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