Analisis Data Outlier - ANALISIS HASIL DAN PEMBAHASAN

BAB VI ANALISIS HASIL DAN PEMBAHASAN

6.2. Analisis Data Outlier

Berikut merupakan uraian dari hasil identifikasi outlier pada dataset evaluasi pembelajaran tahun 2017 semester ganjil dengan nilai K = 10 dan N = 10, yang dapat dilihat pada tabel 6.7 : termasuk tingkat matakuliah (label kelas) “DASAR”, sedangkan 4 dari 10 adalah matakuliah yang termasuk dalam kelas “LANJUT”, dan 1 dari 10 adalah matakuliah yang termasuk dalam kelas “MENEGAH” . Setelah itu dengan memeriksa 10 tetangga terdekat dari data matakuliah yang teridentifikasi sebagai outlier, ditemukan bahwa 8 dari 10 kelas

“MENENGAH” selalu muncul pada hasil 10 tetangga terdekat, bahkan ditemukan juga kelas “MENENGAH” lebih mendominasi pada hasil 10 tetangga terdekat. Hal ini menandakan bahwa data matakuliah - matakuliah yang teridentifikasi sebagai outlier memiliki sifat yang hampir sama dan mirip dengan kelas “MENENGAH”. Dengan demikian dapat dikatakan bahwa matakuliah – matakuliah tersebut diidentifikasi sebagai outliers. Untuk hasil memeriksa data tetangga terdekat dengan menggunakan program pada semester ganjil, genap tahun 2016 dan 2017 dapat dilihat pada lampiran 8.

Dari hasil identifikasi outlier dengan menggunakan K bervariasi dan N bervariasi yang dapat dilihat pada tabel 6.1 dan tabel 6.2 sebelumnya, terdapat data matakuliah yang selalu muncul dan teridentifikasi sebagai outlier yaitu sebagai berikut :

1. Record ke - 39

Berdasarkan hasil data matakuliah yang teridentifikasi sebagai outlier dan yang sering muncul tersebut berikut merupakan ciri - ciri karakteristik dari matakuliah tersebut :

1. Record ke - 39

Record ke - 39 dinyatakan sebagai outlier sebab memiliki nilai tinggi yang dikategorikan hampir sangat puas pada BIDANG 1, BIDANG 3, BIDANG 5, BIDANG 6 yaitu 6.00, 6.02, 6.07, dan 6.00, bidang - bidang tersebut merupakan point penilaian dari, Bidang Keseluruhan, Pelibat-aktifan Mahasiswa, Isi dan Evaluasi Pembelajaran, dan Integrasi Dalam Kehidupan. Sedangkan pada BIDANG 2 dan BIDANG 4 memiliki nilai yang lebih rendah jika dibandingkan dengan BIDANG 1, BIDANG 3, BIDANG 5, BIDANG 6 yaitu 5.99 dan 5.57, bidang tersebut merupakan poin penilaian Pengelolaan Matakuliah dan Interaksi Dosen-Mahasiswa. Matakuliah tersebut merupakan tingkat matakuliah

“MENENGAH”, sedangkan jika dibandingkan dengan hasil 10 tetangga terdekat pada tabel 6.8, hanya matakuliah tersebut yang merupakan tingkat matakuliah “MENENGAH”, hampir 9 dari 10 matakuliah lain merupakan tingkat matakuliah “DASAR”. Selain itu jika dilihat dari hasil PCL, matakuliah ini hanya mempunyai nilai PCL sebesar 0,1 yang berarti dari sekumpulan 10

matakuliah terdekat termasuk dirinya, tidak ada matakuliah yang memiliki class label yang sama dengan matakuliah tersebut.

Berikut merupakan tabel tetangga terdekat beserta class label dari matakuliah tersebut yang dapat dilihat pada tabel 6.8 :

Tabel 6.8 Tetangga Terdekat Record ke - 39

Record ke - 23 dinyatakan sebagai outlier sebab jika dilihat pada hasil tetangga terdekat pada tabel 6.9, matakuliah tersebut merupakan matakuliah dengan tingkat matakuliah “LANJUT”

sedangkan dari sekumpulan 10 tetangga terdekat terdapat 5 dari 10 kelas “MENENGAH” dan 4 dari 10 terdapat juga kelas “DASAR”, ini berarti pada sekumpulan tetangga terdekat hanya ada 1 matakuliah dengan tingkat matakuliah “LANJUT”. Selain itu jika dilihat pada hasil PCL matakuliah tersebut hanya memiliki nilai PCL sebesar 0,1 yang berarti dari sekumpulan 10 matakuliah terdekat termasuk dirinya, tidak ada matakuliah yang memiliki class label yang sama dengan matakuliah tersebut. Dilihat dari nilai BIDANG 1 sampai BIDANG 6 yaitu 6.08, 6.06, 6.11, 6.00, 6.13, 6.05 dosen tersebut memiliki nilai yang tinggi yang dikategorikan hampir sangat puas pada poin penilaian Bidang Keseluruhan, Interaksi

Dosen-67

Mahasiswa, Pengelolaan Matakuliah, Pelibat-aktifan Mahasiswa, Isi dan Evaluasi Pembelajaran, serta Integrasi Dalam Kehidupan, meskipun hanya dia sendiri yang memiliki class label tingkat

Record ke - 87 dinyatakan sebagai outlier sebab jika dilihat pada tabel hasil tetangga terdekat pada tabel 6.10 matakuliah tersebut memiliki class label tingkat matakuliah “LANJUT”, sedangkan 6 dari 10 adalah kelas “MENENGAH” dan sisanya 3 dari 10 adalah

“DASAR”. Selain itu jika dilihat dari hasil nilai PCL matakuliah tersebut memiliki nilai PCL 0,1 yang berarti dari sekumpulan 10 matakuliah terdekat termasuk dirinya, tidak ada matakuliah yang memiliki class label yang sama dengan matakuliah tersebut. Lalu jika dilihat dari nilai BIDANG 1 sampai BIDANG 6 yaitu 5.77, 5.62, 5.56, 5.41, 5.50, dan 5.69, matakuliah ini memiliki nilai yang hampir tinggi dan dikategorikan hampir sangat puas pada poin penilaian Bidang Keseluruhan, Interaksi Dosen-Mahasiswa, Pengelolaan Matakuliah, Pelibat-aktifan Mahasiswa, Isi dan Evaluasi

Pembelajaran, serta Integrasi Dalam Kehidupan, meskipun hanya dia sendiri yang memiliki class label tingkat matakuliah “LANJUT”.

Tabel 6.10 Tetangga Terdekat Record ke - 87

Record ke - 93 dinyatakan sebagai outlier sebab jika dilihat pada tabel hasil tetangga terdekat pada tabel 6.11 matakuliah tersebut memiliki class label tingkat matakuliah “LANJUT”, sedangkan 3 dari 10 adalah kelas “DASAR” dan sisanya 6 dari 10 adalah

“MENENGAH”. Selain itu jika dilihat dari hasil nilai PCL matakuliah tersebut memiliki nilai PCL 0,1 yang berarti dari sekumpulan 10 matakuliah terdekat termasuk dirinya, tidak ada matakuliah yang memiliki class label yang sama dengan matakuliah tersebut. Lalu jika dilihat dari poin penilaian BIDANG 1 sampai BIDANG 6 yaitu 5.42, 5.41, 5.52, 5.58, 5.52 dan 5.65, dosen tersebut memiliki poin penilaian Bidang Keseluruhan, Interaksi Dosen-Mahasiswa, Pengelolaan Matakuliah, Pelibat-aktifan Mahasiswa, Isi dan Evaluasi Pembelajaran, serta Integrasi Dalam Kehidupan yang cukup hampir tinggi dan hampir dikategorikan

hampir sangat puas, meskipun hanya dia sendiri yang memiliki class label tingkat matakuliah “LANJUT”.

Tabel 6.11 Tetangga Terdekat Record ke - 93

Record ke - 61 dinyatakan sebagai outlier sebab jika dilihat pada tabel hasil tetangga terdekat pada tabel 6.12 matakuliah tersebut memiliki class label tingkat matakuliah “LANJUT”, sedangkan 6 dari 10 adalah kelas “DASAR” dan sisanya 3 dari 10 adalah

“MENENGAH”. Selain itu jika dilihat dari hasil nilai PCL matakuliah tersebut memiliki nilai PCL 0,1 yang berarti dari sekumpulan 10 matakuliah terdekat termasuk dirinya, tidak ada matakuliah yang memiliki class label yang sama dengan matakuliah tersebut. Setelah itu jika dilihat dari nilai BIDANG 1 sampai 6, pada BIDANG 1, BIDANG 2, dan BIDANG 3 memiliki nilai tinggi yang dikategorikan hampir sangat puas yaitu 6.00, 6.00, 6.00 pada poin Bidang Keseluruhan, Interaksi Dosen-Mahasiswa, Pengelolaan Matakuliah. Sedangkan pada BIDANG 4, BIDANG 5 dan BIDANG 6 memiliki nilai yang lebih rendah jika dibandingkan dengan BIDANG 1, BIDANG2, dan BIDANG 3 yaitu 5.67, 5.50, dan 5.67 poin penilaian tersebut adalah, Pelibat-aktifan Mahasiswa, Isi dan

Evaluasi Pembelajaran, serta Integrasi Dalam Kehidupan meskipun hanya dia sendiri yang memiliki class label tingkat matakuliah

“LANJUT”.

Record ke - 91 dinyatakan sebagai outlier sebab jika dilihat pada tabel hasil tetangga terdekat pada tabel 6.13 matakuliah tersebut memiliki class label tingkat matakuliah “DASAR”, sedangkan 7 dari 10 adalah tingkat matakuliah “MENENGAH” dan terdapat juga tingkat matakuliah “LANJUT” yang hanya berjumlah 1, akan tetapi dari hasil tetangga terdekat tersebut matakuliah ini memiliki 1 matakuliah lagi yang label kelasnya sama dengan dirinya. Setelah itu bila dilihat pada hasil nilai BIDANG 1 sampai BIDANG 6 pada poin penilaian Bidang Keseluruhan, Interaksi Dosen-Mahasiswa, Pengelolaan Matakuliah, Pelibat-aktifan Mahasiswa, Isi dan Evaluasi Pembelajaran, serta Integrasi Dalam Kehidupan, matakuliah ini memiliki nilai yang relatif cukup tinggi dan hampir dikategorikan mendekati sangat memuaskan, jika dibandingkan dengan matakuliah yang memiliki class label yang sama dengan dirinya yaitu 5.54,

5.61, 5.58, 5.50, 5.46, dan 5.50. Berikut merupakan hasil tetangga terdekat pada Record ke - 91 yang dapat dilihat pada tabel 6.13 Tabel 6.13 Tetangga Terdekat Record ke - 91

BAB VII PENUTUP

7.1. Kesimpulan

Dari hasil penelitian pada evaluasi pembelajaran tahun 2016 – 2017 semester ganjil dan genap menggunakan algoritma Enhanced Class Outlier Distance Based (ECODB) memiliki sebuah kesimpulan yaitu :

1. Algoritma Enhanced Class Outlier Distance Based dapat digunakan dan diterapkan untuk mengidentifikasi outlier pada data evaluasi pembelajaran semester ganjil dan genap tahun 2016 – 2017.

2. Nilai K (jumlah tetangga terdekat) bervariasi dapat mempengaruhi keanggotaan data dosen yang teridentifikasi sebagai outlier.

3. Semakin tinggi nilai K (jumlah tetangga terdekat), maka average COF juga akan semakin tinggi.

4. Dari keempat dataset evaluasi pembelajaran semester ganjil dan genap tahun 2016 – 2017 hasil identifikasi outlier dengan rata – rata COF minimum diperoleh pada K = 10 dan N = 10 yaitu pada dataset evaluasi pembelajaran tahun 2017 semester ganjil yang memiliki nilai average COF yang paling rendah dibandingkan dengan ketiga dataset lainnya.

5. Dari hasil identifikasi outlier dengan menggunakan nilai average COF paling terendah, yaitu pada dataset evaluasi pembelajaran semester ganjil tahun 2017, berikut merupakan data yang diidentifikasi sebagai outlier :

7.2. Saran

Dari hasil penelitian pada evaluasi pembelajaran tahun 2016 – 2017 semester ganjil dan genap menggunakan algoritma Enhanced Class Outlier Distance Based (ECODB) memiliki saran untuk penelitian maupun pengembangan pada dimasa yang akan mendatang yaitu :

1. Pengintegrasian preprocessing data langsung pada perangkat lunak.

2. Pengembangan perangkat lunak agar dapat mengolah data atau mengimpor data dengan menggunakan format selain .xls.

3. Pengembangan perangkat lunak agar dapat mengekspor hasil identifikasi outlier kedalam bentuk selain .xls.yaitu misalkan .doc, .txt, .csv, .xlsx, ataupun kedalam bentuk format data lainnya.

4. Penelitian ini nantinya diharapkan dapat dikembangkan lagi dengan menggunakan algoritma yang berbeda ataupun dengan dataset yang berbeda.

DAFTAR PUSTAKA

Han, J dan M. Kamber (2012). Data Mining : Concepts and Techniques 3^rd Edition. San Fransisco : Morgan Kaufmann Publishers.

Hewahi, N. M. dan M. K. Saad (2007). Class Outlier Mining : Distance-Based Approach. Internasional Journal of Electrical and Computer Engineering.

Hewahi, N. M. dan M. K. Saad (2009). A comparative Study of Outlier Mining and Class Outlier Minir. ISSR Journal.

Kwa, Fiona Endah dan Paulina H. Prima Rosa (2013). Deteksi Outlier Menggunakan Algoritma Block-based Nested Loop(Studi Kasus: Data Akademik Mahasiswa Prodi PS Universitas XYZ). Prosiding Seminar RiTekTra.

Mediatrix, A. M. dan Paulina H. P. Rosa (2019). An Implementation of ECODB Algorithm to Identify Outlier on Data of National Exam Scores, Integrity Index, and Accreditation Level of Senior High Schools in Yogyakarta.

EAI.

Mediatrix, A. M. (2017). Penerapan Metode Enhanced Class Outlier Distance Based Untuk Identifikasi Outlier Pada Data Hasil Ujian Nasional, Indeks Intgritas Dan Akreditasi Sekolah Menengan Atas. Skripsi Universitas Sanata Dharma.

Puspitasari, V. (2016). Pengelompokan Sekolah Menengah Atas Di Provinsi Daerah Istimewa Yogyakarta Berdasarkan Hasil Ujian Nasional Menggunakan Algoritma Agglomerative Hierarchical Clustering. Skripsi Universitas Sanata Dharma.

Widowati, M. K. (2014). Deteksi Outlier Pada Data Campuran Numerik Dan Kategorikal Menggunakan Algoritma Enhanced Class Outlier Distance Based (ECODB)(Studi Kasus :Data Kredit BPR XYZ). Skripsi Universitas Sanata Dharma.

LAMPIRAN

LAMPIRAN 1 : NARASI USE CASE Author(s) : Yulius Date : 25/03/2019

Version : 001

Description Use case ini mendeskripsikan proses untuk memilih file excel Precondition Aktor memiliki file bertipe .xls

Trigger -

Typical Course of Events

Actor Action System Response 1. Klik menu Outlier pada

side bar menu

2. Menampilkan field open file 3. Klik Open File dan pilih

data excel bertipe .xls

4. Menampilkan tabel dengan isi file excel sesuai dengan data yg dimasukkan

Alternate Course

Actor Action System Response 1. Klik menu Outlier pada

side bar menu

2. Menampilkan field open file 3. Klik Open File dan pilih

data excel bukan bertipe .xls

4. Menampilkan dialog pesan error, karena file bukan bertipe .xls

5. Memasukkan ulang file bertipe .xls

6. Menampilkan tabel dengan isi file excel sesuai dengan data yang dimasukkan

Conclusion Use case ini menyimpulkan bahwa aktor yang bersangkutan telah berhasil menampilkan data excel

Postcondition Aktor berhasil menampilkan data file excel Business Rules

Aktor menampilkan file excel untuk proses identifikasi outlier dengan menggunakan algoritma Enhanced Class Outlier Distance Based (ECODB)

Implementation Constraints and Specifications

Memasukkan data input berupa file excel bertipe .xls

78 Author(s) : Yulius Date : 25/03/2019

Version : 001 Use-Case Name Mengidentifikasi Outlier

Use Case ID 2

Priority High

Primary Business

Actor User

Description Use case ini mendeskripsikan proses identifikasi outlier

Precondition Data file excel pada tabel harus sudah muncul agar dapat diproses untuk diidentifikasi

Trigger Aktor diminta untuk menampilkan file excel dengan format .xls terlebih dahulu dan telah muncul pada tabel pada menu Outlier

Typical Course of Events

Actor Action System Response 1. Pada menu Outlier

masukkan jumlah nilai K dan jumlah outlier

2. Klik tombol Process

3. Menjalankan algoritma Enhanced Class Outlier Distance Based (ECODB)

4. Menampilkan hasil PCL, PCL(T_K), Dev, Kdist, normDev, normKDist, COF pada halaman Result 5. Klik tombol SORT

6. Menampilkan hasil COF yang telah diurutkan dari yang terkecil hingga terbesar

Conclusion

Use case ini menyimpulkan bahwa aktor yang bersangkutan telah berhasil menampilkan hasil algoritma Enhanced Class Outlier Distance Based (ECODB)

Postcondition Aktor berhasil menampilkan hasil algoritma ECODB Business Rules -

Implementation Constraints and Specifications

Memasukkan data berupa nilai K dan jumlah outlier, agar dapat diproses untuk mengidentifikasi outlier

79 Author(s) : Yulius Date : 25/03/2019

Version : 001 Use-Case Name Menyimpan Hasil Outlier

Use Case ID 3

Priority High

Primary Business

Actor User

Description Use case ini mendeskripsikan proses untuk menyimpan hasil outlier ke dalam format .xls kembali

Precondition Aktor diminta untuk menampilkan hasil dari ECODB pada menu Results terlebih dahulu

Trigger Menampilkan hasil algoritma ECODB

Typical Course of Events

Actor Action System Response 1. Klik menu Results pada

side bar menu dan klik Export

2. Menampilkan dialog save file 3. Memilih lokasi

penyimpanan hasil outlier dan memberi nama file tersebut

4. Mengecek apakah nama file yang

disimpan sama atau tidak

5. Menampilkan pesan berhasil menyimpan file

4. Menyimpan hasil outlier sesuai dengan lokasi penyimpanan dan nama yang telah ditentukan

Alternate Course

Actor Action System Response 1. Klik menu Results pada

side bar menu dan klik Export

2. Menampilkan dialog save file 3. Memilih lokasi

penyimpanan hasil outlier dan memberi nama file tersebut

4. Menampilkan pesan error karena nama file sama dengan yang sudah ada 5. Memilih lokasi

penyimpanan hasil outlier dan memberi nama file tersebut ulang

6. File berhasil disimpan

Conclusion Use case ini menyimpulkan bahwa aktor yang bersangkutan telah berhasil menyimpan hasil dari ECODB

Postcondition Aktor berhasil menyimpan hasil ECODB Business Rules -

Implementation Constraints and Specifications

Memasukkan lokasi penyimpanan dan memberi nama file pada kotak dialog Save Dialog

LAMPIRAN 2 : DIAGRAM ACTIVITY

1) Diagram Aktivitas Memilih File

2) Diagram Aktivitas Mengidentifikasi Outlier

3) Diagram Aktivitas Menyimpan Hasil Outlier

LAMPIRAN 3 : DIAGRAM SEQUENCE

1) Diagram Sequence Memilih File

3) Diagram Sequence Menyimpan Hasil Outlier

LAMPIRAN 4 : DIAGRAM KELAS ANALISIS

LAMPIRAN 5 : DIAGRAM KELAS DESAIN

LAMPIRAN 6 : ALGORITMA PER METHOD

Nama Method Fungsi Algoritma Method

EuclideanDistance(double data[][], int indexData1, int indexData2)

Menentukan nilai perhitungan jarak dengan menggunakan Euclidean Distance

1. Mendeklarasi array dua dimensi bertipe double yang digunakan untuk mengambil data .xls

2. Kemudian deklarasi variable yang digunakan untuk menghitung sejumlah baris pada indeks data

3. Setelah itu lakukan perhitungan euclidean distance untuk setiap baris pada indeks data

4. Setelah itu kembalikan hasil nilai euclidean distance ke dalam bentuk array dua dimensi bertipe double

sort(double[][] baru, int x) Merangking nilai dari COF 1. Deklarasi variable baru untuk mengambil nilai array dua dimensi, dan x yang digunakan untuk memilih pada indeks kolom berapa yang ingin di sort 2. Impor kelas Arrays dan panggil method sort dan pada parameter method

sort tambahkan Comparator bertipe double[],

3. Lalu setelah itu implement seluruh method dari kelas Comparator yaitu method compare

PCL_DEV_Kdist(double simpanjarak[][], LinkedList

Menentukan nilai dari PCL, Dev, dan KDist untuk setiap

1. Mendeklarasi variable array dua dimensi bertipe double yang digunakan untuk mengambil nilai dari hasil eucelidean distance dan variable hasil

LinkedList[] test, int K ) 2. Untuk setiap instance T hitung yang memiliki class label yang sama dengan instance T

3. Lalu setelah itu untuk setiap jumlah instance T yang memiki class label yang sama bagi dengan nilai K (jumlah tetangga terdekat)

4. Setelah itu simpan hasil PCL ke dalam variable hasil yang bertipe array dua dimensi.

5. Selanjutnya hitung nilai Dev, cek apakah pada setiap instance T memiliki class label yang sama, jika iya maka jumlahkan

6. Simpan kembali hasil perhitungan Dev ke dalam array dua dimensi hasil 7. Yang terakhir hitung nilai dari KDist, jumlahkan setiap instance T yang

termasuk ke dalam matriks tetangga terdekat

8. Simpan hasil dari KDist pada array dua dimensi hasil 9. Setelah itu kembalikan nilai dari variable hasil.

Max(double data[]) Mencari nilai terbesar pada Dev dan KDist

1. Mendeklarasi variable max bertipe int

2. Setelah itu lakukan perulangan sebanyak panjang data

3. Lalu cek pada data tersebut apakah variable max lebih kecil dari data jika ya maka cetak nilai max, jika tidak maka lakukan pengecekan dalam

perulangan sebanyak panjang data

Dev dan KDist 2. Setelah itu lakukan perulangan sebanyak panjang data

3. Lalu cek pada data tersebut apakah variable min lebih besar dari data jika ya maka cetak nilai min, jika tidak maka lakukan pengecekan dalam

perulangan sebanyak panjang data normDeviation(double dev,

double maxDev, double minDev)

Menentukan nilai dari normalisasi Dev

1. Mendeklarasi variable hasilNormDev bertipe double

2. Setelah itu lakukan perulangan untuk setiap instance T hitung nilai

normDev, yaitu nilai dev dikurangi nilai minimum dev dibagi dengan nilai maksimum dev dikurangi nilai minimum dev

normKDist(double KDist, double maxDev, double minDev)

Menentukan nilai dari normalisasi KDist

1. Mendeklarasi variable hasilNormKDist bertipe double

2. Setelah itu lakukan perulangan untuk setiap instance T hitung nilai

normKDist, yaitu nilai KDist dikurangi nilai minimum KDist dibagi dengan nilai maksimum KDist dikurangi nilai minimum KDist

COF(double PCL, double normDeviation, double normKDist, int K)

Menentukan nilai dari COF (Class Outlier Factor)

1. Mendeklarasi variable hasilNormKDist bertipe double

2. Setelah itu lakukan perulangan untuk setiap instance T hitung nilai COF, yaitu nilai jumlah tetangga terdekat dikali nilai pcl dikurangi nilai normDev lalu ditambah nilai normKDist

93 Identifikasi

Use Case Deskripsi Prosedur Pengujian Masukkan Keluaran yang Diharapkan

bertipe .xlsx tesdata.xlsx

Menampilkan