91
b. Jika x items.length Jika items[x].getSupport minimumSupport items[x].getSupport
0.0 Maka itemArrayList1.additems[x].clone;
Jika items[x].getSupport = minimumSupport Maka itemArrayList2.additems[x].clone;
c. Buat objek baru untuk Itemset d. Jika itemArrayList1.size
Maka itemArray1[k] = Itemset itemArrayList1.getk; e. Jika itemArrayList2.size
Maka itemArray2[k] = Itemset itemArrayList2.getk; f. return new LargeItemsetitemArray1, itemArray2, i;
3. public LargeItemset getmZGdouble minimumSupport
Input : nilai minimum support Output : -
Algoritma : a. Baca nilai minimum support yang dimasukkan pengguna.
b. Baca semua candidate k-itemset yang telah dihasilkan dengan method Arima.
b. Jika x items.length Jika items[x].getSupport == minimumSupport
Jika items[k].getElements.containsAllitemArrayList Maka itemArrayList.additems[x].clone;
Jika items[x].getSupport 0.0 Maka itemArrayList2.additems[x].clone;
c. Buat objek baru untuk Itemset d. Jika itemArrayList.size
Maka itemArray [k] = Itemset itemArrayList.getk; e. Jika itemArrayList2.size
Maka itemArray2[k] = Itemset itemArrayList2.getk; f. return new LargeItemsetitemArray, itemArray2, i;
3.2.4.11 Detail Algoritma pada method di kelas LargeItemset
92
Pada sub bab ini akan dijelaskan method dan atribut yang terdapat dalam kelas LargeItemset.
Atribut : private Itemset[] items, items1, items2, items3;
private int i; private double minsup;
ArrayList cItems = new ArrayList; ArrayList cItems2 = new ArrayList;
Method : 1. public boolean hasInSubsetItemset c
Input : itemset Output : -
Algoritma : a. Inisialisasi nilai flag=false, i=0,j=0 dan l=0.
b. Selama i k tingkat frequent itemset panggil method getSubsetint,int untuk mendapatkan subset dari parameter Itemset. Lakukan langkah c
c. Selama j panjang data subset maka lakukan langkah d. d. Selama l panjang data itemset pada tingkat k
Jika nilai minimumsupport pada itemset 0.0 dan kurang dari minsup Maka bandingkan apakah itemset tersebut mengandung subset dari
parameter Itemset. Jika benar kembalikan nilai flag = true.
2. public Candidate Arima
Input : - Output : -
Algoritma : a. Inisialisasi nilai i=0 dan j=i+1.
93
b. Baca rare k-itemset pada iterasi sebelumnya. c. Selama i panjang data rare k-itemset dan j panjang data rare k-itemset
Jika items1[ii].getSupport 0.0 items1[j].getSupport 0.0 Maka lakukan pengujian apakah item [i] sama dengan item[j] dengan
memanggil method similarToItemset. d. Jika tidak sama lakukan proses join dengan memanggil method
JoinItemset untuk mendapatkan candidate k-itemset yang baru. e. Panggil method hasInSubsetItemset untuk mengecek apakah itemset hasil
proses join tersebut merupakan subset dari rare itemset pada iterasi sebelumnya.
Jika benar maka itemset tersebut akan dimasukkan ke dalam ArrayList sebagai candidate itemset yang baru.
3. public boolean hasInSubset1Itemset c
Input : itemset Output : -
Algoritma : a. Inisialisasi nilai flag=false, i=0,j=0 dan l=0.
b. Selama i k tingkat frequent itemset panggil method getSubsetint,int untuk mendapatkan subset dari parameter Itemset. Lakukan langkah c
c. Selama j panjang data subset maka lakukan langkah d. d. Selama l panjang data itemset pada tingkat k
Jika nilai minimumsupport pada itemset 0.0 dan kurang dari minsup Maka bandingkan apakah itemset tersebut mengandung subset dari
parameter Itemset. Jika benar kembalikan nilai flag = true.
4. public Candidate mRI
Input : - Output : -
Algoritma :
94
a. Inisialisasi nilai i=0 dan j=i+1. b. Baca rare k-itemset pada iterasi sebelumnya.
c. Selama i panjang data rare k-itemset dan j panjang data rare k-itemset Jika items1[ii].getSupport = minsup items1[j].getSupport =
minsup Maka lakukan pengujian apakah item [i] sama dengan item[j] dengan
memanggil method similarToItemset. d. Jika tidak sama lakukan proses join dengan memanggil method
JoinItemset untuk mendapatkan candidate k-itemset yang baru. e. Panggil method hasInSubset1Itemset untuk mengecek apakah itemset hasil
proses join tersebut merupakan subset dari rare itemset pada iterasi sebelumnya.
Jika benar maka itemset tersebut akan dimasukkan ke dalam ArrayList sebagai candidate itemset yang baru.
5. public boolean hasInSubset2Itemset c
Input : itemset Output : -
Algoritma : a. Inisialisasi nilai flag=false, i=0,j=0 dan l=0.
b. Selama i k tingkat frequent itemset panggil method getSubsetint,int untuk mendapatkan subset dari parameter Itemset. Lakukan langkah c
c. Selama j panjang data subset maka lakukan langkah d. d. Selama l panjang data itemset pada tingkat k
Jika nilai minimumsupport pada itemset 0.0 Maka bandingkan apakah itemset tersebut mengandung subset dari
parameter Itemset. Jika benar kembalikan nilai flag = true.
6. public Candidate mZG
Input : - Output : -
95
Algoritma : a. Inisialisasi nilai i=0 dan j=i+1.
b. Baca rare k-itemset pada iterasi sebelumnya. c. Selama i panjang data rare k-itemset dan j panjang data rare k-itemset
Jika items1[ii].getSupport 0.0 items1[j].getSupport 0.0 Maka lakukan pengujian apakah item [i] sama dengan item[j] dengan
memanggil method similarToItemset. d. Jika tidak sama lakukan proses join dengan memanggil method
JoinItemset untuk mendapatkan candidate k-itemset yang baru. e. Panggil method hasInSubset1Itemset untuk mengecek apakah itemset hasil
proses join tersebut merupakan subset dari rare itemset pada iterasi sebelumnya.
Jika benar maka itemset tersebut akan dimasukkan ke dalam ArrayList sebagai candidate itemset yang baru.
96
BAB IV IMPLEMENTASI SISTEM
Perancangan program aplikasi dalam skripsi ini menggunakan aturan linear sequential waterfall. Pada bab ini akan dibahas tahap ketiga yaitu implementasi
dan pengujian unit. Tahap-tahap yang digunakan adalah sebagai berikut
4.1. Fase Implementasi Sistem 4.1.1.
Implementasi Perangkat Keras
Perangkat keras yang dipakai untuk membangun sistem adalah sebagai berikut :
1. Processor Intel corei3 2.40GHz 2. Memori RAM 2 GB
4.1.2. Implementasi Perangkat Lunak
Perangkat lunak yang dipakai untuk membangun sistem adalah sebagai berikut :
1. Sistem Operasi Windows 7 Home Premium 2. NetBeans IDE 6.7
3. Java Development Kit JDK versi 1.6.12
