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.

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

12. 11
6
LULUSAN (2008/2009) = 22.312
LULUSAN (2009/2010) = 21.365

13. 12
7
LULUSAN (2008/2009) = 16.694
LULUSAN (2009/2010) = 19.032

14. 13
82
LAKI-LAKI (2006) = 2.891
LAKI-LAKI (2007) = 2.779
LAKI-LAKI (2008) = 2.820
LAKI-LAKI (2009) = 2.977
PEREMPUAN (2003) = 3.175
PEREMPUAN (2004) = 3.601
PEREMPUAN (2005) = 3.588
PEREMPUAN (2006) = 3.157
LULUSAN (2005) = 6.978
LULUSAN (2006) = 6.048
LULUSAN (2007) = 5.969
LULUSAN (2008) = 5.898
LULUSAN (2004) = 7.252
LULUSAN (2003) = 6.687
LULUSAN (2009) = 6.323
LULUSAN (2010) = 6.279
LAKI-LAKI (2005) = 3.390
LAKI-LAKI (2004) = 3.651
LAKI-LAKI (2003) = 3.512
LAKI-LAKI (2010) = 2.692
PEREMPUAN (2007) = 3.190
PEREMPUAN (2008) = 3.078
PEREMPUAN (2009) = 3.346
PEREMPUAN (2010) = 3.587

15. 14
92
LAKI-LAKI (2006/2007) = 1.725
LAKI-LAKI (2007/2008) = 2.832
LAKI-LAKI (2008/2009) = 2.533
LAKI-LAKI (2009/2010) = 2.610
PEREMPUAN (2006/2007) = 2.756
PEREMPUAN (2007/2008) = 3.890
PEREMPUAN (2008/2009) = 3.279
PEREMPUAN (2009/2010) = 3.333
LULUSAN (2006/2007) = 4.481
LULUSAN (2007/2008) = 6.817
LULUSAN (2008/2009) = 5.812
LULUSAN (2009/2010) = 5.943

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.