7.16 Optimasi Aturan Asosiasi Multidimensi Menggunakan Algoritme Genetika Untuk Klasifikasi Kemunculan Titik Panas
5 SIMPULAN DAN SARAN
Simpulan
Dari hasil penelitian yang dilakukan, optimasi aturan asosiasi multidimensi dapat diterapkan dengan menggunakan algoritme genetika. Melalui
algoritme genetika jumlah aturan yang dihasilkan dapat dikurangi yaitu sebanyak 108 aturan pada generasi ke-50, 118 aturan pada generasi ke-150, dan 121 aturan
pada generasi ke-300. Rata-rata nilai fitness yang diperoleh pada tiap generasi yaitu sebesar 0.8 hingga 0.9. Aturan yang sering muncul pada tiap
generasi adalah
“If precipitation=3mmday,screen_temp297K;298K Then hotspot_occurence=Yes” diberikan pada kode aturan RY3 dengan nilai fitness
sebesar 0.818. Aturan yang tidak terdapat titik panas yang sering dan banyak muncul
pada tiap
generasi adalah
“If precipitation=3mmday, peatland_type=non_peatland Then hotspot_occurence=No
” diberikan pada kode aturan RN5 dengan nilai fitness sebesar 0.913. Dengan menggunakan
algorime CPAR, diperoleh hasil Laplace Accuracy LA yang paling tinggi terhadap aturan yang berpotensi munculnya titik panas yaitu pada generasi 50
sebesar
0.76 yang
berisi aturan
If precipitation=3mmday
and screen_temp297K;298K Then hotspot_occurence=Yes. Pada generasi 150
diperoleh Laplace Accuracy LA paling tinggi sebesar 0.57 yang berisi aturan If Screen_temp297K;298K Then hotspot_occurence=Yes. Pada generasi 300
diperoleh Laplace Accuracy LA paling tinggi sebesar 0.70 yang berisi aturan If Wind_speed1 m s
-1
;2 m s
-1
Then hotspot_occurence=Yes.
Saran
Pada pekerjaan di masa depan penelitian ini dapat dijadikan sebagai bahan analisis validasi model sesuai dengan keadaan real yang terdapat di lapangan.
DAFTAR PUSTAKA
Agrawal R, Srikant R. 1994. Fast algorithms for mining association rules, Proceedings of the VLDB Conference. 487-489.
Arkaeman Y, Seminar BK, Gunawan H. 2012. Algoritme Genetika Teori dan Aplikasi untuk Bisnis dan Industri. Bogor ID: IPB Press.
Albar I. 2002. Fenomena El Nino dan Hotspot: Pemicu dan Solusi Kebakaran Hutan. Jakarta ID:Direktorat Penanggulangan Kebakaran Hutan, Departemen
Kehutanan. Balaji BV, Rao VV. 2013. Improved classification based association rule mining,
International Journal of Advanced Research in Computer and Coomunication Engineering. 25:2211-2221.
Budi GS, Yulia, Abadi B. 2010. Multilevel and Multidimension Association Rule untuk analisa Market Basket Pada PT. Maha Agung. Universitas Kristen Petra
Surabaya. Boonyanuphap J. 2001. GIS-based method in developing wildfire risk model: A
case study in Sasamba, East Kalimantan, Indonesia [tesis]. Bogor ID: Institut Pertanian Bogor.