Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme ID3
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN
HOTSPOT DI PROVINSI RIAU MENGGUNAKAN
ALGORITME ID3
VIKHY FERNANDO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Data
Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme
ID3 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, Januari 2014
Vikhy Fernando
NIM G64114041
ABSTRAK
VIKHY FERNANDO. Klasifikasi Data Spasial untuk Kemunculan Hotspot di
Provinsi Riau Menggunakan Algoritme ID3. Dibimbing oleh IMAS SUKAESIH
SITANGGANG.
Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul
hampir setiap tahun di Indonesia termasuk di Provinsi Riau, yang menyebabkan
dampak negatif bagi kehidupan manusia. Data kebakaran persebaran hotspot yang
berukuran besar dapat dianalisis menggunakan teknik spatial data mining, salah
satunya pohon keputusan spasial. Penelitian ini bertujuan untuk
mengklasifikasikan kemunculan hotspot di Provinsi Riau yang dapat digunakan
untuk mendapatkan aturan-aturan klasifikasi. Dalam penelitian ini, pembentukan
pohon keputusan spasial dilakukan dengan menggunakan algoritme ID3. Hasil
penelitian menunjukkan bahwa akurasi tertinggi adalah 70.80%. Model klasifikasi
ini terdiri dari 125 aturan klasifikasi yang dapat digunakan untuk prediksi
kemunculan titik api.
Kata kunci: algoritme ID3, hotspot, klasifikasi, pohon keputusan spasial
ABSTRACT
VIKHY FERNANDO. Spatial Classification for Hotspot Occurrences in Riau
Province using ID3 Algorithm. Supervised by Imas Sukaesih Sitanggang.
Forest fire is one of the environmental issues that occurs almost every year
in Indonesia including in Riau Province, which causes negative impacts for
human life. The large data of hotspot distribution can be analyzed using one of
spatial data mining techniques, namely spatial decision tree. The purpose of this
research is to classify the hotspot occurences in Riau province in order to obtain
the classification rules. In this research, the spatial decision tree is developed
using ID3 algorithm. The result shows that the highest accuracy is 70.80%. The
classification model consists 125 classification rules that can be used to predict
the hotspot occurrences.
Keywords: ID3 Algorithm, classification, hotspots, spatial decision tree
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN
HOTSPOT DI PROVINSI RIAU MENGGUNAKAN
ALGORITME ID3
VIKHY FERNANDO
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
2013
Judul Skripsi : Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi
Riau Menggunakan Algoritme ID3
Nama
: Vikhy Fernando
NIM
: G64114041
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 subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah spatial
data mining dengan judul Klasifikasi Data Spasial untuk Kemunculan Hotspot di
provinsi Riau Menggunakan Algoritme ID3.
Dalam pelaksanaan penelitian tugas akhir ini, penulis ingin menyampaikan
terima kasih kepada:
1
Allah Shubanallah Wa Taala yang atas izin karunia dan rahmat-Nya penulis
dapat menyelesaikan tugas akhir ini.
2
Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing
atas nasihat dan bimbingannya selama proses pengerjaan tugas akhir ini.
3
Bapak Hari Agung Adrianto, SKom MSi dan Bapak Endang Purnama Giri,
SKom MKom selaku dosen penguji atas kesediaannya menjadi penguji pada
ujian tugas akhir ini.
4
Ayahanda Jontrifizal, Ibunda Gusmiyetty, Kakak, Adik dan keluarga yang
senantiasa memberikan doa dan dukungan.
5
Teman-teman satu bimbingan yang senantiasa saling memberikan semangat.
6
Rekan-rekan dari Departemen Ilmu Komputer IPB Alih Jenis angkatan 6
yang senantiasa memberikan semangat dan motivasi.
Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2014
Vikhy Fernando
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
PENDAHULUAN
vi
vi
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
1
Manfaat Penelitian
1
Ruang Lingkup Penelitian
2
METODE
2
Data Penelitian dan Area Studi
2
Tahapan Penelitian
2
Praproses
2
Klasifikasi Menggunakan Algoritme ID3
4
Penggunaan Klasifikasi Data Baru
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Pra Proses
6
Penentuan Data Latih dan Data Uji
11
Klasifikasi Menggunakan Algoritme ID3
11
Akurasi Model
14
Penggunaan Klasifikasi pada Data Baru
14
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
23
DAFTAR TABEL
1 Jarak terdekat hotspot ke pusat kota
2 Jarak terdekat hotspot ke sungai
3 Jarak terdekat hotspot ke jalan
4 Kategori untuk jarak terdekat ke pusat kota
5 Kategori untuk jarak terdekat ke sungai
6 Kategori untuk jarak terdekat ke jalan
7 Pembagian fold dan akurasi pohon keputusan
8 Ketepatan prediksi model klasifikasi
9 Contoh data baru
9
10
10
10
10
11
12
14
14
DAFTAR GAMBAR
1 Tahapan praproses
2 Tahapan penelitian
3 Hotspot di Provinsi Riau tahun 2005.
4 Non hotspot di Provinsi Riau tahun 2005.
5 Layer pusat kota di Provinsi Riau
6 Layer Sungai di Provinsi Riau
7 Layer Jalan di Provinsi Riau
8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai dengan
interval (8.5 km , 16 km]
3
4
7
7
8
8
8
13
PENDAHULUAN
Latar Belakang
Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul
hampir setiap tahun di Indonesia termasuk di Provinsi Riau. Padahal, dampak
yang ditimbulkan dari kebakaran hutan sangat merugikan. Dampak tersebut tidak
hanya dialami oleh masyarakat di Provinsi Riau saja, tetapi juga oleh masyarakat
di Provinsi sekitar Riau yakni, Provinsi Sumatera Barat dan Provinsi Sumatera
Utara. Selain dekat dengan Provinsi lain di Indonesia, Provinsi Riau juga dekat
dengan wilayah negara tetangga, yaitu Singapura dan Malaysia.
Data persebaran hotspot yang berukuran besar dapat dianalisis
menggunakan teknik spatial data mining. Salah satu teknik dalam spatial data
mining adalah spatial decision tree. Hasil dari spatial decision tree akan
membangun sebuah decision tree dari data spasial yang dapat digunakan untuk
membentuk aturan-aturan klasifikasi. Klasifikasi spasial bertujuan memberikan
sebuah label atau menentukan kelas dari sebuah objek berdasarkan nilai atribut
yang ada dalam spasial dataset dengan memperhatikan objek tetangganya.
Penelitian ini menggunakan data hotspot di wilayah Indonesia yang
bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen
Kehutanan Republik Indonesia. Penelitian ini mengklasifikasikan data spasial
persebaran hotspot di wilayah Riau pada tahun 2005 menggunakan algoritme ID3.
Perumusan Masalah
Rumusan permasalahan pada penelitian ini adalah bagaimana membuat
model klasifikasi untuk data kebakaran hutan di wilayah Provinsi Riau pada tahun
2005.
Tujuan Penelitian
1
2
Tujuan dari penelitian ini adalah:
Membuat model klasifikasi untuk data kebakaran hutan di wilayah Provinsi
Riau pada tahun 2005.
Evaluasi model klasifikasi untuk prediksi kemunculan titik api.
Manfaat Penelitian
Penelitian ini diharapkan dapat membentuk model klasifikasi dari
persebaran hotspot di Provinsi Riau pada tahun 2005 dan dapat memprediksi
kemunculan titik api di wilayah baru sehingga dapat mengantisipasi kebakaran
hutan di wilayah tersebut.
2
Ruang Lingkup Penelitian
1
2
Ruang lingkup pada penelitian ini adalah:
Penelitian difokuskan pada pembentukan model klasifikasi menggunakan
algoritme ID3 pada data persebaran hotspot di wilayah Provinsi Riau
pada tahun 2005.
Data spasial yang digunakan adalah data sebaran hotspot tahun 2005, non
hotspot, sungai, jalan dan pusat kota di wilayah Riau.
METODE
Data Penelitian dan Area Studi
Luas wilayah Provinsi Riau adalah 107932.71 km2 yang membentang dari
lereng Bukit Barisan hingga Selat Malaka, hal ini membuat Provinsi Riau berada
pada jalur yang sangat strategis karena terletak pada jalur perdagangan Regional
dan Internasional di kawasan ASEAN. Provinsi Riau memiliki luas daratan
89150.15 km2 dan luas lautan 18782.56 km2, di daratan terdapat 15 (lima belas)
sungai di antaranya ada 4 (empat) sungai dapat digunakan sebagai prasarana
perhubungan (Pemerintah Provinsi Riau 2013).
Data spasial yang digunakan adalah data sebaran hotspot tahun 2005 yang
berjumlah 7169 titik hotspot, 7200 titik non hotspot, 457 segmen aliran sungai,
37656 segmen jalan dan 6 titik pusat kota di wilayah Riau.
Tahapan Penelitian
Penelitian ini akan dilakukan dalam beberapa tahap. Tahapan dari metode
penelitian ini dapat dilihat pada Gambar 1.
Praproses
Data spasial diolah menggunakan perangkat lunak Quantum GIS 1.8.0
Lisboa untuk mendapatkan data hotspot, non hotspot, pusat kota, sungai dan jalan
di Provinsi Riau pada tahun 2005. Selanjutnya, data tersebut di-import ke basis
data menggunakan PosgreSQL 9.1 yang didalamnya telah terintegrasi dengan
PostGIS 2.0. Kemudian dilakukan kueri pada data yang diperlukan hingga
didapatkan data yang dibutuhkan untuk diklasifikasikan. Agar kueri sesuai dengan
kode yang telah dibuat di perangkat lunak Python, maka digunakan Microsoft
Excel 2010 sebagai perangkat lunak pembantu. Berikut alur dari praproses yang
dapat dilihat pada Gambar 2.
3
Gambar 1 Tahapan praproses
1
2
3
4
Beberapa tahapan yang dilakukan pada tahap praproses adalah:
Seleksi data
Pada proses ini dilakukan pemilihan data hotspot dan data non hotspot yang
terjadi di Provinsi Riau pada tahun 2005. Selanjutnya, data tersebut juga
akan dipilih menjadi data pusat kota, sungai dan jalan di Provinsi Riau.
Pemberian label kelas
Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Label T
digunakan pada data hotspot dan label F digunakan pada data non hotspot.
Perhitungan jarak
Pada tahap ini dilakukan perhitungan jarak terdekat dari kelas T dan kelas F
ke pusat kota, kelas T dan kelas F ke sungai dan kelas T dan kelas F ke jalan
di Provinsi Riau.
Transformasi jarak terdekat dari hotspot
Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar
lebih memudahkan untuk diproses bahasa perograman Python.
4
5
Transformasi tipe fail
Pada penelitian ini digunakan data dengan format .file sebagai fail masukan
data latih dan data uji.
Gambar 2 Tahapan penelitian
Klasifikasi Menggunakan Algoritme ID3
Pada tahap ini dibangun model klasifikasi untuk membentuk pohon
keputusan spasial. Kemudian dilakukan perhitungan akurasi dari pohon keputusan
spasial yang terbentuk. Pembentukan pohon keputusan spasial ini menggunakan
algoritme ID3. Contoh algoritme pohon keputusan adalah algoritme ID3 atau
Iterative Dischotomister 3. Algoritme ini menggunakan konsep entropi informasi.
Secara umum algoritme ID3 (Han dan Kamber 2006) adalah sebagai berikut:
5
Algoritme ID3 (Han dan Kamber 2006)
Input : Data latih, data uji
Output : Decision tree
Metode :
a
Buat node N;
b
Jika semua sampel memiliki kelas yang sama yaitu C, maka jadikan node N
sebagai leaf node dan beri label C;
c
Jika daftar atribut kosong, maka jadikan node N sebagai leaf node dengan
label = nilai kelas yang terbanyak pada sampel;
d
Pemilihan atribut uji dengan nilai information gain yang terbesar;
e
Beri label node N dengan atribut uji;
f
Untuk setiap nilai ai dalam atribut uji yang diketahui,
g
Tambahkan cabang di bawah node N untuk atribut uji = ai;
h
Tentukan si sebagai subset dari sampel dimana atribut uji = ai;
i
Jika sampel si kosong,
j
Tambahkan leaf node dengan label = nilai kelas yang terbanyak pada
sampel;
k
Selainnya, tambah cabang baru di bawah cabang yang sekarang dengan
memanggil fungsi ID3 (si daftar atribut-atribut uji);
Pohon Keputusan Spasial
Proses pembentukan pohon keputusan spasial dari data sebaran hotspot di
Provinsi Riau menggunakan tabel gabungan yang terdiri dari beberapa hubungan
spasial yang terbentuk dari kelas targetnya.
Perhitungan Akurasi
Pada tahap ini menghitung akurasi dari model klasifikasi yang diperoleh
dari proses klasifikasi. Akurasi menunjukkan tingkat kebenaran pengklasifikasian
data terhadap kelas yang sebenarnya. Semakin rendah nilai akurasi maka semakin
tinggi kesalahan klasifikasi pada data baru. Tingkat akurasi yang baik adalah
tingkat akurasi yang mendekati 100%. Dalam penelitian, metode yang digunakan
dalam proses perhitungan akurasi ini adalah metode K-fold cross validation. Kfold cross validation (Stone 1974 diacu dalam Fu 1994) adalah sebuah metode
yang membagi himpunan contoh secara acak menjadi k himpunan bagian (subset).
Pada metode ini dilakukan pengulangan sebanyak k kali untuk data pelatihan dan
pengujian. Pada setiap pengulangan, satu subset digunakan untuk pengujian
sedangkan subset sisanya digunakan untuk pelatihan.
Akurasi diperoleh berdasarkan data pengujian terhadap model klasifikasi.
Untuk menghitung akurasi digunakan rumus sebagai berikut:
∑
∑
6
Penggunaan Klasifikasi Data Baru
Model klasifikasi yang terbentuk akan digunakan untuk menentukan kelas
dari data baru yang belum diketahui label kelasnya. Label kelas didapatkan
dengan menelusuri model pohon keputusan yang terbentuk atau aturan yang telah
diturunkan dari model pohon yang dihasilkan pada data latih.
Lingkungan Pengembangan
Pembentukan pohon keputusan spasial ini dibangun dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai
berikut:
Processor Intel® Core™ I3 CPU
Memori 2048MB RAM
Mouse
Keyboard
2 Perangkat lunak
Sistem Operasi Windows 8
Quantum GIS (1.8.0) untuk analisis dan visualisasi data spasial
Sistem Manajemen Basis Data PostgreSQL
PostGIS 2.0 sebagai ekstensi PostgreSQL untuk analisis data spasial
Bahasa Pemrograman Python 2.7.5
HASIL DAN PEMBAHASAN
Pra Proses
Seleksi Data
Data yang digunakan dalam penelitian ini merupakan data persebaran
hotspot pada tahun 2005, data non hotspot, data pusat kota, data sungai dan data
jalan untuk Provinsi Riau. Secara terperinci dapat dilihat sebagai berikut
a.
Data persebaran Hotspot
Data persebaran hotspot yang digunakan adalah data hotspot tahun 2005.
Data ini memiliki atribut wkt_geom, longitude, latitude, bulan, minggu dan
tanggal. Pada awalnya, data persebaran hotspot Indonesia berbetuk shapefile. Data
tersebut di-clip menjadi daerah Provinsi Riau saja menggunakan perangkat lunak
Quantum GIS. Pada wilayah Provinsi Riau terdapat 7169 titik hotspot. Gambar 3
menunjukkan persebaran hotspot di provinsi Riau pada tahun 2005.
7
Gambar 3 Hotspot di Provinsi Riau tahun 2005.
Data Persebaran Non Hotspot
Data persebaran non hotspot diperoleh dari titik-titik di luar hotspot. Data
ini didapat dengan cara membangkitkan titik acak di sekitar hotspot. Titik non
hotspot tersebut dibangkitkan di luar buffer dengan radius 1 km dari sebuah
hotspot. Buffer dibuat menggunakan operasi Geo processing Tools pada Quantum
GIS. Data non hotspot yang dibangkitkan sebanyak 7200 titik. Gambar 4
menunjukkan persebaran non hotspot di Provinsi Riau pada tahun 2005.
b.
Gambar 4 Non hotspot di Provinsi Riau tahun 2005.
c.
Data Pusat kota Riau
Data pusat kota Riau merupakan data yang berisi mengenai ibu kota tiap
kota/kabupaten wilayah Riau. Data ini berbentuk shapefile yang diolah
menggunakan Quantum GIS. Data pusat kota Riau ini memiliki 6 pusat kota yaitu
Tembilahan, Selatpanjang, Balai pungut, Duri, Bengkalis dan Dumai. Gambar 5
menunjukkan titik pusat kota di Provinsi Riau pada tahun 2005.
8
Gambar 5 Layer pusat kota di Provinsi Riau
d.
Data Sungai Riau
Data sungai Riau merupakan data yang berisi mengenai wilayah Riau yang
dilalui oleh aliran sungai. Data ini berbentuk shapefile yang diolah menggunakan
Quantum GIS. Terdapat 457 segmen aliran sungai di data sungai Riau. Gambar 6
menunjukkan aliran sungai di Provinsi Riau pada tahun 2005.
Gambar 6 Layer Sungai di Provinsi Riau
e.
Data Jalan Riau
Data jalan Riau merupakan data yang berisi seluruh jalan di wilayah Riau.
Data ini berbentuk shapefile yang diolah menggunakan Quantum GIS. Data jalan
Riau memiliki sebanyak 37657 segmen jalan. Gambar 7 menunjukkan segmen
jalan di Provinsi Riau pada tahun 2005.
Gambar 7 Layer Jalan di Provinsi Riau
9
Pemberian label kelas
Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Setelah
semua shape di-import ke Sistem Manajemen Basis Data postgreSQL menjadi
beberapa tabel dilakukan pemberian label kelas dengan kueri. Label T (True)
digunakan pada data hotspot yang berjumlah 7169 titik hotspot dan label F (False)
digunakan pada data non hotspot yang berjumlah 7200 titik non hotspot. Tabel
tersebut diberi nama tabel hotspot.
Perhitungan Jarak
Pada tahap ini dilakukan perhitungan jarak dari kelas T dan kelas F ke pusat
kota, kelas T dan kelas F ke sungai serta kelas T dan kelas F ke jalan di Provinsi
Riau. Setelah setiap tabel diberikan label kelas True (T) dan False (F) dilakukan
perhitungan jarak menggunakan kueri di PostgreSQL. Data sebaran hotspot, non
hotspot, pusat kota, sungai dan jalan awalnya diolah di Quantum GIS berbentuk
shapefile. Agar PostgreSQL dapat membaca shapefile yang berbentuk data spasial
harus menggunakan PostGIS yang terintegrasi dengan PostgreSQL. Data tersebut
di import dari Quantum GIS untuk menjadi tabel-tabel di PostgreSQL.
Perhitungan jarak hotspot dan non hotspot ke pusat kota terdekat, ke jalan
terdekat dan ke sungai terdekat dilakukan dengan mengeksekusi pernyataan kueri
spasial dalam PostgreeSQL. Berikut kueri untuk menghitung jarak hotspot dan
non hotspot ke pusat kota (maincities) terdekat.
SELECT
[h.gid
as
ID_hotspot],[h.geom
min(ST_Distance (h.geom, m.geom))
FROM [riau_maincities AS m], [hotspot AS h]
GROUP BY [h.gid];
as
geom],
Dataset jarak harus dikonversi dari decimal degree menjadi km untuk
menyiapkan dataset akhir (1 degree = 111319.5 m = 111.3195 km). Jarak terdekat
beberapa hotspot ke pusat kota, ke sungai dan ke jalan diberikan berturut-turut
dalam Tabel 1, 2 dan 3.
Tabel 1 Jarak terdekat hotspot ke pusat kota
Id_Hotspot
Jarakterdekat_Pusatkota (km)
Kelas
1
39.0253843
T
2
39.58416374
T
3
10.50838916
T
.
.
.
.
.
.
9999
77.74134721
F
10000
107.922778
F
10
Tabel 2 Jarak terdekat hotspot ke sungai
Id_Hotspot
Jarakterdekat_Sungai (km)
1
15.00513534
2
18.50195349
3
25.17563015
.
.
.
.
9999
5.021882999
10000
8.049548723
Kelas
T
T
T
.
.
F
F
Tabel 3 Jarak terdekat hotspot ke jalan
Id_Hotspot
Jarakterdekat_Jalan (km)
1
1.260659936
2
1.308696992
3
0.019610453
.
.
.
.
9999
0.681320262
10000
8.614583682
Kelas
T
T
T
.
.
F
F
Transformasi Jarak Terdekat dari Hotspot
Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar
lebih dimudahkan. Tahapan transformasi ini menggunakan perangkat lunak
Microsoft Excel 2010 dengan menggunakan tools data analyst histogram.
Kategori untuk jarak terdekat ke pusat kota, ke sungai dan ke jalan diberikan
berturut-turut dalam Tabel 4, 5 dan 6.
Tabel 4 Kategori untuk jarak terdekat ke pusat kota
Pusat Kota
Bin Frequency Kategori
Range (km)
31
2868
M1
(0, 31]
48
2832
M2
(31 , 48]
74
2947
M3
(48 , 74]
105
2868
M4
(74, 105]
More
2854
M5
> 105
Tabel 5 Kategori untuk jarak terdekat ke sungai
Sungai
Bin
Frequency Kategori Range (km)
2
2913
RI1
(0 , 2]
4.5
2823
RI2
(2 , 4.5]
8.5
2939
RI3
(4.5 , 8.5]
16
2873
RI4
(8.5 , 16]
More
2821
RI5
> 16
11
Tabel 6 Kategori untuk jarak terdekat ke jalan
Jalan
Bin
Frequency Kategori
Range(km)
0.22
2910
RO1
(0 , 0.22]
0.68
2872
RO2
(0.22 , 0.68]
1.5
2877
RO3
(0.68 , 1.5]
3.5
2898
RO4
(1.5 , 3.5]
More
2812
RO5
> 3.5
Transformasi Tipe fail
Dalam tahap ini dilakukan perubahan format data latih dan data uji dari
format CSV menjadi format .file sehingga dapat diolah ke dalam perangkat lunak
Python 2.7.5.
Penentuan Data Latih dan Data Uji
Pemisahan data ke dalam data latih dan data uji untuk membentuk pohon
keputusan spasial ini menggunakan 10-folds cross validation. Data akan dibagi ke
dalam 10 bagian (folds). Setiap bagian akan digunakan sebagai data uji, 9 bagian
(folds) akan dijadikan sebagai data latih, dan 1 bagian (fold) lainnya akan
dijadikan sebagai data uji. Data latih akan digunakan untuk membentuk model
klasifikasi. Sedangkan, data uji akan digunakan untuk menghitung akurasi yang
diperoleh dari model klasifikasi.
Setelah tahap transformasi tipe fail dilakukan, tahap selanjutnya adalah
membagi data menjadi 10 fold. Fold inilah yang akan digunakan pada tahap
klasifikasi sebagai data latih dan data uji. Subset yang terbentuk memiliki jumlah
instance sebanyak 1000 per fold dengan mengabaikan proporsi perbandingan
antarkelas.
Klasifikasi Menggunakan Algoritme ID3
Proses klasifikasi dilakuan dua tahap, yaitu pembentukan pohon keputusan
spasial dan perhitungan akurasi dari pohon keputusan spasial yang terbentuk.
Pohon Keputusan Spasial
Pembentukan pohon keputusan spasial dilakukan dengan menggunakan
algoritme ID3 yang telah diimplementasikan dalam bahasa pemrograman Python
2.7.5. Modul ID3 dalam Python diperoleh dari Onlamp (2013). Dalam pembuatan
pohon keputusan spasial di pemrograman Python ini terdapat 3 modul penting
antara lain decision tree, ID3 dan modul test. Pada modul decision tree adalah
proses untuk mendapatkan atribut terbaik dari himpunan atribut yang ada dengan
menggunakan fungsi fitness yaitu information gain sebagai parameter.
Dataset yang telah terbentuk diolah dan menghasilkan sebuah pohon keputusan.
Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information
gain tertinggi sesuai dengan algoritme ID3.
12
Pada pohon keputusan spasial yang dihasilkan diketahui bahwa semua
atribut yang diberikan muncul sebagai node pada pohon keputusan spasial.
Atribut yang dijadikan label pada akar pohon keputusan adalah jarak terdekat ke
sungai. Pembagian fold dan akurasi pohon keputusan spasial untuk data training
dan data testing dapat dilihat pada Tabel 7.
Tabel 7 Pembagian fold dan akurasi pohon keputusan
Percobaan
Data Training
1
Fold1 sd fold 9
fold1 sd fold 8, dan
Fold 10
fold1 sd fold 7, dan
Fold 9 sd fold10
Fold1 sd fold 6,
dan fold 8 sd
fold10
Fold1 sd fold 5,
dan fold 7 sd
fold10
Fold1 sd fold 4,
dan fold 6 sd
fold10
Fold1 sd fold 3,
dan fold 5 sd
fold10
Fold1 sd fold 2,
dan fold 4 sd
fold10
Fold1, dan fold 3
sd fold10
Fold2 sd fold 10
2
3
4
5
6
7
8
9
10
Data
Testing
Pohon
Keputusan
Akurasi Data
Training(%)
Fold 10
Tree 1
72.30
Akurasi
Data
Testing(%)
66.80
Fold 9
Tree 2
73.80
70.20
Fold 8
Tree 3
72.60
67.90
Fold 7
Tree 4
75.00
70.80
Fold 6
Tree 5
73.90
69.80
Fold 5
Tree 6
74.10
70.70
Fold 4
Tree 7
71.10
67.10
Fold 3
Tree 8
73.80
69.90
Fold 2
Tree 9
71.60
66.20
Fold 1
Tree 10
72.50
73.07
69.10
68.85
Akurasi Rata-Rata
Dari Tabel 7 dapat dilihat bahwa akurasi terbesar terdapat pada percobaan
keempat dan akurasi terkecil terdapat pada percobaan pertama dan kesembilan.
Hal itu menunjukan bahwa tingkat kesalahan klasifikasi subset 1 dan 9 lebih
tinggi dari subset yang lainnya. Hal itu dapat disebabkan oleh instance-instance
yang ada pada data latih dan data uji belum dapat mewakili setiap fitur untuk
dapat diklasifikan pada kelas tertentu. Akurasi rata-rata untuk data training adalah
73.07% dan 68.85% untuk data testing. Berikut sub pohon keputusan spasial yang
terbentuk untuk jarak terdekat ke sungai dengan interval (8.5 km , 16 km] yang
dapat dilihat pada Gambar 8. Pohon keputusan selengkapnya dapat dilihat pada
Lampiran 1.
13
Gambar 8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai
dengan interval (8.5 km , 16 km]
Berdasarkan pohon keputusan spasial yang terbentuk dapat dibuat 125
aturan klasifikasi. Sebagai contoh, aturan yang terbentuk dari pohon keputusan
spasial pada Gambar 8 adalah sebagai berikut:
Aturan 1:
JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (48 km, 74 km] DAN jarak
lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] MAKA
kemunculan titik api adalah T (True).
Aturan 2:
JIKA jarak lokasi ke sungai terdekat pada interval (0 km, 2 km] DAN jarak
lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] DAN jarak lokasi
ke pusat kota terdekat pada interval (48 km, 74 km] MAKA kemunculan
titik api adalah F (False).
Aturan 3:
JIKA jarak lokasi ke sungai terdekat pada interval (8.5 km, 16 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (0 km, 31 km] DAN jarak
lokasi ke jalan terdekat pada interval (1.5 km, 3.5 km] MAKA kemunculan
titik api adalah T (True).
Aturan 4:
JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (74 km, 105 km] DAN jarak
lokasi ke jalan terdekat pada interval (0 km, 0.22 km] MAKA kemunculan
titik api adalah F (False).
14
Aturan 5:
JIKA jarak lokasi ke sungai terdekat pada interval > 16 km DAN jarak
lokasi kepusat kota terdekat pada interval (31 km, 48 km] DAN jarak lokasi
ke jalan terdekat pada interval > 3.5 km MAKA kemunculan titik api adalah
T (True).
Akurasi Model
Pada penelitian ini didapat akurasi model yang dapat dilihat pada Tabel 8.
Tabel 8 Akurasi Model
Kelas Hasil
Aktual
T
F
Total
Kelas Hasil Prediksi
T
F
324
126
166
384
490
510
Total
450
550
1000
Dari Tabel 8 diketahui dari 450 data di kelas hasil aktual T, sebanyak 324
atau 72% data diprediksi secara benar sebagai label kelas T (True Positif) dan 126
data diprediksi salah sebagai label kelas F (False Negative). Dari 550 data di kelas
hasil aktual F, sebanyak 384 data diprediksi benar sebagai label kelas F (True
Negative) atau 66.12% dan 166 data diprediksi salah sebagai label kelas F (False
Negative). Akurasi rata-ratanya sebesar 70.91%.
Penggunaan Klasifikasi pada Data Baru
Pada tahap ini, terdapat beberapa record data contoh untuk menunjukkan
bagaimana penggunaan klasifikasi pada data baru yang belum memiliki label
kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi.
Untuk pengisian masing-masing record dilakukan dengan cara menelusuri model
pohon yang didapat dengan melihat dari aturan pohonnya. Ilustrasi data contoh
dapat dilihat pada Tabel 9.
Tabel 9 Contoh data baru
Record_ID
1
2
3
4
5
JARAKTERDEKAT
PUSAT KOTA (km)
M2 (31 , 48]
M4 (74, 105]
M3 (48 , 74]
M3 (48 , 74]
M1 (0, 31]
JARAKTERDEKAT
SUNGAI (km)
RI5> 16
RI2 (2 , 4.5]
RI2 (2 , 4.5]
RI1 (0 , 2]
RI4 (8.5 , 16]
JARAKTERDEKAT
JALAN (km)
RO5> 3.5
RO1 (0 , 0.22]
RO2 (0.22 , 0.68]
RO4 (1.5 , 3.5]
RO4 (1.5 , 3.5]
Kelas
?
?
?
?
?
Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (31 km, 48 km], jarak
15
dengan sungai interval > 16 km dan jarak dengan jalannya sejauh > 3.5 km maka
kemunculan titik api adalah kelasnya T (True).
Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (74 km, 105 km], jarak
dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval
(0 km, 0.22 km] maka kemunculan titik api adalah kelasnya F (False).
Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak
dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval
(0.22 km, 0.68 km] maka kemunculan titik api adalah kelasnya T (True).
Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak
dengan sungai interval (0 km, 2 km] dan jarak dengan jalannya sejauh interval
(1.5 km, 3.5 km] maka kemunculan titik api adalah kelasnya F (False).
Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules3 dengan nilai test
atribut jarak dengan pusat kota terdekat pada interval (0 km, 31 km], jarak dengan
sungai interval (8.5 km , 16 km] dan jarak dengan jalannya sejauh interval (1.5
km, 3.5 km] maka kemunculan titik api adalah kelasnya T (True).
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang dilakukan dalam membentuk model klasifikasi
hotspot di wilayah Riau pada tahun 2005, dapat diambil kesimpulan sebagai
berikut:
1
Pohon keputusan spasial yang telah dibentuk memiliki label akar yaitu jarak
terdekat sungai. Pohon keputusan spasial ini terdiri dari 31 node.
2
Dari pohon keputusan spasial yang dihasilkan dapat diturunkan 125 aturan
klasifikasi untuk menentukan kemunculan hotspot.
3
Pohon keputusan spasial telah diuji pada data training dan data testing
dengan menggunakan metode 10-fold cross validation. Akurasi terbesar
pohon keputusan spasial pada data training adalah 75% , sedangkan pada
data testing adalah 70.80%.
4
Akurasi rata-rata pada data training adalah 73.07% dan pada data testing
adalah 68.85%.
Saran
Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut adalah
penambahan data spasial lainnya terkait kebakaran hutan yang menentukan
kemunculan titik api, sehingga pohon keputusan yang dihasilkan lebih akurat.
16
DAFTAR PUSTAKA
Fu L. 1994. Neural Network in Computers Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Francisco :
Morgan Kaufman Publisher.
Onlamp. 2013. Onlamp [Internet]. [diunduh 2013 Dec 1].Tersedia pada
http://www.onlamp.com/pub/a/python/2006/02/09/ai_decision_trees.html?page
=2
Pemerintah Provinsi Riau. 2013. Pemerintah Provinsi Riau [Internet]. [diunduh
2013 Dec 1].Tersedia pada: http://www.riau.go.id/index.php?/detail/61).
17
LAMPIRAN
Lampiran 1 Pohon Keputusan Spasial.
JARAKTERDEKAT_RIVER
RI4
JARAKTERDEKAT_ROAD
RO1
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
F
M1
->
T
M3
->
T
M2
->
F
RO2
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
F
M1
->
T
M3
->
T
M2
->
T
RO3
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
T
M1
->
T
M3
->
T
M2
->
T
RO4
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
T
M1
->
T
M3
->
T
M2
->
T
R05
18
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
T
M2
->
F
RI5
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
R05
->
F
RO4
->
T
M4
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
M1
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
M3
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
R05
19
->
T
RO4
->
F
M2
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
RI2
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO4
->
F
RO2
->
F
RO3
->
F
R05
->
F
RO1
->
F
M4
JARAKTERDEKAT_ROAD
R05
->
F
RO2
->
F
RO3
->
F
RO4
->
F
RO1
->
F
M1
JARAKTERDEKAT_ROAD
RO4
->
F
RO2
->
F
RO3
->
F
R05
->
F
RO1
->
F
M3
JARAKTERDEKAT_ROAD
RO1
->
T
RO4
20
->
F
->
T
->
F
RO3
R05
RO2
->
T
M2
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
F
RO4
->
F
R05
->
F
RI3
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
F
RO4
->
T
R05
->
F
M4
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
RO4
->
F
R05
->
F
M1
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
R05
->
T
RO4
->
F
M3
21
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
RO4
->
F
R05
->
F
M2
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
T
RO3
->
T
R05
->
F
RO4
->
F
RI1
JARAKTERDEKAT_ROAD
R05
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO2
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO3
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
22
->
F
M2
->
F
RO4
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO1
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
23
RIWAYAT HIDUP
Penulis dilahirkan di Padang Panjang, Sumatera Barat pada tanggal 10
Desember 1989. Penulis merupakan anak kedua dari tiga bersaudara dari
pasangan Bapak Jontrifizal SSos dan Ibu Gusmiyetty Spd.
Penulis menempuh pendidikan formal di SMA N 1 Payakumbuh, Sumatera
Barat dan diselesaikan pada tahun 2008. Selanjutnya pada tahun yang sama,
penulis diterima sebagai mahasiswa Program Diploma Institut Pertanian Bogor,
Program Keahlian Teknik Komputer melalui jalur Undangan Seleksi Masuk
Institut Pertanian Bogor (USMI). Penulis kemudian melanjutkan pendidikan S1
Alih Jenis pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2011.
HOTSPOT DI PROVINSI RIAU MENGGUNAKAN
ALGORITME ID3
VIKHY FERNANDO
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Data
Spasial untuk Kemunculan Hotspot di Provinsi Riau Menggunakan Algoritme
ID3 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, Januari 2014
Vikhy Fernando
NIM G64114041
ABSTRAK
VIKHY FERNANDO. Klasifikasi Data Spasial untuk Kemunculan Hotspot di
Provinsi Riau Menggunakan Algoritme ID3. Dibimbing oleh IMAS SUKAESIH
SITANGGANG.
Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul
hampir setiap tahun di Indonesia termasuk di Provinsi Riau, yang menyebabkan
dampak negatif bagi kehidupan manusia. Data kebakaran persebaran hotspot yang
berukuran besar dapat dianalisis menggunakan teknik spatial data mining, salah
satunya pohon keputusan spasial. Penelitian ini bertujuan untuk
mengklasifikasikan kemunculan hotspot di Provinsi Riau yang dapat digunakan
untuk mendapatkan aturan-aturan klasifikasi. Dalam penelitian ini, pembentukan
pohon keputusan spasial dilakukan dengan menggunakan algoritme ID3. Hasil
penelitian menunjukkan bahwa akurasi tertinggi adalah 70.80%. Model klasifikasi
ini terdiri dari 125 aturan klasifikasi yang dapat digunakan untuk prediksi
kemunculan titik api.
Kata kunci: algoritme ID3, hotspot, klasifikasi, pohon keputusan spasial
ABSTRACT
VIKHY FERNANDO. Spatial Classification for Hotspot Occurrences in Riau
Province using ID3 Algorithm. Supervised by Imas Sukaesih Sitanggang.
Forest fire is one of the environmental issues that occurs almost every year
in Indonesia including in Riau Province, which causes negative impacts for
human life. The large data of hotspot distribution can be analyzed using one of
spatial data mining techniques, namely spatial decision tree. The purpose of this
research is to classify the hotspot occurences in Riau province in order to obtain
the classification rules. In this research, the spatial decision tree is developed
using ID3 algorithm. The result shows that the highest accuracy is 70.80%. The
classification model consists 125 classification rules that can be used to predict
the hotspot occurrences.
Keywords: ID3 Algorithm, classification, hotspots, spatial decision tree
KLASIFIKASI DATA SPASIAL UNTUK KEMUNCULAN
HOTSPOT DI PROVINSI RIAU MENGGUNAKAN
ALGORITME ID3
VIKHY FERNANDO
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
2013
Judul Skripsi : Klasifikasi Data Spasial untuk Kemunculan Hotspot di Provinsi
Riau Menggunakan Algoritme ID3
Nama
: Vikhy Fernando
NIM
: G64114041
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 subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2013 ini ialah spatial
data mining dengan judul Klasifikasi Data Spasial untuk Kemunculan Hotspot di
provinsi Riau Menggunakan Algoritme ID3.
Dalam pelaksanaan penelitian tugas akhir ini, penulis ingin menyampaikan
terima kasih kepada:
1
Allah Shubanallah Wa Taala yang atas izin karunia dan rahmat-Nya penulis
dapat menyelesaikan tugas akhir ini.
2
Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing
atas nasihat dan bimbingannya selama proses pengerjaan tugas akhir ini.
3
Bapak Hari Agung Adrianto, SKom MSi dan Bapak Endang Purnama Giri,
SKom MKom selaku dosen penguji atas kesediaannya menjadi penguji pada
ujian tugas akhir ini.
4
Ayahanda Jontrifizal, Ibunda Gusmiyetty, Kakak, Adik dan keluarga yang
senantiasa memberikan doa dan dukungan.
5
Teman-teman satu bimbingan yang senantiasa saling memberikan semangat.
6
Rekan-rekan dari Departemen Ilmu Komputer IPB Alih Jenis angkatan 6
yang senantiasa memberikan semangat dan motivasi.
Semoga karya ilmiah ini bermanfaat.
Bogor, Januari 2014
Vikhy Fernando
DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
PENDAHULUAN
vi
vi
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
1
Manfaat Penelitian
1
Ruang Lingkup Penelitian
2
METODE
2
Data Penelitian dan Area Studi
2
Tahapan Penelitian
2
Praproses
2
Klasifikasi Menggunakan Algoritme ID3
4
Penggunaan Klasifikasi Data Baru
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Pra Proses
6
Penentuan Data Latih dan Data Uji
11
Klasifikasi Menggunakan Algoritme ID3
11
Akurasi Model
14
Penggunaan Klasifikasi pada Data Baru
14
SIMPULAN DAN SARAN
15
Simpulan
15
Saran
15
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
23
DAFTAR TABEL
1 Jarak terdekat hotspot ke pusat kota
2 Jarak terdekat hotspot ke sungai
3 Jarak terdekat hotspot ke jalan
4 Kategori untuk jarak terdekat ke pusat kota
5 Kategori untuk jarak terdekat ke sungai
6 Kategori untuk jarak terdekat ke jalan
7 Pembagian fold dan akurasi pohon keputusan
8 Ketepatan prediksi model klasifikasi
9 Contoh data baru
9
10
10
10
10
11
12
14
14
DAFTAR GAMBAR
1 Tahapan praproses
2 Tahapan penelitian
3 Hotspot di Provinsi Riau tahun 2005.
4 Non hotspot di Provinsi Riau tahun 2005.
5 Layer pusat kota di Provinsi Riau
6 Layer Sungai di Provinsi Riau
7 Layer Jalan di Provinsi Riau
8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai dengan
interval (8.5 km , 16 km]
3
4
7
7
8
8
8
13
PENDAHULUAN
Latar Belakang
Kebakaran hutan merupakan salah satu persoalan lingkungan yang muncul
hampir setiap tahun di Indonesia termasuk di Provinsi Riau. Padahal, dampak
yang ditimbulkan dari kebakaran hutan sangat merugikan. Dampak tersebut tidak
hanya dialami oleh masyarakat di Provinsi Riau saja, tetapi juga oleh masyarakat
di Provinsi sekitar Riau yakni, Provinsi Sumatera Barat dan Provinsi Sumatera
Utara. Selain dekat dengan Provinsi lain di Indonesia, Provinsi Riau juga dekat
dengan wilayah negara tetangga, yaitu Singapura dan Malaysia.
Data persebaran hotspot yang berukuran besar dapat dianalisis
menggunakan teknik spatial data mining. Salah satu teknik dalam spatial data
mining adalah spatial decision tree. Hasil dari spatial decision tree akan
membangun sebuah decision tree dari data spasial yang dapat digunakan untuk
membentuk aturan-aturan klasifikasi. Klasifikasi spasial bertujuan memberikan
sebuah label atau menentukan kelas dari sebuah objek berdasarkan nilai atribut
yang ada dalam spasial dataset dengan memperhatikan objek tetangganya.
Penelitian ini menggunakan data hotspot di wilayah Indonesia yang
bersumber dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen
Kehutanan Republik Indonesia. Penelitian ini mengklasifikasikan data spasial
persebaran hotspot di wilayah Riau pada tahun 2005 menggunakan algoritme ID3.
Perumusan Masalah
Rumusan permasalahan pada penelitian ini adalah bagaimana membuat
model klasifikasi untuk data kebakaran hutan di wilayah Provinsi Riau pada tahun
2005.
Tujuan Penelitian
1
2
Tujuan dari penelitian ini adalah:
Membuat model klasifikasi untuk data kebakaran hutan di wilayah Provinsi
Riau pada tahun 2005.
Evaluasi model klasifikasi untuk prediksi kemunculan titik api.
Manfaat Penelitian
Penelitian ini diharapkan dapat membentuk model klasifikasi dari
persebaran hotspot di Provinsi Riau pada tahun 2005 dan dapat memprediksi
kemunculan titik api di wilayah baru sehingga dapat mengantisipasi kebakaran
hutan di wilayah tersebut.
2
Ruang Lingkup Penelitian
1
2
Ruang lingkup pada penelitian ini adalah:
Penelitian difokuskan pada pembentukan model klasifikasi menggunakan
algoritme ID3 pada data persebaran hotspot di wilayah Provinsi Riau
pada tahun 2005.
Data spasial yang digunakan adalah data sebaran hotspot tahun 2005, non
hotspot, sungai, jalan dan pusat kota di wilayah Riau.
METODE
Data Penelitian dan Area Studi
Luas wilayah Provinsi Riau adalah 107932.71 km2 yang membentang dari
lereng Bukit Barisan hingga Selat Malaka, hal ini membuat Provinsi Riau berada
pada jalur yang sangat strategis karena terletak pada jalur perdagangan Regional
dan Internasional di kawasan ASEAN. Provinsi Riau memiliki luas daratan
89150.15 km2 dan luas lautan 18782.56 km2, di daratan terdapat 15 (lima belas)
sungai di antaranya ada 4 (empat) sungai dapat digunakan sebagai prasarana
perhubungan (Pemerintah Provinsi Riau 2013).
Data spasial yang digunakan adalah data sebaran hotspot tahun 2005 yang
berjumlah 7169 titik hotspot, 7200 titik non hotspot, 457 segmen aliran sungai,
37656 segmen jalan dan 6 titik pusat kota di wilayah Riau.
Tahapan Penelitian
Penelitian ini akan dilakukan dalam beberapa tahap. Tahapan dari metode
penelitian ini dapat dilihat pada Gambar 1.
Praproses
Data spasial diolah menggunakan perangkat lunak Quantum GIS 1.8.0
Lisboa untuk mendapatkan data hotspot, non hotspot, pusat kota, sungai dan jalan
di Provinsi Riau pada tahun 2005. Selanjutnya, data tersebut di-import ke basis
data menggunakan PosgreSQL 9.1 yang didalamnya telah terintegrasi dengan
PostGIS 2.0. Kemudian dilakukan kueri pada data yang diperlukan hingga
didapatkan data yang dibutuhkan untuk diklasifikasikan. Agar kueri sesuai dengan
kode yang telah dibuat di perangkat lunak Python, maka digunakan Microsoft
Excel 2010 sebagai perangkat lunak pembantu. Berikut alur dari praproses yang
dapat dilihat pada Gambar 2.
3
Gambar 1 Tahapan praproses
1
2
3
4
Beberapa tahapan yang dilakukan pada tahap praproses adalah:
Seleksi data
Pada proses ini dilakukan pemilihan data hotspot dan data non hotspot yang
terjadi di Provinsi Riau pada tahun 2005. Selanjutnya, data tersebut juga
akan dipilih menjadi data pusat kota, sungai dan jalan di Provinsi Riau.
Pemberian label kelas
Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Label T
digunakan pada data hotspot dan label F digunakan pada data non hotspot.
Perhitungan jarak
Pada tahap ini dilakukan perhitungan jarak terdekat dari kelas T dan kelas F
ke pusat kota, kelas T dan kelas F ke sungai dan kelas T dan kelas F ke jalan
di Provinsi Riau.
Transformasi jarak terdekat dari hotspot
Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar
lebih memudahkan untuk diproses bahasa perograman Python.
4
5
Transformasi tipe fail
Pada penelitian ini digunakan data dengan format .file sebagai fail masukan
data latih dan data uji.
Gambar 2 Tahapan penelitian
Klasifikasi Menggunakan Algoritme ID3
Pada tahap ini dibangun model klasifikasi untuk membentuk pohon
keputusan spasial. Kemudian dilakukan perhitungan akurasi dari pohon keputusan
spasial yang terbentuk. Pembentukan pohon keputusan spasial ini menggunakan
algoritme ID3. Contoh algoritme pohon keputusan adalah algoritme ID3 atau
Iterative Dischotomister 3. Algoritme ini menggunakan konsep entropi informasi.
Secara umum algoritme ID3 (Han dan Kamber 2006) adalah sebagai berikut:
5
Algoritme ID3 (Han dan Kamber 2006)
Input : Data latih, data uji
Output : Decision tree
Metode :
a
Buat node N;
b
Jika semua sampel memiliki kelas yang sama yaitu C, maka jadikan node N
sebagai leaf node dan beri label C;
c
Jika daftar atribut kosong, maka jadikan node N sebagai leaf node dengan
label = nilai kelas yang terbanyak pada sampel;
d
Pemilihan atribut uji dengan nilai information gain yang terbesar;
e
Beri label node N dengan atribut uji;
f
Untuk setiap nilai ai dalam atribut uji yang diketahui,
g
Tambahkan cabang di bawah node N untuk atribut uji = ai;
h
Tentukan si sebagai subset dari sampel dimana atribut uji = ai;
i
Jika sampel si kosong,
j
Tambahkan leaf node dengan label = nilai kelas yang terbanyak pada
sampel;
k
Selainnya, tambah cabang baru di bawah cabang yang sekarang dengan
memanggil fungsi ID3 (si daftar atribut-atribut uji);
Pohon Keputusan Spasial
Proses pembentukan pohon keputusan spasial dari data sebaran hotspot di
Provinsi Riau menggunakan tabel gabungan yang terdiri dari beberapa hubungan
spasial yang terbentuk dari kelas targetnya.
Perhitungan Akurasi
Pada tahap ini menghitung akurasi dari model klasifikasi yang diperoleh
dari proses klasifikasi. Akurasi menunjukkan tingkat kebenaran pengklasifikasian
data terhadap kelas yang sebenarnya. Semakin rendah nilai akurasi maka semakin
tinggi kesalahan klasifikasi pada data baru. Tingkat akurasi yang baik adalah
tingkat akurasi yang mendekati 100%. Dalam penelitian, metode yang digunakan
dalam proses perhitungan akurasi ini adalah metode K-fold cross validation. Kfold cross validation (Stone 1974 diacu dalam Fu 1994) adalah sebuah metode
yang membagi himpunan contoh secara acak menjadi k himpunan bagian (subset).
Pada metode ini dilakukan pengulangan sebanyak k kali untuk data pelatihan dan
pengujian. Pada setiap pengulangan, satu subset digunakan untuk pengujian
sedangkan subset sisanya digunakan untuk pelatihan.
Akurasi diperoleh berdasarkan data pengujian terhadap model klasifikasi.
Untuk menghitung akurasi digunakan rumus sebagai berikut:
∑
∑
6
Penggunaan Klasifikasi Data Baru
Model klasifikasi yang terbentuk akan digunakan untuk menentukan kelas
dari data baru yang belum diketahui label kelasnya. Label kelas didapatkan
dengan menelusuri model pohon keputusan yang terbentuk atau aturan yang telah
diturunkan dari model pohon yang dihasilkan pada data latih.
Lingkungan Pengembangan
Pembentukan pohon keputusan spasial ini dibangun dengan menggunakan
perangkat keras dan perangkat lunak sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai
berikut:
Processor Intel® Core™ I3 CPU
Memori 2048MB RAM
Mouse
Keyboard
2 Perangkat lunak
Sistem Operasi Windows 8
Quantum GIS (1.8.0) untuk analisis dan visualisasi data spasial
Sistem Manajemen Basis Data PostgreSQL
PostGIS 2.0 sebagai ekstensi PostgreSQL untuk analisis data spasial
Bahasa Pemrograman Python 2.7.5
HASIL DAN PEMBAHASAN
Pra Proses
Seleksi Data
Data yang digunakan dalam penelitian ini merupakan data persebaran
hotspot pada tahun 2005, data non hotspot, data pusat kota, data sungai dan data
jalan untuk Provinsi Riau. Secara terperinci dapat dilihat sebagai berikut
a.
Data persebaran Hotspot
Data persebaran hotspot yang digunakan adalah data hotspot tahun 2005.
Data ini memiliki atribut wkt_geom, longitude, latitude, bulan, minggu dan
tanggal. Pada awalnya, data persebaran hotspot Indonesia berbetuk shapefile. Data
tersebut di-clip menjadi daerah Provinsi Riau saja menggunakan perangkat lunak
Quantum GIS. Pada wilayah Provinsi Riau terdapat 7169 titik hotspot. Gambar 3
menunjukkan persebaran hotspot di provinsi Riau pada tahun 2005.
7
Gambar 3 Hotspot di Provinsi Riau tahun 2005.
Data Persebaran Non Hotspot
Data persebaran non hotspot diperoleh dari titik-titik di luar hotspot. Data
ini didapat dengan cara membangkitkan titik acak di sekitar hotspot. Titik non
hotspot tersebut dibangkitkan di luar buffer dengan radius 1 km dari sebuah
hotspot. Buffer dibuat menggunakan operasi Geo processing Tools pada Quantum
GIS. Data non hotspot yang dibangkitkan sebanyak 7200 titik. Gambar 4
menunjukkan persebaran non hotspot di Provinsi Riau pada tahun 2005.
b.
Gambar 4 Non hotspot di Provinsi Riau tahun 2005.
c.
Data Pusat kota Riau
Data pusat kota Riau merupakan data yang berisi mengenai ibu kota tiap
kota/kabupaten wilayah Riau. Data ini berbentuk shapefile yang diolah
menggunakan Quantum GIS. Data pusat kota Riau ini memiliki 6 pusat kota yaitu
Tembilahan, Selatpanjang, Balai pungut, Duri, Bengkalis dan Dumai. Gambar 5
menunjukkan titik pusat kota di Provinsi Riau pada tahun 2005.
8
Gambar 5 Layer pusat kota di Provinsi Riau
d.
Data Sungai Riau
Data sungai Riau merupakan data yang berisi mengenai wilayah Riau yang
dilalui oleh aliran sungai. Data ini berbentuk shapefile yang diolah menggunakan
Quantum GIS. Terdapat 457 segmen aliran sungai di data sungai Riau. Gambar 6
menunjukkan aliran sungai di Provinsi Riau pada tahun 2005.
Gambar 6 Layer Sungai di Provinsi Riau
e.
Data Jalan Riau
Data jalan Riau merupakan data yang berisi seluruh jalan di wilayah Riau.
Data ini berbentuk shapefile yang diolah menggunakan Quantum GIS. Data jalan
Riau memiliki sebanyak 37657 segmen jalan. Gambar 7 menunjukkan segmen
jalan di Provinsi Riau pada tahun 2005.
Gambar 7 Layer Jalan di Provinsi Riau
9
Pemberian label kelas
Pemberian label kelas ini digunakan untuk mendapatkan hasil data. Setelah
semua shape di-import ke Sistem Manajemen Basis Data postgreSQL menjadi
beberapa tabel dilakukan pemberian label kelas dengan kueri. Label T (True)
digunakan pada data hotspot yang berjumlah 7169 titik hotspot dan label F (False)
digunakan pada data non hotspot yang berjumlah 7200 titik non hotspot. Tabel
tersebut diberi nama tabel hotspot.
Perhitungan Jarak
Pada tahap ini dilakukan perhitungan jarak dari kelas T dan kelas F ke pusat
kota, kelas T dan kelas F ke sungai serta kelas T dan kelas F ke jalan di Provinsi
Riau. Setelah setiap tabel diberikan label kelas True (T) dan False (F) dilakukan
perhitungan jarak menggunakan kueri di PostgreSQL. Data sebaran hotspot, non
hotspot, pusat kota, sungai dan jalan awalnya diolah di Quantum GIS berbentuk
shapefile. Agar PostgreSQL dapat membaca shapefile yang berbentuk data spasial
harus menggunakan PostGIS yang terintegrasi dengan PostgreSQL. Data tersebut
di import dari Quantum GIS untuk menjadi tabel-tabel di PostgreSQL.
Perhitungan jarak hotspot dan non hotspot ke pusat kota terdekat, ke jalan
terdekat dan ke sungai terdekat dilakukan dengan mengeksekusi pernyataan kueri
spasial dalam PostgreeSQL. Berikut kueri untuk menghitung jarak hotspot dan
non hotspot ke pusat kota (maincities) terdekat.
SELECT
[h.gid
as
ID_hotspot],[h.geom
min(ST_Distance (h.geom, m.geom))
FROM [riau_maincities AS m], [hotspot AS h]
GROUP BY [h.gid];
as
geom],
Dataset jarak harus dikonversi dari decimal degree menjadi km untuk
menyiapkan dataset akhir (1 degree = 111319.5 m = 111.3195 km). Jarak terdekat
beberapa hotspot ke pusat kota, ke sungai dan ke jalan diberikan berturut-turut
dalam Tabel 1, 2 dan 3.
Tabel 1 Jarak terdekat hotspot ke pusat kota
Id_Hotspot
Jarakterdekat_Pusatkota (km)
Kelas
1
39.0253843
T
2
39.58416374
T
3
10.50838916
T
.
.
.
.
.
.
9999
77.74134721
F
10000
107.922778
F
10
Tabel 2 Jarak terdekat hotspot ke sungai
Id_Hotspot
Jarakterdekat_Sungai (km)
1
15.00513534
2
18.50195349
3
25.17563015
.
.
.
.
9999
5.021882999
10000
8.049548723
Kelas
T
T
T
.
.
F
F
Tabel 3 Jarak terdekat hotspot ke jalan
Id_Hotspot
Jarakterdekat_Jalan (km)
1
1.260659936
2
1.308696992
3
0.019610453
.
.
.
.
9999
0.681320262
10000
8.614583682
Kelas
T
T
T
.
.
F
F
Transformasi Jarak Terdekat dari Hotspot
Pada tahap ini dilakukan transformasi hasil data menjadi kategorik agar
lebih dimudahkan. Tahapan transformasi ini menggunakan perangkat lunak
Microsoft Excel 2010 dengan menggunakan tools data analyst histogram.
Kategori untuk jarak terdekat ke pusat kota, ke sungai dan ke jalan diberikan
berturut-turut dalam Tabel 4, 5 dan 6.
Tabel 4 Kategori untuk jarak terdekat ke pusat kota
Pusat Kota
Bin Frequency Kategori
Range (km)
31
2868
M1
(0, 31]
48
2832
M2
(31 , 48]
74
2947
M3
(48 , 74]
105
2868
M4
(74, 105]
More
2854
M5
> 105
Tabel 5 Kategori untuk jarak terdekat ke sungai
Sungai
Bin
Frequency Kategori Range (km)
2
2913
RI1
(0 , 2]
4.5
2823
RI2
(2 , 4.5]
8.5
2939
RI3
(4.5 , 8.5]
16
2873
RI4
(8.5 , 16]
More
2821
RI5
> 16
11
Tabel 6 Kategori untuk jarak terdekat ke jalan
Jalan
Bin
Frequency Kategori
Range(km)
0.22
2910
RO1
(0 , 0.22]
0.68
2872
RO2
(0.22 , 0.68]
1.5
2877
RO3
(0.68 , 1.5]
3.5
2898
RO4
(1.5 , 3.5]
More
2812
RO5
> 3.5
Transformasi Tipe fail
Dalam tahap ini dilakukan perubahan format data latih dan data uji dari
format CSV menjadi format .file sehingga dapat diolah ke dalam perangkat lunak
Python 2.7.5.
Penentuan Data Latih dan Data Uji
Pemisahan data ke dalam data latih dan data uji untuk membentuk pohon
keputusan spasial ini menggunakan 10-folds cross validation. Data akan dibagi ke
dalam 10 bagian (folds). Setiap bagian akan digunakan sebagai data uji, 9 bagian
(folds) akan dijadikan sebagai data latih, dan 1 bagian (fold) lainnya akan
dijadikan sebagai data uji. Data latih akan digunakan untuk membentuk model
klasifikasi. Sedangkan, data uji akan digunakan untuk menghitung akurasi yang
diperoleh dari model klasifikasi.
Setelah tahap transformasi tipe fail dilakukan, tahap selanjutnya adalah
membagi data menjadi 10 fold. Fold inilah yang akan digunakan pada tahap
klasifikasi sebagai data latih dan data uji. Subset yang terbentuk memiliki jumlah
instance sebanyak 1000 per fold dengan mengabaikan proporsi perbandingan
antarkelas.
Klasifikasi Menggunakan Algoritme ID3
Proses klasifikasi dilakuan dua tahap, yaitu pembentukan pohon keputusan
spasial dan perhitungan akurasi dari pohon keputusan spasial yang terbentuk.
Pohon Keputusan Spasial
Pembentukan pohon keputusan spasial dilakukan dengan menggunakan
algoritme ID3 yang telah diimplementasikan dalam bahasa pemrograman Python
2.7.5. Modul ID3 dalam Python diperoleh dari Onlamp (2013). Dalam pembuatan
pohon keputusan spasial di pemrograman Python ini terdapat 3 modul penting
antara lain decision tree, ID3 dan modul test. Pada modul decision tree adalah
proses untuk mendapatkan atribut terbaik dari himpunan atribut yang ada dengan
menggunakan fungsi fitness yaitu information gain sebagai parameter.
Dataset yang telah terbentuk diolah dan menghasilkan sebuah pohon keputusan.
Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information
gain tertinggi sesuai dengan algoritme ID3.
12
Pada pohon keputusan spasial yang dihasilkan diketahui bahwa semua
atribut yang diberikan muncul sebagai node pada pohon keputusan spasial.
Atribut yang dijadikan label pada akar pohon keputusan adalah jarak terdekat ke
sungai. Pembagian fold dan akurasi pohon keputusan spasial untuk data training
dan data testing dapat dilihat pada Tabel 7.
Tabel 7 Pembagian fold dan akurasi pohon keputusan
Percobaan
Data Training
1
Fold1 sd fold 9
fold1 sd fold 8, dan
Fold 10
fold1 sd fold 7, dan
Fold 9 sd fold10
Fold1 sd fold 6,
dan fold 8 sd
fold10
Fold1 sd fold 5,
dan fold 7 sd
fold10
Fold1 sd fold 4,
dan fold 6 sd
fold10
Fold1 sd fold 3,
dan fold 5 sd
fold10
Fold1 sd fold 2,
dan fold 4 sd
fold10
Fold1, dan fold 3
sd fold10
Fold2 sd fold 10
2
3
4
5
6
7
8
9
10
Data
Testing
Pohon
Keputusan
Akurasi Data
Training(%)
Fold 10
Tree 1
72.30
Akurasi
Data
Testing(%)
66.80
Fold 9
Tree 2
73.80
70.20
Fold 8
Tree 3
72.60
67.90
Fold 7
Tree 4
75.00
70.80
Fold 6
Tree 5
73.90
69.80
Fold 5
Tree 6
74.10
70.70
Fold 4
Tree 7
71.10
67.10
Fold 3
Tree 8
73.80
69.90
Fold 2
Tree 9
71.60
66.20
Fold 1
Tree 10
72.50
73.07
69.10
68.85
Akurasi Rata-Rata
Dari Tabel 7 dapat dilihat bahwa akurasi terbesar terdapat pada percobaan
keempat dan akurasi terkecil terdapat pada percobaan pertama dan kesembilan.
Hal itu menunjukan bahwa tingkat kesalahan klasifikasi subset 1 dan 9 lebih
tinggi dari subset yang lainnya. Hal itu dapat disebabkan oleh instance-instance
yang ada pada data latih dan data uji belum dapat mewakili setiap fitur untuk
dapat diklasifikan pada kelas tertentu. Akurasi rata-rata untuk data training adalah
73.07% dan 68.85% untuk data testing. Berikut sub pohon keputusan spasial yang
terbentuk untuk jarak terdekat ke sungai dengan interval (8.5 km , 16 km] yang
dapat dilihat pada Gambar 8. Pohon keputusan selengkapnya dapat dilihat pada
Lampiran 1.
13
Gambar 8 Sub pohon keputusan spasial untuk jarak terdekat ke sungai
dengan interval (8.5 km , 16 km]
Berdasarkan pohon keputusan spasial yang terbentuk dapat dibuat 125
aturan klasifikasi. Sebagai contoh, aturan yang terbentuk dari pohon keputusan
spasial pada Gambar 8 adalah sebagai berikut:
Aturan 1:
JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (48 km, 74 km] DAN jarak
lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] MAKA
kemunculan titik api adalah T (True).
Aturan 2:
JIKA jarak lokasi ke sungai terdekat pada interval (0 km, 2 km] DAN jarak
lokasi ke jalan terdekat pada interval (0.22 km, 0.68 km] DAN jarak lokasi
ke pusat kota terdekat pada interval (48 km, 74 km] MAKA kemunculan
titik api adalah F (False).
Aturan 3:
JIKA jarak lokasi ke sungai terdekat pada interval (8.5 km, 16 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (0 km, 31 km] DAN jarak
lokasi ke jalan terdekat pada interval (1.5 km, 3.5 km] MAKA kemunculan
titik api adalah T (True).
Aturan 4:
JIKA jarak lokasi ke sungai terdekat pada interval (2 km, 4.5 km] DAN
jarak lokasi ke pusat kota terdekat pada interval (74 km, 105 km] DAN jarak
lokasi ke jalan terdekat pada interval (0 km, 0.22 km] MAKA kemunculan
titik api adalah F (False).
14
Aturan 5:
JIKA jarak lokasi ke sungai terdekat pada interval > 16 km DAN jarak
lokasi kepusat kota terdekat pada interval (31 km, 48 km] DAN jarak lokasi
ke jalan terdekat pada interval > 3.5 km MAKA kemunculan titik api adalah
T (True).
Akurasi Model
Pada penelitian ini didapat akurasi model yang dapat dilihat pada Tabel 8.
Tabel 8 Akurasi Model
Kelas Hasil
Aktual
T
F
Total
Kelas Hasil Prediksi
T
F
324
126
166
384
490
510
Total
450
550
1000
Dari Tabel 8 diketahui dari 450 data di kelas hasil aktual T, sebanyak 324
atau 72% data diprediksi secara benar sebagai label kelas T (True Positif) dan 126
data diprediksi salah sebagai label kelas F (False Negative). Dari 550 data di kelas
hasil aktual F, sebanyak 384 data diprediksi benar sebagai label kelas F (True
Negative) atau 66.12% dan 166 data diprediksi salah sebagai label kelas F (False
Negative). Akurasi rata-ratanya sebesar 70.91%.
Penggunaan Klasifikasi pada Data Baru
Pada tahap ini, terdapat beberapa record data contoh untuk menunjukkan
bagaimana penggunaan klasifikasi pada data baru yang belum memiliki label
kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi.
Untuk pengisian masing-masing record dilakukan dengan cara menelusuri model
pohon yang didapat dengan melihat dari aturan pohonnya. Ilustrasi data contoh
dapat dilihat pada Tabel 9.
Tabel 9 Contoh data baru
Record_ID
1
2
3
4
5
JARAKTERDEKAT
PUSAT KOTA (km)
M2 (31 , 48]
M4 (74, 105]
M3 (48 , 74]
M3 (48 , 74]
M1 (0, 31]
JARAKTERDEKAT
SUNGAI (km)
RI5> 16
RI2 (2 , 4.5]
RI2 (2 , 4.5]
RI1 (0 , 2]
RI4 (8.5 , 16]
JARAKTERDEKAT
JALAN (km)
RO5> 3.5
RO1 (0 , 0.22]
RO2 (0.22 , 0.68]
RO4 (1.5 , 3.5]
RO4 (1.5 , 3.5]
Kelas
?
?
?
?
?
Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (31 km, 48 km], jarak
15
dengan sungai interval > 16 km dan jarak dengan jalannya sejauh > 3.5 km maka
kemunculan titik api adalah kelasnya T (True).
Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (74 km, 105 km], jarak
dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval
(0 km, 0.22 km] maka kemunculan titik api adalah kelasnya F (False).
Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak
dengan sungai interval (2 km, 4.5 km] dan jarak dengan jalannya sejauh interval
(0.22 km, 0.68 km] maka kemunculan titik api adalah kelasnya T (True).
Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai tes
atribut jarak dengan pusat kota terdekat pada interval (48 km, 74 km], jarak
dengan sungai interval (0 km, 2 km] dan jarak dengan jalannya sejauh interval
(1.5 km, 3.5 km] maka kemunculan titik api adalah kelasnya F (False).
Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang
sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules3 dengan nilai test
atribut jarak dengan pusat kota terdekat pada interval (0 km, 31 km], jarak dengan
sungai interval (8.5 km , 16 km] dan jarak dengan jalannya sejauh interval (1.5
km, 3.5 km] maka kemunculan titik api adalah kelasnya T (True).
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang dilakukan dalam membentuk model klasifikasi
hotspot di wilayah Riau pada tahun 2005, dapat diambil kesimpulan sebagai
berikut:
1
Pohon keputusan spasial yang telah dibentuk memiliki label akar yaitu jarak
terdekat sungai. Pohon keputusan spasial ini terdiri dari 31 node.
2
Dari pohon keputusan spasial yang dihasilkan dapat diturunkan 125 aturan
klasifikasi untuk menentukan kemunculan hotspot.
3
Pohon keputusan spasial telah diuji pada data training dan data testing
dengan menggunakan metode 10-fold cross validation. Akurasi terbesar
pohon keputusan spasial pada data training adalah 75% , sedangkan pada
data testing adalah 70.80%.
4
Akurasi rata-rata pada data training adalah 73.07% dan pada data testing
adalah 68.85%.
Saran
Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut adalah
penambahan data spasial lainnya terkait kebakaran hutan yang menentukan
kemunculan titik api, sehingga pohon keputusan yang dihasilkan lebih akurat.
16
DAFTAR PUSTAKA
Fu L. 1994. Neural Network in Computers Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2006. Data Mining : Concepts and Techniques. San Francisco :
Morgan Kaufman Publisher.
Onlamp. 2013. Onlamp [Internet]. [diunduh 2013 Dec 1].Tersedia pada
http://www.onlamp.com/pub/a/python/2006/02/09/ai_decision_trees.html?page
=2
Pemerintah Provinsi Riau. 2013. Pemerintah Provinsi Riau [Internet]. [diunduh
2013 Dec 1].Tersedia pada: http://www.riau.go.id/index.php?/detail/61).
17
LAMPIRAN
Lampiran 1 Pohon Keputusan Spasial.
JARAKTERDEKAT_RIVER
RI4
JARAKTERDEKAT_ROAD
RO1
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
F
M1
->
T
M3
->
T
M2
->
F
RO2
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
F
M1
->
T
M3
->
T
M2
->
T
RO3
JARAKTERDEKAT_MAINCITIES
M5
->
T
M4
->
T
M1
->
T
M3
->
T
M2
->
T
RO4
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
T
M1
->
T
M3
->
T
M2
->
T
R05
18
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
T
M2
->
F
RI5
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
R05
->
F
RO4
->
T
M4
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
M1
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
M3
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
R05
19
->
T
RO4
->
F
M2
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
RO4
->
T
R05
->
T
RI2
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO4
->
F
RO2
->
F
RO3
->
F
R05
->
F
RO1
->
F
M4
JARAKTERDEKAT_ROAD
R05
->
F
RO2
->
F
RO3
->
F
RO4
->
F
RO1
->
F
M1
JARAKTERDEKAT_ROAD
RO4
->
F
RO2
->
F
RO3
->
F
R05
->
F
RO1
->
F
M3
JARAKTERDEKAT_ROAD
RO1
->
T
RO4
20
->
F
->
T
->
F
RO3
R05
RO2
->
T
M2
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
F
RO4
->
F
R05
->
F
RI3
JARAKTERDEKAT_MAINCITIES
M5
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
F
RO4
->
T
R05
->
F
M4
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
RO4
->
F
R05
->
F
M1
JARAKTERDEKAT_ROAD
RO1
->
T
RO2
->
T
RO3
->
T
R05
->
T
RO4
->
F
M3
21
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
F
RO3
->
F
RO4
->
F
R05
->
F
M2
JARAKTERDEKAT_ROAD
RO1
->
F
RO2
->
T
RO3
->
T
R05
->
F
RO4
->
F
RI1
JARAKTERDEKAT_ROAD
R05
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO2
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO3
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
22
->
F
M2
->
F
RO4
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
RO1
JARAKTERDEKAT_MAINCITIES
M5
->
F
M4
->
F
M1
->
F
M3
->
F
M2
->
F
23
RIWAYAT HIDUP
Penulis dilahirkan di Padang Panjang, Sumatera Barat pada tanggal 10
Desember 1989. Penulis merupakan anak kedua dari tiga bersaudara dari
pasangan Bapak Jontrifizal SSos dan Ibu Gusmiyetty Spd.
Penulis menempuh pendidikan formal di SMA N 1 Payakumbuh, Sumatera
Barat dan diselesaikan pada tahun 2008. Selanjutnya pada tahun yang sama,
penulis diterima sebagai mahasiswa Program Diploma Institut Pertanian Bogor,
Program Keahlian Teknik Komputer melalui jalur Undangan Seleksi Masuk
Institut Pertanian Bogor (USMI). Penulis kemudian melanjutkan pendidikan S1
Alih Jenis pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor pada tahun 2011.