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
KLASIFIKASI DATA TITIK API DI BENGKALIS RIAU MENGGUNAKAN ALGORITME POHON KEPUTUSAN BERBASIS SPATIAL ENTROPY
INDRY DESSY NURPRATAMI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 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 Praproses Data
7 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 2 3 4 5 6 7 8
Layer target Hasil perhitungan jarak hotspot ke jalan terdekat Hasil perhitungan jarak hotspot ke sungai terdekat Hasil perhitungan jarak hotspot ke pusat kota terdekat Hasil penggabungan objek target dan objek-objek penjelas Hasil normalisasi atribut ordinal Hasil perhitungan intra distance dan extra distance Akurasi data uji dan data latih
9 9 10 10 11 12 12 15
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9
Layer titik api Layer temperatur Tahapan Penelitian Titik hotspot dan nonhotspot Query pembuatan layer target Query jarak minimum dari target ke jalan terdekat Kode program perhitungan spatial entropy Kode program perhitungan information gain Kode program Python untuk membuat pohon keputusan
3 3 4 8 8 9 13 14 14
DAFTAR LAMPIRAN 1 2 3 4 5
Aturan dari model pohon keputusan data latih 1 Aturan dari model pohon keputusan data latih 2 Aturan dari model pohon keputusan data latih 3 Aturan dari model pohon keputusan data latih 4 Aturan dari model pohon keputusan data latih 5
18 19 20 21 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 NOAA18 (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 1 2 3 4 5
Data latih Data latih 1: subset 1,2,3,4 Data latih 2: subset 1,2,3,5 Data latih 3: subset 1,2,4,5 Data latih 4: subset 1,3,4,5 Data latih 5: subset 2,3,4,5
Data uji Data uji 1: subset 5 Data uji 2: subset 4 Data uji 3: subset 3 Data uji 4: subset 2 Data uji 5: subset 1
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) de
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 cl 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 (8) l 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.
Gambar 4 Titik hotspot dan non-hotspot. 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.
9 Tabel 2 Layer target. Target
1
The_geom 01010000006...
2
0101000000D...
T
1369
01010000008...
F
1370
0101000000A...
F
gid
T
...
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. Target T
Min_distance 17158.54171
Dist_road
1
The_geom 01010000006...
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
gid
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): Low : min_distance ≤ 1500 m Medium: 1500 m < min_distance ≤ 3000 m High : min_distance > 3000 m Hasil perhitungan jarak ke titik api untuk beberapa objek di layer river dapat dilihat pada Tabel 4. Tabel 4 Hasil perhitungan jarak hotspot ke sungai terdekat. Target T
Min_distance 918.3817908
Dist_river
8
The_geom 01010000006...
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
gid
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): Low : min_distance ≤ 7000 m Medium: 7000 m < min_distance ≤ 14000 m High : min_distance > 14000 m Hasil perhitungan jarak ke titik api untuk beberapa objek di layer city dapat dilihat pada Tabel 5. Tabel 5 Hasil perhitungan jarak hotspot ke pusat kota terdekat. gid 51
The_geom 0101000000F...
Target T
Min_distance 15923.492385
Dist_city
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
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. Objekobjek 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
High
High
High
Medi um Medi um Medi um Medi um
High High High High
High High High High
Income source Plantati on Plantati on Plantati on Plantati on Plantati on
Land cover Plantati on Plantati on Plantati on Plantati on Plantati on
popul ation Medi um Medi um Medi um
precipit ation
Low
1
Low
1
3 3 3
sch ool Lo w Lo w Lo w Lo w Lo w
targ et
tempe rature
Wind speed
297
1
T
297
1
T
297
1
T
298
2
T
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 2 3 4
Menghitung jarak antar objek Menghitung intra-distance (diint) dan extra-distance (diext) Menghitung spatial entropy 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 city, river, road, population dan school Temperature
Wind speed dan precipitation
Nilai Low Medium High 297 298 299 0 1 2 3 4
rif 1 2 3 1 2 3 1 2 3 4 5
Normalisasi 0 0.5 1 0 0.5 1 0 0.25 0.5 0.75 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) dan extra-distance (diext) 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 Intra distance untuk dataset dengan kelas true Intra distance untuk dataset dengan kelas false Extra distance untuk dataset dengan kelas true Extra distance untuk dataset dengan kelas false
Data latih 1
Data latih 2
Data latih 3
Data latih 4
Data latih 5
0.5041
0.5008
0.4998
0.4968
0.5107
0.5363
0.5343
0.5303
0.5416
0.5370
1.0496
1.0467
1.0513
1.0568
1.0583
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 Pohon keputusan 1 Tree 1 2 Tree 2 3 Tree 3 4 Tree 4 5 Tree 5 Rata-rata
Percobaan
Akurasi data uji 54.17% 56.00% 50.98% 50.50% 48.62% 52.05%
Akurasi data latih 87.92% 88.75% 88.33% 90.00% 90.21% 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 ≤ mD N m m m o m D N m/ ≤ c g < m/ D N 7 K ≤ m < KD 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-sebabkankerugian-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_lowres.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-diindonesia-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.
18 Lampiran 1 Aturan dari model pohon keputusan data latih 1 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 -> Shrubs -> T
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
19 Lampiran 2 Aturan dari model pohon keputusan data latih 2 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 -> low -> Trading&restaurant -> T Forestry -> F Other_agriculture -> F Services wind_speed 1 dist_road high -> medium -> 0 -> F
T
T F
F
20 Lampiran 3 Aturan dari model pohon keputusan data latih 3 dist_road high land_cover Unirrigated agricultural field 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 Lampiran 4 Aturan dari model pohon keputusan data latih 4 dist_road high income_source Plantation land_cover Unirrigated agricultural field 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 -> 0 ->
T
F
22 Lampiran 5 Aturan dari model pohon keputusan data latih 5 land_cover Unirrigated agricultural field 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 -> low wind_speed 1 population high
F
-> medium dist_city high
F
-> medium
T
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.
