }


188

11. Implementasi Kelas PilihTabel public class PilihTabel extends javax.swing.JFrame { KoneksiDataBase koneksi; public PilihTabel(KoneksiDataBase koneksiDb, String db) { initComponents(); setLocationRelativeTo(this); this.koneksi = koneksiDb; try { DataControl dataControl = new DataControl(); ResultSet rset; if (db.equals("MySql")) { 1. rset = dataControl.tampilTabelMySql(koneksiDb.getConn()); while (rset.next()) { tabelCombo.addItem(rset.getString(1)); } } else if (db.equals("Oracle")) { rset = dataControl.tampilTabelOracle(koneksiDb.getConn()); while (rset.next()) { tabelCombo.addItem(rset.getString(1)); } } } catch (SQLException ex) { Logger.getLogger(PilihTabel.class.getName()).log(Level.SEVERE, null, ex); } } private void okButtonActionPerformed(java.awt.event.ActionEvent evt) { Home home = new Home(koneksi, tabelCombo.getSelectedItem().toString()); home.setVisible(true); this.dispose(); } private javax.swing.JButton jButton2; private javax.swing.JLabel jLabel1; private javax.swing.JPanel jPanel1; private javax.swing.JButton okButton; private javax.swing.JComboBox tabelCombo; }


189

12. Implementasi Kelas About public class About extends javax.swing.JFrame { public About() { initComponents(); this.setLocationRelativeTo(this); } private void aboutButtonActionPerformed(java.awt.event.ActionEvent evt) { About about = new About(); about.setVisible(true); this.dispose(); } private void helpButtonActionPerformed(java.awt.event.ActionEvent evt) { Help help = new Help(); help.setVisible(true); this.dispose(); } private void exitButtonActionPerformed(java.awt.event.ActionEvent evt) { int exit = JOptionPane.showConfirmDialog(null, "Apakah Anda Ingin Keluar Dari Sistem?", "Konfirmasi", JOptionPane.YES_NO_OPTION); if (exit == JOptionPane.YES_OPTION) { this.dispose(); } else if (exit == JOptionPane.NO_OPTION) { return; } } public static void main(String args[]) { java.awt.EventQueue.invokeLater(new Runnable() { public void run() { new About().setVisible(true); } }); } private javax.swing.JButton aboutButton; private javax.swing.JButton exitButton; private javax.swing.JButton helpButton; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel10;


190

private javax.swing.JLabel jLabel11; private javax.swing.JLabel jLabel12; private javax.swing.JLabel jLabel13; private javax.swing.JLabel jLabel14; private javax.swing.JLabel jLabel15; private javax.swing.JLabel jLabel16; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel5; private javax.swing.JLabel jLabel6; private javax.swing.JLabel jLabel7; private javax.swing.JLabel jLabel8; private javax.swing.JLabel jLabel9; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel3; }

13. Implementasi Kelas Help public class Help extends javax.swing.JFrame { public Help() { initComponents(); this.setLocationRelativeTo(this); setTitle("Help"); setResizable(false); this.getMaximumSize(); setExtendedState(MAXIMIZED_BOTH); } private void kembaliButtonActionPerformed(java.awt.event.ActionEvent evt) { this.dispose(); } private void aboutButton10ActionPerformed(java.awt.event.ActionEvent evt) { About about = new About(); about.setVisible(true); this.dispose(); } private void helpButton10ActionPerformed(java.awt.event.ActionEvent evt) { Help help = new Help(); help.setVisible(true); this.dispose(); }


191

private void exitButton10ActionPerformed(java.awt.event.ActionEvent evt) { int exit = JOptionPane.showConfirmDialog(null, "Apakah Anda Ingin Keluar Dari Sistem?", "Konfirmasi", JOptionPane.YES_NO_OPTION); if (exit == JOptionPane.YES_OPTION) { this.dispose(); } else if (exit == JOptionPane.NO_OPTION) { return; } } public static void main(String args[]) { java.awt.EventQueue.invokeLater(new Runnable() { public void run() { new Help().setVisible(true); } }); } private javax.swing.JButton aboutButton10; private javax.swing.JButton exitButton10; private javax.swing.JButton helpButton10; private javax.swing.JLabel jLabel1; private javax.swing.JLabel jLabel2; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel35; private javax.swing.JLabel jLabel36; private javax.swing.JLabel jLabel37; private javax.swing.JLabel jLabel38; private javax.swing.JLabel jLabel39; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel40; private javax.swing.JLabel jLabel41; private javax.swing.JLabel jLabel42; private javax.swing.JLabel jLabel43; private javax.swing.JLabel jLabel44; private javax.swing.JLabel jLabel45; private javax.swing.JLabel jLabel46; private javax.swing.JLabel jLabel47; private javax.swing.JLabel jLabel48; private javax.swing.JLabel jLabel49; private javax.swing.JLabel jLabel50; private javax.swing.JLabel jLabel51; private javax.swing.JLabel jLabel52; private javax.swing.JLabel jLabel53; private javax.swing.JLabel jLabel54; private javax.swing.JLabel jLabel55; private javax.swing.JLabel jLabel56; private javax.swing.JLabel jLabel57; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel13; private javax.swing.JPanel jPanel14; private javax.swing.JPanel jPanel15;


192

private javax.swing.JLabel jLabel56; private javax.swing.JLabel jLabel57; private javax.swing.JPanel jPanel1; private javax.swing.JPanel jPanel13; private javax.swing.JPanel jPanel14; private javax.swing.JPanel jPanel15; private javax.swing.JPanel jPanel2; private javax.swing.JPanel jPanel3; private javax.swing.JPanel jPanel4; private javax.swing.JButton kembaliButton; }

14. Implementasi Kelas HomePage public class HomePage extends javax.swing.JFrame { public HomePage() { initComponents(); this.setLocationRelativeTo(this); } private void buttonMasukActionPerformed(java.awt.event.ActionEvent evt) { Home home = new Home(); home.setVisible(true); this.dispose(); } public static void main(String args[]) { java.awt.EventQueue.invokeLater(new Runnable() { public void run() { new HomePage().setVisible(true); } }); } private javax.swing.JButton buttonMasuk; private javax.swing.JLabel jLabel3; private javax.swing.JLabel jLabel4; private javax.swing.JLabel jLabel6; private javax.swing.JLabel jLabel7; private javax.swing.JLabel jLabel8; private javax.swing.JPanel jPanel1; private javax.swing.JLabel logo; private javax.swing.JLabel nama; private javax.swing.JLabel namaSistem; }


193

15. Implementasi Kelas PilihFile public class PilihFile extends javax.swing.JDialog { public PilihFile(java.awt.Frame parent, boolean modal) { super(parent, modal); initComponents(); } public static void main(String args[]) { java.awt.EventQueue.invokeLater(new Runnable() { public void run() { PilihFile dialog = new PilihFile(new javax.swing.JFrame(), true); dialog.addWindowListener(new java.awt.event.WindowAdapter() { public void windowClosing(java.awt.event.WindowEvent e) { System.exit(0); } }); dialog.setVisible(true); } }); } private javax.swing.JDesktopPane jDesktopPane; private javax.swing.JFileChooser jFileChooser; private javax.swing.JPanel jPanel; }


194

LAMPIRAN 7

1. Outlier Plot Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes pada Semester 1



195




196

5. Outlier Plot Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi pada Semester 1



197




198

9. Outlier Plot Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 pada Semester 1



199




200

LAMPIRAN 8

1. Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes

Nomor ips1

ips2

ips3

ips4

nilai11 nilai12 nilai13 nilai14 nilai15

21

3,72

3,48

3,36

3,65

3,20

2,40

2,40

2,80

2,00

22

2,89

3,21

3,33

3,36

2,40

2,00

2,00

2,80

2,00

23

2,56

2,77

2,52

3,13

2,40

1,60

2,00

2,80

2,00

24

3,28

2,75

2,90

3,00

2,80

2,40

2,80

2,40

2,40

25

1,89

2,20

2,21

1,95

2,40

2,00

2,40

2,40

2,80

26

1,44

2,42

2,53

1,96

4,00

2,00

3,60

2,40

2,80

27

4,00

3,52

3,43

3,70

2,40

2,40

1,60

1,60

2,80

28

1,72

1,65

1,53

1,68

1,20

0,80

3,20

1,20

0,40

29

2,89

3,18

3,04

2,95

2,00

2,00

3,20

2,00

2,80

30

2,94

3,27

2,96

2,81

2,80

2,00

2,00

2,00

1,60

31

2,94

2,59

1,55

2,35

2,40

1,60

2,40

1,20

2,80

32

2,44

2,63

2,00

2,67

2,00

2,00

2,40

2,00

2,00

33

1,72

2,65

2,43

2,24

2,80

2,40

3,20

3,20

0,80

34

2,80

2,91

2,80

3,33

2,40

2,00

2,00

1,60

2,00

35

2,90

2,50

3,10

2,75

1,60

2,80

3,20

2,80

2,00

36

1,40

1,64

1,82

1,07

2,40

1,60

2,80

3,60

2,80

37

2,65

2,40

2,17

2,75

1,60

1,60

2,80

1,20

2,40

38

2,65

3,23

2,79

3,30

2,40

1,60

2,40

1,60

2,00

39

3,35

2,91

2,45

0,83

2,40

2,40

2,00

3,20

2,40

40

2,70

2,86

2,32

2,70

1,60

2,40

2,80

2,80

1,20

41

2,55

2,68

3,15

2,64

2,40

2,00

1,60

1,60

1,60

42

3,10

3,08

2,95

3,05

2,40

2,80

3,60

1,60

2,80

43

2,45

2,40

2,44

2,26

2,40

2,80

3,60

2,00

2,80

44

2,55

2,41

2,47

2,68

2,80

1,60

2,80

1,60

2,40

45

2,75

2,59

2,79

3,32

2,80

2,00

2,40

2,80

2,80

46

2,25

1,55

1,31

0,31

3,60

2,40

2,40

2,40

2,40


201

47

2,70

2,36

2,68

0,05

2,80

2,40

2,40

2,00

2,00

48

3,15

3,00

3,24

2,33

2,00

3,20

2,00

2,80

2,00

49

2,85

2,68

3,37

3,09

2,40

1,60

2,00

2,80

2,00

50

2,35

2,40

0,59

2,23

2,40

2,40

2,80

1,20

3,60

51

2,05

1,50

2,40

2,00

2,00

2,00

2,00

1,60

2,80

52

2,85

2,64

2,84

2,75

2,40

2,00

2,00

2,40

2,00

53

2,35

2,20

2,94

2,09

2,40

0,80

2,00

2,00

3,20

54

3,15

3,20

2,72

3,05

2,80

3,20

2,00

2,40

2,00

55

3,10

3,32

3,72

3,42

2,00

2,00

3,20

1,60

2,80

56

2,70

3,44

3,39

2,33

2,40

2,00

3,60

2,80

2,00

57

2,05

1,55

2,33

2,70

2,00

2,00

2,40

2,40

2,00

58

2,30

2,61

2,50

2,50

1,20

2,00

1,60

0,80

2,00

59

2,80

2,88

2,39

2,44

2,40

2,00

3,20

1,60

2,80

60

2,15

2,26

2,33

2,06

2,40

1,60

3,20

1,20

2,00

61

2,90

2,28

2,39

1,93

2,00

2,00

3,60

1,60

3,20

62

3,25

3,16

3,11

2,56

2,40

2,40

3,20

2,80

1,60

63

3,45

3,60

3,39

3,50

2,80

2,40

2,80

1,20

2,80

64

2,30

3,13

3,00

3,05

1,60

2,40

3,60

2,40

1,60

65

2,30

2,39

2,62

2,94

2,80

0,80

2,80

2,00

2,80

66

2,85

3,28

3,50

3,63

2,80

2,80

2,40

2,40

2,00

67

2,20

2,30

1,28

0,00

2,80

2,00

1,20

1,60

1,60

68

1,55

1,00

1,72

0,00

2,80

1,60

2,00

2,40

1,20

69

1,65

1,67

2,07

1,85

2,40

2,00

1,20

2,00

1,60

70

3,20

3,04

2,94

3,14

2,80

2,00

3,60

2,00

3,20

71

3,10

2,60

2,89

2,72

2,40

2,80

1,60

2,00

2,40

72

2,05

1,28

1,73

0,82

2,40

3,20

3,60

2,80

3,20

73

2,65

1,87

2,00

1,56

2,80

2,40

2,40

1,60

2,00

74

2,35

1,04

0,19

0,92

3,20

2,00

3,60

3,20

1,60


a. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 1. Nomor

COF

Ranking

28

2.093729977399682

1

27

1.6527189572202248

2

58

1.5920098937474112

3

72

1.5765614340140914

4

36

1.553532472160572

5

26

1.5042751740997198

6

33

1.5030002388273545

7

53

1.4263746641084774

8

68

1.3937135695791245

9

46

1.3749080416699724

10

69

1.3342559419208513

11

60

1.3283589915391203

12

65

1.303081788253064

13

50

1.2953636261229282

14

67

1.2697126563945913

15

74

1.2613669985939324

16

21

1.2594043953864316

17

63

1.2422528229051326

18

64

1.234932237325408

19

40

1.2187378045877884

20

25

1.2087864404630766

21

48

1.202256547508782

22

51

1.1812828562454278

23

37

1.1621110335698575

24

71

1.1354489345019516

25

35

1.132474768465779

26

54

1.1148959997313126

27

57

1.1095572477612003

28

202


70

1.0916882281090943

29

31

1.0901207479800297

30

24

1.0664209930144102

31

39

1.0664121954023567

32

45

1.0634403371102905

33

42

1.0581535339090584

34

56

1.0349128175819005

35

62

1.020809772075169

36

43

1.0202795773199267

37

30

1.0085384699140367

38

49

1.0047746467829504

39

73

1.0021853705424957

40

b. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 2. Nomor

COF

Ranking

28

2.0268003202692433

1

26

1.55658014403808

2

72

1.4909386124840425

3

58

1.4819494257215553

4

36

1.4777887851851306

5

33

1.451728974127267

6

68

1.4222904315309912

7

53

1.4007224405489853

8

74

1.374454626973777

9

27

1.3320514908395866

10

46

1.2962460921438428

11

65

1.2515493524010008

12

50

1.2295118401770737

13

67

1.2191457943048098

14

203


51

1.1874586493357293

15

48

1.1845703853777865

16

64

1.1745689308348077

17

60

1.1713797798711885

18

56

1.1704940915264157

19

37

1.1675621461659766

20

63

1.1640419201895587

21

69

1.163007614605209

22

21

1.141525607701464

23

35

1.1351699940500661

24

40

1.1294696068745453

25

57

1.1178655935373487

26

54

1.1098081885793523

27

71

1.1054446024148534

28

38

1.0899387977551025

29

45

1.0861803302088893

30

73

1.0846580745031023

31

61

1.048959551110815

32

39

1.04305671631407

33

30

1.0418677973553743

34

42

1.0308791609149934

35

25

1.0147045384629687

36

24

1.0071980208527054

37

70

1.0053993028576234

38

31

1.0019332090065451

39

c. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 3. Nomor

COF

Ranking

28

2.1151547125504178

1

74

1.8192459272470693

2

204


50

1.6756354110772265

3

58

1.5631076760484066

4

72

1.5570996468325744

5

26

1.5347909338221777

6

36

1.5222572718224934

7

53

1.5086946826507015

8

46

1.4475255886159393

9

33

1.4459438670519735

10

67

1.4333715705517256

11

68

1.3229651990958258

12

27

1.3015176494824106

13

65

1.2582090855969592

14

48

1.2463727880452309

15

55

1.2080913644558406

16

40

1.198224457998106

17

63

1.192972573989586

18

56

1.1612470436058644

19

73

1.1602718270797212

20

64

1.1507881393604613

21

31

1.1503993622124313

22

69

1.1467818173894717

23

37

1.1297384495820586

24

49

1.1164169361288259

25

60

1.1103895355659017

26

39

1.106810423135832

27

54

1.1027295213884047

28

35

1.1007222019889389

29

41

1.0863841950100495

30

21

1.0724972946644264

31

45

1.0620365237411882

32

205


42

1.057414969718471

33

61

1.052587919323414

34

51

1.0519848187483165

35

71

1.0417796392835668

36

25

1.027851360282813

37

43

1.0227176085410865

38

32

1.0106963651820877

39

66

1.0056384571823211

40

d. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 4. Nomor

COF

Ranking

28

2.1513371041433516 1

58

1.5199221182741092 2

26

1.4865313313033075 3

53

1.4845801942681704 4

67

1.451099973603079

33

1.4261677713019278 6

69

1.3595540120019127 7

27

1.3245722229287327 8

48

1.3226859788635779 9

72

1.2890447164858934 10

65

1.2598757448943498 11

36

1.2574547444731419 12

73

1.2522516333540779 13

64

1.1948014416631427 14

68

1.1772498831611737 15

21

1.170269972576745

50

1.1624062492078238 17

60

1.1575757575142975 18

5

16

206


54

1.152222489441577

19

45

1.1436268103361

20

63

1.1389148491717398 21

40

1.1151840491271539 22

61

1.1097459273202972 23

37

1.1087850562636357 24

25

1.1058112043540993 25

66

1.095179133219442

74

1.0924966039539314 27

56

1.0902241356666318 28

41

1.084883755788211

70

1.0751177739744453 30

71

1.0723748110489968 31

35

1.0670103162092368 32

43

1.0480357358486765 33

38

1.0465308810231002 34

24

1.0404589387064067 35

51

1.0317651074389256 36

42

1.0290738955933254 37

39

1.0182655614308196 38

55

1.0180966714987207 39

30

1.005204382551819

207

26

29

40

2. Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi Nomor

ips1

ips2

ips3

ips4

final

1

2,06

2,32

2,91

3,00

2,71

2

2,72

2,50

2,96

2,38

2,71

3

3,33

3,48

3,78

3,48

2,78


4

2,39

3,00

2,43

2,82

2,86

5

2,11

2,71

2,43

2,45

2,95

6

3,00

2,96

2,61

3,29

2,70

7

3,72

3,56

3,43

3,67

3,15

8

3,44

3,04

2,88

3,48

2,85

9

2,17

2,70

3,09

3,63

2,88

10

3,89

3,75

3,00

3,62

3,08

11

2,89

3,68

2,88

3,76

2,92

12

3,11

3,08

2,78

3,48

2,73

13

2,00

2,00

2,29

3,00

3,08

14

3,06

2,50

2,57

2,78

2,73

15

1,67

2,24

2,52

2,16

2,72

16

3,89

3,63

3,57

3,62

2,99

17

2,61

0,32

0,69

2,85

2,72

18

2,83

2,55

3,09

3,17

2,79

19

3,72

3,74

2,87

3,52

2,77

20

3,72

3,42

3,65

3,71

2,85

75

2,40

2,65

2,57

3,24

2,95

76

0,85

2,29

2,21

2,00

2,85

77

2,65

2,75

2,11

2,74

2,74

78

2,85

3,27

2,91

2,73

2,93

79

1,85

1,71

2,40

2,06

2,98

80

2,95

2,91

3,16

3,25

2,80

81

3,35

2,48

3,00

2,14

3,00

82

2,65

2,14

2,45

2,64

2,92

83

3,35

3,09

3,42

3,25

3,11

84

2,60

3,00

2,90

3,10

2,83

85

3,50

2,92

3,27

3,04

2,85

86

3,10

2,80

3,68

3,57

3,22

87

2,25

2,05

2,29

1,83

2,80

208


88

2,65

2,77

2,14

0,94

2,89

89

3,65

3,74

3,70

3,90

2,97

90

3,25

3,35

2,67

3,25

2,86

91

3,40

3,00

2,73

2,47

2,92

92

2,60

1,73

3,00

2,10

2,98

93

2,50

2,82

3,35

3,57

2,87

94

1,90

1,35

2,46

1,20

2,77

95

2,45

3,00

3,25

3,70

2,98

96

2,20

1,90

2,17

2,30

2,77

97

2,30

3,00

3,24

3,00

2,72

98

3,55

3,32

3,19

3,15

3,22

99

2,45

2,55

2,44

3,15

2,81

100

3,05

3,04

3,26

3,58

2,86

101

2,60

2,64

2,58

3,33

2,87

102

3,15

3,20

2,89

3,37

2,98

103

3,20

3,52

3,37

3,52

3,19

104

2,80

3,00

3,14

3,05

2,94

105

2,60

2,73

3,05

3,38

3,06

106

2,05

1,95

2,63

2,35

2,83

107

3,30

3,92

3,76

3,78

3,33

108

2,70

2,32

3,00

2,78

2,85

109

2,85

1,73

2,56

2,76

3,08

110

2,40

2,75

3,05

3,32

2,89

111

3,45

3,36

2,95

2,82

3,05

112

2,60

2,55

3,00

2,96

2,87

113

2,65

2,14

2,22

3,11

2,78

114

2,75

3,00

3,21

3,53

2,75

115

2,75

3,36

3,33

3,13

2,92

116

2,40

2,20

2,06

2,22

2,73

117

2,60

1,70

2,00

2,76

2,89

209


118

3,45

3,24

3,48

3,57

3,06

119

2,65

2,95

2,48

3,15

2,83

120

2,85

2,82

3,14

3,42

2,81

121

2,55

2,74

2,94

2,53

2,69

122

2,30

2,43

2,28

1,47

3,05

123

3,35

3,04

3,00

3,20

2,83

124

1,45

0,44

2,47

2,65

2,90

125

3,30

3,16

3,22

3,25

2,77

126

3,20

3,40

3,72

3,10

2,81

a. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 1. Nomor

COF

Ranking

76

4.329895060376351

1

124

2.2720613985754192

2

15

1.7366201984580918

3

10

1.627632023751075

4

16

1.5824594377377827

5

79

1.5542715721572733

6

109

1.5410312798266619

7

107

1.535990643529973

8

86

1.5007547689751068

9

94

1.383866070042926

10

13

1.3744805923635028

11

122

1.3624227149266852

12

19

1.3482291262760497

13

105

1.3465684505492626

14

6

1.2869404746244284

15

7

1.2773715576206324

16

103

1.2648673249257194

17

210


1

1.261348376907362

18

121

1.2403663434224443

19

116

1.2352998325312916

20

20

1.2207164428923027

21

97

1.2137182870257033

22

14

1.2064469149375554

23

12

1.1747589988172666

24

106

1.159472922733852

25

2

1.1527604641442621

26

78

1.1468876919490418

27

98

1.1418994676942849

28

95

1.1379886532022474

29

5

1.11214118042402

30

11

1.1062506886067511

31

80

1.0898865238222706

32

87

1.089330487380707

33

100

1.0869243542973657

34

17

1.0783993163985601

35

96

1.0741824245535803

36

104

1.0708888139393302

37

120

1.066636577568782

38

9

1.0662427082360697

39

75

1.053952481773731

40

18

1.052353944067101

41

92

1.0382430069442516

42

89

1.022863911684411

43

4

1.0202449332868406

44

102

1.0148813246678274

45

114

1.003173324809953

46

211


b. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 2. Nomor

COF

Ranking

17

4.014296506708243

1

124

3.5987528170082475

2

107

2.2166968999748775

3

86

1.9677245399933332

4

94

1.6903410219970239

5

109

1.5040393908230762

6

19

1.4954375085158444

7

79

1.4206853748186057

8

117

1.4198094582292373

9

98

1.4013952733156876

10

83

1.398160361309727

11

92

1.3782039742208403

12

10

1.3486087513749758

13

122

1.3139866044511614

14

105

1.303153181748003

15

13

1.2676701432563295

16

89

1.2598670143875008

17

121

1.249361909401674

18

81

1.1859635523650836

19

125

1.1772520510882483

20

12

1.1590124480355097

21

103

1.1561664664948934

22

3

1.1519182387894447

23

11

1.1386353928747572

24

118

1.137683188657354

25

90

1.134514097114709

26

6

1.129323414459236

27

95

1.1257077003298683

28

212


106

1.1157592064833615

29

116

1.1104670291831271

30

77

1.104498854767949

31

96

1.102226814582667

32

126

1.1009505981438485

33

2

1.1006488360543254

34

7

1.0888354569533085

35

15

1.0847464620557206

36

1

1.0722223069313288

37

111

1.0666225528636941

38

102

1.0571992729549153

39

97

1.0560595028461823

40

14

1.0525185819798826

41

78

1.0318894744324287

42

16

1.0256529968680221

43

5

1.0006665852244039

44

120

1.0002610773517568

45


COF

Ranking

17

7.309802907404587

1

107

1.9848676026106438

2

117

1.7404750930752182

3

3

1.689841001265925

4

98

1.5881376521276445

5

116

1.569705883497454

6

86

1.5319948673526878

7

126

1.469722852519271

8

109

1.4322065390159109

9

77

1.3668102826473383

10

213


89

1.3234036996906258

11

13

1.3066425207959471

12

97

1.2708089475718127

13

103

1.2622019817146484

14

20

1.2573604692026623

15

10

1.2418291881854635

16

121

1.2348898707764473

17

6

1.2340279274293589

18

12

1.2043114546989153

19

1

1.1938993531374615

20

88

1.193633338018489

21

105

1.1890375061316574

22

91

1.1749902914582309

23

122

1.1741301993787636

24

111

1.1631464475530173

25

7

1.1508800402875854

26

2

1.1487936976123898

27

96

1.1455881733665012

28

14

1.1073228749658985

29

83

1.085373217800999

30

114

1.0821396235254102

31

15

1.0741704387076556

32

125

1.0555065190472088

33

19

1.0522935283315267

34

90

1.0486155706185756

35

93

1.0482114694817222

36

85

1.0429145645719726

37

102

1.0352952455335092

38

16

1.0265080796903636

39

113

1.0186537317044069

40

214


100

1.012884392174831

41

95

1.0036882288615598

42


COF

Ranking

88

3.2950877964759737

1

94

2.6223576199246152

2

122

2.050379923936976

3

107

1.9731571041930507

4

98

1.8433266630440912

5

89

1.612266109013155

6

83

1.4618222559542327

7

13

1.4206557059183083

8

76

1.3523499231686207

9

87

1.3450901753017122

10

109

1.3095540306838944

11

86

1.2749068034773832

12

79

1.2636812352273668

13

15

1.2503167256314076

14

6

1.231894003057682

15

111

1.2237889889417684

16

103

1.2150227580838957

17

17

1.195640947617259

18

92

1.1945005315513666

19

121

1.1818290139093748

20

105

1.174620711945092

21

7

1.1740801700071366

22

1

1.1661388384378373

23

81

1.1634080236315516

24

215


11

1.162325624212362

25

12

1.157872216380322

26

97

1.153192318332816

27

116

1.1352727450672955

28

20

1.126892858036701

29

14

1.1167842710847327

30

102

1.1035103437457017

31

104

1.0858555062883675

32

114

1.0789174908915027

33

2

1.0666391284396923

34

77

1.0630940743408785

35

75

1.0377368969536407

36

19

1.0107906486403586

37

3

1.009901492848278

38

118

1.0009509308366993

39

96

1.0005279548967032

40

3. Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008

Nomor

ips1

ips2

ips3

ips4

final

1

2,06

2,32

2,91

3,00

2,71

2

2,72

2,50

2,96

2,38

2,71

3

3,33

3,48

3,78

3,48

2,78

4

2,39

3,00

2,43

2,82

2,86

5

2,11

2,71

2,43

2,45

2,95

6

3,00

2,96

2,61

3,29

2,70

7

3,72

3,56

3,43

3,67

3,15

8

3,44

3,04

2,88

3,48

2,85

9

2,17

2,70

3,09

3,63

2,88

10

3,89

3,75

3,00

3,62

3,08

216


11

2,89

3,68

2,88

3,76

2,92

12

3,11

3,08

2,78

3,48

2,73

13

2,00

2,00

2,29

3,00

3,08

14

3,06

2,50

2,57

2,78

2,73

15

1,67

2,24

2,52

2,16

2,72

16

3,89

3,63

3,57

3,62

2,99

17

2,61

0,32

0,69

2,85

2,72

18

2,83

2,55

3,09

3,17

2,79

19

3,72

3,74

2,87

3,52

2,77

20

3,72

3,42

3,65

3,71

2,85

21

3,72

3,48

3,36

3,65

2,60

22

2,89

3,21

3,33

3,36

2,20

23

2,56

2,77

2,52

3,13

2,08

24

3,28

2,75

2,90

3,00

2,56

25

1,89

2,20

2,21

1,95

2,36

26

1,44

2,42

2,53

1,96

2,96

27

4,00

3,52

3,43

3,70

2,32

28

1,72

1,65

1,53

1,68

1,12

29

2,89

3,18

3,04

2,95

2,28

30

2,94

3,27

2,96

2,81

2,16

31

2,94

2,59

1,55

2,35

2,12

32

2,44

2,63

2,00

2,67

2,04

33

1,72

2,65

2,43

2,24

2,36

34

2,80

2,91

2,80

3,33

2,08

35

2,90

2,50

3,10

2,75

2,32

36

1,40

1,64

1,82

1,07

2,40

37

2,65

2,40

2,17

2,75

1,84

38

2,65

3,23

2,79

3,30

2,00

39

3,35

2,91

2,45

0,83

2,44

40

2,70

2,86

2,32

2,70

2,00

217


41

2,55

2,68

3,15

2,64

1,96

42

3,10

3,08

2,95

3,05

2,64

43

2,45

2,40

2,44

2,26

2,68

44

2,55

2,41

2,47

2,68

2,24

45

2,75

2,59

2,79

3,32

2,52

46

2,25

1,55

1,31

0,31

2,76

47

2,70

2,36

2,68

0,05

2,40

48

3,15

3,00

3,24

2,33

2,44

49

2,85

2,68

3,37

3,09

2,08

50

2,35

2,40

0,59

2,23

2,56

51

2,05

1,50

2,40

2,00

2,12

52

2,85

2,64

2,84

2,75

2,16

53

2,35

2,20

2,94

2,09

2,00

54

3,15

3,20

2,72

3,05

2,64

55

3,10

3,32

3,72

3,42

2,24

56

2,70

3,44

3,39

2,33

2,36

57

2,05

1,55

2,33

2,70

2,08

58

2,30

2,61

2,50

2,50

1,60

59

2,80

2,88

2,39

2,44

2,36

60

2,15

2,26

2,33

2,06

2,04

61

2,90

2,28

2,39

1,93

2,36

62

3,25

3,16

3,11

2,56

2,36

63

3,45

3,60

3,39

3,50

2,52

64

2,30

3,13

3,00

3,05

2,12

65

2,30

2,39

2,62

2,94

2,12

66

2,85

3,28

3,50

3,63

2,56

67

2,20

2,30

1,28

2,04

68

1,55

1,00

1,72

2,00

69

1,65

1,67

2,07

1,85

1,96

70

3,20

3,04

2,94

3,14

2,64

218


71

3,10

2,60

2,89

2,72

2,40

72

2,05

1,28

1,73

0,82

2,96

73

2,65

1,87

2,00

1,56

2,36

74

2,35

1,04

0,19

0,92

2,56

75

2,40

2,65

2,57

3,24

2,95

76

0,85

2,29

2,21

2,00

2,85

77

2,65

2,75

2,11

2,74

2,74

78

2,85

3,27

2,91

2,73

2,93

79

1,85

1,71

2,40

2,06

2,98

80

2,95

2,91

3,16

3,25

2,80

81

3,35

2,48

3,00

2,14

3,00

82

2,65

2,14

2,45

2,64

2,92

83

3,35

3,09

3,42

3,25

3,11

84

2,60

3,00

2,90

3,10

2,83

85

3,50

2,92

3,27

3,04

2,85

86

3,10

2,80

3,68

3,57

3,22

87

2,25

2,05

2,29

1,83

2,80

88

2,65

2,77

2,14

0,94

2,89

89

3,65

3,74

3,70

3,90

2,97

90

3,25

3,35

2,67

3,25

2,86

91

3,40

3,00

2,73

2,47

2,92

92

2,60

1,73

3,00

2,10

2,98

93

2,50

2,82

3,35

3,57

2,87

94

1,90

1,35

2,46

1,20

2,77

95

2,45

3,00

3,25

3,70

2,98

96

2,20

1,90

2,17

2,30

2,77

97

2,30

3,00

3,24

3,00

2,72

98

3,55

3,32

3,19

3,15

3,22

99

2,45

2,55

2,44

3,15

2,81

100

3,05

3,04

3,26

3,58

2,86

219


101

2,60

2,64

2,58

3,33

2,87

102

3,15

3,20

2,89

3,37

2,98

103

3,20

3,52

3,37

3,52

3,19

104

2,80

3,00

3,14

3,04

2,94

105

2,60

2,73

3,05

3,38

3,06

106

2,05

1,95

2,63

2,35

2,83

107

3,30

3,92

3,76

3,78

3,33

108

2,70

2,32

3,00

2,78

2,85

109

2,85

1,73

2,56

2,76

3,08

110

2,40

2,75

3,05

3,32

2,89

111

3,45

3,36

2,95

2,82

3,05

112

2,60

2,55

3,00

2,96

2,87

113

2,65

2,14

2,22

3,11

2,78

114

2,75

3,00

3,21

3,53

2,75

115

2,75

3,36

3,33

3,13

2,92

116

2,40

2,20

2,06

2,22

2,73

117

2,60

1,70

2,00

2,76

2,89

118

3,45

3,24

3,48

3,57

3,06

119

2,65

2,95

2,48

3,15

2,83

120

2,85

2,82

3,14

3,42

2,81

121

2,55

2,74

2,94

2,53

2,69

122

2,30

2,43

2,28

1,47

3,05

123

3,35

3,04

3,00

3,20

2,83

124

1,45

0,44

2,47

2,65

2,90

125

3,30

3,16

3,22

3,25

2,77

126

3,20

3,40

3,72

3,10

2,81

a. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 1.

Nomor

COF

Ranking

220


76

3.0798077542145634

1

28

2.8898092719297797

2

27

2.12731649177769

3

26

1.9894370677458832

4

124

1.9148474262930586

5

36

1.884458205555566

6

10

1.7824444231814986

7

68

1.7573669106620875

8

58

1.7361040604901392

9

16

1.7133577786654883

10

69

1.6696363554249116

11

7

1.5612318428738736

12

79

1.5244745911808977

13

107

1.4906711587145087

14

15

1.4885301112758997

15

13

1.463764133122122

16

98

1.4602917036212275

17

37

1.459269385336849

18

33

1.407107844696727

19

21

1.3937244306190402

20

86

1.3550729780437172

21

19

1.3416399937124197

22

20

1.3411502381010787

23

57

1.3152856441105387

24

51

1.2943967965000787

25

41

1.2865125566455493

26

89

1.278482181136212

27

72

1.27340648085432

28

103

1.2679168111658894

29

25

1.2675370762449507

30

221


60

1.2580590313523756

31

67

1.2477469703738555

32

94

1.2389387565950198

33

53

1.2214690775921644

34

38

1.2150261260461

35

40

1.197214841235595

36

5

1.1925286870439753

37

55

1.191561629570237

38

31

1.1775079800126975

39

122

1.1762167284257417

40

62

1.1689577887707532

41

109

1.1619905581720207

42

32

1.158260196279234

43

39

1.1444111639712469

44

49

1.1412252155488258

45

83

1.1358657330377773

46

106

1.1337965053668417

47

64

1.1335235186060533

48

65

1.1335235186060533

49

118

1.1331697502615123

50

30

1.1322643652070647

51

111

1.1257729789975797

52

23

1.123170680959603

53

34

1.118506936352718

54

1

1.1183619611883437

55

63

1.1161264989826183

56

9

1.098512212288229

57

52

1.0837878577096867

58

48

1.069086442888613

59

22

1.0667743682902142

60

222


105

1.0608561072239988

61

71

1.0591896864016275

62

44

1.0533438096284191

63

50

1.0440680369947544

64

74

1.0440680369947544

65

96

1.040920599214763

66

102

1.0361469437839939

67

85

1.0225183716506918

68

24

1.016767303800427

69

73

1.0100548004816337

70

87

1.0080392744167386

71

47

1.0042628036235652

72

35

1.0014324310873952

73

b. Tabel hasil deteksi outlier untuk nilai COF > 1 pada semester 2.

Nomor

COF

Ranking

17

2.9569790430383427

1

124

2.810812691695745

2

28

2.649018251543455

3

107

2.3492021121615982

4

68

2.013951826302044

5

74

1.8231170539167858

6

58

1.7062548017855057

7

72

1.6922731225078937

8

10

1.6524120379020568

9

51

1.5263534708446553

10

109

1.5263133883361317

11

94

1.5217588616809354

12

89

1.5181425145513188

13

223


38

1.5131624902597853

14

57

1.4816208687499928

15

69

1.458115730368578

16

103

1.4516686020316851

17

19

1.4480458345841307

18

27

1.436264355474825

19

86

1.4307151349933966

20

7

1.4303637760626557

21

79

1.425126619928457

22

92

1.3969057259441204

23

37

1.3899390507351665

24

11

1.3757227672632126

25

30

1.3695544176228138

26

13

1.3575155261238268

27

46

1.3482637305454348

28

63

1.3432314275651163

29

16

1.3348283602825388

30

117

1.3335323553169856

31

98

1.3237611358865229

32

55

1.3180971038682252

33

56

1.3140928674153527

34

36

1.3042502362672845

35

53

1.3004631507404636

36

64

1.2906581309845073

37

41

1.2832819452094208

38

22

1.2799440902358754

39

40

1.2428885920228276

40

122

1.236138729635007

41

60

1.210069357351777

42

67

1.1880221359670389

43

224


32

1.1745790977640773

44

29

1.1656044214670356

45

34

1.1648707457433571

46

106

1.1562776231083867

47

73

1.1449399003747016

48

83

1.1418539899816014

49

49

1.1297656683455988

50

65

1.1273342564313664

51

82

1.1257779581518377

52

21

1.1227607435295006

53

26

1.121515632936774

54

23

1.1195303392614053

55

81

1.1136477056309544

56

96

1.1129062249424209

57

105

1.1116491735129939

58

62

1.1082841468297568

59

87

1.1039840370473823

60

111

1.0949210561578466

61

31

1.0920244701773787

62

44

1.0677221108461672

63

3

1.0645494798735426

64

118

1.0616917025710004

65

25

1.0596665908334924

66

52

1.0503052101590526

67

61

1.0496046316476344

68

59

1.0477650095642714

69

39

1.042151981468439

70

35

1.0298730324580994

71

33

1.0284984797739973

72

113

1.0232667419028694

73

225


71

1.0211221228133418

74

20

1.020133059144824

75

66

1.0127325367221862

76

24

1.009390994979568

77

48

1.007490522802807

78

47

1.002460355527959

79


COF

Ranking

74

3.6098950813456008

1

50

2.895108826748985

2

17

2.7474898678841693

3

28

2.7187201683681868

4

107

2.14748870463847

5

67

1.917897914953517

6

46

1.9100416511580112

7

55

1.8398324109500575

8

86

1.7941031751573162

9

58

1.7315061355749775

10

68

1.6545390485901423

11

31

1.632239589279375

12

72

1.6203850449923065

13

49

1.608635724641169

14

3

1.5852801867222845

15

89

1.5203879617832412

16

41

1.5154970584059215

17

126

1.4533599436806344

18

37

1.4291026377810183

19

36

1.3997058402085367

20

22

1.387582524523236

21

226


69

1.3810341537497743

22

32

1.3790945242488513

23

117

1.3692040435623558

24

13

1.348895739659388

25

20

1.343360516122804

26

27

1.3182467970128182

27

16

1.314194847584169

28

103

1.314084146729988

29

98

1.3072440681958706

30

53

1.3034410931057692

31

7

1.2890924603005889

32

122

1.2810246762285404

33

40

1.2645344894307076

34

88

1.2553958475044185

35

38

1.2467547051015189

36

83

1.2355466387319514

37

66

1.2313802524400166

38

56

1.2291784746888592

39

118

1.2217049954847745

40

60

1.2014876205804417

41

73

1.1953562313701027

42

64

1.1886414251457704

43

30

1.1833125583443065

44

23

1.1761398935556802

45

109

1.1690119602741837

46

34

1.1670846257635559

47

57

1.1594307571655007

48

29

1.1401306102982907

49

77

1.1301922150028958

50

52

1.1297576772934397

51

227


51

1.1237495775086843

52

65

1.117971210913309

53

63

1.1148618880827723

54

76

1.1134582374682127

55

62

1.1080411558454546

56

35

1.1067287012248739

57

79

1.1050725629193865

58

25

1.0984334101215294

59

96

1.098338975607813

60

116

1.09587367955084

61

10

1.0865673523181958

62

48

1.0841160124411433

63

71

1.0635508827645521

64

113

1.0634836131885232

65

44

1.0586195961862344

66

21

1.0529749203008933

67

45

1.052411974814464

68

111

1.0490565623367

69

47

1.0431565422367386

70

39

1.0330519057416108

71

33

1.0311571416855294

72

105

1.0303859150151644

73

5

1.0268282516373413

74

24

1.021570793442945

75

59

1.0155161368851378

76

61

1.0155161368851378

77

54

1.0036847891616594

78

87

1.0028098086691961

79

228



COF

Ranking

68

2.7390195706755187

1

67

2.7255598567276156

2

47

2.616900025776196

3

46

2.3669455176141687

4

28

2.2194548539730428

5

107

1.9210890628463315

6

72

1.9201808776659055

7

88

1.7697182971917773

8

39

1.7286602667217925

9

58

1.6683113402871936

10

27

1.6507221644058203

11

74

1.6481061217651916

12

89

1.6362631574143693

13

38

1.6282490467162052

14

122

1.57902430520144

15

34

1.5172363773894924

16

36

1.5047490689007463

17

94

1.4877389878659257

18

55

1.4349691121488792

19

37

1.3976641716783564

20

22

1.387271437975527

21

7

1.3693284306738942

22

86

1.365771237725453

23

98

1.3509168695651559

24

23

1.3505119959503091

25

69

1.343317599191091

26

73

1.321927571411158

27

49

1.3024795099659807

28

229


11

1.2751472048813643

29

53

1.2750358257528682

30

79

1.2699148268285385

31

103

1.2649918429548153

32

92

1.2601920289576585

33

26

1.2566860198299405

34

81

1.2506944252064771

35

60

1.2407632340880266

36

66

1.2383819899871868

37

21

1.2362109716208574

38

64

1.2205960337933304

39

109

1.220128268253438

40

95

1.1979691311379388

41

41

1.1965874781440344

42

65

1.1920432814657023

43

10

1.1839754227750534

44

76

1.1788503383240072

45

51

1.1766701459876412

46

111

1.1739172137216753

47

20

1.1667455188646563

48

87

1.1579118007381726

49

40

1.153280104427295

50

61

1.1515526553910314

51

13

1.145688954872342

52

5

1.1361913240857406

53

25

1.1319421775018588

54

63

1.1250925415156225

55

30

1.1143777360622331

56

31

1.1117918155862547

57

32

1.10110475893607

58

230


83

1.0977888609995998

59

91

1.0968883324274241

60

118

1.0907771566499802

61

57

1.088218643023109

62

29

1.085832730802608

63

106

1.0693622513092376

64

82

1.0686915111504756

65

16

1.0666793006190436

66

52

1.0627157624898225

67

78

1.05850924556727

68

124

1.0463371781575816

69

45

1.0384388647303178

70

35

1.030685711473849

71

117

1.0243432035561146

72

96

1.0218118763196171

73

15

1.0206717948126507

74

71

1.012951567097062

75

9

1.008489455375546

76

44

1.0017496716179919

77

24

1.0014945312275971

78

231


232

DETEKSI OUTLIER MENGGUNAKAN ALGORITMA CONNECTIVITY BASED OUTLIER FACTOR

Recommend Documents