penerapan metode case based reasoning untuk … · 2018-09-06 · penerapan metode case–based...

PENERAPAN METODE CASE–BASED REASONING UNTUK

PREDIKSI DATA NASABAH YANG BERPOTENSI

MEMBUKA SIMPANAN DEPOSITO

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika

Oleh :

Sinta Septiawanti

14 5314 029

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2018

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

IMPLEMENTATION OF CASE–BASED REASONING

METHOD FOR A POTENTIAL PREDICTION DATA

CUSTOMER TO OPEN DEPOSITS

THESIS

Present as Partial Fulfillment of the Requirement

to Obtain the Sarjana Komputer Degree

in Informatics Engineering Study Program

By :

Sinta Septiawanti

14 5314 029

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2018


iii


iv


v

HALAMAN PERSEMBAHAN

“ Beradalah di antara energi positif,

karena energi negatif cepat sekali menyebar.

Stop asking and start being grateful for everything. ”

Tugas akhir ini saya persembahkan kepada :

Allah Bapa, Putra, Roh Kudus

Bunda Maria

Papa dan Ibu yang terkasih

Keluarga tercinta

Teman–teman seperjuangan Teknik Informatika 2014.


vi


vii

ABSTRAK

Simpanan deposito merupakan program bank yang disediakan bagi

masyarakat untuk berinvestasi. Untuk itu bank perlu menentukan strategi

pemasaran dan promosi yang efisien dan efektif, sangat penting bagi bank untuk

mengetahui nasabah yang berpotensi membuka simpanan deposito. Oleh karena

permasalahan tersebut, maka dilakukan penelitian untuk memprediksi nasabah

yang memiliki loyalitas dalam membuka simpanan deposito. Penelitian ini

menggunakan teknik data mining dengan menerapkan metode case–based

reasoning. Data yang digunakan pada penelitian ini adalah data publik pada

bagian pemasaran suatu bank di Portugal. Uji akurasi penelitian ini menggunakan

cross validation dan confusion matrix. Dalam penelitian ini dilakukan tiga kali

percobaan dengan memasukkan nilai k=3, k=5, dan k=7. Dari hasil percobaan,

didapatkan akurasi tertinggi sebesar 86,948% yaitu pada k=5. Dengan demikian

dapat disimpulkan bahwa metode case–based reasoning dapat diterapkan untuk

sistem dalam memprediksi nasabah yang berpotensi membuka simpanan deposito.

Kata kunci : prediksi nasabah, deposito, data mining, case–based reasoning.


viii

ABSTRACT

Deposit is a bank program which is provided for people to invest. Therefore, bank

needs to decide the efficient and effective promotion and marketing strategy. It is

very significant for a bank to understand the potential client to open deposit.

Based on that concern, this research is done to predict the client who has a loyalty

to open deposit. This research used data mining technique with the

implementation of case–based reasoning method. The research’s data is taken

from public data in marketing department of one of the Portugal banks. The test of

the research accuracy used cross validation and confusion matrix. This research

used three times experiments with the following k value is k=3, k=5, and k=7. The

result of the experiment is the highest accuracy of 86,948% on k=5. In conclusion,

case–based reasoning method can be implemented for a system to predict the

potential client to open deposit.

Keyword : prediction of bank customer, deposit, data mining,

case–based reasoning.


ix

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI

KARYA ILMIAH UNTUK KEPERLUAN KEPENTINGAN

AKADEMIS


x

KATA PENGANTAR

Puji dan syukur penulis haturkan kepada Tuhan Yang Maha Esa karena berkat

rahmat dan karunianya, penulis dapat menyelesaikan tugas akhir ini yang berjudul

“PENERAPAN METODE CASE–BASED REASONING UNTUK PREDIKSI

DATA NASABAH YANG BERPOTENSI MEMBUKA SIMPANAN

DEPOSITO”.

Adapun dalam proses pengerjaan tugas akhir ini terdapat dukungan, motivasi, dan

doa dari berbagai pihak yang membuat selesainya tugas akhir ini. Pada

kesempatan ini pula penulis akan mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus dan Bunda Maria atas berkat dan karunianya yang

telah memberikan kekuatan, bimbingan, keyakinan dan penyertaannya

kepada penulis.

2. Kedua orang tua penulis, Bapak Robertus Bellarminus Waliman dan Ibu

Fransisca Xaveria Lusia yang sangat memberikan doa restu, dukungan,

juga tak hentinya memberikan perhatian dan nasihat yang memotivasi

penulis.

3. Bapak Sudi Mungkasi, S. Si, M.Math.Sc., Ph.D. selaku Dekan Fakultas

Sains dan Teknologi.

4. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik

Informatika.

5. Ibu Paulina Heruningsih Prima S.Si., M.Sc. selaku Dosen Pembimbing

Tugas Akhir yang telah mencurahkan pikiran dan memberikan waktu serta

membimbing penulis.

6. Romo Dr. Cyprianus Kuntoro Adi, S.J. sebagai selayaknya Dosen

Pembimbing Tugas Akhir kedua yang telah membantu penulis dalam

melakukan analisis penelitian ini.

7. Bapak Albertus Agung Hadhiatma, S.T., M.T selaku Dosen Pembimbing

Akademik.


xi


xii

DAFTAR ISI

HALAMAN PERSETUJUAN ............................................................................... iii

HALAMAN PENGESAHAN ................................................................................ iv

HALAMAN PERSEMBAHAN ............................................................................. v

ABSTRAK ............................................................................................................ vii

ABSTRACT ......................................................................................................... viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPERLUAN KEPENTINGAN AKADEMIS ...................................... ix

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................ xvi

DAFTAR GAMBAR ........................................................................................... xix

DAFTAR RUMUS .............................................................................................. xxi

DAFTAR LAMPIRAN ....................................................................................... xxii

BAB I PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang................................................................................. 1

1.2. Rumusan Masalah ........................................................................... 3

1.3. Batasan Masalah .............................................................................. 3

1.4. Tujuan Penelitian ............................................................................. 4

1.5. Manfaat Penelitian ........................................................................... 4

BAB II LANDASAN TEORI ................................................................................. 5

2.1. Bank ................................................................................................. 5

2.2. Simpanan Deposito .......................................................................... 5

2.3. Pemasaran Langsung ....................................................................... 6

2.4. Penambangan Data .......................................................................... 6

2.4.1. Pengertian Penambangan Data ........................................................ 6

2.4.2. Proses Penambangan Data ............................................................... 6

2.4.3. Tahapan Penambangan Data ........................................................... 8

2.5. Case–Based Reasoning ................................................................... 9


xiii

2.5.1. Siklus Case–Based Reasoning ...................................................... 10

2.5.2. Retrieval Case–Based Reasoning .................................................. 12

2.5.3. Reuse dan Revision Case–Based Reasoning ................................. 13

2.5.4. Retension Dalam Case–Based Reasoning ..................................... 14

2.5.5. Karakteristik Case–Based Reasoning ............................................ 14

2.5.6. Fungsi Case–Based Reasoning...................................................... 15

2.5.7. Keuntungan Case–Based Reasoning ............................................. 15

2.5.8. Bidang Aplikasi Case–Based Reasoning ...................................... 16

2.6. Algoritma K–Nearest Neighbor .................................................... 17

2.7. Cross Validation ............................................................................ 17

2.8. Confusion Matrix ........................................................................... 19

2.9. UML (Unified Modeling Language) ............................................. 20

2.9.1. Use Case Diagram ......................................................................... 20

2.9.2. Sequence Diagram ......................................................................... 21

2.9.3. Activity Diagram ............................................................................ 21

BAB III METODOLOGI PENELITIAN.............................................................. 23

3.1. Metodologi Penelitian ................................................................... 23

3.2. Bahan Riset atau Data ................................................................... 23

3.3. Peralatan Penelitian ....................................................................... 26

3.4. Tahap–tahap Penelitian ................................................................. 26

3.4.1. Pengumpulan Data......................................................................... 26

3.4.2. Knowledge Discovery in Database (KDD) ................................... 26

3.4.3. Desain Alat Uji .............................................................................. 43

3.4.4. Analisis Hasil dan Pembuatan Laporan ......................................... 45

BAB IV PERANCANGAN PERANGKAT LUNAK .......................................... 46

4.1. Perancangan Umum....................................................................... 46

4.1.1. Input ............................................................................................... 46

4.1.2. Proses ............................................................................................. 46

4.1.3. Output ............................................................................................ 47

4.2. Diagram Use Case ......................................................................... 48

4.2.1. Gambaran Umum Use Case .......................................................... 48


xiv

4.2.2. Narasi Use Case ............................................................................ 49

4.3. Diagram Aktivitas ......................................................................... 49

4.4. Perancangan Struktur Data ............................................................ 49

4.5. Diagram Kelas Analisis ................................................................. 51

4.6. Diagram Sequence ......................................................................... 52

4.7. Diagram Kelas Desain ................................................................... 52

4.8. Algoritma per Method ................................................................... 53

4.9. Perancangan Antarmuka ................................................................ 53

4.9.1. Perancangan Halaman Home ......................................................... 53

4.9.2. Perancangan Halaman Preprocessing ........................................... 54

4.9.3. Perancangan Halaman Hasil Detail ............................................... 55

4.9.4. Perancangan Halaman Hasil .......................................................... 56

4.9.5. Perancangan Halaman Tentang ..................................................... 57

4.9.6. Perancangan Halaman Bantuan ..................................................... 58

BAB V IMPLEMENTASI DAN PENGUJIAN PERANGKAT LUNAK ........... 59

5.1. Implementasi Rancangan Perangkat Lunak .................................. 59

5.1.1. Implementasi Kelas Model ............................................................ 59

5.1.2. Implementasi Kelas View .............................................................. 59

5.1.3. Implementasi Kelas Control .......................................................... 74

5.2. Pengujian Perangkat Lunak ........................................................... 74

5.2.1. Pengujian Perangkat Lunak (Black Box) ....................................... 74

5.2.2. Pengujian Perbandingan Hasil Identifikasi Case–Based Reasoning

Secara Manual dengan Hasil Identifikasi Case–Based Reasoning

Menggunakan Perangkat Lunak .................................................... 76

BAB VI ANALISIS HASIL DAN PEMBAHASAN ........................................... 79

6.1. Dataset ........................................................................................... 79

6.2. Hasil Uji Akurasi Case–Based Reasoning .................................... 79

6.3. Analisis Hasil Uji Akurasi Case–Based Reasoning ...................... 82

Berikut ini adalah tabel untuk pengujian confusion matrix. .............................. 85

6.4. Kelebihan dan Kekurangan Perangkat Lunak ............................... 86

6.5.1. Kelebihan Perangkat Lunak .......................................................... 86


xv

6.5.2. Kekurangan Perangkat Lunak ....................................................... 86

BAB VII PENUTUP ............................................................................................. 87

7.1. Kesimpulan .................................................................................... 87

7.2. Saran .............................................................................................. 87

DAFTAR PUSTAKA ........................................................................................... 89

LAMPIRAN .......................................................................................................... 92


xvi

DAFTAR TABEL

Tabel 2.1 Tabel Ilustrasi Uji Akurasi dengan 5–fold cross validation ... 18

Tabel 2.2 Tabel Confusion Matrix .......................................................... 19

Tabel 2.3 Simbol Use Case Diagram ..................................................... 20

Tabel 2.4 Simbol Sequence Diagram ..................................................... 21

Tabel 2.5 Simbol Activity Diagram ........................................................ 22

Tabel 3.1 Tabel Atribut Data Nasabah ................................................... 23

Tabel 3.2 Tabel Contoh Data Nasabah ................................................... 25

Tabel 3.3 Percobaan Seleksi Atribut Menggunakan Tools Weka ........... 34

Tabel 3.4 Hasil 11 Peringkat Atribut Teratas menggunakan

Information Gain .................................................................... 35

Tabel 3.5 Tabel Contoh Dataset Sebelum Data di Transformasi ........... 42

Tabel 3.6 Tabel Contoh Dataset Setelah Data di Transformasi ............. 42

Tabel 4.1 Gambaran Umum Use Case ................................................... 48

Tabel 4.2 Objek Data Nasabah ............................................................... 50

Tabel 4.3 Rincian Algoritma per–Method Kelas HomeControl.java ..... 103

Tabel 4.4 Rincian Algoritma per–Method Kelas

PreprocessControl.java .......................................................... 104

Tabel 4.5 Rincian Algoritma per–Method Kelas Hasil.java .................. l21

Tabel 4.6 Rincian Algoritma per–Method Kelas HasilDetail.java ........ l21

Tabel 4.7 Rincian Algoritma per–Method Kelas HasilSet.java ............. l22

Tabel 4.8 Rincian Algoritma per–Method Kelas Interval.java .............. l23

Tabel 4.9 Rincian Algoritma per–Method Kelas XLSFilter.java ........... l41

Tabel 4.10 Rincian Algoritma per–Method Kelas CBR.java ................... l42

Tabel 4.11 Rincian Algoritma per–Method Kelas HalamanHome.java .. l44


HalamanPreprocess.java........................................................ l45


xvii


TabelDataset_Adapter.java .................................................... l50


TabelHasilDetail_Adapter.java .............................................. l55


TabelHasilKesimpulan.java.................................................... l63


TabelHasilKesimpulan_Adapter.java ..................................... l68


TabelHasil_Adapter.java ........................................................ l73

Tabel 5.1 Implementasi Kelas Model ..................................................... 59

Tabel 5.2 Implementasi Kelas View ....................................................... 59

Tabel 5.3 Spesifikasi Detail kelas HalamanHome.java ......................... 60

Tabel 5.4 Spesifikasi Detail kelas Preprocessing.java ........................... 62

Tabel 5.5 Spesifikasi Detail kelas HalamanBantuan.java ..................... 66

Tabel 5.6 Spesifikasi Detail kelas HalamanTentang.java ...................... 70

Tabel 5.7 Implementasi Kelas Control ................................................... 74

Tabel 5.8 Rencana Pengujian Black Box. ............................................... 74

Tabel 5.9 Tabel Prosedur Pengujian dan Studi Kasus. ........................... 189

Tabel 5.10 Tabel Kedekatan Nilai Atribut Age. ....................................... 194

Tabel 5.11 Tabel Kedekatan Nilai Atribut Job. ........................................ 194

Tabel 5.12 Tabel Kedekatan Nilai Atribut Balance. ................................ 195

Tabel 5.13 Tabel Kedekatan Nilai Atribut Housing. ................................ 196

Tabel 5.14 Tabel Kedekatan Nilai Atribut Loan. ..................................... 196

Tabel 5.15 Tabel Kedekatan Nilai Atribut Contact. ................................. 196

Tabel 5.16 Tabel Kedekatan Nilai Atribut Poutcome. ............................. 196

Tabel 5.17 Tabel Kedekatan Nilai Atribut Month. ................................... 197

Tabel 5.18 Tabel Kedekatan Nilai Atribut Previous. ............................... 197

Tabel 5.19 Tabel Kedekatan Nilai Atribut Duration. ............................... 198


xviii

Tabel 5.20 Tabel Kedekatan Nilai Atribut Pdays. .................................... 199

Tabel 5.21 Tabel Kasus Lama. ................................................................. 201

Tabel 5.22 Tabel Kasus Baru. .................................................................. 201

Tabel 6.1 Hasil Uji Akurasi Metode Case–Based Reasoning (3–fold

cross validation) ..................................................................... 79





Tabel 6.4 Pengujian Akurasi Identifikasi Data Nasabah ........................ 84

Tabel 6.5 Confusion Matrix .................................................................... 85


xix

DAFTAR GAMBAR

Gambar 2.1 Siklus Case–Based Reasoning ............................................... 10

Gambar 3.1 Percobaan I Seleksi Atribut Menggunakan Weka .................. 29

Gambar 3.2 Percobaan I Presentase Pengaruh Atribut............................... 29

Gambar 3.3 Percobaan II Seleksi Atribut Menggunakan Weka ................ 30

Gambar 3.4 Percobaan III Seleksi Atribut Menggunakan Weka ............... 31

Gambar 3.5 Percobaan III Presentase Pengaruh Atribut ............................ 31

Gambar 3.6 Percobaan IV Seleksi Atribut Menggunakan Weka ............... 32

Gambar 3.7 Percobaan IV Presentase Pengaruh Atribut ............................ 32

Gambar 3.8 Percobaan V Seleksi Atribut Menggunakan Weka ................ 33

Gambar 3.9 Percobaan V Presentase Pengaruh Atribut ............................. 33

Gambar 4.1 Flowchart Diagram ................................................................ 47

Gambar 4.2 Use Case Diagram .................................................................. 48

Gambar 4.3 Diagram Kelas Analisis .......................................................... 51

Gambar 4.4 Diagram Kelas Desain ............................................................ 52

Gambar 4.5 Rancangan Antarmuka Halaman Home ................................. 53

Gambar 4.6 Rancangan Antarmuka Halaman Preprocessing

(Kasus Lama).......................................................................... 54


(Kasus Baru) ........................................................................... 54

Gambar 4.8 Rancangan Antarmuka Halaman Hasil Detail ........................ 57

Gambar 4.9 Rancangan Antarmuka Halaman Hasil .................................. 58

Gambar 4.10 Rancangan Antarmuka Halaman Tentang .............................. 59

Gambar 4.11 Rancangan Antarmuka Halaman Bantuan .............................. 60

Gambar 5.1 Implementasi Antarmuka kelas HalamanHome.java ............. 63

Gambar 5.2 Implementasi Antarmuka kelas Preprocessing.java

(Kasus Lama).......................................................................... 66


xx

Gambar 5.3 Implementasi Antarmuka kelas HalamanBantuan.java

(Kasus Baru) ........................................................................... 67

Gambar 5.4 Implementasi Antarmuka Halaman Hasil .............................. 67

Gambar 5.5 Implementasi Antarmuka Halaman Hasil Detail .................... 68

Gambar 5.6 Implementasi Antarmuka kelas HalamanBantuan.java .......... 72

Gambar 5.7 Implementasi Antarmuka kelas HalamanTentang.java .......... 75

Gambar 5.8 Hasil Identifikasi Case–Based Reasoning .............................. 79

Gambar 5.9 Detail Hasil Identifikasi Case–Based Reasoning ................... 79

Gambar 6.1 Grafik Percobaan Uji Akurasi 3, 5, 7 - fold cross validation . 83

Gambar 6.2 Grafik Rata–rata Akurasi Cross Validation ........................... 84


xxi

DAFTAR RUMUS

Rumus 2.1 Rumus Algoritma K–Nearest Neighbor ................................. 17

Rumus 2.2 Rumus Confusion Matrix ....................................................... 19

Rumus 3.1 Rumus Information Gain ........................................................ 27



Rumus 3.4 Rumus Jangkauan ................................................................... 39

Rumus 3.5 Rumus Jumlah Kelas Interval ................................................. 39

Rumus 3.6 Rumus Panjang Interval ......................................................... 40

Rumus 3.7 Rumus Bobot Normalisasi Proximity Measures .................... 186

Rumus 3.8 Rumus Jarak Kedekatan Atribut ............................................. 187


xxii

DAFTAR LAMPIRAN

Lampiran 1 Narasi Use Case ................................................................... 96

Lampiran 2 Activity Diagram................................................................... 100

Lampiran 3 Sequence Diagram ................................................................ 103

Lampiran 4 Algoritma Per–Method ......................................................... l06

Lampiran 5 Source Code Program .......................................................... l81

Lampiran 6 Prosedur Pengujian dan Studi Kasus ................................... l89

Lampiran 7 Proses Perhitungan Manual .................................................. l92


1

BAB I

PENDAHULUAN

1.1. Latar Belakang

Hampir sebagian dari masyarakat masih menjadikan simpanan deposito

sebagai pilihan dalam berinvestasi namun dengan sedikit risiko. Berdasarkan

Hukum Perbankan Banco de Portugal, simpanan Deposito merupakan salah

satu program yang ditawarkan oleh bank, yang penarikannya hanya dapat

dilakukan pada waktu tertentu berdasarkan perjanjian nasabah dengan pihak

bank. Program deposito mempunyai keunggulan, dimana bunga yang

ditawarkan lebih tinggi daripada tabungan biasa. Semakin besar dan semakin

lama nasabah menyimpan dana dalam deposito, maka semakin besar bunga

yang ditawarkan.

Bank adalah badan usaha yang menghimpun dana dalam bentuk

simpanan dari masyarakat kemudian menyalurkannya kembali kepada

masyarakat dalam bentuk kredit atau lainnya yang bertujuan meningkatkan

taraf hidup. Setiap bank mempunyai data yang sangat besar, yang belum

disadari bahwa data–data tersebut dapat diolah dan dapat memberikan

informasi untuk membantu bank dalam menyelesaikan setiap permasalahan

yang dihadapi. Bank sebagai penghimpun dana harus mempertahankan

nasabah yang berloyalitas tinggi dalam simpanan deposito. Untuk itu, bank

membutuhkan strategi pemasaran yang dapat digunakan untuk mengolah data

dalam jumlah besar tersebut. Bank harus pintar dalam mengambil kesempatan

tersebut dengan melakukan promosi dalam strategi pemasaran yang efisien,

yaitu dengan melakukan pemasaran langsung. Salah satu cara yang dapat

digunakan sebelum pemasaran langsung yaitu memprediksi nasabah yang

berpotensi membuka simpanan deposito. Prediksi dapat dilakukan dengan

menerapkan teknik pengenalan pola seperti statistik dan matematika, yaitu

dengan mengolah data–data nasabah yang ada, kemudian diproses sehingga

menghasilkan informasi, menemukan hubungan yang berarti, mendapatkan


2

pola data, kemudian memeriksa sekumpulan besar data yang tersimpan pada

penyimpanan. Proses tersebut dinamakan Data Mining. (Prabowo, 2014)

Proses mengolah data dapat menghasilkan sebuah informasi yang

sangat penting dan berguna yang diperoleh dari gudang basis data. Proses

mining dianggap sangat membantu beberapa pihak dalam mengolah data

dengan jumlah yang besar. Peran data mining yaitu untuk klasifikasi,

prediksi, pengelompokan, estimasi, dan asosiasi. Masing–masing memiliki

algoritma atau cara tersendiri untuk melakukan proses data mining. Pada

perkembangannya, proses prediksi dan klasifikasi data menghasilkan

beberapa tujuan, salah satunya untuk memudahkan dalam mengambil

keputusan. Metode untuk memprediksi dan mengklasifikasi data salah

satunya adalah metode case–based reasoning.

Sejumlah penelitian yang terkait, seperti penelitian oleh Prabowo

(2014) yang menerapkan algoritma naive bayes classifier untuk penentu

nasabah deposito dengan atribut yang dapat dijadikan sebagai prediktor

meliputi faktor yang berasal dari data nasabah, antara lain: age, job, marital,

education, default, balance, housing, loan, contact, day, month,, duration,

compaign, pdays, previous, poutcome, Y/N. Dalam penelitiannya PSO

(Particle Swarm Optimization) digunakan dalam proses feature selection

atribut dengan pembobotan atribut untuk meningkatkan akurasi. Penelitian

lainnya yang juga terkait dengan topik yang diambil oleh penulis, seperti

penelitian oleh Imama dan Indriyanti (2013) yang menerapkan metode

penalaran berbasis kasus (case–based reasoning) untuk menganalisa

pemberian kredit pada lembaga pembiayaan menggunakan algoritma nearest

neighbor. Algoritma nearest neighbor digunakan karena penelitian tersebut

bertujuan untuk mengetahui jarak kedekatan diantara kasus lama dengan

kasus baru.

Berdasarkan uraian diatas, maka penulis tertarik melakukan penelitian

dengan menggunakan data dari bagian marketing sebuah bank di negara

Portugal, data tersebut didonasi pada tanggal 14 Februari 2012 oleh S.Moro,

P.Cortez dan P.Rita dengan jumlah 4521 record, 16 atribut dan 2 label kelas.


3

Data tersebut adalah data public yang diperoleh dari UCI Repository Mechine

Learning. Dengan menerapkan data tersebut mengunakan metode case–based

reasoning yang diharapkan mampu mendapatkan pola prediksi yang akurat

untuk mengetahui nasabah yang berpotensi membuka simpanan deposito.

Penelitian ini berjudul “Penerapan Metode Case–Based Reasoning Untuk

Prediksi Data Nasabah Yang Berpotensi Membuka Simpanan Deposito”.

Hasil penelitian ini diharapkan dapat membantu memudahkan pihak bank

dalam memprediksi nasabah yang berpotensi melakukan simpanan deposito,

sehingga dapat membantu bagian marketing dalam melakukan strategi

pemasaran.

1.2. Rumusan Masalah

Dalam penelitian ini rumusan masalah yang akan diuraikan, diantaranya

yaitu:

1. Bagaimana menerapkan metode case–based reasoning dengan algoritma

nearest neighbor untuk memprediksi data nasabah yang berpotensi

membuka simpanan deposito?

2. Seberapa akurat penerapan metode case–based reasoning untuk

memprediksi nasabah yang berpotensi membuka simpanan deposito di

salah satu bank di Portugal?

1.3. Batasan Masalah

Agar penyusunan tugas akhir ini tidak keluar dari pokok batasan yang

dirumuskan, maka lingkup batasan masalah untuk penelitian ini yaitu :

1. Merancang model dengan metode case–based reasoning untuk

memprediksi data nasabah sebuah bank di Portugal.

2. Sistem yang dibangun berupa aplikasi dekstop untuk menguji seberapa

akurat prediksi data nasabah dari sebuah bank di Portugal dengan

algoritma nearest neighbor.


4

3. Data yang di analisis adalah data generic, dengan menggunakan data dari

bagian marketing sebuah bank di Portugal, data sekunder tersebut

didonasi pada tanggal 14 Februari 2012 oleh S.Moro, P.Cortez dan P.Rita

dengan jumlah 4521 record, 16 atribut dan 2 label kelas, data ini

merupakan data public yang diperoleh dari UCI Repository Mechine

Learning.

4. Data yang digunakan mencakup data nasabah, yaitu: age, job, marital,

education, default, housing, loan, contact, month, day of week, duration,

campaign, pdays, previous, poutcome, Y/N.

1.4. Tujuan Penelitian

Tujuan dari usulan penelitian ini berdasarkan latar belakang dan

permasalahan yang ada, yaitu :

1. Menganalisa metode case–based reasoning untuk memprediksi data

nasabah yang berpotensi membuka simpanan deposito.

2. Mengetahui akurasi metode case–based reasoning dalam memprediksi

data nasabah yang berpotensi membuka simpanan deposito di salah satu

bank di Portugal.

1.5. Manfaat Penelitian

Kegunaan dalam penulisan dari penelitian ini, yaitu :

1. Menjelaskan mengenai penerapan metode case–based reasoning.

2. Menambah wawasan keilmuan yang berkaitan dengan data mining,

khususnya metode case–based reasoning.

3. Membantu pihak bank khususnya pada bagian marketing untuk

menentukan nasabah yang berpotensi untuk melakukan simpanan

deposito.

4. Memprediksi nasabah yang berpotensi melakukan simpanan deposito

yang dapat menjadi acuan pihak bank dalam melakukan strategi

pemasaran.


5

BAB II

LANDASAN TEORI

2.1. Bank

Menurut Hoggson (1926), bank merupakan lembaga intermediasi

keuangan yang didirikan untuk menerima simpanan uang, meminjamkan

uang, dan menerbitkan promes atau yang dikenal sebagai banknote. Kata

bank berasal dari bahasa Italia “banca” berarti tempat penukaran uang.

Sedangkan menurut Undang–undang Negara Republik Indonesia Nomor 10

Tahun 1998 tanggal 10 November 1998 tentang perbankan, bank adalah

badan usaha yang menghimpun dana dari masyarakat dalam bentuk

simpanan, kemudian menyalurkannya kepada masyarakat dalam bentuk

kredit atau bentuk lainnya dalam rangka meningkatkan taraf hidup rakyat

banyak (Kasmir, 2000).

2.2. Simpanan Deposito

Deposito merupakan produk yang ditawarkan oleh bank kepada

masyarakat sejenis dengan jasa tabungan yang dijamin pemerintah melalui

Lembaga Penjamin Simpanan (LPS) dengan persyaratan tertentu. Deposito

juga berarti penyimpanan uang di bank dengan sistem penyetoran yang

penarikannya hanya dapat dilakukan pada waktu tertentu. Deposito dapat

dicairkan sesuai tanggal jatuh tempo, biasanya jatuh tempo deposito berkisar

1, 3, 6, atau 12 bulan. Jika deposito dicairkan sebelum tanggal jatuh tempo,

maka nasabah akan terkena penalti sesuai dengan kesepakatan bank dengan

nasabah. Bank dapat memperpanjang simpanan deposito nasabah secara

otomatis jika nasabah tidak mengambil dana deposito pada saat jatuh tempo.


https://id.wikisource.org/wiki/Undang-Undang_Republik_Indonesia_Nomor_10_Tahun_1998

https://id.wikisource.org/wiki/Undang-Undang_Republik_Indonesia_Nomor_10_Tahun_1998

6

2.3. Pemasaran Langsung

Pemasaran langsung (direct marketing) merupakan metode penjualan

dengan menggunakan media pemasaran secara langsung, tanpa pihak

perantara pemasaran dalam transaksi tawar–menawar atau jual–beli dari suatu

produk ataupun jasa yang ditawarkan.

2.4. Penambangan Data

2.4.1. Pengertian Penambangan Data

Penambangan data (data mining) merupakan proses menggali

suatu nilai yang bertujuan untuk mengidentifikasi informasi dari

database yang selama ini tidak diketahui secara manual, menggali

pola–pola data untuk dimanipulasi menjadi informasi berharga

dengan cara mengenali pola data yang terdapat pada database.

Penambangan data juga bagian dari knowledge discovery in database

yang merupakan proses mengubah data mentah menjadi informasi

yang berguna. Namun tidak semua informasi dapat dilakukan

penambangan data. Meski demikian, teknik penambangan data telah

digunakan untuk mengembangkan sistem pencarian informasi (Tan

et.al., 2006).

2.4.2. Proses Penambangan Data

Larose (2005) menyatakan bahwa pada umumnya terdapat

enam proses pada penambangan data, yaitu sebagai berikut :

a. Deskripsi

Deskripsi bertujuan mengidentifikasi pola yang muncul secara

berulang pada data. Pola tersebut dapat diubah menjadi aturan

dan kriteria yang mudah dipahami untuk meningkatkan

pengetahuan (knowledge) pada sistem. Pada teknik

postprocessing, deskripsi dibutuhkan untuk melakukan validasi


7

dan menjelaskan hasil dari proses data mining. Postprocessing

merupakan proses untuk memastikan bahwa hanya hasil yang

valid yang dapat digunakan.

b. Prediksi

Proses prediksi mirip dengan klasifikasi, namun bedanya data

diklasifikasi berdasarkan pola atau nilai yang diprediksi untuk

masa depan.

c. Estimasi

Model disusun menggunakan record lengkap yang menyediakan

nilai variabel target sebagai nilai prediksi. Selanjutnya, estimasi

nilai dari variabel target dibuat berdasarkan nilai variabel

prediksi.

d. Klasifikasi (Classification)

Klasifikasi merupakan proses menemukan model atau fungsi

yang mendeskripsikan dan membedakan data ke dalam kelas–

kelas. Memeriksaan karakteristik dari objek dan memasukkan

objek dalam salah satu kelas yang sudah didefinisikan

sebelumnya.

e. Pengelompokan (Clustering)

Klastering digunakan untuk menghasilkan label kelas untuk

sekelompok data. Berbeda dengan klasifikasi yang menganalisa

data label kelas yang sudah ditemukan diawal. Objek yang

berkelompok berdasarkan prinsip dimaksimalkan nilai kesamaan

intrakelas dan meminimalkan nilai kesamaan antarkelas,

sehingga objek dalam sebuah kelompok memiliki kesamaan

yang tinggi dibandingkan satu sama lain, tetapi berbeda dengan

objek kelompok lain.

f. Asosiasi (Association)

Dalam penambangan data, asosiasi digunakan untuk

menemukan aturan atribut yang muncul dalam suatu waktu, dan

mengukur hubungan antara dua atau lebih atribut.


8

2.4.3. Tahapan Penambangan Data

Tahapan proses penambangan data dilakukan dengan

menyeleksi data dari sumber data ke objek data. Tahap

preprocessing kualitas data dan transformasi diperbaiki. Tahap

interpretasi dan evaluasi menghasilkan output berupa pengetahuan

baru yang diharapkan memberikan kontribusi yang lebih baik.

Berikut ini tahap penambangan data akan dijelaskan sebagai berikut

(Fayyad, 1996) :

a. Data Selection

Pemilihan atau seleksi data dari sekumpulan data operasional

dilakukan sebelum tahap penggalian informasi dalam Knowledge

Discovery in Database (KDD). Data hasil seleksi digunakan

untuk proses data mining disimpan terpisah dari basis data

operasional.

b. Pre–processing / Cleaning

Proses cleaning dilakukan sebelum proses mining. Proses ini

bertujuan untuk menghilangkan duplikasi data, memeriksa data

yang tidak konsisten kemudian memperbaiki kesalahan yang ada

pada data.

c. Transformation

Proses transformasi dilakukan pada data yang telah dipilih,

sehingga data tersebut sesuai untuk proses mining, yang biasa

disebut dengan coding. Proses coding dalam Knowledge

Discovery in Database (KDD) merupakan proses yang

bergantung pada jenis dan pola informasi yang dicari dalam basis

data.

d. Data Mining

Data mining merupakan proses mencari pola atau informasi data

yang terpilih dengan teknik atau metode tertentu. Teknik,

metode, atau algoritma dalam data mining sangat bervariasi.

Pemilihan metode atau algoritma yang tepat sangat bergantung


9

pada tujuan dan proses Knowledge Discovery in Database

(KDD) secara keseluruhan.

e. Interpretation / Evalution

Pola informasi yang dihasilkan dari proses mining ditampilkan

dalam bentuk yang mudah dimengerti. Proses ini mencakup

pemeriksaan pola atau informasi yang ditemukan apakah

bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

2.5. Case–Based Reasoning

Konsep metode case–based reasoning merupakan metode merancang

sistem untuk mengambil keputusan berdasarkan kasus–kasus sebelumnya

yang digunakan sebagai solusi untuk kasus baru. Beberapa masalah yang

dihadapi dapat diselesaikan dengan menerapkan problem solving dari

pengalaman terdahulu. Case–based reasoning merupakan metode yang

pemecahan masalahannya dengan menitikberatkan pada pengetahuan dari

kasus–kasus sebelumnya. Jika terdapat kasus baru, maka kasus baru tersebut

akan disimpan pada sistem, sehingga kedepan sistem akan melakukan

learning dan knowledge agar menjadi solusi untuk pemecahan masalah

selanjutnya (Kolodner, 1983).

Menurut Han (2012) mengenai konsep dan teknik mining, hubungan

case–based reasoning dengan klasifikasi yaitu case–based reasoning

menggunakan database solusi masalah dengan mengklasifikasikan kasus,

yang digunakan untuk memecahkan masalah baru. Case–based reasoning

menyimpan kasus untuk memecahkan masalah yang kompleks. Bila terdapat

kasus baru, maka kasus baru tersebut akan diperiksa terlebih dahulu apakah

identik atau tidak identik. Jika terdapat hasil yang ditemukan, maka solusi

untuk kasus baru tersebut akan dikembalikan ke kasus lama. Jika tidak

ditemukan hasilnya, maka akan dicari solusi pemecahan masalahnya. Secara

konseptual, kasus pelatihan tersebut dianggap sebagai tetangga dari kasus


10

baru. Solusi untuk memecahkan masalah yaitu dengan mencari nilai

kecocokan kedekatan dari kasus lama dengan kasus baru.

Klasifikasi sebagai metode fungsional berfungsi untuk memprediksi

label class atau kategori dari objek basis data. Case–based reasoning

digunakan untuk mengklasifikasikan data serta membangun model yang

didasarkan pada data training nilai label class pada saat mengklasifikasikan

atribut dan menggunakannya pada saat mengklasifikasikan data baru.

2.5.1. Siklus Case–Based Reasoning

Terdapat empat langkah proses pada metode case–based

reasoning (Aamodt dan Plaza, 1994) yang dapat dilihat pada gambar

2.1 berikut ini.

Gambar 2.1 Siklus Case–Based Reasoning


11

1. Retrieve : Langkah ini dilakukan untuk proses pencarian atau

pencocokkan dari kasus–kasus yang memiliki kesamaan.

Tahapan pada retrieve ini adalah :

a. Identifikasi masalah

b. Memulai pencocokan

c. Melakukan seleksi.

2. Reuse : Langkah ini dicari solusi dari kasus serupa pada kondisi

sebelumnya untuk permasalahan baru, dengan menggunakan

kembali informasi dan pengetahuan dalam kasus tersebut untuk

mengatasi masalah baru. Proses reuse dibagi menjadi 2 cara

yaitu :

a. Reuse solusi dari kasus yang telah ada (Transformatical

Reuse).

b. Reuse metode kasus untuk membuat solusi (Derivational

Reuse).

3. Revise : Pada langkah ini dicari solusi dari kasus serupa pada

kondisi sebelumnya untuk permasalahan yang terjadi kemudian

meninjau kembali solusi yang diberikan.

a. Evaluasi Solusi

Evaluasi solusi adalah hasil yang didapat setelah

membandingkan solusi dengan keadaan yang sebenarnya.

Pada tahap ini sering memerlukan waktu yang panjang

tergantung aplikasi yang sedang dikembangkan.

b. Memperbaiki Kesalahan

Perbaikan suatu kasus meliputi pengenalan kesalahan dari

solusi yang dibuat dan mengambil atau membuat penjelasan

tentang kesalahan tersebut.

4. Retain : Tahap retain terjadi proses penggabungan dari solusi

kasus baru dengan knowledge yang sudah ada. Retain

merupakan proses menyimpan pengalaman untuk memecahkan

masalah yang akan datang ke dalam basis kasus (memory


12

based). Permasalahan yang akan diselesaikan adalah

permasalahan yang memiliki kesamaan dengannya.

2.5.2. Retrieval Case–Based Reasoning

Dalam siklus case–based reasoning terdapat satu tahapan

penting yaitu proses pengambilan kembali (retrieval) terhadap

kasus–kasus sebelumnya yang dapat digunakan untuk

menyelesaikan masalah baru, yang dijadikan pertimbangan pada

penelitian yaitu penilaian kesamaan (similarity assesment).

Beberapa aplikasi case–based reasoning, sudah memadai

untuk menilai kesamaan terhadap kasus–kasus yang tersimpan

berdasarkan ciri–ciri dari setiap nilai atribut. Ciri–ciri diperoleh dari

penjelasan kasus–kasus dengan melakukan inferensi sesuai dengan

domain pengetahuan. Terdapat beberapa pendekatan penilaian

kesamaan (similarity assesment) untuk retrieval (Mantaras, 2006),

antara lain :

1. Assessment of surface similarity

Pendekatan berdasarkan ciri yang nampak, kesamaan setiap

kasus dengan masalah yang baru disajikan sebagai sebuah

bilangan yang real dalam rentang [0.1] yang dihitung sesuai

dengan ukuran kesamaan yang diberikan.

2. Assessment of structural similarity

Pendekatan berdasarkan masalah baru yang mempunyai

kesamaan dengan kasus yang tersimpan atau kasus lama, dengan

aturan transformasi dan latar belakang pengetahuan untuk

menentukan kesamaan struktur.

3. Similarity framework

Terdapat banyak cara untuk mengukur kesamaan. Menurut

Osbone dan Bridge (1996) menyampaikan bahwa kerangka

umum lain yang membedakan pengukuran kesamaan antara


13

ordinal dan cardinal. Similarity framework merupakan

penyajian himpunan operator yang memungkinkan

pengembangan sistem pengukuran kesamaan ordinal dan

cardinal dengan sistematis dan fleksibel.

2.5.3. Reuse dan Revision Case–Based Reasoning

Proses reuse dalam siklus case–based reasoning memberikan

solusi untuk kasus baru berdasarkan penyelesaian–penyelesaian

kasus yang diambil kembali. Penggunaan kembali kasus–kasus yang

telah di retrieve merupakan proses penyelesaian masalah

sebelumnya tanpa melakukan perubahan, sebagai penyelesaian yang

disediakan untuk masalah baru.

Hal ini berkaitan dengan klasifikasi, yang mana setiap

penyelesaiannya atau kelas diwakili oleh satu kasus dalam basis

kasus. Oleh karena itu, kasus yang diambil kembali memiliki

kesamaan yang cukup sebagai penyelesaian. Namun, reuse menjadi

lebih sulit jika terdapat perbedaan yang signifikan antara masalah

baru dengan kasus–kasus yang diambil kembali.

Dalam kondisi seperti ini, penyelesaian yang diambil

memerlukan adaptasi untuk mengatasi perbedaan–perbedaan

penting. Adaptasi menjadi penting, ketika case–based reasoning

digunakan untuk penyelesaian masalah yang selalu berkembang

seperti desain, konfigurasi, dan perencanaan. Metode adaptasi

berbeda dalam kompleksitas sehubungan dengan dua dimensi, apa

yang berubah pada penyelesaian yang diambil dan bagaimana

perubahan tersebut dapat dicapai. (Mulyana dan Hartati, 2009).


14

2.5.4. Retension Dalam Case–Based Reasoning

Retension merupakan tahap terakhir pada siklus case–based

reasoning yang akan menghasilkan penyelesaian dari kasus lama

menjadi kasus baru yang digabungkan dalam sistem pengetahuan.

Berbagai pendekatan untuk menangkap hasil dari penyelesaian

masalah sebagai sebuah kasus baru dan dapat ditambahkan pada

basis kasus.

Secara umum, pandangan modern tentang retension telah

mengakomodasi perspektif yang lebih luas tentang makna dari

sistem case–based reasoning untuk belajar dari pengalamannya

dalam menyelesaikan masalah. (Mulyana dan Hartati, 2009).

2.5.5. Karakteristik Case–Based Reasoning

Tidak semua masalah dapat diselesaikan dengan metode

case–based reasoning. Berikut adalah karakteristik dari metode

case–based reasoning yang dapat diterapkan atau tidak menurut Pal

dan Shiu (2004) :

1. Kasus atau masalah yang dihadapi terlalu sulit untuk

dimodelkan secara matematis. Case–based reasoning

menggunakan solusi kasus–kasus yang pernah terjadi untuk

menyelesaikan masalah tanpa harus sepenuhnya memahami

masalah tersebut.

2. Sering terjadi pengecualian dari kasus–kasus baru.

3. Kasus–kasus tertentu sering terulang.

4. Terdapat manfaat yang didapat dengan menggunakan dan

menyesuaikan solusi kasus–kasus lama untuk menyelesaikan

kasus baru.

5. Kasus–kasus lama memiliki dokumentasi yang lengkap, relevan,

dan mudah didapatkan.


15

2.5.6. Fungsi Case–Based Reasoning

Terdapat tiga fungsi yang berbeda dari case–based reasoning

berdasarkan tingkat keterlibatan pengguna yang semakin meningkat

(Althoff, 2011) sebagai berikut :

1. Case–based reasoning untuk pendukung keputusan, dimana

pemanfaatan case–based reasoning pada sistem sebagai

pendukung keputusan untuk menyelesaikan masalah. Tipe ini

banyak digunakan untuk permasalahan yang membutuhkan

analisa yang lama dalam menyelesaikan masalah.

2. Case–based reasoning sebagai diagnosis, dimana pengguna

memanfaatkan case–based reasoning sebagai alat bantu untuk

menentukan hasil diagnosa suatu masalah.

3. Case–based reasoning sebagai manajemen pengetahuan,

pemanfaatan case–based reasoning untuk mengelola

pengetahuan yang didapatkan dari ahli di suatu bidang.

2.5.7. Keuntungan Case–Based Reasoning

Keuntungan menggunakan metode case–based reasoning

menurut (Mulyana dan Hartati, 2009), adalah :

1. Memberikan fleksibilitas dalam permodelan pengetahuan.

2. Mengatasi masalah pada domain yang belum sepenuhnya

dipahami, didefinisikan, atau dimodelkan.

3. Membuat prediksi kemungkinan keberhasilan solusi yang

ditawarkan untuk masalah pada saat ini.

4. Case–based reasoning mencerminkan penalaran manusia.

5. Dapat digunakan untuk banyak tujuan seperti membuat rencana,

membuat diagnosis, dan membuat sebuah pandangan (point of

view).

6. Dapat diterapkan untuk domain aplikasi yang sangat beragam,

untuk merepresentasikan sebuah kasus.


16

2.5.8. Bidang Aplikasi Case–Based Reasoning

Case–based reasoning telah diaplikasikan dalam beragam

bidang dari sistem yang telah teruji. Hal tersebut menunjukkan

betapa luasnya cakupan case–based reasoning. Bidang aplikasi

tersebut (Mulyana dan Hartati, 2009), antara lain :

1. Makanan atau Nutrisi : case–based reasoning untuk penentuan

resep baru, disebut CHEF, case–based reasoning untuk

konsultasi nutrisi, case–based reasoning untuk perencanaan

menu makanan.

2. Jaringan Komunikasi : case–based reasoning untuk menangani

kegagalan jaringan komunikasi yang disebut CRITTER, case–

based reasoning untuk menentukan modul – modul yang rawan

kesalahan pada jaringan komunikasi.

3. Desain Pabrik : case–based reasoning untuk pengelolaan

autoclave, case–based reasoning untuk mendesain sepatu, dan

aplikasi pabrikan dengan case–based reasoning.

4. Keuangan : case–based reasoning untuk audit keuangan, disebut

SCAN, case–based reasoning untuk mendeteksi kepailitan Bank

dengan ANN.

5. Penjadwalan : case–based reasoning untuk meningkatkan

kualitas untuk penjadwalan yang disebut CABINS, case–based

reasoning untuk perakitan mobil, case–based reasoning untuk

mengelola penjadwalan pesawat terbang, disebut SMART,

case–based reasoning untuk perencanaan dan penjadwalan

terdistribusi.

6. Penemuan Rute : case–based reasoning untuk mendapatkan

sebuah rute di negara Singapura, case–based reasoning untuk

perencanaan rute, case–based reasoning untuk transportasi

logistik.


17

7. Lingkungan : case–based reasoning untuk memprediksi tingkat

pencemaran udara, disebut AIRQUAP, dan case–based

reasoning untuk penangan limbah.

2.6. Algoritma K–Nearest Neighbor

K–Nearest Neighbor merupakan algoritma yang digunakan untuk

mengukur jarak kedekatan antara kasus baru dengan kasus lama berdasarkan

kecocokan nilai bobot pada tiap atributnya. Setelah jarak terdekat didapat,

dilakukan prediksi berdasarkan data yang paling dekat, dimana jarak terdekat

digunakan untuk mencari identitas tujuan. Adapun rumus dari K–Nearest

Neighbor untuk menghitung kedekatan (similarity) adalah sebagai berikut.

( )

(2.1)

Keterangan :

s = similarity (nilai kemiripan atribut).

w = weight (bobot yang diberikan).

2.7. Cross Validation

K–fold cross validation merupakan salah satu metode yang digunakan

untuk mengetahui rata–rata keberhasilan dari suatu sistem dengan melakukan

perulangan dengan mengacak atribut masukan (input) sehingga sistem teruji

untuk beberapa atribut. Cara kerja dari k–fold cross validation adalah

membagi data sejumlah n–fold yang diinginkan. Data akan dibagi dalam n

partisi dengan ukuran yang sama yaitu D1, D2, D3,... Dn selanjutnya untuk

proses testing dan training dilakukan sebanyak n kali. Dalam iterasi ke–i pada

partisi D1 akan menjadi data testing dan sisanya akan menjadi data training.

Pada umumnya, untuk mendapat hasil terbaik pada saat pengujian,

penggunaan jumlah fold dianjurkan menggunakan 10–fold cross

validation,dalam model (Kohavi, 1995).


18

Adapun skenario atau ilustrasi pengujian merupakan tahap penentuan pada

pengujian yang dilakukan. Metode k–fold cross validation yang digunakan

untuk pengujian dengan nilai pada k misal yaitu sebanyak 5–fold, yang

bertujuan untuk mengetahui akurasi metode case–based reasoning yang

diterapkan pada penelitian ini jika diuji dengan data training dan data testing

yang berbeda. Tahap pengujian dengan cara membagi dataset yang jumlahnya

4521 data dibagi menjadi 5 bagian (subset) secara random dengan masing–

masing berjumlah 904/905 data. Pada fold pertama terdapat kombinasi 4

subset yang berbeda kemudian digabung dan digunakan sebagai data training,

sedangkan 1 subset sisanya digunakan sebagai data testing. Proses training

dan testing dilakukan berulang sampai fold yang kelima. Berikut adalah

contoh ilustrasi uji akurasi dengan metode 5–fold cross validation

Tabel 2.1 Tabel ilustrasi uji akurasi dengan 5–fold cross validation

Fold Data Subset

Fold 1 Testing

Training

S1

S2, S3, S4, S5

Fold 2 Testing

Training

S2

S1, S3, S4, S5

Fold 3 Testing

Training

S3

S1, S2, S4, S5

Fold 4 Testing

Training

S4

S1, S2, , S3, S5

Fold 5 Testing

Training

S5

S1, S2, , S3, S4


19

2.8. Confusion Matrix

Confusion matrix adalah alat pengukur yang dapat digunakan untuk

menghitung kinerja atau tingkat kebenaran pada proses klasifikasi. Menerapkan

confusion matrix umumnya dapat digunakan untuk menganalisa seberapa baik

metode digunakan untuk klasifikasi dalam mengenali data dari kelas yang berbeda.

Berikut adalah tabel untuk memahami confusion matrix.

Tabel 2.2 Tabel Confusion matrix

Prediksi

Positif Negatif

Ak

tual Positif TP FN

Negatif FP TN

Keterangan :

a. TP (True Positive) merupakan banyaknya data yang kelas aktualnya adalah

kelas positif dengan kelas prediksinya merupakan kelas positif.

b. FN (False Negative) merupakan banyaknya data yang kelas aktualnya adalah

kelas positif dengan kelas prediksinya merupakan kelas negatif.

c. FP (False Positive) merupakan banyaknya data yang kelas aktualnya adalah

kelas negatif dengan kelas prediksinya merupakan kelas positif.

d. TN (True Negative) merupakan banyaknya data yang kelas aktualnya adalah

kelas negatif dengan kelas prediksinya merupakan kelas negatif.

Berdasarkan tabel 2.2 confusion matrix diatas, cara mendapatkan akurasi pada

data yaitu dengan menggunakan rumus berikut ini.

(2.2)


20

2.9. UML (Unified Modeling Language)

UML (Unified Modeling Language) adalah bahasa pemodelan visual yang

dirancang untuk melakukan pengembangan, menganalisis sistem berorientasi objek

dan mendesain suatu proses pembuatan perangkat lunak. UML (Unified Modeling

Language) berorientasi objek dengan menerapkan banyak level abstraksi, tidak

bergantung proses pengembangan, tidak bergantung bahasa dan teknologi. UML

(Unified Modeling Language) dikenal dengan berbagai macam diagram,

diantaranya adalah Use Case Diagram, Sequence Diagram, Class Diagram, Activity

Diagram.

2.9.1. Use Case Diagram

Diagram usecase digunakan untuk menggambarkan interaksi antara

aktor dengan sistem. Pada tabel 2.3 akan dijelaskan simbol–simbol untuk

usecase diagram.

Tabel 2.3 Simbol Use Case Diagram

No. Gambar Nama Keterangan

1.

Actor atau

User

Mempresentasikan perangkat atau

sistem, yang menggambarkan

interaksi dengan sistem.

2.

Use Case

Menggambarkan fungsi suatu

sistem, agar user dapat memahami

kegunaan sistem yang akan

dibangun.

3.

Association Menggambarkan hubungan antara

objek.

4.

Include

Menggambarkan kondisi yang

harus terpenuhi agar sebuah fungsi

dapat terjadi.

5.

Extend

Menggambarkan kondisi yang

hanya berjalan di bawah kondisi

tertentu.


21

2.9.2. Sequence Diagram

Diagram sekuen berfungsi untuk menggambarkan interaksi atau

komunikasi antara satu objek dengan objek lainnya. Pada tabel 2.4 akan

dijelaskan simbol–simbol untuk usecase diagram.

Tabel 2.4 Simbol Sequence Diagram


1.

Life Line Mendeskripsikan garis yang bersifat

individu dalam interaksi.

2.

Actor atau

User

Menggambarkan aktor atau

pengguna (user) yang berinteraksi

dengan sistem.

3.

Message

Menggambarkan pesan request

berupa permintaan dari pengguna

(user) ke sistem.

4.

Boundary Menggambarkan sebuah form.

5.

Control Class Penghubung antara boundary

dengan table.

6.

Entity Class

Bertugas menyimpan data atau

informasi yang didapat.

2.9.3. Activity Diagram

Diagram aktivitas menggambarkan aliran kerja atau aktivitas dari

sebuah sistem. Menggambarkan aktivitas yang dapat dilakukan oleh

sistem, bukan yang dilakukan oleh pengguna. Pada tabel 2.5 akan

dijelaskan simbol–simbol untuk usecase diagram.


22

Tabel 2.5 Simbol Activity Diagram


1.

Activity Menggambarkan nteraksi antar

kelas.

2. Action Menggambarkan suatu aksi.

3.

Initial Node Awal mula bentuk objek.

4. Activity Final

Node Akhir dari objek.

5.

Decision Berfungsi menggambarkan tindakan

atau mengambil keputusan.

6.

Line Connector Digunakan untuk menghubungkan

simbol.


23

BAB III

METODOLOGI PENELITIAN

3.1. Metodologi Penelitian

Metode penelitian merupakan cara berpikir yang dipersiapkan untuk

mencapai tujuan penelitian, dengan menemukan lalu mengembangkan atau

mengkaji kebenaran pengetahuan secara ilmiah untuk pengujian hipotesis suatu

penelitian.

Unsur terpenting dalam metodologi penelitian adalah penggunaan metode

ilmiah sebagai sarana mengidentifikasi objek dan mencari pemecahan masalah

yang sedang diteliti, sehingga menghasilkan sesuatu yang dapat

dipertanggungjawabkan kebenarannya secara ilmiah. Pada dasarnya fakta–fakta

tidak didapatkan begitu saja tetapi butuh metode untuk mengetahui dan mengambil

masalah tersebut.

3.2. Bahan Riset atau Data

Penelitian ini menggunakan data generic yaitu data dari bagian marketing

sebuah bank di Portugal, data sekunder tersebut didonasi pada tanggal 14 Februari

2012 oleh S.Moro, P.Cortez dan P.Rita. Data yang digunakan merupakan file

dengan ekstensi .xls yang diperoleh dari UCI Repository Machine Learning. Jumlah

data yang digunakan total ada 4521 record, dengan 16 atribut dan 2 label kelas.

Pada tabel 3.1 berikut adalah penjelasan dari masing–masing atribut.

Tabel 3.1 Tabel Atribut Data Nasabah

Nama Atribut Keterangan

Age Umur nasabah bank.

Job Pekerjaan nasabah bank.

Marital Status perkawinan.

Education Status pendidikan.

Default Apakah memiliki kredit gagal?


24

Balance Rata–rata penghasilan pertahun dalam mata uang Euro.

Housing Apakah memiliki cicilan rumah?

Loan Apakah memiliki pinjaman pribadi?

Contact Jenis komunikasi yang digunakan.

Day Tanggal terakhir dihubungi.

Month Bulan terakhir dihubungi.

Duration Durasi pada saat dihubungi terakhir kali.

Campaign Berapa kali promosi yang sudah dilakukan pada client

ini?

Pdays Jumlah hari yang sudah berlalu sejak terakhir kali

nasabah dihubungi untuk promosi sebelumnya.

Previous Jumlah berapa kali dihubungi sebelum melakukan

promosi untuk client ini.

Poutcome Hasil dari promosi sebelumnya.

Y/N Hasil prediksi akhir apakah nasabah membuka deposito

atau tidak? (Yes/No)

Berikut adalah sampel dari dataset yang digunakan pada penelitian ini yang

terlihat pada tabel 3.2.


25

Tabel 3.2 Tabel Contoh Data Nasabah

Age Job Marital Education Default Balance Housing Loan Contact Day Month Dur Camp Pdays Prev Poutcome Y/N

30 unemployed married primary no 1787 no no cellular 19 Oct 79 1 -1 0 unknown no

33 services married secondary no 4789 yes yes cellular 11 May 220 1 339 4 failure no

35 management single tertiary no 1350 yes no cellular 16 Apr 185 1 330 1 failure no

30 management married tertiary no 1476 yes yes unknown 3 Jun 199 4 -1 0 unknown no

59 blue-collar married secondary no 0 yes no unknown 5 May 226 1 -1 0 unknown no

35 management single tertiary no 747 no no cellular 23 Feb 141 2 176 3 failure no

36 self-

employed married tertiary no 307 yes no cellular 14 May 341 1 330 2 other no

39 technician married secondary no 147 yes no cellular 6 May 151 2 -1 0 unknown no

41 entrepreneur married tertiary no 221 yes no unknown 14 May 57 2 -1 0 unknown no

43 services married primary no -88 yes yes cellular 17 Apr 313 1 147 2 failure no

39 services married secondary no 9374 yes no unknown 20 May 273 1 -1 0 unknown no

43 admin. married secondary no 264 yes no cellular 17 Apr 113 2 -1 0 unknown no

36 technician married tertiary no 1109 no no cellular 13 Aug 328 2 -1 0 unknown no

20 student single secondary no 502 no no cellular 30 Apr 261 1 -1 0 unknown yes

31 blue-collar married secondary no 360 yes yes cellular 29 Jan 89 1 241 1 failure no

40 management married tertiary no 194 no yes cellular 29 Aug 189 2 -1 0 unknown no

56 technician married secondary no 4073 no no cellular 27 Aug 239 5 -1 0 unknown no

37 admin. single tertiary no 2317 yes no cellular 20 Apr 114 1 152 2 failure no

25 blue-collar single primary no -221 yes no unknown 23 May 250 1 -1 0 unknown no


26

3.3. Peralatan Penelitian

Peralatan yang akan digunakan pada penelitian ini antara lain laptop Acer

dengan spesifikasi RAM 2GB, processor Intel(R) Celeron(R) 1,5GHz, harddisk

320GB. Kemudian digunakan Netbeans 8.2 sebagai aplikasi Integrated

Development Environment (IDE) yang berbasis java.

3.4. Tahap–tahap Penelitian

3.4.1. Pengumpulan Data

Tahap pengumpulan data dilakukan untuk memperoleh informasi

yang dibutuhkan demi mencapai tujuan penelitian. Informasi diperoleh

dari literatur yang relevan dan konsultasi ataupun wawancara dengan

pihak–pihak yang bersangkutan. Agar dapat memperoleh data yang

menunjang penyusunan penelitian ini, maka penulis melakukan

pengumpulan data dengan cara studi pustaka.

Studi pustaka dilakukan untuk mengetahui metode yang cocok

digunakan untuk menyelesaikan masalah yang akan diteliti, serta mencari

dasar referensi yang relevan dalam menerapkan metode yang akan

digunakan. Penulis mempelajari buku, literatur, artikel, dan jurnal yang

berhubungan dengan konsep data mining, penerapan data mining, teknik–

teknik data mining khususnya teknik klasifikasi dengan penerapan metode

case–based reasoning yang akan dibahas dalam penelitian.

3.4.2. Knowledge Discovery in Database (KDD)

Metodologi Knowledge Discovery in Database dikemukakan oleh

Han & Kamber (2011). Proses dalam Knowledge Discovery in Database

yaitu sebagai berikut :


27

a. Data cleaning

Tahap cleaning dilakukan untuk menghilangkan kebisingan (noise)

pada data yang tidak konsisten. Pada penelitian ini dataset yang

digunakan tidak mengandung missing attribute values.

b. Data integration

Tahap integration dilakukan penggabungkan beberapa sumber data.

Dataset yang digunakan hanya satu file, yaitu data nasabah dari

bagian marketing sebuah bank di Portugal. Atribut dari data nasabah

tersebut dapat dilihat pada tabel 3.2. Pada tahap ini tidak dilakukan

proses penggabungan data, karena data sudah tergabung menjadi satu

file data.

c. Data selection

Tahap selection adalah proses memilih data atau atribut yang relevan

dan menghapus atribut yang tidak digunakan untuk penelitian ini.

Pada tahap selection dilakukan menggunakan aplikasi Tools Weka

versi 3.8.2, dengan menerapkan metode Information Gain yang

terdapat pada aplikasi Tools Weka. Hal ini dikarenakan Information

Gain dapat melakukan seleksi fitur kemudian menentukan tingkat

perankingan yang paling baik daripada fitur seleksi lainnya untuk

pengklasifikasian data.

Rumus menghitung Information Gain :

( ) ∑ ( )

(3.1)

Keterangan :

D : Jumlah seluruh sampel data.

m : Jumlah nilai pada atribut target (jumlah kelas klasifikasi).

i : Maksimal nilai pada atribut target.

pi : Jumlah sampel untuk kelas i.


28

( ) ∑

( )

(3.2)

Keterangan :

A : Atribut.

v : Suatu nilai yang mungkin untuk atribut A.

j : Maksimal nilai yang mungkin untuk atribut A.

|Dj| : Jumlah sampel untuk nilai j.

D : Jumlah seluruh sampel data.

Di : Jumlah sampel untuk kelas i.

Sehingga, nilai dari information gain tersebut digunakan untuk

mengukur efektifitas suatu atribut dalam pengklasifikasian data dapat

dihitung dengan rumus :

( ) ( ) ( ) (3.3)

Keterangan :

A : Atribut.

( ) : entropi untuk kelas D.

( ) : entropi untuk kelas D pada atribut A.

Pada tahap seleksi, dilakukan percobaan (experiment) untuk

mengetahui atribut mana yang berpengaruh dan berapa persen atribut

tersebut berpengaruh. Percobaan menggunakan information gain

dengan algoritma J48, penulis melakukan percobaan dengan

menghilangkan satu persatu atribut yang sudah di ranking oleh Weka,

kemudian penulis menarik kesimpulan atribut manakah yang

berpengaruh.


29

Berikut ini adalah cara yang dilakukan oleh penulis dalam melakukan

seleksi atribut pada tools aplikasi Weka.

Gambar 3.1 Percobaan I Seleksi Atribut Menggunakan Weka

Percobaan pertama, menggunakan 16 atribut yang diuji dengan

Infomation Gain sebagai atribut evaluator. Dapat diketahui terdapat

16 atribut yang sudah dilakukan perankingan, dan menghasilkan

keluaran seperti diatas. Pada bagian sebelah kiri adalah ranking dari

atribut, pada bagian tengah adalah nomor kolom atribut yang ada pada

data, dan bagian kanan adalah nama atribut. Berdasarkan tools

aplikasi Weka, 16 atribut tersebut menghasilkan presentase pengaruh

sebesar 90,5994% yang dapat dilihat pada gambar berikut ini.

Gambar 3.2 Percobaan I Presentase Pengaruh Atribut


30

Pada percobaan pertama, dapat dilihat bahwa terdapat dua atribut yang

memiliki nilai rank paling rendah yaitu sebesar 0, maka penulis

memutuskan untuk melakukan percobaan kembali dengan menyeleksi

dua atribut yang memiliki nilai rank sebesar 0, yang bertujuan untuk

mengetahui apakah dua atribut tersebut memiliki pengaruh terhadap

presentase atribut yang berpengaruh. Dapat dilihat pada gambar 3.1,

penulis melakukan eliminasi dua atribut paling bawah yaitu Campaign

dan Day.

Gambar 3.3 Percobaan II Seleksi Atribut Menggunakan Weka

Pada percobaan kedua, setelah melakukan seleksi dua atribut yaitu

Campaign dan Day, didapatkan hasil keluaran seperti pada gambar

3.3. Dari hasil percobaan kedua menghasilkan presentase pengaruh

atribut masih sama yaitu sebesar 90,5994%, yang berarti bahwa dua

atribut yang diseleksi yaitu Campaign dan Day tidak memiliki

pengaruh yang mendukung dalam penelitian ini.

Pada gambar 3.3 dapat dilihat bahwa nilai rank terendah adalah atribut

Default dengan nilai rank sebesar 0,00000121, membuat penulis ingin

melakukan percobaan kembali dengan menyeleksi atribut Default.


31

Gambar 3.4 Percobaan III Seleksi Atribut Menggunakan Weka

Percobaan ketiga dilakukan dengan melakukan seleksi atribut Default,

dan menghasilkan pengaruh presentase atribut mengalami penurunan

yaitu dari 90,5994% menjadi 90,5331%, seperti yang terlihat pada

gambar 3.5 berikut ini.

Gambar 3.5 Percobaan III Presentase Pengaruh Atribut

Percobaan selanjutnya yaitu dengan melakukan seleksi atribut

Education yang memiliki nilai rank terendah, yaitu 0,00237 untuk


32

mengetahui apakah Education menjadi atribut yang berpengaruh atau

tidak.

Gambar 3.6 Percobaan IV Seleksi Atribut Menggunakan Weka

Dari 12 atribut yang didapatkan tersebut diketahui menghasilkan

pengaruh presentase atribut mengalami peningkatan yaitu dari

90,5331% menjadi 90,71%, seperti yang terlihat pada gambar 6.6

berikut ini. Hal tersebut berarti 12 atribut yang digunakan seperti pada

gambar 3.5 memiliki presentase pengaruh lebih besar dibandingkan

pada saat atribut Education dilibatkan.

Gambar 3.7 Percobaan IV Presentase Pengaruh Atribut


33

Berdasarkan empat percobaan yang sudah dilakukan, membuat

penulis ingin mengetahui atribut mana yang memiliki pengaruh cukup

signifikan sehingga membuat presentase pengaruh atribut menjadi

stabil, untuk itu penulis kembali melakukan percobaan dengan

melakukan seleksi atribut yang memiliki nilai rank terendah yakni

Marital.

Gambar 3.8 Percobaan V Seleksi Atribut Menggunakan Weka

Pada percobaan kelima menghasilkan hasil presentase pengaruh

atribut mengalami kenaikan, yaitu dari 90,71% menjadi 90,8649%

dengan 11 atribut yang digunakan seperti pada gambar 3.9.

Gambar 3.9 Percobaan V Presentase Pengaruh Atribut


34

Percobaan yang dilakukan oleh penulis terjadi sampai hanya terdapat

3 atribut. Dari percobaan tersebut didapatkan presentase hasil

pengaruh atribut mengalami penurunan terus menerus. Untuk itu

penulis mengambil kesimpulan bahwa 11 atribut yang diseleksi pada

percobaan 5 adalah atribut yang memiliki pengaruh cukup baik, yang

dapat dijadikan acuan untuk melakukan prediksi data nasabah yang

berpotensi membuka simpanan deposito. Atribut tersebut antara lain

Duration, Poutcome, Pdays, Month, Contact, Previous, Job, Age,

Housing, Balance, dan Loan.

Sehingga hasil dari percobaan tersebut menghasilkan kesimpulan yang

dapat dilihat pada tabel 3.3 :

Tabel 3.3 Percobaan Seleksi Atribut menggunakan Tools Weka.

Percobaan Fitur Yang Terpilih Presentase Pengaruh

Percobaan 1

Duration, Poutcome, Pdays, Month,

Contact, Previous, Job, Age, Housing,

Balance, Loan, Marital, Education,

Default, Campaign, Day

90,5994%

Percobaan 2



Balance, Loan, Marital, Education,

Default

90,5994%

Percobaan 3



Balance, Loan, Marital, Education

90,5331%

Percobaan 4



Balance, Loan, Marital

90,71%


35

Percobaan 5



Balance, Loan

90,8649%

Percobaan 6



Balance

90,5109%

Atribut yang terpilih dengan menggunakan information gain dengan

algoritma J48 diatas didapatkan presentase pengaruh yang terbesar

selama percobaan yaitu sebesar 90,8649% pada percobaan 5. Maka

ditarik kesimpulan 11 atribut tersebut adalah atribut yang

berpengaruh. Sehingga didapatkan hasil seleksi fitur/atribut

menggunakan information gain sebagai berikut :

Tabel 3.4 Hasil 11 Peringkat Atribut Teratas

menggunakan Information Gain.

No. Nama Atribut Jenis Atribut

1. Duration Numerik

2. Poutcome Class Label

3. Pdays Numerik

4. Month Class Label

5. Contact Class Label

6. Previous Numerik

7. Job Class Label

8. Age Numerik

9. Housing Class Label

10. Balance Numerik

11. Loan Class Label


36

d. Data transformation

Pada tahap transformation dilakukan proses data diubah kemudian

dikonsolidasikan ke dalam bentuk yang sesuai untuk ditambang. Pada

penelitian ini dataset yang digunakan memiliki atribut yang berbeda

dengan skala yang berbeda di setiap atribut. Pada tahap ini dilakukan

transformation untuk setiap atribut class label diubah menjadi bentuk

numerik.

1. Transformasi data pada atribut Age.

Menurut organisasi kesehatan tingkat dunia (WHO) telah

menetapkan kriteria yang baru untuk kelompok usia manusia

yang terbagi menjadi 5 kelompok, yaitu sebagai berikut :

0 – 17 tahun : Anak–anak dibawah umur.

18 – 65 tahun : Pemuda

66 – 79 tahun : Setengah baya

80 – 99 tahun : Orang tua

100 tahun ke atas : Orang tua berusia panjang

Selanjutnya dari kelompok tersebut, dilakukan transformasi dari

data class label menjadi data numerik, yang menjadi sebagai

berikut :

0 – 17 (Anak–anak dibawah umur) : 1

18 – 65 (Pemuda) : 2

66 – 79 (Setengah baya) : 3

80 – 99 (Orang tua) : 4

100 – keatas (Orang tua berusia panjang) : 5

2. Transformasi data pada atribut Job.

Terdapat 12 class label pada atribut job, yaitu :

Admin : 1

Blue-collar : 2

Entrepreneur : 3

Housemaid : 4

Management : 5


37

Retired : 6

Self-Employed : 7

Services : 8

Student : 9

Technician : 10

Unemployed : 11

Unknown : 12

3. Transformasi data pada atribut Housing.

Terdapat 2 class label pada atribut Housing, yaitu :

Yes : 1

No : 2

4. Transformasi data pada atribut Loan.

Terdapat 2 class label pada atribut Loan, yaitu :

Yes : 1

No : 2

5. Transformasi data pada atribut Contact.

Terdapat 3 class label pada atribut Contact, yaitu :

Cellular : 1

Telephone : 2

Unknown : 3

6. Transformasi data pada atribut Month.

Terdapat 12 class label pada atribut Month, yaitu :

January : 1

February : 2

March : 3

April : 4

Mey : 5

June : 6

July : 7

August : 8

September : 9

October : 10


38

November : 11

December : 12

7. Transformasi data pada atribut Poutcome.

Terdapat 4 class label pada atribut Poutcome, yaitu :

Success : 1

Failure : 2

Unknown : 3

Other : 4

8. Transformasi data pada atribut Balance, Duration, Pdays, dan

Previous.

Untuk atribut yang bernilai numerik dilakukan transformasi

dengan proses pendistribusian tabel frekuensi berkelompok,

dengan melakukan langkah – langkah berikut :

a. Langkah pertama yaitu memilih atribut yang bernilai data

numerik, dan akan dicari intervalnya. Pada dataset penelitian

ini, atribut yang mengandung data numerik adalah Balance,

Duration, Pdays, dan Previous.

b. Kemudian pada masing–masing atribut tersebut dicari nilai

minimum (Xmin) dan nilai maksimum (Xmax).

Untuk atribut Balance, didapat :

Nilai minimum : –3313

Nilai maksimum : 71188

Untuk atribut Duration, didapat :

Nilai minimum : 4


Untuk atribut Pdays, didapat :

Nilai minimum : -1


Untuk atribut Previous, didapat :

Nilai minimum : 0


39

Nilai maksimum : 25

c. Setelah mendapatkan nilai minimum (Xmin) dan nilai

maksimum (Xmax) dari setiap atribut yang dicari, langkah

selanjutnya adalah menghitung nilai jangkauan dari masing–

masing atribut dengan rumus :

(3.4)

Hitung jangkauan untuk atribut Balance :

J = 71.188 – (–3.313)

J = 74.501

Hitung jangkauan untuk atribut Duration :

J = 3025 – 4

J = 3.021

Hitung jangkauan untuk atribut Pdays :

J = 871 – (–1)

J = 872

Hitung jangkauan untuk atribut Previous :

J = 25 – 0

J = 25

d. Langkah selanjutnya, menghitung jumlah kelas interval

dengan rumus :

(3.5)

Sehingga jumlah kelas interval pada penelitian ini sebagai

berikut :

k = 1 + 3,3 log 4.521

k = 1 + 12,062

k = 13,062

k = 13 → dibulatkan menjadi 13, sehingga jumlah kelas

interval adalah 13.


40

e. Kemudian menentukan panjang interval untuk masing–

masing atribut, dengan rumus :

(3.6)

Panjang kelas interval untuk atribut Balance :

Panjang kelas interval untuk atribut Duration :

Panjang kelas interval untuk atribut Pdays :

Panjang kelas interval untuk atribut Previous :

f. Langkah terakhir yaitu menentukan batas interval dari

masing–masing atribut yang terpilih :

Interval untuk atribut Balance :

Batas Interval 1 : -3313 sampai 2417,85 ditransformasi menjadi 1

Batas Interval 2 : 2418,85 sampai 8149,69 ditransformasi menjadi 2












41


Batas Interval 14 : 71201 sampai 76931,85 ditransformasi menjadi 14

Interval untuk atribut Duration :














Interval untuk atribut Pdays :

Batas Interval 1 : -1 sampai 66,0769 ditransformasi menjadi 1












Batas Interval 13 : 815,923 sampai 883 ditransformasi menjadi 13

Interval untuk atribut Previous :






42






Berikut transformasi data jika direalisasikan ke dalam tabel

dataset :

Tabel 3.5 Tabel contoh dataset sebelum data ditransformasi

Tabel 3.6 Tabel contoh dataset setelah data ditransformasi

Age

Job

Bala

nce

Hou

sin

g

Loan

Con

tact

Mon

th

Du

rati

on

Pd

ay

s

Pre

vio

us

Po

utc

om

e

30 unemployed 1787 no no cellular Oct 79 -1 0 unknown

33 services 4789 yes yes cellular May 220 339 4 failure

35 management 1350 yes no cellular Apr 185 330 1 failure

30 management 1476 yes yes unknown Jun 199 -1 0 unknown

Age Job Balance Housing Loan Contact Month Dur Pdays Prev Pout

come

2 11 1 2 2 1 10 1 1 1 3

2 8 2 1 1 1 5 1 6 2 2

2 5 1 1 2 1 4 1 5 1 2

2 5 1 1 1 3 6 1 1 1 3


43

e. Data mining

Proses data mining menerapkan metode yang digunakan

untuk menemukan prediksi data dengan metode case–based

reasoning. Pada langkah ini, penerapan metode case–based

reasoning dapat terlihat pada perhitungan manual yang

terlampir pada lampiran 8.

f. Pattern Evaluation

Proses pattern evaluation merupakan proses mengidentifikasi

pola yang tepat yang merupakan hasil dari penambangan

data. Pada tahap ini hasil identifikasi case–based reasoning

akan menghasilkan prediksi untuk data nasabah.

g. Knowledge Presentation

Proses menyajikan pengetahuan dan informasi dari hasil

penambangan data kepada pengguna (user). Hasil dari

identifikasi case–based reasoning akan ditampilkan dengan

bentuk yang mudah dimengerti oleh pengguna (user) atau

pihak yang terkait dengan penelitian ini. Pada tahap ini juga

akan dilakukan proses pembuatan aplikasi komputer berbasis

dekstop dengan bahasa pemrograman Java.

3.4.3. Desain Alat Uji

Pada tahap desain alat uji dan pengembangan perangkat lunak

menggunakan metode waterfall, yang merupakan metode yang digunakan

dalam tahap pengembangan perangkat lunak (Utami & Asnawati, 2015).

Model waterfall merupakan model klasik yang sederhana dengan aliran

sistem yang linier.


44

Menurut Utami dan Asnawati (2015) tahapan dari model waterfall

meliputi :

a. Analisa Kebutuhan Perangkat Lunak

Tahap analisa kebutuhan perangkat lunak adalah tahap proses

mendapatkan informasi, mode dan spesifikasi tentang perangkat

lunak. Tahap awal menentukan dan merancang gambaran umum

perangkat lunak. Perangkat lunak yang baik sesuai dengan

kebutuhan dari pengguna (user) tergantung pada keberhasilan

dalam melakukan analisa. Pada penelitian ini pengumpulan

informasi didapatkan dengan cara mengunduh data nasabah

deposito dari suatu bank yang ada di Portugal.

b. Desain Perangkat Lunak

Tahap ini mengubah kebutuhan perangkat lunak menjadi

rancangan perangkat lunak. Desain perangkat lunak dilakukan

untuk berfokus pada atribut–atribut yang berbeda dari program

yaitu pada struktur data, arsitektur perangkat lunak, representasi

interface dan prosedural rinci. Dari rancangan tersebut akan

menghasilkan arsitektur sistem yang dapat ditransformasikan

menjadi satu atau lebih program yang dapat digunakan.

c. Pembuatan Program (Coding)

Tahap ini merupakan proses menerjemahkan desain rancangan

perangkat lunak ke dalam mesin yang dapat dibaca, yaitu tahap

pembuatan kode (coding).

d. Pengujian (Testing)

Tahap pengujian (testing) merupakan proses pengujian pada

sistem yang telah dibuat. Tahap ini terbagi menjadi dua, yaitu

pengujian yang dilakukan secara internal (benar atau tidaknya

penyataan yang dibuat dalam tahap coding), dan pengujian

eksternal (dengan melakukan tes untuk menemukan kesalahan

dan memastikan bahwa input sesuai dengan apa yang

dibutuhkan). Pengujian sistem ini menggunakan pendekatan


45

black–box testing. Pendekatan tersebut merupakan proses

pengujian terhadap fungsi dari operasional software.

3.4.4. Analisis Hasil dan Pembuatan Laporan

Analisis yang dilakukan pada penelitian ini adalah menganalisa

data nasabah bank dari bagian marketing sebuah bank di Portugal, yang

akan di klasifikasikan menggunakan metode case–based reasoning.

Kemudian menganalisa pengaruh dari hasil identifikasi case–based

reasoning dengan nilai bobot yang sudah ditentukan. Dari analisa tersebut

akan digunakan untuk memprediksi data nasabah yang berpotensi

membuka simpanan deposito yang akan disusun ke dalam sebuah laporan

tugas akhir.

Uji akurasi hasil identifikasi case–based reasoning nantinya akan

dilakukan dengan menggunakan cross validation, dengan menentukan k–

fold yaitu 5 kemudian membagi seluruh data menjadi 5 kelompok untuk

diuji. Data yang diuji tersebut meliputi dua bagian, yaitu 4 kelompok

sebagai data training dan 1 kelompok sebagai data testing. Uji cross

validation dilakukan sebanyak 5 kali dengan menghitung akurasi

pengujian dengan menggunakan confusion matrix. Hasil dari akurasi dari

setiap pengujian 1, 2, 3, 4 dan 5 kemudian ditotal dibagi dengan jumlah

kelompok yang digunakan dikali dengan 100%.


46

BAB IV

PERANCANGAN PERANGKAT LUNAK

4.1. Perancangan Umum

4.1.1. Input

Masukan pada sistem yang akan dibangun berupa file dengan

ekstensi .xls atau file bertipe Microsoft Excel. Pengguna (user) dapat

memilih sendiri file yang akan digunakan dari direktori komputer.

Terdapat dua file yang akan dimasukkan oleh user, yaitu file kasus lama

dan kasus baru. Setelah memilih file, pengguna dapat melakukan

identifikasi case–based reasoning.

4.1.2. Proses

Proses mengidentifikasi case–based reasoning dengan algoritma

nearest neighbor terdapat beberapa tahap, yaitu sebagai berikut :

1. Melakukan preprocessing data dengan transformasi data pada setiap

atribut.

2. Proses mencocokkan kasus menghitung jarak kedekatan menggunakan

nearest neighbor.

3. Proses mengidentifikasi case–based reasoning.

4. Proses menghitung akurasi dari perhitungan case–based reasoning.

5. Menyimpan hasil identifikasi case–based reasoning dengan file

berextensi .xls ke dalam direktori komputer.

Proses umum pada sistem digambarkan dengan diagram flowchart pada

gambar 4.1.


47

Gambar 4.1 Flowchart Diagram

4.1.3. Output

Pada sistem ini keluaran (output) yang dihasilkan berupa :

1. Tampilan hasil identifikasi metode case–based reasoning.

2. Tampilan hasil perhitungan similarity antar kasus.

3. File hasil identifikasi case–based reasoning dalam format .xls untuk

disimpan ke dalam direktori komputer.


48

4.2. Diagram Use Case

Terdapat beberapa aktivitas atau interaksi yang dilakukan oleh pengguna

(user) pada sistem ini. Usecase merupakan interaksi yang mengidentifikasi urutan

pemakaian sistem. Pada sistem ini hanya terdapat satu pengguna (user) yang

melakukan beberapa interaksi yaitu memilih data, mengidentifikasi case–based

reasoning kasus baru dengan kasus lama, menyimpan hasil identifikasi tersebut

menjadi kasus baru. Ketiga aktivitas atau interaksi tersebut harus dijalankan secara

berurutan karena saling berhubungan satu sama lain. Diagram usecase dapat dilihat

pada gambar 4.2 berikut :

Gambar 4.2 Use Case Diagram

4.2.1. Gambaran Umum Use Case

Gambaran umum dari masing–masing usecase yang ada pada

diagram usecase dapat terlihat pada tabel 4.1 berikut.

Tabel 4.1 Gambaran Umum Use Case

ID Use

Case Nama Use Case Deskripsi Aktor

1. Pilih File

Proses memilih file berekstensi .xls

yang digunakan pada proses

mengidentifikasi case–based

reasoning.

User

2. Identifikasi case–

based reasoning

Proses mengidentifikasi case–based

reasoning dengan menerapkan User


49

algoritma nearest neighbor dan

menghitung similarity.

3.

Simpan hasil

identifikasi case–

based reasoning

Proses menyimpan hasil dari

identifikasi case–based reasoning

dalam bentuk file berekstensi .xls.

User

4.2.2. Narasi Use Case

Narasi usecase berisi serangkaian langkah–langkah dari aksi

pengguna (user) terhadap sistem dan reaksi dari sistem terhadap pengguna

(user) pada setiap usecase. Narasi usecase terlampir pada lampiran 1.

4.3. Diagram Aktivitas

Terdapat tiga diagram aktivitas yang merupakan aktivitas dari masing–

masing usecase yaitu memilih data (file), mengidentifikasi case–based reasoning

dan menyimpan hasil identifikasi dari case–based reasoning. Diagram aktivitas

terlampir pada lampiran 2.

4.4. Perancangan Struktur Data

Perancangan struktur data berfungsi untuk mengelola penyimpanan data agar

data dapat dengan mudah diakses kapanpun jika diperlukan. Adapun konsep

struktur data yang digunakan adalah :

1. ArrayList

ArrayList digunakan untuk menampung data nasabah dan hasil

identifikasi dari case–based reasoning. Data nasabah dan hasil

identifikasi case–based reasoning tersebut digunakan sebagai elemen

pada ArrayList.

Berikut adalah ilustrasi dari penerapan ArrayList :

[Data1 Data2 Data3........... DataN]


50

Objek Data1, Data2, sampai Data ke - N merupakan representasi dari

data nasabah yang dapat dilihat pada tabel 4.1 berikut ini :

Tabel 4.2 Objek Data Nasabah

Ob

jek

Atribut

Ag

e

Job

Bal

ance

Ho

usi

ng

Lo

an

Co

nta

ct

Mo

nth

Du

rati

on

Pd

ays

Pre

vio

us

Po

utc

om

e

Y/N

Data1 30 Unemployed Married No No Cellular Oct 79 -1 0 Unknown No

Data2 20 Student Single No No Cellular Apr 261 -1 0 Unknown Yes

Data3 33 Services Married Yes Yes Cellular Nov 220 5 4 Unknown No

2. Matriks atau Array 2 Dimensi

Matriks atau Array 2 dimensi digunakan untuk menampung nilai

kemiripan antar nasabah. Setiap elemen dari matriks berisi nilai

kemiripan antar nasabah lama dan nasabah baru. Setiap indeks baris

merupakan nilai kedekatan dari nasabah di indeks yang sama dari

ArrayList data nasabah. Berikut adalah ilustrasi dari Array 2 dimesi:

ArrayList untuk Data Nasabah sebagai berikut :

[Data1 Data2 Data3........... DataN]

Dan berikut ilustrasi kedekatan antar nasabah :

[

]

Pada ilustrasi diatas menggambarkan matriks pada baris pertama

merupakan kedekatan antar nasabah dari ArrayList data nasabah,

demikian pula untuk baris selanjutnya. kedekatan1, kedekatan2,

kedekatan3, kedekatanN adalah suatu objek pada data nasabah.


51

4.5. Diagram Kelas Analisis

Diagram kelas analisis dapat dilihat pada gambar 4.3 berikut ini.

Gambar 4.3 Diagram Kelas Analisis


52

4.6. Diagram Sequence

Diagram sequence dari setiap usecase terlampir pada lampiran 3.

4.7. Diagram Kelas Desain

Diagram kelas desain dapat dilihat pada gambar 4.4 berikut ini.

Gambar 4.4 Diagram Kelas Disain


53

4.8. Algoritma per Method

Rincian algoritma per method terlampir pada lampiran 4.

4.9. Perancangan Antarmuka

Antarmuka dirancang untuk menghubungkan antara pengguna dan sistem.

Pada peneltian ini sistem yang akan dibangun memiliki 6 antarmuka (interfaces).

Antarmuka yang akan dibangun oleh penulis yaitu halaman awal (home), halaman

tentang, halaman bantuan, halaman preprocessing, dan halaman hasil

preprocessing.

4.9.1. Perancangan Halaman Home

Perancangan antarmuka halaman home dapat dilihat pada gambar 4.5

berikut ini :

Gambar 4.5 Rancangan Antarmuka Halaman Home

Halaman home merupakan halaman awal pada saat pengguna (user)

memasuki sistem. Pada halaman home terdapat tombol “Masuk Sistem”.

Menu “Tentang” digunakan untuk menuju ke halaman tentang penulis atau


54

pembuat sistem. Menu “Bantuan” digunakan untuk menuju ke halaman

panduan penggunaan sistem. Sedangkan tombol “Masuk Sistem”

digunakan untuk menuju ke halaman preprocessing untuk memulai proses

identifikasi case–based reasoning.

4.9.2. Perancangan Halaman Preprocessing

Perancangan antarmuka halaman preprocessing dapat dilihat pada

gambar 4.6 dan gambar 4.7 berikut ini :


(Kasus Lama)


(Kasus Baru)


55

Halaman preprocessing merupakan halaman untuk mempersiapkan

data nasabah dari kasus lama dan kasus baru yang akan di preprocessing

dan akan dijadikan dasar untuk mengidentifikasi case–based reasoning.

Pada halaman preprocessing kasus lama terdapat dua tombol yaitu “Pilih

File”, “Identifikasi CBR”. Tombol “Pilih File” digunakan untuk

membuka direktori file untuk mencari file yang akan digunakan. Tombol

”Identifikasi CBR” digunakan untuk mengidentifikasi case–based

reasoning, mencocokkan kasus lama dan kasus baru. Terdapat juga dua

menu tab halaman, yaitu “Hasil Detail” dan “Hasil” yang akan muncul

ketika proses identifikasi selesai dilakukan. Pada menu tab halaman “Hasil

Detail” digunakan untuk melihat detail hasil dari identifikasi kasus.

Sedangkan pada tab halaman “Hasil” digunakan untuk melihat hasil

keseluruhan dari identifikasi kasus.

4.9.3. Perancangan Halaman Hasil Detail

Perancangan antarmuka halaman hasil dapat dilihat pada gambar

4.8 berikut ini :

Gambar 4.8 Rancangan Antarmuka Halaman Hasil Detail


56

Halaman hasil detail merupakan halaman yang akan menampilkan

detail hasil identifikasi kasus case–based reasoning. Karena halaman hasil

dan proses identifikasi menjadi satu, setelah proses identifikasi muncul

satu tombol yaitu “Simpan Hasil Identifikasi CBR” yang digunakan untuk

mendownload atau mendapatkan file Excel dari hasil identifikasi.

4.9.4. Perancangan Halaman Hasil


4.9 berikut ini :

Gambar 4.9 Rancangan Antarmuka Halaman Hasil

Halaman hasil merupakan halaman yang akan menampilkan hasil

keseluruhan identifikasi kasus case–based reasoning. Karena halaman

hasil dan proses identifikasi menjadi satu, setelah proses identifikasi

muncul satu tombol yaitu “Simpan Hasil Identifikasi CBR” yang

digunakan untuk mendownload atau mendapatkan file Excel dari hasil

identifikasi.


57

4.9.5. Perancangan Halaman Tentang


4.10 berikut ini :

Gambar 4.10 Rancangan Antarmuka Halaman Tentang

Halaman tentang merupakan halaman yang berisi penjelasan

mengenai identitas pembuat sistem atau perangkat lunak. Pada halaman

tentang ini terdapat menu “Halaman Utama”, yang digunakan untuk

menuju ke halaman awal atau halaman home sistem.


58

4.9.6. Perancangan Halaman Bantuan


4.11 berikut ini :

Gambar 4.11 Rancangan Antarmuka Halaman Bantuan

Halaman bantuan merupakan halaman yang berisi penjelasan

mengenai paduan penggunaan sistem. Pada halaman ini terdapat menu

“Halaman Utama”, yang digunakan untuk menuju ke halaman awal atau

halaman home sistem.


59

BAB V

IMPLEMENTASI DAN PENGUJIAN PERANGKAT LUNAK

5.1. Implementasi Rancangan Perangkat Lunak

Perangkat lunak identifikasi case–based reasoning menggunakan

algoritma nearest neighbor terdapat 12 kelas, yang terdiri dari enam kelas model,

empat kelas view, dan dua kelas controller.

5.1.1. Implementasi Kelas Model

Implementasi kelas model dapat dilihat pada tabel berikut ini :

Tabel 5.1 Implementasi Kelas Model

No. Nama Kelas Nama File Fisik Nama File Excetable

1. Dataset Dataset.java Dataset.class

2. Hasil Hasil.java Hasil.class

3. HasilDetail HasilDetail.java HasilDetail.class

4. HasilSet HasilSet.java HasilSet.class

5. Interval Interval.java Interval.class

6. NilaiAtribut NilaiAtribut.java NilaiAtribut.class

5.1.2. Implementasi Kelas View

Implementasi kelas model dapat dilihat pada tabel berikut ini :

Tabel 5.2 Implementasi Kelas View

No. Usecase Antarmuka Nama Kelas Boundary

1. Pilih File Gambar 4.5 Preprocessing.class

2. Identifikasi case–

based reasoning Gambar 4.5 Preprocessing.class

3.

Simpan hasil

identifikasi case–

based reasoning

Gambar 4.8 Preprocessing.class


60

Spesifikasi dari kelas halaman home dapat dilihat pada tabel

dibawah ini :

Tabel 5.3 Spesifikasi Detail kelas HalamanHome.java

Id_Objek Jenis Teks Keterangan

jlabel1 Label

SISTEM

IDENTIFIKASI CASE-

BASED REASONING

Judul dari sistem

atau software yang

dibangun.

jlabel2 Label

Prediksi Nasabah Yang

Berpotensi Membuka

Simpanan Deposito

Judul dari sistem

atau software yang

dibangun.

icon Label logo.png

Gambar untuk logo

Universitas Sanata

Dharma

Yogyakarta.

btnMasuk Button Masuk Sistem

Jika button di click

maka akan masuk

ke halaman

preprocessing.

btnTentang Button Tentang


maka akan masuk

ke halaman

Tentang.

btnBantuan Button Bantuan


maka akan masuk

ke halaman

Bantuan.

jlabel3 Label Sinta Septiawanti

(145314029)

Label untuk

Identitas dari

pembuat sistem atau

perangkat lunak.


61

jlabel5 Label Teknik Informatika

Label untuk

program studi dari

pembuat sistem atau

perangkat lunak.

jlabel6 Label Fakultas Sains dan

Teknologi

Label untuk

fakultas dari

pembuat sistem atau

perangkat lunak.

jlabel7 Label Universitas Sanata

Dharma Yogyakarta

Label untuk

universitas dari

pembuat sistem atau

perangkat lunak.

Jlabel8 Label 2018

Label untuk tahun

pembuatan sistem

atau perangkat

lunak.

Implementasi antarmuka dari kelas HalamanHome.java dapat

dilihat pada gambar 5.1 berikut ini.

Gambar 5.1 Implementasi Antarmuka kelas HalamanHome.java


62

Spesifikasi dari kelas halaman preprocessing dapat dilihat pada

tabel dibawah ini :

Tabel 5.4 Spesifikasi Detail kelas Preprocessing.java


jlabel1 Label Preprocessing

Label untuk judul

halaman

preprocessing

sistem atau

perangkat lunak.

jlabel2 Label Kasus Lama

Label untuk

tulisan kasus lama

pada perangkat

lunak.

jlabel3 Label Kasus Baru

Label untuk

tulisan kasus baru

pada perangkat

lunak.

fileText TextField

Lokasi file .xls

untuk kasus lama

yang akan

digunakan.

fileText1 TextField

Lokasi file .xls

untuk kasus baru

yang akan

digunakan.

btnBrowseLama Button Pilih File

Button yang jika

di klik, maka

akan membuka

direktori

komputer untuk


63

mencari file kasus

lama yang akan

digunakan.

btnBrowseBaru Button Pilih File

Button yang jika

di klik, maka

akan membuka

direktori

komputer untuk

mencari file kasus

baru yang akan

digunakan.

jButton1 Button Identifikasi CBR

Button yang jika

di klik, maka

akan melakukan

proses identifikasi

case–based

reasoning, dan

akan

menghasilkan tab

halaman hasil dan

kesimpulan.

tableDataSetLama Table

Tabel yang berisi

data kasus lama

yang dimasukkan.

tableDataSetBaru Table

Tabel yang berisi

data kasus baru

yang dimasukkan.

tableResult Table

Tabel yang berisi

hasil identifikasi

case–based


64

reasoning.

tableConclusion Table

Tabel yang berisi

data kasus baru

yang dimasukkan.

btnSave Button

Simpan Hasil

Identifikasi case–

based reasoning

Button yang jika

di klik, maka

akan menyimpan

hasil identifikasi

case–based

reasoning dalam

file berekstensi

.xls pada direktori

komputer.

Implementasi antarmuka dari kelas Preprocessing.java untuk Kasus

Lama dapat dilihat pada gambar 5.2 berikut ini.

Gambar 5.2 Implementasi Antarmuka kelas Preprocessing.java

(Kasus Lama)


65

Implementasi antarmuka dari kelas Preprocessing.java untuk Kasus

Baru dapat dilihat pada gambar 5.3 berikut ini.

Gambar 5.3 Implementasi Antarmuka kelas Preprocessing.java (Kasus Baru)

Implementasi antarmuka dari untuk halaman Hasil dapat dilihat

pada gambar 5.4 berikut ini.

Gambar 5.4 Implementasi Antarmuka halaman Hasil


66

Implementasi antarmuka dari untuk halaman Hasil Detail dapat


Gambar 5.5 Implementasi Antarmuka halaman Hasil Detail

Spesifikasi dari kelas halaman bantuan dapat dilihat pada tabel

dibawah ini :

Tabel 5.5 Spesifikasi Detail kelas HalamanBantuan.java


jButton1 Button HALAMAN

UTAMA

Button yang jika

di klik, maka

akan kembali ke

halaman awal

atau halaman

home.

jLabel1 Label

SISTEM

IDENTIFIKASI

CASE–BASED

REASONING

Label untuk

tulisan “SISTEM

IDENTIFIKASI

CASE–BASED

REASONING”


67

pada perangkat

lunak.

jLabel2 Label

Prediksi Nasabah

Yang Berpotensi

Membuka

Simpanan

Deposito

Label untuk

tulisan “Prediksi

Nasabah Yang

Berpotensi

Membuka

Simpanan

Deposito” pada

perangkat lunak.

jLabel8 Label BANTUAN

Label untuk

tulisan

“BANTUAN”

pada perangkat

lunak.

jLabel9 Label

Panduan

Penggunaan

Sistem

Label untuk

tulisan “Panduan

Penggunaan

Sistem” pada

perangkat lunak.

jLabel10 Label

1. Pada halaman

awal, tekan

tombol

"MASUK

SISTEM"

untuk masuk

ke halaman

processing.

Label untuk

tulisan “Pada

halaman awal,

tekan tombol

"MASUK

SISTEM" untuk

masuk ke

halaman

processing” pada

perangkat lunak.


68

jLabel11 Label

2. Pada halaman

preprocessing,

masukkan

data file .xls

untuk kasus

lama dan

kasus baru

dengan klik

tombol "Pilih

File"

Label untuk

tulisan “Pada

halaman

preprocessing,

masukkan data

file .xls untuk

kasus lama dan

kasus baru

dengan klik

tombol "Pilih

File"” pada

perangkat lunak.

jLabel12 Label

3. Kemudian

tekan tombol

"IDENTIFIK

ASI CBR"

untuk

memulai

proses

identifikasi.

Label untuk

tulisan

“Kemudian tekan

tombol

"IDENTIFIKASI

CBR" untuk

memulai proses

identifikasi” pada

perangkat lunak.

jLabel13 Label

4. Jika hasil dari

identifikasi

Case-Based

Reasoning

sudah

diperoleh,

tekan tombol

"Simpan Hasil

Identifikasi

Label untuk

tulisan “Jika hasil

dari identifikasi

Case–Based

Reasoning sudah

diperoleh, tekan

tombol "Simpan

Hasil Identifikasi

CBR" untuk


69

CBR" untuk

menyimpan

hasil dari

identifikasi

dengan file

berektensi

.xls.

menyimpan hasil

dari identifikasi

dengan file

berektensi .xls.”

pada perangkat

lunak.

jLabel3 Label Sinta Septiawanti

(145314029)

Label untuk

Identitas dari

pembuat sistem

atau perangkat

lunak.

jLabel4 Label Teknik

Informatika

Label untuk

program studi

dari pembuat

sistem atau

perangkat lunak.

jLabel5 Label Fakultas Sains

dan Teknologi

Label untuk

fakultas dari

pembuat sistem

atau perangkat

lunak.

jLabel6 Label

Universitas

Sanata Dharma

Yogyakarta

Label untuk

universitas dari

pembuat sistem

atau perangkat

lunak.

jLabel7 Label 2018

Label untuk tahun

pembuatan sistem

atau perangkat


70

lunak.

Implementasi antarmuka dari kelas HalamanBantuan.java dapat


Gambar 5.6 Implementasi Antarmuka kelas HalamanBantuan.java

Spesifikasi dari kelas halaman tentang dapat dilihat pada tabel

dibawah ini :

Tabel 5.6 Spesifikasi Detail kelas HalamanTentang.java


jButton1 Button HALAMAN

UTAMA

Button yang jika

di klik, maka

akan kembali ke

halaman awal

atau halaman

home.

jLabel1 Label

SISTEM

IDENTIFIKASI

CASE–BASED

REASONING

Label untuk

tulisan “SISTEM

IDENTIFIKASI

CASE–BASED

REASONING”

pada perangkat

lunak.


71

jLabel2 Label

Prediksi Nasabah

Yang Berpotensi

Membuka

Simpanan

Deposito

Label untuk

tulisan “Prediksi

Nasabah Yang

Berpotensi

Membuka

Simpanan

Deposito” pada

perangkat lunak.

jLabel8 Label TENTANG

PENULIS

Label untuk

tulisan

“TENTANG

PENULIS” pada

perangkat lunak.

jLabel9 Label Nama

Label untuk

tulisan Nama

penulis pada

perangkat lunak.

jLabel10 Label NIM

Label untuk

tulisan NIM

penulis pada

perangkat lunak.

jLabel11 Label Tempat, Tanggal

Lahir

Label untuk

tulisan Tempat,

Tanggal Lahir

penulis pada

perangkat lunak.

jLabel12 Label Program Studi

Label untuk

tulisan Program

Studi penulis

pada perangkat

lunak

jLabel13 Label Fakultas

Label untuk

tulisan Fakultas

penulis pada

perangkat lunak

jLabel14 Label Universitas

Label untuk

tulisan

Universitas

penulis pada

perangkat lunak


72


Label untuk

tulisan Nama

penulis pada

perangkat lunak.

jLabel22 Label 145314029

Label untuk

tulisan NIM

penulis pada

perangkat lunak.

jLabel23 Label Surabaya, 28

September 1996

Label untuk

tulisan Tempat,

Tanggal Lahir

penulis pada

perangkat lunak.


Informatika

Label untuk

tulisan Program

Studi penulis

pada perangkat

lunak

jLabel25 Label Sains dan

Teknologi

Label untuk

tulisan Fakultas

penulis pada

perangkat lunak

jLabel26 Label Sanata Dharma

Yogyakarta

Label untuk

tulisan

Universitas

penulis pada

perangkat lunak


(145314029)

Label untuk

Identitas dari

pembuat sistem

atau perangkat

lunak.


Informatika

Label untuk

program studi

dari pembuat

sistem atau

perangkat lunak.

jLabel5 Label Fakultas Sains

dan Teknologi

Label untuk

fakultas dari


73

pembuat sistem

atau perangkat

lunak.

jLabel6 Label

Universitas

Sanata Dharma

Yogyakarta

Label untuk

universitas dari

pembuat sistem

atau perangkat

lunak.

jLabel7 Label 2018

Label untuk tahun

pembuatan sistem

atau perangkat

lunak.

Implementasi antarmuka dari kelas HalamanTentang.java dapat


Gambar 5.7 Implementasi Antarmuka kelas HalamanTentang.java


74

5.1.3. Implementasi Kelas Control

Implementasi kelas controller dapat dilihat pada tabel 5.7 berikut ini :

Tabel 5.7 Implementasi Kelas Control

No. Usecase Nama file Fisik Nama file

Executable

1. Pilih File

1. Preprocessing

Control.java

2. DataSet.java

1. Preprocessing

Control.class

2. DataSet.class

2.

Identifikasi

case–based

reasoning

1. Preprocessing

Control.java

2. HasilDetail.java

1. Preprocessing

Control.class

2. HasilDetail

.class

3.

Simpan hasil

identifikasi

case–based

reasoning

1. Preprocessing

Control.java

1. Preprocessing

Control.class

5.2. Pengujian Perangkat Lunak

5.2.1. Pengujian Perangkat Lunak (Black Box)

5.2.1.1. Rencana Pengujian Black Box

Pada tabel 5.8 berikut akan dijelaskan perencanaan pengujian

dengan menggunakan metode black box.

Tabel 5.8 Rencana Pengujian Black Box.

No. Usecase Butir Uji Kasus Uji

1. Pilih File

Pengujian dengan memasukan

data dari file berekstensi .xls

UCBR1–01


data dari file berekstensi .txt

UCBR1–02


data dari file berekstensi .doc

UCBR1–03


75

2.

Identifikasi

case–based

reasoning

Pengujian dengan melakukan

proses identifikasi case–based

reasoning

UCBR2–01

3.

Simpan hasil

identifikasi

case–based

reasoning

Pengujian dengan melakukan

proses identifikasi case–based

reasoning

UCBR3–01

5.2.1.2. Prosedur Pengujian dan Kasus Uji

Setelah menyusun rencana pengujian pada tabel 5.8, selanjutnya

akan dilakukan pengujian serta kasus uji yang terlampir pada

lampiran 5.

5.2.1.3. Evaluasi Pengujian

Berdasarkan dari hasil pengujian yang terlampir pada lampiran 7

dengan menggunakan black box, menunjukan bahwa sistem atau

perangkat lunak yang dibangun sudah berjalan dengan baik dan

berjalan sesuai dengan perancangan yang telah dibuat. Hal tersebut

terlihat pada setiap fungsi case dalam sistem atau perangkat lunak

dapat berjalan sesuai dengan yang diharapkan. Sistem atau

perangkat lunak dapat memberikan pesan peringatan

pemberitahuan, jika user melakukan kesalahan pada saat

menggunakan sistem. Hal tersebut dapat mempermudah user dalam

menggunakan sistem ini.


76

5.2.2. Pengujian Perbandingan Hasil Identifikasi Case–Based Reasoning

Secara Manual dengan Hasil Identifikasi Case–Based Reasoning

Menggunakan Perangkat Lunak

5.2.2.1. Identifikasi Case–Based Reasoning Secara Manual

Pada bagian pengujian case–based reasoning secara manual

menggunakan data nasabah dari bagian marketing sebuah bank di

negara Portugal, yang didonasi pada tanggal 14 Februari 2012 oleh

S.Moro, P.Cortez dan P.Rita.

Proses mengidentifikasi case–based reasoning secara manual

dilakukan dengan menggunakan Microsoft Excel. Dalam proses

identifikasi case–based reasoning, diambil sample yaitu 5 data

sebagai kasus lama dan 3 data sebagai kasus baru sebagai sample.

Proses dan hasil identifikasi case–based reasoning secara manual

dapat dilihat pada lampiran 6.

5.2.2.2. Identifikasi Case–Based Reasoning Menggunakan Perangkat

Lunak

Pada bagian pengujian case–based reasoning menggunakan

perangkat lunak dengan data yang sama dengan perhitungan

manual, yaitu data nasabah dari bagian marketing sebuah bank di

negara Portugal, yang didonasi pada tanggal 14 Februari 2012 oleh

S.Moro, P.Cortez dan P.Rita.

Proses mengidentifikasi case–based reasoning menggunakan

perangkat lunak dengan memasukkan file .xls yang berisi 5 kasus

sebagai contoh data kasus lama, dan memasukkan file .xls yang

berisi 3 kasus sebagai contoh data kasus baru. Didapatkan hasil dari

identifikasi case–based reasoning menggunakan perangkat dapat

dilihat pada gambar 5.8 dan 5.9 berikut ini.


77

Gambar 5.8 Hasil Identifikasi Case–Based Reasoning

Gambar 5.9 Detail Hasil Identifikasi Case–Based Reasoning


78

5.2.2.3. Evaluasi Pengujian Perbandingan Hasil Identifikasi Case–

Based Reasoning Secara Manual dengan Perangkat Lunak

Hasil identifikasi case–based reasoning yang diperoleh dari

identifikasi secara manual sama dengan hasil yang diperoleh

dengan menggunakan perangkat lunak atau sistem. Oleh karena itu

dapat disimpulkan bahwa sistem atau perangkat lunak tersebut

dapat berjalan dengan baik dan sesuai dengan yang diharapkan

penulis.


79

BAB VI

ANALISIS HASIL DAN PEMBAHASAN

6.1. Dataset

Pada penelitian ini dataset yang digunakan untuk mengidentifikasi case–

based reasoning adalah data dari bagian marketing sebuah bank di negara Portugal,

data tersebut didonasi pada tanggal 14 Februari 2012 oleh S.Moro, P.Cortez dan

P.Rita dengan jumlah 4521 record, 16 atribut dan 1 label kelas. Data tersebut

adalah data public yang diperoleh dari UCI Repository Mechine Learning.

Proses identifikasi case–based reasoning dengan cara mencari similarity

dari kasus lama data nasabah lama yang sudah ada dengan kasus baru data nasabah

baru.

6.2. Hasil Uji Akurasi Case–Based Reasoning

Pada penelitian ini, hasil identifikasi case–based reasoning setelah

dilakukan pengujian menggunakan k–fold cross validation dapat dilihat pada tiga

tabel berikut ini.

Tabel 6.1 Hasil Uji Akurasi Metode Case–Based Reasoning

(3–fold cross validation)

Fold Data Training Data Testing Akurasi

Percobaan 1 3014

(kelompok 2 & 3)

1507

(kelompok 1) 85,33 %

Percobaan 2 3014

(kelompok 1 & 3)

1507


Percobaan 3 3014

(kelompok 1 & 2)

1507


Rata–rata akurasi 86,33 %


80




Percobaan 1 3616

(kelompok 2, 3, 4 & 5)

905


Percobaan 2 3617

(kelompok 1, 3, 4 & 5)

904


Percobaan 3 3617

(kelompok 1, 2, 4 & 5)

904


Percobaan 4 3617

(kelompok 1, 2, 3 & 5)

904


Percobaan 5 3617

(kelompok 1, 2, 3 & 4)

904






Percobaan 1 3875

(kelompok 2, 3, 4, 5, 6, 7)

646


Percobaan 2 3875

(kelompok 1, 3, 4, 5, 6, 7)

646


Percobaan 3 3875

(kelompok 1, 2, 4, 5, 6, 7)

646


Percobaan 4 3875

(kelompok 1, 2, 3, 5, 6, 7)

646


Percobaan 5

3875

(kelompok 1, 2, 3, 4, 6, 7)

646

(kelompok 5)

86,99 %


81

Percobaan 6 3875

(kelompok 1, 2, 3, 4, 5, 7)

646


Percobaan 7 3876

(kelompok 1, 2, 3, 4, 5, 6)

645



Dari hasil uji akurasi diatas, menunjukkan bahwa pengujian akurasi

dengan menerapkan cross validation menghasilkan hasil akurasi yang dapat

dikatakan cukup stabil. Dari tabel hasil diatas terlihat bahwa pada saat nilai dari

k = 3 rata–rata akurasi sebesar 86,33%. Kemudian penulis mencoba melakukan

percobaan kembali dengan memvariasi k = 5, rata–rata akurasi mengalami sedikit

kenaikan menjadi 86,948%. Percobaan selanjutnya yaitu memvariasi nilai k = 7,

rata–rata akurasi terjadi penurunan namun tidak signifikan yaitu menjadi 86,08%.

Untuk lebih memahami hasil dari uji akurasi dengan menggunakan cross validation

berikut ini adalah grafik yang dihasilkan dari percobaan menggunakan 3, 5, dan 7

fold cross validation.

Gambar 6.1 Grafik Percobaan Uji Akurasi 3, 5, 7 - fold cross validation

79,00%

80,00%

81,00%

82,00%

83,00%

84,00%

85,00%

86,00%

87,00%

88,00%

89,00%

90,00%

3-fold 5-fold 7-fold

Percobaan 1

Percobaan 2

Percobaan 3

Percobaan 4

Percobaan 5

Percobaan 6

Percobaan 7


82

Sehingga dari grafik percobaan uji akurasi tersebut menghasilkan grafik

rata–rata dari hasil uji akurasi, yaitu seperti berikut ini.

Gambar 6.2 Grafik Rata-rata Akurasi Cross Validation

Dari grafik rata–rata hasil akurasi diatas, dapat diketahui bahwa dengan

memasukkan k = 5 memberikan pengaruh akurasi yang cukup tinggi yaitu sebesar

86,948%, dibandingkan pada saat k = 3 atau k = 7. Sehingga dapat ditarik

kesimpulan, hasil dari rata–rata percobaan uji akurasi untuk sistem cukup stabil,

dengan rata–rata akurasi sekitar 86%.

6.3. Analisis Hasil Uji Akurasi Case–Based Reasoning

Adapun tingkat keberhasilan dari uji akurasi tersebut didukung dari

beberapa tahapan, dimulai dari melakukan seleksi atribut, mengidentifikasi case–

based reasoning, dan kemudian menghitung tingkat akurasi dari hasil identifikasi.

85,60%

85,80%

86,00%

86,20%

86,40%

86,60%

86,80%

87,00%

87,20%

3-fold 5-fold 7-fold

Rata-Rata Akurasi

Rata-Rata Akurasi


83

6.3.1. Identifikasi Case–Based Reasoning

Setelah melakukan seleksi atribut dan mendapatkan atribut yang

diprediksi memiliki pengaruh yang baik dan mendukung dalam proses

identifikasi data nasabah yang berpotensi membuka simpanan deposito,

selanjutnya menerapkan metode case–based reasoning pada dataset.

Langkah untuk proses identifikasi case–based reasoning dapat dilihat pada

lampiran 8, yaitu proses perhitungan manual. Dari hasil uji perhitungan

manual dan sistem yang sudah dilakukan oleh penulis, menghasilkan

kesimpulan bahwa hasil identifikasi sesuai dengan yang diharapkan oleh

penulis, yaitu hasil dari perhitungan manual sama dengan hasil identifikasi

case–based reasoning pada sistem.

6.3.2. Pengujian Confusion Matrix

Uji akurasi yang dilakukan pada penelitian ini yaitu dengan

menerapkan cross validation, dimana ilustrasinya dapat dilihat pada tabel

2.1. Pengujian akurasi ini dilakukan untuk mengetahui tingkat akurasi dari

prediksi yang dilakukan secara manual dengan prediksi yang dihasilkan

oleh sistem menggunakan case–based reasoning. Pengujian dilakukan

dengan menggunakan confusion matrix. Confusion matrix merupakan

sebuah matrik dari prediksi yang akan dibandingkan dengan kelas asli dari

data inputan. Pengujian dilakukan menggunakan 20 data nasabah yang

sudah teridentifikasi case–based reasoning yang diambil secara acak. Data

tersebut dibandingkan dengan hasil identifikasi yang dilakukan oleh

sistem. Hasil pengujian akurasi dapat dilihat pada tabel berikut.


84

Tabel 6.4 Pengujian Akurasi Identifikasi Data Nasabah

Data Sentimen

Age Job Balance Housing Loan Contact Month Duration Pdays Previous Poutcome Identifikasi

Manual

Identifikasi

Sistem

30 unemployed 1787 no no cellular oct 79 -1 0 unknown yes yes

20 student 502 no no cellular apr 261 -1 0 unknown yes yes

35 management 1350 yes no cellular apr 185 330 1 failure yes yes

37 admin. 2317 yes no cellular apr 114 152 2 failure no no

33 services 4789 yes yes cellular may 220 339 4 failure no no

32 management 2536 yes no cellular aug 958 -1 0 unknown yes yes

49 technician 1235 no no cellular aug 354 -1 0 unknown yes no

42 admin. 1811 yes no unknown may 150 -1 0 unknown no no

78 retired 229 no no telephone oct 97 -1 0 unknown yes no

45 blue-collar 844 no no unknown jun 1018 -1 0 unknown yes yes

37 technician 228 yes no cellular aug 1740 -1 0 unknown no no

38 management 493 yes no cellular may 553 367 7 failure no no

56 unemployed 3391 no no cellular apr 243 -1 0 unknown yes yes

21 student 2488 no no cellular jun 258 169 3 success yes yes

36 blue-collar -231 no yes cellular jul 779 -1 0 unknown no no

34 self-employed 462 no no cellular aug 1877 -1 0 unknown yes yes

30 services 1808 yes no cellular may 83 -1 0 unknown no no

22 admin. 4111 no yes cellular aug 65 -1 0 unknown no no

39 blue-collar 52 no no cellular aug 69 -1 0 unknown no no

24 unemployed 119 no no unknown sep 51 -1 0 unknown no no


85

Berikut ini adalah tabel untuk pengujian confusion matrix.

Tabel 6.5 Confusion Matrix

Prediksi

Positif Negatif A

ktu

al Positif 8 2

Negatif 2 8

Setelah sistem melakukan identifikasi, hitung nilai akurasi

dengan menggunakan rumus confusion matrix (2.2), yaitu sebagai

berikut.

Data pengujian akurasi yang digunakan pada tabel diatas

sebanyak 20 data nasabah, yang terdiri dari 8 data positif dan 12 data

negatif dari hasil identifikasi case–based reasoning. Hasil

identifikasi yang dilakukan oleh sistem, sebanyak 10 data nasabah

yang termasuk prediksi positif dan 10 data nasabah yang termasuk

prediksi negatif, maka jumlah identifikasi yang benar adalah 16 data.

Berdasarkan pengujian akurasi, didapatkan hasil akurasi dari

identifikasi data nasabah dari sistem sebesar 80%. Kesimpulan yang

diperoleh dari pengujian akurasi ini adalah case–based reasoning

dapat digunakan sebagai metode untuk melakukan prediksi dengan

tingkat akurasi yang cukup optimal dan akurat.


86

6.4. Kelebihan dan Kekurangan Perangkat Lunak

Berikut adalah kelebihan dan kekurangan dari perangkat lunak atau

sistem dalam mengidentifikasi case–based reasoning.

6.5.1. Kelebihan Perangkat Lunak

Kelebihan yang dimiliki oleh perangkat lunak atau sistem

dalam mengidentifikasi case–based reasoning adalah :

1. Pengguna (user), khususnya pada bagian telemarketing sebuah

bank dapat dengan mudah dan terbantu dalam memprediksi

nasabah yang berpotensi membuka simpanan deposito.

2. Sistem atau perangkat lunak dapat mengidentifikasi case–based

reasoning dan memprediksi nasabah yang berpotensi membuka

simpanan deposito dengan hasil perhitungan yang akurat.

3. Pengguna (user) dapat melihat hasil nilai kemiripan dari kasus

lama dengan kasus baru.

6.5.2. Kekurangan Perangkat Lunak

Kekurangan yang dimiliki oleh perangkat lunak atau sistem

dalam mengidentifikasi case–based reasoning adalah :

1. Data nasabah yang digunakan sebagai masukan oleh perangkat

lunak terbatas, yaitu hanya data file yang berekstensi .xls.

2. Perangkat lunak belum mampu mengidentifikasi sembarang

data.

3. Kriteria pada data nasabah yang digunakan tidak dapat ditambah

atau dikurangi.

4. Sistem belum dapat menjamin prediksi terbaik atau optimum,

karena identifikasi ini berdasarkan kasus lampau, apabila kasus

lampau salah maka tahapan revise sangat diperlukan untuk

mengurangi tingkat kesalahan.

5. Sistem belum mampu mengidentifikasi data nasabah berjumlah

banyak dalam waktu yang singkat.


87

BAB VII

PENUTUP

7.1. Kesimpulan

Berdasarkan hasil penelitian yang menerapkan metode case–based

reasoning untuk melakukan prediksi pada data nasabah dari sebuah bank di negara

Portugal yang berpotensi membuka simpanan deposito, menghasilkan kesimpulan

sebagai berikut :

1. Metode case–based reasoning dapat diterapkan untuk memprediksi data

nasabah yang berpotensi membuka simpanan deposito di sebuah bank di

negara Portugal.

2. Berdasarkan percobaan dengan menerapkan cross validation dan confusion

matrix untuk menguji akurasi sistem, dengan melakukan 3 kali percobaan

yaitu memasukan nilai k–fold dengan 3,5 dan 7, didapatkan tingkat akurasi

tertinggi yang dihasilkan dari menerapkan metode case–based reasoning

pada data nasabah ini yaitu sebesar 86% pada saat k = 5. Dari hasil ini dapat

disimpulkan bahwa sistem cukup mampu dalam menerapkan metode tersebut,

sistem mampu melakukan prediksi dengan tingkat akurasi yang cukup

optimal dan akurat.

7.2. Saran

Hasil penelitian yang menerapkan metode case–based reasoning untuk

melakukan prediksi pada data nasabah dari sebuah bank di negara Portugal yang

berpotensi membuka simpanan deposito memiliki saran untuk pengembangan

penelitian berikutnya di masa mendatang adalah sebagai berikut :

1. Perangkat lunak tidak hanya dapat menerima masukan data dari file yang

berekstensi .xls saja, namun juga dapat menerima masukan data dari file

berekstensi lain.

2. Perangkat lunak tidak hanya dapat menyimpan hasil identifikasi case–based

reasoning dengan file yang berekstensi .xls saja, namun juga dapat


88

menyimpan hasil identifikasi case–based reasoning dengan file berekstensi

lain.

3. Perangkat lunak mampu membuat atribut data nasabah bersifat dinamis, yaitu

dapat melakukan tambah atribut data nasabah, sehingga dapat melakukan

identifikasi case–based reasoning di masa mendatang.

4. Perangkat lunak dapat melakukan proses identifikasi case–based reasoning

dengan data nasabah berjumlah banyak dalam waktu yang singkat.

5. Penelitian selanjutnya dapat menerapkan metode case–based reasoning

dengan data nasabah dari bank lain.

6. Penelitian selanjutnya dapat menerapkan data nasabah tersebut dengan

menerapkan metode berbeda.


89

DAFTAR PUSTAKA

Aamold A. dan Plaza E., 1994, Case-based Reasoning : foundation issues,

methodological variation and System approach, AI Communication 7(1), pp.

39-59

Althoff, K–D.dan Richter, M . 2011. Topics in Case–Based Reasoning. Berlin:

Springer, pp. 274–288

Ayyad, Usama. 1996. Advances in Knowledge Discovery and Data Mining. MIT

Press.

Chandra, Rudy., et.al, 2014, Implementasi Case–Based Reasoning pada Fitur

Rekomendasi Nakamnakam.com Berbasis Android di Kota Malang.

D. T. Larose, Discovering Knowledge In Data. United States of America: John

Wiley & Sons, Inc., 2005.

Han, J and M. Kamber. (2012). Data Mining : Concepts and Techniques 3rd

Edition. San Fransisco : Morgan Kaufmann Publishers.

Hoggson, N. F. (1926) Banking Through the Ages, New York, Dodd, Mead &

Company.

http://www.erabaru.net/2017/03/15/who-mengeluarkan-kriteria-baru-kelompok-

usia/http://www.erabaru.net/2017/03/15/who-mengeluarkan-kriteria-baru-

kelompok-usia/ diakses pada tanggal 03 April 2018 pada pukul 21.32 WIB.

https://data.world/uci/bank-marketing diakses pada tanggal 3 Oktober 2017 pada

pukul 17.00 WIB.

https://www.bportugal.pt/en diakses pada tanggal 13 Juni 2018 pada pukul 11.00

WIB.

Imama, C dan Indriyanti, A.D., 2013, Penerapan Case–Based Reasoning Dengan

Algoritma Nearest Neighbor Untuk Analisis Pemberian Kredit Di Lembaga

Pembiayaan.

Larose, Daniel T. 2005. Discovering Knowledge in Data : An Introduction to

Data Mining. John Willey & Sons, Inc.

Mantaras R.L., Mcsherry D., Bridge D., Leake D., Smyth B., Craw S., Falting B.,

Maher M.L., Cox M.T., Forbus K., Keane M., Aamodt A., Watson I., 2006,


http://www.erabaru.net/2017/03/15/who-mengeluarkan-kriteria-baru-kelompok-usia/http:/www.erabaru.net/2017/03/15/who-mengeluarkan-kriteria-baru-kelompok-usia/



https://data.world/

https://www.bportugal.pt/en

90

Retrieval, reuse, revision and retention in case-based reasoning, The

Knowledge Engineering Review, Vol. 20:3. 215-240, Cambridge University

Press, United Kingdom.

Melly, A.M., 2017, Penerapan Metode Enhanced Class Outlier Distance Based

Untuk Identifikasi Outlier Pada Data Hasil Ujian Nasional, Indeks Integritas

Dan Akreditasi Sekolah Menengah Atas.

Mulyana, S. dan Hartati, S. (2009), Tinjauan Singkat Perkembangan Case–Based

Reasoning. Jurnal Seminas IF. ISSN: 1979-2328.

Prabowo, D.R.A., 2012, Prediksi Nasabah Yang Berpotensi Membuka Simpanan

Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization.

Rahmansyah,A, “Getting Started: Weka. Application, Information Technology”,

2014.

Rizki, Muhammad., 2014, Implementasi Data Mining Untuk Memprediksi Data

Nasabah Bank Dalam Penawaran Deposito Berjangka Dengan

Menggunakan Algoritma Klasifikasi Naive Bayes.

R. Kohavi, "A study of Cross-Validation and Bootstrap for Accuracy Estimation

and Model Selection", 1995.

[Online].Available:http://frostiebek.free.fr/docs/Machine%20Learning/validat

ion-1.pdf. [Accessed 21 April 2018].

S. K. Pal dan S. C. K. Shiu, Foundations of Soft Case–Based Reasoning, John

Wiley & Sons, Inc., Hoboken, 2004, ISBN 0471086355.

S. Montani dan L. C. Jain, Successful Case–Based Reasoning Application – 1,

Springer–Verlag, Berlin, 2010, ISBN 9783642140778

S. Moro and R. M. S. Laureano, “Using Data Mining for Bank Direct Marketing:

An Aplication of The CRISP–DM Methodology.” Instituto Universitario de

Lisboa, 2011.

S. Mujab, “PENCARIAN MODEL TERBAIK ANTARA ALGORITMA C4.5

DAN C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION UNTUK

PREDIKI PROMOSI DEPOSITO.” Universitas Dian Nuswantoro Skripsi

Teknik Informatika, 2013.


91

Turban, E, 2005, Decision Support Systems and Intelligent Systems Edisi Bahasa

Indonesia Jilid 1. Andi: Yogyakarta.

Utami dan Asnawati. (2015). Rekayasa Perangkat Lunak. Yogyakarta :

Deepublish.


92

LAMPIRAN


93

LAMPIRAN 1 : Narasi Use Case

1. Narasi Use Case Pilih File

Use-Case Name : Pilih File

Use-Case ID : YGS–01

Priority : High

Primary Business Actor : User

Description :

Use case ini mendeskripsikan tentang bagaimana user dalam

melakukan proses memilih file berekstensi .xls yang akan

digunakan dalam melakukan proses mengidentifikasi case–

based reasoning.

Precondition : User telah masuk pada sistem dan berada pada halaman

preprocessing.

Typical Course of Events

:

Actor Action System Response

Step 1 : User menekan

tombol “Pilih File” untuk

memasukkan file

berekstensi .xls untuk

digunakan dalam proses

mengidentifikasi case–

based reasoning.

Step 2 : Sistem akan

menampilkan pesan dialog yang

digunakan untuk memilih file

yang berada pada direktori

komputer.

Step 3 : User memilih file

yang akan digunakan

dalam proses identifikasi


94

case–based reasoning

yang ada pada direktori

komputer.


menampikan data pada tabel di

halaman preprocessing.

Alternate courses :

Step 1 :

- Jika user memasukkan file selain file berekstensi .xls atau

bukan merupakan file Ms.Excel maka sistem akan

menampilkan pesan dialog berupa peringatan bahwa file

yang dimasukkan tidak sesuai atau bukan bertipe

Ms.Excel.

Postcondition : Menampilkan data dalam tabel pada halaman preprocessing.

2. Narasi Use Case Identifikasi Case–Based Reasoning.

Use-Case Name : Identifikasi case–based reasoning.


Priority : High


Description :


melakukan proses mengidentifikasi case–based reasoning

menggunakan algoritma nearest neighbor.

Precondition :

User telah memasukkan data atau file berekstensi .xls dan

menampilkan data tersebut dalam tabel pada halaman

preprocessing.


:



tombol “Identifikasi CBR”


95

pada halaman

preprocessing.


menjalankan algoritma nearest

neighbor.


menampilkan hasil dari

identifikasi case–based

reasoning pada halaman hasil

identifikasi.

Alternate courses : -

Postcondition : Menampilkan hasil identifikasi case–based reasoning dalam

tabel pada halaman hasil.

3. Narasi Use Case Simpan Hasil Identifikasi Case–Based Reasoning

Use-Case Name : Menyimpan Hasil Identifikasi case–based reasoning


Priority : Medium


Description :


melakukan proses menyimpan hasil identifikasi case–based

reasoning dalam bentuk file berekstensi .xls.

Precondition :

Sistem telah menampilkan hasil identifikasi case–based

reasoning pada tabel pada halaman hasil.


:



tombol “Simpan Hasil


96

Identifikasi CBR” pada

halaman hasil

Step 2 : Sistem menampilkan

kotak dialog untuk melakukan

penyimpanan.

Step 3 : User memilih

lokasi penyimpanan di

direktori komputer.


menyimpan hasil identifikasi

case–based reasoning berupa

file dengan ekstensi .xls pada

direktori komputer yang telah

dipilih.

Alternate courses : -

Postcondition :

Menyimpan hasil identifikasi case–based reasoning berupa

file dengan ekstensi .xls pada direktori komputer yang telah

dipilih.


97

LAMPIRAN 2 : Diagram Aktivitas

1. Diagram Aktivitas Pilih File


98

2. Diagram Aktivitas Identifikasi Case–Based Reasoning


99

3. Simpan Hasil Identifikasi Case–Based Reasoning


100

LAMPIRAN 3 : Diagram Sekuen

1. Diagram Sekuen Pilih File


101

2. Diagram Sekuen Identifikasi Case–Based Reasoning


102

3. Diagram Sekuen Simpan Hasil Identifikasi Case–Based Reasoning


103

LAMPIRAN 4 : Algoritma Per–Method

Tabel 4.3 Rincian Algoritma per–Method Kelas HomeControl.java

NAMA METHOD FUNGSI METHOD

ALGORITMA

METHOD

showBeranda()

Method ini digunakan

untuk menampilkan

halaman awal atau

halaman utama

1. Memanggil method

showMain() dari

method getFrame().

showBantuan()


untuk menampilkan

halaman bantuan.

1. Memanggil method

clearDesktop() dari

method getFrame().

2. Dengan memanggil

objek JPanel dengan

nama bantuanPanel.

showTentang()


untuk menampilkan

halaman tentang.

1. Memanggil method

clearDesktop() dari

method getFrame().

2. Dengan memanggil

objek JPanel dengan

nama tentangPanel.


104

Tabel 4.4 Rincian Algoritma per–Method Kelas PreprocessControl.java

NAMA METHOD FUNGSI METHOD ALGORITMA METHOD

proses(final

List<DataSet>

dataSetLama, final

List<DataSet>

dataSetBaru)


untuk memanggil

method proses pada

objek cbr dengan data

yang ditampung dari

ArrayList<DataSet>.

1. Mengembalikan nilai

proses yang berisi

dataSetLama dan

dataSetBaru pada

objek cbr.

showItSelf()


untuk menampilkan

mainPanel.

1. Memanggil method

clearDesktop() dari

method getFrame().

2. Dengan memanggil

objek JPanel dengan

nama tentangPanel.

saveConclusion(Hasil

result, String fileLocation)


untuk menyimpan hasil

detail dari identifikasi

case – based reasoning

ke direktori komputer

dalam bentuk file

berekstensi .xls.

1. Mendeklarasikan

fungsi try catch.

2. Didalam fungsi try

dideklarasikan fungsi

untuk membuat cell

ataupun tabel yang

akan muncul pada saat

file disimpan.

3. Dan terdapat

perulangan for, yang

berisi nilai untuk

mengembalikan nilai

atribut–atribut yang

ada pada data.

saveResult(Hasil result, Method ini digunakan 1. Mendeklarasikan


105

String fileLocation) untuk menyimpan hasil

detail dari identifikasi

case – based reasoning

ke direktori komputer

dalam bentuk file

berekstensi .xls.

fungsi try catch.

2. Didalam fungsi try

dideklarasikan fungsi

untuk membuat cell

ataupun tabel yang

akan muncul pada saat

file disimpan.

3. Dan terdapat


berisi nilai untuk

mengembalikan nilai

atribut–atribut yang

ada pada data.

createRow(Sheet sheet, int

rowNum)


untuk membuat baris

baru didalam sheet.

1. Mendeklarasikan

objek Row dengan

nama rows.

2. Jika row sama dengan

null, maka baris akan

ditambahkan pada

sheet.

3. Kemudian

mengembalikan nilai

dari row.

createTable(DataSet

dataSet, HasilDetail

resultDetail, Sheet sheet,

int rowNum, int colNum,

CellStyle headerCellStyle,

CellStyle borderStyle,

CellStyle titleStyle)


untuk membuat tabel

pada file hasil yang

akan disimpan.

1. Membuat objek header

yang akan digunakan

sebagai row pada

Ms.Excel.

2. Membuat objek cell

yang akan digunakan

sebagai cell pada


106

Ms.Excel.

3. Mendeklarasikan

fungsi if, yaitu jika

nilai tidak sama

dengan null, maka

akan memanggil

method setCellStyle

untuk membuat tabel

pada Ms.Excel.

4. Kemudian

mendeklarasikan

fungsi perulangan for,

untuk menampung

nilai untuk setiap nilai.

5. Selanjutnya adalah

memanggil method

setCellValue, untuk

membuat “JUMLAH”

yang akan digunakan

untuk nilai jumlah

similarity pada

Ms.Excel.

6. Selanjutnya adalah

memanggil method

setCellValue, untuk

membuat

“KEDEKATAN” yang

akan digunakan untuk

nilai kedekatan atribut

pada Ms.Excel.

cellDeveloper(DataSet Method ini digunakan 1. Mendeklarasikan


107

dataSet, HasilDetail

resultDetail, int row, int

col)

untuk menampung nilai

untuk setiap cell.

percabangan switch

case, dengan switch

menggunakan col.

2. Ketika kondisi col

sama dengan 0, maka

akan memangil nilai

array row.


sama dengan 1, maka

akan melakukan

return getAtribut yang

berisi nilai dataSet dan

row.


sama dengan 2, maka

akan melakukan

return getAtribut yang

memanggil method

getDataLama() pada

resultDetail.


sama dengan 3, maka

akan melakukan

return yang berisi nilai

resultDetail.


sama dengan 4, maka

akan melakukan

return getBobot yang

berisi nilai row.



108

sama dengan 5, maka

akan melakukan

return getSimilarity

yang berisi nilai

resultDetail.

getSimilarity(HasilDetail

rd, int index)


untuk memanggil nilai

dari similarity untuk

setiap atribut.

1. Membuat atribut rd

bertipe kelas

HasilDetail dan index

bertipe Integer.

2. Kemudian masuk ke

dalam percabangan

switch case, dengan

switch menggunakan

index.

3. Ketika kondisi index

sama dengan 0, maka

akan memanggil

method getSimilarity()

dari objek rd untuk

mendapatkan nilai

age.


sama dengan 1, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai job.


sama dengan 2, maka

akan memanggil



109

dari objek rd untuk

mendapatkan nilai

balance.


sama dengan 3, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

housing.


sama dengan 4, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

loan.


sama dengan 5, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

contact.


sama dengan 6, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

month.


110


sama dengan 7, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

duration.


sama dengan 8, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

pDays.


sama dengan 9, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

previous.


sama dengan 10, maka

akan memanggil


dari objek rd untuk

mendapatkan nilai

poutcome.

getKedekatan(HasilDetail

rd, int index)



dari kedekatan untuk

1. Membuat atribut rd

bertipe kelas

HasilDetail dan index


111

setiap atribut. bertipe Integer.


dalam percabangan

switch case, dengan

switch menggunakan

index.


sama dengan 0, maka

akan memanggil

method

getKedekatan_attribut(

) dari objek rd untuk

mendapatkan nilai

age.


sama dengan 1, maka

akan memanggil

method





sama dengan 2, maka

akan memanggil

method



mendapatkan nilai

balance.


sama dengan 3, maka


112

akan memanggil

method



mendapatkan nilai

housing.


sama dengan 4, maka

akan memanggil

method



mendapatkan nilai

loan.


sama dengan 5, maka

akan memanggil

method



mendapatkan nilai

contact.


sama dengan 6, maka

akan memanggil

method



mendapatkan nilai

month.



113

sama dengan 7, maka

akan memanggil

method



mendapatkan nilai

duration.


sama dengan 8, maka

akan memanggil

method



mendapatkan nilai

pDays.


sama dengan 9, maka

akan memanggil

method



mendapatkan nilai

previous.



akan memanggil

method



mendapatkan nilai

poutcome.


114

getBobot(int index)



bobot untuk setiap

atribut.

1. Membuat atribut index

bertipe Integer.


dalam percabangan

switch case, dengan

switch menggunakan

index.


sama dengan 0, maka

akan memanggil nilai

BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

age.


sama dengan 1, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk



sama dengan 2, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

balance.



115

sama dengan 3, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

housing.


sama dengan 4, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

loan.


sama dengan 5, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

contact.


sama dengan 6, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

month.


116


sama dengan 7, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

duration.


sama dengan 8, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

pDays.


sama dengan 9, maka


BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai

previous.




BOBOT_ATTRIBUT

ES() dari kelas

Interval untuk

mendapatkan nilai


117

poutcome.

getAttribute(DataSet

dataSet, int index)

1. Membuat atribut

dataSet bertipe kelas

DataSet dan index

bertipe Integer.


dalam percabangan

switch case, dengan

switch menggunakan

index.


sama dengan 0, maka

akan memanggil

method getAge() dari

objek dataSet.


sama dengan 1, maka

akan memanggil

method getJob() dari

objek dataSet.


sama dengan 2, maka

akan memanggil

method getBalance()

dari objek dataSet.


sama dengan 3, maka

akan memanggil

method getHousing()

dari objek dataSet.



118

sama dengan 4, maka

akan memanggil

method getLoan() dari

objek dataSet.


sama dengan 5, maka

akan memanggil

method getContact()

dari objek dataSet.


sama dengan 6, maka

akan memanggil

method getMonth()

dari objek dataSet.


sama dengan 7, maka

akan memanggil

method getDuration()

dari objek dataSet.


sama dengan 8, maka

akan memanggil

method getpDays()

dari objek dataSet.


sama dengan 9, maka

akan memanggil

method getPrevious()

dari objek dataSet.




119

akan memanggil

method

getPoutCome() dari

objek dataSet.

openXLS(File file,

DataSet.KIND kind)


untuk membaca file

excel yang dimasukkan

ke dalam sistem,

kemudian menyimpan

isi dari file .xls ke

dalam ArrayList bertipe

DataSet.

1. Membuat ArrayList

bertipe DataSet

dengan nama dataSets.

2. Membuat objek wb

bertipe Workbook

kemudian memanggil

method getSheetAt

dan isi parameter

dengan file .xls yang

akan diolah yaitu

menggunakan atribut

file.

3. Membuat objek sheet

bertipe Sheet yaitu

untuk menentukan

sheet yang akan diolah

pada file .xls.

4. Kemudian untuk

setiap baris objek

sheet simpan isi pada

setiap barisnya ke

dalam ArrayList.

5. Kemudian

mengembalikan

ArrayList data.

6. Jika data file yang

dimasukan tidak


120

sesuai atau bukan .xls

maka akan muncul

pesan “Format Data

Salah! Proses

dibatalkan!”

verifyData(List<String>

data, DataSet.KIND kind)


untuk melakukan

verifikasi file untuk

kasus yang akan

dimasukkan pada saat

preprocessing.

1. Membuat columns

bertipe array.

2. Mendeklarasikan

perulangan for yang

mendeklarasikan

atribut w bertipe

integer.

3. Didalamnya berisi

pendeklarasian if,

yaitu jika w lebih

besar sama dengan

panjang column, maka

akan melakukan

return false.

4. Dan jika data file yang

dimasukan bernilai

array w + 1, maka

akan melakukan

return false.


121

Tabel 4.5 Rincian Algoritma per–Method Kelas Hasil.java

NAMA METHOD FUNGSI

METHOD ALGORITMA METHOD

getResultSets()

Method ini

digunakan untuk

menampung nilai

dari kelas HasilSet.


dari resultSets .

Tabel 4.6 Rincian Algoritma per–Method Kelas HasilDetail.java

NAMA METHOD FUNGSI

METHOD

ALGORITMA

METHOD

getSimilarity()

Method ini

digunakan untuk

memanggil nilai dari

similarity dari kelas

NilaiAtribut.

1. Mengembalikan

nilai dari similarity

.

getKedekatan_attribut()

Method ini

digunakan untuk

memanggil nilai dari

kedekatan_attribut

dari kelas

NilaiAtribut.

1. Mengembalikan

nilai dari

kedekatan_attribut

.

jumlahSimilarity()

Method ini

digunakan untuk

menghitung

similarity.

1. Mendeklarasikan

atribut sum dengan

nilai sama dengan

0.

2. Dengan

perhitungan sum

sama dengan


122

memanggil nilai

similarity yang

didapat dari

masing–masing

atribut yang sudah

didapat.

3. Kemudian

mengembalian nilai

sum

kedekatan()

Method ini

digunakan untuk

menghitung nilai

kedekatan.

1. Mengembalikan

sekaligus

menghitung nilai

dari kedekatan

dengan memanggil

method

jumlahSimilarity()

dibagi dengan

JUMLAH_BOBOT

yang dipanggil dari

kelas Interval.

Tabel 4.7 Rincian Algoritma per–Method Kelas HasilSet.java

NAMA METHOD FUNGSI

METHOD

ALGORITMA

METHOD

getBest()

Method ini

digunakan untuk

mendapatkan nilai

similarity yang

paling tinggi untuk

1. Mendeklarasikan

fungsi if, yang

didalamnya

melakukan

perulangan for dimana


123

kasus lama dan

kasus baru.

jika nilai objek w

sama dengan 0 maka

akan memanggil

method kedekatan() di

method get(w) yang

mana akan

menampilkan nilai

tertinggi yang

didapatkan dengan

memanggil

resultDetail.

2. Dan mengembalikan

nilai dari resultDetail.

getResultDetails() {

Method ini

digunakan untuk

menampung nilai

dari kelas ArrayList

HasilDetail.


dari resultDetail.

Tabel 4.8 Rincian Algoritma per–Method Kelas Interval.java

NAMA METHOD FUNGSI

METHOD

ALGORITMA

METHOD

BOBOT_AGE(double param)

Method ini

digunakan untuk

merepresentasikan

nilai bobot dari

atribut age.

1. Mendeklarasikan

atribut param

yang bertipe

double.

2. Jika param lebih

besar sama

dengan 0 dan


124

param kurang

dari sama dengan

17, maka akan

mengembalikan

nilai bobot yaitu

0.

3. Jika param lebih

besar sama

dengan 18 dan

param kurang

dari sama dengan

65, maka akan

mengembalikan

nilai bobot yaitu

0,25.

4. Jika param lebih

besar sama

dengan 66 dan

param kurang

dari sama dengan

79, maka akan

mengembalikan

nilai bobot yaitu

0,5.

5. Jika param lebih

besar sama

dengan 80 dan

param kurang

dari sama dengan

99, maka akan

mengembalikan


125

nilai bobot yaitu

0,75

BOBOT_BALANCE(double

param)

Method ini

digunakan untuk

merepresentasikan

nilai bobot atribut

balance.

1. Mendeklarasikan

atribut param

yang bertipe

double.

2. Jika param lebih

besar sama

dengan

-3333 dan param

kurang dari sama

dengan 2390,525,

maka akan

mengembalikan

nilai bobot yaitu

0.

3. Jika param lebih

besar sama

dengan 2391,525

dan param

kurang dari sama

dengan 8095,049,

maka akan

mengembalikan

nilai bobot yaitu

0,8.

4. Jika param lebih

besar sama

dengan 8096,049

dan param

kurang dari sama


126

dengan 13799,57,

maka akan

mengembalikan

nilai bobot yaitu

0,15.

5. Jika param lebih

besar sama

dengan 13800,57

dan param

kurang dari sama

dengan 19504,1,

maka akan

mengembalikan

nilai bobot yaitu

0,23.

6. Jika param lebih

besar sama

dengan 19505,1

dan param

kurang dari sama

dengan 25208,62,

maka akan

mengembalikan

nilai bobot yaitu

0,31.

7. Jika param lebih

besar sama

dengan 25209,62

dan param

kurang dari sama

dengan 30913,15,


127

maka akan

mengembalikan

nilai bobot yaitu

0,38.

8. Jika param lebih

besar sama

dengan 30914,15

dan param

kurang dari sama

dengan 36617,67,

maka akan

mengembalikan

nilai bobot yaitu

0,46.

9. Jika param lebih

besar sama

dengan 36618,67

dan param

kurang dari sama

dengan 42322,2,

maka akan

mengembalikan

nilai bobot yaitu

0,54.

10. Jika param lebih

besar sama

dengan 42323,2

dan param

kurang dari sama

dengan 48026,72,

maka akan


128

mengembalikan

nilai bobot yaitu

0,62.


besar sama

dengan 48027,72

dan param

kurang dari sama

dengan 53731,25,

maka akan

mengembalikan

nilai bobot yaitu

0,69.


besar sama

dengan 53732,25

dan param

kurang dari sama

dengan 59435,77,

maka akan

mengembalikan

nilai bobot yaitu

0,77.


besar sama

dengan 59436,77

dan param

kurang dari sama

dengan 65140,29,

maka akan

mengembalikan


129

nilai bobot yaitu

0,85.


besar sama

dengan 65141,29

dan param

kurang dari sama

dengan 70844,82,

maka akan

mengembalikan

nilai bobot yaitu

0,92.


besar sama

dengan 70845,82

dan param

kurang dari sama

dengan 76549,34,

maka akan

mengembalikan

nilai bobot yaitu

1.

BOBOT_DURATION(double

param)

Method ini

digunakan untuk

merepresentasikan

nilai bobot atribut

duration.

1. Mendeklarasikan

atribut param

yang bertipe

double.

2. Jika param lebih

besar sama

dengan

4 dan param

kurang dari sama


130

dengan 467,5535,

maka akan

mengembalikan

nilai bobot yaitu

0,08.

3. Jika param lebih

besar sama

dengan 468,5535

dan param

kurang dari sama

dengan 699,8302,

maka akan

mengembalikan

nilai bobot yaitu

0,17.

4. Jika param lebih

besar sama

dengan 700,8302

dan param

kurang dari sama

dengan 932,1069,

maka akan

mengembalikan

nilai bobot yaitu

0,25.

5. Jika param lebih

besar sama

dengan 933,1069

dan param

kurang dari sama

dengan 1164,384,


131

maka akan

mengembalikan

nilai bobot yaitu

0,33.

6. Jika param lebih

besar sama

dengan 1165,384

dan param

kurang dari sama

dengan 1396,66,

maka akan

mengembalikan

nilai bobot yaitu

0,42.

7. Jika param lebih

besar sama

dengan 1397,66

dan param

kurang dari sama

dengan 1628,937,

maka akan

mengembalikan

nilai bobot yaitu

0,5.

8. Jika param lebih

besar sama

dengan 1629,937

dan param

kurang dari sama

dengan 1861,214,

maka akan


132

mengembalikan

nilai bobot yaitu

0,58.

9. Jika param lebih

besar sama

dengan 1862,214

dan param

kurang dari sama

dengan 2093,491,

maka akan

mengembalikan

nilai bobot yaitu

0,67.


besar sama

dengan 2094,491

dan param

kurang dari sama

dengan 2325,767,

maka akan

mengembalikan

nilai bobot yaitu

0,75.


besar sama

dengan 2326,767

dan param

kurang dari sama

dengan 2558,044,

maka akan

mengembalikan


133

nilai bobot yaitu

0,83.


besar sama

dengan 2559,044

dan param

kurang dari sama

dengan 2790,321,

maka akan

mengembalikan

nilai bobot yaitu

0,92.


besar sama

dengan 2791,321

dan param

kurang dari sama

dengan 3022,598,

maka akan

mengembalikan

nilai bobot yaitu

1.

BOBOT_PDAYS(double

param)

Method ini

digunakan untuk

merepresentasikan

nilai bobot atribut

duration.

1. Mendeklarasikan

atribut param

yang bertipe

double.

2. Jika param lebih

besar sama

dengan

-1 dan param

kurang dari sama


134

dengan 65,75714,

maka akan

mengembalikan

nilai bobot yaitu

0.

3. Jika param lebih

besar sama

dengan 66,75714

dan param

kurang dari sama

dengan 133,5143,

maka akan

mengembalikan

nilai bobot yaitu

0,08.

4. Jika param lebih

besar sama

dengan 134,5143

dan param

kurang dari sama

dengan 201,2714,

maka akan

mengembalikan

nilai bobot yaitu

0,17.

5. Jika param lebih

besar sama

dengan 202,2714

dan param

kurang dari sama

dengan 269,0285,


135

maka akan

mengembalikan

nilai bobot yaitu

0,25.

6. Jika param lebih

besar sama

dengan 270,0285

dan param

kurang dari sama

dengan 336,7857,

maka akan

mengembalikan

nilai bobot yaitu

0,33.

7. Jika param lebih

besar sama

dengan 337,7857

dan param

kurang dari sama

dengan 404,5428,

maka akan

mengembalikan

nilai bobot yaitu

0,42.

8. Jika param lebih

besar sama

dengan 405,5428

dan param

kurang dari sama

dengan 472,3,

maka akan


136

mengembalikan

nilai bobot yaitu

0,5.

9. Jika param lebih

besar sama

dengan 473,3 dan

param kurang

dari sama dengan

540,0571, maka

akan

mengembalikan

nilai bobot yaitu

0,58.


besar sama

dengan 541,0571

dan param

kurang dari sama

dengan 607,8142,

maka akan

mengembalikan

nilai bobot yaitu

0,67.


besar sama

dengan 608,8142

dan param

kurang dari sama

dengan 675,5714,

maka akan

mengembalikan


137

nilai bobot yaitu

0,75.


besar sama

dengan 676,5714

dan param

kurang dari sama

dengan 743,3285,

maka akan

mengembalikan

nilai bobot yaitu

0,83.


besar sama

dengan 744,3285

dan param

kurang dari sama

dengan 811,0856,

maka akan

mengembalikan

nilai bobot yaitu

0,92.


besar sama

dengan 812,0856

dan param

kurang dari sama

dengan 878,8428,

maka akan

mengembalikan

nilai bobot yaitu


138

1.

BOBOT_PREVIOUS(double

param)

Method ini

digunakan untuk

merepresentasikan

nilai bobot atribut

previous.

1. Mendeklarasikan

atribut param

yang bertipe

double.

2. Jika param lebih

besar sama

dengan

0 dan param

kurang dari sama

dengan 1,913909,

maka akan

mengembalikan

nilai bobot yaitu

0.

3. Jika param lebih

besar sama

dengan

2,913909 dan

param kurang

dari sama dengan

4,827817, maka

akan

mengembalikan

nilai bobot yaitu

0,13.

4. Jika param lebih

besar sama

dengan

5,827817 dan

param kurang


139

dari sama dengan

7,741726, maka

akan

mengembalikan

nilai bobot yaitu

0,25.

5. Jika param lebih

besar sama

dengan

8,741726 dan

param kurang

dari sama dengan

10,65563, maka

akan

mengembalikan

nilai bobot yaitu

0,38.

6. Jika param lebih

besar sama

dengan

11,65563 dan

param kurang

dari sama dengan

13,56954, maka

akan

mengembalikan

nilai bobot yaitu

0,5.

7. Jika param lebih

besar sama

dengan


140

14.56954 dan

param kurang

dari sama dengan

16.48345, maka

akan

mengembalikan

nilai bobot yaitu

0,63.

8. Jika param lebih

besar sama

dengan

17,48345 dan

param kurang

dari sama dengan

19,39736, maka

akan

mengembalikan

nilai bobot yaitu

0,75.

9. Jika param lebih

besar sama

dengan

20,39736 dan

param kurang

dari sama dengan

22,31127, maka

akan

mengembalikan

nilai bobot yaitu

0,88.



141

besar sama

dengan

23,31127 dan

param kurang

dari sama dengan

25,22518, maka

akan

mengembalikan

nilai bobot yaitu

1.

Tabel 4.9 Rincian Algoritma per–Method Kelas XLSFilter.java

NAMA METHOD FUNGSI


accept(File f)

Method ini

digunakan untuk

membuat agar

supaya file yang

dimasukan hanya

dapat file bertipe

.xls.

1. Mendeklarasikan

atribut f yang bertipe

kelas File.

2. Jika nama file yang

dimasukan berekstensi

.xls maka akan

mengembalikan nilai

true.


142

Tabel 4.10 Rincian Algoritma per–Method Kelas CBR.java

NAMA METHOD FUNGSI

METHOD

ALGORITMA

METHOD

proses(final

List<DataSet>

dataSetLama, final

List<DataSet>

dataSetBaru)

Method ini

digunakan pada

saat melakukan

proses

preprocessing

data.

1. Mendeklarasikan

DataSet yang berupa

arrayList.

2. Membuat objek result

dengan parameter

dataSetLama dan

dataSetBaru yang

diambil dari kelas

Hasil.

3. Mendeklarasikan


membuat objek w

bertipe integer.

4. Didalamnya

melakukan

mendeklarasikan

fungsi try catch.

5. Didalamnya terdapat


yang mana jika

variabel e bernilai

sama dengan 0 dan

bernilai kurang dari

dataSetLama.size()

maka akan

meamanggil

menghitung

kedekatan dengan


143

memanggil method

hitungKedekatan()

dengan mendapatkan

nilai interval dulu

untuk setiap atribut.

6. Lalu menghitung

similarity dengan

memanggil method

hitungSimilarity()

untuk masing masing

atribut.

7. Dan akan memanggil

method add yang

berisi resultDetail dari

getResultDetail() pada

kelas resultSet().

hitungKedekatan(double

x, double y)

Method ini

digunakan untuk

menghitung nilai

kedekatan.

1. Mengembalikan

sekaligus menghitung

nilai dari kedekatan

dengan memanggil

method to pada kelas

Round dengan

perhitungan

kedekatan

didalamnya.

hitungSimiliarity(double

s, double w)

Method ini

digunakan untuk

menghitung

similarity.

1. Mengembalikan

sekaligus menghitung

nilai dari similarity

dengan memanggil

method to pada kelas


144

Round dengan

perhitungan similarity

didalamnya.

hitungSimiliarity(double[]

s, double[] w)

Method ini

digunakan untuk

menghitung

similarity

1. Mendeklarasikan

variabel s dan w yang

bertipe array double.

2. Jika panjang s tidak

sama dengan w maka

akan mengembalikan

nilai 0.

3. Lalu mendeklarasikan


yang berisi rumus

untuk menghitung

similarity yaitu

mengalikan s dengan

w yang berisi array[i].

Tabel 4.11 Rincian Algoritma per–Method Kelas HalamanHome.java

NAMA METHOD FUNGSI


view() Method ini

digunakan untuk

memanggil method

openTarget() untuk

menampilkan

halaman home atau

halaman awal

beserta gambar.

1. Mendeklarasikan

fungsi if, yaitu jika file

yang dimasukkan ada

dan merupakan target

maka akan memanggil

method openTarget

yang berisi gambar

logo pada halaman


145

home atau halaman

awal.

openTarget(File

reference, int width,

int heigh)

Method ini

digunakan untuk

memanggil gambar

atau icon logo yang

ada pada halaman

awal.

1. Mendeklarasikan

fungsi try catch

2. Gambar akan

dipanggil dengan

objek targetImg pada

Bufferedmage.

Tabel 4.12 Rincian Algoritma per–Method Kelas HalamanPreprocess.java

NAMA METHOD FUNGSI

METHOD

ALGORITMA

METHOD

prosesData()

Method ini

digunakan pada

saat tombol

Identifikasi CBR.

1. Mendeklarasikan

fungsi if, jika gambar

atau icon tidak sama

dengan null, maka

akan menampilkan

pesan dialog

“Silahkan tunggu..

Sistem sedang

memproses data.”

Dan akan memanggil

method

initTableResult() dan

method

initTableConclusion(

) dan membuat

method setVisible

bernilai true.

saveResult(File dir) Method ini 1. Mendeklarasikan


146

digunakan pada

saat tombol

Simpan Hasil

Identifikasi CBR

pada halaman

hasil dijalankan.

path untuk

memanggil method

getAbsolutePath()

yang digunakan

untuk meletakkan

file yang akan

disimpan pada

direktori komputer.

2. Kemudian

menjalankan

JoptinePane untuk

menampilkan pesan

dialog “Silahkan

tunggu.. Sistem

sedang memproses

data.”

3. Lalu menjalankan

method setVisible()

yang bernilai true.

saveConclusion(File dir)

Method ini

digunakan pada

saat tombol

Simpan Hasil

Identifikasi CBR

pada halaman

hasil detail

dijalankan.

1. Mendeklarasikan

path untuk

memanggil method

getAbsolutePath()

yang digunakan

untuk meletakkan

file yang akan

disimpan pada

direktori komputer.

2. Kemudian

menjalankan

JoptinePane untuk


147

menampilkan pesan

dialog “Silahkan

tunggu.. Sistem

sedang memproses

data.”

3. Lalu menjalankan

method setVisible()

yang bernilai true.

initTableResult()

Method ini

digunakan untuk

membuat tab

Hasil pada saat

preprocessing

selesai.

1. Mendeklarasikan

method method yang

sudah ada pada Java

untuk memanggil

panelResult yang

sudah dibuat.

2. Ketika tab Hasil

muncul, maka

tombol “Simpan

Hasil Identifikasi

CBR” akan muncul.


fungsi if, yang akan

dijalankan pada saat

user melakukan klik

tombol Simpan Hasil

Identifikasi CBR,

yaitu jika hasil tidak

sama dengan null,

maka akan

menjalankan

saveResult untuk

meletakkan file ke


148

direktori komputer.

initTableConclusion()

Method ini

digunakan untuk

membuat tab

Hasil Detail pada

saat

preprocessing

selesai.

1. Mendeklarasikan

method method yang

sudah ada pada Java

untuk memanggil

panelConclusion

yang sudah dibuat.

2. Ketika tab Hasil

Detail muncul, maka

tombol “Simpan

Hasil Identifikasi

CBR” akan muncul.


fungsi if, yang akan

dijalankan pada saat

user melakukan klik

tombol Simpan Hasil

Identifikasi CBR,

yaitu jika hasil tidak

sama dengan null,

maka akan

menjalankan

saveResult untuk

meletakkan file ke

direktori komputer.

initTableDataSetLama()

Method ini

digunakan untuk

membuat tab Data

Set Lama pada

saat

1. Mendeklarasikan

method method yang

sudah ada pada Java

untuk memanggil

tabPane yang sudah


149

preprocessing

selesai.

dibuat.

2. Memanggil

setModel pada

TabelDataSet_Adapt

er pada objek

tableDataSetLama

untuk membuat tabel

pada tab Data Set

Lama.

initTableDataSetBaru()

Method ini

digunakan untuk

membuat tab Data

Set Baru pada saat

preprocessing

selesai.

1. Mendeklarasikan

method method yang

sudah ada pada Java

untuk memanggil

tabPane yang sudah

dibuat.

2. Memanggil

setModel pada

TabelDataSet_Adapt

er pada objek

tableDataSetBaru

untuk membuat tabel

pada tab Data Set

Baru.


150


TabelDataset_Adapter.java

NAMA METHOD FUNGSI METHOD ALGORITMA

METHOD

getColumnClass(int

columnIndex)

Method ini

digunakan untuk

menampilkan value

pada kolom tanpa

mendeklarasikan di

setiap baris kolom.

1. Mengembalikan

nilai class pada

kolom.

getColumnName(int

column)

Method ini

digunakan untuk

mendapatkan label

kolom dari tabel.

1. Mengembalikan

nilai dari atribut

column yang

merupakan

ArrayList

COLUMNS.

getRowCount()

Method ini

digunakan untuk

mendapatkan jumlah

baris dari sebuah

tabel.

1. Mengembalikan

jumlah baris yaitu

dari jumlah

ArrayList dataSet.

getColumnCount()

Method ini

digunakan untuk

mendapatkan jumlah

kolom dari tabel.

1. Mengembalikan

jumlah kolom.

getValueAt(final int

rowIndex, final int

columnIndex)

Method ini

digunakan untuk

mendapatkan value

pada baris dan kolom

1. Membuat objek

bertipe DataSet

dengan nama

dataSets.


151

tertentu. 2. Objek dataSets

sama dengan

ArrayList data index

ke rowIndex.


dalam percabangan

switch case, dengan

switch

menggunakan

columnIndex.

4. Ketika kondisi

columnIndex sama

dengan 0, maka

akan

mengembalikan

method getName()

dari objek dataSets.

5. Ketika kondisi

columnIndex sama

dengan 1, maka

akan

mengembalikan

method getAge()


6. Ketika kondisi

columnIndex sama

dengan 2, maka

akan

mengembalikan

method getJob()



152

7. Ketika kondisi

columnIndex sama

dengan 3, maka

akan

mengembalikan

method

getBalance() dari

objek dataSets.

8. Ketika kondisi

columnIndex sama

dengan 4, maka

akan

mengembalikan

method

getHousing() dari

objek dataSets.

9. Ketika kondisi

columnIndex sama

dengan 5, maka

akan

mengembalikan

method getLoan()


10. Ketika kondisi

columnIndex sama

dengan 6, maka

akan

mengembalikan

method getContact()


11. Ketika kondisi


153

columnIndex sama

dengan 7, maka

akan

mengembalikan

method getMonth()


12. Ketika kondisi

columnIndex sama

dengan 8, maka

akan

mengembalikan

method

getDuration() dari

objek dataSets.

13. Ketika kondisi

columnIndex sama

dengan 9, maka

akan

mengembalikan

method getpDays()


14. Ketika kondisi

columnIndex sama

dengan 10, maka

akan

mengembalikan

method

getPrevious() dari

objek dataSets.

15. Ketika kondisi

columnIndex sama


154

dengan 11, maka

akan

mengembalikan

method

getPoutCome() dari

objek dataSets.

16. Ketika kondisi

columnIndex sama

dengan 12, maka

akan

mengembalikan

method getYN()


isCellEditable(int

rowIndex, int

columnIndex)

Method ini

digunakan untuk

melakukan

pengecekan apakah

sel pada baris dan

kolom tersebut dapat

diubah langung

melalui jTabel.

1. Mengembalikan

nilai return false,

dimana berisi nilai

boolean.


155


TabelHasilDetail_Adapter.java


METHOD

getColumnClass(int

columnIndex)

Method ini

digunakan untuk

menampilkan value

pada kolom tanpa

mendeklarasikan di

setiap baris kolom.

1. Mengembalikan

nilai class pada

kolom.

getColumnName(int

column)

Method ini

digunakan untuk

mendapatkan label

kolom dari tabel.

1. Mengembalikan

nilai dari atribut

column yang

merupakan

ArrayList

COLUMNS.

getRowCount()

Method ini

digunakan untuk

mendapatkan jumlah

baris dari sebuah

tabel.

1. Mengembalikan

jumlah baris yaitu

dari jumlah

ArrayList dataSet.

getColumnCount()

Method ini

digunakan untuk

mendapatkan jumlah

kolom dari tabel.

1. Mengembalikan

jumlah kolom.


rowIndex, final int

columnIndex)

Method ini

digunakan untuk

mendapatkan value

1. Membuat objek

bertipe Hasil dengan

nama result.


156


tertentu.

2. Membuat objek

bertipe JTable

dengan nama table

yang ditetapkan

nilai baris yaitu

(rowIndex, 170)

3. Membuat objek

bertipe double

dengan nama bobot

dan

mendeklarasikan

dengan nilai 0.

4. Jika nilai dari

columnIndex lebih

besar dari 0 dan

nilai columnIndex

kurang dari nilai

pada Interval maka

akan memanggil

nilai dari bobot

atribut tersebut.


dalam percabangan

switch case, dengan

switch

menggunakan

columnIndex.

6. Ketika kondisi

columnIndex sama

dengan 0, maka

akan memanggil


157

method getName()

dari objek result.

7. Ketika kondisi

columnIndex sama

dengan 0, maka

akan

mengembalikan

method getName()


8. Ketika kondisi

columnIndex sama

dengan 1, maka

akan memanggil

method getAge()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method

getSimilarity() dari

objek result untuk

mendapatkan

similarity.

9. Ketika kondisi

columnIndex sama

dengan 2, maka

akan memanggil

method getJob()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,


158

dan memanggil

method


objek result untuk

mendapatkan

similarity.

10. Ketika kondisi

columnIndex sama

dengan 3, maka

akan memanggil

method

getBalance() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

11. Ketika kondisi

columnIndex sama

dengan 4, maka

akan memanggil

method

getHousing() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method



159

objek result untuk

mendapatkan

similarity.

12. Ketika kondisi

columnIndex sama

dengan 5, maka

akan memanggil

method getLoan()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

13. Ketika kondisi

columnIndex sama

dengan 6, maka

akan memanggil

method getContact()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.


160

14. Ketika kondisi

columnIndex sama

dengan 7, maka

akan memanggil

method getMonth()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

15. Ketika kondisi

columnIndex sama

dengan 8, maka

akan memanggil

method

getDuration() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

16. Ketika kondisi

columnIndex sama

dengan 9, maka


161

akan memanggil

method

getHousing() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method

getpDays() dari

objek result untuk

mendapatkan

similarity.

17. Ketika kondisi

columnIndex sama

dengan 10, maka

akan memanggil

method

getPrevious() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

18. Ketika kondisi

columnIndex sama

dengan 11, maka

akan memanggil

method

getPoutcome() dari


162

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

19. Ketika kondisi

columnIndex sama

dengan 12, maka

akan memanggil

method

jumlahSimilarity()

dari objek result

untuk mendapatkan

nilai untuk

Similarity dan

memanggil method

getYN() dari objek

result untuk

mendapatkan hasil.

isCellEditable(int

rowIndex, int

columnIndex)

Method ini

digunakan untuk

melakukan

pengecekan apakah

sel pada baris dan


diubah langung

melalui jTabel.

1. Mengembalikan

nilai return false,

dimana berisi nilai

boolean.


163


TabelHasilKesimpulan.java


METHOD

getColumnClass(int

columnIndex)

Method ini

digunakan untuk

menampilkan value

pada kolom tanpa

mendeklarasikan di

setiap baris kolom.

1. Mengembalikan

nilai class pada

kolom.

getColumnName(int

column)

Method ini

digunakan untuk

mendapatkan label

kolom dari tabel.

1. Mengembalikan

nilai dari atribut

column yang

merupakan

ArrayList

COLUMNS.

getRowCount()

Method ini

digunakan untuk

mendapatkan jumlah

baris dari sebuah

tabel.

1. Mengembalikan

jumlah baris yaitu

dari jumlah

ArrayList dataSet.

getColumnCount()

Method ini

digunakan untuk

mendapatkan jumlah

kolom dari tabel.

1. Mengembalikan

jumlah kolom.


rowIndex, final int

columnIndex)

Method ini

digunakan untuk

mendapatkan value


tertentu.

1. Membuat objek


nama result.

2. Membuat objek

bertipe JTable


164

dengan nama table

yang ditetapkan

nilai baris yaitu

(rowIndex, 40)

3. Membuat objek

bertipe double

dengan nama bobot

dan

mendeklarasikan

dengan nilai 0.

4. Jika nilai dari

columnIndex lebih

besar dari 0 dan

nilai columnIndex

kurang dari nilai

pada Interval maka

akan memanggil

nilai dari bobot

atribut tersebut.

5. Ketika kondisi

columnIndex sama

dengan 0, maka

akan

mengembalikan

method getName()

dari objek result.

6. Ketika kondisi

columnIndex sama

dengan 1, maka

akan

mengembalikan


165

method getAge()

dari objek result.

7. Ketika kondisi

columnIndex sama

dengan 2, maka

akan

mengembalikan

method getJob()

dari objek result.

8. Ketika kondisi

columnIndex sama

dengan 3, maka

akan

mengembalikan

method

getBalance() dari

objek result.

9. Ketika kondisi

columnIndex sama

dengan 4, maka

akan

mengembalikan

method

getHousing() dari

objek result.

10. Ketika kondisi

columnIndex sama

dengan 5, maka

akan

mengembalikan

method getLoan()


166

dari objek result.

11. Ketika kondisi

columnIndex sama

dengan 6, maka

akan

mengembalikan

method getContact()

dari objek result.

12. Ketika kondisi

columnIndex sama

dengan 7, maka

akan

mengembalikan

method getMonth()

dari objek result.

13. Ketika kondisi

columnIndex sama

dengan 8, maka

akan

mengembalikan

method

getDuration() dari

objek result.

14. Ketika kondisi

columnIndex sama

dengan 9, maka

akan

mengembalikan

method getpDays()

dari objek result.

15. Ketika kondisi


167

columnIndex sama

dengan 10, maka

akan

mengembalikan

method

getPrevious() dari

objek result.

16. Ketika kondisi

columnIndex sama

dengan 11, maka

akan

mengembalikan

method

getPoutCome() dari

objek result.

17. Ketika kondisi

columnIndex sama

dengan 12, maka

akan

mengembalikan

method getYN()

dari objek result.

isCellEditable(int

rowIndex, int

columnIndex)

Method ini

digunakan untuk

melakukan

pengecekan apakah

sel pada baris dan


diubah langung

melalui jTabel.

1. Mengembalikan

nilai return false,

dimana berisi nilai

boolean.


168


TabelHasilKesimpulan_Adapter.java


METHOD

getColumnClass(int

columnIndex)

Method ini

digunakan untuk

menampilkan value

pada kolom tanpa

mendeklarasikan di

setiap baris kolom.

1. Mengembalikan

nilai class pada

kolom.

getColumnName(int

column)

Method ini

digunakan untuk

mendapatkan label

kolom dari tabel.

1. Mengembalikan

nilai dari atribut

column yang

merupakan

ArrayList

COLUMNS.

getRowCount()

Method ini

digunakan untuk

mendapatkan jumlah

baris dari sebuah

tabel.

1. Mengembalikan

jumlah baris yaitu

dari jumlah

ArrayList dataSet.

getColumnCount()

Method ini

digunakan untuk

mendapatkan jumlah

kolom dari tabel.

1. Mengembalikan

jumlah kolom.


rowIndex, final int

columnIndex)

Method ini

digunakan untuk

mendapatkan value


tertentu.

1. Membuat objek


nama result.

2. Membuat objek

bertipe JTable


169

dengan nama table

yang ditetapkan

nilai baris yaitu

(rowIndex, 40)

3. Membuat objek

bertipe double

dengan nama bobot

dan

mendeklarasikan

dengan nilai 0.

4. Jika nilai dari

columnIndex lebih

besar dari 0 dan

nilai columnIndex

kurang dari nilai

pada Interval maka

akan memanggil

nilai dari bobot

atribut tersebut.

5. Ketika kondisi

columnIndex sama

dengan 0, maka

akan

mengembalikan

method getName()

dari objek result.

6. Ketika kondisi

columnIndex sama

dengan 1, maka

akan

mengembalikan


170

method getAge()

dari objek result.

7. Ketika kondisi

columnIndex sama

dengan 2, maka

akan

mengembalikan

method getJob()

dari objek result.

8. Ketika kondisi

columnIndex sama

dengan 3, maka

akan

mengembalikan

method

getBalance() dari

objek result.

9. Ketika kondisi

columnIndex sama

dengan 4, maka

akan

mengembalikan

method

getHousing() dari

objek result.

10. Ketika kondisi

columnIndex sama

dengan 5, maka

akan

mengembalikan

method getLoan()


171

dari objek result.

11. Ketika kondisi

columnIndex sama

dengan 6, maka

akan

mengembalikan

method getContact()

dari objek result.

12. Ketika kondisi

columnIndex sama

dengan 7, maka

akan

mengembalikan

method getMonth()

dari objek result.

13. Ketika kondisi

columnIndex sama

dengan 8, maka

akan

mengembalikan

method

getDuration() dari

objek result.

14. Ketika kondisi

columnIndex sama

dengan 9, maka

akan

mengembalikan

method getpDays()

dari objek result.

15. Ketika kondisi


172

columnIndex sama

dengan 10, maka

akan

mengembalikan

method

getPrevious() dari

objek result.

16. Ketika kondisi

columnIndex sama

dengan 11, maka

akan

mengembalikan

method

getPoutCome() dari

objek result.

17. Ketika kondisi

columnIndex sama

dengan 12, maka

akan

mengembalikan

method getYN()

dari objek result.

isCellEditable(int

rowIndex, int

columnIndex)

Method ini

digunakan untuk

melakukan

pengecekan apakah

sel pada baris dan


diubah langung

melalui jTabel.

1. Mengembalikan

nilai return false,

dimana berisi nilai

boolean.


173

Tabel 4.17 Rincian Algoritma per–Method Kelas TabelHasil_Adapter.java


METHOD

getColumnClass(int

columnIndex)

Method ini

digunakan untuk

menampilkan value

pada kolom tanpa

mendeklarasikan di

setiap baris kolom.

1. Mengembalikan

nilai class pada

kolom.

getColumnName(int

column)

Method ini

digunakan untuk

mendapatkan label

kolom dari tabel.

1. Mengembalikan

nilai dari atribut

column yang

merupakan

ArrayList

COLUMNS.

getRowCount()

Method ini

digunakan untuk

mendapatkan jumlah

baris dari sebuah

tabel.

1. Mengembalikan

jumlah baris yaitu

dari jumlah

ArrayList dataSet.

getColumnCount()

Method ini

digunakan untuk

mendapatkan jumlah

kolom dari tabel.

1. Mengembalikan

jumlah kolom.


rowIndex, final int

columnIndex)

Method ini

digunakan untuk

mendapatkan value


tertentu.

1. Membuat objek


nama result.

2. Membuat objek

bertipe JTable

dengan nama table


174

yang ditetapkan

nilai baris yaitu

(rowIndex, 170)

3. Membuat objek

bertipe double

dengan nama bobot

dan

mendeklarasikan

dengan nilai 0.

4. Jika nilai dari

columnIndex lebih

besar dari 0 dan

nilai columnIndex

kurang dari nilai

pada Interval maka

akan memanggil

nilai dari bobot

atribut tersebut.


dalam percabangan

switch case, dengan

switch

menggunakan

columnIndex.

6. Ketika kondisi

columnIndex sama

dengan 0, maka

akan memanggil

method getName()

dari objek result.

7. Ketika kondisi


175

columnIndex sama

dengan 0, maka

akan

mengembalikan

method getName()


8. Ketika kondisi

columnIndex sama

dengan 1, maka

akan memanggil

method getAge()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

9. Ketika kondisi

columnIndex sama

dengan 2, maka

akan memanggil

method getJob()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method



176

objek result untuk

mendapatkan

similarity.

10. Ketika kondisi

columnIndex sama

dengan 3, maka

akan memanggil

method

getBalance() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

11. Ketika kondisi

columnIndex sama

dengan 4, maka

akan memanggil

method

getHousing() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.


177

12. Ketika kondisi

columnIndex sama

dengan 5, maka

akan memanggil

method getLoan()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

13. Ketika kondisi

columnIndex sama

dengan 6, maka

akan memanggil

method getContact()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

14. Ketika kondisi

columnIndex sama

dengan 7, maka


178

akan memanggil

method getMonth()

dari objek result

untuk mendapatkan

nilai untuk NB, NL,

dan memanggil

method


objek result untuk

mendapatkan

similarity.

15. Ketika kondisi

columnIndex sama

dengan 8, maka

akan memanggil

method

getDuration() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

16. Ketika kondisi

columnIndex sama

dengan 9, maka

akan memanggil

method

getHousing() dari


179

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method

getpDays() dari

objek result untuk

mendapatkan

similarity.

17. Ketika kondisi

columnIndex sama

dengan 10, maka

akan memanggil

method

getPrevious() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan

memanggil method


objek result untuk

mendapatkan

similarity.

18. Ketika kondisi

columnIndex sama

dengan 11, maka

akan memanggil

method

getPoutcome() dari

objek result untuk

mendapatkan nilai

untuk NB, NL, dan


180

memanggil method


objek result untuk

mendapatkan

similarity.

19. Ketika kondisi

columnIndex sama

dengan 12, maka

akan memanggil

method

jumlahSimilarity()

dari objek result

untuk mendapatkan

nilai untuk

Similarity dan

memanggil method

getYN() dari objek

result untuk

mendapatkan hasil.

isCellEditable(int

rowIndex, int

columnIndex)

Method ini

digunakan untuk

melakukan

pengecekan apakah

sel pada baris dan


diubah langung

melalui jTabel.

1. Mengembalikan

nilai return false,

dimana berisi nilai

boolean.


181

LAMPIRAN 5 : Source Code Program

1. Source Code Program untuk kelas HasilDetail.java

public class HasilDetail { private final DataSet dataLama; private final NilaiAtribut kedekatan_attribut = new NilaiAtribut(); private final NilaiAtribut similarity = new NilaiAtribut(); public HasilDetail(DataSet dataLama) { this.dataLama = dataLama; } public NilaiAtribut getSimilarity() { return similarity; } public NilaiAtribut getKedekatan_attribut() { return kedekatan_attribut; } public DataSet getDataLama() { return dataLama; } public double jumlahSimilarity() { double sum = 0; sum += similarity.age; sum += similarity.job; sum += similarity.balance; sum += similarity.housing; sum += similarity.loan; sum += similarity.contact; sum += similarity.month; sum += similarity.duration; sum += similarity.pDays; sum += similarity.previous; sum += similarity.poutCome; return sum; } public double kedekatan() { return Round.to(jumlahSimilarity() / Interval.JUMLAH_BOBOT, 2); } }


182

2. Source Code Program untuk kelas CBR.java

public class CBR { public final static boolean DEBUG = false; public Hasil proses(final List<DataSet> dataSetLama, final List<DataSet> dataSetBaru) { Hasil result = new Hasil(dataSetLama, dataSetBaru); System.out.println("CBR dataset sebanyak :" + dataSetLama.size()); for (int w = 0; w < dataSetBaru.size(); w++) { try { HasilSet resultSet = new HasilSet(dataSetBaru.get(w)); for (int e = 0; e < dataSetLama.size(); e++) { HasilDetail resultDetail = new HasilDetail(dataSetLama.get(e)); resultDetail.getKedekatan_attribut().age = hitungKedekatan(Interval.BOBOT_AGE(resultSet.getDataSet().getAge()), Interval.BOBOT_AGE(resultDetail.getDataLama().getAge())); resultDetail.getSimilarity().age = hitungSimiliarity(resultDetail.getKedekatan_attribut().age, Interval.BOBOT_ATTRIBUTES.get("Age")); resultDetail.getKedekatan_attribut().job = hitungKedekatan(Interval.BOBOT_JOB.get(resultSet.getDataSet().getJob()), Interval.BOBOT_JOB.get(resultDetail.getDataLama().getJob())); resultDetail.getSimilarity().job = hitungSimiliarity(resultDetail.getKedekatan_attribut().job, Interval.BOBOT_ATTRIBUTES.get("Job")); resultDetail.getKedekatan_attribut().balance = hitungKedekatan(Interval.BOBOT_BALANCE(resultSet.getDataSet().getBalance()), Interval.BOBOT_BALANCE(resultDetail.getDataLama().getBalance())); resultDetail.getSimilarity().balance = hitungSimiliarity(resultDetail.getKedekatan_attribut().balance, Interval.BOBOT_ATTRIBUTES.get("Balance")); resultDetail.getKedekatan_attribut().housing = hitungKedekatan(Interval.BOBOT_HOUSING.get(resultSet.getDataSet().getHousing()),


183

Interval.BOBOT_HOUSING.get(resultDetail.getDataLama().getHousing())); resultDetail.getSimilarity().housing = hitungSimiliarity(resultDetail.getKedekatan_attribut().housing, Interval.BOBOT_ATTRIBUTES.get("Housing")); resultDetail.getKedekatan_attribut().loan = hitungKedekatan(Interval.BOBOT_LOAN.get(resultSet.getDataSet().getLoan()), Interval.BOBOT_LOAN.get(resultDetail.getDataLama().getLoan())); resultDetail.getSimilarity().loan = hitungSimiliarity(resultDetail.getKedekatan_attribut().loan, Interval.BOBOT_ATTRIBUTES.get("Loan")); resultDetail.getKedekatan_attribut().contact = hitungKedekatan(Interval.BOBOT_CONTACT.get(resultSet.getDataSet().getContact()), Interval.BOBOT_CONTACT.get(resultDetail.getDataLama().getContact())); resultDetail.getSimilarity().contact = hitungSimiliarity(resultDetail.getKedekatan_attribut().contact, Interval.BOBOT_ATTRIBUTES.get("Contact")); resultDetail.getKedekatan_attribut().month = hitungKedekatan(Interval.BOBOT_MONTH.get(resultSet.getDataSet().getMonth()), Interval.BOBOT_MONTH.get(resultDetail.getDataLama().getMonth())); resultDetail.getSimilarity().month = hitungSimiliarity(resultDetail.getKedekatan_attribut().month, Interval.BOBOT_ATTRIBUTES.get("Month")); resultDetail.getKedekatan_attribut().duration = hitungKedekatan(Interval.BOBOT_DURATION(resultSet.getDataSet().getDuration()), Interval.BOBOT_DURATION(resultDetail.getDataLama().getDuration())); resultDetail.getSimilarity().duration = hitungSimiliarity(resultDetail.getKedekatan_attribut().duration, Interval.BOBOT_ATTRIBUTES.get("Duration"));


184

resultDetail.getKedekatan_attribut().pDays = hitungKedekatan(Interval.BOBOT_PDAYS(resultSet.getDataSet().getpDays()), Interval.BOBOT_PDAYS(resultDetail.getDataLama().getpDays())); resultDetail.getSimilarity().pDays = hitungSimiliarity(resultDetail.getKedekatan_attribut().pDays, Interval.BOBOT_ATTRIBUTES.get("Pdays")); resultDetail.getKedekatan_attribut().previous = hitungKedekatan(Interval.BOBOT_PREVIOUS(resultSet.getDataSet().getPrevious()), Interval.BOBOT_PREVIOUS(resultDetail.getDataLama().getPrevious())); resultDetail.getSimilarity().previous = hitungSimiliarity(resultDetail.getKedekatan_attribut().previous, Interval.BOBOT_ATTRIBUTES.get("Previous")); resultDetail.getKedekatan_attribut().poutCome = hitungKedekatan(Interval.BOBOT_POUTCOME.get(resultSet.getDataSet().getPoutCome()), Interval.BOBOT_POUTCOME.get(resultDetail.getDataLama().getPoutCome())); resultDetail.getSimilarity().poutCome = hitungSimiliarity(resultDetail.getKedekatan_attribut().poutCome, Interval.BOBOT_ATTRIBUTES.get("Poutcome")); if (DEBUG) { System.err.println("-------------------------------------------"); System.err.println("Data Lama " + resultSet.getDataSet().getName() + " | Data Baru " + resultDetail.getDataLama().getName()); System.err.println("Age " + resultSet.getDataSet().getAge() + " => " + Interval.BOBOT_AGE(resultSet.getDataSet().getAge()) + " | Data Baru " + resultDetail.getDataLama().getAge() + " => " + Interval.BOBOT_AGE(resultDetail.getDataLama().getAge()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().age + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Age") + " | Similiarity " + resultDetail.getSimilarity().age);


185

System.err.println("Job " + resultSet.getDataSet().getJob() + " => " + Interval.BOBOT_JOB.get(resultSet.getDataSet().getJob()) + " | Data Baru " + resultDetail.getDataLama().getJob() + " => " + Interval.BOBOT_JOB.get(resultDetail.getDataLama().getJob()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().job + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Job") + " | Similiarity " + resultDetail.getSimilarity().job); System.err.println("Balance " + resultSet.getDataSet().getBalance() + " => " + Interval.BOBOT_BALANCE(resultSet.getDataSet().getBalance()) + " | Data Baru " + resultDetail.getDataLama().getBalance() + " => " + Interval.BOBOT_BALANCE(resultDetail.getDataLama().getBalance()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().balance + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Balance") + " | Similiarity " + resultDetail.getSimilarity().balance); System.err.println("Housing " + resultSet.getDataSet().getHousing() + " => " + Interval.BOBOT_HOUSING.get(resultSet.getDataSet().getHousing()) + " | Data Baru " + resultDetail.getDataLama().getHousing() + " => " + Interval.BOBOT_HOUSING.get(resultDetail.getDataLama().getHousing()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().housing + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Housing") + " | Similiarity " + resultDetail.getSimilarity().housing); System.err.println("Loan " + resultSet.getDataSet().getLoan() + " => " + Interval.BOBOT_LOAN.get(resultSet.getDataSet().getLoan()) + " | Data Baru " + resultDetail.getDataLama().getLoan() + " => " + Interval.BOBOT_LOAN.get(resultDetail.getDataLama().getLoan()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().loan + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Loan") + " | Similiarity " + resultDetail.getSimilarity().loan);


186

System.err.println("Contact " + resultSet.getDataSet().getContact() + " => " + Interval.BOBOT_CONTACT.get(resultSet.getDataSet().getContact()) + " | Data Baru " + resultDetail.getDataLama().getContact() + " => " + Interval.BOBOT_CONTACT.get(resultDetail.getDataLama().getContact()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().contact + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Contact") + " | Similiarity " + resultDetail.getSimilarity().contact); System.err.println("Month " + resultSet.getDataSet().getMonth() + " => " + Interval.BOBOT_MONTH.get(resultSet.getDataSet().getMonth()) + " | Data Baru " + resultDetail.getDataLama().getMonth() + " => " + Interval.BOBOT_MONTH.get(resultDetail.getDataLama().getMonth()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().month + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Month") + " | Similiarity " + resultDetail.getSimilarity().month); System.err.println("Duration " + resultSet.getDataSet().getDuration() + " => " + Interval.BOBOT_DURATION(resultSet.getDataSet().getDuration()) + " | Data Baru " + resultDetail.getDataLama().getDuration() + " => " + Interval.BOBOT_DURATION(resultDetail.getDataLama().getDuration()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().duration + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Duration") + " | Similiarity " + resultDetail.getSimilarity().duration); System.err.println("Pdays " + resultSet.getDataSet().getpDays() + " => " + Interval.BOBOT_PDAYS(resultSet.getDataSet().getpDays()) + " | Data Baru " + resultDetail.getDataLama().getpDays() + " => " + Interval.BOBOT_PDAYS(resultDetail.getDataLama().getpDays())


187

+ " | K. Attrbt " + resultDetail.getKedekatan_attribut().pDays + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Pdays") + " | Similiarity " + resultDetail.getSimilarity().pDays); System.err.println("Previous " + resultSet.getDataSet().getPrevious() + " => " + Interval.BOBOT_PREVIOUS(resultSet.getDataSet().getPrevious()) + " | Data Baru " + resultDetail.getDataLama().getPrevious() + " => " + Interval.BOBOT_PREVIOUS(resultDetail.getDataLama().getPrevious()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().previous + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Previous") + " | Similiarity " + resultDetail.getSimilarity().previous); System.err.println("Poutcome " + resultSet.getDataSet().getPoutCome() + " => " + Interval.BOBOT_POUTCOME.get(resultSet.getDataSet().getPoutCome()) + " | Data Baru " + resultDetail.getDataLama().getPoutCome() + " => " + Interval.BOBOT_POUTCOME.get(resultDetail.getDataLama().getPoutCome()) + " | K. Attrbt " + resultDetail.getKedekatan_attribut().poutCome + " | Bobot Attrb " + Interval.BOBOT_ATTRIBUTES.get("Poutcome") + " | Similiarity " + resultDetail.getSimilarity().poutCome); } resultSet.getResultDetails().add(resultDetail); } result.getResultSets().add(resultSet); } catch (Exception e) { e.printStackTrace(); System.err.println("at loop " + w); } } System.err.println("Hasil " + result.getResultSets().size()); return result; } private double hitungKedekatan(double x, double y) { return Round.to(1d - Math.sqrt(Math.pow(Math.abs(x - y), 2)),3);


188

private double hitungSimiliarity(double s, double w) { return Round.to(s * w, 3); } private double hitungSimiliarity(double[] s, double[] w) { if (s.length != w.length) { return 0; } double up = 0; double down = 0; for (int i = 0; i < s.length; i++) { up += (s[i] * w[i]); down += w[i]; } return Round.to(up/down, 3); } }


189

LAMPIRAN 6 : Prosedur Pengujian dan Studi Kasus

Tabel 5.9 Tabel Prosedur Pengujian dan Studi Kasus

Identifikasi

Use case Deskripsi

Prosedur

Pengujian Masukkan

Keluaran yang

Diharapkan

Hasil yang

Didapat

Catatan Proses

Pengembangan

Perangkat

Lunak

UCBR1–01

Pengujian

memasukkan

data dari file

yang berekstensi

.xls

1. Jalankan

sistem atau

perangkat

lunak

2. Pada halaman

awal (home),

klik tombol

“Masuk

Sistem”

3. Pada halaman

preprocessing

Tes.xls

Data file

bernama Tes.xls

ditampilkan

pada tabel di

halaman

preprocessing

Data file

bernama Tes.xls

ditampilkan

pada tabel di

halaman

preprocessing

Tidak ada

perbaikan

UCBR1–02

Pengujian

memasukkan

data dari file

yang berekstensi

.txt

Tes.txt

Menampilkan

pesan dialog

peringatan

bahwa file yang

dipilih bukan

Menampilkan

pesan dialog

peringatan

bahwa file yang

dipilih bukan file

Tidak ada

perbaikan


190

, klik tombol

“Browse”

untuk

memilih data

file.

4. Selanjutnya

pilih file data

kasus yang

akan

digunakan

5. Klik tombol

“Open”

file berekstensi

.xls

berekstensi .xls

UCBR1–03

Pengujian

memasukkan

data dari file

yang berekstensi

.doc

Tes.doc

Menampilkan

pesan dialog

peringatan

bahwa file yang

dipilih bukan

file berekstensi

.xls

Menampilkan

pesan dialog

peringatan

bahwa file yang

dipilih bukan file

berekstensi .xls

Tidak ada

perbaikan

UCBR2–01

Pengujian

dengan

melakukan

proses

identifikasi

case–based

reasoning

1. Klik tombol

“Identifikasi”

pada halaman

preprocessing

2. Ketika proses

identifikasi

case–based

Menampilkan

hasil dari

identifikasi

case–based

reasoning pada

tabel tab hasil.

Menampilkan

hasil dari

identifikasi

case–based

reasoning pada

tabel tab hasil.

Tidak ada

perbaikan


191

UCBR3–01

Pengujian

dengan

melakukan

proses

identifikasi

case–based

reasoning

reasoning

telah berhasil

dilakukan,

maka hasil

akan muncul

ditabel

3. Klik “Simpan

Hasil

Identifikasi

CBR”

4. Memilih

direktori

penyimpanan

untuk data

file hasil

identifikasi.

5. Mengisi nama

file, dan klik

“Simpan”

Nama file :

hasil.xls

Menyimpan file

pada direktori

komputer yang

dipilih.

Menyimpan file

pada direktori

komputer yang

dipilih dan

menampilkan

Tidak ada

perbaikan


192

LAMPIRAN 7 : Proses Perhitungan Manual

Proses perhitungan manual menggunakan Microsoft Excel. Terdapat 8

data yang diambil secara random pada dataset sebagai sample untuk perhitungan

manual, kemudian data tersebut dibagi menjadi 2, yaitu 5 data untuk kasus lama

(lampau) dan 3 data untuk kasus baru. Berikut adalah langkah dari proses

perhitungan manual.

1) Langkah pertama, dilakukan transformasi data pada dataset untuk

mempermudah dalam proses perhitungan, seperti yang sudah dicontohkan

pada tabel 3.6.

2) Setelah melakukan transformasi data, penulis melakukan perankingan pada

atribut, untuk mengetahui atribut mana yang paling berpengaruh dan

bernilai mendekati atau sama dengan 1. Disini penulis mengambil hasil dari

pengujian dengan aplikasi Tools Weka yang telah melakukan perankingan

pada atribut, yang dapat dilihat pada sub–sub bab 6.3.1.

3) Langkah ketiga, tentukan bobot pada masing–masing atribut yang sudah

terpilih pada tahap selection. Disini penulis menentukan bobot untuk setiap

atribut menggunakan normalisasi proximity measures, dengan rumus :

(3.7)

Keterangan :

Rif : merepresentasikan nilai urutan atribut

Mf : merepresentasikan nilai urutan atribut terbesar.


193

Bobot dari masing – masing atribut adalah seperti dibawah ini :

Loan 0

Balance 0,10

Housing 0,20

Age 0,30

Job 0,40

Previous 0,50

Contact 0,60

Month 0,70

Pdays 0,80

Poutcome 0,90

Duration 1

4) Selanjutnya adalah menentukan nilai kedekatan pada tiap nilai atribut, yang

nantinya nilai kedekatan tersebut akan digunakan untuk menghitung nilai

similarity untuk kasus lama dan kasus baru. Untuk menentukan nilai

kedekatan untuk atribut dengan menerapkan rumus jarak kedekatan, yaitu :

( ) (3.8)

Dan nilai kedekatan untuk tiap atribut dapat terlihat pada tabel–tabel

dibawah ini :


194

Tabel 5.10 Tabel Kedekatan Nilai Atribut Age

Age 0 - 17 18 – 65 66 - 79 80 - 99 100 - keatas

0 - 17 1 0,75 0,5 0,25 0

18 - 65 0,75 1 0,75 0,5 0,25

66 - 79 0,5 0,75 1 0,75 0,5

80 - 99 0,25 0,5 0,75 1 0,75

100 - keatas 0 0,25 0,5 0,75 1

Tabel 5.11 Tabel Kedekatan Nilai Atribut Job

Job

Ad

min

.

Blu

e-

Coll

ar

En

trep

ren

eur

Hou

sem

ai

d

Man

agem

ent

Ret

ired

Sel

f-

emp

loyed

Ser

vic

es

Stu

den

t

Tec

hn

icia

n

Un

emp

loy

ed

Un

kn

ow

n

Admin. 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18 0,09 0

Blue-Collar 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18 0,09

Entrepreneur 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18

Housemaid 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27

Management 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36

Retired 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45

Self-employed 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55

Services 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64

Student 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73

Technician 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82


195

Unemployed 0,09 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91

Unknown 0 0,09 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1

Tabel 5.12 Tabel Kedekatan Nilai Atribut Balance

Balance

(-3313)

-

2390

2391 -

8095

8096 -

13799

13800 -

19504

19505 -

25208

25209 -

30913

30914 -

36617

36618 -

42322

42323 -

48026

48027 -

53731

53732 -

59435

59436 -

65140

65141 -

70844

70845 -

76549

(-3313) - 2390 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38 0,31 0,23 0,15 0,08 0

2391 - 8095 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38 0,31 0,23 0,15 0,08

8096 - 13799 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38 0,31 0,23 0,15

13800 - 19504 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38 0,31 0,23

19505 - 25208 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38 0,31

25209 - 30913 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46 0,38

30914 - 36617 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54 0,46

36618 - 42322 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62 0,54

42323 - 48026 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69 0,62

48027 -53731 0,31 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77 0,69

53732 - 59435 0,23 0,31 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85 0,77

59436 - 65140 0,15 0,23 0,31 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92 0,85

65141 - 70844 0,08 0,15 0,23 0,31 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1 0,92

70845 - 76549 0 0,08 0,15 0,23 0,31 0,38 0,46 0,54 0,62 0,69 0,77 0,85 0,92 1


196

Tabel 5.13 Tabel Kedekatan Nilai Atribut Housing

Housing Yes No

Yes 1 0

No 0 1

Tabel 5.14 Tabel Kedekatan Nilai Atribut Loan

Loan Yes No

Yes 1 0

No 0 1

Tabel 5.15 Tabel Kedekatan Nilai Atribut Contact

Contact Cellular Telephone Unknown

Cellular 1 0,5 0

Telephone 0,5 1 0,5

Unknown 0 0,5 1

Tabel 5.16 Tabel Kedekatan Nilai Atribut Poutcome

Poutcome Success Failure Unknown Other

Success 1 0,67 0,33 0

Failure 0,67 1 0,67 0,33

Unknown 0,33 0,67 1 0,67


197

Other 0 0,33 0,67 1

Tabel 5.17 Tabel Kedekatan Nilai Atribut Month

Month January February March April Mey June July August September October November December

January 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18 0,09 0

February 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18 0,09

March 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27 0,18

April 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36 0,27

Mey 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45 0,36

June 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55 0,45

July 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64 0,55

August 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73 0,64

September 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82 0,73

October 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91 0,82

November 0,09 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1 0,91

December 0 0,09 0,18 0,27 0,36 0,45 0,55 0,64 0,73 0,82 0,91 1

Tabel 5.18 Tabel Kedekatan Nilai Atribut Previous

Previous 0 - 1 2 - 4 5 - 7 8 - 10 11 - 13. 14 - 16 17 - 19 20 - 22 23 - 25

0 - 1 1 0,88 0,75 0,63 0,5 0,38 0,25 0,13 0

2 - 4 0,88 1 0,88 0,75 0,63 0,5 0,38 0,25 0,13

5 - 7 0,75 0,88 1 0,88 0,75 0,63 0,5 0,38 0,25

8 - 10 0,63 0,75 0,88 1 0,88 0,75 0,63 0,5 0,38


198

11 - 13. 0,5 0,63 0,75 0,88 1 0,88 0,75 0,63 0,5

14 - 16 0,38 0,5 0,63 0,75 0,88 1 0,88 0,75 0,63

17 - 19 0,25 0,38 0,5 0,63 0,75 0,88 1 0,88 0,75

20 - 22 0,13 0,25 0,38 0,5 0,63 0,75 0,88 1 0,88

23 - 25 0 0,13 0,25 0,38 0,5 0,63 0,75 0,88 1

Tabel 5.19 Tabel Kedekatan Nilai Atribut Duration

Duration 4 -

235

236 -

467

468 -

699

700 –

932

933 -

1164

1165 -

1396

1397 -

1628

1629 -

1861

1862 -

2093

2094 -

2325

2326 -

2558

2559 -

2790

2791 -

3022

4 - 235 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17 0,08 0

236 - 467 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17 0,08

468 - 699 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17

700 - 932 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25

933 - 1164 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33

1165 - 1396 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42

1397 - 1628 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5

1629 - 1861 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58

1862 - 2093 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67

2094 - 2325 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75

2326 - 2558 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83

2559 - 2790 0,08 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92

2791 - 3022 0 0,08 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1


199

Tabel 5.20 Tabel Kedekatan Nilai Atribut Pdays

Pdays

(-1)

- 65

66 -

133

134 -

201

202 -

269

270 -

336

337 -

404

405 -

472

473 -

540

541 -

607

608 -

675

676 -

743

744 -

811

812 -

878

(-1) - 65 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17 0,08 0

66 - 133 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17 0,08

134 - 201 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25 0,17

202 - 269 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33 0,25

270 - 336 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42 0,33

337 - 404 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5 0,42

405 - 472 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58 0,5

473 - 540 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67 0,58

541 - 607 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75 0,67

608 - 675 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83 0,75

676 - 743 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92 0,83

744 - 811 0,08 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1 0,92

812 - 878 0 0,08 0,17 0,25 0,33 0,42 0,5 0,58 0,67 0,75 0,83 0,92 1


200

5) Dan kemudian mencocokkan kasus baru dengan kasus lama yang sudah ada,

dengan menghitung nilai similarity kemiripannya, menggunakan rumus

similarity (2.1)


201

Contoh Perhitungan

Diambil 5 kasus sebagai kasus lama sebagai berikut :

Tabel 5.21 Tabel Kasus Lama

Atribut Nasabah 1 Nasabah 2 Nasabah 3 Nasabah 4 Nasabah 5

Age 30 20 33 68 35

Job Unemployed Student Services Retired Management

Balance 1787 502 4789 4189 1350

Housing No No Yes No Yes

Loan No No Yes No No

Contact Cellular Cellular Cellular Telephone Cellular

Month Oct Apr May Jul Apr

Duration 79 261 220 897 185

Pdays -1 -1 339 -1 330

Previous 0 0 4 0 1

Poutcome Unknown Unknown Failure Unknown Failure

Y/N No Yes No Yes No

Terdapat kasus baru seperti dibawah ini :

Tabel 5.22 Tabel Kasus Baru

Atribut Nasabah Baru 1 Nasabah Baru 2 Nasabah Baru 3

Age 30 59 35

Job Management blue-collar management

Balance 1476 0 747

Housing yes yes no

Loan yes no no

Contact unknown unknown cellular

Month jun may feb

Duration 199 226 141

Pdays -1 -1 176

Previous 0 0 3

Poutcome unknown unknown failure

Y/N no no no


202

Penerapan rumus similarity untuk mencocokkan dan mencari kemiripan antara kasus lama dan kasus baru (nasabah 1).

1. Menghitung kedekatan kasus lama (nasabah 1) dengan kasus baru (nasabah 1).

Atribut Nasabah 1 Nasabah Baru 1 Nilai Kedekatan Atribut Bobot Atribut Similarity

Age 30 30 1 0,30 0,3

Job Unemployed Management 0,45 0,40 0,18

Balance 1787 1476 1 0,10 0,10

Housing No Yes 0 0,20 0

Loan No Yes 0 0 0

Contact Cellular Unknown 0 0,60 0

Month Oct Jun 0,64 0,70 0,45

Duration 79 199 1 1 1,00

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50

Poutcome Unknown Unknown 1 0,90 0,9

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,23

KEDEKATAN KASUS BARU DAN LAMA 0,769


203



Age 20 30 1 0,30 0,3

Job student management 0,64 0,40 0,26

Balance 502 1476 1 0,10 0,10

Housing no yes 0 0,20 0

Loan no yes 0 0 0

Contact cellular unknown 0 0,60 0

Month apr jun 0,82 0,70 0,57

Duration 261 199 0,92 1 0,92

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50

Poutcome unknown unknown 1 0,90 0,9

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,35



204



Age 33 30 1 0,30 0,3

Job Services Management 0,73 0,40 0,29

Balance 4789 1476 0,92 0,10 0,09

Housing Yes Yes 1 0,20 0,2

Loan Yes Yes 1 0 0,00


Month May Jun 0,91 0,70 0,64

Duration 220 199 1 1 1,00

Pdays 339 -1 0,58 0,80 0,46

Previous 4 0 0,88 0,50 0,44

Poutcome Failure Unknown 0,67 0,90 0,603

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,03



205



Age 68 30 0,75 0,30 0,225

Job retired management 0,91 0,40 0,36

Balance 4189 1476 0,92 0,10 0,09


Loan no yes 0 0 0

Contact telephone unknown 0,5 0,60 0,30

Month jul jun 0,91 0,70 0,64

Duration 897 199 0,75 1 0,75

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,57



206



Age 35 30 1 0,30 0,3

Job Management Management 1 0,40 0,40

Balance 1350 1476 1 0,10 0,10

Housing Yes Yes 1 0,20 0,2

Loan No Yes 0 0 0


Month Apr Jun 0,82 0,70 0,57

Duration 185 199 1 1 1,00

Pdays 330 -1 0,67 0,80 0,54

Previous 1 0 1 0,50 0,50

Poutcome Failure Unknown 0,67 0,90 0,603

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,21



207

Kesimpulan dari contoh perhitungan kedekatan antara kasus lama dan

kasus baru (nasabah 1) diatas adalah sebagai berikut :

KASUS LAMA KASUS BARU (Nasabah 1)

NASABAH 1 0,769

NASABAH 2 0,791

NASABAH 3 0,732

NASABAH 4 0,831

NASABAH 5 0,766

1) Memilih kasus dengan kedekatan terdekat.

Dari langkah perhitungan dengan nasabah 1, 2, 3, 4, 5 dengan

mencocokkan setiap atribut yang ada, dapat disimpulkan bahwa

kasus baru (nasabah 1) lebih dekat dengan kasus lama pada

nasabah 4, dengan nilai kedekatan sebesar 0,831.

2) Menggunakan klasifikasi dari kasus dengan kedekatan terdekat.

Berdasarkan hasil perhitungan yang diperoleh, dengan nilai

kedekatan pada kasus baru (nasabah 1) lebih mendekati dengan

kasus lama pada nasabah 4, maka dapat diasumsikan bahwa

nasabah pada kasus baru (nasabah 1) tersebut diprediksi AKAN

MEMBUKA SIMPANAN DEPOSITO.


208




Age 30 59 1 0,30 0,3

Job unemployed blue-collar 0,18 0,40 0,072

Balance 1787 0 1 0,10 0,10


Loan no no 1 0 0


Month oct may 0,55 0,70 0,39

Duration 79 226 1 1 1,00

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,06



209



Age 20 59 1 0,30 0,3

Job student blue-collar 0,36 0,40 0,14

Balance 502 0 1 0,10 0,10


Loan no no 1 0 0


Month apr may 0,91 0,70 0,64

Duration 261 226 0,92 1 0,92

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,30



210



Age 33 59 1 0,30 0,3

Job services blue-collar 0,45 0,40 0,18

Balance 4789 0 0,92 0,10 0,09

Housing yes yes 1 0,20 0,2

Loan yes no 0 0 0,00


Month may may 1 0,70 0,70

Duration 220 226 1 1 1,00

Pdays 339 -1 0,58 0,80 0,46

Previous 4 0 0,88 0,50 0,44

Poutcome failure unknown 0,67 0,90 0,603

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

3,98



211



Age 68 59 0,75 0,30 0,225

Job retired blue-collar 0,91 0,40 0,36

Balance 4189 0 0,92 0,10 0,09


Loan no no 0 0 0

Contact telephone unknown 0,5 0,60 0,30

Month jul may 0,91 0,70 0,64

Duration 897 226 0,75 1 0,75

Pdays -1 -1 1 0,80 0,80

Previous 0 0 1 0,50 0,50


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,57



212



Age 35 59 1 0,30 0,3

Job management blue-collar 1 0,40 0,29

Balance 1350 0 1 0,10 0,10

Housing yes yes 1 0,20 0,2

Loan no no 1 0 0


Month apr may 0,91 0,70 0,64

Duration 185 226 1 1 1,00

Pdays 330 -1 0,67 0,80 0,54

Previous 1 0 1 0,50 0,50

Poutcome failure unknown 0,67 0,90 0,603

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,17



213




NASABAH 1 0,738

NASABAH 2 0,782

NASABAH 3 0,723

NASABAH 4 0,831

NASABAH 5 0,758


Dari langkah perhitungan dengan nasabah 1, 2, 3, 4, 5

dengan mencocokkan setiap atribut yang ada, dapat

disimpulkan bahwa kasus baru (nasabah 2) lebih dekat

dengan kasus lama pada nasabah 4, dengan nilai kedekatan

sebesar 0,831.

2) Menggunakan klasifikasi dari kasus dengan kedekatan

terdekat.


kedekatan pada kasus baru (nasabah 2) lebih mendekati

dengan kasus lama pada nasabah 4, maka dapat

diasumsikan bahwa nasabah pada kasus baru (nasabah 2)

tersebut diprediksi AKAN MEMBUKA SIMPANAN

DEPOSITO.


214




Age 30 35 1 0,30 0,3

Job unemployed management 0,45 0,40 0,18

Balance 1787 747 1 0,10 0,10

Housing no no 1 0,20 0,2

Loan no no 1 0 0

Contact cellular cellular 1 0,60 0,6

Month oct feb 0,27 0,70 0,19

Duration 79 141 1 1 1,00

Pdays -1 176 0,83 0,80 0,66

Previous 0 3 0,88 0,50 0,44

Poutcome unknown failure 0,67 0,90 0,603

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,28



215



Age 20 35 1 0,30 0,3

Job student management 0,64 0,40 0,26

Balance 502 747 1 0,10 0,10


Loan no no 1 0 0


Month apr feb 0,82 0,70 0,57

Duration 261 141 0,92 1 0,92

Pdays -1 176 0,83 0,80 0,66

Previous 0 3 0,88 0,50 0,44


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,66



216



Age 33 35 1 0,30 0,3

Job services management 0,73 0,40 0,29

Balance 4789 747 0,92 0,10 0,09

Housing yes no 0 0,20 0

Loan yes no 0 0 0,00


Month may feb 0,73 0,70 0,51

Duration 220 141 1 1 1,00

Pdays 339 176 0,75 0,80 0,60

Previous 4 3 1 0,50 0,50

Poutcome failure failure 1 0,90 0,9

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,80



217



Age 68 35 0,75 0,30 0,225

Job retired management 0,91 0,40 0,36

Balance 4189 747 0,92 0,10 0,09


Loan no no 1 0 0

Contact telephone cellular 0,5 0,60 0,30

Month jul feb 0,55 0,70 0,39

Duration 897 141 0,75 1 0,75

Pdays -1 176 0,83 0,80 0,66

Previous 0 3 0,88 0,50 0,44


JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,02



218



Age 35 35 1 0,30 0,3

Job management management 1 0,40 0,40

Balance 1350 747 1 0,10 0,10

Housing yes no 0 0,20 0

Loan no no 1 0 0

Contact cellular cellular 1 0,60 1

Month apr feb 0,82 0,70 0,57

Duration 185 141 1 1 1,00

Pdays 330 176 0,75 0,80 0,60

Previous 1 3 0,88 0,50 0,44

Poutcome failure failure 1 0,90 0,9

JUMLAH BOBOT 5,5

JUMLAH SIMILARITY

4,91



219




NASABAH 1 0,777

NASABAH 2 0,847

NASABAH 3 0,872

NASABAH 4 0,731

NASABAH 5 0,893


Dari langkah perhitungan dengan nasabah 1, 2, 3, 4, 5

dengan mencocokkan setiap atribut yang ada, dapat

disimpulkan bahwa kasus baru (nasabah 3) lebih dekat

dengan kasus lama pada nasabah 5, dengan nilai kedekatan

sebesar 0,893.

2) Menggunakan klasifikasi dari kasus dengan kedekatan

terdekat.


kedekatan pada kasus baru (nasabah 3) lebih mendekati

dengan kasus lama pada nasabah 5, maka dapat

diasumsikan bahwa nasabah pada kasus baru (nasabah 3)

tersebut diprediksi TIDAK AKAN MEMBUKA

SIMPANAN DEPOSITO.


penerapan metode case based reasoning untuk … · 2018-09-06 · penerapan metode case–based...

Documents