Klasifikasi Kemunculan Titik Panas Pada Lahan Gambut Di Sumatera Dan Kalimantan Menggunakan Algoritme K-Nearest Neighbor

KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN
GAMBUT DI SUMATERA DAN KALIMANTAN
MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR

FITRI KUSUMANINGRUM

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi
Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan
Menggunakan K-Nearest Neigbor adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Desember 2015
Fitri Kusumaningrum
NIM G64134037

ABSTRAK
FITRI KUSUMANINGRUM. Klasifikasi Kemunculan Titik Panas pada Lahan
Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest
Neighbor. Di bawah bimbingan IMAS SUKAESIH SITANGGANG.
Data kemunculan titik panas dianalisis menggunakan metode dalam data
mining, yaitu K-Nearest Neighbor (KNN). KNN merupakan metode untuk
mengklasifikasikan objek berdasarkan data training yang terletak paling dekat
dengan objek terdekat. Data yang digunakan adalah data titik panas untuk periode
2001-2014 dan data lahan gambut dari tahun 1990-2002. Hasil penelitian
menunjukkan bahwa KNN dapat digunakan untuk mengklasifikasikan
kemunculan titik panas di Sumatera dan Kalimantan. Akurasi tertinggi hasil
klasifikasi pada dataset di Sumatera adalah 97,04% pada tahun 2007 dengan
jumlah tetangga (k) adalah 1. Akurasi tertinggi hasil klasifikasi pada dataset di
Kalimantan adalah 100% pada tahun 2001, 2003, 2007, dan 2011 dengan (k)

adalah 1. Selain itu pada tahun 2005, akurasi tertinggi hasil klasifikasi pada
dataset Kalimantan adalah 100% dengan (k) adalah 1 dan (k) adalah 3. Akurasi
rata-rata hasil klasifikasi pada dataset di Sumatera adalah 94.14% dan pada
dataset di Kalimantan adalah 97.67%. Berdasarkan hasil penelitian dapat
disimpulkan bahwa algoritme KNN dapat digunakan untuk memprediksi
kemunculan titik panas pada lahan gambut di Sumatera dan Kalimantan.
Kata kunci: kebakaran hutan, klasifikasi, k-Nearest Neighbor, titik panas

ABSTRACT
FITRI KUSUMANINGRUM. Classification of Hotspot Occurences on Peatland
in Sumatera and Kalimantan using K-Nearest Neighbor Algorithm. Supervised by
IMAS SUKAESIH SITANGGANG.
This research analyzed hotspot occurrences using a method in data mining,
namely the K-Nearest Neighbor (KNN). KNN is a method for classifying objects
based on the training data that are located to the closest object. The data used in
this research are hot-spots for the period of 2001 to 2014 and peatlands data from
1990 to 2002. The results showed that KNN could be used to classify hotspot
occurrences in Sumatera and Kalimantan. The highest accuracy classification
results using the dataset of Sumatera in 2007 is 97.04% with the number of
neighbor (k) of 1. The highest accuracy of classification results using datasets of

Kalimantan in 2001, 2003, 2007, and 2011 is 100% with k of 1. In addition, using
the dataset of Kalimantan in 2005, the propose method could obtain the accuracy
of 100% with the values of k are 1 and 3. The average of classification accuracy
results using the dataset of Sumatera and Kalimantan are 94.14% and 97.67%,
respectively. It could be concluded that the KNN algorithm could be used to
predict hotspots occurrences on peatland in Sumatera and Kalimantan.

Keywords: classification, forest fire, hotspot, k-Nearest Neighbor

KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN
GAMBUT DI SUMATERA DAN KALIMANTAN
MENGGUNAKAN ALGORITME K-NEAREST NEIGBOR

FITRI KUSUMANINGRUM

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji :
1 Toto Haryanto, SKom, MSi
2 Muhammad Asyhar Agmalaro, SSi, MKom

Judul Skripsi : Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di
Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest
Neigbor
Nama
: Fitri Kusumaningrum
NIM
: G64134037

Disetujui oleh

Dr Imas Sukaesih Sitanggang, Ssi, MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, Msi, MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah Subhana wa ta'ala.
Shalawat serta salam semoga senantiasa dilimpahkan kepada Nabi Muhammad,
keluarganya, sahabatnya, dan kepada kita yang selau berusaha menggapai ridha
Allah. Alhamdulillah atas bimbingan dan petunjuk dari Allah Subhana wa ta'ala
serta bimbingan dari semua pihak, penyusunan tugas akhir yang berjudul
“Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan
Kalimantan Menggunakan Algoritme K-Nearest Neighbor” dapat diselesaikan.
Tugas akhir ini tidak mungkin dapat diselesaikan tanpa adanya bantuan dari

berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terimakasih dan
penghargaan yang setinggi-tingginya kepada:
 Bapak, Ibu dan keluarga yang selalu mendoakan, memberi nasihat, kasih
sayang, semangat, dan dukungan sehingga penelitian ini bisa diselelsaikan.
 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah
memberi saran, masukan dan ide-ide dalam penelitian ini.
 Bapak Toto Haryanto, SKom MSi dan Bapak Muhammad Asyhar Agmalaro,
SSi MKom sebagai penguji.
 Teman seperjuangan Elin, Resa, Upi dan Uni yang telah memberikan semangat
dan masukan.
 Departemen Ilmu Komputer IPB, staf dan dosen yang telah banyak membantu
selama masa perkuliahan hingga penelitian.
 Wetland Internasional Indonesia yang telah berkenan memberikan data lahan
gambut di Sumatera dan Kalimantan.
Semoga penelitian ini bermanfaat.

Bogor, Desember 2015
Fitri Kusumaningrum

DAFTAR ISI

DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

1

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

2

Data

2

Tahapan Penelitian

6

Pengambilan Data

6

Praproses Data

7

Pembagian Data

8

Tahapan Klasifikasi menggunakan Algoritme KNN

8

Perhitungan Akurasi

9

Pemilihan Hasil Klasifikasi Terbaik

9

Pemilihan Data Baru

10

Penerapan Hasil Klasifikasi Terbaik

10

Peralatan Penelitian

10

HASIL DAN PEMBAHASAN

10

Pengambilan Data

10

Praproses Data

11

Pembagian Data

18

Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor

18

Perhitungan Akurasi

19

Pemilihan Hasil Klasifikasi Terbaik

22

Pemilihan Data Baru

22

Penerapan Hasil Klasifikasi Terbaik

22

SIMPULAN DAN SARAN

23

Simpulan

23

Saran

24

DAFTAR PUSTAKA

24

LAMPIRAN

25

RIWAYAT HIDUP

35

DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Tingkat kedalaman lahan gambut (Suwanto 2010)
Atribut dari titik panas
Luas jenis gambut di Kalimantan
Luas jenis gambut di Sumatera
Atribut pada dataset1
Atribut pada dataset2
Contoh record tabel dataset2
Jumlah missing value pada dataset Sumatera dan Kalimantan
Data hasil konversi dari nominal ke binary dalam bentuk kolom
Matriks confusion pada dataset Pulau Kalimantan tahun 2010 dengan
nilai k = 13
Nilai akurasi tertinggi hasil klasifikasi setiap
Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan
Akurasi rata-rata hasil klasifikasi setiap
Nilai akurasi rata-rata hasil klasifikasi
Matriks confusion hasil klasifikasi data baru Kalimantan 2015 dengan k
=1
Matriks confusion hasil klasifikasi data baru Kalimantan tahun 2015
dengan k = 3

3
3
5
6
15
15
16
17
18
19
19
20
21
22
23
23

DAFTAR GAMBAR
1 Peta lahan gambut di Pulau Kalimantan
2 Peta lahan gambut di Pulau Sumatera
3 Tahapan penelitian
4 Jumlah titik panas per tahun di Sumatera dan Kalimantan
5 Sistem referensi di Indonesia (Oswald dan Astrini 2012)
6 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan
titik panas tahun 2007
7 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan
titik panas tahun 2007
8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007
9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun 2007
10 Data hasil konversi dari nominal ke binary dalam format text
11 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Sumatera tahun
2010
12 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Kalimantan tahun
2003

4
4
7
11
12
12
13
14
14
17
20
21

DAFTAR LAMPIRAN
1 Cara kerja KNN
2 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2001
3 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2007

25
28
29

Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2008
Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2010
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2001
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2003
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2005
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2007
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2008
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2010
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2011
Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2012
14 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2013

4
5
6
7
8
9
10
11
12
13

29
30
30
31
31
32
32
33
33
34
34

PENDAHULUAN
Latar Belakang
Indonesia merupakan negara yang memiliki kekayaan alam yang melimpah
termasuk diantaranya adalah lahan gambut. Lahan gambut memiliki peranan yang
sangat penting dalam menyimpan karbon, dimana kemampuan menyimpan karbon
jauh lebih tinggi dibanding lahan mineral. Indonesia memiliki lahan gambut
terluas di antara negara tropis, yaitu 20,6 juta hektar atau sekitar 10,8% dari luas
daratan di Indonesia, dimana 5,7 juta hektar terdapat di Kalimantan dan 7,2 juta
hektar di Sumatera (Wibowo dan Suyatno 1998). Namun sekarang ini, lahan
gambut terancam rusak akibat banyaknya kebakaran lahan gambut di Sumatera
dan Kalimantan. Kebakaran lahan gambut hampir setiap tahun terjadi. Hal itu
menimbulkan masalah baru untuk lingkungan hidup di sekitarnya.
Terjadinya kebakaran lahan gambut dapat dideteksi dengan melihat sebaran
titik panas di area lahan gambut tertentu. Sebaran titik panas dapat diperolah dari
satelit yang mencatat area tertentu yang dianggap memiliki suhu tinggi.
Pemanfaatan data titik panas menjadi informasi yang lebih berguna dapat
dilakukan dengan menggunakan teknik data mining karena data mining dapat
mengolah data yang cukup besar menjadi pengetahuan. Salah satu metode dalam
data mining adalah K-Nearest Neighbor (KNN). Metode ini dapat
mengklasifisikasikan data titik panas ke dalam kelas tertentu berdasarkan jarak
kedekatan objek.
Pada penelitian sebelumnya telah dilakukan penelitian mengenai kebakaran
hutan oleh Sitanggang (2013). Dalam penelitiannya dibahas mengenai pemodelan
kemunculan titik panas dengan metode klasifikasi C4.5, SimpleCart, Naive Bayes,
regresi logistik dan pohon keputusan ID3. Penelitian lain oleh Fernando dan
Sitanggang (2014) mengenai klasifikasi data titik panas di Propinsi Riau dengan
menggunakan teknik pohon keputusan ID3 dengan akurasi tertinggi yaitu 70.80%.
Penelitian ini mengklasifikasi kemunculan titik panas pada lahan gambut di
Sumatera dan Kalimantan dengan menggunakan algoritme KNN untuk
menentukan kemunculan titik panas dan mengklasifikasikan berdasarkan jarak
kedekatan antarobjek pada lahan gambut di Sumatera dan Kalimantan. Hasil
klasifikasi ini diharapkan dapat memberikan informasi untuk mencegah kebakaran
pada lahan gambut di Sumatera dan Kalimantan.
Perumusan Masalah
Meningkatnya kebakaran lahan gambut menjadi masalah utama dalam
penelitian ini. Salah satu upaya untuk mencegah kebakaran lahan gambut adalah
dengan menentukan kemunculan titik panas di lahan gambut. Berdasarkan latar
belakang dalam penelitian ini, maka perumusan masalah dalam penelitian ini
adalah bagaimana mengklasifikasi kemunculan titik panas di lahan gambut di
Sumatera dan Kalimantan menggunakan algoritme KNN.
Tujuan Penelitian
Tujuan dari penelitian ini adalah mengklasifikasi kemunculan titik panas di
lahan gambut di Sumatera dan Kalimantan menggunakan algoritme KNN.

2

Manfaat Penelitian
Penelitian ini diharapkan dapat menghasilkan prediksi kemunculan titik
panas pada lahan gambut berdasarkan jarak kedekatan objek yang akurat untuk
masa yang akan datang sehingga informasi ini dapat digunakan untuk mencegah
kebakaran pada lahan gambut.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1 Karakteristik yang digunakan untuk data lahan gambut pada penelitian ini
terdiri dari jenis lahan gambut, kedalaman lahan gambut dan tutupan lahan.
2 Wilayah kajian pada penelitian ini pada lahan gambut di Sumatera dan
Kalimantan.
3 Penelitian ini menggunakan package class yang sudah disediakan oleh
perangkat lunak RStudio.
4 Dataset yang dapat dijalankan untuk Sumatera hanya pada tahun 2001, 2007,
2008, dan 2010. Dataset yang dapat dijalankan untuk Kalimantan hanya pada
tahun 2001, 2003, 2005, 2007, 2008, 2010, 2011, 2012, dan 2013.

METODE
Data
Data yang digunakan pada penelitian ini terdiri dari 2 data spasial, yaitu data
titik panas Pulau Sumatera dan Pulau Kalimantan dari tanggal 1 Januari 2001
sampai 31 Maret 2015 dan data lahan gambut dari tahun 1990 sampai 2002. Data
titik panas diperoleh dari Nasional Aeronautics and Space Administration
(NASA) Fire Information for Resource Management (FIRMS) dalam format
shapefile (.shp). Data lahan gambut didapat dari Wetlands International Indonesia
Programme (WI–PI) yang berada di Jl. Ahmad Yani No 53 Bogor, Jawa Barat.
Menurut Sitanggang et al. (2012) atribut data lahan gambut yang digunakan
terdiri dari 3 atribut, yaitu jenis lahan gambut, kedalaman lahan gambut dan
tutupan lahan gambut. Berdasarkan tingkat dekomposisi bahan organiknya
gambut dibedakan menjadi 3 yaitu fibrists, hemists, dan saprists (Suwanto et al.
2010). Berikut penjelasan mengenai jenis gambut(Suwanto et al. 2010):
1 Fibrists merupakan gambut yang masih muda dengan tingkat pelapukan awal
dan lebih dari ¾ bagian volumenya berupa serat kasar, air perasan berwarna
bening/jernih.
2 Hemists merupakan gambut yang mempunyai tingkat pelapukan sedang,
bagian yang masih berupa serat kasar sekitar 1/4 hingga kurang dari 3/4
bagian, dan air perasan berwarna coklat dan mengandung bahan yang tidak
larut.
3 Saprists merupakan gambut yang tingkat pelapukannya sudah lanjut (matang),
berupa serat kasar kurang dari 1/4 bagian, dan air perasan berwarna hitam.
Atribut tutupan lahan digunakan untuk melihat penggunaan lahan
gambut tersebut. Tipe penggunaan lahan gambut di Sumatera dan Kalimantan
diantaranya hutan rawa, kelapa sawit, belukar rawa, sawah intensif (padipalawija/beras), kelapa, dan sawah tadah hujan (padi-palawija/beras).

3
Kedalaman lahan gambut digunakan untuk melihat tingkat kedalaman lahan
gambut tersebut. Kategori tingkat kedalamannya lahan gambut dapat dilihat
pada Tabel 1.
Tabel 1 Tingkat kedalaman lahan gambut (Suwanto 2010)
Kedalaman
D0
D1
D2
D3
D4

Keterangan
Sangat dangkal/ sangat tipis < 50 cm
Dangkal/ tipis 50 - 100 cm
Sedang 100 - 200 cm
Dalam/ tebal 200 - 400 cm
Sangat dalam/ sangat tebal > 400 cm

Dari Tabel 1 dapat dilihat bahwa tingkat kedalaman gambut memiliki
tingkat ukuran (cm), mulai dari kurang dari 50 cm sampai lebih 400 cm. Untuk
atribut data titik panas terdiri dari 12 atribut yang dapat dilihat pada Tabel 2.
Tabel 2 Atribut dari titik panas
No
1
2
3
4
5
6
7
8
9
10
11
12

Atribut
Latitude
Longitude
Brightness
Scan
Track
Acq_date
Acq_time
Satelit
Confidence
Version
Brigh_T31
FRP

Tipe
Numerik
Numerik
Numerik
Numerik
Numerik
Date
Character varying(5)
Character varying(3)
Integer
Character varying(1)
Numerik
Numerik

Dari 12 atribut pada Tabel 2 hanya diambil 3 atribut saja yaitu longitude,
latitude, dan confidence. Longitude dan latitude akan digunakan untuk
menunjukkan posisi dari titik panas yang terjadi. Confidence digunakan untuk
seleksi titik panas yang memiliki potensi besar sebagai kebakaran. Peta gambut di
Kalimantan dapat dilihat pada Gambar 1, sedangkan peta lahan gambut di
Sumatera dapat dilihat pada Gambar 2.

4

Gambar 1 Peta lahan gambut di Pulau Kalimantan

Gambar 2 Peta lahan gambut di Pulau Sumatera

5
Dari Gambar 1 dan Gambar 2 dapat dilihat letak jenis gambut dan letaknya
di Pulau Kalimantan dan Sumatera. Lahan gambut di Kalimantan dan Sumatera
terdiri dari 2 atau 3 jenis untuk setiap daerahnya. Luas area setiap jenis gambut di
Pulau Kalimantan dapat dilihat pada Tabel 3.
Tabel 3 Luas jenis gambut di Kalimantan
No
1
2
3
4
5
6
7

Tipe Gambut
Hemists/Fibrists
Hemists/Fibrists/Mineral
Hemists/Mineral
Saprists/Mineral
Saprists/Hemists/Mineral
Hemists/Saprists/Mineral
Hemists/Fibrists/Saprists
Total

Luas (ha)
4.070.888.40
388.442.91
922.584.25
108.626.03
132.833.32
133.670.40
3.028.59
5.760.073.90

Tabel 3 menunjukkan luas jenis gambut yang paling luas adalah jenis
Hemists/Fibrists dengan luasnya mencapai 4.070.888.40 ha. Hemists/Fibrists
maksudnya adalah pada daerah tersebut terdapat jenis Hemist dan Saprist. Luas
jenis gambut paling sempit adalah jenis Hemists/Fibrists/Saprists dengan luas
3.028.59 ha. Hemists/Fibrists/Saprists maksudnya adalah pada daerah tersebut
terdapat lebih dari 2 jenis lahan gambut, yaitu Hemists, Fibrists, dan Saprists.
Luas area setiap jenis gambut di Pulau Sumatera dapat dilihat pada Tabel 4.
Berbeda dengan Tabel 3 jenis gambut di Pulau Kalimantan, pada Tabel 4
jenis gambut di Pulau Sumatera terdapat angka dan keterangan (sedang, dalam
dan sangat dalam). Angka di belakang jenis menunjukkan perbandingan jumlah
kandungan jenis gambut yang ada. Misalnya pada luas jenis gambut terluas
Hemists/Saprists (60/40), sedang dengan luasnya 1.490.145.52 ha.
Hemists/Saprists (60/40) maksudnya adalah dalam daerah tersebut terdapat
kandungan jenis lahan gambut Hemists sebanyak 60% dan jenis lahan gambut
Saprists sebanyak 40%. Untuk luas paling sempit terdapat pada jenis Hemists/min
(90/10), sedang dengan luasnya 0.63 ha. Hemists/min (90/10) maksudnya pada
daerah tersebut terdapat kandungan jenis lahan gambut Hemists 90% dan min
(mineral) sebanyak 10%. Luas keseluruhan tipe gambut di Sumatera mencapai
7.231.977.09 ha.

6
Tabel 4 Luas jenis gambut di Sumatera
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

Tipe Gambut
Hemists/Saprists (60/40), sedang
Saprists/min (50/50), dangkal
Saprists/Hemists (60/40), sedang
Saprists/min (30/70), sedang
Saprists/min (90/10), sedang
Hemists (100), dalam
Hemists/Saprists (60/40), dalam
Hemists (100), sedang
Saprists/min (50/50), dalam
Hemists/min(90/10),sangat dalam
Hemists/Saprists (60/40), sedang
Hemists/min (30/70), dangkal
Hemists/Saprists (60/40), sangat dalam
Saprists/Hemists (60/40), dalam
Saprists/Hemists (60/40), sedang
Hemists/min (90/10), dangkal
Hemists/Saprists (60/40), dangkal
Hemists/min (70/30), sedang
Saprists/min (30/70), dalam
Hemists/min (90/10), sedang
Hemists/min (50/50), dangkal
Saprists/min (50/50), sedang
Hemists/min (90/10), sedang
Fibrists/Saprists (60/40), sedang
Saprists/Hemists (60/40), sangat dalam
Hemists/min (30/70), sedang
Saprists (100), sedang
Saprists (100), dalam
Total

Luas (ha)
1.490.145.52
16.859.44
18.698.39
9.911.10
178.408.66
2.200.51
639.263.34
86.697.37
7.748.19
30.179.83
211.082.31
308.112.73
957.561.63
553.762.97
236.659.27
7.950.21
49.355.05
91.797.22
12.671.89
0.63
2.218.86
118.152.46
578.525.94
10.721.84
1.181.264.70
308.958.76
87.885.62
35.182.65
7.231.977.09

Tahapan Penelitian
Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 3.
Pengambilan Data
Pada tahapan ini yang dilakukan adalah melakukan pengambilan data. Data
yang digunakan terdiri dari 2 data spasial, yaitu data titik panas yang didapat dari
Nasional Aeronautics and Space Administration (NASA) dan data lahan gambut
yang didapat dari Wetland Internasional Indonesia.

7

Gambar 3 Tahapan penelitian
Praproses Data
Pada tahapan ini, terdapat beberapa tahapan yang dilakukan terhadap data
titik panas dan data lahan gambut. Pertama yang dilakukan yaitu mendapatkan
data titik panas yang lengkap (terdapat titik panas setiap bulannya dalam satu
tahun). Kemudian data dipisah per tahunnya untuk setiap pulau. Atribut pada
dataset Sumatera untuk lahan gambut terdiri dari jenis lahan gambut, tutupan
lahan dan kedalaman lahan gambut, sedangkan atribut pada dataset Kalimantan
hanya terdiri dari jenis lahan gambut dan kedalaman lahan gambut. Perbedaan
jumlah atribut tersebut dikarenakan data yang didapat dari Wetland untuk dataset
Kalimantan tidak mencantumkan jenis tutupan lahan.
Seleksi Data Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah menentukan data titik panas yang
berada di atas lahan gambut. Cara untuk mendapatkannya adalah dengan
menggabungkan dengan operasi ST_Within data titik panas Pulau Sumatera
dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau
Kalimantan dengan data lahan gambut di Pulau Kalimantan.
Pembuatan Data Non Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah membuat data non titik panas.
Untuk membuat data non titik panas diperlukan data titik panas dan data lahan

8
gambut. Terdapat beberapa proses untuk mendapatkan data non titik panas yaitu
pembuatan buffer, disolve, operasi difference, dan pembangkitan random point.
Setelah proses tersebut dilakukan maka data non titik panas sudah didapat.
Pembuatan Dataset untuk Klasifikasi
Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik
panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru
untuk kelas sebagai identifier yang membedakan antara titik panas dan bukan titik
panas. Dari hasil tersebut diambil data titik panas yang confidence-nya ≥ 70
karena dianggap memiliki potensi kebakaran. Barulah kemudian dibuat dataset
yang akan digunakan dalam proses klasifikasi.
Membuang Missing Value
Pada tahapan ini yang akan dilakukan adalah mendapatkan jumlah missing
value dan presentasenya terhadap jumlah keseluruhan data. Missing value dengan
jumlah kurang dari 10% dibuang karena dianggap tidak memiliki mengaruh besar
dalam proses klasifikasi.
Konversi Data
Pada tahapan ini dilakukan konversi data yaitu mengubah data dari tipe data
nominal ke dalam bentuk numeric. Proses konversi dilakukan karena untuk
klasifikasi menggunakan algoritme KNN, atribut data input harus bersifat numeric
yang dapat diproses, sedangkan data yang didapat masih dalam bentuk nominal.
Pembagian Data
Pada tahapan ini dilakukan pembagian data menjadi data latih dan data uji.
Metode yang digunakan untuk membagi data adalah metode 10 fold cross
validation. Data dibagi secara random ke dalam 10 bagian dengan perbandingan
yang sama, kemudian dari setiap bagian terbaik akan menjadi data uji dan 9
bagian lainnya akan menjadi data latih.
Tahapan Klasifikasi menggunakan Algoritme KNN
Algoritme KNN
K-Nearest Neighbor (KNN) termasuk kelompok instance-based-learning.
Algoritme ini juga merupakan salah satu teknik lazy learning. KNN dilakukan
dengan mencari kelompok k objek dalam data training yang paling dekat (mirip)
dengan objek pada data baru atau data testing (Wu dan Kumar 2009). Ada banyak
cara mengukur jarak kedekatan antara data baru dengan data lama (data training),
diantaranya euclidean distance dan manhattan distance. Formula jarak yang
paling sering digunakan adalah euclidean distance (Bramer 2007) yaitu:
n

euclidean=√∑ (ai -bi )2

(1)

i=1

dimana: a = ( ,
record.

,…,

�

dan b =

,

,…,

�

mewakili n nilai atribut dari 2

9

1
2
3
4
5

Langkah-langkah dalam Algoritme K-Nearest Neighbor (Bramer 2007):
Menentukan parameter k (jumlah tetangga paling dekat).
Menghitung kuadrat jarak euclid (query instance) masing-masing objek
terhadap data sampel yang diberikan.
Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang
mempunyai jarak euclid terkecil.
Mengumpulkan kategori Y, dimana Y merupakan class target.
Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka
didapat objek yang diprediksikan.

Tahapan Klasifikasi
Pada tahapan ini, data yang sudah dipraproses dan dibagi diklasifikasi
dengan menggunakan algoritme K-Nearest Neighbor. Pembentukan tahapan
klasifikasi ini menggunakan bahasa pemrograman R dengan package class.
Tahapan klasifikasi yang dilakukan dengan memberikan masukan data yang akan
dihitung jarak antar datanya. Kemudian dari hasil semua jarak yang telah
dilakukan perhitungan, diurutkan dari yang terbesar ke yang terkecil. Setelah itu
menentukan nilai jumlah tetangga terdekat (k). Jika nilai k sudah ditentukan, class
didapat dengan melihat anggota yang paling banyak dari kelas target.
Setelah data titik panas diubah dalam bentuk binary barulah dapat dilakukan
perhitungan jarak antardata. Selanjutnya dijelaskan cara kerja KNN dengan
menggunakan 10 record data. Dalam ilustrasi ini data training yang digunakan
terdiri dari 6 data titik panas (T) dan 4 data bukan titik panas (F). Data testing
terdiri dari 1 data titik panas. Record data training dapat dilihat pada Lampiran 1.
Perhitungan Akurasi
Pada tahap ini dilakukan perhitungan nilai akurasi dari hasil klasifikasi
menggunakan data uji. Akurasi menunjukkan tingkat kebenaran pengklasifikasian
data terhadap kelas yang sebenarnya. Nilai akurasi yang baik adalah yang
mendekati 100% dan semakin rendah nilai akurasi maka semakin tinggi kesalahan
klasifikasi pada data baru. Nilai akurasi didapat berdasarkan data pengujian
terhadap hasil klasifikasi. Untuk menghitung akurasi hasil klasifikasi digunakan
rumus sebagai berikut:
�kurasi=

∑ data yang uji benar diklasifikasi
∑ data uji

(2)

Pemilihan Hasil Klasifikasi Terbaik
Pada tahapan ini yang dilakukan adalah mendapatkan akurasi hasil
klasifikasi untuk dataset Pulau Sumatera dan Kalimantan. Masing-masing dataset
untuk Pulau Kalimantan dan Sumatera dicari nilai akurasi tertingginya. Akurasi
tertinggi untuk Pulau Sumatera dan Kalimantan digunakan sebagai data training
pada proses selanjutnya yaitu penerapan hasil klasifikasi terbaik pada data baru
2015.

10
Pemilihan Data Baru
Pada tahapan ini yang dilakukan adalah memilih data baru yang digunakan
sebagai data testing pada proses selanjutnya yaitu penerapan hasil klasifikasi
terbaik pada data baru. Data yang digunakan adalah data baru yang belum pernah
digunakan pada tahapan klasifikasi. Untuk data baru yang digunakan pada
penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015
sampai 31 Maret 2015.
Penerapan Hasil Klasifikasi Terbaik
Pada tahapan ini dilakukan pengujian menggunakan data baru yang
digunakan sebagai data testing, dimana data training yang digunakan adalah yang
memberikan hasil klasifikasi dengan akurasi tertinggi. Dengan demikian, hasil
klasifikasi menggunakan data baru dapat digunakan untuk memprediksi titik
panas baru.
Peralatan Penelitian
Perangkat lunak yang digunakan dalam penelitian ini adalah:
1 Sistem operasi Windows 7 Home Basic
2 Bahasa pemrograman R 3.1.3 dengan packages class.
3 Rstudio version 0.98.1102 dengan package class digunakan untuk proses
klasifikasi menggunakan algoritme KNN.
4 Quantum GIS 2.6.1 untuk membuat plot data titik panas dan data bukan titik
panas pada lahan gambut.
5 Microsoft Excel digunakan untuk mengubah data dalam bentuk text ke dalam
bentuk kolom.
6 Weka 3.6.12 digunakan untuk menghilangkan missing value dan
mengkonversi data dari nominal ke numeric.
7 PostgreSQL versi 9.1 sebagai sistem manajemen basis data untuk pengolahan
kueri data lahan gambut.
8 Notepad ++ digunakan untuk menuliskan kode program untuk dijalankan di R.
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
1 Processor Intel (R) Core (TM) i3 – 2370M CPU 2.40GHz
2 RAM 6 GB
3 64 – bit Operating system

HASIL DAN PEMBAHASAN
Pengambilan Data
Pada tahapan ini yang dilakukan adalah pengumpulan data. Data yang
digunakan terdiri dari 2 data spasial, yaitu data titik panas dan data lahan gambut.
Data titik panas didapat dari Nasional Aeronautics and Space Administration
(NASA) dengan cara mengunduh melalui situs resmi NASA, sedangkan data titik
panas didapat dari Wetland Internasional Indonesia. Data titik panas dan data
lahan gambut yang telah akan digunakan untuk proses selanjutnya yaitu praproses
data.

11

Praproses Data
Pada tahapan praproses dilakukan pemisahan data titik panas dari tahun
2001 sampai 2015 di Pulau Sumatera dan di Pulau Kalimantan. Pemisahan data
yang dimaksud adalah mengambil titik panas yang memiliki data titik panas
lengkap atau terdapat titik panas setiap bulannya dalam jangka waktu satu tahun.
Pemisahan data pada tahapan ini dilakukan dengan menggunakan QuantumGIS.
Dari hasil penentuan titik panas di Pulau sumatera dan Pulau Kalimantan yang
lengkap hanya terdapat dari tahun 2001 sampai 2014. Jumlah titik panas per tahun
di Pulau Sumatera dan Pulau Kalimantan dapat diilihat pada Gambar 4.

Gambar 4 Jumlah titik panas per tahun di Sumatera dan Kalimantan
Dari Gambar 4 dapat dilihat jumlah titik panas terbanyak untuk kurun waktu
2001 sampai 2014 di Pulau Sumatera terdapat pada tahun 2014, sedangkan di
Pulau Kalimantan jumlah titik panas paling banyak terdapat pada tahun 2006.
Untuk jumlah titik panas paling sedikit di Pulau Sumatera terdapat di tahun 2001,
sedangkan di Pulau Kalimantan terdapat di tahun 2010.
Seleksi Data Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah menggabungkan data titik panas
Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas
di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan. Proses
penggabungan ini menggunakan Quantum GIS. Proses penggabungan ini tidak
dapat dilakukan secara langsung karena pada proses ini diperlukan kesamaan
sistem referensi koordinat untuk data titik panas dengan data lahan gambut yang
akan digabungkan. Untuk melihat sistem referensi di Indonesia dapat dilihat pada
Gambar 5.

12

Gambar 5 Sistem referensi di Indonesia (Oswald dan Astrini 2012)
Sistem referensi terbagi menjadi 60 zone, dimana untuk Indonesia terletak
pada zone 46 sampai 54. Berdasarkan Gambar 5 Sumatera berada di zona 47 dan
48, namun karena zona 47 lebih banyak maka sistem referensi koordinat yang di
pakai adalah ESPG: 32647-WGS84/UTM Zone 47N. Untuk Pulau Kalimantan
sistem referensi koordinatnya berada pada zone 49 dan 50, namun karena zona 49
lebih banyak maka sistem referensi koordinat yang dipakai adalah ESPG: 32647WGS84/UTM Zone 49N.
Proses penggabungan data titik panas dan lahan gambut baru bisa dilakukan
setelah sistem referensi disesuaikan dengan aturan zone. Dari hasil penggabungan
ini untuk Pulau Sumatera tahun 2007 dapat dilihat pada Gambar 6 dan untuk
pulau kalimantan tahun 2007 dapat dilihat pada Gambar 7.

Gambar 6 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan
titik panas tahun 2007

13

Gambar 7 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan
titik panas tahun 2007
Pembuatan Data Non Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah menentukan data bukan titik panas
yang berada pada lahan gambut di Sumatera dan Kalimantan dengan
menggunakan Quantum GIS. Proses ini melibatkan data titik panas pertahun pada
lahan gambut di Sumatera dan Kalimantan. Tetapi sebelum dibuat data bukan
tititk panas, ditentukan titik panas yang nilai confidence ≥ 70.
Langkah pertama adalah membuat tabel baru yang terdiri dari gid, the geom,
longitude, latitude, acq date, confidence, dan kelas yang berisi titik panas dengan
confidence ≥ 70. Nilai confidence yang digunakan adalah diatas ≥ 70, karena
titik panas demikian memiliki potensi tinggi sebagai indikator kebakaran hutan
dan lahan.
Dari data titik panas yang nilai confidence ≥ 70 barulah dibuat data bukan
titik panas. Untuk mendapatkan data bukan titik panas pada daerah lahan gambut
di Sumatera dan Kalimantan dilakukan beberapa proses yaitu pembuatan buffer,
disolve, operasi difference, dan pembangkitan random point. Dari proses ini
didapat data bukan titik panas pada lahan gambut di Sumatera dan Kalimantan
dengan nama false alarm yang akan digunakan dalam proses klasifikasi. Data
bukan titik panas pada lahan gambut di Sumatera untuk tahun 2007 dapat dilihat
pada Gambar 8.

14

Gambar 8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007
Dari Gambar 8 dapat dilihat sebaran data bukan titik panas pada lahan
gambut di Sumatera pada tahun 2007. Titik panas muncul di sekitar daerah yang
bukan merupakan daerah titik panas. Sebaran data bukan titik panas pada lahan
gambut di Kalimantan pada tahun 2007 muncul pada daerah yang bukan
merupakan daerah titik panas. Data bukan titik panas pada lahan gambut di
Kalimantan untuk tahun 2007 dapat dilihat pada Gambar 9.

Gambar 9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun
2007

15
Pembuatan Dataset
Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik
panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru
untuk kelas. Pada atribut kelas data titik panas per tahun diberikan isian T atau
True dan untuk data bukan titik panas pada gambut akan diisikan F atau False.
Proses ini dilakukan menggunakan PostgresSQL.
Dari proses ini didapat tabel baru yang diberi nama target. Proses ini masih
dilakukan menggunakan PostgresSQL. Dari data titik panas dengan confidence ≥
70 selanjutnya akan dibuat dataset1 dan dataset2 menggunakan PostgresSQL.
Adapun untuk dataset1 berisi data dari tabel lahan gambut dan data target. Atribut
data yang ada di dataset1 dapat dilihat pada Tabel 5.
Tabel 5 Atribut pada dataset1
No
1
2
3
4
5
6
7

Atribut
Gid
Gid2
The geom
Confidence
Legend
Landuse
Ketebalan

Tipe
Big integer
Integer
Geometri(point)
Integer
Character varying(42)
Character varying(60)
Character varying(16)

Dataset1 digunakan untuk menyimpan informasi yang lebih lengkap yang
dapat digunakan untuk melihat letak dari objek dalam peta lahan gambut
menggunakan Quantum GIS. Untuk proses klasifikasi di R dibuat dataset2 yang
diambil dari data target dan data gambut. Atribut pada dataset2 dapat dilihat pada
Tabel 6.
Tabel 6 Atribut pada dataset2
No
1
2
3
4

Atribut
Legend
Landuse
Ketebalan
Kelas

Tipe
Character varying(42)
Character varying(60)
Character varying(16)
Character

Atribut pada Tabel 6 ini hanya untuk Pulau Sumatera, sedangkan untuk
Pulau Kalimantan hanya terdiri dari legend, ketebalan dan kelas. Atribut landuse
tidak terdapat pada Pulau Kalimantan karena data yang diperoleh tidak
mengandung landuse. Contoh record dalam dataset2 dapat dilihat pada Tabel 7.

16
Tabel 7 Contoh record tabel dataset2
No
1
2
3
4
5
6
7
8
9
10

Jenis Gambut
Saprists/Hemists(60/40),
sedang
Saprists/Hemists(60/40),
sedang
Saprists/Hemists(60/40),
dalam
Saprists/Hemists(60/40),
dalam
Saprists/Hemists(60/40),
dalam
Saprists/Hemists(60/40),
sangat dalam
Saprists/Hemists(90/10),
dalam
Hemists/Saprists (60/40),
sedang
Hemists/Saprists (60/40),
sedang
Hemists/Saprists (60/40),
sangat dalam

Tutupan Lahan
Hutan rawa

Kedalaman Kelas
D2
F

Belukar rawa

D2

F

Hutan rawa

D2

F

Hutan rawa

D3

F

Sawah dan kelapa

D1

T

Hutan rawa

D4

F

Hutan rawa

D2

F

Belukar rawa

D2

T

Hutan rawa

D2

F

Hutan rawa

D4

T

Membuang Missing Value
Pada tahapan ini ditentukan jumlah missing value. Untuk melihat jumlah
missing value digunakan Weka. Setelah didapat missing value, kemudian
menghitung presentase jumlah missing value terhadap data keseluruhan. Jika
missing value tidak lebih dari 10%, maka missing value tersebut dibuang dari
dataset karena dianggap tidak memiliki pengaruh yang cukup besar dalam proses
klasifikasi. Jumlah missing value di Pulau Sumatera dan Pulau Kalimantan dapat
dilihat pada Tabel 8.
Dari Tabel 8 dapat dilihat jumlah missing value tertinggi pada dataset
Kalimantan2006 yaitu 460, namun jumlah tersebut hanya 1.51% dibandingkan
jumlah datanya yang mencapai 30413. Presentase tertinggi missing value adalah
1.46% dan nilai ini tidak lebih dari 10%, jadi semua missing value dihilangkan.
Konversi Data
Sebelum dataset diolah di R dengan menggunakan model klasifikasi
menggunakan algoritme K-Nearest Neighbor diperlukan konversi data, karena
KNN hanya bisa memproses data bertipe numeric sedangkan atribut dalam
dataset bertipe data nominal. Atribut dalam dataset diubah dari nominal ke dalam
bentuk binary agar dapat diproses di R menggunakan algoritme KNN. Perubahan
tipe data ini dilakukan menggunakan Weka. Dari hasil proses ini didapat data
berbentuk binary. Contoh data hasil konversi dapat dilihat pada Gambar 10.

17
Tabel 8 Jumlah missing value pada dataset Sumatera dan Kalimantan
Dataset
Sumatera2001
Sumatera2002
Sumatera2003
Sumatera2004
Sumatera2005
Sumatera2006
Sumatera2007
Sumatera2008
Sumatera2009
Sumatera2010
Sumatera2011
Sumatera2012
Sumatera2013
Sumatera2014
Kalimantan2001
Kalimantan2002
Kalimantan2003
Kalimantan2004
Kalimantan2005
Kalimantan2006
Kalimantan2007
Kalimantan2008
Kalimantan2009
Kalimantan2010
Kalimantan2011
Kalimantan2012
Kalimantan2013
Kalimantan2014

Missing Value
2
35
8
15
18
33
5
8
21
2
10
13
21
43
35
332
80
153
79
460
19
21
247
5
111
99
51
232

Jumlah Titik Panas
3509
20212
10331
16030
30172
29471
5517
7535
15572
4897
13506
14556
18548
41254
2880
23005
6578
13612
5736
30413
2074
1441
20803
570
7900
8493
3571
18457

Presentase (%)
0.06
0.17
0.08
0.09
0.06
0.11
0.09
0.11
0.13
0.04
0.07
0.09
0.11
0.10
1.22
1.44
1.22
1.12
1.36
1.51
0.92
1.46
1.19
0.88
1.41
1.17
1.43
1.26

Gambar 10 Data hasil konversi dari nominal ke binary dalam format text
Setelah proses konversi data selesai, data tidak dapat langsung diolah di R,
dikarenakan nama atribut yang menggunakan koma (,) yang seharusnya hanya 1

18
kolom, sehingga atribut tersebut di dalam R terbaca menjadi 2 kolom. Hal tersebut
sangat fatal karena menimbulkan pergeseran data yang berakibat timbul data
kosong. Apabila itu terjadi, data menjadi tidak akurat lagi. Solusi yang dilakukan
yaitu dataset yang sebelumnya dipisahkan dengan koma (,) bukan dalam bentuk
kolom diolah dengan Microsoft Excel agar terpisah dengan baik. Pemisahan
dataset ini menggunakan fasilitas yang disediakan oleh Microsoft Excel untuk
mengubah text ke dalam bentuk kolom. Contoh dataset yang telah diolah di
Microsoft Excel dapat dilihat pada Tabel 9.
Tabel 9 Data hasil konversi dari nominal ke binary dalam bentuk kolom
No
1
2
3
4
5
6
7
8
9
10

Legend= Saprists/Hemists (60/40), Legend= Saprists/Hemists (60/40),
sedang
dalam
1
0
1
0
1
0
1
0
1
0
1
0
1
0
0
1
0
1
1
0

Dari hasil pemisahan data menggunakan Microsoft Excel yang telah
dilakukan harus dilakukan pengecekan ulang. Hal ini dilakukan untuk memastikan
data telah sesuai untuk diproses di tahap selanjutnya.
Pembagian Data
Pembagian data pada pengolahan data di R menggunakan 10 fold cross
validation. Dengan demikian, 10% dari data akan dijadikan sebagai data uji dan
90% bagian data akan dijadikan data latih. Adapun keseluruhan data dibagi
menjadi 10 bagian, kemudian dari setiap bagian menjadi data uji dan 9 bagian
lainnya akan menjadi data latih.
Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor
Setiap record data uji dihitung jaraknya dengan ke setiap record data latih
untuk mengetahui ukuran kedekatan antara data uji dengan data latih. Untuk data
bertipe numeric, selisih antara data uji dengan data latih adalah pengurangan nilai
data uji dengan data latih, selanjutnya ditentukan nilai k tetangga terdekat.
Percobaan ini dimulai dengan nilai k dari 1 sampai 19 dengan selang 2 dalam
KNN. Pada setiap percobaan dihitung akurasinya untuk k = 1, k = 3, k = 5, k = 7,
k = 9, k = 11, k = 13, k = 15, k = 17, dan k = 19. Matrik confusion hasil tahapan
klasifikasi dengan KNN Pulau Kalimantan tahun 2003 dengan nilai k=1 dapat
dilihat pada Tabel 10.

19
Tabel 10 Matriks confusion pada dataset Pulau Kalimantan tahun 2010 dengan
nilai k = 13
Kelas Hasil Prediksi

False
115
9

False
True

Kelas Aktual
True
21
127

Dari matriks confusion dapat dilihat bahwa data dengan kelas false yang
diprediksi sebagai false adalah 115. Data dengan kelas true yang diprediksi
sebagai kelas false adalah 21. Data dengan kelas false yang diprediksi sebagai
kelas true adalah 9. Data dengan kelas true yang diprediksi sebagai kelas ftrue
adalah 127. Kelas true menyatakan kemunculan titik panas, kelas false
menyatakan data bukan titik panas.
Matriks confusion ini selanjutnya akan digunakan untuk menghitung nilai
akurasi hasil tahapan klasifikasi dengan menggunakan KNN. Namun untuk
mendapatkan hasil tahapan klasifikasi menggunakan algoritme KNN ini tidak
semua data dapat diolah oleh packages class pada R karena untuk Pulau Sumatera
tahun 2002 sampai 2006, 2009, dan 2011 sampai 2014 memiliki jumlah atribut
yang sangat banyak. Untuk dataset Pulau Kalimantan tahun 2002, 2004, 2006,
2009, dan 2014 tidak dapat diolah di R karena jumlah data yang terlalu banyak.
Perhitungan Akurasi
Pada tahapan ini dihitung nilai akurasi dari hasil tahapan klasifikasi untuk
setiap nilai k. Untuk menghitung nilai akurasi digunakan rumus akurasi pada
persamaan 2.
Dengan menggunakan nilai hasil tahapan klasifikasi menggunakan
algoritme KNN yang telah dihasilkan pada proses klasifikasi, selanjutnya dihitung
nilai akurasinya. Berdasarkan Tabel 10 akurasi hasil klasifikasi dengan KNN
dengan k = 13 adalah
Akurasi=

115+127
=88.97%
115+21+9+127

(3)

Perhitungan akurasi dilakukan untuk semua dataset dan semua nilai k.
Akurasi tertinggi untuk dataset setiap tahunnya untuk Pulau Sumatera dapat
dilihat pada Tabel 11.
Tabel 11 Nilai akurasi tertinggi hasil klasifikasi setiap
tahun untuk dataset Sumatera
Dataset
Sumatera2001
Sumatera2007
Sumatera2008
Sumatera2010

Nilai k Terbaik
1
1
1
1

Akurasi (%)
99.14
99.10
98.48
99.15

20
Berdasarkan Tabel 11 akurasi yang diperoleh selisihnya tidak terlalu
berbeda jauh. Akurasi tertinggi untuk Pulau Sumatera adalah pada Sumatera2010
untuk nilai k = 1. Grafik akurasi untuk dataset Sumatera2010 dapat dilihat pada
Gambar 12, sedangkan untuk grafik dataset Sumatera lainnya dapat dilihat pada
Lampiran 2 sampai Lampiran 5.

Gambar 11 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Sumatera tahun
2010
Dari Gambar 11 dapat dilihat akurasi hasil klasifikasi untuk nilai k = 1
sampai k = 19 yang cenderung menurun. Jumlah tetangga (k) = 1 memiliki akurasi
tertinggi untuk dataset Sumatera, jadi untuk pengujian dengan menggunakan
dataset Sumatera 2010 menggunakan jumlah tetangga (k) = 1. Akurasi tertinggi
hasil klasifikasi untuk dataset setiap tahunnya di Pulau Kalimantan dapat dilihat
pada Tabel 12.
Tabel 12 Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan
Dataset
Kalimantan2001
Kalimantan2003
Kalimantan2005
Kalimantan2005
Kalimantan2007
Kalimantan2008
Kalimantan2010
Kalimantan2011
Kalimantan2012
Kalimantan2013

Nilai k Tertinggi
1
1
1
3
1
1
1
1
1
1

Akurasi (%)
100.00
100.00
100.00
100.00
100.00
99.87
99.26
100.00
99.98
99.95

Berdasarkan Tabel 12 akurasi yang diperoleh selisihnya tidak terlalu
berbeda jauh. Akurasi tertinggi terdapat pada dataset Kalimantan2001 dengan k =

21
1, dataset Kalimantan2003 dengan k = 1, dataset Kalimantan2005 dengan nilai k
= 1, dan 3, Kalimantan2007 dengan k = 1, dan Kalimantan2011 dengan k = 1.
Grafik akurasi untuk jumlah tetangga k = 1 sampai k = 19 untuk dataset
Kalimantan 2005 dapat dilihat pada Gambar 12, sedangkan untuk grafik dataset
Kalimantan lainnya dapat dilihat pada Lampiran 6 sampai Lampiran 14.

Gambar 12 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Kalimantan
tahun 2003
Dari Gambar 12 menunjukkan jumlah tetangga (k) = 1 memiliki akurasi
tertinggi. Untuk nilai k = 3 sampai k = 19 akurasi cenderung menurun. Walaupun
pada k = 7 mengalami kenaikan tetapi kenaikannya tidak lebih tinggi dari akurasi
hasil klasifikasi dengan k = 1. Akurasi rata-rata hasil klasifikasi pada dataset
Pulau Sumatera setiap tahun dapat dilihat pada Tabel 13.
Tabel 13 Akurasi rata-rata hasil klasifikasi setiap
tahun untuk dataset Pulau Sumatera
Dataset
Sumatera2001
Sumatera2007
Sumatera2008
Sumatera2010
Rata-rata

Akurasi (%)
93.67
97.33
92.72
97.10
95.20

Akurasi rata-rata tertinggi hasil klasifikasi untuk Pulau Sumatera adalah
97.10% yaitu pada dataset Sumatera2010. Akurasi rata-rata hasil klasifikasi untuk
Pulau Sumatera adalah sebesar 95.20%. Akurasi rata-rata hasil klasifikasi setiap
tahun untuk Pulau Kalimantan dapat dilihat pada Tabel 14.

22
Tabel 14 Nilai akurasi rata-rata hasil klasifikasi
setiap tahun untuk dataset Pulau Kalimantan
Dataset
Kalimantan2001
Kalimantan2003
Kalimantan2005
Kalimantan2007
Kalimantan2008
Kalimantan2010
Kalimantan2011
Kalimantan2012
Kalimantan2013
Rata-rata

Akurasi (%)
98.43
99.74
99.48
98.19
97.47
92.46
99.17
99.79
99.19
98.66

Nilai akurasi tertinggi untuk Pulau Kalimantan adalah 99.79% pada dataset
Kalimantan2012. Akurasi rata-rata hasil klasifikasi keseluruhan untuk Pulau
Kalimantan adalah sebesar 98.66%.
Pemilihan Hasil Klasifikasi Terbaik
Setelah dilakukan klasifikasi menggunakan algoritme KNN dan dihitung
nilai akurasinya maka didapat hasil klasifikasi dengan akurasi tertinggi. Untuk
Pulau Sumatera akurasi tertinggi pada dataset pada tahun 2010 dengan nilai k = 1.
Akurasi tertinggi hasil klasifikasi untuk Pulau Kalimantan pada dataset tahun
2001, 2007, dan 2011 dengan nilai k = 1, sedangkan dataset tahun 2005 pada k =
1 dan k = 3.
Pemilihan Data Baru
Pada tahapan ini yang dilakukan adalah memilih data baru yang akan
digunakan sebagai data testing. Untuk data baru yang digunakan pada penelitian
ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31
Maret 2015.
Penerapan Hasil Klasifikasi Terbaik
Pada tahapan ini, dilakukan pengujian pada hasil klasifikasi menggunakan
data titik panas pada tahun 2015 yang akan digunakan sebagai data testing dan
dataset Kalimantan tahun 2005 sebagai data training. Penggunaan dataset
Kalimantan 2005 karena menghasilkan hasil klasifikasi dengan akurasi tertinggi
untuk Pulau Kalimantan. Hasil matriks confusion hasil klasifikasi data baru 2015
untuk k = 1 dapat dilihat pada Tabel 15. Untuk hasil matriks confusion hasil
klasifikasi data baru 2015 untuk k = 3 dapat dilihat pada Tabel 16.

23

Tabel 15 Matriks confusion hasil klasifikasi data baru Kalimantan 2015 dengan k
=1
Kelas Aktual

Kelas Prediksi

False
76
0

False
True

True
1
23

Tabel 16 Matriks confusion hasil klasifikasi data baru Kalimantan tahun 2015
dengan k = 3
Kelas Aktual

Kelas Prediksi

False
76
0

False
True

True
1
23

Matriks confusion untuk k = 1 dan k = 3 menghasilkan nilai yang sama.
Klasifikasi menggunakan KNN menunjukan dapat mengklasifikasikan data
dengan kelas true (titik panas) ke kelas true (titik panas) dan dapat
mengklasifikasikan data dengan kelas false (bukan titik panas) ke kelas false
(bukan titik panas). Berdasarkan Tabel 15 dan Tabel 16 akurasi hasil klasifikasi
dengan k = 1 dan k = 3 adalah
Akurasi=

76+23
= 99%
76+1+0+23

(5)

Akurasi hasil klasifikasi menggunakan KNN untuk dataset Kalimantan2005
yang dijadikan data training dan data titik panas tahun 2015 sebagai data testing
adalah 99%, untuk jumlah tetangga terdekat (k) = 1 dan (k) = 3. Hasil klasifikasi
tertinggi untuk Pulau Sumatera tidak dapat digunakan sebagai data training
menggunakan data baru tahun 2015 karena proses klasifikasi pada dataset tersebut
tidak dapat dilakukan di R.

SIMPULAN DAN SARAN
Simpulan
Algoritme KNN dapat digunakan untuk klasifikasi kemunculan titik panas
di Pulau Sumatera dengan nilai akurasi tertinggi adalah 99.15% pada tahun 2010
dengan jumlah tetangga (k) = 1. Untuk dataset Pulau Kalimantan nilai akurasi
tertinggi adalah 100% untuk dataset tahun 2001, 2003, 2007, dan 2011 dengan
nilai k = 1 sedangkan untuk tahun 2005 dengan nilai k = 1 dan k = 3. Akurasi ratarata hasil klasifikasi dengan algoritme KNN dengan k 1, 3, 5, 7, 9, 11, 13, 15, 17
dan 19 untuk Pulau Sumatera adalah 95.20% dan untuk Pulau Kalimantan adalah
98.66%. Hasil klasifikasi menggunakan KNN diuji dengan menggunakan data
baru 2015 sebagai data traning dan dataset Kalimantan tahun 2015 sebagai data
testing. Akurasi hasil klasifikasi data baru 2015 mencapai 99%.

24

Saran
Untuk penelitian selanjutnya, dapat dikembangkan aplikasi berbasis web
untuk memudahkan pengguna sehingga dapat diperoleh nilai akurasi yang dapat
diketahui secara cepat.

DAFTAR PUSTAKA
Bramer M. 2007. Principles of Data Mining. London(UK): Springer.
Fernando V, Sitanggang IS. 2014. Klasifikasi data spasial untuk kemunculan
hotspot di Provinsi Riau menggunakan algoritme ID3. Integrasi Sains MIPA
untuk Mengatasi Masalah Pangan, Energi, Kesehatan, Reklamasi, dan
Lingkungan; 09-11 Mei 2014. Bogor, Indonesia. Bogor (ID): SEMIRATA, hlm
428-436. ISBN: 978-602-70491-0-9.
Oswald P, Astrini R. 2012. Tutorial QuantumGIS Tingkat Dasar Versi 1.8.0
Lisboa. Mataram (ID): GIZ Decentralization as Contribution to Good
Governance (DeCGG).
Sitanggang IS, Yaakob R, Mustapha N, Ainuddin AN. 2012. Application of
classification algorithms in data mining for hotspots occurrence prediction in
Riau Province Indonesia dalam: JATIT 43(2): 214-221. ISSN: 1992-8645.
Sitanggang IS. 2013. Penggunaan teknik data mining dalam pemodelan resiko
terjadinya kebakaran hutan. Peran Teknologi Informasi dalam Menghadapi
Pasar Global China-ASEAN 2015. Bogor, Indonesia. Bogor (ID): HIPI, pp.
55–62. ISBN: 978-602-95366-1-4.
Suwanto A, Maas A, Sutaryo D, Wijaya DY, Sartono D, Achsani H, Komarsa,
Hastuti S, Soli TI. Profil Ekosistem Gambut di Indonesia. Jakarta (ID).
Wu X, Kumar V. 2009. The top ten algorithms in data mining. CRC Press Taylor
dan Francis Group: Boca Raton London.

25
Lampiran 1 Cara kerja KNN
Record data training Pulau Kalimantan.
No

A1

A2

A3

A4

A5

A6

A7

A8

A9 A10 A11 A12 Kelas

1

1

0

0

0

0

0

1