6. Hasil akhir penelitian difokuskan pada aspek penambangan aturan asosiasi langka bukan aspek efektivitas dan kemudahan pengguna dalam
menggunakan sistem.
I. 5. Luaran Penelitian
Luaran dari penelitian ini adalah aplikasi pendeteksi aturan asosiasi langka yang diberi nama Sistem Deteksi Aturan Asosiasi Langka SDAAL dan
mempunyai kemampuan untuk mendeteksi aturan asosiasi langka dalam kumpulan data yang tersimpan dalam media penyimpanan basis data.
I. 6. Manfaat dan Kegunaan Penelitian
Manfaat dan kegunaan penelitian ini meliputi : 1. Sistem aplikasi yang dihasilkan dari penelitian ini dapat digunakan untuk
membantu menemukan aturan asosiasi langka dalam basis data. 2. Aturan yang dihasilkan bisa digunakan untuk pertimbangan dalam berbagai
hal sesuai dengan konteks data yang diproses dalam sistem aplikasi.
I. 7. Metodologi Penelitian
Metodologi pengembangan sistem dilakukan sesuai dengan model pengembangan sistem waterfall Pressman, 2002. Metodologi yang digunakan
dalam melaksanakan penelitian ini meliputi :
I.7. 1. Analisis
Analisis dilakukan untuk mengetahui hal-hal apa saja yang dibutuhkan untuk pengembangan sistem. Studi literatur dilakukan untuk mengetahui
kebutuhan-kebutuhan mengenai pendeteksian aturan langka dalam basis data yang berukuran besar, teknik-teknik pendeteksiannya serta perbandingan terhadap
penelitian lain yang pernah dilakukan sebelumnya. Selain itu dalam tahap ini juga terdapat diagram use case yang digunakan untuk menggambarkan hasil analisis
kebutuhan terkait dengan proses pendeteksian aturan asosiasi langka.
I.7. 2. Desain
Desain yang dilakukan meliputi desain pengembangan sistem pendeteksi aturan asosiasi langka seperti desain diagram aktivitas, desain kelas UML,
diagram sekuen, desain antar muka pengguna, dan algoritma yang akan digunakan.
I.7. 3. Implementasi
Implementasi dilakukan untuk mengembangkan sebuah sistem pendeteksi aturan asosiasi langka rare association rule yang diberi nama Sistem Deteksi
Aturan Asosiasi Langka. Implementasi yang dilakukan sesuai dengan desain yang telah dibuat. Pengembangan sistem dilakukan sesuai dengan model
pengembangan sistem waterfall Pressman, 2002 dengan menggunakan NetBeans IDE 6.7.1.
I.7. 4. Pengujian
Pada penelitian ini dilakukan 3 jenis pengujian yaitu pengujian validitas sistem, pengujian efek perubahan nilai atribut penambangan data, dan black box.
Pengujian validitas sistem dilakuan dengan cara membandingkan aturan yang dihasilkan dari perhitungan secara manual, perhitungan menggunakan sistem dan
hasil dari jurnal ilmiah Koh Pears, 2010. Pengujian validitas sistem menggunakan tiga dataset yang akan diuji satu per satu. Dataset yang akan
digunakan adalah dataset congressional votes, zoo, heart Cleveland yang didapat dari UCI Machine Learning Repository yang berada pada website
archive.ics.uci.edumlmachine-learning-databases. Sedangkan untuk uji efek perubahan nilai atribut penambangan data adalah dengan cara merubah
– rubah setiap nilai dari atribut penambangan data yaitu minmum support threshold
system, minimum support, maximum support, minimum confidence. Untuk metode pengujian blackbox, metode yang digunakan adalah metode yang berfokus
pada persyaratan fungsional perangkat lunak yang dibuat, sehingga tidak tergantung pada proses yang dilakukan oleh sistem secara internal.
I. 8. Sistematika Penulisan
Adapun sistematika penulisan tugas akhir ini adalah sebagai berikut: 1. Bab I Pendahuluan
Pendahuluan berisi tentang latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, luaran penelitian, manfaat dan kegunaan penelitian,
metode penelitian, dan sistematika penulisan.
2. Bab II Tinjauan Pustaka Tinjauan Pustaka berisi tentang teori yang akan digunakan dalam
penulisan tugas akhir dan proses penyelesaiannya. Teori yang digunakan adalah pertama penambangan data data mining, ke dua proses penambangan data yang
terdiri dari Pembersihan Data Data Cleaning, Penggabungan Data Data Integration , Seleksi Data Data Selection, Transformasi Data Data
Transformation , Penambangan Data Data Mining , Evaluasi Pola Pattern Evaluation , Presentasi Pengetahuan Knowledge Presentation . Teori yang ke
tiga adalah mengenai algoritma penambangan data yang terdiri dari klasifikasi, klastering, asosiasi, algoritma apriori, dan penambangan aturan asosiasi langka.
Teori yang ke empat adalah teori mengenai algoritma penambangan aturan asosisasi langka yang terdiri dari apriori inverse, algoritma APIC Apriori Inverse
with Clustering, dan contoh penerapan algoritma APIC. 3. Bab III Analisis dan Perancangan
Analisa dan perancangan berisi tentang identifikasi dan analisis sistem, perancangan sistem. Komponen yang dibahas pertama adalah identifikasi dan
anaslisi sistem yang terdiri dari diagram use case dan narasi use case. Komponen ke dua adalah perancangan sistem secara umum meliputi input, proses, dan
output. Komponen ke tiga adalah perancangan sistem yang terdiri dari diagram konteks, diagram aktivitas, diagram kelas analisis, diagram kelas disain, diagram
sekuen, algoritma, dan disain antarmuka dengan pengguna.
4. Bab IV Implementasi Penambangan Data Implementasi program berisi tentang implementasi antar muka sistem,
implementasi pengecekan masukan, implementasi dataset dan analisa dari masing masing tampilan program.
5. Bab V Pengujian Dan Analisa Hasil Pengujian Pengujian
berisi tentang
pengujian validitas
program dengan
menggunakan uji coba terhadap berbagai jenis dataset. Sedangkan untuk analisa hasil pengujian berisi tentang pembahasan umum mengenai program, hasil
analisa, dan pemaparan hasil pengujian. 6. Bab VI Kesimpulan dan Saran
Kesimpulan dan saran berisi tentang kesimpulan dan saran dari penulis tugas akhir mengenai penelitian yang dilakukan.
7. Daftar Pustaka Daftar pustaka berisi tentang referensi yang digunakan dalam penyusunan
tugas akhir.
11
BAB II TINJAUAN PUSTAKA
II. 1. Pengertian Penambangan Data
Istilah Penambangan data data mining sudah berkembang jauh dalam mengadaptasi setiap bentuk analisa data. Pada dasarnya data mining berhubungan
dengan analisa data dan penggunaan teknik-teknik perangkat lunak untuk mencari pola dan keteraturan dalam himpunan data yang sifatnya tersembunyi. Namun saat
ini penambangan data jauh berkembang dengan adanya algoritma penambangan data yang membantu dalam melakukan ekstraksi informasi penting dari jumlah
data yang besar. Penambangan data dapat diartikan sebagai
“suatu proses ekstraksi informasi berguna dan potensial dari sekumpulan data yang terdapat secara
implisit dalam suatu basis data ” Han Kamber, 2006. Penambangan data
merupakan bagian dari knowledge discovery in databases KDD, dimana penambangan data berfungsi sebagai proses untuk mengekstrak data menjadi
informasi yang berguna.
II. 2. Proses Penambangan Data
Menurut Jiawei Han dan Kamber dalam bukunya “Data Mining: Concepts And Techniques” proses penambangan data terdiri dari beberapa tahap, yaitu:
