BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data

Transkripsi

1 BAB III ANALISIS III.1 Analisis Konseptual Teknik Pengolahan Data Data sudah menjadi bagian penting dalam pengambilan keputusan. Data telah banyak terkumpul baik itu data transaksi perbankan, data kependudukan, data transaksi penjualan barang di sebuah toko, data aktivitas perkuliahan dan data-data lain. Umumnya data-data tersebut telah disimpan dalam penyimpanan berupa basis data. Seiringan dengan lamanya penggunaan basis data, maka data yang terkumpul juga akan semakin banyak. Untuk melakukan suatu proses pengambilan keputusan yang bersumber dari basis data tentunya memerlukan waktu. Semakin besar data yang akan diolah maka akan memerlukan waktu yang lama juga untuk mengolahnya sehingga menghasilkan suatu informasi yang berguna untuk pengambilan keputusan. Karena banyaknya data yang akan diolah, seorang peneliti biasanya melakukan penelitian terhadap sekelompok data saja. Dengan aturan tertentu kelompok data tersebut diidentifikasi dari keseluruhan data yang ada. Salah satu teknik yang biasanya digunakan untuk melakukan identifikasi suatu kelompok data adalah teknik clustering. Teknik clustering adalah suatu teknik yang dapat digunakan untuk mengidentifikasi kelompok data dari sekumpulan data tanpa ada acuan tertentu. Inilah sebabnya teknik clustering termasuk sebagai teknik yang unsupervised. Dengan tanpa ada acuan yang menjadi dasar pengelompokkan data, maka clustering dianggap dapat mengidentifikasikan hubungan alamiah antar data yang ada. Teknik clustering tidak membutuhkan pengetahuan awal terlebih dahulu sebelum melakukan proses clustering, justru hasil akhir dari teknik clustering ini yang berupa cluster-cluster dapat dijadikan sebagai pengetahuan awal pada teknik-teknik pengolahan data lain. 22

2 23 Suatu clustering data akan menghasilkan cluster-cluster. Ciri dari suatu proses clustering yang baik adalah : 1. Tingkat kemiripan/similaritas (homogenitas) dari data-data yang ada dalam suatu cluster mempunyai derajat yang besar. 2. Tingkat ketidakmiripan/dissimilaritas (heterogenitas) antar cluster mempunyai derajat yang besar. Setiap proses clustering selalu melibatkan cara mengukur kemiripan antar data atau antar cluster. Pengukuran tingkat kemiripan biasa dilakukan dengan melakukan perbandingan antara atribut milik sebuah data dengan data lain atau atribut suatu cluster dengan cluster lain. Sebagai contoh pengukuran tingkat kemiripan dapat dilihat pada Gambar III.1. A=(3) B=(5) Jarak= A B = 3-5 =2 Gambar III.1. Contoh pengukuran tingkat kemiripan Pada Gambar III.1 dapat dilihat ada dua buah data/obyek yaitu A dan B. Obyek A mempunyai nilai atribut yaitu 3 dan obyek B mempunyai nilai atribut yaitu 3. Untuk obyek data yang hanya mempunyai 1 atribut, pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antara obyek A dan B yaitu mengambil nilai absolute selisih kedua obyek tersebut ( 3-5 = 2). Cara perhitungan di atas hanya berlaku jika obyek hanya memiliki 1 atribut saja. Tetapi jika obyek memiliki lebih dari 1 atribut, maka cara yang digunakan untuk melakukan pengukuran jarak adalah Euclidean Distance dan Manhattan Distance (City Block Distance) yang cara perhitungannya dapat dilihat pada Gambar II.11. Penggunaan Euclidean distance sering digunakan karena pengukuran ini dapat menghasilkan suatu nilai jarak terdekat antar obyek yang diambil dari nilai akar dari kuadrat selisih antara atribut milik obyek. Sedangkan Manhattan distance digunakan karena pengukuran ini dihasilkan berdasarkan penjumlahan jarak selisih tiap atribut yang dimiliki oleh obyek, sehingga pengukuran dengan

3 24 metode Manhattan distance dapat mencerminkan jarak sebenarnya antar suatu obyek. Perhitungan pengukuran jarak menggunakan Euclidean distance atau Manhattan distance mempunyai keterbatasan yaitu hanya mampu melakukan perhitungan pada data yang berbentuk numerik. Jika data obyek uji berupa data yang tidak numerik, maka perhitungan pengukuran jarak tidak dapat digunakan. Ada cara alternatif yang bisa digunakan agar data yang bukan numerik dapat diproses yaitu dengan mengkonversikannya (transformasi nilai) ke dalam bentuk numerik. Dengan cara ini setiap nilai yang bukan numerik akan diberi angka pengganti yang sesuai dengan penelitian yang dilakukan. Selain adanya ketidaksesuaian format data (numerik/bukan numerik), ada juga masalah yang perlu diperhatikan terhadap data obyek uji yaitu data yang tidak lengkap. Tidak semua obyek uji memiliki nilai untuk semua variable yang akan diobservasi. Adanya nilai variable yang hilang dapat berpengaruh besar terhadap hasil penelitian. Berdasarkan Joseph F. Hair dkk, ada beberapa cara yang dapat digunakan untuk menangani data yang hilang yaitu : 1. Obyek yang diteliti hanya yang mempunyai data lengkap 2. Menghapus variable yang mempunyai data tidak lengkap yang banyak 3. Melakukan metode penaksiran. Penaksiran nilai dapat dilakukan dengan menggunakan karakteristik distribusi dari semua nilai yang ada, atau melakukan substitusi dengan nilai tertentu, nilai rata-rata, atau nilai tertentu yang didapatkan dari penelitian-penelitian sebelumnya. Berdasarkan hal di atas maka cara pertama yang hanya akan melakukan penelitian terhadap obyek uji yang mempunyai data yang lengkap merupakan cara yang baik karena cara ini akan mengukur semua karakteristik yang dimiliki oleh obyek uji. Selain teknik pengukuran kemiripan, ada hal lain yang dapat mempengaruhi hasil suatu clustering, yaitu teknik bagaimana suatu obyek dimasukkan/didaftarkan/dilokasikan ke suatu cluster. Beberapa cara yang

4 25 dilakukan untuk menentukan pelokasian suatu obyek ke suatu cluster dapat dilihat pada sub Bab II sampai II Penggunaan cara pelokasian obyek ke cluster yang menggunakan teknik Average Linkage dan Centroid Linkage akan menghasilkan cluster-cluster yang lebih baik jika dibandingkan dengan yang menggunakan Single Linkage atau Complete Linkage. Hal ini disebabkan karena perbandingan jarak dilakukan terhadap seluruh obyek yang ada dalam cluster dengan obyek uji sehingga diharapkan menghasilkan tingkat homogenitas obyek dalam cluster yang lebih baik. Walaupun Average Linkage atau Centroid Linkage dianggap dapat menghasilkan cluster yang baik tapi jika dilihat dari beban proses perhitungan yang dilakukan, proses Centroid Linkage mempunyai beban perhitungan yang lebih ringan karena perhitungan jarak hanya dilakukan terhadap centroidnya saja, sedangkan pada proses average linkage perhitungan jarak dilakukan terhadap semua obyek dalam suatu cluster. Ada juga hal lain yang harus dilakukan dalam suatu proses clustering yaitu algoritma clustering yang akan digunakan. Umumnya ada 2 cara yang sering digunakan yaitu algoritma clustering hierarki dan non hierarki. Perbandingan antara 2 algoritma itu dapat dilihat pada Tabel III.1 di bawah ini. Tabel III.1 Perbandingan Algoritma Clustering Hierarki dan Non Hierarki Hierarki Proses Clustering: - Penyusunan cluster dilakukan dengan menyusun tree. - Setiap obyek akan dianggap sebuah cluster. - Setiap pasangan cluster yang mempunyai jarak yang dekat akan digabungkan. - Proses penggabungan akan dilakukan sampai dihasilkan 1 cluster. Non Hierarki Proses Clustering : - Banyaknya cluster ditentukan diawal - Secara acak akan dibuat cluster sebanyak banyak cluster yang diinginkan sebagai cluster awal (initial cluster). - Tempatkan sebuah obyek di cluster yang mempunyai jarak terdekat. - Proses penempatan dilakukan sampai semua obyek telah ditempatkan ke suatu cluster.

5 26 Kelebihan : - Tidak ada penentuan banyaknya cluster yang diinginkan, karena cluster yang diinginkan dapat diambil dengan mengambil sub tree yang sesuai. - Mudah digunakan dengan bentuk similaritas apapun. - Dapat diaplikasikan untuk atribut yang tidak sejenis. Kekurangan : - Penyusunan cluster akan dilakukan terus sampai didapatkan 1 cluster yang mencakup semua obyek. - Pelokasian suatu obyek ke suatu cluster umumnya hanya dilakukan 1 kali, sehingga bisa saja menghasilkan obyek yang berada pada cluster yang bukan seharusnya. - Tidak dimungkinkan adanya perpindahan suatu obyek ke cluster lain. Hal ini bisa menyebabkan hasil yang tidak optimal. Kelebihan : - Hasil cluster bisa lebih cepat dihasilkan. - Dimungkinkan adanya relokasi obyek ke cluster lain. - Dimungkinkan untuk melakukan optimalisasi terhadap hasil cluster. Kekurangan : - Penentuan banyaknya cluster dilakukan diawal sebelum proses cluster dilakukan. Jika menginginkan banyak cluster yang berbeda, maka proses clustering harus diulang. - Hasil cluster akan berbeda-beda tergantung dengan penentuan centroid awal yang dibuat random. Berdasarkan Tabel III.1 dapat diambil kesimpulan bahwa algoritma non hierarki dapat menghasilkan cluster yang baik karena memiliki sifat yang bisa dioptimalkan dan dapat menghasilkan cluster dengan lebih cepat. Tetapi algoritma ini mempunyai kelemahan yaitu ketergantungan terhadap pemilihan cluster awal sangat besar. Sebagai ilustrasi dapat dilihat pada Gambar III.2 di bawah ini.

6 27 Centroid Awal Cluster 2 Cluster 1 (a) Hasil Clustering Tanpa Optimalisasi Cluster Centroid Awal Cluster 1 Cluster 2 (b) Hasil Cluster Setelah Optimalisasi Cluster Gambar III.2 Ilustrasi Kelemahan Algoritma Non Hierarki Pada Gambar III.2a dapat dilihat bahwa hasil cluster kurang baik karena ada obyek yang seharusnya berada di cluster 1 berada di cluster 2. Ini dikarenakan obyek tersebut merupakan centroid awal dari cluster 2. Oleh karena itu diperlukan suatu langkah optimalisasi hasil cluster yang dapat melakukan relokasi suatu obyek agar benar-benar berada pada cluster yang lebih baik seperti yang dapat dilihat pada Gambar III.2b. Berdasarkan pada teknik clustering non hierarki yang biasa digunakan, ada satu algoritma yang mempunyai kemampuan untuk optimalisasi hasil cluster yaitu teknik Optimized Procedure. Dengan teknik ini, maka obyek yang berlokasi di suatu cluster dapat direlokasi ke cluster lain jika mempunyai tingkat kemiripan lebih baik dengan cluster barunya. Bahkan obyek yang direlokasikan mungkin saja obyek yang menjadi centroid awal suatu cluster. Teknik ini akan dapat mengurangi ketergantungan cluster terhadap penentuan centroid awalnya yang dilakukan umumnya secara acak. Proses terakhir dalam analisis clustering adalah proses validasi cluster yang sudah dihasilkan. Langkah ini digunakan untuk memeriksa apakah cluster

7 28 telah mempunyai tingkat validasi yang baik yang ditunjukan dengan tingkat konsistensi clusternya. Validasi dilakukan dengan membandingkan hasil cluster dengan hasil cluster yang menggunakan algoritma atau pengukuran yang berbeda. Didasarkan pada hal-hal di atas, maka sebuah sistem analisis clustering dapat digambarkan sesuai dengan Gambar III.3 di bawah ini. PEMBACAAN DATA OBJEK UJI (VARIABLE DAN DATA) INPUT (SUMBER DATA) DB FILE PEMILIHAN VARIABLE UJI BERDASARKAN DATA DI DATA OBJEK UJI DATA NILAI MENENTUKAN BANYAK CLUSTER YANG INGIN DIHASILKAN VARIABLE/ BOBOT MEMILIH METODE PENGUKURAN SIMILARITAS EUCLIDEAN DISTANCE MANHATTAN DISTANCE Memilih Euclidean Distance Memilih Manhattan Distance PROSES CLUSERING MENGGUNAKAN OPTIMIZATION PROCEDURE DENGAN EUCLIDEAN DISTANCE PROSES CLUSERING MENGGUNAKAN OPTIMIZATION PROCEDURE DENGAN MANHATTAN DISTANCE MELAKUKAN PEMBERIAN PROFILE/LABEL TERHADAP CLUSTER MENGUJI KEHANDALAN DAN VALIDITAS CLUSTER OUTPUT EKSPOR DATA CLUSTER DB FILE Gambar III.3 Model Sistem Analisis Clustering III.2 Deskripsi Perangkat Lunak Perangkat lunak yang akan dibangun adalah suatu perangkat lunak yang digunakan untuk melakukan analisis clustering terhadap sekelompok obyek uji

8 29 sehingga menghasilkan cluster-cluster yang dapat mewakili seluruh obyek uji tersebut. Data hasil proses clustering mungkin saja dijadikan sebagai masukan bagi proses lain misalnya untuk pengambilan keputusan. Dengan melakukan proses analisis clustering terlebih dahulu, seorang pengambil keputusan dapat lebih mudah untuk mengambil keputusan karena obyek penelitian yang diteliti telah tereduksi oleh proses clustering. Cara kerja dari perangkat lunak ini dapat dilihat pada Gambar III.4 di bawah ini. Sistem Pendukung Keputusan Data Objek Uji, Variable Uji, Banyak Cluster yang dihasilkan, Metode Pengukuran Kemiripan Cluster-Cluster Hasil Analisis PERANGKAT LUNAK ANALISIS CLUSTERING Keputusan Cluster-Cluster, Pertimbangan, Pengetahuan, Prosedur PROSES PENGAMBILAN KEPUTUSAN Gambar III.4 Cara kerja perangkat lunak analisis clustering Berdasarkan Gambar III.4 secara garis besar cara kerja perangkat lunak analisis clustering ini adalah : 1. User memasukkan data obyek uji ke sistem. Data obyek uji adalah data suatu entitas yang akan diclusterkan. Setiap data obyek uji terdiri dari variable yang dimiliki dan bobot variablenya. Variable-variable inilah yang akan dijadikan dasar proses clustering. Data obyek uji bisa berasal dari suatu file atau data dari suatu basis data. User juga memasukkan parameter clustering yang akan digunakan oleh proses clustering. Parameter clustering terdiri dari pemilihan

9 30 variable yang akan digunakan untuk pengujian, banyaknya cluster yang ingin dihasilkan dan metode pengukuran kemiripan yang akan digunakan. 2. Sistem melakukan proses analisis clustering sesuai dengan data obyek uji dan parameter clusteringnya. Proses ini akan menghasilkan cluster-cluster hasil proses clustering. Setelah proses clustering dilakukan, maka cluster-cluster itu harus diuji tingkat kevalidannya. Tingkat kevalidan data digunakan untuk memastikan bahwa cluster-cluster dapat mewakili kasus yang dihadapi. 3. Cluster-cluster hasil analisis dikeluarkan oleh perangkat lunak ke pengguna. 4. Cluster-cluster hasil analisis digunakan oleh pengguna sebagai bahan masukan dan diproses dengan menggunakan pertimbangan, aturan-aturan atau prosedur yang ada pada proses pengambilan keputusan. Proses inilah akan menghasilkan keputusan. Dengan melakukan proses clustering terlebih dahulu, maka proses pengambilan keputusan bisa dilakukan dengan lebih cepat karena data uji telah menjadi lebih sederhana karena telah dikelompokkan berdasarkan karakteristik datanya. Hal ini memungkinkan peneliti hanya melakukan pengambilan keputusan terhadap data uji pada sebagian cluster saja. III.3 Batasan-batasan dan Asumsi Batasan-batasan dan asumsi yang berlaku dalam pengembangan perangkat lunak ini diantaranya adalah : 1. Perangkat lunak ini hanya akan melakukan proses clustering saja, sedangkan untuk pengambilan keputusan tetap dilakukan oleh pengguna sendiri, terutama pada bagian profiling cluster (pemberian label terhadap suatu cluster). Oleh karena itu kemampuan penguasaan pengguna terhadap kasus yang dihadapi sangat diperlukan. 2. Pengguna hanya dapat melakukan pengisian obyek data dari file atau dari basis data. Pengisian obyek data secara manual tidak disediakan. File masukan bisa berupa file text atau file Microsoft Excel. Pembacaan data dari basis data

10 31 dapat dilakukan dari basis data apapun dengan melalui koneksi ODBC (Open Database Connectivity). 3. Nilai-nilai variable obyek harus dapat dihitung. Nilai-nilai variable obyek harus berupa bilangan atau setidaknya dapat ditransformasikan ke dalam bentuk bilangan. 4. Perangkat lunak yang akan dibangun akan menggunakan clustering dengan algoritma Optimized Procedure dengan metode pengukuran similaritasnya menggunakan pengukuran Euclidean Distance atau Manhattan Distance. Algoritma Optimized Procedure dipilih karena algoritma ini memungkinkan sebuah obyek uji berpindah cluster jika memiliki tingkat similaritas yang lebih baik. Jadi tingkat similaritasnya lebih baik. 5. Validasi cluster akan dilakukan dengan melakukan clustering ulang terhadap data obyek uji yang sama tetapi menggunakan teknik pengukuran yang berbeda dengan yang digunakan sebelumnya. Kedua cluster tersebut kemudian dibandingkan untuk melihat tingkat validasi clusternya. III.4 Analisis Kebutuhan Fungsional Perangkat lunak yang akan dibangun adalah perangkat lunak bantu untuk pengambilan keputusan menggunakan metode analisis clustering sebagai teknik pengolahan datanya. Perangkat lunak ini hanya akan memberikan informasi hasil proses clustering saja, sedangkan pengambilan keputusan diambil secara manual oleh pengguna. Perangkat lunak ini tidak memberikan solusi yang harus diambil, tetapi hanya memberikan informasi yang dapat menjadi pertimbangan pengambilan keputusan. III.2. Spesifikasi kebutuhan sistem perangkat lunak ini dapat dilihat pada Table Tabel III.2 Daftar Spesifikasi Kebutuhan Fungsional NO SRS SRS-F-01 DESKRIPSI Sistem harus menyediakan fasilitas login ketika pengguna akan

11 32 NO SRS SRS-F-02 SRS-F-03 SRS-F-04 SRS-F-05 SRS-F-06 SRS-F-07 SRS-F-08 SRS-F-09 SRS-F-10 SRS-F-11 SRS-F-12 SRS-F-13 SRS-F-14 SRS-F-15 DESKRIPSI menggunakan sistem ini. Sistem harus dapat menerima masukan data obyek uji yang bersumber dari file yaitu file text dan file Microsoft Excel yang tersimpan dalam format tertentu Sistem harus dapat menerima masukan data obyek uji yang bersumber dari basis data Sistem harus dapat menerima data nilai variable obyek uji dalam berbagai format baik numerik atau non numerik. Sistem harus dapat menyimpan data obyek uji agar dapat dipergunakan kembali Sistem harus dapat menyediakan pemilihan variable uji yang akan dijadikan sebagai kriteria analisis clustering Sistem harus dapat menyediakan pembobotan variable yang mempunyai pengaruh yang menentukan Sistem harus dapat melakukan transformasi nilai obyek uji jika nilai tersebut berupa non numerik Sistem menyediakan fasilitas pemilihan metode pengukuran similaritas menggunakan Euclidean Distance atau Manhattan Distance. Sistem harus dapat melakukan proses clustering menggunakan algoritma Optimized Procedure. Sistem harus dapat menyediakan fasilitas pemberian label pada cluster. Sistem harus dapat menyediakan fasilitas untuk memvalidasi cluster hasil clustering Sistem harus dapat menyediakan fasilitas melihat kembali analisis clustering yang telah dilakukan Sistem harus dapat menyediakan fasilitas menghapus data analisis clustering yang telah dilakukan Sistem harus dapat mengekspor cluster hasil clustering ke dalam format ke file seperti file Microsoft Excel, file text, dan file SQL (untuk digunakan dalam basis data)

12 33 III.5 Analisis Kebutuhan Non Fungsional Kebutuhan non fungsional dari perangkat lunak yang akan dibangun dapat dilihat pada Tabel III.3 di bawah ini. Tabel III.3 Daftar Spesifikasi Kebutuhan Non Fungsional NO SRS SRS-NF-01 SRS-NF-02 SRS-NF-03 SRS-NF-04 SRS-NF-05 DESKRIPSI Performansi sistem harus dapat melakukan clustering sesuai dengan data yang disediakan oleh pengguna. Sistem harus dapat menangani banyaknya dimensi dan banyaknya obyek penelitian yang diberikan oleh pengguna. Portabilitas Sistem harus dapat melakukan pemasukan data dari beberapa sumber seperti dari file text atau basis data. Sumber data berupa basis data boleh berasal dari basis data yang terkoneksi dengan layanan ODBC (Open Database Connectivity). Sistem bisa berada dalam komputer yang sama dengan komputer server atau terpisah dari komputer server datanya. Ketepatan Sistem harus dapat melakukan cluster dengan benar. Hasil cluster harus konsisten. Hal ini dilakukan dengan melakukan validasi cluster ketika proses clustering dilakukan. Salah satu proses yang dilakukan agar sistem dapat menjamin tingkat ketepatan ini adalah dengan membandingkan clustering dari clustering yang menggunakan teknik pengukuran yang berbeda. Reuseability Sistem harus dapat menghasilkan cluster yang dapat digunakan dalam sistem lain. Hal ini dilakukan dengan melakukan proses ekspor data hasil cluster ke dalam beberapa format misalnya file text, file Microsoft excel dan dalam file SQL yang dapat digunakan dalam basis data lain. Flexibility Sistem harus dapat melakukan clustering terhadap obyek data sesuai dengan aturan dan variable-variable yang terlibat. Pemilihan variable yang terlibat dalam suatu proses clustering dapat dipilih oleh pengguna. Sistem harus dapat menyediakan layar untuk pemilihan variable.

13 34 III.6 Arsitektur Sistem Yang Akan Dibangun Secara garis besar arsitektur perangkat lunak yang akan dibangun terdiri dari 4 modul yaitu : 1. Modul Pendefinisian Proyek Clustering Modul ini berguna untuk mengelola proyek clustering. Ada beberapa proses yang ada dalam modul ini, yaitu : a. Penambahan Proyek Clustering Proses ini berguna untuk melakukan pembuatan proyek clustering baru. b. Pengolahan Proyek Clustering Proses ini berguna untuk mengolah proyek cluster yang telah dilakukan. Proses ini mempunyai relasi ke modul Input Data Obyek Uji untuk melakukan pembacaan data, modul Proses Analisis Clustering untuk melakukan proses clustering, dan modul Output Data Cluster untuk melakukan penyimpanan cluster hasil clustering ke basis data atau ke target lain seperti ke file text atau file Microsoft Excel. c. Penghapusan Proyek Clustering Proses ini berguna untuk menghapus data proyek cluster yang telah dilakukan yang telah tidak diperlukan lagi. Penghapusan dilakukan terhadap data uji dan data clusternya. 2. Modul Input Data Obyek Uji Modul ini berguna untuk mengatur input data obyek uji. Modul ini terdiri dari beberapa proses, yaitu : a. Pembacaan Data dari Database Lain Proses ini berguna untuk melakukan pembacaan data obyek uji yang bersumber dari suatu database. Pembacaan dilakukan dengan melakukan query data ke database tersebut. b. Pembacaan Data dari File Proses ini berguna untuk melakukan pembacaan data dari file. Format file yang bisa dibaca adalah file text atau file Microsoft Excel. c. Pengaturan Nilai Transformasi

14 35 Proses ini berguna untuk melakukan pengaturan nilai transformasi nilai untuk nilai-nilai variable data yang bersifat bukan numerik. d. Pengaturan Variable Proses ini berguna untuk melakukan pengaturan variable beserta bobotnya yang akan digunakan untuk proses clustering. 3. Modul Proses Analisis Clustering Modul ini berguna untuk melakukan proses analisis clustering. Modul ini terdiri dari beberapa proses yaitu : a. Pengaturan Parameter Clustering Proses ini berguna untuk melakukan pengaturan parameter-parameter clustering yang akan dilakukan. Pengaturan dilakukan untuk menentukan parameter clustering seperti banyak cluster yang diinginkan dan algoritma pengukuran similaritas. b. Proses Clustering Proses ini berguna untuk melakukan proses clustering sesuai dengan parameter yang telah ditentukan dengan menggunakan algoritma Optimizing Procedure. c. Interpretasi Cluster Proses ini berguna untuk menginterpretasi cluster misalnya dengan memberkan label terhadap suatu cluster. Pemberian label diperlukan dalam proses analisis clustering karena analisis cluster merupakan analisis data multivariate yang bersifat unsupervised. d. Validasi Cluster Proses ini dilakukan untuk untuk memvalidasi cluster hasil clustering. 4. Modul Output Data Cluster Modul ini berguna untuk melakukan pengaturan terhadap data cluster hasil proses clustering. Proses yang ada dalam modul ini adalah : a. Penyimpanan Data Cluster ke Database Proses ini digunakan untuk melakukan penyimpanan data cluster ke basis data milik sistem ini. Data yang disimpan ke basis data ini dapat diolah kembali atau dihapus. b. Export Data Cluster

15 36 Export data cluster terbagi menjadi 2 yaitu export data ke basis data lain yaitu dengan menyusun perintah SQL dan ekspor data ke file misalnya ke file text atau file Microsoft Excel. Hubungan antar modul modul yang terlibat dalam sistem ini dapat dilihat dengan lengkap pada Gambar III.5 di bawah ini. INPUT DATA OBYEK UJI PEMBACAAN DATA DARI DATABASE PEMBACAAN DATA DARI FILE (FILE TEXT / MS EXCEL) PENGATURAN VARIABLE DAN BOBOT DB SUMBER OBYEK UJI PENGATURAN NILAI TRANSFORMASI FILE TEXT/ EXCEL SUMBER OBYEK UJI LOGIN DATA OBYEK UJI PENDEFINISIAN PROYEK CLUSTERING TAMBAH PROYEK CLUSTERING BARU DATA OBYEK UJI ANALISA CLUSTERING PENGOLAHAN PROYEK CLUSTERING HAPUS PROYEK CLUSTERING LAMA PENGATURAN PARAMETER CLUSTERING PROSES CLUSTERING MENGGUNAKAN ALGORITMA OPTIMIZING PROCEDURE DATA CLUSTER INTERPRETASI CLUSTER OUTPUT DATA CLUSTER VALIDASI CLUSTER EXPORT DATA CLUSTER DATA CLUSTER KE DATABASE LAIN (FILE SQL) KE FILE (FILE TEXT / MS EXCEL) Gambar III.5 Arsitektur Perangkat Lunak Yang Akan Dibangun

16 37 III.7 Diagram Use Case Diagram use case sistem yang akan dibangun dapat dilihat pada Gambar III.6 di bawah ini. Gambar III.6 Diagram Use Case Sistem Berdasarkan pada gambar III.6, ada 12 use case utama yang ada dalam sistem yang akan dikembangkan, yaitu : 1. Use Case Login 2. Use Case Pendefinisian Proyek Clustering 3. Use Case Penambahan Proyek Clustering 4. Use Case Pengolahan Proyek Clustering 5. Use Case Penghapusan Proyek Clustering 6. Use Case Input Obyek Uji 7. Use Case Pengaturan Variable 8. Use Case Pengaturan Nilai Transformasi 9. Use Case Clustering 10. Use Case Validasi Cluster 11. Use Case Pelabelan Cluster 12. Use Case Output Cluster

17 38 III.7.1 Skenario Use Case Login Nama Login Deskripsi Use case ini menggambarkan pemeriksaan autentifikasi pengguna. Aktor Pengguna Skenario Utama Kondisi awal Sistem menampilkan layar pengisian nama user dan password Aksi Aktor Reaksi Sistem Pengguna mengisi nama user dan password Sistem memvalidasi nama user dan password. Jika status loginnya valid, maka sistem akan menampilkan pendefinisian proyek. Jika tidak valid, maka sistem akan menampilkan layar pengisian nama user dan password kembali. Kondisi akhir Status validasi login pengguna telah teridentifikasi. III.7.2 Skenario Use Case Pendefinisian Proyek Clustering Nama Deskripsi Aktor Pendefinisian Proyek Clustering Use case ini menggambarkan pendefinisian proyek clustering yang baru atau yang telah dilakukan. Pengguna Skenario Utama Kondisi awal - Pengguna telah melakukan login dengan status login valid - Sistem menampilkan pilihan operasi proyek clustering yang bisa dilakukan oleh pengguna yaitu penambahan, pengolahan dan hapus proyek clustering. Aksi Aktor Reaksi Sistem

18 39 Pengguna memilih operasi proyek clustering yang ingin dilakukan Skenario Alternatif : Pengguna memilih penambahan data Pengguna mengisi data identitas proyek clustering. Sistem akan menampilkan layar penambahan proyek clustering Data identitas proyek clustering disimpan ke basis data Sistem membuka layar pengolahan proyek clustering. Skenario Alternatif : Pengguna memilih pengolahan proyek clustering Sistem membuka layar pengolahan proyek clustering. Skenario Alternatif : Pengguna memilih Penghapusan proyek clustering Pengguna memilih konfirmasi penghapusan. Sistem menampilkan konfirmasi penghapusan data proyek clustering Jika dikonfirmasi, maka data proyek clustering dihapus dari basis data. Kondisi akhir Pengguna memilih operasi proyek clustering yang akan dilakukan III.7.3 Skenario Use Case Penambahan Proyek Clustering Nama Deskripsi Aktor Penambahan Proyek Clustering Use case ini menggambarkan proses penambahan suatu proyek clustering. Pengguna Skenario Utama Kondisi awal Pengguna sedang berada pada pengelolaan proyek clustering

19 40 Aksi Aktor Reaksi Sistem Pengguna memilih untuk melakukan penambahan proyek clustering. Sistem menampilkan layar pembuatan proyek clustering baru Pengguna mengisi data proyek clustering baru (Nama Proyek, Deskripsi). Sistem akan menyimpan data proyek clustering baru tersebut ke basis data, kemudian sistem akan memanggil sub sistem pendefinisian proyek clustering. Kondisi akhir Proyek clustering baru telah tersimpan di basis data (data yang akan dianalisis dan data hasil analisis clustering) III.7.4 Skenario Use Case Pengolahan Proyek Clustering Nama Deskripsi Aktor Pengolahan Proyek Clustering Use case ini menggambarkan proses pengolahan sebuah proyek clustering. Dalam proses ini pengguna boleh melakukan input data obyek uji, proses clustering, dan output data cluster. Pengguna Skenario Utama Kondisi awal - Proyek clustering tersimpan dalam basis data. - Sistem menampilkan operasi yang bisa dilakukan Aksi Aktor Reaksi Sistem Pengguna memilih input data obyek uji. Sistem memanggil use case input data obyek uji Pengguna memilih pengaturan variable Sistem memanggil use case pengaturan variable Pengguna memilih pengaturan nilai

20 41 transformasi Sistem memanggil use case pengaturan nilai transformasi Pengguna memilih proses clustering Sistem memanggi use case clustering. Pengguna memilih pelabelan cluster Sistem memanggil use case pelabelan cluster Pengguna memilih validasi cluster Sistem memanggil use case validasi cluster Pengguna memilih output data cluster Sistem memanggil use case output data cluster. Kondisi akhir Pengguna dapat melihat data proyek clustering dan dapat melakukan proses clustering ulang. III.7.5 Skenario Use Case Penghapusan Proyek Clustering Nama Deskripsi Aktor Penghapusan Proyek Clustering Use case ini menggambarkan proses menghapus data proyek clustering yang telah dilakukan. Penghapusan suatu proyek clustering akan menghapus semua data yang berelasi dengan project tersebut. Pengguna Skenario Utama Kondisi awal Data proyek clustering yang pernah dilakukan ada di basis data Aksi Aktor Reaksi Sistem Pengguna memilih proyek clustering yang akan dihapus. Sistem menampilkan konfirmasi penghapusan data proyek clustering.

21 42 Pengguna memilih apakah akan menghapus data proyek clustering atau membatalkannya. - Jika pengguna memilih untuk menghapus data proyek clustering, maka sistem akan menghapus semua data yang berelasi dengan proyek tersebut. - Jika pengguna membatalkan penghapusan, maka sistem akan kembali ke pendefinisian proyek clustering. Kondisi akhir Data proyek clustering terhapus dari basis data jika pengguna memilih untuk melakukan penghapusan. III.7.6 Skenario Use Case Input Obyek Uji Nama Deskripsi Aktor Input Obyek Uji Use case ini menggambarkan proses input data obyek uji. Pengguna Skenario Utama Kondisi awal - Proyek clustering telah dibuat. - Sistem menampilkan layar pembacaan data obyek uji. - Sistem menampilkan pilihan sumber data obyek uji. Aksi Aktor Reaksi Sistem Pengguna memilih sumber obyek uji Sistem membaca data dan menampilkannya di layar pembacaan data. Sistem menampilkan pilihan menyimpan data obyek uji atau membatalkan pembacaan datanya. Pengguna memilih menyimpan data obyek uji.

22 43 Sistem menyimpan data obyek uji ke basis data, dan layar pembacaan data ditutup dan kembali ke pengolahan proyek clustering. Skenario Alternatif : Pemilih memilih pembatalan pembacaan data Sistem tidak menyimpan data obyek uji ke basis data, dan kembali ke pengolahan proyek clustering. Kondisi akhir Data obyek uji untuk proses analisis cluster telah tersimpan di basis data sehingga dapat digunakan untuk proses clustering. III.7.7 Skenario Use Case Pengaturan Variable Nama Deskripsi Aktor Pengaturan Variable Use case ini menggambarkan proses pengaturan variable yang akan digunakan dalam analisis clustering. Pengaturan variable dilakukan dengan mengupdate bobot variable. Pengguna Skenario Utama Kondisi awal - Data obyek uji telah dibaca. - Sistem menampilkan variable yang dibaca dari obyek uji. Aksi Aktor Reaksi Sistem Pengguna memilih variable yang akan diatur/diedit. Sistem menampilkan layar pengeditan bobot variable. Pengguna mengisi bobot variable. Sistem menyimpan bobot variable ke basis data. Kondisi akhir Bobot variable telah diatur dan disimpan dalam basis data dan dapat dalam proses clustering.

23 44 III.7.8 Skenario Use Case Pengaturan Nilai Transformasi Nama Pengaturan Nilai Transformasi Deskripsi Use case ini menggambarkan proses pengaturan nilai transformasi yang akan digunakan dalam analisis clustering. Aktor Pengguna Skenario Utama Kondisi awal - Data obyek uji telah dibaca, dan memiliki nilai variable yang bukan numerik. - Sistem menampilkan data variable yang bukan numerik yang dibaca dari obyek uji. Aksi Aktor Reaksi Sistem Pengguna memilih data variable bukan numerik yang akan diatur/diedit. Sistem menampilkan layar pengisian nilai transformasi untuk data variable yang bukan numerik. Pengguna mengisi nilai transformasinya. Sistem menyimpan nilai transforamsi ke basis data. Kondisi akhir Nilai transformasi telah diatur dan disimpan dalam basis data dan dapat dalam proses clustering. III.7.9 Skenario Use Case Clustering Nama Deskripsi Aktor Clustering Use case ini menggambarkan proses clustering Pengguna Skenario Utama

24 45 Kondisi awal Data yang akan dianalisis telah tersedia, variable, dan nilai transformasi telah diatur. Aksi Aktor Pengguna memilih untuk melakukan clustering Reaksi Sistem Sistem akan menampilkan layar pengaturan parameter clustering. Pengguna mengisi parameter clustering Sistem akan melakukan clustering sesuai parameter clustering. Sistem menyimpan cluster hasil clustering ke basis data. Sistem menampilkan cluster hasil clustering di layar output cluster. Kondisi akhir Proses clustering telah dilakukan, data cluster telah disimpan di basis data dan pengguna dapat melihatnya di layar output cluster. III.7.10 Skenario Use Case Validasi Cluster Nama Deskripsi Aktor Validasi cluster Use case ini menggambarkan proses validasi cluster Pengguna Skenario Utama Kondisi awal Proses clustering telah dilakukan. Aksi Aktor Pengguna memilih untuk melakukan validasi cluster Reaksi Sistem Sistem akan melakukan clustering untuk membuat cluster-cluster pembanding sesuai parameter clustering yang telah dilakukan sebelumnya, tetapi menggunakan metode pengukuran yang berbeda.

25 46 Sistem menampilkan cluster hasil clustering dan cluster-cluster pembandingnya di layar validasi cluster. Pengguna mengisi status validasi cluster. Sistem menyimpan status validasi cluster ke basis data. Kondisi akhir Pengguna telah memvalidasi cluster dan menyimpan status validasinya di basis data. III.7.11 Skenario Use Case Pelabelan Cluster Nama Deskripsi Aktor Pelabelan Cluster Use case ini menggambarkan proses pemberian label terhadap cluster hasil clustering. Pengguna Skenario Utama Kondisi awal - Proses clustering telah dilakukan. - Sistem menampilkan cluster hasil proses clustering. Aksi Aktor Reaksi Sistem Pengguna memilih cluster yang akan diberi label. Sistem menampilkan layar pengisian label cluster. Pengguna mengisi label cluster. Sistem menyimpan label cluster ke basis data. Kondisi akhir Cluster telah diberi label dan disimpan dalam basis data. III.7.12 Skenario Use Case Output Data Cluster

26 47 Nama Deskripsi Aktor Output Data Cluster Use case menggambarkan proses output data cluster hasil proses clustering. Data cluster dapat disimpan/diexport ke basis data lain atau ke file. Pengguna Skenario Utama Kondisi awal - Data cluster yang berasal dari proses analisis clutering telah didapatkan. - Sistem akan menampilkan pilihan format export data yang akan dilakukan (file teks, file excel atau file sql). Aksi Aktor Reaksi Sistem Pengguna memilih format ekspor data yang dilakukan dan nama file tujuan ekspor. Skenario Alternatif : Pengguna memilih eksport ke file SQL Skenario Alternatif : Pengguna memilih eksport ke file Excel Skenario Alternatif : Pengguna memilih eksport ke file Text Sistem akan menyimpan data cluster ke file text, Sistem akan menyimpan data cluster ke file excel sistem akan menyimpan data cluster ke file text Kondisi akhir Data cluster telah diekspor sesuai format yang dipilih. III.8 Realisasi Use Case III.8.1 Realisasi Use Case Login Use case login melibatkan 3 kelas yaitu TLayarLogin sebagai kelas boundary, TLogin dan TDBAkses sebagai kelas control. Gambar III.7 Diagram Kelas Use Case Login

27 48 Kelas TLayarLogin menerima masukan username dan password dari pengguna. Kelas TLogin melakukan pemeriksaan login ke basis data menggunakan kelas TDBAkses. Pemeriksaan ini akan menghasilkan status login valid atau tidak valid. Gambar III.8 Sequence Diagram Login III.8.2 Realisasi Use Case Pendefinisian Proyek Clustering Use case ini melibatkan 3 kelas yaitu TPengelolaanProyekClustering dan TFTambahProyek sebagai kelas boundary, dan kelas TAnalisisClustering sebagai kelas control. Gambar III.9 Diagram Kelas Use Case Pendefinisian Proyek Clustering Pengguna memilih operasi yang akan dilakukan pada kelas TPengelolaanProyekClustering. Jika akan melakukan penambahan proyek clustering baru, maka pengisian data proyek clusteringnya dilakukan pada kelas TFTambahProyek. Pengolahan data dilakukan pada kelas TAnalisisClustering.

28 49 Gambar III.10 Sequence Diagram Pendefinisian Proyek Clustering III.8.3 Realisasi Use Case Penambahan Proyek Clustering Baru Use case ini melibatkan 4 kelas yaitu TPengelolaanProyekClustering dan FTambahProyek sebagai boundary, TProyekClustering sebagai kelas entity dan TAnalisisClustering sebagai kelas control. Gambar III.11 Diagram Kelas Use Case Penambahan Proyek Clustering Ketika pengguna memilih tambah proyek, maka akan diminta untuk memasukan data proyek di kelas FTambahProyek. Kemudian data proyek akan disimpan di kelas TProyekClustering dan kemudian data proyek tersebut akan diolah menggunakan kelas TAnalisisClustering.

29 50 Gambar III.12 Sequence Diagram Penambahan Proyek Clustering Baru III.8.4 Realisasi Use Case Pengolahan Proyek Clustering Use case ini melibatkan 8 kelas. Ada 7 kelas boundary yang terlibat yaitu TDataReader, TLayarUpdateVariable, TLayarUpdateNilaiTransformasi, TClusterValidator, TLayarAturParameter, TLayarLabelCluster dan TDataEksporter. Semua kelas boundary dikendalikan oleh sebuah kelas control yaitu TAnalisisClustering. Gambar III.13 Diagram Kelas Use Case Pengolahan Proyek Clustering Pada use case ini, pengguna memulai dengan mengisikan data obyek uji pada kelas TDataReader, kemudian pengguna melakukan pengaturan variable pada kelas TLayarUpdateVariable. Pengguna dapat mengatur nilai transformasi pada kelas boundary TLayarUpdateNilaiTransformasi. Kemudian untuk melakukan proses clustering, pengguna mengisi parameter clustering di kelas

30 51 TLayarAturParameter. Kemudian dilakukan proses clustering. Hasil clustering ditampilkan dan label cluster dapat diupdate menggunakan kelas TLayarLabelCluster. Hasil clustering yang divalidasi dengan menggunakan TClusterValidator. Hasil akhir cluster diekspor dengan memanfaatkan kelas TDataExporter. Gambar III.14 Sequence Diagram Pengolahan Proyek Clustering III.8.5 Realisasi Use Case Penghapusan Proyek Clustering Use case ini melibatkan 2 kelas yaitu TPengelolaanProyekClustering sebagai kelas boundary dan TDBAkses sebagai kelas control. Gambar III.15 Kelas Diagram Use Case Penghapusan Proyek Clustering Pada use case ini, urutan proses dilakukan ketika pengguna memilih untuk menghapus proyek clustering. Kemudian kelas TPengelolaanProyekClustering akan memberikan konfirmasi mengenai penghapusan. Jika penghapusan telah dikonfirmasi, maka sistem akan melakukan penghapusan data obyek uji dan data cluster dari basis data dengan menggunakan kelas TDBAkses.

31 52 Gambar III.16 Sequence Diagram Penghapusan Proyek Clustering III.8.6 Realisasi Use Case Input Data Obyek Uji Use case ini melibatkan 8 kelas yaitu TAnalisisClustering, TDataReader, TObyekUji, TObyekUjiVarList, TObyekUjiList, TVariableList, TNilaiTransformasiList dan TDBAkses. Gambar III.17 Diagram Kelas Use Case Input Data Obyek Uji Urutan proses dalam use case ini dimulai ketika pengguna melakukan pemilihan sumber data obyek uji. Obyek uji dibaca dengan menggunakan kelas TDataReader. Ketika pembacaan data dilakukan, maka data-data tersebut akan disimpan dalam kelas entitas TObyekUji, TObyekUjiVarList, TObyekUjiList, TVariableList, TNilaiTransformasiList dan kemudian akan disimpan ke basis data dengan perantaraan kelas TDBAkses.

32 53 Gambar III.18 Sequence Diagram Input Data Obyek Uji III.8.7 Realisasi Use Case Pengaturan Variable Use case pengaturan variable melibatkan 4 kelas yaitu TAnalisisClustering, TLayarUpdateVariable, TVariableList dan TDBAkses. Gambar III.19 Sequence Diagram Pengaturan Variable Urutan proses yang terjadi dalam use case ini dimulai ketika pengguna memilih variable yang akan diupdate di kelas TAnalisisClustering. Kemudian sistem akan menampilkan kelas TLayarUpdateVariable untuk melakukan pengisian bobot variable. Kemudian data bobot baru variable akan diupdate ke

33 54 kelas entitas TVariableList dan diupdate ke basis data dengan menggunakan kelas TDBAkses. Gambar III.20 Sequence Diagram Pengaturan Variable III.8.8 Realisasi Use Case Pengaturan Nilai Transformasi Use case pengaturan nilai transformasi melibatkan 4 kelas yaitu TAnalisisClustering, TLayarUpdateNilaiTransformasi, TNilaiTransformasiList dan TDBAkses. Gambar III.21 Kelas Diagram Use Case Pengaturan Nilai Transforamsi Urutan proses yang terjadi dalam use case ini dimulai ketika pengguna memilih nilai transformasi yang akan diupdate di kelas TAnalisisClustering. Kemudian sistem akan menampilkan kelas TLayarUpdateNilaiTransformasi untuk melakukan pengisian nilai transformasi baru. Kemudian data nilai transformasi baru akan diupdate ke kelas entitas TNilaiTransformasiList dan diupdate ke basis data dengan menggunakan kelas TDBAkses.

34 55 Gambar III.22 Sequence Diagram Pengaturan Nilai Transformasi III.8.9 Realisasi Use Case Clustering Use case ini melibatkan 6 kelas yaitu TAnalisis Clustering, TObyekUjiList, TClusterList, TClusterMemberList, dan TDBAkses. Gambar III.23 Kelas Diagram Use Case Clustering Urutan proses dalam realisasi use case ini adalah dimulai dengan pengisian parameter clustering di kelas TLayarAturParameter, kemudian dilakukan proses clustering. Proses clustering akan mengupdate cluster-cluster dalam TClusterList dan TClusterListMember. Cluster-cluster hasil clustering disimpan ke basis data dengan perantaraan kelas TDBAkses.

35 56 Gambar III.24 Sequence Diagram Clustering III.8.10 Realisasi Use Case Validasi Cluster Realisasi use case ini melibatkan 3 kelas yaitu TAnalisisClustering, TClusterValidator dan TDBAkses. Gambar III.25 Kelas Diagram Use Case Validasi Cluster Proses validasi cluster dimulai ketika pengguna memilih validasi cluster. Hal ini akan menyebabkan pengeksekusian proses clustering untuk mencari cluster pembanding. Hasil cluster pembanding dan hasil clustering asli ditampilkan dalam kelas TClusterValidator. Pengguna kemudian mengisi status validasi. Status validasi akan diupdate ke basis data melalui TDBAkses.

36 57 Gambar III.26 Sequence Diagram Validasi Cluster III.8.11 Realisasi Use Case Pelabelan Cluster Realisasi use case pelabelan cluster melibatkan 4 kelas TAnalisisClustering, TLayarLabelCluster, TClusterList dan TDBAkses. yaitu Gambar III.27 Kelas Diagram Use Case Pelabelan Cluster Urutan proses yang terjadi dalam realisasi use case ini dimulai ketika pengguna menampilkan cluster, kemudian pengguna memilih untuk mengupdate nama cluster. Sistem akan menampilkan kelas TLayarLabelCluster untuk tempat pengisian nama cluster. Setelah nama baru cluster diisi, maka nama baru cluster tersebut diupdatekan ke TClusterList dan disimpan ke basis data melalui kelas TDBAkses.

37 58 Gambar III.28 Sequence Diagram Pelabelan Cluster III.8.12 Realisasi Use Case Output Data Cluster Use case output data cluster melibatkan 4 kelas yaitu TAnalisisClustering, TDataExporter, TClusterList dan TClusterMemberList. Gambar III.29 Diagram Kelas Use Case Output Data Cluster Urutan proses yang terjadi di use case ini adalah ketika pengguna memilih format tujuan ekspor cluster. Ketika memilih untuk ekspor cluster, maka sistem akan menampilkan kelas TDataExporter untuk melakukan proses cluster. Kelas ini akan mengambil data dari TClusterList dan TClusterMember yang kemudian akan disimpan dalam file tujuan ekspor cluster.

38 Gambar III.30. Sequence Diagram Output Data Cluster 59

39 60 III.9 Diagram Kelas Keseluruhan Tahap Analisis Gambar III.31 Diagram Kelas Keseluruhan Tahap Analisis Berdasarkan kepada Gambar III.31, kelas-kelas yang digunakan dalam sistem yang akan dibangun dapat dilihat pada Tabel III.4. Tabel III.4. Deskripsi Kelas No Nama Kelas Jenis Daftar Tanggung-Jawab 1. TVariable Entity Menyimpan data sebuah variable dan bobotnya. 2. TVariableList Entity Menyimpan data sekumpulan variable. 3. TObyekUjiVarList Entity Menyimpan sebuah variable dan nilai yang dimiliki oleh sebuah obyek uji 4. TObyekUji Entity Menyimpan sebuah data obyek uji. 5. TObyekUjiList Entity Menyimpan sekumpulan obyek uji 6. TNilaiTransformasi Entity Menyimpan sebuah nilai transformasi. 7. TNilaiTransformasiList Entity Menyimpan sekumpulan nilai-nilai transformasi. 8. TClusterVarList Entity Menyimpan variable dan nilai yang dimiliki oleh sebuah cluster 9. TCluster Entity Menyimpan sebuah data cluster hasil proses clustering. 10. TClusterList Entity Menyimpan semua data cluster hasil proses clustering 11. TClusterMemberList Entity Menyimpan data obyek uji yang menjadi anggota suatu cluster 12. TProyekClustering Entity Menyimpan data sebuah proyek clustering. 13. TDBAkses Control Melakukan hubungan dengan basis data

40 61 No Nama Kelas Jenis Daftar Tanggung-Jawab 14. TDataReader Boundary Melakukan pembacaan data obyek uji 15. TDataExporter Boundary Melakukan ekspor data cluster. 16. TLogin Control Digunakan untuk proses pemeriksaan data login. 17. TLayarLogin Boundary Antarmuka untuk proses login 18. TTambahProyek Boundary Digunakan untuk pengisian proyek clustering baru. 19. TPengelolaanProyekCluste Control Mengelola proyek-proyek clustering ring yang telah dilakukan 20. TAnalisisClustering Control Melakukan proses analisis Clustering 21. TLayarUpdateVariable Boundary Antarmuka untuk update variable 22. TLayarUpdateNilaiTransfo Boundary Antarmuka untuk update nilai rmasi transformasi 23. TLayarLabelCluster Boundary Antarmuka untuk pelabelan cluster 24. TClusterValidator Boundary Digunakan untuk proses validasi cluster. 25. TLayarAturParameter Boundary Antarmuka pengisian parameter clustering