6.1.2 Kesimpulan Hasil Pengujian Blackbox
Berdasarkan pengujian terhadap setiap fungsi sistem dengan kasus uji seperti diatas, dapat disimpulkan bahwa Sistem Deteksi
Outlier Menggunakan Algoritma Local Correlation Integral ini dapat menangani kesalahan error handling terhadap fungsi yang tidak
berjalan sesuai aturan dan dapat menghasilkan output yang sesuai dengan yang diharapkan oleh pengguna.
6.1.3 Hasil Pengujian Efek Perubahan Nilai Atribut Penambangan Data
Pengujian terhadapat Sistem Deteksi Outlier menggunakan Algoritma Local Correlation Integral dapat dilakukan dengan
mengubah nilai input parameter radius. Berikut adalah tabel hasil deteksi outlier mahasiswa angkatan 2007 dan 2008.
6.1.3.1 Pengujian Dengan Data Mahasiswa Teknik Informatika
Angkatan 2007 dan 2008 Jalur Tes Tertulis.
Hasil pengujian dengan menggunakan data angakatan 2007 dan 2008 untuk jalur tes tertulis dipaparkan pada tabel 6.8.
Tabel 6.8 Tabel Jumlah Outlier Mahasiswa Teknik Informatika Angkatan 2007 dan 2008 Jalur Tes Tertulis Semester 1 dengan
Nilai Radius dan Konstanta yang berubah-ubah dan Nilai Alpha = 0.5
k = 1 k = 2
k = 3 r = 4.0
26, 28, 33, 36, 58, 72 26, 28, 36
- r = 4.5
26, 28, 33, 36, 58, 69, 72 26, 28, 33
28 r = 5.0
26, 28, 33, 36, 58, 69, 72 26, 28, 33
28 r = 5.5
26, 28, 33, 36, 58 26, 28
28 r = 6.0
26, 28, 33, 58 28
28
6.1.3.2 Pengujian Dengan Data Mahasiswa Teknik Informatika
Angkatan 2007 dan 2008 Jalur Tes Prestasi. Hasil pengujian dengan menggunakan data angakatan 2007
dan 2008 untuk jalur prestasi dipaparkan pada tabel 6.9.
Tabel 6.9 Tabel Jumlah Outlier Mahasiswa Teknik Informatika Angkatan 2007 dan 2008 Jalur Prestasi Semester 1 dengan nilai
radius dan konstanta yang berubah-ubah dan nilai alpha = 0.5 k = 1
k = 2 k = 3
r = 3.0 10, 15, 16, 76, 79, 124 10, 15, 16, 76, 124
76 r = 3.5
15, 76, 124 76, 124
76 r = 4.0
76, 124 76, 124
76 r = 4.5
76, 124 76
76 r = 5.0
76 76
76
6.1.3.3 Pengujian Dengan Data Mahasiswa Teknik Informatika
Angkatan 2007 dan 2008 Jalur Test Tertulis dan Jalur Prestasi.
Hasil pengujian dengan menggunakan data angakatan 2007
dan 2008 untuk jalur tes tertulis dan jalur prestasi dipaparkan pada tabel 6.10.
Tabel 6.10 Tabel Jumlah Outlier Mahasiswa Teknik Informatika Angkatan 2007 dan 2008 Jalur Test Tertulis dan Prestasi Semester 1
dengan nilai radius dan konstanta yang berubah-ubah dan nilai alpha =
0.5
k = 1 k = 2
k = 3 r = 3.0
7, 10, 15, 16, 26, 27, 28, 33, 36, 58, 68, 69, 76, 124
10, 16, 26, 27, 28, 36, 68, 76,
124 28, 76
r = 3.5 7, 10, 16, 26, 27, 28, 36,
68, 69, 76, 124 26, 28, 36, 76
28, 76
r = 4.0 10, 16, 26, 27, 28, 36, 68,
69, 76, 124 28, 76
28, 76
r = 4.5 7, 10, 16, 19, 20, 21, 26,
27, 28, 36, 68, 69, 76, 124 28, 76
28, 76
r = 5.0 10, 16, 26, 27, 28, 36, 76
28, 76 28, 76
6.1.4 Kesimpulan Hasil Pengujian Efek Perubahan Nilai Atribut
Penambangan Data.
Dari percobaan dengan melakukan perubahan nilai radius dan konstanta maka dapat disimpulkan bahwa:
1. Jika nilai parameter radius tetap dan konstanta bertambah, maka outlier yang dihasilkan akan semakin berkurang. Nilai radius
mempengaruhi jumlah outlier. 2. Jika nilai parameter radius bertambah dan kosntanta tetap, maka
jumlah outlier yang didapatkan akan semakin berkurang. Nilai konstanta mempengaruhi jumlah outlier.
3. Nilai parameter radius sangat mempengaruhi besarnya nilai MDEF, semakin kecil nilai parameter radius maka nilai MDEF
akan semakin mendekati 1.
6.1.5 Hasil Pengujian Review dan Validitas Pengguna 6.1.5.1 Perbandingan Perhitungan Manual dan Hasil Sistem
Dataset yang digunakan untuk proses deteksi adalah data akademik mahasiswa Program Studi Teknik Informatika
angkatan 2007 yang diterima melalui jalur tes tertulis. Atribut yang digunakan adalah data ips1, ips2, ips3, ips4,
nil11, nil12, nil13, nil14, dan nil15. Data tersebut akan diolah dan dihitung secara manual menggunakan Microsoft Excel
untuk mendeteksi outlier dengan menggunakan algoritma
Local Correlation Integral. Hasil perhitungan manual tersebut dibandingkan hasilnya dengan hasil perhitungan dari
Sistem Deteksi Outlier Menggunakan Algoritma Local Correlation Integral.
Berikut adalah hasil perbandingan deteksi outlier dari data 13 mahasiswa angkatan 2007 yang mengikuti jalur tes
tertulis menggunakan perhitungan manual dan perhitungan sistem. Tabel 6.11 merupakan tabel yang berisi data 13
mahasiswa beserta atribut ips1, ips2, ips3, ips4, nill11, nil12, nil13, nil14 dan nil15.
Tabel 6.11 Tabel Data Set untuk Perbandingan Manual dan Sistem
No Alias
ips1 ips2 ips3 ips4 nil11 nil12 nil13 nil14 nil15
P1 2.94 3.27 2.96 2.81 2.80
2.00 2.00
2.00 1.60
P2 1.72 1.65 1.53 1.68 1.20
0.80 3.20
1.20 0.40
P3 2.56 2.77 2.52 3.13 2.40
1.60 2.00
2.80 2.00
P4 2.44 2.63 2.00 2.67 2.00
2.00 2.40
2.00 2.00
P5 2.94 2.59 1.55 2.35 2.40
1.60 2.40
1.20 2.80
P6 1.89 2.20 2.21 1.95 2.40
2.00 2.40
2.40 2.80
P7 4.00 3.52 3.43 3.70 2.40
2.40 1.60
1.60 2.80
P8 1.44 2.42 2.53 1.96 4.00
2.00 3.60
2.40 2.80
P9 3.72 3.48 3.36 3.65 3.20
2.40 2.40
2.80 2.00
P10 1.72 2.65 2.43 2.24 2.80
2.40 3.20
3.20 0.80
P11 3.28 2.75 2.90 3.00 2.80
2.40 2.80
2.40 2.40
P12 2.89 3.21 3.33 3.36 2.40
2.00 2.00
2.80 2.00
P13 2.89 3.18 3.04 2.95 2.00
2.00 3.20
2.00 2.80
Di bawah ini merupakan tabel 6.12 yang berisi hasil perbandingan perhitungan secara manual dan perhitungan dengan
sistem.
Tabel 6.12 Tabel Perbandingan Hasil Deteksi Outlier Mahasiswa Angkatan 2007 Jalur Tes
Input Parameter
r, , dan k
Semester Hasil Outlier
Hitung Manual
Sistem
r = 6; =
0.5; k = 3
1 P2
P2 2
P2 P2
3 P2
P2 4
P2 P2
6.1.5.2 Kesimpulan Hasil Perbandingan Perhitungan Manual dengan Perhitungan Sistem.
Dari hasil perbandingan perhitungan manual dengan perhitungan sistem untuk data mahasiswa program studi
Teknik Informatika angkatan 2007 melalui jalur tes tertulis dengan pendeteksian outlier yang dilakukan menghasilkan
hasil outlier dari perhitungan manual dan perhitungan sistem yang sama. Maka dapat disimpulkan bahwa Sistem Deteksi
Outlier Menggunakan Algoritma Local Correlation Integral dapat menghasilkan output sesuai dengan yang diharapkan
seperti pada perhitungan manual.
6.1.5.3 Hasil Deteksi dari Sistem untuk Pengujian Review dan
Validitas oleh Pengguna
Pengujian ini dilakukan untuk mengetahui bahwa hasil deteksi outlier adalah benar, oleh karena itu perlu dilakukan
analisis oleh Kepala Program Studi Kaprodi Teknik Informatika.
Analisis ini
dilakukan untuk
mempertimbangkan apakah kumpulan nilai yang dimiliki
Kategori