BAB IV ANALISIS DAN PERANCANGAN SISTEM

BAB IV ANALISIS DAN PERANCANGAN SISTEM 4.1 Analisis Sistem Analisis sistem merupakan suatu proses yang berisikan sistem yang utuh yang dapat mengurai sistem tersebut ke dalam komponen-komponen untuk memberikan pemahaman mengenai identifikasi, evaluasi permasalahan, kesempatan dan hambatan yang terjadi pada kebutuhan-kebutuhan di atas yang dapat memberikan dampak atau manfaat yang positif. 4.1.1 Analisis Sistem yang Sedang Berjalan A. Deskripsi Masalah Pada tahap deskripsi masalah dijelaskan analisa dan penelitian yang telah dilakukan di Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sunan Gunung Djati Bandung. Kemunculan mahasiswa yang telah melakukan transaksi berupa pengambilan mata kuliah ataupun mata kuliah pilihan selama tiga tahun (angkatan 2008-2010) mencapai angka 57.858 transaksi pengambilan mata kuliah (semester ganjil), angka ini merupakan angka yang cukup besar bagaimana kita melihat dari tiga angkatan tersebut dapat dirasakan mahasiswa begitu giat dan aktif dalam melakukan transaksi pengambilan mata kuliah secara berkala. Berdirinya Jurusan Teknik Informatika pada tahun 2.000 dirasakan angka di atas tersebut tidaklah kecil, karena mahasiswa pada Jurusan Teknik Informatika setiap angkatannya dari awal mulai berdiri sangatlah banyak, karena merupakan Jurusan favorit di kalangannya. Namun selama ini data transaksi pengambilan mata kuliah pada KRS tersebut 65

66 hanya digunakan sebagai laporan administrasi akademik saja yang diberikan kepada pihak atasan tanpa adanya suatu proses yang signifikan untuk mendapatkan manfaat apabila data akademik tersebut dapat dikelola dengan sebaik mungkin. B. Pemecahan Masalah Pada pemecahan masalah akan dijelaskan beberapa tahapan dalam pembangunan aplikasi data mining yang dapat memberikan pemecahan masalah berupa solusi untuk menggali data yang tersembunyi berupa informasi dalam data akademik untuk menghasilkan data yang lebih bermanfaat. Informasi yang akan dicari yaitu berupa kebiasaan mahasiswa dalam pengambilan mata kuliah ataupun mata kuliah pilihan yang diambil bersamaan dengan mata kuliah pilihan yang lain agar menghasilkan pola pengambilan mata kuliah pilihan yang diminati oleh mahasiswa tersebut. Informasi ini sangatlah bermanfaat mengingat pada Jurusan Teknik Informatika mahasiswanya sangatlah banyak, yaitu untuk memberikan penataan akademik yang lebih baik lagi agar mendapatkan kebijakan dari atasan yang menyajikan mata kuliah pilihan sesuai dengan minat mahasiswa yang akan mengambil mata kuliah pilihan tersebut, misalnya mahasiswa biasanya mengambil mata kuliah pilihan E-Commerce dengan Sistem Informasi Geografis, maka dalam posisi E-Commerce dan Sistem Informasi Geografis akan sesuai untuk kebijikan disajikannya mata kuliah pilihan tersebut pada KRS.

67 4.1.2 Analisis Kebutuhan Hardware dan Software Pada tahap pembangunan aplikasi dibutuhkan Hardware yang sesuai untuk mendukung kinerja aplikasi tersebut memiliki spesifikasi sebagai berikut: a. Processor @ 2.40GHz. b. RAM DDR3 2GB. c. VGA @1024MB. d. Hardisk @640GB. Software yang dibutuhkan, yaitu sebagai berikut: a. Microsoft Windows 7. b. Microsoft Visual Basic.NET 2010 Ultimate. c. DotNetBar 10. d. SQL Manager 2007 for MySQL. e. SQL Yog Ultimate 9.2.0.2. f. Microsoft Visio 2010. g. Star UML 5.0. h. XAMPP 1.7.7. Untuk menjalankan aplikasi dibutuhkan spesifikasi hardware yang digunakan, yaitu sebagai berikut: a. Processor @ 2.40GHz. b. RAM DDR2 1GB. c. VGA @128MB. d. Hardisk @160GB.

68 4.1.3 Analisis Proses Pencarian Pola Dalam proses data mining terdapat ekstrasi pola yang menarik dari data yang berjumlah besar, proses pencarian pola merupakan suatu proses yang menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, serta bermanfaat. Pertama-tama dimulai dari proses pengumpulan data, preprocessing (data cleaning, data selection, data transformation), data mining dan data pattern evaluation. Penyajian pola harus lah mudah dipahami, berlaku untuk data yang akan diekstrasi atau diprediksi menjadi data yang berguna dan baru dengan derajat kepastian tertentu. Flowchart proses pencarian pola dapat dilihat pada Gambar 4.1. START PENGUMPULAN DATA DATA PREPROCESSING DATA CLEANING DATA SELECTION DATA TRANSFORMATION DATA MINING PATTERN EVALUATION FINISH Gambar 4.1 Flowchart proses pencarian pola.

69 Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap. Tahap-tahap tersebut bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan. Pada tahap penggunaan algoritma Frequent Pattern Growth digunakan untuk mencari pola-pola yang tersembunyi dalam suatu data. Flowchart cara kerja algoritma Frequent Pattern Growth dapat dilihat pada Gambar 4.2. Start Data Akademik Hitung frequensi kemunculan tiap item disetiap pola dan tentukan prioritas item sesuai dengan jumlah frequensi Hapus item-item yang nilai frequensinya < minimum support Urutukan item pada tiap transaksi sesuai dengan prioritas masing-masing item Bentuk frequent tree dari data transaksi yang telah diurutkan Cari pola yang sering muncul dari frequensi tree mulai dari node paling bawah hingga node paling atas Gabungkan semua pola yang ditemukan disetiap node Proses asosiasi selesai dilakukan Informasi mata kuliah pilihan yang ingin disajikan Finish Gambar 4.2 Flowchart cara kerja algoritma Frequent Pattern Growth.

70 Pseude Code Algoritma Frequent Pattern Growth Input : FP-Tree Tree Output : Rt Sekumpulan lengkap pola frequent Method : FP-Growth (Tree, Null) Procedure : FP-Growth (Tree, α) { 01 : if Tree mengandung single path p; 02 : then untuk tiap kombinasi (dinotasikan β) dari node-node dalam path do 03 : bangkitkan pola β, α dengan support dari node-node dalam β; 04 : else untuk tiap a1 dalam header dari Tree do { 05 : bangkitkan pola 06 : bangun β = a1.α dengan support = a1.support 07 : if Tree β = 0 08 : then panggil FP-Growth (Tree, β) } } A. Pengumpulan Data Pada tahap pengumpulan data digunakan sumber data transaksi akademik pengambilan mata kuliah (pilihan) pada Jurusan Teknik Informatika UIN SGD Bandung. Data tersebut akan diolah menjadi data yang berguna untuk mendapatkan informasi yang tersembunyi berupa data akademik mahasiswa yang diproses menjadi pola asosiasi (association rule) pengambilan mata kuliah (pilihan) oleh mahasiswa yang nantinya dapat digunakan sebagai kebijakan di Jurusan Teknik Informatika.

71 B. Data Preprocessing Sebelum ke tahap proses pencarian pola dilakukan data preprocessing terlebih dahulu, yaitu digunakan untuk membantu dalam pengenalan atribut dan data segmen yang relevan dengan task data mining. Data preprocessing kemungkinan akan memakan waktu cukup lama dikarenakan data mentah kemungkinan disimpan dengan format dan database yang berbeda. Pada tahap ini digunakan proses data cleaning, data selection dan data transformation. 1. Data Cleaning Pada umumnya data yang diperoleh, baik dari database suatu instansi atau perusahaan memiliki isian-isian yang berbeda dan tidak sempurna, seperti data yang hilang, data tidak valid atau juga hanya sekedar salah ketik. Selain itu, terdapat juga atribut-atribut data yang tidak relevan dengan data yang kita inginkan. Data-data yang tidak relevan tersebut lebih baik dibuang karena keberadaannya dapat mengurangi mutu pada akurasi data mining dengan melengkapi kekurangan (missing values), menghilangkan kerancuan (noisy) dan memperbaiki data yang tidak sesuai. 1.1 Missing Values Pada data transaksi pengambilan mata kuliah pilihan yang dilakukan oleh mahasiswa angkatan 2008 hingga 2010 yang sudah mengambil beberapa mata kuliah pilihan dirasakan sudah terdapat data-data yang memenuhi untuk melakukan penelitian ini, beberapa data tersebut dapat dilihat pada Tabel 4.1.

72 Tabel 4.1 Tabel data pengambilan mata kuliah pilihan. No. THSMSTRNLM KDPTITRNLM KDPSTTRNLM NIMHSTRNLM KDKMKTRNLM NLAKHTR 1. 20131 201004 55201 1210705150 IF8704P A 2. 20131 201004 55201 1210705150 IF8701L B 3. 20131 201004 55201 1210705150 IF8702 B 4. 20131 201004 55201 1210705151 IF8701 B 5. 20131 201004 55201 1210705151 IF8702P A 6. 20131 201004 55201 1210705151 KP8700 A 7. 20131 201004 55201 1210705151 UN8105 B 8. 20131 201004 55201 1210705151 IF8701P B 9. 20131 201004 55201 1210705151 IF8701L B 10. 20131 201004 55201 1210705151 IF8702 B 11. 20131 201004 55201 1210705151 EKM8701 B 12. 20131 201004 55201 1210705151 IF8703 B 13. 20131 201004 55201 1210705151 IF8706P A 14. 20131 201004 55201 1210705153 KP8700 A 15. 20131 201004 55201 1210705153 IF8701L A 16. 20131 201004 55201 1210705153 IF8702P A 17. 20131 201004 55201 1210705153 IF8702 C 18. 20131 201004 55201 1210705153 IF8503 B 19. 20131 201004 55201 1210705153 IF8701P B 20. 20131 201004 55201 1210705153 IF8706P A 21. 20131 201004 55201 1210705153 IF8701 C 22. 20131 201004 55201 1210705153 IF8703 C 23. 20131 201004 55201 1210705155 IF8702P A 1.2 Noisy Setelah selesai melakukan tahapan missing values, lalu ke tahap selanjutnya, yaitu tahap noisy, dengan menghilangkan kerancuan (noisy) dalam data agar mudah dalam memilih dan mengambil data dengan sesuai kebutuhan. Data pengambilan mata kuliah sesudah diurutkan dapat dilihat pada Tabel 4.2. Tabel 4.2 Tabel pengambilan mata kuliah pilihan setelah tahap noisy. No. NIMHSTRNLM KDKMKTRNLM 1. 1210705150 IF8704P 2. 1210705150 IF8701L 3. 1210705150 IF8702 4. 1210705151 IF8701 5. 1210705151 IF8702P 6. 1210705151 KP8700 7. 1210705151 UN8105 8. 1210705151 IF8701P 9. 1210705151 IF8701L 10. 1210705151 IF8702

73 Tabel 4.2 Tabel pengambilan mata kuliah pilihan setelah tahap noisy. (Lanjutan) No. NIMHSTRNLM KDKMKTRNLM 11. 1210705151 EKM8701 12. 1210705151 IF8703 13. 1210705151 IF8706P 14. 1210705153 KP8700 15. 1210705153 IF8701L 16. 1210705153 IF8702P 17. 1210705153 IF8702 18. 1210705153 IF8503 19. 1210705153 IF8701P 20. 1210705153 IF8706P 21. 1210705153 IF8701 22. 1210705153 IF8703 23. 1210705155 IF8702P 2. Data Integration Data integration termasuk ke dalam tahapan data mining yang dibutuhkan, namun pada tahap ini tidak terdapat adanya berbagai sumber data yang tergabung satu sama lain, karena data yang sudah didapat telah tergabung dari satu sumber data saja, maka tahapan data integration tidak perlu dilakukan. 3. Data Selection Pada tahap ini akan disinggung mengenai atribut-atribut yang saling berkaitan sebagai penunjang kebutuhan dalam mencari pola yang kita butuhkan. Pada tahapan pertama, yaitu tahapan data cleaning telah diperlihatkan data pengambilan mata kuliah yang susunan datanya belum sesuai dengan yang diinginkan, namun pada tahapan data selection ini akan hanya menggabungkan beberapa atribut penting saja. Data pengambilan mata kuliah setelah dilakukan tahapan data selection dapat dilihat pada Tabel 4.3.

74 Tabel 4.3 Tabel data pengambilan mata kuliah pilihan setelah tahap selection. No. NIM KODE MATA KULIAH 1. 1210705001 IF8702P 2. 1210705001 IF8708P 3. 1210705001 IF8704PL 4. 1210705001 IF8704P 5. 1210705002 IF8702P 6. 1210705002 IF8701P 7. 1210705004 IF8704P 8. 1210705004 IF8708P 9. 1210705004 IF8701P 10. 1210705004 IF8704PL 11. 1210705007 IF8704PL 12. 1210705007 IF8704P 13. 1210705007 IF8702P 14. 1210705007 IF8706P 15. 1210705008 IF8702P 16. 1210705008 IF8701P 17. 1210705008 IF8706P 18. 1210705009 IF8701P 19. 1210705009 IF8706P 20. 208700741 IF8701P 21. 208700742 IF8701P 22. 208700745 IF8701P 23. 208700751 IF8701P 24. 208700759 IF8703P 25. 208700759 IF8703PL 26. 208700781 IF8701P 27. 208700784 IF8706P 28. 208700784 IF8702P 29. 208700784 IF8701P 30. 208700786 IF8706P 31. 208700786 IF8701P 32. 208700786 IF8702P 33. 208700816 IF8702P 34. 208700816 IF8701P 35. 208700823 IF8701P 36. 208700823 IF8702P 37. 208700823 IF8707P 38. 208700833 IF8701P

75 Setelah selesai pada tahapan data selection, dilakukan pemilihan kategori yang paling sering diambil oleh mahasiswa dari angkatan 2008 2010. Terdapat beberapa mata kuliah pilihan yang disediakan oleh Jurusan Teknik Informatika, pada penelitian ini digunakan seluruh mata kuliah pilihan tersebut dapat dilihat pada Tabel 4.4. Tabel 4.4 Tabel kategori pengambilan mata kuliah pilihan oleh mahasiswa. No. KODE NAMA MATA KULIAH JUMLAH KEMUNCULAN MKP 1. IF8701P E-Commerce 274 2. IF8704P Mobile Programming 219 3. IF8704PL Praktikum Mobile Programming 217 4. IF8706P Sistem Informasi Enterprise 210 5. IF8702P Sistem Informasi Geografis 187 6. IF8703PL Prak.Wireless Mobile Computing 118 7. IF8703P Wireless Mobile Computing 37 8. IF8708P Data Mining 37 9. IF8707P Perawatan Perangkat Lunak 35 10. IF8709P Information Retrieval 31 11. IF8705P Sistem Basis Data Terdistribusi 28 12. IF8712P Pengolahan Citra Digital 2 Selanjutnya dilakukan penambahan berupa abjad pada tabel sebelumnya dari huruf A hingg huruf L (sebanyak 12 kategori), dapat dilihat pada Tabel 4.5. Tabel 4.5 Tabel kategori mata kuliah pilihan. No. KODE NAMA MATA KULIAH JUMLAH KEMUNCULAN MKP TRANSFORM KE ABJAD 1. IF8701P E-Commerce 274 A 2. IF8702P Sistem Informasi Geografis 187 B 3. IF8703P Wireless Mobile Computing 37 C 4. IF8703PL Prak. Wireless Mobile Computing 118 D 5. IF8704P Mobile Programming 219 E

76 Tabel 4.5 Tabel kategori mata kuliah pilihan. (Lanjutan) No. KODE NAMA MATA KULIAH JUMLAH KEMUNCULAN MKP TRANSFORM KE ABJAD 6. IF8704PL Prak. Mobile Programming 217 F 7. IF8705P Sistem Basis Data Terdistribusi 28 G 8. IF8706P Sistem Informasi Enterprise 210 H 9. IF8707P Perawatan Perangkat Lunak 35 I 10. IF8708P Data Mining 37 J 11. IF8709P Information Retrieval 31 K 12. IF8712P Pengolahan Citra Digital 2 L 4. Data Transformation Pada tahap data transformation dipilih atribut-atribut yang akan diperlukan saja, yaitu hanya atribut NIM (Nomor Induk Mahasiswa) dan Kategori Mata Kuliah Pilihan, dan menghapus atribut yang tidak diperlukan. Kategori mata kuliah pilihan harus menggunakan abjad agar mudah dibaca, data pengambilan mata kuliah pilihan setelah diseleksi dapat dilihat pada Tabel 4.6. Tabel 4.6 Tabel data mata kuliah pilihan berdasarkan penentuan atribut. No. NIM TRANSFORM KE ABJAD 1. 1209705131 C 2. 1209705132 H 3. 1209705133 H 4. 1209705134 B 5. 1209705135 G 6. 1209705136 C 7. 1209705139 A 8. 1209705140 A 9. 1209705141 I 10. 1209705142 A 11. 1209705143 A 12. 1209705144 E 13. 1209705145 A 14. 1209705146 C 15. 1209705147 B 16. 1209705148 H 17. 1209705149 A 18. 1209705150 A

77 Pada tahap selanjutnya akan dicari pola antara keterkaitan tiap kategori dalam sebuah pengambilan mata kuliah pilihan yang diambil oleh mahasiswa berdasarkan NIM, maka minimal terdapat dua kategori dalam pengambilan mata kuliah pilihan yang dilakukan oleh mahasiswa, apabila terdapat satu kategori mata kuliah pilihan atau lebih dari dua kategori mata kuliah pilihan, maka kategori mata kuliah pilihan tersebut salah satunya harus dihapus, dapat dilihat pada Tabel 4.7. Tabel 4.7 Tabel data MKP dengan minimal 2 kategori setiap pengambilan MKP. No. NIM TRANSFORM KE ABJAD 1. 1210705051 H 2. 1210705051 E 3. 1210705052 E 4. 1210705052 A 5. 1210705053 E 6. 1210705053 B 7. 1210705054 A 8. 1210705054 B 9. 1210705055 A 10. 1210705055 H 11. 1210705056 H 12. 1210705056 E 13. 1210705057 B 14. 1210705057 E 15. 1210705058 A 16. 1210705058 H 17. 1210705059 A 18. 1210705059 B 19. 1210705061 E 20. 1210705061 B 21. 1210705064 H 22. 1210705064 B 23. 1210705065 E 24. 1210705065 A 25. 1210705066 H 26. 1210705066 J 27. 1210705067 H 28. 1210705067 B 29. 1210705072 E 30. 1210705072 H

78 C. Data Mining Dalam penerapan data mining akan ditentukan tahap pembangkitan FP- Tree yang digunakan bersamaan dengan algoritma FP-Growth yang befungsi dalam menentukan frequent itemsets. Pada tahap ini akan digunakan pengambilan mata kuliah pilihan oleh mahasiswa sebanyak 10 contoh data, dapat dilihat pada Tabel 4.8. Pada tahap ini juga dibatasi dengan minimum support sebanyak 20%, yaitu 2 atau 2/10=0,2 dan confidence akan dibatasi sebanyak 75%, yaitu 3/4=0,75. Pembentukan FP-Tree dibutuhkan 2 kali scane atau penelusuran database sebanyak dua kali (rumus untuk menghitung support dan confidence dapat dilihat pada Rumus 2.1 dan Rumus 2.2). Tabel 4.8 Tabel contoh data pengambilan MKP setelah tahap transformation. No. NIM MKP1 MKP2 MKP3 MKP4 MKP5 1. 1209705004 B E D F C 2. 1209705017 E F B A 3. 1209705021 C D B H 4. 1210705047 H A B 5. 1210705054 A B J 6. 1210705083 B A H 7. 1210705092 H J A 8. 208700938 D A H 9. 208700944 F E D 10. 208700958 A B H Pada tahap sebelumnya dijelaskan terdapat scane atau penelusuran database sebanyak dua kali, yaitu penelusuran database pertama akan digunakan untuk menghitung nilai support disetiap item dan membuang atau mengahapus item yang nilai support nya kurang dari minimum support yang telah ditentukan sebelumnya, yaitu sebanyak 20%. Dari penelusuran pertama diketahui hasil dari

79 jumlah frequensi kemunculan dari setiap item pada pengambilan mata kuliah pilihan yang digunakan sebagai pengurutan item berdasarkan frequensi kemunculan yang paling tinggi, dapat dilihat pada Tabel 4.9. Tabel 4.9 Tabel frequensi setiap item. No. ITEM FREQUENSI SUPPORT 1. A 7 7/10 = 0,7 atau 70% 2. B 7 7/10 = 0,6 atau 70% 3. H 6 6/10 = 0,6 atau 60% 4. D 4 4/10 = 0,4 atau 40% 5. E 3 3/10 = 0,3 atau 30% 6. F 3 3/10 = 0,3 atau 30% 7. C 2 2/10 = 0,2 atau 20% 8. J 2 2/10 = 0,2 atau 20% Dari hasil Tabel 4.9 dapat dilihat beberapa item yang telah memenuhi minimum support diperoleh item yang mempunyai frequensi minimum support >=2, yaitu B, A, H, D, E, F, C, dan J, kemudian diberikan nama Frequent List yang akan dijelaskan pada tahapan selanjutnya. Frequent list berperan penting sebagai pembangkitan FP-Tree, sedangkan dalam tahap sebelumnya telah memenuhi syarat seutuhnya, yaitu keseluruhan nilai minimum support nya >=2, jadi tidak perlu dilakukan penghapusan, dapat dilihat pada Tabel 4.10. Tabel 4.10 Tabel frequent list. No. ITEM FREQUENSI SUPPORT 1. A 7 7/10 = 0,7 atau 70% 2. B 7 7/10 = 0,7 atau 70% 3. H 6 6/10 = 0,6 atau 60% 4. D 4 4/10 = 0,4 atau 40% 5. E 3 3/10 = 0,3 atau 30% 6. F 3 3/10 = 0,3 atau 30% 7. C 2 2/10 = 0,2 atau 20% 8. J 2 2/10 = 0,2 atau 20%

80 Setelah didapat Frequent List, lalu pada tahap selanjunya dilakukan pengurutan item pada data pengambilan mata kuliah pilihan berdasarkan frequensi yang paling tinggi, dapat dilihat pada Tabel 4.11. Tabel 4.11 Tabel pengambilan MKP setelah diurutkan berdasarkan frequent list. No. NIM MKP1 MKP2 MKP3 MKP4 MKP5 1. 1209705004 B D E F C 2. 1209705017 A B E F 3. 1209705021 B H D C 4. 1210705047 A B H 5. 1210705054 A B J 6. 1210705083 A B H 7. 1210705092 A H J 8. 208700938 A H D 9. 208700944 D E F 10. 208700958 A B H Setelah dilakukan proses penyusunan item pada data pengambilan MKP pada tabel frequent list, dilakukan penelusuran database tahap yang kedua, yaitu untuk membangkitkan proses FP-Tree yang dilakukan dari membaca NIM 1209705004 yang berfungsi untuk menghasilkan simpul berurutan B, D, E, F, dan C, sehingga akan terbentuknya lintasan {NULL} B D E F C, dengan menggunakan nilai support awal yaitu 1, dapat dilihat pada Gambar 4.3. NULL B:1 D:1 E:1 F:1 C:1 Gambar 4.3 Pembangkitan FP-Tree pada pembacaan NIM 1209705004.

81 Setelah dilakukan pembacaan NIM 1209705004, maka tahap selanjutnya yaitu membaca pengambilan MKP selanjutnya pada NIM 1209705017, sehingga akan menghasilkan lintasan {NULL} A B E F. Pada tahap sebelumnya node B telah terbentuk pada pembacaan tahap pertama, maka dapat dipadatkan node tersebut dengan menambahkan nilai support nya sebanyak 2, sehingga akan ditandai bahwa node B telah dilewati sebanyak 2 kali, sedangkan node A, E, dan F dapat diberikan nilai support sebanyak 1, dapat dilihat pada Gambar 4.4. NULL A:1 B:2 E:1 D:1 F:1 E:1 F:1 C:1 Gambar 4.4 Pembangkitan FP-Tree pada pembacaan NIM 1209705017. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 1209705021, sehingga akan menghasilkan lintasan {NULL} B H D C, karena node B telah terbentuk maka dapat dipadatkan kembali dengan menambahkan nilai

82 support B menjadi 3, sedangkan node H, D, dan C dapat diberikan nilai support sebanyak 1, dapat dilihat pada Gambar 4.5. NULL A:1 B:3 E:1 D:1 H:1 F:1 E:1 D:1 F:1 C:1 C:1 Gambar 4.5 Pembangkitan FP-Tree pada pembacaan NIM 1209705021. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 1210705047, sehingga menghasilkan lintasan {NULL} A B H, karena node A dan B telah terbentuk, maka dapat dipadatkan dengan menambahkan nilai support pada A sebanyak 2 dan B sebanyak 4, sedangkan pada node H dapat diberikan nilai support awal sebanyak 1, dapat dilihat pada Gambar 4.6.

83 NULL A:2 B:4 H:1 E:1 D:1 H:1 F:1 E:1 D:1 F:1 C:1 C:1 Gambar 4.6 Pembangkitan FP-Tree pada pembacaan NIM 1210705047. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 1210705054, sehingga akan menghasilkan lintasan {NULL} A B J, karena node A dan B telah terbentuk, maka dapat dipadatkan kembali, sehingga nilai support A akan terbentuk sebanyak 3 dan B sebanyak 5, sedangkan pada node J dapat diberikan nilai support sebanyak 1, dapat dilihat pada Gambar 4.7.

84 NULL A:3 B:5 J:1 H:1 E:1 D:1 H:1 F:1 E:1 D:1 F:1 C:1 C:1 Gambar 4.7 Pembangkitan FP-Tree pada pembacaan NIM 1210705054. Pada tahap selanjutnya dilakukan pembacaan NIM 1210705083, sehingga akan menghasilkan lintasan {NULL} A B H, karena seluruh node (A, B, dan H) telah terbentuk, maka tidak perlu diberikan nilai support, dan node A akan terbentuk sebanyak 4, node B sebanyak 6, dan node H sebanyak 2, dapat dilihat pada Gambar 4.8.

85 NULL A:4 B:6 J:1 H:2 E:1 D:1 H:1 F:1 E:1 D:1 F:1 C:1 C:1 Gambar 4.8 Pembangkitan FP-Tree pada pembacaan NIM 1210705083. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 1210705092, sehingga akan menghasilkan lintasan {NULL} A H J, karena node A telah terbentuk maka dapat dipadatkan, sehingga akan menghasilkan nilai support A sebanyak 5, dan node H dan J belum terbentuk, maka dapat diberikan nilai support sebanyak 1, dapat dilihat pada Gambar 4.9.

86 NULL A:5 B:6 J:1 H:2 E:1 D:1 H:1 H:1 F:1 E:1 D:1 J:1 F:1 C:1 C:1 Gambar 4.9 Pembangkitan FP-Tree pada pembacaan NIM 1210705092. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 208700938, sehingga akan menghasilkan lintasan {NULL} A H D, karena node A dan H telah terbentuk masing-masing dapat dipadatkan dan menghasilan nilai support A sebanyak 6 dan H sebanyak 2. Node D belum terbentuk maka dapat diberikan nilai support sebanyak 1, dapat dilihat pada Gambar 4.10.

87 NULL A:6 B:6 J:1 H:2 E:1 D:1 H:1 H:2 D:1 F:1 E:1 D:1 J:1 F:1 C:1 C:1 Gambar 4.10 Pembangkitan FP-Tree pada pembacaan NIM 208700938. Pada tahap selanjutnya yaitu melakukan pembacaan NIM 208700944, sehingga akan menghasilkan lintasan {NULL} D E F, karena node D, E, dan F belum terbentuk, maka dapat diberikan nilai support masing-masing sebanyak 1, dapat dilihat pada Gambar 4.11.

88 D:1 NULL A:6 B:6 E:1 J:1 H:2 E:1 D:1 H:1 H:2 D:1 F:1 F:1 E:1 D:1 J:1 F:1 C:1 C:1 Gambar 4.11 Pembangkitan FP-Tree pada pembacaan NIM 208700944. Pada tahap selanjutnya dilakukan pembacaan pengambilan MKP terakhir, yaitu pengambilan yang dilakukan oleh NIM 208700958 yang menghasilkan lintasan {NULL} A B H, karena masing-masing node nya sudah terbentuk, maka dapat diberikan nilai support A sebanyak 7, B sebanyak 7, dan H sebanyak 3, dapat dilihat pada Gambar 4.12.

89 D:1 NULL A:7 B:7 E:1 J:1 H:3 E:1 D:1 H:1 H:2 D:1 F:1 F:1 E:1 D:1 J:1 F:1 C:1 C:1 Gambar 4.12 Pembangkitan FP-Tree pada pembacaan NIM 208700958. Pada tahap selanjutnya yaitu mencari frequent itemset dengan cara menerapkan metode Divide and Conquer, karena FP-Tree secara keseluruhan selesai dibangkitkan maka digunakan metode divide and conquer sesuai dengan urutan Frequent List yang tertera pada Tabel 4.10, dilakukan dari nilai frequensi yang paling kecil hingga nilai frequensi yang paling besar. 1. Kondisi FP-Tree untuk item J Pertama-tama dilakukan pencarian terlebih dahulu mengenai seluruh lintasan yang berakhiran J. Pada lintasan J, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali item atau MKP yang diambil bersamaan dengan item J dan

90 frequent itemset manakah yang memenuhi minimum support, dapat dilihat pada Gambar 4.13. NULL A:0 NULL A:2 B:0 H:0 B:1 H:1 J:1 J:1 Frequent Itemset = J, BJ, HJ, AJ. Gambar 4.13 Kondisi FP-Tree pada item J. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan J, lalu berikan nilai support yang dimiliki oleh J pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.13 dapat dilihat pada item A nilai kemunculan bersama dengan J sebanyak 2 kali, sedangkan item B nilai kemunculan bersama dengan J sebanyak 1 kali, dan item H kemunculan bersama dengan J sebanyak 1 kali, maka didapat frequent itemset yang memenuhi minimum support yaitu item A bersama J, H bersama J, B bersama J, dan J itu sendiri.

91 2. Kondisi FP-Tree untuk item C Pertama-tama dilakukan pencarian terlebih dahulu mengenai seluruh lintasan yang berakhiran C. Pada lintasan C, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item C dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.14. NULL NULL B:0 B:2 D:0 H:0 D:1 H:1 E:0 D:0 E:1 D:1 F:0 C:1 F:1 C:1 Frequent Itemset = C, FC, DC, BC. Gambar 4.14 Kondisi FP-Tree pada item C. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan C, lalu berikan nilai support yang dimiliki oleh C pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.14 dapat dilihat pada item B nilai kemunculan bersama dengan nilai C sebanyak

92 2 kali, sedangkan item D nilai kemunculan bersama dengan nilai C sebanyak 2 kali, dan item F nilai kemunculan bersama dengan C sebanyak 1 kali, maka didapat frequent itemset yang telah memenuhi minimum support yaitu item B bersama C, D bersama C, F bersama C, dan C itu sendiri. 3. Kondisi FP-Tree untuk item F Pertama-tama dilakukan pencarian terlebih dahulu mengenai seluruh lintasan yang berakhiran F. Pada lintasan F, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item F dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.15. D:0 NULL A:0 D:1 NULL A:1 B:0 E:0 B:2 E:0 D:0 E:1 F:1 E:1 D:1 F:1 E:0 F:1 E:1 Frequent Itemset = F, EF, DF, AF. Gambar 4.15 Kondisi FP-Tree pada item F.

93 Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan F, lalu berikan nilai support yang dimiliki oleh F pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.15 dapat dilihat pada item A nilai kemunculan bersama dengan nilai F sebanyak 1 kali, sedangkan item D nilai kemunculan bersama dengan nilai F sebanyak 2 kali, dan item E nilai kemunculan bersama dengan F sebanyak 3 kali, maka didapat frequent itemset yang telah memenuhi minimum support yaitu item A bersama F, D bersama F, E bersama F, dan F itu sendiri. 4. Kondisi FP-Tree untuk item E Pertama-tama terlebih dahulu dilakukan pencarian mengenai seluruh lintasan yang berakhiran E. Pada lintasan E, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item E dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.16.

94 D:0 NULL D:1 NULL B:0 A:0 B:1 A:1 E:0 D:0 B:0 D:1 B:1 E:0 E:0 Frequent Itemset = E, DE, BE, AE. Gambar 4.16 Kondisi FP-Tree pada item E. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan E, lalu berikan nilai support yang dimiliki oleh E pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.16 dapat dilihat pada item A nilai kemunculan bersama dengan nilai E sebanyak 1 kali, sedangkan item B nilai kemunculan bersama dengan nilai E sebanyak 2 kali, dan item D nilai kemunculan bersama dengan E sebanyak 2 kali, maka didapat frequent itemset yang telah memenuhi minimum support yaitu item A bersama E, B bersama E, D bersama E, dan E itu sendiri. 5. Kondisi FP-Tree untuk item D Pertama-tama terlebih dahulu dilakukan pencarian mengenai seluruh lintasan yang berakhiran D. Pada lintasan D, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui

95 informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item D dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.17. D:0 NULL A:0 NULL A:1 B:0 B:2 D:0 H:0 H:0 H:1 H:1 D:0 D:0 Frequent Itemset = D, BD, HD, AD. Gambar 4.17 Kondisi FP-Tree pada item D. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan D, lalu berikan nilai support yang dimiliki oleh D pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.17 dapat dilihat pada item A nilai kemunculan bersama dengan nilai D sebanyak 1 kali, sedangkan item H nilai kemunculan bersama dengan nilai D sebanyak 2 kali, dan item B nilai kemunculan bersama dengan D sebanyak 2 kali, maka didapat frequent itemset yang telah memenuhi minimum support yaitu item A bersama D, H bersama D, B bersama D, dan D itu sendiri.

96 6. Kondisi FP-Tree untuk item H Pertama-tama terlebih dahulu dilakukan pencarian mengenai seluruh lintasan yang berakhiran H. Pada lintasan H, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item H dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.18. NULL A:0 NULL A:1 B:0 B:2 H:0 H:0 H:0 Frequent Itemset = H, BH, AH. Gambar 4.18 Kondisi FP-Tree pada item H. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan H, lalu berikan nilai support yang dimiliki oleh H pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Pada Gambar 4.17 dapat dilihat pada item A nilai kemunculan bersama dengan nilai H sebanyak 1 kali, sedangkan item B nilai kemunculan bersama dengan nilai H sebanyak 2 kali, maka didapat frequent itemset yang telah memenuhi minimum support yaitu item A bersama H, B bersama H, dan H itu sendiri.

97 7. Kondisi FP-Tree untuk item B Pertama-tama terlebih dahulu dilakukan pencarian mengenai seluruh lintasan yang berakhiran B. Pada lintasan B, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item H dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.19. NULL NULL B:7 Frequent Itemset = B. Gambar 4.19 Kondisi FP-Tree pada item B. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan B, lalu berikan nilai support yang dimiliki oleh B pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Karena item B langsung terhubung pada node NULL, maka tidak terdapat lagi node yang melewati item B. Frequent itemseti yang memenuhi minimum support yaitu item B itu sendiri.

98 8. Kondisi FP-Tree untuk item A Pertama-tama terlebih dahulu dilakukan pencarian mengenai seluruh lintasan yang berakhiran B. Pada lintasan B, setiap node nya terlebih dahulu diberikan nilai support awal sebanyak 0, hal ini dilakukan agar dapat mengetahui informasi berapa kali pengambilan item atau MKP yang diambil secara bersamaan dengan item H dan frequent itemset manakah yang dapat memenuhi minimum support, dapat dilihat pada Gambar 4.20. NULL A:7 NULL Frequent Itemset = A. Gambar 4.20 Kondisi FP-Tree pada item A. Selanjutnya satu persatu node naikkan yang melewati lintasan yang menuju lintasan A, lalu berikan nilai support yang dimiliki oleh A pada setiap node yang melewati lintasan tersebut hingga menuju node NULL. Karena item A langsung terhubung pada node NULL, maka tidak terdapat lagi node yang melewati item A. Frequent itemseti yang memenuhi minimum support yaitu item A itu sendiri. Setelah semua node yang berada pada FP-Tree telah diperiksa dan ditemukan 25 frequent itemset dapat dilihat pada Tabel 4.12.

99 Tabel 4.12 Tabel frequent itemset dalam FP-Tree. No. NODE ITEM FREQUENT ITEMSET 1. J J, BJ, HJ, AJ 2. C C, FC, DC, BC 3. F F, EF, DF, AF 4. E E, DE, BE, AE 5. D D, BD, HD, AD 6. H H, BH, AH 7. B B 8. A A Pada tabel 4.12 dapat dilihat terdapat 25 frequent itemset yang ditemukan, namun tidak seluruh frequent itemset yang ditemukan dapat dihitung confidence nya, karena dalam association rule minimal harus terdapat 2 item dalam frequent itemset yang saling berhubungan, maka yang akan dihitung hanya frequent itemset BJ, HJ, AJ, FC, DC, BC, EF, DF, AF, DE, BE, AE, BD, HD, AD, BH, dan AH. Pada langkah selanjutnya yaitu dilakukan pembuatan rule dengan menghitung confidence setiap frequent itemset yang minimal 2 item tersebut. Hanya beberapa rule yang dapat digunakan sebagai strong rule atau aturan yang kuat, yaitu rule yang memiliki nilai confidence 75% atau 0,75. Rumus untuk menghitung nilai confidence dapat dilihat pada Rumus 2.2. Mencari nilai support dan confidence akan diberlakukan perhitungan dengan cara menghitung hubungan tiap item, maka berlaku juga perhitungan hubungan kebalikannya, misalnya jika B maka H, berlaku juga H maka B. Hasil dari perhitungan support dan confidence pada setiap itemset dapat dilihat pada Tabel 4.13.

100 Tabel 4.13 Tabel frequent itemset dalam FP-Tree. No. JIKA MAKA SUPPORT CONFIDENCE 1. B J 2. H J 3. A J 4. F C 5. D C 6. B C 7. E F 8. D F 9. A F 10. D E 11. B E 12. A E 13. B D 14. H D 15. A D 16. B H

101 Tabel 4.13 Tabel frequent itemset dalam FP-Tree. (Lanjutan) No. JIKA MAKA SUPPORT CONFIDENCE 17. A H 18. J B 19. J H 20. J A 21. C F 22. C D 23. C B 24. F E 25. F D 26. F A 27. E D 28. E B 29. E A 30. D B 31. D H 32. D A 33. H B 34. H A

102 D. Pattern Evaluation Pada tahap ini dijelaskan mengenai rule yang telah dicari dan ditemukan yang sudah memenuhi confidence pada tahap data mining yang diterjemahkan ke dalam bahasa yang dapat dimengerti oleh manusia. Pada tahap sebelumnya telah diketahui tahapan rule yang dapat mengetahui hasil akhir dari serangkaian proses pencarian pola yang tersembunyi, yaitu sebagai berikut: 1. C B (jika mahasiswa mengambil mata kuliah pilihan wireless mobile computing maka akan mengambil juga sistem informasi geografis dengan nilai support sebesar 20% dan nilai confidence sebesar 100%). 2. E B (jika mahasiswa mengambil mata kuliah pilihan mobile programming maka akan mengambil juga sistem informasi geografis dengan nilai support sebesar 30% dan nilai confidence sebesar 67%). 3. J B (jika mahasiswa mengambil mata kuliah pilihan data mining maka akan mengambil juga sistem informasi geografis dengan nilai support sebesar 20% dan nilai confidence sebesar 50%). tabel 4.13. Keterangan: Penterjemahan pola pada contoh data di atas bersumber dari Tabel 4.14 Tabel kategori untuk penerjemahan pola pada contoh data MKP. ITEM A B H D E F C J NAMA KATEGORI E-Commerce Sistem Informasi Geografis Sistem Informasi Enterprise Praktikum Wireless Mobile Computing Mobile Programming Praktikum Mobile Programming Wireless Mobile Computing Data Mining

103 4.1.4 Analisis Kebutuhan Pengguna Aplikasi ini digunakan oleh user sebagai pengguna satu-satunya yang melakukan pencarian pola tersembunyi yang terdapat dalam data akademik pengambilan mata kuliah pilihan. Demi kenyamanan kepada user, aplikasi ini harus dirancangan dengan efektif dan efisien agar user merasa nyaman menggunakan aplikasi tersebut. Tabel 4.15 Tabel karakteristik pengguna (user). No. NAMA PENGGUNA KEBUTUHAN 1. User atau pengguna tunggal Dapat melihat seluruh data akademik penyajian mata kuliah pilihan sebelum ataupun sesudah tahap preprocessing, melakukan pencarian pola pada data akademik, dapat melihat data statistik penyajian mata kuliah pilihan dari mahasiswa angkatan 2008 hingga 2010. 4.1.5 Analisis Kebutuhan Fungsional Pada tahap analisis kebutuhan fungsional dipaparkan mengenai fitur-fitur yang terdapat pada aplikasi yang dibangun. Analisis kebutuhan fungsional dari pembangunan aplikasi data mining dijelaskan pada Tabel 4.16. Tabel 4.16 Tabel kebutuhan fungsional. No. No_Req Deskripsi Kebutuhan Kegunaan 1. Req_1 Login Untuk melakukan login sebelum memasuki halaman utama. 2. Req_2 Data Preprocessing. Untuk melihat data sebelum maupun sesudah proses preprocessing. 3. Req_3 Data Mining. Untuk mencari pola yang tersembunyi dalam data akademik.

104 Tabel 4.16 Tabel kebutuhan fungsional. (Lanjutan) No. No_Req Deskripsi Kebutuhan Kegunaan 4. Req_4 Statistik Mata Kuliah Pilihan Untuk melihat data statistik akademik (mata kuliah pilihan) dari angkatan 2008-2010. 5. Req_5 About. Untuk melihat informasi aplikasi. 4.2 Perancangan Sistem Pada perancangan sistem akan dijelaskan berupa perancangan aplikasi yang akan dibangun. Terdapat beberapa langkah yang akan dijelaskan dalam perancangan, yaitu berupa pemodelan yang akan digambarkan dengan menggunakan navigsi, user-interface, diagram (use-case, class dan sequence). 4.2.1 Use Case Diagram Aplikasi Data Mining Use case diagram merupakan konstruksi untuk mendeskripsikan bagaimana suatu sistem akan terlihat di mata user yang memfasilitasi komunikasi diantara analisis dan pengguna serta antara analisis dan client. Use case diagram untuk aplikasi data mining dapat dilihat pada Gambar 4.21. Gambar 4.21 Use case diagram aplikasi data mining.

105 Pada use case diagram yang dapat dilihat pada Gambar 4.21 hanya terdapat 1 aktor dan 9 use case, yang setiap aktor dan use case nya memiliki peranannya masing- masing, yaitu pada peranan aktor (user) setelah user membuka aplikasi melakukan login terlebih dahulu, lalu user juga dapat melihat data preprocessing yang di dalamnya terdapat serangkaian proses yang harus dilakukan sebelum melakukan proses penggalian (mining). lalu proses data minig dapat dilakukan berupa pencarian pola di dalam database pada use-case data mining. Pada Gambar 4.21 juga terdapat panah yang di dalamnya terdapat fungsi include untuk menunjukkan bahwa use case tersebut merupakan bagian dari usecase tertentu yang membentuk FP-Tree dalam use-case, dan telusuri FP-Tree yang merupakan bentuk dasar use-case untuk child use lalu gabungkan pola tiap node di FP-Tree.. User juga dapat melihat statistik akademik, about, dan keluar dari aplikasi. A. Skenario Use Case Skenario use case digunakan untuk memudahkan dalam menganalisa skenario yang akan kita gunakan pada fase-fase selanjutnya dengan melakukan penilian terhadap skenario tersebut. Dengan adanya skenario ini, penganalisaan terhadap sistem yang dibangun akan terlihat lebih matang dan akurat. Berikut adalah tahapan skenario use case: 1. Login Berfungsi untuk memasukki form halaman utama aplikasi.

106 Tabel 4.17 Tabel skenario use case login (user). IDENTIFIKASI Nama : Login Aktor : User Tujuan : Mengatur Aplikasi SKENARIO Aktor Sistem 1. Aktor (user) memasuki 2. Sistem menampilkan halaman halaman form login. form login user. 3. user memasuki username dan password untuk memasuki form login user. 4a. Sistem melakukan validasi login, apabila data yang dimasukkan adalah benar dapat diterima oleh sistem. SKENARIO ALTERNATIF 4b. Apabila data yang dimasukkan oleh user salah maka akan muncul pemberitahuan berupa tampilan pesan. 2. Data Mining Berfungsi untuk memasukki form data mining dan melakukan proses penggalian data. Tabel 4.18 Tabel skenario use case aplikasi data mining. IDENTIFIKASI Nama : Data Mining Aktor : User Tujuan : Mengetahui hasil penggalian data SKENARIO Aktor Sistem 1. Aktor (user) memasuki 2. Sistem menampilkan halaman halaman form data mining. form data mining. 3. user memilih menu data mining pada toolsbar. 4a. Sistem melakukan proses data mining (penggalian data), apabila proses mining berhasil maka akan menampilkan informasi. SKENARIO ALTERNATIF 4b. Apabila proses mining tidak berhasil maka akan terjadi not responding karena proses penggalian data terlalu berat.

107 4.2.2 Activity Diagram Aplikasi Data Mining Activity diagram menggambarkan berbagai alir aktivitas dalam sistem yang sedang dirancang, bagaimana masing-masing alir berawal, decision yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram juga dapat menggambarkan proses paralel yang mungkin terjadi pada beberapa eksekusi. Activity diagram merupakan state diagram khusus, di mana sebagian besar state adalah action dan sebagian besar transisi pada trigger oleh selesainya state sebelumnya (internal processing). Oleh karena itu activity diagram tidak menggambarkan behaviour internal sebuah sistem (dan interaksi antar subsistem) secara eksak, tetapi lebih menggambarkan proses-proses dan jalur-jalur aktivitas dari level atas secara umum. Sebuah aktivitas dapat direalisasikan oleh satu use case atau lebih. Aktivitas menggambarkan proses yang berjalan, sementara use case menggambarkan bagaimana aktor menggunakan sistem untuk melakukan aktivitas. Sama seperti state, standar UML menggunakan segi empat dengan sudut membulat untuk menggambarkan aktivitas. Decision digunakan untuk menggambarkan behaviour pada kondisi tertentu. Untuk mengilustrasikan prosesproses paralel (fork dan join) digunakan titik sinkronisasi yang dapat berupa titik, garis horizontal atau vertical. Activity diagram dapat dibagi menjadi beberapa object swimlane untuk menggambarkan objek mana yang bertanggung jawab untuk aktivitas tertentu. Dijelaskan pada Gambar 4.22 terdapat beberapa proses yang terjadi dalam Activity Diagram Login, yaitu proses user dan sistem. User pertama-tama memilih menu login untuk melakukan login dan sistem menampilkan form login

108 untuk diisikan oleh user berupa username dan password, lalu sistem melakukan validasi terhadap username dan password yang telah diinputkan user, apabila username atau password salah maka proses login tadi akan kembali pada form login, tetapi jika username dan password benar maka user akan masuk kepada halaman utama. Gambar 4.22 Activity diagram login. Dijelaskan pada Gambar 4.23 terdapat beberapa proses yang terjadi dalam Activity Diagram Data Mining, yaitu proses user dan sistem. User pertamatama memilih menu data mining lalu sistem akan menampilkan form data mining, user memilih data asli pada combobox dan sistem menampilkan form data asli lalu

109 user menekan tombol atau button jalankan algoritma dan sistem akan melakukan proses penggalian data, jika data asli berhasil diproses maka sistem akan melakukan proses penggalian data dan sistem akan menampilkan hasil proses data mining. Gambar 4.23 Activity diagram aplikasi data mining.

110 4.2.3 Class Diagram Aplikasi Data Mining Class diagram merupakan deskripsi kelompok obyek-obyek dengan properti, perilaku (operasi), dan relasi yang sama. Sehingga dengan adanya class diagram dapat membetikan pandangan global atas sebuah sistem. Class diagram untuk aplikasi ini dapat dilihat pada Gambar 4.24. Gambar 4.24 Class diagram aplikasi data mining. Pada class diagram terdapat 3 class yang setiap class nya memiliki peranannya masing-masing, yaitu class penggalidata, class pengambilanmkp, dan class pola. Pada class penggalidata memiliki peranan berupa mengatur setiap dalam membentuk load data(), cari frequent item(), hapus item < minimum support(), urutkan transaksi berdasarkan frequensi item(), bentuk FP-Tree(), cari pola setiap node(), gabungkan setiap pola, dan tampilkan pola() yang sumber datanya berasal dari class pengambilan MKP yang memiliki 2 atribut, yaitu nim

111 dan item, dan memiliki fungsi tambah() di dalam class nya. Class pola memiliki atribut itemset, support, dan confiden yang mempunya fungsi tambah di dalam class nya. 4.2.4 Sequence Diagram Aplikasi Data Mining Sequence diagram digunakan untuk menggambarkan perilaku pada sebuah skenario sistem. Kegunaannya untuk menunjukkan rangkaian pesan yang dikirim antara objek serta interaksi antara objek, sesuatu yang terjadi pada titik tertentu dalam eksekusi sistem dapat dilihat pada Gambar 4.25. Gambar 4.25 Sequence diagram aplikasi data mining.

112 Pada aplikasi data mining terdapat objek yang bernama agus dalam class penggalidata yang berfungsi untuk meload data pada data transaksi pengambilan mata kuliah pilihan yang dimiliki oleh objek transaksi yang akan dicari frequensi kemunculan item, item yang frequensinya kurang dari minimum support maka akan dihapus, kemudian data transaksi pengambilan mata kuliah pilihan akan dilakukan pengurutan frequensi dari frequensi terbesar hingga frequensi terendah, lalu dibentuklah FP-Tree dari transaksi data pengambilan mata kuliah pilihan. Sesudah dilakukan pembentukan FP-Tree, kemudia objek yang bernama agus pada class penggalidata melakukan proses pencarian pola yang terdapat pada setiap node dalam FP-Tree, setelah ditemukan pola-pola pada FP-Tree tersebut lalu dilakukan penggabungan dalam objek pola dan seluruh pola yang telah ditemukan akan ditampilkan oleh objek tersebut pada aplikasi. 4.2.5 Perancangan Database Perancangan database berfungsi menampilkan desain dari database yang bertujuan untuk menggambarkan data yang berelasi pada database pada data mining yang terhubung oleh entitas, atribut, relasi, dan garis penghubung.

113 Entity Relationship Diagram Aplikasi Data Mining NIM KDMK NAMA_MK KD_TRANSFORMASI KDMK JML_KEMUNCULAN_MKP Tabel Hasil Cleaning 1 N Tabel Mata Kuliah Pilihan 1 N Tabel Transformasi NIM MK6 MK1 MK5 MK2 MK3 MK4 Gambar 4.26 Entity relationship diagram aplikasi data mining. Struktur Tabel Aplikasi Data Mining Tabel 4.19 Struktur Tabel Hasil Cleaning. No. ATRIBUT TIPE DATA SIZE 1. NIM VARCHAR 12 2. KDMK VARCHAR 12 Tabel 4.20 Struktur Tabel Mata Kuliah Pilihan. No. ATRIBUT TIPE DATA SIZE 1. KDMK VARCHAR 12 2. NAMA_MK VARCHAR 20 3. KD_TRANSFORMASI VARCHAR 12 4. JML_KEMUNCULAN_MKP VARCHAR 12 Tabel 4.21 Struktur Tabel Transformasi. No. ATRIBUT TIPE DATA SIZE 1. NIM VARCHAR 12 2. MK1 VARCHAR 20 3. MK2 VARCHAR 20 4. MK3 VARCHAR 20 5. MK4 VARCHAR 20 6. MK5 VARCHAR 20 7. MK6 VARCHAR 20

114 4.2.6 Arsitektur Sistem Sumber Data Internal Sumber Data Akademik Aplikasi Data Mining -Perangkat Pelaporan -Perangkat Pengembangan Aplikasi Manajer Data Mining Sumber Data Eksternal Gambar 4.27 Arsitektur sistem data mining. Keterangan Gambar: Aplikasi yang akan dibangun mengacu pada pemodelan sistem seperti pada Gambar 4.27, beberapa komponen yang tergabung, yaitu sebagai berikut: 1. Aplikasi Data Mining Aplikasi data mining berfungsi untuk menjalankan perintah atau melakukan proses penggalian data pada komputer. 2. Manajer Data Mining Manajer data mining berfungsi untuk mengatur proses penggalian data yang dijalankan oleh komputer. 3. Sumber Data Akademik Sumber data akademik berfungsi memberikan data berupa data mentah yang belum diolah untuk proses penggalian data.

115 4. Sumber Data Eksternal Sumber data eksternal befungsi untuk menampung data dari luar yang saling terhubung dengan data lainnya. 4.2.7 Arsitektur Aplikasi Pada pembangunan aplikasi, dibutuhkannya perancangan arsitektur pada aplikasi berupa proses yang divisualisasikan ke dalam gambar. Berikut adalah arsitektur aplikasi yang akan dibangun: User Interface Pattern Evaluation Data Mining Engine Knowledge Database Database Server Data Cleaning, Integration and Selection Database Other Info Repusitories Gambar 4.28 Arsitektur aplikasi data mining.

116 4.2.8 Perancangan Navigasi Perancangan navigasi berfungsi menampilkan struktur rancangan menu atau navigasi yang dibuat untuk aplikasi dapat dilihat pada Gambar 4.24. LOGIN HALAMAN UTAMA DATA PREPROCESSING DATA MINING STATISTIK ABOUT KELUAR Gambar 4.29 Struktur rancangan navigasi. 4.2.9 Perancangan Antar Muka Pengguna (User Interface) Perancangan antar muka pengguna (user interface) merupakan struktur gambaran aplikasi yang akan dibangun. Berikut rancangan antar muka aplikasi data mining. 1. Perancangan Interface Form Halaman Utama Perancangan ini berfungsi sebagai halaman utama yang di dalamnya terdapat menu-menu penting seperti menu data preprocessing, data mining, statistik mata kuliah pilihan, about, dan logout. User Interface untuk halaman utama dapat dilihat pada Gambar 4.30.

117 Gambar 4.30 Perancangan form halaman utama. 2. Perancangan Interface Form Data Preprocessing Perancangan ini berfungsi sebagai tampilan form data preprocessing yang di dalamnya sudah terdapat data-data yang telah diolah dari database seperti data cleaning, data selection, dan data transformation. User interface untuk halaman data preprocessing dapat dilihat pada Gambar 4.31. Gambar 4.31 Perancangan form data preprocessing.

118 3. Perancangan Interface Form Data Mining Pada perancangan ini terdapat popup yaitu, data percobaan dan data asli. Di dalam setiap popup tersebut terdapat 4 panel utama yaitu, tabel data mata kuliah pilihan, tabel FP-Tree, tabel frequensi item, dan tabel frequent itemset. User interface untuk halaman data mining dapat dilihat pada Gambar 4.32. Gambar 4.32 Perancangan form data mining. 4. Perancangan Interface Form Statistik Pada perancangan ini akan ditampilkan statistik hasil daripada proses data mining yang terdapat 12 kategori mata kuliah pilihan yang datanya bersumber dari histori mata kuliah pilihan angkatan 2008-2010. User interface untuk halaman statistik dapat dilihat pada Gambar 4.33. Gambar 4.33 Perancangan form statistik.