Rincian Algoritma pada Method di Kelas DiagramBatang Nama method Rincian Algoritma pada Method di Kelas HalamanUtama Nama method

Connection daftar tabel pada basisdata Oracle sesuai tabel yang ada akun yang dimasukkan pengguna daftar tabel dalam basisdata Oracle dengan sintaks : select from user_tables 2. Melakukan eksekusi kueri 3. Mengembalikan nilai result ResultSet yang berisi daftar tabel yang ada pada basisdata Oracle tampilTableSQL Connection Menampilkan daftar tabel pada basisdata mySQL sesuai tabel yang ada pada akun yang dimasukkan pengguna 1. Buat kueri menampilkan daftar tabel dalam basisdata mySQL dengan sintaks : show tables 2. Melakukan eksekusi kueri 3. Mengembalikan nilai result ResultSet yang berisi daftar tabel yang ada pada basisdata mySQL tampilIsiTable Connection,String Menampilkan isi tabel berdasarkan tabel yang dipilih pengguna 1. Buat kueri menampilkan data dari tabel dalam basisdata dengan sintaks : “select from” + namaTabel sesuai pilihan pengguna 2. Melakukan eksekusi kueri 3. Mengembalikan nilai result ResultSet yang berisi data isi tabel sesuai parameter “namaTabel” pada kueri

4.3.7.5 Rincian Algoritma pada Method di Kelas DiagramBatang Nama method

Fungsi method Algoritma method tampilint[][], String[][], String[][] Menampilkan grafik distribusi per atribut sesuai pilihan pengguna 1. Membaca paramater input array int v, array String n , dan array String t 2. Inisialisasi i=0 3. Selama i n.length lakukan data.setValuev[i][1], n[i][0], t[i][0] 4. createBarChart3D selama langkah 4 terpenuhi

4.3.7.6 Rincian Algoritma pada Method di Kelas HalamanUtama Nama method

Fungsi method Algoritma method tampilIsiDataBasisdataDa tabaseConnection conn, String namaTabel Membaca tabel yang dipilih pada basisdata dan menampilkan isi datanya ke dalam tabel data 1. Ambil isi tabel dari basis data dengan melalui method tampilIsiTableconn.g etConnection, namaTabel 2. buat vector baru columnName dan data 3. Inisialisasi nilai i = 1 4. Selama i = columnCount benar, columnName diisi dengan nama kolom ke i yang didapat dari basisdata melalui method getColumnName 5. Selama rs.next benar lakukan langkah 6-9 6. buat vector data2 7. Inisialisasi nilai i = 1, 8. Selama i = columnCount benar, data2 diisi dengan data pada setiap baris di kolom ke i 9. Tambahkan data2 ke dalam data, lalu kembali ke langkah 5 10. Mengatur model tabel data nama kolom dari vector columnNames dan data dari vector data 11. Inisialisasi nilai i = 0 12. Selama i model.getColumnCou nt benar, lanjutkan ke langkah 13 13. Inisialisasi nilai j = 0 14. Selama j model.getRowCount benar, cek i==0 jika benar lanjut ke langkah 15, jika salah ke langkah 16 15. Jika model.getValueAtj, i == null, tampilkan pesan label data tidak lengkap, i = model.getColumnCou nt – 1, this.dispose lalu break; 16. Jika model.getValueAtj, i == null atau model.getValueAtj, i.toString.matches [0-9.] atau model.getValueAtj, i.toString.matches [.] benar, maka tampilkan pesan data tidak lengkap lalu i = model.getColumnCou nt – 1 dan break; 17. i++ lalu ke langkah 11 18. insialisasi i=0 19. selama imodel.getColumnCo unt benar tambahkan nama kolom ke dalam cb_tabel 20. Atur tabel dataPreprocessTable pilihDB Menanggil kelas HalamanPilihDatab ase 1. Buat objek pilih_db dari kelas Halaman PilihDatabase 2. Objek pilih_db memanggil method setVisible submitData Memasukan data pada tabel data di tabbed pane Preprocess ke tabel data pada tabbed pane Deteksi Outlier 1. Ambil model dari tabel preprocess dengan method getModel, lalu simpan ke variabel tableModel 2. Jika tableModel.getColumn Count = = 0 maka data belum dimasukkan 3. Jika tidak, isi tableDeteksiOutlier sesuai tableModel 4. Tampilkan tabel pada tabel Deteksi pada tabbed pane Deteksi Outlier dengan jTabbedPane1.setSelec tedComponentdeteksi Panel dan jTabbedPane1.setEnab ledAt1, true; distribusiAtribut Menampilkan distribusi per atribut berdasar nama kolom pada tabel data 1. Buat List bertipe data String dengan nama daftar_atribut 2. Inisialisasi nilai i=1 3. Selama idataPreprocessTable. getColumnCount benar ini daftar_atribut dengan dataPreprocessTable.g etColumnNamei 4. Mengirim nilai daftar_atribut dan dataPreprocessTable ke HalamanDistribusiAtri but untuk selanjutnya diproses disana pilihFile Menampilkan kotak dialog untuk memilih file .xls atau .csv lalu membaca file tersebut dan 1. Menampilkan kotak dialog Open File 2. nama_file menangkap nama file terpilih 3. potong_nama_file = nama_file.split\\.; menampilkannya ke dalam tabel data 4. Jika potong_nama_file[1].e qualsxls lakukan langkah pada algoritma pilih file xls di bawah tabel method HalamanTampilTabel 5. Jika potong_nama_file[1].e qualsxlscsv lakukan langkah pada tabel pilih file .csv di bawah tabel method HalamanTampilTabel 6. Jika tidak keduanya bukan file .xls dan csv yang dipilih , tampilkan pesan peringatan updateCellWidthJTable Mengatur ukuran lebar kolom pada tabel data agar disesuaikan dengan ukuran karakter isi kolom yang paling panjang 1. panggil method adjustJTableRowSizes table 2. inisialisasi nilai i = 0 3. selama i table.getColumnCount panggil method adjustColumnSizest,i, 2 adjustJTableRowSizes JTable Mengatur ukuran baris pada tabel data 1. Inisialisasi nilai row = 0 2. Selama row jTable.getRowCount lakukan ke langkah 3 3. int maxHeight = 0 4. inisialisasi column = 0 5. Selama column jTable.getColumnCou nt, bandingkan tinggi baris ke-row dan kolom ke-column dengan maxHeight lalu masukan ke dalam maxHeight 6. Buat tinggi baris ke- row dengan method jTable.setRowHeight row, maxheight dan kembali ke langkah 2 adjustColumnSizesJTable ,int,int Mengatur ukuran kolom pada tabel data 1. TableCellRenderer renderer = col.getHeaderRendere r 2. Jika renderer = = null maka renderer = table.getTableHeader .getDefaultRenderer 3. inisialisasi nilai r = 0 dan width = comp.getPreferredSiz e.width 4. Selama r table.getRowCount, lebar kolom pada baris ke-r bernilai currentWidth yang diambil dari nilai maksimum antara width dan currentWidth dan dimasukan dalam nilai width 5. Buat ukuran lebar kolom kolom dengan col.setPreferredWidth width lalu col.setWidthwidth prosesDeteksi Menerima input M dan dmin serta data untuk diproses pencarian outlier nya 1. Jika nilai M atau dmin kosong, lakukan pengisian ulang kedua parameter tersebut 2. Jika nilai M dan dmin isi, lanjutkan ke langkah 3 3. Jika nilaiMdan dmin cocok dengan pola [0- 9.] lakukan langkah 4 4. Inisialisasi i=0 5. Selama ibaris, lakukan langkah 6-9 6. Buat arraylist dengan nama data_nilai 7. Insialisasi j=0 8. Selama jkolom lakukan pengecekan jika j==0 maka label diisi dengan tableModel.getValueA ti,j Jika tidak tambahkan tableModel.getValueA ti, j.toString ke dalam variabel data nilai 9. addVertexlabel,data_n ilai 10. Inisialisasi i=0 11. Selama ibaris lakukan langkah 12-13 12. Inisialisasi j=0 13. Selama jbaris, jika i=j lakukan addEdge 14. hasilDeteksiTextArea diisi dengan hasil deteksi outlier dengan memanggil method displayOutlier pada kelas Graph cek_atribut_hapusString, ListString Mengecek nama atribut yang akan dihapus dari tabel seleksi atribut 1. boolean cek = false 2. inisialisasi nilai i = 0 3. selama i hapus_atribut.size maka ke langkah 4, jika kondisi salah kelangkah 5 4. Jika hapus_atribut.geti.eq ualsatribut, maka cek=true 5. kembalikan nilai cek= false cek_atribut_kolomString, Vector Mengecek nama atribut yang tidak dihapus dari tabel data 1. boolean cek = false 2. inisialisasi nilai i = 0 3. selama i kolom.size maka ke langkah 4, jika kondisi salah kelangkah 5 4. Jika kolom.geti.equalsat ribut, maka cek=true 5. kembalikan nilai cek = false hapusAtribut Menghapus atribut tabel data sesuai atribut yang dipilih pengguna 1. buat list bernama hapus_seleksi 2. inisialisasi nilai i = 0 3. selama i cb_table.getRowCoun t, lakukan pengecekan langkah ke 4 4. Jika cb_table.getValueAti, 1.equalstrue, tambah kan nilai cb_table.getValueAti, 0 ke dalam atribut hapus_seleksi 5. int kolom= model.getColumnCou nt; int baris = model.getRowCount ; 6. buat vector baru namaKolom dan isiData 7. inisialisasi nilai k = 0 8. selama k cb_table.getRowCoun t, lakukan pengecekan ke langkah 9 9. Jika method cek_atribut_hapuscb_ table.getValueAtk,0. toString, hapus_atribut= = false maka tambahkan cb_table.getValueAtk ,0 ke 10. inisialisasi a = 0 11. Selama a baris, buat vector baru satu_baris lalu ke langkah 12 12. inisialisasi b = 0 13. Selama b kolom , lalu lakukan pengecekan ke langkah 14 14. Jika method cek_atribut_kolomm odel.getColumnName b.toString, namaKolom == true maka model.getValueAta,b ditambahkan ke variabel satu_baris 15. satu_baris ditambahkan pada variabel isiData, lalu kembali ke langkah 8 16. Mengeset model tabel preprocess dengan nama kolom dengan vector namaKolom dan baris dengan vector isiData 17. Lakukan removeRow pada tabel seleksiAtribut sesuai nama atribut yang dihapus batalTandaiSemuaAtribut Menghapus tanda centang pada semua kolom Pilih nama atribut pada tabel seleksi atribut 1. inisialisasi nilai i = 0 2. selama i cb.table.getRowCount , lakukan cb_table.setValueAtf alse,i,1 tandaiSemuaAtribut Memberi tanda centang pada semua kolom pilih nama atribut pada tabel seleksi atribut 1. inisialisasi i = 0 2. selama i cb.table.getRowCount , lakukan cb_table.setValueAttr ue,i,1 simpanFile Menyimpan hasil deteksi outlier dalam file .txt atau .doc 1. Buka kotak dialog Save File 2. Baca lokasi penyimpanan file dan disimpan dalam variabel filename 3. Membaca format file yang dipilih pengguna dengan fileChooser.getFile Filter.getDescript ion lalu ditampung dalam variabel extension 4. Jika extension = “Microsoft Word .doc maka format file yang dipilih “.doc” 5. Jika extension = Text Documents .txt maka format file adalah “.txt” 6. Ambil isi teks pada hasilDeteksiTextAr ea.getText lalu tampung pada variabel hasil_text_area 7. Potong isi hasil_text_area per baris dengan method split\\n 8. Tampung isi baris dari hasil_text_area ke dalam variabel array potong_isi 9. Selama i potong_isi.length, ambil nilai potong_isi ke i, konversi ke tipe data String lalu simpan nilai tersebut

4.3.7.7 Rincian Algoritma pada Method di Kelas HalamanDistribusiAtribut Nama method

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