Diagram Use Case Diagram Aktivitas Diagram Kelas Analisis Diagram Sekuen Perancangan Struktur Data

37 Proses dari Deteksi Outlier dapat digambarkan dalam bentuk diagram flowchart yang digambarkan pada Gambar 4.2 berikut.

4.2.1.3 Output Sistem

Sistem akan memberikan keluaran atau output berupa nama sekolah yang diidentifikasi sebagai outlier beserta nilai derajat outlier per objek yang sesuai dengan nilai b, alfa, dan beta. Selain itu sistem juga akan menampilkan daftar-daftar sekolah yang teridentifikasi sebagai outlier sebanyak nilai threshold yang dimasukkan oleh pengguna.

4.2.2 Diagram Use Case

Diagram use case merupakan sebuah gambaran sistem yang dilihat dari sudut pandang pengguna user. Sebuah sistem yang akan terbentuk selalu memiliki interaksi antara pengguna dengan sistem yang Gambar 4. 2 Diagram Flowchart Deteksi Outlier 38 digambarkan melalui diagram use case. Diagram use case dapat dilihat pada Gambar 4.2 berikut. Pilih file input Deteksi menggunakan Algoritma MixCBLOF Simpan data hasil User Gambar 4. 3 Diagram Use Case 39 Pengguna dalam sistem yang akan dibangun ini hanya terdapat satu pengguna diinisialisasikan dengan “User”. Pengguna dalam sistem ini memiliki 3 interaksi terhadap sistem yaitu memilih file data .xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil data. Ketiga interaksi aktifitas yang dilakukan pengguna merupakan interaksi saling berkaitan sehingga perlu dilakukan secara berurutan. Diagram use case memiliki narasi dari setiap use case. Narasi tersebut terlampir pada lampiran 1.

4.2.3 Diagram Aktivitas

Diagram aktivitas merupakan aktivitas dari use case memilih file data .xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil deteksi outlier. Diagram aktivitas memiliki tiga diagram. Diagram aktivitas tersebut terlampir pada lampiran 2.

4.2.4 Diagram Kelas Analisis

Diagram kelas analisis terlampir pada lampiran 3.

4.2.5 Diagram Sekuen

Pada diagram sekuen ini memiliki tiga diagram sequence yaitu memilih file data bertipe .xls, deteksi menggunakan algoritma MixCBLOF, dan menyimpan hasil deteksi outlier. Diagram sequence terlampir pada lampiran 4.

4.2.6 Perancangan Struktur Data

Pada penelitian ini menggunakan struktur data berupa ArrayList lihat Gambar 2.3 dan Matriks lihat Gambar 2.4. Pada ArrayList, jumlah sekolah sebagai element data. Setiap data sekolah akan berada dalam index yang sama. Sebagai contoh, akan digambarkan pada Gambar 4.3 berikut. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 40 Pada Matriks, terdapat baris dan kolom, baris disesuaikan dengan jumlah data sekolah, dan kolom disesuaikan dengan jumlah atributnya. Pada matriks ini digunakan untuk menampung nilai derajat outlier. Sebagai contoh, akan digambarkan pada Gambar 4.4 berikut. Ilustrasi pada Gambar 4.4 di atas merupakan contoh ilustrasi matriks dengan ukuran 4x3, artinya memiliki 4 baris sebagai jumlah sekolah dan 3 kolom sebagai atributnya yaitu derajat dari atribut Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi. Ilustrasi tersebut menggambarkan penyimpanan derajat outlier per atribut. Gambar 4. 4 Perancangan Arraylist Gambar 4. 5 Perancangan Matriks 41

4.2.7 Diagram Kelas Disain

Dokumen yang terkait

POBYE PENGARUH PENGALAMAN KERJA, INDEPENDENSI, OBYEKTIFITAS, INTEGRITAS, DAN KOMPETENSI TERHADAP KUALITAS HASIL PEMERIKSAAN DI INSPEKTORAT PROVINSI DAERAH ISTIMEWA YOGYAKARTA.

0 3 14

Penerapan algoritma apriori untuk analisis daya serap hasil ujian nasional matematika SMA jurusan IPA di Yogyakarta.

0 1 13

Penerapan algoritma apriori untuk analisis daya serap hasil ujian nasional mata pelajaran Matematika SMA jurusan IPA di Daerah Istimewa Yogyakarta.

0 12 206

Penerapan algoritma fp-growth untuk analisis pola asosiasi daya serap hasil jian nasional mata pelajaran Bahasa Indonesia SMA di Yogyakarta.

1 11 122

Pengelompokan Sekolah Menengah Atas di Provinsi Daerah Istimewa Yogyakarta berdasarkan nilai Ujian Nasional menggunakan algoritma K-Means Clustering.

1 1 87

Pengelompokan Sekolah Menengah Atas di Provinsi Daerah Istimewa Yogyakarta berdasarkan nilai Ujian Nasional menggunakan algoritma agglomerative hierarchical clustering.

11 55 123

Deteksi outlier untuk nilai ujian Sekolah Menengah Atas (Sma) menggunakan Algoritma Influenced Outlierness (INFLO).

0 1 373

Penerapan metode enhanced class outlier distance based untuk identifikasi outlier pada data hasil ujian nasional, indeks integritas dan akreditasi sekolah menengah atas

1 6 143

Penerapan algoritma MixCBLOF berbasis klaster untuk identifikasi outlier pada data hasil ujian nasional, indeks integritas, dan akreditasi SMA di Daerah Istimewa Yogyakarta

0 5 138

Provinsi Daerah Istimewa Yogyakarta UU NO 13 2012

0 0 23