IMPLEMENTASI SISTEM
6.1.5 Hasil Pengujian Validitas dan Review oleh Pengguna
6.1.5.3 Hasil Review Pengguna
Pengujian dilakukan untuk membuktikan bahwa data yang terindikasi atau berpotensi sebagai outlier tersebut memang benar-benar merupakan outlier. Oleh karena itu di butuhkan validasi oleh user atau pengguna dari sistem deteksi outlier menggunakan algoritma Conectivity-based Outlier Factor ini yaitu Kaprodi Teknik Informatika Universitas Sanata Dharma. Dalam pengujian ini akan di lakukan tiga kali uji data yaitu data akademik mahasiswa angkatan 2007-2008 jalur tes, data akademik mahasiswa angkatan 2007-2008 jalur prestasi, dan data akademik mahasiswa angkatan 2007-2008.
Berikut adalah tabel pengujian yang telah dilakukan:
1. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes pada semester 1 sampai 4 menggunakan parameter k = 10. Nilai batas outlier= 1.6 dengan jumlah data 54 record data.
Tabel 6.11 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Tes
Se m Nom or ips 1 ips 2 ips 3 ips 4 nilai1 1 nilai1 2 nilai1 3 nilai1 4 nilai1 5 COF 1 28 1,7 2 - - - 1,20 0,80 3,20 1,20 0,40 2,093 73 27 4,0 0 - - - 2,40 2,40 1,60 1,60 2,80 1,652 72 2 28 - 1,6 5 - - 1,20 0,80 3,20 1,20 0,40 2,026 80 3 28 - - 1,5 3 - 1,20 0,80 3,20 1,20 0,40 2,115 15 74 - - 0,1 9 - 3,20 2,00 3,60 3,20 1,60 1,819 25 50 - - 0,5 9 - 2,00 2,00 2,00 1,60 2,80 1,675 64 4 28 - - - 1,6 8 1,20 0,80 3,20 1,20 0,40 2,151 34
2. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur prestasi pada semester 1 sampai 4 menggunakan parameter k = 20. Nilai batas outlier= 1.6 dengan jumlah data 74 record data.
Tabel 6.12 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008 Jalur Prestasi
Sem Nomor ips1 ips2 ips3 ips4 final COF
1 76 0,85 - - - 2,85 4,329895 124 1,45 - - - 2,90 2,272061 15 1,67 - - - 2,72 1,73662 10 3,89 - - - 3,08 1,627632 2 17 - 0,32 - - 2,72 4,014297 124 - 0,44 - - 2,90 3,598753 107 - 3,92 - - 3,33 2,216697 86 - 2,80 - - 3,22 1,967725 94 - 1,35 - - 2,77 1,690341 3 17 - - 0,69 - 2,72 7,309803 107 - - 3,76 - 3,33 1,984868 117 - - 2,00 - 2,89 1,740475
3 - - 3,78 - 2,78 1,689841 4 88 - - - 0,94 2,89 3,295088 94 - - - 1,20 2,77 2,622358 122 - - - 1,47 3,05 2,05038 107 - - - 3,78 3,33 1,973157 98 - - - 3,15 3,22 1,843327 89 - - - 3,90 2,97 1,612266
3. Hasil outlier untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 pada semester 1 sampai 4 menggunakan parameter k = 20. Nilai batas outlier= 1.6 dengan jumlah data 126 record data.
Tabel 6.13 Hasil Deteksi Outlier Data Akademik Mahasiswa Teknik Informatika Angkatan 2007-2008
Sem Nomor ips1 ips2 ips3 ips4 final COF Jalur
Tes 1 28 1,72 - - - 1,12 2,832182 Tes 76 0,85 - - - 2,85 2,698741 Prestasi 27 4,00 - - - 2,32 2,476131 Tes 26 1,44 - - - 2,96 1,704439 Tes 58 2,30 - - - 1,60 1,614494 Tes 2 28 - 1,65 - - 1,12 2,757748 Tes 17 - 0,32 - - 2,72 2,402557 Prestasi 124 - 0,44 - - 2,90 2,23014 Prestasi 107 - 3,92 - - 3,33 2,142604 Prestasi 86 - 2,80 - - 3,22 2,003432 Prestasi 58 - 2,61 - - 1,60 1,838364 Tes 3 28 - - 1,53 - 1,12 2,978759 Tes 74 - - 0,19 - 2,56 2,90763 Tes 50 - - 0,59 - 2,56 2,421761 Tes 17 - - 0,69 - 2,72 2,285508 Prestasi 72 - - 1,73 - 2,96 2,090689 Tes 107 - - 3,76 - 3,33 2,027778 Prestasi 55 - - 3,72 - 2,24 1,807945 Tes 58 - - 2,50 - 1,60 1,782962 Tes 46 - - 1,31 - 2,76 1,704525 Tes 31 - - 1,55 - 2,12 1,631952 Tes
4 28 - - - 1,68 1,12 2,96454 Tes 107 - - - 3,78 3,33 2,003851 Prestasi 68 - - - 0,00 2,00 1,949267 Tes 67 - - - 0,00 2,04 1,930298 Tes 98 - - - 3,15 3,22 1,857202 Prestasi 27 - - - 3,70 2,32 1,821053 Tes 47 - - - 0,05 2,40 1,802944 Tes 58 - - - 2,50 1,60 1,778459 Tes 46 - - - 0,31 2,76 1,654389 Tes 69 - - - 1,85 1,96 1,603947 Tes
6.1.5.4Kesimpulan Hasil Pengujian Validitas dan Review Oleh
Pengguna
1. Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes dapat di ambil kesimpulan sebagai berikut:
a. Pada semester 1 (ips1) ditemukan 2 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28 dan 27. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga, mahasiswa ini memiliki derajat outlier yang cukup tinggi yaitu 2,09373. Mahasiswa 27 memiliki nilai ips yang sangat tinggi yaitu 4,00 dan nilai masuk yang tidak terlalu tinggi dan tidak terlalu rendah. b. Pada semester 2 (ips2) di temukan 1 mahasiswa yang berpotensi
menjadi outlier yaitu mahasiswa 28. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga.
c. Pada semester 3 (ips3) di temukan 3 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 74, dan 50. Dimana mahasiswa 28 memiliki nilai ips yang rendah dan nilai masuk yang rendah juga. Mahasiswa 74 memiliki nilai ips yang sangat rendah yaitu 0,19 tetapi nilai masuknya tinggi. Mahasiswa 50 memiliki nilai ips yang sangat rendah yaitu 0,59 dan nilai masuknya juga rendah.
d. Pada semester 4 (ips4) di temukan 1 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28. Mahasiswa ini selalu muncul menjadi outlier dari semester 1 sampai 4. Mahasiswa 28 ini memiliki nilai ips yang rendah yaitu 1,68 dan nilai masuknya juga rendah.
2. Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur prestasi dapat di ambil kesimpulan sebagai berikut:
a. Pada semester 1 (ips1) ditemukan 4 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 76, 124, 15, dan 10. Mahasiswa 76 merupakan outlier dengan derajat tertinggi yaitu 4,32989506. Mahasiswa ini memiliki ips yang sangat rendah yaitu 0,85. Mahasiswa 124 ini memiliki nilai ips yang rendah yaitu 1,45. Mahasiswa lain yang berpotensi sebagai outlier lainnya adalah mahasiswa 15 dan 10, mahasiswa ini memiliki nilai ips yang rendah juga.
b. Pada semester 2 (ips2) ditemukan 5 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 17, 124, 107, 86, dan 94. Mahasiswa 17, 124, 86, dan 94 memiliki nilai ips yang rata-rata sangat rendah tetapi memiliki nilai final yang tidak terlalu tinggi dan tidak terlalu rendah pula. Sedangkan mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,92 dan nilai final yang tinggi pula.
c. Pada semester 3 (ips3) ditemukan 4 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 17, 107, 117, dan 3. Mahasiswa 17 dan 117 memiliki nilai ips yang sangat rendah yaitu 0,69 dan 2,00. Kedua mahasiswa ini memiliki nilai final yang tidak terlalu tinggi dan tidak terlalu rendah pula. Sedangkan mahasiswa 107 dan 3 memiliki nilai ips yang sangat tinggi yaitu masing-masing 3,76 dan 3,78.
d. Pada semester 4 (ips4) ditemukan 6 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 88, 94, 122, 107, 98, dan 89. Mahasiswa 88, 94, dan 122 memiliki nilai ips yang sangat rendah yaitu 0,94, 1,20, dan 1,47. Sedangkan mahasiswa 107, 98, dan 89 memiliki nilai ips yang sangat tinggi.
3. Dari pengujian data akademik Mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 dapat di ambil kesimpulan sebagai berikut:
a. Pada semester 1 (ips1) ditemukan 5 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 76, 27, 26, dan 58. Mahasiswa 28 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dengan derajat COF yang lebih tinggi dari pengujian sebelumnya yaitu 2,832182. Mahasiswa 76 dari jalur prestasi pada pengujian sebelumnya juga diindikasikan sebagai outlier. Mahasiswa 27 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dan derajatnya juga lebih tinggi dari pengujian sebelumnya. Sedangkan mahasiswa 26 dan 58 dari jalur tes memiliki nilai ips yang rendah.
b. Pada semester 2 (ips2) ditemukan 6 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 17, 124, 107, 86, dan 58. Mahasiswa 28 merupakan mahasiswa dari jalur tes, pada pengujian jalur tes, mahasiswa 28 ini juga terindikasi sebagai outlier dengan derajat COF yang tinggi. Mahasiswa 17 dan 124 dari jalur prestasi memiliki nilai ips yang sangat rendah yaitu 0,32 dan 0,44. Sedangkan mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,92 dan nilai final yang tinggi pula. Mahaswa 86 memiliki ips yang tidak terlalu tinggi dan tidak terlalu rendah tetapi nilai finalnya tinggi. Mahasiswa 58 memiliki
nilai ips yang tidak terlalu tinggi dan tidak terlalu rendah tetapi nilai finalnya rendah.
c. Pada semester 3 (ips3) ditemukan 10 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 74, 50, 17, 72, 107, 55, 58, 46, dan 31. Mahasiswa 28 merupakan mahasiswa yang selalu muncul saat pendeteksian outlier, mahasiswa ini memiliki nilai ips yang rendah dan nilai masuk yang rendah. Mahasiswa 74, 50, 17, 72, 46, dan 31 memiliki rata-rata nilai ips yang rendah. Mahasiswa 107 dan 55 memiliki nilai ips yang sangat tinggi yaitu 3,76 dan 3,72. Sedangkan mahasiswa 58 memiliki nilai final yang rendah.
d. Pada semester 4 (ips4) ditemukan 10 mahasiswa yang berpotensi menjadi outlier yaitu mahasiswa 28, 107, 68, 67, 98, 27, 47, 58, 46, dan 69. Mahasiswa 28 merupakan mahasiswa yang selalu muncul saat pendeteksian outlier, mahasiswa ini memiliki nilai ips yang rendah dan nilai masuk yang rendah. Mahasiswa 107 memiliki nilai ips yang sangat tinggi yaitu 3,78 dan nilai finalnya juga tinggi. Mahasiswa 68 dan 67 memiliki nilai ips yang sangat rendah yaittu 0,0. Mahasiswa 98 dan 27 memiliki nilai ips yang tinggi. Mahasiswa 47, 46, dan 69 memiliki rata-rata nilai ipsa yang sangat rendah. Sedangkan mahasiswa 58 memiliki nilai final yang rendah.
17.2 Kelebihan dan Kekurangan Sistem
Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor memiliki kelebihan dan kekurangan.
17.2.1 Kelebihan Sistem
1. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini dapat melakukan inputan file yang berekstensi .xls, .doc, dan .csv.
2. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini dapat melakukan inputan file dari tabel pada database.
3. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan seleksi atribut terhadap atribut-atribut yang akan di hapus.
4. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan penyimpanan hasil outlier ke dalam file yang berekstensi .xls, .doc, dan .txt.
5. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor dapat melakukan deteksi dengan waktu yang singkat.
17.2.2 Kekurangan Sistem
1. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor hanya bisa melakukan input data file dengan ekstensi tertentu seperti .xls, .doc, dan .csv
2. Sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor hanya bisa melakukan seleksi atribut untuk kolom.
125
BAB VII
KESIMPULAN DAN SARAN
Pada bab ini akan di jelaskan kesimpulan dan saran dari seluruh perancangan dan pengujian sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor.
23.1 Kesimpulan
Kesimpulan yang dapat ditarik dari hasil penelitian sistem deteksi outlier menggunakan Algoritma Connectivity-based Outlier Factor untuk data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2007-2008 jalur tes dan prestasi adalah sebagai berikut:
1. Sistem deteksi Outlier menggunakan algoritma Connectivity-based Outlier Factor yang telah di implementasikan menjadi sebuah aplikasi dapat mendeteksi outlier pada kumpulan data akademik mahasiswa Teknik Informatika Universitas Sanata Dharma.
2. Nilai atribut k sangat mempengaruhi jumlah obyek yang berpotensi menjadi outlier serta mempengaruhi derajat nilai COF dan rangking dari obyek tersebut.
3. Hasil perhitungan manual (menggunakan tools Microsoft Exel) dengan hasil perhitungan sistem menghasilkan outlier dengan derajat COF dan ranking secara sama persis.
4. Algoritma Connectivity-based Outlier Factor tidak menyatakan secara eksplisit bahwa data tersebut merupakan outlier, tetapi di tentukan oleh pengguna atau user dengan cara melihat derajat outliernya.
23.2 Saran
Berdasarkan hasil analisa dan pengujian sistem deteksi outlier menggunakan algoritma Connectivity-based Outlier Factor ini penulis memberikan saran untuk perbaikan dan pengembangan sistem deteksi ini secara lebih lanjut. Berikut adalah saran yang di berikan:
1. Sistem ini dapat di kembangkan agar dapat menerima inputan file dengan ekstensi selain .xls, .csv, dan dari tabel pada basisdata sehingga hanya terbatas pada format data tersebut.
2. Sistem ini dapat di kembangkan agar dapat melakukan seleksi atribut pada baris tidak hanya pada kolom. Sehingga user atau pengguna dapat lebih spesifik dalam memilih baris data mana saja yang ingin di gunakan dalam pendeteksian outlier.
3. Sistem ini dapat di kembangkan agar dapat menampilkan hasil deteksi oulier dalam bentuk grafik atau diagram, sehingga user atau pengguna dapat lebih mudah dalam mengamati munculnya kejadian outlier.
127