Penerapan algoritma MixCBLOF berbasis klaster untuk identifikasi outlier pada data hasil ujian nasional, indeks integritas, dan akreditasi SMA di Daerah Istimewa Yogyakarta

PENERAPAN ALGORITMA MIXCBLOF BERBASIS KLASTER UNTUK IDENTIFIKASI OUTLIER PADA DATA HASIL UJIAN NASIONAL,

INDEKS INTEGRITAS, DAN AKREDITASI SMA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh : I. Kristanto Riyadi

NIM : 135314062

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

ii

PENERAPAN ALGORITMA MIXCBLOF BERBASIS KLASTER UNTUK IDENTIFIKASI OUTLIER PADA DATA HASIL UJIAN NASIONAL,

INDEKS INTEGRITAS, DAN AKREDITASI SMA DI DAERAH ISTIMEWA YOGYAKARTA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh : I. Kristanto Riyadi

NIM : 135314062

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

iii

IMPLEMENTATION OF MIXCBLOF ALGORITHM BASED CLUSTER

FOR OUTLIER IDENTIFICATION IN NATIONAL DATA SCORES,

INTEGRITY INDEX, AND ACCREDITATION OF SENIOR HIGH SCHOOL IN YOGYAKARTA

FINAL PROJECT

Present as Partial Fullfillment of the Requirements to Obtain the Sarjana Komputer Degree in Informatics Engineering Study Program

By :

I. Kristanto Riyadi NIM : 135314062

INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2017

vi

HALAMAN PERSEMBAHAN

“Mintalah, maka akan diberikan kepadamu; carilah, maka kamu

akan mendapat; ketoklah, maka pintu

akan dibukakan bagimu”

(Mat 7:7)

Karya ini kupersembahkan kepada : Orangtuaku, P. Sutarmijan dan M.Sumaryati

Saudara-saudaraku Sahabat

viii ABSTRAK

Dalam makalah ini dijabarkan mengenai algoritma MixCBLOF untuk mendeteksi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA di Daerah Istimewa Yogyakarta. Penulis menggunakan Knowledge Discovery in Database (KDD) yang terdiri dari pembersihan data, integrasi data, seleksi data, transformasi data, dan penambangan data. Pada tahap pembersihan data dan integrasi data dilakukan secara manual. Selanjutnya penulis merancang perangkat lunak sebagai alat untuk melakukan tahap evaluasi pola dari hasil penambangan data yang diperoleh dari perangkat lunak. Perangkat lunak diujikan dengan menggunakan dua dataset yang merupakan data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA tahun ajaran 2014/2015 di Daerah Istimewa Yogyakarta jurusan IPA dan jurusan IPS. Berdasarkan penelitian yang telah dilakukan, dapat diketahui bahwa algoritma MixCBLOF dapat digunakan untuk mendeteksi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA. Pendeteksian outlier dipengaruhi oleh nilai b dan nilai Akreditasi SMA.

Kata Kunci – Algoritma MixCBLOF, Deteksi Outlier, Ujian Nasional, Indeks Integritas Ujian Nasional, Akreditasi, Penambangan Data

ix ABSTRACT

This paper describes the MixCBLOF algorithm to detect outliers on National Examination data, Integrity Index of National Examination, and SMA Accreditation in Yogyakarta. The writer uses Knowledge Discovery in Database (KDD) which consists of data cleaning, data integration, data selection, data transformation, and data mining. At the data cleaning stage and data integration conducted them manually. Furthermore the writer designed the software as a tool to perform the pattern evaluation stage of the data mining obtained from the software. The software is tested using two datasets which are National Exam result data, Integrity Index of National Examination, and SMA Accreditation in the academic year of 2014/2015 in Yogyakarta majoring in science and social studies majors. Based on the research that has been done, it can be seen that MixCBLOF can be used to detect outliers on National Examination, Integrity Index of National Examination, and SMA Accreditation. Outlier detection is influenced by b value and value of SMA Accreditation.

Keywords – MixCBLOF Algorithm, Outlier Detection, National Exam, Integrity Index of National Examination, Accreditation, Data Mining

xi

KATA PENGANTAR

Puji syukur kepada Tuhan Yesus Kristus yang selalu menyertai dan membimbing saya dalam menyelesaikan skripsi yang berjudul “Penerapan Algoritma MixCBLOF Berbasis Klaster untuk Identifikasi Outlier Pada Data Hasil Ujian Nasional, Indeks Integritas, dan Akreditasi SMA di Daerah Istimewa Yogyakarta”.

Skripsi ini tidak dapat saya selesaikan tanpa bantuan dan dukungan dari pihak lain. Untuk itu, dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada:

1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat menyelesaikan tugas akhir ini.

2. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi.

3. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika dan juga selaku Dosen Metodologi Penelitian yang telah memberikan waktu, bimbingan, dan nasihat kepada penulis.

4. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis.

5. Bapak Alb. Agung Hadhiatma, M.T. selaku Dosen Pembimbing Akademik penulis.

6. Seluruh Dosen, sekretariat, laboran, staff, dan perpustakaan yang telah membimbing dan membantu selama proses perkuliahan di Universitas Sanata Dharma.

7. Orangtuaku, Petrus Sutarmijan dan Maria Sumaryati serta saudara-saudaraku terkasih, terima kasih atas doa, kesabaran, perhatian, dukungan dan kesempatan yang diberikan sehingga skripsi ini dapat selesai.

xiii DAFTAR ISI

HALAMAN JUDUL ... ii

TITLE PAGE ... iii

HALAMAN PERSETUJUAN ...Error! Bookmark not defined. HALAMAN PENGESAHAN...Error! Bookmark not defined. PERNYATAAN KEASLIAN KARYA ...Error! Bookmark not defined. ABSTRAK ... viii

ABSTRACT ... ix

PERSETUJUAN PUBLIKASI KARYA ILMIAH ...Error! Bookmark not defined. KATA PENGANTAR ... xi

DAFTAR ISI ... xiii

DAFTAR TABEL ... xvii

DAFTAR GAMBAR ... xix

BAB IPENDAHULUAN ... 1

1.1 LATAR BELAKANG ... 1

1.2 RUMUSAN MASALAH ... 4

1.3 TUJUAN ... 4

1.4 BATASAN MASALAH ... 4

1.5 MANFAAT PENELITIAN... 5

1.6 METODOLOGI PENELITIAN ... 5

1.7 SISTEMATIKA PENULISAN ... 6

BAB II LANDASAN TEORI ... 8

2.1 PENAMBANGAN DATA ... 8

2.1.1 Pengertian Penambangan Data ... 8

2.1.2 Asal-usul Penambangan Data ... 8

2.1.3 Tugas-tugas Penambangan Data ... 9

2.1.4 Knowledge Discovery in Databases (KDD) ... 10

2.2 OUTLIER ... 12

2.2.1 Pengertian Outlier ... 12

xiv

2.3 MixCBLOF (Mix Cluster Based Local Outlier Factor) ... 14

2.3.1 CBLOF (Cluster Based Local Outlier Factor) ... 14

2.3.2 NCBLOF (Numerical Cluster Based Local Outlier Factor) ... 16

2.3.3 Algoritma MixCBLOF ... 17

2.4 STRUKTUR DATA ... 18

BAB IIIMETODOLOGI PENELITIAN... 21

3.1 BAHAN RISET/ DATA ... 21

3.2 PERALATAN PENELITIAN ... 27

3.3 TAHAP-TAHAP PENELITIAN ... 27

BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA ... 31

4.1 PEMROSESAN AWAL ... 31

4.1.1 Pembersihan Data ... 31

4.1.2 Integrasi Data ... 31

4.1.3 Seleksi Data ... 32

4.1.4 Transformasi Data ... 35

4.2 PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA ... 35

4.2.1 Perancangan Umum ... 35

4.2.1.1 Input Sistem ... 35

4.2.1.2 Proses Sistem ... 36

4.2.1.3 Output Sistem ... 37

4.2.2 Diagram Use Case ... 37

4.2.3 Diagram Aktivitas ... 39

4.2.4 Diagram Kelas Analisis ... 39

4.2.5 Diagram Sekuen ... 39

4.2.6 Perancangan Struktur Data ... 39

4.2.7 Diagram Kelas Disain ... 41

4.2.8 Algoritma per Method ... 41

4.2.9 Perancangan Antarmuka ... 41

4.2.9.1 Perancangan Halaman Awal ... 42

4.2.9.2 Perancangan Halaman Proses ... 43

xv

4.2.9.4 Perancangan Halaman Tentang ... 47

BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL ... 48

5.1 IMPLEMENTASI RANCANGAN PERANGKAT LUNAK ... 48

5.1.1 Implementasi Kelas Model ... 48

5.1.2 Implementasi Kelas View ... 48

5.1.3 Implementasi Kelas Control ... 57

5.2 EVALUASI HASIL ... 58

5.2.1 Pengujian Perangkat Lunak (Black Box) ... 58

5.2.1.1. Rencana Pengujian Black Box ... 58

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji ... 58

5.2.1.3. Evaluasi Pengujian Black Box ... 58

5.2.2 Pengujian Perbandingan Hasil Pencarian Outlier Secara Manual dengan Hasil Pencarian Outlier menggunakan Perangkat Lunak ... 59

5.2.2.1. Pencarian Outlier Secara Manual... 59

5.2.2.2. Pencarian Outlier menggunakan Perangkat Lunak ... 59

5.2.2.3. Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil Perangkat Lunak ... 61

BAB VI ANALISIS HASIL DAN PEMBAHASAN ... 62

6.1. DATASET ... 62

6.2. HASIL IDENTIFIKASI OUTLIER ... 62

6.2.1. Hasil Identifikasi Outlier Dataset Jurusan IPA ... 62

6.2.2. Hasil Identifikasi Outlier Dataset Jurusan IPS ... 72

6.3. ANALISIS HASIL IDENTIFIKASI OUTLIER ... 82

6.3.1. Analisis Hasil Identifikasi Outlier Dataset Jurusan IPA ... 82

6.3.2. Analisis Hasil Identifikasi Outlier Dataset Jurusan IPS ... 84

6.4. KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK ... 85

6.4.1. Kelebihan Perangkat Lunak ... 85

6.4.2. Kekurangan Perangkat Lunak ... 85

BAB VII PENUTUP ... 86

7.1. KESIMPULAN ... 86

7.2. SARAN ... 88

xvi

LAMPIRAN 1 : NARASI USE CASE ... 91

LAMPIRAN 2 : DIAGRAM AKTIVITAS ... 95

LAMPIRAN 3 : DIAGRAM KELAS ANALISIS... 98

LAMPIRAN 4 : DIAGRAM SEQUENCE ... 99

LAMPIRAN 5 : DIAGRAM KELAS DISAIN ... 102

LAMPIRAN 6 : ALGORITMA PER METHOD ... 103

LAMPIRAN 7 : PROSEDUR PENGUJIAN DAN KASUS UJI ... 110

xvii

DAFTAR TABEL

Tabel 3. 1 Nilai UN Jurusan IPA ... 21

Tabel 3. 2 Nilai UN Jurusan IPS ... 22

Tabel 3. 3 Nilai IIUN Jurusan IPA ... 22

Tabel 3. 4 Nilai IIUN Jurusan IPS ... 22

Tabel 3. 5 Nilai Akreditasi SMA ... 23

Tabel 3. 6 Atribut Data Nilai UN Jurusan IPA ... 23

Tabel 3. 7 Atribut Data Nilai UN Jurusan IPS ... 24

Tabel 3. 8 Atribut Data NIlai IIUN Jurusan IPA ... 25

Tabel 3. 9 Atribut Data Nilai IIUN Jurusan IPS ... 26

Tabel 3. 10 Atribut Data Nilai Akreditasi SMA ... 26

Tabel 4. 1 Hasil Integrasi Jurusan IPA ... 32

Tabel 4. 2 Hasil Integrasi Jurusan IPS ... 32

Tabel 4. 3 Hasil Seleksi Atribut Jurusan IPA ... 33

Tabel 4. 4 Hasil Seleksi Atribut Jurusan IPS ... 34

Tabel 5. 1 Implementasi Kelas Model ... 48

Tabel 5. 2 Implementasi Kelas View ... 48

Tabel 5. 3 Spesifikasi detail kelas Hal_Utama.java ... 49

Tabel 5. 4 Spesifikasi detail kelas Hal_Proses.java ... 50

Tabel 5. 5 Spesifikasi detail frame frameDeteksi ... 53

Tabel 5. 6 Spesifikasi detail kelas Hal_Bantuan.java ... 54

Tabel 5. 7 Spesifikasi detail kelas Hal_Tentang.java ... 56

Tabel 5. 8 Implementasi kelas Controller ... 57

Tabel 5. 9 Rencana pengujian Black Box ... 58

xviii

Tabel 6. 2 Hasil pengujian kedua jurusan IPA ... 64

Tabel 6. 3 Hasil pengujian ketiga jurusan IPA ... 65

Tabel 6. 4 Hasil pengujian keempat jurusan IPA ... 65

Tabel 6. 5 Hasil pengujian kelima jurusan IPA ... 66

Tabel 6. 6 Hasil pengujian keenam jurusan IPA ... 67

Tabel 6. 7 Hasil pengujian ketujuh jurusan IPA ... 68

Tabel 6. 8 Hasil pengujian kedelapan jurusan IPA ... 69

Tabel 6. 9 Hasil pengujian kesembilan jurusan IPA ... 70

Tabel 6. 10 Hasil pengujian kesepuluh jurusan IPA ... 71

Tabel 6. 11 Hasil pengujian pertama jurusan IPS ... 72

Tabel 6. 12 Hasil pengujian kedua jurusan IPS ... 73

Tabel 6. 13 Hasil pengujian ketiga jurusan IPS ... 74

Tabel 6. 14 Hasil pengujian keempat jurusan IPS ... 75

Tabel 6. 15 Hasil pengujian kelima jurusan IPS ... 76

Tabel 6. 16 Hasil pengujian keenam jurusan IPS ... 77

Tabel 6. 17 Hasil pengujian ketujuh jurusan IPS ... 78

Tabel 6. 18 Hasil pengujian kedelapan jurusan IPS ... 79

Tabel 6. 19 Hasil pengujian kesembilan jurusan IPS ... 80

Tabel 6. 20 Hasil pengujian kesepuluh jurusan IPS ... 81

Tabel 6. 21 Hasil Identifikasi Outlier jurusan IPA ... 83

xix

DAFTAR GAMBAR

Gambar 2. 1 Asal-usul Penambangan Data ... 9

Gambar 2. 2 Proses KDD ... 11

Gambar 2. 3 Ilustrasi ArrayList ... 19

Gambar 2. 4 Ilustrasi Matriks ... 19

Gambar 4. 1 Diagram Flowchart ... 36

Gambar 4. 2 Diagram Flowchart Deteksi Outlier ... 37

Gambar 4. 3 Diagram Use Case... 38

Gambar 4. 4 Perancangan Arraylist ... 40

Gambar 4. 5 Perancangan Matriks ... 40

Gambar 4. 6 Rancangan Antarmuka Halaman Utama ... 42

Gambar 4. 7 Rancangan Antarmuka Halaman Proses ... 43

Gambar 4. 8 Rancangan Antarmuka Frame Hasil ... 44

Gambar 4. 9 Rancangan Dialog Pilih Penyimpanan ... 45

Gambar 4. 10 Rancangan Halaman Bantuan ... 46

Gambar 4. 11 Rancangan Halaman Tentang ... 47

Gambar 5. 1 Implementasi Antarmuka Hal_Utama ... 50

Gambar 5. 2 Implementasi Antarmuka kelas Hal_Proses ... 52

Gambar 5. 3 Implementasi Antarmuka frameDeteksi ... 54

Gambar 5. 4 Implementasi Antarmuka Hal_Bantuan ... 55

Gambar 5. 5 Implementasi Antarmuka Hal_Tentang ... 57

Gambar 5. 6 Hasil Penambangan Data menggunakan Perangkat Lunak ... 60

BAB I

PENDAHULUAN

1.1Latar Belakang

Dewasa ini, teknologi berkembang dengan begitu pesat. Perkembangan teknologi mengakibatkan data juga ikut semakin berkembang, sehingga jumlah data semakin banyak. Data dengan ukuran yang sangat banyak muncul dari berbagai bidang, mulai dari bidang kesehatan/ forensik, bidang pendidikan, dan bidang-bidang lainnya. Namun, seringkali data yang mempunyai ukuran yang sangat besar biasanya jarang atau bahkan tidak menghasilkan suatu informasi. Semakin bertambah banyaknya data, kemungkinan besar ada beberapa/banyak data yang tidak terpakai dalam suatu analisis tertentu. Untuk itu diperlukan sebuah alat untuk menambang data yang sangat banyak yang tidak memiliki suatu informasi menjadi sebuah informasi yang berguna. Maka dari itu, data mining atau yang biasa disebut penambangan data mempunyai peran yang sangat tinggi untuk melakukan proses menambang data yang sangat banyak, sehingga dapat disimpulkan bahwa penambangan data merupakan proses dari menemukan pengetahuan atau pola yang menarik dari jumlah data yang besar/banyak (Han & Kamber, 2012).

Penambangan data memiliki beberapa langkah untuk menemukan sebuah pengetahuan dari sebuah data, yang biasa disebut dengan Knowledge Discovery in Databases (KDD). Langkah-langkah tersebut yaitu data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, dan knowledge presentation. Langkah 1 sampai dengan langkah 4 merupakan proses untuk mengolah data agar data siap untuk ditambang. Kemudian, langkah data mining merupakan proses yang digunakan untuk mengekstrak pola data (Han & Kamber, 2012).

Penambangan data memiliki banyak teknik atau metode, salah satu teknik dalam penambangan data yang dikenal adalah mencari data yang tidak sesuai dengan harapan, yang biasa disebut outlier detection (Han & Kamber, 2012). Outlier merupakan sebuah pengamatan yang menyimpang begitu banyak dari pengamatan lainnya untuk membangkitkan kecurigaan bahwa hal tersebut dihasilkan oleh berbagai mekanisme (Hawkins, 1980).

Pendeteksian outlier mempunyai 5 pendekatan, yaitu statistical approach, proximity-based approach, clustering-based approach, classification-based approach, dan high-dimensional data (Han & Kamber, 2012). Pada setiap pendekatan mempunyai beberapa algoritma yang bisa diterapkan untuk mengidentifikasi atau pendeteksian outlier. Salah satu contoh yaitu algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor) yang merupakan salah satu algoritma dengan pendekatan clustering-based. Algoritma MixCBLOF ini merupakan pengembangan dari algoritma CBLOF (Cluster Based Local Outlier Factor) yang hanya dapat menangani outlier dengan set data yang seragam yaitu set data numerik (Maryono & Djunaidy, 2010). Namun, Maryono & Djunaidy pada tahun 2010 mengembangkan algoritma CBLOF menjadi algoritma MixCBLOF yang dapat menangani outlier dengan set data campuran atau bisa dikatakan dapat menggunakan set data numerik dan set data kategorikal.

Teknik pendeteksian outlier dengan menggunakan algoritma MixCBLOF ini kemungkinan dapat diterapkan pada bidang pendidikan di Sekolah Menengah Atas (SMA). Pendidikan pada jenjang SMA memiliki data Ujian Nasional (UN) berupa nama sekolah, nilai UN, nilai Indeks Integritas Ujian Nasional (IIUN), dan Akreditasi sekolah. Nilai Ujian Nasional (UN) merupakan nilai yang dihasilkan dari Ujian Nasional yang diselenggarakan secara nasional pada sekolah-sekolah (sekolah menengah pertama, dan sekolah menengah atas), atribut nilai UN merupakan atribut numerik. Nilai Indeks Integritas Ujian Nasional (IIUN) merupakan penilaian kejujuran dalam pelaksanaan Ujian Nasional, atribut nilai IIUN merupakan atribut numerik. Nilai Akreditasi merupakan pengakuan oleh badan yang berwenang terhadap

3

sekolah-sekolah yang memenuhi syarat kebakuan dan kriteria tertentu, atribut nilai akreditasi sekolah merupakan atribut kategorikal.

Maria Renia Octaviani (2015) sudah pernah melakukan penelitian mengenai outlier yang digunakan sebagai topik skripsi yaitu pendeteksian outlier pada nilai Ujian Nasional Sekolah Menengah Atas di Provinsi Daerah Istimewa Yogyakarta pada tahun ajaran 2011-2014 dengan menggunakan algoritma INFLO (Influenced Outliernes). Penelitian ini merupakan pengembangan penelitian di atas, karena pendeteksian outlier pada penelitian ini dilakukan pada nilai Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi seluruh SMA yang ada di DIY pada tahun 2015 dengan menggunakan algoritma MixCBLOF. Pemilihan data UN SMA tahun 2015 karena pada tahun tersebut IIUN baru digunakan.

Penelitian ini diharapkan dapat menghasilkan informasi atau suatu pengetahuan mengenai kejadian langka yang ada pada kasus outlier di SMA. Data UN SMA sangat menarik untuk diidentifikasi outlier karena bisa saja pada data UN tersebut memiliki karakter yang unik/ berbeda dengan yang lainnya. Misalnya seperti nilai UN yang tinggi namun memiliki nilai IIUN/ akreditasi yang rendah begitu pula sebaliknya. Hasil yang didapatkan dari penelitian ini yaitu menampilkan suatu SMA dengan data UN yang unik dengan SMA yang lainnya. Hasil dari penelitian ini dapat dianalisa lebih lanjut oleh pihak yang berwenang untuk kepentingan pendampingan dan pengembangan terhadap sekolah tersebut.

4 1.2Rumusan Masalah

Rumusan masalah pada penelitian ini adalah sebagai berikut:

1. Apakah algoritma MixCBLOF dapat mendeteksi outlier data pada nilai ujian nasional, nilai indeks integritas, dan nilai akreditasi Sekolah Menengah Atas (SMA) yang ada di Provinsi Daerah Istimewa Yogyakarta (DIY)?

2. Bagaimana karakteristik data-data atau sekolah yang diidentifikasi sebagai outlier?

1.3Tujuan

Tujuan dari penelitian ini adalah sebagai berikut:

1. Menganalisa algoritma MixCBLOF dalam mendeteksi outlier data pada nilai ujian nasional, nilai indeks integritas, dan nilai akreditasi Sekolah Menegah Atas (SMA) Provinsi Daerah Istimewa Yogyakarta (DIY). 2. Menganalisa karakteristik data-data atau sekolah yang diidentifikasi

sebagai outlier.

1.4Batasan Masalah

Batasan masalah pada penelitian ini sebagai berikut:

1. Algoritma yang digunakan yaitu algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor).

2. Data yang digunakan yaitu nilai Ujian Nasional, nilai Indeks Integritas, dan nilai Akreditasi selutuh Sekolah Menengah Atas (SMA) di Provinsi Daerah Istimewa Yogyakarta (DIY) pada tahun ajaran 2014/2015 yang didapatkan dari website resmi Kemendikbud.

5 1.5Manfaat Penelitian

Manfaat dari penelitian ini adalah sebagai berikut :

1. Memberikan pengetahuan baru mengenai cara mendeteksi outlier dengan menggunakan algoritma Mix Cluster Based Local Outlier Factor (MixCBLOF).

2. Memberikan informasi mengenai data yang unik dalam nilai hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi Sekolah Menengah Atas (SMA).

1.6Metodologi Penelitian

Metodologi Penelitian yang digunakan dalam menyelesaikan tugas akhir ini adalah sebagai berikut :

1. Studi Pustaka

Metodologi pertama yang digunakan adalah studi pustaka. Tahap ini merupakan proses pengumpulan informasi berupa metode atau algoritma yang digunakan untuk mendeteksi outlier dari berbagai referensi seperti buku, paper/ jurnal, skripsi, atau artikel-artikel lainnya yang ada di internet. Selanjutnya yaitu mempelajari dan menganalisa dari informasi yang didapat sehingga menentukan untuk memilih algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor) untuk melakukan penelitian deteksi outlier pada data Ujian Nasional Sekolah Menengah Atas (SMA).

2. Teknik Knowledge Discovery in Databases (KDD).

Metodologi kedua adalah teknik penambangan data yang dituliskan oleh Han et.al. (2012). Teknik KDD memiliki beberapa langkah, yaitu : a. Data Cleaning

Langkah ini merupakan langkah untuk menghilangkan noise/ pengganggu dan data yang tidak konsisten.

b. Data Integration

Langkah ini merupakan suatu proses dimana beberapa sumber data digabungkan menjadi satu kesatuan.

6 c. Data Selection

Langkah ini merupakan proses untuk melakukan analisis, dimana data yang relevan diambil dari database.

d. Data Transformation

Langkah ini merupakan proses dimana data diubah (transformasi) menjadi data yang tepat untuk ditambang sehingga dapat dilakukan proses operasi seperti penjumlahan atau penggabungan.

e. Data Mining

Langkah ini merupakan proses penting di mana metode cerdas yang diterapkan untuk mengekstrak pola data.

f. Pattern Evaluation

Langkah ini merupakan proses untuk mengidentifikasi pola-pola menarik yang menampilkan basis pengetahuan dalam suatu ukuran ketertarikan.

g. Knowledge Presentation

Langkah ini merupakan proses dimana teknik untuk menampilkan suatu gambaran dan representasi pengetahuan hasil tambang kepada pengguna.

1.7Sistematika Penulisan

Sistematika penulisan proposal tugas akhir sebagai berikut: a. Bab I : Pendahuluan

Bab pertama ini berisi mengenai latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan proposal tugas akhir.

b. Bab II : Landasan Teori

Bab kedua ini berisi mengenai penjelasan teori penambangan data yang digunakan dalam penelitian proposal tugas akhir.

7 c. Bab III : Metode Penelitian

Bab ketiga ini berisi mengenai rencana langkah-langkah yang dilakukan dalam penelitian, termasuk bagaimana cara mendapatkan data, cara mengolah data, cara membuat alat uji, cara analisis data, cara pengujian. d. Bab IV : Pemrosesan Awal dan Perancangan Perangkat Lunak

Penambangan Data

Bab keempat ini berisi mengenai pemrosesan awal dalam proses Knowledge Discovery in Database (KDD). Selain itu, bab ini juga berisi mengenai perancangan perngkat lunak yang akan digunakan dalam tahap penambangan data. Perancangan perangkat lunak tersebut terditi dari perancangan umum, diagram use case, diagram aktivitas, diagram kelas, algoritma per method dan perancangan antarmuka.

e. Bab V : Implementasi Penambangan Data dan Evaluasi Hasil

Bab kelima ini berisi mengenai implementasi rancangan perangkat lunak penambangan data dan evaluasi hasil yang terdiri dari pengujian perangkat lunak (black box), pengujian perbandingan hitung manual dengan hasil sistem.

f. Bab VI : Analisis Hasil dan Pembahasan

Bab keenam ini berisi mengenai percobaan-percobaan yang dilakukan dengan variasi nilai-nilai yang dibutuhkan. Selain itu, bab ini juga berisi mengenai analisis dari percobaan yang sudah dilakukan.

g. Bab VII : Penutup

Bab terakhir ini menjelaskan mengenai kesimpulan yang diperoleh dari pembuatan sistem serta saran untuk pengembangan sistem dan penelitian berikutnya.

8 BAB II

LANDASAN TEORI

2.1Penambangan Data

2.1.1 Pengertian Penambangan Data

Menurut Tan et.al. (2006), penambangan data adalah proses menemukan suatu informasi yang berguna dari data yang besar. Teknik data mining dikerahkan untuk menjelajahi pada database yang berukuran besar untuk menemukan pola yang mungkin tetap tidak diketahui. Penambangan data juga menyediakan kemampuan untuk memprediksi hasil dari pengamatan masa depan, seperti memprediksi seorang pelanggan akan menghabiskan uang lebih dari $100 atau tidak di sebuah department store.

Namun, tidak semua tugas menemukan informasi dapat dicari menggunakan penambangan data. Meskipun tugas-tugas memiliki sifat yang penting dan mungkin melibatkan penggunaan algoritma yang canggih dan struktur data, tetapi tetap mengandalkan teknik ilmu komputer tradisional dan fitur yang jelas dari data untuk membuat struktur indeks secara efisien dalam mengatur dan mengambil informasi. Meskipun demikian, teknik data mining telah digunakan untuk meningkatkan sistem pencarian informasi.

2.1.2 Asal-usul Penambangan Data

Menurut Tan et.al. (2006), penambangan data mengacu pada ide-ide seperti pengambilan sampel, estimasi, dan pengujian hipotesis dari statistik dan algoritma pencarian, teknik pemodelan, dan teori-teori Artificial Intelligence (AI), pengenalan pola, dan machine learning. Penambangan data juga mempunyai peran pada bidnag lain, termasuk optimasi, evolutionary computing, information theory, pemrosesan sinyal, visualisasi, dan pemerolehan informasi (information retrieval).

9

Relasi data mining dengan bidang/ area lainnya dapat digambarkan sebagai berikut :

Gambar 2. 1 Asal-usul Penambangan Data (Sumber : Han et.al, 2012)

2.1.3 Tugas-tugas Penambangan Data

Menurut Tan et.al. (2006), penambangan data memiliki beberapa tugas yang menerapkan dua kategori besar yaitu metode prediktif dan metode deskriptif. Metode prediktif mempunyai tugas untuk memprediksi nilai atribut tertentu berdasarkan pada nilai-nilai atribut lainnya. Metode deskriptif mempunyai tugas untuk mendapatkan pola dari korelasi, klaster, lintasan, dan anomali yang didapatkan dari data target.

Tugas penambangan data mempunyai empat tugas, yaitu : a. Analisis Prediktif

Salah satu tugas penambangan data ini mengacu pada tugas yang membangun model pada variabel target sebagai fungsi dari variabel penjelas. Analisis prediktif dibagi menjadi dua tipe yaitu klasifikasi dan regresi. Klasifikasi merupakan tipe prediktif yang digunakan untuk variabel sasaran diskrit. Regresi merupakan tipe prediktif yang digunakan untuk variabel target yang bersifat terus-menerus (kontinyu). Contoh klasifikasi yaitu memprediksi apakah pengguna Web akan melakukan pembelian di suatu toko online. Hal tersebut

10

termasuk klasifikasi karena variabel target bernilai biner, ya atau tidak. Contoh regresi yaitu prediksi harga masa depan suatu saham. Hal tersebut termasuk contoh regresi karena harga merupakan atribut bernilai kontinyu. Namun, pencapaian kedua tipe prediktif tersebut adalah untuk mempelajari model yang meminimalkan kesalahan anatara prediksi dengan nilai kebernarannya dari variabel target.

b. Analisis Asosiasi

Pada tugas penambangan data ini digunakan untuk menemukan hubungan yang terkait dari suatu transaksi yang terjadi pada item berdasarkan item lainnya.

c. Analisis Klaster

Pada tugas penambangan data ini digunakan untuk menemukan suatu kelompok obyek yang terkait erat satu sama lain sehingga termasuk ke dalam klaster yang sama.

d. Deteksi Anomali

Deteksi anomali merupakan tugas penambangan data yang digunakan untuk mengidentifikasi pengamatan yang karakteristiknya sangat berbeda dari sisa data. Pengamatan tersebut dikenal sebagai anomali atau outlier. Tujuan algoritma deteksi anomali/ outlier adalah untuk menemukan anomali yang nyata dan menghindari obyek yang normal tetapi diidentifikasi sebagai anomali. Oleh karena itu, deteksi anomali yang baik harus memiliki tingkat deteksi yang tinggi dan tingkat kesalahan yang rendah. Aplikasi deteksi anomali seperti deteksi penipuan, gangguan jaringan, gangguan ekosistem, dll.

2.1.4 Knowledge Discovery in Databases (KDD)

Menurut Han et.al. (2012), istilah KDD (Knowledge Discovery in Databases) seringkali dianggap sinonim dengan penambangan data. KDD merupakan sebuah proses mengubah data mentah menjadi suatu

11

informasi/ pengetahuan yang berguna. KDD memiliki beberapa langkah yaitu data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, dan knowledge presentation.

Gambar 2. 2 Proses KDD (Sumber : Han et.al, 2012)

12 1. Data Cleaning

Langkah ini merupakan langkah untuk menghilangkan noise/ pengganggu dan data yang tidak konsisten.

2. Data Integration

Langkah ini merupakan suatu proses dimana beberapa sumber data digabungkan menjadi satu kesatuan.

3. Data Selection

Langkah ini merupakan proses untuk melakukan analisis, dimana data yang relevan diambil dari database.

4. Data Transformation

Langkah ini merupakan proses dimana data diubah (transformasi) menjadi data yang tepat untuk ditambang sehingga dapat dilakukan proses operasi seperti penjumlahan atau penggabungan.

5. Data Mining

Langkah ini merupakan proses penting di mana metode cerdas yang diterapkan untuk mengekstrak pola data.

6. Pattern Evaluation

Langkah ini merupakan proses untuk mengidentifikasi pola-pola menarik yang menampilkan basis pengetahuan dalam suatu ukuran ketertarikan.

7. Knowledge Presentation

Langkah ini merupakan proses dimana teknik untuk menampilkan suatu gambaran dan representasi pengetahuan hasil tambang kepada pengguna.

2.2Outlier

2.2.1 Pengertian Outlier

Ada beberapa pengertian outlier dari beberapa sumber. Menurut Han et.al. (2012), outlier adalah objek data yang menyimpang secara signifikan dari sisa data, seolah-olah itu dihasilkan oleh mekanisme

13

yang berbeda. Menurut Hawkins (1980), outlier merupakan pengamatan yang berbeda dari pengamatan lainnya sehingga menimbulkan kecurigaan bahwa hal itu dihasilkan oleh berbagai mekanisme.

2.2.2 Pendekatan Deteksi Outlier

Menurut Han et.al. (2012), pendeteksian outlier terdapat beberapa pendekatan, antara lain statistical methods, proximity-based approach, clustering-based approach, classficication-based approach, dan high-dimensional data.

Pendekatan statistical methods atau biasa dikenal sebagai metode berbasis model membuat asumsi mengenai normalitas data. Pendekatan ini dianggap bahwa obyek data normal dihasilkan oleh model statistik, sedangkan data yang tidak mengikuti model dianggap sebagai outlier. Efektivitas statistical methods sangat bergantung pada asumsi apakah model statistik yang dibuat selalu berlaku untuk data yang diberikan.

Pendekatan proximity-based mengasumsikan bahwa sebuah obyek dikatakan sebagai outlier jika memiliki perbedaan yang signifikan dengan tetangga terdekatnya pada set data yang sama. Efektivitas metode berbasis proximity sangat bergantung pada jarak atau ukuran yang digunakan. Metode berbasis proximity ini sering mengalami kesulitan dalam mendeteksi outlier jika sebuah obyek yang dikatakan sebagai outlier memiliki kedekatan satu sama lain. Pendekatan proximity-based ini memiliki dua jenis utama deteksi outlier, yaitu distance-based, dan density-based.

Pendekatan clustering-based mengasumsikan bahwa obyek yang bersifat normal tergabung dalam kelompok besar (large cluster), sedangkan obyek yang dikatakan sebagai outlier tidak tergabung dalam kelompok.

14

Pendekatan classification-based mengasumsikan bahwa pendeteksian outlier menggunakan pendekatan ini dapat digunakan jika set data training dan label kelas tersedia. Ide umum dari metode deteksi outlier berbasis classification adalah menentukan model klasifikasi yang dapat membedakan data normal dan outlier. Metode outlier basis classification ini sering menggunakan satu kelas sebagai label untuk menggambarkan data berupa normal atau outlier.

Pendekatan high-dimensional data, memiliki beberapa contoh algoritma yaitu Angle-Based Outlier Degree/ ABOD (Kriegel et.al. 2008), Grid-Based Subspace Outlier Detection (Aggarwal & Yu, 2000), dan Subspace Outlier Degree/ SOD (Kriegel et.al., 2009).

2.3MixCBLOF (Mix Cluster Based Local Outlier Factor)

Deteksi outlier memiliki ketertarikan tersendiri daripada deteksi pada umumnya, karena pendeteksian outlier ini memiliki informasi yang mendasari sebuah perilaku tidak biasanya atau berbeda daripada yang lainnya. Pada penelitian ini mendeteksi outlier menggunakan algoritma Mix Cluster Based Local Outlier Factor (MixCBLOF) yang dikemukakan oleh Maryono & Djunaidy pada tahun 2010. Algoritma ini tergolong pada pendekatan clustering-based karena algoritma ini perlu menggunakan proses cluster untuk penentuan outlier.

Algoritma ini merupakan perpaduan dari dua algoritma yaitu Cluster Based Local Outlier Factor (CBLOF) dengan Numerical Cluster Based Local Outlier Factor (NCBLOF). Algoritma ini mengusulkan deteksi outlier menggunakan data campuran berupa data kategorikal dan data numerik. Data kategorikal diolah menggunakan algoritma CBLOF, sedangkan untuk data numerik diolah menggunakan algoritma NCBLOF.

2.3.1 CBLOF (Cluster Based Local Outlier Factor)

Menurut He et.al (2003), untuk mengidentifikasi signifikansi data dari definisi outlier perlu mendefinisikan setiap obyek dengan sebuah

15

derajat yang disebut dengan CBLOF (Cluster Based Local Outlier Factor) yang diukur dengan ukuran klaster di mana ia berada dan jaraknya terhadap klaster terdekat.

Definisi 1 : Misalkan A1, A2, ..., Am adalah himpunan atribut dengan

domain D1, D2, ..., Dm. Set data D terdiri dari record/ obyeknya,

sedangkan transaksi t : t ϵ D. Hasil klasterisasi pada D dinotasikan sebagai C= {C1, C2, ..., Ck} dimana Ci ∩ Cj = Ø dan C1∪C2∪... ∪Ck

= D, dengan k adalah jumlah klaster.

Definisi 2 : Misalkan C= {C1, C2, ..., Ck} adalah himpunan klaster

pada set data dengan urutan ukuran klaster adalah |C1| ≥ |C2| ≥ ... ≥ |Ck|.

Ditetapkan tiga parameter numerik α, β, dan b. Didefinisikan b sebagai batas antara klaster besar dan kecil jika memenuhi salah satu formula berikut:

| | | | | | | |

| | | |

Didefinisikan himpunan klaster besar (large cluster) sebagai LC = {Ci,

i ≤ b} dan klaster kecil (small cluster) didefinisikan dengan SC = {Ci, i

> b}.

Definisi 2 memberikan ukuran kuantitatif untuk membedakan klaster besar dan klaster kecil. Rumus (2.1) menunjukkan bahwa sebagian besar data bukan outlier. Oleh karena itu klaster besar mempunyai porsi yang jauh sangat besar. Contohnya jika α diberikan 90% maka artinya klaster besar memuat kurang lebih 90% dari total obyek data pada set data. Rumus (2.2) menunjukkan fakta bahwa klaster besar dan klaster kecil harus memiliki perbedaan yang signifikan. Jika diberikan

... (2.2) ... (2.1)

16

β sebesar 5, maka artinya setiap klaster besar minimal 5 kali lebih besar dari klaster kecil.

Definisi 3 : Misalkan C= {C1, C2, ..., Ck} adalah himpunan klaster

dengan ukuran |C1| ≥ |C2| ≥ ...≥ |Ck|. Didefinisikan LC dan SC

sebagimana pada Definisi 2. Untuk sebarang record t, didefinisikan sebagaimana persamaan (2.3).

{| | ( )

| | ( )

2.3.2 NCBLOF (Numerical Cluster Based Local Outlier Factor)

Menurut Maryono dan Djunaidy (2010), ada beberapa cara untuk mengukur jarak sebuah obyek ke sebuah klaster. Caranya adalah mengukur jarak sebuah obyek terhadap centroid terdekat atau dapat juga dengan mengukur jarak relatif obyek dengan centroid terdekat. Jarak relatif (relative distance) adalah rasio jarak obyek terhadap centroid dibagi dengan jarak rata-rata semua titik terhadap centroid klaster di mana ia berada. Komponen pada CBLOF mengenai kemiripan terhadap klaster terdekat juga untuk mendefinisikan NCBLOF sebagai berikut:

{

| | _{( )}

| |

Rumus NCBLOF pada persamaan (2.4), didefinisikan dengan menyesuaikan interpretasi derajat outlier pada CBLOF pada persamaan (2.3).

... (2.3)

17 2.3.3 Algoritma MixCBLOF

Langkah untuk mencari outlier menggunakan algoritma MixCBLOF adalah sebagai berikut :

1. Bagi set data campuran menjadi dua bagian, set data numerik, D1,

dan set data kategorikal, D2.

2. Klasterisasi pada subset data numerik D1 sehingga diperoleh

sejumlah klaster C11, C12, ..., C1p dengan ukuran berturut-turut

|C11| ≥ |C12| ≥ ... ≥ |C1p|

Tentukan klaster besar (LC) dan klaster kecil (SC) menggunakan Definisi 2 pada halaman 15.

3. Terapkan deteksi outlier berbasis klaster menggunakan atribut numerik terhadap obyek-obyek dalam klaster pada langkah 2 menggunakan teknik deteksi outlier berbasis klaster seperti persamaan (2.4).

{

| | _{( )}

| |

4. Terapkan deteksi outlier berbasis klaster menggunakan atribut kategorikal terhadap obyek-obyek dalam klaster pada langkah 2 menggunakan CBLOF sebagaimana persamaan (2.3).

{| | ( )

| | ( )

5. Susun derajat outlier pada langkah 3 dan 4 dalam matrik keputusan A=[anm].

[

]

18

Kemudian, matriks keputusan tersebut dinormalisasi menjadi sebagai berikut :

[

]

Didefinisikan n sebagai jumlah data dan m sebagai jumlah atribut. 6. Lakukan pembobotan secara default (bobot sama) atau dengan

metode Entropy.

a. Hitung nilai Entropy ej dan derajat divergensi fj.

b. Hitung bobot tiap kolom/ atribut

7. Gabungkan bobot outlier tiap obyek t1, t2, .., tn pada langkah 6

dengan fungsi agregat untuk mendapatkan derajat outlier akhir OF dari sebuah obyek ti OF(ti ) = . (x1i, x2i, x3i, x4i).

2.4 Struktur Data 2.4.1 ArrayList

Dalam pengembangan sebuah sistem atau aplikasi diperlukan adanya perancangan sebuah struktur data, perancangan struktur data ini memiliki fungsi sebagai gambaran sebuah data diolah dan disimpan di dalam program/ sistem. Pada penelitian ini menggunakan konsep Arraylist sebagai tempat penyimpanan data yang dinamis, karena sistem deteksi outlier ini tidak

... (2.5)

... (2.6)

... (2.6)

19

membutuhkan suatu tempat penyimpanan yang terlalu banyak dan tidak menghabiskan waktu yang terlalu lama pula saat dijalankan.

Arraylist merupakan sebuah kelas yang dapat melakukan penyimpanan data berupa list objek berbentuk array dengan ukurannya dapat berubah secara dinamis sesuai dengan jumlah data yang dimasukkan. Ilustrasi konsep Arraylist dapat dilihat pada gambar 2.3.

2.4.2 Matriks

Matriks merupakan struktur data yang digunakan sebagai tempat penyimpanan pada memori internal dengan memakai dua buah indeks array yang sering biasa disebut dengan baris dan kolom. Konsep umum untuk array yang dapat berlaku untuk matriks yaitu kumpulan elemen memiliki tipe yang sama, dapat berupa tipe dasar integer, string, char, boolean, dll. Ilustrasi konsep matriks dapat dilihat pada gambar 2.4 berikut.

Gambar 2. 3 Ilustrasi ArrayList

20

Dari ilustrasi di atas adalah konsep matriks dengan ukuran 4x3, artinya memiliki 4 baris dan 3 kolom. Dalam konsep array dapat dituliskan seperti matrix = new int[4][3] dengan keterangan sebagai berikut :

matrix[0][0] = v1 matrix[2][0] = v7 matrix[0][1] = v2 matrix[2][1] = v8

matrix[0][3] = v3 matrix[2][2] = v9

matrix[1][0] = v4 matrix[3][0] = v10

matrix[1][1] = v5 matrix[3][1] = v11

21 BAB III

METODOLOGI PENELITIAN

3.1Bahan Riset/ Data

Data yang digunakan untuk melakukan penelitian berupa file berekstensi .pdf dan .xls yang diperoleh dari 3 sumber. Sumber yang pertama dari website

milik Kementerian Pendidikan dan Kebudayaan

http://litbang.kemdikbud.go.id/index.php/un. Sumber yang kedua dari website

milik Kementerian Pendidikan dan Kebudayaan

http://puspendik.kemdikbud.go.id/hasil-un/. Sumber yang ketiga dari webiste

Badan Akreditasi Nasional Sekolah/ Madrasah

http://bansm.or.id/sekolah/sudah_akreditasi/4.

Data yang didapatkan dari 3 sumber tersebut merupakan data nilai Ujian Nasional (UN) per mata pelajaran dan rerata nilai UN, nilai Indeks Integritas Ujian Nasional (IIUN) SMA, dan nilai Akreditasi sekolah pada tahun 2015 dengan jumlah data 160 SMA di DIY. Pada penelitian ini hanya untuk SMA jurusan Ilmu Pengetahuan Alam (IPA) dan Ilmu Pengetahuan Sosial (IPS).

22

Gambar 3.3 Nilai IIUN IPA DIY

Gambar 3.5 Nilai Akreditasi Sekolah di DIY Tabel 3. 3 Nilai IIUN Jurusan IPA

23

Tabel 3. 6 Atribut Data Nilai UN Jurusan IPA

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

STS_SEK Status Sekolah (Negeri/ Swasta)

JUMLAH_PESERTA Jumlah siswa mengikuti UN

BHS_INDO Nilai rata-rata UN mata pelajaran

Bahasa Indonesia

BHS_INGGRIS Nilai rata-rata UN mata pelajaran

Bahasa Inggris

MTK Nilai rata-rata UN mata pelajaran

Matematika

FISIKA Nilai rata-rata UN mata pelajaran

24

KIMIA Nilai rata-rata UN mata pelajaran

Kimia

BIOLOGI Nilai rata-rata UN mata pelajaran

Biologi

TOTAL Jumlah nilai rata-rata UN

RANK Nilai ranking sekolah

Tabel 3. 7 Atribut Data Nilai UN Jurusan IPS

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

STS_SEK Status Sekolah (Negeri/ Swasta)

JUMLAH_PESERTA Jumlah siswa mengikuti UN

BHS_INDO

Nilai rata-rata UN mata pelajaran Bahasa Indonesia

BHS_INGGRIS

Nilai rata-rata UN mata pelajaran Bahasa Inggris

MTK

Nilai rata-rata UN mata pelajaran Matematika

EKONOMI

Nilai rata-rata UN mata pelajaran Ekonomi

25

Sosiologi

GEO

Nilai rata-rata UN mata pelajaran Geografi

TOTAL Jumlah nilai rata-rata UN

RANK Nilai ranking sekolah

Tabel 3. 8 Atribut Data NIlai IIUN Jurusan IPA

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NPSN Nomor Pokok Sekolah Nasional

NAMA_SEKOLAH Nama Sekolah

STS_SEK Status sekolah (Negeri/ Swasta)

JUMLAH_PESERTA Jumlah siswa mengikuti UN

RERATA_IPA Nilai rata-rata UN jurusan IPA

26

Tabel 3. 9 Atribut Data Nilai IIUN Jurusan IPS

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NPSN Nomor Pokok Sekolah Nasional

NAMA_SEKOLAH Nama Sekolah

STS_SEK Status sekolah (Negeri/ Swasta)

JUMLAH_PESERTA Jumlah siswa mengikuti UN

RERATA_IPS Nilai rata-rata UN jurusan IPS

IIUN_IPS Nilai IIUN jurusan IPS

Tabel 3. 10 Atribut Data Nilai Akreditasi SMA

Nama Atribut Keterangan

NAMA_SEKOLAH Nama Sekolah

NPSN Nomor Pokok Sekolah Nasional

TIPE_SEKOLAH Tipe Sekolah (Sekolah/ Madrasah)

STS_SEK Status Sekolah (Negeri/ Swasta)

PROVINSI Provinsi Sekolah

KABUPATEN Kabupaten Sekolah

NILAI Nilai Akreditasi dalam bentuk nominal/

27

PERINGKAT Nilai Akreditasi dalam bentuk huruf

3.2Peralatan Penelitian

Penelitian dilakukan menggunakan spesifikasi perangkat sebagai berikut : 1. Spesifikasi software

a. Netbeans versi 8.0 b. OS Windows 7 64 bit

2. Spesifikasi hardware (Notebook/ Laptop) a. Processor AMD A6-4400M APU 2,7 GHz b. Ram 4 GB

c. VGA AMD Radeon HD 7520G d. Layar 14 inch

e. Harddisk 500 GB

3.3Tahap-tahap Penelitian 1. Studi Kasus

Nilai Ujian Nasional merupakan nilai yang dihasilkan dari Ujian Nasional untuk mengukur standar pendidikan yang ada di Indonesia. Nilai Indeks Integritas Ujian Nasional merupakan penilaian kejujuran dalam pelaksanaan Ujian Nasional. Nilai Akreditasi merupakan pengakuan oleh badan berwenang terhadap sekolah-sekolah yang memiliki syarat kebakuan dan kriteria tertentu. Demi menyelenggarakan pendampingan dan pengembangan suatu sekolah berdasarkan kriteria nilai Ujian Nasional, nilai Indeks Integritas, dan nilai Akreditasi, diperlukan suatu informasi mengenai sekolah-sekolah yang memiliki karakteristik berbeda dibandingkan dengan sekolah lainnya. Untuk mendapatkan informasi tersebut, maka digunakanlah pendeteksian outlier dari kumpulan sekolah dengan data yang sudah disediakan, berdasarkan ketiga nilai di atas.

28

Penelitian ini diharapkan dapat menemukan/ menghasilkan informasi mengenai sekolah yang memiliki karakter berbeda dengan yang lainnya, sehingga dapat menyelenggarakan pendampingan dan pengembangan terhadap sekolah tersebut.

2. Penelitian Pustaka

Pada tahap ini, dilakukan penelitian pustaka digunakan untuk memperoleh informasi dan menggali teori mengenai teknik penambangan data. Dalam penelitian ini penulis mempelajari referensi-referensi yang berkaitan dengan teknik penambangan data deteksi outlier khususnya algoritma MixCBLOF dan referensi lainnya yang berguna bagi sistem yang akan dibangun.

3. Knowledge Discovery in Database (KDD)

Pada tahap penelitian ini dilakukan jika tahap-tahap sebelumnya sudah dilakukan. Oleh karena itu, tahap ini sangat diperlukan karena penelitian ini berada pada bidang penambangan data sehingga harus menggunakan teknik KDD (Knowledge Discovery in Database). Proses KDD terdiri dari data cleaning, data integration, data transformation, data mining, pattern evaluation, dan knowledge presentation. Pada tahap awal dilakukan data cleaning dan data integration pada data SMA se-DIY sehingga data tersebut siap untuk ditambang. Proses awal ini dilakukan secara manual menggunakan alat bantu Microsoft Excel. Kemudian untuk proses selanjutnya yaitu data selection, data transformation, dan data mining dilakukan di dalam perangkat lunak yang dibuat. Kemudian proses pattern evaluation dan knowledge presentation dilakukan setelah perangkat lunak selesai dibangun karena kedua proses ini membutuhkan hasil dari alat uji tersebut.

29 4. Pengembangan Perangkat Lunak

a. Metode Pengembangan Sistem

Metode yang digunakan penulis untuk melakukan pengembangan sistem menggunakan metode waterfall. Metode waterfall merupakan salah satu metode yang populer karena tidak asing untuk didengar oleh oleh kalangan pengembang sistem. Menurut Kristanto (2004), metode waterfall ini diperkenalkan oleh Winston Royce pada tahun 1970. Inti dari metode ini yaitu model klasik yang sederhana dengan aliran sistem yang linier. Langkah-langkah metode waterfall sebagai berikut : 1. Requirement dan Spesification

Pada tahapan ini merupakan analisa kebutuhan sistem yang diperlukan dalam pengembangan sistem dengan cara mengumpulkan data. Selanjutnya, jika analisa kebutuhan sistem sudah terpenuhi, kemudian merencanakan jadwal pengembangan software.

2. Design

Tahap desain sistem membagi kebutuhan-kebutuhan menjasi sistem perangkat lunak atau perangkat keras. Proses tersebut menghasilkan sebuah arsitektur sistem keseluruhan. Desain perangkat lunak termasuk menghasilkan fungsi sistem perangkat lunak dalam bentuk yang mungkin ditransformasi ke dalam satu atau lebih program yang dapat dijalankan. Tahapan ini merupakan tahap untuk menentukan alur software sampai pada tahap algoritma yang detil.

3. Implementation

Tahap ini desain perangkat lunak disadari sebagai sebuah program lengkap atau unit program. Desain perangkat lunak yang sudah dibuat kemudian diubah ke dalam bentuk kode-kode program. Diakhir tahap ini, tiap modul ditesting tanpa diintegrasikan.

30

Unit program diintegrasikan dan diuji menjadi sistem yang lengkap untuk meyakinkan bahwa persyaratan perangkat lunak telah dipenuhi.

5. Operation mode & retirement

Tahap ini adalah tahap yang terpanjang. Sistem dipasang dan digunakan. Pemeliharaan termasuk pembetulan kesalahan yang tidak ditemukan pada langkah sebelumnya. Perbaikan implemenetasi unit sistem dan peningkatan jasa sistem sebagai kebutuhan baru ditemukan.

b. Pengujian

Pengujian dilakukan dengan alat uji yang sudah dibuat pada tahap sebelumnya. Metode untuk pengujian sistem ini adalah metode pengujian black box. Pengujian black box berisi pengujian dengan pengisian data secara benar. Hasil yang diperoleh dari alat uji kemudian dibandingkan dengan hasil penghitungan manual untuk memperoleh validasi dari alat pengujian tersebut.

5. Analisis dan Pembuatan Laporan

Analisis yang dilakukan adalah analisis hasil dari perangkat lunak yang dibuat berdasarkan penerapan algoritma MixCBLOF. Analisis yang dimaksud adalah melakukan analisis dari pola yang terbentuk, artinya mendapatkan nilai masukan k (jumlah kluster), nilai α dan β untuk mendapatkan hasil outlier yang optimal dan sesuai dengan data dari dinas pendidikan provinsi Yogyakarta. Hasil dari semua pengujian tersebut disusun ke dalam sebuah laporan tugas akhir.

31 BAB IV

PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA

4.1PEMROSESAN AWAL 4.1.1 Pembersihan Data

Pada proses pembersihan data ini adalah membersihkan data berupa noise (gangguan) seperti nilai yang kosong pada tabel data. Data yang ada noise pada beberapa sekolah berupa nilai IIUN yang tidak teridentifikasi atau sudah melakukan UNBK (Ujian Nasional Basis Komputer), sekolah dengan tipe madrasah aliyah, dan beberapa sekolah yang tidak terakreditasi. Maka dari itu, 54 sekolah dari jurusan IPA dan 78 sekolah dari jurusan IPS dihapus dari tabel data.

4.1.2 Integrasi Data

Proses integrasi data merupakan proses untuk melakukan penggabungan data dari berbagai sumber data yang didapatkan. Data yang didapatkan berupa 3 file untuk setiap jurusan (IPA/IPS) berupa data nilai Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi SMA tahun 2014/2015. Pada tahap ini dilakukan penggabungan dari 3 file tersebut menjadi 1 file berupa tabel data untuk setiap jurusan, sehingga didapatkan 2 file yang terdiri dari 1 file jurusan IPA (lihat Tabel 4.1) dan 1 file jurusan IPS (lihat Tabel 4.2).

32 4.1.3 Seleksi Data

Proses seleksi data merupakan seleksi atribut yang akan digunakan dalam proses penambangan data. Proses ini dilakukan dengan memilih atribut yang relevan untuk digunakan dalam penelitian, dan menghapus atribut yang tidak relevan. Atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPA tahun 2014/2015 adalah atribut STS_SEK, JUMLAH_PESERTA, dan RANK, sehingga atribut yang digunakan

Tabel 4. 1 Hasil Integrasi Jurusan IPA

33

yaitu KODE_SEKOLAH, NAMA_SEKOLAH, BHS_INDO,

BHS_INGGRIS, MTK, FISIKA, KIMIA, BIOLOGI, dan TOTAL. Atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPA tahun 2014/2015 adalah NPSN, STS_SEK, dan JUMLAH_PESERTA, sehingga atribut yang digunakan

KODE_SEKOLAH, NAMA_SEKOLAH, RERATA_IPA, dan

IIUN_IPA. Pada atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPS tahun 2014/2015 sama dengan atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPA tahun 2014/2015, sehingga atribut yang digunakan yaitu KODE_SEKOLAH, NAMA_SEKOLAH, BHS_INDO, BHS_INGGRIS, MTK, EKONOMI, SOSIO, GEO, dan TOTAL. Pada atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPS tahun 2014/2015 sama dengan atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPA tahun 2014/2015, sehingga atribut yang

digunakan yaitu KODE_SEKOLAH, NAMA_SEKOLAH,

RERATA_IPS, dan IIUN_IPS. Atribut yang dihapus dari data nilai Akreditasi SMA tahun 2014/2015 adalah NPSN, TIPE_SEKOLAH, STS_SEK, PROVINSI, KABUPATEN, dan NILAI sehingga atribut yang digunakan yaitu NAMA_SEKOLAH dan PERINGKAT. Atribut yang digunakan kemudian digabungkan menjadi 1 file, sehingga atribut yang digunakan untuk SMA jurusan IPA dan IPS dapat dilihat pada tabel 4.3 dan tabel 4.4.

Tabel 4. 3 Hasil Seleksi Atribut Jurusan IPA

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

34

Bahasa Indonesia

BHS_INGGRIS Nilai rata-rata UN mata pelajaran

Bahasa Inggris

MTK Nilai rata-rata UN mata pelajaran

Matematika

FISIKA Nilai rata-rata UN mata pelajaran Fisika

KIMIA Nilai rata-rata UN mata pelajaran

Kimia

BIOLOGI Nilai rata-rata UN mata pelajaran

Biologi

TOTAL Jumlah nilai UN jurusan IPA

RERATA_IPA Nilai rata-rata UN jurusan IPA

IIUN_IPA Nilai IIUN jurusan IPA

AKREDITASI Nilai Akreditasi SMA dalam bentuk

huruf

Tabel 4. 4 Hasil Seleksi Atribut Jurusan IPS

Nama Atribut Keterangan

KODE_SEKOLAH Kode Sekolah

NAMA_SEKOLAH Nama Sekolah

BHS_INDO Nilai rata-rata UN mata pelajaran

Bahasa Indonesia

BHS_INGGRIS Nilai rata-rata UN mata pelajaran

Bahasa Inggris

MTK Nilai rata-rata UN mata pelajaran

Matematika

EKONOMI Nilai rata-rata UN mata pelajaran

Ekonomi

SOSIOLOGI Nilai rata-rata UN mata pelajaran

35

GEOGRAFI Nilai rata-rata UN mata pelajaran

Geografi

TOTAL Jumlah nilai UN jurusan IPS

RERATA_IPS Nilai rata-rata UN jurusan IPS

IIUN_IPS Nilai IIUN jurusan IPS

AKREDITASI Nilai Akreditasi SMA dalam bentuk

huruf

4.1.4 Transformasi Data

Pada transformasi data ini terdapat tahapan pengubahan pada data akreditasi dari karakter menjadi numerik tetapi tidak menghilangkan sifat aslinya sebagai atribut nominal. Atribut akreditasi memiliki data berjenis karakter yaitu A, B, dan C yang diubah menjadi data numerik A=1, B=2, C=3. Proses pengubahan dapat dilakukan secara bebas, namun pada penelitian ini menggunakan ketentuan A=1, B=2, dan C=3.

4.2PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA 4.2.1 Perancangan Umum

4.2.1.1 Input Sistem

Data input dari sistem yang dibangun berasal dari file berekstensi .xls yang dapat dipilih langsung oleh pengguna (user). Sebelum melakukan proses deteksi outlier, pengguna diharuskan mengisi nilai b, alfa, dan beta terlebih dahulu pada textfield yang sudah disediakan.

36 4.2.1.2 Proses Sistem

Proses sistem yang akan dibangun terdiri dari beberapa tahapan untuk dapat menemukan aturan yang berfungsi untuk menemukan data yang dianggap sebagai outlier dari suatu sekolah. Proses tersebut yaitu :

1. Menentukan nilai b, alfa, dan beta yang berfungsi dalam menentukan klaster besar (LC) dan klaster kecil (SC)

2. Proses clustering untuk menemukan anggota dan jumlah anggota dari setiap cluster

3. Proses deteksi outlier untuk menemukan data yang unik dengan derajat outlier per objek.

Proses umum yang terjadi pada sistem dapat digambarkan dalam diagram flowchart yang digambarkan pada Gambar 4.1.

37

Proses dari Deteksi Outlier dapat digambarkan dalam bentuk diagram flowchart yang digambarkan pada Gambar 4.2 berikut.

4.2.1.3 Output Sistem

Sistem akan memberikan keluaran atau output berupa nama sekolah yang diidentifikasi sebagai outlier beserta nilai derajat outlier per objek yang sesuai dengan nilai b, alfa, dan beta. Selain itu sistem juga akan menampilkan daftar-daftar sekolah yang teridentifikasi sebagai outlier sebanyak nilai threshold yang dimasukkan oleh pengguna.

4.2.2 Diagram Use Case

Diagram use case merupakan sebuah gambaran sistem yang dilihat dari sudut pandang pengguna (user). Sebuah sistem yang akan terbentuk selalu memiliki interaksi antara pengguna dengan sistem yang

38

digambarkan melalui diagram use case. Diagram use case dapat dilihat pada Gambar 4.2 berikut.

Pilih file input

Deteksi menggunakan Algoritma MixCBLOF

Simpan data hasil User

39

Pengguna dalam sistem yang akan dibangun ini hanya terdapat satu pengguna diinisialisasikan dengan “User”. Pengguna dalam sistem ini memiliki 3 interaksi terhadap sistem yaitu memilih file data .xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil data. Ketiga interaksi/ aktifitas yang dilakukan pengguna merupakan interaksi saling berkaitan sehingga perlu dilakukan secara berurutan. Diagram use case memiliki narasi dari setiap use case. Narasi tersebut terlampir pada lampiran 1.

4.2.3 Diagram Aktivitas

Diagram aktivitas merupakan aktivitas dari use case memilih file data .xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil deteksi outlier. Diagram aktivitas memiliki tiga diagram. Diagram aktivitas tersebut terlampir pada lampiran 2.

4.2.4 Diagram Kelas Analisis

Diagram kelas analisis terlampir pada lampiran 3. 4.2.5 Diagram Sekuen

Pada diagram sekuen ini memiliki tiga diagram sequence yaitu memilih file data bertipe .xls, deteksi menggunakan algoritma MixCBLOF, dan menyimpan hasil deteksi outlier. Diagram sequence terlampir pada lampiran 4.

4.2.6 Perancangan Struktur Data

Pada penelitian ini menggunakan struktur data berupa ArrayList (lihat Gambar 2.3) dan Matriks (lihat Gambar 2.4). Pada ArrayList, jumlah sekolah sebagai element data. Setiap data sekolah akan berada dalam index yang sama. Sebagai contoh, akan digambarkan pada Gambar 4.3 berikut.

40

Pada Matriks, terdapat baris dan kolom, baris disesuaikan dengan jumlah data sekolah, dan kolom disesuaikan dengan jumlah atributnya. Pada matriks ini digunakan untuk menampung nilai derajat outlier. Sebagai contoh, akan digambarkan pada Gambar 4.4 berikut.

Ilustrasi pada Gambar 4.4 di atas merupakan contoh ilustrasi matriks dengan ukuran 4x3, artinya memiliki 4 baris sebagai jumlah sekolah dan 3 kolom sebagai atributnya yaitu derajat dari atribut Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi. Ilustrasi tersebut menggambarkan penyimpanan derajat outlier per atribut.

Gambar 4. 4 Perancangan Arraylist

41 4.2.7 Diagram Kelas Disain

Diagram kelas disain terlampir pada lampiran 5. 4.2.8 Algoritma per Method

Rincian algoritma per method terlampir pada lampiran 6. 4.2.9 Perancangan Antarmuka

Sistem deteksi outlier yang akan dibangun memiliki empat antarmuka (interface) yang terdiri dari halaman awal (beranda), halaman proses, halaman bantuan, dan halaman tentang.

42

4.2.9.1 Perancangan Halaman Awal

Halaman awal merupakan halaman pertama yang akan dilihat oleh user saat sistem dijalankan. Halaman awal dapat dilihat pada gambar 4.5 berikut ini.

Pada halaman awal ini terdapat beberapa tombol yaitu “BERANDA”, “BANTUAN”, “TENTANG”, dan “Masuk Sistem”. Tombol “BERANDA” merupakan tombol untuk menuju ke halaman awal. Tombol “BANTUAN” merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol “TENTANG” merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem. Tombol

Gambar 4. 4 Rancangan Antarmuka Halaman Utama Gambar 4. 6 Rancangan Antarmuka Halaman Utama

43

“Masuk Sistem” merupakan tombol untuk menuju ke halaman proses sebagai awal untuk memulai proses deteksi outlier.

.

4.2.9.2 Perancangan Halaman Proses

Perancangan antarmuka halaman proses dapat dilihat pada gambar 4.6 berikut.

Halaman ini merupakan halaman untuk memproses data. Pada halaman ini terdapat tiga tombol menu yaitu tombol

“BERANDA”, “BANTUAN”, dan “TENTANG”. Tombol

“BERANDA” merupakan tombol untuk menuju ke halaman awal. Tombol “BANTUAN” merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol “TENTANG” merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem.

Gambar 4. 5 Rancangan Antarmuka Halaman Proses Gambar 4. 7 Rancangan Antarmuka Halaman Proses

44

Preprocessing data dimulai dengan import data dari file berupa Microsoft Excel dengan ekstensi .xls. Tombol “Pilih Data” merupakan tombol yang digunakan untuk import file data diambil dari direktori komputer user. Setelah memilih file data, maka data tersebut akan tertampil di tabel yang sudah disediakan.

Tahap selanjutnya yaitu mengisikan nilai dari variabel b, Alfa, dan Beta untuk melancarkan preprocessing data, karena jika tidak diisi maka akan muncul pemberitahuan error. Setelah mengisikan ketiga variabel tersebut kemudian menekan tombol “Proses”. Tombol “Proses” merupakan tombol untuk melakukan preprocessing data. Jika proses sudah selesai maka kalimat “Belum Proses” akan diubah menjadi kalimat “Selesai” untuk memberitahukan kepada user bahwa preprocessing sudah selesai.

Tahap preprocessing terakhir yaitu melihat hasil deteksi outlier yang sudah selesai dalam hal pemrosesan data. Tombol “Lihat Hasil” merupakan tombol untuk menuju ke frame hasil deteksi yang berisikan hasil penghitungan berupa derajat outlier semua sekolah.

Perancangan antarmuka frame hasil dapat dilihat pada gambar 4.7 berikut.

45

Frame ini merupakan frame untuk menampilkan hasil dari preprocessing data. Frame ini merupakan salah satu bagian dari Hal-proses. Pada frame ini dibagi menjadi dua bagian yaitu menampilkan hasil derajat outlier semua sekolah, dan menampilkan hasil outlier sesuai dengan nilai Threshold yang diisi. Jika preprocessing selesai maka tabel atas (tabel pertama) akan terisi dengan data sekolah dan hasil derajat outlier per sekolah. Setelah itu user mengisikan variabel Threshold untuk menampilkan beberapa sekolah saja yang mempunyai nilai derajat outlier terkecil, sehingga jumlah sekolah yang terdeteksi sebagai outlier akan ditentukan oleh user. Tombol “Submit” merupakan tombol untuk menampilkan sekolah berdasar variabel Threshold yang diisi oleh user. Tombol “Simpan” merupakan tombol untuk melakukan penyimpanan hasil deteksi outlier. User akan dihadapkan pada dua pilihan (lihat gambar 4.8) yaitu menyimpan hasil semua deteksi outlier atau hanya menyimpan hasil deteksi outlier yang sudah dithreshold.

Jika user memilih tombol “Semua” maka akan menyimpan hasil deteksi outlier semua sekolah (tabel pertama), jika user memilih tombol “Threshold” maka akan menyimpan hasil deteksi outlier beberapa sekolah (tabel kedua).

46

4.2.9.3 Perancangan Halaman Bantuan

Perancangan antarmuka halaman bantuan dapat dilihat pada gambar 4.9.

Halaman ini merupakan halaman antarmuka bantuan. Halaman ini berisi mengenai panduan penggunaan sistem. Pada halaman ini terdapat tiga tombol yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” merupakan tombol untuk menuju ke halaman awal. Tombol “BANTUAN” merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol “TENTANG” merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem.

47

4.2.9.4 Perancangan Halaman Tentang

Perancangan antarmuka halaman tentang dapat dilihat pada gambar 4.10.

Halaman ini merupakan halaman antarmuka tentang. Halaman ini berisi mengenai informasi pembuat. Pada halaman ini terdapat tiga tombol yaitu tombol “BERANDA”, tombol “BANTUAN”, dan tombol “TENTANG”. Tombol “BERANDA” merupakan tombol untuk menuju ke halaman awal. Tombol “BANTUAN” merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol “TENTANG” merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem.

48 BAB V

IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL

5.1Implementasi Rancangan Perangkat Lunak

Perangkat Lunak deteksi outlier ini memiliki 8 buah kelas yang terdiri dari tigas kelas model, satu kelas controller, dan empat kelas view.

5.1.1 Implementasi Kelas Model

Implementasi kelas model dapat dilihat pada tabel 5.1 berikut. Tabel 5. 1 Implementasi Kelas Model

No. Nama Kelas Nama File Fisik Nama File Excecutable 1. DataSekolah DataSekolah.java DataSekolah.class 2. HasilCluster HasilCluster.java HasilCluster.class 3. OutlierFinal OutlierFinal.java OutlierFinal.class

5.1.2 Implementasi Kelas View

Implementasi kelas view dapat dilihat pada tabel 5.2 berikut. Tabel 5. 2 Implementasi Kelas View

No. Use Case Antarmuka Nama Kelas

Boundary 1. Memilih file data

.xls

Hal_Proses.class 2. Deteksi

menggunakan Algoritma MixCBLOF

Hal_Proses.class

3. Menyimpan data hasil

49

Selanjutnya akan dijelaskan mengenai spesifikasi detail dari setiap antarmuka yang ada pada perangkat lunak deteksi outlier ini. Spesifikasi detail dari kelas Hal_Utama dapat dilihat pada tabel 5.3 berikut.

Tabel 5. 3 Spesifikasi detail kelas Hal_Utama.java

Id Objek Jenis Teks Keterangan

btnBeranda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java

btnBantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java

btnTentang Button TENTANG Jika di klik maka akan menuju ke halaman Hal_Tentang.java

jLabel1 Label SISTEM

PENDETEKSI OUTLIER

Judul perangkat lunak yang dibangun

jLabel2 Label Logo Sadhar.png Gambar logo Universitas Sanata Dharma berwarna btnMasuk Button Masuk Sistem Jika di klik maka akan menuju ke halaman Hal_Proses.java

jLabel3 Label I. Kristanto Riyadi Identitas nama pembuat perangkat lunak

jLabel4 Label 135314062 Identitas nomor induk

mahasiswa pembuat perangkat lunak

jLabel5 Label UNIVERSITAS

SANATA DHARMA

Identitas universitas pembuat perangkat lunak

jLabel6 Label YOGYAKARTA Identitas provinsi

universitas

jLabel7 Label -COPYRIGHT

2017-

Identitas hak cipta pembuat perangkat lunak dan tahun pembuatan perangkat lunak

50

Implementasi antarmuka dari kelas Hal_Utama (halaman awal) dapat dilihat pada gambar 5.1 berikut.

Spesifikasi detail dari kelas Hal_Proses.java dapat dilihat pada tabel 5.4 berikut.

Tabel 5. 4 Spesifikasi detail kelas Hal_Proses.java

Id Objek Jenis Teks Keterangan

btnBeranda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java

btnBantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btnTentang Button TENTANG Jika di klik maka akan

menuju ke halaman Gambar 5. 1 Implementasi Antarmuka Hal_Utama

51 Hal_Tentang.java 1. jLabel1 2. jLabel2 Label Label SISTEM DETEKSI OUTLIER MENGGUNAKAN ALGORITMA MIXCBLOF

Judul perangkat lunak yang dibangun

txtPilihData TextField Isi path direktori dari

data file yang dimasukkan ke dalam tabelData

btnPilihData Button Pilih Data Jika di klik akan memunculkan dialog file chooser untuk memilih file data dari direktori komputer

tabelData Table Menampilkan data dari

file yang dimasukkan

jLabel6 Label Jumlah Data Mendeskripsikan

jumlah data dari data yang dimasukkan

txtJumlahData TextField Isi jumlah data dari data

yang dimasukkan

jLabel20 Label B Mendeskripsikan

variabel b sebagai proses deteksi

txtB TextField Isi variabel b sebagai

proses deteksi

jLabel23 Label (* 1-3 Mendeskripsikan

keterangan

menginputkan variabel b

jLabel21 Label Alfa Mendeskripsikan

variabel Alfa sebagai proses deteksi

txtAlfa TextField Isi variabel Alfa

sebagai proses deteksi

jLabel24 Label % Mendeskripsikan

52

Alfa yang diinputkan

jLabel22 Label Beta Mendeskripsikan

variabel Beta sebagai proses deteksi

txtBeta TextField Isi variabel Beta

sebagai proses deteksi labelNotif Label .... BELUM

PROSES ....

Mendeskripsikan pemberitahuan proses

btnProses Button Proses Jika di klik maka akan

memulai proses deteksi outlier, jika sudah selesai akan mengubah labelNotif menjadi “Selesai”

btnLihat Button Lihat Hasil Jika di klik maka akan

menuju ke

frameDeteksi

Implementasi antarmuka dari kelas Hal_Proses.java dapat dilihat pada gambar 5.2 berikut.

53

Spesifikasi detail dari frame frameDeteksi (bagian dari halaman Hal_Proses) dapat dilihat pada tabel 5.5 berikut.

Tabel 5. 5 Spesifikasi detail frame frameDeteksi

Id Objek Jenis Teks Keterangan

1. jLabel8

2. jLabel9

Label

Label

SISTEM DETEKSI OUTLIER

MENGGUNAKAN ALGORITMA MIXCBLOF

Judul perangkat lunak yang dibangun

jTable2 Table Menampilkan data

dengan derajat outlier per sekolah

jLabel18 Label Jumlah Data Mendeskripsikan

jumlah data dari data yang dimasukkan

txtJumlahData2 TextField Isi jumlah data dari

data yang dimasukkan

jLabel3 Label Threshold Mendeskripsikan

threshold/ mengatur garis batasan keputusan

txtThreshold TextField Isi threshold

btnSubmit Button Submit Jika di klik maka akan

menampilkan jumlah sekolah dengan derajat outlier terendah

sebanyak nilai

threshold yang

diinputkan

btnSimpan Button Simpan Jika di klik maka akan

menuju ke

dialogSimpan untuk menyimpan data hasil deteksi outlier

jTable1 Table Menampilkan data

hasil deteksi outlier

sebanyak nilai

54

Implementasi antarmuka frame frameDeteksi dapat dilihat pada gambar 5.3 berikut.

Spesifikasi detail dari kelas Hal_Bantuan dapat dilihat pada tabel 5.6 berikut.

Tabel 5. 6 Spesifikasi detail kelas Hal_Bantuan.java

Id Objek Jenis Teks Keterangan

btnBeranda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java

btnBantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btnTentang Button TENTANG Jika di klik maka akan

menuju ke halaman Hal_Tentang.java

1. jLabel1 Label SISTEM DETEKSI

OUTLIER

MENGGUNAKAN

Judul perangkat lunak yang dibangun

55 2. jLabel2

Label ALGORITMA MIXCBLOF

jLabel3 Label PANDUAN

PENGGUNAAN SISTEM

Mendeskripsikan

panduan penggunaan perangkat lunak

jTextArea1 TextArea Berisi langkah-langkah

penggunaan sistem, dan penjelasan tombol-tombol penting yang ada di sistem

Implementasi antarmuka kelas Hal_Bantuan dapat dilihat pada gambar 5.4 berikut.

Spesifikasi detail dari kelas Hal_Tentang dapat dilihat pada tabel 5.7 berikut.

56

Tabel 5. 7 Spesifikasi detail kelas Hal_Tentang.java

Id Objek Jenis Teks Keterangan

btnBeranda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java

btnBantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btnTentang Button TENTANG Jika di klik maka akan

menuju ke halaman Hal_Tentang.java 3. jLabel1

4. jLabel2

Label

Label

SISTEM DETEKSI OUTLIER

MENGGUNAKAN ALGORITMA MIXCBLOF

Judul perangkat lunak yang dibangun

jLabel3 Label INFORMASI

SISTEM

Mendeskripsikan

informasi pembuat perangkat lunak

jTextArea1 TextArea Berisi mengenai

informasi tentang pembuat perangkat lunak dan judul tugas akhir yang dikerjakan

57

Implementasi antarmuka kelas Hal_Tentang dapat dilihat pada gambar 5.5 berikut

5.1.3 Implementasi Kelas Control

Implementasi kelas controller dapat dilihat pada tabel 5.8 berikut.

Tabel 5. 8 Implementasi kelas Controller

No. Use Case Nama File Fisik Nama File

Excecutable 1. Pilih file input Hal_Utama.java Hal_Utama.class 2. Deteksi

menggunakan Algoritma MixCBLOF

OutlierControl.java OutlierControl.class

3. Simpan data hasil OutlierControl.java OutlierControl.class Gambar 5. 5 Implementasi Antarmuka Hal_Tentang

58 5.2Evaluasi Hasil

5.2.1 Pengujian Perangkat Lunak (Black Box) 5.2.1.1. Rencana Pengujian Black Box

Rencana pengujian dengan menggunakan black box pada perangkat lunak ini akan dijelaskan pada tabel 5.9 berikut.

Tabel 5. 9 Rencana pengujian Black Box

No. Use Case Butir Uji Kasus Uji

1. Pilih file input Pengujian memilih data dari direktori berupa file bertipe .xls

UC1-01 Pengujian memilih data dari

direktori berupa file selain bertipe .xls

UC1-02

2. Deteksi menggunakan Algoritma MixCBLOF

Pengujian memasukkan nilai yang sesuai sehingga proses deteksi dapat berjalan

UC2-01

Pengujian terjadi kesalahan dalam memasukkan nilai

UC2-02 3. Simpan data hasil Pengujian menyimpan hasil

deteksi ke dalam file bertipe .xls

UC3-01

5.2.1.2. Prosedur Pengujian Black Box dan Kasus Uji

Setelah menyusun rencana pengujian black box dan kasus uji kemudian melakukan pengujian yang terlampir pada lampiran 7.

5.2.1.3. Evaluasi Pengujian Black Box

Seluruh hasil pengujian black box pada lampiran 7 sudah menunjukkan bahwa hasil semua pengujian sudah sesuai dengan perancangan sehingga perangkat lunak dapat berjalan dengan baik. Perangkat lunak ini juga mampu memberikan pemberitahuan jika terjadi kesalahan atau error, baik dari pengguna maupun sistemnya, sehingga memudahkan pengguna/ user menggunakan perangkat lunak ini.

59

5.2.2 Pengujian Perbandingan Hasil Pencarian Outlier Secara Manual dengan Hasil Pencarian Outlier menggunakan Perangkat Lunak 5.2.2.1. Pencarian Outlier Secara Manual

Pengujian penghitungan manual menggunakan lima belas data sampel nilai Ujian Nasional (UN), Indeks Integritas Ujian Nasional (IIUN), dan Akreditasi SMA jurusan IPA Daerah Istimewa Yogyakarta tahun ajaran 2014/2015.

Proses penghitungan manual dilakukan menggunakan aplikasi Microsoft Excel 2010. Dalam melakukan proses deteksi outlier secara manual menggunakan nilai variabel b sebesar 2, Alfa sebesar 70%, dan Beta sebesar 3. Proses penghitungan manual terlampir pada lampiran 8.

5.2.2.2. Pencarian Outlier menggunakan Perangkat Lunak Pengujian penghitungan perangkat lunak menggunakan data yang sama dengan data yang digunakan untuk melakukan penghitungan manual yaitu lima belas data sampel nilai Ujian Nasional (UN), nilai Indeks Integritas Ujian Nasional (IIUN), dan nilai Akreditasi SMA jurusan IPA Daerah Istimewa Yogyakarta tahun ajaran 2014/2015.

Pencarian derajat outlier pada perangkat lunak menggunakan nilai b sebesar 2, Alfa sebesar 70%, dan Beta sebesar 3. Hasil penghitungan perangkat lunak dapat dilihat pada gambar 5.6 dan 5.7 berikut.

60

Gambar 5. 6 Hasil Penambangan Data menggunakan Perangkat Lunak

114 MUHAMMADIYAH WONOSARI

3. SMAN 1 PLAYEN 4. SMAN 1 PANGGANG 5. SMA 1 TANJUNGSARI 6. SMA 1 SEMANU

7. SMA DOMINIKUS WONOSARI

8. MAN WONOSARI 9. SMA

MUHAMMADIYAH PAKEM

289.46

311.9 316.17 303.49 295.04 244.57

300.01 243.76

C2

1. SMAN 2 PLAYEN 2. SMAN 1 RONGKOP 3. SMAN 1 PATUK 4. SMA 1 SEMIN

5. SMAN 1

KARANGMOJO

363.74 359.62 338.68 352.31 322.97

347.464 5

C3 1. SMAN 2 WONOSARI 422.32 422.32 1

2. Atribut Nilai IIUN

C1

1. SMAN 2 WONOSARI 2. SMAN 2 PLAYEN

3. SMAN 1

KARANGMOJO 4. SMAN 1 PATUK 5. SMA

MUHAMMADIYAH WONOSARI

6. SMA 1 SEMIN

7. SMA 1 TANJUNGSARI 8. SMA PEMBANGUNAN

2 KARANGMOJO

80.77 80.61 79.33

80.2 78.6

115

79.82 78.57 77.33

C2

1. SMAN 1 PLAYEN 2. SMAN 1 PANGGANG 3. SMA 1 SEMANU 4. MAN WONOSARI

84.31 82.69 83.92 82.64

83.39 4

C3

1. SMAN 1 RONGKOP 2. SMA DOMINIKUS

WONOSARI 3. SMA

MUHAMMADIYAH PAKEM

75.43 72.4

74

73.94333 3

3. Atribut Nilai Akreditasi

C1

1. SMAN 2 WONOSARI 2. SMAN 2 PLAYEN

3. SMAN 1

KARANGMOJO

4. SMA PEMBANGUNAN 2 KARANGMOJO 5. SMAN 1 RONGKOP 6. SMAN 1 PATUK 7. SMA

MUHAMMADIYAH WONOSARI

8. SMAN 1 PLAYEN 9. SMAN 1 PANGGANG 10.SMA 1 SEMIN

11.SMA 1 TANJUNGSARI 12.SMA 1 SEMANU

13.SMA DOMINIKUS WONOSARI

14.MAN WONOSARI

A A A

A

A A A

A A A A

116

A A

A C2 1. SMA _MUHAMMADIYAH

PAKEM

B 2 1

C3 - - 3 -

2. Pendeteksian menggunakan algoritma MixCBLOF

Setelah cluster dari setiap atribut sudah ditemukan, maka ada beberapa langkah yang harus dilakukan dalam pendeteksian outlier sebagai berikut :

a. Penentuan Klaster Besar (LC) dan Klaster Kecil (SC)

Nilai parameter b, Alfa, dan Beta yang diberikan oleh user akan diproses pada bagian ini. Dalam penghitungan manual ini diberikan nilai b sebesar dua, Alfa sebesar 70%, dan Beta sebesar 3. Ketiga parameter tersebut dapat digunakan karena memenuhi salah satu rumus yang dapat dilihat rumus 2.1 dan rumus 2.2.

Klaster besar terdiri dari klaster pertama dan klaster kedua, sedangkan klaster kecil terdiri dari klaster ketiga.

b. Pencarian derajat outlier per Atribut

Pada pencarian derajat outlier per atribut ini menggunakan metode NCBLOF untuk data berupa numerical, sedangkan metode CBLOF untuk data berupa kategorikal. Untuk rumus dari NCBLOF dapat dilihat pada rumus 2.3, sedangkan untuk rumus dari CBLOF dapat dilihat pada rumus 2.4.

Hasil dari penghitungan pencarian derajat outlier per atribut dapat dilihat pada tabel berikut :

117

Nama Sekolah UN IIUN Akre

SMAN 2 WONOSARI 5 5.540714 14

SMAN 2 PLAYEN 4.089211 6.275648 14

SMAN 1 KARANGMOJO 2.717237 102.6441 14

SMA PEMBANGUNAN 2 KARNGMOJO

52.19637 3.650392 14

SMAN 1 RONGKOP 2.475156 10.99297 14

SMAN 1 PATUK 7.576958 9.507064 14

SMA MUHAMMADIYAH

WONOSARI

179.8275 9.418351 14

SMAN 1 PLAYEN 7.565996 3.152174 14

SMAN 1 PANGGANG 6.3995 4.142857 14

SMA 1 SEMIN 13.73421 18.18619 14

SMA 1 TANJUNGSARI 11.80359 9.07946 14

SMA 1 SEMANU 26.99494 5.471698 14

SMA DOMINIKUS

WONOSARI

4.036907 6.237135 14

MAN WONOSARI 15.36444 3.866667 14

SMA MUHAMMADIYAH

PAKEM

3.963779 8.083892 1

c. Normalisasi

Tahap normalisasi ini menggunakan metode Min-max. Rumus dari metode min-max. Hasil normalisasi dari derajat outlier per atribut dapat dilihat pada tabel berikut.

Nama Sekolah UN IIUN Akre

SMAN 2 WONOSARI 1.025777873 1.04801476 3

118

SMAN 1 KARANGMOJO 1 3 3

SMA PEMBANGUNAN 2 KARNGMOJO

1.55873815 1.01001525 3 SMAN 1 RONGKOP 1.031143527 1.15761688

SMAN 1 PATUK 1.054877913 1.1277469 3

SMA MUHAMMADIYAH WONOSARI

3 1.12596358 3

SMAN 1 PLAYEN 1.054754126 1 3

SMAN 1 PANGGANG 1.041581589 1.01991485 3

SMA 1 SEMIN 1.124408103 1.30221582 3

SMA 1 TANJUNGSARI 1.102606738 1.11915114 3

SMA 1 SEMANU 1.274153556 1.0466274 3

SMA DOMINIKUS

WONOSARI

1.014902247 1.06201432 3

MAN WONOSARI 1.142817235 1.01436283 3

SMA MUHAMMADIYAH PAKEM

1.014076452 1.0991381 1

d. Penentuan bobot Entropy

Penentuan bobot menggunakan metode Entropy dengan rumus yang dapat dilihat pada rumus 2.6. Hasil bobot dengan menggunakan metode Entropy dapat dilihat pada tabel berikut.

W1 0.09316712

W2 0.08667666

119 e. Pencarian derajat Outlier Final

Proses penghitungan derajat outlier final menggunakan rumus yang dapat dilihat pada rumus 2.7. Hasil akhir derajat outlier final dapat dilihat pada tabel berikut.

Nama Sekolah Derajat OF

SMAN 2 WONOSARI 2.4780

SMAN 2 PLAYEN 2.4787

SMAN 1 KARANGMOJO 2.7081 SMA PEMBANGUNAN 2

KARNGMOJO

2.5683

SMAN 1 RONGKOP 2.5007

SMAN 1 PATUK 2.5004

SMA MUHAMMADIYAH

WONOSARI

2.7557

SMAN 1 PLAYEN 2.4744

SMAN 1 PANGGANG 2.4757

SMA 1 SEMIN 2.5468

SMA 1 TANJUNGSARI 2.5090

SMA 1 SEMANU 2.5283

SMA DOMINIKUS

WONOSARI

2.4784

MAN WONOSARI 2.4960

SMA MUHAMMADIYAH

PAKEM

1.0095

Berdasarkan hasil perhitungan di atas, dapat dilihat setiap sekolah sudah mempunyai derajat outlier masing-masing, sehingga untuk penentuan jumlah sekolah yang teridentifikasi sebagai outlier memiliki jumlah sesuai keinginan user berdasar nilai derajat outlier terendah.