Modul Visualisasi Clustering Berbasis Densitas Untuk Persebaran Titik Panas Di Indonesia Menggunakan Mapserver

MODUL VISUALISASI CLUSTERING BERBASIS DENSITAS
UNTUK PERSEBARAN TITIK PANAS DI INDONESIA
MENGGUNAKAN MAPSERVER

YENNI PUSPITASARI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Modul Visualisasi
Clustering Berbasis Densitas untuk Persebaran Titik Panas di Indonesia
Menggunakan MapServer 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, Agustus 2015
Yenni Puspitasari
NIM G64110004

ABSTRAK
YENNI PUSPITASARI. Modul Visualisasi Clustering Berbasis Densitas untuk
Persebaran Titik Panas di Indonesia Menggunakan MapServer. Dibimbing oleh IMAS
SUKAESIH SITANGGANG.
Sistem Informasi Geografis (SIG) berbasis web yang telah dibangun oleh peneliti
sebelumnya merupakan visualisasi dari persebaran titik panas di Indonesia. SIG tersebut
belum dilengkapi dengan modul pengelompokan titik panas dengan menggunakan
teknik data mining. Penelitian ini bertujuan untuk membangun dan mengintegrasikan
modul clustering titik panas pada SIG yang telah dibuat oleh peneliti sebelumnya.
Modul clustering mengimplementasikan algoritme DBSCAN dengan menggunakan
bahasa pemrograman PHP untuk mengelompokkan data titik panas. Clustering data titik
panas dilakukan berdasarkan tahun, bulan, dan provinsi. Parameter clustering yang
digunakan adalah epsilon dan minpts. Nilai epsilon yang dapat digunakan adalah dalam
rentang nilai 0.01 sampai dengan 0.1, sedangkan minpts bernilai antara 1 sampai dengan

6. Informasi hasil clustering ditampilkan dalam bentuk tabel yang terdiri atas kolom
provinsi, kabupaten, latitude, longitude, dan cluster. Kolom cluster menyatakan hasil
akhir dari perhitungan modul clustering menggunakan algoritme DBSCAN. Cluster
divisualisasikan pada peta Indonesia yang dibangun menggunakan MapServer.
Visualisasi tersebut dapat membantu pihak-pihak yang terkait dalam menentukan
sebuah keputusan yang efektif dan efisien untuk mencegah terjadinya kebakaran hutan.
Kata kunci : algoritme DBSCAN, clustering, sistem informasi geografis, titik panas

ABSTRACT
YENNI PUSPITASARI. Visualization Module of Density-Based Clustering for
Hotspot Distribution in Indonesia Using MapServer. Supervised by IMAS SUKAESIH
SITANGGANG.
A web-based Geographic Information System (GIS) has been built by previous
researchers to visualize hotspot data in Indonesia. The GIS has not provided a hotspot
analysis module. Data mining method can be used to analyze hotspot data. This
research aims to develop and to integrate a clustering module of hotspots in GIS which
has been developed in the previous research. The clustering module for grouping
hotspot data was built using the DBSCAN algorithm with PHP programming language.
Clustering hotspot data was performed based on year, month, and province. The
clustering parameters are epsilon and minpts. The epsilon values ranged from 0.01 to

0.1, while minpts ranged from 1 to 6. The clustering results are shown as a table which
consists of province, regency, latitude, longitude, and cluster attributes. Cluster column
containing the final result of clustering. The clusters are visualized on the map of
Indonesia built using MapServer. Visualization can help parties involved in making
effective and efficient decisions to prevent forest fires.
Keywords: clustering, DBSCAN algorithm, geographic information system, hotspot

MODUL VISUALISASI CLUSTERING BERBASIS DENSITAS
UNTUK PERSEBARAN TITIK PANAS DI INDONESIA
MENGGUNAKAN MAPSERVER

YENNI PUSPITASARI

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
2015

Penguji : 1 Rina Trisminingsih, SKomp MT
2 Muhammad Abrar Istiadi, SKomp MKom

Judul Skripsi : Modul Visualisasi Clustering Berbasis Densitas untuk Persebaran Titik
Panas di Indonesia Menggunakan MapServer
Nama
: Yenni Puspitasari
NIM
: G64110004

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi MKom
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Alhamdulillah, Puji dan syukur penulis panjatkan kepada Allah subhanahu wa
ta’ala atas limpahan rahmat dan segala karunia-Nya sehingga karya ilmiah ini berhasil
diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari
2015 ini ialah data mining, dengan judul Modul Visualisasi Clustering Berbasis
Densitas untuk Persebaran Titik Panas di Indonesia Menggunakan MapServer.
Penyusunan dan penyelesaian tugas akhir ini tidak terlepas dari bantuan berbagai
pihak. Oleh karena itu, penulis ingin menyampaikan terima kasih kepada:
1
Kedua orang tua (Bapak Agus Priyono, SE dan Ibu Suryati) serta Teteh Vini
Novitasari, Amd. Keb. yang selalu mendoakan penulis, memberikan dukungan,
dorongan, arahan, serta kasih sayang yang tak berujung.
2

Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing yang
selalu memberikan bimbingan dan nasehat selama pengerjaan tugas akhir.
3
Ibu Rina Trisminingsih, SKomp MT dan Bapak Muhammad Abrar Istiadi, SKomp
MKomp selaku dosen penguji, terima kasih atas arahan, masukan, dan saran
dalam pengujian tugas akhir.
4
Ibu Husnul Khotimah, SKomp MKom terima kasih atas masukan dan arahan
tentang DBSCAN dan clustering.
5
Kak Resti Hidayah dan Tri Ardini terima kasih untuk selalu mendukung,
memotivasi, mendoakan sejak awal lahirnya niat pembuatan tugas akhir ini, setia
menemani proses, dan tersenyum mengusap peluhku di puncak, serta menjadi
tempat curahan hati penulis.
6
Lusi Maulina Erman dan Ikhsan Wisudhandi Wibawa terima kasih untuk segala
dukungan, motivasi, doa yang diberikan, dan canda tawanya.
7
Dwi Agung P, Agisha Mutiara Yoga Asmarani Suci, Bang Irham, Aan, Bang Ali,
Anas, Irwan, Farino, dan Thio terima kasih sudah menjadi teman diskusi selama

pengerjaan tugas akhir.
8
Kak Rizki Dinaria Mulya dan abang tingkat alih jenis Ilmu Komputer angkatan 7,
terima kasih atas dukungan dan arahannya.
9
Adik Sarah Shanaz Shaztika dan Tri Yulianti terima kasih atas kebersamaan dan
canda tawa yang menghibur bagi penulis.
10 Gandis Asti R, Ulya Rufako, dan Gina Paradisa terima kasih atas persahabatan
yang terjalin sejak pertama kali merantau di Bogor.
11 Keluarga Ilmu Komputer 48 terima kasih untuk persaudaraan yang terjalin selama
empat tahun ini.
Semoga segala bantuan, bimbingan, motivasi, dan kebaikan-kebaikan yang telah
diberikan kepada penulis akan dilipat gandakan oleh Allah subhanahu wa ta’ala.
Akhirnya, semoga penulisan karya ilmiah ini bermanfaat dan dapat menambah
wawasan kita semua.
Bogor, Agustus 2015
Yenni Puspitasari

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

3

Manfaat Penelitian

3

Ruang Lingkup Penelitian

3

METODE

3

Data Penelitian

3

Tahapan Penelitian

3

Peralatan Penelitian

6

HASIL DAN PEMBAHASAN
SIMPULAN DAN SARAN

7
15

Simpulan

15

Saran

15

DAFTAR PUSTAKA

15

LAMPIRAN

17

RIWAYAT HIDUP

22

DAFTAR TABEL
1
2
3

Contoh data titik panas hasil seleksi atribut
Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006
Skenario dan hasil uji fungsi

7
10
14

DAFTAR GAMBAR
1
2
3
4
5
6
7
8

Diagram alir penelitian
Konsep density reachability, titik P dan Q disebut density connected
Konsep density connectivity, O adalah density reachable dari Q
Tahapan clustering menggunakan algoritme DBSCAN
Antarmuka halaman SIG yang diintegrasi dengan GoogleMap
Antarmuka peta menggunakan GeoExplorer
Komponen dasar dalam SIG berbasis web (Peng dan Tsou 2003)
Antarmuka tabel hasil clustering Provinsi Riau bulan Mei tahun 2006 dengan
epsilon 0.01 dan MinPts 3.
9 Visualisasi persebaran titik panas Provinsi Riau bulan Mei tahun 2006
dengan epsilon 0.01 dan minimum points 3
10 Visualisasi zoom in persebaran titik panas Provinsi Riau bulan Mei tahun
2006 dengan epsilon 0.01 dan minimum points 3
11 Visualisasi cluster 1, cluster 2, cluster 3 dan noise Provinsi Riau bulan Mei
tahun 2006

4
5
5
6
8
8
10
11
12
12
13

DAFTAR LAMPIRAN
1
2
3

Peseudocode algoritme DBSCAN (Ester et al. 1996)
Kode program algoritme DBSCAN menggunakan bahasa pemrograman PHP
(Maneck 2014)
Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006

17
18
21

PENDAHULUAN
Latar Belakang
Bencana alam yang sering terjadi di Indonesia setiap tahunnya adalah
kebakaran hutan. Kebakaran hutan yang terjadi di Indonesia diakibatkan oleh
berbagai proses degradasi hutan, deforestasi hutan, dan fenomena iklim El Niño.
Berbagai proses tersebut mengubah kawasan hutan di Indonesia dari ekosistem
yang tahan kebakaran menjadi ekosistem yang rentan terhadap kebakaran.
Kebakaran hutan di Indonesia tidak hanya merugikan Indonesia, namun juga
merugikan Singapura dan Malaysia. Kebakaran yang merugikan negara tersebut
adalah kebakaran hutan di wilayah rawa gambut Sumatera Selatan yang terjadi
pada tahun 1991 dan 1994. Kebakaran ini menimbulkan bencana nasional berupa
kabut asap. Kabut asap dari kebakaran hutan turut menyelimuti kedua negara
tersebut, mengganggu transportasi udara serta laut, dan meningkatkan tingkat
polusi udara yang sangat besar (FWI/GFW 2001)
Kebakaran hutan sampai bulan Oktober 1997 mencapai 131 923 hektare.
Kebakaran ini sebagian besar terjadi di Provinsi Jambi, Riau, dan Sumatera
Selatan. Kebakaran hutan terjadi di Kalimantan Tengah pada tahun 1997, 2001,
dan 2002. Kebakaran hutan tidak hanya terjadi di Kalimantan dan Sumatera saja,
pada tahun 1997-1998 dilaporkan terjadi di 23 dari 27 provinsi di Indonesia. Pada
Juli 2003, melalui pantauan citra satelit, tercatat sebanyak 1 210 titik panas, 98%
berasal dari Provinsi Riau. Oleh karena adanya peningkatan jumlah wilayah di
Indonesia yang berpotensi terjadi kebakaran hutan, pencegahan terhadap
kebakaran hutan di Indonesia perlu dilakukan agar bencana tersebut dapat
dikendalikan dan dapat meminimalkan dampaknya (Purba et al. 2014)
Sistem Informasi Geografis (SIG) adalah salah satu upaya untuk
pencegahan kebakaran hutan yaitu dengan mengetahui persebaran pengelompokan
data. Pengelolaannya dengan menggunakan data histori titik panas. Data tersebut
menjadi salah satu indikator terjadinya kebakaran hutan. Data titik panas
digunakan karena titik panas menjadi tolak ukur suhu suatu lokasi yang memiliki
suhu relatif tinggi daripada suhu sekitarnya. SIG adalah sistem informasi yang
digunakan untuk memasukkan, menyimpan, memanggil kembali, mengolah,
menganalisis, dan menghasilkan data bereferensi geografis atau data geospatial,
untuk mendukung pengambilan keputusan dalam perencanaan dan pengelolaan
penggunaan lahan, sumber daya alam, lingkungan transportasi, fasilitas kota, dan
pelayanan umum lainnya (Prahasta 2005). Pengembangan dan pengelolaan data
titik panas pada SIG sudah dilakukan oleh Barus (2014). SIG tersebut memiliki
fitur utama modul pencarian persebaran titik api berdasarkan lokasi dalam
rentang waktu tertentu dan hasil pencarian persebaran berupa peta, table, dan
grafik sehingga perubahan jumlah dan distribusi titik api dapat terlihat jelas, akan
tetapi sistem tersebut belum dilengkapi dengan analisis data titik panas
menggunakan teknik data mining.
Mulya (2014) telah mengembangkan SIG yang dibangun oleh Barus (2014).
Hasil peningkatan SIG tersebut dikembangkan dengan menambahkan berbagai
fitur, seperti menampilkan peta yang diintegrasikan dengan GoogleMap,

2
informasi persebaran titik panas yang lebih spesifik, dan export informasi
persebaran titik panas ke dalam format Microsoft Excel. Visualisasi peta juga
ditambahkan pada GeoExplorer yang disediakan oleh OpenGeo Suite.
Amri (2014) melakukan penelitian membuat modul klasifikasi kemunculan
titik api di Provinsi Riau dalam SIG. Klasifikasi yang dilakukan pada penelitian
ini mengunakan algoritme pohon keputusan C4.5. Pohon keputusan tersebut
dibangun menggunakan perangkat lunak OpenGeo Suite 3.0.
Implementasi teknik clustering pada SIG telah dilakukan oleh Caroline
(2013). SIG yang dirancang pada penelitiannya dapat menentukan prioritas desa
yang memiliki karakteristik lokasi dan kesesuaian lahan untuk alokasi wilayah
industri di Kabupaten Kubu Raya. Selain memberikan prioritas, sistem
memberikan informasi potensi lahan dan hasil bumi dari setiap desa sebagai
referensi pembangunan wilayah industri. Sistem tersebut dirancang menggunakan
metode Principal Component Analysis (PCA) dan Cluster Observation.
Wulandari (2012) melakukan penerapan SIG dengan menggunakan
clustering. Penelitian tersebut menggunakan teknik dynamic density based
clustering (DDBC) yang mengelompokkan data titik api berdasarkan
kepadatannya terhadap satu dengan yang lainnya. Teknik DDBC merupakan
algoritme penggabungan dari algoritme DBSCAN dan DENCLUE, yang
keduanya merupakan algoritme clustering berdasarkan density. Hasil clustering
dari penelitian ini menjelaskan titik-titik api dengan frekuensi kemunculan yang
cukup tinggi. Visualisasi berupa peta mempermudah pengambilan informasi dari
hasil clustering yang dilakukan sepetrti mudah untuk mengetahui kabupaten atau
provinsi yang mempunyai keberadaan titik api berpotensi tinggi terhadap terjadi
kebakaran hutan.
Penelitian lain tentang pengimplementasian SIG menggunakan clustering
dilakukan oleh Harianja (2008). Dalam penilitiannya dilakukan proses clustering
menggunakan algoritme K-Means untuk data penggunaan lahan dari data potensi
desa. Clustering dilakukan dengan menggunakan ukuran cluster 2 sampai dengan
10. Visualisasi hasil clustering tersebut menggunakan SIG berbasis web.
Pada penelitian ini dibangun sebuah modul clustering data titik panas di
Indonesia dalam SIG menggunakan algoritme Density-Based Spatial Clustering of
Applications with Noise (DBSCAN). Modul ini mengadaptasi langkah yang
dilakukan oleh Amri (2014), yaitu dengan menggunakan arsitekstur client-server
dan modul clustering berada pada peran server web. Modul clustering yang
dibangun diintegrasikan dengan SIG yang telah dibangun oleh Mulya (2014).
Data yang digunakan adalah data titik panas kebakaran hutan di Indonesia tahun
2002-2012.

Perumusan Masalah
SIG untuk persebaran titik panas di Indonesia telah dilakukan oleh Barus
(2014) dan visualisasi serta fitur-fitur dalam SIG tersebut telah dikembangkan
oleh Mulya (2014). Akan tetapi, SIG yang telah dibangun belum dilengkapi
dengan modul analisis pengelompokan titik panas dengan menggunakan teknik
data mining. Pengelompokan titik panas dilakukan menggunakan algoritme
DBSCAN. Rumusan masalah dari penelitian ini adalah bagaimana algoritme

3
DBSCAN digunakan untuk clustering serta membangun dan mengintegrasikan
modul clustering kemunculan titik panas menggunakan algoritme DBSCAN pada
SIG berbasis web yang telah dibuat oleh peneliti sebelumnya.
Tujuan Penelitian
Tujuan penelitian ini adalah:
Membuat modul clustering DBSCAN pada SIG berbasis web untuk
persebaran titik panas di Indonesia.
2 Mengelompokkan titik panas di Indonesia menggunakan modul clustering
berbasis web.

1

Manfaat Penelitian
Manfaat dari penelitian ini adalah memberikan informasi daerah yang
memiliki titik panas dengan kerapatan tinggi dan daerah rawan terjadi kebakaran,
sehingga dapat membantu pihak-pihak yang terkait dalam menentukan sebuah
keputusan yang efektif dan efisien untuk mencegah terjadinya kebakaran hutan.
Informasi yang ditampilkan pada SIG lebih mudah diperoleh dan dapat diakses
dengan cepat, karena informasi tersebut adalah disajikan dalam aplikasi berbasis
web.
Ruang Lingkup Penelitian
Data yang digunakan dalam penelitian ini adalah data titik panas di
Indonesia tahun 2002-2012 yang didapatkan dari peneliti sebelumnya (Mulya
2014). Penelitian ini menggunakan clustering DBSCAN. Clustering DBSCAN
tersebut dibangun menjadi sebuah modul dan diintegrasikan dengan SIG yang
telah dibangun oleh Mulya (2014)

METODE
Data Penelitian
Data yang digunakan dalam penelitian diperoleh dari www.inigis.org,
Departemen Kehutanan Republik Indonesia (DKRI) dan Fire Information for
Resource Management System National Aeronautics and Space Administration
(FIRMS NASA). Data yang diperoleh dari www.inigis.org adalah peta Indonesia
dengan format shapefile (shp), sedangkan data yang diperoleh DKRI adalah data
titik panas 2002-2005 dengan format txt dan data yang diperoleh dari FIRMS
NASA adalah data titik panas tahun 2006-2013 dengan format csv. Data tersebut
telah dilakukan praproses oleh peneliti sebelumnya (Mulya 2014). Dalam
penelitian ini, data didapatkan dari data yang telah dipraproses oleh peneliti
sebelumnya.
Tahapan Penelitian
Tahapan penelitian yang dilakukan dalam pembuatan modul clustering data
titik panas di Indonesia pada SIG seperti pada Gambar 1.

4

Mulai

Peta clustering
titik panas

Pengujian sistem

Analisis data titik panas
yang telah dilakukan
praproses oleh Mulya
(2014)

Analisis SIG persebaran
titik panas yang telah
dibuat oleh Mulya (2014)

Integrasi modul clustering titik
panas dalam sistem informasi
geografis

Pembuatan modul
clustering menggunakan
algoritme DBSCAN

Selesai

Gambar 1 Diagram alir penelitian
Analisis Data titik panas
Data titik panas merupakan salah satu indikator kemungkinan terjadinya
kebakaran hutan pada wilayah tertentu. Pemantauan titik api dilakukan dengan
penginderaan jauh (remote sensing) menggunakan satelit. Satelit yang biasa
digunakan adalah satelit National Ocean and Atmospheric Administration
(NOAA) melalui sensor Advanced Very High Resolution Radiometer (AVHRR)
karena sensor tersebut dapat membedakan suhu permukaan di darat dan laut.
Satelit ini mendeteksi objek di permukaan bumi yang memiliki suhu relatif lebih
tinggi dibandingkan sekitarnya. Suhu yang dideteksi berkisar antara 210 K (37oC)
untuk malam hari dan 315 K (42oC) untuk siang hari (Adinugroho et al. 2005)
Pada tahapan ini, analisis data dilakukan untuk mengetahui data titik panas
yang telah dilakukan praproses oleh Mulya (2014). Data tersebut digunakan untuk
dilakukan pengelompokan menggunakan metode DBSCAN.
Analisis Sistem Informasi Geografis (SIG)
SIG merupakan aplikasi komputer digital yang dirancang untuk masukan,
penyimpanan, manipulasi, dan keluaran berupa informasi geografis. Informasi
geografis tereferensi dengan lokasi yang spesifik pada area bumi. SIG merupakan
sistem basis data dengan kemampuan-kemampuan khusus untuk data yang
tereferensi secara geografis berikut sekumpulan operasi-operasi yang mengelola
data tersebut (Prahasta 2005)
SIG berbasis web adalah produk-produk SIG yang dipublikasikan melalui
di Internet yang dapat diakses oleh pihak-pihak lain sebagai salah satu usaha
pemenuhan kebutuhan aspek-aspek data sharing, spatial-based information
provider, atau bahkan suatu bentuk promosi yang gratis, efektif, dan efisien. SIG
berbasis web umumnya memiliki 4 komponen utama yaitu client, web server with
application, map server, dan data server (Peng dan Tsou 2003).
Analisis dilakukan pada SIG persebaran titik panas yang dibangun oleh
Mulya (2014) untuk melihat tingkat pengembangan SIG tersebut. Pada penelitian
ini ditambahkan modul clustering dengan menggunakan algoritme DBSCAN.

5
Pembuatan Modul Clustering Mengunakan Metode DBSCAN
DBSCAN adalah algoritme clustering yang melihat bahwa sebuah cluster
merupakan daerah-daerah yang padat objek dan terpisah dari daerah yang
memiliki tingkat kepadatan yang rendah (noise). DBSCAN dapat membentuk
daerah-daerah dengan bentuk yang tidak beraturan di dalam ruang data.
Kepadatan objek dan hubungan antar ketetanggaan objek yang dibentuk dari
objek-objek yang berdekatan (Kantardzic 2011).
Density reachability dan density connected adalah konsep dasar dari
algoritme DBSCAN. Selain itu, konsep DBSCAN bergantung dengan parameter
radius maksimum dari sebuah ketetanggan cluster (epsilon) dan jumlah minimal
objek di dalam sebuah ketetanggan (minimum points). Pada DBSCAN, setiap titik
data dapat dibentuk sebuah cluster jika titik tersebut berada pada nilai epsilon dan
minimum points tertentu (Kantardzic 2011).
Density reachability adalah keadaan 2 titik objek yang berdekatan berada
pada suatu cluster dengan jarak dalam radius epsilon dan jumlah minimum points
tertentu. Gambar 2 mengilustrasikan konsep density reachability. Density
connectivity adalah tahapan lanjutan setalah density reachability berhasil
didefinisikan. Titik objek P dan Q disebut density connected jika ada deretan
(P,O,Q) diantara P dan Q, O density reachable dari Q. Gambar 3 merupakan
ilustrasi dari konsep density connectivity (Kantardzic 2011).
Pada tahapan ini dilakukan pembuatan modul pengelompokan data titik
panas menggunakan algoritme DBSCAN dengan prinsip-prinsip dasar adalah
suatu objek merupakan density reacheable dan density connected jika memenuhi
syarat epsilon dan minpts. Suatu objek yang tidak memenuhi syarat, maka objek
tersebut termasuk noise. Penerapan algoritme DBSCAN pada modul
pengelompokan data titik panas dapat dilihat pada Gambar 4. Gambar 4
merupakan alur yang menjelaskan tahapan-tahapan untuk membuat cluster
dengan aturan-aturan yang berlaku dalam algoritme DBSCAN.

Gambar 2 Konsep density reachability, titik P dan Q disebut density connected

Gambar 3 Konsep density connectivity, O adalah density reachable dari Q

6
Mulai

Menghitung jarak
antar-datum yang ada
pada dataset D

Menentukan nilai
epsilon, minimum points,
dan dataset D

Mendatangi untuk
setiap titik P pada
dataset D yang belum
dikunjungi

Menentukan NeigborPts yaitu
yang berada pada jangkauan
jarak maksimum titik P

Menandai P
sebagai yang telah
dikunjungi

Ya
NeigborPts
< minimum
points

Menandai P sebagai NOISE

Tidak

Memperluas
daerah
clusternya

Kembali ke
semua
points

Selesai

Gambar 4 Tahapan clustering menggunakan algoritme DBSCAN
Integrasi Modul Clustering Titik Panas dalam Sistem Informasi Geografis
Pada tahapan ini, data yang telah diolah menggunakan metode DBSCAN
digunakan untuk membuat aplikasi WebGIS dengan menggunakan MapServer.
Proses ini dilakukan untuk membentuk area cluster. Hasilnya berbentuk
visualisasi peta persebaran titik panas yang diintegrasikan dengan SIG yang telah
dibuat oleh Mulya (2014)
Pengujian Sistem
Setelah dilakukan pembuatan modul dan pengintegrasian dengan SIG,
pada tahapan ini dilakukan pengujian terhadap SIG yang dibuat. Pengujian SIG
dilakukan menggunakan metode black box dengan skenario uji. Skenario uji
difokuskan kepada fungsi-fungsi yang berada pada menu Clustering Hotspot.

Peralatan Penelitian
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut:
 Processor Intel Core i3
 RAM 2 GB
 Monitor LCD 14.0” HD
 Harddisk 596.17 GB HDD
 Mouse
2 Perangkat lunak:
 Sistem Operasi Windows 8.1 Pro

7






Sistem menajemen basis data PostgreSQL dengan ekstensi spasial PostGIS
Server peta MapServer.
XAMPP v3.2.1, Apache dan Tomcat
Notepad ++ digunakan sebagai editor kode program
PHP sebagai bahasa pemrograman

HASIL DAN PEMBAHASAN
Analisis Data Titik Panas
Data titik panas yang digunakan pada penelitian ini merupakan data titik
panas dari tahun 2002-2012 yang diperoleh dari FIRMS NASA dan DKRI. Data
tersebut telah dilakukan praproses oleh peneliti sebelumnya (Mulya 2014).
Praproses yang dilakukan adalah menyeleksi atribut yang relevan dengan
penelitian sehingga pada penelitian ini data yang digunakan adalah data yang telah
dilakukan praproses oleh peneliti sebelumnya (Mulya 2014). Contoh data yang
digunakan dapat dilihat pada Tabel 1.
Tabel 1 Contoh data titik panas hasil seleksi atribut
gid latitude longitude
1 -3.704 128.183
2 -3.788 103.54
3
2.771 125.412
4
2.782 125.409
5 -3.035 105.349

acquired date
01/01/2013
01/01/2013
01/01/2013
01/01/2013
01/01/2013

Analisis Sistem Informasi Geografis (SIG)
SIG persebaran titik panas di Indonesia merupakan suatu sistem informasi
geografis berbasis web yang menyajikan pemetaan titik panas di Indonesia. SIG
yang telah dibangun oleh peneliti sebelumnya memiliki 3 menu utama, yaitu
home, GeoExplorer, dan tentang sistem. Pencarian titik panas di Indonesia pada
SIG ini dapat berdasarkan rentang waktu atau lokasi tertentu. Fitur-fitur yang
telah terdapat pada SIG ini yaitu menampilkan peta Indonesia yang telah
diintegrasikan dengan GoogleMap yang telah dilakukan mapping marker dengan
menggunakan map projection, menampilkan tabel data sesuai dengan grafik,
visualisasi peta dengan GeoExplorer, dan export file ke dalam Microsoft Excel.
Gambar 5 merupakan antarmuka halaman SIG persebaran titik panas dengan
tampilan peta yang diintegrasikan dengan GoogleMap. Gambar 6 adalah halaman
web jika memilih menu GeoExplorer. Tampilan pada halaman ini menggunakan
GeoExplorer. GeoExplorer merupakan sebuah aplikasi web untuk menyusun dan
menampilkan peta. GeoExplorer memiliki fitur Publish map yang akan
menghasilkan sebuah aplikasi peta yang ditampilkan dalam sebuah halaman web.

8

Gambar 5 Antarmuka halaman SIG yang diintegrasi dengan GoogleMap

Gambar 6 Antarmuka peta menggunakan GeoExplorer
Pencarian titik panas dapat memilih berdasarkan waktu, lokasi ataupun
keduanya. Hasil pencarian titik panas tersebut menyajikan peta persebaran titik
panas, total titik panas, dan informasinya ditampilkan dalam tabel dan grafik.
Pada tahapan analisis, dilakukan identifikasi fitur yang belum terdapat
dalam persebaran titik panas yang telah dibangun oleh peneliti sebelumnya
(Mulya 2014), kebutuhan perangkat lunak serta kebutuhan fungsionalnya. Fitur
yang belum terdapat pada SIG sebelumnya adalah belum ada modul clustering
untuk pengelolahan data titik panas dan visualisasi hasil clustering pada peta.

9
Pembuatan Modul Clustering Menggunakan Algoritme DBSCAN
Secara umum fungsi-fungsi yang ditambahkan untuk memenuhi kebutuhan
fungsional dalam sistem adalah menampilkan data hasil clustering titik panas
menggunakan algoritme DBSCAN dan menampilkan hasil clustering dalam peta
Indonesia pada modul visualisasi menggunakan MapServer. Secara rinci,
algoritme DBSCAN ditunjukkan menggunakan pseudocode (Ester et al. 1996)
yang terdapat pada Lampiran 1.
Berdasarkan pseudocode (Ester et al. 1996) pada Lampiran 1, algoritme
DBSCAN membutuhkan dua parameter penting, yaitu Epsilon (ɛ) dan jumlah data
tetangga minimal untuk membentuk kelompok (MinPts). Algoritme dimulai dari
sembarang data yang belum dikunjungi. Data ini kemudian dibaca jumlah
tetangganya pada radius ɛ. Jika jumlah datanya lebih dari atau sama dengan ɛ,
data akan ditandai sebagai inti dan tetangganya sebagai batas (selain dari yang
sudah ditandai sebagai inti), kemudian akan terbentuk sebuah kelompok baru. Jika
data tidak mencukupi, maka akan ditandai sebagai noise. Data tersebut ditandai
sebagai data yang sudah dikunjungi. Langkah tersebut dilakukan secara rekursif
pada setiap data yang menjadi tetangganya dan belum dikunjungi (Prasetyo 2012).
SIG ini membangun sebuah modul yang mengimplementasikan proses
clustering menggunakan algoritme DBSCAN. Untuk menjalankan proses
clustering menggunakan algoritme DBSCAN, perlu adanya data yang meliputi
data spasial longitude dan latitude, serta parameter nilai epsilon dan minimum
points (MinPts). Dalam SIG ini, nilai epsilon dan MinPts diberikan pilihan dalam
bentuk dropdown list. Nilai epsilon yang dapat digunakan adalah dalam rentang
nilai 0.01 sampai dengan 0.1 sedangkan untuk nilai minPts dapat menggunakan
nilai antara rentang 1 samapai dengan 6.
Nilai parameter epsilon dan MinPts digunakan untuk mengolah data titik
panas di Indonesia dari tahun 2002 hingga 2012. Hasil dari pengujian parameter
tersebut akan membentuk cluster data sebaran titik panas.
Pada penelitian ini, pembuatan modul clustering algoritme DBSCAN
diimplementasikan menggunakan bahasa pemrograman PHP. Bahasa
pemrograman PHP tersebut menggunakan framework CodeIgniter dengan model
model view controller (MVC). Algoritme DBSCAN pada SIG ini menggunakan
kode program yang telah dibangun oleh Maneck (2014) dan tersedia pada Github.
Secara rinci, algoritme DBSCAN ditunjukkan pada kode program yang terdapat
pada Lampiran 2.
Data spasial latitude dan longitude dari titik panas di Indonesia merupakan
dataset yang digunakan dalam pengolahan proses clustering. Data spasial latitude
dan longitude yang diproses didapatkan sesuai dengan kriteria clustering (tahun,
bulan, dan provinsi) yang dipilih oleh user. Dataset tersebut akan dihitung
jaraknya dan dimasukan kedalam matriks n×n. Perhitungan jarak dalam penelitian
ini menggunakan perhitungan jarak Euclidean, dengan rumus sebagai berikut:
Jarak Euclidean :

(1)

Selanjutnya dataset tersebut diolah dengan langkah-langkah algoritme DBSCAN
yang terdapat pada Gambar 2. Pengolahan dataset dilakukan sampai dengan
cluster terbentuk.

10
Integrasi Modul Clustering Titik Panas dalam Sistem Informasi Geografis
Data hasil clustering pada tahapan sebelumnya diintegrasikan ke dalam
SIG yang telah dibangun oleh peneliti sebelumnya (Mulya 2014). SIG dalam
penelitian ini dapat diilustrasikan dengan komponen SIG berbasis web, yaitu
client, web server with application, map server, dan data server. Gambar 7
merupakan komponen dasar berbasis web. Web brower dalam penelitian ini
berperan sebagai klien. Pada XAMPP 3.2.1, Apache berperan sebagai web server.
Web server dapat dikatakan sebagai server HTTP, server tersebut berperan untuk
memberikan respon atas permintaan dari web browser. Modul clustering pada
penelitian ini berada pada peran web server. Aplication Server menjadi
penghubung antara web server dan map server. MapServer yang digunakan,
berperan menjadi map server. PostgreSQL digunakan sebagai data server.

Gambar 7 Komponen dasar dalam SIG berbasis web (Peng dan Tsou 2003)
Clustering data titik panas dilakukan berdasarkan tahun, bulan, dan
provinsi. Parameter clustering yang digunakan adalah epsilon dan MinPts.
Informasi hasil clustering pada menu Clustering Hotspot ditampilkan dalam
bentuk tabel yang terdiri atas kolom provinsi, kabupaten, lat, long, dan cluster.
Tabel 2 menunjukkan hasil clustering data titik panas di Provinsi Riau pada Bulan
Mei dan Tahun 2006 menggunakan algoritme DBSCAN. Hasil pengolahan data
titik panas tersebut dapat dilihat secara lengkap pada Lampiran 3. Gambar 8
menunjukkan antarmuka informasi hasil clustering berupa tabel untuk data titik
panas Provinsi Riau bulan Mei tahun 2006.
Tabel 2 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006
Jumlah
Run time
Eps MinPts
Cluster
(second)
0.01
1
30
1.6089
0.01
2
12
0.3759
0.01
3
6
0.4617
0.01
4
5
0.4062
0.01
5
2
0.3836
0.01
6
2
0.3784

11

Gambar 8 Antarmuka tabel hasil clustering Provinsi Riau bulan Mei tahun 2006
dengan epsilon 0.01 dan MinPts 3.

Peta Clustering Titik Panas
SIG ini dikembangkan dengan menggunakan arsitektur client-server.
Arsitektur client-server memiliki user interface pada sisi client dan data yang
disimpan serta diolah pada server. Penggunaan arsitektur ini telah mencukupi
kebutuhan fungsional sistem yang dikembangkan berbasis web.
Kebutuhan perangkat lunak yang digunakan untuk modul visualisasi peta
adalah OpenLayers sebagai antarmuka MapServer dan XAMPP v3.2.1 sebagai
web server. MapServer merupakan sebuah program Common Gateway Interface.
Program tersebut dieksekusi di web server berdasarkan file dalam bentuk *.map.
Map file akan menyimpan seluruh definisi dan konfigurasi yang dibutuhkan

12
MapServer. File yang dieksekusi tersebut menghasilkan data yang kemudian akan
dikirim ke web browser.
Visualisasi peta di SIG bertujuan untuk menampilkan plot hasil cluster
yang dihasilkan. Pada sistem ini, hasil cluster ditampilkan dengan berbagai warna.
Warna pada SIG ini mengartikan bahwa satu warna mewakili satu cluster.
Perbedaan warna pada titik panas dalam sistem ini yaitu untuk menunjukkan
perbedaan anggota titik panas pada masing-masing cluster. Visualisasi perbedaan
warna bertujuan untuk mengetahui letak persebaran titik panas sesuai dengan
warna cluster-nya.
Hasil cluster dari Provinsi Riau pada bulan Mei tahun 2006 dengan data
titik panas sebanyak 209, epsilon 0.01 dan minimum points 3 menghasilkan 6
cluster. Oleh karena itu, visualisasi pada SIG untuk data titik panas tersebut
menghasilkan 7 pewarnaan, yaitu 1 warna untuk noise dan 6 warna untuk cluster.
Gambar 9 merupakan visualisasi persebaran titik panas Provinsi Riau bulan Mei
tahun 2006 dengan epsilon 0.01 dan minimum points 3. Gambar 10 merupakan
zoom in dari Provinsi Riau yang bertujuan agar persebaran titik panas nya terlihat
lebih jelas.

Gambar 9 Visualisasi persebaran titik panas Provinsi Riau bulan Mei tahun 2006
dengan epsilon 0.01 dan minimum points 3

Gambar 10 Visualisasi zoom in persebaran titik panas Provinsi Riau bulan Mei
tahun 2006 dengan epsilon 0.01 dan minimum points 3

13
Gambar 11 merupakan tampilan hasil zoom in dengan menggunakan
navigasi pan pada peta, yang berfungsi untuk memperbesar atau memperkecil
tampilan peta. Gambar 11 menunjukan letak cluster 1, cluster 2, cluster 3, dan
noise untuk hasil cluster Provinsi Riau bulan Mei tahun 2015. Dari Gambar 11,
dapat dilihat perbedaan warna yang mewakili dari masing-masing anggota cluster
yang sudah diproses menggunakan algoritme DBSCAN.

Cluster 1
Noise
Cluster 2
Cluster 3

Gambar 11 Visualisasi cluster 1, cluster 2, cluster 3 dan noise Provinsi Riau bulan
Mei tahun 2006

Pengujian Sistem
SIG yang telah dibuat diuji untuk dapat dilakukan pemeliharaan.
Pemeliharaan dilakukan untuk memastikan isi dari SIG tetap sesuai dengan
kebutuhan dan spesifikasi sistem sehingga dalam proses berkelanjutan, SIG dapat
diperbarui dan disesuaikan perubahannya. Pengujian SIG dilakukan menggunakan
metode black box dengan skenario uji yang meliputi pengujian fungsionalitas
utama dari sistem. Tujuannya untuk mengetahui apakah fungsi-fungsi yang
terdapat pada sistem berjalan sesuai dengan benar dan memeriksa SIG ini terdapat
error atau tidak. Skenario uji dan hasil uji fungsionalitas sistem dapat dilihat pada
Tabel 3.

14
Tabel 3 Skenario dan hasil uji fungsi
No

Kelas uji

Deskripsi uji

Kondisi
awal
Halaman
utama

Skenario uji

Hasil yang
diharapkan
Tampilan
halaman menu
Clustering
Hotspot
Gambar peta
yang
diintegrasikan
dengan
GoogleMap
ditampilkan
Menampilkan
hasil tabel data
yang sesuai
dengan kriteria
clustering
yang dipilih
dan telah
dilakukan
proses
clustering
menggunakan
algoritme
DBSCAN

Hasil
Uji
OK

1

Menu
Clustering
Hotspot

Menampilkan
halaman
Clustering Hotspot

2

Peta

Menampilkan peta
Indonesia yang
telah terintegrasi
dengan
GoogleMaps

Halaman
menu
Clustering
Hotspot

3

Tabel

Menampilkan
tabel

Halaman
menu
Clustering
Hotspot

Pilih query tabel
data sesuai
kriteria clustering
(tahun, bulan,
provinsi, epsilon,
minpts)

4

Tampilan
peta

Memperbesar peta

Halaman
menu
Clustering
Hotspot

Pilih navigasi
zoom in

Menampilkan
peta dengan
tampilan yang
diperbesar

OK

Memperkecil peta

Halaman
menu
Clustering
Hotspot

Pilih navigasi
zoom out

Menampilkan
peta dengan
tampilan yang
diperkecil

OK

Menggeser peta

Halaman
menu
Clustering
Hotspot

Pilih navigasi pan

OK

Me-reset tampilan
peta

Halaman Pilih reset map
menu
Clustering
Hotspot

Tampilan peta
yang digeser
ke kiri, atas,
kanan dan
bawah
Hanya
tampilan peta
yang
diintegrasikan
dengan
GoogleMap

Menampilkan
visualisasi hasil
clustering

Halaman
menu
Clustering
Hotspot

Menampilkan
peta dengan
visualisasi
warna hasil
clustering
menggunakan
algoritme
DBSCAN

OK

Pilih menu
Clustering
Hotspot pada
menu bar
Awal mengakses
halaman
Clustering
Hotspot

Pilih query data
sesuai kriteria
clustering (tahun,
bulan, provinsi,
epsilon, MinPts)

OK

OK

OK

15
Lanjutan
No

Kelas uji

Deskripsi uji

Kondisi
awal

Skenario uji

Hasil yang
diharapkan

Hasil
Uji

5

Hasil
clustering

Menampilkan
hasil clustering

Halaman
menu
Clustering
Hotspot

Pilih query data
sesuai kriteria
clustering (tahun,
bulan, provinsi,
epsilon, MinPts)

Menampilkan
hasil
clustering
yang telah
diproses
menggunakan
algoritme
DBSCAN

OK

SIMPULAN DAN SARAN
Simpulan
Kesimpulan dari hasil penelitian ini, yaitu modul clustering menggunakan
algoritme DBSCAN dengan bahasa pemrograman PHP berhasil dibangun.
Informasi hasil clustering ditampilkan dalam bentuk tabel yang terdiri dari kolom
provinsi, latitude, longitude, kabupaten, dan cluster. Visualisasi peta telah berhasil
dibangun menggunakan MapServer dan visualisasi persebaran titik panas juga
telah berhasil dibangun. Informasi visualisasi untuk warna cluster dapat dilihat
pada legenda peta clustering. Menu Clustering Hotspot dalam SIG ini memiliki 3
fitur utama yaitu menampilkan tabel hasil clustering, menampilkan visualisasi
peta hasil clustering, dan fitur integrasi peta dengan GoogleMap. Berdasarkan
hasil pengujiam menggunakan metode black box, seluruh fitur yang ada di dalam
menu Clustering Hotspot telah berhasil berjalan dengan baik.
Saran
Penelitian ini masih memiliki kekurangan, saran yang dapat disampaikan
untuk penelitian selanjutnya adalah penambahan performa PHP pada algoritme
DBSCAN yang sudah dibangun, agar dapat mengelola dataset yang berukuran
sangat besar. Selain itu, untuk pengembangan selanjutnya diperlukan penelitian
untuk membandingkan dan menganalisis cara kerja serta hasil antara clustering
DBSCAN menggunakan bahasa pemrograman PHP ini dengan bahasa
pemrograman lainnya.

DAFTAR PUSTAKA
Adinugroho WC, Suryadiputra, Bambang HS dan Labueni S. 2005. Panduan
Pengendalian Kebakaran Hutan dan Lahan Gambut. Proyek Climate Change,
Forest and Peatlands in Indonesia. Bogor (ID): Wetland International –
Indonesia Programme and Wildfire Habitat Canada.
Amri K. 2014. Sistem informasi geografis berbasis web untuk klasifikasi
kemunculan titik api di Provinsi Riau menggunakan pohon keputusan C4.5
[skripsi]. Bogor (ID): Institut Pertanian Bogor.

16
Barus SV. 2014. Sistem informasi geografis berbasis web untuk data histori
hotspot di Indonesia menggunakan OpenGeo Suite 3.0. Jurnal Ilmu Komputer
Agri-informatika. 3(1):47 – 56.
Caroline P. 2013. Sistem informasi geografis penentuan prioritas wilayah industri
di Kabupaten Kubu Raya. Jurnal Sistem dan Teknologi Informasi (JustIN).
3(1):29-33.
Ester M, Kriegel HP, Sander J, Xu X. 1996. A density –based algorithm for
discovering clusters in large spatial databases with noise. Proceedings of 2nd
International Conference on Knowledge Discovery and Data Mining (KDD96); 1996 Agu; Canada(CA): AAAI Press. hal 226-231.
[FWI/GFW]. 2001. Keadaan Hutan Indonesia. Bogor(ID): Forest Watch
Indonesia dan Washington D.C(WA):Global Forest Watch
Harianja H. 2008. Visualisasi K-Means clustering pada data potensi pertanian
desa di Bogor menggunakan Mapserver [skripsi]. Bogor (ID): Institut
Pertanian Bogor
Kantardzic M. 2011. Data Mining: Concepts, Model, Methods, and Algorithms.
2nd Edition. Canada(CA): IEEE-Press.
Maneck B. 2014. DBSCAN-clustering. GitHub [Internet]. [diunduh 2014 Juni
29].
Tersedia
pada:
https://github.com/bhavikm/DBSCANclustering/blob/master/dbscan.php.
Mulya RD. 2014. Modul visualisasi menggunakan GeoExplorer dalam sistem
informasi geografis berbasis web untuk data titik panas di Indonesia [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Peng Z, Tsou MH. 2003. Internet GIS: Distributed Geographic Information
Services for the Internet and Wireless Networks. New Jersey (US):J Wiley
Prahasta E. 2005. Sistem Informasi Geografis Konsep-Konsep Dasar. Bandung
(ID): Informatika.
Purba C, Nanggara SG, Ratriyono M, Isnenti A, Rosalina L, Sari NA, Meridian
AH. 2014. Potret Keadaan Hutan Periode 2009-2013. Bogor (ID): Forest
Watch Indonesia.
Prasetyo E. 2012. Data Mining Konsep dan Aplikasi Menggunakan Matlab.
Yogyakarta (ID): Penerbit Andi.
Wulandari F. 2012. Penerapan dynamic density based clustering pada data
kebakaran hutan [skripsi]. Bogor (ID): Institut Pertanian Bogor.

17
Lampiran 1 Peseudocode algoritme DBSCAN (Ester et al. 1996)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

DBSCAN(D, eps, MinPts)
C = 0
for each unvisited point P in dataset D mark P as visited
NeighborPts = regionQuery(P, eps)
if sizeof(NeighborPts) < MinPts mark P as NOISE
else
C = next cluster
expandCluster(P, NeighborPts, C, eps, MinPts)
expandCluster(P, NeighborPts, C, eps, MinPts)
add P to cluster C
for each point P' in NeighborPts
if P' is not visited
mark P' as visited
NeighborPts' = regionQuery(P', eps)
if sizeof(NeighborPts') >= MinPts
NeighborPts = NeighborPts joined
with NeighborPts'
if P' is not yet member of any cluster
add P' to cluster C
regionQuery(P, eps)
return all points within P's eps-neighborhood (including P)

18
Lampiran 2 Kode program algoritme DBSCAN menggunakan bahasa
pemrograman PHP (Maneck 2014)
1

class DBSCAN {

2

private $points;

3

private $distance_matrix;

4

private $noise_points;

5

private $in_a_cluster;

6

private $clusters;

7

public function __construct($distance_matrix, $points)

8

{

9

$this->distance_matrix = $distance_matrix;

10

$this->points = $points;

11

$this->noise_points = array();

12

$this->clusters = array();

13

$this->in_a_cluster = array();

14
15
16

}
public function set_points($new_points)
{

17
18
19
20

$this->points = $new_points;
}
private function expand_cluster($point, $neighbor_points, $c,
$epsilon, $min_points)
{

21

$this->clusters[$c][] = $point;

22

$this->in_a_cluster[] = $point;

23

$neighbor_point = reset($neighbor_points);

24

while ($neighbor_point)

25

{

26

$neighbor_points2 = $this->
region_query($neighbor_point,$epsilon);

27

if (count($neighbor_points2) >= $min_points)

28

{

29

foreach ($neighbor_points2 as
$neighbor_point2)

30
31

{
if (!in_array($neighbor_point2, $neighbor_points))

32
33

{
$neighbor_points[] = $neighbor_point2;

34

}

35
36
37

}
}
if (!in_array($neighbor_point, $this->in_a_cluster))

19
Lanjutan
38

{

39

$this->clusters[$c][] = $neighbor_point;

40

$this->in_a_cluster[] = $neighbor_point;

41

}

42

$neighbor_point = next($neighbor_points);

43

}

44

}

45

private function region_query($point, $epsilon)

46

{

47

$neighbor_points = array();

48

foreach ($this->points as $point2)

49

{

50

if ($point != $point2)

51

{

52

if (array_key_exists($point2, $this->distance_matrix[$point]))

53

{

54

$distance = $this->
distance_matrix[$point][$point2];

55

} else {

56

$distance = $this->
distance_matrix[$point2][$point];

57

}

58

if ($distance < $epsilon)

59

{

60

$neighbor_points[] = $point2;

61

}

62

}

63

}

64

return $neighbor_points;

65
66
67

}
public function dbscan($epsilon, $min_points)
{

68

$this->noise_points = array();

69

$this->clusters = array();

70

$this->in_a_cluster = array();

71

$c = 0;

72

$this->clusters[$c] = array();

73
74

foreach ($this->points as $point_id)
{

75

$neighbor_points = $this->region_query($point_id, $epsilon);

76

if (count($neighbor_points) < $min_points)

77

{

78

$this->noise_points[] = $point_id;

20
Lanjutan
79

}

80

elseif (!in_array($point_id, $this->in_a_cluster)) {

81

$this->expand_cluster($point_id,
$neighbor_points, $c, $epsilon, $min_points);

82

$c = $c + 1;

83

$this->clusters[$c] = array();

84

}

85

}

86

return $this->clusters;

87
88

}
}

21
Lampiran 3 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006
Eps

Minpts

0.01
0.01
0.01
0.01
0.01
0.01
0.02
0.02
0.02
0.02
0.02
0.02
0.03
0.03
0.03
0.03
0.03
0.03
0.04
0.04
0.04
0.04
0.04
0.04
0.05
0.05
0.05
0.05
0.05
0.05

1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6

Jumlah
Cluster
30
12
6
5
2
2
37
14
9
5
4
3
38
17
9
6
3
2
37
16
9
5
4
2
37
17
10
7
6
2

Run time
(second)
1.6089
0.3759
0.4617
0.4062
0.3836
0.3784
0.3717
0.3789
0.4689
0.3782
0.3701
0.4402
0.3719
0.3844
0.4096
0.3780
0.3832
0.3972
0.4191
0.3815
0.3578
0.4217
0.3719
0.4282
0.3701
0.3780
0.3832
0.3972
0.4191
0.3815

Eps

Minpts

0.06
0.06
0.06
0.06
0.06
0.06
0.07
0.07
0.07
0.07
0.07
0.07
0.08
0.08
0.08
0.08
0.08
0.08
0.09
0.09
0.09
0.09
0.09
0.09
0.1
0.1
0.1
0.1
0.1
0.1

1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6
1
2
3
4
5
6

Jumlah
Cluster
39
18
10
7
6
3
38
17
10
6
5
4
39
18
10
6
5
4
36
17
8
5
5
5
34
19
10
6
4
4

Run time
(second)
0.3712
0.3815
0.3578
0.4689
0.3782
0.3701
0.3829
0.4062
0.3836
0.3784
0.3717
0.3789
0.3809
0.3782
0.3701
0.4402
0.3719
0.3844
0.3791
0.3717
0.3789
0.4689
0.3782
0.3701
0.3844
0.4191
0.3815
0.3578
0.4217
0.3719

22

RIWAYAT HIDUP
Penulis dilahirkan di Rangkasbitung pada tanggal 01 Januari 1994 yang
merupakan anak kedua dari dua bersaudara dengan ayah bernama Agus Priyono,
SE dan ibu bernama Suryati. Pada tahun 2011, penulis menamatkan pendidikan
menengah atas di SMA Negeri 2 Krakatau Steel Cilegon dengan program IPA.
Kemudian pada tahun yang sama dengan melalui jalur SNMPTN Undangan,
penulis melanjutkan pendidikan di Program Studi Ilmu Komputer, Institut
Pertanian Bogor.
Selama kuliah, selain melaksanakan kegiatan akademik, penulis juga aktif
di organisasi, pada tahun 2012-2013 penulis menjadi Sekretaris Umum 2 di
organisasi Himpunan Mahasiswa Ilmu Komputer (Himalkom) dan pada tahun
2013-2014 penulis menjadi Sekretaris Umum 1 pada organisasi yang sama. Pada
tahun 2014, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di PT.
Telekomunikasi Indonesia (Telkom Indonesia), Jalan Gatot Subroto Kavling 52,
Jakarta Selatan, selama 35 hari kerja. Pada tahun 2015 penulis aktif menjadi
asisten praktikum mata kuliah Komunikasi Data dan Jaringan Komputer.