BAB I PENDAHULUAN
1.1 Latar Belakang Bencana kebakaran dapat terjadi dimana saja dan kapan saja, misalkan terjadi di area tempat tinggal, di tambang atau di hutan. Untuk kebakaran hutan, kerugian yang dapat diakibatkan diantararanya adalah berkurangnya area hutan, berkurangnya binatang liar, dan korban manusia. Untuk mengatasi bencana kebakaran hutan, salah satu cara yang dapat dilakukan adalah deteksi dini kebakaran. Deteksi dini bencana kebakaran dapat dilakukan diantaranya dengan mengenal indikator kebakaran. Indikator kebakaran ini berupa suhu, kelembaban, bahan bakar kebakaran, dan titik api. Indikator-indikator kebakaran tersebut dapat dijadikan sebagai atribut dan menjadi sumber pengambilan keputusan atau machine learning terhadap bencana kebakaran hutan. Dalam lingkup data mining dan machine learning, terdapat sejumlah atribut dan instance dari suatu dataset, beberapa atribut mungkin tidak relevan untuk pengambilan keputusan yang akan menurunkan kualitas performa dari learning algorithm [1]. Salah satu contoh dataset yang berisi atribut kebakaran hutan adalah dataset forest fires dari taman nasional Montensinho Portugal [2]. Permasalahan dalam dataset berkisar pada besarnya dimensi dataset dan belum terkelompokannya poin-poin dalam dataset. Besarnya dimensi dataset terjadi pada dataset forest fires, dataset ini terdiri dari 517 instance dengan 13 atribut. Untuk mengurangi kompleksitas dataset tersebut yaitu dengan cara mengekstraksi atribut yang ada, sehingga diperoleh atribut terpilih. Dalam penelitian yang dilakukan oleh Gede Saindra S dan Reza Pulungan [3] dihasilkan perbandingan bobot QoS (quality of service) pada router, bobot QoS jauh lebih kecil (baik) jika menggunakan atribut yang direduksi dibandingan dengan tidak direduksi. Suatu bencana kebakaran hutan dapat mengakibatkan kerugian seperti rusaknya ekosistem hutan, hilangnya ekosistem hewan, matinya hewan dan korban jiwa manusia. Salah satu cara untuk mengurangi kerugian bencana kebakaran hutan adalah dengan membuat jalur evakuasi yang efektif dan efisien. Suatu algoritma routing memiliki tujuan menentukan jalur yang baik dari sumber ke tujuan. Pengertian baik dalam hal ini adalah memiliki cost terkecil. Poin dari proses evakuasi kebakaran hutan adalah keamanan dan efisiensi, sehingga waktu komputasi menjadi perhatian utama. Path algorithm dapat diaplikasikan ke dalam sistem evakuasi bencana, yaitu dengan menghitung waktu yang lebih pendek. Pada sistem evakuasi secara
umum, dengan jumlah node 300 sampai dengan 600, waktu komputasi Floyd Algorithm lebih tinggi dibandingkan dengan Algoritma Dijksta [5], sehingga Algoritma Dijkstra lebih baik diaplikasikan dalam sistem. Untuk memperoleh indikator-indikator kebakaran hutan, salah satu cara yang digunakan adalah menggunakan wireless sensor network, yang mengumpulkan secara periodik data indikator kebakaran hutan dan kemudian mengirimkan ke stasiun induk WSN yang berdekatan dengan WSN. Untuk stasiun induk WSN ditempatkan secara statis pada area hutan tertentu. Rangkaian stasiun induk statis ini akan membentuk suatu topologi jaringan [6], yang memiliki manfaat diantaranya untuk mencari jalur evakuasi bencana kebakaran hutan. 1.2 Perumusan Masalah Dari uraian latar belakang masalah, maka dapat dirumuskan permasalahan sebagai berikut: a. Perlu dilakukan reduksi atribut kebakaran hutan guna memperoleh minimal subset yang signifikan sebagai dasar pengambilan keputusan titik awal jalur evakuasi kebakaran hutan. b. Besarnya dimensi dari dataset forest fires yaitu pada jumlah atribut dan instance. c. Diperlukannya pembuatan jalur evakuasi bencana kebakaran hutan untuk meminimalkan jumlah korban jiwa. 1.3 Batasan Masalah Batasan-batasan masalah pada penelitian ini adalah: a.
Penelitian ini menggunakan dataset forest fires dari machine learning UCI repossitory yang sampel datanya diambil dari area hutan Taman Nasional Montensinho Portugal.
b.
Penelitian ini fokus pada parameter bencana kebakaran hutan menurut referensi UCI repository forest fires yang diterima oleh wireless sensor network, tidak pada parameter lain seperti intensitas perambatan api, intensitas suara ledakan oleh api.
c.
Node-node dalam topologi jaringan diasumsikan adalah stasiun induk WSN, yang membetuk jalur evakuasi dengan sifat tetap atau statis.
d.
Koneksi antar stasiun induk wireless sensor network diasumsikan stabil, untuk parameter daya diabaikan.
e.
Jalur keluar evakuasi memiliki dua titik keluar evakuasi, yaitu Exit1 dan Exit2, diasumsikan titik evakuasi tersebut terdapat posko pengungsi yang menjadi tujuan evakuasi.
f.
Jalur evakuasi terbaik adalah jalur terpendek, tidak melibatkan parameter lain seperti biaya evakuasi, alat transportasi.
g.
Kerumuman orang diskenariokan berada di sekitar titik awal evakuasi, misal terdapat tempat wisata alam.
1.4 Tujuan Penelitian Berdasarkan rumusan permasalah yang dijelaskan, maka tujuan penelitian ini adalah sebagai berikut. a. Melakukan reduksi data untuk memilih atribut-atribut yang relevan, sehingga diperoleh atribut terpilih sebagai sumber pengambilan keputusan evakuasi bencana kebakaran hutan. b. Keluaran dari proses reduksi atribut kebakaran hutan dijadikan acuan untuk menentukan titik awal jalur evakuasi bencana kebakaran hutan. c. Mengusulkan jalur evakuasi bencana kebakaran hutan menggunakan pendekatan Shortest Path Algorithm.
1.5 Manfaat Penelitian Manfaat yang diperoleh dari penelitian ini adalah memperoleh atribut kebakaran terpilih yang akan digunakan dalam proses pengambilan keputusan penentuan titik awal jalur evakuasi bencana kebakaran hutan. Diharapkan dengan proses pembuatan jalur evakuasi bencana kebakaran hutan yang baik dan sedini mungkin dapat mengurangi kerugian – kerugian yang tidak diinginkan. 1.6 Keaslian Penelitian Permasalah yang dikaji dalam penelitian ini belum pernah ada di literatur manapun. Tabel 1.1 memperlihatkan uraian penelitian-penelitian sebelumnya yang berhubungan dengan penelitian ini. Tabel 1.1 Rincian perbandingan penelitian. No 1
Peneliti
Judul
Topik
Naiwei
A Decision Making Penelitian
Cheng [3]
Method Detection
ini
menggunakan
for pendekatan Rough Set untuk data Data yang ambigu/tidak jelas dalam
Fusion Based on analisis
fire
detection.
Hasil
Rough
Set eksperimen penelitian ini sebagai
Approach.
sekering alarm kebakaran yang berbeda
untuk
mendeteksi
terjadinya kebakaran. 2
J. Nahar et Computational al [7]
intelligence hearth
Penelitian ini menggunakan dataset for dari
UCI
repossitory
untuk
disease klasifikasi penyakit jantung.
diagnosis:
A
Medical Knowledge Driven Approach. 3
Show-Chin
Applying
Lee [8]
technology
AI Tujuan
penelitian
ini
untuk
and peraturan asosiasi tambang sebagai
rough set theory for support crime management atau mining association sumber rules
to
alokasi
bagi
petugas
support pemadam kebakaran. Penelitian ini
crime management menggunakan teori Rough Set yang and
4
K. Larry
fire-fighting dapat mengekstraksi setiap kluster
resources
homogen
allocation.
kluster yang berbeda.
Kira, A A. Approach
Rendell [9]
dan
Practical Penelitian
hubungan
ini
antar
menggunakan
to algoritma Relief yang digunakan
Feature Selection.
pada metode statistik dan pencarian heuritic. Penelitian ini fokus pada hasil tes empiris dalam dua domain artificial, LED display domain dan Parity domain dengan atau tanpa noise.
Perbandingan
dengan
algoritma seleksi fitur yang lain memberikan
tantangan
Algorimta
Relief
pada dalam
hubungannya dengan learning time dan akurasi learned concept.
5
Wang Tiang The Application of Penelitian ini membangun evakuasi Yu et al. [5]
the Shortest Path darurat dan monitoring harian dari Alorithm
in
The blindness,
Evacuation System.
ketidakpastian,
yang
dapat dieliminasi secara efektif. Idenya
adalah
menggunakan
Shortest Path Problem Algorithm dalam klasterisasi jalur evakuasi. kunci
dari
evakuasi
kebakaran
adalah keamanan dan efisiensi, sehingga waktu komputasi menjadi bahan
pertimbangan
Algoritma
Dijkstra
utama. digunakan
karena memiliki waktu komputasi lebih sedikit dari pada Algoritma Floyd. 6
Liyang Yu, Real-time
Forest WSN
dapat
mendeteksi
dan
Neng Wang, Fire Detection with memperkirakan kebakaran hutan Xiaoqiao
Wireless
Meng [10]
Networks.
Sensor lebih
dari
pendekatan
deteksi
kebakaran
menggunakan
satelit.
Penelitian
ini
mendeskripsikan
pengumpulan dan pemrosesan data di dalam wireless sensor untuk deteksi kebakaran hutan secara realtime. 7
Majid
Automatic
Fire Adalah penting digunakan deteksi
Bahrepour,
Detection: A Survey dini dan tindakan segera dari
Nirvana
From
Wireless bencana kebakaran. Penelitian ini
Meratnia,
Sensor
Network mensurvei
Paul
Perspective.
beberapa
studi
sebelumnya dari tiga perspektif, (1)
Havinga
teknik deteksi kebakaran untuk area
[11]
tempat
tinggal,
(2)
deteksi
kebakaran hutan, (3) kontribusi
sensor network untuk deteksi dini kebakaran.
Untuk referensi penelitian tersebut di atas, yang dimulai dari topik teori Rough Set sebagai sistem pengambil keputusan, penambahan teknologi pengambil keputusan berbasis AI untuk area tambang terhadap bencana kebakaran di tambang, topik Shortest Path sebagai klasterisasi jalur evakuasi, diagnosis penyakit jantung dengan menggunakan dataset dari UCI repository, dan topik mengenai WSN sebagai pendeteksi kebakaran menjadi dasar acuan untuk penelitian ini. Perbedaan dengan penelitian ini adalah menggunakan dataset forest fire dari UCI repository yang menjadi dasar perhitungan reduksi atribut menggunakan teori rough set sehingga menghasilkan reduksi atribut, dan digunakan sebagai dasar atau acuan mencari jalur evakuasi terbaik menggunakan Shortest Path Problem dari algoritma Dijkstra.