Penentuan Aturan Asosiasi Spasial Pada Objek Spasial Di Kota Bogor

PENENTUAN ATURAN ASOSIASI SPASIAL PADA OBJEK
SPASIAL KOTA BOGOR

ANGGI WIDYASARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Penentuan Aturan
Asosiasi Spasial pada Objek Spasial 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, Januari 2016
Anggi Widyasari
NIM G64090037

ABSTRAK
ANGGI WIDYASARI. Penentuan Aturan Asosiasi Spasial pada Objek Spasial di
Kota Bogor. Dibimbing oleh ANNISA dan TOTO HARYANTO.
Spatial data mining dapat mengekstrak pengetahuan yang menarik dari
data spasial yang belum diketahui sebelumnya dan juga bermanfaat. Penelitian ini
menggunakan metode spatial association rule untuk menghasilkan sebuah sistem
terhadap data objek spasial di Kota Bogor, yaitu data landuse, terminal bis,
stasiun, jalan, rel, dan sungai di Kota Bogor. Operasi spasial yang ada antara lain
contains, intersects, is disjoint, overlaps, equals, touches, dan within. Algoritme
yang digunakan pada penelitian ini adalah algoritme apriori. Aturan yang
digunakan adalah yang memiliki nilai support dan confidence di atas ambang
batas. Minimum support yang digunakan adalah yang bernilai lebih dari 20% dan
minimum confidence bernilai lebih dari 50%. Hasilnya adalah objek yang disjoint
dengan terminal, stasiun, rel, brige main road, main road, national highway,
overpass highway, tol road, commercial and bussines, forestry, industry and
warehouse, planned house, serta berpotongan dan bersentuhan dengan agriculture

and open space, disjoint, maka objek tersebut adalah low density urban kampung.
Objek yang disjoint dengan terminal, stasiun, rel, bridge main road, main road,
overpass highway, tol road, commercial and bussines, forestry, industry and
warehouse, dan berpotongan dan bersentuhan dengan low density urban kampung,
maka objek tersebut adalah agriculture and open space.
Kata kunci: aturan asosiasi spasial, spatial data mining

ABSTRACT
ANGGI WIDYASARI. Determination of Spatial Association Rules on Spatial
Objects in Bogor. Supervised by ANNISA and TOTO HARYANTO.
Spatial data mining can extract interesting knowledge from spatial data that
have not been discovered before. This research used spatial association rule to
produce a system for spatial objects data in Bogor, which are city data, landuse,
bus terminals, stations, roads, rail, and river in the city of Bogor. Spatial attributes
that being used such as contains, intersects, is disjoint, overlaps, equals, touches,
and within. Algorithms used in this research are apriori algorithm. Rule which
being used is the one that have support and confidence values above the threshold.
Minimum support used is greater than 20% and the minimum confidence is
greater than 50%. The results are a disjoint objects with terminals, station, rail,
bridge main road, main road, overpass highway nation, toll road nation,

commercial and bussines, forestry, industry and warehouse, planned house,
intersects and touches agriculture and open space, then the object is low density
urban kampung. Objects that are disjoint with terminals, stations, rail, bridge main
road, main road, overpass highway, toll road, commercial and bussines, forestry,
industry and warehouse, and intersects and touches with low density urban
kampung, then the object is agriculture and open space.
Keywords: spatial association rule, spatial data mining

PENENTUAN ATURAN ASOSIASI SPASIAL PADA OBJEK
SPASIAL KOTA BOGOR

ANGGI WIDYASARI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji: Dr Imas Sukaesih Sitanggang, SSi MKom

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 ini ialah aturan asosiasi spasial, dengan judul Penentuan
Aturan Asosiasi Spasial pada Objek Spasial Kota Bogor.
Terima kasih penulis ucapkan kepada Ibu Annisa, SKom MKom dan Bapak
Toto Haryanto, SKom MSi selaku pembimbing, yang telah memberikan saran dan
bimbingan selama penelitian dan penulisan karya ilmiah ini, serta Ibu Dr Imas
Sukaesih Sitanggang, SSi MKom sebagai moderator seminar dan penguji yang
telah banyak memberi saran.
Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh
keluarga dan sahabat, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Januari 2016
Anggi Widyasari

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

Tahap Penentuan Aturan Asosiasi

6

Verifikasi Aturan

7

HASIL DAN PEMBAHASAN

7

Data

7

Praproses Data

8

Tahap Penentuan Aturan Asosiasi
SIMPULAN DAN SARAN

12
16

Simpulan

16

Saran

17

DAFTAR PUSTAKA

17

LAMPIRAN

18

DAFTAR TABEL
1
2
3
4

5
6

Jumlah objek dan tipe geometri
Hubungan spasial objek Kota Bogor
Kode hubungan spasial
Large itemset untuk minimum support 10% dan confidence 30%
Large itemset untuk minimum support 20% dan confidence 30%
Large itemset untuk minimum support 20% dan confidence 50%

8
11
11
12
13
14

DAFTAR GAMBAR
1
2

3
4
5
6
7
8

Tahapan penelitian
Ilustrasi operasi spasial (Murai 1996)
Peta objek spasial Kota Bogor
Atribute objek terminal
Tampilan operasi split pada layer vector
Penentuan hubungan spasial
Data dalam format ARFF
Daerah hasil aturan asosiasi

3
4
8
9
9
10
12
16

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8

Data terminal
Data stasiun
Data sungai
Data rel
Data Kota Bogor
Data ARFF
Nilai atribut objek spasial
Aturan yang dihasilkan

18
18
18
18
19
19
20
22

PENDAHULUAN
Latar Belakang
Data spasial di suatu kota perlu diketahui untuk mendukung pembangunan
kota tersebut. Data spasial merupakan kumpulan data yang mengacu pada posisi,
objek, dan hubungan di antaranya dalam ruang bumi (Rajabidfard dan Williamson
2000). Bogor memiliki berbagai data spasial, antara lain bangunan, jalan, dan
perairan. Dari data spasial tersebut dapat diketahui hubungan spasialnya.
Hubungan spasial tersebut dapat diketahui dengan mengolah dan menganalisis
data spasial dengan spatial data mining. Spatial data mining dapat mengekstrak
pengetahuan yang menarik dari data spasial yang belum diketahui sebelumnya.
Penelitian Hariona (2009), menerapkan spatial association rule
menggunakan data bangunan Kota Bogor. Sistem ini menghasilkan pola-pola
sebaran bangunan Kota Bogor dengan menggunakan relasi spasial arah dan jarak.
Selain arah dan jarak, sebenarnya masih banyak relasi spasial lainnya yang bisa
dilihat, misalnya adalah hubungan topologi antar objek spasial, seperti disjoint,
intersect, inside/outside, adjacent_to, covers/covered_by, dan equal.
Pada penelitian ini data yang digunakan tidak hanya data bangunan tetapi
data objek spasial Kota Bogor, seperti terminal, stasiun, rel, sungai, jalan, sungai,
kota, dan landuse. Metode yang digunakan sama seperti penelitian Hariona (2009),
yaitu metode spatial association rule dengan algoritme yang digunakan adalah
algoritme apriori. Spatial association rule adalah aturan yang menggambarkan
implikasi dari satu atau serangkaian fitur oleh satu set fitur dalam database spasial
(Koperski dan Han 1995). Spatial association rule digunakan untuk mencari
aturan asosiasi dari sejumlah objek di dalam peta Kota Bogor, yaitu terminal,
stasiun, rel, sungai, jalan, dan landuse terhadap hubungan antar objek tersebut
dengan objek lainnya. Hubungan spasial yang digunakan adalah hubungan
topologi, seperti contains, intersects, is disjoint, overlaps, equals, touches, dan
within. Contoh dari aturan asosiasi yang dihasilkan adalah sebuah sungai dapat
diketahui berada disjoint dengan jalan utama, berseberangan dengan lahan
pertanian, dan berseberangan dengan perkampungan. Sistem ini diharapkan dapat
menghasilkan pola-pola menarik yang sebelumnya tidak teramati dan berguna
tentang data spasial Kota Bogor.

Perumusan Masalah
1
2

Masalah yang dianalisis dalam penelitian ini adalah:
Bagaimana metode spatial association rule mining dapat menghasilkan polapola objek spasial di Kota Bogor?
Bagaimana aturan yang dihasilkan dari relasi antar objek spasial di Kota
Bogor?

2
Tujuan Penelitian
Penelitian ini bertujuan menerapkan algoritme apriori pada objek spasial.
Hal ini dilakukan untuk menghasilkan aturan asosiasi yang berkaitan dengan
objek spasial Kota Bogor, sehingga dapat diketahui karakteristik suatu objek di
Kota Bogor.

Manfaat Penelitian
Hasil penelitian ini berupa aturan yang memberikan informasi mengenai
pola antara beberapa item pada data objek spasial Kota Bogor. Hasil ini
diharapkan dapat bermanfaat untuk mendapatkan informasi yang berguna untuk
pembangunan Kota Bogor.

Ruang Lingkup Penelitian
Penelitian ini dibatasi pada penerapan spatial data mining dengan
menggunakan salah satu teknik yaitu spatial association rule. Data yang
digunakan adalah data objek spasial Kota Bogor. Hubungan spasial yang
digunakan adalah hubungan topologi, seperti contains, intersects, is disjoint,
overlaps, equals, touches, dan within. Data spasial diolah dalam bentuk titik,
garis, dan bidang.

METODE
Penelitian ini dilakukan dengan melakukan beberapa tahapan untuk
menghasilkan aturan-aturan dengan aturan asosiasi spasial. Tahapan pada
penelitian ini diilustrasikan pada Gambar 1.

Pengadaan Data
Data yang digunakan untuk penelitian ini adalah data spasial Kota Bogor,
antara lain data landuse, terminal bis, stasiun, jalan, rel, dan sungai di Kota Bogor.
Data tersebut didapatkan dari blog GIS Indonesia. Untuk data landuse dan jalan,
karena jumlahnya yang sangat besar dibanding data lainnya, yaitu 5147 data jalan
dan 7495 data landuse, maka dibagi sesuai kategori yang ada. Data landuse dibagi
menjadi 7 jenis yaitu agriculture and open space, commercial and bussines,
forestry, industry and warehouse, low density urban kampung, planned house, dan
swamp, river and pond. Data jalan dibagi menjadi 15 jenis yaitu local road, main
road, other road, bridge (local road), bridge (main road), bridge (road other),
footpath road, footbridge for double line, national highway, overpass (highway
national), overpass (other road), rail road single, tol road national highway,
tunnel, dan unknown road.

3

Mulai

Pengadaan data
Data objek
spasial kota
Bogor

Praproses data
Seleksi data
Integrasi data
Pembersihan data
Transformasi data

Tahap penentuan
aturan asosiasi
Verifikasi aturan

Selesai

Gambar 1 Tahapan penelitian

Praproses Data
Praproses data meliputi pembersihan data, seleksi data, integrasi data, dan
transformasi data. Tujuan dilakukannya praproses dalam data mining adalah
mentransformasi data ke suatu format yang prosesnya lebih mudah dan efektif.
Seleksi Data
Proses pemilihan data yang sesuai dengan analisis data yang akan dilakukan.
Jumlah data yang sangat banyak memerlukan penyeleksian yang tepat. Pada data
jalan dan landuse yang memiliki jumlah data yang besar, dilakukan pembagian
data lagi sesuai kategorinya. Tetapi terdapat beberapa kategori pada data jalan
yang tidak digunakan karena dianggap kurang penting, yaitu data local road,
other road, bridge (local road), bridge (road other), footpath road, footbridge for
double line, overpass (other road), rail road single, tunnel, dan unknown road.
Oleh karena itu data jalan yang digunakan menjadi 5 jenis yaitu main road, bridge
(main road), national highway, overpass (highway national), dan tol road
national highway. Begitu juga pada data landuse, terdapat satu data yang tidak
memiliki kategori. Maka data tersebut tidak diikutsertakan pada proses
selanjutnya.

4
Integrasi Data
Data yang sudah didapatkan dengan format .shp diproses menggunakan
perangkat lunak QuantumGIS untuk ditentukan hubungan spasialnya. Masingmasing objek dihubungkan dengan objek lainnya menggunakan fungsi spatial
query pada QuantumGIS. Operasi spasial yang ada antara lain contains, intersects,
is disjoint, overlaps, equals, touches, dan within. Contoh ilustrasi operasi spasial
dapat dilihat pada Gambar 2.

Gambar 2 Ilustrasi operasi spasial (Murai 1996)
Data dari objek yang ada masing-masing dicari dengan dipasangkan satu per
satu dengan objek lainnya kemudian dipilih feature hubungan spasial yang ada,
maka akan didapatkan id dari objek yang mempunyai hubungan spasial tersebut.
Selanjutnya objek dengan id tersebut dicatat dan disimpan pada Microsoft Excel.
Setelah seluruh kelompok objek sudah dicari hubungan spasialnya dengan objek
lainnya, kemudian kelompok objek tersebut diintegrasikan menjadi satu kesatuan
data. Setelah itu, hasil hubungan spasial antar-objek tersebut agar bisa diproses
selanjutnya.
Pembersihan Data
Pada tahap ini, data yang mengandung nilai hilang (kosong), noise, maupun
data yang tidak konsisten dibuang. Pembersihan data dilakukan untuk membuang
record yang keliru, menstandarkan atribut-atribut, merasionalisasi struktur data,
dan mengendalikan data yang hilang. Dari proses sebelumnya diketahui terdapat
42 data sungai dan 117 data jalan yang tidak mempunyai hubungan spasial dengan
objek-objek lainnya. Maka data-data tersebut dihapus agar dapat memaksimalkan
hasil yang didapat nantinya.
Transformasi Data
Selanjutnya, data yang ada dilakukan proses pengubahan data. Data objek
dengan hubungan spasialnya diubah menjadi simbol-simbol yang bisa diproses
pada perangkat lunak Weka.

5
Data objek dengan hubungan spasialnya diubah menjadi terminal = t,
stasiun = st, rel = r, sungai = su, agriculture and open space = aos, commercial
and bussines = cb, forestry = f, industry and warehouse = iw, low density urban
kampung = lduk, planned house = ph, swamp, river, and pond = swp, bridge main
road = bmr, main road = mr, national highway = nh, overpass highway national =
ohn, dan tol road nation = trnh. Begitu juga dengan hubungan spasial yang ada
direpresentasikan menjadi, 1 = is disjoint, 2 = intersects, 3 = within, 4 = crosses, 5
= overlaps, 6 = touches, dan 7 =contains. Hubungan spasial antar-sesama objek,
misalnya sungai dengan sungai dituliskan dengan tanda “?” karena tidak
mempunyai hubungan spasial.
Kemudian data tersebut disimpan dalam format CSV. Setelah itu data
tersebut diubah lagi menjadi format ARFF dengan menambahkan nama relasi dan
nama atribut. Contohnya sebagai berikut:
@relation Objek_Spasial
@attribute
@attribute
@attribute
@attribute

Terminal {t1, t27}
Stasiun {st1, st27}
Rel {r1, r2, r24, r26}
Sungai {su1, su2, su24, su246, su26, su27}

@data
?,st1,r1,su1,bmr1,mr1,nh1,ohn1,trnh1,aos1,cb23,f1,iw1,lduk1,ph1,srp1,t
?,st1,r1,su1,bmr1,mr1,nh1,ohn1,trnh1,aos1,cb1,f1,iw1,lduk1,ph1,srp1,t
?,st1,r1,su1,bmr1,mr1,nh1,ohn1,trnh1,aos1,cb23,f1,iw1,lduk1,ph1,srp1,t

Format data di atas menyatakan bahwa nilai atribut untuk terminal adalah t1
= terminal (disjoint), t27 = terminal (intersects dan contains). Nilai atribut untuk
stasiun adalah st1 = stasiun (disjoint), st27 = stasiun (intersects dan contains).
Nilai atribut untuk rel adalah r1 = rel (disjoint), r2 = rel (intersects), r24 = rel
(intersects dan crosses), r26 = rel (intersects dan touches). Nilai atribut untuk
sungai adalah su1 = sungai (disjoint), su2 = sungai (intersects), su24 = sungai
(intersects dan crosses), su246 = sungai (intersects, crosses, dan touches), su26 =
sungai (intersects dan touches), su27 = sungai (intersects dan contains).
Pada bagian contoh data dapat dijelaskan bahwa pada baris pertama
menyatakan objek terminal tersebut tidak mempunyai hubungan spasial dengan
sesama objek terminal, disjoint dengan stasiun, disjoint dengan rel, disjoint sungai,
disjoint dengan bridge main road, disjoint dengan main road, disjoint dengan
overpass highway national, disjoint dengan tol road nation, disjoint dengan
agriculture and open space, intersects dan within dengan commercial bussines,
disjoint dengan forestry, disjoint dengan industry and warehouse, disjoint dengan
low density urban kampung, disjoint dengan planned house, dan disjoint dengan
swamp, river, and pond.
Pada baris kedua menyatakan objek terminal tersebut tidak mempunyai
hubungan spasial dengan sesama objek terminal, disjoint dengan stasiun, disjoint
dengan rel, disjoint sungai, disjoint dengan bridge main road, disjoint dengan
main road, disjoint dengan overpass highway national, disjoint dengan tol road
nation, disjoint dengan agriculture and open space, disjoint dengan commercial
bussines, disjoint dengan forestry, disjoint dengan industry and warehouse,

6
disjoint dengan low density urban kampung, disjoint dengan planned house, dan
disjoint dengan swamp, river, and pond.
Pada baris ketiga menyatakan objek terminal tersebut tidak mempunyai
hubungan spasial dengan sesama objek terminal, disjoint dengan stasiun, disjoint
dengan rel, disjoint sungai, disjoint dengan brige main road, disjoint dengan main
road, disjoint dengan overpass highway national, disjoint dengan tol road nation,
disjoint dengan agriculture and open space, intersects dan within dengan
commercial bussines, disjoint dengan forestry, disjoint dengan industry and
warehouse, disjoint dengan low density urban kampung, disjoint dengan planned
house, dan disjoint dengan swamp, river, and pond.
Tahap Penentuan Aturan Asosiasi
Pada tahap ini dilakukan proses penentuan aturan asosiasi spasial untuk
mencari aturan spasial yang sesuai. Algoritme yang digunakan adalah algoritme
apriori.
Algoritme Apriori
Algoritme Apriori adalah sebuah algoritme pencarian pola yang banyak
digunakan dalam data mining. Algoritme ini ditujukan untuk mencari kombinasi
item-set yang mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter
yang diinginkan. Nama dari algoritme ini didasarkan pada fakta bahwa algoritme
ini menggunakan prior knowledge dari frequent itemset (Han dan Kamber 2006).
Tahap pertama pada algoritme ini adalah menemukan frequent 1-itemsets
dengan scanning database untuk kemudian menghitung support (jumlah kejadian)
untuk setiap item. Setelah support dari setiap item didapat, item yang memiliki
support diatas minimum support dikumpulkan. Hasil dari tahap tersebut disebut
L1. Selanjutnya, dengan L1 dapat menemukan L2 (frequent 2-itemsets), dari L2
kita dapat menemukan L3, dan seterusnya sampai tidak ada lagi frequent kitemsets yang ditemukan.
Algoritme Apriori (Agrawal dan Srikant 1994) :
Ck: candidate itemset of size k
Lk: frequent itemset of size k
L1 = {large 1-itemset};
for (k = 2; Lk-1 != Ø; k++) do begin
Ck = apriori-gen(Lk-1);
for each transaction t in database
do
Ct = subset(Ck, t);
for each candidates c in Ct do
c.count++;
end
Lk = candidates c in Ck where
c.count >= minsupp;
return ∪k Lk;

Aturan
Aturan yang dihasilkan melalui proses penentuan aturan asosiasi spasial
berbentuk X  Y [S%, C%]. Jika sebuah aturan terdiri atas dua atau lebih dimensi,

7
seperti dimensi object, intersects, dan close_to, maka disebut dengan
multidimensional association rule (Han dan Kamber 2006). Jika hanya satu
dimensi maka disebut single-dimensional association rule. Sebagai contoh
object(X, “sekolah”) ^ intersects(X, “pusatolahraga”)  close_to(X,”taman”)
[50%, 80%], ini bermakna bahwa 80% sekolah yang berpotongan dengan pusat
olahraga maka dekat dengan taman, hal ini terjadi pada 50% dari keseluruhan data
yang ada.
Support
Support untuk suatu aturan asosiasi X  Y adalah proporsi banyaknya
kejadian dalam basis data yang item X dan item Y terdapat dalam sebuah relasi,
dengan kata lain
Support = P(X ⋃ Y) =

Jumlah relasi yang mengandung X dan Y
Jumlah keseluruhan relasi

Confidence
Confidence untuk suatu aturan asosiasi X  Y adalah ukuran keakuratan
dari aturan tersebut, dihitung dari persentase relasi dalam basis data yang
mengandung X dan juga mengandung Y, dengan kata lain
Confidence(X⇒Y) = P(Y|X) =

support(x ⋃ y)

=

support(x)
Jumlah relasi yang mengandung X dan Y
Jumlah relasi yang mengandung X

Verifikasi Aturan
Aturan yang sudah dihasilkan pada tahap sebelumnya kemudian diverifikasi
untuk menentukan apakah memiliki keterkaitan yang berguna atau tidak. Aturan
yang digunakan adalah yang memiliki nilai support dan confidence di atas
ambang batas.
Laporan
Aturan-aturan yang sudah didapatkan dan diverifikasi kemudian dilakukan
representasi pengetahuan yang ditampilkan dalam bentuk tabel.

HASIL DAN PEMBAHASAN
Data
Penelitian dilakukan terhadap objek spasial di Kota Bogor sebanyak 13 179
data yang dikelompokkan menjadi 7495 landuse, 11 bus terminal (Lampiran 1), 2
stasiun (Lampiran 2), 5147 jalan, 455 sungai di Kota Bogor (Lampiran 3), dan 1
rel (Lampiran 4).

8

Objek
Landuse
Terminal
Stasiun
Jalan
Rel
Sungai

Tabel 1 Jumlah objek dan tipe geometri
Tipe geometri
Poligon
Titik
Titik
Garis
Garis
Garis

Jumlah objek
7495
11
2
5147
1
455

Praproses Data
Dari data yang ada tersebut kemudian dilakukan proses penentuan hubungan
spasial antar objek. Data yang didapatkan dengan format file .shp dibuka
menggunakan QuantumGIS, kemudian dapat dilihat peta yang menampilkan
objek-objek spasial tersebut. Peta objek spasial dapat dilihat pada Gambar 3.

Gambar 3 Peta objek spasial Kota Bogor
Selanjutnya dapat dilihat tabel atribut yang berisi informasi dari masingmasing objek. Contoh tabel dapat dilihat pada Gambar 4 yang menampilkan nama
dari terminal-terminal yang ada. Kemudian atribut yang penting dari tabel tersebut
di-copy ke Microsoft Excel.

9

Gambar 4 Atribute objek terminal
Seleksi Data
Untuk data jalan dan landuse karena jumlahnya yang sangat banyak, yaitu
5147 data jalan dan 7495 data landuse, maka dilakukan pembagian data sesuai
kategori yang ada. Pembagian data tersebut dilakukan di QuantumGIS dengan
fungsi split vector layer. Pada split vector layer, dipilih input vector layer yaitu
layer yang akan dibagi, kemudian unique id field untuk memilih berdasarkan apa
layer tersebut akan dibagi. Fungsi split vector layer tersebut dapat dilihat pada
Gambar 5.

Gambar 5 Tampilan operasi split pada layer vector
Dari Gambar 5, layer yang akan dibagi adalah jalan dan dibagi berdasarkan
nama unsur.
Integrasi Data
Selanjutnya, setiap kelompok objek ditentukan hubungan spasialnya dengan
kelompok objek lainnya. Hubungan spasial yang ada antara lain contains,
intersects, is disjoint, overlaps, equals, touches, dan within. Proses penentuan
hubungan spasial dengan menggunakan fungsi spatial query pada QuantumGIS
dapat dilihat pada Gambar 6.

10

Gambar 6 Penentuan hubungan spasial
Dengan spatial query tersebut, dapat dipilih objek yang akan dicari
hubungan spasialnya dengan fungsi select source features from. Kemudian dipilih
dengan objek apa objek tersebut akan dicari hubungannya dengan fungsi
reference features of. Selanjutnya dipilih hubungan spasialnya dengan fungsi
where the feature. Dari Gambar 6 tersebut dapat dilihat, objek yang dicari
hubungannya adalah terminal dan Kota Bogor dengan fitur hubungan spasial yang
dicari adalah intersects. Hasil dari objek terminal yang mempunyai hubungan
spasial intersects dengan Kota Bogor dapat dilihat di result feature ID’s yang
menampilkan id dari objek tersebut. Kemudian objek dengan id tersebut dicatat di
Microsoft Excel. Selanjutnya dicari lagi dengan fitur hubungan spasial lainnya.
Begitu juga selanjutnya dengan objek-objek lainnya, dihubungkan satu persatu
untuk dicari hubungan spasialnya.
Setelah semua objek dihubungkan dengan objek lainnya dan diketahui
hubungan spasialnya. Hasil tersebut dicatat ke Microsoft Excel, kemudian seluruh
kelompok objek tersebut diintegrasikan menjadi satu kesatuan data. Contoh dari
hubungan spasial yang dihasilkan dapat dilihat pada Tabel 2 dan 3.
Pembersihan Data
Selanjutnya, dilakukan pembersihan data dengan menghapus data yang
mengandung nilai kosong. Dari proses sebelumnya diketahui terdapat 42 data
sungai dan 117 data jalan yang tidak mempunyai hubungan spasial dengan objekobjek lainnya, maka data tersebut dihapus. Total data yang digunakan setelah
pembersihan dan seleksi data adalah 8081 data.
Transformasi Data
Setelah itu data yang ada dilakukan proses pengubahan menjadi bentuk
yang tepat agar dapat digunakan pada proses selanjutnya. Objek yang ada
direpresentasikan dalam bentuk lain, seperti terminal = t, stasiun = st, rel = r,

11
sungai = su, agriculture and open space = aos, commercial and bussines = cb,
forestry = f, industry and warehouse = iw, low density urban kampung = lduk,
planned house = ph, swamp, river, and pond = swp, bridge main road = bmr, main
road = mr, national highway = nh, overpass highway national = ohn, dan tol road
nation = trnh. Begitu juga dengan hubungan spasial yang ada direpresentasikan
menjadi, 1 = is disjoint, 2 = intersects, 3 = within, 4 = crosses, 5 = overlaps, 6 =
touches, dan 7 =contains. Contoh setelah dilakukan proses pengubahan data dapat
dilihat pada Tabel 3.
Tabel 2 Hubungan spasial objek Kota Bogor
Objek
Stasiun
Rel
Sungai
Terminal
is_disjoint
is_disjoint
is_disjoint
Stasiun
?
is_disjoint
is_disjoint
Rel
is_disjoint
?
intersects, crosses
Sungai
is_disjoint
is_disjoint
?
Sungai
is_disjoint
intersects, crosses
?
Main Road
is_disjoint
is_disjoint
is_disjoint
Main Road
is_disjoint
intersects, crosses
intersects, crosses
Forestry
is_disjoint
is_disjoint
is_disjoint
Forestry
is_disjoint
is_disjoint
Intersects
Planned_House is_disjoint
is_disjoint
is_disjoint
Planned_House is_disjoint
is_disjoint
intersects

Objek
Terminal
Stasiun
Rel
Sungai
Sungai
Main Road
Main Road
Forestry
Forestry
Planned_House
Planned_House

Tabel 3 Kode hubungan spasial
Stasiun
Rel
st1
r1
?
r1
st1
?
st1
r1
st1
r24
st1
r1
st1
r24
st1
r1
st1
r1
st1
r1
st1
r1

Sungai
su1
su1
su24
?
?
su1
su24
su1
su2
su1
su2

Setelah itu, semua data dari masing-masing objek diintegrasikan menjadi
satu kesatuan data, kemudian disimpan dalam format CSV. Kemudian data
tersebut diubah lagi menjadi format ARFF agar dapat dibaca oleh Weka untuk
proses selanjutnya, yaitu tahap mining. Contoh data dengan format ARFF dapat
dilihat pada Gambar 7.

12

Gambar 7 Data dalam format ARFF
Tahap Penentuan Aturan Asosiasi
Pada tahap ini dilakukan proses mining dengan menggunakan fungsi
asosiasi yang tersedia di Weka versi 3.7.10. Data tersebut diproses dengan
associator apriori. Kemudian ditentukan minimum support dan minimum
confidence. Aturan asosiasi yang dipilih adalah yang memiliki nilai support dan
confidence di atas ambang batas.
Pada proses ini dilakukan percobaan beberapa kali dengan minimum support
dan confidence yang berbeda. Pertama, minimum support diberi nilai 10% dan
minimum confidence 30%.
Jumlah total aturan yang dihasilkan adalah 133 074 aturan. Aturan-aturan
tersebut dibentuk oleh large itemset dengan jumlah seperti pada Tabel 4.
Tabel 4 Large itemset untuk minimum support 10% dan confidence 30%
Large itemset
Jumlah
Large itemset
Jumlah
1- large itemset
2- large itemset
3- large itemset
4- large itemset
5- large itemset
6- large itemset
7- large itemset
8- large itemset

49
360
1599
4866
10885
18693
25294
27319

9- large itemset
10- large itemset
11- large itemset
12- large itemset
13- large itemset
14- large itemset
15- large itemset
16- large itemset

23616
16249
8781
3644
1120
240
32
2

Large itemset didapatkan dengan scanning database untuk kemudian
menghitung support (jumlah kejadian) untuk setiap item. Setelah support dari
setiap item didapat, item yang memiliki support di atas minimum support
dikumpulkan. Hasil dari tahap tersebut disebut 1-large itemset. Selanjutnya,
dengan 1-large itemset dapat ditemukan 2-large itemset, dari 2-large itemset dapat

13
ditemukan 3-large itemset, dan seterusnya sampai tidak ada lagi large itemset
yang ditemukan.
Didapatkanlah beberapa aturan berikut dengan running time selama 4 menit
23 detik.
1 is_disjoint (X , stasiun) Ʌ is_disjoint (X , brige main road) Ʌ is_disjoint (X ,
national highway) Ʌ is_disjoint (X , overpass highway) Ʌ is_disjoint (X ,
commercial bussines) Ʌ is_disjoint (X, planned house) Ʌ → is_a (X, low
density urban kampung) [40,80% ; 41%]
2 is_disjoint (X , terminal) Ʌ is_disjoint (X , national highway) Ʌ is_disjoint (X ,
tol road) Ʌ is_disjoint (X , planned house) → is_a (X , low density urban
kampung) [40,28%; 40%]
3 is_disjoint (X, rel) Ʌ is_disjoint (X, national highway) Ʌ is_disjoint (X,
commercial bussines) Ʌ is_disjoint (X, forestry) Ʌ is_disjoint (X, industry
warehouse) → is_a (X, low density urban kampung) [37,77%; 38%]
Setelah itu dicoba lagi dengan menaikkan nilai minumum support menjadi
20% dan minimum confidence tetap 30%. Jumlah total aturan yang dihasilkan
adalah 29 458 aturan dengan running time selama 49 detik. Jumlah large itemset
dapat dilihat pada Tabel 5.
Tabel 5 Large itemset untuk minimum support 20% dan confidence 30%
Large itemset
Jumlah
Large itemset
Jumlah
1- large itemset
32
8- large itemset
4939
2- large itemset
223
9- large itemset
2765
3- large itemset
914
10- large itemset
1109
4- large itemset
2469
11- large itemset
303
5- large itemset
4662
12- large itemset
51
6- large itemset
6391
13- large itemset
4
7- large itemset
6504
Beberapa hasilnya dapat dilihat sebagai berikut.
1 is_disjoint (X , national highway) Ʌ intersects (X , agriculture and open
space) Ʌ touches (X , agriculture and open space) Ʌ is_disjoint (X ,
commercial and bussines) Ʌ is_disjoint (X , industry and warehouse) Ʌ
is_disjoint (X , planned house) → is_a (X , low density urban kampung)
[77%; 77%]
2 is_disjoint (X , terminal) Ʌ intersects (X , agriculture and open space) Ʌ
touches (X , agriculture and open space) Ʌ is_disjoint (X , commercial and
bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X , industry and
warehouse) Ʌ is_disjoint (X , planned house) → is_a (X , low density urban
kampung) [76,88%; 77%]
3 is_disjoint (X , rel) Ʌ is_disjoint (X , bridge main road) Ʌ is_disjoint (X ,
overpass highway) Ʌ intersects (X , agriculture and open space) Ʌ touches (X ,
agriculture and open space) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X ,
industry and warehouse) Ʌ is_disjoint (X , planned house) → is_a (X , low
density urban kampung) [75,34%; 75%]

14
Agar aturan yang dihasilkan adalah aturan-aturan yang memiliki support
dan confidence yang tinggi, maka minimum support dan confidence dinaikkan
lagi nilainya beberapa kali. Sampai pada akhirnya ditentukan bahwa yang
dianggap paling tepat adalah dengan minimum support 20% dan minimum
confidence 50%.
Running time untuk menghasilkan aturan-aturan tersebut adalah 43 detik.
Sebaran large itemset dapat dilihat pada Tabel 6.
Tabel 6 Large itemset untuk minimum support 20% dan confidence 50%
Large itemset
Jumlah
Large itemset
Jumlah
1- large itemset
32
8- large itemset
4939
2- large itemset
223
9- large itemset
2765
3- large itemset
914
10- large itemset
1109
4- large itemset
2469
11- large itemset
303
5- large itemset
4662
12- large itemset
51
6- large itemset
6391
13- large itemset
4
7- large itemset
6504
Dengan minimum support dan confidence tersebut dihasilkan 6064 aturan
asosiasi dari objek spasial Kota Bogor. Diantaranya sebagai berkut.
1 is_disjoint (X , stasiun) Ʌ is_disjoint (X , national highway) Ʌ intersects (X ,
agriculture and open space) Ʌ touches (X , agriculture and open space) Ʌ
is_disjoint (X , commercial and bussines) Ʌ is_disjoint (X , forestry) Ʌ
is_disjoint (X , industry and warehouse) Ʌ is_disjoint (X , planned house) →
is_a (X , low density urban kampung) [77%; 77%]
2 is_disjoint (X , terminal) Ʌ is_disjoint (X , bridge main road) Ʌ is_disjoint (X ,
national highway) Ʌ is_disjoint (X , overpass highway) Ʌ intersects (X ,
agriculture and open space) Ʌ touches (X , agriculture and open space) Ʌ
is_disjoint (X , commercial and bussines) Ʌ is_disjoint (X , forestry) Ʌ
is_disjoint (X , industry and warehouse) Ʌ is_disjoint (X , planned house) →
is_a (X , low density urban kampung) [76,99%; 77%]
3 is_disjoint (X , terminal) Ʌ is_disjoint (X , rel) Ʌ is_disjoint (X , main road) Ʌ
is_disjoint (X , tol road) Ʌ intersects (X , agriculture and open space) Ʌ
touches (X , agriculture and open space) Ʌ is_disjoint (X , planned house) →
is_a (X , low density urban kampung) [71,35%; 71%]
4 is_disjoint (X , bridge main road) Ʌ is_disjoint (X , main road) Ʌ is_disjoint
(X , commercial and bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X ,
industry and warehouse) Ʌ intersects (X , low density urban kampung) Ʌ
touches (X , low density urban kampung) → is_a (X , agriculture and open
space) [58,86%; 59%]
5 is_disjoint (X , stasiun) Ʌ is_disjoint (X , tol road) Ʌ is_disjoint (X ,
commercial and bussines) Ʌ is_disjoint (X , forestry) Ʌ intersects (X , low
density urban kampung) Ʌ touches (X , low density urban kampung) → is_a
(X , agriculture and open space) [56,81%; 57%]

15
Dari aturan asosiasi yang didapat, dilakukan seleksi dan verifikasi kembali
untuk menentukan aturan yang sesuai. Aturan yang digunakan adalah yang
memiliki support dan confidence di atas ambang batas. Tidak semua aturan yang
didapat menghasilkan informasi baru. Satu aturan bisa didapatkan dari aturan
yang lain. Contohnya adalah sebagai berikut.
1 is_disjoint (X , terminal) Ʌ is_disjoint (X , stasiun) Ʌ is_disjoint (X , overpass
highway) Ʌ is_disjoint (X , tol road) Ʌ is_disjoint (X , commercial and
bussines) Ʌ is_disjoint (X , forestry) Ʌ intersects (X , low density urban
kampung) Ʌ touches (X , low density urban kampung) → is_a (X ,
agriculture and open space)
2 is_disjoint (X , tol road) Ʌ is_disjoint (X , commercial and bussines) Ʌ
is_disjoint (X , forestry) Ʌ intersects (X , low density urban kampung) Ʌ
touches (X , low density urban kampung) → is_a (X , agriculture and open
space)
Dari contoh tersebut dapat dilihat bahwa informasi yang terdapat pada
aturan kedua sudah terdapat pada aturan pertama, maka aturan kedua tersebut
tidak menghasilkan informasi baru. Oleh karena itu aturan kedua dapat
dihilangkan.
Kemudian didapatkan aturan asosiasi yang dapat dilihat sebagai berikut.
1 is_disjoint (X , terminal) Ʌ is_disjoint (X , stasiun) Ʌ is_disjoint (X , rel) Ʌ
is_disjoint (X , bridge main road) Ʌ is_disjoint (X , main road) Ʌ is_disjoint
(X , national highway) Ʌ is_disjoint (X , overpass highway) Ʌ is_disjoint (X ,
tol road) Ʌ intersects (X , agriculture and open space) Ʌ touches (X ,
agriculture and open space) Ʌ is_disjoint (X , commercial and bussines) Ʌ
is_disjoint (X , forestry) Ʌ is_disjoint (X , industry and warehouse) Ʌ
is_disjoint (X , planned house) → is_a (X , low density urban kampung)
[76,66%; 77%]
2 is_disjoint (X , terminal) Ʌ is_disjoint (X , stasiun) Ʌ is_disjoint (X , rel) Ʌ
is_disjoint (X , bridge main road) Ʌ is_disjoint (X , main road) Ʌ _disjoint (X ,
overpass highway) Ʌ is_disjoint (X , tol road) Ʌ is_disjoint (X , commercial
bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X , industry and
warehouse) Ʌ intersects (X , low density urban kampung) Ʌ touches (X , low
density urban kampung) → is_a (X , agriculture and open space) [58,63%;
59%]
Hasil aturan yang dihasilkan dapat direpresentasikan di peta yang ada pada
Gambar 8. Daerah yang merepresentasikan hasil aturan pertama diwarnai dengan
warna orange. Daerah tersebut merupakan low density urban kampung yang
memiliki karakteristik seperti aturan pertama. Daerah yang merepresentasikan
hasil aturan kedua diwarnai dengan warna hijau muda. Daerah tersebut merupakan
agriculture and open space yang memiliki karakteristik seperti aturan kedua.

16

Gambar 8 Daerah hasil aturan asosiasi

SIMPULAN DAN SARAN
Simpulan
Spatial data mining dapat mengekstrak pengetahuan dari objek data spasial
di Kota Bogor. Dari penelitian yang dilakukan telah berhasil didapatkan aturan
asosiasi dari data spasial Kota Bogor. Aturan asosiasi yang dihasilkan menyatakan
bahwa terdapat dua objek spasial, yaitu low density urban kampung dan
agriculture and open space yang memiliki asosiasi dengan objek-objek spasial
lain di kota Bogor. Objek spasial low density urban kampung disjoint dengan
terminal, disjoint dengan stasiun, rel, bridge main road, main road, national
highway, overpass highway, tol road, disjoint dengan commercial and bussines,
forestry, industry and warehouse, dan planned house, serta berpotongan dan
bersentuhan dengan agriculture and open space. Pola asosiasi tersebut memiliki
nilai support 76,66% dan nilai confidence 77%. Adapun untuk objek spasial
agriculture and open space memiliki asosiasi dengan objek lain, yaitu disjoint
dengan terminal, stasiun, rel, bridge main road, main road, overpass highway, tol
road, commercial and bussines, forestry, industry and warehouse, serta
berpotongan dan bersentuhan dengan low density urban kampung. Pola asosiasi
tersebut memiliki nilai support 58,63% dan nilai confidence 59%. Aturan yang
muncul hanya untuk kedua objek spasial yaitu low density urban kampung dan
agriculture and open space. Hal ini dikarenakan jumlah objek spasial tersebut
lebih banyak dibandingkan objek lainnya, yaitu low density urban kampung
sebanyak 2826 data dan agriculture and open space sebanyak 2375 data.

17
Saran
Penelitian ini masih memiliki banyak kekurangan. Untuk penelitian
selanjutnya dapat dilakukan pruning sebelum tahap mining untuk menghasilkan
atribut terbaik.

DAFTAR PUSTAKA
Agrawal R, Srikant R. 1994. Fast algorithms for mining association rules. Di
dalam: Proceedings of the 20th VLDB. hlm 487-499.
Han J, Kamber M. 2006. Data Mining: Concept and Techniques. San Francisco
(US): Morgan Kaufmann.
Hariona P. 2009. Spatial association rule mining terhadap data sebaran Kota
Bogor [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Koperski K, Han J. 1995. Discovery of spatial association rules in geographic
information databases. Di dalam: Advances in Spatial Databases; 1995 Agu
6-9; Portland, USA. hlm 47-66.
Murai S. 1996. GIS work book (fundamental course) [Internet]. [diunduh 2014
Mar 21]. Tersedia pada: http//cret.cnu.edu.cn/syjx/content/giswb/vol1/cp2/2
-4.gif.
Rajabidfard A, Williamson IP. 2000. Spatial data infrastructures: concepts, SDI,
hierarchy, and future directions. Melbourne (AU): University of
Melbourne.

18

LAMPIRAN
Lampiran 1 Data terminal

Lampiran 2 Data stasiun

Lampiran 3 Data sungai

Lampiran 4 Data rel

19
Lampiran 5 Data Kota Bogor

Lampiran 6 Data ARFF

20
Lampiran 7 Nilai atribut objek spasial
Kode
Nilai Atribut
t1
terminal (disjoint)
t27
terminal (intersects, contains)
st1
stasiun (disjoint)
st27
stasiun (intersects, contains)
r1
rel (disjoint)
r2
rel (intersects)
r24
rel (intersects, crosses)
r26
rel (intersects, touches)
su1
sungai (disjoint)
su2
sungai (intersects)
su24
sungai (intersects, crosses)
su246
sungai (intersects, crosses, touches)
su26
sungai (intersects, touches)
su27
sungai (intersects, contains)
bmr1
brige main road (disjoint)
bmr2
brige main road (intersects)
bmr24
brige main road (intersects, crosses)
bmr26
brige main road (intersects, touches)
mr1
main road (disjoint)
mr2
main road (intersects)
mr24
main road (intersects, crosses)
mr26
main road (intersects, touches)
mr27
main road (intersects, contains)
nh1
national highway (disjoint)
nh2
national highway (intersects)
nh24
national highway (intersects, crosses)
nh26
national highway (intersects, touches)
nh27
national highway (intersects, contains)
ohn1
overpass highway national (disjoint)
ohn27
overpass highway national (intersects, contains)
trnh1
tol road national highway (disjoint)
trnh2
tol road national highway (intersects)
trnh24
tol road national highway (intersects, crosses)
trnh26
tol road national highway (intersects, touches)
aos1
agriculture & open space (disjoint)
aos2
agriculture & open space (intersects)
aos23
agriculture & open space (intersects, within)
aos24
agriculture & open space (intersects, crosses)
aos246
agriculture & open space (intersects, crosses, touches)
aos25
agriculture & open space (intersects, overlaps)
aos257
agriculture & open space (intersects, overlaps, contains)
aos26
agriculture & open space (intersects, touches)
cb1
commercial & bussines (disjoint)
cb23
commercial & bussines (intersects, within)
cb24
commercial & bussines (intersects, crosses)
cb246
commercial & bussines (intersects, crosses, touches)

21
Lampiran 7 Lanjutan
Kode
Nilai Atribut
cb25
commercial & bussines (intersects, overlaps)
cb257
commercial & bussines (intersects, overlaps, contains)
cb26
commercial & bussines (intersects, touches)
cb27
commercial & bussines (intersects, contains)
f1
forestry (disjoint)
f24
forestry (intersects, crosses)
f246
forestry (intersects, crosses, touches)
f25
forestry (intersects, overlaps)
f257
forestry (intersects, overlaps, contains)
f26
forestry (intersects, touches)
f27
forestry (intersects, contains)
iw1
industry & warehouse (disjoint)
iw2
industry & warehouse (intersects)
iw23
industry & warehouse (intersects, within)
iw24
industry & warehouse (intersects, crosses)
iw246
industry & warehouse (intersects, crosses, touches)
iw25
industry & warehouse (intersects, overlaps)
iw257
industry & warehouse (intersects, overlaps, contains)
iw26
industry & warehouse (intersects, touches)
iw27
industry & warehouse (intersects, contains)
lduk1
low density urban kampung (disjoint)
lduk23 low density urban kampung (intersects, within)
lduk236 low density urban kampung (intersects, within, touches)
lduk24 low density urban kampung (intersects, crosses)
lduk246 low density urban kampung (intersects, crosses, touches)
lduk25 low density urban kampung (intersects, overlaps)
lduk257 low density urban kampung (intersects, overlaps, contains)
lduk26 low density urban kampung (intersects, touches)
lduk2
low density urban kampung (intersects)
ph1
planned house (disjoint)
ph2
planned house (intersects)
ph23
planned house (intersects, within)
ph24
planned house (intersects, crosses)
ph246
planned house (intersects, crosses, touches)
ph25
planned house (intersects, overlaps)
ph257
planned house (intersects, overlaps, contains)
ph26
planned house (intersects, touches)
ph27
planned house (intersects, contains)
srp1
swamp, river & pond (disjoint)
srp23
swamp, river & pond (intersects, within)
srp24
swamp, river & pond (intersects, crosses)
srp246 swamp, river & pond (intersects, crosses, touches)
srp25
swamp, river & pond (intersects, overlaps)
srp257 swamp, river & pond (intersects, overlaps, contains)
srp26
swamp, river & pond (intersects, touches)
srp27
swamp, river & pond (intersects, contains)

22
Lampiran 8 Aturan yang dihasilkan
No. Aturan
1.
is_disjoint (X , stasiun) Ʌ is_disjoint (X , brige main road) Ʌ is_disjoint
(X , national highway) Ʌ is_disjoint (X , overpass highway) Ʌ is_disjoint
(X , commercial bussines) Ʌ is_disjoint (X, planned house) Ʌ → is_a (X,
low density urban kampung) [40,80% ; 41%]
2.
is_disjoint (X , terminal) Ʌ is_disjoint (X , national highway) Ʌ is_disjoint
(X , tol road) Ʌ is_disjoint (X , planned house) → is_a (X , low density
urban kampung) [40,28%; 40%]
3.
is_disjoint (X, rel) Ʌ is_disjoint (X, national highway) Ʌ is_disjoint (X,
commercial bussines) Ʌ is_disjoint (X, forestry) Ʌ is_disjoint (X, industry
warehouse) → is_a (X, low density urban kampung) [37,77%; 38%]
4.
is_disjoint (X , national highway) Ʌ intersects (X , agriculture open
space) Ʌ touches (X , agriculture open space) Ʌ is_disjoint (X ,
commercial bussines) Ʌ is_disjoint (X , industry warehouse) Ʌ is_disjoint
(X , planned house) → is_a (X , low density urban kampung) [77%; 77%]
5.
is_disjoint (X , terminal) Ʌ intersects (X , agriculture open space) Ʌ
touches (X , agriculture open space) Ʌ is_disjoint (X , commercial
bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X , industry warehouse)
Ʌ is_disjoint (X , planned house) → is_a (X , low density urban kampung)
[76,88%; 77%]
6.
is_disjoint (X , rel) Ʌ is_disjoint (X , brige main road) Ʌ is_disjoint (X ,
overpass highway) Ʌ intersects (X , agriculture open space) Ʌ touches (X ,
agriculture open space) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X ,
industry warehouse) Ʌ is_disjoint (X , planned house) → is_a (X , low
density urban kampung) [75,34%; 75%]
7.
is_disjoint (X , stasiun) Ʌ is_disjoint (X , national highway) Ʌ intersects
(X , agriculture open space) Ʌ touches (X , agriculture open space) Ʌ
is_disjoint (X , commercial bussines) Ʌ is_disjoint (X , forestry) Ʌ
is_disjoint (X , industry warehouse) Ʌ is_disjoint (X , planned house) →
is_a (X , low density urban kampung) [77%; 77%]
8.
is_disjoint (X , terminal) Ʌ is_disjoint (X , rel) Ʌ is_disjoint (X , main
road) Ʌ is_disjoint (X , tol road) Ʌ intersects (X , agriculture open space)
Ʌ touches (X , agriculture open space) Ʌ is_disjoint (X , planned house) →
is_a (X , low density urban kampung) [71,35%; 71%]
9.
is_disjoint (X , brige main road) Ʌ is_disjoint (X , main road) Ʌ is_disjoint
(X , commercial bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X ,
industry warehouse) Ʌ intersects (X , low density urban kampung) Ʌ
touches (X , low density urban kampung) → is_a (X , agriculture open
space) [58,86%; 59%]
10.
is_disjoint (X , stasiun) Ʌ is_disjoint (X , tol road) Ʌ is_disjoint (X ,
commercial bussines) Ʌ is_disjoint (X , forestry) Ʌ intersects (X , low
density urban kampung) Ʌ touches (X , low density urban kampung) →
is_a (X , agriculture open space) [56,81%; 57%]

23
Lampiran 8 Lanjutan
No. Aturan
11. is_disjoint (X , terminal) Ʌ is_disjoint (X , stasiun) Ʌ is_disjoint (X , rel) Ʌ
is_disjoint (X , brige main road) Ʌ is_disjoint (X , main road) Ʌ is_disjoint
(X , national highway) Ʌ is_disjoint (X , overpass highway) Ʌ is_disjoint
(X , tol road) Ʌ intersects (X , agriculture open space) Ʌ touches (X ,
agriculture open space) Ʌ is_disjoint (X , commercial bussines) Ʌ
is_disjoint (X , forestry) Ʌ is_disjoint (X , industry warehouse) Ʌ
is_disjoint (X , planned house) → is_a (X , low density urban kampung)
[76,66%; 77%]
12. is_disjoint (X , terminal) Ʌ is_disjoint (X , stasiun) Ʌ is_disjoint (X , rel) Ʌ
is_disjoint (X , brige main road) Ʌ is_disjoint (X , main road) Ʌ _disjoint
(X , overpass highway) Ʌ is_disjoint (X , tol road) Ʌ is_disjoint (X ,
commercial bussines) Ʌ is_disjoint (X , forestry) Ʌ is_disjoint (X , industry
warehouse) Ʌ intersects (X , low density urban kampung) Ʌ touches (X ,
low density urban kampung) → is_a (X , agriculture open space) [58,63%;
59%]

24

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 12 Agustus 1991 dari ayah
Wagito dan ibu Saminem. Penulis adalah putri pertama dari tiga bersaudara.
Tahun 2009 penulis lulus dari SMA Negeri 47 Jakarta dan pada tahun yang sama
penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Undangan
Seleksi Masuk IPB dan diterima di Departemen Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam. Bulan Juni-Agustus 2012 penulis
melaksanakan Praktik Kerja Lapangan di Kantor Komunikasi dan Informatika
Balai Kota Bogor.