Contoh Jalannya Algoritma LANDASAN TEORI

2.4 Contoh Jalannya Algoritma

Misalnya sebuah database memiliki sebuah objek dan dilambangkan sebagai P 1 , P 2 , P 3 , P 4, P 5 , P 6 , P 7, P 8 , P 9 , P 10 , P 11 , P 12 , dan P 13 . Dari objek tersebut memiliki atribut nilai ips1, nil11, nil12, nil13, nil14, dan nil15. Tabel 2.2 merupakan tabel yang berisi data nilai dari 13 mahasiswa. Tabel 2.2 Data 13 Mahasiswa IPS 1 NIL11 NIL12 NIL13 NIL14 NIL15 P1 2.94 2.80 2.00 2.00 2.00 1.60 P2 1.72 1.20 0.80 3.20 1.20 0.40 P3 2.56 2.40 1.60 2.00 2.80 2.00 P4 2.44 2.00 2.00 2.40 2.00 2.00 P5 2.94 2.40 1.60 2.40 1.20 2.80 P6 1.89 2.40 2.00 2.40 2.40 2.80 P7 4.00 2.40 2.40 1.60 1.60 2.80 P8 1.44 4.00 2.00 3.60 2.40 2.80 P9 3.72 3.20 2.40 2.40 2.80 2.00 P10 1.72 2.80 2.40 3.20 3.20 0.80 P11 3.28 2.80 2.40 2.80 2.40 2.40 P12 2.89 2.40 2.00 2.00 2.80 2.00 P13 2.89 2.00 2.00 3.20 2.00 2.80

1. Menghitung jumlah

r-neighbors dari pi . Maka untuk contoh diatas langkah untuk menghitung jumlah r-neighbors dari obyek P2 adalah sebagai berikut. Diasumsikan nilai r = 6. Kemudian tandai yang jaraknya kurang dari sama dengan r. Tabel 2.3 merupakan tabel yang berisi tentang jumlah r-neighbors dari ke-13 obyek. Tabel 2.3 Jumlah r-neighbors dari pi Object r-neighbors np i ,r P1 P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13 13 P2 P2,P1,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13 13 P3 P3,P1,P2,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13 13 P4 P4,P1,P2,P3,P5,P6,P7,P8,P9,P10,P11,P12,P13 13 P5 P5,P1,P2,P3,P4,P6,P7,P8,P9,P10,P11,P12,P13 13 P6 P6,P1,P2,P3,P4,P5,P7,P8,P9,P10,P11,P12,P13 13 P7 P7,P1,P2,P3,P4,P5,P6,P8,P9,P10,P11,P12,P13 13 P8 P8,P1,P2,P3,P4,P5,P6,P7,P9,P10,P11,P12,P13 13 P9 P9,P1,P2,P3,P4,P5,P6,P7,P8,P10,P11,P12,P13 13 P10 P10,P1,P2,P3,P4,P5,P6,P7,P8,P9,P11,P12,P13 13 P11 P11,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P12,P13 13 P12 P12,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P13 13 P13 P13,P1,P2,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12 13

2. Menghitung jumlah

 r-neighbors dari pi . Selanjutnya mencari  r-neighbors dari objek P2 adalah sebagai berikut: a. Nilai  = 0.5. b. Nilai r = 3. c. Maka �, � atau jumlah ar-neighbors dari objek pi . Tabel 2.4 merupakan tabel yang berisi tentang jumlah  r-neighbors dari ke-13 obyek. Tabel 2.4 Jumlah  r-neighbors dari pi . Object r-neighbors np, r P1 P1,P3,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13 12 P2 P2,P4 2 P3 P3,P1,P4,P5,P6,P7,P8,P9,P10,P11,P12,P13 12 P4 P4,P1,P2,P3,P5,P6,P7,P8,P9,P10,P11,P12,P13 13 P5 P5,P1,P3,P4,P6,P7,P8,P9,P11,P12,P13 11 P6 P6,P1,P3,P4,P5,P7,P8,P9,P10,P11,P12,P13 12 P7 P7,P1,P3,P4,P5,P6,P9,P11,P12,P13 10 P8 P8,P1,P3,P4,P5,P6,P9,P10,P11,P12,P13 11 P9 P9,P1,P3,P4,P5,P6,P7,P8,P10,P11,P12,P13 12 P10 P10,P1,P3,P4,P6,P8,P9,P11,P12,P13 10 P11 P11,P1,P3,P4,P5,P6,P7,P8,P9,P10,P12,P13 12 P12 P12,P1,P3,P4,P5,P6,P7,P8,P9,P10,P11,P13 12 P13 P13,P4,P5,P6,P11 12

3. Menghitung rata-rata dari

np,  r pada r-neighbors dari pi. Selanjutnya adalah menghitung rata-rata dari �, � pada keseluruhan objek p pada r-neighborhood dari p .

4. Menghitung standar deviasi dari

np,  r pada r-neighbors . Setelah menghitung rata-rata �, � langkah selanjutnya adalah menghitung standar deviasi �, � pada r-neighbors .

5. Menghitung nilai MDEF untuk

pi pada radius r . MDEF dari sebuah objek dimana kepadatan lingkungannya cocok dengan rata rata local neighbourhood density akan bernilai 0. Kebalikannya MDEF dari outlier akan bernilai jauh dari 0

6. Menghitung standar deviasi MDEF.

Dimana  � , �, � =  ̂ � � ,�,  ̂ � � ,�,  , yaitu normalisasi deviasi  ̂ � , �,  dari � , � untuk �  ��, � .

7. Menghitung k

 MDEF. Pada tahap selanjutnya adalah membuktikan apakah objek tersebut merupakan outlier atau bukan, dengan cara nilai MDEF dikalikan dengan nilai �  , diasumsikan nilai �  = 3.

8. Local Correlation Integral

Jika nilai �   maka objek tersebut merupakan outlier , jika �   maka objek tersebut bukan termasuk outlier . Dari perhitungan di atas, objek P2 memiliki nilai �   . Maka dapat disimpulkan bahwa objek P2 termasuk outlier . Yang menjadi outlier di Semester 1 adalah mahasiswa ke 2, pada Semester 2 yang menjadi outlier adalah mahasiswa ke 2, pada Semester 3 yang menjadi outlier adalah mahasiswa ke 2, dan pada Semester 4 yang menjadi outlier adalah mahasiswa ke 2. 25

BAB III METODOLOGI PENELITIAN

Pada bab ini berisi mengenai metode penambangan data yang digunakan yaitu metode Knowledge Discovery in Database KDD yang dikemukakan oleh Jiawei Han dan Kamber.

3.1 Data yang Dibutuhkan

Pada penelitian ini data yang digunakan adalah data akademik mahasiswa yang meliputi nilai indeks prestasi semester dari semester satu sampai semester empat dan nilai tes masuk mahasiswa program studi Teknik Informatika fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta tahun angkatan 2007 dan 2008. Data tersebut diperoleh dari Gudang Data akademik mahasiwa Universitas Sanata Dharma hasil penelitian Rosa, dkk 2011. Data ini berupa script query yang berisi gudang data dengan format .sql kemudian data tersebut diolah. Data yang digunakan dalam penelitian ini adalah data nilai hasil tes masuk mahasiswa melalui jalur tes tertulis dan jalur prestasi. Dan juga data nilai indeks prestasi mahasiswa dari semester satu sampai dengan semester empat.

3.2 Pengolahan Data

Berikut adalah tahapan yang dilakukan dalam pengolahan data:

3.2.1 Penggabungan Data

Data Integration Pada tahap ini mengekstrak skrip .sql tersebut di dalam SQLyog. Setelah skrip tersebut di eksrak akan menghasilkan sebuah database bernama “gudangdata” yang terdiri dari dim_angkatan, dim, dim_daftarsmu, dim_fakultas, dim_jeniskel, dim_kabupaten, dim_prodi, dim_prodifaks, dim_statuses, dan fact_lengkap2. Gambar 3.2 merupakan isi database “gudangdata”.