PEMODELAN PROBABILISTIK UNTUK MEMPREDIKSI RISIKO KEBAKARAN MENGGUNAKAN HIRID BBN-KRIGING (219K)

Manajemen Konstruksi

PEMODELAN PROBABILISTIK UNTUK MEMPREDIKSI RISIKO KEBAKARAN MENGGUNAKAN HIRID BBN-KRIGING (219K) Tri Joko Wahyu Adi1 dan Mirnayani2 1

Dosen Program Studi Teknik Sipil Institut Teknologi Sepuluh Nopember, Kampus ITS Sukolilo Surabaya E-mail : [email protected] 2 Mahasiswa Program Studi Pasca Sarjana Manajemen Proyek Konstruksi ITS, Kampus ITS Sukolilo Surabaya. E-mail : [email protected]

ABSTRAK Kasus kebakaran merupakan momok besar yang membayangi wajah Kota Surabaya, mengingat kejadian kebakaran yang meningkat setiap tahunnya serta fakta bahwa Surabaya merupakan kota besar yang memiliki tingkat pertumbuhan dan aktivitas penduduk yang tinggi. Selama ini, hampir semua penelitian mengenai penilaian risiko kebakaran meggunakan pendekatan kualitatif, dimana proses penetapan nilai probability maupun impact dilakukan secara subyektif sehingga menimbulkan bias informasi. Untuk meningkatkan akurasi penilaian risiko, maka dalam penelitian ini pemodelan risiko kebakaran akan dianalisis menggunakan pendekatan kuantitatif dengan mengintegrasikan Bayesian Belief Network (BBN) dan algoritma kriging. BBN merupakan probabilistic graphical model (PGM) dengan busur berarah yang digunakan untuk merepresentasikan hubungan antar variabel yang dimodelkan. BBN digunakan untuk mengakomodasi hubungan / korelasi antara variabel penyebab terjadinya kebakaran, sedangkan algoritma kriging adalah salah satu metode interpolasi yang memanfaatkan nilai spasial pada lokasi tersampel untuk memprediksi nilai pada lokasi lain yang tidak tersampel. Pengumpulan informasi terkait faktor-faktor penyebab terjadinya kebakaran dilakukan melalui studi literatur maupun focus group discussion (FGD), sedangkan observasi kondisi lapangan dilakukan melalui survey serta wawancara di lapangan. Untuk kepentingan validasi model, wilayah Surabaya Timur dijadikan sebagai studi kasus. Hasil penelitian menunjukkan bahwa ada 3 faktor utama yang menyebabkan potensi kebakaran, yaitu: ancaman kebakaran (hazard), tingkat kerentanan (vulnerability) dan tingkat ketahanan (capacity) wilayah dalam penanggulangan kebakaran. Dari hasil analisis studi kasus terlihat bahwa daerah Rungkut, Mulyorejo dan Tambaksari menempati tiga peringkat tertinggi risiko kebakaran dengan prosentase kejadian kebakaran 69,99%; 60,49% dan 57,90%. Selain menghasilkan peta probabilitas potensi kebakaran, output dari penelitian ini juga dapat digunakan untuk mengoptimalkan penempatan lokasi pos pemadam kebakaran di kawasan Surabaya Timur. Kata Kunci : Peta risiko kebakaran, Algoritma kriging, Bayesian Belief Network

1.

PENDAHULUAN

Bencana (disaster) menurut UU No.24 Tahun 2007 didefinisikan sebagai peristiwa atau rangkaian peristiwa yang mengancam dan mengganggu kehidupan serta penghidupan masyarakat. Kebakaran merupakan salah satu bencana yang dikarenakan timbulnya api yang tidak terkendali. Kebakaran dapat mengakibatkan suatu kerugian yang sangat besar baik kerugian materiil maupun kerugian immateriil. Sebagai contoh kerugian nyawa, harta, dan terhentinya proses atau jalannya suatu produksi / aktivitas. Data histori kebakaran Dinas Pemadam Kebakaran pada Gambar 2 menunjukkan bahwa kasus ini memerlukan perhatian yang sangat serius, mengingat Surabaya merupakan kota terbesar kedua di Indonesia yang memiliki tingkat pertumbuhan dan aktivitas penduduk yang tinggi. Saat ini kepadatan penduduk Kota Surabaya mencapai 9,435 jiwa per km2 (Dinas Kependudukan dan Catatan Sipil, 2013). Akibatnya jumlah penduduk yang tinggal di wilayah Kota Surabaya semakin banyak, berpengaruh terhadap meningkatnya kebutuhan penduduk akan hunian, perkantoran, sarana dan prasarana transportasi, serta fasilitas publik lainnya.

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7) Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013

K - 227


Kawasan Kota Surabaya yang medominasi terjadi kebakaran adalah lahan kosong, kawasan permukiman dan kawasan industri. Untuk kawasan lahan kosong aspek penyebab kebakaran lebih didominasi faktor kelalaian manusia yang suka membuang putung rokok , membakar sampah, yang kemudian menjalar ke alang-alang. Untuk kawasan industri penyebab kebakaran didominasi faktor korsleting listrik. Adapun untuk sektor permukiman, penyebab kebakaran paling dominan dipicu korsleting listrik dan tabung elpiji (Surabaya Post Online, 2012) Data Kebakaran di Surabaya Kebakaran

600 539

500 400

428 302

301

300 200

180

100 0 2008

2009

2010

2011

2012

Tahun

Gambar 2. Grafik angka kebakaran di Surabaya ( Dinas PMK Surabaya,2012) Bahaya kebakaran harus segera diantisipasi dan dihadapi dengan berbagai upaya penanggulangan yang sistematik, efektif dan berkelanjutan, mengingat kejadian kebakaran yang semakin lama semakin signifikan. Oleh karena itu diperlukan suatu sistem informasi kebakaran yang tepat dan efektif. Sehingga, perlu adanya manajemen risiko kebakaran kota, yang merupakan upaya proteksi kebakaran kota yang akan dipenuhi oleh instansi kebakaran kota sebagai suatu public service dalam suatu Wilayah Manajemen Kebakaran (WMK). Untuk mewujudkan sistem manajemen risiko kebakaran Kota Surabaya yang efektif, maka perlu adanya penelitian berupa analisa risiko kebakaran, dengan cara mengidentifikasi, melakukan analisis dan evaluasi untuk mengurangi atau mengalihkan risiko kebakaran. Berbagai penelitian tentang risiko kebakaran telah dilakukan [1],[2],[3],[4],[5] dan hampir demuanya meggunakan pendekatan kualitatif, dimana proses penetapan nilai probability maupun impact dilakukan secara subyektif sehingga menimbulkan bias informasi. Kebakaran dapat terjadi dimana saja dan kapan saja. Kebakaran terjadi pada ruang, lokasi atau tempat -tempat di permukaan bumi, sehingga kebakaran bersifat spasial (keruangan). Faktor penyebab kebakaran sendiri bersifat kualitatif dan kuantitatif. Bersifat kualitatif, dimana data yang didapatkan diperoleh dari pendapat atau pengalaman expert. Bersifat kuantitatif, dimana data yang digunakan berasal dari data sekunder yang terdapat pada instansi terkait. Adapun faktor – faktor penyebab kebakaran saling berhubungan dan berkolerasi. Oleh karena itu, untuk meminimasi kekurangan penelitian terdahulu, dan untuk meningkatkan akurasi penilaian risiko, maka pada penelitian ini pemodelan risiko kebakaran akan dianalisis menggunakan pendekatan kuantitatif dengan mengintegrasikan Bayesian Belief Network dan algoritma kriging. BBN merupakan probabilistic graphical model (PGM) dengan busur berarah yang digunakan untuk merepresentasikan hubungan antar variabel yang dimodelkan. BBN digunakan untuk mengakomodasi hubungan / korelasi antara variabel penyebab terjadinya kebakaran. Salah satu kelebihan dari Bayesian Belief Network yaitu dapat mengakomodasi data yang bersifat kualitatif dan kuantitatif [6]. Selain itu Bayesian Belief Network dapat digunakan untuk mengupdate probabilistik secara real time [7]. Algoritma kriging adalah salah satu metode interpolasi yang memanfaatkan nilai spasial pada lokasi tersampel untuk memprediksi nilai pada lokasi lain yang tidak tersampel [8]. Teknik ini menghasilkan prediksi atau estimasi tidak bias dan memiliki kesalahan minimum [9] Pada model yang diusulkan ini, faktor faktor pemicu terjadinya kebakaran, seperti tipe kawasan, kerapatan bangunan, jenis bahan bangunan, dan lainnya akan diidentifikasi dan ditransformasikan menjadi nilai probabilitas potensi kebakaran dengan menggunakan Bayesian Belief Network . Nilai nilai inilah yang kemudian di interpolasikan dalam peta menggunakan algoritma kriging. Dengan konsep ini, diharapkan model ini dapat mengurangi bias subyektif dan memberikan penilaian yang lebih realistis.

2.

METODOLOGI

Menurut Awatona dalam Setiawan & Wiguna (2012) Bencana merupakan hasil interaksi dari ancaman bahaya dengan kerentanan. Kebakaran tidak lepas dari adanya beberapa faktor penyebab, yaitu ancaman bahaya (hazard) yang ada di dalam suatu lingkungan serta adanya kerentanan (vulnerability) dan ketahanan (capacity) yang dimiliki suatu wilayah. Pengumpulan informasi terkait faktor-faktor penyebab terjadinya kebakaran dilakukan

Konferensi Nasional Teknik Sipil 7 (KoNTekS 7)

K - 228

Universitas Sebelas Maret (UNS) - Surakarta, 24-26 Oktober 2013


melalui studi literatur maupun focus group discussion (FGD), sedangkan observasi kondisi lapangan dilakukan melalui survey serta wawancara di lapangan. Diagram alir penelitian dapat dilihat pada Gambar 2 berikut.

Gambar 2. Diagram Alir Penelitian

3.

VARIABEL PENELITIAN Tabel 1. Variabel Risiko Kebakaran

Faktor Risiko Potensi Ancaman (Hazard)

Variabel Sistem sambungan listrik Penggunaan lahan Kondisi bangunan Kerentanan Kepadatan bangunan (Vulnarebility) Kepadatan penduduk Ketersediaan pos pemadam kebakaran Ketersediaan sumber air Kapasitas dan hydrant (Capacity) Ketersediaan ruang terbuka Sumber : Hasil Studi Literatur, 2013

4.

Definisi Operasional Kondisi sambungan listrik pada wilayah penelitian Jenis-jenis penggunaan lahan yang ada di wilayah penelitian Kondisi bangunan pada wilayah penelitian Rasio kawasan terbangun di wilayah penelitian Rasio jumlah penduduk dengan wilayah penelitian Persebaran pos pemadam kebakaran beserta dengan area jangkauannya Sumber-sumber mata air yang dapat dimanfaatkan saat terjadi kebakaran Lahan kosong yang bisa dimanfaatkan sebagai tempat evakuasi saat terjadi kebakaran

HUBUNGAN ANTAR VARIABEL

Pusat Mitigasi Bencana Institut Teknologi Bandung (ITB) merumuskan Gambar 3, bahwa terjadinya risiko bencana dapat dilihat dari bahaya (hazard) yang berinteraksi dengan kerentanan (vulnerability) serta tidak adanya ketahanan atau kemampuan (capacity).


K - 229


Gambar 3. Model Terjadinya Bencana Menurut Pusat Mitigasi Bencana (Setiawan & Wiguna, 2012)

5.

KONSEP BAYESIAN BELIEF NETWORK

Bayesian belief network merupakan probabilistic graphical model (PGM) dengan busur berarah yang digunakan untuk merepresentasikan pengetahuan tentang hubungan ketergantungan (dependency) atau kebebasan (independency) di antara variabel-variabel dari persoalan yang dimodelkan. Bayesian belief network terdiri dari dua bagian yaitu kualitatif dan kuantitatif. Bagian kualitatif disebut structural learning yang digambarkan dengan menggunakan acyclic directed graph, terdiri dari node dan anak panah. Sedangkan bagian kuantitatif disebut parameter learning, yang diperoleh dari nilai joint conditional antara variabel (Lee, Park, & Shin, 2009). Berbagai faktor penyebab kebakaran yang meliputi ancaman bahaya kebakaran (hazard), kerentanan (vulnerability) kebakaran serta ketahanan (capacity) wilayah, dilakukan analisa hubungan antar faktor untuk membuat conceptual model bayesian belief network. Analisa hubungan antar faktor diperoleh dari hasil studi literatur serta melalui kuisioner/wawancara terhadap expert. Conceptual model bayesian belief network pada Gambar 4 diperoleh dengan membandingkan model konseptual dari hasil literatur dengan model konseptual hasil wawancara expert. Validasi model BBN yaitu dengan menguji model tersebut pada tempat kejadian kebakaran.

hazard capacity

vulnerability

+

+

+

-

Gambar 4. Conceptual Model Bayesian Belief Network (Hasil Olahan,2013)

6.

HASIL DAN PEMBAHASAN

Untuk mengimplementasikan model yang diusulkan, Surabaya Timur akan dijadikan studi kasus. Berdasar data histori kebakaran dari bulan Januari 2013 sampai dengan bulan Juni 2013, tercatat bahwa kasus kebakaran di kawasan Surabaya Timur menduduki peringkat pertama dengan jumlah 27 kejadian dari jumlah total kejadian kebakaran yang terjadi di Surabaya, yaitu 99 kejadian (Dinas PMK Surabaya, 2013). Surabaya bagian Timur, terdiri dari 7 kecamatan yaitu Tambaksari, Mulyorejo, Gubeng, Sukolilo, Tenggilis Mejoyo, Rungkut serta Gunung Anyar


K - 230



KETERANGAN Gubeng Gunung Anyar Mulyorejo Rungkut Sukolilo Tambaksari Tenggilis Mejoyo

Gambar 5. Wilayah Surabaya bagian Timur (Studi Literatur,2013) Data sekunder didapatkan dari berbagai instansi pemerintahan, seperti: Badan Perencanaan Kota (BAPEKO) Kota Surabaya, Dinas Pemadam Kebakaran (PMK) Kota Surabaya, Dinas Pekerjaan Umun Bina Marga dan Pematusan Kota Surabaya, Dinas Rencana Tata Ruang Wilayah Surabaya dan BPS wilayah Jawa Timur. Tabel 2. Data Risiko Kebakaran

Sby Timur

Variabel Tambaksari

7

2 884,33

3 16.779

5

780,44

9.378

Rungkut

9

1.225,44

4.045

48

11

2

28

0

Tenggilis Mejoyo

6

520,28

1.514

107

26

2

19

32

Gubeng

4

5

6

7

8

266

57

1

6

0

210

47

1

12

0

Gunung Anyar

3

589,20

3.175

59

15

4

5

27,13

Sukolilo

6

1.252,99

2.262

45

8

8

7

17,23

Mulyorejo

8

907,17

3.436

60

14

8

7

40,3

Keterangan: 1. Sistem sambungan Listrik 2. Penggunaan lahan 3. Kondisi bangunan 4. Kepadatan penduduk

7.

1

5. Kepadatan bangunan 6. Ketersediaan pos pemadam kebakaran 7. Ketersediaan sumber air dan hydrant 8. Ketersediaan lahan kosong / ruang terbuka

PERANCANGAN GEOGRAPHIC INFORMATION SYSTEM (GIS)

Geographic Information System (GIS) merupakan analisis spasial dengan menggunakan teknik overlay beberapa peta yang berkaitan dengan faktor- faktor yang berpengaruh terhadap penilaian bahaya kebakaran. Alat analisis yang digunakan adalah ArcGIS 9.3 yang dapat membantu membuat model spasial dari sebuah area geografis. Overlay adalah teknik analisis spasial dengan melakukan tumpang tindih pada peta-peta untuk menghasilkan tujuan atau peta yang diharapkan (Widiyanto, 2010). Output dari proses ini adalah peta untuk setiap variabel penyebab kebakaran. Gambar 6 merupakan contoh perancangan GIS untuk variabel kepadatan penduduk.


K - 231


1 3 2 Peta Kepadatan Penduduk

Gambar 6. Perancangan Geographic Information System (GIS) (Hasil Olahan,2013)

8.

ANALISA BAYESIAN BELIEF NETWORK

Hasil conceptual model bayesian belief network pada Gambar 4 dijadikan dasar dalam penghitungan Conditional Probability Table (CPT). Dalam membangun bayesian belief network, struktur dibangun dengan pendekatan statistik yang dikenal dengan teorema bayes yaitu conditional probability (peluang bersyarat) (McCabe, AbouRizk, & Goebel,1998). Conditional probability yaitu perhitungan peluang suatu kejadian Y bila diketahui kejadian X telah terjadi, dinotasikan dengan P(Y|X). Teorema ini digunakan untuk menghitung peluang suatu set data untuk masuk ke dalam suatu kelas tertentu berdasarkan inferensi data yang sudah ada. Dalam kaitan dengan kejadian terjadinya kebakaran, X dapat mengacu pada penyebab kebakaran dan Y adalah peristiwa kebakaran. Rumus teori bayes yaitu: Dimana : P(Y) P(X) P(Y|X)

: prior probability kejadian Y : prior probability kejadian X : probability irisan dari kejadian X dan Y : posterior probability dari kejadian Y yang dikarenakan X

Nilai CPT diperoleh dari hasil wawancara expert, yang kemudian di analisis dengan menggunakan Hugin Lite 7.7 . Hasil bayesian belief network berupa nilai probability terjadinya risiko kebakaran. Gambar 7 merupakan analisa Bayesian Belief Network pada kecamatan Tambaksari.


K - 232



Gambar 7. Analisa Bayesian Belief Network ( Hasil Olahan, 2013) Dengan cara yang sama, dilakukan analisa BBN setiap kecamatan di Surabaya Timur. Hasil perhitungan analisa dari setiap kecamatan adalah terangkum pada Tabel 3 berikut : Tabel 3. Hasil Analisa Bayesian Belief Network Kecamatan

Probabilitas Kebakaran

Tambaksari

57,9

Gubeng

46,7

Rungkut

70,0

Tenggilis Mejoyo

53,6

Gunung Anyar

24,2

Sukolilo

53,6

Mulyorejo

60,5

Sumber: Hasil Olahan 2013

9.

ANALISA ALGORITMA KRIGING

Kriging adalah salah satu metode intepolasi spasial yang memanfaatkan nilai spasial pada lokasi tersampel untuk memprediksi nilai pada lokasi lain yang tidak tersampel (Fridayani, Kencana, & Sukarsa, 2012). Kriging yang umum digunakan diantaranya adalah ordinary kriging yang merupakan perhitungan estimasi suatu titik sampel dimana tidak mengakomodir adanya pencilan dan digunakan pada saat rata-rata populasi tidak diketahui (Alfiana, 2010). Semivariogram adalah perangkat dasar dari geostatistik untuk visualisasi, pemodelan dan eksploitasi autokorelasi spasial dari variabel teregionalisasi. Semivariogram menentukan tingkatan hubungan spasial (spatial correlation) antar data yang diukur di suatu wilayah, atau tingkat hubungan dari data spasial yang merupakan variabel pembatas tersebut (Widjajanti & Sutanta, 2006). Semivariogram ini mengatur proses pembobotan interpolasi metode kriging, dan juga mengatur kualitas hasil dari interpolasi. Sebelum melakukan interpolasi dengan metode kriging maka harus ditentukan terlebih dahulu bentuk semivariogram. Karakteristik suatu semivariogram dicirikan oleh nugget, sill, dan range seperti yang terlihat pada Gambar 8. Nugget adalah estimasi nilai variansi pada jarak (h), mencerminkan kesalahan sampling dan analitis. Sill adalah dan menyatakan variabilitas dari sampel-sampel yang independen secara spasial. Adapun range adalah jarak dimana data tidak lagi berautokorelasi, atau independen secara spasial.


K - 233


Gambar 8. Semivariogram Data nilai probabilitas kebakaran yang diperoleh dari analisa Bayesian Belief Network , kemudian diolah menggunakan analisa kriging. Adapun tahapan dalam analisa kriging adalah:

1. Pembuatan semivariogram eksperimental, yaitu semivariogram yang diperoleh dan dihitung dari sampel. 2. Dilakukan analisis struktural, yaitu proses pencocokan antara semivariogram eksperimental dengan semivariogram teoritis, yaitu Model Spherical, Model Eksponensial, dan Model Gaussian (Awali, Yasin, & Rahmawati, 2013)

3. Selanjutnya membandingkan mean square error (MSE) dari masing-masing semivariogram teoritis. Pemilihan model spasial berdasar MSE terkecil. 4. Pengolahan algoritma kriging menggunakan Geostatistical Analyst yang terdapat pada arcGIS 9.3 seperti pada Gambar 9. Hasil yang diperoleh akan menghasilkan prediksi akurat untuk area yang sama (Gambar 10).

Gambar 9. Proses Analisa Kriging ( Hasil Olahan, 2013)

Gambar 10. Output yang dihasilkan menggunakan ordinary kriging (Hasil Olahan, 2013)


K - 234



10. KESIMPULAN Hasil penelitian menunjukkan bahwa ada 3 faktor utama yang menyebabkan potensi kebakaran, yaitu: ancaman kebakaran (hazard), tingkat kerentanan (vulnerability) dan tingkat ketahanan (capacity) wilayah dalam penanggulangan kebakaran. Dari hasil analisis studi kasus terlihat bahwa daerah Rungkut, Mulyorejo dan Tambaksari menempati tiga peringkat tertinggi risiko kebakaran dengan prosentase kejadian kebakaran 69,99%; 60,49% dan 57,90%. Selain menghasilkan peta probabilitas potensi kebakaran, output dari penelitian ini juga dapat digunakan untuk mengoptimalkan penempatan lokasi pos pemadam kebakaran di kawasan Surabaya Timur.

DAFTAR PUSTAKA Rachmatullah, F. (2009). Konsep Pengendalian Bahaya Kebakaran di Permukiman Padat (Studi Kasus : Kel. Banyu Urip, Surabaya). ITS. Surabaya. Rusli. (2011). “Faktor Faktor Penentu dalam Analisis Sistem Proteksi Kebakaran dalam Suatu Kawasan”. Jurnal SMARTek, 196 - 211. Setiawan, B., & Wiguna, I. A. (2012). “Analisa Potensi Ancaman Kebakaran Di Kawasan Pemukiman Pesisir Kota Tarakan”. Prosiding Seminar Nasional Aplikasi Teknologi Prasarana Wilayah (ATPW), E 119-126. Widiyanto, W. (2010). Pemintakatan Kawasan Risiko Bencana Kebakaran di Kota Surabaya. ITS. Surabaya. Wiguna, I., Widodo, A., & Sudarma, E. (2010). “Pemetaan Risiko Kebakaran Wilayah Surabaya Pusat”. Prosiding Seminar Nasional Teknik Sipil VI, ITS, C 245-245. Hanea, D., Jagtman, H., & Ale, B. (2012). “Analysis of the schiphol Cell Complex fire using a Bayesian belief net based model”. Reliability Engineering and System Safety, 115-124. Joseph, S. A., Adams, B. J., & McCabe, B. (2010). “Methodology for Bayesian Belief Network Development to Facilitate Compliance with Water Quality Regulations”. Journal Of Infrastructure Systems ASCE, 58-65. Fridayani, N. S., Kencana, I. E., & Sukarsa, K. G. (2012). “Perbandingan Interpolasi Spasial dengan Metode Ordinary dan Robust Kriging pada Data Spasial Berpencilan”. e-Jurnal Matematika Vol.1 No.1, 68-74. Awali, A. A., Yasin, H., & Rahmawati, R. (2013). “Estimasi Kandungan Hasil Tambang Menggunakan Ordinary Indicator Kriging”. Jurnal Gaussian Vol.2 No.1, 1-10. _______. (2007). Undang-Undang Republik Indonesia Nomor 24 tentang Penanggulangan Bencana. Jakarta. Alfiana, A. N. (2010). Metode Ordinary Kriging pada Geostatistika. Yogyakarta: Universitas Negeri Yogyakarta. Dinas Kependudukan dan Catatan Sipil. (2013). Jumlah Penduduk Kota Surabaya. Surabaya: Dispendukcapil Surabaya. Dinas Pemadam Kebakaran. (2011). Surabaya Dalam Angka. Surabaya: www.surabaya.go.id Lee, E., Park, Y., & Shin, J. G. (2009). “Large engineering project risk management using a Bayesian belief Network”. Expert Systems with Applications 36, 5880–5887. McCabe, B., AbouRizk, S. M., & Goebel, R. (1998). “Belief Network for Construction Performance Diagnostics”. Journal of Computing in Civil Engineering,12, 93-100. Widjajanti, N., & Sutanta. (2006). Model Permukaan Digital. Yogyakarta: Teknik Geodesi dan Geomatika, Universitas Gadjah Mada. Surabaya Post Online. (2012, November 14). Dipetik Maret 31, 2013, dari http://surabayapost.co.id


K - 235

PEMODELAN PROBABILISTIK UNTUK MEMPREDIKSI RISIKO KEBAKARAN MENGGUNAKAN HIRID BBN-KRIGING (219K)

Recommend Documents