SKRIPSI. Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika. Oleh :

Transkripsi

1 PENERAPAN ALGORITMA MIXCBLOF BERBASIS KLASTER UNTUK IDENTIFIKASI OUTLIER PADA DATA HASIL UJIAN NASIONAL, INDEKS INTEGRITAS, DAN AKREDITASI SMA DI DAERAH ISTIMEWA YOGYAKARTA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh : I. Kristanto Riyadi NIM : PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017

2 PENERAPAN ALGORITMA MIXCBLOF BERBASIS KLASTER UNTUK IDENTIFIKASI OUTLIER PADA DATA HASIL UJIAN NASIONAL, INDEKS INTEGRITAS, DAN AKREDITASI SMA DI DAERAH ISTIMEWA YOGYAKARTA SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh : I. Kristanto Riyadi NIM : PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017 ii

3 IMPLEMENTATION OF MIXCBLOF ALGORITHM BASED CLUSTER FOR OUTLIER IDENTIFICATION IN NATIONAL DATA SCORES, INTEGRITY INDEX, AND ACCREDITATION OF SENIOR HIGH SCHOOL IN YOGYAKARTA FINAL PROJECT Present as Partial Fullfillment of the Requirements to Obtain the Sarjana Komputer Degree in Informatics Engineering Study Program By : I. Kristanto Riyadi NIM : INFORMATICS ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATICS ENGINEERING FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017 iii

4 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI iv

5 PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI v

6 HALAMAN PERSEMBAHAN Mintalah, maka akan diberikan kepadamu; carilah, maka kamu akan mendapat; ketoklah, maka pintu akan dibukakan bagimu (Mat 7:7) Karya ini kupersembahkan kepada : Orangtuaku, P. Sutarmijan dan M.Sumaryati Saudara-saudaraku Sahabat vi

7 vii

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

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

10 x

11 KATA PENGANTAR Puji syukur kepada Tuhan Yesus Kristus yang selalu menyertai dan membimbing saya dalam menyelesaikan skripsi yang berjudul Penerapan Algoritma MixCBLOF Berbasis Klaster untuk Identifikasi Outlier Pada Data Hasil Ujian Nasional, Indeks Integritas, dan Akreditasi SMA di Daerah Istimewa Yogyakarta. Skripsi ini tidak dapat saya selesaikan tanpa bantuan dan dukungan dari pihak lain. Untuk itu, dalam kesempatan ini penulis ingin mengucapkan terima kasih kepada: 1. Tuhan Yesus Kristus dan Bunda Maria yang selalu memberikan anugerah, rahmat, kekuatan, dan keberuntungan sehingga penulis dapat menyelesaikan tugas akhir ini. 2. Bapak Sudi Mungkasi, S.Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas Sains dan Teknologi. 3. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik Informatika dan juga selaku Dosen Metodologi Penelitian yang telah memberikan waktu, bimbingan, dan nasihat kepada penulis. 4. Ibu Paulina Heruningsih Prima Rosa, M.Sc. selaku Dosen Pembimbing Skripsi yang telah memberikan waktu, bimbingan, nasihat, dan motivasi kepada penulis. 5. Bapak Alb. Agung Hadhiatma, M.T. selaku Dosen Pembimbing Akademik penulis. 6. Seluruh Dosen, sekretariat, laboran, staff, dan perpustakaan yang telah membimbing dan membantu selama proses perkuliahan di Universitas Sanata Dharma. 7. Orangtuaku, Petrus Sutarmijan dan Maria Sumaryati serta saudarasaudaraku terkasih, terima kasih atas doa, kesabaran, perhatian, dukungan dan kesempatan yang diberikan sehingga skripsi ini dapat selesai. xi

12 xii

13 DAFTAR ISI HALAMAN JUDUL... ii TITLE PAGE... iii HALAMAN PERSETUJUAN...Error! Bookmark not defined. HALAMAN PENGESAHAN...Error! Bookmark not defined. PERNYATAAN KEASLIAN KARYA...Error! Bookmark not defined. ABSTRAK... viii ABSTRACT... ix PERSETUJUAN PUBLIKASI KARYA ILMIAH...Error! Bookmark not defined. KATA PENGANTAR... xi DAFTAR ISI... xiii DAFTAR TABEL... xvii DAFTAR GAMBAR... xix BAB I PENDAHULUAN LATAR BELAKANG RUMUSAN MASALAH TUJUAN BATASAN MASALAH MANFAAT PENELITIAN METODOLOGI PENELITIAN SISTEMATIKA PENULISAN... 6 BAB II LANDASAN TEORI PENAMBANGAN DATA Pengertian Penambangan Data Asal-usul Penambangan Data Tugas-tugas Penambangan Data Knowledge Discovery in Databases (KDD) OUTLIER Pengertian Outlier Pendekatan Deteksi Outlier xiii

14 2.3 MixCBLOF (Mix Cluster Based Local Outlier Factor) CBLOF (Cluster Based Local Outlier Factor) NCBLOF (Numerical Cluster Based Local Outlier Factor) Algoritma MixCBLOF STRUKTUR DATA BAB III METODOLOGI PENELITIAN BAHAN RISET/ DATA PERALATAN PENELITIAN TAHAP-TAHAP PENELITIAN BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA PEMROSESAN AWAL Pembersihan Data Integrasi Data Seleksi Data Transformasi Data PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA Perancangan Umum Input Sistem Proses Sistem Output Sistem Diagram Use Case Diagram Aktivitas Diagram Kelas Analisis Diagram Sekuen Perancangan Struktur Data Diagram Kelas Disain Algoritma per Method Perancangan Antarmuka Perancangan Halaman Awal Perancangan Halaman Proses Perancangan Halaman Bantuan xiv

15 Perancangan Halaman Tentang BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL IMPLEMENTASI RANCANGAN PERANGKAT LUNAK Implementasi Kelas Model Implementasi Kelas View Implementasi Kelas Control EVALUASI HASIL Pengujian Perangkat Lunak (Black Box) Rencana Pengujian Black Box Prosedur Pengujian Black Box dan Kasus Uji Evaluasi Pengujian Black Box Pengujian Perbandingan Hasil Pencarian Outlier Secara Manual dengan Hasil Pencarian Outlier menggunakan Perangkat Lunak Pencarian Outlier Secara Manual Pencarian Outlier menggunakan Perangkat Lunak Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil Perangkat Lunak BAB VI ANALISIS HASIL DAN PEMBAHASAN DATASET HASIL IDENTIFIKASI OUTLIER Hasil Identifikasi Outlier Dataset Jurusan IPA Hasil Identifikasi Outlier Dataset Jurusan IPS ANALISIS HASIL IDENTIFIKASI OUTLIER Analisis Hasil Identifikasi Outlier Dataset Jurusan IPA Analisis Hasil Identifikasi Outlier Dataset Jurusan IPS KELEBIHAN DAN KEKURANGAN PERANGKAT LUNAK Kelebihan Perangkat Lunak Kekurangan Perangkat Lunak BAB VII PENUTUP KESIMPULAN SARAN DAFTAR PUSTAKA xv

16 LAMPIRAN 1 : NARASI USE CASE LAMPIRAN 2 : DIAGRAM AKTIVITAS LAMPIRAN 3 : DIAGRAM KELAS ANALISIS LAMPIRAN 4 : DIAGRAM SEQUENCE LAMPIRAN 5 : DIAGRAM KELAS DISAIN LAMPIRAN 6 : ALGORITMA PER METHOD LAMPIRAN 7 : PROSEDUR PENGUJIAN DAN KASUS UJI LAMPIRAN 8 : HITUNG MANUAL PENAMBANGAN DATA xvi

17 DAFTAR TABEL Tabel 3. 1 Nilai UN Jurusan IPA Tabel 3. 2 Nilai UN Jurusan IPS Tabel 3. 3 Nilai IIUN Jurusan IPA Tabel 3. 4 Nilai IIUN Jurusan IPS Tabel 3. 5 Nilai Akreditasi SMA Tabel 3. 6 Atribut Data Nilai UN Jurusan IPA Tabel 3. 7 Atribut Data Nilai UN Jurusan IPS Tabel 3. 8 Atribut Data NIlai IIUN Jurusan IPA Tabel 3. 9 Atribut Data Nilai IIUN Jurusan IPS Tabel Atribut Data Nilai Akreditasi SMA Tabel 4. 1 Hasil Integrasi Jurusan IPA Tabel 4. 2 Hasil Integrasi Jurusan IPS Tabel 4. 3 Hasil Seleksi Atribut Jurusan IPA Tabel 4. 4 Hasil Seleksi Atribut Jurusan IPS Tabel 5. 1 Implementasi Kelas Model Tabel 5. 2 Implementasi Kelas View Tabel 5. 3 Spesifikasi detail kelas Hal_Utama.java Tabel 5. 4 Spesifikasi detail kelas Hal_Proses.java Tabel 5. 5 Spesifikasi detail frame framedeteksi Tabel 5. 6 Spesifikasi detail kelas Hal_Bantuan.java Tabel 5. 7 Spesifikasi detail kelas Hal_Tentang.java Tabel 5. 8 Implementasi kelas Controller Tabel 5. 9 Rencana pengujian Black Box Tabel 6. 1 Hasil pengujian pertama jurusan IPA xvii

18 Tabel 6. 2 Hasil pengujian kedua jurusan IPA Tabel 6. 3 Hasil pengujian ketiga jurusan IPA Tabel 6. 4 Hasil pengujian keempat jurusan IPA Tabel 6. 5 Hasil pengujian kelima jurusan IPA Tabel 6. 6 Hasil pengujian keenam jurusan IPA Tabel 6. 7 Hasil pengujian ketujuh jurusan IPA Tabel 6. 8 Hasil pengujian kedelapan jurusan IPA Tabel 6. 9 Hasil pengujian kesembilan jurusan IPA Tabel Hasil pengujian kesepuluh jurusan IPA Tabel Hasil pengujian pertama jurusan IPS Tabel Hasil pengujian kedua jurusan IPS Tabel Hasil pengujian ketiga jurusan IPS Tabel Hasil pengujian keempat jurusan IPS Tabel Hasil pengujian kelima jurusan IPS Tabel Hasil pengujian keenam jurusan IPS Tabel Hasil pengujian ketujuh jurusan IPS Tabel Hasil pengujian kedelapan jurusan IPS Tabel Hasil pengujian kesembilan jurusan IPS Tabel Hasil pengujian kesepuluh jurusan IPS Tabel Hasil Identifikasi Outlier jurusan IPA Tabel Hasil Identifikasi Outlier jurusan IPS xviii

19 DAFTAR GAMBAR Gambar 2. 1 Asal-usul Penambangan Data... 9 Gambar 2. 2 Proses KDD Gambar 2. 3 Ilustrasi ArrayList Gambar 2. 4 Ilustrasi Matriks Gambar 4. 1 Diagram Flowchart Gambar 4. 2 Diagram Flowchart Deteksi Outlier Gambar 4. 3 Diagram Use Case Gambar 4. 4 Perancangan Arraylist Gambar 4. 5 Perancangan Matriks Gambar 4. 6 Rancangan Antarmuka Halaman Utama Gambar 4. 7 Rancangan Antarmuka Halaman Proses Gambar 4. 8 Rancangan Antarmuka Frame Hasil Gambar 4. 9 Rancangan Dialog Pilih Penyimpanan Gambar Rancangan Halaman Bantuan Gambar Rancangan Halaman Tentang Gambar 5. 1 Implementasi Antarmuka Hal_Utama Gambar 5. 2 Implementasi Antarmuka kelas Hal_Proses Gambar 5. 3 Implementasi Antarmuka framedeteksi Gambar 5. 4 Implementasi Antarmuka Hal_Bantuan Gambar 5. 5 Implementasi Antarmuka Hal_Tentang Gambar 5. 6 Hasil Penambangan Data menggunakan Perangkat Lunak Gambar 5. 7 Hasil Penambangan Data menggunakan Perangkat Lunak xix

20 BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini, teknologi berkembang dengan begitu pesat. Perkembangan teknologi mengakibatkan data juga ikut semakin berkembang, sehingga jumlah data semakin banyak. Data dengan ukuran yang sangat banyak muncul dari berbagai bidang, mulai dari bidang kesehatan/ forensik, bidang pendidikan, dan bidang-bidang lainnya. Namun, seringkali data yang mempunyai ukuran yang sangat besar biasanya jarang atau bahkan tidak menghasilkan suatu informasi. Semakin bertambah banyaknya data, kemungkinan besar ada beberapa/banyak data yang tidak terpakai dalam suatu analisis tertentu. Untuk itu diperlukan sebuah alat untuk menambang data yang sangat banyak yang tidak memiliki suatu informasi menjadi sebuah informasi yang berguna. Maka dari itu, data mining atau yang biasa disebut penambangan data mempunyai peran yang sangat tinggi untuk melakukan proses menambang data yang sangat banyak, sehingga dapat disimpulkan bahwa penambangan data merupakan proses dari menemukan pengetahuan atau pola yang menarik dari jumlah data yang besar/banyak (Han & Kamber, 2012). Penambangan data memiliki beberapa langkah untuk menemukan sebuah pengetahuan dari sebuah data, yang biasa disebut dengan Knowledge Discovery in Databases (KDD). Langkah-langkah tersebut yaitu data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, dan knowledge presentation. Langkah 1 sampai dengan langkah 4 merupakan proses untuk mengolah data agar data siap untuk ditambang. Kemudian, langkah data mining merupakan proses yang digunakan untuk mengekstrak pola data (Han & Kamber, 2012).

21 Penambangan data memiliki banyak teknik atau metode, salah satu teknik dalam penambangan data yang dikenal adalah mencari data yang tidak sesuai dengan harapan, yang biasa disebut outlier detection (Han & Kamber, 2012). Outlier merupakan sebuah pengamatan yang menyimpang begitu banyak dari pengamatan lainnya untuk membangkitkan kecurigaan bahwa hal tersebut dihasilkan oleh berbagai mekanisme (Hawkins, 1980). Pendeteksian outlier mempunyai 5 pendekatan, yaitu statistical approach, proximity-based approach, clustering-based approach, classification-based approach, dan high-dimensional data (Han & Kamber, 2012). Pada setiap pendekatan mempunyai beberapa algoritma yang bisa diterapkan untuk mengidentifikasi atau pendeteksian outlier. Salah satu contoh yaitu algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor) yang merupakan salah satu algoritma dengan pendekatan clustering-based. Algoritma MixCBLOF ini merupakan pengembangan dari algoritma CBLOF (Cluster Based Local Outlier Factor) yang hanya dapat menangani outlier dengan set data yang seragam yaitu set data numerik (Maryono & Djunaidy, 2010). Namun, Maryono & Djunaidy pada tahun 2010 mengembangkan algoritma CBLOF menjadi algoritma MixCBLOF yang dapat menangani outlier dengan set data campuran atau bisa dikatakan dapat menggunakan set data numerik dan set data kategorikal. Teknik pendeteksian outlier dengan menggunakan algoritma MixCBLOF ini kemungkinan dapat diterapkan pada bidang pendidikan di Sekolah Menengah Atas (SMA). Pendidikan pada jenjang SMA memiliki data Ujian Nasional (UN) berupa nama sekolah, nilai UN, nilai Indeks Integritas Ujian Nasional (IIUN), dan Akreditasi sekolah. Nilai Ujian Nasional (UN) merupakan nilai yang dihasilkan dari Ujian Nasional yang diselenggarakan secara nasional pada sekolah-sekolah (sekolah menengah pertama, dan sekolah menengah atas), atribut nilai UN merupakan atribut numerik. Nilai Indeks Integritas Ujian Nasional (IIUN) merupakan penilaian kejujuran dalam pelaksanaan Ujian Nasional, atribut nilai IIUN merupakan atribut numerik. Nilai Akreditasi merupakan pengakuan oleh badan yang berwenang terhadap

22 sekolah-sekolah yang memenuhi syarat kebakuan dan kriteria tertentu, atribut nilai akreditasi sekolah merupakan atribut kategorikal. Maria Renia Octaviani (2015) sudah pernah melakukan penelitian mengenai outlier yang digunakan sebagai topik skripsi yaitu pendeteksian outlier pada nilai Ujian Nasional Sekolah Menengah Atas di Provinsi Daerah Istimewa Yogyakarta pada tahun ajaran dengan menggunakan algoritma INFLO (Influenced Outliernes). Penelitian ini merupakan pengembangan penelitian di atas, karena pendeteksian outlier pada penelitian ini dilakukan pada nilai Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi seluruh SMA yang ada di DIY pada tahun 2015 dengan menggunakan algoritma MixCBLOF. Pemilihan data UN SMA tahun 2015 karena pada tahun tersebut IIUN baru digunakan. Penelitian ini diharapkan dapat menghasilkan informasi atau suatu pengetahuan mengenai kejadian langka yang ada pada kasus outlier di SMA. Data UN SMA sangat menarik untuk diidentifikasi outlier karena bisa saja pada data UN tersebut memiliki karakter yang unik/ berbeda dengan yang lainnya. Misalnya seperti nilai UN yang tinggi namun memiliki nilai IIUN/ akreditasi yang rendah begitu pula sebaliknya. Hasil yang didapatkan dari penelitian ini yaitu menampilkan suatu SMA dengan data UN yang unik dengan SMA yang lainnya. Hasil dari penelitian ini dapat dianalisa lebih lanjut oleh pihak yang berwenang untuk kepentingan pendampingan dan pengembangan terhadap sekolah tersebut. 3

23 1.2 Rumusan Masalah Rumusan masalah pada penelitian ini adalah sebagai berikut: 1. Apakah algoritma MixCBLOF dapat mendeteksi outlier data pada nilai ujian nasional, nilai indeks integritas, dan nilai akreditasi Sekolah Menengah Atas (SMA) yang ada di Provinsi Daerah Istimewa Yogyakarta (DIY)? 2. Bagaimana karakteristik data-data atau sekolah yang diidentifikasi sebagai outlier? 1.3 Tujuan Tujuan dari penelitian ini adalah sebagai berikut: 1. Menganalisa algoritma MixCBLOF dalam mendeteksi outlier data pada nilai ujian nasional, nilai indeks integritas, dan nilai akreditasi Sekolah Menegah Atas (SMA) Provinsi Daerah Istimewa Yogyakarta (DIY). 2. Menganalisa karakteristik data-data atau sekolah yang diidentifikasi sebagai outlier. 1.4 Batasan Masalah Batasan masalah pada penelitian ini sebagai berikut: 1. Algoritma yang digunakan yaitu algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor). 2. Data yang digunakan yaitu nilai Ujian Nasional, nilai Indeks Integritas, dan nilai Akreditasi selutuh Sekolah Menengah Atas (SMA) di Provinsi Daerah Istimewa Yogyakarta (DIY) pada tahun ajaran 2014/2015 yang didapatkan dari website resmi Kemendikbud. 4

24 1.5 Manfaat Penelitian Manfaat dari penelitian ini adalah sebagai berikut : 1. Memberikan pengetahuan baru mengenai cara mendeteksi outlier dengan menggunakan algoritma Mix Cluster Based Local Outlier Factor (MixCBLOF). 2. Memberikan informasi mengenai data yang unik dalam nilai hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi Sekolah Menengah Atas (SMA). 1.6 Metodologi Penelitian Metodologi Penelitian yang digunakan dalam menyelesaikan tugas akhir ini adalah sebagai berikut : 1. Studi Pustaka Metodologi pertama yang digunakan adalah studi pustaka. Tahap ini merupakan proses pengumpulan informasi berupa metode atau algoritma yang digunakan untuk mendeteksi outlier dari berbagai referensi seperti buku, paper/ jurnal, skripsi, atau artikel-artikel lainnya yang ada di internet. Selanjutnya yaitu mempelajari dan menganalisa dari informasi yang didapat sehingga menentukan untuk memilih algoritma MixCBLOF (Mix Cluster Based Local Outlier Factor) untuk melakukan penelitian deteksi outlier pada data Ujian Nasional Sekolah Menengah Atas (SMA). 2. Teknik Knowledge Discovery in Databases (KDD). Metodologi kedua adalah teknik penambangan data yang dituliskan oleh Han et.al. (2012). Teknik KDD memiliki beberapa langkah, yaitu : a. Data Cleaning Langkah ini merupakan langkah untuk menghilangkan noise/ pengganggu dan data yang tidak konsisten. b. Data Integration Langkah ini merupakan suatu proses dimana beberapa sumber data digabungkan menjadi satu kesatuan. 5

25 c. Data Selection Langkah ini merupakan proses untuk melakukan analisis, dimana data yang relevan diambil dari database. d. Data Transformation Langkah ini merupakan proses dimana data diubah (transformasi) menjadi data yang tepat untuk ditambang sehingga dapat dilakukan proses operasi seperti penjumlahan atau penggabungan. e. Data Mining Langkah ini merupakan proses penting di mana metode cerdas yang diterapkan untuk mengekstrak pola data. f. Pattern Evaluation Langkah ini merupakan proses untuk mengidentifikasi pola-pola menarik yang menampilkan basis pengetahuan dalam suatu ukuran ketertarikan. g. Knowledge Presentation Langkah ini merupakan proses dimana teknik untuk menampilkan suatu gambaran dan representasi pengetahuan hasil tambang kepada pengguna. 1.7 Sistematika Penulisan Sistematika penulisan proposal tugas akhir sebagai berikut: a. Bab I : Pendahuluan Bab pertama ini berisi mengenai latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi penelitian dan sistematika penulisan proposal tugas akhir. b. Bab II : Landasan Teori Bab kedua ini berisi mengenai penjelasan teori penambangan data yang digunakan dalam penelitian proposal tugas akhir. 6

26 c. Bab III : Metode Penelitian Bab ketiga ini berisi mengenai rencana langkah-langkah yang dilakukan dalam penelitian, termasuk bagaimana cara mendapatkan data, cara mengolah data, cara membuat alat uji, cara analisis data, cara pengujian. d. Bab IV : Pemrosesan Awal dan Perancangan Perangkat Lunak Penambangan Data Bab keempat ini berisi mengenai pemrosesan awal dalam proses Knowledge Discovery in Database (KDD). Selain itu, bab ini juga berisi mengenai perancangan perngkat lunak yang akan digunakan dalam tahap penambangan data. Perancangan perangkat lunak tersebut terditi dari perancangan umum, diagram use case, diagram aktivitas, diagram kelas, algoritma per method dan perancangan antarmuka. e. Bab V : Implementasi Penambangan Data dan Evaluasi Hasil Bab kelima ini berisi mengenai implementasi rancangan perangkat lunak penambangan data dan evaluasi hasil yang terdiri dari pengujian perangkat lunak (black box), pengujian perbandingan hitung manual dengan hasil sistem. f. Bab VI : Analisis Hasil dan Pembahasan Bab keenam ini berisi mengenai percobaan-percobaan yang dilakukan dengan variasi nilai-nilai yang dibutuhkan. Selain itu, bab ini juga berisi mengenai analisis dari percobaan yang sudah dilakukan. g. Bab VII : Penutup Bab terakhir ini menjelaskan mengenai kesimpulan yang diperoleh dari pembuatan sistem serta saran untuk pengembangan sistem dan penelitian berikutnya. 7

27 BAB II LANDASAN TEORI 2.1 Penambangan Data Pengertian Penambangan Data Menurut Tan et.al. (2006), penambangan data adalah proses menemukan suatu informasi yang berguna dari data yang besar. Teknik data mining dikerahkan untuk menjelajahi pada database yang berukuran besar untuk menemukan pola yang mungkin tetap tidak diketahui. Penambangan data juga menyediakan kemampuan untuk memprediksi hasil dari pengamatan masa depan, seperti memprediksi seorang pelanggan akan menghabiskan uang lebih dari $100 atau tidak di sebuah department store. Namun, tidak semua tugas menemukan informasi dapat dicari menggunakan penambangan data. Meskipun tugas-tugas memiliki sifat yang penting dan mungkin melibatkan penggunaan algoritma yang canggih dan struktur data, tetapi tetap mengandalkan teknik ilmu komputer tradisional dan fitur yang jelas dari data untuk membuat struktur indeks secara efisien dalam mengatur dan mengambil informasi. Meskipun demikian, teknik data mining telah digunakan untuk meningkatkan sistem pencarian informasi Asal-usul Penambangan Data Menurut Tan et.al. (2006), penambangan data mengacu pada ideide seperti pengambilan sampel, estimasi, dan pengujian hipotesis dari statistik dan algoritma pencarian, teknik pemodelan, dan teori-teori Artificial Intelligence (AI), pengenalan pola, dan machine learning. Penambangan data juga mempunyai peran pada bidnag lain, termasuk optimasi, evolutionary computing, information theory, pemrosesan sinyal, visualisasi, dan pemerolehan informasi (information retrieval). 8

28 Relasi data mining dengan bidang/ area lainnya dapat digambarkan sebagai berikut : Gambar 2. 1 Asal-usul Penambangan Data (Sumber : Han et.al, 2012) Tugas-tugas Penambangan Data Menurut Tan et.al. (2006), penambangan data memiliki beberapa tugas yang menerapkan dua kategori besar yaitu metode prediktif dan metode deskriptif. Metode prediktif mempunyai tugas untuk memprediksi nilai atribut tertentu berdasarkan pada nilai-nilai atribut lainnya. Metode deskriptif mempunyai tugas untuk mendapatkan pola dari korelasi, klaster, lintasan, dan anomali yang didapatkan dari data target. Tugas penambangan data mempunyai empat tugas, yaitu : a. Analisis Prediktif Salah satu tugas penambangan data ini mengacu pada tugas yang membangun model pada variabel target sebagai fungsi dari variabel penjelas. Analisis prediktif dibagi menjadi dua tipe yaitu klasifikasi dan regresi. Klasifikasi merupakan tipe prediktif yang digunakan untuk variabel sasaran diskrit. Regresi merupakan tipe prediktif yang digunakan untuk variabel target yang bersifat terus-menerus (kontinyu). Contoh klasifikasi yaitu memprediksi apakah pengguna Web akan melakukan pembelian di suatu toko online. Hal tersebut 9

29 termasuk klasifikasi karena variabel target bernilai biner, ya atau tidak. Contoh regresi yaitu prediksi harga masa depan suatu saham. Hal tersebut termasuk contoh regresi karena harga merupakan atribut bernilai kontinyu. Namun, pencapaian kedua tipe prediktif tersebut adalah untuk mempelajari model yang meminimalkan kesalahan anatara prediksi dengan nilai kebernarannya dari variabel target. b. Analisis Asosiasi Pada tugas penambangan data ini digunakan untuk menemukan hubungan yang terkait dari suatu transaksi yang terjadi pada item berdasarkan item lainnya. c. Analisis Klaster Pada tugas penambangan data ini digunakan untuk menemukan suatu kelompok obyek yang terkait erat satu sama lain sehingga termasuk ke dalam klaster yang sama. d. Deteksi Anomali Deteksi anomali merupakan tugas penambangan data yang digunakan untuk mengidentifikasi pengamatan yang karakteristiknya sangat berbeda dari sisa data. Pengamatan tersebut dikenal sebagai anomali atau outlier. Tujuan algoritma deteksi anomali/ outlier adalah untuk menemukan anomali yang nyata dan menghindari obyek yang normal tetapi diidentifikasi sebagai anomali. Oleh karena itu, deteksi anomali yang baik harus memiliki tingkat deteksi yang tinggi dan tingkat kesalahan yang rendah. Aplikasi deteksi anomali seperti deteksi penipuan, gangguan jaringan, gangguan ekosistem, dll Knowledge Discovery in Databases (KDD) Menurut Han et.al. (2012), istilah KDD (Knowledge Discovery in Databases) seringkali dianggap sinonim dengan penambangan data. KDD merupakan sebuah proses mengubah data mentah menjadi suatu 10

30 informasi/ pengetahuan yang berguna. KDD memiliki beberapa langkah yaitu data cleaning, data integration, data selection, data transformation, data mining, pattern evaluation, dan knowledge presentation. Gambar 2. 2 Proses KDD (Sumber : Han et.al, 2012) 11

31 1. Data Cleaning Langkah ini merupakan langkah untuk menghilangkan noise/ pengganggu dan data yang tidak konsisten. 2. Data Integration Langkah ini merupakan suatu proses dimana beberapa sumber data digabungkan menjadi satu kesatuan. 3. Data Selection Langkah ini merupakan proses untuk melakukan analisis, dimana data yang relevan diambil dari database. 4. Data Transformation Langkah ini merupakan proses dimana data diubah (transformasi) menjadi data yang tepat untuk ditambang sehingga dapat dilakukan proses operasi seperti penjumlahan atau penggabungan. 5. Data Mining Langkah ini merupakan proses penting di mana metode cerdas yang diterapkan untuk mengekstrak pola data. 6. Pattern Evaluation Langkah ini merupakan proses untuk mengidentifikasi polapola menarik yang menampilkan basis pengetahuan dalam suatu ukuran ketertarikan. 7. Knowledge Presentation Langkah ini merupakan proses dimana teknik untuk menampilkan suatu gambaran dan representasi pengetahuan hasil tambang kepada pengguna. 2.2 Outlier Pengertian Outlier Ada beberapa pengertian outlier dari beberapa sumber. Menurut Han et.al. (2012), outlier adalah objek data yang menyimpang secara signifikan dari sisa data, seolah-olah itu dihasilkan oleh mekanisme 12

32 yang berbeda. Menurut Hawkins (1980), outlier merupakan pengamatan yang berbeda dari pengamatan lainnya sehingga menimbulkan kecurigaan bahwa hal itu dihasilkan oleh berbagai mekanisme Pendekatan Deteksi Outlier Menurut Han et.al. (2012), pendeteksian outlier terdapat beberapa pendekatan, antara lain statistical methods, proximity-based approach, clustering-based approach, classficication-based approach, dan highdimensional data. Pendekatan statistical methods atau biasa dikenal sebagai metode berbasis model membuat asumsi mengenai normalitas data. Pendekatan ini dianggap bahwa obyek data normal dihasilkan oleh model statistik, sedangkan data yang tidak mengikuti model dianggap sebagai outlier. Efektivitas statistical methods sangat bergantung pada asumsi apakah model statistik yang dibuat selalu berlaku untuk data yang diberikan. Pendekatan proximity-based mengasumsikan bahwa sebuah obyek dikatakan sebagai outlier jika memiliki perbedaan yang signifikan dengan tetangga terdekatnya pada set data yang sama. Efektivitas metode berbasis proximity sangat bergantung pada jarak atau ukuran yang digunakan. Metode berbasis proximity ini sering mengalami kesulitan dalam mendeteksi outlier jika sebuah obyek yang dikatakan sebagai outlier memiliki kedekatan satu sama lain. Pendekatan proximity-based ini memiliki dua jenis utama deteksi outlier, yaitu distance-based, dan density-based. Pendekatan clustering-based mengasumsikan bahwa obyek yang bersifat normal tergabung dalam kelompok besar (large cluster), sedangkan obyek yang dikatakan sebagai outlier tidak tergabung dalam kelompok. 13

33 Pendekatan classification-based mengasumsikan bahwa pendeteksian outlier menggunakan pendekatan ini dapat digunakan jika set data training dan label kelas tersedia. Ide umum dari metode deteksi outlier berbasis classification adalah menentukan model klasifikasi yang dapat membedakan data normal dan outlier. Metode outlier basis classification ini sering menggunakan satu kelas sebagai label untuk menggambarkan data berupa normal atau outlier. Pendekatan high-dimensional data, memiliki beberapa contoh algoritma yaitu Angle-Based Outlier Degree/ ABOD (Kriegel et.al. 2008), Grid-Based Subspace Outlier Detection (Aggarwal & Yu, 2000), dan Subspace Outlier Degree/ SOD (Kriegel et.al., 2009). 2.3 MixCBLOF (Mix Cluster Based Local Outlier Factor) Deteksi outlier memiliki ketertarikan tersendiri daripada deteksi pada umumnya, karena pendeteksian outlier ini memiliki informasi yang mendasari sebuah perilaku tidak biasanya atau berbeda daripada yang lainnya. Pada penelitian ini mendeteksi outlier menggunakan algoritma Mix Cluster Based Local Outlier Factor (MixCBLOF) yang dikemukakan oleh Maryono & Djunaidy pada tahun Algoritma ini tergolong pada pendekatan clustering-based karena algoritma ini perlu menggunakan proses cluster untuk penentuan outlier. Algoritma ini merupakan perpaduan dari dua algoritma yaitu Cluster Based Local Outlier Factor (CBLOF) dengan Numerical Cluster Based Local Outlier Factor (NCBLOF). Algoritma ini mengusulkan deteksi outlier menggunakan data campuran berupa data kategorikal dan data numerik. Data kategorikal diolah menggunakan algoritma CBLOF, sedangkan untuk data numerik diolah menggunakan algoritma NCBLOF CBLOF (Cluster Based Local Outlier Factor) Menurut He et.al (2003), untuk mengidentifikasi signifikansi data dari definisi outlier perlu mendefinisikan setiap obyek dengan sebuah 14

34 derajat yang disebut dengan CBLOF (Cluster Based Local Outlier Factor) yang diukur dengan ukuran klaster di mana ia berada dan jaraknya terhadap klaster terdekat. Definisi 1 : Misalkan A 1, A 2,..., A m adalah himpunan atribut dengan domain D 1, D 2,..., D m. Set data D terdiri dari record/ obyeknya, sedangkan transaksi t : t ϵ D. Hasil klasterisasi pada D dinotasikan sebagai C= {C 1, C 2,..., C k } dimana C i C j = Ø dan C 1 C 2... C k = D, dengan k adalah jumlah klaster. Definisi 2 : Misalkan C= {C 1, C 2,..., C k } adalah himpunan klaster pada set data dengan urutan ukuran klaster adalah C 1 C 2... C k. Ditetapkan tiga parameter numerik α, β, dan b. Didefinisikan b sebagai batas antara klaster besar dan kecil jika memenuhi salah satu formula berikut: ( )... (2.1)... (2.2) Didefinisikan himpunan klaster besar (large cluster) sebagai LC = {C i, i b} dan klaster kecil (small cluster) didefinisikan dengan SC = {C i, i > b}. Definisi 2 memberikan ukuran kuantitatif untuk membedakan klaster besar dan klaster kecil. Rumus (2.1) menunjukkan bahwa sebagian besar data bukan outlier. Oleh karena itu klaster besar mempunyai porsi yang jauh sangat besar. Contohnya jika α diberikan 90% maka artinya klaster besar memuat kurang lebih 90% dari total obyek data pada set data. Rumus (2.2) menunjukkan fakta bahwa klaster besar dan klaster kecil harus memiliki perbedaan yang signifikan. Jika diberikan 15

35 β sebesar 5, maka artinya setiap klaster besar minimal 5 kali lebih besar dari klaster kecil. Definisi 3 : Misalkan C= {C 1, C 2,..., C k } adalah himpunan klaster dengan ukuran C 1 C 2... C k. Didefinisikan LC dan SC sebagimana pada Definisi 2. Untuk sebarang record t, didefinisikan sebagaimana persamaan (2.3). ( ) { ( ( )) ( ( ))... (2.3) NCBLOF (Numerical Cluster Based Local Outlier Factor) Menurut Maryono dan Djunaidy (2010), ada beberapa cara untuk mengukur jarak sebuah obyek ke sebuah klaster. Caranya adalah mengukur jarak sebuah obyek terhadap centroid terdekat atau dapat juga dengan mengukur jarak relatif obyek dengan centroid terdekat. Jarak relatif (relative distance) adalah rasio jarak obyek terhadap centroid dibagi dengan jarak rata-rata semua titik terhadap centroid klaster di mana ia berada. Komponen pada CBLOF mengenai kemiripan terhadap klaster terdekat juga untuk mendefinisikan NCBLOF sebagai berikut: ( ) { ( ) ( ( )) ( )... (2.4) Rumus NCBLOF pada persamaan (2.4), didefinisikan dengan menyesuaikan interpretasi derajat outlier pada CBLOF pada persamaan (2.3). 16

36 2.3.3 Algoritma MixCBLOF Langkah untuk mencari outlier menggunakan algoritma MixCBLOF adalah sebagai berikut : 1. Bagi set data campuran menjadi dua bagian, set data numerik, D 1, dan set data kategorikal, D Klasterisasi pada subset data numerik D 1 sehingga diperoleh sejumlah klaster C 11, C 12,..., C 1p dengan ukuran berturut-turut C 11 C C 1p Tentukan klaster besar (LC) dan klaster kecil (SC) menggunakan Definisi 2 pada halaman Terapkan deteksi outlier berbasis klaster menggunakan atribut numerik terhadap obyek-obyek dalam klaster pada langkah 2 menggunakan teknik deteksi outlier berbasis klaster seperti persamaan (2.4). ( ) { ( ) ( ( )) ( ) 4. Terapkan deteksi outlier berbasis klaster menggunakan atribut kategorikal terhadap obyek-obyek dalam klaster pada langkah 2 menggunakan CBLOF sebagaimana persamaan (2.3). ( ) { ( ( )) ( ( )) 5. Susun derajat outlier pada langkah 3 dan 4 dalam matrik keputusan A=[a nm ]. [ ] Didefinisikan n sebagai jumlah data dan m sebagai jumlah atribut. 17

37 Kemudian, matriks keputusan tersebut dinormalisasi menjadi sebagai berikut : [ ] Didefinisikan n sebagai jumlah data dan m sebagai jumlah atribut. 6. Lakukan pembobotan secara default (bobot sama) atau dengan metode Entropy. a. Hitung nilai Entropy e j dan derajat divergensi f j.... (2.5) b. Hitung bobot tiap kolom/ atribut... (2.6)... (2.6) 7. Gabungkan bobot outlier tiap obyek t 1, t 2,.., tn pada langkah 6 dengan fungsi agregat untuk mendapatkan derajat outlier akhir OF dari sebuah obyek ti OF(ti ) =. (x 1i, x 2i, x 3i, x 4i ). ( )... (2.7) 2.4 Struktur Data ArrayList Dalam pengembangan sebuah sistem atau aplikasi diperlukan adanya perancangan sebuah struktur data, perancangan struktur data ini memiliki fungsi sebagai gambaran sebuah data diolah dan disimpan di dalam program/ sistem. Pada penelitian ini menggunakan konsep Arraylist sebagai tempat penyimpanan data yang dinamis, karena sistem deteksi outlier ini tidak 18

38 membutuhkan suatu tempat penyimpanan yang terlalu banyak dan tidak menghabiskan waktu yang terlalu lama pula saat dijalankan. Arraylist merupakan sebuah kelas yang dapat melakukan penyimpanan data berupa list objek berbentuk array dengan ukurannya dapat berubah secara dinamis sesuai dengan jumlah data yang dimasukkan. Ilustrasi konsep Arraylist dapat dilihat pada gambar 2.3. Gambar 2. 3 Ilustrasi ArrayList Matriks Matriks merupakan struktur data yang digunakan sebagai tempat penyimpanan pada memori internal dengan memakai dua buah indeks array yang sering biasa disebut dengan baris dan kolom. Konsep umum untuk array yang dapat berlaku untuk matriks yaitu kumpulan elemen memiliki tipe yang sama, dapat berupa tipe dasar integer, string, char, boolean, dll. Ilustrasi konsep matriks dapat dilihat pada gambar 2.4 berikut. Gambar 2. 4 Ilustrasi Matriks 19

39 Dari ilustrasi di atas adalah konsep matriks dengan ukuran 4x3, artinya memiliki 4 baris dan 3 kolom. Dalam konsep array dapat dituliskan seperti matrix = new int[4][3] dengan keterangan sebagai berikut : matrix[0][0] = v1 matrix[0][1] = v2 matrix[0][3] = v3 matrix[1][0] = v4 matrix[1][1] = v5 matrix[1][2] = v6 matrix[2][0] = v7 matrix[2][1] = v8 matrix[2][2] = v9 matrix[3][0] = v10 matrix[3][1] = v11 matrix[3][2] = v12 20

40 BAB III METODOLOGI PENELITIAN 3.1 Bahan Riset/ Data Data yang digunakan untuk melakukan penelitian berupa file berekstensi.pdf dan.xls yang diperoleh dari 3 sumber. Sumber yang pertama dari website milik Kementerian Pendidikan dan Kebudayaan Sumber yang kedua dari website milik Kementerian Pendidikan dan Kebudayaan Sumber yang ketiga dari webiste Badan Akreditasi Nasional Sekolah/ Madrasah Data yang didapatkan dari 3 sumber tersebut merupakan data nilai Ujian Nasional (UN) per mata pelajaran dan rerata nilai UN, nilai Indeks Integritas Ujian Nasional (IIUN) SMA, dan nilai Akreditasi sekolah pada tahun 2015 dengan jumlah data 160 SMA di DIY. Pada penelitian ini hanya untuk SMA jurusan Ilmu Pengetahuan Alam (IPA) dan Ilmu Pengetahuan Sosial (IPS). Tabel 3. 1 Nilai UN Jurusan IPA 21

41 Tabel 3. 2 Nilai UN Jurusan IPS Tabel 3. 3 Nilai IIUN Jurusan IPA Gambar 3.3 Nilai IIUN IPA DIY Gambar 3.5 Nilai Akreditasi Sekolah di DIY Tabel 3. 4 Nilai IIUN Jurusan IPS 22

42 Tabel 3. 5 Nilai Akreditasi SMA Tabel 3. 6 Atribut Data Nilai UN Jurusan IPA Nama Atribut KODE_SEKOLAH NAMA_SEKOLAH STS_SEK JUMLAH_PESERTA BHS_INDO BHS_INGGRIS MTK FISIKA Keterangan Kode Sekolah Nama Sekolah Status Sekolah (Negeri/ Swasta) Jumlah siswa mengikuti UN Nilai rata-rata UN mata pelajaran Bahasa Indonesia Nilai rata-rata UN mata pelajaran Bahasa Inggris Nilai rata-rata UN mata pelajaran Matematika Nilai rata-rata UN mata pelajaran Fisika 23

43 KIMIA BIOLOGI TOTAL RANK Nilai rata-rata UN mata pelajaran Kimia Nilai rata-rata UN mata pelajaran Biologi Jumlah nilai rata-rata UN Nilai ranking sekolah Tabel 3. 7 Atribut Data Nilai UN Jurusan IPS Nama Atribut KODE_SEKOLAH NAMA_SEKOLAH STS_SEK JUMLAH_PESERTA BHS_INDO BHS_INGGRIS MTK EKONOMI SOSIO Keterangan Kode Sekolah Nama Sekolah Status Sekolah (Negeri/ Swasta) Jumlah siswa mengikuti UN Nilai rata-rata UN mata pelajaran Bahasa Indonesia Nilai rata-rata UN mata pelajaran Bahasa Inggris Nilai rata-rata UN mata pelajaran Matematika Nilai rata-rata UN mata pelajaran Ekonomi Nilai rata-rata UN mata pelajaran 24

44 Sosiologi GEO TOTAL RANK Nilai rata-rata UN mata pelajaran Geografi Jumlah nilai rata-rata UN Nilai ranking sekolah Tabel 3. 8 Atribut Data NIlai IIUN Jurusan IPA Nama Atribut KODE_SEKOLAH NPSN NAMA_SEKOLAH STS_SEK JUMLAH_PESERTA RERATA_IPA IIUN_IPA Keterangan Kode Sekolah Nomor Pokok Sekolah Nasional Nama Sekolah Status sekolah (Negeri/ Swasta) Jumlah siswa mengikuti UN Nilai rata-rata UN jurusan IPA Nilai IIUN jurusan IPA 25

45 Tabel 3. 9 Atribut Data Nilai IIUN Jurusan IPS Nama Atribut KODE_SEKOLAH NPSN NAMA_SEKOLAH STS_SEK JUMLAH_PESERTA RERATA_IPS IIUN_IPS Keterangan Kode Sekolah Nomor Pokok Sekolah Nasional Nama Sekolah Status sekolah (Negeri/ Swasta) Jumlah siswa mengikuti UN Nilai rata-rata UN jurusan IPS Nilai IIUN jurusan IPS Tabel Atribut Data Nilai Akreditasi SMA Nama Atribut NAMA_SEKOLAH NPSN TIPE_SEKOLAH STS_SEK PROVINSI KABUPATEN NILAI Keterangan Nama Sekolah Nomor Pokok Sekolah Nasional Tipe Sekolah (Sekolah/ Madrasah) Status Sekolah (Negeri/ Swasta) Provinsi Sekolah Kabupaten Sekolah Nilai Akreditasi dalam bentuk nominal/ angka 26

46 PERINGKAT Nilai Akreditasi dalam bentuk huruf 3.2 Peralatan Penelitian Penelitian dilakukan menggunakan spesifikasi perangkat sebagai berikut : 1. Spesifikasi software a. Netbeans versi 8.0 b. OS Windows 7 64 bit 2. Spesifikasi hardware (Notebook/ Laptop) a. Processor AMD A6-4400M APU 2,7 GHz b. Ram 4 GB c. VGA AMD Radeon HD 7520G d. Layar 14 inch e. Harddisk 500 GB 3.3 Tahap-tahap Penelitian 1. Studi Kasus Nilai Ujian Nasional merupakan nilai yang dihasilkan dari Ujian Nasional untuk mengukur standar pendidikan yang ada di Indonesia. Nilai Indeks Integritas Ujian Nasional merupakan penilaian kejujuran dalam pelaksanaan Ujian Nasional. Nilai Akreditasi merupakan pengakuan oleh badan berwenang terhadap sekolah-sekolah yang memiliki syarat kebakuan dan kriteria tertentu. Demi menyelenggarakan pendampingan dan pengembangan suatu sekolah berdasarkan kriteria nilai Ujian Nasional, nilai Indeks Integritas, dan nilai Akreditasi, diperlukan suatu informasi mengenai sekolah-sekolah yang memiliki karakteristik berbeda dibandingkan dengan sekolah lainnya. Untuk mendapatkan informasi tersebut, maka digunakanlah pendeteksian outlier dari kumpulan sekolah dengan data yang sudah disediakan, berdasarkan ketiga nilai di atas. 27

47 Penelitian ini diharapkan dapat menemukan/ menghasilkan informasi mengenai sekolah yang memiliki karakter berbeda dengan yang lainnya, sehingga dapat menyelenggarakan pendampingan dan pengembangan terhadap sekolah tersebut. 2. Penelitian Pustaka Pada tahap ini, dilakukan penelitian pustaka digunakan untuk memperoleh informasi dan menggali teori mengenai teknik penambangan data. Dalam penelitian ini penulis mempelajari referensi-referensi yang berkaitan dengan teknik penambangan data deteksi outlier khususnya algoritma MixCBLOF dan referensi lainnya yang berguna bagi sistem yang akan dibangun. 3. Knowledge Discovery in Database (KDD) Pada tahap penelitian ini dilakukan jika tahap-tahap sebelumnya sudah dilakukan. Oleh karena itu, tahap ini sangat diperlukan karena penelitian ini berada pada bidang penambangan data sehingga harus menggunakan teknik KDD (Knowledge Discovery in Database). Proses KDD terdiri dari data cleaning, data integration, data transformation, data mining, pattern evaluation, dan knowledge presentation. Pada tahap awal dilakukan data cleaning dan data integration pada data SMA se-diy sehingga data tersebut siap untuk ditambang. Proses awal ini dilakukan secara manual menggunakan alat bantu Microsoft Excel. Kemudian untuk proses selanjutnya yaitu data selection, data transformation, dan data mining dilakukan di dalam perangkat lunak yang dibuat. Kemudian proses pattern evaluation dan knowledge presentation dilakukan setelah perangkat lunak selesai dibangun karena kedua proses ini membutuhkan hasil dari alat uji tersebut. 28

48 4. Pengembangan Perangkat Lunak a. Metode Pengembangan Sistem Metode yang digunakan penulis untuk melakukan pengembangan sistem menggunakan metode waterfall. Metode waterfall merupakan salah satu metode yang populer karena tidak asing untuk didengar oleh oleh kalangan pengembang sistem. Menurut Kristanto (2004), metode waterfall ini diperkenalkan oleh Winston Royce pada tahun Inti dari metode ini yaitu model klasik yang sederhana dengan aliran sistem yang linier. Langkah-langkah metode waterfall sebagai berikut : 1. Requirement dan Spesification Pada tahapan ini merupakan analisa kebutuhan sistem yang diperlukan dalam pengembangan sistem dengan cara mengumpulkan data. Selanjutnya, jika analisa kebutuhan sistem sudah terpenuhi, kemudian merencanakan jadwal pengembangan software. 2. Design Tahap desain sistem membagi kebutuhan-kebutuhan menjasi sistem perangkat lunak atau perangkat keras. Proses tersebut menghasilkan sebuah arsitektur sistem keseluruhan. Desain perangkat lunak termasuk menghasilkan fungsi sistem perangkat lunak dalam bentuk yang mungkin ditransformasi ke dalam satu atau lebih program yang dapat dijalankan. Tahapan ini merupakan tahap untuk menentukan alur software sampai pada tahap algoritma yang detil. 3. Implementation Tahap ini desain perangkat lunak disadari sebagai sebuah program lengkap atau unit program. Desain perangkat lunak yang sudah dibuat kemudian diubah ke dalam bentuk kode-kode program. Diakhir tahap ini, tiap modul ditesting tanpa diintegrasikan. 4. Integration 29

49 Unit program diintegrasikan dan diuji menjadi sistem yang lengkap untuk meyakinkan bahwa persyaratan perangkat lunak telah dipenuhi. 5. Operation mode & retirement Tahap ini adalah tahap yang terpanjang. Sistem dipasang dan digunakan. Pemeliharaan termasuk pembetulan kesalahan yang tidak ditemukan pada langkah sebelumnya. Perbaikan implemenetasi unit sistem dan peningkatan jasa sistem sebagai kebutuhan baru ditemukan. b. Pengujian Pengujian dilakukan dengan alat uji yang sudah dibuat pada tahap sebelumnya. Metode untuk pengujian sistem ini adalah metode pengujian black box. Pengujian black box berisi pengujian dengan pengisian data secara benar. Hasil yang diperoleh dari alat uji kemudian dibandingkan dengan hasil penghitungan manual untuk memperoleh validasi dari alat pengujian tersebut. 5. Analisis dan Pembuatan Laporan Analisis yang dilakukan adalah analisis hasil dari perangkat lunak yang dibuat berdasarkan penerapan algoritma MixCBLOF. Analisis yang dimaksud adalah melakukan analisis dari pola yang terbentuk, artinya mendapatkan nilai masukan k (jumlah kluster), nilai α dan β untuk mendapatkan hasil outlier yang optimal dan sesuai dengan data dari dinas pendidikan provinsi Yogyakarta. Hasil dari semua pengujian tersebut disusun ke dalam sebuah laporan tugas akhir. 30

50 BAB IV PEMROSESAN AWAL DAN PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA 4.1 PEMROSESAN AWAL Pembersihan Data Pada proses pembersihan data ini adalah membersihkan data berupa noise (gangguan) seperti nilai yang kosong pada tabel data. Data yang ada noise pada beberapa sekolah berupa nilai IIUN yang tidak teridentifikasi atau sudah melakukan UNBK (Ujian Nasional Basis Komputer), sekolah dengan tipe madrasah aliyah, dan beberapa sekolah yang tidak terakreditasi. Maka dari itu, 54 sekolah dari jurusan IPA dan 78 sekolah dari jurusan IPS dihapus dari tabel data Integrasi Data Proses integrasi data merupakan proses untuk melakukan penggabungan data dari berbagai sumber data yang didapatkan. Data yang didapatkan berupa 3 file untuk setiap jurusan (IPA/IPS) berupa data nilai Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi SMA tahun 2014/2015. Pada tahap ini dilakukan penggabungan dari 3 file tersebut menjadi 1 file berupa tabel data untuk setiap jurusan, sehingga didapatkan 2 file yang terdiri dari 1 file jurusan IPA (lihat Tabel 4.1) dan 1 file jurusan IPS (lihat Tabel 4.2). 31

51 Tabel 4. 1 Hasil Integrasi Jurusan IPA Tabel 4. 2 Hasil Integrasi Jurusan IPS Seleksi Data Proses seleksi data merupakan seleksi atribut yang akan digunakan dalam proses penambangan data. Proses ini dilakukan dengan memilih atribut yang relevan untuk digunakan dalam penelitian, dan menghapus atribut yang tidak relevan. Atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPA tahun 2014/2015 adalah atribut STS_SEK, JUMLAH_PESERTA, dan RANK, sehingga atribut yang digunakan 32

52 yaitu KODE_SEKOLAH, NAMA_SEKOLAH, BHS_INDO, BHS_INGGRIS, MTK, FISIKA, KIMIA, BIOLOGI, dan TOTAL. Atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPA tahun 2014/2015 adalah NPSN, STS_SEK, dan JUMLAH_PESERTA, sehingga atribut yang digunakan KODE_SEKOLAH, NAMA_SEKOLAH, RERATA_IPA, dan IIUN_IPA. Pada atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPS tahun 2014/2015 sama dengan atribut yang dihapus dari data nilai Ujian Nasional SMA jurusan IPA tahun 2014/2015, sehingga atribut yang digunakan yaitu KODE_SEKOLAH, NAMA_SEKOLAH, BHS_INDO, BHS_INGGRIS, MTK, EKONOMI, SOSIO, GEO, dan TOTAL. Pada atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPS tahun 2014/2015 sama dengan atribut yang dihapus dari data nilai Indeks Integritas Ujian Nasional SMA jurusan IPA tahun 2014/2015, sehingga atribut yang digunakan yaitu KODE_SEKOLAH, NAMA_SEKOLAH, RERATA_IPS, dan IIUN_IPS. Atribut yang dihapus dari data nilai Akreditasi SMA tahun 2014/2015 adalah NPSN, TIPE_SEKOLAH, STS_SEK, PROVINSI, KABUPATEN, dan NILAI sehingga atribut yang digunakan yaitu NAMA_SEKOLAH dan PERINGKAT. Atribut yang digunakan kemudian digabungkan menjadi 1 file, sehingga atribut yang digunakan untuk SMA jurusan IPA dan IPS dapat dilihat pada tabel 4.3 dan tabel 4.4. Tabel 4. 3 Hasil Seleksi Atribut Jurusan IPA Nama Atribut KODE_SEKOLAH NAMA_SEKOLAH BHS_INDO Keterangan Kode Sekolah Nama Sekolah Nilai rata-rata UN mata pelajaran 33

53 Bahasa Indonesia BHS_INGGRIS MTK FISIKA KIMIA BIOLOGI TOTAL RERATA_IPA IIUN_IPA AKREDITASI Nilai rata-rata UN mata pelajaran Bahasa Inggris Nilai rata-rata UN mata pelajaran Matematika Nilai rata-rata UN mata pelajaran Fisika Nilai rata-rata UN mata pelajaran Kimia Nilai rata-rata UN mata pelajaran Biologi Jumlah nilai UN jurusan IPA Nilai rata-rata UN jurusan IPA Nilai IIUN jurusan IPA Nilai Akreditasi SMA dalam bentuk huruf Tabel 4. 4 Hasil Seleksi Atribut Jurusan IPS Nama Atribut KODE_SEKOLAH NAMA_SEKOLAH BHS_INDO BHS_INGGRIS MTK EKONOMI SOSIOLOGI Kode Sekolah Nama Sekolah Keterangan Nilai rata-rata UN mata pelajaran Bahasa Indonesia Nilai rata-rata UN mata pelajaran Bahasa Inggris Nilai rata-rata UN mata pelajaran Matematika Nilai rata-rata UN mata pelajaran Ekonomi Nilai rata-rata UN mata pelajaran Sosiologi 34

54 GEOGRAFI TOTAL RERATA_IPS IIUN_IPS AKREDITASI Nilai rata-rata UN mata pelajaran Geografi Jumlah nilai UN jurusan IPS Nilai rata-rata UN jurusan IPS Nilai IIUN jurusan IPS Nilai Akreditasi SMA dalam bentuk huruf Transformasi Data Pada transformasi data ini terdapat tahapan pengubahan pada data akreditasi dari karakter menjadi numerik tetapi tidak menghilangkan sifat aslinya sebagai atribut nominal. Atribut akreditasi memiliki data berjenis karakter yaitu A, B, dan C yang diubah menjadi data numerik A=1, B=2, C=3. Proses pengubahan dapat dilakukan secara bebas, namun pada penelitian ini menggunakan ketentuan A=1, B=2, dan C= PERANCANGAN PERANGKAT LUNAK PENAMBANGAN DATA Perancangan Umum Input Sistem Data input dari sistem yang dibangun berasal dari file berekstensi.xls yang dapat dipilih langsung oleh pengguna (user). Sebelum melakukan proses deteksi outlier, pengguna diharuskan mengisi nilai b, alfa, dan beta terlebih dahulu pada textfield yang sudah disediakan. 35

55 Proses Sistem Proses sistem yang akan dibangun terdiri dari beberapa tahapan untuk dapat menemukan aturan yang berfungsi untuk menemukan data yang dianggap sebagai outlier dari suatu sekolah. Proses tersebut yaitu : 1. Menentukan nilai b, alfa, dan beta yang berfungsi dalam menentukan klaster besar (LC) dan klaster kecil (SC) 2. Proses clustering untuk menemukan anggota dan jumlah anggota dari setiap cluster 3. Proses deteksi outlier untuk menemukan data yang unik dengan derajat outlier per objek. Proses umum yang terjadi pada sistem dapat digambarkan dalam diagram flowchart yang digambarkan pada Gambar 4.1. Gambar 4. 1 Diagram Flowchart 36

56 Proses dari Deteksi Outlier dapat digambarkan dalam bentuk diagram flowchart yang digambarkan pada Gambar 4.2 berikut. Gambar 4. 2 Diagram Flowchart Deteksi Outlier Output Sistem Sistem akan memberikan keluaran atau output berupa nama sekolah yang diidentifikasi sebagai outlier beserta nilai derajat outlier per objek yang sesuai dengan nilai b, alfa, dan beta. Selain itu sistem juga akan menampilkan daftar-daftar sekolah yang teridentifikasi sebagai outlier sebanyak nilai threshold yang dimasukkan oleh pengguna Diagram Use Case Diagram use case merupakan sebuah gambaran sistem yang dilihat dari sudut pandang pengguna (user). Sebuah sistem yang akan terbentuk selalu memiliki interaksi antara pengguna dengan sistem yang 37

57 digambarkan melalui diagram use case. Diagram use case dapat dilihat pada Gambar 4.2 berikut. Pilih file input Deteksi menggunakan Algoritma MixCBLOF User Simpan data hasil Gambar 4. 3 Diagram Use Case 38

58 Pengguna dalam sistem yang akan dibangun ini hanya terdapat satu pengguna diinisialisasikan dengan User. Pengguna dalam sistem ini memiliki 3 interaksi terhadap sistem yaitu memilih file data.xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil data. Ketiga interaksi/ aktifitas yang dilakukan pengguna merupakan interaksi saling berkaitan sehingga perlu dilakukan secara berurutan. Diagram use case memiliki narasi dari setiap use case. Narasi tersebut terlampir pada lampiran Diagram Aktivitas Diagram aktivitas merupakan aktivitas dari use case memilih file data.xls, deteksi menggunakan algoritma mixcblof, dan menyimpan hasil deteksi outlier. Diagram aktivitas memiliki tiga diagram. Diagram aktivitas tersebut terlampir pada lampiran Diagram Kelas Analisis Diagram kelas analisis terlampir pada lampiran Diagram Sekuen Pada diagram sekuen ini memiliki tiga diagram sequence yaitu memilih file data bertipe.xls, deteksi menggunakan algoritma MixCBLOF, dan menyimpan hasil deteksi outlier. Diagram sequence terlampir pada lampiran Perancangan Struktur Data Pada penelitian ini menggunakan struktur data berupa ArrayList (lihat Gambar 2.3) dan Matriks (lihat Gambar 2.4). Pada ArrayList, jumlah sekolah sebagai element data. Setiap data sekolah akan berada dalam index yang sama. Sebagai contoh, akan digambarkan pada Gambar 4.3 berikut. 39

59 Gambar 4. 4 Perancangan Arraylist Pada Matriks, terdapat baris dan kolom, baris disesuaikan dengan jumlah data sekolah, dan kolom disesuaikan dengan jumlah atributnya. Pada matriks ini digunakan untuk menampung nilai derajat outlier. Sebagai contoh, akan digambarkan pada Gambar 4.4 berikut. Gambar 4. 5 Perancangan Matriks Ilustrasi pada Gambar 4.4 di atas merupakan contoh ilustrasi matriks dengan ukuran 4x3, artinya memiliki 4 baris sebagai jumlah sekolah dan 3 kolom sebagai atributnya yaitu derajat dari atribut Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi. Ilustrasi tersebut menggambarkan penyimpanan derajat outlier per atribut. 40

60 4.2.7 Diagram Kelas Disain Diagram kelas disain terlampir pada lampiran Algoritma per Method Rincian algoritma per method terlampir pada lampiran Perancangan Antarmuka Sistem deteksi outlier yang akan dibangun memiliki empat antarmuka (interface) yang terdiri dari halaman awal (beranda), halaman proses, halaman bantuan, dan halaman tentang. 41

61 Perancangan Halaman Awal Halaman awal merupakan halaman pertama yang akan dilihat oleh user saat sistem dijalankan. Halaman awal dapat dilihat pada gambar 4.5 berikut ini. Gambar Rancangan Antarmuka Halaman Utama Pada halaman awal ini terdapat beberapa tombol yaitu BERANDA, BANTUAN, TENTANG, dan Masuk Sistem. Tombol BERANDA merupakan tombol untuk menuju ke halaman awal. Tombol BANTUAN merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol TENTANG merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem. Tombol 42

62 Masuk Sistem merupakan tombol untuk menuju ke halaman proses sebagai awal untuk memulai proses deteksi outlier Perancangan Halaman Proses Perancangan antarmuka halaman proses dapat dilihat pada gambar 4.6 berikut. Gambar Rancangan Antarmuka Halaman Proses Halaman ini merupakan halaman untuk memproses data. Pada halaman ini terdapat tiga tombol menu yaitu tombol BERANDA, BANTUAN, dan TENTANG. Tombol BERANDA merupakan tombol untuk menuju ke halaman awal. Tombol BANTUAN merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol TENTANG merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem. 43

63 Preprocessing data dimulai dengan import data dari file berupa Microsoft Excel dengan ekstensi.xls. Tombol Pilih Data merupakan tombol yang digunakan untuk import file data diambil dari direktori komputer user. Setelah memilih file data, maka data tersebut akan tertampil di tabel yang sudah disediakan. Tahap selanjutnya yaitu mengisikan nilai dari variabel b, Alfa, dan Beta untuk melancarkan preprocessing data, karena jika tidak diisi maka akan muncul pemberitahuan error. Setelah mengisikan ketiga variabel tersebut kemudian menekan tombol Proses. Tombol Proses merupakan tombol untuk melakukan preprocessing data. Jika proses sudah selesai maka kalimat Belum Proses akan diubah menjadi kalimat Selesai untuk memberitahukan kepada user bahwa preprocessing sudah selesai. Tahap preprocessing terakhir yaitu melihat hasil deteksi outlier yang sudah selesai dalam hal pemrosesan data. Tombol Lihat Hasil merupakan tombol untuk menuju ke frame hasil deteksi yang berisikan hasil penghitungan berupa derajat outlier semua sekolah. Perancangan antarmuka frame hasil dapat dilihat pada gambar 4.7 berikut. Gambar 4. 8 Rancangan Antarmuka Frame Hasil 44

64 Frame ini merupakan frame untuk menampilkan hasil dari preprocessing data. Frame ini merupakan salah satu bagian dari Halproses. Pada frame ini dibagi menjadi dua bagian yaitu menampilkan hasil derajat outlier semua sekolah, dan menampilkan hasil outlier sesuai dengan nilai Threshold yang diisi. Jika preprocessing selesai maka tabel atas (tabel pertama) akan terisi dengan data sekolah dan hasil derajat outlier per sekolah. Setelah itu user mengisikan variabel Threshold untuk menampilkan beberapa sekolah saja yang mempunyai nilai derajat outlier terkecil, sehingga jumlah sekolah yang terdeteksi sebagai outlier akan ditentukan oleh user. Tombol Submit merupakan tombol untuk menampilkan sekolah berdasar variabel Threshold yang diisi oleh user. Tombol Simpan merupakan tombol untuk melakukan penyimpanan hasil deteksi outlier. User akan dihadapkan pada dua pilihan (lihat gambar 4.8) yaitu menyimpan hasil semua deteksi outlier atau hanya menyimpan hasil deteksi outlier yang sudah dithreshold. Gambar 4. 9 Rancangan Dialog Pilih Penyimpanan Jika user memilih tombol Semua maka akan menyimpan hasil deteksi outlier semua sekolah (tabel pertama), jika user memilih tombol Threshold maka akan menyimpan hasil deteksi outlier beberapa sekolah (tabel kedua). 45

65 Perancangan Halaman Bantuan gambar 4.9. Perancangan antarmuka halaman bantuan dapat dilihat pada Gambar Rancangan Halaman Bantuan Halaman ini merupakan halaman antarmuka bantuan. Halaman ini berisi mengenai panduan penggunaan sistem. Pada halaman ini terdapat tiga tombol yaitu tombol BERANDA, tombol BANTUAN, dan tombol TENTANG. Tombol BERANDA merupakan tombol untuk menuju ke halaman awal. Tombol BANTUAN merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol TENTANG merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem. 46

66 Perancangan Halaman Tentang gambar Perancangan antarmuka halaman tentang dapat dilihat pada Gambar Rancangan Halaman Tentang Halaman ini merupakan halaman antarmuka tentang. Halaman ini berisi mengenai informasi pembuat. Pada halaman ini terdapat tiga tombol yaitu tombol BERANDA, tombol BANTUAN, dan tombol TENTANG. Tombol BERANDA merupakan tombol untuk menuju ke halaman awal. Tombol BANTUAN merupakan tombol untuk menuju ke halaman bantuan yang berisi mengenai panduan menggunakan sistem. Tombol TENTANG merupakan tombol untuk menuju ke halaman tentang yang berisi mengenai informasi pembuat sistem. 47

67 BAB V IMPLEMENTASI PENAMBANGAN DATA DAN EVALUASI HASIL 5.1 Implementasi Rancangan Perangkat Lunak Perangkat Lunak deteksi outlier ini memiliki 8 buah kelas yang terdiri dari tigas kelas model, satu kelas controller, dan empat kelas view Implementasi Kelas Model Implementasi kelas model dapat dilihat pada tabel 5.1 berikut. Tabel 5. 1 Implementasi Kelas Model No. Nama Kelas Nama File Fisik Nama File Excecutable 1. DataSekolah DataSekolah.java DataSekolah.class 2. HasilCluster HasilCluster.java HasilCluster.class 3. OutlierFinal OutlierFinal.java OutlierFinal.class Implementasi Kelas View Implementasi kelas view dapat dilihat pada tabel 5.2 berikut. Tabel 5. 2 Implementasi Kelas View No. Use Case Antarmuka Nama Kelas Boundary 1. Memilih file data.xls 2. Deteksi menggunakan Algoritma MixCBLOF 3. Menyimpan data hasil Hal_Proses.class Hal_Proses.class Hal_Proses.class 48

68 Selanjutnya akan dijelaskan mengenai spesifikasi detail dari setiap antarmuka yang ada pada perangkat lunak deteksi outlier ini. Spesifikasi detail dari kelas Hal_Utama dapat dilihat pada tabel 5.3 berikut. Tabel 5. 3 Spesifikasi detail kelas Hal_Utama.java Id Objek Jenis Teks Keterangan btnberanda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java btnbantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btntentang Button TENTANG Jika di klik maka akan menuju ke halaman Hal_Tentang.java jlabel1 Label SISTEM PENDETEKSI OUTLIER Judul perangkat lunak yang dibangun jlabel2 Label Logo Sadhar.png Gambar logo Universitas Sanata Dharma berwarna btnmasuk Button Masuk Sistem Jika di klik maka akan menuju ke halaman Hal_Proses.java jlabel3 Label I. Kristanto Riyadi Identitas nama pembuat perangkat lunak jlabel4 Label Identitas nomor induk mahasiswa pembuat perangkat lunak jlabel5 Label UNIVERSITAS Identitas universitas SANATA pembuat perangkat lunak DHARMA jlabel6 Label YOGYAKARTA Identitas provinsi universitas jlabel7 Label -COPYRIGHT Identitas hak cipta pembuat perangkat lunak dan tahun pembuatan perangkat lunak 49

69 Implementasi antarmuka dari kelas Hal_Utama (halaman awal) dapat dilihat pada gambar 5.1 berikut. Gambar 5. 1 Implementasi Antarmuka Hal_Utama 5.4 berikut. Spesifikasi detail dari kelas Hal_Proses.java dapat dilihat pada tabel Tabel 5. 4 Spesifikasi detail kelas Hal_Proses.java Id Objek Jenis Teks Keterangan btnberanda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java btnbantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btntentang Button TENTANG Jika di klik maka akan menuju ke halaman 50

70 1. jlabel1 2. jlabel2 Label Label SISTEM DETEKSI OUTLIER MENGGUNAKAN ALGORITMA MIXCBLOF Hal_Tentang.java Judul perangkat lunak yang dibangun txtpilihdata TextField Isi path direktori dari data file yang dimasukkan ke dalam tabeldata btnpilihdata Button Pilih Data Jika di klik akan memunculkan dialog file chooser untuk memilih file data dari direktori komputer tabeldata Table Menampilkan data dari file yang dimasukkan jlabel6 Label Jumlah Data Mendeskripsikan jumlah data dari data yang dimasukkan txtjumlahdata TextField Isi jumlah data dari data yang dimasukkan jlabel20 Label B Mendeskripsikan variabel b sebagai proses deteksi txtb TextField Isi variabel b sebagai proses deteksi jlabel23 Label (* 1-3 Mendeskripsikan keterangan menginputkan variabel b jlabel21 Label Alfa Mendeskripsikan variabel Alfa sebagai proses deteksi txtalfa TextField Isi variabel Alfa sebagai proses deteksi jlabel24 Label % Mendeskripsikan presentasi dari variabel 51

71 Alfa yang diinputkan jlabel22 Label Beta Mendeskripsikan variabel Beta sebagai proses deteksi txtbeta TextField Isi variabel Beta sebagai proses deteksi labelnotif Label... BELUM PROSES... Mendeskripsikan pemberitahuan proses btnproses Button Proses Jika di klik maka akan memulai proses deteksi outlier, jika sudah selesai akan mengubah labelnotif menjadi Selesai btnlihat Button Lihat Hasil Jika di klik maka akan menuju ke framedeteksi Implementasi antarmuka dari kelas Hal_Proses.java dapat dilihat pada gambar 5.2 berikut. Gambar 5. 2 Implementasi Antarmuka kelas Hal_Proses 52

72 Spesifikasi detail dari frame framedeteksi (bagian dari halaman Hal_Proses) dapat dilihat pada tabel 5.5 berikut. Tabel 5. 5 Spesifikasi detail frame framedeteksi Id Objek Jenis Teks Keterangan 1. jlabel8 2. jlabel9 Label Label SISTEM DETEKSI OUTLIER MENGGUNAKAN ALGORITMA MIXCBLOF Judul perangkat lunak yang dibangun jtable2 Table Menampilkan data dengan derajat outlier per sekolah jlabel18 Label Jumlah Data Mendeskripsikan jumlah data dari data yang dimasukkan txtjumlahdata2 TextField Isi jumlah data dari data yang dimasukkan jlabel3 Label Threshold Mendeskripsikan threshold/ mengatur garis batasan keputusan txtthreshold TextField Isi threshold btnsubmit Button Submit Jika di klik maka akan menampilkan jumlah sekolah dengan derajat outlier terendah sebanyak nilai threshold yang diinputkan btnsimpan Button Simpan Jika di klik maka akan menuju ke dialogsimpan untuk menyimpan data hasil deteksi outlier jtable1 Table Menampilkan data hasil deteksi outlier sebanyak nilai threshold diinputkan 53

73 Implementasi antarmuka frame framedeteksi dapat dilihat pada gambar 5.3 berikut. Gambar 5. 3 Implementasi Antarmuka framedeteksi berikut. Spesifikasi detail dari kelas Hal_Bantuan dapat dilihat pada tabel 5.6 Tabel 5. 6 Spesifikasi detail kelas Hal_Bantuan.java Id Objek Jenis Teks Keterangan btnberanda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java btnbantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btntentang Button TENTANG Jika di klik maka akan menuju ke halaman Hal_Tentang.java 1. jlabel1 Label SISTEM DETEKSI OUTLIER MENGGUNAKAN 54 Judul perangkat lunak yang dibangun

74 Label ALGORITMA 2. jlabel2 MIXCBLOF jlabel3 Label PANDUAN PENGGUNAAN SISTEM Mendeskripsikan panduan penggunaan perangkat lunak jtextarea1 TextArea Berisi langkah-langkah penggunaan sistem, dan penjelasan tomboltombol penting yang ada di sistem Implementasi antarmuka kelas Hal_Bantuan dapat dilihat pada gambar 5.4 berikut. Gambar 5. 4 Implementasi Antarmuka Hal_Bantuan berikut. Spesifikasi detail dari kelas Hal_Tentang dapat dilihat pada tabel

75 Tabel 5. 7 Spesifikasi detail kelas Hal_Tentang.java Id Objek Jenis Teks Keterangan btnberanda Button BERANDA Jika di klik maka akan menuju ke halaman Hal_Utama.java btnbantuan Button BANTUAN Jika di klik maka akan menuju ke halaman Hal_Bantuan.java btntentang Button TENTANG Jika di klik maka akan menuju ke halaman Hal_Tentang.java 3. jlabel1 4. jlabel2 Label Label SISTEM DETEKSI OUTLIER MENGGUNAKAN ALGORITMA MIXCBLOF jlabel3 Label INFORMASI SISTEM Judul perangkat lunak yang dibangun Mendeskripsikan informasi pembuat perangkat lunak jtextarea1 TextArea Berisi mengenai informasi tentang pembuat perangkat lunak dan judul tugas akhir yang dikerjakan 56

76 Implementasi antarmuka kelas Hal_Tentang dapat dilihat pada gambar 5.5 berikut Gambar 5. 5 Implementasi Antarmuka Hal_Tentang Implementasi Kelas Control Implementasi kelas controller dapat dilihat pada tabel 5.8 berikut. Tabel 5. 8 Implementasi kelas Controller No. Use Case Nama File Fisik Nama File Excecutable 1. Pilih file input Hal_Utama.java Hal_Utama.class 2. Deteksi OutlierControl.java OutlierControl.class menggunakan Algoritma MixCBLOF 3. Simpan data hasil OutlierControl.java OutlierControl.class 57

77 5.2 Evaluasi Hasil Pengujian Perangkat Lunak (Black Box) Rencana Pengujian Black Box Rencana pengujian dengan menggunakan black box pada perangkat lunak ini akan dijelaskan pada tabel 5.9 berikut. Tabel 5. 9 Rencana pengujian Black Box No. Use Case Butir Uji Kasus Uji 1. Pilih file input Pengujian memilih data dari direktori berupa file bertipe.xls Pengujian memilih data dari direktori berupa file selain bertipe.xls 2. Deteksi Pengujian memasukkan nilai menggunakan yang sesuai sehingga proses Algoritma deteksi dapat berjalan MixCBLOF Pengujian terjadi kesalahan dalam memasukkan nilai 3. Simpan data hasil Pengujian menyimpan hasil deteksi ke dalam file bertipe.xls UC1-01 UC1-02 UC2-01 UC2-02 UC Prosedur Pengujian Black Box dan Kasus Uji Setelah menyusun rencana pengujian black box dan kasus uji kemudian melakukan pengujian yang terlampir pada lampiran Evaluasi Pengujian Black Box Seluruh hasil pengujian black box pada lampiran 7 sudah menunjukkan bahwa hasil semua pengujian sudah sesuai dengan perancangan sehingga perangkat lunak dapat berjalan dengan baik. Perangkat lunak ini juga mampu memberikan pemberitahuan jika terjadi kesalahan atau error, baik dari pengguna maupun sistemnya, sehingga memudahkan pengguna/ user menggunakan perangkat lunak ini. 58

78 5.2.2 Pengujian Perbandingan Hasil Pencarian Outlier Secara Manual dengan Hasil Pencarian Outlier menggunakan Perangkat Lunak Pencarian Outlier Secara Manual Pengujian penghitungan manual menggunakan lima belas data sampel nilai Ujian Nasional (UN), Indeks Integritas Ujian Nasional (IIUN), dan Akreditasi SMA jurusan IPA Daerah Istimewa Yogyakarta tahun ajaran 2014/2015. Proses penghitungan manual dilakukan menggunakan aplikasi Microsoft Excel Dalam melakukan proses deteksi outlier secara manual menggunakan nilai variabel b sebesar 2, Alfa sebesar 70%, dan Beta sebesar 3. Proses penghitungan manual terlampir pada lampiran Pencarian Outlier menggunakan Perangkat Lunak Pengujian penghitungan perangkat lunak menggunakan data yang sama dengan data yang digunakan untuk melakukan penghitungan manual yaitu lima belas data sampel nilai Ujian Nasional (UN), nilai Indeks Integritas Ujian Nasional (IIUN), dan nilai Akreditasi SMA jurusan IPA Daerah Istimewa Yogyakarta tahun ajaran 2014/2015. Pencarian derajat outlier pada perangkat lunak menggunakan nilai b sebesar 2, Alfa sebesar 70%, dan Beta sebesar 3. Hasil penghitungan perangkat lunak dapat dilihat pada gambar 5.6 dan 5.7 berikut. 59

79 Gambar 5. 6 Hasil Penambangan Data menggunakan Perangkat Lunak Gambar 5. 7 Hasil Penambangan Data menggunakan Perangkat Lunak 60

80 Evaluasi Pengujian Perbandingan Hitung Manual dengan Hasil Perangkat Lunak Hasil pencarian derajat outlier menggunakan penghitungan manual dan penghitungan perangkat lunak memiliki hasil yang sama, maka dapat disimpulkan bahwa perangkat lunak dapat berjalan dengan baik dan sesuai dengan yang diharapkan. 61

81 BAB VI ANALISIS HASIL DAN PEMBAHASAN 6.1. Dataset Pada penelitian ini memerlukan dataset yang digunakan untuk mengidentifikasi outlier. Dataset yang digunakan yaitu sebagai berikut. 1. Data nilai hasil Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun ajaran 2014/ Data nilai hasil Ujian Nasional, nilai Indeks Integritas Ujian Nasional, dan nilai Akreditasi SMA jurusan IPS di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015. Proses deteksi outlier yang dilakukan dengan menggunakan variasi pada nilai b, Alfa, Beta, dan Threshold Hasil Identifikasi Outlier Hasil Identifikasi Outlier Dataset Jurusan IPA Hasil identifikasi outlier pada jurusan IPA dilakukan dengan berbagai variasi mengenai nilai b, Alfa, Beta, dan Threshold. Hasil identifikasi outlier dengan nilai Threshold sebesar 7. Nilai variabel b, Alfa, dan Beta digunakan sebagai pembagian klaster besar dan kecil menggunakan persamaan rumus 2.1 dan rumus Nilai b = 1, Alfa = 20%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPA menggunakan nilai b sebesar 1, Alfa sebesar 20%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.1 berikut. 62

82 Tabel 6. 1 Hasil pengujian pertama jurusan IPA b Alfa Beta Hasil Deteksi 1 20% % % 3 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN Pada hasil pengujian tabel 6.1 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut, pada semua atribut memenuhi syarat rumus Nilai b = 1, Alfa = 30%, dan Beta bervariari Percobaan kedua pada dataset jurusan IPA menggunakan nilai b sebesar 1, Alfa sebesar 30%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.2 berikut. 63

83 Tabel 6. 2 Hasil pengujian kedua jurusan IPA b Alfa Beta Hasil Deteksi 1 30% % % 3 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN Pada hasil pengujian tabel 6.2 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 1, Alfa = 40%, dan Beta bervariasi Percobaan ketiga pada dataset jurusan IPA menggunakan nilai b sebesar 1, Alfa sebesar 40%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.3 berikut. 64

84 Tabel 6. 3 Hasil pengujian ketiga jurusan IPA b Alfa Beta Hasil Deteksi 1 40% 1 1. SMA MUHAMMADIYAH KALASAN 2. SMA 17 YOGYAKARTA 3. SMA MUHAMMADIYAH PAKEM 4. SMA GAJAH MADA YOGYAKARTA 5. SMA MUHAMMADIYAH 1 SLEMAN 6. SMA MUHAMMADIYAH MLATI 7. SMA MUHAMMADIYAH PIYUNGAN 1 40% % 3 - Pada hasil pengujian tabel 6.3 di atas, variasi Beta berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Beta pada atribut UN dan IIUN. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada atribut UN dan IIUN memenuhi syarat pada rumus 2.2, sedangkan atribut Akreditasi memenuhi syarat rumus Nilai b = 2, Alfa = 20%, dan Beta bervariasi Percobaan keempat pada dataset jurusan IPA menggunakan nilai b sebesar 2, Alfa sebesar 20%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.4 berikut. Tabel 6. 4 Hasil pengujian keempat jurusan IPA b Alfa Beta Hasil Deteksi 2 20% 1 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 65

85 2 20% % 3 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI Pada hasil pengujian tabel 6.4 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 50%, dan Beta bervariasi Percobaan kelima pada dataset jurusan IPA menggunakan nilai b sebesar 2, Alfa sebesar 50%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.5 berikut. Tabel 6. 5 Hasil pengujian kelima jurusan IPA b Alfa Beta Hasil Deteksi 2 50% 1 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 66

86 2 50% % 3 7. SMA MUHAMMADIYAH MLATI 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI Pada hasil pengujian tabel 6.5 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 70%, dan Beta bervariasi Percobaan keenam pada dataset jurusan IPA menggunakan nilai b sebesar 2, Alfa sebesar 70%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.6 berikut. Tabel 6. 6 Hasil pengujian keenam jurusan IPA b Alfa Beta Hasil Deteksi 2 70% 1 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 67

87 2 70% % 3 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI Pada hasil pengujian tabel 6.6 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 80%, dan Beta bervariasi Percobaan ketujuh pada dataset jurusan IPA menggunakan nilai b sebesar 2, Alfa sebesar 80%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.7 berikut. Tabel 6. 7 Hasil pengujian ketujuh jurusan IPA b Alfa Beta Hasil Deteksi 2 80% 1 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA GAJAH MADA YOGYAKARTA 7. SMA MUHAMMADIYAH MLATI 2 80% 2-68

88 2 80% 3 - Pada hasil pengujian tabel 6.7 di atas, variasi Beta berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Beta pada atribut UN. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada atribut UN memenuhi syarat pada rumus 2.2, sedangkan atribut IIUN dan Akreditasi memenuhi syarat rumus Nilai b = 3, Alfa = 50%, dan Beta bervariasi Percobaan kedelapan pada dataset jurusan IPA menggunakan nilai b sebesar 3, Alfa sebesar 50%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.8 berikut. Tabel 6. 8 Hasil pengujian kedelapan jurusan IPA b Alfa Beta Hasil Deteksi 3 50% % % 3 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 69

89 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA Pada hasil pengujian tabel 6.8 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 3, Alfa = 80%, dan Beta bervariasi Percobaan kesembilan pada dataset jurusan IPA menggunakan nilai b sebesar 3, Alfa sebesar 80%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.9 berikut. Tabel 6. 9 Hasil pengujian kesembilan jurusan IPA b Alfa Beta Hasil Deteksi 3 80% % % 3 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 70

90 7. SMA GAJAH MADA YOGYAKARTA Pada hasil pengujian tabel 6.9 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 3, Alfa = 100%, dan Beta bervariasi Percobaan kesepuluh pada dataset jurusan IPA menggunakan nilai b sebesar 3, Alfa sebesar 100%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.10 berikut. Tabel Hasil pengujian kesepuluh jurusan IPA b Alfa Beta Hasil Deteksi 3 100% % % 3 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA GAJAH MADA YOGYAKARTA 1. SMA 17 YOGYAKARTA 2. SMA MUHAMMADIYAH KALASAN 3. SMA MUHAMMADIYAH PAKEM 4. SMA MUHAMMADIYAH 1 SLEMAN 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 71

91 7. SMA GAJAH MADA YOGYAKARTA Pada hasil pengujian tabel 6.10 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Hasil Identifikasi Outlier Dataset Jurusan IPS Hasil identifikasi outlier pada jurusan IPS dilakukan dengan berbagai variasi mengenai nilai b, Alfa, Beta, dan Threshold. Hasil identifikasi outlier dengan nilai Threshold sebesar Nilai b = 1, Alfa = 30%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 1, Alfa sebesar 30%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.11 berikut. Tabel Hasil pengujian pertama jurusan IPS b Alfa Beta Hasil Deteksi 1 30% % 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 72

92 1 30% 3 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.11 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 1, Alfa = 50%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 1, Alfa sebesar 50%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.12 berikut. Tabel Hasil pengujian kedua jurusan IPS b Alfa Beta Hasil Deteksi 1 50% % 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 73

93 1 50% 3 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.12 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 1, Alfa = 60%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 1, Alfa sebesar 60%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.13 berikut. Tabel Hasil pengujian ketiga jurusan IPS b Alfa Beta Hasil Deteksi 1 60% 1 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1 60% 2-74

94 1 60% 3 - Pada hasil pengujian tabel 6.13 di atas, variasi Beta berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Beta pada atribut UN. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada atribut UN memenuhi syarat pada rumus 2.2, sedangkan atribut IIUN dan Akreditasi memenuhi syarat rumus Nilai b = 2, Alfa = 40%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 2, Alfa sebesar 40%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.14 berikut. Tabel Hasil pengujian keempat jurusan IPS b Alfa Beta Hasil Deteksi 2 40% 1 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 2 40% 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 2 40% 3 1. SMA MA ARIF YOGYAKARTA 75

95 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.14 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 60%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 2, Alfa sebesar 60%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.15 berikut. Tabel Hasil pengujian kelima jurusan IPS b Alfa Beta Hasil Deteksi 2 60% % 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 76

96 2 60% 3 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.15 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 80%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 2, Alfa sebesar 80%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.16 berikut. Tabel Hasil pengujian keenam jurusan IPS b Alfa Beta Hasil Deteksi 2 80% % 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 77

97 2 80% 3 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.16 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 2, Alfa = 90%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 2, Alfa sebesar 90%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.17 berikut. Tabel Hasil pengujian ketujuh jurusan IPS b Alfa Beta Hasil Deteksi 2 90% 1 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 78

98 7. SMA SANJAYA XIV NANGGULAN 2 90% 2 90% Pada hasil pengujian tabel 6.17 di atas, variasi Beta berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Beta pada atribut UN. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada atribut UN memenuhi syarat pada rumus 2.2, sedangkan atribut IIUN dan Akreditasi memenuhi syarat rumus Nilai b = 3, Alfa = 50%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 3, Alfa sebesar 50%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.18 berikut. Tabel Hasil pengujian kedelapan jurusan IPS b Alfa Beta Hasil Deteksi 3 50% % 2 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 79

99 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 3 50% 3 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.18 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 3, Alfa = 80%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 3, Alfa sebesar 80%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.19 berikut. Tabel Hasil pengujian kesembilan jurusan IPS b Alfa Beta Hasil Deteksi 3 80% 1 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 3 80% 2 1. SMA MA ARIF YOGYAKARTA 80

100 3 80% 3 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.19 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Nilai b = 3, Alfa = 100%, dan Beta bervariasi Percobaan pertama pada dataset jurusan IPS menggunakan nilai b sebesar 3, Alfa sebesar 100%, dan nilai Beta divariasi dengan beberapa nilai. Hasil percobaan dapat dilihat pada tabel 6.20 berikut. Tabel Hasil pengujian kesepuluh jurusan IPS b Alfa Beta Hasil Deteksi 3 100% 1 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 81

101 3 100% % 3 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN 1. SMA MA ARIF YOGYAKARTA 2. SMA MA ARIF WATES 3. SMA IKIP VETERAN 4. SMA SANTO THOMAS YOGYAKARTA 5. SMA MUHAMMADIYAH PIYUNGAN 6. SMA MUHAMMADIYAH MLATI 7. SMA SANJAYA XIV NANGGULAN Pada hasil pengujian tabel 6.20 di atas, variasi Beta tidak berpengaruh dalam hasil deteksi outlier karena pada penentuan nilai b menggunakan nilai Alfa pada semua atribut. Alfa dan Beta merupakan variabel yang digunakan untuk melakukan penentuan nilai b dapat digunakan atau tidak jika memenuhi syarat rumus 2.1 atau rumus 2.2. Hasil pengujian tersebut pada semua atribut memenuhi syarat rumus Analisis Hasil Identifikasi Outlier Analisis Hasil Identifikasi Outlier Dataset Jurusan IPA Dari sepuluh percobaan pada dataset jurusan IPA di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015 yang memiliki 115 sekolah, dapat diketahui bahwa dengan menggunakan contoh threshold tujuh didapatkan hasil tujuh sekolah yang sama dari percobaan-percobaan yang sudah dilakukan dengan perbedaan nilai b, Alfa, dan Beta. Tujuh sekolah tersebut yaitu sebagai berikut. 82

102 Tabel Hasil Identifikasi Outlier jurusan IPA Nama Sekolah Nilai UN Nilai IIUN Akreditasi SMA 17 YOGYAKARTA B SMA KALASAN MUHAMMADIYAH B SMA MUHAMMADIYAH PAKEM B SMA MUHAMMADIYAH 1 SLEMAN B SMA PIYUNGAN MUHAMMADIYAH B SMA MUHAMMADIYAH MLATI B SMA GAJAH MADA YOGYAKARTA B Pada ketujuh sekolah tersebut teridentifikasi sebagai outlier karena dipengaruhi oleh nilai Akreditasi yang bernilai B. Beberapa sekolah juga yang teridentifikasi sebagai outlier karena memiliki nilai UN dan IIUN dibawah rata-rata. SMA Muhammadiyah 1 Sleman memiliki nilai IIUN diatas rata-rata namun memiliki nilai UN dibawah rata-rata dan memiliki nilai akreditasi B, sehingga dapat dikategorikan sebagai outlier. Sama halnya dengan SMA Gajah Mada Yogyakarta yang memiliki nilai UN diatas rata-rata namun memiliki nilai IIUN dibawah rata-rata dan nilai akreditasi bernilai B, sehingga dikategorikan sebagai outlier. 83

103 Analisis Hasil Identifikasi Outlier Dataset Jurusan IPS Dari sepuluh percobaan pada dataset jurusan IPS di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015 yang memiliki 120 sekolah, dapat diketahui bahwa dengan menggunakan threshold tujuh didapatkan hasil tujuh sekolah yang sama dari percobaan-percobaan yang sudah dilakukan dengan perbedaan nilai b, Alfa, dan Beta. Tujuh sekolah tersebut yaitu sebagai berikut. Tabel Hasil Identifikasi Outlier jurusan IPS Nama Sekolah Nilai UN Nilai IIUN Akreditasi SMA MA ARIF YOGYAKARTA B SMA MA ARIF WATES B SMA IKIP VETERAN B SMA SANTO THOMAS B YOGYAKARTA SMA MUHAMMADIYAH PIYUNGAN B SMA MUHAMMADIYAH MLATI B SMA SANJAYA XIV NANGGULAN B Pada ketujuh sekolah tersebut teridentifikasi sebagai outlier karena dipengaruhi oleh nilai Akreditasi yang bernilai B. Beberapa sekolah juga yang teridentifikasi sebagai outlier karena memiliki nilai UN dan IIUN dibawah rata-rata. SMA Ma arif Yogyakarta, SMA Santo Thomas Yogyakarta, SMA Muhammadiyah Yogyakarta, dan SMA Sanjaya XIV Nanggulan memiliki nilai IIUN diatas rata-rata namun tergolong ke dalam kategori outlier karena dipengaruhi nilai Akreditasi yang bernilai B. Nilai UN pada ketujuh sekolah tersebut berada dibawah rata-rata. 84

104 6.4. Kelebihan dan Kekurangan Perangkat Lunak Kelebihan Perangkat Lunak Kelebihan perangkat lunak pendeteksi outlier menggunakan algoritma MixCBLOF ini adalah : 1. Sistem dapat menerima masukan file bertipe.xls. 2. Sistem dapat menerima masukan dengan jumlah kolom yang dinamis. 3. Sistem menyediakan isian nilai b, Alfa, dan Beta yang digunakan sebagai pembagian klaster besar dan klaster kecil. 4. Sistem menyediakan isian nilai Threshold untuk menampilkan jumlah sekolah yang diinginkan. 5. Sistem dapat menampilkan hasil derajat outlier yang mudah dipahami oleh user. 6. Sistem dapat menyimpan hasil deteksi outlier berupa file bertipe.xls Kekurangan Perangkat Lunak Kekurangan perangkat lunak pendeteksi outlier menggunakan algoritma MixCBLOF ini adalah : 1. Data masukan yang dapat diterima masih terbatas yaitu hanya berupa file bertipe.xls. 2. Sistem tidak dapat melakukan otomatisasi penyeleksian atribut, sehingga seleksi atribut dan filter data dilakukan secara manual. 3. Sistem tidak dapat melakukan pengubahan jumlah klaster pada proses clustering. 4. Sistem hanya dapat menyimpan hasil deteksi outlier berupa file bertipe.xls. 85

105 BAB VII PENUTUP 7.1. KESIMPULAN Hasil penelitian penerapan algoritma MixCBLOF untuk melakukan deteksi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA di Daerah Istimewa Yogyakarta tahun 2014/2015 ini menghasilkan kesimpulan sebagai berikut : 1. Algoritma MixCBLOF dapat diterapkan untuk deteksi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA di Daerah Istimewa Yogyakarta. 2. Nilai b, Alfa, dan Beta yang digunakan memiliki pengaruh terhadap hasil derajat outlier yang dihasilkan. Jika menggunakan nilai b kurang dari jumlah klaster, semakin banyak jumlah data yang digunakan maka semakin tinggi juga nilai maksimal untuk nilai Alfa yang diinginkan. Sedangkan jika menggunakan nilai b sesuai dengan jumlah klaster maka dapat menggunakan nilai maksimal Alfa sebesar 100%. 3. Nilai efektif untuk b disesuaikan dengan jumlah klasternya, sedangkan nilai Alfa menggunakan nilai maksimal yang dapat digunakan. Penetapan nilai efektif untuk b disesuaikan dengan jumlah klasternya karena bergantung pada jumlah data yang digunakan, sehingga dalam mengatasi pada jumlah data yang berubah-ubah maka akan efektif jika menggunakan nilai b yang disesuaikan dengan jumlah klasternya. Nilai maksimal Alfa akan bergantung pada nilai b yang diisikan. 4. Pengujian dataset hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA jurusan IPA di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015 menghasilkan aturan dalam pengisian nilai b, Alfa, dan Beta sebagai berikut. 86

106 a. Pada pengisian nilai b = 1 maka nilai maksimal Alfa yang dapat digunakan sebesar 30%, sedangkan jika nilai Alfa melebihi nilai maksimal maka menggunakan nilai Beta = 1. b. Pada pengisian nilai b = 2 maka nilai maksimal Alfa yang dapat digunakan sebesar 70%, sedangkan jika nilai Alfa melebihi nilai maksimal maka menggunakan nilai Beta = 1. c. Pada pengisian nilai b = 3 maka nilai maksimal Alfa yang dapat digunakan sebesar 100%, sedangkan nilai Beta tidak digunakan. 5. Pengujian dataset hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA jurusan IPS di Daerah Istimewa Yogyakarta tahun ajaran 2014/2015 menghasilkan aturan dalam pengisian nilai b, Alfa, dan Beta sebagai berikut. a. Pada pengisian nilai b = 1 maka nilai maksimal Alfa yang dapat digunakan sebesar 50%, sedangkan jika nilai Alfa melebihi nilai maksimal maka menggunakan nilai Beta = 1. b. Pada pengisian nilai b = 2 maka nilai maksimal Alfa yang dapat digunakan sebesar 80%, sedangkan jika nilai Alfa melebihi nilai maksimal maka menggunakan nilai Beta = 1. c. Pada pengisian nilai b = 3 maka nilai maksimal Alfa yang dapat digunakan sebesar 100%, sedangkan nilai Beta tidak digunakan. 6. Hasil deteksi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA di Daerah Istimewa Yogyakarta dapat dilihat dari derajat outlier per sekolah, semakin rendah derajat outlier yang dimiliki maka semakin tinggi perbedaan dengan data yang lainnya. Karakteristik sekolah-sekolah yang teridentifikasi sebagai outlier adalah sekolah yang memiliki nilai UN, dan nilai IIUN dibawah ratarata dan memiliki nilai Akreditasi bernilai B. Sekolah yang mempunyai nilai UN dan nilai IIUN tinggi juga teridentifikasi 87

107 sebagai outlier, selain itu juga sekolah yang mempunyai nilai UN tinggi namun nilai IIUN rendah juga teridentifikasi sebagai outlier SARAN Penelitian penerapan algoritma MixCBLOF untuk identifikasi outlier pada data hasil Ujian Nasional, Indeks Integritas Ujian Nasional, dan Akreditasi SMA di Daerah Istimewa Yogyakarta ini memberikan saran untuk pengembangan selanjutnya, yaitu : 1. Perangkat lunak bagian tipe ekstensi file : a. Perangkat lunak dapat menerima masukan data dari file selain bertipe.xls. b. Perangkat lunak dapat menyimpan hasil deteksi outlier ke dalam file selain bertipe.xls. c. Perangkat lunak dapat menerima file bertipe.xls dengan isian data yang berbeda. 2. Pada bagian preprocessing data : a. Perangkat lunak dapat melakukan seleksi atribut sehingga dapat melakukan penggabungan data di dalam perangkat lunak. b. Perangkat lunak dapat melakukan seleksi baris yang akan digunakan. 3. Perangkat lunak dapat menampilkan hasil deteksi outlier ke dalam bentuk yang lebih menarik. Misalnya, perangkat lunak diberikan grafik dengan warna khas dari hasil derajat outlier akhir, sehingga dapat dilihat dengan jelas kelompok yang menyimpang dari data lainnya. 4. Penelitian menggunakan dataset yang berbeda. Misalnya dataset di provinsi berbeda. 5. Penelitian menggunakan metode clustering yang berbeda. 88

108 6. Penelitian selanjutnya dapat melakukan pendeteksian outlier secara terpisah setiap akreditasi yang ada. Misalnya pendeteksian outlier secara terpisah pada SMA yang berkakreditasi A dengan SMA yang berakreditasi lain, begitu pun hal yang sama dilakukan pada SMA yang berakreditasi B dan C. 7. Pengembangan penelitian untuk memilah arti outlier yang bagus dan jelek. 8. Pengembangan lebih lanjut mengenai penelitian algoritma MixCBLOF. 89

109 DAFTAR PUSTAKA Han, J., Kamber, M., Pei, J Data Mining Concepts and Techniques Third Edition. Elsevier : USA. He, Z., Xu, X., Deng, S Discovering Cluster-based Local Outliers. Elsevier : China. Kriegel, H., Kröger, P., Zimek, A Outlier Detection Techniques. Ludwig- Maximilians-Universität München Munich : Germany. Kristanto, Andri Rekayasa Perangkat Lunak (Konsep Dasar). Gava Media : Yogyakarta. Maryono, Dwi & Arif Djunaidy Deteksi Outlier Berbasis Klaster pada Set Data dengan Atribut Campuran Numerik dan Kategorikal. Institut Teknologi Sepuluh : Surabaya. Octaviani, Maria Renia Deteksi Outlier untuk Nilai Ujian Sekolah Menengah Atas (SMA) Menggunakan Algoritma Influenced Outlierness (INFLO). Perpustakaan Universitas Sanata Dharma : Yogyakarta. Tan, Pan Ning, Michael Steinbach dan Vipin Kumar Introduction to Data Mining. Pearson Education, Inc : Boston San Fransisco New York. 90

110 LAMPIRAN 1 : NARASI USE CASE 1. Narasi Use Case Pilih file input Pilih file input Nama Use Case Pilih file input ID Use Case 1 Aktor Deskripsi Kondisi Awal Kondisi Akhir User Use case ini merupakan proses memilih file data dari direktori komputer berupa Microsoft Excel dengan ekstensi.xls ke dalam sistem. User sudah masuk ke dalam sistem dan berada pada halaman proses. Data dari file.xls ditampilkan dalam tabel data pada halaman proses. Aksi Aktor Reaksi Sistem Typical Course 1. Menekan tombol Pilih Data untuk memasukkan file berkstensi.xls. 3. Memilih file yang akan diproses. 4. Menekan tombol Open 2. Menampilkan dialog untuk memilih file yang berada di direktori komputer. 5. Menampilkan data dari file yang sudah dipilih ke dalam tabel data yang terdapat pada halaman proses. Alternative Course

111 2. Narasi Use Case Deteksi Menggunakan Algoritma MixCBLOF Deteksi Menggunakan Algoritma MixCBLOF Nama Use Case Deteksi menggunakan algoritma MixCBLOF ID Use Case 2 Aktor Deskripsi Kondisi Awal Kondisi Akhir User Use case ini merupakan proses deteksi outlier dari data yang sudah terpilih. Sistem sudah berada pada halaman proses. User dapat melihat hasil deteksi outlier Aksi Aktor Reaksi Sistem 1. Memasukkan nilai b Typical Course 2. Memasukkan nilai alfa 3. Memasukkan nilai beta 4. Menekan tombol Proses 6. Menekan tombol Lihat Hasil Alternate Course 1. Memasukkan nilai threshold 2. Menekan tombol Submit 5. Mengubah label dari Belum Proses... menjadi Selesai 7. Menampilkan derajat outlier per sekolah. 3. Menampilkan hasil deteksi outlier sebanyak nilai threshold yang diisi. 92

112 3. Narasi Use Case Simpan data hasil Simpan data hasil Nama Use Case Simpan data hasil ID Use Case 3 Aktor Deskripsi Kondisi Awal Kondisi Akhir User Use case ini merupakan proses penyimpanan hasil deteksi outlier ke direktori komputer dalam bentuk file dengan tipe ekstensi.xls. Hasil deteksi outlier sudah tampil dalam bentuk tabel di halaman framedeteksi. Hasil deteksi outlier sudah tersimpan dalam salah satu direktori di komputer. Typical Course Aksi Aktor 1. Menekan tombol Simpan 3. Menekan tombol Semua 5. Memilih direktori penyimpanan hasil semua deteksi outlier 6. Mengisikan nama file yang akan disimpan 7. Menekan tombol OK 93 Reaksi Sistem 2. Menampilkan kotak dialogsimpan untuk pemilihan penyimpanan hasil semua deteksi atau hasil threshold deteksi 4. Menampilkan kotak dialog pemilihan direktori penyimpanan 8. Menyimpan hasil deteksi ke dalam file

113 Alternative Course 1. Menekan tombol Simpan 3. Menekan tombol Threshold 5. Memilih direktori penyimpanan hasil threshold deteksi outlier 6. Mengisikan nama file yang akan disimpan 7. Menekan tombol OK dalam direktori yang telah dipilih. 2. Menampilkan kotak dialogsimpan untuk pemilihan penyimpanan hasil semua deteksi atau hasil threshold deteksi 4. Menampilkan kotak dialog pemilihan direktori penyimpanan 8. Menyimpan hasil deteksi ke dalam file dalam direktori yang telah dipilih. 94

114 LAMPIRAN 2 : DIAGRAM AKTIVITAS 1. Diagram Aktivitas Pilih file input User Sistem Menekan tombol "Pilih Data" Menampilkan kotak dialog file chooser Memilih file data betipe.xls Menekan tombol "Open" Menampilkan data ke tabel data di halaman proses 95

115 2. Diagram aktivitas Deteksi menggunakan Algoritma MixCBLOF User Sistem Memasukkan nilai b Memasukkan nilai alfa Memasukkan niali beta Menekan tombol "Proses" Mengubah label menjadi "Selesai" Menekan tombol "Lihat Hasil" Menampilkan hasil derajat outlier semua sekolah Memasukkan nilai threshold Ya Menekan tombol "Submit" Menampilkan hasil deteksi outlier sebanyak nilai threshold Tidak 96

116 3. Diagram aktivitas Simpan data hasil User Sistem Menekan tombol "Simpan" Menampilkan kotak dialog untuk pilihan data yang akan disimpan Tidak Ya Menekan tombol "Semua" Menekan tombol "Threshold" Menampilkan kotak dialog pemilihan penyimpanan Memilih direktori Mengisi nama file Menekan tombol "OK" Menyimpan hasil deteksi ke dalam direktori yang telah dipilih 97

117 LAMPIRAN 3 : DIAGRAM KELAS ANALISIS 98