KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR
FITRI KUSUMANINGRUM
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan K-Nearest Neigbor 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, Desember 2015 Fitri Kusumaningrum NIM G64134037
ABSTRAK FITRI KUSUMANINGRUM. Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neighbor. Di bawah bimbingan IMAS SUKAESIH SITANGGANG. Data kemunculan titik panas dianalisis menggunakan metode dalam data mining, yaitu K-Nearest Neighbor (KNN). KNN merupakan metode untuk mengklasifikasikan objek berdasarkan data training yang terletak paling dekat dengan objek terdekat. Data yang digunakan adalah data titik panas untuk periode 2001-2014 dan data lahan gambut dari tahun 1990-2002. Hasil penelitian menunjukkan bahwa KNN dapat digunakan untuk mengklasifikasikan kemunculan titik panas di Sumatera dan Kalimantan. Akurasi tertinggi hasil klasifikasi pada dataset di Sumatera adalah 97,04% pada tahun 2007 dengan jumlah tetangga (k) adalah 1. Akurasi tertinggi hasil klasifikasi pada dataset di Kalimantan adalah 100% pada tahun 2001, 2003, 2007, dan 2011 dengan (k) adalah 1. Selain itu pada tahun 2005, akurasi tertinggi hasil klasifikasi pada dataset Kalimantan adalah 100% dengan (k) adalah 1 dan (k) adalah 3. Akurasi rata-rata hasil klasifikasi pada dataset di Sumatera adalah 94.14% dan pada dataset di Kalimantan adalah 97.67%. Berdasarkan hasil penelitian dapat disimpulkan bahwa algoritme KNN dapat digunakan untuk memprediksi kemunculan titik panas pada lahan gambut di Sumatera dan Kalimantan. Kata kunci: kebakaran hutan, klasifikasi, k-Nearest Neighbor, titik panas
ABSTRACT FITRI KUSUMANINGRUM. Classification of Hotspot Occurences on Peatland in Sumatera and Kalimantan using K-Nearest Neighbor Algorithm. Supervised by IMAS SUKAESIH SITANGGANG. This research analyzed hotspot occurrences using a method in data mining, namely the K-Nearest Neighbor (KNN). KNN is a method for classifying objects based on the training data that are located to the closest object. The data used in this research are hot-spots for the period of 2001 to 2014 and peatlands data from 1990 to 2002. The results showed that KNN could be used to classify hotspot occurrences in Sumatera and Kalimantan. The highest accuracy classification results using the dataset of Sumatera in 2007 is 97.04% with the number of neighbor (k) of 1. The highest accuracy of classification results using datasets of Kalimantan in 2001, 2003, 2007, and 2011 is 100% with k of 1. In addition, using the dataset of Kalimantan in 2005, the propose method could obtain the accuracy of 100% with the values of k are 1 and 3. The average of classification accuracy results using the dataset of Sumatera and Kalimantan are 94.14% and 97.67%, respectively. It could be concluded that the KNN algorithm could be used to predict hotspots occurrences on peatland in Sumatera and Kalimantan.
Keywords: classification, forest fire, hotspot, k-Nearest Neighbor
KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGBOR
FITRI KUSUMANINGRUM
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
Penguji : 1 Toto Haryanto, SKom, MSi 2 Muhammad Asyhar Agmalaro, SSi, MKom
Judul Skripsi : Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neigbor Nama : Fitri Kusumaningrum NIM : G64134037
Disetujui oleh
Dr Imas Sukaesih Sitanggang, Ssi, MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, Msi, MKom Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah Subhana wa ta'ala. Shalawat serta salam semoga senantiasa dilimpahkan kepada Nabi Muhammad, keluarganya, sahabatnya, dan kepada kita yang selau berusaha menggapai ridha Allah. Alhamdulillah atas bimbingan dan petunjuk dari Allah Subhana wa ta'ala serta bimbingan dari semua pihak, penyusunan tugas akhir yang berjudul “Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neighbor” dapat diselesaikan. Tugas akhir ini tidak mungkin dapat diselesaikan tanpa adanya bantuan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terimakasih dan penghargaan yang setinggi-tingginya kepada: Bapak, Ibu dan keluarga yang selalu mendoakan, memberi nasihat, kasih sayang, semangat, dan dukungan sehingga penelitian ini bisa diselelsaikan. Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah memberi saran, masukan dan ide-ide dalam penelitian ini. Bapak Toto Haryanto, SKom MSi dan Bapak Muhammad Asyhar Agmalaro, SSi MKom sebagai penguji. Teman seperjuangan Elin, Resa, Upi dan Uni yang telah memberikan semangat dan masukan. Departemen Ilmu Komputer IPB, staf dan dosen yang telah banyak membantu selama masa perkuliahan hingga penelitian. Wetland Internasional Indonesia yang telah berkenan memberikan data lahan gambut di Sumatera dan Kalimantan. Semoga penelitian ini bermanfaat.
Bogor, Desember 2015 Fitri Kusumaningrum
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
1
Tujuan Penelitian
1
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
METODE
2
Data
2
Tahapan Penelitian
6
Pengambilan Data
6
Praproses Data
7
Pembagian Data
8
Tahapan Klasifikasi menggunakan Algoritme KNN
8
Perhitungan Akurasi
9
Pemilihan Hasil Klasifikasi Terbaik
9
Pemilihan Data Baru
10
Penerapan Hasil Klasifikasi Terbaik
10
Peralatan Penelitian
10
HASIL DAN PEMBAHASAN
10
Pengambilan Data
10
Praproses Data
11
Pembagian Data
18
Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor
18
Perhitungan Akurasi
19
Pemilihan Hasil Klasifikasi Terbaik
22
Pemilihan Data Baru
22
Penerapan Hasil Klasifikasi Terbaik
22
SIMPULAN DAN SARAN
23
Simpulan
23
Saran
24
DAFTAR PUSTAKA
24
LAMPIRAN
25
RIWAYAT HIDUP
35
DAFTAR TABEL 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Tingkat kedalaman lahan gambut (Suwanto 2010) Atribut dari titik panas Luas jenis gambut di Kalimantan Luas jenis gambut di Sumatera Atribut pada dataset1 Atribut pada dataset2 Contoh record tabel dataset2 Jumlah missing value pada dataset Sumatera dan Kalimantan Data hasil konversi dari nominal ke binary dalam bentuk kolom Matriks confusion pada dataset Pulau Kalimantan tahun 2010 dengan nilai k = 13 Nilai akurasi tertinggi hasil klasifikasi setiap Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan Akurasi rata-rata hasil klasifikasi setiap Nilai akurasi rata-rata hasil klasifikasi Matriks confusion hasil klasifikasi data baru Kalimantan 2015 dengan k =1 Matriks confusion hasil klasifikasi data baru Kalimantan tahun 2015 dengan k = 3
3 3 5 6 15 15 16 17 18 19 19 20 21 22 23 23
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12
Peta lahan gambut di Pulau Kalimantan Peta lahan gambut di Pulau Sumatera Tahapan penelitian Jumlah titik panas per tahun di Sumatera dan Kalimantan Sistem referensi di Indonesia (Oswald dan Astrini 2012) Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan titik panas tahun 2007 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan titik panas tahun 2007 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007 Data non titik panas pada lahan gambut di Kalimantan untuk tahun 2007 Data hasil konversi dari nominal ke binary dalam format text Akurasi hasil klasifikasi untuk dataset akurasi Pulau Sumatera tahun 2010 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Kalimantan tahun 2003
4 4 7 11 12 12 13 14 14 17 20 21
DAFTAR LAMPIRAN 1 Cara kerja KNN 2 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2001 3 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2007
25 28 29
4 5 6 7 8 9 10 11 12 13
Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2008 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2010 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2001 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2003 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2005 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2007 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2008 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2010 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2011 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2012 14 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2013
29 30 30 31 31 32 32 33 33 34 34
PENDAHULUAN Latar Belakang Indonesia merupakan negara yang memiliki kekayaan alam yang melimpah termasuk diantaranya adalah lahan gambut. Lahan gambut memiliki peranan yang sangat penting dalam menyimpan karbon, dimana kemampuan menyimpan karbon jauh lebih tinggi dibanding lahan mineral. Indonesia memiliki lahan gambut terluas di antara negara tropis, yaitu 20,6 juta hektar atau sekitar 10,8% dari luas daratan di Indonesia, dimana 5,7 juta hektar terdapat di Kalimantan dan 7,2 juta hektar di Sumatera (Wibowo dan Suyatno 1998). Namun sekarang ini, lahan gambut terancam rusak akibat banyaknya kebakaran lahan gambut di Sumatera dan Kalimantan. Kebakaran lahan gambut hampir setiap tahun terjadi. Hal itu menimbulkan masalah baru untuk lingkungan hidup di sekitarnya. Terjadinya kebakaran lahan gambut dapat dideteksi dengan melihat sebaran titik panas di area lahan gambut tertentu. Sebaran titik panas dapat diperolah dari satelit yang mencatat area tertentu yang dianggap memiliki suhu tinggi. Pemanfaatan data titik panas menjadi informasi yang lebih berguna dapat dilakukan dengan menggunakan teknik data mining karena data mining dapat mengolah data yang cukup besar menjadi pengetahuan. Salah satu metode dalam data mining adalah K-Nearest Neighbor (KNN). Metode ini dapat mengklasifisikasikan data titik panas ke dalam kelas tertentu berdasarkan jarak kedekatan objek. Pada penelitian sebelumnya telah dilakukan penelitian mengenai kebakaran hutan oleh Sitanggang (2013). Dalam penelitiannya dibahas mengenai pemodelan kemunculan titik panas dengan metode klasifikasi C4.5, SimpleCart, Naive Bayes, regresi logistik dan pohon keputusan ID3. Penelitian lain oleh Fernando dan Sitanggang (2014) mengenai klasifikasi data titik panas di Propinsi Riau dengan menggunakan teknik pohon keputusan ID3 dengan akurasi tertinggi yaitu 70.80%. Penelitian ini mengklasifikasi kemunculan titik panas pada lahan gambut di Sumatera dan Kalimantan dengan menggunakan algoritme KNN untuk menentukan kemunculan titik panas dan mengklasifikasikan berdasarkan jarak kedekatan antarobjek pada lahan gambut di Sumatera dan Kalimantan. Hasil klasifikasi ini diharapkan dapat memberikan informasi untuk mencegah kebakaran pada lahan gambut di Sumatera dan Kalimantan. Perumusan Masalah Meningkatnya kebakaran lahan gambut menjadi masalah utama dalam penelitian ini. Salah satu upaya untuk mencegah kebakaran lahan gambut adalah dengan menentukan kemunculan titik panas di lahan gambut. Berdasarkan latar belakang dalam penelitian ini, maka perumusan masalah dalam penelitian ini adalah bagaimana mengklasifikasi kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan menggunakan algoritme KNN. Tujuan Penelitian Tujuan dari penelitian ini adalah mengklasifikasi kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan menggunakan algoritme KNN.
2
Manfaat Penelitian Penelitian ini diharapkan dapat menghasilkan prediksi kemunculan titik panas pada lahan gambut berdasarkan jarak kedekatan objek yang akurat untuk masa yang akan datang sehingga informasi ini dapat digunakan untuk mencegah kebakaran pada lahan gambut. Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini adalah: 1 Karakteristik yang digunakan untuk data lahan gambut pada penelitian ini terdiri dari jenis lahan gambut, kedalaman lahan gambut dan tutupan lahan. 2 Wilayah kajian pada penelitian ini pada lahan gambut di Sumatera dan Kalimantan. 3 Penelitian ini menggunakan package class yang sudah disediakan oleh perangkat lunak RStudio. 4 Dataset yang dapat dijalankan untuk Sumatera hanya pada tahun 2001, 2007, 2008, dan 2010. Dataset yang dapat dijalankan untuk Kalimantan hanya pada tahun 2001, 2003, 2005, 2007, 2008, 2010, 2011, 2012, dan 2013.
METODE Data Data yang digunakan pada penelitian ini terdiri dari 2 data spasial, yaitu data titik panas Pulau Sumatera dan Pulau Kalimantan dari tanggal 1 Januari 2001 sampai 31 Maret 2015 dan data lahan gambut dari tahun 1990 sampai 2002. Data titik panas diperoleh dari Nasional Aeronautics and Space Administration (NASA) Fire Information for Resource Management (FIRMS) dalam format shapefile (.shp). Data lahan gambut didapat dari Wetlands International Indonesia Programme (WI–PI) yang berada di Jl. Ahmad Yani No 53 Bogor, Jawa Barat. Menurut Sitanggang et al. (2012) atribut data lahan gambut yang digunakan terdiri dari 3 atribut, yaitu jenis lahan gambut, kedalaman lahan gambut dan tutupan lahan gambut. Berdasarkan tingkat dekomposisi bahan organiknya gambut dibedakan menjadi 3 yaitu fibrists, hemists, dan saprists (Suwanto et al. 2010). Berikut penjelasan mengenai jenis gambut(Suwanto et al. 2010): 1 Fibrists merupakan gambut yang masih muda dengan tingkat pelapukan awal dan lebih dari ¾ bagian volumenya berupa serat kasar, air perasan berwarna bening/jernih. 2 Hemists merupakan gambut yang mempunyai tingkat pelapukan sedang, bagian yang masih berupa serat kasar sekitar 1/4 hingga kurang dari 3/4 bagian, dan air perasan berwarna coklat dan mengandung bahan yang tidak larut. 3 Saprists merupakan gambut yang tingkat pelapukannya sudah lanjut (matang), berupa serat kasar kurang dari 1/4 bagian, dan air perasan berwarna hitam. Atribut tutupan lahan digunakan untuk melihat penggunaan lahan gambut tersebut. Tipe penggunaan lahan gambut di Sumatera dan Kalimantan diantaranya hutan rawa, kelapa sawit, belukar rawa, sawah intensif (padipalawija/beras), kelapa, dan sawah tadah hujan (padi-palawija/beras).
3 Kedalaman lahan gambut digunakan untuk melihat tingkat kedalaman lahan gambut tersebut. Kategori tingkat kedalamannya lahan gambut dapat dilihat pada Tabel 1. Tabel 1 Tingkat kedalaman lahan gambut (Suwanto 2010) Kedalaman D0 D1 D2 D3 D4
Keterangan Sangat dangkal/ sangat tipis < 50 cm Dangkal/ tipis 50 - 100 cm Sedang 100 - 200 cm Dalam/ tebal 200 - 400 cm Sangat dalam/ sangat tebal > 400 cm
Dari Tabel 1 dapat dilihat bahwa tingkat kedalaman gambut memiliki tingkat ukuran (cm), mulai dari kurang dari 50 cm sampai lebih 400 cm. Untuk atribut data titik panas terdiri dari 12 atribut yang dapat dilihat pada Tabel 2. Tabel 2 Atribut dari titik panas No 1 2 3 4 5 6 7 8 9 10 11 12
Atribut Latitude Longitude Brightness Scan Track Acq_date Acq_time Satelit Confidence Version Brigh_T31 FRP
Tipe Numerik Numerik Numerik Numerik Numerik Date Character varying(5) Character varying(3) Integer Character varying(1) Numerik Numerik
Dari 12 atribut pada Tabel 2 hanya diambil 3 atribut saja yaitu longitude, latitude, dan confidence. Longitude dan latitude akan digunakan untuk menunjukkan posisi dari titik panas yang terjadi. Confidence digunakan untuk seleksi titik panas yang memiliki potensi besar sebagai kebakaran. Peta gambut di Kalimantan dapat dilihat pada Gambar 1, sedangkan peta lahan gambut di Sumatera dapat dilihat pada Gambar 2.
4
Gambar 1 Peta lahan gambut di Pulau Kalimantan
Gambar 2 Peta lahan gambut di Pulau Sumatera
5 Dari Gambar 1 dan Gambar 2 dapat dilihat letak jenis gambut dan letaknya di Pulau Kalimantan dan Sumatera. Lahan gambut di Kalimantan dan Sumatera terdiri dari 2 atau 3 jenis untuk setiap daerahnya. Luas area setiap jenis gambut di Pulau Kalimantan dapat dilihat pada Tabel 3. Tabel 3 Luas jenis gambut di Kalimantan No 1 2 3 4 5 6 7
Tipe Gambut Hemists/Fibrists Hemists/Fibrists/Mineral Hemists/Mineral Saprists/Mineral Saprists/Hemists/Mineral Hemists/Saprists/Mineral Hemists/Fibrists/Saprists Total
Luas (ha) 4.070.888.40 388.442.91 922.584.25 108.626.03 132.833.32 133.670.40 3.028.59 5.760.073.90
Tabel 3 menunjukkan luas jenis gambut yang paling luas adalah jenis Hemists/Fibrists dengan luasnya mencapai 4.070.888.40 ha. Hemists/Fibrists maksudnya adalah pada daerah tersebut terdapat jenis Hemist dan Saprist. Luas jenis gambut paling sempit adalah jenis Hemists/Fibrists/Saprists dengan luas 3.028.59 ha. Hemists/Fibrists/Saprists maksudnya adalah pada daerah tersebut terdapat lebih dari 2 jenis lahan gambut, yaitu Hemists, Fibrists, dan Saprists. Luas area setiap jenis gambut di Pulau Sumatera dapat dilihat pada Tabel 4. Berbeda dengan Tabel 3 jenis gambut di Pulau Kalimantan, pada Tabel 4 jenis gambut di Pulau Sumatera terdapat angka dan keterangan (sedang, dalam dan sangat dalam). Angka di belakang jenis menunjukkan perbandingan jumlah kandungan jenis gambut yang ada. Misalnya pada luas jenis gambut terluas Hemists/Saprists (60/40), sedang dengan luasnya 1.490.145.52 ha. Hemists/Saprists (60/40) maksudnya adalah dalam daerah tersebut terdapat kandungan jenis lahan gambut Hemists sebanyak 60% dan jenis lahan gambut Saprists sebanyak 40%. Untuk luas paling sempit terdapat pada jenis Hemists/min (90/10), sedang dengan luasnya 0.63 ha. Hemists/min (90/10) maksudnya pada daerah tersebut terdapat kandungan jenis lahan gambut Hemists 90% dan min (mineral) sebanyak 10%. Luas keseluruhan tipe gambut di Sumatera mencapai 7.231.977.09 ha.
6 Tabel 4 Luas jenis gambut di Sumatera No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28
Tipe Gambut Hemists/Saprists (60/40), sedang Saprists/min (50/50), dangkal Saprists/Hemists (60/40), sedang Saprists/min (30/70), sedang Saprists/min (90/10), sedang Hemists (100), dalam Hemists/Saprists (60/40), dalam Hemists (100), sedang Saprists/min (50/50), dalam Hemists/min(90/10),sangat dalam Hemists/Saprists (60/40), sedang Hemists/min (30/70), dangkal Hemists/Saprists (60/40), sangat dalam Saprists/Hemists (60/40), dalam Saprists/Hemists (60/40), sedang Hemists/min (90/10), dangkal Hemists/Saprists (60/40), dangkal Hemists/min (70/30), sedang Saprists/min (30/70), dalam Hemists/min (90/10), sedang Hemists/min (50/50), dangkal Saprists/min (50/50), sedang Hemists/min (90/10), sedang Fibrists/Saprists (60/40), sedang Saprists/Hemists (60/40), sangat dalam Hemists/min (30/70), sedang Saprists (100), sedang Saprists (100), dalam Total
Luas (ha) 1.490.145.52 16.859.44 18.698.39 9.911.10 178.408.66 2.200.51 639.263.34 86.697.37 7.748.19 30.179.83 211.082.31 308.112.73 957.561.63 553.762.97 236.659.27 7.950.21 49.355.05 91.797.22 12.671.89 0.63 2.218.86 118.152.46 578.525.94 10.721.84 1.181.264.70 308.958.76 87.885.62 35.182.65 7.231.977.09
Tahapan Penelitian Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 3. Pengambilan Data Pada tahapan ini yang dilakukan adalah melakukan pengambilan data. Data yang digunakan terdiri dari 2 data spasial, yaitu data titik panas yang didapat dari Nasional Aeronautics and Space Administration (NASA) dan data lahan gambut yang didapat dari Wetland Internasional Indonesia.
7
Gambar 3 Tahapan penelitian Praproses Data Pada tahapan ini, terdapat beberapa tahapan yang dilakukan terhadap data titik panas dan data lahan gambut. Pertama yang dilakukan yaitu mendapatkan data titik panas yang lengkap (terdapat titik panas setiap bulannya dalam satu tahun). Kemudian data dipisah per tahunnya untuk setiap pulau. Atribut pada dataset Sumatera untuk lahan gambut terdiri dari jenis lahan gambut, tutupan lahan dan kedalaman lahan gambut, sedangkan atribut pada dataset Kalimantan hanya terdiri dari jenis lahan gambut dan kedalaman lahan gambut. Perbedaan jumlah atribut tersebut dikarenakan data yang didapat dari Wetland untuk dataset Kalimantan tidak mencantumkan jenis tutupan lahan. Seleksi Data Titik Panas pada Lahan Gambut Pada tahapan ini yang dilakukan adalah menentukan data titik panas yang berada di atas lahan gambut. Cara untuk mendapatkannya adalah dengan menggabungkan dengan operasi ST_Within data titik panas Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan. Pembuatan Data Non Titik Panas pada Lahan Gambut Pada tahapan ini yang dilakukan adalah membuat data non titik panas. Untuk membuat data non titik panas diperlukan data titik panas dan data lahan
8 gambut. Terdapat beberapa proses untuk mendapatkan data non titik panas yaitu pembuatan buffer, disolve, operasi difference, dan pembangkitan random point. Setelah proses tersebut dilakukan maka data non titik panas sudah didapat. Pembuatan Dataset untuk Klasifikasi Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru untuk kelas sebagai identifier yang membedakan antara titik panas dan bukan titik panas. Dari hasil tersebut diambil data titik panas yang confidence-nya ≥ 70 karena dianggap memiliki potensi kebakaran. Barulah kemudian dibuat dataset yang akan digunakan dalam proses klasifikasi. Membuang Missing Value Pada tahapan ini yang akan dilakukan adalah mendapatkan jumlah missing value dan presentasenya terhadap jumlah keseluruhan data. Missing value dengan jumlah kurang dari 10% dibuang karena dianggap tidak memiliki mengaruh besar dalam proses klasifikasi. Konversi Data Pada tahapan ini dilakukan konversi data yaitu mengubah data dari tipe data nominal ke dalam bentuk numeric. Proses konversi dilakukan karena untuk klasifikasi menggunakan algoritme KNN, atribut data input harus bersifat numeric yang dapat diproses, sedangkan data yang didapat masih dalam bentuk nominal. Pembagian Data Pada tahapan ini dilakukan pembagian data menjadi data latih dan data uji. Metode yang digunakan untuk membagi data adalah metode 10 fold cross validation. Data dibagi secara random ke dalam 10 bagian dengan perbandingan yang sama, kemudian dari setiap bagian terbaik akan menjadi data uji dan 9 bagian lainnya akan menjadi data latih. Tahapan Klasifikasi menggunakan Algoritme KNN Algoritme KNN K-Nearest Neighbor (KNN) termasuk kelompok instance-based-learning. Algoritme ini juga merupakan salah satu teknik lazy learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing (Wu dan Kumar 2009). Ada banyak cara mengukur jarak kedekatan antara data baru dengan data lama (data training), diantaranya euclidean distance dan manhattan distance. Formula jarak yang paling sering digunakan adalah euclidean distance (Bramer 2007) yaitu: n
euclidean=√∑ (ai -bi )2
(1)
i=1
dimana: a = (𝑎1 , 𝑎2 , … , 𝑎𝑛 ) dan b = (𝑏1 , 𝑏2 , … , 𝑏𝑛 ) mewakili n nilai atribut dari 2 record.
9 Langkah-langkah dalam Algoritme K-Nearest Neighbor (Bramer 2007): 1 Menentukan parameter k (jumlah tetangga paling dekat). 2 Menghitung kuadrat jarak euclid (query instance) masing-masing objek terhadap data sampel yang diberikan. 3 Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclid terkecil. 4 Mengumpulkan kategori Y, dimana Y merupakan class target. 5 Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka didapat objek yang diprediksikan. Tahapan Klasifikasi Pada tahapan ini, data yang sudah dipraproses dan dibagi diklasifikasi dengan menggunakan algoritme K-Nearest Neighbor. Pembentukan tahapan klasifikasi ini menggunakan bahasa pemrograman R dengan package class. Tahapan klasifikasi yang dilakukan dengan memberikan masukan data yang akan dihitung jarak antar datanya. Kemudian dari hasil semua jarak yang telah dilakukan perhitungan, diurutkan dari yang terbesar ke yang terkecil. Setelah itu menentukan nilai jumlah tetangga terdekat (k). Jika nilai k sudah ditentukan, class didapat dengan melihat anggota yang paling banyak dari kelas target. Setelah data titik panas diubah dalam bentuk binary barulah dapat dilakukan perhitungan jarak antardata. Selanjutnya dijelaskan cara kerja KNN dengan menggunakan 10 record data. Dalam ilustrasi ini data training yang digunakan terdiri dari 6 data titik panas (T) dan 4 data bukan titik panas (F). Data testing terdiri dari 1 data titik panas. Record data training dapat dilihat pada Lampiran 1. Perhitungan Akurasi Pada tahap ini dilakukan perhitungan nilai akurasi dari hasil klasifikasi menggunakan data uji. Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap kelas yang sebenarnya. Nilai akurasi yang baik adalah yang mendekati 100% dan semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi pada data baru. Nilai akurasi didapat berdasarkan data pengujian terhadap hasil klasifikasi. Untuk menghitung akurasi hasil klasifikasi digunakan rumus sebagai berikut: 𝐴kurasi=
∑ data yang uji benar diklasifikasi ∑ data uji
(2)
Pemilihan Hasil Klasifikasi Terbaik Pada tahapan ini yang dilakukan adalah mendapatkan akurasi hasil klasifikasi untuk dataset Pulau Sumatera dan Kalimantan. Masing-masing dataset untuk Pulau Kalimantan dan Sumatera dicari nilai akurasi tertingginya. Akurasi tertinggi untuk Pulau Sumatera dan Kalimantan digunakan sebagai data training pada proses selanjutnya yaitu penerapan hasil klasifikasi terbaik pada data baru 2015.
10 Pemilihan Data Baru Pada tahapan ini yang dilakukan adalah memilih data baru yang digunakan sebagai data testing pada proses selanjutnya yaitu penerapan hasil klasifikasi terbaik pada data baru. Data yang digunakan adalah data baru yang belum pernah digunakan pada tahapan klasifikasi. Untuk data baru yang digunakan pada penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31 Maret 2015. Penerapan Hasil Klasifikasi Terbaik Pada tahapan ini dilakukan pengujian menggunakan data baru yang digunakan sebagai data testing, dimana data training yang digunakan adalah yang memberikan hasil klasifikasi dengan akurasi tertinggi. Dengan demikian, hasil klasifikasi menggunakan data baru dapat digunakan untuk memprediksi titik panas baru. Peralatan Penelitian Perangkat lunak yang digunakan dalam penelitian ini adalah: 1 Sistem operasi Windows 7 Home Basic 2 Bahasa pemrograman R 3.1.3 dengan packages class. 3 Rstudio version 0.98.1102 dengan package class digunakan untuk proses klasifikasi menggunakan algoritme KNN. 4 Quantum GIS 2.6.1 untuk membuat plot data titik panas dan data bukan titik panas pada lahan gambut. 5 Microsoft Excel digunakan untuk mengubah data dalam bentuk text ke dalam bentuk kolom. 6 Weka 3.6.12 digunakan untuk menghilangkan missing value dan mengkonversi data dari nominal ke numeric. 7 PostgreSQL versi 9.1 sebagai sistem manajemen basis data untuk pengolahan kueri data lahan gambut. 8 Notepad ++ digunakan untuk menuliskan kode program untuk dijalankan di R. Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut: 1 Processor Intel (R) Core (TM) i3 – 2370M CPU 2.40GHz 2 RAM 6 GB 3 64 – bit Operating system
HASIL DAN PEMBAHASAN Pengambilan Data Pada tahapan ini yang dilakukan adalah pengumpulan data. Data yang digunakan terdiri dari 2 data spasial, yaitu data titik panas dan data lahan gambut. Data titik panas didapat dari Nasional Aeronautics and Space Administration (NASA) dengan cara mengunduh melalui situs resmi NASA, sedangkan data titik panas didapat dari Wetland Internasional Indonesia. Data titik panas dan data lahan gambut yang telah akan digunakan untuk proses selanjutnya yaitu praproses data.
11
Praproses Data Pada tahapan praproses dilakukan pemisahan data titik panas dari tahun 2001 sampai 2015 di Pulau Sumatera dan di Pulau Kalimantan. Pemisahan data yang dimaksud adalah mengambil titik panas yang memiliki data titik panas lengkap atau terdapat titik panas setiap bulannya dalam jangka waktu satu tahun. Pemisahan data pada tahapan ini dilakukan dengan menggunakan QuantumGIS. Dari hasil penentuan titik panas di Pulau sumatera dan Pulau Kalimantan yang lengkap hanya terdapat dari tahun 2001 sampai 2014. Jumlah titik panas per tahun di Pulau Sumatera dan Pulau Kalimantan dapat diilihat pada Gambar 4.
Gambar 4 Jumlah titik panas per tahun di Sumatera dan Kalimantan Dari Gambar 4 dapat dilihat jumlah titik panas terbanyak untuk kurun waktu 2001 sampai 2014 di Pulau Sumatera terdapat pada tahun 2014, sedangkan di Pulau Kalimantan jumlah titik panas paling banyak terdapat pada tahun 2006. Untuk jumlah titik panas paling sedikit di Pulau Sumatera terdapat di tahun 2001, sedangkan di Pulau Kalimantan terdapat di tahun 2010. Seleksi Data Titik Panas pada Lahan Gambut Pada tahapan ini yang dilakukan adalah menggabungkan data titik panas Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan. Proses penggabungan ini menggunakan Quantum GIS. Proses penggabungan ini tidak dapat dilakukan secara langsung karena pada proses ini diperlukan kesamaan sistem referensi koordinat untuk data titik panas dengan data lahan gambut yang akan digabungkan. Untuk melihat sistem referensi di Indonesia dapat dilihat pada Gambar 5.
12
Gambar 5 Sistem referensi di Indonesia (Oswald dan Astrini 2012) Sistem referensi terbagi menjadi 60 zone, dimana untuk Indonesia terletak pada zone 46 sampai 54. Berdasarkan Gambar 5 Sumatera berada di zona 47 dan 48, namun karena zona 47 lebih banyak maka sistem referensi koordinat yang di pakai adalah ESPG: 32647-WGS84/UTM Zone 47N. Untuk Pulau Kalimantan sistem referensi koordinatnya berada pada zone 49 dan 50, namun karena zona 49 lebih banyak maka sistem referensi koordinat yang dipakai adalah ESPG: 32647WGS84/UTM Zone 49N. Proses penggabungan data titik panas dan lahan gambut baru bisa dilakukan setelah sistem referensi disesuaikan dengan aturan zone. Dari hasil penggabungan ini untuk Pulau Sumatera tahun 2007 dapat dilihat pada Gambar 6 dan untuk pulau kalimantan tahun 2007 dapat dilihat pada Gambar 7.
Gambar 6 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan titik panas tahun 2007
13
Gambar 7 Peta lahan gambut di Pulau Sumatera yang ditumpang tindih dengan titik panas tahun 2007 Pembuatan Data Non Titik Panas pada Lahan Gambut Pada tahapan ini yang dilakukan adalah menentukan data bukan titik panas yang berada pada lahan gambut di Sumatera dan Kalimantan dengan menggunakan Quantum GIS. Proses ini melibatkan data titik panas pertahun pada lahan gambut di Sumatera dan Kalimantan. Tetapi sebelum dibuat data bukan tititk panas, ditentukan titik panas yang nilai confidence ≥ 70. Langkah pertama adalah membuat tabel baru yang terdiri dari gid, the geom, longitude, latitude, acq date, confidence, dan kelas yang berisi titik panas dengan confidence ≥ 70. Nilai confidence yang digunakan adalah diatas ≥ 70, karena titik panas demikian memiliki potensi tinggi sebagai indikator kebakaran hutan dan lahan. Dari data titik panas yang nilai confidence ≥ 70 barulah dibuat data bukan titik panas. Untuk mendapatkan data bukan titik panas pada daerah lahan gambut di Sumatera dan Kalimantan dilakukan beberapa proses yaitu pembuatan buffer, disolve, operasi difference, dan pembangkitan random point. Dari proses ini didapat data bukan titik panas pada lahan gambut di Sumatera dan Kalimantan dengan nama false alarm yang akan digunakan dalam proses klasifikasi. Data bukan titik panas pada lahan gambut di Sumatera untuk tahun 2007 dapat dilihat pada Gambar 8.
14
Gambar 8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007 Dari Gambar 8 dapat dilihat sebaran data bukan titik panas pada lahan gambut di Sumatera pada tahun 2007. Titik panas muncul di sekitar daerah yang bukan merupakan daerah titik panas. Sebaran data bukan titik panas pada lahan gambut di Kalimantan pada tahun 2007 muncul pada daerah yang bukan merupakan daerah titik panas. Data bukan titik panas pada lahan gambut di Kalimantan untuk tahun 2007 dapat dilihat pada Gambar 9.
Gambar 9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun 2007
15 Pembuatan Dataset Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru untuk kelas. Pada atribut kelas data titik panas per tahun diberikan isian T atau True dan untuk data bukan titik panas pada gambut akan diisikan F atau False. Proses ini dilakukan menggunakan PostgresSQL. Dari proses ini didapat tabel baru yang diberi nama target. Proses ini masih dilakukan menggunakan PostgresSQL. Dari data titik panas dengan confidence ≥ 70 selanjutnya akan dibuat dataset1 dan dataset2 menggunakan PostgresSQL. Adapun untuk dataset1 berisi data dari tabel lahan gambut dan data target. Atribut data yang ada di dataset1 dapat dilihat pada Tabel 5. Tabel 5 Atribut pada dataset1 No 1 2 3 4 5 6 7
Atribut Gid Gid2 The geom Confidence Legend Landuse Ketebalan
Tipe Big integer Integer Geometri(point) Integer Character varying(42) Character varying(60) Character varying(16)
Dataset1 digunakan untuk menyimpan informasi yang lebih lengkap yang dapat digunakan untuk melihat letak dari objek dalam peta lahan gambut menggunakan Quantum GIS. Untuk proses klasifikasi di R dibuat dataset2 yang diambil dari data target dan data gambut. Atribut pada dataset2 dapat dilihat pada Tabel 6. Tabel 6 Atribut pada dataset2 No 1 2 3 4
Atribut Legend Landuse Ketebalan Kelas
Tipe Character varying(42) Character varying(60) Character varying(16) Character
Atribut pada Tabel 6 ini hanya untuk Pulau Sumatera, sedangkan untuk Pulau Kalimantan hanya terdiri dari legend, ketebalan dan kelas. Atribut landuse tidak terdapat pada Pulau Kalimantan karena data yang diperoleh tidak mengandung landuse. Contoh record dalam dataset2 dapat dilihat pada Tabel 7.
16 Tabel 7 Contoh record tabel dataset2 No 1 2 3 4 5 6 7 8 9 10
Jenis Gambut Saprists/Hemists(60/40), sedang Saprists/Hemists(60/40), sedang Saprists/Hemists(60/40), dalam Saprists/Hemists(60/40), dalam Saprists/Hemists(60/40), dalam Saprists/Hemists(60/40), sangat dalam Saprists/Hemists(90/10), dalam Hemists/Saprists (60/40), sedang Hemists/Saprists (60/40), sedang Hemists/Saprists (60/40), sangat dalam
Tutupan Lahan Hutan rawa
Kedalaman Kelas D2 F
Belukar rawa
D2
F
Hutan rawa
D2
F
Hutan rawa
D3
F
Sawah dan kelapa
D1
T
Hutan rawa
D4
F
Hutan rawa
D2
F
Belukar rawa
D2
T
Hutan rawa
D2
F
Hutan rawa
D4
T
Membuang Missing Value Pada tahapan ini ditentukan jumlah missing value. Untuk melihat jumlah missing value digunakan Weka. Setelah didapat missing value, kemudian menghitung presentase jumlah missing value terhadap data keseluruhan. Jika missing value tidak lebih dari 10%, maka missing value tersebut dibuang dari dataset karena dianggap tidak memiliki pengaruh yang cukup besar dalam proses klasifikasi. Jumlah missing value di Pulau Sumatera dan Pulau Kalimantan dapat dilihat pada Tabel 8. Dari Tabel 8 dapat dilihat jumlah missing value tertinggi pada dataset Kalimantan2006 yaitu 460, namun jumlah tersebut hanya 1.51% dibandingkan jumlah datanya yang mencapai 30413. Presentase tertinggi missing value adalah 1.46% dan nilai ini tidak lebih dari 10%, jadi semua missing value dihilangkan. Konversi Data Sebelum dataset diolah di R dengan menggunakan model klasifikasi menggunakan algoritme K-Nearest Neighbor diperlukan konversi data, karena KNN hanya bisa memproses data bertipe numeric sedangkan atribut dalam dataset bertipe data nominal. Atribut dalam dataset diubah dari nominal ke dalam bentuk binary agar dapat diproses di R menggunakan algoritme KNN. Perubahan tipe data ini dilakukan menggunakan Weka. Dari hasil proses ini didapat data berbentuk binary. Contoh data hasil konversi dapat dilihat pada Gambar 10.
17 Tabel 8 Jumlah missing value pada dataset Sumatera dan Kalimantan Dataset Sumatera2001 Sumatera2002 Sumatera2003 Sumatera2004 Sumatera2005 Sumatera2006 Sumatera2007 Sumatera2008 Sumatera2009 Sumatera2010 Sumatera2011 Sumatera2012 Sumatera2013 Sumatera2014 Kalimantan2001 Kalimantan2002 Kalimantan2003 Kalimantan2004 Kalimantan2005 Kalimantan2006 Kalimantan2007 Kalimantan2008 Kalimantan2009 Kalimantan2010 Kalimantan2011 Kalimantan2012 Kalimantan2013 Kalimantan2014
Missing Value 2 35 8 15 18 33 5 8 21 2 10 13 21 43 35 332 80 153 79 460 19 21 247 5 111 99 51 232
Jumlah Titik Panas 3509 20212 10331 16030 30172 29471 5517 7535 15572 4897 13506 14556 18548 41254 2880 23005 6578 13612 5736 30413 2074 1441 20803 570 7900 8493 3571 18457
Presentase (%) 0.06 0.17 0.08 0.09 0.06 0.11 0.09 0.11 0.13 0.04 0.07 0.09 0.11 0.10 1.22 1.44 1.22 1.12 1.36 1.51 0.92 1.46 1.19 0.88 1.41 1.17 1.43 1.26
Gambar 10 Data hasil konversi dari nominal ke binary dalam format text Setelah proses konversi data selesai, data tidak dapat langsung diolah di R, dikarenakan nama atribut yang menggunakan koma (,) yang seharusnya hanya 1
18 kolom, sehingga atribut tersebut di dalam R terbaca menjadi 2 kolom. Hal tersebut sangat fatal karena menimbulkan pergeseran data yang berakibat timbul data kosong. Apabila itu terjadi, data menjadi tidak akurat lagi. Solusi yang dilakukan yaitu dataset yang sebelumnya dipisahkan dengan koma (,) bukan dalam bentuk kolom diolah dengan Microsoft Excel agar terpisah dengan baik. Pemisahan dataset ini menggunakan fasilitas yang disediakan oleh Microsoft Excel untuk mengubah text ke dalam bentuk kolom. Contoh dataset yang telah diolah di Microsoft Excel dapat dilihat pada Tabel 9. Tabel 9 Data hasil konversi dari nominal ke binary dalam bentuk kolom No 1 2 3 4 5 6 7 8 9 10
Legend= Saprists/Hemists (60/40), Legend= Saprists/Hemists (60/40), sedang dalam 1 0 1 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 1 0
Dari hasil pemisahan data menggunakan Microsoft Excel yang telah dilakukan harus dilakukan pengecekan ulang. Hal ini dilakukan untuk memastikan data telah sesuai untuk diproses di tahap selanjutnya. Pembagian Data Pembagian data pada pengolahan data di R menggunakan 10 fold cross validation. Dengan demikian, 10% dari data akan dijadikan sebagai data uji dan 90% bagian data akan dijadikan data latih. Adapun keseluruhan data dibagi menjadi 10 bagian, kemudian dari setiap bagian menjadi data uji dan 9 bagian lainnya akan menjadi data latih. Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor Setiap record data uji dihitung jaraknya dengan ke setiap record data latih untuk mengetahui ukuran kedekatan antara data uji dengan data latih. Untuk data bertipe numeric, selisih antara data uji dengan data latih adalah pengurangan nilai data uji dengan data latih, selanjutnya ditentukan nilai k tetangga terdekat. Percobaan ini dimulai dengan nilai k dari 1 sampai 19 dengan selang 2 dalam KNN. Pada setiap percobaan dihitung akurasinya untuk k = 1, k = 3, k = 5, k = 7, k = 9, k = 11, k = 13, k = 15, k = 17, dan k = 19. Matrik confusion hasil tahapan klasifikasi dengan KNN Pulau Kalimantan tahun 2003 dengan nilai k=1 dapat dilihat pada Tabel 10.
19 Tabel 10 Matriks confusion pada dataset Pulau Kalimantan tahun 2010 dengan nilai k = 13 Kelas Hasil Prediksi
False 115 9
False True
Kelas Aktual True 21 127
Dari matriks confusion dapat dilihat bahwa data dengan kelas false yang diprediksi sebagai false adalah 115. Data dengan kelas true yang diprediksi sebagai kelas false adalah 21. Data dengan kelas false yang diprediksi sebagai kelas true adalah 9. Data dengan kelas true yang diprediksi sebagai kelas ftrue adalah 127. Kelas true menyatakan kemunculan titik panas, kelas false menyatakan data bukan titik panas. Matriks confusion ini selanjutnya akan digunakan untuk menghitung nilai akurasi hasil tahapan klasifikasi dengan menggunakan KNN. Namun untuk mendapatkan hasil tahapan klasifikasi menggunakan algoritme KNN ini tidak semua data dapat diolah oleh packages class pada R karena untuk Pulau Sumatera tahun 2002 sampai 2006, 2009, dan 2011 sampai 2014 memiliki jumlah atribut yang sangat banyak. Untuk dataset Pulau Kalimantan tahun 2002, 2004, 2006, 2009, dan 2014 tidak dapat diolah di R karena jumlah data yang terlalu banyak. Perhitungan Akurasi Pada tahapan ini dihitung nilai akurasi dari hasil tahapan klasifikasi untuk setiap nilai k. Untuk menghitung nilai akurasi digunakan rumus akurasi pada persamaan 2. Dengan menggunakan nilai hasil tahapan klasifikasi menggunakan algoritme KNN yang telah dihasilkan pada proses klasifikasi, selanjutnya dihitung nilai akurasinya. Berdasarkan Tabel 10 akurasi hasil klasifikasi dengan KNN dengan k = 13 adalah Akurasi=
115+127 =88.97% 115+21+9+127
(3)
Perhitungan akurasi dilakukan untuk semua dataset dan semua nilai k. Akurasi tertinggi untuk dataset setiap tahunnya untuk Pulau Sumatera dapat dilihat pada Tabel 11. Tabel 11 Nilai akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Sumatera Dataset Sumatera2001 Sumatera2007 Sumatera2008 Sumatera2010
Nilai k Terbaik 1 1 1 1
Akurasi (%) 99.14 99.10 98.48 99.15
20 Berdasarkan Tabel 11 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi untuk Pulau Sumatera adalah pada Sumatera2010 untuk nilai k = 1. Grafik akurasi untuk dataset Sumatera2010 dapat dilihat pada Gambar 12, sedangkan untuk grafik dataset Sumatera lainnya dapat dilihat pada Lampiran 2 sampai Lampiran 5.
Gambar 11 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Sumatera tahun 2010 Dari Gambar 11 dapat dilihat akurasi hasil klasifikasi untuk nilai k = 1 sampai k = 19 yang cenderung menurun. Jumlah tetangga (k) = 1 memiliki akurasi tertinggi untuk dataset Sumatera, jadi untuk pengujian dengan menggunakan dataset Sumatera 2010 menggunakan jumlah tetangga (k) = 1. Akurasi tertinggi hasil klasifikasi untuk dataset setiap tahunnya di Pulau Kalimantan dapat dilihat pada Tabel 12. Tabel 12 Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan Dataset Kalimantan2001 Kalimantan2003 Kalimantan2005 Kalimantan2005 Kalimantan2007 Kalimantan2008 Kalimantan2010 Kalimantan2011 Kalimantan2012 Kalimantan2013
Nilai k Tertinggi 1 1 1 3 1 1 1 1 1 1
Akurasi (%) 100.00 100.00 100.00 100.00 100.00 99.87 99.26 100.00 99.98 99.95
Berdasarkan Tabel 12 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi terdapat pada dataset Kalimantan2001 dengan k =
21 1, dataset Kalimantan2003 dengan k = 1, dataset Kalimantan2005 dengan nilai k = 1, dan 3, Kalimantan2007 dengan k = 1, dan Kalimantan2011 dengan k = 1. Grafik akurasi untuk jumlah tetangga k = 1 sampai k = 19 untuk dataset Kalimantan 2005 dapat dilihat pada Gambar 12, sedangkan untuk grafik dataset Kalimantan lainnya dapat dilihat pada Lampiran 6 sampai Lampiran 14.
Gambar 12 Akurasi hasil klasifikasi untuk dataset akurasi Pulau Kalimantan tahun 2003 Dari Gambar 12 menunjukkan jumlah tetangga (k) = 1 memiliki akurasi tertinggi. Untuk nilai k = 3 sampai k = 19 akurasi cenderung menurun. Walaupun pada k = 7 mengalami kenaikan tetapi kenaikannya tidak lebih tinggi dari akurasi hasil klasifikasi dengan k = 1. Akurasi rata-rata hasil klasifikasi pada dataset Pulau Sumatera setiap tahun dapat dilihat pada Tabel 13. Tabel 13 Akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset Pulau Sumatera Dataset Sumatera2001 Sumatera2007 Sumatera2008 Sumatera2010 Rata-rata
Akurasi (%) 93.67 97.33 92.72 97.10 95.20
Akurasi rata-rata tertinggi hasil klasifikasi untuk Pulau Sumatera adalah 97.10% yaitu pada dataset Sumatera2010. Akurasi rata-rata hasil klasifikasi untuk Pulau Sumatera adalah sebesar 95.20%. Akurasi rata-rata hasil klasifikasi setiap tahun untuk Pulau Kalimantan dapat dilihat pada Tabel 14.
22 Tabel 14 Nilai akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset Pulau Kalimantan Dataset Kalimantan2001 Kalimantan2003 Kalimantan2005 Kalimantan2007 Kalimantan2008 Kalimantan2010 Kalimantan2011 Kalimantan2012 Kalimantan2013 Rata-rata
Akurasi (%) 98.43 99.74 99.48 98.19 97.47 92.46 99.17 99.79 99.19 98.66
Nilai akurasi tertinggi untuk Pulau Kalimantan adalah 99.79% pada dataset Kalimantan2012. Akurasi rata-rata hasil klasifikasi keseluruhan untuk Pulau Kalimantan adalah sebesar 98.66%. Pemilihan Hasil Klasifikasi Terbaik Setelah dilakukan klasifikasi menggunakan algoritme KNN dan dihitung nilai akurasinya maka didapat hasil klasifikasi dengan akurasi tertinggi. Untuk Pulau Sumatera akurasi tertinggi pada dataset pada tahun 2010 dengan nilai k = 1. Akurasi tertinggi hasil klasifikasi untuk Pulau Kalimantan pada dataset tahun 2001, 2007, dan 2011 dengan nilai k = 1, sedangkan dataset tahun 2005 pada k = 1 dan k = 3. Pemilihan Data Baru Pada tahapan ini yang dilakukan adalah memilih data baru yang akan digunakan sebagai data testing. Untuk data baru yang digunakan pada penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31 Maret 2015. Penerapan Hasil Klasifikasi Terbaik Pada tahapan ini, dilakukan pengujian pada hasil klasifikasi menggunakan data titik panas pada tahun 2015 yang akan digunakan sebagai data testing dan dataset Kalimantan tahun 2005 sebagai data training. Penggunaan dataset Kalimantan 2005 karena menghasilkan hasil klasifikasi dengan akurasi tertinggi untuk Pulau Kalimantan. Hasil matriks confusion hasil klasifikasi data baru 2015 untuk k = 1 dapat dilihat pada Tabel 15. Untuk hasil matriks confusion hasil klasifikasi data baru 2015 untuk k = 3 dapat dilihat pada Tabel 16.
23
Tabel 15 Matriks confusion hasil klasifikasi data baru Kalimantan 2015 dengan k =1 Kelas Aktual
Kelas Prediksi
False 76 0
False True
True 1 23
Tabel 16 Matriks confusion hasil klasifikasi data baru Kalimantan tahun 2015 dengan k = 3 Kelas Aktual
Kelas Prediksi
False 76 0
False True
True 1 23
Matriks confusion untuk k = 1 dan k = 3 menghasilkan nilai yang sama. Klasifikasi menggunakan KNN menunjukan dapat mengklasifikasikan data dengan kelas true (titik panas) ke kelas true (titik panas) dan dapat mengklasifikasikan data dengan kelas false (bukan titik panas) ke kelas false (bukan titik panas). Berdasarkan Tabel 15 dan Tabel 16 akurasi hasil klasifikasi dengan k = 1 dan k = 3 adalah Akurasi=
76+23 = 99% 76+1+0+23
(5)
Akurasi hasil klasifikasi menggunakan KNN untuk dataset Kalimantan2005 yang dijadikan data training dan data titik panas tahun 2015 sebagai data testing adalah 99%, untuk jumlah tetangga terdekat (k) = 1 dan (k) = 3. Hasil klasifikasi tertinggi untuk Pulau Sumatera tidak dapat digunakan sebagai data training menggunakan data baru tahun 2015 karena proses klasifikasi pada dataset tersebut tidak dapat dilakukan di R.
SIMPULAN DAN SARAN Simpulan Algoritme KNN dapat digunakan untuk klasifikasi kemunculan titik panas di Pulau Sumatera dengan nilai akurasi tertinggi adalah 99.15% pada tahun 2010 dengan jumlah tetangga (k) = 1. Untuk dataset Pulau Kalimantan nilai akurasi tertinggi adalah 100% untuk dataset tahun 2001, 2003, 2007, dan 2011 dengan nilai k = 1 sedangkan untuk tahun 2005 dengan nilai k = 1 dan k = 3. Akurasi ratarata hasil klasifikasi dengan algoritme KNN dengan k 1, 3, 5, 7, 9, 11, 13, 15, 17 dan 19 untuk Pulau Sumatera adalah 95.20% dan untuk Pulau Kalimantan adalah 98.66%. Hasil klasifikasi menggunakan KNN diuji dengan menggunakan data baru 2015 sebagai data traning dan dataset Kalimantan tahun 2015 sebagai data testing. Akurasi hasil klasifikasi data baru 2015 mencapai 99%.
24
Saran Untuk penelitian selanjutnya, dapat dikembangkan aplikasi berbasis web untuk memudahkan pengguna sehingga dapat diperoleh nilai akurasi yang dapat diketahui secara cepat.
DAFTAR PUSTAKA Bramer M. 2007. Principles of Data Mining. London(UK): Springer. Fernando V, Sitanggang IS. 2014. Klasifikasi data spasial untuk kemunculan hotspot di Provinsi Riau menggunakan algoritme ID3. Integrasi Sains MIPA untuk Mengatasi Masalah Pangan, Energi, Kesehatan, Reklamasi, dan Lingkungan; 09-11 Mei 2014. Bogor, Indonesia. Bogor (ID): SEMIRATA, hlm 428-436. ISBN: 978-602-70491-0-9. Oswald P, Astrini R. 2012. Tutorial QuantumGIS Tingkat Dasar Versi 1.8.0 Lisboa. Mataram (ID): GIZ Decentralization as Contribution to Good Governance (DeCGG). Sitanggang IS, Yaakob R, Mustapha N, Ainuddin AN. 2012. Application of classification algorithms in data mining for hotspots occurrence prediction in Riau Province Indonesia dalam: JATIT 43(2): 214-221. ISSN: 1992-8645. Sitanggang IS. 2013. Penggunaan teknik data mining dalam pemodelan resiko terjadinya kebakaran hutan. Peran Teknologi Informasi dalam Menghadapi Pasar Global China-ASEAN 2015. Bogor, Indonesia. Bogor (ID): HIPI, pp. 55–62. ISBN: 978-602-95366-1-4. Suwanto A, Maas A, Sutaryo D, Wijaya DY, Sartono D, Achsani H, Komarsa, Hastuti S, Soli TI. Profil Ekosistem Gambut di Indonesia. Jakarta (ID). Wu X, Kumar V. 2009. The top ten algorithms in data mining. CRC Press Taylor dan Francis Group: Boca Raton London.
25 Lampiran 1 Cara kerja KNN Record data training Pulau Kalimantan. No
A1
A2
A3
A4
A5
A6
A7
A8
A9 A10 A11 A12 Kelas
1
1
0
0
0
0
0
1
0
0
0
0
0
T
2
1
0
0
0
0
1
0
0
0
0
0
0
F
3
1
0
0
0
0
0
0
0
0
1
0
0
T
4
0
1
0
0
0
0
0
0
1
0
0
0
T
5
0
1
0
0
0
0
1
0
0
0
0
0
F
6
0
0
1
0
0
0
0
1
0
0
0
0
F
7
0
0
0
0
1
0
1
0
0
0
0
0
T
8
0
1
0
0
0
1
0
0
0
0
0
0
T
9
0
0
0
1
0
0
1
0
0
0
0
0
F
10
1
0
0
0
0
0
0
0
0
1
0
0
T
Record data testing Pulau Kalimantan A1
A2
A3
A4
A5
A6
A7
A8
A9
A10
A11
1
0
0
0
0
0
0
1
0
0
0
Keterangan: A1: Depth = 50-100. A2: Depth = 100-200. A3: Depth = 200-400. A4: Depth = 400-800. A5: Depth = 800-1200. A6: Type = Hemists/Mineral. A7: Type = Hemists/Fibrists. A8: Type = Hemists/Fibrists/Mineral. A9: Type = Saprists/Hemists/Mineral. A10: Type = Saprists/Mineral. A11: Type = Hemists/Saprists/Mineral. A12: Type = Hemists/Fibrists/Saprists.
A12 Kelas 0
T
26 Lanjutan Hitungan jarak kedekatan dengan menggunakan euclidean distance: 1. Jarak data testing ke D1 euclidean=√(1-1)2 +(0-0)2 +..+(0-0)2 =√2=1.41 2. Jarak data testing ke D2 euclidean=√(1-1)2 +(0-0)2 +..+(0-0)2 =√2=1.41 3. Jarak data testing ke D3 euclidean=√(1-1)2 +(0-0)2 +..+(0-0)2 =√2=1.41 4. Jarak data testing ke D4 euclidean=√(0-1)2 +(1-0)2 +..+(0-0)2 =√4=2 5. Jarak data testing ke D5 euclidean=√(0-1)2 +(1-0)2 +..+(0-0)2 =√4=2 6. Jarak data testing ke D6 euclidean=√(0-1)2 +(0-0)2 +..+(0-0)2 =√2=1.41 7. Jarak data testing ke D7 euclidean=√(0-1)2 +(0-0)2 +..+(0-0)2 =√4=2 8. Jarak data testing ke D8 euclidean=√(0-1)2 +(1-0)2 +..+(0-0)2 =√4=2 9. Jarak data testing ke D9 euclidean=√(0-1)2 +(0-0)2 +..+(0-0)2 =√4=2 10. Jarak data testing ke D10 euclidean=√(1-1)2 +(1-0)2 +..+(0-0)2 =√2=1.41
27 Lanjutan Hasil perhitungan euclidean N o
A 1
A 2
A 3
A 4
A 5
A 6
A 7
A 8
A 9
A1 0
A1 1
A1 2
Kela s
Jara k
1
1
0
0
0
0
0
1
0
0
0
0
0
T
1.41
2
1
0
0
0
0
1
0
0
0
0
0
0
F
1.41
3
1
0
0
0
0
0
0
0
0
1
0
0
T
1.41
4
0
1
0
0
0
0
0
0
1
0
0
0
T
2
5
0
1
0
0
0
0
1
0
0
0
0
0
F
2
6
0
0
1
0
0
0
0
1
0
0
0
0
F
1.41
7
0
0
0
0
1
0
1
0
0
0
0
0
T
2
8
0
1
0
0
0
1
0
0
0
0
0
0
T
2
9
0
0
0
1
0
0
1
0
0
0
0
0
F
2
10
1
0
0
0
0
0
0
0
0
1
0
0
T
1.41
Hasil perhitungan jarak euclidean sudah terurut N o
A 1
A 2
A 3
A 4
A 5
A 6
A 7
A 8
A 9
A1 0
A1 1
A1 2
Kela s
Jara k
1
1
0
0
0
0
0
1
0
0
0
0
0
T
1.41
2
1
0
0
0
0
1
0
0
0
0
0
0
F
1.41
3
1
0
0
0
0
0
0
0
0
1
0
0
T
1.41
6
0
0
1
0
0
0
0
1
0
0
0
0
F
1.41
10
1
0
0
0
0
0
0
0
0
1
0
0
T
1.41
4
0
1
0
0
0
0
0
0
1
0
0
0
T
2
5
0
1
0
0
0
0
1
0
0
0
0
0
F
2
7
0
0
0
0
1
0
1
0
0
0
0
0
T
2
8
0
1
0
0
0
1
0
0
0
0
0
0
T
2
9
0
0
0
1
0
0
1
0
0
0
0
0
F
2
28 Lanjutan Ilustrasi KNN
Kelas untuk nilai k = 1 sampai k = 9 K Kelas
1 T
3 T
5 T
7 T
9 T
Lampiran 2 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2001
29 Lampiran 3 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2007
Lampiran 4 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2008
30 Lampiran 5 Akurasi hasil klasifikasi pada dataset Pulau Sumatera tahun 2010
Lampiran 6 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2001
31 Lampiran 7 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2003
Lampiran 8 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2005
32 Lampiran 9 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2007
Lampiran 10 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2008
33 Lampiran 11 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2010
Lampiran 12 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2011
34 Lampiran 13 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2012
Lampiran 14 Akurasi hasil klasifikasi pada dataset Pulau Kalimantan tahun 2013
35
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 13 April 1991 di Bantul, Yogyakarta. Penulis merupakan anak kedua dari dua bersaudara dari pasangan Yekti Budiningsih dan Sudarmaji. Tahun 2010 penulis lulus dari SMA Negeri 3 Bantul dan pada tahun yang sama penulis melanjutkan pendidikan pada program D3, program studi Komputer dan Sistem Informasi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada, Yogyakarta. Penulis lulus dari Universitas Gadjah Mada pada tahun 2013. Pada tahun 2013, penulis lulus seleksi masuk program Sarjana Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
