Implementasi Halaman Awal Implementasi Antarmuka

Gambar 5.1 Antarmuka Halaman Awal 5.1.2 Implementasi Halaman Utama Halaman Utama muncul setelah pengguna menekan tombol „Masuk‟. Halaman ini merupakan halaman inti fungsi-fungsi dilakukan pada aplikasi Sistem Deteksi Outlier Menggunakan Algoritma Naïve Nested Loop. Pada Halaman Utama terdapat dua buah tabbed pane , yaitu Preprocess dan Deteksi Outlier . Di samping kiri tabbed pane tersebut terdapat tombol „Bantuan‟ dan tombol „Keluar‟. Gambar 5.2 Antarmuka Halaman Utama tabbed pane Preprocess Gambar 5.3 Antarmuka Halaman Utama tabbed pane Deteksi Outlier Pada tabbed pane Preprocess pengguna dapat memasukkan data yang berekstensi .xls , .csv , dan data yang berasal dari tabel dalam basisdata. Jika pengguna ingin mengolah data .xls maka pengguna menekan tombol „Pilih Data ‟ lalu memilih data yang akan diolah seperti pada gambar 5.4. Gambar 5.4 Kotak Dialog Saat Memilih File .xls Setelah file .xls dipilih maka data tersebut akan ditampilkan dalam tabel seperti tampak pada antarmuka di bawah ini : Gambar 5.5 Antarmuka Halaman Utama data file .xls tertampil Hal yang sama dilakukan jika pengguna ingin mengolah data .csv maka pengguna menekan tombol „Pilih Data‟ lalu memilih data yang akan diolah seperti pada gambar 5.6. Gambar 5.6 Kotak Dialog Saat Memilih File .csv Setelah file .csv dipilih maka data tersebut akan ditampilkan dalam tabel seperti tampak pada antarmuka di bawah ini : Gambar 5.7 Antarmuka Halaman Utama data file .csv tertampil Pada Halaman Utama tabbed pane Preprocess juga terdapat fungsi seleksi atribut. Fungsi ini dilakukan ketika pengguna telah memasukan data dan akan memilih atribut tertentu yang digunakan dalam perhitungan deteksi outlier. Pengguna memberi tanda centang pada kolom Pilih yang terdapat pada tabel Seleksi Atribut lalu menekan tombol Hapus Atribut. Berikut tampilan antarmuka ketika pengguna telah memasukan data dan belum melakukan seleksi atribut. Jika pengguna akan menghapus semua atribut, harus terlebih dahulu menekan tombol „Tandai Semua Atribut‟ sebelum menekan tombol „Hapus Atribut‟. Jika akan membatalkan penghapusan semua atribut , pengguna dapat menekan tombol „Batal Tandai Semua‟. Berikut ini merupakan antarmuka Halaman Utama sebelum pengguna melakukan fungsi seleksi atribut. Gambar 5.8 Antarmuka Halaman Utama sebelum dilakukan fungsi Seleksi Atribut Gambar 5.9 Antarmuka Detail Fungsi Seleksi Atribut pada Halaman Utama Gambar 5.9 merupakan antarmuka saat pengguna memilih atribut yang akan dihilangkan dari perhitungan deteksi outlier dalam hal ini atribut nil4 dan nil5. Setelah memberi tanda pada kolom Pilih, pengguna menekan tombol „Hapus Atribut‟. Berikut ini adalah tampilan antarmuka setelah atribut nil4 dan nil5 dihilangkan,seperti tampak pada gambar 5.10 kedua atribut tersebut telah dihilang pada JTable. Gambar 5.10 Antarmuka Halaman Utama setelah dilakukan fungsi Seleksi Atribut Berikutnya adalah fungsi deteksi outlier yang ada pada tabbed pane Deteksi Outlier , seperti tampak pada antarmuka di Halaman Utama di bawah ini : Gambar 5.11 Antarmuka Halaman Utama tabbed pane Deteksi Outlier Antarmuka tersebut akan muncul ketika pengguna telah memasukan data yang akan dideteksi outlier nya melalui fungsi yang telah tersedia pada Halaman Utama tabbed pane „Preprocess‟ dan kemudian menekan tombol „Submit Data‟ untuk masuk ke tabbed pane Deteksi Outlier. Ketika akan memulai deteksi outlier , pengguna memasukkan nilai parameter M dan dmin kemudian menekan tombol „Proses‟ dan hasil deteksi outlier akan tertampil pada JText Area di bawah tabel data seperti tampak pada gambar 5.11. Setelah melakukan proses deteksi outlier , pengguna dapat menyimpan hasilnya dengan menekan tombol „Simpan Hasil Outlier‟ pada Halaman Utama tabbed pane Deteksi Outlier. Berikut ini merupakan kotak dialog saat pengguna akan melakukan penyimpanan hasil outlier : Gambar 5.12 Kotak Dialog Simpan Hasil Outlier Sistem ini menyediakan fungsi penyimpanan hasil deteksi outlier dalam dua format file yaitu file .doc dan .txt. Untuk menyimpan hasil deteksi outlier pengguna memilih lokasi penyimpanan, memasukkan nama file, dan memilih format file yang akan disimpan. Kemudian ketika file berhasil disimpan akan muncul konfirmasi bahwa penyimpanan berhasil dilakukan, seperti tampak pada gambar 5.13 di bawah ini : Gambar 5.13 Pesan Ketika Proses Penyimpanan Hasil Outlier Berhasil Dilakukan

5.1.3 Implementasi Halaman Distribusi Atribut

Antarmuka ini merupakan antarmuka yang digunakan untuk melihat distribusi atribut dalam bentuk grafik diagram batang dari detail atribut yang telah dipilih oleh pengguna. Halaman ini akan muncul ketika pengguna telah menekan tombol „Distribusi Atribut‟ pada Halaman Utama tabbed pane Preprocess. Atribut tersebut diperoleh dari masukan data yang akan diproses dalam proses deteksi outlier. Berikut ini merupakan tampilan antarmuka halaman distribusi atribut yang terlihat pada gambar 5.14. Gambar 5.14 Antarmuka Halaman Distribusi Atribut Pengguna memilih salah satu nama atribut pada combobox „Daftar Atribut‟ kemudian jumlah data untuk masing-masing range yang ada di dalam atribut tersebut muncul pada Tabel Daftar Distribusi Atribut. Selanjutnya, pengguna menekan tombol „Lihat Grafik‟ untuk memulai proses melihat grafik diagram batang distribusi atribut. Pada gambar 5.15 terlihat grafik distribusi untuk atribut ips1 seperti yang telah dipilih pada Halaman Distribusi Atribut. Gambar 5.15 Antarmuka Grafik Distribusi Atribut 5.1.4 Implementasi Halaman Pilih Database

Dokumen yang terkait

Deteksi outlier menggunakan Algoritma Local Correlation Integral (LOCI) : studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.

0 0 258

Deteksi outlier menggunakan Algoritma Local Outlier Probability : studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma.

0 5 265

Deteksi outlier menggunakan Algoritma Connectivity Based Outlier Factor : studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.

0 4 252

Deteksi Outlier menggunakan algoritma Block-Based Nested-Loop : studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma.

0 2 202

Deteksi outlier menggunakan algoritma Naive Nested Loop (studi kasus : data akademik mahasiswa program studi PS Universitas XYZ).

0 0 4

Deteksi outlier menggunakan Algoritma Connectivity Based Outlier Factor studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma

1 8 250

Deteksi outlier menggunakan Algoritma Local Outlier Probability studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma

1 9 263

Deteksi Outlier menggunakan algoritma Block Based Nested Loop studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma

0 1 200

Deteksi outlier menggunakan Algoritma Local Correlation Integral (LOCI) studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma

0 4 256

Deteksi Outlier menggunakan algoritma Naive Nested Loop : studi kasus data akademik mahasiswa Program Studi Teknik Informatika, Universitas Sanata Dharma, Yogyakarta - USD Repository

0 0 234