III-16 3.1 Analisis
Pada bab ini akan diuraikan lebih lanjut mengenai analisis kebutuhan, diantaranya yaitu analisis kebutuhan sistem yang meliputi data yang digunakan, proses yang digunakan untuk pengolahan data meliputi perhitungan yang digunakan dalam proses penelitian, dan output yang dihasilkan dari proses yang dilakukan.
3.1.1 Analisis dan Kebutuhan Sistem
Sistem yang dibangun pada penelitian ini adalah outlier detection dengan menggunakan algoritma Local Outlier Factor (LOF). Algoritma tersebut tidak memerlukan suatu inputan berupa jumlah klaster, karena algoritma ini secara otomatis dapat membentuk suatu klaster. Dimana dalam proses untuk membentuk suatu klaster, algoritma ini memerlukan suatu inputan berupa nilai k-distance dan nilai minimum point (minpts). Dimana pada penelitian ini nilai k-distance dan minimum point didapat dari hasil preprocessing. Berikut analisis kebutuhan sistem yang harus dipenuhi:
a. Sistem dapat menampilkan jumlah data transaksi, jumlah produk yang terjual dalam transaksi selama setahun.
b. Sistem dapat menampilkan tahapan preprocessing.
c. Sistem dapat menghasilkan nilai k-distance dan minimum point.
d. Sistem dapat menampilkan hasil dari penghitungan LOF.
e. Sistem dapat menampilkan data yang termasuk kedalam kandidat anomali.
Tabel 3.1 Data Transaksi Yomart Margacinta 2015 Store
Code
Order ID
Product
ID Product Description
Quant ity
Unit Price
Discount Price 454673 546742
7501198 3
DJARUM, LA
LIGHTFLTR 1,000 6,323 6,100
454673 546742
7805891 8
RJ MENU, ONION
WARNA 1,000 3,623 3,400
Data yang digunakan pada penelitian ini adalah data transaksi ritel Yomart Margacinta dengan spesifikasi data sebagai berikut :
Data Transaksi Yomart Margacinta
Periode Januari 2015 – Desember 2015
Jumlah data 1600 data produk
Jumlah data yang diolah 1000 data produk
3.1.2 Analisis Perhitungan Algoritma Local Outlier Factor
Setelah didapat data dan atribut yang sesuai, pada bagian ini akan diuraikan cara perhitungan Algoritma LOF (Local Outlier Factor) dengan menggunakan data sampel dari data yang dimiliki, dimana data yang digunakan berjumlah sepuluh baris dengan 3 kolom (atribut).
Tabel 3.2 Data Transaksi Perbulan No ID
Produk
Nama Produk
Transaksi/bulan
1 2 3 4 5 6 7 8 9 10 11 12
1 75011983 DJARUM,
LA
LIGHTFLTR
12 13 10 29 16 19 8 16 14 15 12 14 2 78058918 RJ MENU,
ONION WARNA
8 2 3 2 10 6 5 4 4 0 0 0
3 75051271 CRICKET,
LGT SOLID 25 11 22 32 22 30 15 14 25 15 30 14 4 75012277 YMT, LIGT
ELECTRIC 23 10 27 23 26 13 43 38 39 48 19 22 5 70052065 ROYCO,
RASA AYM6X8GR
33 27 27 52 37 30 17 33 54 33 38 49 6 90043671 RINSO, 22 19 27 20 24 38 41 45 67 39 26 22
454673 546742
8202523 3
INDOMILK, KID
CHO125 1,000 2,835 2,612
454673 546742
7505127 1
CRICKET, LGT
SOLID 1,000 3,873 3,650
454673 546743
7501217 9
234, KRETEK 12
BTG 1,000 6,298 6,075
454673 546743
7501227 7
YMT, LIGT
ELECTRIC 1,000 2,848 2,625
454673 546745
7005206 5
ROYCO, RASA
AYM6X8GR 1,000 2,798 2,575
454673 546745
9004367 1
RINSO, NEW A
NODA56G 1,000 2,435 2,212
454673 546745
9004426 0
DANGDUT, CD
LEMON210 1,000 2,385 2,162
NEW A NODA56G
7 79020931 ENERGEN,
VAN5X30G SCH
25 22 28 26 14 11 19 31 20 15 16 15 8 65006462 WALS, PP
RAINBWA VE60
7 7 10 10 11
1
6 4 5 7 4 2 0
9 76013060 NYAM2,
CHO 30 15 27 20 30 15 6 8 27 12 11 1 8 10 78067053 SOBA MIE,
AYAM B 11 28 15 34 23 19 15 12 23 9 16 17 Pada tabel 3.1 merupakan tabel berisi data transaksi di sebuah
supermarket, dimana dalam tabel tersebut hanya menggunakan sampel data sebanyak 10 produk yang dihitung dalam kurun waktu 1 tahun. Sebelum data tersebut diolah dengan teknik klasterisasi, data tersebut di agregasi terlebih dahulu yaitu dengan melakukan proses pencarian nilai minimum, maksimum, rata-rata, total transaksi, dan standar deviasi dari transaksi yang dikelompokan perbulan, dalam kurun waktu 1 tahun. Berikut adalah atribut yang digunakan dalam pencarian kandidat anomali .
Tabel 3.3 Data Transaksi Setelah Di Agregasi No ID
Produk
Nama Produk
Sum Max Min Avg Standar Deviasi 1 75011983 DJARUM, LA
LIGHTFLTR 178 29 8 14.83 5.1 2 78058918
RJ MENU, ONION WARNA
44 10 0 3.67 3.06
3 75051271 CRICKET, LGT
SOLID 255 32 11 21.25 6.99 4 75012277 YMT, LIGT ELECTRIC 331 48 10 27.58 11.42 5 70052065 ROYCO, RASA
AYM6X8GR 430 54 17 35.83 10.57 6 90043671 RINSO, NEW A
NODA56G 390 67 19 32.5 13.52 7 79020931 ENERGEN, VAN5X30GSCH 242 31 11 20.17 6.01 8 65006462 WALS, PP
RAINBWAVE60 173 111 0 14.42 29.26 9 76013060 NYAM2, CHO
30 180 30 1 15 8.84
10 78067053 SOBA MIE, AYAM BKR28 222 34 9 18.5 7.03
Pada tabel 3.2 menampilkan atribut yang digunakan pada penelitian ini, dimana atribut tersebut akan dicari jarak atau selisih antar data untuk dapat digunakan dalam proses klasterisasi menggunakan algoritma Local Outlier Factor (LOF). Data tersebut akan dihitung nilai jaraknya menggunakan rumus perhitungan jarak euclidean distance. Dimana setiap data akan dikurangi dengan data lainnya, sehingga akan dibentuk dalam suatu matrik. Sedangkan jumlah dimensi yang terbentuk disesuaikan dengan jumlah baris data yang digunakan.
Berikut rumus perhitungan jarak euclidean distance.
Rumus (5) merupakan rumus euclidean distance, yang akan digunakan untuk mencari jarak antar data, dimana cara perhitungan jarak tersebut adalah mencari selisih data dengan cara mengurangi data satu dengan data yang lainnya dan perhitungan tersebut berlaku untuk semua data yang digunakan. Berikut tabel data yang akan digunakan untuk perhitungan jarak.
Tabel 3.4 Data Dalam Bentuk Matrik
ID A B C D E
75011983 178 29 8 14.83 5.1
78058918 44 10 0 3.67 3.06
75051271 255 32 11 21.25 6.99
75012277 331 48 10 27.58 11.42
70052065 430 54 17 35.83 10.57
90043671 390 67 19 32.5 13.52
79020931 242 31 11 20.17 6.01
65006462 173 111 0 14.42 29.26
76013060 180 30 1 15 8.84
78067053 222 34 9 18.5 7.03
( )
√( ) ( ) ( ) √∑( )
( )
Keterangan : A : Total transaksi B : Maksimum transaksi C : Minimum transaksi D : Rata-rata transaksi E : Standar deviasi
Setelah didapat data yang sesuai kemudian lakukan perhitungan jarak pada data yang sudah disiapkan. Berikut contoh perhitungan data dari tabel 3.3, perhitungan dibawah ini akan diletakan pada matrik baris kesatu yaitu dari baris ke satu hingga kolom ke 10, berikut perhitungan jarak euclidean distance:
√( ) ( ) ( ) ( ) ( ) = 0
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom pertama, dengan nilai jarak sebesar nol, karena dikurang kan dengan baris itu sendiri.
√( ) ( ) ( ) ( ) ( ) = 136.0504
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom kedua, dengan nilai jarak sebesar 136.0504 yang merupakan hasil pencarian selisih data pada baris kedua dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( )
= 77.4066
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom ketiga, dengan nilai jarak sebesar 77.4066 yang merupakan hasil pencarian selisih data pada baris ketiga dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 154.8435
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom keempat, dengan nilai jarak sebesar 154.8435 yang merupakan hasil pencarian selisih data pada baris keempat dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 254.3244
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom kelima, dengan nilai jarak sebesar 254.3244 yang merupakan hasil pencarian selisih data pada baris kelima dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 216.5459
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom keenam, dengan nilai jarak sebesar 216.5459 yang merupakan hasil pencarian selisih data pada baris keenam dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( )
= 64.3300
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom ketujuh, dengan nilai jarak sebesar 64.3300 yang merupakan hasil pencarian selisih data pada baris ketujuh dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 86.0051
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom kedelapan, dengan nilai jarak sebesar 86.0051 yang merupakan hasil pencarian selisih data pada baris kedelapan dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 8.2472
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom kesembilan, dengan nilai jarak sebesar 8.2472 yang merupakan hasil pencarian selisih data pada baris kesembilan dikurangkan dengan data pada baris pertama.
√( ) ( ) ( ) ( ) ( ) = 44.4881
Hasil perhitungan ini akan diletakkan pada barisan matrik, yaitu pada baris pertama kolom kesepuluh, dengan nilai jarak sebesar 44.4881 yang merupakan hasil pencarian selisih data pada baris kesepuluh dikurangkan dengan data pada baris pertama.
Jumlah baris data pada tabel 3.5 sebanyak 10 baris data, sehingga pada pembentukan matrik jarak dimensi matrik menjadi 10 x 10, lakukan perhitungan jarak sampai dapat memenuhi data jumlah matrik 10x10.
Tabel 3.5 Data Euclidean Distance
Setelah dihitung jarak antar data, akan dicari nilai k-distance neighborhood dan nilai k-distance dengan asumsi nilai minpts 6 dimana nilai k- distance neighborhood adalah 6 nilai terkecil dari sebuah data, sedangkan nilai k- distance adalah nilai terbesar dari 6 nilai k-distance neighborhood. Sehingga akan di dapat hasil :
Tabel 3.6 K-Distance Neighborhood Dan K-Distance
ID Produk
K-distance Neighborhood
K- distance
75011983 2,3,7,8,9,10 136.0504
78058918 1,3,7,8,9,10 213.1912
75051271 1,4,7,8,9,10 116.7416
75012277 3,5,6,7,9,10 152.8755
70052065 3,4,6,7,9,10 252.5250
90043671 3,4,5,7,9,10 214.7584
79020931 1,3,4,8,9,10 108.8835
65006462 1,2,3,7,9,10 166.2649
76013060 1,2,3,7,8,10 138.0535
78067053 1,3,4,7,8,9 110.3618
Selanjutnya akan dicari nilai reachability distance dengan cara membandingkan nilai terbesar antara jarak antar data dengan nilai k-distance data tersebut.
Tabel 3.7 Reachability Distance Dan Local Reachability Density
78058918 75051271 79020931 65006462 76013060 78067053 75011983 136.0504 77.4066 64.3300 86.0051 8.2472 44.4881 K-distance 213.1912 116.7416 108.8835 166.2649 138.0535 110.3618 RD 213.1912 116.7416 108.8835 166.2649 138.0535 110.3618
LRD 142.2494
75011983 75051271 79020931 65006462 76013060 78067053 78058918 136.0504 213.1912 200.1173 166.2649 138.0535 180.4901 K-distance 136.0504 116.7416 108.8835 166.2649 138.0535 110.3618 RD 136.0504 213.1912 200.1173 166.2649 138.0535 180.4901
LRD 172.3612
75011983 75012277 79020931 65006462 76013060 78067053 75051271 77.4066 78.0557 13.1197 116.7416 75.9703 33.2350 K-distance 136.0504 152.8755 108.8835 166.2649 138.0535 110.3618 RD 136.0504 152.8755 108.8835 166.2649 138.0535 110.3618
LRD 135.4149
75051271 70052065 90043671 79020931 76013060 78067053 75012277 78.0557 99.7737 62.8619 91.0779 152.8755 110.3618 K-distance 116.7416 252.5250 214.7584 108.8835 138.0535 110.3618 RD 116.7416 252.5250 214.7584 108.8835 152.8755 110.3618
LRD 159.3576
75051271 75012277 90043671 79020931 76013060 78067053 70052065 177.1169 99.7737 42.3414 190.1973 252.5250 209.8591 K-distance 116.7416 152.8755 214.7584 108.8835 138.0535 110.3618 RD 177.1169 152.8755 214.7584 190.1973 252.5250 209.8591
LRD 199.5554
75051271 75012277 70052065 79020931 76013060 78067053 90043671 140.2968 62.8619 42.3414 153.2071 214.7584 172.1950 K-distance 116.7416 152.8755 252.5250 108.8835 138.0535 110.3618 RD 140.2968 152.8755 252.5250 153.2071 214.7584 172.1950
LRD 180.9763
75011983 75051271 75012277 65006462 76013060 78067053 79020931 64.3300 13.1197 91.0779 108.8835 63.0852 20.4164 K-distance 136.0504 116.7416 152.8755 166.2649 138.0535 110.3618 RD 136.0504 116.7416 152.8755 166.2649 138.0535 110.3618
LRD 136.7246
75011983 78058918 75051271 79020931 76013060 78067053 65006462 86.0051 166.2649 116.7416 108.8835 83.8350 94.4554 K-distance 136.0504 213.1912 116.7416 108.8835 138.0535 110.3618 RD 136.0504 213.1912 116.7416 108.8835 138.0535 110.3618
LRD 137.2137
75011983 78058918 75051271 79020931 65006462 78067053 76013060 8.2472 138.0535 75.9703 63.0852 83.8350 43.1222 K-distance 136.0504 213.1912 116.7416 108.8835 166.2649 110.3618 RD 136.0504 213.1912 116.7416 108.8835 166.2649 110.3618
LRD 141.9156
75011983 75051271 75012277 79020931 65006462 76013060 78067053 44.4881 33.2350 110.3618 20.4164 94.4554 43.1222 K-distance 136.0504 116.7416 152.8755 108.8835 166.2649 138.0535 RD 136.0504 116.7416 152.8755 108.8835 166.2649 138.0535
LRD 136.4782
Nilai Local Reachability Density (LRD) didapat dengan menghitung kepadatan lokal setiap data dengan rumus :
Dimana :
lrdMinPts(o) : local reachability density dari objek p.
reachdist(p) : Reacbility distance dari objek p ke objek o NMinPts(p) : Jumlah tetangga p dalam suatu minPts
( )
( )
( ) ( )
Setelah semua nilai didapat tahap terakhir adalah menghitung nilai Local Outlier Factor (LOF) menggunakan persamaan :
LOFMinPts(p) =
( ) ( )
( )
...
(4)Dimana :
LOFMinPts(p) : Derajat outlier dari objek p
lrdMinPts(o) : local reachabiliry distance dari objek p.
reachdist(p) : Reacbility distance dari objek p ke objek o NMinPts(p) : Jumlah tetangga p dalam suatu minPts
Tabel 3.8 Local Outlier Factor (LOF) ID Produk LOF
75011983 0.999586054
78058918 1.246462287
75051271 0.954237266
75012277 1.052000108
70052065 1.359407155
90043671 1.217326169
79020931 0.965078187
65006462 0.958299759
76013060 0.996848874
78067053 0.963038842
Pada Tabel 3.7 didapat hasil penghitungan dengan menggunakan algoritma Local Outlier Factor (LOF). Berdasarkan tabel diatas menghasilkan tiga kandidat data pencilan yaitu produk dengan id 78058918, 70052065, 90043671 dengan masing-masing nilai LOF 1.246462287, 1.359407155, 1.217326169.
3.2 Perancangan Sistem 3.2.1 Flowchart
Pada bagian ini akan dijelaskan tentang alur dari proses yang dilakukan pada penelitian ini.
3.2.1.1 Flowchart Sistem
Pada bagian ini terdapat diagram flowchart yang menggambarkan proses keseluruhan dari data mining teknik clustering algoritma Local Outlier Factor (LOF) yang digunakan pada penelitian tugas akhir ini.
Gambar 3.1 Flowchart proses clustering
Pada gambar 3.1 di atas, dapat dilihat alur proses yang dilakukan pada proses data mining pada penelitian ini. Dimana data yang digunakan pada penelitian ini yaitu data transaksi yang telah di agregasi. Data yang digunakan
dalam penelitian ini, diambil dari data transaksi dalam kurun waktu 1 tahun. Data tersebut yang nantinya digunakan pada proses mining dengan menggunakan algoritma Local Outlier Factor (LOF). Setelah dilakukan proses mining, didapatlah hasil klaster dari data transaksi tersebut, kemudian dari klaster yang terbentuk dianalisis untuk dibedakan mana data normal dan data yang termasuk dalam kandidat anomali. Kandidat anomali tersebut didapat dari hasil perhitungan jarak menggunakan rumus euclidean distance, dimana data yang dimasukan atau dikategorikan sebagai kandidat anomali adalah data yang berada jauh dari data lainnya, sedangkan untuk mendapatkan anomali dilakukan perbandingan rata-rata transaksi.
3.2.2 Context Diagram
Context Diagram merupakan diagram yang menggambarkan sistem secara umum, yaitu menggambarkan hubungan antara entitas luar, masukan dan keluaran dari sistem.
Pada sistem yang akan dibangun terdapat satu pengguna yang menggunakan sistem ini, yaitu user. Berikut gambaran diagram konteks dari sistem yang akan dibagun :
Gambar 3.2 Context Diagram
3.2.3 Data Flow Diagram (DFD) Level 1
Setelah terbentuk diagram konteks, maka dibuat rancangan proses selanjutnya dengan menggunakan Data Flow Diagram (DFD). Data Flow Diagram (DFD) adalah diagram yang menggambarkan sistem dalam bentuk lambang-lambang tertentu yang menunjukan aliran data, entitas eksternal, proses, dan tempat penyimpanan data.
Gambar 3.3 Data Flow Diagram Level 1
3.2.4 Data Flow Diagram Level 2
Gambar 3.4 Data Flow Diagram Level 2
Pada gambar 3.4 di atas menjelaskan proses yang dilakukan pada penelitian ini. Pada proses pertama, user memasukan jumlah data yang akan dihitung. Lalu sistem akan menampilkan data produk dan nama produk. Setelah itu sistem akan menghitung total penjualan perbulan dari masing-masing produk yang nantinya akan digunakan untuk mengagregasi datasebagai nilai atribut.
Setelah mendapatkan nilai atribut, sistem akan menghitung nilai jarak antar produk lalu nilai jarak tersebut diurutkan dari yang terkecil hingga terbesar dan dihitung selisih dari kenaikan antar produk. Jika indeks dengan kenaikan tertinggi sering muncul, maka indeks tersebut akan dijadikan kandidat minpoint. Setelah mendapatkan nilai minpoint, langkah selanjutnya adalah melakukan menentukan k-distance neighborhood. Pada proses selanjutnya terdapat dilakukan penghitungan nilai local reachability distance dan proses menghitung local reachability density. Setelah di dapat hasilnya nilai tersebut akan dihitung pada proses hitung menggunakan algoritma LOF yang hasilnya akan di tampilkan pada user.
3.2.5 ERD (Entity Relationship Diagram)
Entity Relationship Diagram merupakan bentuk permodelan hubungan antara entitas beserta dengan tabel-tabel yang lain seperti gambar dibwah ini :
Gambar 3.5 Entity Relationship Diagram
3.2.6 Proses Specification (P-Spec)
3.2.6.1 Proses Specification (P-Spec) DFD Level 1 1. Nama Proses : Input Jumlah Data
Nomor Proses : 1.0
Deskripsi Proses : Proses ini digunakan untuk menginput berapa jumlah data yang akan dihitung.
Data Input : Jumlah Data, Nilai MinPts.
Data Output : Hasil data pencilan.
Kondisi Error : Data yang diinput hanya 0 atau 1 produk.
3.2.6.2 Proses Specification (P-Spec) DFD Level 2 1. Nama Proses : Input Jumlah Data
Nomor Proses : 1.1
Deskripsi Proses : Proses ini digunakan untuk menginput berapa jumlah data yang akan dihitung.
Data Input : Jumlah Data.
Data Output : Kode produk, nama produk.
Kondisi Error : Data yang diinput hanya 0 atau 1 produk.
2. Nama Proses : Hitung Total Penjualan Setahun Nomor Proses : 1.2
Deskripsi Proses : Proses ini melakukan perhitungan total penjualan perbulan dari masing-masing produk.
Data Input : Data transaksi.
Data Output : Kode produk, total penjualan perbulan.
Kondisi Error : -
3. Nama Proses : Agregasi Data Nomor Proses : 1.3
Deskripsi Proses : Proses ini melakukan perhitungan nilai minimum, maksimum, rata-rata, total penjualan, dan nilai standar deviasi dari masing-masing produk.
Data Input : Data transaksi.
Data Output : Kode produk, minimum penjualan, maksimum penjualan, rata-rata penjualan, total penjualan, standar deviasi dari masing-masing produk.
Kondisi Error : -
4. Nama Proses : Hitung Jarak Nomor Proses : 1.4
Deskripsi Proses : Proses ini melakukan perhitungan nilai jarak antar produk.
Data Input : Kode produk, nilai minimum, maksimum, rata-rata, total, dan standar deviasi dari masing-masing produk.
Data Output : Kode produk, nilai jarak.
Kondisi Error : -
5. Nama Proses : Menentukan K-Distance Neighborhood.
Nomor Proses : 1.5
Deskripsi Proses : Proses ini melakukan perhitungan selisih jarak yang akan menentukan minpoint dan k-distance neighborhood.
Data Input : Kode produk, nilai jarak antar produk.
Data Output : Kode produk, nama produk, minpoint dan k-distance neighborhood.
Kondisi Error : -
6. Nama Proses : Hitung Local Reachability Distance.
Nomor Proses : 1.6
Deskripsi Proses : Proses ini akan menghitung jarak lokal antar data . Data Input : Kode produk, minpoint dan k-distance neighborhood.
Data Output : Kode produk, nilai local reachability distance Kondisi Error : -
7. Nama Proses : Hitung Local Reachability Density.
Nomor Proses : 1.7
Deskripsi Proses : Proses ini akan menghitung kepadatan lokal antar data .
Data Input : Kode produk, nilai jarak antar produk.
Data Output : Kode produk, Minpts , k-distance neighborhood, dan Local Reachability Distance.
Kondisi Error : -
8. Nama Proses : Hitung Nilai Local Outlier Factor Nomor Proses : 1.8
Deskripsi Proses : Proses ini melakukan deteksi produk mana yang termasuk anomali berdasarkan nilai LOF. Jika nilai LOF produk lebih dari 1, maka produk tersebut termasuk anomali.
Data Input : Kode produk, Minpts , k-distance neighborhood, local reachability distance dan local reachability density.
Data Output : Kode produk, nama produk, total penjualan perbulan dari produk yang termasuk noise dalam bentuk grafik, visualisasi hasil clustering dalam bentuk pie.
Kondisi Error : -
3.2.7 Perancangan Antarmuka
Perancangan antarmuka menjelaskan rutinitas program yang akan dijalankan oleh sebuah sistem komputerisasi untuk menjelaskan interaksi antar pengguna (user) dengan program yang dibuat. Rancangan antarmuka yang akan digunakan dalam sistem, dapat dilihat pada gambar dibawah ini:
a. Tampilan Halaman Awal
Gambar 3.6 Tampilan Halaman Awal
Pada halaman ini berfungsi untuk menginputkan jumlah data yang dimana nantinya akan di proses untuk di klasterisasi.
b. Tampilan Halaman Produk
Gambar 3.7 Tampilan Halaman Produk
Pada halaman ini berfungsi menampilkan jumlah kode produk dan nama produk yang dihitung berdasarkan inputan dari user pada halaman sebelumnya.
c. Tampilan Halaman Data Transaksi
Gambar 3.8 Tampilan Halaman Data Transaksi
Pada halaman ini berfungsi menampilkan total penjualan dari bulan ke-1 sampai dengan bulan ke-12 dari masing-masing produk
d. Tampilan Halaman Data Agregasi
Gambar 3.9 Tampilan Halaman Data Agregasi
Pada halaman ini berfungsi menampilkan total penjualan, maksimum penjualan, minimum penjualan, rata-rata penjualan, dan nilai standar deviasi dari masing-masing produk.
e. Tampilan Halaman Data Euclidean Distance
Gambar 3.10 Tampilan Halaman Data Euclidean Distance
Pada halaman ini berfungsi menampilkan nilai jarak antar produk yang didapatkan dari hasil perhitungan menggunakan rumus euclidean distance.
f. Tampilan Halaman K-Distance
Gambar 3.11 Tampilan Halaman K-Distance
g. Tampilan Halaman Local Reachability Density
Gambar 3.12 Tampilan Halaman Local Reachability Density
Pada tampilan ini berfungsi menampilkan nilai Local Reachability Density yang akan dihitung untuk mendapatkan nilai local oulier factor.
h. Tampilan Halaman Hasil
Gambar 3.13 Tampilan Halaman Hasil
Pada halaman ini berfungsi menampilkan hasil dari proses penghitungan algoritma local outlier factor jika data yang digunakan adalah data yang termasuk ke dalam data pencilan.
