8.26 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. Du F, Rao N, Guo J, Yuan Z, Wang R. 2009. Mining gene network by combined association rules and genetic algorithm, IEEE Journal. 581-585. Engelbrecht AP. 2007. Computational Intelligence. Second Edition. South Africa : University of Pretoria. Ghosh A., Nath B. 2004. Multi-objective rule mining using genetic algorithms. International Journal Information Science. Elsevier. 123-133. Golberg DE. 1989. Genetic Algorithms in Search, Optimization Machine Learning. Boston US: Addison-Wesley. Gupta MK, Sikka G. 2013. Association rules extraction using multi-objective feature of genetic algorithm, Proceedings of the World Congress on Engineering and Computer Science WCECS 2013.Vol.2 Hadi M. 2006. Spatial modeling on susceptibility of fires in peatland, a case study in district of Bengkalis, Riau province [tesis]. Bogor ID: Institut Pertanian Bogor. Han J., Kamber M., Pei J. 2012. Data Mining: Concepts and Techniques. San Francisco,US:Morgan –Kauffman Publisher. Herwanto, Arymurthy AM. 2010. Penerapan sistem data mining untuk diagnosis penyakit kanker payudara menggunakan classification based on association algorithm. JUTI .82. Hsu P. L., Lai R., Chiu C. C., Hsu C. I. 2003. The hybrid of association rule algorithms and genetic algorithms for tree induction: an example of predicting the student course performance. Expert System with Application. Journal elsevier. Pergamon.51-62. Indira K., Kanmani S. 2012. Performance analysis of genetic algorithm for mining association rules. International Journal of Computer Science IJCSI. 91:368- 376. Jaiswal A, Dubey G. 2013. Identifying best association rules and their optimization using genetic algorithm. International Journal of Emerging Science and Engineering IJESE. 17. Nugroho SP. 2014. Kebakaran Hutan, Menimbulkan Kerugian Ekonomi Terparah. [Internet]. [diunduh 2015 Agustus 12]. Tersedia pada: http:www.mongabay.co.id20140503kebakaran-hutan-menimbulkan- kerugian-ekonomi-terparah. Poornamala K, Lawrance R. 2012. A general survey on frequent pattern mining using genetic algorithm. Ictact Journal On Soft Computing. 31:440-444. Prakash RV, Govardan, Sarma SSVN. 2011. Mining frequent itemsets from large data sets using genetic algorithm. IJCA. 38-43. Rana M dan Mann PS. 2013. Association rule mining with multi-fitness function genetic algorithm. International Journal for Science and Emerging. 81:14-23. Santosa B, Willy P. 2011. Metode Metaheuristik Konsep dan Implementasi. Surabaya ID: Guna Widya. Saxena MR, Shrivastava S, Mathur A. 2012. Association rules mining using modified genetic algorithm. International Journal of Scientific Engineering and Technology. 14. Saggar M, Agrawal AK, Lad A. 2004. Optimization of association rule mining using improved genetic algorithms. IEEE International Conference on Systems, Man and Cybernetics.