perkalian tersebut akan dikurangi dengan nilai minimum baru dari atribut a. Maka hasil penjumlahan tersebut akan
menghasilkan nilai yang sudah dinormalisasi. Tabel 3.4 merupakan tabel yang berisi data atribut nill11, nil12, nil13,
nil14, dan nil15 yang belum di normalisasi.
Tabel 3.4 Contoh atribut nil11, nil12, nil13, nil14, dan nil15 setelah di normalisasi
No Ips1
Ips2 Ips3 Ips4
Final Normalisasi
1 2.06
2.32 2.91
3.00 2.712
2 2.72
2.50 2.96
2.38 2.710
3 3.33
3.48 3.78
3.48 2.776
4 2.39
3.00 2.43
2.82 2.864
5 2.11
2.71 2.43
2.45 2.950
6 3.00
2.96 2.61
3.29 2.703
7 3.72
3.56 3.43
3.67 3.147
8 3.44
3.04 2.88
3.48 2.853
9 2.17
2.70 3.09
3.63 2.880
10 3.89
3.75 3.00
3.62 3.080
11 2.89
3.68 2.88
3.76 2.920
12 3.11
3.08 2.78
3.48 2.727
13 2.00
2.00 2.29
3.00 3.084
3.2.4 Penambangan Data
Data Mining
Data mining merupakan proses mengekstrak informasi atau pengetahuan dari data dalam jumlah yang besar. Dalam penelitian ini,
metode yang digunakan adalah metode analisis
outlier
dengan menggunakan pendekatan
density based
. Algoritma yang digunakan adalah
Local Correlation Integral LOCI
. Data yang digunakan adalah data akademik mahasiswa Program Studi Teknik Informatika
di Universitas Sanata Dharma angkatan 2007 dan 2008 dari semester satu sampai dengan semester empat.
Pada tahap ini terdapat beberapa variabel yang digunakan, antara lain:
1. Variabel Input
Variabel input yang digunakan terdiri dari nil11, nil12, nil13, nil14, nil15, dan nilai final. Dan terdiri dari nilai per semester
yaitu nilai ips1, ips2, ips3, dan ips4.
2. Variabel output
Variabel output yang digunakan adalah data mahasiswa yang menjadi
outlier
dari hasil perhitungan dengan algoritma
Local Correlation Integral
dari data nilai hasil seleksi masuk dan nilai mahasiswa dari semester satu sampai dengan semester 4.
Keluaran ini berupa nomor urut mahasiswa, MDEF, K MDEF,
jumlah
outlier
, dan lama deteksi
outlier
.
3.2.5 Evaluasi Pola
Pattern Evaluation
Evaluasi pola merupakan proses mengidentifikasi apakah pola atau informasi yang ditemukan sesuai fakta atau hipotesa yang ada
sebelumnya. Luaran yang diperoleh berupa data-data
outlier
menggunakan algoritma
Local Correlation Integral
dan akan diuji kebenarannya oleh pemilik data apakah hipotesa
outlier
yang mereka miliki sama dengan hasil yang diperoleh sistem.
3.2.6 Presentasi Pengetahuan
Knowledge Presentation
Knowledge presentation merupakan proses merepresentasikan pola kepada pengguna ke dalam bentuk yang mudah dimengerti.
Dengan adanya sistem ini, diharapkan dapat membantu pihak Universitas Sanata Dharma dalam mendeteksi
outlier
melalui hasil tes
masuk baik melalui jalur tes tertulis maupun jalur prestasi dan nilai per semester dari semester 1 sampai dengan semester 4.
35
BAB IV ANALISIS DAN PERANCANGAN SISTEM
