Klasifikasi Spasial untuk Objek Spasial di Kota Bogor

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL
DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

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 Spasial
untuk Objek Spasial di Kota Bogor 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, Desember 2013
Intan Multiana Permata Sari
NIM G64090043

ABSTRAK
INTAN MULTIANA PERMATA SARI. Klasifikasi Spasial untuk Objek Spasial
di Kota Bogor. Dibimbing oleh ANNISA.
Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini
menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh
karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik
spatial data mining yang dapat mengekstrak pengetahuan atau pola-pola dalam
basis data spasial. Penelitian ini mengekstrak pola-pola berupa karakteristik dari
terminal, stasiun, rel kereta api, sungai, jalan, dan penggunaan lahan
menggunakan salah satu teknik spatial data mining, yaitu klasifikasi spasial. Pada
penelitian ini, hubungan spasial antara sebuah objek dengan objek di sekitarnya
ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa
contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Hasil
akurasi klasifikasi spasial menggunakan algoritme C4.5 adalah sebesar 72.117%.
Dari hasil klasifikasi spasial ini, karakteristik objek spasial di kota Bogor dapat
diketahui berdasarkan operasi spasial yang digunakan.

Kata kunci: algoritme C4.5, klasifikasi spasial, spatial data mining

ABSTRACT
INTAN MULTIANA PERMATA SARI. Spatial Classification for Spatial Objects
in Bogor City. Supervised by ANNISA.
Various spatial objects in Bogor City have caused a significant increase of
spatial data in Bogor City. These spatial data needs to be processed and analyzed
using spatial data mining technique, which is able to extract the knowledge or
patterns in the spatial database. This research extracts the patterns of terminals,
stations, railroads, rivers, roads, and landuse characteristics using one of the
spatial data mining techniques, namely spatial classification. In this research, the
spatial relations between an object and its surrounding is determined using
topological relations, with spatial operations such as contains, overlaps, equals,
disjoint, intersects, within, crosses, and touches. The result of spatial classification
accuracy using C4.5 algorithm is 72.117%. From this spatial classification result,
the characteristics of spatial objects in Bogor City can be identified based on
spatial operations.
Keywords: C4.5 algorithm, spatial classification, spatial data mining

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL

DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer pada
Departemen Matematika dan Ilmu Pengetahuan Alam

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Penguji:
1 Dr Imas S Sitanggang, SSi MKom
2 Hari Agung Adrianto, SKom MSi

Judul Skripsi : Klasifikasi Spasial untuk Objek Spasial di Kota Bogor

Nama
: Intan Multiana Permata Sari
NIM
: G64090043

Disetujui oleh

Annisa, SKom MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Klasiflkasi Spasial untuk Objek Spasial di Kota Bogor
Nama
: Intan Multiana Pennata Sari

NIM
: G64090043

Disetujui oleh

Annis&. SKorn MKorn
Pernbimbing

Tanggal Lulus:

0 6 JAN 2014

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir
yang berjudul Klasifikasi Spasial untuk Objek Spasial di Kota Bogor. Penulis
mengucapkan terima kasih kepada kedua orang tua penulis yang hingga saat ini
selalu mendoakan dan memberikan motivasi. Hal yang sama juga untuk adik dan
semua keluarga penulis.
Terima kasih penulis sampaikan kepada Ibu Annisa, SKom MKom selaku

dosen pembimbing yang telah sabar membimbing dan memberikan saran kepada
penulis. Bapak Hari Agung Adrianto, SKom MSi dan Ibu Dr Imas S Sitanggang,
SSi MKom selaku dosen penguji yang telah memberikan saran dan perbaikan
terhadap tugas akhir ini. Terima kasih juga penulis sampaikan kepada semua
pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain:
1 Teman-teman satu bimbingan: Anggi, Retno, Lizza, Silviani, dan Kak Muti
atas kerjasama, bantuan, informasi, dan dukungannya.
2 Peni, Dewi, Alys, dan Esha atas semangat dan doanya.
3 Rekan-rekan Mahasiswa Departemen Ilmu Komputer angkatan 46 atas
bantuan dan dukungannya selama menjalani masa studi.
4 Seluruh staf dan karyawan Departemen Ilmu Komputer, serta pihak lain yang
telah membantu dalam menyelesaikan penelitian ini.
Penulis menyadari bahwa penelitian ini masih jauh dari sempurna karena
keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Namun, penulis
berharap penelitian ini dapat memberikan manfaat bagi seluruh pihak.
Bogor, Desember 2013
Intan Multiana Permata Sari

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

Pengadaan Data

2

Praproses Data

3

Pembagian Data

4

Klasifikasi Spasial

4

Penghitungan Akurasi

5

Lingkungan Implementasi

6

HASIL DAN PEMBAHASAN

6

Data

6

Praproses Data

7

Pembagian Data

11

Klasifikasi Spasial

11

Penghitungan Akurasi

13

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

14

DAFTAR PUSTAKA

14

LAMPIRAN

15

RIWAYAT HIDUP

26

DAFTAR TABEL
1
2
3
4
5

Objek spasial kota Bogor
Contoh data sungai sebelum pembersihan
Contoh data setelah dilakukan perubahan
Contoh penambahan atribut kelas target
Jumlah semua data dan hasil prediksi benar

6
10
10
11
13

DAFTAR GAMBAR
1
2
3
4
5
6
7
8

Tahapan penelitian
Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006)
Peta objek spasial kota Bogor
Hirarki objek jalan
Contoh split vektor layer
Peta hasil pembagian data
Contoh spatial query
Contoh tree hasil klasifikasi

3
4
6
7
8
9
9
12

DAFTAR LAMPIRAN
1
2
3
4
5
6

Objek spasial kota Bogor
Contoh data hasil hubungan spasial
Contoh data hasil hubungan spasial setelah dilakukan perubahan
Contah data setelah diubah menjadi ARFF
Contoh hasil klasifikasi menggunakan algoritme C4.5
Contoh aturan yang terbentuk berdasarkan tree yang dihasilkan

15
17
19
21
22
24

PENDAHULUAN
Latar Belakang
Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini
menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh
karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik
spatial data mining. Spatial data mining adalah proses ekstraksi pengetahuan,
hubungan spasial, atau pola-pola lain yang tidak secara eksplisit tersimpan di
dalam basis data spasial (Han dan Kamber 2006). Pengetahuan atau pola-pola
tersebut dapat berupa karakteristik dari objek-objek spasial yang ada di kota
Bogor. Karakteristik dari objek spasial dapat diketahui dari hubungan-hubungan
spasial antar objek. Contoh, karakteristik dari industri yang sudah ada, misalnya
industri tersebut berpotongan dengan jalan raya, bersebrangan dengan terminal,
dan sebaginya. Salah satu teknik spatial data mining yang dapat digunakan untuk
menemukan aturan berupa karakteristik dari objek spasial, yaitu klasifikasi
spasial. Klasifikasi spasial dapat menentukan dan mengidentifikasi kelas dari
sebuah objek berdasarkan atribut spasial yang digunakan, dengan
memperhitungkan objek-objek spasial lain yang berada di sekitarnya.
Penelitian sebelumnya yang dilakukan oleh Napthalena (2009) adalah
menerapkan teknik klasifikasi spasial pada data mangrove menggunakan
algoritme C4.5. Pada penelitian tersebut hubungan spasial antara sebuah objek
dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, dengan
operasi spasial berupa contains, overlap, dan inside. Penelitian tersebut
menghasilkan spatial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%.
Sedangkan penelitian ini akan menerapkan teknik klasifikasi spasial pada
objek spasial di kota Bogor, yang terdiri atas terminal, stasiun, rel kereta api,
sungai, jalan, dan landuse, menggunakan algoritme C4.5. Hubungan spasial antara
sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan
topologi, tetapi operasi spasial yang digunakan lebih banyak yaitu contains,
overlaps, equals, disjoint, intersects, within, crosses, dan touches. Dengan
klasifikasi spasial diharapkan dapat menghasilkan spatial classifier berdasarkan
operasi spasial yang digunakan, sehingga dapat dihasilkan aturan klasifikasi yang
dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek
spasial di kota Bogor.

Perumusan Masalah
Adapun perumusan masalah pada penelitian ini, antara lain:
1 Bagaimana klasifikasi spasial diterapkan pada objek spasial di kota Bogor?
2 Apakah dengan klasifikasi spasial dapat dibentuk classifier yang dapat
mengidentifikasi objek spasial di kota Bogor?

2
Tujuan Penelitian
Tujuan penelitian ini adalah menerapkan teknik klasifikasi pada objek
spasial di kota Bogor, dengan membuat spatial classifier untuk menemukan
aturan klasifikasi yang dapat digunakan untuk mengetahui karakteristik dan
mengidentifikasi objek spasial di kota Bogor.

Manfaat Penelitian
Manfaat yang diperoleh dari penelitian ini adalah dapat mengetahui
karakteristik objek spasial di kota Bogor berdasarkan operasi spasial berupa
contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches.
Karakteristik tersebut dapat digunakan untuk mengidentifikasi objek spasial di
kota Bogor.

Ruang Lingkup Penelitian
Ruang lingkup penelitian ini meliputi:
1 Data yang digunakan adalah objek spasial di wilayah kota Bogor dalam
bentuk titik (point), garis (line), dan bidang (polygon).
2 Metode yang digunakan adalah decision tree, menggunakan algoritme C4.5.
3 Operasi spasial yang digunakan adalah operasi spasial berdasarkan hubungan
topologi, yaitu contains, overlaps, equals, disjoint, intersects, within, crosses,
dan touches.

METODE
Penelitian ini dilakukan dalam beberapa tahap. Mulai dari pengadaan data,
praproses data, pembagian data training dan data testing, klasifikasi spasial, dan
penghitungan akurasi. Seperti yang diilustrasikan pada Gambar 1.

Pengadaan Data
Data spasial adalah data yang berorientasi geografis, memiliki sistem
koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting
yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan
informasi deskriptif (atribut). Data spasial direpresentasikan di dalam basisdata
sebagai raster atau vektor. Data raster adalah data yang direpresentasikan sebagai
struktur sel grid yang disebut dengan piksel, sedangkan data vektor adalah data
yang direpresentasikan ke dalam bentuk titik, garis, dan poligon beserta atributnya
(Astrini dan Oswald 2012).
Pada tahap ini dilakukan pencarian data yang akan diolah dan dianalisis.
Data yang dipilih adalah objek spasial kota Bogor dalam bentuk data vektor. Data
ini diperoleh dari GIS Blog Indonesia (www.gisiana.info). Pada data ini, objek

3
yang berupa titik adalah terminal bis dan stasiun, objek yang berupa garis adalah
jalan, rel kereta api, dan sungai. Objek yang berupa poligon adalah landuse.
Mulai

Pengadaan
Data

Praproses
Data

Data
Training

ObjekSpasial
_Bogor.arff

Pembagian
Data

Data
Testing

Klasifikasi
Spasial

Classifier

Penghitungan
Akurasi

Selesai

Gambar 1 Tahapan penelitian

Praproses Data
Pada penelitian ini praproses data diawali dengan membagi objek jalan dan
landuse berdasarkan jenisnya. Pembagian objek ini dilakukan menggunakan
Quantum GIS agar masing-masing jenis objek yang sudah dibagi tersebut dapat
dicari hubungan spasialnya dengan objek lain. Hubungan spasial antara sebuah
objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi.
Topologi merupakan informasi tentang hubungan geometris dan konektivitas
antar objek spasial. Operasi spasial yang digunakan adalah contains, overlaps,
equals, disjoint, intersects, within, crosses, dan touches. Contoh operasi spasial
berdasarkan hubungan topologi dapat dilihat pada Gambar 2.
Semua objek spasial masing-masing dicari hubungan spasialnya
menggunakan Quantum GIS, kemudian hasil dari pencarian hubungan spasial ini
direpresentasikan dalam bentuk tabel. Dari tabel yang sudah terbentuk, dilakukan
pembersihan data. Pada penelitian ini pembersihan data dilakukan dengan
menghilangkan data yang tidak menghasilkan hubungan spasial dengan semua
objek. Kemudian semua data dikumpulkan menjadi satu agar lebih mudah untuk
digunakan dalam pembentukan spatial decision tree. Setelah itu, semua data
diubah menjadi kode-kode dan ditambahkan atribut kelas target pada tabel. Kelas
target terdiri dari semua objek spasial yang ingin diketahui karakteristiknya.
Selanjutnya format data XLS diubah menjadi ARFF.

4

Gambar 2 Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006)

Pembagian Data
Pada tahap ini, dilakukan pemisahan data training dan data testing
menggunakan 10-folds cross validation. Data dibagi secara acak ke dalam 10
subset (folds) yang berbeda. Setiap kali sebuah subset digunakan sebagai data
testing, maka 9 buah subset lainnya akan dijadikan sebagai data training. Proses
ini dilakukan sebanyak 10 kali. Pembagian data ini dilakukan menggunakan
WEKA 3.6.7.

Klasifikasi Spasial
Klasifikasi spasial dilakukan dengan membuat decision tree kemudian
membuat rule dari decision tree yang dihasilkan. Decision tree adalah sebuah
struktur tree dimana setiap internal node menunjukkan sebuah kriteria dalam
sebuah atribut, setiap branch menunjukkan sebuah hasil dari kriteria tersebut, dan
sebuah leaf node menunjukkan label kelas (Han dan Kamber 2006). Untuk
menghasilkan decision tree, data hasil praproses kemudian diolah dengan
algoritme C4.5 menggunakan perangkat lunak WEKA 3.6.7. Pada WEKA,
algoritme C4.5 diimplementasikan dengan modul J48.
Algoritme C4.5 merupakan perkembangan dari algoritme ID3,
dikembangkan oleh Quinlan Ross pada tahun 1993. Kelebihan algoritme C4.5
dibandingkan algoritme ID3 yaitu, dapat mengolah data kategorik dan data
numerik. Algoritme C4.5 juga dapat menangani nilai atribut yang kosong (missing
value).
Pembuatan decision tree menggunakan algoritme C4.5 dimulai dengan
pemilihan node tunggal sebagai akar dari decision tree. Setelah node akar
dibentuk, maka data pada node akar diukur dengan information gain untuk dipilih
atribut mana yang dijadikan atribut pemecahannya. Sebuah cabang dibentuk dari
atribut yang dipilih menjadi pembagi kemudian data didistribusikan kedalam
cabang masing-masing. Algoritme ini menggunakan proses rekursif dalam
membentuk sebuah pohon keputusan. Ketika sebuah atribut dipilih menjadi node
pemecahan atau cabang, maka atribut tersebut tidak diikutkan lagi dalam
perhitungan nilai information gain. Proses rekursif berhenti ketika atribut

5
memiliki cabang berupa kelas atau tidak ada lagi atribut yang bisa dipecah untuk
menjadi cabang decision tree.
Jika dalam satu cabang anggotanya berasal dari satu kelas maka cabang ini
disebut pure. Semakin pure suatu cabang semakin baik. Ukuran purity dinyatakan
dengan tingkat impurity. Algoritme C4.5 menggunakan information gain dan
entrophy untuk kriteria impurity penggunaan atribut sebagai node dari pohon
keputusan (Kantardzic 2003). Persamaan entropy adalah sebagai berikut.
H( T) = -

j

pj log2 (pj)

dengan:
T
= himpunan kasus
pj
= proporsi dari Ti terhadap T

Jika kandidat pemecahan A terdiri atas beberapa kandidat. Pada data latih T
terdiri atas beberapa bagian, yaitu T1, T2 , T3, ….Tk maka informasi dapat
dihitung dengan bobot entropy dari masing-masing bagian tersebut dan
information gain (A) dapat dihitung dengan persamaan berikut.
Gain(T, A) = H( T) - ∑ni=1

|Ti|
*H(Ti))
|T|

dengan:
T
= himpunan kasus
A
= atribut
n
= jumlah partisi atribut A
|Ti |
= jumlah kasus pada partisi ke-i
|T|
= jumlah kasus dalam T

Nilai gain merupakan nilai kesamaan dari partisi data. Semakin besar nilai
gain dari sebuah data maka, nilai keanekaragaman data semakin kecil. Pemecahan
terbaik merupakan pemecahan yang menghasilkan nilai gain terbesar.

Penghitungan Akurasi
Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap
data sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan
klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai
100%.
Akurasi dari decision tree yang dihasilkan dihitung dengan rumus sebagai
berikut:
jumlah total prediksi yang benar
× 100%
Akurasi =
jumlah total semua data

6
Lingkungan Implementasi
Pada penelitian ini perangkat lunak dan perangkat keras yang digunakan
untuk mengembangkan sistem adalah sebagai berikut:
Perangkat keras:
 Prosesor: Intel Atom 1.5 GHz
 Memori 1 GB DDR3
 Harddisk 320 GB
 Monitor
 Mouse dan keyboard
Perangkat lunak:
 Sistem operasi: Microsoft Windows 7 Ultimate 32-bit
 Quantum GIS 1.8.0-Lisboa
 Notepad++
 WEKA 3.6.7

HASIL DAN PEMBAHASAN
Data
Data yang digunakan adalah objek spasial kota Bogor, yang terdiri atas
terminal, stasiun, rel kereta api, sungai, jalan, dan landuse, seperti yang terlihat
pada Tabel 1. Data ini dapat ditampilkan dalam bentuk peta dan tabel
menggunakan Quantum GIS. Peta objek spasial kota Bogor dapat dilihat pada
Gambar 3. Sedangkan contoh tabel objek spasial kota Bogor dapat dilihat pada
Lampiran 1.
Tabel 1 Objek spasial kota Bogor
No
Objek
Tipe
Jumlah
1
Terminal
Titik
11
2
Stasiun
Titik
2
3
Rel KA
Garis
1
4
Sungai
Garis
455
5
Jalan
Garis
5174
6
Landuse Poligon
7495

7

Gambar 3 Peta objek spasial Kota Bogor

Praproses Data
Objek jalan dan landuse dibagi berdasarkan jenisnya karena jumlahnya
sangat banyak dan jauh berbeda dengan objek spasial lainnya, yaitu objek jalan
berjumlah 5147 garis, dan objek landuse berjumlah 7495 poligon. Pembagian
objek juga dilakukan karena ingin mengidentifikasi objek jalan dan landuse secara
detil. Objek jalan dibagi menjadi 15 jenis, yaitu local road, main road, other road,
bridge (local road), bridge (main road), bridge (other road), footpath road,
footbridge for double line, national highway, overpass (national highway),
overpass (other road), rail road single, tol road (national highway), tonel, dan
unknown road. Objek-objek jalan tersebut dapat dibentuk hirarki seperti yang
terlihat pada Gambar 4.

Gambar 4 Hirarki objek jalan
Sedangkan objek landuse dibagi menjadi 7 jenis, yaitu agriculture & open
space, commercial & bussines, forestry, industry & warehouse, low density urban
kampung, planned house, dan swamp, river & pond. Objek jalan yang dipakai

8
pada penelitian ini hanya 9 jenis, yaitu: yaitu local road, main road, bridge (local
road), bridge (main road), footpath road, national highway, overpass (highway
national), overpass (other road), dan tol road (national highway). Sehingga,
objek spasial yang digunakan menjadi 20 objek.
Pembagian data dilakukan menggunakan split vector layer yang terdapat
pada Quantum GIS seperti yang terlihat pada Gambar 5.

Gambar 5 Contoh split vector layer

Split vector layer dapat membagi data vektor berdasarkan atribut tertentu.
Misalnya pada Gambar 5 pada input vector layer dipilih data jalan ko_bogor dan
pada unique id field dipilih NAMA_UNSUR, kemudian pada output folder pilih
folder dimana hasil pembagian akan disimpan. Maka sistem akan membagi data
jalan berdasarkan atribut NAMA_UNSUR dan apabila hasil pembagian tersebut
dibuka kembali dengan Quantum GIS akan menghasilkan peta seperti pada
Gambar 6.
Kemudian semua objek spasial yang digunakan masing-masing ditentukan
hubungan spasialnya. Hubungan spasial ini diperoleh dengan menjalankan operasi
spatial query pada Quantum GIS. Dengan operasi spatial query ini dapat
diketahui hubungan spasial dari objek satu dengan objek yang lain dan nomor id
berapa saja yang memiliki hubungan spasial dengan objek yang kita pilih. Seperti
yang terlihat pada Gambar 7, objek 1 yang ingin diketahui hubungan spasialnya
dipilih sungai ko_bogor, kemudian hubungan spasial yang dipilih yaitu intersects
dan objek 2 yang dipilih adalah jalan_MAIN ROAD. Hasil yang didapatkan
adalah nomor id sungai ko_bogor yang berjumlah 20 dari 455 data yang memiliki
hubungan spasial intersects dengan jalan_MAIN ROAD. Hasil dari pencarian
hubungan spasial ini direpresentasikan dalam bentuk tabel. Langkah tersebut
diulangi sampai semua objek diketahui hubungan spasialnya. Hubungan spasial
yang ada antara lain contains, disjoint, intersects, within, crosses, overlaps, dan
touches. Contoh dari hubungan spasial yang dihasilkan dapat dilihat pada
Lampiran 2.

9

Gambar 6 Peta hasil pembagian data

Gambar 7 Contoh spatial query
Setelah dihasilkan tabel hubungan spasial, dilakukan pembersihan data. Pada
penelitian ini pembersihan data dilakukan dengan menghilangkan data yang tidak
menghasilkan hubungan spasial dengan semua objek. Contoh data sungai sebelum
pembersihan ditampilkan pada Tabel 2. Sungai 1, sungai 3, sungai 6, dan sungai 7
tidak menghasilkan hubungan spasial dengan semua objek, maka data tersebut
dihilangkan. Sehingga data yang dihilangkan, yaitu data sungai sebanyak 42
record dan data local road sebanyak 3 record.

10
Tabel 2 Contoh data sungai sebelum pembersihan
Objek
Sungai 1
Sungai 2
Sungai 3
Sungai 4
Sungai 5
Sungai 6
Sungai 7

Bridge
(local road)

Bridge
(main road)

Footpath road

Local road

disjoint

disjoint

disjoint

disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

intersects, touches
disjoint

Kemudian semua objek spasial yang sudah dicari hubungan spasialnya,
yaitu terminal bis, stasiun, rel kereta api, sungai, local road, main road, bridge
(local road), bridge (main road), footpath road, national highway, overpass
(highway national), overpass (other road), tol road national highway, agriculture
& open space, commercial & bussines, forestry, industry & warehouse, low
density urban kampung, planned house, dan swamp, river & pond dikumpulkan
menjadi satu agar lebih mudah untuk digunakan dalam pembentukan spatial
decision tree.
Setelah dikumpulkan menjadi satu, semua data diubah menjadi kode-kode,
seperti terminal menjadi t, stasiun menjadi st, rel menjadi r, sungai menjadi su,
kota Bogor menjadi kb, local road menjadi lr, main road menjadi mr, bridge
(local road) menjadi blr, bridge (main road) menjadi bmr, footpath road menjadi
fpr, national highway menjadi nh, overpass (highway national) menjadi ohn,
overpass (other road) menjadi oor, tol road national highway menjadi trnh,
agriculture & open space menjadi aos, commercial & bussines menjadi cb,
forestry menjadi f, industry & warehouse menjadi iw, low density urban kampong
menjadi lduk, planned house menjadi ph, dan swamp, river & pond menjadi srp.
Begitu juga dengan hubungan spasial yang ada direpresentasikan menjadi 1 =
disjoint, 2 = intersects, 3 = within, 4 = crosses, 5 = overlaps, 6 = touches, 7 =
contains, dan data yang kosong diisi dengan tanda tanya (?) agar dapat diolah
menggunakan WEKA. Contoh data setelah dilakukan perubahan dapat dilihat
pada Tabel 3 dan untuk contoh yang lebih banyak dapat dilihat pada Lampiran 3.
Tabel 3 Contoh data setelah dilakukan perubahan
Objek
Local Road
Foot Path Road
Agriculture & Open Space
Planned House

Terminal
t1
t1
t1
t1

Stasiun
st1
st1
st1
st1

Rel KA
r26
r1
r1
r1

Sungai
su1
su24
su2
su1

Pada Tabel 3 objek local road memiliki hubungan spasial yang terdiri dari
t1 berarti disjoint dengan terminal, st1 berarti disjoint dengan stasiun, r26 berarti
intersects dan touches dengan rel KA, su1 berarti disjoint dengan sungai. Objek
footpath road memiliki hubungan spasial, terdiri dari t1 berarti disjoint dengan
terminal, st1 berarti disjoint dengan stasiun, r1 berarti disjoint dengan rel, su24

11
berarti intersects dan crosses dengan sungai. Dan seterusnya pada objek-objek
yang lain pun dibaca demikian.
Kemudian dilakukan penambahan atribut kelas target pada tabel. Kelas
target terdiri dari semua objek spasial yang dipakai pada penelitian ini, yaitu
sebanyak 20 objek. Objek-objek spasial pada kelas target inilah yang akan
diketahui karakteristiknya melalui proses klasifikasi spasial. Contoh penambahan
atribut kelas target dapat dilihat pada Tabel 4.
Tabel 4 Contoh penambahan atribut kelas target
Industry &
warehouse
iw1
iw1
iw1
iw1
iw1
iw1
iw1
iw1
iw1
iw1
iw1

Low density
urban kampung
lduk1
lduk1
lduk1
lduk24
lduk246
lduk246
lduk246
lduk1
lduk1
lduk26
lduk26

Planned
house
ph1
ph1
ph1
ph24
ph1
ph1
ph1
ph1
?
?
?

Swamp, river
& pond
srp1
srp1
srp1
srp24
srp246
srp246
srp246
srp1
srp1
srp1
srp1

Kelas
target
t
t
st
r
su
su
blr
blr
ph
ph
ph

Kemudian format data XLS diubah menjadi CSV dan diubah lagi menjadi
ARFF dengan bantuan Notepad++ agar dapat diproses ke tahap selanjutnya yaitu
proses klasifikasi menggunakan perangkat lunak WEKA 3.6.7. Contoh data
setelah diubah menjadi ARFF dapat dilihat pada Lampiran 4.

Pembagian Data
Setelah tahap praproses dilakukan pembagian data training dan data
testing. Pembagian data dilakukan pada perangkat lunak WEKA 3.6.7, dengan
memilih cross-validation sebagai test options dan set parameter folds = 10. Hal ini
berarti sistem akan mengacak data training dan mengambil sebagian dari datanya
untuk dijadikan data testing. Proses ini dilakukan sebanyak 10 kali dan hasil akhir
merupakan akurasi rata-rata dari kesepuluh percobaan tersebut.

Klasifikasi Spasial
Pembentukan spatial decision tree dilakukan menggunakan algoritme
C4.5, dengan modul J48 yang terdapat pada perangkat lunak WEKA 3.6.7. Dari
decision tree tersebut diturunkan aturan yang dapat digunakan untuk mengetahui
karakteristik dan mengidentifikasi objek spasial kota Bogor. Contoh tree hasil
klasifikasi menggunakan algoritme C4.5 dapat dilihat pada Gambar 8.

12

Gambar 8 Contoh tree hasil klasifikasi
Contoh aturan yang dihasilkan dari Gambar 8 adalah sebagai berikut:
Aturan 1: Jika objek spasial intersects dengan planned house, maka objek spasial
tersebut adalah local road.
Aturan 2: Jika objek spasial intersects dan within dengan planned house, disjoint
dengan low density urban kampung, disjoint dengan agriculture & open space,
dan disjoint dengan swamp, river & pond, maka objek spasial tersebut adalah
local road.
Angka-angka di dalam tanda kurung pada Gambar 8 menunjukkan jumlah
dari bobot dalam node untuk mencapai leaf / jumlah kesalahan klasifikasi (jika
ada) (Beck et al. 2007). Misalnya pada contoh aturan 2, jumlah bobot dalam node
untuk mencapai leaf berarti jumlah semua objek spasial yang intersects dan within
dengan planned house, disjoint dengan low density urban kampung, disjoint
dengan agriculture & open house, dan disjoint dengan swamp, river, & pond,
yaitu sebanyak 1842.27. Dan Jumlah kesalahan klasifikasi berarti jumlah objek
spasial yang intersects dan within dengan planned house, disjoint dengan low
density urban kampung, disjoint dengan agriculture & open house, dan disjoint
dengan swamp, river, & pond, tetapi terklasifikasi salah (bukan local road), yaitu
sebanyak 17.27. Semakin banyak jumlah bobot dalam node, maka aturan tersebut
semakin kuat. Ini berarti, contoh aturan 2 lebih kuat dibanding contoh aturan 1.
Contoh tree hasil klasifikasi menggunakan algoritme C4.5 yang lebih lengkap
dapat dilihat pada Lampiran 5.
Hasil klasifikasi menunjukkan dari 20 objek spasial yang digunakan
sebagai kelas target, hanya 15 objek yang dihasilkan pada tree, karena jumlah dari
objek-objek tersebut memiliki perbedaan yang signifikan. 15 objek inilah yang
dapat diketahui karakteristiknya dan diidentifikasi berdasarkan aturan klasifikasi,
yaitu agriculture & open space, bridge (local road), commercial & business,
footpath road, forestry, industry & warehouse, kelurahan, local road, low density
urban kampung, main road, national highway, planned house, sungai, swamp,
river & pond, dan tol road. Contoh aturan yang terbentuk berdasarkan tree yang
dihasilkan dapat dilihat pada Lampiran 6.

13
Penghitungan Akurasi
Pada penelitian ini akurasi klasifikasi dihitung menggunakan perangkat
lunak WEKA 3.6.7. Akurasi ditentukan dengan rumus jumlah total prediksi yang
benar dibagi total semua data. Jumlah semua data dan hasil prediksi dari masingmasing kelas dapat dilihat pada Tabel 5.
Tabel 5 Jumlah semua data dan hasil prediksi benar
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Kelas
Terminal
Stasiun
Rel KA
Sungai
Bridge (Local Road)
Bridge (Main Road)
Footpath Road
Local Road
Main Road
National Highway
Overpass (National Highway)
Overpass (Other Road)
Tol Road
Agriculture & Open Space
Commercial & Bussines
Forestry
Industry & Warehouse
Low Density Urban Kampung
Planned House
Swamp, River, & Pond

Jumlah
11
2
1
455
40
2
75
3969
50
32
1
7
7
2375
64
63
212
2826
682
1272

Jumlah prediksi benar
0
0
0
199
0
0
3
3857
2
8
0
0
3
1575
0
4
0
2486
326
266

Berdasarkan Tabel 5, Jumlah total semua data dari 20 kelas objek adalah
12146, dan jumlah total prediksi yang benar adalah 8729, sehingga akurasi yang
dihasilkan adalah sebesar:
Akurasi =
=

jumlah total prediksi yang benar
× 100%
jumlah total semua data

8729
× 100%
12104

= 72.117%

14

SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini telah diterapkan teknik klasifikasi pada data objek spasial
kota Bogor menggunakan algoritme C4.5. Hubungan spasial antara sebuah objek
dengan objek disekitarnya ditentukan menggunakan hubungan topologi, dengan
operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within,
crosses, dan touches. Penelitian ini telah menghasilkan spatial classifier dan
aturan klasifikasi dengan akurasi sebesar 72.117%. Hasil klasifikasi menunjukkan,
dari 20 objek spasial yang digunakan sebagai kelas target, hanya 15 objek yang
dihasilkan, karena jumlah dari objek-objek tersebut memiliki perbedaan yang
signifikan. 15 objek inilah yang dapat diketahui karakteristiknya dan diidentifikasi
berdasarkan aturan klasifikasi, yaitu agriculture & open space, bridge (local
road), commercial & business, footpath road, forestry, industry & warehouse,
kelurahan, local road, low density urban kampung, main road, national highway,
planned house, sungai, swamp, river & pond, dan tol road.

Saran
Penelitian selanjutnya dapat dilakukan menggunakan algoritme yang
berbeda, agar dapat dibandingkan dengan penelitian ini. Pada penelitian
selanjutnya juga disarankan menggunakan metode pemangkasan tree, prepruning
dan postpruning, sehingga dapat meningkatkan akurasi.

DAFTAR PUSTAKA
Astrini R, Oswald P. 2012. Pelatihan Quantum GIS Tingkat Dasar (versi 1.8.0
Lisboa): untuk Pemetaan Evakuasi Tsunami. Mataram (ID): GIZ
Decentralization as Contribution to Good Governance (DeCGG),
BAPPEDA Provinsi NTB.
Beck JR, Garcia ME, Zhong M, Georgiopoulos M, Anagnostopoulos G. 2007. A
backward adjusting strategy for the C4.5 decision tree classifier [Internet].
[diunduh 2013 Nov 7]. Tersedia pada: http://www.amaltheareu.org/pubs/amalthea_tr_2007_01.pdf.
Bogorny V. 2006. Enhancing spatial association rule mining in geographic
databases [tesis]. Porto Alegre (BR): Federal University of Rio Grande do
Sul.
Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. Ed ke-2. San
Francisco (US): Morgan Kaufmann.
Kantardzic M. 2003. Data Mining: Concepts, Models, Methods, Methods, and
Algorithm. New Jersey (US): J Wiley.
Napthalena. 2009. Penerapan spatial decision tree untuk identifikasi lahan
mangrove menggunakan algoritme C4.5 [skripsi]. Bogor (ID): Institut
Pertanian Bogor.

15
Lampiran 1 Objek spasial kota Bogor
Data Terminal

Data Stasiun

Data Rel

Data Sungai

16
Lampiran 1 Lanjutan
Data Jalan

Data Landuse

Lampiran 2 Contoh data hasil hubungan spasial
Objek

Terminal

Stasiun

Rel KA

Sungai

Terminal Baranangsiang
Terminal Harjasari

-

disjoint

disjoint

disjoint

-

disjoint

disjoint

disjoint

Rel KA

disjoint

disjoint

-

Footpath
Road
disjoint
disjoint

Tol Road
disjoint
disjoint

disjoint

disjoint

Stasiun Bogor

disjoint

-

disjoint

intersects,
crosses
disjoint

Stasiun Kebon Pedes
Sungai 1

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
-

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

Sungai 2

disjoint

disjoint

disjoint

-

disjoint

disjoint

Bridge (Local Road) 1
Bridge (Local Road) 2

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

Bridge (Main Road) 1

disjoint

disjoint

disjoint

disjoint

disjoint

Footpath Road 1
Footpath Road 2

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

intersects,
crosses
disjoint
disjoint

-

disjoint
disjoint

Local Road 1
Local Road 2

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

Main Road 1
Main Road 2

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
intersects,
crosses

disjoint
intersects,
touches
disjoint
disjoint

disjoint
disjoint

Agriculture &
Open Space
disjoint
intersects,
within
intersects,
crosses
disjoint
disjoint
intersects,
crosses
intersects,
crosses,
touches
disjoint
intersects,
within
disjoint

Forestry
disjoint
disjoint
intersects,
crosses
disjoint
disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

disjoint
intersects,
crosses
disjoint
disjoint

disjoint
disjoint

disjoint
intersects,
crosses

disjoint
disjoint

disjoint
disjoint

17

2

18

Lampiran 2 Lanjutan
Terminal

Stasiun

Rel KA

Sungai

National Highway 1
National Highway 2

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

disjoint
disjoint

Footpath
Road
disjoint
disjoint

Overpass Highway National

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Overpass (Other Road) 1

disjoint

disjoint

disjoint

disjoint

disjoint

Overpass (Other Road) 2

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Tol Road 1

disjoint

disjoint

disjoint

intersects,
crosses
intersects,
crosses
disjoint

Agriculture &
Open Space
disjoint
intersects,
crosses
intersects,
within
disjoint

disjoint

-

disjoint

Agriculture & Open Space 1

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

disjoint

intersects

Commercial & Bussiness 1

disjoint
disjoint
disjoint

disjoint

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

Commercial & Bussiness 2

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Industry & Warehouse 1
Industry & Warehouse 2
Low Density Urban Kampung 1

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

intersects
intersects
disjoint

disjoint
disjoint
disjoint

disjoint
disjoint
disjoint

Low Density Urban Kampung 2

disjoint

disjoint

disjoint

intersects

disjoint

disjoint

Planned House 1

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Planned House 2

disjoint

Disjoint

disjoint

intersects

disjoint

disjoint

intersects,
crosses
intersects,
touches
intersects,
touches
disjoint
disjoint
intersects,
touches
intersects,
touches
intersects,
touches
disjoint

Objek

Agriculture & Open Space 2

Tol Road
disjoint
disjoint

Forestry
disjoint
disjoint
disjoint
disjoint

disjoint
disjoint
disjoint
disjoint
disjoint
disjoint
disjoint
disjoint
disjoint
disjoint

3

Lampiran 3 Contoh data hasil hubungan spasial setelah dilakukan perubahan
Objek
Terminal Baranangsiang
Terminal Harjasari
Rel KA
Stasiun Bogor
Stasiun Kebon Pedes
Sungai 1
Sungai 2
Bridge (Local Road) 1
Bridge (Local Road) 2
Bridge (Main Road) 1
Footpath Road 1
Footpath Road 2
Local Road 1
Local Road 2
Main Road 1
Main Road 2

Terminal

Stasiun

Rel KA

Sungai

-

st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1

r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1

su1
su1
su24
su1
su1

-

t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1

-

su1
su1
su24

su1
su1
su1
su1
su1
su24

Footpath
Road
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr26
fpr1
fpr1

Tol Road
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1

Agriculture &
Open Space
aos1
aos23
aos24
aos1
aos1
aos24
aos246
aos1
aos23
aos1
aos1
aos24
aos1
aos1
aos1
aos24

Forestry
f1
f1
f24
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1

19

4
20
Lampiran 3 Lanjutan
Objek
National Highway 1
National Highway 2
Overpass Highway National
Overpass (Other Road) 1
Overpass (Other Road) 2
Tol Road 1
Agriculture & Open Space 1

Agriculture & Open Space 2
Commercial & Bussiness 1
Commercial & Bussiness 2
Industry & Warehouse 1
Industry & Warehouse 2
Low Density Urban Kampung 1
Low Density Urban Kampung 2
Planned House 1
Planned House 2

Terminal

Stasiun

Rel KA

Sungai

t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1
t1

st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1
st1

r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1
r1

su1
su1
su1
su24
su24
su1
su1
su2
su1
su1
su2
su2
su1
su2
su1
su2

Footpath
Road
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1
fpr1

Tol Road
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1
trnh1

Agriculture &
Open Space
aos1
aos24
aos23
aos1
aos1
aos24
aos26
aos26
aos1
aos1
aos26
aos26
aos26
aos1

Forestry
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1
f1

21
Lampiran 4 Contoh data setelah diubah menjadi ARFF
@relation Objek_Spasial
@attribute Terminal {t1, t27}
@attribute Stasiun {st1, st27}
@attribute Rel {r1, r2, r24, r26}
@attribute Sungai {su1, su2, su24, su246, su26, su27}
@attribute Brige_LocalRoad {blr1, blr2, blr24, blr26, blr27}
@attribute Brige_MainRoad {bmr1, bmr2, bmr24, bmr26}
@attribute FootPathRoad {fpr1, fpr2, fpr24, fpr26, fpr27}
@attribute LocalRoad {lr1, lr2, lr24, lr246, lr26, lr27}
@attribute MainRoad {mr1, mr2, mr24, mr26, mr27}
@attribute NationalHighway {nh1, nh2, nh24, nh26, nh27}
@attribute Overpass_Highway {ohn1, ohn27}
@attribute Overpass_OtherRoad {oor1, oor2, oor24, oor26, oor27}
@attribute TolRoad {trnh1, trnh2, trnh24, trnh26}
@attribute Agriculture_OpenSpace {aos1, aos2, aos23, aos24, aos246, aos26}
@attribute Commercial_Bussines {cb1, cb23, cb24, cb246, cb26}
@attribute Forestry {f1, f24, f246, f26}
@attribute Industry_Warehouse {iw1, iw2, iw23, iw24, iw246, iw26}
@attribute LowDensityUrbanKampung {lduk1, lduk2, lduk23, lduk236, lduk24,
lduk246, lduk26}
@attribute PlannedHouse {ph1, ph2, ph23, ph24, ph246, ph26}
@attribute Swamp_River_Pond {srp1, srp23, srp24, srp246, srp26}
@attribute Kelas {t, st, r, su, blr, bmr, fpr, lr, mr, nh, ohn, oor, trnh, aos, cb, f, iw,
lduk, ph, srp}
@data
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb23,f1,iw1,lduk1,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk1,ph
1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb23,f1,iw1,lduk1,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw23,lduk1,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p
h1,srp1,t
?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk1,ph
1,srp1,t

22
2
Lampiran 5 Contoh hasil klasifikasi menggunakan algoritme C4.5
PlannedHouse = ph1
| LowDensityUrbanKampung = lduk1
| | Industry_Warehouse = iw1
| | | Agriculture_OpenSpace = aos1
| | | | Commercial_Bussines = cb1
| | | | | Forestry = f1
| | | | | | Swamp_River_Pond = srp1
| | | | | | | LocalRoad = lr1
| | | | | | | | FootPathRoad = fpr1: aos (109.44/76.07)
| | | | | | | | FootPathRoad = fpr2: lduk (2.61/1.11)
| | | | | | | | FootPathRoad = fpr24: aos (0.0)
| | | | | | | | FootPathRoad = fpr26: lr (2.71)
| | | | | | | | FootPathRoad = fpr27: aos (0.0)
| | | | | | | LocalRoad = lr2: ph (43.16/27.57)
| | | | | | | LocalRoad = lr24: lduk (0.0)
| | | | | | | LocalRoad = lr246: lduk (0.0)
| | | | | | | LocalRoad = lr26: su (2.4/1.4)
| | | | | | | LocalRoad = lr27: ph (9.17/2.67)
| | | | | | Swamp_River_Pond = srp23
| | | | | | | Rel = r1: lr (3.14/1.14)
| | | | | | | Rel = r2: blr (0.0)
| | | | | | | Rel = r24: blr (0.0)
| | | | | | | Rel = r26: blr (2.0)
| | | | | | Swamp_River_Pond = srp24: su (2.05/0.05)
| | | | | | Swamp_River_Pond = srp246: lduk (0.0)
| | | | | | Swamp_River_Pond = srp26: lduk (278.55/168.75)
| | | | | Forestry = f24: fpr (5.05/1.05)
| | | | | Forestry = f246: lduk (0.0)
| | | | | Forestry = f26: lduk (19.98/13.72)
| | | | Commercial_Bussines = cb23: lr (11.11/3.11)
| | | | Commercial_Bussines = cb24: lduk (0.0)
| | | | Commercial_Bussines = cb246: lduk (0.0)
| | | | Commercial_Bussines = cb26: srp (6.16/3.16)
| | | Agriculture_OpenSpace = aos2: su (1.3/0.3)
| | | Agriculture_OpenSpace = aos23
| | | | TolRoad = trnh1
| | | | | Swamp_River_Pond = srp1: lr (64.1/34.1)
| | | | | Swamp_River_Pond = srp23: lr (0.0)
| | | | | Swamp_River_Pond = srp24: lr (0.0)
| | | | | Swamp_River_Pond = srp246: lr (0.0)
| | | | | Swamp_River_Pond = srp26: aos (12.92)
| | | | TolRoad = trnh2: aos (0.62)
| | | | TolRoad = trnh24: lr (0.0)
| | | | TolRoad = trnh26: nh (7.0/1.0)
| | | Agriculture_OpenSpace = aos24
| | | | Swamp_River_Pond = srp1

233
Lampiran 5 Lanjutan
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

| | FootPathRoad = fpr1: su (48.49/24.49)
| | FootPathRoad = fpr2: aos (0.2/0.01)
| | FootPathRoad = fpr24: su (0.0)
| | FootPathRoad = fpr26: lr (2.08/0.08)
| | FootPathRoad = fpr27: su (0.0)
| Swamp_River_Pond = srp23: su (0.0)
| Swamp_River_Pond = srp24: su (22.0/8.0)
| Swamp_River_Pond = srp246: su (0.0)
| Swamp_River_Pond = srp26: aos (13.16)
Agriculture_OpenSpace = aos246
| FootPathRoad = fpr1
| | Swamp_River_Pond = srp1: su (8.1/2.1)
| | Swamp_River_Pond = srp23: su (0.0)
| | Swamp_River_Pond = srp24: su (2.0)
| | Swamp_River_Pond = srp246: su (0.0)
| | Swamp_River_Pond = srp26: aos (2.15)
| FootPathRoad = fpr2: aos (0.07)
| FootPathRoad = fpr24: su (0.0)
| FootPathRoad = fpr26: trnh (2.0)
| FootPathRoad = fpr27: su (0.0)
Agriculture_OpenSpace = aos26
| LocalRoad = lr1
| | Swamp_River_Pond = srp1
| | | TolRoad = trnh1
| | | | FootPathRoad = fpr1
| | | | | Sungai = su1
| | | | | | Commercial_Bussines = cb1: lduk (481.35/239.74)
| | | | | | Commercial_Bussines = cb23: lduk (0.0)
| | | | | | Commercial_Bussines = cb24: lduk (0.0)
| | | | | | Commercial_Bussines = cb246: lduk (0.0)
| | | | | | Commercial_Bussines = cb26: aos (2.89/1.04)
| | | | | Sungai = su2: srp (143.98/87.78)
| | | | | Sungai = su24: lduk (0.0)
| | | | | Sungai = su246: lduk (0.0)
| | | | | Sungai = su26: lduk (0.0)
| | | | | Sungai = su27: lduk (0.0)
| | | | FootPathRoad = fpr2: lduk (12.49/4.48)
| | | | FootPathRoad = fpr24: lduk (0.0)
| | | | FootPathRoad = fpr26: lduk (0.0)
| | | | FootPathRoad = fpr27: lduk (0.25)
| | | TolRoad = trnh2: aos (7.8/1.0)
| | | TolRoad = trnh24: lduk (0.0)
| | | TolRoad = trnh26: lduk (0.0)
| | Swamp_River_Pond = srp23: lduk (0.0)
| | Swamp_River_Pond = srp24: su (2.65/0.65)
| | Swamp_River_Pond = srp246: lduk (0.0)

24
4
Lampiran 6 Contoh rule yang terbentuk berdasarkan tree yang dihasilkan
1 JIKA objek spasial disjoint dengan planned house, intersects dan touches
dengan low density urban kampung, disjoint dengan national highway,
intersects dengan local road, disjoint dengan terminal, intersects dengan
sungai, intersects dengan footpath road, intersects dan touches dengan swamp,
river, pond, MAKA objek spasial tersebut adalah agriculture & open space.
2 JIKA objek spasial intersects dan touches dengan planned house, disjoint
dengan national highway, intersects dengan footpath road, disjoint dengan
sungai, intersects dan touches dengan low density urban kampung, MAKA
objek spasial tersebut adalah agriculture & open space.
3 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density
urban kampung, disjoint dengan industry & warehouse, disjoint dengan
agriculture & open space, disjoint dengan commercial & bussines, disjoint
dengan forestry, intersects dan within dengan swamp, river, pond, intersects
dan touches dengan rel, MAKA objek spasial tersebut adalah bridge (local
road).
4 JIKA objek spasial disjoint dengan planned house, intersects dan touches
dengan low density urban kampung, disjoint dengan national highway,
intersects dengan local road, intersects dan contains dengan terminal, MAKA
objek spasial tersebut adalah commercial & bussines.
5 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density
urban kampung, disjoint dengan industry & warehouse, disjoint dengan
agriculture & open space, disjoint dengan commercial & bussines, intersects
dan crosses dengan forestry, MAKA objek spasial tersebut adalah footpath
road.
6 JIKA objek spasial intersects dan touches dengan planned house, disjoint
dengan national highway, intersects dengan footpath road, disjoint dengan
sungai, disjoint dengan low density urban kampung, disjoint dengan
agriculture & open space, MAKA objek spasial tersebut adalah forestry.
7 JIKA objek spasial disjoint dengan planned house, intersects dan touches
dengan low density urban kampung, intersects dengan national highway,
intersects dengan local road, intersects dan touches dengan swamp, river, pond,
MAKA objek spasial tersebut adalah industry & warehouse.
8 JIKA objek spasial disjoint dengan planned house, intersects dan within
dengan low density urban kampung, disjoint dengan agriculture & open space,
disjoint dengan swamp, river, pond, intersects dan crosses dengan sungai,
MAKA objek spasial tersebut adalah local road.
9 JIKA objek spasial intersects dan crosses dengan planned house, disjoint
dengan swamp, river, pond, disjoint dengan agriculture & open space,
intersects, crosses, touches dengan low density urban kampung, MAKA objek
spasial tersebut adalah local road.
10 JIKA objek spasial intersects dan touches dengan planned house, disjoint
dengan national highway, disjoint dengan footpath road, intersects dengan
local road, MAKA objek spasial tersebut adalah low density urban kampung.

255
Lampiran 6 Lanjutan
11 JIKA objek spasial intersects dan touches dengan planned house, disjoint
dengan national highway, disjoint dengan footpath road, disjoint dengan
local road, intersects dan touches dengan agriculture & open space,
intersects dengan sungai, intersects dan touches dengan industry &
warehouse, MAKA objek spasial tersebut adalah low density urban
kampung.
12 JIKA objek spasial disjoint dengan planned house, intersects dan crosses
dengan low density urban kampung, intersects, crosses, touches dengan
agriculture & open space, disjoint dengan tol road, intersects dan touches
dengan local road, MAKA objek spasial tersebut adalah main road.
13 JIKA objek spasial intersects dan crosses dengan planned house, disjoint
dengan swamp, river, pond, intersects dan crosses dengan agriculture &
open space, intersects dan touches dengan bridge (main road), MAKA objek
spasial tersebut adalah main road.
14 JIKA objek spasial disjoint dengan planned house, disjoint dengan low
density urban kampung, disjoint dengan industry & warehouse, intersects
dan touches dengan tol road, MAKA objek spasial tersebut adalah national
highway.
15 JIKA objek spasial disjoint dengan low density urban kampung, disjoint
dengan industry & warehouse, disjoint dengan agriculture & open space,
disjoint dengan commercial & bussines, disjoint dengan forestry, disjoint
dengan swamp, river, pond, intersects dengan local road, MAKA objek
spasial tersebut adalah planned house.
16 JIKA objek spasial intersects dan touches dengan low density urban
kampung, disjoint dengan national highway, intersects dengan local road,
disjoint dengan terminal, disjoint dengan sungai, intersects dengan main road,
MAKA objek spasial tersebut adalah planned house.
17 JIKA objek spasial disjoint dengan planned house, intersects dan crosses
dengan low density urban kampung, intersects dan crosses dengan
agriculture & open space, disjoint dengan tol road, disjoint dengan footpath
road, intersects dan crosses dengan forestry, MAKA objek spasial tersebut
adalah sungai.
18 JIKA objek spasial disjoint dengan planned house, intersects dan touches
dengan low density urban kampung, disjoint dengan national highway,
intersects dan crosses dengan local road, MAKA objek spasial tersebut
adalah sungai.
19 JIKA objek spasial intersects dan touches dengan planned house, disjoint
dengan national highway, disjoint dengan footpath road, disjoint dengan
local road, disjoint dengan agriculture & open space, disjoint dengan
forestry, MAKA objek spasial tersebut adalah swamp, river, pond.
20 JIKA objek spasial disjoint dengan planned house, intersects, crosses,
touches dengan low density urban kampung, intersects, crosses, touches
dengan agriculture & open space, intersects dan touches dengan national
highway, MAKA objek spasial tersebut adalah tol road.

6
26

RIWAYAT HIDUP
Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 27 Desember 1991,
merupakan anak pertama dari dua bersaudara dengan ayah bernama Mulyana
Rahmat dan ibu bernama Tien Purnama Sari. Pada tahun 2009, penulis lulus dari
Sekolah Menengah Atas Negeri 4 Bogor dan diterima sebagai mahasiswa
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan A