Dimana dan j
merupakan objek data dua dimensi.
Pada data DBSCAN digunakan satu parameter jarak yaitu Eps untuk mengukur persamaan data spasial sedangkan pada data ST-DBSCAN digunakan
dua parameter jarak yaitu Eps1 untuk mengukur persamaan jarak data spasial yaitu jarak titik geografis dan Eps2 untuk mengukur persamaan data non spasial
dalam penelitian ini menggunakan atribut waktu tanggal terjadi kebakaran.
3.2.3. Penentuan Eps dan MinPts
Menentukan parameter Eps dan MinPts dari penggerombolan terkecil pada basis data dapat dilakukan melalui observasi k-dist Gambar 10. Berikut langkah-
langkah penentuan nilai Eps dan MinPts dari k-dist.
k-dist Ambang batas
point
penggerombolan
noise
Gambar 10 Grafik nilai Eps 1. Komputasikan k-dist untuk seluruh titik pada beberapa k. Urutkan dalam
urutan menurun dan plot nilai yang telah diurutkan. 2. Perubahan tajam pada nilai k-dist yang berhubungan dengan nilai Eps dan
nilai k gunakan sebagai MinPts yang sesuai. 3. Poin yang k-dist lebih kecil dari Eps akan disebut sebagai core point titik
inti, sementara titik lain akan dilabeli sebagai titik noise atau titik border. 4. Jika k terlalu besar maka penggerombolan kecil ukuran kurang dari k
cenderung diberi label sebagai titik noise. Jika k terlalu kecil maka titik noise atau outlier akan salah diberi label sebagai penggerombolan.
Eps dipilih yang kurang dari jarak yang ditentukan oleh lembah pertama.
3.2.4. Penggerombolan DBSCAN
Data hasil praproses yang telah dikelompokkan per bulan akan dilakukan penggerombolan menggunakan DBSCAN. Setelah ditemukan nilai Eps dan
MinPts yang sesuai dengan algoritma sebagai berikut Tan et al. 2006 : Menghilangkan titik noise dengan
1. Melakukan pengelompokan
pada titik
yang tersisa
dengan cara
menghubungkan semua titik inti core dengan jarak yang kurang dari Eps satu sama lain
2. membuat setiap kelompok dari titik inti yang terhubung menjadi penggerombolan yang terpisah
3. menetapkan setiap titik perbatasan ke salah satu penggerombolan rekanannya
3.2.5. Penggerombolan ST-DBSCAN
Setelah diperoleh nilai Eps1 dan Eps2 data hasil praproses akan dilakukan penggerombolan dengan menggunakan algoritma ST-DBSCAN dengan dimulai
dengan titik pertama p dalam basis data D dan mengambil semua titik density reachable dari p sehubungan dengan Eps1 dan Eps2
.
1. Titik p diproses sesuai dengan algoritma DBSCAN dan titik berikutnya diambil.
2. Fungsi Retrieve_Neighbors objek, Eps1, Eps2 mengambil semua titik density reachable dari objek yang dipilih sehubungan dengan Eps1, Eps2 dan
MinPts. Jika titik yang kembali berada dalam Eps neigborhood lebih kecil dari nilai MinPts, objek dinilai sebagai titik noise.
3. Titik noise dapat diubah kemudian jika titik bukan directly density reachable tetapi merupakan density reachable.
4. Jika titik dipilih adalah titik core, maka sebuah penggerombolan baru dibangun. Kemudian seluruh titik directly density reachable neighborhood
dari titik core akan dimasukkan dalam penggerombolan. 5. Kemudian algoritma secara iteratif mengumpulkan objek density reachable
dari core objek. 6. Jika objek tidak ditandai sebagai titik noise atau tidak dalam penggerombolan
dan perbedaan antara nilai rata-rata dari penggerombolan dan nilai baru lebih kecil dari ΔE, ia ditempatkan ke dalam penggerombolan tersebut.
7. Jika dua kelompok C1 dan C2 dekat satu sama lain, sebuah titik p mungkin milik kedua C1 dan C2. Kemudian titik p dimasukkan dalam penggerombolan
pertama yang menemukan titik tersebut.
3.3. Pengembangan Prototipe Visualisasi
Metode yang digunakan dalam pengembangan aplikasi penggerombolan ST-DBSCAN dan DBSCAN adalah prototipe. Metode prototipe merupakan jenis
metode yang memiliki siklus pengembangan. Metode ini digunakan karena dalam pembangunan atau pengembangan suatu aplikasi, proses yang dilakukan akan
selalu bersifat dinamis atau selalu mengalami perubahan update sesuai dengan perkembangan jaman.
Metode prototipe dimulai dari komunikasi untuk mendiskusikan tujuan keseluruhan dari perangkat lunak tersebut, mengidentifikasikan kebutuhan, dan
menguraikan permintaan klien. Pada prototipe tahap perencanaan dan perancangan dilakukan secara cepat. Perancangan tersebut difokuskan pada
tampilan akhir dari perangkat lunak yang dibangun. Perancangan ini mengarah kepada pembuatan prototipe dari perangkat
lunak. Kemudian prototipe tersebut diserahkan dan dievaluasi untuk menghasilkan feedback yang akan digunakan untuk menyempurnakan permintaan kebutuhan
dari perangkat lunak tersebut.
3.4. Waktu Penelitian
Penelitian dilaksanakan di Laboratorium Rekayasa Perangkat Lunak dan Ilmu Informasi Software Engineering and Information Science SEIS dimulai
bulan Januari 2012 sampai dengan bulan September 2012.
4 PEMBAHASAN
4.1. Sumber Data dan Karakteristik Data
Data diperoleh dari Fire Information For Resource Management System FIRMS yang merupakan data hotspot yang disediakan oleh National
Aeronautics and Space Administration NASA. Hotspot tersebut diperoleh menggunakan data satelit Terra dan Aqua yang memiliki sensor bernama
Moderate Resolution Imaging Spectroradiometer MODIS dalam mendeteksi suhu permukaan bumi.
Gambar 11 Lokasi Sumatera Selatan Data yang diteliti adalah data titik panas hotspot kebakaran di Sumatera
Selatan yang terletak antara 5
o
10’ sampai 1
o
20’ lintang selatan dan 101
o
40’ sampai 106
o
30’ bujur timur. Sehingga 1
o
akan mewakili jarak sekitar 110 km Gambar 11.
4.2. Praproses Data
Tahapan praproses yang dilakukan dalam penelitian ini meliputi pemilihan data, transformasi data tanggal, dan pembersihan data.
4.2.1. Pemilihan Data
Terdapat 4822 record pada data hotspot Tahun 2002-2003 yang akan dipilih field lintang, bujur, dan tanggal. Kemudian pada data yang telah terpilih
dilakukan pengelompokkan data berdasarkan bulan dan tahun yang sama sehingga terdapat 24 pengelompokan data dari bulan Januari 2002 sampai Desember 2003
untuk dilakukan penggerombolan menggunakan DBSCAN. Penggerombolan
