Implementasi Kelas Graph_ NaiveNL.java

Selanjutnya adalah implementasi untuk menambahkan vertex pada graf yang ditunjukkan pada method addVertex. Deklarasi vertex[size++] = new Vertex _ NaiveNLlabel, nilai menyatakan pembentukan vertex baru, dimana sebuah vertex berisi label dan nilai. public void addVertexString label, ListDouble nilai { vertex[size++] = new Vertex _ NaiveNLlabel, nilai; } Listing Program 5.12 Method addVertex Implementasi penambahan edge terdapat pada metnod addEdge. Deklarasi matrix[asal][tujuan] = matrix[tujuan][asal] = jarak digunakan untuk mengisi edge pada matriks dua dimensi dengan nilai jarak. Sehingga isi edge dari vertex asal ke tujuan dan sebaliknya bernilai sesuai dengan nilai pada atribut jarak. public void addEdgeint asal, int tujuan, double jarak { matrix[asal][tujuan] = matrix[tujuan][asal] = jarak; } Listing Program 5.13 Method addEdge vertex = new Vertex _ NaiveNL[a]; for int i = 0; i a; i++ { for int j = 0; j a; j++ { matrix[i][j] = -1; matrix[j][i] = -1; } matrix[i][i] = 0; } } Listing Program 5.11 Implementasi Pembentukan Matriks Dua Dimensi Implementasi berikutnya adalah perhitungan jarak antar vertex dengan rumus Euclidean Distance yang terdapat pada method euclideanDistance seperti yang tertera pada listing 5.14. public double euclideanDistanceint asal, int tujuan { ListDouble awal = new ArrayListDouble; ListDouble akhir = new ArrayListDouble; awal = vertex[asal].getNilai; akhir = vertex[tujuan].getNilai; double total = 0; for int i = 0; i awal.size; i++ { total = total + awal.geti - akhir.geti awal.geti - akhir.geti; } return Math.sqrttotal; } Listing Program 5.14 Method euclideanDistance 147

BAB VI PENGUJIAN DAN ANALISA HASIL PENGUJIAN

6.1 Fase Implementasi Pengujian

Pada bab ini akan dibahas mengenai tahap pengembangan sistem pendeteksi outlier menggunakan algoritma Naïve Nested Loop yaitu pengujian sistem. Berikut merupakan tahap-tahap yang dilakukan dalam pengujian sistem :

6.1.1 Rencana Pengujian

Pengujian terhadap sistem ini meliputi tiga metode pengujian, yaitu pengujian Blackbox, pengujian efek perubahan nilai atribut penambangan data, dan pengujian review dan validitas oleh pengguna. Pengujian blackbox adalah metode pengujian perangkat lunak yang tes fungsionalitas dari aplikasinya tidak memperhatikan struktur internal dari perangkat lunak yang akan diuji C.Simanjuntak, dkk, 2010. Pengetahuan khusus dari kode aplikasi struktur internal dan pengetahuan pemrograman pada umumnya tidak diperlukan dalam pengujian ini. Pengujian Blackbox dilakukan untuk mengetahui apakah sebuah perangkat lunak sudah berfungsi dengan benar. Pada pengujian ini, semua fungsi pada sistem akan dijalankan dan dilihat kebenaran hasil keluarannya apakah sesuai dengan yang diharapkan. Pengujian review dan validitas dilakukan oleh pengguna, dalam hal ini Kaprodi Ketua Program Studi Teknik Informatika Universitas Sanata Dharma dengan cara mengkonfirmasi kebenaran hasil deteksi outlier yang diperoleh sistem. Untuk pengujian efek perubahan nilai atribut penambangan data dilakukan dengan cara mengubah nilai paramater yang dimiliki algoritma Naïve Nested Loop, yaitu nilai M dan dmin . Berikut ini merupakan tabel rencana pengujian blackbox yang akan dilakukan pada masing-masing kelas uji : Tabel 6.1 Tabel Rencana Pengujian Kelas Uji Butir Uji Jenis Pengujian DatabaseConnection Cek koneksi ke dalam basisdata dengan basisdata Oracle dan mySQL Blackbox Halaman Utama Menampilkan data file berekstensi .xls Blackbox Menampilkan data file berekstensi .csv Blackbox Menampilkan data dari tabel dalam basisdata Blackbox Menjalankan fungsi simpan hasil outlier Blackbox Melakukan seleksi atribut Blackbox Menampilkan hasil deteksi outlier Blackbox HalamanPilihDatabase Menampilkan Form PilihDatabase untuk login ke basisdata sesuai pilihan pengguna Blackbox HalamanTampilTabel Menampilkan daftar tabel dari basisdata sesuai pilihan pengguna Blackbox HalamanDistribusiAtribut Menampilkan tabel daftar per atribut beserta jumlah datanya Blackbox Menampilkan grafik distribusi per atribut Blackbox Halaman MissingValues Menampilkan pesan peringatan saat data yang berekstensi .xls memiliki baris kosong danatau mengandung karakter bukan angka Blackbox

Dokumen yang terkait

Deteksi outlier menggunakan Algoritma Local Correlation Integral (LOCI) : studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.

0 0 258

Deteksi outlier menggunakan Algoritma Local Outlier Probability : studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma.

0 5 265

Deteksi outlier menggunakan Algoritma Connectivity Based Outlier Factor : studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.

0 4 252

Deteksi Outlier menggunakan algoritma Block-Based Nested-Loop : studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma.

0 2 202

Deteksi outlier menggunakan algoritma Naive Nested Loop (studi kasus : data akademik mahasiswa program studi PS Universitas XYZ).

0 0 4

Deteksi outlier menggunakan Algoritma Connectivity Based Outlier Factor studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma

1 8 250

Deteksi outlier menggunakan Algoritma Local Outlier Probability studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma

1 9 263

Deteksi Outlier menggunakan algoritma Block Based Nested Loop studi kasus data akademik mahasiswa Program Studi Teknik Informatika Universitas Sanata Dharma

0 1 200

Deteksi outlier menggunakan Algoritma Local Correlation Integral (LOCI) studi kasus data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma

0 4 256

Deteksi Outlier menggunakan algoritma Naive Nested Loop : studi kasus data akademik mahasiswa Program Studi Teknik Informatika, Universitas Sanata Dharma, Yogyakarta - USD Repository

0 0 234