[TSY04] Tsymbal, Alexey. (2004). The problem of concept drift: definitions and related work. Computer Science Department, The University of Dublin,

Transkripsi

1 DAFTAR PUSTAKA [BER97] Berry, Michael J. A., dan Gordon Linoff. (1997). Data Mining Techniques For Marketing, Sales, and Customer Support. John Wiley & Sons, Inc., New York. [CHO03] Chonoles, Michael Jesse dan James A. Schardt. (2003). UML 2 for Dummies. Wiley Publisher, Inc. New York. [DHA04] Dhaneswara, Giri. (2004). Implementasi Jaringan Saraf Tiruan Tipe Multilayer Feed-Forward Menggunakan Algoritma Backpropagation dengan Momentum untuk Klasifikasi Data. Universitas Katolik Parahyangan, Bandung. [FAY96] Fayyad U. M., G. Piatetsky-Shapiro, P. Smyth, dan R. Uthurusamy Advances in Knowledge Discovery and Data Mining. AAAI Press / The MIT Press. [GAB05] Gaber, Mohammed Medhat, et al. (2005). Mining Data Streams: A Review. SIGMOD Record 34(2): [HAN01] Han, Jiawei dan Micheline Kamber. (2001). Data Mining: Concept and Techniques. Morgan Kaufmann Publishers. [KRO03] Kroll, Per dan Philippe Kruchten. (2003). Rational Unified Process Made Easy: A Practitioner s Guide to the RUP. Addison Wesley. [PRE97] Pressman, Roger S. (1997). Software Engineering: A Practitioner s Approach, Fourth Edition. McGraw-Hill Inc. [SCH05] Scholz, Martin dan Ralf Klinkenberg. (2005). An Ensemble Classifier for Drifting Concepts. Proceedings of the Second International Workshop on Knowledge Discovery in Data Streams, in conjunction with ECML-PKDD '05, pages , Porto, Portugal. [STR01] Street, W. Nick dan YongSeog Kim. (2001). A Streaming Ensemble Algorithm (SEA) for Large-Scale Classification. 7 th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD- 01), pages , San Francisco, CA. [TAN06] Tan, Pang-Ning, et al. (2006). Introduction to Data Mining. Pearson Education. 74

2 [TSY04] Tsymbal, Alexey. (2004). The problem of concept drift: definitions and related work. Computer Science Department, The University of Dublin, Trinity College, Ireland. [KOH96] Kohavi, Ronny dan Barry Becker. (1996). Adult Dataset. UCI Repository of Machine Learning Databases, Department of Information and Computer Science, University of California, Irvine. [WAN02] Wang, Haixun, et al. (2002). Mining Concept-Drifting Data Streams using Ensemble Classifiers. 9 th ACM International Conference on Knowledge Discovery and Data Mining (SIGKDD). [WID96] Widmer, Gerhard dan Miroslav Kubat. (1996). Learning in The Presence of Concept Drift and Hidden Contexts. Machine Learning, 23, [WIT05] Witten, Ian H., dan Eibe Frank. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers. 75

3 LAMPIRAN A Skenario Use-Case A.1. Skenario Use-Case Proses Klasifikasi Data Identifikasi Nomor Case 1 Nama Proses Klasifikasi Data Tujuan User dapat melakukan proses klasifikasi data Deskripsi User mengkonfigurasi basis data, base classifier, SEA. Hasil dari konfigurasi tersebut akan digunakan untuk proses klasifikasi data Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi basis data 2 Sistem menampilkan form konfigurasi basis data 3 User membangun connection string yang akan digunakan sebagai koneksi perangkat lunak dengan basis data 4 Sistem menggunakan connection string untuk terkoneksi ke basis data 5 Sistem menampilkan tabel-tabel yang ada di basis data yang telah terkoneksi tersebut 6 User memilih tabel yang akan digunakan untuk proses mining 7 Sistem menampilkan atribut-atribut pada tabel yang telah dipilih 8 User memilih jenis atribut (drop, numeric, nominal, dan class) untuk tiap atribut pada tabel 9 User meng-apply konfigurasi basis data yang telah dibuat ini 10 Sistem menampung semua konfigurasi User memilih menu konfigurasi base classifier User memasukan perilaku base classifier yang diinginkan basis data yang telah dibuat ke memory Sistem menutup form konfigurasi basis data Sistem menampilkan form konfigurasi base classifier 76

4 15 User meng-apply konfigurasi base classifier yang telah dibuat ini 16 Sistem menampung semua konfigurasi base classifier yang telah dibuat ke memory 17 Sistem menutup form konfigurasi base classifier 18 User memilih menu konfigurasi 19 SEA Sistem menampilkan form konfigurasi SEA 20 User memasukan jumlah record yang ditangani oleh base classifier, ukuran ensemble, dan faktor correctness (P C ) 21 User memilih menu proses klasifikasi SEA 22 Sistem menampung semua konfigurasi User memasukan nomor rekord awal untuk menandai dari rekord mana pelatihan mulai dilakukan. 25 User memilih untuk membangun ensemble 26 SEA yang telah dibuat ke memory. Sistem menampilkan form pelatihan dan prediksi SEA Sistem melakukan pelatihan terhadap ensemble dengan menggunakan data pelatihan. Sistem menampilkan tiap mean-square error (MSE) yang dihasilkan selama pelatihan 27 Sistem selesai melakukan pelatihan terhadap ensemble 28 User memasukan nomor rekord mana yang akan ditest akurasinya dari data (nomor rekord berupa range). 29 User memilih untuk melakukan test akurasi ensemble 30 Sistem melakukan test akurasi terhadap ensemble 31 Sistem menampilkan hasil nilai akurasi ensemble Kondisi Akhir User memperoleh model yang telah dilatih dan dapat digunakan untuk melakukan proses klasifikasi data 77

5 A.2. Skenario Use-Case Konfigurasi Basis Data Identifikasi Nomor Case 2 Nama Konfigurasi Basis Data Tujuan User dapat mengkonfigurasi basis data Deskripsi User mengkonfigurasi basis data, sehingga sistem dapat terkoneksi dengan basis data Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi basis data 2 Sistem menampilkan form konfigurasi basis data 3 User membangun connection string yang akan digunakan sebagai koneksi perangkat lunak dengan basis data 4 Sistem menggunakan connection string untuk terkoneksi ke basis data 5 Sistem menampilkan tabel-tabel yang ada di basis data yang telah terkoneksi tersebut 6 User memilih tabel yang akan digunakan untuk proses mining 7 Sistem menampilkan atribut-atribut pada tabel yang telah dipilih 8 User memilih jenis atribut (drop, numeric, nominal, dan class) untuk tiap atribut pada tabel 9 User meng-apply konfigurasi basis data yang telah dibuat ini 10 Sistem menampung semua konfigurasi 11 basis data yang telah dibuat ke memory Sistem menutup form konfigurasi basis data Kondisi Akhir Sistem memperoleh konfigurasi basis data. Sistem juga terkoneksi dengan basis data. 78

6 A.3. Skenario Use-Case Manipulasi Basis Data Identifikasi Nomor Case 3 Nama Manipulasi Basis Data Tujuan User dapat melakukan perintah-perintah manipulasi data Deskripsi User melakukan manipulasi data seperti tambah rekord, ubah rekord, dan hapus rekord. Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu manipulasi basis data 2 Sistem menampilkan form manipulasi basis data 3 Data dari basis data diperoleh dan ditampilkan 4 User melakukan salah satu kegiatan manipulasi basis data yaitu tambah rekord, ubah rekord, dan hapus rekord 5 Sistem menerima perubahan yang dilakukan oleh user, kemudian memprosesnya 6 User memilih untuk menutup form manipulasi basis data 7 Sistem menutup form manipulasi basis data Kondisi Akhir Data-data pada basis data berubah sesuai dengan apa yang dilakukan user pada data 79

7 A.4. Skenario Use-Case Konfigurasi Base Classifier Identifikasi Nomor Case 4 Nama Konfigurasi Base Classifier Tujuan User dapat mengkonfigurasi base classifier Deskripsi User mengkonfigurasi base classifier. Sistem menggunakan hasil konfigurasi tersebut untuk pelatihan dan prediksi base classifier sebagai single classifier, dan pelatihan dan prediksi SEA Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi base classifier 2 Sistem menampilkan form konfigurasi base classifier 3 User memasukan perilaku base classifier yang diinginkan 4 User meng-apply konfigurasi base classifier yang telah dibuat ini 5 Sistem menampung semua konfigurasi base classifier yang telah dibuat ke 6 Kondisi Akhir memory Sistem menutup form konfigurasi base classifier ditutup Sistem memperoleh konfigurasi base classifier 80

8 A.5. Skenario Use-Case Bangun Single Base Classifier Identifikasi Nomor Case 5 Nama Bangun Single Base Classifier Tujuan User dapat melakukan proses untuk membangun base classifier dengan menganggapnya sebagai single classifier. Deskripsi User melakukan proses untuk membangun sebuah base classifier dengan menganggap base classifier sebagai single classifier, pelatihan disesuaikan dengan keadaan konfigurasi basis data dan konfigurasi base classifier saat itu Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi base classifier 2 Sistem menampilkan form konfigurasi base classifier 3 User memilih menu pelatihan dan prediksi base classifier 4 Sistem menampilkan form pelatihan dan prediksi base classifier 5 User memasukan nomor rekord (dalam range) yang akan dijadikan sebagai data pelatihan 6 User memilih untuk membangun single classifier 7 Sistem melakukan proses membangun base classifier yang dianggap sebagai single classifier dengan menggunakan data pelatihan. Sistem menampilkan tiap mean-square error (MSE) yang dihasilkan selama pelatihan 8 Sistem selesai melakukan proses membangun single classifier Kondisi Akhir Sistem memperoleh hasil sebuah base classifier yang telah dilatih 81

9 A.6. Skenario Use-Case Test Akurasi Single Base Classifier Identifikasi Nomor Case 6 Nama Test Akurasi Single Base Classifier Tujuan User dapat melakukan test akurasi pada base classifier yang telah dibangun Deskripsi User melakukan test akurasi pada base classifier yang telah dibangun. Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman proses klasifikasi base classifier. Single base classifier telah dibangun Aksi Aktor Reaksi Sistem 1 User memasukan nomor rekord (dalam range) yang akan dijadikan sebagai data test 2 User memilih untuk melakukan test akurasi single classifier 3 Sistem melakukan test akurasi terhadap single classifier 4 Sistem menampilkan hasil nilai akurasi single classifier Kondisi Akhir User memperoleh hasil prediksi 82

10 A.7. Skenario Use-Case Konfigurasi SEA Identifikasi Nomor Case 7 Nama Konfigurasi Klasifikasi SEA Tujuan User dapat mengkonfigurasi SEA Deskripsi User mengkonfigurasi SEA. Sistem menggunakan hasil konfigurasi tersebut untuk pelatihan dan prediksi SEA Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi SEA 2 Sistem menampilkan form SEA 3 User memasukan jumlah record yang ditangani oleh base classifier, ukuran ensemble, dan faktor correctness (P C ) 4 User meng-apply konfigurasi SEA yang telah dibuat ini 5 Sistem menampung semua konfigurasi SEA yang telah dibuat ke memory Sistem menutup form konfigurasi SEA Kondisi Akhir Sistem memperoleh konfigurasi SEA 83

11 A.8. Skenario Use-Case Bangun Ensemble Identifikasi Nomor Case 8 Nama Bangun Ensemble Tujuan User dapat membangun ensemble Deskripsi User membangun ensemble, pelatihan disesuaikan dengan keadaan konfigurasi basis data, base classifier dan SEA saat itu Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman utama PL SEA Aksi Aktor Reaksi Sistem 1 User memilih menu konfigurasi SEA 2 Sistem menampilkan form konfigurasi SEA 3 User memilih menu pelatihan dan prediksi SEA 4 Sistem menampilkan form pelatihan dan prediksi SEA 5 User memasukan nomor rekord awal untuk menandai dari rekord mana pelatihan mulai dilakukan. 6 User memilih untuk membangun 7 ensemble 8 Kondisi Akhir Sistem membangun ensemble dengan menggunakan data pelatihan. Sistem menampilkan tiap error yang dihasilkan selama pembangunan Sistem selesai membangun ensemble Sistem memperoleh hasil sebuah ensemble yang telah dibangun 84

12 A.9. Skenario Use-Case Test Akurasi Ensemble Identifikasi Nomor Case 9 Nama Test Akurasi Ensemble Tujuan User dapat melakukan test akurasi pada ensemble yang telah dibangun Deskripsi User melakukan test akurasi pada ensemble yang telah dibangun. Aktor User Skenario Utama Kondisi Awal Sistem menampilkan halaman proses klasifikasi SEA. Ensemble telah dibangun Aksi Aktor Reaksi Sistem 1 User memasukan nomor rekord (dalam range) yang akan dijadikan sebagai data test 2 User memilih untuk melakukan test akurasi ensemble 3 Sistem melakukan test akurasi terhadap ensemble 4 Sistem menampilkan hasil nilai akurasi ensemble Kondisi Akhir User memperoleh hasil nilai akurasi ensemble 85

13 LAMPIRAN B Diagram Sequence B.1. Diagram sequence untuk proses klasifikasi data (Use Case 1) 86

14 B.2. Diagram sequence untuk konfigurasi basis data (Use Case 2) B.3. Diagram sequence untuk save konfigurasi basis data (Use Case 3) 87

15 B.4. Diagram sequence untuk load konfigurasi basis data (Use Case 4) B.5. Diagram sequence untuk manipulasi data (Use Case 5) 88

16 B.6. Diagram sequence untuk tambah rekord (Use Case 6) B.7. Diagram sequence untuk ubah rekord (Use Case 7) 89

17 B.8. Diagram sequence untuk hapus rekord (Use Case 8) 90

18 B.9. Diagram sequence untuk konfigurasi base classifier (Use Case 9) B.10. Diagram sequence untuk save konfigurasi base classifier (Use Case 10) 91

19 B.11. Diagram sequence untuk load konfigurasi base classifier (Use Case 11) :FormKonfigurasiBaseClassifier :FileKonfigurasiBaseClassifier User Pilih "Load Konfigurasi Base Classifier" Tampilkan "Load Dialog" Input "Nama File" Pilih "OK" Load semua field input dari file konfigurasi base classifier B.12. Diagram sequence untuk bangun single base classifier (Use Case 12) 92

20 B.13. Diagram sequence untuk test akurasi single base classifier (Use Case 13) :FormBaseClassifier :BasisData User Input "Nomor Rekord Data Test" Pilih "Test akurasi" Request Data Data Baca hasil model yang telah dibangun Lakukan test akurasi Hasil test akurasi B.14. Diagram sequence untuk konfigurasi SEA (Use Case 14) 93

21 B.15. Diagram sequence untuk save konfigurasi SEA (Use Case 15) :FormKonfigurasiSEA :FileKonfigurasiSEA User Pilih "Save Konfigurasi SEA" Tampilkan "Save Dialog" Input "Nama File" Pilih "OK" Save semua field input ke file konfigurasi SEA B.16. Diagram sequence untuk load konfigurasi SEA (Use Case 16) 94

22 B.17. Diagram sequence untuk bangun ensemble (Use Case 17) B.18. Diagram sequence untuk test akurasi ensemble (Use Case 18) :FormSEA :BasisData User Input "Nomor Rekord Data Prediksi" Pilih "Test akurasi ensemble" Request Data Data Baca hasil model yang telah dibangun Lakukan test akurasi ensemble Hasil test akurasi 95

23 LAMPIRAN C Daftar Atribut dan Operasi Kelas C.1. Atribut dan Operasi FormMain Nama Atribut dan Tipenya StatusKonfigurasiBasisData: TLabel; StatusKonfigurasiBaseClassifier: TLabel; StatusKonfigurasiSEA: Tlabel Nama Operasi procedure SetStatusKonfigurasiBasisData(status: Boolean); procedure SetStatusKonfigurasiBaseClassifier(status: Boolean); procedure SetStatusKonfigurasiSEA(status: Boolean); function CekStatusKonfigurasiBasisData: Boolean; function CekStatusKonfigurasiBaseClassifier: Boolean; function CekStatusKonfigurasiSEA: Boolean; Visibility (, ) Visibility (, ) C.2. Atribut dan Operasi FormKonfigurasiBasisData Nama Atribut dan Tipenya StringKoneksi: TEdit; TabelDataMining: TcomboBox; TipeAtribut: TlistView; Nama Operasi procedure SetStringKoneksi(Input: String); procedure SetTabelDataMining(Input: String); procedure SetTipeAtribut(Input: TListItems); function BacaStringKoneksi: String; function BacaTabelDataMining: String; function BacaTipeAtribut: TListItems; procedure LoadKonfigurasiBasisData; procedure SaveKonfigurasiBasisData; procedure BikinStringKoneksi; procedure KoneksiBasisData; procedure PutusKoneksiBasisData; procedure PilihTabelUntukDataMining; procedure BatalKonfigurasiBasisDataBaru; procedure TerimaKonfigurasiBasisDataBaru; Visibility (, ) Visibility (, ) C.3. Atribut dan Operasi FileKonfigurasiBasisData Nama Atribut dan Tipenya Filename: String; Nama Operasi procedure SetFilename(Filename: String); procedure TulisKonfigurasiBasisData; procedure BacaKonfigurasiBasisData; Visibility (, ) Visibility (, ) 96

24 C.4. Atribut dan Operasi BasisData Nama Atribut dan Tipenya MyADOConnection: TADOConnection; MyADOTable: TADOTable; MyDataSource: TDataSource; Nama Operasi procedure SetConnectionString(Input: String); procedure SetTableName(Input: String); function BacaAtributTabel: TListItems; function BacaJumlahRekord: Integer; procedure LakukanTambahData; procedure LakukanUbahData; procedure LakukanHapusData; procedure KoneksiBasisData; procedure PutusKoneksiBasisData; Visibility (, ) Visibility (, ) C.5. Atribut dan Operasi FormManipulasiBasisData Nama Operasi procedure PerbaharuiInformasiTabel; procedure TambahData; procedure UbahData; procedure HapusData; Visibility (, ) C.6. Atribut dan Operasi FormKonfigurasiBaseClassifier Nama Atribut dan Tipenya JumlahNeuronHiddenLayer1: TEdit; JumlahNeuronHiddenLayer2: TEdit; FungsiAktivasiHiddenLayer1: TComboBox; FungsiAktivasiHiddenLayer2: TComboBox; FungsiAktivasiOutputLayer: TComboBox; LearningRate: TEdit; Momentum: TEdit; EpochMaksimum: TEdit; MSEMinimum: TEdit; Nama Operasi procedure SetJumlahNeuronHiddenLayer1(Input: String); procedure SetJumlahNeuronHiddenLayer2(Input: String); procedure SetFungsiAktivasiHiddenLayer1(Input: String); procedure SetFungsiAktivasiHiddenLayer2(Input: String); procedure SetFungsiAktivasiOutputLayer(Input: String); procedure SetLearningRate(Input: String); procedure SetMomentum(Input: String); procedure SetEpochMaksimum(Input: String); Visibility (, ) Visibility (, ) 97

25 Nama Atribut dan Tipenya procedure SetMSEMinimum(Input: String); function BacaJumlahNeuronHiddenLayer1: String; function BacaJumlahNeuronHiddenLayer2: String; function BacaFungsiAktivasiHiddenLayer1: String; function BacaFungsiAktivasiHiddenLayer2: String; function BacaFungsiAktivasiOutputLayer: String; function BacaLearningRate: String; function BacaMomentum: String; function BacaEpochMaksimum: String; function BacaMSEMinimum: String; procedure LoadKonfigurasiBaseClassifier; procedure SaveKonfigurasiBaseClassifier; function CekBanyakKelas: Integer; procedure BatalKonfigurasiBaseClassifier; procedure TerimaKonfigurasiBaseClassifier; Visibility (, ) C.7. Atribut dan Operasi FileKonfigurasiBaseClassifier Nama Atribut dan Tipenya Filename: String; Nama Operasi procedure SetFilename(Filename: String); procedure TulisKonfigurasiBaseClassifier; procedure BacaKonfigurasiBaseClassifier; Visibility (, ) Visibility (, ) C.8. Atribut dan Operasi FormBaseClassifier Nama Atribut dan Tipenya Visibility (, ) StopPelatihanSingleClassifier: Boolean; ClassifierRecord: Integer; ListKelas: TStringList; LearningRate: Real; Momentum: Real; EpochMaksimum: Integer; MSEMinimum: Real; NeuronInputLayer: Integer; NeuronHiddenLayer1: Integer; NeuronHiddenLayer2: Integer; NeuronOutputLayer: Integer; C: TClassifier; Nama Operasi Visibility (, ) procedure SetClassifierRecord (Input: Integer); procedure SetListKelas(Input: TStringList); procedure SetLearningRate(Input: Real); procedure SetMomentum(Input: Real); procedure SetEpochMaksimum(Input: Integer); procedure SetMSEMinimum(Input: Real); procedure SetNeuronInputLayer(Input: Integer); procedure SetNeuronHiddenLayer1(Input: Integer); procedure SetNeuronHiddenLayer2(Input: Integer); 98

26 Nama Atribut dan Tipenya procedure SetNeuronOutputLayer(Input: Integer); function BacaClassifierRecord: Integer; function BacaListKelas: TStringList; function BacaLearningRate: Real; function BacaMomentum: Real; function BacaEpochMaksimum: Integer; function BacaMSEMinimum: Real; function BacaNeuronInputLayer: Integer; function BacaNeuronHiddenLayer1: Integer; function BacaNeuronHiddenLayer2: Integer; function BacaNeuronOutputLayer: Integer; procedure PerolehSettingJaringan; procedure AcakWeight( var WeightBiasHiddenLayer1: array of Real; var WeightHiddenLayer1: Real2Dimension; var WeightBiasHiddenLayer2: array of Real; var WeightHiddenLayer2: Real2Dimension; var WeightBiasOutputLayer: array of Real; var WeightOutputLayer: Real2Dimension); procedure Propagation(Input: Real2Dimension; n: Integer; var HiddenLayer1_in: array of Real; var HiddenLayer1: array of Real; var HiddenLayer2_in: array of Real; var HiddenLayer2: array of Real; var OutputLayer_in: array of Real; var OutputLayer: array of Real; WeightBiasHiddenLayer1: array of Real; WeightHiddenLayer1: Real2Dimension; WeightBiasHiddenLayer2: array of Real; WeightHiddenLayer2: Real2Dimension; WeightBiasOutputLayer: array of Real; WeightOutputLayer: Real2Dimension); procedure Backpropagation(Input: Real2Dimension; n: Integer; HiddenLayer1_in: array of Real; HiddenLayer1: array of Real; HiddenLayer2_in: array of Real; HiddenLayer2: array of Real; ErrorTermOutputLayer: array of Real; var WeightBiasHiddenLayer1: array of Real; var WeightHiddenLayer1: Real2Dimension; var WeightBiasHiddenLayer2: array of Real; var WeightHiddenLayer2: Real2Dimension; var WeightBiasOutputLayer: array of Real; var WeightOutputLayer: Real2Dimension); function FungsiAktivasi(Input: Real; TipeAktivasi: Integer): Real; function TurunanFungsiAktivasi(Input: Real; TipeAktivasi: Integer): Real; procedure PelatihanSingleClassifier; procedure PrediksiSingleClassifier; Visibility (, ) 99

27 C.9. Atribut dan Operasi FormKonfigurasiSEA Nama Atribut dan Tipenya JumlahRekordDitangani: TEdit; UkuranEnsemble: TEdit; FaktorCorrectness: TEdit; Nama Operasi procedure SetJumlahRekordDitangani(Input: String); procedure SetUkuranEnsemble(Input: String); procedure SetFaktorCorrectness(Input: String); function BacaJumlahRekordDitangani: String; function BacaUkuranEnsemble: String; function BacaFaktorCorrectness: String; function LoadKonfigurasiSEA(filename: String): Boolean; function SaveKonfigurasiSEA(filename: String): Boolean; procedure BatalKonfigurasiSEA; procedure TerimaKonfigurasiSEA; Visibility (, ) Visibility (, ) C.10. Atribut dan Operasi FileKonfigurasiSEA Nama Atribut dan Tipenya Filename: String; Nama Operasi procedure SetFilename(filename: String); procedure TulisKonfigurasiSEA; procedure BacaKonfigurasiSEA; Visibility (, ) Visibility (, ) C.11. Atribut dan Operasi FormSEA Nama Atribut dan Tipenya StopPelatihanSEA: Boolean; JumlahRekordClassifier: Integer; UkuranMaksimumEnsemble: Integer; Pc: Integer; Ensemble: Array of TPClassifier; UkuranEnsemble: Integer TabelKwalitasEnsemble: Array of Real; Nama Operasi procedure SetStopPelatihanSEA: Boolean; procedure SetJumlahRekordClassifier: Integer; procedure SetUkuranMaksimumEnsemble: Integer; procedure SetPc: Integer; procedure SetEnsemble: Array of TPClassifier; procedure SetUkuranEnsemble: Integer procedure SetTabelKwalitasEnsemble: Array of Real; function BacaStopPelatihanSEA: Boolean; function BacaJumlahRekordClassifier: Integer; Visibility (, ) Visibility (, ) 100

28 Nama Atribut dan Tipenya function BacaUkuranMaksimumEnsemble: Integer; function BacaPc: Integer; function BacaEnsemble: Array of TPClassifier; function BacaUkuranEnsemble: Integer function BacaTabelKwalitasEnsemble: Array of Real; procedure PerolehSetting; procedure PelatihanSEA; procedure PrediksiSEA; Visibility (, ) 101

29 LAMPIRAN D Diagram State D.1. Diagram state untuk proses klasifikasi data (Use Case 1) D.2. Diagram state untuk konfigurasi basis data (Use Case 2) 102

30 D.3. Diagram state untuk save konfigurasi basis data (Use Case 3) D.4. Diagram state untuk load konfigurasi basis data (Use Case 4) D.5. Diagram state untuk manipulasi data (Use Case 5) Tampilkan Data Do: Menampilkan keterangan tabel dan datanya Lakukan Manipulasi data Do: Lakukan salah satu kegiatan manipulasi data Do: Cek jika berhasil Berhasil Gagal Tampilkan Pesan Do: Tampilkan pesan kelayar jika manipulasi data berhasil Tampilkan Pesan Do: Tampilkan pesan kelayar jika manipulasi data gagal 103

31 D.6. Diagram state untuk tambah rekord (Use Case 6) D.7. Diagram state untuk ubah rekord (Use Case 7) Tampilkan Data Do: Menampilkan keterangan tabel dan datanya Lakukan Ubah Rekord Do: Masukan nilai ke atribut-atribut pada rekord yang dipilih untuk diubah Do: Kirimkan nilai-nilai yang diubah tersebut ke basis data Do: Cek jika berhasil Berhasil Gagal Tampilkan pesan Do: Tampilkan pesan kelayar Rekord berhasil diubah Tampilkan pesan Do: Tampilkan pesan kelayar Rekord gagal diubah 104

32 D.8. Diagram state untuk hapus rekord (Use Case 8) D.9. Diagram state untuk konfigurasi base classifier (Use Case 9) D.10. Diagram state untuk save konfigurasi base classifier (Use Case 10) Masukan Nama Save File Do: Buka file dialog Do: Masukan nama file Do: Pilih OK atau Cancel OK Save Konfigurasi Base Classifier Do: Save semua konfigurasi base classifier ke file Cancel 105

33 D.11. Diagram state untuk load konfigurasi base classifier (Use Case 11) Masukan Nama Load File Do: Buka file dialog Do: Masukan nama file Do: Pilih OK atau Cancel OK Load Konfigurasi Base Classifier Do: Load semua konfigurasi base classifier dari file Cancel D.12. Diagram state untuk bangun single base classifier (Use Case 12) D.13. Diagram state untuk test akurasi single base classifier (Use Case 13) Pilih Test Akurasi Do: Baca hasil model yang telah dibangun Lakukan Test Akurasi Do: Lakukan test akurasi terhadap data test Do: Tampilkan hasil akurasi 106

34 D.14. Diagram state untuk konfigurasi SEA (Use Case 14) D.15. Diagram state untuk konfigurasi SEA (Use Case 15) Masukan Nama Save File Do: Buka file dialog Do: Masukan nama file Do: Pilih OK atau Cancel OK Save Konfigurasi SEA Do: Save semua konfigurasi SEA ke file Cancel D.16. Diagram state untuk konfigurasi SEA (Use Case 16) Masukan Nama Load File Do: Buka file dialog Do: Masukan nama file Do: Pilih OK atau Cancel OK Load Konfigurasi SEA Do: Load semua konfigurasi SEA dari file Cancel 107

35 D.17. Diagram state untuk bangun ensemble (Use Case 17) D.18. Diagram state untuk test akurasi ensemble (Use Case 18) Pilih Test Akurasi Do: Baca hasil model yang telah dibangun Lakukan Test Akurasi Do: Lakukan test akurasi terhadap data test Do: Tampilkan hasil test akurasi 108

36 LAMPIRAN E Hasil Pengujian Pengujian Terhadap Masukan Perangkat Lunak 1. Pengujian terhadap String Koneksi pada bagian konfigurasi basis data Pengujian dilakukan dengan membuat String Koneksi melalui form konfigurasi basis data. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Diharapkan 1 String Koneksi sembarang nilai. Pesan kesalahan Lakukan koneksi ke basis dat 2 String Koneksi dibuat melalui Koneksi berhasil, API pembuatan koneksi basis data tabel-tabel pada atau sesuai dengan aturan-aturan basis data tersebut pembuatan string koneksi basis ditampilkan data Hasil uji 2. Pengujian terhadap Tabel Data Mining pada bagian konfigurasi basis data Pengujian dilakukan dengan memilih Tabel Data Mining melalui form konfigurasi basis data. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Tabel Data Mining berisi kosong Pesan kesalahan 2 Tabel Data Mining berisi salah satu pilihan tabel yang ada pada basis data Atribut-atribut dari tabel ditampilkan 3. Pengujian terhadap Jumlah Neuron pada Hidden Layer 1 pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Jumlah Neuron pada Hidden Layer 1 melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: 109

37 No. Kasus Uji Hasil yang Diharapkan 1 Jumlah Neuron pada Hidden Pesan kesalahan Layer 1 berisi karakter selain bilangan integer 2 Jumlah Neuron pada Hidden Pesan kesalahan Layer 1 berisi bilangan float / real 3 Jumlah Neuron pada Hidden Pesan kesalahan Layer 1 berisi kosong 4 Jumlah Neuron pada Hidden Pesan kesalahan Layer 1 berisi bilangan integer 0 5 Jumlah Neuron pada Hidden Masukan Jumlah Layer 1 berisi bilangan integer > 0 Neuron pada Hidden Layer 1 diterima Hasil uji 4. Pengujian terhadap Jumlah Neuron pada Hidden Layer 2 pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Jumlah Neuron pada Hidden Layer 2 melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Diharapkan 1 Jumlah Neuron pada Hidden Pesan kesalahan Layer 2 berisi karakter selain bilangan integer 2 Jumlah Neuron pada Hidden Pesan kesalahan Layer 2 berisi bilangan float / real 3 Jumlah Neuron pada Hidden Pesan kesalahan Layer 2 berisi kosong 4 Jumlah Neuron pada Hidden Pesan kesalahan Layer 2 berisi bilangan integer 0 5 Jumlah Neuron pada Hidden Masukan Jumlah Layer 2 berisi bilangan integer > 0 Neuron pada Hidden Layer 2 diterima Hasil uji 5. Pengujian terhadap Jumlah Kelas pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai Jumlah Kelas melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: 110

38 No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Jumlah Kelas berisi karakter selain bilangan integer Pesan kesalahan 2 Jumlah Kelas berisi bilangan float / real Pesan kesalahan 3 Jumlah Kelas berisi kosong Pesan kesalahan 4 Jumlah Kelas berisi bilangan integer 0 Pesan kesalahan 5 Jumlah Kelas berisi bilangan integer > 0 Masukan Jumlah Kelas diterima 6. Pengujian terhadap Learning Rate pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Learning Rate melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Learning Rate berisi karakter selain bilangan float / real Pesan kesalahan 2 Learning Rate berisi kosong Pesan kesalahan 3 Learning Rate berisi bilangan integer 0 Pesan kesalahan 4 Learning Rate berisi bilangan float / real > 0 Masukan Learning Rate diterima 7. Pengujian terhadap Momentum pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Momentum melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Momentum berisi karakter selain bilangan float / real Pesan kesalahan 2 Momentum berisi kosong Pesan kesalahan 3 Momentum berisi bilangan integer 0 Pesan kesalahan 4 Momentum berisi bilangan float / real > 0 Masukan Momentum diterima 111

39 8. Pengujian terhadap Epoch Maksimum pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Epoch Maksimum melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Epoch Maksimum berisi karakter selain bilangan integer Pesan kesalahan 2 Epoch Maksimum berisi bilangan float / real Pesan kesalahan 3 Epoch Maksimum berisi kosong Pesan kesalahan 4 Epoch Maksimum berisi bilangan integer 0 Pesan kesalahan 5 Epoch Maksimum berisi bilangan integer > 0 Masukan Epoch Maksimum diterima 9. Pengujian terhadap MSE Minimum pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada MSE Minimum melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 MSE Minimum berisi karakter selain bilangan float / real Pesan kesalahan 2 MSE Minimum berisi kosong Pesan kesalahan 3 MSE Minimum berisi bilangan integer 0 Pesan kesalahan 4 MSE Minimum berisi bilangan float / real > 0 Masukan MSE Minimum diterima 10. Pengujian terhadap Seed Acak Bobot pada bagian konfigurasi base classifier Pengujian dilakukan dengan memasukan nilai pada Seed Acak Bobot melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: 112

40 No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Seed Acak Bobot berisi karakter selain bilangan integer Pesan kesalahan 2 Seed Acak Bobot berisi bilangan float / real Pesan kesalahan 3 Seed Acak Bobot berisi kosong Pesan kesalahan 4 Seed Acak Bobot berisi bilangan integer 0 Pesan kesalahan 5 Seed Acak Bobot berisi bilangan integer > 0 Masukan Seed Acak Bobot diterima 11. Pengujian terhadap Nomor rekord untuk klasifikasi pada bagian klasifikasi dan prediksi base classifier Pengujian dilakukan dengan memasukan nilai pada Nomor rekord untuk klasifikasi melalui form klasifikasi dan prediksi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Diharapkan 1 Nomor rekord untuk klasifikasi Pesan kesalahan berisi karakter selain bilangan integer 2 Nomor rekord untuk klasifikasi Pesan kesalahan berisi bilangan float / real 3 Nomor rekord untuk klasifikasi Pesan kesalahan berisi kosong 4 Nomor rekord untuk klasifikasi Pesan kesalahan berisi bilangan integer 0 5 Nomor rekord untuk klasifikasi Pesan kesalahan berisi bilangan integer > jumlah rekord pada tabel 6 Nomor rekord dari > Nomor rekord Pesan kesalahan sampai 7 Nomor rekord untuk klasifikasi Nomor rekord berisi bilangan integer > 0 dan < untuk klasifikasi jumlah rekord pada tabel diterima Hasil uji 12. Pengujian terhadap Nomor rekord untuk prediksi pada bagian klasifikasi dan prediksi base classifier Pengujian dilakukan dengan memasukan nilai pada Nomor rekord untuk prediksi melalui form klasifikasi dan prediksi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: 113

41 No. Kasus Uji Hasil yang Diharapkan 1 Nomor rekord untuk prediksi Pesan kesalahan berisi karakter selain bilangan integer 2 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan float / real 3 Nomor rekord untuk prediksi Pesan kesalahan berisi kosong 4 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan integer 0 5 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan integer > jumlah rekord pada tabel 6 Nomor rekord dari > Nomor rekord Pesan kesalahan sampai 7 Nomor rekord untuk prediksi Nomor rekord berisi bilangan integer > 0 dan < untuk prediksi jumlah rekord pada tabel diterima Hasil uji 13. Pengujian terhadap Jumlah rekord ditangani pada bagian konfigurasi SEA Pengujian dilakukan dengan memasukan nilai pada Jumlah rekord ditangani melalui form konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Diharapkan 1 Jumlah rekord ditangani berisi Pesan kesalahan karakter selain bilangan integer 2 Jumlah rekord ditangani berisi Pesan kesalahan bilangan float / real 3 Jumlah rekord ditangani berisi Pesan kesalahan kosong 4 Jumlah rekord ditangani berisi Pesan kesalahan bilangan integer 0 5 Jumlah rekord ditangani berisi Jumlah rekord bilangan integer > 0 ditangani diterima Hasil uji 14. Pengujian terhadap Ukuran Ensemble pada bagian konfigurasi SEA Pengujian dilakukan dengan memasukan nilai pada Ukuran Ensemble melalui form konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: 114

42 No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Ukuran Ensemble berisi karakter selain bilangan integer Pesan kesalahan 2 Ukuran Ensemble berisi bilangan float / real Pesan kesalahan 3 Ukuran Ensemble berisi kosong Pesan kesalahan 4 Ukuran Ensemble berisi bilangan integer 0 Pesan kesalahan 5 Ukuran Ensemble berisi bilangan integer > 0 Ukuran Ensemble diterima 15. Pengujian terhadap Faktor Correctness pada bagian konfigurasi SEA Pengujian dilakukan dengan memasukan nilai pada Faktor Correctness melalui form konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Faktor Correctness berisi karakter selain bilangan integer Pesan kesalahan 2 Faktor Correctness berisi bilangan float / real Pesan kesalahan 3 Faktor Correctness berisi kosong Pesan kesalahan 4 Faktor Correctness berisi bilangan integer < 0 Pesan kesalahan 5 Faktor Correctness berisi bilangan integer > 100 Pesan kesalahan 6 Faktor Correctness berisi bilangan integer 0 dan 100 Faktor Correctness diterima 16. Pengujian terhadap Nomor rekord untuk klasifikasi pada bagian klasifikasi dan prediksi SEA Pengujian dilakukan dengan memasukan nilai pada Nomor rekord untuk klasifikasi melalui form klasifikasi dan prediksi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: 115

43 No. Kasus Uji Hasil yang Diharapkan 1 Nomor rekord untuk klasifikasi Pesan kesalahan berisi karakter selain bilangan integer 2 Nomor rekord untuk klasifikasi Pesan kesalahan berisi bilangan float / real 3 Nomor rekord untuk klasifikasi Pesan kesalahan berisi kosong 4 Nomor rekord untuk klasifikasi Pesan kesalahan berisi bilangan integer 0 5 Nomor rekord untuk klasifikasi Nomor rekord berisi bilangan integer > 0 untuk klasifikasi diterima Hasil uji 17. Pengujian terhadap Stop rekord ke untuk klasifikasi pada bagian klasifikasi dan prediksi SEA Pengujian dilakukan dengan memasukan nilai pada Stop rekord ke untuk klasifikasi melalui form klasifikasi dan prediksi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Diharapkan 1 Stop rekord ke untuk klasifikasi Pesan kesalahan berisi karakter selain bilangan integer 2 Stop rekord ke untuk klasifikasi Pesan kesalahan berisi bilangan float / real 3 Stop rekord ke untuk klasifikasi Pesan kesalahan berisi kosong 4 Stop rekord ke untuk klasifikasi Pesan kesalahan berisi bilangan integer 0 5 Stop rekord ke untuk klasifikasi Pesan kesalahan berisi bilangan integer > jumlah rekord pada tabel 6 Stop rekord ke untuk klasifikasi Stop rekord ke berisi bilangan integer > 0 dan < untuk klasifikasi jumlah rekord pada tabel diterima Hasil uji 18. Pengujian terhadap Nomor rekord untuk prediksi pada bagian klasifikasi dan prediksi SEA Pengujian dilakukan dengan memasukan nilai pada Nomor rekord untuk prediksi melalui form klasifikasi dan prediksi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: 116

44 No. Kasus Uji Hasil yang Diharapkan 1 Nomor rekord untuk prediksi Pesan kesalahan berisi karakter selain bilangan integer 2 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan float / real 3 Nomor rekord untuk prediksi Pesan kesalahan berisi kosong 4 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan integer 0 5 Nomor rekord untuk prediksi Pesan kesalahan berisi bilangan integer > jumlah rekord pada tabel 6 Nomor rekord dari > Nomor rekord Pesan kesalahan sampai 7 Nomor rekord untuk prediksi Nomor rekord berisi bilangan integer > 0 dan untuk klasifikasi jumlah rekord pada tabel diterima Hasil uji Pengujian Terhadap Fungsionalitas Perangkat Lunak 1. Pengujian terhadap fungsi untuk melakukan koneksi pada basis data Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data. Pertama kali string koneksi dibuat, kemudian mengklik tombol koneksi. Hasilnya jika tidak muncul pesan bahwa string koneksi error maka basis data sudah tersambung. Setelah dilakukan pengujian melalui langkah-langkah ini maka basis data dapat tersambung dengan perangkat lunak seperti. 2. Pengujian terhadap fungsi untuk memperoleh tabel pada basis data Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data, kemudian dapat memilih tabel yang ada pada basis data. Setelah basis data tersambung, maka pada Tabel Data Mining akan muncul nama tabel apa saja yang ada pada basis data. Setelah dilakukan pengujian melalui langkah-langkah ini maka tabel pada basis data dapat diperoleh seperti. 117

45 3. Pengujian terhadap fungsi untuk menampilkan atribut dari tabel pada basis data Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data, kemudian memilih tabel yang ada pada basis data, serta menampilkan atribut pada tabel yang dipilih tersebut. Setelah Tabel Data Mining dipilih dan di-klik OK maka atribut-atibut dari tabel yang dipilih tersebut akan ditampilkan. Setelah dilakukan pengujian melalui langkah-langkah ini maka atribut-atribut pada tabel dapat diperoleh seperti. 4. Pengujian terhadap fungsi untuk membuka file konfigurasi basis data Pengujian dilakukan dengan meng-klik Buka Konfigurasi untuk file konfigurasi basis data, kemudian memilih file yang mengandung konfigurasi basis data. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Masukan file tidak sesuai Pesan kesalahan 2 Masukan file sesuai Nilai masukan yang ada pada form konfigurasi basis data sesuai dengan yang ada di file 5. Pengujian terhadap fungsi untuk menyimpan file konfigurasi basis data Pengujian dilakukan dengan meng-klik Simpan Konfigurasi untuk file konfigurasi basis data. Hasil adalah file yang berisi konfigurasi basis data. Setelah dilakukan pengujian melalui langkah-langkah ini maka file yang menampung nilai-nilai untuk konfigurasi basis data sesuai dengan nilai-nilai yang ada pada form konfigurasi basis data saat dilakukannya penyimpanan. 6. Pengujian terhadap fungsi untuk memperoleh informasi mengenai data Setelah konfigurasi basis data dilakukan dengan baik maka pada form manipulasi basis data setelah meng-klik Perbaharui Informasi maka hasil akan ditampilkan. 118

46 Setelah dilakukan pengujian dengan data pada Tabel II.1 (Play Sports) maka mengeluarkan hasil: Jumlah Rekord = 14 Nama Tabel = Play Sports Jumlah Atribut = 5 Hal ini sesuai dengan. 7. Pengujian terhadap fungsi untuk menambahkan rekord pada basis data Pengujian dilakukan dengan menambahkan rekord pada tabel Play Sports. Setelah dilakukan pengujian dengan menambahkan rekord berikut: Outlook = Rainy Temperature = 85 Humidity = 80 Windy = False Play = Yes Maka pada tabel terlihat bahwa rekord telah bertambah, hal ini sesuai dengan. 8. Pengujian terhadap fungsi untuk mengubah rekord pada basis data Pengujian dilakukan dengan mengubah rekord pada tabel Play Sports. Setelah dilakukan pengujian dengan mengubah rekord berikut: Outlook = Sunny Temperature = 85 Humidity = 85 Windy = False Play = No menjadi: Outlook = Sunny Temperature = 85 Humidity = 85 Windy = False Play = Yes 119

47 Maka pada tabel terlihat bahwa rekord telah berubah, hal ini sesuai dengan. 9. Pengujian terhadap fungsi untuk menghapus rekord pada basis data Pengujian dilakukan dengan menghapus rekord pada tabel Play Sports. Setelah dilakukan pengujian dengan menghapus rekord berikut: Outlook = Sunny Temperature = 80 Humidity = 90 Windy = True Play = No Maka pada tabel terlihat bahwa rekord telah hilang, hal ini sesuai dengan yang diharapkan. 10. Pengujian terhadap fungsi untuk mengecek jumlah kelas pada data Pengujian dilakukan dengan menggunakan data tabel Play Sports. Setelah jumlah kelas dicek maka menghasilkan Jumlah Kelas = 2. Hal ini sesuai dengan banyaknya kelas yang ada pada data jika ditelusuri secara manual. 11. Pengujian terhadap fungsi untuk membuka file konfigurasi base classifier Pengujian dilakukan dengan meng-klik Buka Konfigurasi untuk file konfigurasi base classifier, kemudian memilih file yang mengandung konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Masukan file tidak sesuai Pesan kesalahan 2 Masukan file sesuai Nilai masukan yang ada pada form konfigurasi base classifier sesuai dengan yang ada di file 120

48 12. Pengujian terhadap fungsi untuk menyimpan file konfigurasi base classifier Pengujian dilakukan dengan meng-klik Simpan Konfigurasi untuk file konfigurasi base classifier. Hasil adalah file yang berisi konfigurasi base classifier. Setelah dilakukan pengujian melalui langkah-langkah ini maka file yang menampung nilai-nilai untuk konfigurasi base classifier sesuai dengan nilainilai yang ada pada form konfigurasi base classifier saat dilakukannya penyimpanan. 13. Pengujian terhadap fungsi untuk melakukan klasifikasi pada base classifier Pengujian dilakukan untuk menguji apakah pelatihan base classifier dapat berjalan. Data yang digunakan adalah Play Sports, dengan pengaturan konfigurasi base classifier sebagai berikut: Jumlah Neuron pada Hidden Layer 1 = 9 Jumlah Neuron pada Hidden Layer 2 = 3 Fungsi Aktivasi Hidden Layer 1 = Radial Basis Fungsi Aktivasi Hidden Layer 2 = Radial Basis Fungsi Aktivasi Output Layer = Radial Basis Jumlah Kelas = 2 Learning Rate = 0,025 Momentum = 1 Epoch Maksimum = 1000 MSE Minimum = 0,01 Seed Acak Bobot = Setelah diuji untuk data pelatihan dari nomor rekord 1 sampai 12 maka pelatihan dapat berjalan dengan baik dengan adanya penurunan error. Hasilnya akhirnya yaitu: MSE Epoch Terakhir = 0, Jumlah Epoch = 286 Waktu Pelatihan = ms Grafik penurunan error-nya selama pelatihannya ditunjukkan pada sebagai berikut: 121

49 14. Pengujian terhadap fungsi untuk melakukan prediksi pada base classifier Dari hasil pelatihan yang dilakukan pada pengujian fungsionalitas nomor 13, maka dilakukanlah pengujian apakah dari hasil pelatihan dapat digunakan untuk melakukan prediksi dengan baik. Dalam melakukan prediksi base classifier maka akan menggunakan data baru yaitu data Play Sports dengan nomor rekord 13 sampai 14, serta menggunakan data pelatihan yaitu data Play Sports dengan nomor 1 sampai 12. Grafik hasilnya pengujiannya untuk data test ditunjukkan sebagai berikut: Grafik hasil pengujiannya untuk data pelatihan ditunjukkan sebagai berikut: 122

50 Dapat dilihat bahwa prediksi pada base classifier dapat berjalan dengan baik. Untuk prediksi data test dapat dilihat bahwa persentase kebenaran hasil prediksinya adalah 50%. Untuk prediksi data pelatihan dapat dilihat bahwa kebenaran hasil prediksinya adalah 100%. 15. Pengujian terhadap fungsi untuk membuka file konfigurasi SEA Pengujian dilakukan dengan meng-klik Buka Konfigurasi untuk file konfigurasi SEA, kemudian memilih file yang mengandung konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai berikut: No. Kasus Uji Hasil yang Hasil uji Diharapkan 1 Masukan file tidak sesuai Pesan kesalahan 2 Masukan file sesuai Nilai masukan yang ada pada form konfigurasi SEA sesuai dengan yang ada di file 16. Pengujian terhadap fungsi untuk menyimpan file konfigurasi SEA Pengujian dilakukan dengan meng-klik Simpan Konfigurasi untuk file konfigurasi SEA. Hasil adalah file yang berisi konfigurasi SEA. 123

51 Setelah dilakukan pengujian melalui langkah-langkah ini maka file yang menampung nilai-nilai untuk konfigurasi SEA sesuai dengan nilai-nilai yang ada pada form konfigurasi SEA saat dilakukannya penyimpanan. 17. Pengujian terhadap fungsi untuk melakukan klasifikasi pada SEA Pengujian dilakukan untuk menguji apakah pelatihan SEA dapat berjalan. Data yang digunakan adalah Play Sports, dengan pengaturan konfigurasi base classifier sebagai berikut: Jumlah Neuron pada Hidden Layer 1 = 9 Jumlah Neuron pada Hidden Layer 2 = 3 Fungsi Aktivasi Hidden Layer 1 = Radial Basis Fungsi Aktivasi Hidden Layer 2 = Radial Basis Fungsi Aktivasi Output Layer = Radial Basis Jumlah Kelas = 2 Learning Rate = 0,025 Momentum = 1 Epoch Maksimum = 1000 MSE Minimum = 0,01 Seed Acak Bobot = dan pengaturan konfigurasi SEA sebagai berikut: Jumlah rekord ditangani = 2 Ukuran Ensemble = 3 Faktor Correctness = 70 Setelah diuji untuk data pelatihan dari nomor rekord 1 sampai 12 maka pelatihan dapat berjalan dengan baik dengan adanya keberhasilan ensemble dalam mengklasifikasikan kelas selama pelatihan berlangsung. Hasilnya akhirnya yaitu: Jumlah Concept Drift = 3 Waktu Pelatihan = ms Base Classifier yang ada pada ensemble = C6, C2, C5 124

52 Grafik keberhasilan ensemble dalam mengklasifikasikan data selama pelatihan ditunjukkan sebagai berikut: Dari grafik tersebut ditunjukkan bahwa saat pelatihan berjalan, ensemble hanya mampu berhasil mengklasifikasi data dengan tingkat kebenaran 50% untuk blok data 3, 4, 5, dan 7. Untuk blok data 1 dan 2 ensemble belum dihitung jumlah kelas benarnya, sehingga rata-rata tingkat kebenaran ensemble selama pelatihan adalah (50% + 50% + 50% + 0% + 50%) / 5 = 40%. 18. Pengujian terhadap fungsi untuk melakukan prediksi pada SEA Dari hasil pelatihan yang dilakukan pada pengujian fungsionalitas nomor 17, maka dilakukanlah pengujian apakah dari hasil pelatihan dapat digunakan untuk melakukan prediksi dengan baik. Dalam melakukan prediksi SEA maka akan menggunakan data baru yaitu data Play Sports dengan nomor rekord 13 sampai 14, serta menggunakan data pelatihan yaitu data Play Sports dengan nomor 1 sampai 12. Grafik hasilnya pengujiannya untuk data test ditunjukkan sebagai berikut: 125

53 Grafik hasil pengujiannya untuk data pelatihan ditunjukkan sebagai berikut: Dapat dilihat bahwa prediksi pada SEA dapat berjalan dengan baik. Untuk prediksi data baru dapat dilihat bahwa kebenaran hasil prediksinya adalah 50%. Untuk prediksi data pelatihan dapat dilihat bahwa kebenaran hasil prediksinya adalah 66,67%. 126