PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN PERMUKIMAN DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE

ALGORITMA APRIORI

Lana Debi Syintia, RB Fajriya Hakim

Program Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan AlamUniversitas Islam Indonesia

ldsdebi@gmail.com, hakimf@fmipa.uii.ac.id

ABSTRAK. Umumnya di kota-kota besar di Indonesia masih banyak dijumpai permukiman yangpadat, pasar tradisional, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut, salah satunya adalah ancaman terhadap bahaya kebakaran.Dalam penelitian ini akan menggunakan data mining dengan metode association rule untukmengolah data bencana kebakaran permukiman di Indonesia karena ingin mengetahui informasi apa saja yang sering muncul bersamaan pada kejadian bencana kebakaran permukiman. Dari hasil analisis didapatkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan nilai support tertinggi yaitu Jika terjadi kebakaran permukiman dengan kondisi tanah labil maka hujanderas dengan nilai support sebesar 0.5227273 dan nilai confident sebesar 0.8214286. Berdasarkan dari hasil akhir Association rules tersebut diketahui bahwa kejadian kebakaran pemukiman cenderung terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak.

Kata Kunci: Data mining, Association rules, Apriori, Kebakaran Pemukiman, Pencegahan dan penanganan kebakaran pemukiman.

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN PERMUKIMAN DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE

ALGORITMA APRIORI

Lana Debi Syintia, RB Fajriya Hakim

Program Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan AlamUniversitas Islam Indonesia

ldsdebi@gmail.com, hakimf@fmipa.uii.ac.id

ABSTRAK. Umumnya di kota-kota besar di Indonesia masih banyak dijumpai permukiman yangpadat, pasar tradisional, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut, salah satunya adalah ancaman terhadap bahaya kebakaran. Dalam penelitian ini akan menggunakan data mining dengan metode association rule untuk mengolah data bencana kebakaran permukiman di Indonesia karena ingin mengetahui informasi apa saja yang sering muncul bersamaan pada kejadian bencana kebakaran permukiman. Dari hasil analisis didapatkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan nilai support tertinggi yaitu Jika terjadi kebakaran permukiman dengan kondisi tanah labil maka hujanderas dengan nilai support sebesar 0.5227273 dan nilai confident sebesar 0.8214286. Berdasarkan dari hasil akhir Association rules tersebut diketahui bahwa kejadian kebakaran pemukiman cenderung terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak.

Kata Kunci: Data mining, Association rules, Apriori, Kebakaran Pemukiman, Pencegahan dan penanganan kebakaran pemukiman.

1. LATAR BELAKANGBencana yang terjadi membawa sebuah konsekuensi untuk mempengaruhi manusia dan atau lingkungannya.

Kerentanan terhadap bencana dapat disebabkan oleh kurangnya manajemen bencana yang tepat, dampak lingkungan, atau manusia sendiri. Kerugian yang dihasilkan tergantung pada kapasitas ketahanan komunitas terhadap bencana.

Kota-kota besar seperti Jakarta, Surabaya, Medan, Bandung dan Semarang masih banyak dijumpai permukiman yang padat dan pasar tradisional dengan akselerasi jalan yang sempit, penyalagunaan fungsi brandgang yang secara teknis masih jauh dari keamanan bahaya kebakaran, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut , salah satunya adalah ancaman terhadap bahaya kebakaran.

Kebakaran yang terjadi di permukiman padat dapat bergerak dengan cepat karena banyak benda yang mudah terbakar, tidak ada konstruksi pembatas, sistem instalasi listrik yang cenderung ruwet, sehingga menimbulkan dampak sosial, ekonomi, psikologi, lingkungan dan langsung memiskinkan masyarakat. Potensi bahaya utama (main hazard) dan potensi ikutan (colateral hazard) suatu peristiwa bencana yang sangat tinggi terutama di daerah yang memiliki kepadatan penduduk, prosentase bangunan kayu (utamanya daerah pemukiman kumuh perkotaan), dan jumlah industri berbahaya tinggi (SatBakornas, 2002).

Beberapa masalah yang terjadi pada kebakaran permukiman padat dapat teridentifikasi secara umum dan khusus sebagai berikut :

1. Secara umum, infrastruktur kota seperti sumber air untuk pemadaman, hidran kota, jalan-jalan lingkungan dan sistem komunikasi emergency masih belum sepenuhnya mendukung terhadap operasi pemadamanyang efektif;

2. Belum semua kota memiliki master plan penanganan kebakaran, sementara pembangunan fisik kota meningkat ditandai dengan bertambahnya kawasan permukiman padat penduduk termasuk kawasan kumuh yang rentan terhadap bahaya kebakaran;

3. Masih lekatnya image persepsi sebagian masyarakat bahwa kebakaran adalah suatu musibah yang harus diterima sebagai cobaan dari Tuhan yang maha kuasa;

4. Partisipasi masyarakat dalam pencegahan dan penanggulangan kebakaran masih relatif rendah atau kurang diberdayakan;

5. Peran serta Satlakar yang belum optimal.Secara khusus, sebagian besar masyarakat masih menilai bahwa PMK “selalu terlambat”. keterlambat itu

dikarenakan oleh beberapa hal sebagai berikut :1. Keterlambatan masyarakat dalam melaporkan berita kebakaran, (Api membesar baru laporan) ;2. Lokasi Pos Pemadam Kebakaran yang terlalu jauh dari lokasi kebakaran;3. Tingkat kepadatan penduduk dan kemacetan lalu lintas;4. Perubahan kondisi lalu lintas tanpa diketahui oleh PMK;5. Hambatan akseleri unit pemadam kebakaran antara lain portal, polisi tidur, kabel telepon/listrik melintang

serta jalan sempit.

Dari permasalahan diatas pada makalah ini ingin melihat pola atau hubungan asosiatif dari data kebakaran permukiman di Indonesia. Teknik yang digunakan yaitu metode association rule algoritma apriori. Association rule (aturan asosiatif) berusaha menemukan aturan-aturan tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, pertama-tama kita harus mencari lebih dulu yang disebut "frequent itemset" (sekumpulan item yang sering muncul bersamaan). Salah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algoritma apriori. Ciri dari algoritma apriori adalah jika suatu itemset termasuk dalam large itemset, maka semua himpunan bagian (subset) dari itemset tersebut juga termasuk large itemset.

1.1. Rumusan MasalahBerdasarkan penjelasan di atas, permasalahan yang akan dibahas dalam hal ini yaitu ingin mengetahui

bagaimana pola hubungan aturan assosiatif antara suatu kombinasi item dan membentuk pola kombinasi itemsetsdengan menggunakan algoritma apriori.

1.2. Batasan MasalahAgar pembahasan dalam penelitian ini tidak meluas, maka dalam laporan ini diberikan batasan-batasan sebagaiberikut :1) Data yang digunakan adalah data sekunder, yaitu data Kebakaran Permukiman di Indonesia Tahun 20152) Data diolah dengan menggunakan bantuan program R

1.3. Tujuan PenelitianTujuan penelitian ini adalah untuk mengetahui bagaimana pola hubungan aturan assosiatif antara setiap

kejadian kebakaran permukiman di Indonesia dengan menggunakan algoritma Apriori sehingga dapat dilihat pola assosiasi kasus kebakaran permukiman yang terjadi di Indonesia

1.4. Manfaat PenelitianDari makalah ini diharapan dapat memberikan manfaat :1. Memberikan informasi mengenai pola hubungan aturan assosiatif antara setiap kejadian kebakaran

permukiman di Indonesia.2. Bisa mempermudah dan digunakan sebagai acuan untuk mengoptimalkan master plan pencegahan dan

penanganan kebakaran pemukiman bagi pihak Badan penanggulangan bencana khususnya dan informasitambahan bagi individu maupun instansi yang berkepentingan.

2. LITERATUR

2.1. Penelitian TerdahuluPenelitian tentang association rule sudah banyak dilakukan oleh peneliti-peneliti sebelumnya, seperti

penelitian dengan judul “Penerapan Data Mining Dalam Analisis Kejadian Kebakaran permukiman Di IndonesiaDengan Menggunakan Association Rule Algoritma Apriori” (Dewi Setianingsih, 2015). Penelitian ini menunjukkan bahwa teknik data mining dengan algoritma apriori dapat diimplementasikan pada data kebencanaanyang menghasilkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada akhir bulan desember 2014 dan awal bulan januari 2015 yaitu Jika terjadi kebakaran permukiman dengan kondisi tanahlabil maka hujan deras dan Jika terjadi kebakaran permukiman karena hujan deras maka kondisi tanah labil.

Penelitian dengan judul “Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola Data Kecelakaan Pesawat Dari Tahun 1967-2014 Di Indonesia” (Pria Nita Utari, 2015). Penelitian ini berisi tentang informasi bahwa metode Association Rule Algoritma Apriori juga dapat digunakan dalam mengetahui pola

data kecelakaan pesawat, sehingga dapat dilihat pola assosiasi kasus kecelakaan pesawat yang terjadi DiIndonesia.

Penelitian dengan judul “Perancangan Aplikasi Data Mining Dengan Algoritma Apriori Untuk Frekuensi Analisis Keranjang Belanja Pada Data Transaksi Penjualan” pada Studi Kasus di Swalayan KPRI Universitas Brawijaya (Heru Dewantara dan Purnomo Budi Santosa, 2013). Penelitian ini berupaya mengembangkan strategibisnis peletakkan barang belanjaan yang disesuaikan dengan pola konsumsi konsumen di Swalayan KPRIUniversitas Brawijaya Malang. Hasil peneltian ini adalah sebuah prototipe aplikasi MBA. Salah satu aturan asosiasi yang terbentuk adalah jika membeli gula pasir lokal 1kg, indofood bmb.racik sayur sop 20gr 9117, maka membeli indofood bmb.racik sy.asem 20gr rsah.463 dengan nilai support = 0,52% dan nilai confidence = 90,91% yang merupakan aturan dengan nilai confidence tertinggi. Proses selanjutnya adalah mengkategorikan item yang digunakan sebagai acuan perbaikan layout, sehingga mendapatkan rekomendasi perbaikan layout yang menyatakan bahwa gula didekatkan dengan telur, bumbu masak jadi, dan minyak goreng; minyak goreng didekatkan dengan bumbu masak jadi; telur didekatkan dengan beras dan mie instant serta minuman didekatkan dengan roti. Dengan demikian, penataan barang dagangan bisa disesuaikan dengan aturan asosiasi agar sesuai dengan pola konsumsi konsumen.

Penelitian dengan judul “Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan” (Muhammad Afif Syaifullah, 2010). Penelitian tersebut menginformasikan pelaksanaan asosiasi algoritma data mining pada sistem penjualan bermanfaat untuk dapat meningkatkan penjualan produk di sebuah perusahaan, toko, atau pasar.

3. DASAR TEORIa) Data Mining

Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machinelearning untuk mengekstrasi dan mengedintifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidang- bidang ilmu yang sudah mapan terlebih dahulu. Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu : Deskripsi, Estimasi, Klasifikasi, Prediksi, Pengklusteran, Asosiasib) Association rule

Analisis asosiasi atau association rule adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Association rule adalah salah satu teknik utama atau prosedur dalam Market BasketAnalysis untuk mencari hubungan antar item dalam suatu data set dan menampilkan dalam bentuk association rule(Budhi dkk,2007). Association rule (aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.c) Algoritma Apriori

Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma ini mengontrol berkembangnya kandidat itemsetdari hasil frequent itemset dengan support-based pruning untuk menghilangkan itemset yang tidak menarik dengan menetapkan minimum support. Prinsip dari apriori ini adalah bila itemset digolongkan sebagai frequent itemset,yang memiliki support lebih dari yang ditetapkan sebelumnya, maka semua subsetnya juga termasuk golonganfrequent itemset, dan sebaliknya.

Support merupakan nilai kejadian atau persentase kombinasi sebuah item dalam database.Support dirumuskan sebagai berikut:

Support (A) = (jumlah kejadian mengandung A / Total kejadian) x 100%

Sedangkan nilai support dari 2 item diperoleh dari rumus berikut:

Support (A ∩ B) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠� 𝑘� 𝑠��

𝑀��𝑛𝑔𝑎𝑛𝑑𝑢��𝑔 𝐴 𝑑𝑎𝑛 𝐵𝑇𝑜����𝑙 𝑇𝑟𝑎��𝑠𝑎��𝑠𝑖Confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah Apriori. Confidence

dapat dicari setelah pola frekuensi munculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut :

Contoh misalnya ditemukan aturan AB maka:

Confidence P(B|A) = (Total kejadian mengandung A dan B)/(Kejadian mengandung A) x

100%

Proses utama yang dilakukan dalam algoritma Apriori untuk mendapat frequent itemset yaitu (Erwin, 2009) :1. Join (penggabungan)

Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi.

2. Prune (pemangkasan)Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user.

d) Pembagian WaktuTabel 3.1. Pembagian Waktu menurut Wikipedia

Pagi 00:01 – 10:59Siang 11:00 – 14:00Sore 14:01 – 18:00malam 18:01 – 11:59

e) Pengelompokan KebakaranPengelompokkan kebakaran menurut peraturan Menteri Tenaga Kerja dan Transmigrasi Nomor

04/MEN/1980 Bab I Pasal 2, ayat 1 mengkalisikasikan kebakaran menjadi 4 yaitu katagori A,B,C,D.

Klasifikasi tersebut adalah sebagai berikut :1. Kebakaran Kelas A

Kebakaran yang menyangkut benda-benda padat kecuali logam. Contoh : Kebakaran kayu, kertas, kain, plastik, dsb. Alat/media pemadam yang tepat untuk memadamkan kebakaran klas ini adalah dengan :pasir, tanah/lumpur, tepung pemadam, foam (busa) dan air .

2. Kebakaran Kelas BKebakaran bahan bakar cair atau gas yang mudah terbakar. Contoh : Kerosine, solar, premium (bensin), LPG/LNG, minyak goreng. Alat pemadam yang dapat dipergunakan pada kebakaran tersebut adalahTepung pemadam (dry powder), busa (foam), air dalam bentuk spray/kabut yang halus.

3. Kebakaran Kelas CKebakaran instalasi listrik bertegangan. Seperti : Breaker listrik dan alat rumah tangga lainnya yangmenggunakan listrik. Alat Pemadam yang dipergunakan adalah : Carbondioxyda (CO2), tepung kering(dry chemical). Dalam pemadaman ini dilarang menggunakan media air.

4. Kebakaran Klas DKebakaran pada benda-benda logam padat seperti : magnesum, alumunium, natrium, kalium, dsb. Alat pemadam yang dipergunakan adalah : pasir halus dan kering, dry powder khusus.

f) Jenis-jenis Bangunan1. Bangunan Rumah Tinggal : Perumahan, Rumah Susun, Apartemen, Mess, Asrama2. Bangunan Komersial : Retail, Supermarket, Pertokoan (pakaian,makanan, motor-transportasi, peralatan

elektronik), Pusat Perbelanjaan, Perkantoran komersial, Layanan Jasa (service, laundry dll)3. Bangunan fasilitas Penginapan : Motel, Hotel, Cottage, Wisma tamu4. Bangunan Fasilitas Pendidikan : Pra sekolah, Sekolah, Kursus/pelatihan, Perpustakaan, Laboratorium

pendidikan, Science Park dll5. Bangunan Fasilitas Kesehatan : Rumah sakit, Puskesmas, Klinik kesehatan, Laboratorium Medis,

Gymnasium, Perawatan kecantikan, Pusat rehabilitasi, Pusat terapi kesehatan, Apotek6. Bangunan Fasilitas Peribadahan : Masjid, Gereja, Pusat peribadatan lain dan fasilitas layanan spiritual7. Bangunan Fasilitas Transportasi : Bandara, terminal, stasiun, pelabuhan, Travel Agen, Parkir8. Bangunan Fasilitas Budaya dan Hiburan : Museum, Perpustakaan, Gedung Pertunjukan9. Fasilitas Pemerintahan dan Layanan Publik : Kantor Polisi, Kantor perijinan, Pusat Rekreasi dll

4. METODE PENELITIANData dalam penelitian ini merupakan data sekunder yang diambil dari website

h tt p :// g e o s p as i a l . b np b . g o . i d /p a n t a u a nb e n c an a / d a t a / d a t a k b m uk i m a ll . ph p yaitu data kejadian bencana kebakaranpermukiman di Indonesia pada tahun 2015. Dalam kasus ini terdapat 41 data kejadian kebakaran permukimanyang akan dianalisis. Berikut data kebakaran permukiman di Indonesia:

Tabel 4.1. Tabel Kejadian Kebakaran Permukiman di Indonesia Tahun 2015

I

4 KbakaranPmuk iman 05/05/2015 21:30WIB

5 Kebakaran Permuk iman 04/05/2015 19:45 WIB

6 KbakaranPmuk iman 04/05/2015 19:30WIB

106.765 612.221 RT.003/03 JI.Vial Mas IIBlok KNo. Nihil

125 Kl.Kapuk Muara K.Pnjarincan Kota Jakarta Utara flr<W. DKIJakarta

106.765 612.221 Rt.003/Rw .01JI.Kapuk Muara Nihil Ko!I.Kapuk Muara Ke<.Penjarinean KotaJakarta Utara Prov. OKIJakarta

113.799·81.257 Trminal Kalisat K.Kalisat Kab. NihilJmber flr<W. Jawa Timur

3 BancunanmbelRB •Kronolocis :Ak ibat arus

pendk listrik •upaya :23 Unit mobilDPK klokasiuntuk mlakukan pemadamandanpembasahan ar

1Uni t rumahterbakar •Kronol oe is:Ak ibat korslet ne arus listrik •upava :• 3 Uni t mobil OPK dikerahkan untuk memad11mkan api- Tindak l anjut ol t:h Pol sek d11nSatpolPflsetempat

2 Unit BancunanRB •Kronolocis :Apiberasal daritook distributor bahan kbutuhan pokok didalam took danmambat.•upava:Tica Unit Mobil pemadam kbakaran dikahkanuntukml akukanpemadaman.

I' Kebakaran Permuk iman 04/05/2015

19:00WIB

110.468 696.533 Rt 2/4 Os.Kapas Timur Rava Kel.

Gebane sariKec.Genuk Kota. Semarane Prov.Jawa Tene ah

Nihil 1Uni t Rumah kososne.

•Kronol oe is:Hubunean Arus pendek listrik •upava :5 Unit mobilPMK dikerahkan.

8 K bakaran Prmukiman 27/04/2015 OO:OOWIB

9 Kbakaran Prmukiman 26/04/2015 08.00W IB

10 K bakaran Prmuk1man 22/04/2015 04:54WIB

106.815 -625.081Jl_ Bancka 8 KI.P la Mampanc K NihilMampanc Kota Jakarta SelatanProvmsiDKI Jakarta

106.697 -610.141Jl_ Kramat rava KlKamal Ke< NihilKalidrs Kota Ja karta Barat ProvOKI Jakarta

106.862 -621.796 RT. 011/005 J_l S!llharjo No.168 K I Nihil

Buk1t Duri K. T bet Kota JakartaSelatan Pr<W.DKIJakarta

1umt took t bakar •KronolotiS : - K bakarand1sbabkan olhkorsletmclistnk•KondlsiMutakh1r:- 12 umt mobil pemadam k bakaran dlkahkan untuk m madamkan api

1edune PT.PSB Blowr trbakar •Kronol oeis : - Api brasaldari konsltine listrik •upava · Pnan anan 26 unit mobilDPK

•upaya :Pmadaman dilakukan olhpetucas OAMKAR dan dlbantu warca dncanmnu unakan 3 umt mobil pemadam

11 Kbakaran Prmukiman 21/04/2015 10 45 W IB 106.718 -617.067 RT. 008 / 004 J_l Timbul Java Komp NihilOuriKl.KosambiKC- CnekarneKota Jakarta Bara t Prov.DKI Jakarta

12 K bakaran Prmukiman 21/04/2015 16:25 WIB 106.897 -635.038 RT. 002/001J.l Raya Hankam Munjul Nihil

Blok A KHMunjul K. CipayuncKota Jakarta Timur flr<W.DKIJakarta

U Kebakaran Permukiman 21/04/2015 23:30 W IB 112.225 ·755.326 Jl.Kapten Tendean Os.Seneon Kec. Nihil

Jombane Kab. Jombane Prov.JawaTimur

10 Uni t Rumah Kontrakan trbakar •Kronol oeis : Apibrasal dari Konslt ine listrik •upava · Pmadaman dilakukan olhpetueas DAMKAR dan dibantu warea den an mn .li: Unakan8 uni t mobil

45 Kios t bakar •Kronolocis : Apiberasal dari Konsltinc listrik •upava : Pmadaman dilakukan olh petucas DAMKAR dan dibantu warca dnaanmnu unakan 20 unit mobil

1unit rumah terbakar "" Kronol oeis : Ak ibat Konsl t:tine listrik ""Upava :Pemadaman dilakukan ol t:h petueas DAMKAR dan dibantuware a denean meneeunakan 2 uni t mobil pemadam. ""Kondisi Mutakhir :Pada pukui24:30WIB apiberhasil

14 K•bak.,ao P••mukimao

17/04/2015 04:00 WIB 106.811 -626 149 Kl. Gandari a K. Cial ndak Kota Nihil

Jakarta Seal tan Provinsi DKIJakarta

1Unit rumah trbakar (RB)

•Kronolocis :• Arus pendk listrik•upaya :• Pnancanan ohl 16 Unit mobilDPK • indak lanjut olh Pols k dan Satpol PP stmpat

15 Kebakaran Permukiman 14/04/2015 14.00 W ITA

117.573 0.549955 Os.Tol! uk Linn a Ke<. Saneatta Utara 1KK/ 4 jiwa meneunesi

Kab.Kutai Timur Prov.Kaltim

1rumahterbakar(RB) ""Kronoloesi :• Penyebab kebakaran masih dalam penvelid ikan upava Pemadaman dilakukan ol ehTRC BPBD, PMK, Satpol PP, Polisi,PMI, KOOIM, dan warea dene an meneerahkan 4 unit mobildamkar • Oi salurkan bantuan berupasandan dan pan andandidirikan

16 Kbakaran Prmukiman 14/04/2015 22.30 WITA

117.315 0 166118 Jl.Poros Bontanc·Sancan.a K.

Tluk Pandan Kab.KutaiTimur Pr<W. Kaltmi

Nihil 1unit skolah (50001Tluk •Kronolocsi :-Kbakaran trjadi Pandan) ruanc kl as 3 shinua karna arus pendk listrik •upava :• mncakibatkan aktifitas beal jarPmadamandilakukan ohl TRC mncajar tanuu BPBD, PMK, Satpol PP, Polisi,PMI,

KOOMI , dan warca dncan mncrahkan 4 unit mobildamkar • disaul rllan bantuanberupa sandanc dan panaan dan didirikan 1unit

17 Kebakaran Permukiman 13/04/2015 05:30 WIB 108.58-2 -706.466 RT.07/03 Osn. Sinekup Os. f111d11mulva Ke<.Maleber Kab. Kuninean Prov.Jawa Barat

·1KK/5Ji wa terdampak - 1Uni t rumahterbakar (RB) ""Kronoloei s: Ak ibat korslet ne listrik di kamartene11h •upava: Aparat dan masvarakat bereotone - rovone memadamkan api dene11n peralatan seadanva

18 Kbakaran Prmukiman 12/04/2015 21:45 WIB

106.928 -619.203 Jl.Pulo Buaran IV Blok H KH · NihilJatni q ara K.cakunc Kota JakartaTimur Pr<W.DKI Jakarta

• 1Unit Blowr di PT. NFood •Kronolocsi :Korsltinc arus listrik•upaya:Pnancanan ohl 5 Unit mobilDPK, Tindak lanjut olh Pols k dan Satpol PP stmpat

19 Kebakaran Permukiman 09/03/2015 15.00 WIB

107.005 -690.985 KpCipetir RT 06 RW 01DesaPriane11n Java Ke<. Sukal arane

10rane terbakar 1rumah rusakberat

20 Kbakaran Prmukiman 03/03/2015 18:30 WIB

21 Kebakaran Permukiman 03/03/2015 05:00 W IB

22 Kbakaran Prmukiman 03/03/2015 05:00 WIB

106 148 -63.325 Kamp.lndihi anc Dsn.Natirjo Ds.Nihil

Baros K.Warunc Gununa Kab. L bak flr<W.Bant n

0 dikampune bojone R t 01Rw02 desa nihil ci cadas kec.Sol ok

106.464 -686.686 Kampunc Bojonc RT 01RW 02 Oesa Nihil

Cicadas Cisolok

Ruane alat olahraaa trbakar IRusak Berat(RB)

meneak ibatkan rusak berat2 uni t rumah rusakberat,2 Rumah Rusak Berat

•Kronolocis :Karna hubuncan arus pendk listrik •upaya :BPBDstmpat mlakukan pendataan

23 Kebakaran 02/03/2015 07:15 W IB

111.31 -669.909 Os.Banyudono Kec.Kaliori Kab.

Rembane Prov.Jawa Tene11h

Nihil. 1rumah dinas vane dihuni Bp. "" Kronol oe is : Oalam penvl!!lidikan Andreas SriHandoko/40 th rusak pihak berw aij b upava :BPBO Kab sedane Rembane memadamkan api

bersama masvarakatd11nml!l! akukan assessmentkerusakan

24 Kbakaran Prmukiman 21/02/2015 23:45 WIB

25 Kebakaran Permukiman 31/01/2015 20.40.00 WIB

111.064 ·761.225 Pasar Karancpandan Kab. NihilKaranaanyar Pr<W.Jawa Tncah

112.627 ·737.381 Prov.Jawa Timur Kab.Sidoarjo Kec. Nihil

Taman Os.Sidoroeo Trosobo PT. Sinar Drama Kencana Trosobo Bl ok A16

1k ios (RB) •Kronolocis : Oi duca ak ibat korsel tinc listrik •upaya :BPBD stmpat sudahml akukan

Masihdalam pend11ta11n Kronol oeis :Masih dalampend11ta an Upava :5 Unit mobilPMK sudllhdilokasi untukmelakukan pemadaman dan pembasahan

6 Kbakaran Prmukiman 28/01/2015 01.50.00WIB

110.395 --699.312 Pr<W.Jawa Tncah Kota Semaranc 1KK/ 9 Jiwa trdampak 1Unit rumah RS milik Maryoto/L/60

27 K bakaran Permukiman 27/01/2015 14.21W IB

28 Kbakaran Prmukiman 27/01/2015 18.26.00WIB

K.Semaranc Barat Kl.BonasariKumud smoro11 No. 20 Rt. 07 Rw 08

106.862 -6U.694 Prov.DKI Jakarta Kota Jakarta Utara NihilKc- Tanjune Pri ok Kel.Sunt r

A&une J t J mbatan Sal am no.14

Raya Bekasi Km.18

106.906 -619.821Pr<W.DKI Jakarta Kota Jakarta Timur N1hil

tho

1Unit rumah berlantai2 RB Kronol oeis :Ak ibat korsltine

arus listrik Upava :10 Unit Mobil OPK kl okasiuntuk ml akukan pemadamandan pembasahan

1Umt cudanc asbes dan cat RB Kronoloc1s:Ak1bat korslunc arus

.....K- Cawanc Kl.Rawa TratJl

,_ ---- '·--'--'--listnk Upaya:28 Umt MobilOPKklokasiuntuk ml akukan

---- - --- '1 aman dan mbuahan

Dari tabel di atas, kolom atau variabel jam, lokasi, korban, kerugian dan keterangan yang akan dijadikan atribut dalam setiap kejadian kebakaran permukiman. Berikut tabel yang menjelaskan setiap kejadian kebakaran permukiman beserta atribut-atribut yang menyertai atau muncul saat kejadian:

Tabel 4.2. Tabel Kejadian Longsor dengan AtributKejadian Waktu Lokasi (Kota) Korban Kerugian Penyebab

Kebakaran 1 Siang Jakarta Barat Mengungsi Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 2 Pagi Jakarta Timur - Bangunan komersial rusak Kebakaran kelas CKebakaran 3 Siang Jakarta Pusat - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 4 Malam Jakarta Utara - Bangunan komersial rusak Kebakaran kelas CKebakaran 5 Malam Jakarta Utara - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 6 Malam Jember - Bangunan komersial rusak PenyelidikanKebakaran 7 Malam Semarang - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 8 Malam Jakarta Selatan - Bangunan komersial rusak Kebakaran kelas CKebakaran 9 Pagi Jakarta Barat - Bangunan komersial rusak Kebakaran kelas C

Kebakaran 10 Pagi Jakarta Selatan - Bangunan komersial rusak Kebakaran kelas BKebakaran 11 Pagi Jakarta Barat - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 12 Sore Jakarta Timur - Bangunan komersial rusak Kebakaran kelas CKebakaran 13 Malam Jombang - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 14 Pagi Jakarta Selatan - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 15 Siang Kutai Timur Mengungsi Bangunan rumah tinggal rusak PenyelidikanKebakaran 16 Malam Kutai Timur - Bangunan fasilitas pendidikan Kebakaran kelas C

Kebakaran 17 Pagi Kuningan Terdampak Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 18 Malam Jakarta Timur - Bangunan komersial rusak Kebakaran kelas CKebakaran 19 Sore Sukabumi Terbakar Bangunan rumah tinggal rusak -Kebakaran 20 Malam Lebak - Bangunan komersial rusak Kebakaran kelas CKebakaran 21 Pagi Sukabumi - Bangunan rumah tinggal rusak -Kebakaran 22 Pagi Rembang - Bangunan rumah tinggal rusak PenyelidikanKebakaran 23 Malam Karanganyar - Bangunan komersial rusak Kebakaran kelas CKebakaran 24 Malam Sidoarjo - Bangunan komersial rusak PenyelidikanKebakaran 25 Pagi Semarang Terdampak Bangunan rumah tinggal rusak -Kebakaran 26 Sore Jakarta Utara - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 27 Malam Jakarta Timur - Bangunan komersial rusak Kebakaran kelas CKebakaran 28 Malam Jakarta Pusat - Bangunan fasilitas kesehatan Kebakaran kelas CKebakaran 29 Siang Semarang Terdampak Bangunan rumah tinggal rusak -Kebakaran 30 Sore Jakarta Utara - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 31 Malam Jakarta Timur - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 32 Siang Situbondo Terdampak Bangunan rumah tinggal rusak -Kebakaran 33 Malam Surabaya - Bangunan rumah tinggal rusak PenyelidikanKebakaran 34 Pagi Jakarta Pusat - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 35 Malam Jakarta Selatan - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 36 Pagi Jakarta Timur - Bangunan komersial rusak Kebakaran kelas CKebakaran 37 Pagi Cilacap - Bangunan rumah tinggal rusak PenyelidikanKebakaran 38 Pagi Semarang - Bangunan rumah tinggal rusak PenyelidikanKebakaran 39 Pagi Jakarta Barat - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 40 Pagi Jakarta Utara - Bangunan rumah tinggal rusak Kebakaran kelas CKebakaran 41 Pagi Jakarta Selatan - Bangunan rumah tinggal rusak Kebakaran kelas C

Dari tabel di atas akan di eksekusi menggunakan software R Studio untuk mencari tahu pola kombinasi itemset yang memenuhi syarat support. Syarat minimum support yang ditentukan di awal yaitu 0.1, minimum confident sebesar 0.1, dan main line sebesar 2. Setelah hasil diketahui akan dianalisis kembali dengan mengubah nilai minimum support dan minimum confiden sesuai output data support terbesar dan main line yang menyertai data tersebut untuk mengatahui apakah masih ada nilai terbesar yang lain.

5. PEMBAHASAN DAN DISKUSIDalam analisis ini menggunakan software R yang mana user menentukan sendiri nilai minimum support,

minimum confident, dan main line. Nilai yang akan tampil adalah nilai yang besarnya sama dengan atau lebih besar dari minimum support yang telah ditentukan. Pengujian yang pertama dilakukan yaitu dengan menentukan minimum support= 0.1 ; minimum confident =0.1 ; dan dan main line =2. Berikut syntax yang digunakan:

library(arules)data <-read.delim("clipboard")summary(data)splitdata <- split(data$atribut,data$kejadian)splitdataaturan <- as(splitdata,"transactions")as(aturan,"matrix")aturan.ap<-apriori(aturan, parameter=list(supp=0.1, conf=0.1, minlen=2))inspect(aturan.ap)

dari syntax di atas didapat output sebagai berikut:1. Summary Data

Summary data merupakan ringkasan yang menyangkut beberapa informasi mengenai data kebakaran permukiman yang akan di analisis. Berikut hasil outputnya:

Gambar 5.1. Output summary data kebakaran permukiman

dari output di atas menunjukan bahwa dari kejadian kebakaran permukiman dengan no 1, 15, dan 17 masing- masing memiliki atribut sebanyak 5 buah dan kejadian kebakaran permukiman dengan no 10,11, dan 12 masing-masing memiliki atribut sebanyak 4 buah dan kejadian kebakaran permukiman yang lainnya memiliki atribut kurang dari 4 dengan total atribut sebanyak 139 buah. Informasi lain yang dapat diketahui yaitu atribut Kebakaran Kelas C muncul sebanyak 28 kali, Bangunan komersial rusak muncul sebanyak 21 kali, Bangunan rumah tinggal rusak muncul sebanyak 19 kali, Malam muncul sebanyak 16 kali, Pagi muncul sebanyak 16 kali, Penyelidikan muncul sebanyak 7 kali dan atribut yang lainnya yang muncul kurang dari 7 dengan total sebanyan 59 buah dari total kejadian kebakaran permukiman yang diamati yaitu sebanyak 41 kejadian.

2. Split DataSplit data merupakan pengelompokan atribut-atribut dalam satu kejadian. Software akan mengelompokan atribut-atribut kedalam satu kejadian yang sama. Berikut hasil output pada split data kejadian kebakaranpermukiman no 1:

Gambar 5.2. Output split data bencana kebakaran permukiman.

Dari output tersebut diketahui bahwa atribut-atribut yang masuk kejadian kebakaran permukiman no 1 yaituSiang, Jakarta barat, Mengungsi, Bangunan rumah tinggal rusak, dan Kebakaran kelas C.

3. Aturan MatriksAturan Matriks digunakan untuk menampilkan atribut yang menyertai kejadian dan yang tidak menyertai kejadian dengan inisiasi logika FALSE dan TRUE.

Gambar 5.3. Output matriks data bencana kebakaran permukiman.

Matriks di atas menunjukan atribut-atribut yang menyertai kejadian. Logika FALSE menunjukan tidak terdapat atribut dalam kejadian dan logika TRUE menunjukan terdapat atribut dalam kejadian. Atribut diurutkan sesuai jumlah dari paling sedikit hingga terbanyak dan urutan abjad dari a sampai z. Atribut yang mempunyai jumlah matriks paling sedikit yaitu Jakarta Timur dan Bangunan fasilitas pendidikan. Dapat dilihat pada kejadian Kebakaran no 16 yaitu tidak terdapat atribut “Jakarta Timur” maka nilainya FALSE dan terdapat atribut “Bangunan fasilitas pendidikan” maka nilainya TRUE.

4. Analisis dengan Minimum Support 0.1, Minimum Confident 0.1 dan Main Line 2.a. Pola Kombinasi Dua Itemset/ Atribut

Pola kombinasi dua itemset menunjukan hubungan dua atribut, misal jika terjadi A maka terjadi terjadi B. Pembentukan pola frekuensi dua itemsets, dibentuk dari items-items jenis yang memenuhi support minimal yaitu dengan cara mengkombinasi semua item kedalam pola dua kombinasi. Pada syntax telah ditentukan bahwa minimum support = 0.1 maka yang ditampilkan nilai minimum support yang sama dengan atau lebih dari 0.1, nilai yang kurang dari 0.1 secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi dua itemset :

Gambar 5.4. Output kombinasi dua itemset/atribut data bencana kebakaran permukiman.

Output di atas merupakan kombinasi dua itemset yang merupakan hasil yang memenuhi syarat support0.1 dari semua kombinasi semua jenis itemset. Berikut uraian perhitungan point 1, 2, dan 3 sehingga di dapat hasil seperti di atas:Support (jakarta utara ∩ kebakaran kelas C) =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘��𝑗𝑎𝑑𝑖𝑎𝑛 𝑚��𝑛𝑔𝑎𝑛𝑑��𝑛𝑔 jakarta utara 𝑑𝑎𝑛 kebakaran kelas C 𝑡��𝑡� 𝑙� 𝑘��𝑗𝑎𝑑𝑖��𝑛

= 5 / 41 = 0.1219512Support (kebakaran kelas C ∩ jakarta utara) =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘��𝑗𝑎𝑑𝑖𝑎𝑛 𝑚��𝑛𝑔𝑎𝑛𝑑��𝑛𝑔 kebakaran kelas C 𝑑𝑎𝑛 jakarta utara 𝑡��𝑡� 𝑙� 𝑘��𝑗𝑎𝑑𝑖𝑎𝑛

= 5 / 41 = 0.1219512

Support (jakarta timur ∩ bangunan komersial rusak) =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘��𝑗𝑎𝑑𝑖𝑎𝑛 jakarta timur 𝑑� 𝑛� bangunan komersial rusak = 5 / 41 = 0.1219512𝑡��𝑡� 𝑙� 𝑘��𝑗𝑎𝑑𝑖𝑎𝑛

Confidence P(jakarta utara | kebakaran kelas C) = Total kejadian mengandung jakarta utara dan kebakaran kelas C total kejadian mengandung jakarta utara

= 5 / 5 = 1

Confidence P(kebakaran kelas C | jakarta utara) = Total kejadian mengandungkebakaran kelas C dan jakarta utara total kejadian mengandung kebakaran kelas C

= 5 / 28 = 0.1785714

Confidence P(jakarta timur | bangunan komersial rusak) =

Total kejadian mengandung jakarta timur dan bangunan komersial rusak = 5 / 5 = 1

kejadian mengandung jakarta timur

Dari perhitungan di atas diketahui bahwa meskipun nilai support besarnya sama namun nilai confident tidak selalu sama. Hal ini terjadi karena nilai support menunjukan probabilitas muncul atribut A dan B secara bersama-sama dari seluruh kejadian sedangkan nilai confident menunjukan kepastian atau kuatnya hubungan antar item dalam sebuah apriori.

b. Pola Kombinasi Tiga Itemset/ AtributPada output ini masih menggunakan minimum support = 0.1 dengan tiga kombinasi itemsets maka yang ditampilkan nilai minimum support yang sama dengan atau lebih dari 0.1, nilai yang kurang dari 0.1 secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi tiga itemset itemset :

Gambar 5.5. Output kombinasi tiga itemset/atribut data bencana kebakaran permukiman.

Output di atas menjelaskan bahwa jika terjadi kebakaran permukiman pada bangunan komersial rusak dan di jakarta timur maka kebakaran kelas C dengan nilai support sebesar 0.1219512 dan nilai confident sebesar 1. Jika terjadi kebakaran permukiman di jakarta timur dan kebakaran kelas C maka bangunan komersial rusak dengan nilai support sebesar 0.1219512 dan nilai confident sebesar 1, dan sebagainya.

5. Analisis dengan Minimum Support 0.3, Minimum Confident 0.3 dan Main Line 2.Dari uraian dan hasil output di atas diketahui bahwa nilai support tertinggi pada kombinasi dua itemsets yaitu0.3658537 maka akan dianalisis kembali dengan menggunakan minimum support =0.3, minimum confident =0.3, dan main line 2 karena nilai support tersebut terdapat pada kombinasi dua itemsets. Berikut syntax yang digunakan:s

aturan.ap <- apriori(aturan, parameter=list(supp=0.3, conf=0.3, minlen=2))inspect(aturan.ap)

Dengan menggunakan syntax di atas didapat output sebagai berikut:

Gambar 5.6. Output kombinasi dua itemset/atribut data bencana kebakaran permukiman.Output di atas menujukan bahwa jika terjadi kebakaran permukiman pada malam hari maka mengakibatkan kebakaran kelas C dengan nilai support sebesar 0.3170732 dan nilai confident sebesar 0.8125. Jika terjadikebakaran permukiman kebakaran kelas C maka pada malam hari dengan nilai support sebesar 0.3170732dan nilai confident sebesar 0.4642857. Jika terjadi kebakaran permukiman bangunan komersial rusak maka mengakibatkan kebakaran kelas C dengan nilai support sebesar 0.3658537 dan nilai confident sebesar0.7142857. Jika terjadi kebakaran permukiman kategori kebakaran kelas C maka mengakibatkan bangunan komersial rusak dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.5357143.

Dari output di atas maka di dapat hasil akhir pola hubungan assosiatif dengan nilai support tertinggi yaitu jika terjadi kebakaran permukiman pada malam hari maka mengakibatkan kebakaran kelas C dengan nilai support sebesar 0.3170732 dan nilai confident sebesar 0.8125. Jika terjadi kebakaran permukiman kebakaran kelas C maka pada malam hari dengan nilai support sebesar 0.3170732 dan nilai confident sebesar 0.4642857. Jika terjadi kebakaran permukiman bangunan komersial rusak maka mengakibatkan kebakaran kelas C dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.7142857. Jika terjadi kebakaran permukiman kategori kebakaran kelas C maka mengakibatkan bangunan komersial rusak dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.5357143. Berikut tabel Final Association Rule:

Tabel 5.1. Tabel Final Association Rule

No Aturan Supp Conf Support ×Confidence

1 Jika kejadian kebakaran pemukiman“Malam”maka “Kebakaran kelas C” 31.7% 81.25% 25,76%

2 Jika kejadian kebakaran pemukiman“Kebakaran kelas C” maka “Malam” 31.7% 46,43% 14,72%

3Jika kejadian kebakaran pemukiman“Bangunan komersial rusak” maka “Kebakaran kelas C” 36,5854% 71,43% 26,13%

4Jika kejadian kebakaran pemukiman“Kebakaran kelas C” maka “Bangunan komersial rusak”

36,5854% 53,57% 19,60%

Berdasarkan dari hasil akhir Association rules di atas diketahui bahwa kejadian kebakaran pemukiman cenderung terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak.

Kebakaran kelas C yaitu kebakaran yang disebabkan oleh instalasi listrik bertegangan. Seperti : Breaker listrik dan alat rumah tangga lainnya yang menggunakan listrik. Alat Pemadam yang dipergunakan adalah : Carbondioxyda (CO2), tepung kering (dry chemical). Dalam pemadaman ini dilarang menggunakan media air.

Bangunan Komersial yaitu Retail, Supermarket, Pertokoan (pakaian,makanan, motor-transportasi, peralatan elektronik), Pusat Perbelanjaan, Perkantoran komersial, Layanan Jasa (service, laundry dll).

Beberapa upaya yang dapat dilakukan untuk mencegah kebakaran karena listrik, yaitu :

1. Jangan mengotak atik atau menyambung langsung (bypass) peralatan pengaman baik sekring maupun mini circuit breker(MCB)

2. Lebih baik mematikan arus listrik apabila tidak ada kegiatan usaha3. Jangan menumpuk steker secara berlebihan dan berpotensi menimbulkan panas berlebihan dan berpotensi

menimbulkan kebakaran4. Gunakan peralatan listrik yang berkualitas (umumnya berlambang LMK atau SNI). Jangan terkecoh harga

yang murah padahal kualitasnya rendah5. Jangan biarkan tusuk kontak peralatan (TV, Setrika dll) menetap pada stop kontak pada waktu lama6. Hindari menggunakan tusuk kontak terlalu longgar7. Serahkan pada instalatir resmi untuk pemasangan baru atau menambah instalasi listrik dirumah atau bangunan8. Periksa instalasi listrik bangunan secara belaka, kurang lebih setelah 10 Tahun dan selanjutnya setiap 5 Tahun

6. KESIMPULAN

Dari pembahasan di atas dapat diketahui bahwa:Pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan

nilai support tertinggi yaitu:a. Jika terjadi kebakaran permukiman pada malam hari maka mengakibatkan kebakaran kelas C dengan

nilai support sebesar 0.3170732 dan nilai confident sebesar 0.8125b. Jika terjadi kebakaran permukiman kebakaran kelas C maka pada malam hari dengan nilai support

sebesar 0.3170732 dan nilai confident sebesar 0.4642857c. Jika terjadi kebakaran permukiman bangunan komersial rusak maka mengakibatkan kebakaran kelas C

dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.7142857d. Jika terjadi kebakaran permukiman kategori kebakaran kelas C maka mengakibatkan bangunan

komersial rusak dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.5357143.

7. REFERENSI

Geospasial Badan Nasional Penanggulangan Bencana. 2015. Data bencana Kebakaran permukiman Keseluruhan. h tt p :// g e o s p as i a l . b np b . g o . i d /p a n t a u a nb e n c an a / d a t a / d a t a k b m uk i m a ll . ph p . Diakses pada tanggal 13 Januari2016 pada pukul 13.00 WIB

Tanpa Nama. 2011. Pembagian Waktu. h ttp s ://i d . w i k i p e d i a. o r g / w i k i/ Pe m b a g ia n _ w a k t u . Diakses pada tanggal 13Januari 2016 pada pukul 13.25 WIB

Astuti, E P. Tanpa Tahun. Jenis-jenis Bangunan.h tt p :// s t aff . un y .ac. i d / s it es / d e f a u lt/ f il es / p e n d i d i k a n / E n i%20 P u j i % 20 A s t u ti, % 2 0 M . S n . / J eni s% 2 0 b a n gu n a n % 2 0 o .P D F . Diakses pada tanggal 13 Januari 2016 pada pukul 13.30 WIB

Tanpa Nama. Tanpa Tahun. Klasifikasi Jenis Penyebab Kebakaran. h t t p :// w w w .a l at - p e m a da m - k e b a k a ra n .c o . i d / k l as i f i k a s i - j e n i s - p e n ye b a b- k e b a k a ra n / . Diakses pada tanggal 13 Januari 2016 pada pukul13.50 WIB

Tanpa Nama. 2015. Hal-hal Yang Menjadi Penyebab Terjadinya Kebakaran Di Rumah. h tt p :// b pb d . p e m k o m e d a n . g o .i d / b er it a -2 6 - h al h al- y a n g - m e n j a d i - p e n ye b a b - t er j a d i n y a - k e b a k ar a n - d i - r u m a h . h t m l . Diakses pada tanggal 13 Januari 2016 pada pukul 14.00 WIB

Tanpa Nama. Tanpa Tahun. Korsleting Listrik. h tt p :// w w w . p l n . c o . i d /l a m pung / ? p =3 5 4 3 . Diakses pada tanggal 13Januari 2016 pada pukul 14.05 WIB

Nurtam, M. 2014. Proteksi Kebakaran Pada Permukiman. Jurnal Administrasi Kebakaran. (Online), Edisi ke 02. (h tt p ://t a mt a m f i re 11 3 . b lo g sp o t .c o . i d /20 14 / 0 1 /p r o te k s i - k e b a k ar a n - p a d a -p er m uki m a n_ 30 . h t m l , . Diakses pada

tanggal 13 Januari 2016 pada pukul 14.15 WIB).Setianingsih, Dewi. 2015. Penerapan Data Mining Dalam Analisis Kejadian Tanah Longsor Di Indonesia Dengan

Menggunakan Association Rule Algoritma Apriori. Makalah disajikan dalam Seminar Nasional Matematika dan Pendidikan Matematika, Universitas Muhammadiyah Surakarta , Maret 2015.

Utari, P N. 2015. Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola Data Kecelakaan Pesawat Dari Tahun 1967-2014 Di Indonesia. Makalah disajikan dalam Seminar Nasional Matematika dan Pendidikan Matematika, Universitas Muhammadiyah Surakarta , Maret 2015.

Prasetyo, Bowo. 2006. Analisis Perilaku Pengunjung Menggunakan Data Mining. h tt p :// v o k as i.u h o .ac. i d / s t a ti s ti k a / asse t s /d o wnl o a d /15 1 21 2 07 0 63 0 a lg o r ti m a % 2 0 a p r io r i % 2 0 ju r n a l.p d f . Diakses pada tanggal 24 Januari 2015 pada pukul 10.25 WIB

Dewantara, Heru dan Santosa, P B. 2013. Makalah Online: Perancangan Aplikasi Data Mining Dengan Algoritma Apriori Untuk Frekuensi Analisis Keranjang Belanja Pada Data Transaksi Penjualan. (Online). h tt p :// d o wn l o a d . p o r t a l g a ru d a . o r g / ar ti c l e. php ? a r ti c l e= 19 1 07 6 & v a l = 6 4 7 4 & t itl e=PER AN C A NG A N %20 AP LI K A S I % 2 0D AT A % 2 0 MIN I N G % 2 0 D EN G A N % 2 0 A LG ORIT M A % 20 A PR I ORI %20 U N TU K % 2 0F RE K U E N S I % 2 0 A N A L IS I S %2 0 K ER A NJ AN G% 2 0 BE LAN J A % 2 0 P ADA % 2 0 D A T A% 2 0 TR A N SA KS I %2 0 P E N J U A LA N% 2 0 %2 0 (S t u d i % 20 Kas u s % 2 0 d i% 2 0 Swa lay a n % 20 KPR I % 2 0 U n i v e rs it as% 2 0 Br a w i j a y a ) . Diakses pada tanggal 13 Januari 2016 pukul 15:00 WIB.

Syaifullah, M A. 2010. Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan. (Online). h tt p :// v o k as i.u h o .ac. i d / s t a ti s ti k a / asse t s /d o wnl o a d /15 1 21 2 07 0 63 0 a lg o r ti m a % 2 0 a p r io r i % 2 0 ju r n a l.p d f .Diakses pada tanggal 13 Januari 2016 pukul 15:10 WIB.