KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL DI KOTA BOGOR INTAN MULTIANA PERMATA SARI

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Spasial untuk Objek Spasial di Kota Bogor 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 2013 Intan Multiana Permata Sari NIM G64090043

ABSTRAK INTAN MULTIANA PERMATA SARI. Klasifikasi Spasial untuk Objek Spasial di Kota Bogor. Dibimbing oleh ANNISA. Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik spatial data mining yang dapat mengekstrak pengetahuan atau pola-pola dalam basis data spasial. Penelitian ini mengekstrak pola-pola berupa karakteristik dari terminal, stasiun, rel kereta api, sungai, jalan, dan penggunaan lahan menggunakan salah satu teknik spatial data mining, yaitu klasifikasi spasial. Pada penelitian ini, hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Hasil akurasi klasifikasi spasial menggunakan algoritme C4.5 adalah sebesar 72.117%. Dari hasil klasifikasi spasial ini, karakteristik objek spasial di kota Bogor dapat diketahui berdasarkan operasi spasial yang digunakan. Kata kunci: algoritme C4.5, klasifikasi spasial, spatial data mining

ABSTRACT INTAN MULTIANA PERMATA SARI. Spatial Classification for Spatial Objects in Bogor City. Supervised by ANNISA. Various spatial objects in Bogor City have caused a significant increase of spatial data in Bogor City. These spatial data needs to be processed and analyzed using spatial data mining technique, which is able to extract the knowledge or patterns in the spatial database. This research extracts the patterns of terminals, stations, railroads, rivers, roads, and landuse characteristics using one of the spatial data mining techniques, namely spatial classification. In this research, the spatial relations between an object and its surrounding is determined using topological relations, with spatial operations such as contains, overlaps, equals, disjoint, intersects, within, crosses, and touches. The result of spatial classification accuracy using C4.5 algorithm is 72.117%. From this spatial classification result, the characteristics of spatial objects in Bogor City can be identified based on spatial operations. Keywords: C4.5 algorithm, spatial classification, spatial data mining

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Matematika dan Ilmu Pengetahuan Alam

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013

Penguji: 1 Dr Imas S Sitanggang, SSi MKom 2 Hari Agung Adrianto, SKom MSi

Judul Skripsi : Klasifikasi Spasial untuk Objek Spasial di Kota Bogor Nama : Intan Multiana Permata Sari NIM : G64090043

Disetujui oleh

Annisa, SKom MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

Tanggal Lulus:

Judul Skripsi: Klasiflkasi Spasial untuk Objek Spasial di Kota Bogor Nama : Intan Multiana Pennata Sari NIM : G64090043

Disetujui oleh

Annis&. SKorn MKorn

Pernbimbing

Tanggal Lulus:

0 6 JAN 2014

PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Spasial untuk Objek Spasial di Kota Bogor. Penulis mengucapkan terima kasih kepada kedua orang tua penulis yang hingga saat ini selalu mendoakan dan memberikan motivasi. Hal yang sama juga untuk adik dan semua keluarga penulis. Terima kasih penulis sampaikan kepada Ibu Annisa, SKom MKom selaku dosen pembimbing yang telah sabar membimbing dan memberikan saran kepada penulis. Bapak Hari Agung Adrianto, SKom MSi dan Ibu Dr Imas S Sitanggang, SSi MKom selaku dosen penguji yang telah memberikan saran dan perbaikan terhadap tugas akhir ini. Terima kasih juga penulis sampaikan kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1 Teman-teman satu bimbingan: Anggi, Retno, Lizza, Silviani, dan Kak Muti atas kerjasama, bantuan, informasi, dan dukungannya. 2 Peni, Dewi, Alys, dan Esha atas semangat dan doanya. 3 Rekan-rekan Mahasiswa Departemen Ilmu Komputer angkatan 46 atas bantuan dan dukungannya selama menjalani masa studi. 4 Seluruh staf dan karyawan Departemen Ilmu Komputer, serta pihak lain yang telah membantu dalam menyelesaikan penelitian ini. Penulis menyadari bahwa penelitian ini masih jauh dari sempurna karena keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Namun, penulis berharap penelitian ini dapat memberikan manfaat bagi seluruh pihak. Bogor, Desember 2013 Intan Multiana Permata Sari

DAFTAR ISI DAFTAR TABEL

vi

DAFTAR GAMBAR

vi

DAFTAR LAMPIRAN

vi

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE

2

Pengadaan Data

2

Praproses Data

3

Pembagian Data

4

Klasifikasi Spasial

4

Penghitungan Akurasi

5

Lingkungan Implementasi

6

HASIL DAN PEMBAHASAN

6

Data

6

Praproses Data

7

Pembagian Data

11

Klasifikasi Spasial

11

Penghitungan Akurasi

13

SIMPULAN DAN SARAN

14

Simpulan

14

Saran

14

DAFTAR PUSTAKA

14

LAMPIRAN

15

RIWAYAT HIDUP

26

DAFTAR TABEL 1 2 3 4 5

Objek spasial kota Bogor Contoh data sungai sebelum pembersihan Contoh data setelah dilakukan perubahan Contoh penambahan atribut kelas target Jumlah semua data dan hasil prediksi benar

6 10 10 11 13

DAFTAR GAMBAR 1 2 3 4 5 6 7 8

Tahapan penelitian Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006) Peta objek spasial kota Bogor Hirarki objek jalan Contoh split vektor layer Peta hasil pembagian data Contoh spatial query Contoh tree hasil klasifikasi

3 4 6 7 8 9 9 12

DAFTAR LAMPIRAN 1 2 3 4 5 6

Objek spasial kota Bogor Contoh data hasil hubungan spasial Contoh data hasil hubungan spasial setelah dilakukan perubahan Contah data setelah diubah menjadi ARFF Contoh hasil klasifikasi menggunakan algoritme C4.5 Contoh aturan yang terbentuk berdasarkan tree yang dihasilkan

15 17 19 21 22 24

PENDAHULUAN Latar Belakang Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik spatial data mining. Spatial data mining adalah proses ekstraksi pengetahuan, hubungan spasial, atau pola-pola lain yang tidak secara eksplisit tersimpan di dalam basis data spasial (Han dan Kamber 2006). Pengetahuan atau pola-pola tersebut dapat berupa karakteristik dari objek-objek spasial yang ada di kota Bogor. Karakteristik dari objek spasial dapat diketahui dari hubungan-hubungan spasial antar objek. Contoh, karakteristik dari industri yang sudah ada, misalnya industri tersebut berpotongan dengan jalan raya, bersebrangan dengan terminal, dan sebaginya. Salah satu teknik spatial data mining yang dapat digunakan untuk menemukan aturan berupa karakteristik dari objek spasial, yaitu klasifikasi spasial. Klasifikasi spasial dapat menentukan dan mengidentifikasi kelas dari sebuah objek berdasarkan atribut spasial yang digunakan, dengan memperhitungkan objek-objek spasial lain yang berada di sekitarnya. Penelitian sebelumnya yang dilakukan oleh Napthalena (2009) adalah menerapkan teknik klasifikasi spasial pada data mangrove menggunakan algoritme C4.5. Pada penelitian tersebut hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlap, dan inside. Penelitian tersebut menghasilkan spatial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. Sedangkan penelitian ini akan menerapkan teknik klasifikasi spasial pada objek spasial di kota Bogor, yang terdiri atas terminal, stasiun, rel kereta api, sungai, jalan, dan landuse, menggunakan algoritme C4.5. Hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, tetapi operasi spasial yang digunakan lebih banyak yaitu contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Dengan klasifikasi spasial diharapkan dapat menghasilkan spatial classifier berdasarkan operasi spasial yang digunakan, sehingga dapat dihasilkan aturan klasifikasi yang dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek spasial di kota Bogor.

Perumusan Masalah Adapun perumusan masalah pada penelitian ini, antara lain: 1 Bagaimana klasifikasi spasial diterapkan pada objek spasial di kota Bogor? 2 Apakah dengan klasifikasi spasial dapat dibentuk classifier yang dapat mengidentifikasi objek spasial di kota Bogor?

2 Tujuan Penelitian Tujuan penelitian ini adalah menerapkan teknik klasifikasi pada objek spasial di kota Bogor, dengan membuat spatial classifier untuk menemukan aturan klasifikasi yang dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek spasial di kota Bogor.

Manfaat Penelitian Manfaat yang diperoleh dari penelitian ini adalah dapat mengetahui karakteristik objek spasial di kota Bogor berdasarkan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Karakteristik tersebut dapat digunakan untuk mengidentifikasi objek spasial di kota Bogor.

Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan adalah objek spasial di wilayah kota Bogor dalam bentuk titik (point), garis (line), dan bidang (polygon). 2 Metode yang digunakan adalah decision tree, menggunakan algoritme C4.5. 3 Operasi spasial yang digunakan adalah operasi spasial berdasarkan hubungan topologi, yaitu contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches.

METODE Penelitian ini dilakukan dalam beberapa tahap. Mulai dari pengadaan data, praproses data, pembagian data training dan data testing, klasifikasi spasial, dan penghitungan akurasi. Seperti yang diilustrasikan pada Gambar 1.

Pengadaan Data Data spasial adalah data yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (atribut). Data spasial direpresentasikan di dalam basisdata sebagai raster atau vektor. Data raster adalah data yang direpresentasikan sebagai struktur sel grid yang disebut dengan piksel, sedangkan data vektor adalah data yang direpresentasikan ke dalam bentuk titik, garis, dan poligon beserta atributnya (Astrini dan Oswald 2012). Pada tahap ini dilakukan pencarian data yang akan diolah dan dianalisis. Data yang dipilih adalah objek spasial kota Bogor dalam bentuk data vektor. Data ini diperoleh dari GIS Blog Indonesia (www.gisiana.info). Pada data ini, objek

3 yang berupa titik adalah terminal bis dan stasiun, objek yang berupa garis adalah jalan, rel kereta api, dan sungai. Objek yang berupa poligon adalah landuse. Mulai

Pengadaan Data

Praproses Data

Data Training

ObjekSpasial _Bogor.arff

Pembagian Data

Data Testing

Klasifikasi Spasial

Classifier

Penghitungan Akurasi

Selesai

Gambar 1 Tahapan penelitian

Praproses Data Pada penelitian ini praproses data diawali dengan membagi objek jalan dan landuse berdasarkan jenisnya. Pembagian objek ini dilakukan menggunakan Quantum GIS agar masing-masing jenis objek yang sudah dibagi tersebut dapat dicari hubungan spasialnya dengan objek lain. Hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi. Topologi merupakan informasi tentang hubungan geometris dan konektivitas antar objek spasial. Operasi spasial yang digunakan adalah contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Contoh operasi spasial berdasarkan hubungan topologi dapat dilihat pada Gambar 2. Semua objek spasial masing-masing dicari hubungan spasialnya menggunakan Quantum GIS, kemudian hasil dari pencarian hubungan spasial ini direpresentasikan dalam bentuk tabel. Dari tabel yang sudah terbentuk, dilakukan pembersihan data. Pada penelitian ini pembersihan data dilakukan dengan menghilangkan data yang tidak menghasilkan hubungan spasial dengan semua objek. Kemudian semua data dikumpulkan menjadi satu agar lebih mudah untuk digunakan dalam pembentukan spatial decision tree. Setelah itu, semua data diubah menjadi kode-kode dan ditambahkan atribut kelas target pada tabel. Kelas target terdiri dari semua objek spasial yang ingin diketahui karakteristiknya. Selanjutnya format data XLS diubah menjadi ARFF.

4

Gambar 2 Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006)

Pembagian Data Pada tahap ini, dilakukan pemisahan data training dan data testing menggunakan 10-folds cross validation. Data dibagi secara acak ke dalam 10 subset (folds) yang berbeda. Setiap kali sebuah subset digunakan sebagai data testing, maka 9 buah subset lainnya akan dijadikan sebagai data training. Proses ini dilakukan sebanyak 10 kali. Pembagian data ini dilakukan menggunakan WEKA 3.6.7.

Klasifikasi Spasial Klasifikasi spasial dilakukan dengan membuat decision tree kemudian membuat rule dari decision tree yang dihasilkan. Decision tree adalah sebuah struktur tree dimana setiap internal node menunjukkan sebuah kriteria dalam sebuah atribut, setiap branch menunjukkan sebuah hasil dari kriteria tersebut, dan sebuah leaf node menunjukkan label kelas (Han dan Kamber 2006). Untuk menghasilkan decision tree, data hasil praproses kemudian diolah dengan algoritme C4.5 menggunakan perangkat lunak WEKA 3.6.7. Pada WEKA, algoritme C4.5 diimplementasikan dengan modul J48. Algoritme C4.5 merupakan perkembangan dari algoritme ID3, dikembangkan oleh Quinlan Ross pada tahun 1993. Kelebihan algoritme C4.5 dibandingkan algoritme ID3 yaitu, dapat mengolah data kategorik dan data numerik. Algoritme C4.5 juga dapat menangani nilai atribut yang kosong (missing value). Pembuatan decision tree menggunakan algoritme C4.5 dimulai dengan pemilihan node tunggal sebagai akar dari decision tree. Setelah node akar dibentuk, maka data pada node akar diukur dengan information gain untuk dipilih atribut mana yang dijadikan atribut pemecahannya. Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi kemudian data didistribusikan kedalam cabang masing-masing. Algoritme ini menggunakan proses rekursif dalam membentuk sebuah pohon keputusan. Ketika sebuah atribut dipilih menjadi node pemecahan atau cabang, maka atribut tersebut tidak diikutkan lagi dalam perhitungan nilai information gain. Proses rekursif berhenti ketika atribut

5 memiliki cabang berupa kelas atau tidak ada lagi atribut yang bisa dipecah untuk menjadi cabang decision tree. Jika dalam satu cabang anggotanya berasal dari satu kelas maka cabang ini disebut pure. Semakin pure suatu cabang semakin baik. Ukuran purity dinyatakan dengan tingkat impurity. Algoritme C4.5 menggunakan information gain dan entrophy untuk kriteria impurity penggunaan atribut sebagai node dari pohon keputusan (Kantardzic 2003). Persamaan entropy adalah sebagai berikut. H(T) = j

pj log2 (pj)

dengan: T = himpunan kasus pj = proporsi dari Ti terhadap T

Jika kandidat pemecahan A terdiri atas beberapa kandidat. Pada data latih T terdiri atas beberapa bagian, yaitu T1, T2 , T3, ….Tk maka informasi dapat dihitung dengan bobot entropy dari masing-masing bagian tersebut dan information gain (A) dapat dihitung dengan persamaan berikut. Gain(T, A) = H(T)- ∑ni=1

|Ti| *H(Ti)) |T|

dengan: T = himpunan kasus A = atribut n = jumlah partisi atribut A |Ti | = jumlah kasus pada partisi ke-i |T| = jumlah kasus dalam T Nilai gain merupakan nilai kesamaan dari partisi data. Semakin besar nilai gain dari sebuah data maka, nilai keanekaragaman data semakin kecil. Pemecahan terbaik merupakan pemecahan yang menghasilkan nilai gain terbesar.

Penghitungan Akurasi Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap data sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%. Akurasi dari decision tree yang dihasilkan dihitung dengan rumus sebagai berikut: jumlah total prediksi yang benar × 100% Akurasi = jumlah total semua data

6 Lingkungan Implementasi Pada penelitian ini perangkat lunak dan perangkat keras yang digunakan untuk mengembangkan sistem adalah sebagai berikut: Perangkat keras:  Prosesor: Intel Atom 1.5 GHz  Memori 1 GB DDR3  Harddisk 320 GB  Monitor  Mouse dan keyboard Perangkat lunak:  Sistem operasi: Microsoft Windows 7 Ultimate 32-bit  Quantum GIS 1.8.0-Lisboa  Notepad++  WEKA 3.6.7

HASIL DAN PEMBAHASAN Data Data yang digunakan adalah objek spasial kota Bogor, yang terdiri atas terminal, stasiun, rel kereta api, sungai, jalan, dan landuse, seperti yang terlihat pada Tabel 1. Data ini dapat ditampilkan dalam bentuk peta dan tabel menggunakan Quantum GIS. Peta objek spasial kota Bogor dapat dilihat pada Gambar 3. Sedangkan contoh tabel objek spasial kota Bogor dapat dilihat pada Lampiran 1. Tabel 1 Objek spasial kota Bogor No Objek Tipe Jumlah 1 Terminal Titik 11 2 Stasiun Titik 2 3 Rel KA Garis 1 4 Sungai Garis 455 5 Jalan Garis 5174 6 Landuse Poligon 7495

7

Gambar 3 Peta objek spasial Kota Bogor

Praproses Data Objek jalan dan landuse dibagi berdasarkan jenisnya karena jumlahnya sangat banyak dan jauh berbeda dengan objek spasial lainnya, yaitu objek jalan berjumlah 5147 garis, dan objek landuse berjumlah 7495 poligon. Pembagian objek juga dilakukan karena ingin mengidentifikasi objek jalan dan landuse secara detil. Objek jalan dibagi menjadi 15 jenis, yaitu local road, main road, other road, bridge (local road), bridge (main road), bridge (other road), footpath road, footbridge for double line, national highway, overpass (national highway), overpass (other road), rail road single, tol road (national highway), tonel, dan unknown road. Objek-objek jalan tersebut dapat dibentuk hirarki seperti yang terlihat pada Gambar 4.

Gambar 4 Hirarki objek jalan Sedangkan objek landuse dibagi menjadi 7 jenis, yaitu agriculture & open space, commercial & bussines, forestry, industry & warehouse, low density urban kampung, planned house, dan swamp, river & pond. Objek jalan yang dipakai

8 pada penelitian ini hanya 9 jenis, yaitu: yaitu local road, main road, bridge (local road), bridge (main road), footpath road, national highway, overpass (highway national), overpass (other road), dan tol road (national highway). Sehingga, objek spasial yang digunakan menjadi 20 objek. Pembagian data dilakukan menggunakan split vector layer yang terdapat pada Quantum GIS seperti yang terlihat pada Gambar 5.

Gambar 5 Contoh split vector layer

Split vector layer dapat membagi data vektor berdasarkan atribut tertentu. Misalnya pada Gambar 5 pada input vector layer dipilih data jalan ko_bogor dan pada unique id field dipilih NAMA_UNSUR, kemudian pada output folder pilih folder dimana hasil pembagian akan disimpan. Maka sistem akan membagi data jalan berdasarkan atribut NAMA_UNSUR dan apabila hasil pembagian tersebut dibuka kembali dengan Quantum GIS akan menghasilkan peta seperti pada Gambar 6. Kemudian semua objek spasial yang digunakan masing-masing ditentukan hubungan spasialnya. Hubungan spasial ini diperoleh dengan menjalankan operasi spatial query pada Quantum GIS. Dengan operasi spatial query ini dapat diketahui hubungan spasial dari objek satu dengan objek yang lain dan nomor id berapa saja yang memiliki hubungan spasial dengan objek yang kita pilih. Seperti yang terlihat pada Gambar 7, objek 1 yang ingin diketahui hubungan spasialnya dipilih sungai ko_bogor, kemudian hubungan spasial yang dipilih yaitu intersects dan objek 2 yang dipilih adalah jalan_MAIN ROAD. Hasil yang didapatkan adalah nomor id sungai ko_bogor yang berjumlah 20 dari 455 data yang memiliki hubungan spasial intersects dengan jalan_MAIN ROAD. Hasil dari pencarian hubungan spasial ini direpresentasikan dalam bentuk tabel. Langkah tersebut diulangi sampai semua objek diketahui hubungan spasialnya. Hubungan spasial yang ada antara lain contains, disjoint, intersects, within, crosses, overlaps, dan touches. Contoh dari hubungan spasial yang dihasilkan dapat dilihat pada Lampiran 2.

9

Gambar 6 Peta hasil pembagian data

Gambar 7 Contoh spatial query Setelah dihasilkan tabel hubungan spasial, dilakukan pembersihan data. Pada penelitian ini pembersihan data dilakukan dengan menghilangkan data yang tidak menghasilkan hubungan spasial dengan semua objek. Contoh data sungai sebelum pembersihan ditampilkan pada Tabel 2. Sungai 1, sungai 3, sungai 6, dan sungai 7 tidak menghasilkan hubungan spasial dengan semua objek, maka data tersebut dihilangkan. Sehingga data yang dihilangkan, yaitu data sungai sebanyak 42 record dan data local road sebanyak 3 record.

10 Tabel 2 Contoh data sungai sebelum pembersihan Objek Sungai 1 Sungai 2 Sungai 3 Sungai 4 Sungai 5 Sungai 6 Sungai 7

Bridge (local road)

Bridge (main road)

Footpath road

Local road

disjoint

disjoint

disjoint

disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

intersects, touches disjoint

Kemudian semua objek spasial yang sudah dicari hubungan spasialnya, yaitu terminal bis, stasiun, rel kereta api, sungai, local road, main road, bridge (local road), bridge (main road), footpath road, national highway, overpass (highway national), overpass (other road), tol road national highway, agriculture & open space, commercial & bussines, forestry, industry & warehouse, low density urban kampung, planned house, dan swamp, river & pond dikumpulkan menjadi satu agar lebih mudah untuk digunakan dalam pembentukan spatial decision tree. Setelah dikumpulkan menjadi satu, semua data diubah menjadi kode-kode, seperti terminal menjadi t, stasiun menjadi st, rel menjadi r, sungai menjadi su, kota Bogor menjadi kb, local road menjadi lr, main road menjadi mr, bridge (local road) menjadi blr, bridge (main road) menjadi bmr, footpath road menjadi fpr, national highway menjadi nh, overpass (highway national) menjadi ohn, overpass (other road) menjadi oor, tol road national highway menjadi trnh, agriculture & open space menjadi aos, commercial & bussines menjadi cb, forestry menjadi f, industry & warehouse menjadi iw, low density urban kampong menjadi lduk, planned house menjadi ph, dan swamp, river & pond menjadi srp. Begitu juga dengan hubungan spasial yang ada direpresentasikan menjadi 1 = disjoint, 2 = intersects, 3 = within, 4 = crosses, 5 = overlaps, 6 = touches, 7 = contains, dan data yang kosong diisi dengan tanda tanya (?) agar dapat diolah menggunakan WEKA. Contoh data setelah dilakukan perubahan dapat dilihat pada Tabel 3 dan untuk contoh yang lebih banyak dapat dilihat pada Lampiran 3. Tabel 3 Contoh data setelah dilakukan perubahan Objek Local Road Foot Path Road Agriculture & Open Space Planned House

Terminal t1 t1 t1 t1

Stasiun st1 st1 st1 st1

Rel KA r26 r1 r1 r1

Sungai su1 su24 su2 su1

Pada Tabel 3 objek local road memiliki hubungan spasial yang terdiri dari t1 berarti disjoint dengan terminal, st1 berarti disjoint dengan stasiun, r26 berarti intersects dan touches dengan rel KA, su1 berarti disjoint dengan sungai. Objek footpath road memiliki hubungan spasial, terdiri dari t1 berarti disjoint dengan terminal, st1 berarti disjoint dengan stasiun, r1 berarti disjoint dengan rel, su24

11 berarti intersects dan crosses dengan sungai. Dan seterusnya pada objek-objek yang lain pun dibaca demikian. Kemudian dilakukan penambahan atribut kelas target pada tabel. Kelas target terdiri dari semua objek spasial yang dipakai pada penelitian ini, yaitu sebanyak 20 objek. Objek-objek spasial pada kelas target inilah yang akan diketahui karakteristiknya melalui proses klasifikasi spasial. Contoh penambahan atribut kelas target dapat dilihat pada Tabel 4. Tabel 4 Contoh penambahan atribut kelas target Industry & warehouse iw1 iw1 iw1 iw1 iw1 iw1 iw1 iw1 iw1 iw1 iw1

Low density urban kampung lduk1 lduk1 lduk1 lduk24 lduk246 lduk246 lduk246 lduk1 lduk1 lduk26 lduk26

Planned house ph1 ph1 ph1 ph24 ph1 ph1 ph1 ph1 ? ? ?

Swamp, river & pond srp1 srp1 srp1 srp24 srp246 srp246 srp246 srp1 srp1 srp1 srp1

Kelas target t t st r su su blr blr ph ph ph

Kemudian format data XLS diubah menjadi CSV dan diubah lagi menjadi ARFF dengan bantuan Notepad++ agar dapat diproses ke tahap selanjutnya yaitu proses klasifikasi menggunakan perangkat lunak WEKA 3.6.7. Contoh data setelah diubah menjadi ARFF dapat dilihat pada Lampiran 4.

Pembagian Data Setelah tahap praproses dilakukan pembagian data training dan data testing. Pembagian data dilakukan pada perangkat lunak WEKA 3.6.7, dengan memilih cross-validation sebagai test options dan set parameter folds = 10. Hal ini berarti sistem akan mengacak data training dan mengambil sebagian dari datanya untuk dijadikan data testing. Proses ini dilakukan sebanyak 10 kali dan hasil akhir merupakan akurasi rata-rata dari kesepuluh percobaan tersebut.

Klasifikasi Spasial Pembentukan spatial decision tree dilakukan menggunakan algoritme C4.5, dengan modul J48 yang terdapat pada perangkat lunak WEKA 3.6.7. Dari decision tree tersebut diturunkan aturan yang dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek spasial kota Bogor. Contoh tree hasil klasifikasi menggunakan algoritme C4.5 dapat dilihat pada Gambar 8.

12

Gambar 8 Contoh tree hasil klasifikasi Contoh aturan yang dihasilkan dari Gambar 8 adalah sebagai berikut: Aturan 1: Jika objek spasial intersects dengan planned house, maka objek spasial tersebut adalah local road. Aturan 2: Jika objek spasial intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open space, dan disjoint dengan swamp, river & pond, maka objek spasial tersebut adalah local road. Angka-angka di dalam tanda kurung pada Gambar 8 menunjukkan jumlah dari bobot dalam node untuk mencapai leaf / jumlah kesalahan klasifikasi (jika ada) (Beck et al. 2007). Misalnya pada contoh aturan 2, jumlah bobot dalam node untuk mencapai leaf berarti jumlah semua objek spasial yang intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open house, dan disjoint dengan swamp, river, & pond, yaitu sebanyak 1842.27. Dan Jumlah kesalahan klasifikasi berarti jumlah objek spasial yang intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open house, dan disjoint dengan swamp, river, & pond, tetapi terklasifikasi salah (bukan local road), yaitu sebanyak 17.27. Semakin banyak jumlah bobot dalam node, maka aturan tersebut semakin kuat. Ini berarti, contoh aturan 2 lebih kuat dibanding contoh aturan 1. Contoh tree hasil klasifikasi menggunakan algoritme C4.5 yang lebih lengkap dapat dilihat pada Lampiran 5. Hasil klasifikasi menunjukkan dari 20 objek spasial yang digunakan sebagai kelas target, hanya 15 objek yang dihasilkan pada tree, karena jumlah dari objek-objek tersebut memiliki perbedaan yang signifikan. 15 objek inilah yang dapat diketahui karakteristiknya dan diidentifikasi berdasarkan aturan klasifikasi, yaitu agriculture & open space, bridge (local road), commercial & business, footpath road, forestry, industry & warehouse, kelurahan, local road, low density urban kampung, main road, national highway, planned house, sungai, swamp, river & pond, dan tol road. Contoh aturan yang terbentuk berdasarkan tree yang dihasilkan dapat dilihat pada Lampiran 6.

13 Penghitungan Akurasi Pada penelitian ini akurasi klasifikasi dihitung menggunakan perangkat lunak WEKA 3.6.7. Akurasi ditentukan dengan rumus jumlah total prediksi yang benar dibagi total semua data. Jumlah semua data dan hasil prediksi dari masingmasing kelas dapat dilihat pada Tabel 5. Tabel 5 Jumlah semua data dan hasil prediksi benar No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Kelas Terminal Stasiun Rel KA Sungai Bridge (Local Road) Bridge (Main Road) Footpath Road Local Road Main Road National Highway Overpass (National Highway) Overpass (Other Road) Tol Road Agriculture & Open Space Commercial & Bussines Forestry Industry & Warehouse Low Density Urban Kampung Planned House Swamp, River, & Pond

Jumlah 11 2 1 455 40 2 75 3969 50 32 1 7 7 2375 64 63 212 2826 682 1272

Jumlah prediksi benar 0 0 0 199 0 0 3 3857 2 8 0 0 3 1575 0 4 0 2486 326 266

Berdasarkan Tabel 5, Jumlah total semua data dari 20 kelas objek adalah 12146, dan jumlah total prediksi yang benar adalah 8729, sehingga akurasi yang dihasilkan adalah sebesar: Akurasi = =

jumlah total prediksi yang benar × 100% jumlah total semua data 8729 × 100% 12104

= 72.117%

14

SIMPULAN DAN SARAN Simpulan Pada penelitian ini telah diterapkan teknik klasifikasi pada data objek spasial kota Bogor menggunakan algoritme C4.5. Hubungan spasial antara sebuah objek dengan objek disekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Penelitian ini telah menghasilkan spatial classifier dan aturan klasifikasi dengan akurasi sebesar 72.117%. Hasil klasifikasi menunjukkan, dari 20 objek spasial yang digunakan sebagai kelas target, hanya 15 objek yang dihasilkan, karena jumlah dari objek-objek tersebut memiliki perbedaan yang signifikan. 15 objek inilah yang dapat diketahui karakteristiknya dan diidentifikasi berdasarkan aturan klasifikasi, yaitu agriculture & open space, bridge (local road), commercial & business, footpath road, forestry, industry & warehouse, kelurahan, local road, low density urban kampung, main road, national highway, planned house, sungai, swamp, river & pond, dan tol road.

Saran Penelitian selanjutnya dapat dilakukan menggunakan algoritme yang berbeda, agar dapat dibandingkan dengan penelitian ini. Pada penelitian selanjutnya juga disarankan menggunakan metode pemangkasan tree, prepruning dan postpruning, sehingga dapat meningkatkan akurasi.

DAFTAR PUSTAKA Astrini R, Oswald P. 2012. Pelatihan Quantum GIS Tingkat Dasar (versi 1.8.0 Lisboa): untuk Pemetaan Evakuasi Tsunami. Mataram (ID): GIZ Decentralization as Contribution to Good Governance (DeCGG), BAPPEDA Provinsi NTB. Beck JR, Garcia ME, Zhong M, Georgiopoulos M, Anagnostopoulos G. 2007. A backward adjusting strategy for the C4.5 decision tree classifier [Internet]. [diunduh 2013 Nov 7]. Tersedia pada: http://www.amaltheareu.org/pubs/amalthea_tr_2007_01.pdf. Bogorny V. 2006. Enhancing spatial association rule mining in geographic databases [tesis]. Porto Alegre (BR): Federal University of Rio Grande do Sul. Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. Ed ke-2. San Francisco (US): Morgan Kaufmann. Kantardzic M. 2003. Data Mining: Concepts, Models, Methods, Methods, and Algorithm. New Jersey (US): J Wiley. Napthalena. 2009. Penerapan spatial decision tree untuk identifikasi lahan mangrove menggunakan algoritme C4.5 [skripsi]. Bogor (ID): Institut Pertanian Bogor.

15 Lampiran 1 Objek spasial kota Bogor Data Terminal

Data Stasiun

Data Rel

Data Sungai

16 Lampiran 1 Lanjutan Data Jalan

Data Landuse

Lampiran 2 Contoh data hasil hubungan spasial Objek

Terminal

Stasiun

Rel KA

Sungai

Terminal Baranangsiang Terminal Harjasari

-

disjoint

disjoint

disjoint

-

disjoint

disjoint

disjoint

Rel KA

disjoint

disjoint

-

Footpath Road disjoint disjoint

Tol Road disjoint disjoint

disjoint

disjoint

Stasiun Bogor

disjoint

-

disjoint

intersects, crosses disjoint

Stasiun Kebon Pedes Sungai 1

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint -

disjoint disjoint disjoint

disjoint disjoint disjoint

Sungai 2

disjoint

disjoint

disjoint

-

disjoint

disjoint

Bridge (Local Road) 1 Bridge (Local Road) 2

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

Bridge (Main Road) 1

disjoint

disjoint

disjoint

disjoint

disjoint

Footpath Road 1 Footpath Road 2

disjoint disjoint

disjoint disjoint

disjoint disjoint

intersects, crosses disjoint disjoint

-

disjoint disjoint

Local Road 1 Local Road 2

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

Main Road 1 Main Road 2

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint intersects, crosses

disjoint intersects, touches disjoint disjoint

disjoint disjoint

Agriculture & Open Space disjoint intersects, within intersects, crosses disjoint disjoint intersects, crosses intersects, crosses, touches disjoint intersects, within disjoint

Forestry disjoint disjoint intersects, crosses disjoint disjoint disjoint disjoint

disjoint disjoint disjoint

disjoint intersects, crosses disjoint disjoint

disjoint disjoint

disjoint intersects, crosses

disjoint disjoint

disjoint disjoint

17

2

18

Lampiran 2 Lanjutan Terminal

Stasiun

Rel KA

Sungai

National Highway 1 National Highway 2

disjoint disjoint

disjoint disjoint

disjoint disjoint

disjoint disjoint

Footpath Road disjoint disjoint

Overpass Highway National

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Overpass (Other Road) 1

disjoint

disjoint

disjoint

disjoint

disjoint

Overpass (Other Road) 2

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Tol Road 1

disjoint

disjoint

disjoint

intersects, crosses intersects, crosses disjoint

Agriculture & Open Space disjoint intersects, crosses intersects, within disjoint

disjoint

-

disjoint

Agriculture & Open Space 1

disjoint disjoint disjoint

disjoint disjoint disjoint

disjoint

intersects

Commercial & Bussiness 1

disjoint disjoint disjoint

disjoint

disjoint disjoint disjoint

disjoint disjoint disjoint

Commercial & Bussiness 2

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Industry & Warehouse 1 Industry & Warehouse 2 Low Density Urban Kampung 1

disjoint disjoint disjoint

disjoint disjoint disjoint

disjoint disjoint disjoint

intersects intersects disjoint

disjoint disjoint disjoint

disjoint disjoint disjoint

Low Density Urban Kampung 2

disjoint

disjoint

disjoint

intersects

disjoint

disjoint

Planned House 1

disjoint

disjoint

disjoint

disjoint

disjoint

disjoint

Planned House 2

disjoint

Disjoint

disjoint

intersects

disjoint

disjoint

intersects, crosses intersects, touches intersects, touches disjoint disjoint intersects, touches intersects, touches intersects, touches disjoint

Objek

Agriculture & Open Space 2

Tol Road disjoint disjoint

Forestry disjoint disjoint disjoint disjoint

disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

3

Lampiran 3 Contoh data hasil hubungan spasial setelah dilakukan perubahan Objek Terminal Baranangsiang Terminal Harjasari Rel KA Stasiun Bogor Stasiun Kebon Pedes Sungai 1 Sungai 2 Bridge (Local Road) 1 Bridge (Local Road) 2 Bridge (Main Road) 1 Footpath Road 1 Footpath Road 2 Local Road 1 Local Road 2 Main Road 1 Main Road 2

Terminal

Stasiun

Rel KA

Sungai

-

st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1

r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1

su1 su1 su24 su1 su1

-

t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1

-

su1 su1 su24

su1 su1 su1 su1 su1 su24

Footpath Road fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr26 fpr1 fpr1

Tol Road trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1

Agriculture & Open Space aos1 aos23 aos24 aos1 aos1 aos24 aos246 aos1 aos23 aos1 aos1 aos24 aos1 aos1 aos1 aos24

Forestry f1 f1 f24 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1

19

4 20 Lampiran 3 Lanjutan Objek National Highway 1 National Highway 2 Overpass Highway National Overpass (Other Road) 1 Overpass (Other Road) 2 Tol Road 1 Agriculture & Open Space 1

Agriculture & Open Space 2 Commercial & Bussiness 1 Commercial & Bussiness 2 Industry & Warehouse 1 Industry & Warehouse 2 Low Density Urban Kampung 1 Low Density Urban Kampung 2 Planned House 1 Planned House 2

Terminal

Stasiun

Rel KA

Sungai

t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1 t1

st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1 st1

r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1 r1

su1 su1 su1 su24 su24 su1 su1 su2 su1 su1 su2 su2 su1 su2 su1 su2

Footpath Road fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1 fpr1

Tol Road trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1 trnh1

Agriculture & Open Space aos1 aos24 aos23 aos1 aos1 aos24 aos26 aos26 aos1 aos1 aos26 aos26 aos26 aos1

Forestry f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1 f1

21 Lampiran 4 Contoh data setelah diubah menjadi ARFF @relation Objek_Spasial @attribute Terminal {t1, t27} @attribute Stasiun {st1, st27} @attribute Rel {r1, r2, r24, r26} @attribute Sungai {su1, su2, su24, su246, su26, su27} @attribute Brige_LocalRoad {blr1, blr2, blr24, blr26, blr27} @attribute Brige_MainRoad {bmr1, bmr2, bmr24, bmr26} @attribute FootPathRoad {fpr1, fpr2, fpr24, fpr26, fpr27} @attribute LocalRoad {lr1, lr2, lr24, lr246, lr26, lr27} @attribute MainRoad {mr1, mr2, mr24, mr26, mr27} @attribute NationalHighway {nh1, nh2, nh24, nh26, nh27} @attribute Overpass_Highway {ohn1, ohn27} @attribute Overpass_OtherRoad {oor1, oor2, oor24, oor26, oor27} @attribute TolRoad {trnh1, trnh2, trnh24, trnh26} @attribute Agriculture_OpenSpace {aos1, aos2, aos23, aos24, aos246, aos26} @attribute Commercial_Bussines {cb1, cb23, cb24, cb246, cb26} @attribute Forestry {f1, f24, f246, f26} @attribute Industry_Warehouse {iw1, iw2, iw23, iw24, iw246, iw26} @attribute LowDensityUrbanKampung {lduk1, lduk2, lduk23, lduk236, lduk24, lduk246, lduk26} @attribute PlannedHouse {ph1, ph2, ph23, ph24, ph246, ph26} @attribute Swamp_River_Pond {srp1, srp23, srp24, srp246, srp26} @attribute Kelas {t, st, r, su, blr, bmr, fpr, lr, mr, nh, ohn, oor, trnh, aos, cb, f, iw, lduk, ph, srp} @data ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb23,f1,iw1,lduk1,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk1,ph 1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb23,f1,iw1,lduk1,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw23,lduk1,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk23,p h1,srp1,t ?,st1,r1,su1,blr1,bmr1,fpr1,lr1,mr1,nh1,ohn1,oor1,trnh1,aos1,cb1,f1,iw1,lduk1,ph 1,srp1,t

22 2 Lampiran 5 Contoh hasil klasifikasi menggunakan algoritme C4.5 PlannedHouse = ph1 | LowDensityUrbanKampung = lduk1 | | Industry_Warehouse = iw1 | | | Agriculture_OpenSpace = aos1 | | | | Commercial_Bussines = cb1 | | | | | Forestry = f1 | | | | | | Swamp_River_Pond = srp1 | | | | | | | LocalRoad = lr1 | | | | | | | | FootPathRoad = fpr1: aos (109.44/76.07) | | | | | | | | FootPathRoad = fpr2: lduk (2.61/1.11) | | | | | | | | FootPathRoad = fpr24: aos (0.0) | | | | | | | | FootPathRoad = fpr26: lr (2.71) | | | | | | | | FootPathRoad = fpr27: aos (0.0) | | | | | | | LocalRoad = lr2: ph (43.16/27.57) | | | | | | | LocalRoad = lr24: lduk (0.0) | | | | | | | LocalRoad = lr246: lduk (0.0) | | | | | | | LocalRoad = lr26: su (2.4/1.4) | | | | | | | LocalRoad = lr27: ph (9.17/2.67) | | | | | | Swamp_River_Pond = srp23 | | | | | | | Rel = r1: lr (3.14/1.14) | | | | | | | Rel = r2: blr (0.0) | | | | | | | Rel = r24: blr (0.0) | | | | | | | Rel = r26: blr (2.0) | | | | | | Swamp_River_Pond = srp24: su (2.05/0.05) | | | | | | Swamp_River_Pond = srp246: lduk (0.0) | | | | | | Swamp_River_Pond = srp26: lduk (278.55/168.75) | | | | | Forestry = f24: fpr (5.05/1.05) | | | | | Forestry = f246: lduk (0.0) | | | | | Forestry = f26: lduk (19.98/13.72) | | | | Commercial_Bussines = cb23: lr (11.11/3.11) | | | | Commercial_Bussines = cb24: lduk (0.0) | | | | Commercial_Bussines = cb246: lduk (0.0) | | | | Commercial_Bussines = cb26: srp (6.16/3.16) | | | Agriculture_OpenSpace = aos2: su (1.3/0.3) | | | Agriculture_OpenSpace = aos23 | | | | TolRoad = trnh1 | | | | | Swamp_River_Pond = srp1: lr (64.1/34.1) | | | | | Swamp_River_Pond = srp23: lr (0.0) | | | | | Swamp_River_Pond = srp24: lr (0.0) | | | | | Swamp_River_Pond = srp246: lr (0.0) | | | | | Swamp_River_Pond = srp26: aos (12.92) | | | | TolRoad = trnh2: aos (0.62) | | | | TolRoad = trnh24: lr (0.0) | | | | TolRoad = trnh26: nh (7.0/1.0) | | | Agriculture_OpenSpace = aos24 | | | | Swamp_River_Pond = srp1

233 Lampiran 5 Lanjutan | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |

| | FootPathRoad = fpr1: su (48.49/24.49) | | FootPathRoad = fpr2: aos (0.2/0.01) | | FootPathRoad = fpr24: su (0.0) | | FootPathRoad = fpr26: lr (2.08/0.08) | | FootPathRoad = fpr27: su (0.0) | Swamp_River_Pond = srp23: su (0.0) | Swamp_River_Pond = srp24: su (22.0/8.0) | Swamp_River_Pond = srp246: su (0.0) | Swamp_River_Pond = srp26: aos (13.16) Agriculture_OpenSpace = aos246 | FootPathRoad = fpr1 | | Swamp_River_Pond = srp1: su (8.1/2.1) | | Swamp_River_Pond = srp23: su (0.0) | | Swamp_River_Pond = srp24: su (2.0) | | Swamp_River_Pond = srp246: su (0.0) | | Swamp_River_Pond = srp26: aos (2.15) | FootPathRoad = fpr2: aos (0.07) | FootPathRoad = fpr24: su (0.0) | FootPathRoad = fpr26: trnh (2.0) | FootPathRoad = fpr27: su (0.0) Agriculture_OpenSpace = aos26 | LocalRoad = lr1 | | Swamp_River_Pond = srp1 | | | TolRoad = trnh1 | | | | FootPathRoad = fpr1 | | | | | Sungai = su1 | | | | | | Commercial_Bussines = cb1: lduk (481.35/239.74) | | | | | | Commercial_Bussines = cb23: lduk (0.0) | | | | | | Commercial_Bussines = cb24: lduk (0.0) | | | | | | Commercial_Bussines = cb246: lduk (0.0) | | | | | | Commercial_Bussines = cb26: aos (2.89/1.04) | | | | | Sungai = su2: srp (143.98/87.78) | | | | | Sungai = su24: lduk (0.0) | | | | | Sungai = su246: lduk (0.0) | | | | | Sungai = su26: lduk (0.0) | | | | | Sungai = su27: lduk (0.0) | | | | FootPathRoad = fpr2: lduk (12.49/4.48) | | | | FootPathRoad = fpr24: lduk (0.0) | | | | FootPathRoad = fpr26: lduk (0.0) | | | | FootPathRoad = fpr27: lduk (0.25) | | | TolRoad = trnh2: aos (7.8/1.0) | | | TolRoad = trnh24: lduk (0.0) | | | TolRoad = trnh26: lduk (0.0) | | Swamp_River_Pond = srp23: lduk (0.0) | | Swamp_River_Pond = srp24: su (2.65/0.65) | | Swamp_River_Pond = srp246: lduk (0.0)

24 4 Lampiran 6 Contoh rule yang terbentuk berdasarkan tree yang dihasilkan 1 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, disjoint dengan terminal, intersects dengan sungai, intersects dengan footpath road, intersects dan touches dengan swamp, river, pond, MAKA objek spasial tersebut adalah agriculture & open space. 2 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, intersects dengan footpath road, disjoint dengan sungai, intersects dan touches dengan low density urban kampung, MAKA objek spasial tersebut adalah agriculture & open space. 3 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, disjoint dengan forestry, intersects dan within dengan swamp, river, pond, intersects dan touches dengan rel, MAKA objek spasial tersebut adalah bridge (local road). 4 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, intersects dan contains dengan terminal, MAKA objek spasial tersebut adalah commercial & bussines. 5 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, intersects dan crosses dengan forestry, MAKA objek spasial tersebut adalah footpath road. 6 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, intersects dengan footpath road, disjoint dengan sungai, disjoint dengan low density urban kampung, disjoint dengan agriculture & open space, MAKA objek spasial tersebut adalah forestry. 7 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, intersects dengan national highway, intersects dengan local road, intersects dan touches dengan swamp, river, pond, MAKA objek spasial tersebut adalah industry & warehouse. 8 JIKA objek spasial disjoint dengan planned house, intersects dan within dengan low density urban kampung, disjoint dengan agriculture & open space, disjoint dengan swamp, river, pond, intersects dan crosses dengan sungai, MAKA objek spasial tersebut adalah local road. 9 JIKA objek spasial intersects dan crosses dengan planned house, disjoint dengan swamp, river, pond, disjoint dengan agriculture & open space, intersects, crosses, touches dengan low density urban kampung, MAKA objek spasial tersebut adalah local road. 10 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, disjoint dengan footpath road, intersects dengan local road, MAKA objek spasial tersebut adalah low density urban kampung.

255 Lampiran 6 Lanjutan 11 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, disjoint dengan footpath road, disjoint dengan local road, intersects dan touches dengan agriculture & open space, intersects dengan sungai, intersects dan touches dengan industry & warehouse, MAKA objek spasial tersebut adalah low density urban kampung. 12 JIKA objek spasial disjoint dengan planned house, intersects dan crosses dengan low density urban kampung, intersects, crosses, touches dengan agriculture & open space, disjoint dengan tol road, intersects dan touches dengan local road, MAKA objek spasial tersebut adalah main road. 13 JIKA objek spasial intersects dan crosses dengan planned house, disjoint dengan swamp, river, pond, intersects dan crosses dengan agriculture & open space, intersects dan touches dengan bridge (main road), MAKA objek spasial tersebut adalah main road. 14 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, intersects dan touches dengan tol road, MAKA objek spasial tersebut adalah national highway. 15 JIKA objek spasial disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, disjoint dengan forestry, disjoint dengan swamp, river, pond, intersects dengan local road, MAKA objek spasial tersebut adalah planned house. 16 JIKA objek spasial intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, disjoint dengan terminal, disjoint dengan sungai, intersects dengan main road, MAKA objek spasial tersebut adalah planned house. 17 JIKA objek spasial disjoint dengan planned house, intersects dan crosses dengan low density urban kampung, intersects dan crosses dengan agriculture & open space, disjoint dengan tol road, disjoint dengan footpath road, intersects dan crosses dengan forestry, MAKA objek spasial tersebut adalah sungai. 18 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dan crosses dengan local road, MAKA objek spasial tersebut adalah sungai. 19 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, disjoint dengan footpath road, disjoint dengan local road, disjoint dengan agriculture & open space, disjoint dengan forestry, MAKA objek spasial tersebut adalah swamp, river, pond. 20 JIKA objek spasial disjoint dengan planned house, intersects, crosses, touches dengan low density urban kampung, intersects, crosses, touches dengan agriculture & open space, intersects dan touches dengan national highway, MAKA objek spasial tersebut adalah tol road.

6 26

RIWAYAT HIDUP Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 27 Desember 1991, merupakan anak pertama dari dua bersaudara dengan ayah bernama Mulyana Rahmat dan ibu bernama Tien Purnama Sari. Pada tahun 2009, penulis lulus dari Sekolah Menengah Atas Negeri 4 Bogor dan diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI). Selama menjadi mahasiswa di Institut Pertanian Bogor, pada tanggal 27 Juni 2012 penulis melaksanakan praktik kerja lapangan di Kantor Komunikasi dan Informatika, Balai Kota Bogor, selama kurang lebih 2 bulan.