Deteksi pencilan data titik api di provinsi riau menggunakan algoritme Clustering K-Means
DETEKSI PENCILAN DATA TITIK API DI PROVINSI RIAU
MENGGUNAKAN ALGORITME CLUSTERING K-MEANS
DHIYA AULIA MUHAMAD BAEHAKI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Deteksi Pencilan Data
Titik Api di Provinsi Riau Menggunakan Algoritme Clustering K-Means 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, Juli 2014
Dhiya Aulia Muhamad Baehaki
NIM G64100073
ABSTRAK
DHIYA AULIA MUHAMAD BAEHAKI. Deteksi Pencilan Data Titik Api di
Provinsi Riau Menggunakan Algoritme Clustering K-Means. Dibimbing oleh
IMAS SUKAESIH SITANGGANG.
Kebakaran hutan merupakan masalah yang selalu berulang di Provinsi Riau.
Salah satu solusi dari masalah ini adalah memanfaatkan data titik api hasil
penginderaan jarak jauh. Tujuan penelitian ini adalah mendeteksi pencilan yang
terdapat pada data titik api di Provinsi Riau dari tahun 2001 hingga 2012. Deteksi
pencilan dilakukan dengan menggunakan metode clustering k-means serta
digunakan pendekatan pencilan global dan kolektif. Pada fungsi kmeans
digunakan nilai k sebesar 10 sehingga dihasilkan nilai sum of squared error
sebesar 18 526.14. Hasil menunjukkan bahwa berdasarkan pendekatan pencilan
kolektif dideteksi pencilan titik api terdapat pada cluster 5, 7, dan 10. Di samping
itu diperoleh 30 pencilan titik api berdasarkan pendekatan pencilan global.
Kemunculan pencilan pada data titik api banyak terjadi pada bulan Februari,
Maret, Juni, dan Agustus. Frekuensi pencilan titik api tertinggi terjadi pada tahun
2005 yaitu sebanyak 1118 titik api pada 21 Juni 2005. Adapun frekuensi pencilan
titik api terkecil yaitu sebanyak 295 titik api pada tahun 2005 dan rata-rata
frekuensi pencilan titik api sebesar 482.22.
Kata kunci: clustering, k-means, pencilan, Riau, titik api
ABSTRACT
DHIYA AULIA MUHAMAD BAEHAKI. Outlier Detection on Hotspot Data in
Province Riau using K-Means Clustering Algorithm. Supervised by IMAS
SUKAESIH SITANGGANG.
Forest fire is considered as periodic event in several areas in Indonesia
including in Riau Province. One of solutions in fire prevention is analyzing
hostpot occurrences data that are produced by remote sensing technology The
objective of this research is to detect outliers on hotspot data in Riau Province for
the period 2001 to 2012. Outlier detection was done using the clustering k-means
algorithm, and use a approach global outliers and collective outlier. The best
clustering result was selected on the number of cluster 10 and the sum of squared
error value is 18526.14. The results showed that based on a collective outlier
approach, the outliers were obtained on cluster 5, 7 and 10. In addition, 30
outliers on hotspot data were detected based on the global outlier approach. The
outliers on the hotspot data were mostly occurred in February, March, June, and
August. The highest frequency of outliers occurred in 2005 reach 1118 hotspots
on 21 June 2005. While the lowest frequency of outliers is 295 in 2005 and the
average frequency of outliers is 482.22.
Keywords: clustering, hotspot, k-means, outlier, riau
DETEKSI PENCILAN DATA TITIK API DI PROVINSI RIAU
MENGGUNAKAN ALGORITME CLUSTERING K-MEANS
DHIYA AULIA MUHAMAD BAEHAKI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji:
1 Toto Haryanto, SKom MSi
2 Asyhar Agmalaro, SSi MKom
Judul Skripsi : Deteksi Pencilan Data Titik Api di Provinsi Riau Menggunakan
Algoritme Clustering K-Means
Nama
: Dhiya Aulia Muhamad Baehaki
NIM
: G64100073
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 Januari 2014 ini ialah
pencilan, dengan judul Deteksi Pencilan Data Titik Api di Provinsi Riau
Menggunakan Algoritme Clustering K-Means.
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak
mengalami kendala, namun berkat bantuan, bimbingan, kerjasama dari
berbagai pihak dan berkah dari Allah subhanahu wa ta'ala sehingga kendalakendala yang dihadapi tersebut dapat diatasi. Untuk itu penulis
menyampaikan ungkapan Terima kasih juga disampaikan kepada ayah, ibu serta
seluruh keluarga atas segala doa dan kasih sayangnya. Serta ucapan Terima kasih
dan penghargaan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom
selaku pembimbing yang telah dengan sabar, tekun, tulus dan ikhlas meluangkan
waktu, tenaga, dan pikiran memberikan bimbingan, motivasi, arahan, dan
saran-saran yang sangat berharga kepada penulis selama menyusun skripsi.
Ucapan Terima kasih juga saya saya tujukan kepada Bapak Toto Haryanto,
SKom MSi dan Bapak Asyhar Agmalaro, SSi MKom selaku penguji atas
segala masukan dan saran yang telah diberikan.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Dhiya Aulia Muhamad Baehaki
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Data Penelitian
2
Tahapan Penelitian
2
Pengumpulan Data
3
Praproses Data
3
Analisis Data
4
Clustering Data Titik Api Menggunakan Algoritme K-Means
4
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
5
Analisis Pencilan
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Praproses
6
Analisis Data Time Series Titik Api
6
Clustering Data Titik Api Menggunakan Algoritme K-Means
8
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
10
Deteksi Pencilan Berdasarkan Pendekatan Pencilan Kolektif
10
Deteksi Pencilan Berdasarkan Pendekatan Pencilan Global
10
Analisis Pencilan
SIMPULAN DAN SARAN
13
16
Simpulan
16
Saran
17
DAFTAR PUSTAKA
17
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
4
5
Nilai SSE untuk hasil clustering nilai k = 2 hingga 10
Selisih nilai SSE pada k sebesar 2 hingga 10
Hasil clustering menggunakan fungsi kmeans dengan nilai k = 10
Deteksi pencilan berdasarkan ukuran outlier score terbesar
Pencilan pendekatan global dan kolektif
8
9
10
11
14
DAFTAR GAMBAR
1
2
3
Tahapan penelitian
Titik api tahun 2000 hingga 2013 terhadap peta Provinsi Riau
Dekomposisi data time series titik api di Provinsi Riau tahun 2001
hingga 2012
4 Visualisasi hasil clustering menggunakan fungsi kmeans dengan nilai k
= 10
5 Visualisasi pencilan dengan pendekatan kolektif
6 Visualisasi pencilan dengan pendekatan global
7 Jumlah objek deteksi pencilan di setiap bulan pada tahun 2001 hingga
2012
8 Jumlah objek deteksi pencilan pertahun
9 Visualisasi pencilan tahun 2005
10 Visualisasi pencilan tahun 2006
3
7
7
9
12
12
15
15
15
16
DAFTAR LAMPIRAN
1 Data penelitian
2 Perintah dalam R untuk visualisasi clustering
18
19
PENDAHULUAN
Latar Belakang
Hutan di Indonesia memiliki luas yang sangat besar. Luas kawasan hutan
Indonesia pada tahun 2009/2010 berdasarkan hasil penafsiran citra satelit Landsat
7 ETM+ mencapai 98.56 juta ha (Kemenhut 2012). Data tersebut merupakan
52.3% dari total luas daratan Indonesia. Adapun luas hutan yang berada pada
Provinsi Riau sebesar 8.6 juta ha. Akan tetapi, hutan di Indonesia mengalami
masalah yang selalu berulang, salah satunya kebakaran hutan.
Penelitian dalam remote sensing menghasilkan cara untuk memantau
perkembangan titik api dipermukaan bumi. Salah satu satelit yang memantau titik
api yaitu satelit Terra yang diluncurkan pada 18 Desember 1999 dan satelit Aqua
yang diluncurkan pada 4 Mei 2002 (Giglio 2010). Satelit-satelit ini bekerja
dengan mengamati titik api, yaitu area yang memiliki temperatur yang tinggi
dibandingkan dengan lingkungan sekitarnya. Pengamatan yang dilakukan satelit
ini dilakukan secara berulang-ulang sehingga memiliki urutan waktu. Satelit
tersebut disebut Moderate Resolution Imaging Spectro Radio Meter (MODIS).
Dalam analisis terbaru, World Resources Institute (WRI) meneliti tren
historis peringatan titik api di Sumatera. Satelit NASA mencatat total 734
peringatan titik api dengan tingkat keyakinan deteksi tinggi di provinsi-provinsi
pulau Sumatera pada periode 22 hingga 27 Agustus 2013 (Sizer et al. 2013).
Bahkan pada awal Maret 2014 Global Forest Watch mendeteksi 3101 peringatan
titik api dengan tingkat keyakinan tinggi sejak tanggal 20 Februari hingga 11
Maret 2014. Angka tersebut melebihi puncak krisis kebakaran dan kabut asap
sebelumnya pada 13 hingga 30 Juni 2013 yaitu berjumlah 2643 peringatan titik
api (Sizer et al. 2014).
Dengan mengamati hasil dari amatan sensor MODIS, dapat dibuat sebuah
model untuk menganalisis kejadian titik api sebagai indikator kebakaran hutan
pada waktu mendatang. Salah satu analisis yang dilakukan adalah analisis
pencilan untuk melihat anomali kemunculan titik api. Sehingga didapatkan
informasi yang menyimpang jauh dari bentuk data secara umum. Penelitian ini
melakukan pendeteksian pencilan dalam data titik api di Provinsi Riau tahun 2001
hingga 2012 menggunakan metode clustering k-means.
Perumusan Masalah
Data titik api telah tersedia dari hasil pengamatan sensor MODIS dengan
satelitnya Terra dan Aqua. Data ini dapat digunakan sebagai indikator terjadinya
kebakaran hutan. Dengan mengetahui pencilan dari data titik api tersebut maka
dapat dilihat anomali kemunculan titik api. Sehingga dapat diketahui informasi
unik yang ada dalam data titik api, yaitu kemunculan titik api dengan frekuensi
yang jauh dari kondisi umum. Oleh karena itu, rumusan masalah dari penelitian
ini adalah bagaimana mencari pencilan pada data titik api di Provinsi Riau
menggunakan algoritme clustering k-means.
2
Tujuan Penelitian
Tujuan penelitian ini adalah
1 Menerapkan algoritme clustering k-means pada data titik api di Provinsi Riau,
2 Menentukan pencilan pada data titik api di Provinsi Riau berdasarkan hasil
clustering data titik api di Provinsi Riau, dan
3 Analisis pencilan data titik api yang dihasilkan.
Manfaat Penelitian
Manfaat dari penelitian ini adalah mendapatkan informasi yang tersembunyi
berupa pencilan data titik api sebagai indikator kebakaran hutan. Hasil yang
diperoleh diharapkan dapat bermanfaat dalam pencegahan kebakaran hutan.
Ruang Lingkup Penelitian
Penelitian ini menggunakan data yang didapatkan dari sensor MODIS
selama 12 tahun, mulai dari tahun 2001 hingga 2012. Data yang didapat dari
sensor MODIS dilakukan transformasi menjadi data frekuensi titik api harian dan
bulanan. Dalam mendeteksi pencilan digunakan pendekatan pencilan global dan
kolektif. Fungsi yang digunakan dalam penelitian seperti kmeans, ts, decompose,
set.seed, plot, points, text, lines, summary, dan library DBI dan RPosrgreSQL
yang telah tersedia dalam perangkat lunak statistika R.
METODE
Data Penelitian
Data yang digunakan dalam penelitian ini adalah data frekuensi titik api
yang ada di Provinsi Riau dari tahun 2001 hingga 2012. Data didapat dari
penelitian sebelumnya yang dilakukan oleh Dinov (2014) yang dapat diunduh
pada halaman web1. Data lain yang digunakan yaitu data peta Provinsi Riau yang
berisi batas wilayah kabupaten dan kota se-Indonesia yang dapat diunduh dari
halaman web2.
Tahapan Penelitian
Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1.
1
2
https://earthdata.nasa.gov/data/near-real-time-data/firms/active-fire-data#tab-content-6
http://www.inigis.org/160/download-indonesia-basemap.html
3
Mulai
Praproses
data
Data titik api
Clustering data titik api
menggunakan algoritme
k-means
Analisis data time
series titik api
Deteksi pencilan titik api
berdasarkan hasil
clustering k-means
Analisis pencilan
Selesai
Gambar 1 Tahapan penelitian
Pengumpulan Data
Data penelitian yang digunakan adalah data titik api yang diperoleh dari
penelitian sebelumnya yang dilakukan oleh Dinov (2014). Data titik api terdiri
dari data titik api tahun 2000 hingga tahun 2013 di wilayah pulau Sumatera. Data
tersebut terdiri dari atribut latitude, longitude, brightness, scan, track, acq_date,
acq_time, satellite, confidence, version, bright_t31, dan frp. Setiap barisnya
menjelaskan satu kemunculan titik api yang diperoleh dari penginderaan jarak
jauh menggunakan sensor MODIS. Contoh data dapat dilihat pada Lampiran 1.
Namun data yang didapatkan pada tahun 2000 dan 2013 tidak lengkap. Karena,
walaupun satelit Terra pertama kali memperoleh data pada bulan Februari tahun
2000, satelit Terra mengalami masalah crosstalk dan kalibrasi hingga awal bulan
November tahun 2000 (Giglio 2010). Adapun pada tahun 2013 data hanya
tersedia hingga bulan September.
Data lainnya yaitu data peta Indonesia. Data ini berisikan batas kabupaten
dan kota yang ada di Indonesia. Peta ini digunakan untuk memperoleh data titik
api yang terdapat di Provinsi Riau.
Praproses Data
Menurut Han et al. (2012), dalam tahap praproses data terdapat beberapa
tahap utama, yaitu pembersihan data, pengintegrasian data, seleksi data, dan
transformasi data. Dalam penelitian ini dilakukan pembersihan dan transformasi
data. Pembersihan data dilakukan untuk memilih data titik api yang berada di
Provinsi Riau juga memilih peta Provinsi Riau dari peta kabupaten dan kota seIndonesia. Langkah ini dilakukan untuk menghilangkan data titik api yang berada
di luar Provinsi Riau. Tahap ini dilakukan menggunakan perangkat lunak
4
PostgreSQL, PostGIS 2.0 Shapefile and DBF Loader Exporter, dan Quantum GIS
2.0 Dufour.
Setelah data bersih, dilakukan pemilihan data titik api pada tahun 2001
hingga 2012 menggunakan kueri pada DBMS PostgreSQL dan transformasi data
berupa agregasi data. Agregasi data adalah operasi penjumlahan jumlah kejadian
titik api menjadi data harian, bulanan, ataupun tahunan.
Analisis Data
Data titik api merupakan data yang yang diambil oleh sensor MODIS
berdasarkan urutan waktu. Maka data titik api merupakan data time series (Hasan
1999). Analisis data time series dilakukan menggunakan dekomposisi data time
series. Dekomposisi data time series berfungsi untuk melihat komponen data time
series yaitu tren sekuler, variasi musim, dan variasi residu atau irregular.
Tren sekuler merupakan gerakan teratur atau gerakan rata-rata dalam jangka
waktu yang panjang, lebih dari 10 jangka waktu. Tren dapat digambarkan berupa
garis tertentu yang memiliki bentuk garis meningkat, menurun, horizontal atau
naik atau turun seperti huruf S. Adapun variasi musim (seasonal variation)
merupakan variasi yang berulang-ulang dan regular dengan periode waktu yang
pendek, yaitu satu tahun atau kurang. Variasi musim biasanya dipengaruhi oleh
pengaruh-pengaruh seperti musim, adat istiadat, kebiasaan. Dan variasi residu
merupakan gerakan yang berbeda-beda dalam waktu singkat, tidak diikuti pola
yang teratur, serta tidak dapat diperkirakan. Variasi residu timbul dari kejadiankejadian yang terjadi secara mendadak atau tidak diprediksikan sebelumnya,
seperti perang, bencana alam, dan kebiasaan baru (Hasan 1999).
Clustering Data Titik Api Menggunakan Algoritme K-Means
Clustering disebut juga segmentasi data, pembagian data yang besar ke
dalam beberapa kelompok berdasarkan kesamaan yang dimiliki. Clustering dapat
digunakan untuk deteksi pencilan (Han et al. 2012).
Dalam tahapan ini diterapkan fungsi kmeans pada perangkat lunak R.
Fungsi tersebut diberikan masukkan atau argumen berupa data frekuensi titik api
harian dari tahun 2001 hingga 2012 juga nilai k sebesar 2 hingga 10. Algoritme
kmeans dapat dilihat di bawah ini:
1 Pilih sebanyak k objek dari set data sebagai pusat cluster (centroid) secara acak.
2 Ulangi hingga tidak ada perubahan cluster atau hingga masa/epoch yang
ditentukan:
a Masukkan setiap objek ke dalam cluster yang memiliki kemiripan tertinggi
terhadap nilai rataan cluster (centroid).
b Perbaharui nilai rataan cluster (centroid) pada setiap cluster.
Untuk menentukan nilai k terbaik digunakan fungsi sum of squared error
(SSE). SSE didefinisikan sebagai berikut (Tan et al. 2006):
∑∑
dengan
: jumlah kelas,
: objek data,
5
: objek dalam kelas i,
: centroid atau titik pusat kelas i, dan
: fungsi jarak, yaitu jarak Euclidian.
Dengan mengetahui nilai SSE dari tiap nilai k maka dapat diketahui
clustering yang menghasilkan nilai kesamaan atau kemiripan terbaik. Clustering
yang memiliki nilai SSE terkecil adalah clustering dengan hasil terbaik.
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
Setelah diketahui nilai k terbaik kemudian dilakukan pendeteksian pencilan
pada hasil clustering k-means. Secara umum pada deteksi pencilan terdapat tiga
pendekatan, yaitu pencilan global, kontekstual, dan kolektif.
Pendekatan pertama, pencilan global adalah pendeteksian objek yang
menyimpang secara signifikan dari set data. Pencilan global disebut juga point
outlier. Pendekatan kedua, pencilan kontekstual yaitu pendeteksian pencilan jika
objek menyimpang secara signifikan dari kondisi atau kebiasaan tertentu.
Pendekatan ini disebut juga conditional outlier, karena melihat objek berdasarkan
kondisi tertentu. Bila objek keluar dari kondisi yang biasa maka objek
diidentifikasi sebagai pencilan. Namun pada penelitian ini pendekatan pencilan
kolektif tidak digunakan karena membutuhkan data pendukung lainnya seperti
cuaca dan tutupan lahan. Pendekatan ketiga, pencilan kolektif yaitu bilamana ada
sekelompok objek atau cluster yang menyimpang secara signifikan dari set data
(Han et al. 2012).
Dalam metode pendeteksian pencilan menggunakan clustering k-means,
pendekatan pencilan global dapat diartikan apabila sebuah objek memiliki jarak
yang jauh antara objek dan centroid, maka objek tersebut dapat diidentifikasi
sebagai pencilan. Pendekatan ini dapat diukur menggunakan nilai outlier score,
semakin besar nilai outlier score sebuah objek maka kemungkinan bahwa objek
tersebut merupakan pencilan semakin besar (Aggarwal 2013). Rasio untuk
mengukur jarak sebuah objek yang didefinisikan sebagai berikut (Han et al.
2012):
Outlier Score =
dengan
o
co
: objek data,
: centroid atau titik pusat terdekat dari objek data,
: fungsi jarak antara objek data dan centroid terdekat dari objek data,
dan
.
: rata-rata
Semakin besar nilai outlier score, objek tersebut semakin jauh dari centroid
maka lebih mirip dengan pencilan. Pendapat ini sama seperti yang diutarakan
(Zhao 2012) bahwa pencilan adalah objek yang memiliki jarak terbesar antara
objek dengan centroid.
Adapun pendekatan pencilan kolektif dalam metode clustering diartikan,
bila objek adalah bagian dari anggota cluster yang kecil atau cluster minoritas,
maka seluruh objek dalam cluster tersebut merupakan pencilan (Han et al.
2012).
6
Analisis Pencilan
Pada tahap ini diperlihatkan objek-objek pencilan dari data penelitian. Data
hasil deteksi pencilan dianalisis untuk mengetahui informasi yang terdapat pada
data seperti ukuran pemusatan dan tanggal-tanggal yang terdeteksi sebagai
pencilan serta plotting pencilan titik api pada peta Provinsi Riau.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi
Prosesor AMD A6-3400M dan
Memori RAM 4 GB.
2 Perangkat lunak
Komputasi statistika R versi 3.0.1,
RStudio versi 0.98.501,
Database management system (DBMS) PostgreSQL dengan ekstensi
PostGIS,
PostGIS 2.0 shapefile and DBF loader exporter,
Pengolah data spatial Quantum GIS 2.0 Dufour, dan
Microsoft Excel 2010.
HASIL DAN PEMBAHASAN
Praproses
Data awal pada penelitian ini adalah sebanyak 156 703 data. Kemudian data
tersebut dilakukan tahap pembersihan data dari data titik api yang terdapat diluar
dari Provinsi Riau sehingga didapatkan data titik api di Provinsi Riau sebanyak
111 091. Selanjutnya dilakukan pemilihan data titik api dari tahun 2001 hingga
2012 sehinggga didapatkan sebanyak 96 456 data. Data tersebut diolah dalam
sebuah basis data spatial DBMS PostgreSQL. Kemudian dilakukan evaluasi data
pada perangkat lunak Quantum GIS dengan menambahkan layer data titik api
yang telah dilakukan pembersihan data juga peta Provinsi Riau.
Hasil dari evaluasi data titik api dapat dilihat pada Gambar 2. Gambar
tersebut merupakan peta Provinsi Riau dan titik api yang terjadi pada Provinsi
Riau tahun 2001 hingga 2012. Pada Gambar 2 seluruh titik api berada hanya di
dalam Provinsi Riau.
Tahap selanjutnya dilakukan transformasi data, yaitu agregasi data. Dari
tahap tersebut diperoleh frekuensi data titik api harian sebanyak 4383 data dan
frekuensi data titik api bulanan sebanyak 144 data.
Analisis Data Time Series Titik Api
Setelah frekuensi data titik api harian didapatkan, dilakukan dekomposisi
dengan menjalankan kode R berikut:
library(DBI)
library(RPostgreSQL)
drv
MENGGUNAKAN ALGORITME CLUSTERING K-MEANS
DHIYA AULIA MUHAMAD BAEHAKI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Deteksi Pencilan Data
Titik Api di Provinsi Riau Menggunakan Algoritme Clustering K-Means 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, Juli 2014
Dhiya Aulia Muhamad Baehaki
NIM G64100073
ABSTRAK
DHIYA AULIA MUHAMAD BAEHAKI. Deteksi Pencilan Data Titik Api di
Provinsi Riau Menggunakan Algoritme Clustering K-Means. Dibimbing oleh
IMAS SUKAESIH SITANGGANG.
Kebakaran hutan merupakan masalah yang selalu berulang di Provinsi Riau.
Salah satu solusi dari masalah ini adalah memanfaatkan data titik api hasil
penginderaan jarak jauh. Tujuan penelitian ini adalah mendeteksi pencilan yang
terdapat pada data titik api di Provinsi Riau dari tahun 2001 hingga 2012. Deteksi
pencilan dilakukan dengan menggunakan metode clustering k-means serta
digunakan pendekatan pencilan global dan kolektif. Pada fungsi kmeans
digunakan nilai k sebesar 10 sehingga dihasilkan nilai sum of squared error
sebesar 18 526.14. Hasil menunjukkan bahwa berdasarkan pendekatan pencilan
kolektif dideteksi pencilan titik api terdapat pada cluster 5, 7, dan 10. Di samping
itu diperoleh 30 pencilan titik api berdasarkan pendekatan pencilan global.
Kemunculan pencilan pada data titik api banyak terjadi pada bulan Februari,
Maret, Juni, dan Agustus. Frekuensi pencilan titik api tertinggi terjadi pada tahun
2005 yaitu sebanyak 1118 titik api pada 21 Juni 2005. Adapun frekuensi pencilan
titik api terkecil yaitu sebanyak 295 titik api pada tahun 2005 dan rata-rata
frekuensi pencilan titik api sebesar 482.22.
Kata kunci: clustering, k-means, pencilan, Riau, titik api
ABSTRACT
DHIYA AULIA MUHAMAD BAEHAKI. Outlier Detection on Hotspot Data in
Province Riau using K-Means Clustering Algorithm. Supervised by IMAS
SUKAESIH SITANGGANG.
Forest fire is considered as periodic event in several areas in Indonesia
including in Riau Province. One of solutions in fire prevention is analyzing
hostpot occurrences data that are produced by remote sensing technology The
objective of this research is to detect outliers on hotspot data in Riau Province for
the period 2001 to 2012. Outlier detection was done using the clustering k-means
algorithm, and use a approach global outliers and collective outlier. The best
clustering result was selected on the number of cluster 10 and the sum of squared
error value is 18526.14. The results showed that based on a collective outlier
approach, the outliers were obtained on cluster 5, 7 and 10. In addition, 30
outliers on hotspot data were detected based on the global outlier approach. The
outliers on the hotspot data were mostly occurred in February, March, June, and
August. The highest frequency of outliers occurred in 2005 reach 1118 hotspots
on 21 June 2005. While the lowest frequency of outliers is 295 in 2005 and the
average frequency of outliers is 482.22.
Keywords: clustering, hotspot, k-means, outlier, riau
DETEKSI PENCILAN DATA TITIK API DI PROVINSI RIAU
MENGGUNAKAN ALGORITME CLUSTERING K-MEANS
DHIYA AULIA MUHAMAD BAEHAKI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Penguji:
1 Toto Haryanto, SKom MSi
2 Asyhar Agmalaro, SSi MKom
Judul Skripsi : Deteksi Pencilan Data Titik Api di Provinsi Riau Menggunakan
Algoritme Clustering K-Means
Nama
: Dhiya Aulia Muhamad Baehaki
NIM
: G64100073
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 Januari 2014 ini ialah
pencilan, dengan judul Deteksi Pencilan Data Titik Api di Provinsi Riau
Menggunakan Algoritme Clustering K-Means.
Penulis menyadari bahwa dalam proses penulisan skripsi ini banyak
mengalami kendala, namun berkat bantuan, bimbingan, kerjasama dari
berbagai pihak dan berkah dari Allah subhanahu wa ta'ala sehingga kendalakendala yang dihadapi tersebut dapat diatasi. Untuk itu penulis
menyampaikan ungkapan Terima kasih juga disampaikan kepada ayah, ibu serta
seluruh keluarga atas segala doa dan kasih sayangnya. Serta ucapan Terima kasih
dan penghargaan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom
selaku pembimbing yang telah dengan sabar, tekun, tulus dan ikhlas meluangkan
waktu, tenaga, dan pikiran memberikan bimbingan, motivasi, arahan, dan
saran-saran yang sangat berharga kepada penulis selama menyusun skripsi.
Ucapan Terima kasih juga saya saya tujukan kepada Bapak Toto Haryanto,
SKom MSi dan Bapak Asyhar Agmalaro, SSi MKom selaku penguji atas
segala masukan dan saran yang telah diberikan.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juli 2014
Dhiya Aulia Muhamad Baehaki
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Data Penelitian
2
Tahapan Penelitian
2
Pengumpulan Data
3
Praproses Data
3
Analisis Data
4
Clustering Data Titik Api Menggunakan Algoritme K-Means
4
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
5
Analisis Pencilan
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
6
Praproses
6
Analisis Data Time Series Titik Api
6
Clustering Data Titik Api Menggunakan Algoritme K-Means
8
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
10
Deteksi Pencilan Berdasarkan Pendekatan Pencilan Kolektif
10
Deteksi Pencilan Berdasarkan Pendekatan Pencilan Global
10
Analisis Pencilan
SIMPULAN DAN SARAN
13
16
Simpulan
16
Saran
17
DAFTAR PUSTAKA
17
RIWAYAT HIDUP
20
DAFTAR TABEL
1
2
3
4
5
Nilai SSE untuk hasil clustering nilai k = 2 hingga 10
Selisih nilai SSE pada k sebesar 2 hingga 10
Hasil clustering menggunakan fungsi kmeans dengan nilai k = 10
Deteksi pencilan berdasarkan ukuran outlier score terbesar
Pencilan pendekatan global dan kolektif
8
9
10
11
14
DAFTAR GAMBAR
1
2
3
Tahapan penelitian
Titik api tahun 2000 hingga 2013 terhadap peta Provinsi Riau
Dekomposisi data time series titik api di Provinsi Riau tahun 2001
hingga 2012
4 Visualisasi hasil clustering menggunakan fungsi kmeans dengan nilai k
= 10
5 Visualisasi pencilan dengan pendekatan kolektif
6 Visualisasi pencilan dengan pendekatan global
7 Jumlah objek deteksi pencilan di setiap bulan pada tahun 2001 hingga
2012
8 Jumlah objek deteksi pencilan pertahun
9 Visualisasi pencilan tahun 2005
10 Visualisasi pencilan tahun 2006
3
7
7
9
12
12
15
15
15
16
DAFTAR LAMPIRAN
1 Data penelitian
2 Perintah dalam R untuk visualisasi clustering
18
19
PENDAHULUAN
Latar Belakang
Hutan di Indonesia memiliki luas yang sangat besar. Luas kawasan hutan
Indonesia pada tahun 2009/2010 berdasarkan hasil penafsiran citra satelit Landsat
7 ETM+ mencapai 98.56 juta ha (Kemenhut 2012). Data tersebut merupakan
52.3% dari total luas daratan Indonesia. Adapun luas hutan yang berada pada
Provinsi Riau sebesar 8.6 juta ha. Akan tetapi, hutan di Indonesia mengalami
masalah yang selalu berulang, salah satunya kebakaran hutan.
Penelitian dalam remote sensing menghasilkan cara untuk memantau
perkembangan titik api dipermukaan bumi. Salah satu satelit yang memantau titik
api yaitu satelit Terra yang diluncurkan pada 18 Desember 1999 dan satelit Aqua
yang diluncurkan pada 4 Mei 2002 (Giglio 2010). Satelit-satelit ini bekerja
dengan mengamati titik api, yaitu area yang memiliki temperatur yang tinggi
dibandingkan dengan lingkungan sekitarnya. Pengamatan yang dilakukan satelit
ini dilakukan secara berulang-ulang sehingga memiliki urutan waktu. Satelit
tersebut disebut Moderate Resolution Imaging Spectro Radio Meter (MODIS).
Dalam analisis terbaru, World Resources Institute (WRI) meneliti tren
historis peringatan titik api di Sumatera. Satelit NASA mencatat total 734
peringatan titik api dengan tingkat keyakinan deteksi tinggi di provinsi-provinsi
pulau Sumatera pada periode 22 hingga 27 Agustus 2013 (Sizer et al. 2013).
Bahkan pada awal Maret 2014 Global Forest Watch mendeteksi 3101 peringatan
titik api dengan tingkat keyakinan tinggi sejak tanggal 20 Februari hingga 11
Maret 2014. Angka tersebut melebihi puncak krisis kebakaran dan kabut asap
sebelumnya pada 13 hingga 30 Juni 2013 yaitu berjumlah 2643 peringatan titik
api (Sizer et al. 2014).
Dengan mengamati hasil dari amatan sensor MODIS, dapat dibuat sebuah
model untuk menganalisis kejadian titik api sebagai indikator kebakaran hutan
pada waktu mendatang. Salah satu analisis yang dilakukan adalah analisis
pencilan untuk melihat anomali kemunculan titik api. Sehingga didapatkan
informasi yang menyimpang jauh dari bentuk data secara umum. Penelitian ini
melakukan pendeteksian pencilan dalam data titik api di Provinsi Riau tahun 2001
hingga 2012 menggunakan metode clustering k-means.
Perumusan Masalah
Data titik api telah tersedia dari hasil pengamatan sensor MODIS dengan
satelitnya Terra dan Aqua. Data ini dapat digunakan sebagai indikator terjadinya
kebakaran hutan. Dengan mengetahui pencilan dari data titik api tersebut maka
dapat dilihat anomali kemunculan titik api. Sehingga dapat diketahui informasi
unik yang ada dalam data titik api, yaitu kemunculan titik api dengan frekuensi
yang jauh dari kondisi umum. Oleh karena itu, rumusan masalah dari penelitian
ini adalah bagaimana mencari pencilan pada data titik api di Provinsi Riau
menggunakan algoritme clustering k-means.
2
Tujuan Penelitian
Tujuan penelitian ini adalah
1 Menerapkan algoritme clustering k-means pada data titik api di Provinsi Riau,
2 Menentukan pencilan pada data titik api di Provinsi Riau berdasarkan hasil
clustering data titik api di Provinsi Riau, dan
3 Analisis pencilan data titik api yang dihasilkan.
Manfaat Penelitian
Manfaat dari penelitian ini adalah mendapatkan informasi yang tersembunyi
berupa pencilan data titik api sebagai indikator kebakaran hutan. Hasil yang
diperoleh diharapkan dapat bermanfaat dalam pencegahan kebakaran hutan.
Ruang Lingkup Penelitian
Penelitian ini menggunakan data yang didapatkan dari sensor MODIS
selama 12 tahun, mulai dari tahun 2001 hingga 2012. Data yang didapat dari
sensor MODIS dilakukan transformasi menjadi data frekuensi titik api harian dan
bulanan. Dalam mendeteksi pencilan digunakan pendekatan pencilan global dan
kolektif. Fungsi yang digunakan dalam penelitian seperti kmeans, ts, decompose,
set.seed, plot, points, text, lines, summary, dan library DBI dan RPosrgreSQL
yang telah tersedia dalam perangkat lunak statistika R.
METODE
Data Penelitian
Data yang digunakan dalam penelitian ini adalah data frekuensi titik api
yang ada di Provinsi Riau dari tahun 2001 hingga 2012. Data didapat dari
penelitian sebelumnya yang dilakukan oleh Dinov (2014) yang dapat diunduh
pada halaman web1. Data lain yang digunakan yaitu data peta Provinsi Riau yang
berisi batas wilayah kabupaten dan kota se-Indonesia yang dapat diunduh dari
halaman web2.
Tahapan Penelitian
Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1.
1
2
https://earthdata.nasa.gov/data/near-real-time-data/firms/active-fire-data#tab-content-6
http://www.inigis.org/160/download-indonesia-basemap.html
3
Mulai
Praproses
data
Data titik api
Clustering data titik api
menggunakan algoritme
k-means
Analisis data time
series titik api
Deteksi pencilan titik api
berdasarkan hasil
clustering k-means
Analisis pencilan
Selesai
Gambar 1 Tahapan penelitian
Pengumpulan Data
Data penelitian yang digunakan adalah data titik api yang diperoleh dari
penelitian sebelumnya yang dilakukan oleh Dinov (2014). Data titik api terdiri
dari data titik api tahun 2000 hingga tahun 2013 di wilayah pulau Sumatera. Data
tersebut terdiri dari atribut latitude, longitude, brightness, scan, track, acq_date,
acq_time, satellite, confidence, version, bright_t31, dan frp. Setiap barisnya
menjelaskan satu kemunculan titik api yang diperoleh dari penginderaan jarak
jauh menggunakan sensor MODIS. Contoh data dapat dilihat pada Lampiran 1.
Namun data yang didapatkan pada tahun 2000 dan 2013 tidak lengkap. Karena,
walaupun satelit Terra pertama kali memperoleh data pada bulan Februari tahun
2000, satelit Terra mengalami masalah crosstalk dan kalibrasi hingga awal bulan
November tahun 2000 (Giglio 2010). Adapun pada tahun 2013 data hanya
tersedia hingga bulan September.
Data lainnya yaitu data peta Indonesia. Data ini berisikan batas kabupaten
dan kota yang ada di Indonesia. Peta ini digunakan untuk memperoleh data titik
api yang terdapat di Provinsi Riau.
Praproses Data
Menurut Han et al. (2012), dalam tahap praproses data terdapat beberapa
tahap utama, yaitu pembersihan data, pengintegrasian data, seleksi data, dan
transformasi data. Dalam penelitian ini dilakukan pembersihan dan transformasi
data. Pembersihan data dilakukan untuk memilih data titik api yang berada di
Provinsi Riau juga memilih peta Provinsi Riau dari peta kabupaten dan kota seIndonesia. Langkah ini dilakukan untuk menghilangkan data titik api yang berada
di luar Provinsi Riau. Tahap ini dilakukan menggunakan perangkat lunak
4
PostgreSQL, PostGIS 2.0 Shapefile and DBF Loader Exporter, dan Quantum GIS
2.0 Dufour.
Setelah data bersih, dilakukan pemilihan data titik api pada tahun 2001
hingga 2012 menggunakan kueri pada DBMS PostgreSQL dan transformasi data
berupa agregasi data. Agregasi data adalah operasi penjumlahan jumlah kejadian
titik api menjadi data harian, bulanan, ataupun tahunan.
Analisis Data
Data titik api merupakan data yang yang diambil oleh sensor MODIS
berdasarkan urutan waktu. Maka data titik api merupakan data time series (Hasan
1999). Analisis data time series dilakukan menggunakan dekomposisi data time
series. Dekomposisi data time series berfungsi untuk melihat komponen data time
series yaitu tren sekuler, variasi musim, dan variasi residu atau irregular.
Tren sekuler merupakan gerakan teratur atau gerakan rata-rata dalam jangka
waktu yang panjang, lebih dari 10 jangka waktu. Tren dapat digambarkan berupa
garis tertentu yang memiliki bentuk garis meningkat, menurun, horizontal atau
naik atau turun seperti huruf S. Adapun variasi musim (seasonal variation)
merupakan variasi yang berulang-ulang dan regular dengan periode waktu yang
pendek, yaitu satu tahun atau kurang. Variasi musim biasanya dipengaruhi oleh
pengaruh-pengaruh seperti musim, adat istiadat, kebiasaan. Dan variasi residu
merupakan gerakan yang berbeda-beda dalam waktu singkat, tidak diikuti pola
yang teratur, serta tidak dapat diperkirakan. Variasi residu timbul dari kejadiankejadian yang terjadi secara mendadak atau tidak diprediksikan sebelumnya,
seperti perang, bencana alam, dan kebiasaan baru (Hasan 1999).
Clustering Data Titik Api Menggunakan Algoritme K-Means
Clustering disebut juga segmentasi data, pembagian data yang besar ke
dalam beberapa kelompok berdasarkan kesamaan yang dimiliki. Clustering dapat
digunakan untuk deteksi pencilan (Han et al. 2012).
Dalam tahapan ini diterapkan fungsi kmeans pada perangkat lunak R.
Fungsi tersebut diberikan masukkan atau argumen berupa data frekuensi titik api
harian dari tahun 2001 hingga 2012 juga nilai k sebesar 2 hingga 10. Algoritme
kmeans dapat dilihat di bawah ini:
1 Pilih sebanyak k objek dari set data sebagai pusat cluster (centroid) secara acak.
2 Ulangi hingga tidak ada perubahan cluster atau hingga masa/epoch yang
ditentukan:
a Masukkan setiap objek ke dalam cluster yang memiliki kemiripan tertinggi
terhadap nilai rataan cluster (centroid).
b Perbaharui nilai rataan cluster (centroid) pada setiap cluster.
Untuk menentukan nilai k terbaik digunakan fungsi sum of squared error
(SSE). SSE didefinisikan sebagai berikut (Tan et al. 2006):
∑∑
dengan
: jumlah kelas,
: objek data,
5
: objek dalam kelas i,
: centroid atau titik pusat kelas i, dan
: fungsi jarak, yaitu jarak Euclidian.
Dengan mengetahui nilai SSE dari tiap nilai k maka dapat diketahui
clustering yang menghasilkan nilai kesamaan atau kemiripan terbaik. Clustering
yang memiliki nilai SSE terkecil adalah clustering dengan hasil terbaik.
Deteksi Pencilan Titik Api Berdasarkan Hasil Clustering K-Means
Setelah diketahui nilai k terbaik kemudian dilakukan pendeteksian pencilan
pada hasil clustering k-means. Secara umum pada deteksi pencilan terdapat tiga
pendekatan, yaitu pencilan global, kontekstual, dan kolektif.
Pendekatan pertama, pencilan global adalah pendeteksian objek yang
menyimpang secara signifikan dari set data. Pencilan global disebut juga point
outlier. Pendekatan kedua, pencilan kontekstual yaitu pendeteksian pencilan jika
objek menyimpang secara signifikan dari kondisi atau kebiasaan tertentu.
Pendekatan ini disebut juga conditional outlier, karena melihat objek berdasarkan
kondisi tertentu. Bila objek keluar dari kondisi yang biasa maka objek
diidentifikasi sebagai pencilan. Namun pada penelitian ini pendekatan pencilan
kolektif tidak digunakan karena membutuhkan data pendukung lainnya seperti
cuaca dan tutupan lahan. Pendekatan ketiga, pencilan kolektif yaitu bilamana ada
sekelompok objek atau cluster yang menyimpang secara signifikan dari set data
(Han et al. 2012).
Dalam metode pendeteksian pencilan menggunakan clustering k-means,
pendekatan pencilan global dapat diartikan apabila sebuah objek memiliki jarak
yang jauh antara objek dan centroid, maka objek tersebut dapat diidentifikasi
sebagai pencilan. Pendekatan ini dapat diukur menggunakan nilai outlier score,
semakin besar nilai outlier score sebuah objek maka kemungkinan bahwa objek
tersebut merupakan pencilan semakin besar (Aggarwal 2013). Rasio untuk
mengukur jarak sebuah objek yang didefinisikan sebagai berikut (Han et al.
2012):
Outlier Score =
dengan
o
co
: objek data,
: centroid atau titik pusat terdekat dari objek data,
: fungsi jarak antara objek data dan centroid terdekat dari objek data,
dan
.
: rata-rata
Semakin besar nilai outlier score, objek tersebut semakin jauh dari centroid
maka lebih mirip dengan pencilan. Pendapat ini sama seperti yang diutarakan
(Zhao 2012) bahwa pencilan adalah objek yang memiliki jarak terbesar antara
objek dengan centroid.
Adapun pendekatan pencilan kolektif dalam metode clustering diartikan,
bila objek adalah bagian dari anggota cluster yang kecil atau cluster minoritas,
maka seluruh objek dalam cluster tersebut merupakan pencilan (Han et al.
2012).
6
Analisis Pencilan
Pada tahap ini diperlihatkan objek-objek pencilan dari data penelitian. Data
hasil deteksi pencilan dianalisis untuk mengetahui informasi yang terdapat pada
data seperti ukuran pemusatan dan tanggal-tanggal yang terdeteksi sebagai
pencilan serta plotting pencilan titik api pada peta Provinsi Riau.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan dalam
penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi
Prosesor AMD A6-3400M dan
Memori RAM 4 GB.
2 Perangkat lunak
Komputasi statistika R versi 3.0.1,
RStudio versi 0.98.501,
Database management system (DBMS) PostgreSQL dengan ekstensi
PostGIS,
PostGIS 2.0 shapefile and DBF loader exporter,
Pengolah data spatial Quantum GIS 2.0 Dufour, dan
Microsoft Excel 2010.
HASIL DAN PEMBAHASAN
Praproses
Data awal pada penelitian ini adalah sebanyak 156 703 data. Kemudian data
tersebut dilakukan tahap pembersihan data dari data titik api yang terdapat diluar
dari Provinsi Riau sehingga didapatkan data titik api di Provinsi Riau sebanyak
111 091. Selanjutnya dilakukan pemilihan data titik api dari tahun 2001 hingga
2012 sehinggga didapatkan sebanyak 96 456 data. Data tersebut diolah dalam
sebuah basis data spatial DBMS PostgreSQL. Kemudian dilakukan evaluasi data
pada perangkat lunak Quantum GIS dengan menambahkan layer data titik api
yang telah dilakukan pembersihan data juga peta Provinsi Riau.
Hasil dari evaluasi data titik api dapat dilihat pada Gambar 2. Gambar
tersebut merupakan peta Provinsi Riau dan titik api yang terjadi pada Provinsi
Riau tahun 2001 hingga 2012. Pada Gambar 2 seluruh titik api berada hanya di
dalam Provinsi Riau.
Tahap selanjutnya dilakukan transformasi data, yaitu agregasi data. Dari
tahap tersebut diperoleh frekuensi data titik api harian sebanyak 4383 data dan
frekuensi data titik api bulanan sebanyak 144 data.
Analisis Data Time Series Titik Api
Setelah frekuensi data titik api harian didapatkan, dilakukan dekomposisi
dengan menjalankan kode R berikut:
library(DBI)
library(RPostgreSQL)
drv