Seminar Nasional Telekomunikasi dan Info
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
ISSN : 2503-2844
MEMBANGUN ATURAN ASOSIASI MENGGUNAKAN
ALGORITMA APRIORI UNTUK MENGETAHUI HUBUNGAN
KRIMINALITAS DENGAN FAKTOR DEMOGRAFI SEBAGAI
PERTIMBANGAN MEMBUAT ATURAN KEPENDUDUKAN
Feri Sulianta
Fakultas Teknis, Jurusan Teknik Informatika
Universitas Widyatama
Jalan Cikutra No. 204A, Bandung, Indonesia
[email protected]
Abstrak
Pendekatan penambangan data digunakan
sebagai teknik untuk mendapatkan informasiinformasi penting yang dapat dijadikan bahan
penunjang dalam suatu pengambilan keputusan. Pada
penelitian ini, metode asosiasi diimplementasikan
untuk mendapatkan hubungan sebab akibat yang ada
pada
data
kependudukan,
terutama
untuk
mendapatkan pola hubungan kejadian kriminalitas
dengan karakteristik penduduk. Dalam kasus ini,
didapati data-data dengan nilai yang tidak valid dan
kendala ketidaklengkapan data, yang harus ditangani
dengan seksama sehingga layak untuk dibangunkan
aturan asosiasi. Algoritma apriori diterapkan pada
metode ini, karena algoritma ini terbukti mampu
menghasilkan aturan dengan tingkat akurasi tinggi
dalam membangun pola keterhubungan antar atribut.
Aturan asosiasi akan dijadikan dasar dalam membuat
kebijakan sehubungan masalah kependudukan.
Apriori algorithm is applied to this method, since the
algorithm is proven to generate rules with high
degree of accuracy in establishing the pattern of
connectivity between attributes . Association rules
will be used as a basis for making policy related to
the population problem .
Keywords :
apriori, association rule, data mining, , demographics,
crime, populations
I. PENDAHULUAN
Data Mining saat ini menjadi suatu metode yang
mulai banyak digunakan untuk menemukan berbagai
informasi yang signifikan dari kumpulan data historis
dan digunakan sebagai dasar untuk membuat
berbagai kebijakan. (Tan, Steinbach & Kumar, 2006)
Abstract
Untuk memberikan hasil maksimal, secara
umum diperlukan beberapa tahapan dalam proses
penambangan data dengan metode asosiasi, antara
lain: pemahaman masalah, pengenalan data,
penanganan data,
proses menambang dan
kesimpulan hasil serta evaluasi dan analisa.
Data mining approach is used as a technique to
obtain important information that can be used as
supporting material in a decision . in this study, the
association method is implemented to obtain
relationship existing on population data , especially
to get the relationship patterns of crime events
related to characteristics of the population. In this
case , invalid data and missing values must be
handled carefully before building association rules.
Penelitian ini mencoba menerapkan algoritma
Apriori sebagai salah satu metode penambangan data
yang akan menghasilkan aturan asosiasi. Aturan
tersebut membentuk korelasi antara faktor demografi
dan karaktersitik sosial terhadap kejadian kriminalitas
yang sering ditemui di masyarakat. Adapun data yang
akan digunakan adalah data demogafi Amerika
Serikat. Beberapa rule yang berhasil ditemukan akan
digunakan sebagai bahan untuk menyusun beberapa
Kata kunci :
apriori, aturan asosiasi, menambang data, demografi,
kriminalitas, kependudukan
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
usulan atau masukan bagi
penanggulangan kriminalitas.
pemerintah dalam
II. KAJIAN LITERATUR
Penambangan data menarik banyak perhatian
dalam industri informasi dan bisnis dalam dekade
terakhir, hal ini dikarenakan karena ketersediaan
data dalam jumlah besar. Umumnya data didapat dari
kegiatan transaksional dan arsip yang tersimpan
dalam sistem komputer. Teknik penambangan data
tersebut dapat menghasilkan informasi yang berharga
yang dipandang sebagai pengetahuan. Pengetahuan
dari pertambangan dapat digunakan untuk aplikasi
mulai dari analisis bisnis, deteksi pola penyakit,
industri periklanan, prediksi bencana, pertanian dan
banyak lagi (Sulianta, 2013).
Banyak istilah penambangan data lainnya
dikembangkan, seperti pertambangan pengetahuan
dari data, ekstraksi pengetahuan, analisis pola,
arkeologi data, dan data pengerukan. Kebanyakan
orang memperlakukan data mining sebagai
Knowledge Discovery Database (Witten & Frank,
2005).
ISSN : 2503-2844
pada kumpulan data dengan yang telah ditentukan
dukungan minimal, disebut frequent item (frekunsi
kemunculan item data) yang ditetapkan. Jika
kombinasi kurang dari minimum support yang telah
ditentukan maka kombinasi tersebut layak untuk
dihilangkan. Kumpulan atribut yang diidentifikasi
sering muncul digunakan untuk membangun aturan
yang diinginkan untuk mencocokkan pola untuk
dikumpulkan sebagai frequent (Han, Kamber &
Micheline, 2006)
Algoritma apriori mampu menghasilkan
hubungan dan aturan tentang transaksi kumpulan data
yang akan mengungkapkan pola pilihan pelanggan
terhadap suatu produk, yang mampu mengungkapkan
hal yang awalnya tak teralamati dan sulit untuk
diukur (Agrawal & Srikant, 1994).
Perhitungan dalam algoritma Apriori diukur
berdasarkan dukungan persentase kejadian atau suatu
aksi yang dihitung dengan rumus seperti yang
dijelaskan di bawah ini:
Confidence (A B) = (semua data yang
terdiri dari komponen
A dan B)
dibandingkan dengan (semua data yang
terdiri atau mengandung komponen A)
Support (A B) = (semua data yang terdiri
dari komponen A dan B) dibandingkan
dengan (keseluruhan data)
Gambar 1. Menambang data sebagai proses
dalam mendapatan pengetahuan
Sebelum menambang data dan mendapatkan aturan
asosiasi, data mentah harus proses terlebih dahulu,
yang mencakup transformassi data, agregasi,
normalisasi
terhadap
redudansi
data
serta
mengkonstruksi atribut.
Gambar 2. Proses transformasi data dan reduksi
data sebelum tahap menambang data
Algoritma Apriori digunakan sebagai prosedur
untuk menghasilkan aturan asosiasi. Secara teknis,
algoritma akan mencari berbagai kombinasi item
Gambar 3. Flowchart Association Rule
MenggunakanAlgoritma Apriori
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
Aturan asosiasi mengungkapkan pengetahuan
sehubungan dengan data transaksional menggunakan
algoritma Apriori dengan tingkat support lebih dari
50% dan confident sama atau lebih tinggi dari 70%
(Witten & Frank, 2005).
III. ANALISIS DAN PERANCANGAN
Data demografi yang tersedia sangat beraneka
ragam, mulai dari populasi, ekonomi, kriminalitas,
dan sebagainya. Dari data-data yang tersedia begitu
banyak, dapat dibuat beberapa asumsi, antara lain:
1.
Hubungan antara kriminalitas
persoalan perumahan.
2.
Hubungan antara jenis-jenis kriminalitas
3.
Hubungan antara tingkat pendapatan dengan
kriminalitas.
4.
Hubungan
antara
kriminalitas.
rasisme
dengan
Dari data tersebut diatas, diputuskan untuk
atribut yang memiliki tingkat missing value 55% dan
85% tidak digunakan. Selanjutnya untuk tingkat
missing value CT=0 574
conf: (0.96)
2. CS=0 DZ=0 750 ==> CT=0 705
conf:(0.94)
3. BX=3 DZ=0 783 ==> CT=0 735
conf:(0.94)
4. BX=3 CS=0 898 ==> CT=0 842
conf:(0.94)
5. Q=100 BX=3 DZ=0 403 ==> CT=0 373
conf:(0.93)
6. Q=100 BX=3 CS=0 491 ==> CT=0 453
conf:(0.92)
7. Q=100 CS=0 DZ=0 402 ==> CT=0 370
conf:(0.92)
8. DZ=0 1026 ==> CT=0 931 conf:(0.91)
9. CS=0 1234 ==> CT=0 1118 conf:(0.91)
10. Q=0 BX=3 369 ==> CT=0 333
conf:(0.9)
dengan
Beberapa asumsi tersebut dibuat untuk
menghindari adanya aturan yang kurang relevan
dengan faktor-faktor yang mempengaruhinya.
Tabel 1. Penanganan missing value pada data
kependudukan
Terkait data kependudukan, kondisi yakni data
disimpan dalam format flat filedan memiliki
komposisi 147 atribut dengan 2215 baris data.
Kendala pada data dikarenakan banyaknya missing
value dan nilai yang tidak valid masuk kedalam
sistem, kondisitersebut ditangani pada proses
praposes data. Dengan adanya pengurangan atribut,
maka atribut yang bisa digunakan adalah sebanyak
123 atribut, dimana nilai missing value sudah
diperbaiki.
ISSN : 2503-2844
Keterangan nama atribut:
BX : jumlah kamar tidur
CS : jumlah orang di tempat penampungan
DZ : jumlah pembunuhan (pada tahun 1995)
Q : jumlah orang yang tinggal di perkotaan
CT : jumlah orag tunawisma di jalanan
Dari sepuluh aturan yang memiliki tingkat
confident lebih dari 90%, dapat diambil kesimpulan
yakni:
Masalah tuna wisma dapat diatasi dengan
memenuhi kebutuhan papan dan juga
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
meminimalisir tingkat kejahatan domestik
dan konflik-konflik sosial.
Kebanyakan orang kulit hitam teridentifikasi
sebagai pelaku tindak kejahatan, tapi tidak
ada korelasi lain yang dapat diungkapkan
terkait tercetusnya perilaku tersebut, maka
dari itu perlu adanya pemeriksaan lebih
lanjut pada orang berkulit hitam
Perampokan bukan hanya disebabkan oleh
masalah ekonomi, tapi juga karena faktor
lain, dalam hal ini adalah rasisme, maka
perlu dipertimbangkan adanya undangundang tentang larangan rasisme.
Orang Asia biasanya lemah dan mudah
ditindas, maka perlu dipertimbangkan
adanya
undang-undang
tentang
perlindungan warga negara lokal dan warga
negara asing.
Terjadinya berbagai jenis kriminalitas
biasanya
dibarengin
dengan
jenis
perampokan, sedangkan perampokan dipicu
dari tingkat kemiskinan yang tinggi. Dalam
kasus ini, guna mengurangi kriminalitas dan
meningkatkan kesejahteraan masyarakat,
perlu dipertimbangkan adanya pembinaan
kewira usahaan dan penyediaan lapangan
pekerjaan.
IV. KESIMPULAN DAN SARAN
Dari data yang tersedia, dapat diungkapkan
lebih banyak keterhubungan antara elemen data,
misalkan hubungan antara tingkat pendidikan dengan
jumlah pekerja, hubungan antara jenis pekerjaan
dengan pendapatan, dan sebagainya dengan batasan
tingkat confident yang berdampak pada akurasi dari
aturan asosiasi sebagai dasar dalam membuat
kebijakan sehubungan kependudukan.
Dengan menambah atribut yang lebih banyak,
diharapkan akan bertambah pula usulan yang bisa
diajukan kepada pemerintahan.
ISSN : 2503-2844
Campos,
Marcos.,
Stengard,Peter.,
Milenova,Boriana., Data Centric Automated
data Mining. Proceedings of the Fourth
International Conference on Machine Learning
and Applications (ICMLA’05). IEEE. 2005.
D.N,
Goswami., Anshu, Chaturvedi., C.S,
Raghuvanshi., D.N, Goswami. et. al. An
Algorithm for Frequent Pattern Mining Based
On Apriori. (IJCSE) International Journal on
Computer Science and Engineering Vol. 02, No.
04, 2010, 942-947.
Farajian, Mohammad Ali., Mohammadi, Shahriar.,
Mining the Banking Customer Behaviour Using
Clustering and Association Rules Methods,
International Journal of Industrial Engineering
and Production Research.Vol 21, Number 4 pp.
239-245.2010.
Haery, A., Salmasi,N., Modarres Yazdi,M.,
Iranmanesh,H., Application of Association Rule
Mining in Supplier Selection Criteria . World
Academy of Science, Engineering and
Technology 40 2008.
Han,Jiawei.,
Kamber,
Micheline.,
Data
Mining:Concepts and Techniques. Morgan
Kaufmann Publishers 2006 page.: 4-37 ,
page : 227-260.
Sulianta,
Feri.
Mining
Food
Industry’s
Multidimensional Data to Produce Association
Rules using Apriori Algorithm as a basis of
Business Strategy. IEEE. Issue 28, March 2013.
Tan, P.-N., Steinbach, M., & Kumar, V. Introduction
to Data
Mining. Boston:
Pearson
Education,Inc. (2006).
Witten,Ian., Frank, Eibe., Data Mining – Practical
Machine Learning Tool and techniques.
Morgan Kaufmann Publishers 2005 page :6
; page: 27 paragraph 1 ; page : 112-118,
page 47-86.
REFERENSI
Agrawal, R., Srikant, R., Fast Algorithms for Mining
Association Rules. IBM Almaden Research
Center 650 Harry Road, San Jose, CA
95120. Proceedings of the 20th VLDB
Conference Santiago, Chile. 1994.
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Bandung, 28 Mei 2016
ISSN : 2503-2844
MEMBANGUN ATURAN ASOSIASI MENGGUNAKAN
ALGORITMA APRIORI UNTUK MENGETAHUI HUBUNGAN
KRIMINALITAS DENGAN FAKTOR DEMOGRAFI SEBAGAI
PERTIMBANGAN MEMBUAT ATURAN KEPENDUDUKAN
Feri Sulianta
Fakultas Teknis, Jurusan Teknik Informatika
Universitas Widyatama
Jalan Cikutra No. 204A, Bandung, Indonesia
[email protected]
Abstrak
Pendekatan penambangan data digunakan
sebagai teknik untuk mendapatkan informasiinformasi penting yang dapat dijadikan bahan
penunjang dalam suatu pengambilan keputusan. Pada
penelitian ini, metode asosiasi diimplementasikan
untuk mendapatkan hubungan sebab akibat yang ada
pada
data
kependudukan,
terutama
untuk
mendapatkan pola hubungan kejadian kriminalitas
dengan karakteristik penduduk. Dalam kasus ini,
didapati data-data dengan nilai yang tidak valid dan
kendala ketidaklengkapan data, yang harus ditangani
dengan seksama sehingga layak untuk dibangunkan
aturan asosiasi. Algoritma apriori diterapkan pada
metode ini, karena algoritma ini terbukti mampu
menghasilkan aturan dengan tingkat akurasi tinggi
dalam membangun pola keterhubungan antar atribut.
Aturan asosiasi akan dijadikan dasar dalam membuat
kebijakan sehubungan masalah kependudukan.
Apriori algorithm is applied to this method, since the
algorithm is proven to generate rules with high
degree of accuracy in establishing the pattern of
connectivity between attributes . Association rules
will be used as a basis for making policy related to
the population problem .
Keywords :
apriori, association rule, data mining, , demographics,
crime, populations
I. PENDAHULUAN
Data Mining saat ini menjadi suatu metode yang
mulai banyak digunakan untuk menemukan berbagai
informasi yang signifikan dari kumpulan data historis
dan digunakan sebagai dasar untuk membuat
berbagai kebijakan. (Tan, Steinbach & Kumar, 2006)
Abstract
Untuk memberikan hasil maksimal, secara
umum diperlukan beberapa tahapan dalam proses
penambangan data dengan metode asosiasi, antara
lain: pemahaman masalah, pengenalan data,
penanganan data,
proses menambang dan
kesimpulan hasil serta evaluasi dan analisa.
Data mining approach is used as a technique to
obtain important information that can be used as
supporting material in a decision . in this study, the
association method is implemented to obtain
relationship existing on population data , especially
to get the relationship patterns of crime events
related to characteristics of the population. In this
case , invalid data and missing values must be
handled carefully before building association rules.
Penelitian ini mencoba menerapkan algoritma
Apriori sebagai salah satu metode penambangan data
yang akan menghasilkan aturan asosiasi. Aturan
tersebut membentuk korelasi antara faktor demografi
dan karaktersitik sosial terhadap kejadian kriminalitas
yang sering ditemui di masyarakat. Adapun data yang
akan digunakan adalah data demogafi Amerika
Serikat. Beberapa rule yang berhasil ditemukan akan
digunakan sebagai bahan untuk menyusun beberapa
Kata kunci :
apriori, aturan asosiasi, menambang data, demografi,
kriminalitas, kependudukan
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
usulan atau masukan bagi
penanggulangan kriminalitas.
pemerintah dalam
II. KAJIAN LITERATUR
Penambangan data menarik banyak perhatian
dalam industri informasi dan bisnis dalam dekade
terakhir, hal ini dikarenakan karena ketersediaan
data dalam jumlah besar. Umumnya data didapat dari
kegiatan transaksional dan arsip yang tersimpan
dalam sistem komputer. Teknik penambangan data
tersebut dapat menghasilkan informasi yang berharga
yang dipandang sebagai pengetahuan. Pengetahuan
dari pertambangan dapat digunakan untuk aplikasi
mulai dari analisis bisnis, deteksi pola penyakit,
industri periklanan, prediksi bencana, pertanian dan
banyak lagi (Sulianta, 2013).
Banyak istilah penambangan data lainnya
dikembangkan, seperti pertambangan pengetahuan
dari data, ekstraksi pengetahuan, analisis pola,
arkeologi data, dan data pengerukan. Kebanyakan
orang memperlakukan data mining sebagai
Knowledge Discovery Database (Witten & Frank,
2005).
ISSN : 2503-2844
pada kumpulan data dengan yang telah ditentukan
dukungan minimal, disebut frequent item (frekunsi
kemunculan item data) yang ditetapkan. Jika
kombinasi kurang dari minimum support yang telah
ditentukan maka kombinasi tersebut layak untuk
dihilangkan. Kumpulan atribut yang diidentifikasi
sering muncul digunakan untuk membangun aturan
yang diinginkan untuk mencocokkan pola untuk
dikumpulkan sebagai frequent (Han, Kamber &
Micheline, 2006)
Algoritma apriori mampu menghasilkan
hubungan dan aturan tentang transaksi kumpulan data
yang akan mengungkapkan pola pilihan pelanggan
terhadap suatu produk, yang mampu mengungkapkan
hal yang awalnya tak teralamati dan sulit untuk
diukur (Agrawal & Srikant, 1994).
Perhitungan dalam algoritma Apriori diukur
berdasarkan dukungan persentase kejadian atau suatu
aksi yang dihitung dengan rumus seperti yang
dijelaskan di bawah ini:
Confidence (A B) = (semua data yang
terdiri dari komponen
A dan B)
dibandingkan dengan (semua data yang
terdiri atau mengandung komponen A)
Support (A B) = (semua data yang terdiri
dari komponen A dan B) dibandingkan
dengan (keseluruhan data)
Gambar 1. Menambang data sebagai proses
dalam mendapatan pengetahuan
Sebelum menambang data dan mendapatkan aturan
asosiasi, data mentah harus proses terlebih dahulu,
yang mencakup transformassi data, agregasi,
normalisasi
terhadap
redudansi
data
serta
mengkonstruksi atribut.
Gambar 2. Proses transformasi data dan reduksi
data sebelum tahap menambang data
Algoritma Apriori digunakan sebagai prosedur
untuk menghasilkan aturan asosiasi. Secara teknis,
algoritma akan mencari berbagai kombinasi item
Gambar 3. Flowchart Association Rule
MenggunakanAlgoritma Apriori
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
Aturan asosiasi mengungkapkan pengetahuan
sehubungan dengan data transaksional menggunakan
algoritma Apriori dengan tingkat support lebih dari
50% dan confident sama atau lebih tinggi dari 70%
(Witten & Frank, 2005).
III. ANALISIS DAN PERANCANGAN
Data demografi yang tersedia sangat beraneka
ragam, mulai dari populasi, ekonomi, kriminalitas,
dan sebagainya. Dari data-data yang tersedia begitu
banyak, dapat dibuat beberapa asumsi, antara lain:
1.
Hubungan antara kriminalitas
persoalan perumahan.
2.
Hubungan antara jenis-jenis kriminalitas
3.
Hubungan antara tingkat pendapatan dengan
kriminalitas.
4.
Hubungan
antara
kriminalitas.
rasisme
dengan
Dari data tersebut diatas, diputuskan untuk
atribut yang memiliki tingkat missing value 55% dan
85% tidak digunakan. Selanjutnya untuk tingkat
missing value CT=0 574
conf: (0.96)
2. CS=0 DZ=0 750 ==> CT=0 705
conf:(0.94)
3. BX=3 DZ=0 783 ==> CT=0 735
conf:(0.94)
4. BX=3 CS=0 898 ==> CT=0 842
conf:(0.94)
5. Q=100 BX=3 DZ=0 403 ==> CT=0 373
conf:(0.93)
6. Q=100 BX=3 CS=0 491 ==> CT=0 453
conf:(0.92)
7. Q=100 CS=0 DZ=0 402 ==> CT=0 370
conf:(0.92)
8. DZ=0 1026 ==> CT=0 931 conf:(0.91)
9. CS=0 1234 ==> CT=0 1118 conf:(0.91)
10. Q=0 BX=3 369 ==> CT=0 333
conf:(0.9)
dengan
Beberapa asumsi tersebut dibuat untuk
menghindari adanya aturan yang kurang relevan
dengan faktor-faktor yang mempengaruhinya.
Tabel 1. Penanganan missing value pada data
kependudukan
Terkait data kependudukan, kondisi yakni data
disimpan dalam format flat filedan memiliki
komposisi 147 atribut dengan 2215 baris data.
Kendala pada data dikarenakan banyaknya missing
value dan nilai yang tidak valid masuk kedalam
sistem, kondisitersebut ditangani pada proses
praposes data. Dengan adanya pengurangan atribut,
maka atribut yang bisa digunakan adalah sebanyak
123 atribut, dimana nilai missing value sudah
diperbaiki.
ISSN : 2503-2844
Keterangan nama atribut:
BX : jumlah kamar tidur
CS : jumlah orang di tempat penampungan
DZ : jumlah pembunuhan (pada tahun 1995)
Q : jumlah orang yang tinggal di perkotaan
CT : jumlah orag tunawisma di jalanan
Dari sepuluh aturan yang memiliki tingkat
confident lebih dari 90%, dapat diambil kesimpulan
yakni:
Masalah tuna wisma dapat diatasi dengan
memenuhi kebutuhan papan dan juga
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016
Seminar Nasional Telekomunikasi dan Informatika (SELISIK 2016)
Bandung, 28 Mei 2016
meminimalisir tingkat kejahatan domestik
dan konflik-konflik sosial.
Kebanyakan orang kulit hitam teridentifikasi
sebagai pelaku tindak kejahatan, tapi tidak
ada korelasi lain yang dapat diungkapkan
terkait tercetusnya perilaku tersebut, maka
dari itu perlu adanya pemeriksaan lebih
lanjut pada orang berkulit hitam
Perampokan bukan hanya disebabkan oleh
masalah ekonomi, tapi juga karena faktor
lain, dalam hal ini adalah rasisme, maka
perlu dipertimbangkan adanya undangundang tentang larangan rasisme.
Orang Asia biasanya lemah dan mudah
ditindas, maka perlu dipertimbangkan
adanya
undang-undang
tentang
perlindungan warga negara lokal dan warga
negara asing.
Terjadinya berbagai jenis kriminalitas
biasanya
dibarengin
dengan
jenis
perampokan, sedangkan perampokan dipicu
dari tingkat kemiskinan yang tinggi. Dalam
kasus ini, guna mengurangi kriminalitas dan
meningkatkan kesejahteraan masyarakat,
perlu dipertimbangkan adanya pembinaan
kewira usahaan dan penyediaan lapangan
pekerjaan.
IV. KESIMPULAN DAN SARAN
Dari data yang tersedia, dapat diungkapkan
lebih banyak keterhubungan antara elemen data,
misalkan hubungan antara tingkat pendidikan dengan
jumlah pekerja, hubungan antara jenis pekerjaan
dengan pendapatan, dan sebagainya dengan batasan
tingkat confident yang berdampak pada akurasi dari
aturan asosiasi sebagai dasar dalam membuat
kebijakan sehubungan kependudukan.
Dengan menambah atribut yang lebih banyak,
diharapkan akan bertambah pula usulan yang bisa
diajukan kepada pemerintahan.
ISSN : 2503-2844
Campos,
Marcos.,
Stengard,Peter.,
Milenova,Boriana., Data Centric Automated
data Mining. Proceedings of the Fourth
International Conference on Machine Learning
and Applications (ICMLA’05). IEEE. 2005.
D.N,
Goswami., Anshu, Chaturvedi., C.S,
Raghuvanshi., D.N, Goswami. et. al. An
Algorithm for Frequent Pattern Mining Based
On Apriori. (IJCSE) International Journal on
Computer Science and Engineering Vol. 02, No.
04, 2010, 942-947.
Farajian, Mohammad Ali., Mohammadi, Shahriar.,
Mining the Banking Customer Behaviour Using
Clustering and Association Rules Methods,
International Journal of Industrial Engineering
and Production Research.Vol 21, Number 4 pp.
239-245.2010.
Haery, A., Salmasi,N., Modarres Yazdi,M.,
Iranmanesh,H., Application of Association Rule
Mining in Supplier Selection Criteria . World
Academy of Science, Engineering and
Technology 40 2008.
Han,Jiawei.,
Kamber,
Micheline.,
Data
Mining:Concepts and Techniques. Morgan
Kaufmann Publishers 2006 page.: 4-37 ,
page : 227-260.
Sulianta,
Feri.
Mining
Food
Industry’s
Multidimensional Data to Produce Association
Rules using Apriori Algorithm as a basis of
Business Strategy. IEEE. Issue 28, March 2013.
Tan, P.-N., Steinbach, M., & Kumar, V. Introduction
to Data
Mining. Boston:
Pearson
Education,Inc. (2006).
Witten,Ian., Frank, Eibe., Data Mining – Practical
Machine Learning Tool and techniques.
Morgan Kaufmann Publishers 2005 page :6
; page: 27 paragraph 1 ; page : 112-118,
page 47-86.
REFERENSI
Agrawal, R., Srikant, R., Fast Algorithms for Mining
Association Rules. IBM Almaden Research
Center 650 Harry Road, San Jose, CA
95120. Proceedings of the 20th VLDB
Conference Santiago, Chile. 1994.
Feri Sulianta
Seminar Nasional Telekomunikasi dan Informatika 2016