Penerapan Dynamic Density Based Clustering pada Data Kebakaran Hutan

PENERAPAN DYNAMIC DENSITY BASED CLUSTERING
PADA DATA KEBAKARAN HUTAN

FANI WULANDARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

PENERAPAN DYNAMIC DENSITY BASED CLUSTERING
PADA DATA KEBAKARAN HUTAN

FANI WULANDARI

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
2012

ABSTRACT
FANI WULANDARI. Implementation of Dynamic Density Based Clustering on Forest Fire
Data. Supervised by ANNISA.
Land and forest fire has become prominent issues in Indonesia. Possibilities of the occurrence
of forest fire in Indonesia has increased from year to year. This makes early prevention very
important for forest fire investigation. One of the efforts concerning the forest fire prevention is by
knowing the distribution of hotspot clustering which have high potential for the occurrence of
forest fire. This research has classified the hotspot data using Dynamic Density Based Clustering
(DDBC) algorithm. The use of DDBC technique is capable of handling spatiotemporal aspects
simultaneously by storing the position of each point. The storage of each point’s position is estimated
using the strength of its relationship to other points that appear every year. The neighborhood concept
of DDBC algorithm is a modified version of the neighborhood concept of the Density Based Spatial
Clustering (DBSCAN) called Relationship Strength Threshold (RST). Cluster detection is performed
on the points that fulfill the RST neighborhood value, so that only the point which was considered as a

strong relationship will be grouped. The result of the clustering obtained through DDBC technique
is the grouping of areas with high potential for forest fire occurrence. Visualization of the
clustering results is presented based on a map that describe the distribution of hotspot so that the
authorities can determine the prioritized areas for early forest fire prevention.
Keywords: clustering, forest fire, occurrence, spatiotemporal, Dynamic density based clustering
(DDBC)

Penguji : Hari Agung Adrianto S.Kom, M.Si
Toto Haryanto S.Kom, M.Si

Judul
Nama
NIM

: Penerapan Dynamic Density Based Clustering pada Data Kebakaran Hutan
: Fani Wulandari
: G64070100

Menyetujui:

Pembimbing

Annisa, S.Kom, M.Kom
NIP. 19790731 200501 2 002

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah subhanahu wa-ta’ala atas segala rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Penerapan Dynamic
Density Based Clustering pada Data Kebakaran Hutan. Penelitian ini dilaksanakan mulai Mei 2011
sampai dengan Oktober 2011, bertempat di Departemen Ilmu Komputer Institut Pertanian Bogor.
Penulis menyampaikan terima kasih kepada pihak-pihak yang telah membantu dalam
penyelesaian tugas akhir ini antara lain:

1

Papa, Mama, dan kakak tersayang Pandu Wicaksana yang tiada henti-hentinya memberikan doa,
kasih sayang, nasihat dan dukungan kepada penulis.

2

Ibu Annisa, S.Kom., M.Kom. selaku dosen pembimbing yang telah banyak memberikan arahan
dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini.

3

Bapak Hari Agung Adrianto, S.Kom., M.Si dan Bapak Toto Haryanto, S.Kom., M.Si selaku
dosen penguji yang telah memberikan banyak masukan dan nasihat.

4

Yuridhis Kurniawan, M. Yoga Permana, Dhieka Avrilia Lantana, Dedek Apriyani, Ayi
Imaduddin, Remarchtito Heyziputra, Muhammad Arif Fauzi dan Hidayat sebagai teman satu
bimbingan yang selalu memberikan kritik, saran, dan semangat kepada penulis.

5

Agus Umriadi, Dika Satria, Fadly Hilman, Khamdan Amin, Aulia Retnoningtyas, Febriandini
Harvina, dan Giovanni Anggra atas segala bantuan, ilmu, dan perhatian yang diberikan kepada
penulis.

6

Woro Indriyani, Laras Mutiara Diva, Tri Setiowati, Ria Astriratma, Aprilia Ramadhina, Dipta
Aditya, Fanny Risnuraini, Arif Nofyansyah, Fani Valerina, Isna Mariam, Ira Nurazizah, Sulma
Mardiah, Windy Wahyu A.I, dan seluruh rekan-rekan Ilkomerz 44 atas doa, dukungan, suka,
maupun duka yang senantiasa diberikan selama menjalani kehidupan sebagai mahasiswa.

7

Seluruh pihak yang terlibat secara langsung maupun tidak langsung atas segala bantuan, kerja
sama dan kenangan indah yang tidak akan pernah terlupakan.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini. Semoga tulisan

ini bermanfaat bagi pembacanya.

Bogor, Januari 2012

Fani Wulandari

RIWAYAT HIDUP
Fani Wulandari dilahirkan di Depok pada tanggal 26 Maret 1990 dan merupakan anak kedua
dari dua bersaudara dengan ayah bernama Hardono dan ibu bernama Rukmini.
Pada tahun 2007 lulus dari SMA Negeri 4 Depok dan diterima di Program Studi Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur
Seleksi Penerimaan Mahasiswa Baru (SPMB).
Pada bulan Juli-Agustus 2010 penulis melaksanakan kegiatan Praktik Kerja Lapangan di PT.
Telekomunikasi Indonesia Divisi Business Service. Selama aktif sebagai mahasiswa, penulis pun turut
mengikuti beberapa kegiatan kepanitiaan di Fakultas MIPA serta Departemen Ilmu Komputer antara
lain: Pesta Sains 2009, SPIRIT 2009, ISC 2009. Penulis pun bergabung dalam Komunitas FOKERZ
pada Himpunan Mahasiswa Ilmu Komputer IPB. Selain itu penulis juga menjadi Asisten Praktikum
mata kuliah Penerapan Komputer di Departemen Ilmu Komputer IPB.

DAFTAR ISI

Halaman
DAFTAR GAMBAR ............................................................................................................................. vi
DAFTAR TABEL ................................................................................................................................. vi
PENDAHULUAN
Latar Belakang ................................................................................................................................... 1
Tujuan Penelitian ............................................................................................................................... 1
Ruang Lingkup................................................................................................................................... 1
Manfaat Penelitian ............................................................................................................................. 2
TINJAUAN PUSTAKA
Data Mining ....................................................................................................................................... 2
Hotspot (Titik Panas) ......................................................................................................................... 2
Clustering........................................................................................................................................... 2
Spatiotemporal Data .......................................................................................................................... 2
Density Based Clustering (DENCLUE) ............................................................................................. 3
Density Based Spatial Clustering (DBSCAN) ................................................................................... 3
Dynamic Density Based Clustering (DDBC) ..................................................................................... 4
METODE PENELITIAN
Pengolahan Data ................................................................................................................................ 6
Keterkaitan antar Titik ....................................................................................................................... 7
Cluster Detection ............................................................................................................................... 8

Performansi Hasil Cluster .................................................................................................................. 9
Visualisasi Clustering ........................................................................................................................ 9
Implementasi ...................................................................................................................................... 9
HASIL DAN PEMBAHASAN
Praproses Data ................................................................................................................................... 9
Estimasi Hubungan Titik ................................................................................................................. 10
Modifikasi Ketetanggan ................................................................................................................... 11
Deteksi Cluster................................................................................................................................. 12
Evaluasi Hasil Cluster ...................................................................................................................... 13
KESIMPULAN DAN SARAN
Kesimpulan ...................................................................................................................................... 14
Saran ................................................................................................................................................ 14
DAFTAR PUSTAKA ........................................................................................................................... 14
LAMPIRAN ......................................................................................................................................... 16

v

DAFTAR GAMBAR
Halaman
1 Deskripsi data spatiotemporal (Rahim 2006). ................................................................................... 2

2 Ilustrasi konsep directly density- reachable. ..................................................................................... 3
3 Ilustrasi konsep density-reachable. .................................................................................................... 3
4 Ilustrasi konsep density-connectivity. ................................................................................................ 3
5 Metodologi penelitian. ....................................................................................................................... 5
6 Langkah-langkah dalam tahap estimasi hubungan............................................................................. 7
7 Mekanisme dalam deteksi cluster. ..................................................................................................... 8
8 Langkah-langkah deteksi cluster dengan algoritme DDBC. .............................................................. 9
9 Tahapan estimasi hubungan pada data penelitian. ........................................................................... 11
10 Perhitungan nilai RST. ..................................................................................................................... 11
11 Potongan fungsi ExpandCluster pada proses clustering. ................................................................. 12
12 Visualisasi hasil clustering data kebakaran hutan. ........................................................................... 14

DAFTAR TABEL
Halaman
1
2
3
4
5
6

Representasi kemunculan objek ......................................................................................................... 5
Hasil analisis kueri data hotspot tahun 2002 – 2005 (Kurniawan 2011) ........................................... 6
Contoh data hotspot yang digunakan pada penelitian ...................................................................... 10
Hasil clustering dari algoritme DDBC............................................................................................. 12
Hasil perhitungan cluster variance .................................................................................................. 13
Hasil perhitungan keseluruhan analisis varian ................................................................................. 13

vi

PENDAHULUAN
Latar Belakang
Kebakaran hutan dan lahan menjadi
permasalahan yang kian mencolok di Indonesia.
Peluang terjadinya kebakaran hutan di
Indonesia meningkat dari tahun ke tahun. Hal
tersebut menandakan perubahan titik api yang
terjadi di suatu wilayah (spatial) bersifat
dinamis seiring waktu yang berjalan. Mengingat
faktor timbulnya kebakaran hutan yang tinggi di

Indonesia, maka sangatlah penting untuk
pembangunan
sistem
guna
pencegahan
kebakaran hutan sejak dini.
Salah satu upaya pencegahan kebakaran
hutan tersebut yakni dengan mengetahui
persebaran pengelompokan titik api yang
berpotensi tinggi terhadap terjadinya kebakaran
hutan. Konsep data mining sangat sesuai untuk
diterapkan pada data hotspot tersebut. Salah
satu penerapan metode data mining yang akan
digunakan pada penelitian adalah clustering.
Penelitian sebelumnya yang dilakukan oleh
Fuad (2009) data titik-titik panas telah
dikelompokkan
sesuai
sebarannya
menggunakan clustering hasil operasi OLAP
dan visualisasi hasil clustering dari data tersebut
diimplementasikan dalam bentuk peta. Teknik
clustering yang digunakan pada penelitian
tersebut yakni K-Means. Algoritme K-Means
membutuhkan penyimpanan posisi objek yang
sifatnya terkait time stamp (valid time) disertai
waktu dimulainya (start time) secara eksplisit.
Tahap clustering dengan K-Means tersebut
diterapkan menggunakan WEKA versi 3.5.7.
Selain itu, atribut yang digunakan dalam
clustering adalah atribut jumlah titik panas,
sedangkan atribut wilayah dan waktu yang
bertipe kategorik hanya digunakan sebagai
keterangan.
Penelitian
yang
dilakukan
akan
mengimplementasikan
algoritme
dynamic
density based clustering (DDBC) yang dikenal
mampu menangani aspek spatial dan temporal
secara bersamaan. Algoritme DDBC telah
diperkenalkan pertama kali oleh Ghose dan
Rosswog
(2010).
Penelitian
tersebut
mengevaluasi algoritme DDBC terhadap teknik
Trajectory Mining dan Moving Cluster Mining
menggunakan sejumlah data objek yang
berpindah pada satuan waktu. Hasil penelitian
menunjukkan bahwa algoritme DDBC mampu
mendeteksi dan mencatat cluster yang
heterogen secara simultan dari objek yang
saling berpindah melalui persimpangan

terhadap cluster lain dalam time stamp terkait
yang digunakan.
Posisi setiap titik pada data kebakaran
hutan diperkirakan besar kekuatan hubungannya
untuk setiap satuan tahun (temporal)
kemunculannya dan diolah pada relationship
graph. Penggunaan relationship graph akan
mempermudah dalam membedakan hubungan
antar titik yang kuat dan lemah. DDBC
mengelompokan
suatu
populasi
objek
berdasarkan pada parameter kepadatannya
(density) dengan fungsi ketetanggaan yang
digunakan adalah Relationship Strength
Threshold (RST) neighborhood. Data hotspot
yang digunakan pada penelitian ini memiliki
atribut seperti lintang dan bujur yang
menyimpan aspek spatial serta atribut year
yang menyimpan aspek temporal, sehingga
algoritme DDBC yang mampu mengolah data
spatiotemporal dapat diterapkan dengan baik
melalui penelitian ini.
Hasil clustering yang diperoleh dengan
penggunaan teknik DDBC menghasilkan
pengelompokan terhadap daerah-daerah terkait
yang rawan terhadap terjadinya kebakaran
hutan. Daerah-daerah yang dikenali sebagai titik
api tersebut memiliki frekuensi kemunculan
yang tinggi sehingga dinilai rawan terhadap
potensi terjadinya kebakaran hutan. Visualisasi
hasil clustering disajikan dalam bentuk peta
yang menggambarkan persebaran titik panas
agar pihak yang berwenang dapat dengan
mudah menentukan daerah yang diprioritaskan
untuk dilakukan pencegahan kebakaran hutan.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1

Menerapkan teknik clustering dengan
menggunakan algoritme Dynamic Density
Based Clustering (DDBC) pada data
kebakaran hutan.

2

Memvisualisasikan hasil clustering dalam
bentuk sistem peta untuk memudahkan
pengguna melihat lokasi persebaran titiktitik api.

Ruang Lingkup
Ruang lingkup dari penelitian ini adalah:
1

Data hotspot yang digunakan diperoleh dari
Direktorat Kebakaran Hutan (DPKH)
Departemen Kehutanan RI.

2

Data yang digunakan merupakan hasil
penelitian analisis kueri data hotspot yang
telah
dilakukan
sebelumnya
oleh
Kurniawan (2011).

1

3

Data hotspot yang digunakan adalah data
titik api yang muncul berulang dalam
rentang tahun 2002 sampai 2005.

Manfaat Penelitian
Hasil akhir dari clustering yang diperoleh
pada penelitian ini diharapakan dapat
mempermudah pihak yang berwenang terkait
pengelolaan data hotspot untuk mengambil
keputusan dalam upaya pencegahan kebakaran
hutan sejak dini.

yang memiliki suhu relatif lebih tinggi
dibandingkan sekitarnya. Suhu yang dideteksi
berkisar antara 210 K (37°C) untuk malam hari
dan 315 K (42°C) untuk siang hari.
Penginderaan satelit tersebut tentunya akan
membantu penanganan masalah kebakaran
hutan, karena jika posisi lokasi hotspot telah
diketahui maka bisa dilakukan penanganan
lebih dini untuk mencegah terjadinya kebakaran
hutan.
Clustering

TINJAUAN PUSTAKA
Data Mining
Data mining adalah kegiatan penemuan
pola-pola yang menarik dari data berukuran
besar yang disimpan dalam basis data, data
warehouse, atau sarana penyimpanan yang lain.
Data mining dapat diklasifikasikan menjadi dua
kategori yaitu descriptive data mining dan
predictive data mining. Descriptive data mining
menjelaskan
himpunan
data
dengan
memberikan banyak informasi secara jelas
dalam kalimat yang singkat dan memberikan
sifat-sifat umum yang menarik dari data.
Predictive data mining menganalisis data yang
bertujuan untuk membangun sebuah atau
himpunan model, dan berusaha untuk
meramalkan karakteristik dari himpunan data
baru (Han & Kamber 2001).
Menurut (Han & Kamber
fungsionalitas data mining adalah:
1
2
3
4
5
6

2001),

Deskripsi kelas/ deskripsi konsep dan
diskriminasi,
Analisis asosiasi,
Klasifikasi dan prediksi,
Analisis cluster,
Analisis pencilan, dan
Analisis evolusi.

Hotspot (Titik Panas)
Data hotspot merupakan salah satu
indikator kemungkinan terjadinya kebakaran
hutan pada wilayah tertentu. Pemantauan
hotspot dilakukan dengan penginderaan jauh
(remote
sensing)
menggunakan
satelit
(Hayardisi 2008).
Satelit yang biasa digunakan adalah satelit
National
Ocean
and
Atmospheric
Administration (NOAA)
melalui sensor
Advanced Very High Resolution Radiometer
(AVHRR) karena sensor tersebut dapat
membedakan suhu permukaan di darat dan laut.
Satelit ini mendeteksi objek di permukaan bumi

Secara umum, clustering merupakan proses
pengelompokan kumpulan objek ke dalam
kelas-kelas atau clusters sehingga objek-objek
dalam satu cluster memiliki kemiripan yang
tinggi tetapi tidak mirip terhadap objek dari
cluster lain (Han & Kamber 2001). Ukuran
kemiripan
dan
ketidakmiripan
dinilai
berdasarkan nilai atribut yang mendeskripsikan
objek.
Spatiotemporal Data
Data spatiotemporal adalah data spasial
yang berubah seiring waktu (Rahim 2006). Jadi,
data spatiotemporal adalah data spasial yang
memiliki elemen temporal. Sedangkan data
spasial adalah data yang memiliki referensi
ruang kebumian (georeference) dimana
berbagai data atribut terletak dalam berbagai
unit spasial (tidak memiliki aspek temporal).
Gambar 1 menjelaskan deskripsi dari data
spatiotemporal. Pada Gambar 1 dapat dilihat
objek A pada waktu t1. Akibat sesuatu hal objek
A tersebut berubah menjadi objek AB dalam
waktu t2, kemudian objek AB berubah lagi
menjadi objek B di waktu tn. Objek terus
berubah tergantung pada situasi dan skenario.
Data spatiotemporal adalah serangkaian
data spasial yang telah berubah. Perubahan akan
terjadi sampai waktu ke n, yaitu akhir dari
proses perubahan (Rahim 2006).

A

AB

B

Space

t1

t2

tn

Gambar 1 Deskripsi data spatiotemporal
(Rahim 2006).

2

Density Based Clustering (DENCLUE)
Ide dasar dari DENCLUE adalah
mengelompokan pemodelan seluruh data
berdasarkan besarnya kepadatan (density)
sebagai penjumlahan fungsi pengaruh (influence
function) dari suatu titik. Konsep influence
function adalah fungsi yang menjelaskan
pengaruh suatu data di dalam ketetanggaannya.
Contoh dari influence function yang telah
banyak digunakan antara lain :
1

2

Directly density-reachable
Konsep directly density-reachable akan
dimisalkan dengan Gambar 2 di bawah berikut.
1

Gambar 2 Ilustrasi konsep directly densityreachable.

Square wave function

Gaussian function

Besarnya fungsi kepadatan dari data dapat
dihitung dengan menjumlahkan seluruh
influence function tertentu yang dipilih. Tahap
clustering selanjutnya dapat ditentukan secara
matematik dengan mengidentifikasi nilai lokal
maksimum dari kepadatan (density-attractors)
(Hinneburg A & Keim D 1998).
Density Based Spatial Clustering (DBSCAN)
DBSCAN memiliki cara kerja clustering
yang hampir mirip dengan DENCLUE. Secara
signifikan, DBSCAN bekerja dengan efisien
dalam membentuk arbitrary-shaped cluster.
Pengelompokan dilakukan terhadap titik dengan
ketetanggaannya yang berada di dalam jarak (ɛ)
tertentu yang harus memenuhi jumlah titik
minimum (minPts). Pembentukan ketetanggaan
dapat ditentukan melalui pemilihan fungsi jarak
antara dua buah titik.
DBSCAN menggunakan konsep titik pusat
(core point), titik batas (border point), dan
noise. Titik yang memiliki sejumlah titik
tetangga dan memenuhi jumlah titik minimum,
serta berada dalam jarak tertentu disebut
sebagai titik pusat, sedangkan titik batas
memiliki jumlah titik tetangga namun tidak
memenuhi jumlah titik minimum. Titik batas
tersebut biasanya merupakan titik di dalam
ketetanggaan dari titik pusat. Kriteria suatu titik
dikatakan sebagai noise yaitu pada saat titik
tersebut tidak termasuk titik pusat maupun titik
batas, selain itu titik tersebut tidak memenuhi
konsep directly density-reachable dari suatu
titik pusat (Ester et al. 1996).
Beberapa konsep lain yang memiliki
peranan penting dalam metode DBSCAN
dijelaskan sebagai berikut.

Titik q dikatakan directly density-reachable
dari titik p, jika titik q berada di dalam
ketetanggaan titik p dengan jarak tertentu (ɛ)
dan titik p merupakan titik pusat. Konsep ini
berlaku untuk sepasang titik pusat (simetris),
namun tidak berlaku antara titik pusat dan titik
batas.
Density-reachable
Titik p dikatakan density-reachable dari
titik q (memenuhi syarat ɛ dan minPts) jika
terdapat rantai yang menghubungkan titik p1,
…, pn dengan p1 = q, pn = p dan pi+1 directly
density-reachable dari pi. Gambar 3 berikut
memberikan ilustrasi mengenai konsep densityreachable.
2

Gambar 3 Ilustrasi konsep density-reachable.
3

Density-connectivity

Titik p density-connected terhadap titik q
(memenuhi syarat ɛ dan minPts) jika titik p dan
q density-reachable dari titik r. Densityconnectivity bersifat simetris terhadap suatu
objek dengan objek lainnya. Berikut diberikan
ilustrasi mengenai konsep density-connectivity.

Gambar 4 Ilustrasi konsep density-connectivity.

3

Definisi terbentuknya suatu cluster C
apabila memenuhi syarat berikut yaitu:



Jika titik p ϵ C dan jika q density-reachable
dari titik p (memenuhi syarat ɛ dan minPts),
maka titik q ϵ C (maximality).
Jika titik p density-connected ke titik q
(memenuhi syarat ɛ dan minPts), maka titik
q ϵ C (connectivity).

DBSCAN hanya mampu menghasilkan
hasil clustering yang baik selama ukuran jarak
yang digunakan tidak melebihi jumlah
keseluruhan area dari data. Pada data yang
berdimensi tinggi, ukuran matriks jarak dapat
diperkecil guna efisiensi algoritme. Secara
kontras dengan memperkecil matriks jarak,
maka akan lebih sulit menentukan besarnya
jarak (ɛ) yang lebih tepat. Kelemahan utama
pada DBSCAN yakni algoritme ini tidak dapat
mengclusterkan data dengan adanya perbedaan
jarak yang besar antar objek pada data.
Dynamic Density Based Clustering (DDBC)
Algoritme
dynamic
density
based
clustering bekerja berdasarkan area yang
memiliki
kepadatan
tertentu
dan
mengkombinasikan objek-objek pada area
tersebut ke dalam sebuah cluster. Algoritme ini
bertujuan menentukan jumlah cluster yang
ditampilkan pada data berdasarkan nilai
kepadatannya dan mampu untuk menangani
noise.
DDBC
merupakan
algoritme
penggabungan dari algoritme DBSCAN dan
DENCLUE, yang keduanya merupakan
algoritme clustering berdasarkan density. Dua
tahapan besar pada algoritme DDBC yaitu tahap
estimasi hubungan (relationship estimation) dan
tahap deteksi cluster. Estimasi hubungan
menjelaskan perkiraan kekuatan hubungan
antara objek yang muncul, sementara deteksi
cluster akan melakukan pengelompokan
terhadap objek-objek tersebut yang memiliki
hubungan yang kuat.
DDBC menggunakan
konsep pada
algoritme DENCLUE yakni influence function
untuk menjelaskan adanya hubungan antar
objek. Posisi suatu titik dihitung secara
periodik. Pt merupakan posisi titik yang
dihitung pada waktu t. Hubungan antar titik
pada waktu t dihitung menggunakan fungsi
jarak. Nilai dari fungsi jarak tersebut
selanjutnya diestimasi menggunakan fungsi
kernel untuk diketahui kekuatan hubungannya.
Besarnya kekuatan hubungan ( ) antar titik
dirumuskan sebagai berikut.

(1)
Nilai h pada persamaan di atas menjelaskan
history window yaitu periode waktu dimana
perilaku titik mempengaruhi estimasi hubungan,
dan nilai t merupakan satuan waktu saat
tertentu, dan ,
merupakan posisi objek e
dan g pada waktu c. Suatu relationship graph
akan terbentuk untuk mengolah kekuatan
hubungan antar titik yang terjadi di setiap tahun.
Tahap berikutnya setelah terbentuk
relationship graph adalah deteksi cluster.
Teknik DDBC menggunakan algoritme
DBSCAN yang telah dimodifikasi untuk
mendeteksi cluster pada relationship graph.
Perbedaan antara algoritme DBSCAN dengan
yang telah dimodifikasi terletak pada
penggunaan Relationship Strength Threshold
(RST) dan penggunaan fungsi ketetanggaan
(neighborhood function) (Rosswog & Ghose
2010).
RST memberikan penjelasan bahwa titiktitik yang dipertimbangkan pada deteksi cluster
hanya hubungan antar titik pada relationship
graph yang mempunyai bobot lebih besar dari
RST. Hubungan yang bersifat lemah (bernilai
kurang dari RST) didefinisikan sebagai noise.
Besarnya nilai RST dapat diketahui melalui
persamaan berikut.
(2)
Dimisalkan C merupakan cluster, dan titik x, y ϵ
C, dan titik z ¬ϵ C. Titik y dan z berada di
dalam ketetanggaan titik x pada waktu t dan h
tertentu. Nilai p menjelaskan besarnya waktu
yang diharapkan pada titik y akan muncul
sebagai tetangga titik x, sedangkan nilai f
menjelaskan besarnya waktu yang diharapkan
pada titik z akan muncul sebagai tetangga titik
x.
Berdasarkan kemunculan objek dengan
time stamp sebanyak empat seperti pada Tabel 1
di bawah dapat dilihat bahwa terdapat tujuh
objek yaitu A, B, C, W, X, Y, dan Z yang
masing-masing menyimpan representasi nilai
lintang dan bujur. Kemunculan ketujuh objek
tersebut berbeda-beda untuk setiap time stamp.
Objek X, Y, dan Z muncul pada time stamp 1
dan 3 dimana hubungan objek-objek yang
terbentuk merupakan hasil kombinasi ketiga
objek tersebut. Pada time stamp 2 muncul objek
baru dikenali sebagai W, dan objek pada time
stamp 1 pun muncul kembali. Pada time stamp
4 muncul objek-objek baru yaitu A, B, dan C.
Objek yang muncul terkait time stampnya dicari

4

kombinasinya satu dengan lainnya yang
menandakan adanya hubungan antar objek
tersebut.
Tabel 1 Representasi kemunculan objek
berdasarkan time stamp
Objek

Hubungan
Objek

cluster C,
adalah data ke-i pada suatu
cluster, dan
merupakan nilai rata-rata dari
data pada cluster C. Selanjutnya dari nilai
varian tersebut dihitung nilai variance within
cluster (Vw) dan variance between cluster (Vb)
sesuai dengan persamaan di bawah ini.

Time
Stamp

X, Y, Z

(X, Y) (X, Z)
(Y, Z)

1

W, X, Y, Z

(W, X) (W, Y)
(W, Z) X, Y)
(X, Z) (Y, Z)

2

X, Y, Z

(X, Y) (X, Z)
(Y, Z)

3

A, B, C

(A, B) (A, C)
(B, C)

4

(5)
(6)
dengan N adalah jumlah semua data,
adalah
jumlah data pada cluster ke-i, nilai
merupakan varian pada cluster ke-i, dan
merupakan rata-rata dari .

Berdasarkan Tabel 1 di atas dapat
disimpulkan bahwa objek W yang hanya
muncul pada time stamp 2 dan objek A, B, dan
C pernah memiliki hubungan terkait dengan
seluruh objek-objek data clustering sebanyak
satu kali. Objek lainnya seperti X, Y, dan Z
pernah memiliki hubungan dengan objek data
clustering dengan kemunculan sebanyak tiga
kali. Konsep RST pada hubungan ketetanggaan
(neighborhood) dari vertex v ϵ V (G)
dirumuskan sebagai NRST(v) yang dijelaskan
pada persamaan di bawah ini. Dengan
menggunakan rumus RST neighborhood di
bawah, maka selanjutnya cluster akan dibentuk
sesuai konsep yang terdapat pada algoritme
DBSCAN. Kelebihan lain pada DBSCAN yang
telah dimodifikasi yaitu pengelompokan objek
akan lebih sederhana karena hanya objek yang
terhubung oleh edge yang akan diutamakan.

Salah satu metode yang digunakan untuk
menentukan cluster yang ideal adalah batasan
varian, yaitu dengan menghitung kepadatan
cluster berupa variance within cluster (Vw) dan
nilai variance between cluster (Vb) (Man L et
al. 2009). Cluster yang ideal mempunyai Vw
minimum yang merepresentasikan internal
homogenity dan maksimum Vb yang
menyatakan external homogenity.

METODE PENELITIAN
Penelitian
ini
menggunakan
teknik
clustering dengan algoritme DDBC pada data
kebakaran hutan. Tahap-tahap yang akan
dilakukan pada penelitian dijelaskan secara jelas
pada Gambar 5.
Mulai

Analisis Data Hotspot

Praposes Data

(3)
Estimasi Hubungan antartitik

Analisis Cluster
Analisis cluster dapat diperoleh dari
kepadatan cluster yang dibentuk (cluster
density). Penyebaran hasil suatu cluster dapat
ditentukan dengan variance within cluster (Vw)
dan variance between cluster (Vb). Varian untuk
setiap tahap pembentukan cluster dihitung
menggunakan persamaan di bawah berikut.

Pendeteksian clustering

Output Cluster

Analisis varian hasil cluster

Visualisasi clustering

(4)
Selesai

dengan
adalah varian pada cluster C, c
bernilai 1, …, k dimana k merupakan jumlah
cluster. Nilai
adalah jumlah data pada

Gambar 5 Metodologi penelitian.

5

Pengolahan Data
Data yang digunakan pada penelitian ini
adalah data titik api yang memiliki kemunculan
paling banyak yakni tiga kali pada tahun 2002
hingga tahun 2005. Pengambilan data untuk
kemunculan titik api yang berulang tersebut
didasarkan pada kemampuan algoritme DDBC
melakukan pengolahan aspek temporal dengan
baik untuk setiap hubungan titik yang terjadi.
Data tersebut diperoleh dari Direktorat
Pengendalian Kebakaran Hutan (DPKH)
Departemen Kehutanan RI. Data yang
digunakan merupakan hasil analisis kueri yang
telah diujikan (Kurniawan 2011). Hasil analisis
kueri data hotspot yang muncul pada tahun
2002 sampai 2005 menghasilkan sebanyak 151
data. Tabel 2 berikut menunjukkan contoh data
awal dari hasil analisis kueri data hotspot yang
muncul pada tahun 2002-2005.
Mengingat kebutuhan data terhadap cara
kerja algoritme DDBC maka diperlukan
beberapa penghapusan atribut serta penambahan

atribut. Atribut yang dihapus yaitu atribut
keterangan yang berdasarkan analisis kueri
tersebut menjelaskan bahwa titik tersebut
disappear
(menghilang).
Atribut
yang
menyimpan nilai aspek temporal pada Tabel 2
adalah atribut Vs dan Ve. Kedua atribut tersebut
memiliki tipe data berupa date yang
mengandung komponen tanggal, bulan, dan
tahun. Pada tahap pengolahan data dalam
penelitian ini, kedua atribut tersebut disimpan
dalam atribut year. Atribut year hanya
menyimpan komponen tahun kemunculan
hotspot tersebut.
Penambahan atribut yang diterapkan yaitu
atribut vertex. Atribut vertex merepresentasikan
posisi lintang dan bujur suatu titik api.
Penamaan dari atribut vertex tersebut diperoleh
secara alphabet sehingga setiap nilai vertex
mempunyai nilai lintang dan bujur yang
berbeda, namun mempunyai Kabupaten dan
Propinsi yang sama. Hasil pengolahan data
yang digunakan dalam penelitian dapat dilihat
secara detail pada Lampiran 1.

Tabel 2 Hasil analisis kueri data hotspot tahun 2002 – 2005 (Kurniawan 2011)
Lintang

Bujur

Vs

Ve

-1.478

104.035

06-06-2002

07-06-2002

-1.478

104.035

07-08-2003

08-08-2003

-1.478

104.035

07-02-2005

08-02-2005

0.339

103.058

01-02-2002

02-02-2002

0.339

103.058

12-02-2004

13-02-2004

0.339

103.058

08-03-2005

09-03-2005

1.632

101.746

11-03-2002

12-03-2002

1.632

101.746

06-03-2003

07-03-2003

1.632

101.746

19-01-2005

20-01-2005

-3.37

113.833

25-09-2003

26-09-2003

-3.37

113.833

03-10-2003

04-10-2003

-3.37

113.833

28-09-2004

29-09-2004

Keterangan

Nama_
Kab

Nama_
Prop

The_
Geom

dissappear

Muaro
Jambi

Jambi

010100000
0ee

dissappear

Muaro
Jambi

Jambi

010100000
0ee

dissappear

Muaro
Jambi

Jambi

010100000
0ee

dissappear

Pelalawan

Riau

010100000
0c1

dissappear

Pelalawan

Riau

010100000
0c1

dissappear

Pelalawan

Riau

010100000
0c1

dissappear

Dumai
(Kota)

Riau

010100000
039

dissappear

Dumai
(Kota)

Riau

010100000
039

dissappear

Dumai
(Kota)

Riau

010100000
039

dissappear

Pulang
Pisau

Kalimantan
Tengah

010100000
05a

dissappear

Pulang
Pisau

Kalimantan
Tengah

010100000
05a

dissappear

Pulang
Pisau

Kalimantan
Tengah

010100000
05a

6

dterapkan square wave function. Pada
perumusan kernel function didefinisikan
bahwa jarak Euclid antar titik yang
nilainya lebih besar dari threshold ( )
akan diberi representasi nilai 0, dan diberi
nilai 1 apabila berlaku sebaliknya.
Hubungan titik yang bernilai 0 tersebut
tidak akan berpengaruh besar pada tahap
selanjutnya yaitu perhitungan kekuatan
hubungannya (strength relationship).

Keterkaitan antar Titik
Data yang telah diperoleh melalui tahap
sebelumnya, kemudian diolah dalam tahap
estimasi hubungan. Titik api akan dilihat
keterkaitannya satu sama lain melalui tahap
estimasi ini. Berikut diberikan Gambar 6 untuk
penjelasan lebih detail mengenai estimasi
hubungan.
Langkah-langkah yang digunakan pada
tahap estimasi hubungan dijelaskan sebagai
berikut:
1

Hubungan antar objek yang terjadi terkait
time stampnya dicari nilai jaraknya seperti
pada Gambar 6a menggunakan Euclidian
distance.

2

Hasil jarak antar titik tersebut kemudian
diolah kembali dengan penggunaan
influence function. Pada penelitian ini,
influence function dikenal pula sebagai
kernel function. Kernel function yang
digunakan adalah square wave function
yang akan memberikan hasil berupa nilai
boolean. Penggunaan square wave
function menjelaskan titik-titik yang besar
pengaruhnya dalam radius dan waktu
tertentu. Pada Gambar 6b diperoleh
hubungan titik yang berpengaruh setelah

3

Nilai boolean yang merepresentasikan
hubungan antar titik digunakan dalam
perhitungan kekuatan hubungan (strength
relationship)
antar
titik.
Strength
relationship menjelaskan bobot dari edge
yang menghubungkan titik-titik pada
representasi relationship graph. Bobot
tahun awal kemunculan suatu titik akan
digunakan
sebagai
nilai
standar
pertambahan
bobot
untuk
tahun
kemunculan berikutnya. Pada tahun
terakhir terkait data, maka akan terbentuk
relationship graph yang memiliki edge
berupa nilai kekuatan hubungan final.
Representasi relationship graph disajikan
melalui Gambar 6c.

Gambar 6 Langkah-langkah dalam tahap estimasi hubungan.

7

Cluster Detection
Dalam tahap deteksi cluster, titik hasil
relationship graph diolah kembali. Konsep
ketetanggaan yang digunakan pada DDBC
adalah RST neighborhood. Titik yang akan
digunakan pada tahap cluster detection hanya
titik yang terhubung oleh edge yang memiliki
bobot lebih besar dari RST. Titik-titik tersebut
merupakan titik yang memiliki hubungan yang
kuat dan selanjutnya akan digunakan teknik
clustering yang memiliki tahapan yang sama
seperti teknik DBSCAN. Gambar 7 berikut
menjelaskan langkah-langkah yang dilakukan
pada deteksi cluster.
Directly Density-Reachable
Data yang diperoleh dari relationship graph dicari
ketetanggaannya
menggunakan
konsep
RST
neighborhood dan banyaknya jumlah tetangga harus
bernilai lebih besar/sama dengan jumlah titik minimum.

Gunakan salah satu titik yang memenuhi konsep
directly density-reachable sebagai inisialisasi awal, dan
cari ketetanggaan dari titik tersebut disimpan sebagai
seeds. Titik yang tidak memenuhi directly densityreachable dikenali sebagai noise. Berdasarkan hasil
ketetanggaan seeds, ambil titik pertama tetangganya
dan simpan sebagai currentP.

CurrentP dicari kembali ketetanggaannya dan diperiksa
apakah tetangganya memenuhi jumlah titik minimum
dan titik tetangganya disimpan sebagai result. Lakukan
perulangan pada result untuk diperiksa apakah titik
tersebut berada di dalam noise atau pernah
diclusterkan, apabila tidak memenuhi maka titik
tersebut dimasukkan pada cluster.

Cluster akan bertambah ketika seeds telah kosong,
maka kembali pada tahap pengambilan titik
selanjutnya dari data.

Gambar 7 Mekanisme dalam deteksi cluster.
Berikut ini diilustrasikan tahapan pada
deteksi cluster. Jika diberikan hasil relationship
graph final seperti Gambar 8a, diambil contoh
hubungan titik yang terjadi pada time stamp
akhir yakni 3. Pada time stamp 3 terdapat titik
yaitu G, H, I, J, L, M, dan P. Titik yang
memiliki hubungan yaitu (G, H), (G, J), (H, I),
(H, L), (H, M), (I, J), (I, L), dan (I,P).
Relationship graph yang terbentuk sesuai
dengan data seperti pada Gambar 8a akan
dideteksi cluster sesuai dengan mekanisme pada

Gambar 7. Berikut ini merupakan langkahlangkah deteksi clustering dengan algoritme
DDBC yang akan dilakukan sebagai berikut:
1 Hubungan titik yang terjadi pada Gambar 8a
akan diperiksa apakah nilai strength
relationship atau direpresentasikan sebagai
bobot yang menghubungkan titik tersebut
memenuhi konsep RST neighborhood.
Apabila nilai strength relationshipnya lebih
kecil dari nilai RST, maka titik tersebut tidak
diikutsertakan pada tahap selanjutnya. Pada
contoh Gambar 8 tersebut digunakan nilai
RST yakni sebesar 0.6 sehingga diperoleh
hubungan titik yang bernilai lebih dari 0.6
seperti pada Gambar 8b. Representasi tabel
untuk menyimpan hubungan titik beserta
nilai strength relationship dapat dilihat pada
Gambar 8c.
2 Ambil salah satu titik sebagai inisialisasi
point awal seperti pada Gambar 8d yaitu
titik G. Periksa titik G apakah memiliki
jumlah titik tetangga yang lebih besar dari
jumlah tetangga minimum (minPts), hal
yang sama dilakukan pada algoritme
DBSCAN. Apabila jumlah tetangganya
memenuhi jumlah titik tetangga minimum,
maka simpan tetangganya sebagai seeds.
3 Gunakan titik pertama pada seeds sebagai
currentP. Pada contoh Gambar 8d
dijelaskan bahwa titik H disimpan sebagai
currentP. Periksa kembali apakah titik H
memiliki jumlah tetangga yang lebih besar
dari jumlah tetangga minimum, apabila
memenuhi maka simpan titik tetangga dari
titik H sebagai result. Lakukan perulangan
pada result untuk memeriksa apakah setiap
titik tersebut termasuk ke dalam noise atau
titik
tersebut
pernah
diclusterkan.
Pengelompokkan dilakukan terhadap result
yang tidak termasuk ke dalam noise dan titik
yang belum pernah dikelompokkan. Pada
contoh Gambar 8d, titik I dan J yang
disimpan sebagai result dikelompokkan ke
dalam cluster 0.
4 Setelah perulangan terhadap result selesai
dilakukan, maka nilai currentP akan
berubah yakni titik selanjutnya di dalam
seeds. Langkah perulangan untuk nilai
currentP dilakukan sesuai langkah 3 di atas.
Cluster akan bertambah ketika seeds telah
kosong, maka dilakukan tahap pengambilan
titik sebagai point seperti pada langkah 2.

8

Gambar 8 Langkah-langkah deteksi cluster dengan algoritme DDBC.
Performansi Hasil Cluster
Pada tahap ini dilakukan analisis terhadap
hasil cluster. Analisis yang digunakan adalah
analisis cluster variance. Besarnya variance
within cluster (Vw) dan variance between
cluster (Vb) akan dihitung untuk mengukur
besarnya penyebaran dari data hasil clustering.
Visualisasi Clustering
Hasil akhir clustering diimplementasikan
dalam bentuk visual berupa map based.
Tampilan peta akan menunjukkan hasil
pengelompokan wilayah hotspot berdasarkan
tingkat kerawanan terjadinya kebakaran hutan.
Perbedaan warna pada node menandakan
pengelompokkan suatu titik ke dalam cluster
yang berbeda.
Implementasi
Pada tahap ini akan diimplementasikan hasil
clustering data hotspot beserta visualisasi.
Implementasi dilakukan menggunakan bahasa
pemrograman PHP. Berikut merupakan
perangkat lunak dan perangkat keras yang
digunakan untuk mengembangkan sistem
adalah sebagai berikut:
Perangkat lunak:

Sistem operasi : Windows 7 Ultimate

XAMPP 1.7

DBMS PostgreSQL

Bahasa Pemrograman PHP 4.49






Web browser Mozilla Firefox 4
Notepad++
GeoServer
Adobe Dreamwaver CS3

Perangkat keras:

Prosesor: Intel® Core(TM)2 Duo CPU
T6600 @ 2.20 GHz

Memory 2 GB

Monitor dengan resolusi 1024x768 px

Mouse dan keyboard

HASIL DAN PEMBAHASAN
Praproses Data
Data yang diperoleh dalam penelitian ini
merupakan data hasil analisis kueri yang telah
diujikan pada penelitian Kurniawan (2011).
Data hotspot yang digunakan adalah titik-titik
yang muncul berulang kali di rentang tahun
2002 hingga 2005. Banyaknya data yang
diperoleh dari hasil analisis kueri sebanyak 151
data. Kemunculan titik api pada suatu daerah
bervariasi. Kemunculan paling banyak yakni
tiga kali dalam rentang tahun tersebut, namun
terdapat pula titik yang hanya muncul di satu
tahun tertentu.
Berdasarkan hasil kueri tersebut, data
hotspot yang diperoleh merupakan titik api yang
muncul berulang kali di Provinsi Riau, Jambi,

9

Sumatera Utara, Sumatera Barat, Kalimantan
Barat, Kalimantan Tengah, dan Sulawesi
Selatan. Tampilan contoh data yang digunakan
pada penelitian dapat dilihat secara detail pada
Lampiran 1. Keseluruhan data tersebut akan
diolah melalui beberapa tahap di dalam
algoritme DDBC. Pada proses akhir dari tahap
estimasi hubungan antar titik masih digunakan
keseluruhan data, namun untuk tahap
berikutnya yakni tahap deteksi clustering terjadi
proses pencarian ketetanggaan menggunakan
konsep RST (Relationship Strength Threshold).
Pada penelitian ini besarnya RST yang
digunakan adalah 0.5, sehingga perolehan nilai
bobot final dari tahap akhir estimasi hubungan
antar titik akan diperiksa apakah bernilai lebih
kecil dari RST. Hubungan antar titik yang kuat
dinilai lebih besar atau sama dengan besarnya
RST. Banyaknya data yang memenuhi konsep
hubungan yang kuat tersebut, untuk selanjutnya
diolah pada tahap clustering adalah sebanyak 15
titik. Pencocokan kebutuhan data dengan teknik
algoritme DDBC membutuhkan penghapusan
beberapa atribut dari data hasil analisis kueri.
Atribut yang dihapus yaitu Vs, Ve, dan
keterangan, selain penghapusan beberapa atribut
yang tidak banyak berpengaruh, ditambahkan
pula atribut yang penting dalam teknik DDBC
yaitu atribut vertex.
Atribut vertex diperoleh berdasarkan nilai
lintang dan bujur yang mewakili suatu titik api.
Penambahan
atribut
vertex
bertujuan
mempermudah
pembentukan
relationship
graph. Penerapan aspek temporal dimasukkan
ke dalam atribut year yang menyimpan
komponen tahun kemunculan titik api.
Frekuensi kemunculan setiap hotspot berbedabeda, sebagai contoh terdapat data hotspot yang
hanya muncul sekali pada tahun 2002. Namun
terdapat pula titik api yang muncul sebanyak
tiga kali yaitu pada tahun 2002, tahun 2003, dan
tahun 2005. Keseluruhan data hotspot tetap

digunakan untuk perhitungan pada tahap
selanjutnya. Tabel 3 merupakan contoh data
hotspot yang digunakan pada penelitian.
Estimasi Hubungan Titik
Data hotspot yang telah diolah pada tahap
praproses selanjutnya akan dicari hubungannya
menggunakan fungsi jarak euclid. Secara garis
besar proses estimasi hubungan antar titik pada
penelitian ini dapat dilihat pada Gambar 9.
Perhitungan jarak dilakukan pada titik yang
muncul setiap tahunnya. Hasil jarak euclid
tersebut
selanjutnya
diolah
dengan
menggunakan persamaan influence function.
Jenis influence function yang digunakan pada
penelitian adalah square wave function.
Penggunaan square wave function bertujuan
pula sebagai fungsi kernel function yang akan
memberikan keluaran berupa nilai Boolean.
Nilai jarak antar titik seperti diperoleh pada
Gambar 9c diproses menggunakan square wave
function yang mempunyai nilai threshold (
sebesar 4.842. Nilai
threshold tersebut
merupakan hasil standar deviasi dari perolehan
jarak euclid dari keseluruhan data (Kang 2008).
Besarnya jarak antar titik yang bernilai lebih
besar dari threshold diberi nilai 0 yang artinya
hubungan antar titik tersebut tidak berpengaruh
terhadap keseluruhan data clustering dan
hubungan titik tersebut dikatakan lemah.
Hasil akhir dari fungsi kernel tersebut akan
memberikan nilai keluaran boolean yaitu 0 dan
1, dapat dilihat pada Gambar 9d. Nilai-nilai
hubungan antar titik yang telah diperoleh, maka
selanjutnya akan dilakukan perhitungan
kekuatan hubungan. Besarnya kekuatan
hubungan (
merepresentasikan bobot yang
menghubungkan dua buah titik dengan
memasukkan nilai boolean yang telah diperoleh
sebelumnya ke dalam persamaan strength
relationship, maka didapat nilai = 0.25.

Tabel 3 Contoh data hotspot yang digunakan pada penelitian
Lintang

Bujur

Time

Vertex

Nama_kab

Nama_prop

The_geom

-1.478

104.035

2002

M

Muaro Jambi

Jambi

01010000000A

-1.478

104.035

2003

M

Muaro Jambi

Jambi

01010000000A

-1.478

104.035

2005

M

Muaro Jambi

Jambi

01010000000A

0.339

103.058

2002

U

Pelalawan

Riau

0101000000C1

0.339

103.058

2004

U

Pelalawan

Riau

0101000000C2

0.339

103.058

2005

U

Pelalawan

Riau

0101000000C3

1.632

101.746

2002

AS

Dumai (Kota)

Riau

01010000009A

10

Gambar 9 Tahapan estimasi hubungan pada data penelitian.
Pada penelitian ini, besarnya nilai strength
relationship untuk setiap hubungan antar titik
yang berpengaruh memiliki nilai yang sama
yaitu 0.25, hal tersebut terjadi berdasarkan
perolehan nilai boolean melalui perumusan
square wave function adalah sama yakni sebesar
1. Kasus yang lain terjadi pada hubungan antar
titik yang menghasilkan nilai 0 dalam
perhitungan square wave function, maka
hubungan titik tersebut pun akan memperoleh
bobot sebesar 0. Gambar 9e memberikan
representasi sederhana untuk proses perolehan
nilai strength relationship hubungan antar titik
setiap tahun kemunculannya.
Pembobotan akan bertambah terhadap
suatu hubungan titik apabila hubungannya
muncul berulang di tahun berikutnya.
Perulangan pembobotan tersebut diinisialisasi
menggunakan nilai awal sebesar 0.25 pada
tahun 2002. Hubungan titik yang muncul
kembali di tahun berikutnya akan bertambah
menjadi 0.5, sedangkan hubungan titik yang
tidak muncul di tahun berikutnya berkurang
menjadi 0. Banyaknya perulangan dilakukan
hingga tahun 2005 dan selanjutnya akan
diperoleh bobot final dari relationship graph.
Modifikasi Ketetanggan
Bobot yang merepresentasikan kekuatan
hubungan antar titik kembali diolah guna
kebutuhan
clustering.
Teknik
DDBC
menggunakan konsep RST neighborhood,
besarnya nilai RST dapat dihitung melalui

persamaan yang telah diberikan sebelumnya.
Gambar 10 berikut menjelaskan perhitungan
nilai RST yang digunakan di dalam penelitian.

RST =

= 0.5

Gambar 10 Perhitungan nilai RST.
Penggunaan nilai f adalah sebesar 1 yakni
merepresentasikan waktu kemunculan suatu
objek sebagai ketetanggaan dari objek lain yang
merupakan bagian cluster. Kemunculan objek
tersebut sebagai tetangga objek cluster adalah
paling banyak satu kali dalam rentang empat
tahun berdasarkan penggunaan data.
Besarnya history window (h) yang
digunakan adalah 4. Penggunaan nilai history
window tersebut merujuk berdasarkan time
stamp yang digunakan pada penelitian yaitu
disimpan di dalam atribut year. Atribut year
yang digunakan yaitu tahun 2002, 2003, 2004,
dan 2005. Penggunaan nilai p sebesar 3 yakni
merepresentasikan waktu kemunculan objek
yang merupakan bagian cluster sebagai
ketetanggaan dari objek lain di cluster tersebut.
Titik-titik yang memiliki bobot bernilai
kurang dari RST tidak akan disertakan pada

11

tahap clustering berikutnya karena hubungan
vertex tersebut didefinisikan lemah. Titik yang
bernilai lebih dari RST digunakan dalam konsep
RST Neighborhood dan akan diproses
selanjutnya dalam tahap clustering.
Deteksi Cluster
Banyaknya jumlah titik yang memenuhi
RST Neighborhood sebanyak 15 titik. Tampilan
data untuk daerah-daerah yang memenuhi syarat
hubungan ketetanggan yang dinilai kuat dapat
dilihat pada Lampiran 2. Hubungan titik
tersebut memiliki nilai strength relationship
yang lebih besar dari RST. Berdasarkan data
yang
diperoleh
titik-titik
tersebut
merepresentasikan daerah yang berada pada
Provinsi Riau dan Sumatera Utara. Titik
tersebut selanjutnya dikelompokkan sesuai
dengan konsep clustering pada konsep
DBSCAN.
Banyaknya titik yang berada dalam
ketetanggaan RST harus memenuhi salah satu
syarat DBSCAN yaitu mempunyai titik tetangga
yang lebih besar jumlahnya dari jumlah titik
minimum (minPts). Besarnya nilai minPts yang
digunakan pada penelitian ini adalah 4. Ukuran
standar besarnya nilai minPts sebesar 4 telah
cukup mewakili jumlah ketetanggan suatu point
(Ester et al. 1996). Berdasarkan penggunaan
nilai minPts yang berubah-ubah pada penelitian
dapat disimpulkan adanya hubungan antara
minPts dan pembentukan cluster. Semakin kecil
nilai minPts, maka semakin kecil kemunculan
noise, dan sebaliknya semakin besar minPts,
maka semakin sedikit jumlah cluster yang
terbentuk.
Teknik DDBC yang diterapkan untuk
mengelompokan titik-titik api menggunakan
konsep yang sama seperti pada DBSCAN, yaitu
penggunaan konsep density-reachable, densityconnectivity, dan cluster. Titik yang mempunyai
ketetanggaan dengan jumlah yang lebih dari
minPts akan diproses untuk dikelompokkan
menggunakan fungsi ExpandCluster.
Berikut
diberikan
potongan
fungsi
ExpandCluster
menggunakan bahasa
pemrograman PHP pada Gambar 11.
Fungsi ExpandCluster seperti yang
dapat dilihat pada Gambar 11 akan memberikan
hasil akhir berupa clusters dan noise. Apabila
suatu titik tidak mempunyai jumlah tetangga
yang lebih besar dari nilai minPts sebesar 4,
maka titik tersebut akan dikelompokkan ke
dalam noise.

01
02
03
04
05
06
07
08
09
10
11
12
13

functionExpandCluster($SetofPoint,
$Point,$clID, $Min){
global $classified;
global $cluster_NOISE;
global $cluster;
$seeds = $SetofPoint[$Point];
if(count($seeds) < $Min){
array_push($cluster_NOISE,