[TSY04] Tsymbal, Alexey. (2004). The problem of concept drift: definitions and related work. Computer Science Department, The University of Dublin,

(1)

DAFTAR PUSTAKA

[BER97] Berry, Michael J. A., dan Gordon Linoff. (1997). Data Mining Techniques For Marketing, Sales, and Customer Support. John Wiley & Sons, Inc.,

New York.

[CHO03] Chonoles, Michael Jesse dan James A. Schardt. (2003). UML 2 for Dummies. Wiley Publisher, Inc. New York.

[DHA04] Dhaneswara, Giri. (2004). Implementasi Jaringan Saraf Tiruan Tipe Multilayer Feed-Forward Menggunakan Algoritma Backpropagation dengan Momentum untuk Klasifikasi Data. Universitas Katolik

Parahyangan, Bandung.

[FAY96] Fayyad U. M., G. Piatetsky-Shapiro, P. Smyth, dan R. Uthurusamy. 1996.

Advances in Knowledge Discovery and Data Mining. AAAI Press / The

MIT Press.

[GAB05] Gaber, Mohammed Medhat, et al. (2005). Mining Data Streams: A Review. SIGMOD Record 34(2): 18-26.

[HAN01] Han, Jiawei dan Micheline Kamber. (2001). Data Mining: Concept and Techniques. Morgan Kaufmann Publishers.

[KRO03] Kroll, Per dan Philippe Kruchten. (2003). Rational Unified Process Made Easy: A Practitioner’s Guide to the RUP. Addison Wesley.

[PRE97] Pressman, Roger S. (1997). Software Engineering: A Practitioner’s Approach, Fourth Edition. McGraw-Hill Inc.

[SCH05] Scholz, Martin dan Ralf Klinkenberg. (2005). An Ensemble Classifier for Drifting Concepts. Proceedings of the Second International Workshop on

Knowledge Discovery in Data Streams, in conjunction with ECML-PKDD '05, pages 53--64, Porto, Portugal.

(2)

[TSY04] Tsymbal, Alexey. (2004). The problem of concept drift: definitions and related work. Computer Science Department, The University of Dublin,

Trinity College, Ireland.

[KOH96] Kohavi, Ronny dan Barry Becker. (1996). Adult Dataset. UCI Repository

of Machine Learning Databases, Department of Information and Computer

Science, University of California, Irvine.

[WAN02] Wang, Haixun, et al. (2002). Mining Concept-Drifting Data Streams using Ensemble Classifiers. 9th ACM International Conference on Knowledge

Discovery and Data Mining (SIGKDD).

[WID96] Widmer, Gerhard dan Miroslav Kubat. (1996). Learning in The Presence of Concept Drift and Hidden Contexts. Machine Learning, 23, 69-101.

[WIT05] Witten, Ian H., dan Eibe Frank. (2005). Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann Publishers.

(3)

LAMPIRAN A Skenario Use-Case

A.1. Skenario Use-Case Proses Klasifikasi Data

Identifikasi

Case 1

Nomor

Nama Proses Klasifikasi Data

User dapat melakukan proses klasifikasi data

Tujuan

User mengkonfigurasi basis data, base classifier, SEA. Hasil

dari konfigurasi tersebut akan digunakan untuk proses klasifikasi data

Deskripsi

User

Aktor

Skenario Utama

Kondisi Awal Sistem menampilkan halaman utama PL SEA

Aksi Aktor Reaksi Sistem

1 User memilih menu konfigurasi

basis data

Sistem menampilkan form konfigurasi

basis data 2

3 User membangun connection string yang akan digunakan

sebagai koneksi perangkat lunak dengan basis data

Sistem menggunakan connection string

untuk terkoneksi ke basis data 4

5 Sistem menampilkan tabel-tabel yang

ada di basis data yang telah terkoneksi tersebut

6 User memilih tabel yang akan

digunakan untuk proses mining

7 Sistem menampilkan atribut-atribut

pada tabel yang telah dipilih 8 User memilih jenis atribut (drop,

numeric, nominal, dan class)

untuk tiap atribut pada tabel 9 User meng-apply konfigurasi

basis data yang telah dibuat ini

10 Sistem menampung semua konfigurasi

(4)

15 User meng-apply konfigurasi base classifier yang telah dibuat ini

base classifier yang telah dibuat ke memory

Sistem menutup form konfigurasi base classifier

17

SEA

SEA 19

20 User memasukan jumlah record

yang ditangani oleh base

classifier, ukuran ensemble, dan

faktor correctness (PC)

21 User memilih menu proses

klasifikasi SEA

SEA yang telah dibuat ke memory.

Sistem menampilkan form pelatihan

dan prediksi SEA 23

24 User memasukan nomor rekord

awal untuk menandai dari rekord mana pelatihan mulai dilakukan. 25 User memilih untuk membangun

ensemble

Sistemmelakukan pelatihan terhadap

ensemble dengan menggunakan data

pelatihan. Sistem menampilkan tiap

mean-square error (MSE) yang

dihasilkan selama pelatihan 26

27 Sistem selesai melakukan pelatihan terhadap ensemble

28 User memasukannomor rekord

mana yang akan ditest akurasinya dari data (nomor rekord berupa

range).

29 User memilih untuk melakukan test akurasi ensemble

Sistemmelakukan test akurasi terhadap ensemble

30

31 Sistem menampilkan hasil nilai akurasi

ensemble

User memperoleh model yang telah dilatih dan dapat digunakan

untuk melakukan proses klasifikasi data Kondisi Akhir

(5)

A.2. Skenario Use-Case Konfigurasi Basis Data

Identifikasi

Case 2

Nomor

Nama Konfigurasi Basis Data

User dapat mengkonfigurasi basis data

Tujuan

User mengkonfigurasi basis data, sehingga sistem dapat

terkoneksi dengan basis data Deskripsi

User

Aktor

Skenario Utama

basis data

basis data 2

3 User membangun connection string yang akan digunakan

sebagai koneksi perangkat lunak dengan basis data

Sistem menggunakan connection string

untuk terkoneksi ke basis data 4

5 Sistem menampilkan tabel-tabel yang

ada di basis data yang telah terkoneksi tersebut

6 User memilih tabel yang akan

digunakan untuk proses mining

7 Sistem menampilkan atribut-atribut

pada tabel yang telah dipilih 8 User memilih jenis atribut (drop,

numeric, nominal, dan class)

untuk tiap atribut pada tabel 9 User meng-apply konfigurasi

basis data yang telah dibuat ini

basis data yang telah dibuat ke memory

Sistem menutup form konfigurasi basis

data 11

Kondisi Akhir Sistem memperoleh konfigurasi basis data. Sistem juga terkoneksi dengan basis data.

(6)

A.3. Skenario Use-Case Manipulasi Basis Data

Identifikasi

Case 3

Nomor

Nama Manipulasi Basis Data

User dapat melakukan perintah-perintah manipulasi data

Tujuan

User melakukan manipulasi data seperti tambah rekord, ubah

rekord, dan hapus rekord. Deskripsi

User

Aktor

Skenario Utama

1 User memilih menu manipulasi

basis data

Sistem menampilkan form manipulasi

basis data 2

3 Data dari basis data diperoleh dan

ditampilkan 4 User melakukan salah satu

kegiatan manipulasi basis data yaitu tambah rekord, ubah rekord, dan hapus rekord

5 Sistem menerima perubahan yang

dilakukan oleh user, kemudian

memprosesnya 6 User memilih untuk menutup

form manipulasi basis data

Sistem menutup form manipulasi basis

data 7

Kondisi Akhir Data-data pada basis data berubah sesuai dengan apa yang dilakukan user pada data

(7)

A.4. Skenario Use-Case Konfigurasi Base Classifier

Identifikasi

Case 4

Nomor

Konfigurasi Base Classifier

Nama

User dapat mengkonfigurasi base classifier

Tujuan

User mengkonfigurasi base classifier. Sistem menggunakan

hasil konfigurasi tersebut untuk pelatihan dan prediksi base classifier sebagai single classifier, dan pelatihan dan prediksi

SEA Deskripsi

User

Aktor

Skenario Utama

1 User memilih menu konfigurasi base classifier

Sistem menampilkan form konfigurasi base classifier

2

3 User memasukan perilaku base classifier yang diinginkan

4 User meng-apply konfigurasi base classifier yang telah dibuat ini

base classifier yang telah dibuat ke memory

Sistem menutup form konfigurasi base classifier ditutup

6

Sistem memperoleh konfigurasi base classifier

(8)

A.5. Skenario Use-Case Bangun Single Base Classifier

Identifikasi

Case 5

Nomor

Bangun Single Base Classifier

Nama

User dapat melakukan proses untuk membangun base classifier

dengan menganggapnya sebagai single classifier.

Tujuan

User melakukan proses untuk membangun sebuah base classifier dengan menganggap base classifier sebagai single classifier, pelatihan disesuaikan dengan keadaan konfigurasi

basis data dan konfigurasi base classifier saat itu

Deskripsi

User

Aktor

Skenario Utama

1 User memilih menu konfigurasi base classifier

Sistem menampilkan form konfigurasi base classifier

2

3 User memilih menu pelatihan dan

prediksi base classifier

dan prediksi base classifier

4

(dalam range) yang akan

dijadikan sebagai data pelatihan 6 User memilih untuk membangun

single classifier

Sistemmelakukan proses membangun

base classifier yang dianggap sebagai single classifier dengan menggunakan

data pelatihan. Sistem menampilkan tiap mean-square error (MSE) yang

dihasilkan selama pelatihan 7

8 Sistem selesai melakukan proses

membangun single classifier

Sistem memperoleh hasil sebuah base classifier yang telah

dilatih Kondisi Akhir

(9)

A.6. Skenario Use-CaseTest Akurasi Single Base Classifier

Identifikasi

Case 6

Nomor

Test Akurasi Single Base Classifier

Nama

User dapat melakukan test akurasi pada base classifier yang

telah dibangun Tujuan

User melakukan test akurasi pada base classifier yang telah

dibangun. Deskripsi

User

Aktor

Skenario Utama

Sistem menampilkan halaman proses klasifikasi base classifier. Singlebase classifier telah dibangun

Kondisi Awal

dijadikan sebagai data test

2 User memilih untuk melakukan test akurasi single classifier

Sistemmelakukan test akurasi terhadap single classifier

3

single classifier User memperoleh hasil prediksi

(10)

A.7. Skenario Use-Case Konfigurasi SEA

Identifikasi

Case 7

Nomor

Nama Konfigurasi Klasifikasi SEA

User dapat mengkonfigurasi SEA

Tujuan

User mengkonfigurasi SEA. Sistem menggunakan hasil

konfigurasi tersebut untuk pelatihan dan prediksi SEA Deskripsi

User

Aktor

Skenario Utama

SEA

Sistem menampilkan form SEA

2

3 User memasukan jumlah record

yang ditangani oleh base

classifier, ukuran ensemble, dan

faktor correctness (PC)

4 User meng-apply konfigurasi

SEA yang telah dibuat ini

SEA yang telah dibuat ke memory

Sistem menutup form konfigurasi SEA

(11)

A.8. Skenario Use-Case Bangun Ensemble Identifikasi Case 8 Nomor Bangun Ensemble Nama

User dapat membangun ensemble

Tujuan

User membangun ensemble, pelatihan disesuaikan dengan

keadaan konfigurasi basis data, base classifier dan SEA saat itu

Deskripsi

User

Aktor

Skenario Utama

SEA

SEA 2

3 User memilih menu pelatihan dan

prediksi SEA

dan prediksi SEA 4

awal untuk menandai dari rekord mana pelatihan mulai dilakukan. 6 User memilih untuk membangun

ensemble

Sistemmembangun ensemble dengan

menggunakan data pelatihan. Sistem menampilkan tiap error yang

dihasilkan selama pembangunan 7

Sistem selesai membangun ensemble

8

Sistem memperoleh hasil sebuah ensemble yang telah dibangun

(12)

A.9. Skenario Use-CaseTest Akurasi Ensemble

Identifikasi

Case 9

Nomor

Test Akurasi Ensemble

Nama

User dapat melakukan test akurasi pada ensemble yang telah

dibangun Tujuan

User melakukan test akurasi pada ensemble yang telah

dibangun. Deskripsi

User

Aktor

Skenario Utama

Sistem menampilkan halaman proses klasifikasi SEA. Ensemble

telah dibangun Kondisi Awal

dijadikan sebagai data test

2 User memilih untuk melakukan test akurasi ensemble

Sistemmelakukan test akurasi terhadap ensemble

3

ensemble

User memperoleh hasil nilai akurasi ensemble

(13)

LAMPIRAN B Diagram Sequence

(14)

B.2. Diagram sequence untuk konfigurasi basis data (Use Case 2)

(15)

B.4. Diagram sequence untuk load konfigurasi basis data (Use Case 4)

(16)

B.6. Diagram sequence untuk tambah rekord (Use Case 6)

(17)

(18)

B.9. Diagram sequence untuk konfigurasi base classifier (Use Case 9)

(19)

B.11.Diagram sequence untuk load konfigurasi base classifier (Use Case 11)

User

:FormKonfigurasiBaseClassifier :FileKonfigurasiBaseClassifier

Tampilkan "Load Dialog" Pilih "Load Konfigurasi Base Classifier"

Input "Nama File" Pilih "OK"

Load semua field input dari file konfigurasi base classifier

(20)

B.13.Diagram sequence untuk test akurasi single base classifier (Use Case 13)

User

:FormBaseClassifier :BasisData

Pilih "Test akurasi" Input "Nomor Rekord Data Test"

Request Data Data

Baca hasil model yang telah dibangun Hasil test akurasi

Lakukan test akurasi

(21)

B.15.Diagram sequence untuk save konfigurasi SEA (Use Case 15)

User

:FormKonfigurasiSEA :FileKonfigurasiSEA

Tampilkan "Save Dialog" Pilih "Save Konfigurasi SEA"

Input "Nama File" Pilih "OK"

Save semua field input ke file konfigurasi SEA

(22)

B.17.Diagram sequence untuk bangun ensemble (Use Case 17)

B.18.Diagram sequence untuk test akurasi ensemble (Use Case 18)

User

:FormSEA :BasisData

Pilih "Test akurasi ensemble" Input "Nomor Rekord Data Prediksi"

Request Data Data

Baca hasil model yang telah dibangun Lakukan test akurasi ensemble Hasil test akurasi

(23)

LAMPIRAN C Daftar Atribut dan Operasi Kelas

C.1. Atribut dan Operasi FormMain

Nama Atribut dan Tipenya Visibility

(Private, Public)

StatusKonfigurasiBasisData: TLabel; Private

StatusKonfigurasiBaseClassifier: TLabel; Private

StatusKonfigurasiSEA: Tlabel Private

Nama Operasi Visibility

procedure SetStatusKonfigurasiBasisData(status:

Boolean); Public

procedure SetStatusKonfigurasiBaseClassifier(status:

Boolean); Public

procedure SetStatusKonfigurasiSEA(status: Boolean); Public

function CekStatusKonfigurasiBasisData: Boolean; Public

function CekStatusKonfigurasiBaseClassifier: Boolean; Public

function CekStatusKonfigurasiSEA: Boolean; Public

C.2. Atribut dan Operasi FormKonfigurasiBasisData

StringKoneksi: TEdit; Private

TabelDataMining: TcomboBox; Private

TipeAtribut: TlistView; Private

procedure SetStringKoneksi(Input: String); Private

procedure SetTabelDataMining(Input: String); Private

procedure SetTipeAtribut(Input: TListItems); Private

function BacaStringKoneksi: String; Public

function BacaTabelDataMining: String; Public

function BacaTipeAtribut: TListItems; Public

procedure LoadKonfigurasiBasisData; Private

procedure SaveKonfigurasiBasisData; Private

procedure BikinStringKoneksi; Private

procedure KoneksiBasisData; Public

procedure PutusKoneksiBasisData; Public

procedure PilihTabelUntukDataMining; Private

procedure BatalKonfigurasiBasisDataBaru; Private

(24)

C.4. Atribut dan Operasi BasisData

MyADOConnection: TADOConnection; Private

MyADOTable: TADOTable; Private

MyDataSource: TDataSource; Private

procedure SetConnectionString(Input: String); Public

procedure SetTableName(Input: String); Public

function BacaAtributTabel: TListItems; Public

function BacaJumlahRekord: Integer; Public

procedure LakukanTambahData; Public

procedure LakukanUbahData; Public

procedure LakukanHapusData; Public

procedure KoneksiBasisData; Public

procedure PutusKoneksiBasisData; Public

C.5. Atribut dan Operasi FormManipulasiBasisData

procedure PerbaharuiInformasiTabel; Private

procedure TambahData; Private

procedure UbahData; Private

procedure HapusData; Private

C.6. Atribut dan Operasi FormKonfigurasiBaseClassifier

JumlahNeuronHiddenLayer1: TEdit; Private

JumlahNeuronHiddenLayer2: TEdit; Private

FungsiAktivasiHiddenLayer1: TComboBox; Private

FungsiAktivasiHiddenLayer2: TComboBox; Private

FungsiAktivasiOutputLayer: TComboBox; Private

LearningRate: TEdit; Private

Momentum: TEdit; Private

EpochMaksimum: TEdit; Private

MSEMinimum: TEdit; Private

procedure SetJumlahNeuronHiddenLayer1(Input: String); Private

procedure SetJumlahNeuronHiddenLayer2(Input: String); Private

procedure SetFungsiAktivasiHiddenLayer1(Input: String); Private procedure SetFungsiAktivasiHiddenLayer2(Input: String); Private procedure SetFungsiAktivasiOutputLayer(Input: String); Private

procedure SetLearningRate(Input: String); Private

procedure SetMomentum(Input: String); Private

(25)

Nama Atribut dan Tipenya Visibility (Private, Public)

procedure SetMSEMinimum(Input: String); Private

function BacaJumlahNeuronHiddenLayer1: String; Private

function BacaJumlahNeuronHiddenLayer2: String; Private

function BacaFungsiAktivasiHiddenLayer1: String; Private

function BacaFungsiAktivasiHiddenLayer2: String; Private

function BacaFungsiAktivasiOutputLayer: String; Private

function BacaLearningRate: String; Private

function BacaMomentum: String; Private

function BacaEpochMaksimum: String; Private

function BacaMSEMinimum: String; Private

procedure LoadKonfigurasiBaseClassifier; Private

procedure SaveKonfigurasiBaseClassifier; Private

function CekBanyakKelas: Integer; Private

procedure BatalKonfigurasiBaseClassifier; Private

procedure TerimaKonfigurasiBaseClassifier; Private

C.7. Atribut dan Operasi FileKonfigurasiBaseClassifier

Filename: String; Private

procedure SetFilename(Filename: String); Public

procedure TulisKonfigurasiBaseClassifier; Public

procedure BacaKonfigurasiBaseClassifier; Public

C.8. Atribut dan Operasi FormBaseClassifier

StopPelatihanSingleClassifier: Boolean; Private

ClassifierRecord: Integer; Private

ListKelas: TStringList; Private

LearningRate: Real; Private

Momentum: Real; Private

EpochMaksimum: Integer; Private

MSEMinimum: Real; Private

NeuronInputLayer: Integer; Private

NeuronHiddenLayer1: Integer; Private

NeuronHiddenLayer2: Integer; Private

NeuronOutputLayer: Integer; Private

(26)

procedure SetNeuronOutputLayer(Input: Integer); Public

function BacaClassifierRecord: Integer; Public

function BacaListKelas: TStringList; Public

function BacaLearningRate: Real; Public

function BacaMomentum: Real; Public

function BacaEpochMaksimum: Integer; Public

function BacaMSEMinimum: Real; Public

function BacaNeuronInputLayer: Integer; Public

function BacaNeuronHiddenLayer1: Integer; Public

function BacaNeuronHiddenLayer2: Integer; Public

function BacaNeuronOutputLayer: Integer; Public

procedure PerolehSettingJaringan; Public

Public procedure AcakWeight(

var WeightBiasHiddenLayer1: array of Real; var WeightHiddenLayer1: Real2Dimension; var WeightBiasHiddenLayer2: array of Real; var WeightHiddenLayer2: Real2Dimension; var WeightBiasOutputLayer: array of Real; var WeightOutputLayer: Real2Dimension);

Public procedure Propagation(Input: Real2Dimension;

n: Integer; var HiddenLayer1_in: array of Real; var HiddenLayer1: array of Real;

var HiddenLayer2_in: array of Real; var HiddenLayer2: array of Real; var OutputLayer_in: array of Real; var OutputLayer: array of Real;

WeightBiasHiddenLayer1: array of Real; WeightHiddenLayer1: Real2Dimension; WeightBiasHiddenLayer2: array of Real; WeightHiddenLayer2: Real2Dimension; WeightBiasOutputLayer: array of Real; WeightOutputLayer: Real2Dimension);

Public procedure Backpropagation(Input: Real2Dimension; n:

Integer;

HiddenLayer1_in: array of Real; HiddenLayer1: array of Real;

HiddenLayer2_in: array of Real; HiddenLayer2: array of Real;

ErrorTermOutputLayer: array of Real;

var WeightBiasHiddenLayer1: array of Real; var WeightHiddenLayer1: Real2Dimension; var WeightBiasHiddenLayer2: array of Real; var WeightHiddenLayer2: Real2Dimension; var WeightBiasOutputLayer: array of Real; var WeightOutputLayer: Real2Dimension);

function FungsiAktivasi(Input: Real; TipeAktivasi:

Integer): Real; Public

function TurunanFungsiAktivasi(Input: Real;

TipeAktivasi: Integer): Real; Public

procedure PelatihanSingleClassifier; Private

(27)

C.9. Atribut dan Operasi FormKonfigurasiSEA

JumlahRekordDitangani: TEdit; Private

UkuranEnsemble: TEdit; Private

FaktorCorrectness: TEdit; Private

procedure SetJumlahRekordDitangani(Input: String); Public

procedure SetUkuranEnsemble(Input: String); Public

procedure SetFaktorCorrectness(Input: String); Public

function BacaJumlahRekordDitangani: String; Public

function BacaUkuranEnsemble: String; Public

function BacaFaktorCorrectness: String; Public

function LoadKonfigurasiSEA(filename: String):

Boolean; Private

function SaveKonfigurasiSEA(filename: String):

Boolean; Private

procedure BatalKonfigurasiSEA; Private

procedure TerimaKonfigurasiSEA; Private

C.10.Atribut dan Operasi FileKonfigurasiSEA

Filename: String; Private

procedure SetFilename(filename: String); Public

procedure TulisKonfigurasiSEA; Public

procedure BacaKonfigurasiSEA; Public

C.11.Atribut dan Operasi FormSEA

StopPelatihanSEA: Boolean; Private

JumlahRekordClassifier: Integer; Private

UkuranMaksimumEnsemble: Integer; Private

Pc: Integer; Private

Ensemble: Array of TPClassifier; Private

UkuranEnsemble: Integer Private

(28)

function BacaUkuranMaksimumEnsemble: Integer; Public

function BacaPc: Integer; Public

function BacaEnsemble: Array of TPClassifier; Public

function BacaUkuranEnsemble: Integer Public

function BacaTabelKwalitasEnsemble: Array of Real; Public

procedure PerolehSetting; Public

procedure PelatihanSEA; Private

(29)

LAMPIRAN D Diagram State

D.1. Diagram state untuk proses klasifikasi data (Use Case 1)

(30)

D.3. Diagram state untuk save konfigurasi basis data (Use Case 3)

D.4. Diagram state untuk load konfigurasi basis data (Use Case 4)

D.5. Diagram state untuk manipulasi data (Use Case 5)

Tampilkan Data

---Do: Menampilkan keterangan tabel dan datanya

Lakukan Manipulasi data ---Do: Lakukan salah satu kegiatan manipulasi data

Do: Cek jika berhasil

Tampilkan Pesan ---Do: Tampilkan pesan kelayar jika manipulasi data berhasil

Berhasil

Tampilkan Pesan ---Do: Tampilkan pesan kelayar jika manipulasi data gagal

(31)

D.6. Diagram state untuk tambah rekord (Use Case 6)

D.7. Diagram state untuk ubah rekord (Use Case 7)

Tampilkan Data

---Do: Menampilkan keterangan tabel dan datanya

Lakukan Ubah Rekord ---Do: Masukan nilai ke atribut-atribut pada rekord yang dipilih untuk diubah

Do: Kirimkan nilai-nilai yang diubah tersebut ke basis data Do: Cek jika berhasil

Tampilkan pesan ---Do: Tampilkan pesan kelayar “Rekord berhasil diubah” Berhasil

Tampilkan pesan ---Do: Tampilkan pesan kelayar “Rekord gagal diubah” Gagal

(32)

D.8. Diagram state untuk hapus rekord (Use Case 8)

D.9. Diagram state untuk konfigurasi base classifier (Use Case 9)

D.10.Diagram state untuk save konfigurasi base classifier (Use Case 10)

Masukan Nama Save File

---Do: Buka file dialog

Do: Masukan nama file

Do: Pilih OK atau Cancel

Save Konfigurasi Base Classifier

---Do: Save semua konfigurasi base classifier ke file

OK

(33)

D.11.Diagram state untuk load konfigurasi base classifier (Use Case 11)

Masukan Nama Load File

Load Konfigurasi Base Classifier

---Do: Load semua konfigurasi base classifier dari file

OK

Cancel

D.12.Diagram state untuk bangun single base classifier (Use Case 12)

D.13.Diagram state untuk test akurasi single base classifier (Use Case 13)

Pilih Test Akurasi ---Do: Baca hasil model yang telah dibangun

Lakukan Test Akurasi ---Do: Lakukan test akurasi terhadap

(34)

D.14.Diagram state untuk konfigurasi SEA (Use Case 14)

Save Konfigurasi SEA ---Do: Save semua konfigurasi SEA ke

file

Masukan Nama Save File

OK

Cancel

Load Konfigurasi SEA ---Do: Load semua konfigurasi SEA dari

file

Masukan Nama Load File

OK

(35)

D.17.Diagram state untuk bangun ensemble (Use Case 17)

D.18.Diagram state untuk test akurasi ensemble (Use Case 18)

Pilih Test Akurasi ---Do: Baca hasil model yang telah dibangun

Lakukan Test Akurasi ---Do: Lakukan test akurasi terhadap data test

(36)

LAMPIRAN E Hasil Pengujian

Pengujian Terhadap Masukan Perangkat Lunak

1. Pengujian terhadap “String Koneksi” pada bagian konfigurasi basis data Pengujian dilakukan dengan membuat “String Koneksi” melalui form

konfigurasi basis data. Hasil pengujiannya dapat dilihat sebagai berikut:

No. Kasus Uji Hasil yang

Diharapkan

Hasil uji 1 “String Koneksi” sembarang nilai.

Lakukan koneksi ke basis dat

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “String Koneksi” dibuat melalui

API pembuatan koneksi basis data atau sesuai dengan aturan-aturan pembuatan string koneksi basis data

Koneksi berhasil, tabel-tabel pada basis data tersebut ditampilkan

Sesuai dengan hasil yang diharapkan

2. Pengujian terhadap “Tabel Data Mining” pada bagian konfigurasi basis data Pengujian dilakukan dengan memilih “Tabel Data Mining” melalui form

konfigurasi basis data. Hasil pengujiannya dapat dilihat sebagai berikut:

Diharapkan

Hasil uji 1 “Tabel Data Mining” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 2 “Tabel Data Mining” berisi salah

satu pilihan tabel yang ada pada basis data

Atribut-atribut dari tabel ditampilkan

3. Pengujian terhadap “Jumlah Neuron pada Hidden Layer 1” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Jumlah Neuron pada Hidden Layer 1” melalui form konfigurasi base classifier. Hasil pengujiannya

(37)

No. Kasus Uji Hasil yang Diharapkan

Hasil uji 1 “Jumlah Neuron pada Hidden

Layer 1” berisi karakter selain bilangan integer

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Jumlah Neuron pada Hidden

Layer 1” berisi bilangan float / real

Layer 1” berisi kosong

Layer 1” berisi bilangan integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Jumlah Neuron pada Hidden

Layer 1” berisi bilangan integer > 0 Masukan “Jumlah Neuron pada Hidden Layer 1” diterima

4. Pengujian terhadap “Jumlah Neuron pada Hidden Layer 2” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Jumlah Neuron pada Hidden Layer 2” melalui form konfigurasi base classifier. Hasil pengujiannya

dapat dilihat sebagai berikut:

Diharapkan

Hasil uji 1 “Jumlah Neuron pada Hidden

Layer 2” berisi karakter selain bilangan integer

Layer 2” berisi bilangan float / real

Layer 2” berisi kosong

Layer 2” berisi bilangan integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Jumlah Neuron pada Hidden

Layer 2” berisi bilangan integer > 0 Masukan “Jumlah Neuron pada Hidden Layer 2” diterima

(38)

Hasil uji 1 “Jumlah Kelas” berisi karakter

selain bilangan integer

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Jumlah Kelas” berisi bilangan

float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Jumlah Kelas” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 4 “Jumlah Kelas” berisi bilangan

integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Jumlah Kelas” berisi bilangan

integer > 0

Masukan “Jumlah Kelas” diterima

6. Pengujian terhadap “Learning Rate” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Learning Rate” melalui

form konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai

berikut:

Diharapkan

Hasil uji 1 “Learning Rate” berisi karakter

selain bilangan float / real

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Learning Rate” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 3 “Learning Rate” berisi bilangan

integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 4 “Learning Rate” berisi bilangan

float / real > 0 Masukan “Learning Rate” diterima

7. Pengujian terhadap “Momentum” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Momentum” melalui

berikut:

Diharapkan

Hasil uji 1 “Momentum” berisi karakter selain

bilangan float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Momentum” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 3 “Momentum” berisi bilangan

integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 4 “Momentum” berisi bilangan float /

real > 0

Masukan “Momentum” diterima

(39)

8. Pengujian terhadap “Epoch Maksimum” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Epoch Maksimum” melalui form konfigurasi base classifier. Hasil pengujiannya dapat dilihat

sebagai berikut:

Diharapkan

Hasil uji 1 “Epoch Maksimum” berisi karakter

selain bilangan integer Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Epoch Maksimum” berisi

bilangan float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Epoch Maksimum” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 4 “Epoch Maksimum” berisi

bilangan integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Epoch Maksimum” berisi

bilangan integer > 0

Masukan “Epoch Maksimum” diterima

9. Pengujian terhadap “MSE Minimum” pada bagian konfigurasi base classifier

Pengujian dilakukan dengan memasukan nilai pada “MSE Minimum” melalui

berikut:

Diharapkan

Hasil uji 1 “MSE Minimum” berisi karakter

selain bilangan float / real

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “MSE Minimum” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 3 “MSE Minimum” berisi bilangan

integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 4 “MSE Minimum” berisi bilangan

float / real > 0 Masukan “MSE Minimum” diterima

(40)

Hasil uji 1 “Seed Acak Bobot” berisi karakter

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Seed Acak Bobot” berisi bilangan

float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Seed Acak Bobot” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 4 “Seed Acak Bobot” berisi bilangan

integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Seed Acak Bobot” berisi bilangan

integer > 0

Masukan “Seed Acak Bobot” diterima

11.Pengujian terhadap “Nomor rekord” untuk klasifikasi pada bagian klasifikasi dan prediksi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Nomor rekord” untuk klasifikasi melalui form klasifikasi dan prediksi base classifier. Hasil

pengujiannya dapat dilihat sebagai berikut:

Diharapkan

Hasil uji 1 “Nomor rekord” untuk klasifikasi

berisi karakter selain bilangan integer

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Nomor rekord” untuk klasifikasi

berisi bilangan float / real

berisi kosong

berisi bilangan integer ≤ 0

berisi bilangan integer > jumlah rekord pada tabel

Pesan kesalahan Sesuai dengan hasil yang diharapkan 6 Nomor rekord dari > Nomor rekord

sampai

berisi bilangan integer > 0 dan < jumlah rekord pada tabel

“Nomor rekord” untuk klasifikasi diterima

12.Pengujian terhadap “Nomor rekord” untuk prediksi pada bagian klasifikasi dan prediksi base classifier

Pengujian dilakukan dengan memasukan nilai pada “Nomor rekord” untuk prediksi melalui form klasifikasi dan prediksi base classifier. Hasil

(41)

Hasil uji 1 “Nomor rekord” untuk prediksi

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Nomor rekord” untuk prediksi

berisi kosong

berisi bilangan integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Nomor rekord” untuk prediksi

Pesan kesalahan Sesuai dengan hasil yang diharapkan

6 Nomor rekord dari > Nomor rekord

sampai Pesan kesalahan Sesuai dengan hasil yang diharapkan 7 “Nomor rekord” untuk prediksi

“Nomor rekord” untuk prediksi diterima

13.Pengujian terhadap “Jumlah rekord ditangani” pada bagian konfigurasi SEA Pengujian dilakukan dengan memasukan nilai pada “Jumlah rekord ditangani” melalui form konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai

berikut:

Diharapkan

Hasil uji 1 “Jumlah rekord ditangani” berisi

karakter selain bilangan integer Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Jumlah rekord ditangani” berisi

bilangan float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Jumlah rekord ditangani” berisi

kosong

Pesan kesalahan Sesuai dengan hasil yang diharapkan 4 “Jumlah rekord ditangani” berisi

bilangan integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Jumlah rekord ditangani” berisi

bilangan integer > 0

“Jumlah rekord ditangani” diterima

(42)

Hasil uji 1 “Ukuran Ensemble” berisi karakter

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Ukuran Ensemble” berisi bilangan

float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Ukuran Ensemble” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 4 “Ukuran Ensemble” berisi bilangan

integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Ukuran Ensemble” berisi bilangan

integer > 0

“Ukuran Ensemble” diterima

15.Pengujian terhadap “Faktor Correctness” pada bagian konfigurasi SEA

Pengujian dilakukan dengan memasukan nilai pada “Faktor Correctness” melalui form konfigurasi SEA. Hasil pengujiannya dapat dilihat sebagai

berikut:

Diharapkan

Hasil uji 1 “Faktor Correctness” berisi

karakter selain bilangan integer

Pesan kesalahan Sesuai dengan hasil yang diharapkan 2 “Faktor Correctness” berisi

bilangan float / real

Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Faktor Correctness” berisi kosong Pesan kesalahan Sesuai dengan hasil

yang diharapkan 4 “Faktor Correctness” berisi

bilangan integer < 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Faktor Correctness” berisi

bilangan integer > 100 Pesan kesalahan Sesuai dengan hasil yang diharapkan 6 “Faktor Correctness” berisi

bilangan integer ≥ 0 dan ≤ 100 “Faktor Correctness” diterima

16.Pengujian terhadap “Nomor rekord” untuk klasifikasi pada bagian klasifikasi dan prediksi SEA

Pengujian dilakukan dengan memasukan nilai pada “Nomor rekord” untuk klasifikasi melalui form klasifikasi dan prediksi SEA. Hasil pengujiannya

(43)

Hasil uji 1 “Nomor rekord” untuk klasifikasi

berisi kosong

berisi bilangan integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Nomor rekord” untuk klasifikasi

berisi bilangan integer > 0 “Nomor rekord” untuk klasifikasi diterima

17.Pengujian terhadap “Stop rekord ke” untuk klasifikasi pada bagian klasifikasi dan prediksi SEA

Pengujian dilakukan dengan memasukan nilai pada “Stop rekord ke” untuk klasifikasi melalui form klasifikasi dan prediksi SEA. Hasil pengujiannya

dapat dilihat sebagai berikut:

Diharapkan

Hasil uji 1 “Stop rekord ke” untuk klasifikasi

2 “Stop rekord ke” untuk klasifikasi

berisi bilangan float / real Pesan kesalahan Sesuai dengan hasil yang diharapkan 3 “Stop rekord ke” untuk klasifikasi

berisi kosong Pesan kesalahan Sesuai dengan hasil yang diharapkan 4 “Stop rekord ke” untuk klasifikasi

berisi bilangan integer ≤ 0

Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Stop rekord ke” untuk klasifikasi

Pesan kesalahan Sesuai dengan hasil yang diharapkan 6 “Stop rekord ke” untuk klasifikasi

“Stop rekord ke” untuk klasifikasi diterima

(44)

Hasil uji 1 “Nomor rekord” untuk prediksi

berisi kosong

berisi bilangan integer ≤ 0 Pesan kesalahan Sesuai dengan hasil yang diharapkan 5 “Nomor rekord” untuk prediksi

6 Nomor rekord dari > Nomor rekord

sampai Pesan kesalahan Sesuai dengan hasil yang diharapkan 7 “Nomor rekord” untuk prediksi

berisi bilangan integer > 0 dan ≤ jumlah rekord pada tabel

“Nomor rekord” untuk klasifikasi diterima

Pengujian Terhadap Fungsionalitas Perangkat Lunak

1. Pengujian terhadap fungsi untuk melakukan koneksi pada basis data

Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data. Pertama kali string koneksi dibuat,

kemudian mengklik tombol koneksi. Hasilnya jika tidak muncul pesan bahwa string koneksi error maka basis data sudah tersambung.

Setelah dilakukan pengujian melalui langkah-langkah ini maka basis data dapat tersambung dengan perangkat lunak seperti yang diharapkan.

2. Pengujian terhadap fungsi untuk memperoleh tabel pada basis data

Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data, kemudian dapat memilih tabel yang ada

pada basis data. Setelah basis data tersambung, maka pada “Tabel Data Mining” akan muncul nama tabel apa saja yang ada pada basis data.

Setelah dilakukan pengujian melalui langkah-langkah ini maka tabel pada basis data dapat diperoleh seperti yang diharapkan.

(45)

3. Pengujian terhadap fungsi untuk menampilkan atribut dari tabel pada basis data

Pengujian dilakukan dengan mencoba melakukan koneksi dengan basis data melalui form konfigurasi basis data, kemudian memilih tabel yang ada pada

basis data, serta menampilkan atribut pada tabel yang dipilih tersebut. Setelah “Tabel Data Mining” dipilih dan di-klik “OK” maka atribut-atibut dari tabel yang dipilih tersebut akan ditampilkan.

Setelah dilakukan pengujian melalui langkah-langkah ini maka atribut-atribut pada tabel dapat diperoleh seperti yang diharapkan.

4. Pengujian terhadap fungsi untuk membuka file konfigurasi basis data

Pengujian dilakukan dengan meng-klik “Buka Konfigurasi” untuk file

konfigurasi basis data, kemudian memilih file yang mengandung konfigurasi

basis data. Hasil pengujiannya dapat dilihat sebagai berikut:

Diharapkan

Hasil uji 1 Masukan file tidak sesuai Pesan kesalahan Sesuai dengan hasil

yang diharapkan 2 Masukan file sesuai Nilaimasukan

yang ada pada

form konfigurasi

basis data sesuai dengan yang ada di file

5. Pengujian terhadap fungsi untuk menyimpan file konfigurasi basis data

Pengujian dilakukan dengan meng-klik “Simpan Konfigurasi” untuk file

konfigurasi basis data. Hasil adalah file yang berisi konfigurasi basis data.

Setelah dilakukan pengujian melalui langkah-langkah ini maka file yang

(46)

Setelah dilakukan pengujian dengan data pada Tabel II.1 (Play Sports) maka mengeluarkan hasil:

• Jumlah Rekord = 14 • Nama Tabel = Play Sports • Jumlah Atribut = 5

Hal ini sesuai dengan yang diharapkan.

7. Pengujian terhadap fungsi untuk menambahkan rekord pada basis data Pengujian dilakukan dengan menambahkan rekord pada tabel “Play Sports”. Setelah dilakukan pengujian dengan menambahkan rekord berikut:

• Outlook = Rainy • Temperature = 85 • Humidity = 80 • Windy = False • Play = Yes

Maka pada tabel terlihat bahwa rekord telah bertambah, hal ini sesuai dengan yang diharapkan.

8. Pengujian terhadap fungsi untuk mengubah rekord pada basis data Pengujian dilakukan dengan mengubah rekord pada tabel “Play Sports”. Setelah dilakukan pengujian dengan mengubah rekord berikut:

• Outlook = Sunny • Temperature = 85 • Humidity = 85 • Windy = False • Play = No menjadi: • Outlook = Sunny • Temperature = 85 • Humidity = 85 • Windy = False • Play = Yes

(47)

Maka pada tabel terlihat bahwa rekord telah berubah, hal ini sesuai dengan yang diharapkan.

9. Pengujian terhadap fungsi untuk menghapus rekord pada basis data Pengujian dilakukan dengan menghapus rekord pada tabel “Play Sports”. Setelah dilakukan pengujian dengan menghapus rekord berikut:

• Outlook = Sunny • Temperature = 80 • Humidity = 90 • Windy = True • Play = No

Maka pada tabel terlihat bahwa rekord telah hilang, hal ini sesuai dengan yang diharapkan.

10.Pengujian terhadap fungsi untuk mengecek jumlah kelas pada data

Pengujian dilakukan dengan menggunakan data tabel “Play Sports”. Setelah jumlah kelas dicek maka menghasilkan “Jumlah Kelas” = 2. Hal ini sesuai dengan banyaknya kelas yang ada pada data jika ditelusuri secara manual.

11.Pengujian terhadap fungsi untuk membuka file konfigurasi base classifier

konfigurasi base classifier, kemudian memilih file yang mengandung

konfigurasi base classifier. Hasil pengujiannya dapat dilihat sebagai berikut:

Diharapkan

yang ada pada

(48)

12.Pengujian terhadap fungsi untuk menyimpan file konfigurasi base classifier

konfigurasi base classifier. Hasil adalah file yang berisi konfigurasi base classifier.

menampung nilai-nilai untuk konfigurasi base classifier sesuai dengan

nilai-nilai yang ada pada form konfigurasi base classifier saat dilakukannya

penyimpanan.

13.Pengujian terhadap fungsi untuk melakukan klasifikasi pada base classifier

Pengujian dilakukan untuk menguji apakah pelatihan base classifier dapat

berjalan. Data yang digunakan adalah “Play Sports”, dengan pengaturan konfigurasi base classifier sebagai berikut:

• Jumlah Neuron pada Hidden Layer 1 = 9

• Fungsi Aktivasi Hidden Layer 1 = Radial Basis

• Fungsi Aktivasi Output Layer = Radial Basis

• Jumlah Kelas = 2 • Learning Rate = 0,025

• Momentum = 1

• Epoch Maksimum = 1000

• MSE Minimum = 0,01

• Seed Acak Bobot = 19081985

Setelah diuji untuk data pelatihan dari nomor rekord 1 sampai 12 maka pelatihan dapat berjalan dengan baik dengan adanya penurunan error.

Hasilnya akhirnya yaitu:

• MSE Epoch Terakhir = 0,00990380878759153

• Jumlah Epoch = 286

• Waktu Pelatihan = 1.546 ms

Grafik penurunan error-nya selama pelatihannya ditunjukkan pada sebagai

(49)

14.Pengujian terhadap fungsi untuk melakukan prediksi pada base classifier

Dari hasil pelatihan yang dilakukan pada pengujian fungsionalitas nomor 13, maka dilakukanlah pengujian apakah dari hasil pelatihan dapat digunakan untuk melakukan prediksi dengan baik. Dalam melakukan prediksi base classifier maka akan menggunakan data baru yaitu data “Play Sports” dengan

nomor rekord 13 sampai 14, serta menggunakan data pelatihan yaitu data “Play Sports” dengan nomor 1 sampai 12.

(50)

Dapat dilihat bahwa prediksi pada base classifier dapat berjalan dengan baik.

Untuk prediksi data test dapat dilihat bahwa persentase kebenaran hasil

prediksinya adalah 50%. Untuk prediksi data pelatihan dapat dilihat bahwa kebenaran hasil prediksinya adalah 100%.

15.Pengujian terhadap fungsi untuk membuka file konfigurasi SEA

konfigurasi SEA, kemudian memilih file yang mengandung konfigurasi SEA.

Hasil pengujiannya dapat dilihat sebagai berikut:

Diharapkan

yang ada pada

form konfigurasi

SEA sesuai dengan yang ada di file

16.Pengujian terhadap fungsi untuk menyimpan file konfigurasi SEA

(51)

menampung nilai-nilai untuk konfigurasi SEA sesuai dengan nilai-nilai yang ada pada form konfigurasi SEA saat dilakukannya penyimpanan.

17.Pengujian terhadap fungsi untuk melakukan klasifikasi pada SEA

Pengujian dilakukan untuk menguji apakah pelatihan SEA dapat berjalan. Data yang digunakan adalah “Play Sports”, dengan pengaturan konfigurasi

base classifier sebagai berikut:

• Fungsi Aktivasi Output Layer = Radial Basis

• Jumlah Kelas = 2 • Learning Rate = 0,025

• Momentum = 1

• Epoch Maksimum = 1000

• MSE Minimum = 0,01

• Seed Acak Bobot = 19081985

dan pengaturan konfigurasi SEA sebagai berikut: • Jumlah rekord ditangani = 2

• Ukuran Ensemble = 3

• Faktor Correctness = 70

Setelah diuji untuk data pelatihan dari nomor rekord 1 sampai 12 maka pelatihan dapat berjalan dengan baik dengan adanya keberhasilan ensemble

(52)

Grafik keberhasilan ensemble dalam mengklasifikasikan data selama pelatihan

ditunjukkan sebagai berikut:

Dari grafik tersebut ditunjukkan bahwa saat pelatihan berjalan, ensemble

hanya mampu berhasil mengklasifikasi data dengan tingkat kebenaran 50% untuk blok data 3, 4, 5, dan 7. Untuk blok data 1 dan 2 ensemble belum

dihitung jumlah kelas benarnya, sehingga rata-rata tingkat kebenaran ensemble selama pelatihan adalah (50% + 50% + 50% + 0% + 50%) / 5 = 40%.

18.Pengujian terhadap fungsi untuk melakukan prediksi pada SEA

Dari hasil pelatihan yang dilakukan pada pengujian fungsionalitas nomor 17, maka dilakukanlah pengujian apakah dari hasil pelatihan dapat digunakan untuk melakukan prediksi dengan baik. Dalam melakukan prediksi SEAmaka akan menggunakan data baru yaitu data “Play Sports” dengan nomor rekord 13 sampai 14, serta menggunakan data pelatihan yaitu data “Play Sports” dengan nomor 1 sampai 12.

(53)

Grafik hasil pengujiannya untuk data pelatihan ditunjukkan sebagai berikut:

Dapat dilihat bahwa prediksi pada SEA dapat berjalan dengan baik. Untuk prediksi data baru dapat dilihat bahwa kebenaran hasil prediksinya adalah 50%. Untuk prediksi data pelatihan dapat dilihat bahwa kebenaran hasil prediksinya adalah 66,67%.