mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007- 2008.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah dalam penelitian ini adalah :
1. Bagaimana algoritma Local Outlier Probability LoOP dapat mendeteksi outlier dari data nilai akademik mahasiswa?
1.3 Batasan Masalah
Batasan masalah pada penelitian ini adalah sebagai berikut : 1. Penggunaan algoritma Local Outlier Probability LoOP yang
digunakan sebagai sarana untuk mendeteksi outlier pada kumpulan data numerik nilai PMB dan nilai IPS mahasiswa Teknik Informatika
Universitas Sanata Dharma. 2. Data yang digunakan adalah kumpulan data numerik nilai PMB dan
nilai IPS mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah sebagai berikut : 1. Menerapkan algoritma Local Outlier Probability LoOP untuk
mendeteksi outlier pada kumpulan data numerik nilai PMB dan nilai IPS mahasiswa Teknik Informatika Universitas Sanata Dharma.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah sebagai berikut : 1. Menambah pengetahuan tentang kemampuan algoritma Local Outlier
Probability LoOP dalam mendeteksi outlier dengan studi kasus data
akademik mahasiswa Teknik Informatika Universitas Sanata Dharma. 2. Memberikan informasi kepada pihak Universitas dalam mendeteksi
anomali data yang ada pada data akademik mahasiswa.
1.6 Metodologi Penelitian
Metodologi yang digunakan dalam penelitian ini adalah : 1. Studi Pustaka
Metode ini merupakan salah satu metode penelitian yang dilakukan dengan cara mempelajari hal-hal yang berkaitan dengan deteksi outlier
menggunakan algoritma Local Outlier Probability LoOP dan mengumpulkan informasi yang didapat dari berbagai sumber,
diantaranya adalah artikel, karya ilmiah terdahulu, dan website internet. 2. Teknik Data Mining
Pada metode ini menggunakan metode KDD Knowledge Discovery in Databases
yang dikemukakan oleh Jiawei Han dan Kamber. Langkah- langkahnya adalah sebagai berikut :
a. Penggabungan Data Data Integration Proses menggabungkan data dari beberapa sumber agar data dapat
terangkum ke dalam tempat penyimpanan atau satu tabel yang utuh. b. Seleksi Data Data Selection
Proses pemilihan atribut-atribut yang relevan untuk dilakukan penambangan data. Sedangkan, atribut yang tidak sesuai akan
dihilangkan. c. Transformasi Data Data Transformation
Pada proses
ini data
yang sudah
diseleksi selanjutnya
ditransformasikan ke dalam bentuk yang sesuai untuk ditambang.
d. Penambangan Data Data Mining Proses mengaplikasikan metode yang tepat untuk mendapatkan pola
pada suatu kumpulan data. Dalam penelitian ini, metode yang digunakan adalah metode analisis outlier dengan menggunakan
pendekatan density based. Algoritma yang digunakan untuk mendeteksi outlier adalah algoritma Local Outlier Probability
LoOP. e. Evaluasi Pola Pattern Evaluation
Tahap ini merupakan bagian dari proses pencarian pengetahuan yang mencakup pemeriksaan apakah pola atau informasi yang ditemukan
bertentangan dengan fakta atau hipotesa yang ada sebelumnya. f. Presentasi Pengetahuan Knowledge Presentation
Pada tahap ini pola yang telah didapat selanjutnya direpresentasikan kepada pengguna ke dalam bentuk yang lebih mudah untuk
dipahami.
1.7 Sistematika Penulisan