BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM

BAB V IMPLEMENTASI DAN PENGUJIAN SISTEM 5.1 Implementasi Sistem Setelah melakukan analisis sistem yang dilakukan pada tahap sebelumnya dan dirancang sedemikian rupa, maka dilakukan tahapan selanjutnya yaitu tahapan impelementasi. Implementasi merupakan suatu prosedur atau uraian mengenai tahapan yang telah dilakukan dan menjelaskan segala sesuatu yang dibutuhkan dalam proses implementasi yang berupa komputerisasi sistem. 5.1.1 Persiapan Perangkat Keras (Hardware) Hardware pendukung yang dipakai selama pembangunan aplikasi memiliki spesifikasi sebagai berikut: a. Processor @2.40GHz. b. RAM DDR3 2GB. c. VGA 1024 MB. d. Hardisk @640GB. e. Monitor 14 inc @1366 x 768 pixel. 5.1.2 Persiapan Perangkat Lunak (Software) Software pendukung yang digunakan selama pembangunan aplikasi memiliki spesifikasi sebagai berikut: a. Microsoft Windows 7. b. Microsoft Visual Basic.NET 2010 Ultimate. c. DotNetBar 10. 119

120 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. 5.1.3 Implementasi Basis Data (Database) a. Tabel Hasil Cleaning No. ATRIBUT TIPE DATA SIZE 1. NIM VARCHAR 15 2. KDMK VARCHAR 15 b. Tabel Mata Kuliah Pilihan No. ATRIBUT TIPE DATA SIZE 1. KDMK VARCHAR 15 2. NAMA_MK VARCHAR 20 3. KD_TRANSFORMASI VARCHAR 10 4. JML_KEMUNCULAN_MKP VARCHAR 15 c. Tabel Transformasi No. ATRIBUT TIPE DATA SIZE 1. NIM VARCHAR 15 2. MK1 VARCHAR 20 3. MK2 VARCHAR 20 4. MK3 VARCHAR 20 5. MK4 VARCHAR 20 6. MK5 VARCHAR 20 7. MK6 VARCHAR 20

121 5.1.4 Implementasi Antarmuka Pengguna (User Interface) Implementasi antarmuka dibuat menggunakan tools Microsoft Visual Studio 2010 dengan menggunakan bahasa pemrograman Microsoft Visual Basic.Net dan DotNetBar 10. Implementasi antarmuka merupakan bagian penting dari pengolahan implementasi yang disajikan untuk user, dalam hal ini pengguna adalah ketua jurusan ataupun sekretaris jurusan Informatika yang ingin melihat pola pengambilan mata kuliah pilihan. A. Form Halaman Utama Pada halaman utama terdapat beberapa menu yaitu, data preprocessing, data mining, statistik mata kuliah pilihan, about, dan logout. User interface untuk halaman utama dapat dilihat pada Gambar 5.1. Gambar 5.1 Form halaman utama. B. Form Data Preprocessing Pada halaman data preprocessing terdapat 4 tab horizontal yang merupakan tahapan dalam proses data preprocessing yang diimplementasikan menggunakan tools SQL Manager 2007 dan XAMPP 1.7.7. Pada kasus data preprocessing ini hanya digunakan 3 pendekatan berupa data cleaning, data

122 selection, dan data transformation. Hasil dari tahap data preprocessing tahapan data cleaning dapat dilihat pada Gambar 5.2. Gambar 5.2 Form data preprocessing data cleaning. Beberapa kategori yang sama dalam sebuah transaksi pengambilan mata kuliah pilihan akan dihitung sebagai 1 kategori (selection), dapat dilihat pada Gambar 5.3. Gambar 5.3 Form data preprocessing data selection.

123 Untuk mempermudah proses mining dilakukan perubahan kategori (transformation) ke dalam bentuk abjad lalu dihapus atribut yang tidak diperlukan, dapat dilihat pada Gambar 5.4. Gambar 5.4 Form data preprocessing data transformation. Tabel 12 kategori yang disajikan pada pengambilan mata kuliah pilihan dapat dilihat pada Gambar 5.5. Gambar 5.5 Form data preprocessing tabel 12 kategori.

124 C. Form Data Mining Pada form data mining terdapat popup dari toolstrip combobox yang terdapat dalam tools visual basic.net, pada popup tersebut terdapat 2 piihan dalam combobox yaitu, data percobaan dan data asli. Dalam setiap pilihan combobox terdapat 4 panel utama yaitu, tabel data mata kuliah pilihan, tabel FP-Tree, tabel frequensi item, dan tabel frequent itemset dapat dilihat pada Gambar 5.6. Gambar 5.6 Form data mining. Pada form ini user dapat menjalankan algoritma FP-Growth (frequent pattern growth) dengan cara menekan tombol Jalankan Algoritma, maka program akan berjalan dengan sendirinya hingga menampilkan tahapan-tahapan yang dilakukan oleh algoritma tersebut, dapat dilihat pada Gambar 5.7.

125 Gambar 5.7 Form data mining implementasi algoritma FP-Growth. Form Source Code Data Mining Process Private Sub Timer1_Tick(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles Timer1.Tick waktu += 1 If waktu = 20 Then If txtsumberdata.selectedindex = 0 Then dtgrdviewdatapercobaantransaksi.datasource = mysqltable("select *from tbl_transformasi2 limit 10;") Else dtgrdviewdatapercobaantransaksi.datasource = mysqltable("select *from tbl_transformasi2;") End If PanelEx1.Text += " (" & dtgrdviewdatapercobaantransaksi.rowcount & " TRANSAKSI MATA KULIAH PILIHAN)" lblstatus.text = "Mencari Jumlah Frequensi Setiap Item.." ElseIf waktu = 40 Then agus.carifreqtiapitems(dtgrdviewdatapercobaantransaksi, dtgrdviewpercobaanfreqtiapitem) lblstatus.text = "Hapus Item Pada Tabel Frequensi Item Yang < Minimum Support.." ElseIf waktu = 80 Then agus.hapusitemyangkurangminsupportpadatabelfreq(dtgrdviewpercobaanfreqti apitem, (txtpercobaansupport.text * dtgrdviewdatapercobaantransaksi.rowcount) / 100) lblstatus.text = "Urutkan Tabel Data Transaksi Berdasarkan Urutan Frequensi.. "

126 ElseIf waktu = 120 Then agus.urutkanitem(dtgrdviewdatapercobaantransaksi,dtgrdviewpercobaanfreqt iapitem) lblstatus.text = "Hapus Item Pada Tabel Data Transaksi MKP Yang < Minimum Support.." ElseIf waktu = 160 Then agus.hapusitemyangkurangminsupportpadatabeltransaksi(dtgrdviewdatapercob aantransaksi, dtgrdviewpercobaanfreqtiapitem, (txtpercobaansupport.text * dtgrdviewdatapercobaantransaksi.rowcount) / 100) lblstatus.text = "Bentuk Frequent Pattern Tree.. ElseIf waktu = 200 Then agus.generatetreefromdata(treegxdatapercobaan, dtgrdviewdatapercobaantransaksi, nodenull) lblstatus.text = "Cari Frequent Itemset Pada Data Transaksi Pengambilan MKP... " ElseIf waktu = 240 Then agus.carifreqitemset(dtgrdviewdatapercobaantransaksi, dtgrdviewassociation, dtgrdviewpercobaanfreqtiapitem) lblstatus.text = "Cari Confident Setiap Itemset.. ElseIf waktu = 280 Then agus.cariconfident(dtgrdviewdatapercobaantransaksi, dtgrdviewassociation) lblstatus.text = "Hapus Itemset Yang < Minimum Confident.." ElseIf waktu = 320 Then agus.hapusitemyangkurangminconfidentpadatabelfreqitemset(dtgrdviewassoci ation, txtpercobaanconfident.text, dtgrdviewkomposisi) lblstatus.text = "Menterjemahkan Itemset.. ElseIf waktu = 360 Then agus.terjemahpolacontoh(dtgrdviewassociation, dtgrdviewkategoricontoh) PanelEx3.Text = "ASSOCIATION RULE" dtgrdviewassociation.columns(0).headertext = "Pola Pengambilan Mata Kuliah Pilihan" lblstatus.text = "SELESAI.. Setelah algoritma selesai dijalankan, maka hasil asosiasi kategori dalam transaksi pengambilan mata kuliah pilihan yang merupakan pola pengambilan mata kuliah pilihan yang diambil oleh mahasiswa akan ditampilkan pada tab Association Rule, dapat dilihat pada Gambar 5.8.

127 Gambar 5.8 Form data mining pola pengambilan mata kuliah pilihan. D. Form Statistik Mata Kuliah Pilihan Pada form ini berisikan statistik transaksi pengambilan mata kuliah pilihan dari angkatan 2008 hingga angkatan 2010, dapat dilihat pada Gambar 5.9. Gambar 5.9 Form data statistik.

128 5.2 Pengujian Sistem Dilakukan tahapan pada pengujian sistem untuk dilakukannya pengujian white-box dan pengujian black-box. Pengujian white-box dilakukan dengan membongkar source code serta menguji atribut dan method yang terdapat pada kelas-kelas yang dibuat pada program. Pengujian ini masih dalam tahap proses pengembangan. Pengujian black-box dilakukan dengan menguji apakah sistem yang dikembangkan sesuai dengan kebutuhan fungsional pada Tabel 4.16. 5.2.1 Pengujian Black-Box Pengujian Black-box berusaha menemukan kesalahan dalam aplikasi yang dibangun, kesalahan-kesalahan tersebut diantaranya yaitu: a. Fungsi-fungsi yang tidak benar atau hilang. b. Kesalahan interface. c. Kesalahan dalam struktur data atau akases database eksternal. d. Kesalahan kinerja. e. Inisialisasi dan kesalahan terminasi. Berikut ini adalah hasil dari pengujian aplikasi data mining berdasarkan spesifikasi yang telah dijelaskan sebelumnya pada proses analisi dan implementasi: 1. Pengujian pencarian pola pada contoh ambil mata kuliah pilihan. Hasil pengujian yang didapatkan dari pengujian pencarian pola pada 10 contoh data akademik mata kuliah pilihan yang telah dicari asosiasinya melalui proses perhitungan manual pada bab analisis dan perancangan, lalu hasil berupa program dapat dilihat pada Gambar 5.10.

129 Gambar 5.10 Pengujian sistem dengan contoh data ambil mata kuliah pilihan. Pada Gambar 5.10 terlihat pada panel tabel data transaksi terdapat 10 data transaksi pengambilan mata kuliah pilihan yang telah diurutkan sebelumnya sesuai dengan frequensi tiap mata kuliah pilihan pada panel tabel frequent item, lalu FP-Tree dibangkitkan untuk melihat pola dari pengamblan mata kuliah pilihan oleh mahasiswa yang hasilnya dapat dilihat pada tabel association rule dengan output nilai support dan confidence yang pada bab analisis dan perancangan telah dilakukan perhitungan manual, 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%).

130 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%). 2. Pengujian pencarian pola pada data asli ambil mata kuliah pilihan Pengujian pencarian pola telah dilakukan dan mendapatkan hasil berupa pencarian pola terhadap 391 transaksi data akademik dari 57.858 total keseluruhan, berupa pengambilan mata kuliah dari angkatan 2008 hingga angkatan 2010 yang telah melewati tahap preprocessing dengan hanya memilih mahasiswa yang mengambil mata kuliah pilihan saja yang dipilih, dapat dilihat pada Gambar 5.11. Gambar 5.11 Pengujian sistem dengan data asli ambil mata kuliah pilihan.

131 Pada Gambar 5.11 dapat dilihat pada tabel data transaksi mata kuliah pilihan terdapat sebanyak 391 data transaksi mata kuliah pilihan yang telah diurutkan sesuai dengan frequensi tiap mata kuliah pada tabel frequent item dengan nilai support 1%. Kemudian dilakukan pembangkitan FP-Tree (Frequent Pattern Tree) untuk melihat pola-pola tersembunyi pada pengambilan mata kuliah pilihan yang dilakukan oleh mahasiswa yang hasilnya dapat dilihat pada tabel association rule. Pola-pola yang telah ditemukan dan telah memenuhi minimum confidence sebesar 20% dapat dilihat pada Tabel 5.1. Tabel 5.1 Pola ambil MKP dengan minimum support 1% dan confidence 20%. POLA PENGAMBILAN MKP SUPPORT (% ) CONFIDENCE (% ) Jika mengambil PERAWATAN PERANGKAT LUNAK,,maka akan mengambil E-COMMERCE Jika mengambil SISTEM BASIS DATA TERDISTRIBUSI, maka akan mengambil E-COMMERCE Jika mengambil SISTEM BASIS DATA TERDISTRIBUSI, maka akan mengambil SISTEM INFORMASI ENTERPRISE Jika mengambil SISTEM INFORMASI ENTERPRISE, maka akan mengambil E-COMMERCE Jika mengambil DATA MINING, maka akan mengambil SISTEM INFORMASI ENTEPRISE Jika mengambil SISTEM INFORMASI GEOGRAFIS, maka akan mengambil E-COMMERCE Jika mengambil SISTEM INFORMASI GEOGRAFIS, maka akan mengambil MOBILE PROGRAMMING Jika mengambl E-COMMERCE, maka akan mengambil SISTEM INFORMASI ENTERPRISE Jika mengambil MOBILE PROGRAMMING, maka akan mengambil E-COMMERCE Jika mengambil INFORMATION RETRIEVAL, maka akan mengambil SISTEM INFORMASI GEOGRAFIS 9 94 7 93 7 89 53 78 9 67 48 63 48 60 69 60 56 57 8 55

132 Tahapan-tahapan telah dilakukan sedemikian rupa dan mendapatkan hasil pengujian berupa tahapan utama, dapat dilihat Tabel 5.2. Tabel 5.2 Hasil pengujian kebutuhan fungsional. No. DESKRIPSI KEBUTUHAN SUKSES 1. Login. 2. Data Preprocessing 3. Data Mining. 4. Statistik Mata Kuliah Pilihan. 5. About. HASIL GAGAL KETERANGAN Untuk memasuki menu atau halaman utama menggunakan username dan password. Untuk melihat data sebelum maupun sesudah preprocessing. Untuk mencari pola yang tersembunyi dalam data akademik mata kuliah pilihan. Untuk melihat data statistik mata kuliah pilihan dari angkatan 2008-2010. Untuk melihat informasi programmer aplikasi data mining. Telah dilakukan pengujian secara keseluruhan dengan tahapan ujian yang sedemikian rupa dan didapatkan kesimpulan dengan hasil pengujian yang telah dilakukan terhadap Aplikasi Data Mining menggunakan Algoritma Frequent Pattern Growth berhasil dan sesuai dengan kebutuhan spesifikasi yang telah ditetapkan sebelumnya.