Dokumen ini membahas tentang sistem basis data prediksi tingkat pengangguran di Kota Makassar menggunakan pola asosiasi dan aturan asosiasi. Dokumen ini membahas tentang algoritma Eclat dan FP-Growth untuk menemukan pola frekuensi itemset dan membangun pohon desision untuk memprediksi tingkat pengangguran.
Array adalah variabel yang dapat menyimpan banyak data sekaligus dengan tipe data yang sama. Array memiliki keunggulan dalam pengaksesan data secara acak namun fleksibilitasnya rendah karena harus bersifat homogen dan statis. Array dapat digunakan untuk menyimpan dan mengolah matriks data.
Dokumen tersebut membahas penentuan jumlah produksi batik Madura menggunakan metode fuzzy Mamdani. Faktor-faktor yang mempengaruhi antara lain bahan baku, biaya produksi, permintaan, dan stok. Model ini diharapkan dapat membantu perusahaan menentukan produksi bulanan untuk menjaga stok. Hasil penelitian menunjukkan model ini mampu memprediksi produksi dengan tingkat akurasi 91,75%.
03011181320072 fernando taslim_analisa_statistik_dengan_excelFernando Taslim
Dokumen tersebut menjelaskan berbagai fungsi statistik dalam Microsoft Excel seperti Averageif, Averageifs, Confidence, Correl, Countblank, Forecast, FTest, Large, Linest, Logest, Small, Trimmean, dan ZTest beserta contoh penerapannya.
Dokumen tersebut membahas tentang algoritma Eclat dalam menemukan pola asosiasi pada basis data. Algoritma Eclat digunakan untuk mengatasi kelemahan algoritma Apriori yang membutuhkan waktu yang lama karena scanning database berulang kali. Algoritma Eclat bekerja dengan mengkompresi data kedalam struktur pohon FP-Tree untuk menghindari pengulangan scanning database. Frequent itemset diekstrak langsung dari FP-Tree menggunakan prinsip divide
Profil Kependudukan Provinsi Papua 2015 memberikan ringkasan tentang dinamika penduduk di Papua dari tahun 2010-2015. Dokumen ini menyajikan data jumlah, pertumbuhan, dan persebaran penduduk serta faktor-faktor yang mempengaruhinya seperti fertilitas, mortalitas, dan migrasi. Profil ini juga menganalisis pencapaian pembangunan berwawasan kependudukan di bidang kesehatan, pendidikan, dan ekonomi di Papua.
Array adalah variabel yang dapat menyimpan banyak data sekaligus dengan tipe data yang sama. Array memiliki keunggulan dalam pengaksesan data secara acak namun fleksibilitasnya rendah karena harus bersifat homogen dan statis. Array dapat digunakan untuk menyimpan dan mengolah matriks data.
Dokumen tersebut membahas penentuan jumlah produksi batik Madura menggunakan metode fuzzy Mamdani. Faktor-faktor yang mempengaruhi antara lain bahan baku, biaya produksi, permintaan, dan stok. Model ini diharapkan dapat membantu perusahaan menentukan produksi bulanan untuk menjaga stok. Hasil penelitian menunjukkan model ini mampu memprediksi produksi dengan tingkat akurasi 91,75%.
03011181320072 fernando taslim_analisa_statistik_dengan_excelFernando Taslim
Dokumen tersebut menjelaskan berbagai fungsi statistik dalam Microsoft Excel seperti Averageif, Averageifs, Confidence, Correl, Countblank, Forecast, FTest, Large, Linest, Logest, Small, Trimmean, dan ZTest beserta contoh penerapannya.
Dokumen tersebut membahas tentang algoritma Eclat dalam menemukan pola asosiasi pada basis data. Algoritma Eclat digunakan untuk mengatasi kelemahan algoritma Apriori yang membutuhkan waktu yang lama karena scanning database berulang kali. Algoritma Eclat bekerja dengan mengkompresi data kedalam struktur pohon FP-Tree untuk menghindari pengulangan scanning database. Frequent itemset diekstrak langsung dari FP-Tree menggunakan prinsip divide
Profil Kependudukan Provinsi Papua 2015 memberikan ringkasan tentang dinamika penduduk di Papua dari tahun 2010-2015. Dokumen ini menyajikan data jumlah, pertumbuhan, dan persebaran penduduk serta faktor-faktor yang mempengaruhinya seperti fertilitas, mortalitas, dan migrasi. Profil ini juga menganalisis pencapaian pembangunan berwawasan kependudukan di bidang kesehatan, pendidikan, dan ekonomi di Papua.
Seminar: Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jak...Nadiar AS
Slide persentasi seminar tanggal 9 Mei 2016. Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jakarta Topik Ekonomi dan Keuangan Daerah
Dokumen tersebut menggambarkan implementasi metode algoritma C4.5 untuk memprediksi pola pembelian sepeda motor berdasarkan atribut seperti merk, tahun, dan harga pada data transaksi showroom CV. VIVA MAS Motors. Hasilnya adalah pohon keputusan yang menggambarkan hubungan antara atribut tersebut dengan penjualan, memberikan informasi kepada manajer tentang produk dan target pasar terbaik.
Dokumen ini membahas perancangan enterprise architecture pada perusahaan perhiasan Jewelry Company menggunakan metode Zachman Framework. Zachman Framework digunakan untuk merancang sistem informasi perusahaan secara sistematis dan mudah dipahami. Hasilnya adalah usulan rancangan arsitektur sistem informasi yang diharapkan dapat mendukung kegiatan bisnis perusahaan secara optimal dan efektif."
Sim, aulia caesa veranza, sistem manajemen database, hapzi ali, universitas m...auliacaesaveranza
1. Teknologi informasi sangat penting bagi Pertamina untuk meningkatkan arus data dan informasi sehingga perusahaan memiliki bahan untuk pengambilan keputusan. 2. Sistem informasi perlu meningkatkan proses bisnis Pertamina agar lebih kompetitif. 3. Teknologi informasi mendukung berbagai fungsi Pertamina mulai dari hulu sampai hilir seperti supply chain management dan pengadaan barang.
Sim, aulia caesa veranza, sistem manajemen database, hapzi ali, universitas...auliacaesa
1. Teknologi informasi sangat penting bagi Pertamina untuk meningkatkan arus data dan informasi sehingga perusahaan memiliki bahan untuk pengambilan keputusan yang lebih baik.
2. Sistem Informasi Manajemen (SIM) perlu ditingkatkan untuk meningkatkan proses bisnis Pertamina dan membuatnya lebih kompetitif di era globalisasi.
3. Penerapan e-procurement seperti e-auction telah membantu Pertamina menghemat bi
Modul perkuliahan ini membahas pengantar tentang penelitian operasional dan rumusan program linear. Topik utama meliputi konsep dan fungsi penelitian operasional serta formulasi model matematis dari program linear untuk memecahkan masalah alokasi sumber daya secara optimal. Contoh soal diberikan untuk memproduksi dua jenis baut dengan memaksimalkan laba total dengan mempertimbangkan keterbatasan waktu di setiap work station.
1. Dokumen tersebut membahas tentang media penyajian data yaitu tabel dan grafik.
2. Tabel digunakan untuk menyajikan data secara sistematis berdasarkan kriteria tertentu sedangkan grafik digunakan untuk menyajikan data secara visual.
3. Diberikan contoh-contoh tabel satu arah, dua arah, dan tiga arah serta contoh grafik garis, batang dan pie untuk menjelaskan penggunaan masing-masing media
Sistem manajemen basis data mengorganisasikan data perusahaan dalam jumlah besar untuk mendukung transaksi sehari-hari. Data diorganisasikan ke dalam tabel yang saling berhubungan untuk mengurangi pengulangan data dan meningkatkan konsistensi. Personel kunci termasuk administrator basis data yang bertanggung jawab atas sumber daya basis data.
Sistem manajemen basis data mengorganisasikan data perusahaan dalam jumlah besar untuk mendukung transaksi sehari-hari. Data diorganisasikan ke dalam tabel yang saling berhubungan untuk mengurangi pengulangan data dan meningkatkan konsistensi. Sistem ini dikelola oleh administrator basis data dan mendukung pengambilan keputusan melalui laporan dan formulir.
Seminar: Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jak...Nadiar AS
Slide persentasi seminar tanggal 9 Mei 2016. Visualisasi Data Interaktif Data Terbuka Pemerintah Provinsi DKI Jakarta Topik Ekonomi dan Keuangan Daerah
Dokumen tersebut menggambarkan implementasi metode algoritma C4.5 untuk memprediksi pola pembelian sepeda motor berdasarkan atribut seperti merk, tahun, dan harga pada data transaksi showroom CV. VIVA MAS Motors. Hasilnya adalah pohon keputusan yang menggambarkan hubungan antara atribut tersebut dengan penjualan, memberikan informasi kepada manajer tentang produk dan target pasar terbaik.
Dokumen ini membahas perancangan enterprise architecture pada perusahaan perhiasan Jewelry Company menggunakan metode Zachman Framework. Zachman Framework digunakan untuk merancang sistem informasi perusahaan secara sistematis dan mudah dipahami. Hasilnya adalah usulan rancangan arsitektur sistem informasi yang diharapkan dapat mendukung kegiatan bisnis perusahaan secara optimal dan efektif."
Sim, aulia caesa veranza, sistem manajemen database, hapzi ali, universitas m...auliacaesaveranza
1. Teknologi informasi sangat penting bagi Pertamina untuk meningkatkan arus data dan informasi sehingga perusahaan memiliki bahan untuk pengambilan keputusan. 2. Sistem informasi perlu meningkatkan proses bisnis Pertamina agar lebih kompetitif. 3. Teknologi informasi mendukung berbagai fungsi Pertamina mulai dari hulu sampai hilir seperti supply chain management dan pengadaan barang.
Sim, aulia caesa veranza, sistem manajemen database, hapzi ali, universitas...auliacaesa
1. Teknologi informasi sangat penting bagi Pertamina untuk meningkatkan arus data dan informasi sehingga perusahaan memiliki bahan untuk pengambilan keputusan yang lebih baik.
2. Sistem Informasi Manajemen (SIM) perlu ditingkatkan untuk meningkatkan proses bisnis Pertamina dan membuatnya lebih kompetitif di era globalisasi.
3. Penerapan e-procurement seperti e-auction telah membantu Pertamina menghemat bi
Modul perkuliahan ini membahas pengantar tentang penelitian operasional dan rumusan program linear. Topik utama meliputi konsep dan fungsi penelitian operasional serta formulasi model matematis dari program linear untuk memecahkan masalah alokasi sumber daya secara optimal. Contoh soal diberikan untuk memproduksi dua jenis baut dengan memaksimalkan laba total dengan mempertimbangkan keterbatasan waktu di setiap work station.
1. Dokumen tersebut membahas tentang media penyajian data yaitu tabel dan grafik.
2. Tabel digunakan untuk menyajikan data secara sistematis berdasarkan kriteria tertentu sedangkan grafik digunakan untuk menyajikan data secara visual.
3. Diberikan contoh-contoh tabel satu arah, dua arah, dan tiga arah serta contoh grafik garis, batang dan pie untuk menjelaskan penggunaan masing-masing media
Sistem manajemen basis data mengorganisasikan data perusahaan dalam jumlah besar untuk mendukung transaksi sehari-hari. Data diorganisasikan ke dalam tabel yang saling berhubungan untuk mengurangi pengulangan data dan meningkatkan konsistensi. Personel kunci termasuk administrator basis data yang bertanggung jawab atas sumber daya basis data.
Sistem manajemen basis data mengorganisasikan data perusahaan dalam jumlah besar untuk mendukung transaksi sehari-hari. Data diorganisasikan ke dalam tabel yang saling berhubungan untuk mengurangi pengulangan data dan meningkatkan konsistensi. Sistem ini dikelola oleh administrator basis data dan mendukung pengambilan keputusan melalui laporan dan formulir.
Similar to Prediksi Tingkat Pengangguran Kota Makassar 2011-2015 (20)
Modul Ajar Bahasa Inggris Kelas 10 Fase E Kurikulum MerdekaFathan Emran
Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka. Modul Ajar Bahasa Inggris Kelas 10 SMA/MA Fase E Kurikulum Merdeka.
Ppt landasan pendidikan Pai 9 _20240604_231000_0000.pdffadlurrahman260903
Ppt landasan pendidikan tentang pendidikan seumur hidup.
Prodi pendidikan agama Islam
Fakultas tarbiyah dan ilmu keguruan
Universitas Islam negeri syekh Ali Hasan Ahmad addary Padangsidimpuan
Pendidikan sepanjang hayat atau pendidikan seumur hidup adalah sebuah system konsepkonsep pendidikan yang menerangkan keseluruhan peristiwa-peristiwa kegiatan belajarmengajar yang berlangsung dalam keseluruhan kehidupan manusia. Pendidikan sepanjang
hayat memandang jauh ke depan, berusaha untuk menghasilkan manusia dan masyarakat yang
baru, merupakan suatu proyek masyarakat yang sangat besar. Pendidikan sepanjang hayat
merupakan asas pendidikan yang cocok bagi orang-orang yang hidup dalam dunia
transformasi dan informasi, yaitu masyarakat modern. Manusia harus lebih bisa menyesuaikan
dirinya secara terus menerus dengan situasi yang baru.
Teori Fungsionalisme Kulturalisasi Talcott Parsons (Dosen Pengampu : Khoirin ...nasrudienaulia
Dalam teori fungsionalisme kulturalisasi Talcott Parsons, konsep struktur sosial sangat erat hubungannya dengan kulturalisasi. Struktur sosial merujuk pada pola-pola hubungan sosial yang terorganisir dalam masyarakat, termasuk hierarki, peran, dan institusi yang mengatur interaksi antara individu. Hubungan antara konsep struktur sosial dan kulturalisasi dapat dijelaskan sebagai berikut:
1. Pola Interaksi Sosial: Struktur sosial menentukan pola interaksi sosial antara individu dalam masyarakat. Pola-pola ini dipengaruhi oleh norma-norma budaya yang diinternalisasi oleh anggota masyarakat melalui proses sosialisasi. Dengan demikian, struktur sosial dan kulturalisasi saling memengaruhi dalam membentuk cara individu berinteraksi dan berperilaku.
2. Distribusi Kekuasaan dan Otoritas: Struktur sosial menentukan distribusi kekuasaan dan otoritas dalam masyarakat. Nilai-nilai budaya yang dianut oleh masyarakat juga memengaruhi bagaimana kekuasaan dan otoritas didistribusikan dalam struktur sosial. Kulturalisasi memainkan peran dalam melegitimasi sistem kekuasaan yang ada melalui nilai-nilai yang dianut oleh masyarakat.
3. Fungsi Sosial: Struktur sosial dan kulturalisasi saling terkait dalam menjalankan fungsi-fungsi sosial dalam masyarakat. Nilai-nilai budaya dan norma-norma yang terinternalisasi membentuk dasar bagi pelaksanaan fungsi-fungsi sosial yang diperlukan untuk menjaga keseimbangan dan stabilitas dalam masyarakat.
Dengan demikian, konsep struktur sosial dalam teori fungsionalisme kulturalisasi Parsons tidak dapat dipisahkan dari kulturalisasi karena keduanya saling berinteraksi dan saling memengaruhi dalam membentuk pola-pola hubungan sosial, distribusi kekuasaan, dan pelaksanaan fungsi-fungsi sosial dalam masyarakat.
Paper ini bertujuan untuk menganalisis pencemaran udara akibat pabrik aspal. Analisis ini akan fokus pada emisi udara yang dihasilkan oleh pabrik aspal, dampak kesehatan dan lingkungan dari emisi tersebut, dan upaya yang dapat dilakukan untuk mengurangi pencemaran udara
Powerpoint Materi Menyusun dan Merencanakan Modul Ajar
Prediksi Tingkat Pengangguran Kota Makassar 2011-2015
1. 0
SISTEM BASIS DATA
PREDIKSI TINGKAT PENGANGGURAN
DI
KOTA MAKASSAR
Association Pattern & Association Rule
KELOMPOK 1
Rosani Djabir
Darwis
Zakiyah Marah
Bryan Nawanjaya Artika
Dewi Nugrawati Nurdin
UNIVERSITAS HASANUDDIN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
2013
2. 1
BAB I
PENDAHULUAN
Tersedianya lapangan/kesempatan kerja baru untuk mengatasi peningkatan penawaran tenaga
kerja merupakan salah satu target yang harus dicapai dalam pembangunan ekonomi daerah.
Upaya tersebut dapat diwujudkan melalui peningkatan pertumbuhan ekonomi khususnya
investasi langsung (direct investment) pada sektor-sektor yang bersifat padat karya, seperti
konstruksi, infrastruktur maupun industri pengolahan. Sementara pada sektor jasa, misalnya
melalui perdagangan maupun pariwisata. Tenaga kerja adalah orang yang siap masuk dalam
pasar kerja sesuai dengan upah yang ditawarkan oleh penyedia pekerjaan. Jumlah tenaga kerja
dihitung dari penduduk usia produktif (umur 15 thn–65 thn) yang masuk kategori angkatan kerja
(labourforce).
Kondisi di negara berkembang pada umumnya memiliki tingkat pengangguran yang jauh
lebih tinggi dari angka resmi yang dikeluarkan oleh pemerintah. Hal ini terjadi karena ukuran
sektor informal masih cukup besar sebagai salah satu lapangan nafkah bagi tenaga kerja tidak
terdidik. Sektor informal tersebut dianggap sebagai katup pengaman bagi pengangguran.
Angka resmi tingkat pengangguran umumnya menggunakan indikator pengangguran
terbuka, yaitu jumlah angkatan kerja yang secara sungguh-sungguh tidak bekerja sama sekali dan
sedang mencari kerja pada saat survei dilakukan. Sementara yang setengah pengangguran dan
penganggur terselubung tidak dihitung dalam angka pengangguran terbuka, karena mereka masih
menggunakan waktu produktifnya selama seminggu untuk bekerja meskipun tidak sampai 35
jam penuh.
Sumber data ketenagakerjaan seperti instansi yang bertanggung jawab dibidang
ketenagakerjaan yang berada di daerah baik Propinsi maupun Kabupaten/Kota tidak pernah lagi
mau mengirim data dan informasi ke pusat .Kondisi ini telah mempengaruhi keberadaan data dan
informasi ketenagakerjaan, yang pada akhirnya data dan informasi ketenagakerjaan yang
3. 2
dipergunakan saat ini masih bertumpu pada data dan informasi ketenagakerjaan yang bersifat
makro. Data dan informasi ketenagakerjaan makro tersebut, sampai saat ini belum mampu untuk
menjawab berbagai tantangan dan masalah ketenaga-kerjaan yang dihadapi.
4. 3
BAB II
TINJAUAN PUSTAKA
ALGORITMA ECLAT
Algoritma eclat digunakan untuk menampilkan itemset mining. Pola frekuensi itemset
mining dapat ditemui pada data seperti jika seorang pelanggan membeli roti, pasti juga akan
membeli susu. Jenis pola seperti ini disebut kaidah asosiasi (association rules) dan banyak
digunakan pada berbagai aplikasi.
Ide dasar dari algoritma eclat ialah meggunakan interseksi (titik potong) tid set (tid =
transaksi id) untuk menghitung support dari calon itemset yang jauh dari subset generasi yang
tidak terdapat pada prefix tree.
Berbeda pada apriori yang metode pencarian itemsetnya dari umum ke khusus dan
menyebar, metode pencarian alternatif pada algoritma eclat ialah dari khusus ke umum. Artinya
proses pencarian itemsetnya dimulai dari yang paling sering dikunjungi ke yang paling jarang
dikunjungi tanpa harus meperhatikan urutan. Selain itu proses pencariannya juga secara
mendalam (depth). Perbedaannya dapat digambarkan seperti berikut.
Frequent
itemset
border null
{a1,a2,...,an}
(a) General-to-specific
null
{a1,a2,...,an}
Frequent
itemset
border
(b) Specific-to-general
..
..
..
..
Frequent
itemset
border
null
{a1,a2,...,an}
(c) Bidirectional
..
..
APRIORI ECLAT
5. 4
Dalam prosesnya, eclat juga didefinisikan secara rekursif. Artinya proses pencarian itemset yang
diinginkan akan terjadi secara berkesinambungan sepanjang masih ada itemset yang tersisa. Ada
2 poin utamadalam algoritma eclat, yakni :
1. Menemukan itemset yang frequent (paling sering dikunjungi) dan
2. Melibatkan semua itemset yang tersedia dalam artian secara rekursif.
Metode pembentukan itemset pada algoritma eclat :
1. Nyatakan setiap item dalam tabel transaksi id (tid) secara vertical
2. Menentukan support (pendukung) dari setiap k-itemset dengan menyilangkan tid-list dari
kedua (k-1) subset. Pendekatan penyilangannya dapat dimulai dari atas-bawah, bawah-
atas atau gabungan keduanya. Untuk lebih jelasnya dapatdilihat pada gambar berikut ini.
(a) Breadth first (b) Depth first
APRIORI ECLAT
TID Items
1 A,B,E
2 B,C,D
3 C,E
4 A,C,D
5 A,B,C,D
6 A,E
7 A,B
8 A,B,C
9 A,C,D
10 B
Horizontal
Data Layout
A B C D E
1 1 2 2 1
4 2 3 4 3
5 5 4 5 6
6 7 8 9
7 8 9
8 10
9
Vertical Data Layout
6. 5
Dari pemaparan di atas dapat dilihat bahwa keuntungan dari algoritma eclat ialah proses
perhitungan support lebih cepat dibandingkan dengan apriori. Hai ini dikarenakan proses
pencarian itemsetnya secara mendalam dan ketika telah ditemukan itemset yang sering
dikunjungi maka proses berakhir.
Berbeda pada apriori yang proses pencariannya secara melebar sehingga hal ini
membutuhkan waktu yang cukup lama untuk menentukan itemset yang sering dikunjungi karena
metode pencariannya secara menyeluruh (satu-satu). Meskipun telah ditemukan itemset yang
sering dikunjungi namun jika masih ada itemset yang belum dieksekusi maka proses akan
dilanjutkan. Hal inilah yang menyebabkan proses perhitungan support pada eclat jauh lebih cepat
dibandingkan apriori.
Namun di sisi lain, eclat juga memiliki kekurangan yaitu penggunaan memorinya jauh
lebih besar dibandingkan apriori. Pada proses pembentukan itemset pada eclat digambarkan
secara vertikal. Artinya jika transaksi yang terjadi misalkan 10 kali, dan terdapat 20 itemset,
maka proses eksekusi yang terjadi ialah sebanyak itemset yang ada yaitu sebanyak 20 kali
eksekusi. Kalau apriori tidaklah demikian, eksekusi terjadi sebanyak transaksi yang ada yaitu 10
kali eksekusi. Hal inilah yang menyebabkan ukuran memori pada eclat lebih besar dibandingkan
apriori. Akan tetapi, akan memudahkan untuk mengetahui itemset yang sering dikunjungi pada
algoritma eclat.
A
1
4
5
6
7
8
9
B
1
2
5
7
8
10
AB
1
5
7
8
7. 6
BAB III
PEMBAHASAN
Berikut merupakan diagram pohon dalam algoritma FP-Tree dari tiap indikator:
1
PENDUDUK (2009) = 1.272.349
LAJU PERTUMBUHAN (2000-2010) = 1,65
PENDUDUK (2010) = 1.339.374
8. 7
22
LAKI-LAKI (2007) = 31.079
LAKI-LAKI (2008) = 5.726
LAKI-LAKI (2009) = 2.858
LAKI-LAKI (2010) = 4.823
PEREMPUAN (2007) = 36.211
PEREMPUAN (2008) = 5.273
PEREMPUAN (2009) = 3.026
PEREMPUAN (2010) = 3.589
P. KERJA (2007) = 67.290
P. KERJA (2008) = 10.999
P. KERJA (2009) = 5.884
P. KERJA (2010) = 10.212
9. 8
32
LAKI-LAKI (2007) = 417
LAKI-LAKI (2008) = 0
LAKI-LAKI (2009) = 150
LAKI-LAKI (2010) = 1.497
PEREMPUAN (2007) = 445
PEREMPUAN (2008) = 0
PEREMPUAN (2009) = 226
PEREMPUAN (2010) = 1.134
P. KERJA (2007) = 862
P. KERJA (2008) = 0
P. KERJA (2009) = 376
P. KERJA (2010) = 2.631
10. 9
42
LAKI-LAKI (2007) = 31.079
LAKI-LAKI (2008) = 5.726
LAKI-LAKI (2009) = 2.814
LAKI-LAKI (2010) = 4.963
PEREMPUAN (2007) = 36.211
PEREMPUAN (2008) = 5.273
PEREMPUAN (2009) = 3.027
PEREMPUAN (2010) = 5.725
P. KERJA (2007) = 67.290
P. KERJA (2008) = 10.999
P. KERJA (2009) = 5.841
P. KERJA (2010) = 10.688
11. 10
52
LAKI-LAKI (2007) = 2.301
LAKI-LAKI (2008) = 64
LAKI-LAKI (2009) = 70
LAKI-LAKI (2010) = 1.217
PEREMPUAN (2007) = 2.292
PEREMPUAN (2008) = 59
PEREMPUAN (2009) = 107
PEREMPUAN (2010) = 1.556
P. KERJA (2007) = 4.593
P. KERJA (2008) = 123
P. KERJA (2009) = 177
P. KERJA (2010) = 2.773
16. 15
Tingkat Pengangguran Terbuka (TPT) kota Makassar tahun 2009 yaitu 12,86 dan tahun 2010 yaitu 12,17.
Akan diprediksi TPT kota Makassar tahun 2011-2015.
17. 16
Association Pattern (Algoritma FP-Growth)
FP-Tree berdasarkan Tingkat Pendidikan
Keterangan:
P.K.D = Pencari Kerja yang Terdaftar(Indikator 2)
P.K.T = Pencari Kerja yang Ditempatkan(Indikator 3)
P.K.B = Pencari Kerja yang Belum Ditempatkan(Indikator 4)
P.K.H = Pencari Kerja yang Dihapuskan(Indikator 5)
= Indikator 6
= Indikator 7
= Indikator 8
= Indikator 9
= Indikator 2-Indikator 5
Null
ol
SD
SLTP
SMA
D1,D2
D3
S1
Lulusan SD
Lulusan SMA
Lulusan Unhas
Lulusan UNM
P.K.D P.K.T P.K.B P.K.H
P.K.D P.K.T P.K.B P.K.H
P.K.D P.K.T P.K.B P.K.H
18. 17
FP-Tree berdasarkan Jenis Kelamin
FP-Tree berdasarkan tingkat pendidikan merupakan bagian dari FP-Tree berdasarkan jenis kelamin. Jadi,
untuk menentukan tingkat pengangguran berikutnya akan digunakan FP-Tree berdasarkan jenis
kelamin.
Berdasarkan indikator dan pohon diatas, diketahui bahwa tingkat pendidikan SLTP, D1, D2, dan D3 tidak
relevan terhadap jumlah lulusan, pencari kerja, maupun tingkat pengangguran. Jadi:
Null
ol
SD
SLTP
SMA
D1,D2
D3
S1
Lulusan SD
Lulusan SMA
Lulusan Unhas
Lulusan UNM
P.K.D P.K.T P.K.B P.K.H
P.K.D P.K.T P.K.B P.K.H
L P L P L P L P
L P L P L P L P
P.K.D P.K.T P.K.B P.K.H
L P L P L P L P
19. 18
Khusus untuk tingkat pendidikan S1 dengan lulusan UNM pada indikator 9, variabel Fakultas disetarakan
dengan indikator dengan tingkat pendidikan yang sama sebelumnya, yaitu lulusan Unhas pada indikator
8. Jadi, variabel Fakultas diabaikan (Tidak relevan terhadap jumlah pencari kerja, namun relevan
terhadap tingkat pengangguran).
Prediksi Tingkat Pengangguran kota Makassar tahun 2011-2015
Predikasi tingkat pengagguran berdasarkan data kabupaten Makassar. Jadi, untuk setiap indikator yang
memuat data per kecamatan, data yang digunakan hanya jumlah total (data kabupaten).
Prediksi dilakukan berdasarkan sumber dari indikator (tambahan) dari data kependudukan dan
ketenagakerjaan BPS tahun 2010.Setelah indikator 1-9 disesuaikan dengan indikator tambahan, ternyata
ditemukan kesamaan, yaitu setiap indikator memuat data tahun sebelumnya (2009). Dalam melakukan
prediksi akan sesuatu dalam jangka waktu tertentu, harus dilakukan survey terhadap hal tersebut dalam
minimal 2 (dua) jangka waktu yang berbeda. Jadi, untuk memprediksi tingkat pengangguran kota
Makassar 5 tahun berikutnya (2011-2015), digunakan data tahun 2009 dan 2010 (jika suatu indikator
memuat data tahun sebelumnya selain tahun 2009, maka tahun lainnya diabaikan karena tidak memiliki
kesamaan/tidak relevan dengan indikator lainnya).
Null
ol
SD
SMA
S1
Lulusan SD
Lulusan SMA
Lulusan Unhas
Lulusan UNM
P.K.D P.K.T P.K.B P.K.H
P.K.D P.K.T P.K.B P.K.H
L P L P L P L P
L P L P L P L P
P.K.D P.K.T P.K.B P.K.H
L P L P L P L P
20. 19
1. Pengaruh lulusan SD terhadap tingkat pengangguran
Pencari Kerja yang terdaftar (P.K.D) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang ditempatkan (P.K.T) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang belum ditempatkan (P.K.B) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang dihapuskan (P.K.H) (2010)
Laki-Laki
Perempuan
21. 20
Total (laki-Laki + Perempuan)
2. Pengaruh lulusan SMA terhadap tingkat pengangguran
Pencari Kerja yang terdaftar (P.K.D) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang ditempatkan (P.K.T) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang belum ditempatkan (P.K.B) (2010)
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
Pencari Kerja yang dihapuskan (P.K.H) (2010)
22. 21
Laki-Laki
Perempuan
Total (laki-Laki + Perempuan)
3. Pengaruh lulusan S1 terhadap tingkat pengangguran
Berdasarkan indikator yang ada, tidak akurat jika lulusan S1 hanya berasal dari Unhas dan UNM.
Jadi, pengaruhnya terhadap tingkat pengagguran secara pasti tidak dapat dihitung, namun dapat
diperhitungkan dengan formula:
Keterangan:
Total P. K. SD = Total Pencari Kerja (Terdaftar, Ditempatkan, Belum Ditempatkan &
Dihapuskan) tingkat pendidikan SD (%)
Total P. K. SMA = Total Pencari Kerja (Terdaftar, Ditempatkan, Belum Ditempatkan &
Dihapuskan) tingkat pendidikan SMA (%)
Maka
Namun, pengaruh diatas (5.0042394%) masih dipengaruhi oleh jumlah lulusan tingkat
pendidikan lainnya (selain SD, SMA, dan S1) dan jumlah bukan lulusan tingkat pendidikan (tidak
berpendidikan,dsb.). Jadi, dilakukan asumsi bahwa persentase merupakan pengaruh lulusan S1
(mewakili tingkat pendidikan lainnya) dan pengaruh jumlah bukan lulusan tingkat pendidikan
diasumsikan 0 (sumber: www). Oleh karena itu, pengaruh lulusan S1 berdasarkan jenis kelamin
hasilnya akan lebih tidak akurat dari pengaruh lulusan S1 diatas.
4. Pengaruh jumlah lulusan SD, SMA, Unhas & UNM terhadap tingkat pengangguran
Pencari Kerja yang terdaftar (P.K.D)
Tahun 2009
23. 22
Tahun 2010
Pencari Kerja yang ditempatkan (P.K.T)
Tahun 2009
Tahun 2010
Pencari Kerja yang belum ditempatkan (P.K.B) (2010)
Tahun 2009
Tahun 2010
Pencari Kerja yang dihapuskan (P.K.H) (2010)
Tahun 2009
Tahun 2010
5. Jumlah pengangguran tahun 2009 & tahun 2010
Jumlah pengangguran berdasarkan tingkat pengangguran di kota Makassar
Peningkatan/Penurunan (2009-2010)
Terjadi penurunan tingkat pengangguran sebesar 0,38%.
Jumlah lulusan SD yang menjadi pengangguran di kota Makassar
24. 23
Peningkatan/Penurunan (2009-2010)
Tidak terjadi peningkatan maupun penurunan tingkat pengangguran.
Jumlah lulusan SMA yang menjadi pengangguran di kota Makassar
Peningkatan/Penurunan (2009-2010)
Terjadi peningkatan tingkat pengangguran sebesar 8.33333%.
Jumlah lulusan Unhas yang menjadi pengangguran di kota Makassar
Peningkatan/Penurunan (2009-2010)
Tidak terjadi peningkatan maupun penurunan tingkat pengangguran.
Jumlah lulusan UNM yang menjadi pengangguran di kota Makassar
25. 24
Peningkatan/Penurunan (2009-2010)
Tidak terjadi peningkatan maupun penurunan tingkat pengangguran.
Jumlah lulusan SD, SMA, Unhas & UNM yang menjadi pengangguran di kota Makassar
Peningkatan/Penurunan (2009-2010)
Terjadi peningkatan tingkat pengangguran sebesar 3.0303%.
6. Prediksi tingkat pengangguran tahun 2011-2015
Untuk memprediksi tingkat penggangguran 5 tahun berikutnya, gunakan persentase
peningkatan/penurunan dari tingkat pengangguran tahun 2009 dan 2010.Jika tidak ada
peningkatan/penurunan tingkat pengangguran (0%), maka tingkat penganggurannya tidak dapat
diprediksi (dapat berubah sewaktu-waktu).
Prediksi tingkat pengangguran di kota Makassar
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi penurunan tingkat
pengangguran sebesar 1.9% tiap tahunnya. Jadi:
26. 25
Prediksi tingkat pengangguran berdasarkan jumlah lulusan SD di kota Makassar
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksitingkat pengangguran
lulusan SD (dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Prediksi tingkat pengangguran berdasarkan jumlah lulusan SMA di kota Makassar
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi peningkatan tingkat
pengangguran lulusan SMA sebesar 41.6667% tiap tahunnya.
Prediksi tingkat pengangguran berdasarkan jumlah lulusan Unhas di kota Makassar
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksitingkat pengangguran
lulusan Unhas (dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Prediksi tingkat pengangguran berdasarkan jumlah lulusan UNM di kota Makassar
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksitingkat pengangguran
lulusan UNM (dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Prediksi tingkat pengangguran berdasarkan jumlah lulusan SD, SMA, Unhas & UNM di kota
Makassar
27. 26
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi peningkatan tingkat
pengangguran lulusan SD, SMA, Unhas & UNM sebesar 15.1515% tiap tahunnya.
Association Rule (Algoritma Eclat)
Algoritma Eclat dengan R 2.7.2
Package éclat, yaitu a-rules diperlukan untuk menggunakan algoritma éclat dalam R. Object northwind-
orders.txt diperlukan untuk membuat tabel tid-list dari itemset. Dengan bantuan object northwind-
orders.txt, maka package éclat dapat membaca nilai huruf kapital maupun kecil dengan nilai maksimal
26 (26 huruf) (A atau a bernilai 1 hingga Z atau z bernilai 26). Tanpa object northwind-orders.txt, maka
package éclat hanya dapat membaca nilai angka.
Orientasi
Keterangan:
P.K.D = Pencari Kerja yang Terdaftar (Indikator 2)
P.K.T = Pencari Kerja yang Ditempatkan (Indikator 3)
28. 27
P.K.B = Pencari Kerja yang Belum Ditempatkan (Indikator 4)
P.K.H = Pencari Kerja yang Dihapuskan (Indikator 5)
= Indikator 6
= Indikator 7
= Indikator 8
= Indikator 9
= Indikator 2-Indikator 5
Berdasarkan orientasi diatas, diperoleh jumlah itemset yaitu 32, dengan masing-masing 8 itemset untuk
tingkat pendidikan SD & SMA dan masing-masing 8 itemset untuk setiap badan tingkat pendidikan S1
(Unhas & UNM). Jadi:
Itemset 1: SD -> Lulusan SD -> P.K.D. -> L
Itemset 2: SD -> Lulusan SD -> P.K.D. -> P
Itemset 3: SD -> Lulusan SD -> P.K.T. -> L
…
Itemset 9: SMA -> Lulusan SMA -> P.K.D. -> L
…
Itemset 17: S1 -> Lulusan Unhas -> P.K.D. -> L
…
Itemset 32: S1 -> Lulusan UNM -> P.K.H. -> P
Implementasi
Tabel bantu northwind-orders.txt
Keterangan Huruf dalam northwind-orders.txt
SD A
SMA B
S1 C
Lulusan SD D
Lulusan SMA E
Lulusan Unhas F
Lulusan UNM G
29. 28
P.K.D. H
P.K.T. I
P.K.B. J
P.K.H. K
L L
P M
Perubahan orientasi:
Itemset 1: A -> D -> H -> L
Itemset 2: A -> D -> H -> M
Itemset 3: A -> D -> I -> L
…
Itemset 9: B -> E -> H -> L
…
Itemset 17: C -> F -> H -> L
…
Itemset 32: C -> G -> K -> M
30. 29
Import object northwind-orders.txt seperti diatas dalam R console dengan package éclat
Gunakan sintaks berikut dalam R Editor
Inspect(itemsets) adalah sintaks untuk menampilkan hasil pennelusuran frequent itemset.
Parameter support=0.1 adalah support minimum.
31. 30
Parameter minlen=2 adalah panjang minimum gabungan itemset.
Parameter tidList=TRUE artinya tidak ditemukan kejanggalan dalam import data dari object ke console
Parameter target=”frequent itemset” artinya tujuan implementasi adalah untuk mencari frequent
itemset (itemset yang sering dikunjungi) dengan support tertinggi.
Parameter maxlen=5 adalah panjang maksimum gabungan itemset (dalam orientasi 4, namun dalam
implementasi ditambah 1 menjadi 5).
Parameter ext=FALSE artinya dalam hasil implementasi ditemukan kesalahan (anggap tidak ada
kesalahan karena object northwind-orders.txt bukan ekstensi R, jadi R menganggap bahwa object error).
Terdapat 13 jenis item (A-M) dan 32 transaksi, dimana dibagi dalam 3 baris dan 32 kolom.
Dari hasil implementasi, ditemukan 3 itemset yang sering dikunjungi, yaitu:
Itemset 17 : S1 -> Lulusan Unhas -> P.K.D. -> Latau C -> F -> H -> L = 0.217044%
Itemset 18 : S1 -> Lulusan Unhas -> P.K.T. ->P atau C -> F -> H -> M = 0.217044%
Itemset 32 : S1 -> Lulusan UNM -> P.K.H. ->P atau C -> G -> K -> M = 0.325357%
32. 31
Berdasarkan hasil implementasi dengan R, dapat disimpulkan bahwa parameter untuk menentukan
prediksi tingkat pengangguran terletak pada jumlah pencari kerja laki-laki dan perempuan lulusan
Unhas yang terdaftar dan ditempatkan serta jumlah pencari kerja perempuan lulusan UNM yang
dihapuskan.
33. 32
BAB IV
KESIMPULAN
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi penurunan tingkat pengangguran
sebesar 1.9% tiap tahunnya. Jadi:
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksi tingkat pengangguran lulusan SD
(dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi peningkatan tingkat
pengangguran lulusan SMA sebesar 41.6667% tiap tahunnya.
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksi tingkat pengangguran lulusan
Unhas (dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Dalam jangka waktu 5 tahun (2011-2015), tidak dapat diprediksi tingkat pengangguran lulusan
UNM (dapat terjadi peningkatan maupun penurunan tiap tahunnya).
Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi peningkatan tingkat
pengangguran lulusan SD, SMA, Unhas & UNM sebesar 15.1515% tiap tahunnya.
Berdasarkan hasil implementasi dengan R, dapat disimpulkan bahwa parameter untuk menentukan
prediksi tingkat pengangguran terletak pada jumlah pencari kerja laki-laki dan perempuan lulusan
Unhas yang terdaftar dan ditempatkan serta jumlah pencari kerja perempuan lulusan UNM yang
dihapuskan.