klasifikasi data titik api di bengkalis riau … · tugas akhir ini, yaitu poet, eka ... indonesia...

KLASIFIKASI DATA TITIK API DI BENGKALIS RIAU

MENGGUNAKAN ALGORITME POHON KEPUTUSAN

BERBASIS SPATIAL ENTROPY

INDRY DESSY NURPRATAMI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Data Titik

Api di Bengkalis Riau Menggunakan Algoritme Pohon Keputusan Berbasis

Spatial Entropy adalah benar karya saya dengan arahan dari komisi pembimbing

dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun.

Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun

tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan

dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, Juli 2014

Indry Dessy Nurpratami

NIM G64100032

ABSTRAK

INDRY DESSY NURPRATAMI. Klasifikasi Data Titik Api di Bengkalis Riau

Menggunakan Algoritme Pohon Keputusan Berbasis Spatial Entropy. Dibimbing

oleh IMAS SUKAESIH SITANGGANG.

Kebakaran hutan dapat dipantau dengan menggunakan satelit yang

mendeteksi titik api sebagai indikator kebakaran pada waktu dan lokasi tertentu.

Tujuan penelitian ini adalah mengembangkan sebuah pohon keputusan untuk

memprediksi munculnya titik api di kabupaten Bengkalis provinsi Riau, Indonesia

menggunakan algoritme pohon keputusan berbasis spatial entropy. Data yang

digunakan pada penelitian adalah data kebakaran hutan di daerah Bengkalis, Riau.

Data tersebut meliputi pusat kota, sungai, jalan, sumber pendapatan, tutupan

lahan, populasi, curah hujan, sekolah, temperatur, dan kecepatan angin. Hasil

penelitian dengan menggunakan metode uji 5-fold cross validation adalah 5

pohon keputusan dengan akurasi rata-rata 52.05% dan 89.04% masing-masing

pada data uji dan data latih. Pohon keputusan terbaik memiliki akurasi data uji

sebesar 56% pada data uji yang mempunyai 560 node dengan node akar adalah

layer tutupan lahan. Dari pohon keputusan tersebut diperoleh 255 aturan untuk

mengklasifikasikan titik api. Terdapat juga sebanyak 20 objek pada data uji

dengan pohon keputusan terbaik yang tidak dapat diklasifikasikan oleh pohon.

Kata kunci: bengkalis, kebakaran hutan, spatial decision tree, spatial entropy, titik

api

ABSTRACT

INDRY DESSY NURPRATAMI. Classification of Hotspot Dataset in Bengkalis

Using Spatial Entropy-Based Decision Tree Algorithm. Supervised by IMAS

SUKAESIH SITANGGANG.

Forest fire can be monitored using satellite by detecting hotspots as fire

indicators at certain times and locations. The purpose of this research is to develop

a decision tree for predicting hotspot occurences in Bengkalis district, Riau

province Indonesia using the spatial entropy-based decision tree algorithm. The

data used in this research are forest fire data of Bengkalis area. The data include

city centre, river, road, income source, land cover, population, precipitation,

school, temperature, and wind speed. This research, using the 5-fold cross

validation, yields five decision trees with the average accuracy of 52.05% and

89.04% on the testing set and the training set respectively.The best accuracy of

decision tree is 56% on the testing set that has 560 nodes with the land cover layer

as the root node. From the decision tree, as 255 rules for classifying hotspot

occurences are obtained. There are 20 objects in the testing set that cannot be

classified by the decision tree with the highest accuracy on the testing set.

Keywords: bengkalis, forest fire, hotspot, spatial decision tree, spatial entropy

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

KLASIFIKASI DATA TITIK API DI BENGKALIS RIAU

MENGGUNAKAN ALGORITME POHON KEPUTUSAN

BERBASIS SPATIAL ENTROPY

INDRY DESSY NURPRATAMI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji:

1 Hari Agung Adrianto, SKom, Msi

2 Endang Purnama Giri, SKom, MKom

Judul Skripsi : Klasifikasi Data Titik Api di Bengkalis Riau Menggunakan

Algoritme Pohon Keputusan Berbasis Spatial Entropy

Nama : Indry Dessy Nurpratami

NIM : G64100032

Disetujui oleh

Dr Imas S. Sitanggang, SSi, MKom

Pembimbing I

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen Ilmu Komputer

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wata’ala atas

segala karunia-Nya sehingga tugas akhir dengan judul Klasifikasi Data Titik Api

di Bengkalis Riau Menggunakan Algoritme Pohon Keputusan Berbasis Spatial

Entropy dapat diselesaikan. Penyelesaian tugas akhir ini tidak terlepas dari

bantuan beberapa pihak. Oleh karena itu, penulis ingin menyampaikan terima

kasih kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir

ini, antara lain:

1 Mama, Papa, dan Adik-adik serta seluruh keluarga atas segala doa, kasih

sayangnya dan semangat yang telah diberikan kepada penulis.

2 Ibu Dr Imas Sukaesih Sitanggang, SSi, MKom selaku dosen

pembimbing yang selalu memberikan saran dan arahan selama

penelitian dan penulisan tugas akhir ini.

3 Bapak Hari Agung Adrianto, SKom, MSi dan Bapak Endang Purnama

Giri, SKom, MKom yang telah bersedia menjadi dosen penguji

4 Rekan-rekan mahasiswa bimbingan Ibu Dr Imas Sukaesih Sitanggang,

SSi, MKom terutama Umil dan Ana atas informasi dan kerjasamanya

selama penyelesaian tugas akhir ini.

5 Rekan-rekan Sunda Karya yang memberi motivasi dalam penyelesaian

tugas akhir ini, yaitu Poet, Eka, Pupu, kak Ade, Ria, Beti, Jesi, dan putri.

6 Teman-teman S1 Ilmu Komputer angkatan 47 (Pixels 47) yang telah

memberikan motivasi dan bantuan dalam penyelesaian tugas akhir ini

khususnya Bayu Sasrabau yang telah membantu dan mengajari dalam

pembuatan fungsi jarak dengan bahasa Python dan Ayu Riza Bestary

serta rekan-rekan lainnya yang tentu tidak bisa disebutkan satu persatu

atas bantuan dan motivasinya.

Penulis juga mengucapkan terima kasih kepada semua pihak yang telah

membantu selama pengerjaan penyelesaian tugas akhir ini yang tidak dapat

disebutkan satu-persatu. Penulis menyadari bahwa masih terdapat kekurangan

dalam penulisan skripsi ini. Semoga skripsi ini dapat memberikan manfaat.

Bogor, Juli 2014

Indry Dessy Nurpratami

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 3

Data dan Area Studi 3

Tahapan Penelitian 4

Peralatan Penelitian 7

HASIL DAN PEMBAHASAN 7

Praproses Data 7

Pembuatan Model Klasifikasi Spasial Menggunakan Algoritme Pohon

Keputusan Berbasis Spatial Entropy 11

Evaluasi Model 15

SIMPULAN DAN SARAN 16

Simpulan 16

Saran 16

DAFTAR PUSTAKA 16

LAMPIRAN 18

RIWAYAT HIDUP 23

DAFTAR TABEL

1 Layer target 9 2 Hasil perhitungan jarak hotspot ke jalan terdekat 9

3 Hasil perhitungan jarak hotspot ke sungai terdekat 10 4 Hasil perhitungan jarak hotspot ke pusat kota terdekat 10

5 Hasil penggabungan objek target dan objek-objek penjelas 11 6 Hasil normalisasi atribut ordinal 12

7 Hasil perhitungan intra distance dan extra distance 12 8 Akurasi data uji dan data latih 15

DAFTAR GAMBAR

1 Layer titik api 3

2 Layer temperatur 3

3 Tahapan Penelitian 4

4 Titik hotspot dan nonhotspot 8 5 Query pembuatan layer target 8

6 Query jarak minimum dari target ke jalan terdekat 9 7 Kode program perhitungan spatial entropy 13

8 Kode program perhitungan information gain 14 9 Kode program Python untuk membuat pohon keputusan 14

DAFTAR LAMPIRAN

1 Aturan dari model pohon keputusan data latih 1 18

2 Aturan dari model pohon keputusan data latih 2 19 3 Aturan dari model pohon keputusan data latih 3 20

4 Aturan dari model pohon keputusan data latih 4 21 5 Aturan dari model pohon keputusan data latih 5 22

PENDAHULUAN

Latar Belakang

Menurut UU RI No. 41 tahun 1999 tentang kehutanan, hutan merupakan

suatu kesatuan ekosistem berupa hamparan lahan yang berisi sumber daya alam

hayati yang didominasi oleh pepohonan dalam lingkungan alam yang tidak dapat

dipisahkan antara yang satu dengan yang lainnya. Food and Agricultural

Organization (FAO) dalam buku State of the World’s Forests menempatkan

Indonesia di urutan ke-8 dari sepuluh negara dengan luas hutan alam terbesar di

dunia (FWI 2011). Akan tetapi, luas hutan di Indonesia berkurang setiap tahun

dengan laju kerusakan hutan mencapai 1.87 juta hektar pertahun dalam kurun

waktu 2000 sampai 2005 (FWI 2011). Salah satu penyebab utama kerusakan

hutan di Indonesia adalah kebakaran hutan.

Kebakaran hutan merupakan keadaan saat hutan dilanda api yang

mengakibatkan terjadinya kerusakan hutan dan dapat menimbulkan kerugian bagi

kehidupan manusia. Kerugian yang dialami berupa tercemarnya lingkungan,

terganggunya kesehatan manusia, dan melemahnya roda perekonomian bangsa

(Deliknews 2013). Secara umum, penyebab kebakaran hutan adalah kondisi suhu

udara yang tinggi dan curah hujan yang rendah sehingga sisa-sisa bahan olahan

kayu, daun, dan rumput kering yang bergesekan mudah terbakar. Apabila di

permukaan tanah terdapat mineral berwarna terang, mineral tersebut dapat

berfungsi sebagai lensa yang menghasilkan titik api sehingga kobaran api mulai

terbentuk dan akan menyebar luas dengan adanya tiupan angin (Badungkab 2013).

Kebakaran hutan dapat dipantau dengan menggunakan satelit yang mendeteksi

titik api (hotspot) pada waktu dan lokasi tertentu. Berdasarkan data satelit NOAA-

18 (National Oceanic and Atmospheric Administration), jumlah titik api yang

terpantau di Indonesia dari Januari hingga September 2012 sudah mencapai 24663

titik. Provinsi dengan konsentrasi titik api terbanyak adalah Kalimantan Barat

5027 titik api, Riau 4318 titik, Sumatera Selatan 4297 titik, Jambi 1895 titik,

Kalimantan Tengah 1736 titik, dan Kalimantan Timur 1058 titik api (Sigit 2012).

Banyaknya jumlah kemunculan titik api tersebut menyebabkan besarnya ukuran

data titik api.

Data titik api tersebut dapat diklasifikasikan dengan menerapkan metode

pohon keputusan berbasis spatial entropy. Klasifikasi dilakukan untuk

mengeksplorasi hubungan antara atribut target dan atribut pendukung lainnya.

Kriteria yang digunakan dalam proses perhitungan pohon keputusan adalah

entropi. Mengintegrasikan entropi spasial dalam proses klasifikasi secara efektif

dapat mengurangi jumlah kelas yang dihasilkan oleh pohon keputusan (Li dan

Claramunt 2006). Li dan Claramunt (2006) telah membangun pohon keputusan

berbasis spatial entropy pada data hasil pertanian di Cina, yang dapat

menampilkan data multidimensi dalam bentuk grafik, dan peta yang saling

bersinkronisasi. Penelitian tersebut menghasilkan algoritme pohon keputusan

berbasis spatial entropy yang digunakan untuk penelitian ini. Penelitian ini

mencoba menerapkan model pohon keputusan berbasis spatial entropy yang

merupakan hasil penelitian Li dan Claramunt (2006) untuk data kebakaran hutan

di Indonesia khususnya daerah Bengkalis, Riau untuk mengklasifikasikan

2

kemunculan titik api. Data tersebut meliputi pusat kota, sungai, jalan, sumber

pendapatan, tutupan lahan, populasi, curah hujan, sekolah, temperatur, dan

kecepatan angin.

Perumusan Masalah

Dengan mengklasifikasikan kemunculan titik api dapat diketahui pada

keadaan seperti apa kebakaran itu terjadi sehingga mengklasifikasikan titik api

penting dilakukan karena dapat mencegah terjadinya kebakaran hutan. Perumusan

masalah dalam penelitian ini adalah bagaimana cara menerapkan algoritme pohon

keputusan berbasis spatial entropy (Li dan Claramunt 2006) pada data kebakaran

hutan di Kabupaten Bengkalis, Riau untuk mengklasifikasikan kemunculan titik

api.

Tujuan Penelitian

Tujuan dari penelitian ini ialah:

1 Menerapkan algoritme pohon keputusan berbasis spatial entropy (Li dan

Claramunt 2006) pada data titik api di kabupaten Bengkalis, Riau.

2 Mengevaluasi pohon keputusan berbasis spatial entropy untuk prediksi

kemunculan titik api di kabupaten Bengkalis, Riau.

Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan karakterisitik wilayah yang

berpotensi munculnya titik api. Hal ini berguna dalam pencegahan terjadinya

kebakaran hutan.

Ruang Lingkup Penelitian

Ruang lingkup penelitian yang dilakukan meliputi:

1 Data yang digunakan terdiri dari data titik api tahun 2008 di wilayah

Kabupaten Bengkalis, Riau.

2 Karakteristik wilayah mencakup sungai, jalan, pusat kota, tutupan lahan dan

batas administratif.

3 Metode yang digunakan adalah metode pohon keputusan berbasis spatial

entropy (Li dan Claramunt 2006).

3

METODE

Data dan Area Studi

Data spasial adalah data yang merepresentasikan aspek-aspek keruangan

dari fenomena yang terdapat di dunia nyata. Data spasial memiliki 2 tipe, yaitu

vektor dan raster. Model data raster menampilkan, menempatkan, dan menyimpan

data spasial dengan menggunakan struktur matriks atau piksel-piksel yang

membentuk grid, sedangkan model data vektor menggunakan titik, garis atau

kurva, atau poligon beserta atributnya. Contoh umum dari data vektor adalah peta,

desain grafik, dan representasi 3D dari susunan rantai molekul protein (Han dan

Kamber 2006).

Penelitian ini menggunakan data titik api di Kabupaten Bengkalis Provinsi

Riau pada tahun 2008. Kabupaten Bengkalis memiliki luas wilayah 7793.93 km2

yang terbagi dalam 8 kecamatan dan 102 desa/kelurahan. Wilayah Kabupaten

Bengkalis merupakan dataran rendah dengan rata-rata ketinggian antara 2 sampai

6.1 meter di atas permukaan laut dan sebagian besar merupakan tanah organosol,

yaitu jenis tanah yang banyak mengandung bahan organik (Riau 2014).

Karakteristik wilayah yang digunakan mencakup sungai, jalan, dan pusat kota,

tutupan lahan dan batas administratif. Data persebaran dan koordinat titik api pada

tahun 2008 diperoleh dari NOAA AVHR dan FIRMS MODIS Fire/Hotspot,

NASA/University of Maryland (Gambar 1). Data cuaca terdiri atas temperatur

harian (Gambar 2), maksimum hujan harian, dan kecepatan angin diperoleh dari

BMKG. Data lahan gambut yang terdiri atas tipe dan kedalaman diperoleh dari

Wetland International. Data sosial-ekonomi yang mencakup sumber pendapatan

diperoleh dari Badan Pusat Statistika (BPS) pada tahun 2008. Peta digital terdiri

atas peta jalan, sungai, pusat kota, tutupan lahan, dan batas administratif diperoleh

dari Bakosurtanal (saat ini menjadi Badan Informasi Geospasial (BIG)). Data

cuaca didapatkan dari penerapan metode Cokriging untuk melakukan interpolasi

spasial. Hasil interpolasi spasial untuk data cuaca dikonversi ke dalam format

SHP sehingga data tersebut dapat diintegrasikan dengan data spasial lainnya untuk

pemodelan yang akan dilakukan (Sitanggang 2013).

Gambar 1 Layer titik api. Gambar 2 Layer temperatur.

4

Tahapan Penelitian

Penelitian ini dilaksanakan dalam beberapa tahap seperti yang disajikan

pada Gambar 3.

Gambar 3 Tahapan penelitian.

Praproses Data

Pada tahap ini, seleksi data dilakukan untuk mendapatkan data yang relevan.

Eksplorasi data juga dilakukan untuk mengetahui karakteristik data serta

permasalahan keberadaan missing value dan duplikasi data.

Pembagian Dataset

Pada tahap ini, pemisahan data uji dan data latih dilakukan dengan

menggunakan 5-fold cross validation. Pada 5-fold cross validation, suatu dataset

akan dibagi sebanyak 5 buah subset. Empat subset digunakan sebagai data latih

dan 1 subset digunakan sebagai data uji seperti ditunjukkan dalam Tabel 1.

Tabel 1 Pembagian dataset

Percobaan Data latih Data uji

1 Data latih 1: subset 1,2,3,4 Data uji 1: subset 5


3 Data latih 3: subset 1,2,4,5 Data uji 3: subset 3 4 Data latih 4: subset 1,3,4,5 Data uji 4: subset 2


5

Pembuatan Model Klasifikasi Spasial Menggunakan Spatial Entropy

Klasifikasi adalah proses menemukan model (fungsi) yang menjelaskan dan

membedakan kelas-kelas atau konsep dengan tujuan agar model yang diperoleh

dapat digunakan untuk mengetahui kelas atau objek yang memiliki label kelas

yang tidak diketahui. Klasifikasi termasuk ke dalam kategori predictive data

mining. Model yang diperoleh berdasarkan pada analisis dari data training. Proses

klasifikasi data dibagi menjadi dua yaitu tahap pembelajaran dan klasifikasi. Pada

tahap pembelajaran, sebagian data yang telah diketahui kelas datanya digunakan

untuk membentuk model. Selanjutnya pada klasifikasi, model yang sudah

terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model

tersebut. Jika akurasinya mencukupi, model tersebut dapat dipakai untuk prediksi

kelas data yang belum diketahui (Han dan Kamber 2006).

Klasifikasi spasial merupakan metode yang menganalisis objek pada data

spasial. Dalam membangun model klasifikasi spasial dapat digunakan algoritme

pohon keputusan berbasis spatial entropy. Langkah-langkah pada metode spatial

entropy adalah:

1 Menghitung jarak nominal dan jarak ordinal.

2 Menghitung jarak intra dan jarak extra pada masing-masing kategori.

3 Menghitung entropi spasial.

4 Menghitung information gain.

5 Jika layer D memiliki nilai information gain tertinggi, maka perhitungan

akan dilanjutkan dengan mencari node.

6 Kembali ke perhitungan entropi spasial dengan mengurangi atribut yang

telah menjadi akar.

1 Menghitung jarak antarobjek

Perhitungan jarak antarobjek dapat dilakukan berdasarkan tipe atribut

pada data. Pada penelitian ini terdapat dua tipe atribut, yaitu atribut nominal

dan atribut ordinal. Untuk atribut ordinal, nilai pada setiap kategori disusun

berdasarkan peringkatnya kemudian diubah menjadi bilangan sebanyak

kategori yang ada. Lalu pada tahap selanjutnya dilakukan normalisasi yang

dirumuskan sebagai berikut (Han dan Kamber 2006):

f f-

f- f

(1)

Dimana f adalah nilai pada setiap kategori ke-i yang telah dirubah

menjadi bilangan. Mf adalah banyaknya kategori yang ada pada data.

Kemudian dist(j,k) pada atribut ordinal dapat dihitung dengan menggunakan

jarak euclidean yang dirumuskan sebagai berikut (Han dan Kamber 2006):

Nilai xjp adalah nilai hasil normalisasi pada baris ke-j dan atribut ke-p.

xkp adalah nilai hasil normalisasi pada baris ke-k dan atribut ke-p. Untuk

menghitung dist(j,k) pada atribut nominal dapat dirumuskan sebagai berikut

(Han dan Kamber 2006):

-

(3)

6

Nilai p adalah jumlah atribut keseluruhan yang memiliki tipe nominal.

m adalah jumlah atribut yang bernilai sama. Setelah nilai dist(j,k) pada atribut

ordinal dan atribut nominal didapatkan, nilai dist(j,k) untuk keseluruhan

atribut pendukung dapat diolah dengan menggunakan rumus jarak pada

atribut tipe campuran seperti yang dirumuskan sebagai berikut (Han dan

Kamber 2006):

(4)

Jika hasil dist(j,k) pada atribut ordinal atau atribut nominal bernilai nol

akan bernilai nol.Selainnya, jika hasil dist(j,k) tersebut tidak sama dengan

nol, akan bernilai satu (Han dan Kamber 2006).

2 Menghitung intra-distance (diint

) dan extra-distance (diext

) seperti yang

dirumuskan sebagai berikut:

d nt

-

(5)

d e t

-

-

(6)

Nilai C adalah himpunan entitas spasial dari dataset yang diberikan, Ci

menunjukkan subset dari entitas C yang termasuk dalam kategori ke-i dari

klasifikasi, diint

adalah jarak rata-rata antara Ci, diext

adalah jarak rata-rata

antara entitas Ci dan entitas dari kategori lain, dist(j,k) memberikan jarak

l h o y g mb l l c l

adalah konstanta yang diambil relatif tinggi, konstanta ini menghindari efek

‘noise’ l null dalam perhitungan jarak rata-rata (Li dan Claramunt

2006).

3 Menghitung spatial entropy yang dirumuskan sebagai berikut:

o y -

log

(7)

Dengan adalah proporsi jumlah kategori elemen i dari record, n

adalah jumlah kategori dalam domain yang disebutkan dari atribut target GA.

Berdasarkan hasil pehitungan Li dan Claramunt (2006) pada data sampel

landslide didapatkan bahwa ketika jumlah kategori dan proporsi identik,

entropi spasial akan bervariasi dengan perubahan distribusi spasial dari entitas

spasial (Li dan Claramunt 2006).

4 Menghitung nilai information gain dengan menggunakan rumus berikut:

o y -

o y

l (8)

merupakan nilai information gain antar atribut target

GA dengan atribut pendukung SA. Values(SA) memberikan domain yang

disebutkan dari atribut atribut pendukung SA, GAv menunjukkan subset dari

GA dimana nilai yang sesuai dengan SAv untuk setiap record, |GAv| dan |GA|

berturut-turut melambangkan kardinalitas GAv dan GA. Perhitungan pada

pohon keputusan merupakan proses yang berulang-ulang (Li dan Claramunt

2006).

Integrasi entropi spasial dalam proses klasifikasi secara efektif dapat

mengurangi jumlah kelas yang dihasilkan oleh pohon keputusan. Hirarki

7

pohon keputusan spasial berhenti ketika kategori yang berbeda di kelas dapat

dibedakan secara jelas dalam ruang. Entitas spasial cenderung memiliki

autokorelasi spasial positif yaitu diint

< diext

. Ambang entropi spasial dapat juga

digunakan untuk mengontrol dan menghentikan pertumbuhan pohon

keputusan spasial. Jika entropi spasial data pada cabang tertentu lebih rendah

dari ambang batas maka cabang telah mencapai daun pohon. Ambang batas

dapat mengurangi kedalaman pohon dan nomor daun tanpa mengorbankan

kinerja klasifikasi. Hal ini memberikan sejumlah kecil kelas dan

memfasilitasi penemuan aturan klasifikasi yang paling dominan (Li dan

Claramunt 2006).

Evaluasi Model

Pada tahap ini, hasil klasifikasi dievaluasi dengan menghitung tingkat

akurasi dari model yang dicari. Akurasi dapat dihitung dengan menggunakan

confusion matrix, yaitu menghitung banyaknya label kelas yang diprediksi benar

dibagi total banyaknya prediksi.

Presentasi Model Data hasil klasifikasi dengan metode spatial entropy direpresentasikan ke

dalam kumpulan aturan yang dibangkitkan dari pohon keputusan.

Peralatan Penelitian

Perangkat lunak dan perangkat keras yang digunakan dalam

mengembangkan penelitian ini adalah sebagai berikut:

Perangkat Lunak:

1 Python 2.7.5 sebagai bahasa pemrosesan.

2 PostgreSQL 9.2.1 sebagai sistem manajemen basis data.

3 PostGIS sebagai ekstensi PostgreSQL untuk pengelolaan data spasial.

4 Quantum GIS 2.0.1 untuk pemrosesan dan visualisasi data spasial.

5 Microsoft Office Excel 2007 dan Notepad++

6 Sistem operasi Microsoft Windows 7 Home Premium 64-bit

Perangkat Keras:

1 Processor: Intel(R) Core(TM) i3-2310M CPU @ 2.10GHz

2 Memory: 4.00 GB RAM

HASIL DAN PEMBAHASAN

Praproses Data

Tahapan yang dilakukan dalam praproses data adalah sebagai berikut:

1 Membuat tabel target.

Pada tahap ini layer false alarm dibentuk menggunakan Quantum GIS.

Layer false alarm adalah titik non-hostpot yang dibangkitkan secara acak

disekitar titik hotspot. Untuk membuat layer false alarm dilakukan buffer dari

8

layer hotspot dengan jarak buffer sebesar 0.907374 km (Sitanggang 2013).

Hasil pemrosesan dari buffer tersebut dicari difference dalam geoprocessing

tools untuk menentukan area yang berada di luar buffer. Setelah itu dilakukan

pembangkitan 685 titik secara acak sebagai titik non-hotspot. Hasil dari

proses buffer dapat dilihat pada Gambar 4.

Kemudian tahapan selanjutnya dilakukan dengan menggunakan

pernyataan query pada DBMS PostgreSQL yaitu membuat layer target yang

merupakan gabungan dari layer true alarm dengan layer false alarm seperti

ditunjukkan pada Gambar 5.

Gambar 5 Query pembuatan layer target.

Langkah ini menghasilkan layer baru yang terdiri dari 1370 fitur titik

yang menunjukkan titik non-hotspot dan hotspot dapat dilihat pada Tabel 2.

Gid merupakan identitas data, the_geom merupakan lokasi dari objek spasial.

Gambar 4 Titik hotspot dan non-hotspot.

9

Tabel 2 Layer target.

gid The_geom Target

1 01010000006... T

2 0101000000D... T

...

1369 01010000008... F

1370 0101000000A... F

2 Membuat tabel distance city, distance river dan distance road.

Tahap ini dilakukan dengan menggunakan query pada DBMS

PostgreSQL untuk mencari jarak antara objek-objek di layer target dengan

objek-objek di layer-layer penjelas seperti ditunjukkan pada Gambar 6.

Gambar 6 Query jarak minimum dari target ke jalan terdekat.

Untuk layer road dilakukan perhitungan jarak minimum dari objek

target ke objek jalan terdekat (min_distance) seperti ditunjukkan pada

Gambar 7. Kemudian jarak dalam numerik diubah dalam data kategorik

(dist_road) sesuai ketentuan berikut (Sitanggang 2013):

Low : min_distance ≤ 2500 m

Medium: 2500 m < min_distance ≤ 5000 m

High : min_distance > 5000 m

Hasil perhitungan jarak ke titik api untuk beberapa objek di layer road

dapat dilihat pada Tabel 3.

Tabel 3 Hasil perhitungan jarak hotspot ke jalan terdekat.

gid The_geom Target Min_distance Dist_road

1 01010000006... T 17158.54171 High

9 0101000000A... T 4854.698642 Medium

10 0101000000F... T 456.8011663 Low

...

1368 01010000002... F 23.25410674 Low

1369 01010000008... F 4427.468245 Medium

1370 0101000000A... F 8240.615218 High

10

Untuk layer river dilakukan juga perhitungan jarak minimum dari objek

target ke objek sungai terdekat (min_distance). Kemudian jarak dalam

numerik diubah ke dalam data kategorik (dist_river) sesuai ketentuan berikut

(Sitanggang 2013):




Hasil perhitungan jarak ke titik api untuk beberapa objek di layer river


Tabel 4 Hasil perhitungan jarak hotspot ke sungai terdekat.

gid The_geom Target Min_distance Dist_river

8 01010000006... T 918.3817908 Low

9 0101000000A... T 1968.958422 Medium

10 0101000000F... T 4006.426486 High

...

1368 01010000002... F 2343.056961 Medium

1369 01010000008... F 4418.838336 High

1370 0101000000A... F 44.61247693 Low

Demikian halnya untuk layer city, dilakukan juga perhitungan jarak

minimum dari objek target ke objek pusat kota terdekat (min_distance).

Kemudian jarak dalam numerik diubah ke dalam data kategorik (dist_city)

sesuai ketentuan berikut (Sitanggang 2013):




Hasil perhitungan jarak ke titik api untuk beberapa objek di layer city


Tabel 5 Hasil perhitungan jarak hotspot ke pusat kota terdekat.

gid The_geom Target Min_distance Dist_city

51 0101000000F... T 15923.492385 High

52 0101000000A... T 9714.0851992 Medium

53 01010000007... T 2945.3710693 Low

...

1368 01010000002... F 15801.59506 High

1369 01010000008... F 11968.15244 Medium

1370 0101000000A... F 20725.56393 High

11

3 Menghapus kolom-kolom yang tidak digunakan.

Tahap ini dilakukan penghapusan kolom-kolom yang tidak diperlukan

pada layer land cover, layer income source, layer school, dan layer

population sehingga setiap layer akan memiliki 3 field data, yaitu gid,

the_geom, dan exp_attr. exp_attr merupakan nilai dari masing-masing objek

penjelas.

4 Menggabungkan data menjadi satu layer data.

Pada tahap ini, setiap layer data penjelas dan layer target digabung

menjadi satu layer. Sehingga didapatkan data sebesar 1512 record. Objek-

objek dalam layer gabungan inilah yang digunakan untuk membuat model

klasifikasi spasial menggunakan algoritme pohon keputusan berbasis entropi

spasial. Akan tetapi pada proses pembuatan model klasifikasi spasial, field

the_geom dan gid tidak dipergunakan sehingga field tersebut dihapus. Setelah

field the_geom dan gid dihapus, dilakukan penghapusan duplikasi data

sehingga didapatkan data sebesar 600 record. Tabel 6 menunjukkan hasil

penggabungan objek target dan objek-objek penjelas setelah field the_geom

dan gid dihapus. Data dalam Tabel 6 merupakan data akhir dan digunakan

pada proses pembuatan model klasifikasi spasial menggunakan algoritme

pohon keputusan berbasis spatial entropy.

Tabel 6 Hasil penggabungan objek target dan objek-objek penjelas.

city river road Income

source

Land

cover

popul

ation

precipit

ation

sch

ool

tempe

rature

Wind

speed

targ

et

High High High Plantati

on

Plantati

on

Medi

um 3

Lo

w 297 1 T

High Medi

um High

Plantati

on

Plantati

on

Medi

um 3

Lo

w 297 1 T

High Medi

um High

Plantati

on

Plantati

on

Medi

um 3

Lo

w 297 1 T

High Medi

um High

Plantati

on

Plantati

on Low 1

Lo

w 298 2 T

High Medi

um High

Plantati

on

Plantati

on Low 1

Lo

w 298 2 T

Pembuatan Model Klasifikasi Spasial Menggunakan Algoritme Pohon

Keputusan Berbasis Spatial Entropy

Pada tahap ini dilakukan pembuatan pohon keputusan spasial menggunakan

algoritme pohon keputusan berbasis spatial entropy (Li dan Claramunt 2006).

Algoritme pohon keputusan berbasis spatial entropy di implementasikan

menggunakan bahasa pemrograman Python dengan memodifikasi kode program

untuk algoritme ID3 (Roach 2006). Langkah-langkah utama dalam membentuk

pohon keputusan menggunakan algoritme pohon keputusan berbasis spatial

entropy adalah:

1 Menghitung jarak antar objek

2 Menghitung intra-distance (diint


)

3 Menghitung spatial entropy

4 Menghitung information gain

12

Menghitung jarak antar objek

Berdasarkan Tabel 6, dapat dilihat bahwa atribut city, river, road,

population, precipitation, school, temperature dan wind speed merupakan atribut

ordinal. Sedangkan atribut income source dan land cover merupakan atribut

nominal. Setelah dilakukan pengolahan data, didapatkan hasil normalisasi untuk

atribut ordinal seperti pada Tabel 7.

Tabel 7 Hasil normalisasi atribut ordinal.

Atribut Nilai rif Normalisasi

city, river, road,

population dan school

Low 1 0 Medium 2 0.5

High 3 1

Temperature 297 1 0 298 2 0.5

299 3 1

Wind speed dan

precipitation

0 1 0

1 2 0.25 2 3 0.5

3 4 0.75

4 5 1

Dari Tabel 7 dapat dilihat bahwa atribut city, river, road, population, school,

dan temperature memiliki nilai Mf = 3 sedangkan wind speed dan precipitation

memiliki nilai Mf = 5 sehingga hasil normalisasi untuk atribut Mf = 3 akan

memiliki nilai yang sama, demikian halnya dengan atribut Mf = 5. Nilai hasil

normalisasi inilah yang digunakan pada perhitungan jarak.

Menghitung intra-distance (diint


)

Intra distance untuk dataset dengan kelas true dihitung untuk mengetahui

jarak rata-rata antar entitas pada kategori true. Sedangkan extra distance untuk

dataset dengan kelas true dihitung untuk mengetahui jarak rata-rata antara entitas

pada kategori true dengan kategori lainnya. Demikian halnya dengan intra

distance untuk dataset dengan kelas false dan extra distance untuk dataset dengan

kelas false. Tabel 8 menunjukkan hasil perhitungan intra distance dan extra

distance.

Tabel 8 Hasil perhitungan intra distance dan extra distance.

Jarak Data

latih 1

Data

latih 2

Data

latih 3

Data

latih 4

Data

latih 5

Intra distance untuk dataset

dengan kelas true 0.5041 0.5008 0.4998 0.4968 0.5107

Intra distance untuk dataset

dengan kelas false 0.5363 0.5343 0.5303 0.5416 0.5370

Extra distance untuk dataset dengan kelas true

1.0496 1.0467 1.0513 1.0568 1.0583

Extra distance untuk dataset

dengan kelas false 1.0496 1.0467 1.0513 1.0568 1.0583

Pada Tabel 8 dapat dilihat bahwa extra distance untuk dataset dengan kelas

true dan extra distance untuk dataset dengan kelas false memiliki nilai yang sama,

hal ini dikarenakan jarak antar objek j dan k memiliki nilai yang sama dengan

13

jarak antar objek k dan j, sehingga hasilnya akan bernilai sama. Hasil jarak inilah

yang akan digunakan pada perhitungan entropi spasial.

Menghitung spatial entropy

Spatial entropy dihitung menggunakan persamaan 7. Contoh perhitungan

entropi spasial untuk data latih 1:

o y

log

log

Pada perhitungan diatas terdapat nilai 131 dan 349 yang berturut-turut

merupakan banyaknya frekuensi target yang bernilai true dan false. Sedangkan

nilai 480 merupakan total keseluruhan data latih 1. Sehingga hasil yang

didapatkan dari perhitungan entropi dapat dipergunakan pada perhitungan

information gain.

Kode program perhitungan spatial entropy dengan menggunakan bahasa

pemrograman Python dapat dilihat pada Gambar 7 (Roach 2006).

Gambar 7 Kode program perhitungan spatial entropy (Roach 2006).

Menghitung information gain

Perhitungan information gain dihitung menggunakan persamaan 8.

Perhitungan information gain ini digunakan untuk melihat atribut terbaik dari

masing-masing atribut yang akan dipilih menjadi label node. Setelah akar

diperoleh dari atribut dengan nilai information gain tertinggi, perhitungan akan

dilanjutkan dengan mencari node selanjutnya menggunakan data yang sama

namun telah dikurangi oleh atribut yang telah menjadi akar. Perhitungan

dilakukan berulang-ulang hingga seluruh atribut telah menjadi node. Kode

program Python untuk menghitung information gain dapat dilihat pada Gambar 8

(Roach 2006).

14

Gambar 8 Kode program perhitungan information gain (Roach 2006).

Ukuran information gain digunakan untuk membentuk pohon keputusan.

Kode program Python untuk membuat pohon keputusan dapat dilihat pada

Gambar 9 (Roach 2006).

Gambar 9 Kode program Python untuk membuat pohon keputusan (Roach 2006).

15

Evaluasi Model

Hasil evaluasi model pohon keputusan berbasis spatial entropy dapat dilihat

pada Tabel 9.

Tabel 9 Akurasi data uji dan data latih

Percobaan Pohon

keputusan Akurasi data uji

Akurasi data latih

1 Tree 1 54.17% 87.92%

2 Tree 2 56.00% 88.75% 3 Tree 3 50.98% 88.33%

4 Tree 4 50.50% 90.00%

5 Tree 5 48.62% 90.21%

Rata-rata 52.05% 89.04%

Dari Tabel 9, dapat dilihat bahwa data uji yang memiliki tingkat akurasi

terbesar berada pada percobaan ke 2 dengan tingkat akurasi 56% dan akurasi yang

terbesar pada data latih berada pada percobaan ke 5 dengan tingkat akurasi

90.21%. Didapatkan juga tingkat akurasi rata-rata dari 5 percobaan sebesar

52.05% untuk data uji dan 89.04% untuk data latih.

Hasil dari akurasi ini menunjukkan bahwa tingkat akurasi pada data latih

lebih besar daripada data uji. Hal ini dikarenakan pengujian data latih dilakukan

pada pohon keputusan yang berasal dari data latih tersebut. Pada hasil prediksi

terdapat juga data yang tidak terklasifikasi atau tidak termasuk ke dalam kelas

true maupun kelas false. Hal ini dikarenakan pada data uji tersebut tidak ada data

yang termasuk ke dalam aturan manapun, sehingga data tersebut tidak

terklasifikasi.

Dari pohon keputusan tersebut didapatkan aturan sebanyak 241 aturan untuk

percobaan 1 (Lampiran 1), 255 aturan untuk percobaan 2 (Lampiran 2), 256

aturan untuk percobaan 3 (Lampiran 3), 235 aturan untuk percobaan 4 (Lampiran

4), dan 255 aturan untuk percobaan 5 (Lampiran 5). Pohon keputusan dengan

akurasi terbaik terdapat pada percobaan 2. Contoh aturan yang didapatkan dari

hasil model pohon keputusan untuk percobaan2 yaitu:

1 JIKA tutupan lahan = unirrigated agricultural field DAN sumber

pendapatan = plantation DAN kepadatan populasi > 100 MAKA

keberadaan titik api adalah false.

2 JIKA tutupan lahan = unirrigated agricultural field DAN sumber

pendapatan = plantation D N o l ≤ DAN 1.5 km < jarak

m m m g ≤ m D N m m m o

m D N m/ ≤ c g < m/ D N 7 K ≤

m < K D N ol h ≤ D N mm/h ≤ c h

hujan < 4 mm/hari DAN jarak minimum ke jalan terdekat > 5 km MAKA

keberadaan titik api adalah true.

3 JIKA tutupan lahan = paddy field DAN sumber pendapatan = plantation

DAN jarak minimum ke pusat kota terdekat > 14 km MAKA keberadaan

titik api adalah true.

4 JIKA tutupan lahan = mix garden DAN jarak minimum ke jalan terdekat > 5

m D N m/ ≤ c g < m/ D N m m m g

≤ m K b l h false.

16

5 JIKA tutupan lahan = plantation DAN sumber pendapatan = forestry DAN

jarak minimum ke pusat o m D N m/ ≤ c

g < m/ D N m < m m m g ≤ m

MAKA keberadaan titik api adalah true.

SIMPULAN DAN SARAN

Simpulan

Penelitian ini menghasilkan pohon keputusan berbasis spatial entropy dari

data kebakaran hutan yang terdiri dari 11 atribut, yaitu 10 atribut penjelas dan 1

atribut target. Hasil penelitian dengan dengan menggunakan metode uji 5-fold

cross validation adalah 5 pohon keputusan akurasi rata-rata 52.05% dan 89.04%

masing-masing pada data uji dan data latih. Pohon keputusan terbaik memiliki

akurasi data uji sebesar 56% yang mempunyai 560 node dengan node akar adalah

layer tutupan lahan. Dari pohon keputusan tersebut diperoleh 255 aturan untuk

mengklasifikasikan titik api. Hasil percobaan menunjukkan bahwa pohon

keputusan terbaik juga tidak dapat mengklasifikasikan sebanyak 20 objek pada

data uji Bengkalis.

Saran

Penelitian ini masih memiliki kekurangan, antara lain masih kecilnya

tingkat akurasi yang didapatkan pada data uji untuk wilayah Bengkalis. Saran

yang dapat disampaikan untuk penelitian selanjutnya adalah menguji pohon

keputusan yang dihasilkan pada data uji real untuk wilayah lain dan menerapkan

algoritme pohon keputusan spasial lainnya untuk mendapat akurasi yang lebih

baik serta membuat pohon keputusan yang dapat melihat aturan yang penting

dengan menggunakan bahasa pemrograman Python.

DAFTAR PUSTAKA

Badungkab. 2013. Kebakaran Hutan [internet]. [diacu 2013 Nov 1]. Tersedia dari:

http://www.badungkab.go.id/index2.php?option=com_content&do_pdf=1&id=

2894.

Deliknews. 2013. Kebakaran Hutan di Riau, Sebabkan Kerugian Besar [internet].

[diacu 2013 Des 3]. Tersedia dari:

http://www.deliknews.com/2013/06/21/kebakaran-hutan-di-riau-sebabkan-

kerugian-besar/#.Up26NsQW15Y.

[FWI] Forest Watch Indonesia. 2011. Potret Keadaan Hutan Indonesia Periode

Tahun 2000-2009 [internet]. [diunduh 2013 Nov 1]. Tersedia pada:

http://fwi.or.id/wp-content/uploads/2013/02/PHKI_2000-2009_FWI_low-

res.pdf.

http://www.deliknews.com/2013/06/21/kebakaran-hutan-di-riau-sebabkan-kerugian-besar/#.Up26NsQW15Y

http://www.deliknews.com/2013/06/21/kebakaran-hutan-di-riau-sebabkan-kerugian-besar/#.Up26NsQW15Y

http://fwi.or.id/wp-content/uploads/2013/02/PHKI_2000-2009_FWI_low-res.pdf

http://fwi.or.id/wp-content/uploads/2013/02/PHKI_2000-2009_FWI_low-res.pdf

17

Han J, Kamber M. 2006. Data Mining Concepts and Techniques. San Francisco

(US): Morgan-Kaufmann.

Li X, Claramunt C. 2006. A Spatial Entropy-Based Decision Tree for

Classification of Geographical Information.Transaction in GIS. 10(3): 451-467.

Riau. 2013. Kabupaten Bengkalis [internet]. [diacu 2014 Mar 15]. Tersedia dari:

http://www.riau.go.id/index.php?/detail/6.

Roach C. 2006. Building Decision Trees in Python [internet].[diacu 2014 Mei 13].

Tersedia dari:

http://www.onlamp.com/pub/a/python/2006/02/09/ai_decision_trees.html?CM

P=OTC-UD6648202101&ATT=Building+Decision+Trees+in+Python

Sigit R. 2012. Kaleidoskop Tata kelola Hutan di Indonesia: Hutan Masih Terbakar

(Bagian-2) [internet]. [diacu 2013 Nov 1]. Tersedia dari:

http://www.mongabay.co.id/2012/12/31/kaleidoskop-tata-kelola-hutan-di-

indonesia-hutan-masih-ter-dibakar-bagian-2/.

Sitanggang IS, Yaakob R, Mustapha N, Ainudin AN. 2013. Predictive Models for

Hotspots Occurence using Decision Tree Algorithms and Logistic Regression.

Journal of Applied Science.13(2):252-261. DOI:10.3923/jas.2013.252.261.

http://www.riau.go.id/index.php?/detail/23

http://www.mongabay.co.id/2012/12/31/kaleidoskop-tata-kelola-hutan-di-indonesia-hutan-masih-ter-dibakar-bagian-2/

http://www.mongabay.co.id/2012/12/31/kaleidoskop-tata-kelola-hutan-di-indonesia-hutan-masih-ter-dibakar-bagian-2/

18

population

high

dist_river

high

dist_road

high

wind_speed

1

land_cover

Plantation

income_source

Other_agriculture

screen_temp

297

school

low

precipitation

3

dist_city

high

->T

Mining

-> T

Shrubs

-> T

2

-> F

medium

income_source

Forestry

land_cover

Dryland forest

wind_speed

3

screen_temp

298

school

medium

precipitation

0

dist_city

medium

->T

Services

-> F

Plantation

-> F

Other_agriculture

Lampiran 1 Aturan dari model pohon keputusan data latih 1

19

land_cover

Unirrigated agricultural field

income_source

Plantation

population

high

-> F

medium

-> F

low

dist_river

high

-> T

medium

dist_city

high

wind_speed

1

screen_temp

297

school

low

precipitation

3

dist_road

high

->T

medium

-> F

low

-> T

Trading&restaurant

-> T

Forestry

-> F

Other_agriculture

-> F

Services

wind_speed

1

dist_road

high

-> T

medium

-> F

0

-> F


20

dist_road

high

land_cover


wind_speed

1

population

high

-> F

medium

dist_city

high

-> T

medium

-> F

low

dist_river

medium

income_source

Plantation

screen_temp

297

school

low

precipitation

3

dist_city

high

->T

low

-> T

0

-> F

3

-> T

2

income_source

Forestry

-> F

Plantation

-> T

Swamp

income_source

Plantation

-> T

Forestry

population


21

dist_road

high

income_source

Plantation

land_cover


wind_speed

1

population

high

-> F

low

dist_river

medium

screen_temp

297

school

low

precipitation

3

dist_city

high

->T

low

-> T

0

-> F

2

-> T

Mix garden

wind_speed

1

dist_river

medium

screen_temp

297

school

low

precipitation

3

population

low

dist_city

high

->T

low

-> F

0

-> T


22

land_cover


dist_river

high

school

high

-> F

medium

-> T

low

-> T

medium

population

high

-> F

medium

school

medium

-> F

low

dist_city

high

income_source

Agriculture

wind_speed

3

screen_temp

298

precipitation

0

dist_road

low

->T

medium

-> F

low

-> F

low

wind_speed

1

population

high

-> F

medium

dist_city

high

-> T

medium


23

RIWAYAT HIDUP

Penulis dilahirkan di Sitiung, Kabupaten Dharmasraya, Sumatera Barat pada

tanggal 4 Desember 1992 dari pasangan Ayah Drs Syafrial dan Ibu Dra Yerni.

Penulis merupakan anak sulung dari 4 bersaudara. Penulis melanjutkan

pendidikan di Sekolah Menengah Atas Negeri 1 Sitiung dan lulus pada tahun

2010. Setelah lulus dari SMA, penulis diterima sebagai mahasiswa Institut

Pertanian Bogor pada tahun 2010 melalui jalur Undangan Seleksi Masuk IPB

(USMI) pada Program Studi Ilmu Komputer, Fakultas Matematika dan Ilmu

Pengetahuan Alam. Selama aktif sebagai mahasiswa, penulis juga aktif di

organisasi yaitu sebagai anggota divisi marketing pada Himpunan Mahasiswa

Ilmu Komputer (HIMALKOM) pada periode 2012-2013.

klasifikasi data titik api di bengkalis riau … · tugas akhir ini, yaitu poet, eka ... indonesia...

Documents