Spesifikasi Perangkat Lunak dan Perangkat Keras Implementasi Use Case

Apabila pengguna menekan tombol keluar, exit atau melakukan klik pada menu keluar di pojok kanan atas, maka akan tampil pesan sebagai berikut : Gambar 4.2 Konfirmasi keluar dari sistem Pengguna bisa melakukan klik “Yes” jika ingin keluar dari aplikasi atau klik “No” atau “Cancel” untuk membatalkan. Untuk Use Case yang pertama yaitu “Input Data Pendaftaran” pengguna harus memualinya dengan masuk melalui menu “Pre Proses”, kemudian pengguna akan diarahkan kehalaman input data pendaftaran seperti pada gambar 4.3 dibawah ini : Gambar 4.3 Halaman Input Data Untuk memasukkan data, pengguna menekan tombol Browse, kemudian akan tampil halaman FileChooser seperti pada gambar 4.4 sehingga pengguna bisa menentukan lokasi file yang akan diinputkan. Pengguna menenkan tombol “Tampilkan” untuk menampilkan file kedalam bentuk tabel dalam halaman input data ini seperti pada gambar 4.5. Setelah data ditampilkan, pengguna bisa menekan tombol Transformasi untuk merubah bentuk data angka menjadi lebih kecil sederhana tanpa mengurangi nilai dari data, yakni dari rentang satu sampai sepuluh menjadi nilai 1,2,3 dan 4, dan sistem akan menampilkan hasil konversi tersebut seperti pada gambar 4.6. Selanjutnya pengguna menekan tombol Proceed untuk melakukan proses reduct atribut atau pencarian atribut terbaik dari sejumlah atribut yang dimiliki oleh data. Setelah proses reduct atribut selesai akan tampil halaman hasil reduct dengan data yang sudah sesuai dengan atribut hasil reduct nya, seperti terlihat pada gambar 4.7. Langkah terakhir dari pre proses ini adalah pengguna menekan tombol “Proses C4.5” untuk memulai proses pembentukan pohon. Setelah proses selesai, sistem akan menampilkan pesan pemberitahuan seperti pada gambar 4.8. Gambar 4.4 File Chooser Gambar 4.5 Halaman tampilkan data Gambar 4.6 Data yang sudah ditransformasi Gambar 4.7 Halaman hasil reduct Gambar 4.8 Peringatan bahwa pohon sudah terbentuk Setelah pengguna melakukan klik OK, maka akan tampil pohon keputusan dengan tingkat akurasinya seperti pada gambar 4.9 dibawah ini, Gambar 4.9 Halaman pohon keputusan Apabila pengguna keluar dari aplikasi, sedangkan aturan belum disimpan, maka akan tampil peringatan seperti gambar 4.10 dibawah ini, klik Yes jika ingin meneruskan, No atau cancel untuk membatalkan dan user bisa melakukan klik simpan untuk menyimpan aturan yang sudah dibentuk dengan klik pada tombol save , dan sistem akan menampilkan pesan seperti pada gambar 4.11. Gambar 4.10 Konfirmasi keluar dari sistem Gambar 4.11 Konfirmasi bahwa aturan berhasil disimpan Selanjutnya untuk melakukan proses prediksi pengguna harus menekan tombol “Prediksi” dari menu navigasi di halaman utama, selanjutnya akan tampil halaman halaman prediksi seperti pada gambar 4.12, untuk memasukkan data yang akan diprediksi, pengguna menekan tombol browse untuk mencari data yang akan diprediksi, dan menekan tombol “tampilkan” untuk menampilkan data kedalam bentuk tabel dalam aplikasi, seperti ditunjukkan oleh gambar 4.13 dibawah ini. Gambar 4.12 Halaman prediksi data Tombol proses digunakan untuk melakukan proses prediksi dari data uji, setelah pengguna menekan tombol proses, dan proses prediksi selesai maka sistem akan menampilkan data hasil prediksi seperti ditunjukkan pada gambar 4.13, langkah terakhir adalah user bisa menekan tombol “Lihat Jumlah Daftar Ulang” untuk melihat jumlah yang seharusnya dialokasi untuk setiap prodi, hasilnya seperti pada gambar 4.14 Gambar 4.13 Halaman hasil prediksi Gambar 4.14 Halaman alokasi kuota

BAB V ANALISIS SISTEM

Tahap akhir dari penelitian ini adalah analisis dan evaluasi pola yang telah dibangun, dimana ini merupakan tahap keenam dalam KDD yakni evaluasi pola. Sistem pencarian pola klasifikasi yang dibangun menggunakan algoritma Reduct Based Decision Tree RDT telah berhasil diimplementasikan ke dalam sebuah program. Analisis sistem akan dibagi ke dalam beberapa bagian yaitu evaluasi pola Data Pendaftaran calon Mahasiswa Baru, pengukuran kinerja sistem, kelebihan serta kekurangan sistem yang telah dibangun

5.1 Analisis Hasil Program

Hasil pencarian pola dengan menjalankan sistem pencarian pola klasifikasi yang menggunakan data pendaftaran mahasiswa sebanyak 5251 data dapat dilihat pada gambar 5.1 dan 5.2 berikut. Gambar 5.1 adalah hasil proses RCA, dimana atribut-atribut pada tabel tersebut adalah Himpunan Atribut DominanHAPSPA. Sedangkan pada gambar 5.2 adalah hasil pola yang terbentuk dari keseluruhan data dan dengan menggunakan atribut SPA yang didapat dari proses reduct sebelumnya. Sistem yang digunakan sudah valid dan sudah dibuktikan dengan hitungan manual. Perhitungan manual dapat dilihat pada lampiran 3. Gambar 5.1 Hasil Reduct RCA 81 Gambar 5.2 Pola atau aturan dari data

5.2 Evaluasi Pola Data Pendaftaran Mahasiswa Baru

Pada awal penelitian, penulis merumuskan permasalahan yang akan diselesaikan dalam penelitian ini yaitu : Bagaimana mengenali pola klasifikasi status daftar ulang calon mahasiswa dengan mengimplementasikan penambangan data menggunakan algoritma Reduct Based Decision Tree RDT pada basis data Penerimaan Mahasiswa Baru PMB. Dengan menerapkan algoritma Reduct Based Decision Tree RDT ternyata atribut-atribut yang digunakan sebagai pembeda untuk proses pembentukan pola dari data pendaftaran mahasiswa baru adalah Nama_Gelombang,Pilihan_1, Pilihan_2, Pilihan_3,Jenis_Kelamin, KabAsal, KabSek, Jenis_SMU, Diterima_Di, Penalaran_Verbal, Penalaran_Numerik, Penalaran_Mekanik, Penalaran_Ruang, NilaiBahasa_Inggris. Dengan demikian tidak ada atribut yang dieliminasi selama proses reduct pada RDT. Pada penelitian ini telah dihasilkan sebuah pohon keputusan dengan menerapkan algoritma Reduct Based Decision Tree RDT. Pohon keputusan berhasil dibentuk dan menghasilkan 679 pola dari 5251 record data. Detail pola klasifikasi disajikan di lampiran 2. Dengan demikian, dapat dikatakan bahwa algoritma Reduct Based Decision Tree RDT dapat diterapkan untuk mengidentifikasi pola klasfikasi status daftar ulang calon mahasiswa pada Universitas Sanata Dharma. Hal ini dibuktikan dengan terbentuknya aturan klasifikasi. Karena banyaknya aturan yang terbentuk, maka pada tabel 5.1 berikut ini disajikan aturan mahasiswa yang tidak registrasi dengan jumlah frekuensi kejadian= 7 untuk kepentingan analisis. Nilai 7 ini sebagai ambang batas yang diperoleh dari total data yang digunakan 5251 dibagi dengan jumlah aturan yang terbentuk 679 aturan. Jumlah kejadian pola adalah jumlah kejadian yang sesuai dengan aturan. Jumlah total adalah jumlah kejadian sesuai anteseden, baik untuk keputusan yang registrasi maupun yang tidak registrasi. Persentase diperoleh dari jumlah kejadian setiap pola dibagi dengan jumlah total dan dikalikan dengan 100. Tabel 5.1 Daftar Pola Tidak Registrasi dengan Jumlah Frekuensi = 7 Kejadian NO Aturan Jumlah Total Jumlah Kejadian Pola Dalam

1. KabSek = Surakarta dan Diterima_Di =

PSIKOLOGI--Jenis_Kelamin = Laki-Laki-- Tidak_Registrasi 15 15 100 2. KabSek = Belu dan Nama_Gelombang = Gelombang_2 dan Nmekanik = 1-- Tidak_Registrasi 12 12 100

3. KabSek = Palembang dan Nruang = 4 dan P3 =

MEKATRONIKA_D3--Tidak_Registrasi 9 9 100 4. KabSek = Malang dan Nruang = 4-- Tidak_Registrasi 11 10 90,9

5. KabSek = Klaten dan P3 = PEND_SEJARAH

dan Nruang = 4--Tidak_Registrasi 10 9 90