prediksi tingkat pengangguran kota makassar 2011-2015

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

20130

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

1

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.

2

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.

3

APRIORI ECLAT

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) dan2. 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.

4

APRIORI ECLAT

Ù ®

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.

5

A1456789

B1257810

AB1578

BAB III

PEMBAHASAN

Berikut merupakan diagram pohon dalam algoritma FP-Tree dari tiap indikator:

6

1

PENDUDUK (2009) = 1.272.349

LAJU PERTUMBUHAN (2000-2010) = 1,65

PENDUDUK (2010) = 1.339.374

7

P. KERJA (2010) = 10.212

P. KERJA (2009) = 5.884

P. KERJA (2008) = 10.999

P. KERJA (2007) = 67.290

PEREMPUAN (2010) = 3.589

PEREMPUAN (2009) = 3.026

PEREMPUAN (2008) = 5.273

PEREMPUAN (2007) = 36.211

LAKI-LAKI (2010) = 4.823

LAKI-LAKI (2008) = 5.726

LAKI-LAKI (2009) = 2.858

LAKI-LAKI (2007) = 31.079

22

8

LAKI-LAKI (2007) = 417

LAKI-LAKI (2008) = 0

LAKI-LAKI (2009) = 150

LAKI-LAKI (2010) = 1.497

PEREMPUAN (2007) = 445



PEREMPUAN (2010) = 1.134

P. KERJA (2007) = 862

P. KERJA (2008) = 0

P. KERJA (2009) = 376

P. KERJA (2010) = 2.631

32

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

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 (2010) = 1.556

P. KERJA (2007) = 4.593

P. KERJA (2008) = 123

P. KERJA (2009) = 177

P. KERJA (2010) = 2.773

11

LULUSAN (2008/2009) = 22.312

LULUSAN (2009/2010) = 21.3656

12

LULUSAN (2009/2010) = 19.032

LULUSAN (2008/2009) = 16.6947

13

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

82

LAKI-LAKI (2006) = 2.891

LAKI-LAKI (2007) = 2.779

LAKI-LAKI (2008) = 2.820

LAKI-LAKI (2009) = 2.977

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

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.

15

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

16

P.K.D P.K.T P.K.B P.K.H


Nullol

SD

SLTP

SMA

D1,D2

D3

S1

Lulusan SD

Lulusan SMA

Lulusan Unhas

Lulusan UNM


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:

17


L P L P L P L P

L P L P L P L P

L P L P L P L P

P.K.HP.K.BP.K.TP.K.D

P.K.HP.K.BP.K.TP.K.D

Lulusan UNM

Lulusan Unhas

Lulusan SMA

Lulusan SD

S1

D3

D1,D2

SMA

SLTP

SD

Nullol

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).

18

Nullol

SD

SMA

S1

Lulusan SD

Lulusan SMA

Lulusan Unhas

Lulusan UNM



L P L P L P L P

L P L P L P L P


L P L P L P L P

1. Pengaruh lulusan SD terhadap tingkat pengangguran Pencari Kerja yang terdaftar (P.K.D) (2010)

Pengaruh= Jumlah P . K . D .Jumlahlulusan SD

× Tingkat Pengagguran (%)

Laki-Laki

Pengaruh= 621365

×12.17 %=0.0034177 %

Perempuan

Pengaruh= 221365

×12.17 %=0.0011392%

Total (laki-Laki + Perempuan)

Pengaruh= 821365

×12.17 %=0.004557 %

Pencari Kerja yang ditempatkan (P.K.T) (2010)

Pengaruh= Jumlah P. K . T .Jumlahlulusan SD


Laki-Laki

Pengaruh= 021365

×12.17 %=0 %

Perempuan

Pengaruh= 021365

×12.17 %=0 %


Pengaruh= 021365

×12.17 %=0 %

Pencari Kerja yang belum ditempatkan (P.K.B) (2010)

Pengaruh= JumlahP . K . B .Jumlahlulusan SD


Laki-Laki

Pe ngaruh= 721365

×12.17 %=0.0039874 %

Perempuan

Pengaruh= 221365

×12.17 %=0.0011392%


Pengaruh= 921365

×12.17 %=0.0051266 %

Pencari Kerja yang dihapuskan (P.K.H) (2010)

Pengaruh= Jumlah P . K . H .Jumlahlulusan SD


Laki-Laki

19

Pengaruh= 021365

×12.17 %=0 %

Perempuan

Pengaruh= 021365

×12.17 %=0 %


Pengaruh= 021365

×12.17 %=0 %

2. Pengaruh lulusan SMA terhadap tingkat pengangguran Pencari Kerja yang terdaftar (P.K.D) (2010)

Pengaruh= Jumlah P . K . D .Jumlahlulusan SMA

×Tingkat Pengagguran(%)

Laki-Laki

Pengaruh= 268219032

× 12.17 %=1.7150032 %

Perempuan

Pengaruh= 168719032

× 12.17 %=1.0787511%


Pengaruh= 436919032

× 12.17 %=2.793754 %

Pencari Kerja yang ditempatkan (P.K.T) (2010)

Pengaruh= JumlahP . K .T .Jumlahlulusan SMA


Laki-Laki

Pengaruh= 127419032

× 12.17 %=0.814658 %

Perempuan

Pengaruh= 87419032

× 12.17 %=0.558879 %


Pengaruh= 214819032

× 12.17 %=1.373537 %

Pencari Kerja yang belum ditempatkan (P.K.B) (2010)

Pengaruh= JumlahP . K . B .Jumlahlulusan SMA


Laki-Laki

Pengaruh= 218219032

× 12.17 %=1.395278 %

Perempuan

Pengaruh= 194419032

× 12.17 %=1.24309 %

20


Pengaruh= 412619032

× 12.17 %=0.004909=2.638368 %

Pencari Kerja yang dihapuskan (P.K.H) (2010)

Pengaruh= Jumlah P . K . H .Jumlahlulusan SMA


Laki-Laki

Pengaruh= 33019032

× 12.17 %=0.211018%

Perempuan

Pengaruh= 21819032

× 12.17 %=0.1394 %


Pengaruh= 54819032

× 12.17 %=0.350418 %

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:

Pengaruh=Tingkat Pengangguran−Total P .K . SD−Total P . K . SMA

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

Pengaruh=12.17 %−(0.004557 %+0 %+0.0051266 %+0%)−(2.793754 %+1.373537 %+2.638368 %+0.350418 % )=5.0042394 %

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.

21

4. Pengaruh jumlah lulusan SD, SMA, Unhas & UNM terhadap tingkat pengangguran Pencari Kerja yang terdaftar (P.K.D)

Pen garuh= Jumlah P . K . D .Jumlah lulusan


Tahun 2009

Pengaruh= 5884(22312+16694+6323+5812)

× 12.86 %=1.4796 %

Tahun 2010

Pengaruh= 10212(21365+19032+6279+5943)

×12.17 %=2.361885 %

Pencari Kerja yang ditempatkan (P.K.T) Tahun 2009

Pengaruh= 37651141

×12.86 %=0.09455 %

Tahun 2010

Pengaruh= 263152619

× 12.17 %=0.626098 %

Pencari Kerja yang belum ditempatkan (P.K.B) (2010) Tahun 2009

Pengaruh= 584151141

×12.86 %=1.468787 %

Tahun 2010

Pengaruh=1068852619

× 12.17 %=2.471977 %

Pencari Kerja yang dihapuskan (P.K.H) (2010) Tahun 2009

Pengaruh= 17751141

×12.86 %=0.044509 %

Tahun 2010

Pengaruh= 277352619

× 12.17 %=0.641354 %

5. Jumlah pengangguran tahun 2009 & tahun 2010 Jumlah pengangguran berdasarkan tingkat pengangguran di kota Makassar

Jumlah Pengangguran=Jumlah Penduduk ×Tingkat Pengangguran

JumlahPengangguran (2009 )=1272349× 12.86=163624.1=163625 jiwa

Jumlah Pengangguran (2010 )=1339374 ×12.17=163001.8=163002 jiwa

Peningkatan/Penurunan (2009-2010)

22

163625−163002163002

× 100 %=0.382204 %

Terjadi penurunan tingkat pengangguran sebesar 0,38%.

Jumlah lulusan SD yang menjadi pengangguran di kota Makassar

Jumlah Pengangguran ( SD )= Jumlah Lulusan SDJumlah Pengangguran

× 100 %

Jumlah Pengangguran (2009 )= 22312163625

×100 %=13.63606=14 jiwa


× 100 %=13.1072=14 jiwa


14−1414

× 100 %=0%

Tidak terjadi peningkatan maupun penurunan tingkat pengangguran.

Jumlah lulusan SMA yang menjadi pengangguran di kota Makassar

Jumlah Pengangguran ( SMA )= J umlah Lulusan SMAJumlah Pengangguran

× 100 %


×100 %=10.2026=11 jiwa


× 100 %=11.67593=12 jiwa


11−1212

× 100 %=−8.33333 %

Terjadi peningkatan tingkat pengangguran sebesar 8.33333%.

Jumlah lulusan Unhas yang menjadi pengangguran di kota Makassar

Jumlah Pengangguran (Unhas )= Jumlah LulusanUnhasJumlah Pengangguran

×100 %


×100 %=3.864324=4 jiwa

23


× 100 %=3.8521=4 jiwa


4−44

× 100 %=0 %


Jumlah lulusan UNM yang menjadi pengangguran di kota Makassar

Jumlah Pengangguran (UNM )= Jumlah LulusanUNMJumlah Pengangguran

×100 %

Jumlah Pe ngangguran (2009 )= 5812163625

×100 %=3.552024=4 jiwa


× 100 %=3.645968=4 jiwa


4−44

× 100 %=0%


Jumlah lulusan SD, SMA, Unhas & UNM yang menjadi pengangguran di kota Makassar

Jumlah Pengangguran= Jumlah LulusanJumlah Pengangguran

×100 %


×100 %=31.255=32 jiwa


× 100 %=32.2812=33 jiwa


32−3333

× 100 %=−3.0303 %

Terjadi peningkatan tingkat pengangguran sebesar 3.0303%.

6. Prediksi tingkat pengangguran tahun 2011-2015

24

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

Tingkat pengangguran (2011−2015)=Persentase peningkatan/ penurunan×5

Tingkat pengangguran (2011−2015 )=0.38 % ×5=1.9 %

Dalam jangka waktu 5 tahun (2011-2015), diprediksi akan terjadi penurunan tingkat pengangguran sebesar 1.9% tiap tahunnya. Jadi:

Tingkat PengangguranTerbuka (TPT )tahun2011=12.17 %−1.9 %=10.27 %



Tingkat PengangguranTerbuka (TPT )tahu n2014=6.47 %−1.9 %=4.57 %


Prediksi tingkat pengangguran berdasarkan jumlah lulusan SD di kota Makassar


Tingkat pengangguran (2011−2015 )=0%× 5=0 %

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


Tingkat pengangguran (2011−2015 )=−8.33333 % ×5=−41.6667 %

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

Tingkat penganggur an(2011−2015)=Persentase peningkatan/ penurunan×5


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


Tingkat pengangguran (2011−2015 )=−3.0303 %× 5=−15.1515 %

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

26

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

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

27

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.txtSD ASMA BS1 CLulusan SD DLulusan SMA ELulusan Unhas FLulusan UNM GP.K.D. HP.K.T. IP.K.B. JP.K.H. KL LP 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

…

28

Itemset 17: C -> F -> H -> L

…

Itemset 32: C -> G -> K -> M

Import object northwind-orders.txt seperti diatas dalam R console dengan package éclat

29

Gunakan sintaks berikut dalam R Editor

Inspect(itemsets) adalah sintaks untuk menampilkan hasil pennelusuran frequent itemset.

Parameter support=0.1 adalah support minimum.

Parameter minlen=2 adalah panjang minimum gabungan itemset.

30

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%

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.

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.

33

prediksi tingkat pengangguran kota makassar 2011-2015

Education