POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU TRIA AGUSTINA

POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU

TRIA AGUSTINA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau 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 2014 Tria Agustina NIM G64124058

ABSTRAK TRIA AGUSTINA. Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Faktor cuaca merupakan faktor pendukung terjadinya kebakaran hutan. Titik panas merupakan salah satu indikator terjadinya kebakaran hutan. Kumpulan data cuaca dan data titik panas yang diperoleh dapat menghasilkan pola sekuensial kemunculan titik panas berdasarkan data cuaca. Pola sekuensial dapat digunakan untuk membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan. Penelitian ini menerapkan algoritme Closed Sequential Pattern Mining (Clospan) dan program Sequential Pattern Mining Framework (SPMF) dalam menghasilkan pola sekuensial. Dataset yang digunakan merupakan data titik panas berdasarkan curah hujan dan temperatur yang dikelompokkan berdasarkan tahun kejadian dimulai dari tahun 2001 sampai 2010 dengan minimum support dari 1% sampai 20%. Hasil penelitian menunjukkan bahwa pola sekuensial yang dihasilkan dari data titik panas dan curah hujan menunjukkan kemunculan titik panas pertama pada lokasi dengan curah hujan 0.03 inci per 6 jam diikuti dengan curah hujan 0.20 inci per 6 jam pada waktu yang berbeda. Pola sekuensial dari data titik panas dan temperatur menunjukkan kemunculan titik panas pertama pada lokasi dengan temperatur 28.33 °C diikuti temperatur 28.89 °C dan temperatur 29.44 °C pada waktu yang berbeda. Area yang sering ditemukan titik panas adalah yang memiliki curah hujan 0.03 inci per 6 jam dan temperatur 29.44 °C. Kata kunci: clospan, data cuaca, data titik panas, kebakaran hutan, SPMF

ABSTRACT TRIA AGUSTINA. Sequential Patterns for Hotspots Occurence Based Weather Data in Riau Province. Supervised by IMAS SUKAESIH SITANGGANG. Weather is one of some contributing factors causing forest fires. A hotspot is an indicator of forest fires. Weather and hotspots data can generate sequential pattern occurences of hotspots based on weather data. The sequential pattern can be used to help in making right decisions or policies to prevent forest fires. This research applied the Closed Sequential Pattern Mining (Clospan) algorithm that avaliable in Sequential Pattern Mining Framework program (SPMF) to generate sequential patterns. The data used are hotspots, precipitation and temperature that are grouped by year of events starting from the year 2001 to 2010. The sequential patterns were discovered with minimum supports from 1% to 20%. The results show that the sequential patterns generated from hotspot and precipitation data indicate the first hotspot occurence in a location with precipitation 0.03 inch per 6 hours followed by precipitation 0.20 inches per 6 hours at different times. Sequential patterns of hotspot and temperature data indicate the first hotspot occurence in a location with temperature 28.33 °C followed by temperature 28.89 °C and temperature 29.44 °C at different times. Areas where most commonly found hotspot occurrences are those with precipitation 0.03 inch per 6 hours and temperature 29.44 °C. Keywords: clospan, forest fires, hotspots data, SPMF, weather data

POLA SEKUENSIAL KEMUNCULAN TITIK PANAS BERDASARKAN DATA CUACA DI PROVINSI RIAU

TRIA AGUSTINA

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

Penguji 1: Hari Agung Adrianto, SKom MSi Penguji 2: Muhammad Asyhar Agmalaro, SSi MKom

Judul Skripsi : Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau Nama : Tria Agustina NIM : G64124058

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi, MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom Ketua Departemen

Tanggal Lulus:

PRAKATA Alhamdulillah hirabbil alamin, puji syukur penulis panjatkan ke hadirat Allah Subhanahu Wa Ta'ala atas berkat, rahmat, taufik, dan hidayah-Nya sehingga penyusunan skripsi yang berjudul Pola Sekuensial Kemunculan Titik Panas Berdasarkan Data Cuaca di Provinsi Riau dapat diselesaikan dengan baik. Ucapan terima kasih penulis sampaikan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah membantu penulis dalam menyusun tugas akhir. Di samping itu, ucapan terima kasih juga penulis sampaikan kepada Bapak Hari Agung Adrianto, SKom MSi dan Bapak Muhammad Asyhar Agmalaro, SSi MKom selaku penguji dalam tugas akhir. Ungkapan terima kasih juga penulis sampaikan kepada Ayahanda Aji Purnomo, Ibunda Lina Marlina, serta seluruh keluarga atas doa, kasih sayang, semangat, dan dukungan kepada penulis. Terima kasih kepada seluruh staf dan dosen Departemen Ilmu Komputer IPB atas segala bimbingan dan kemudahan layanan, seluruh teman-teman Ilmu Komputer AJ 7 khususnya teman-teman satu bimbingan atas kebersamaan dan semangatnya. Serta semua pihak yang telah membantu penulis yang tidak dapat disebutkan satu persatu, jazakumullah khairan.

Bogor, Desember 2014 Tria Agustina

DAFTAR ISI DAFTAR TABEL

viii

DAFTAR GAMBAR

viii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

METODE PENELITIAN

2

Data Penelitian

2

Spesifikasi Kebutuhan Perangkat Sistem

3

Sequential Pattern Mining

4

Tahapan Penelitian

4

Praproses Data

4

Data Titik Panas dan Cuaca

5

Penentuan Pola Sekuensial Menggunakan Algoritme Clospan

5

Pola Sekuensial Titik Panas dan Cuaca

6

Analisis Pola Sekuensial

6

HASIL DAN PEMBAHASAN

6

Praproses Data

6

Seleksi Data

6

Pembersihan Data

7

Pembuatan Data Sekuensial

7

Penentuan Pola Sekuensial Menggunakan Algoritme Clospan

8

Analisis Pola Sekuensial

11

SIMPULAN DAN SARAN

13

Simpulan

13

Saran

13

DAFTAR PUSTAKA

13

LAMPIRAN

15

RIWAYAT HIDUP

17

DAFTAR TABEL 1 Atribut data titik panas 2 Atribut data cuaca 3 Kategori laporan pengambilan data curah hujan 4 Contoh data curah hujan dalam bentuk sekuensial 5 Contoh data temperatur dalam bentuk sekuensial 6 Contoh data dengan format masukkan SPMF 7 Jumlah pola sekuensial data titik panas dan curah hujan 8 Jumlah pola sekuensial data titik panas dan temperatur 9 Pola sekuensial data titik panas dan curah hujan tahun 2005 10 Pola sekuensial data titik panas dan temperatur tahun 2005

3 3 7 7 8 8 9 9 9 10

DAFTAR GAMBAR 1 2 3 4

Lokasi stasiun cuaca Tahapan penelitian Tahapan praproses data Algoritme Clospan

3 4 5 5

DAFTAR LAMPIRAN 1 Pola sekuensial data titik panas dan curah hujan tahun 2005 2 Pola sekuensial data titik panas dan temperatur tahun 2005

15 16

1

PENDAHULUAN Latar Belakang Kebakaran hutan memiliki dampak buruk bagi Indonesia maupun negaranegara tetangga. Terjadinya kebakaran hutan secara umum dipengaruhi oleh faktor manusia dan cuaca. Faktor manusia merupakan hal yang sulit untuk diidentifikasi kejadiannya karena didasari pada kesadaran manusia untuk melindungi alam sekitar, sedangkan faktor cuaca dapat diidentifikasi dengan mengetahui keadaan cuaca tertentu di daerah terjadinya kebakaran hutan. Upaya pencegahan yang dapat dilakukan dari sisi faktor cuaca adalah melakukan pemantauan terhadap data cuaca pada saat ditemukan titik panas di suatu lokasi. Titik panas (hotspot) adalah suatu indikator kebakaran hutan yang mendeteksi suatu lokasi yang memiliki suhu relatif lebih tinggi dibandingkan dengan suhu di sekitarnya (Kemenhut 2009). Pemantauan terhadap data cuaca dilakukan untuk mengetahui keadaan cuaca tertentu pada suatu lokasi titik panas muncul. Stasiun cuaca mencatat data cuaca setiap harinya, begitu pula dengan satelit yang merekam data titik panas yang merupakan indikator kebakaran hutan. Kumpulan data tersebut dapat dianalisis sehingga menghasilkan informasi yang dapat membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan, seperti mengetahui pola kemunculan titik panas di provinsi tersebut. Teknik data mining dapat diterapkan untuk menganalisis pola sekuensial kemunculan titik panas berdasarkan data cuaca di Riau. Data mining merupakan proses menemukan pola menarik dan pengetahuan dalam jumlah data yang besar (Han et al. 2011). Metode sequential pattern mining adalah metode data mining yang digunakan dalam penelitian ini. Sequential pattern mining digunakan untuk mencari kemunculan item yang diikuti oleh item lain yang terurut berdasarkan waktu transaksi (Agrawal dan Srikant 1995). Terdapat 2 kelas utama pada metode sequential pattern mining. Kelas pertama yaitu apriori-based yang terdiri dari Generalized Sequential Pattern (GSP) dan Sequential Pattern Discovery using Equivalent Class (SPADE). Kelas kedua yaitu projection-based yang terdiri dari algoritme Prefixspan dan Closed Sequential Pattern Mining (Clospan) (Han et al. 2005). Penelitian ini menerapkan algoritme Clospan untuk mencari pola sekuensial dari data kemunculan titik panas dan data cuaca di Provinsi Riau dari tahun 2001 sampai 2010. Clospan lebih unggul dari Prefixspan karena mampu menambang urutan dalam dataset yang besar dengan minimum support yang rendah tanpa kehilangan informasi (Yan et al. 2003). Hasil penelitian Khairunnisa (2014) pada data peminjaman buku perpustakaan juga menunjukkan bahwa algoritme Clospan memiliki kinerja lebih baik daripada Prefixspan. Di samping itu, waktu eksekusi algoritme Clospan lebih cepat dibandingkan dengan Prefixspan untuk dataset yang berukuran besar. Algoritme Clospan juga menunjukkan hasil yang baik pada minimum support tinggi.

2

Perumusan Masalah Rumusan permasalahan pada penelitian ini adalah bagaimana data cuaca yaitu curah hujan dan temperatur dapat mempengaruhi kemunculan berurutan titik panas di wilayah Provinsi Riau dengan menggunakan metode sequential pattern mining yaitu algoritme Clospan. Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan pola sekuensial kemunculan titik panas berdasarkan data cuaca yaitu curah hujan dan temperatur di Provinsi Riau menggunakan algoritme Clospan. Manfaat Penelitian Pola sekuensial kemunculan titik panas berdasarkan data cuaca dapat digunakan sebagai informasi yang dapat membantu dalam pengambilan keputusan atau kebijakan yang tepat untuk mencegah kebakaran hutan.

Ruang Lingkup Penelitian Penelitian ini memiliki ruang lingkup sebagai berikut: 1 Penelitian ini menggunakan data kemunculan titik panas dan data cuaca yaitu curah hujan dan temperatur di Provinsi Riau dari tahun 2001 sampai 2010. 2 Penelitian ini menggunakan program Sequential Pattern Mining Framework (SPMF) (Viger 2013) untuk memperoleh pola sekuensial.

METODE PENELITIAN Data Penelitian Data yang digunakan pada penelitian ini adalah data titik panas dan data cuaca meliputi curah hujan dan temperatur di Provinsi Riau pada tahun 2001 sampai 2010. Data titik panas diperoleh dari FIRM National Aeronautics and Space Administration (NASA) dengan format shapefile (.shp). Data cuaca diperoleh dari National Climatic Data Center (NCDC) berdasarkan stasiun cuaca Simpang Tiga yang berada di 0.467 ºN-101.45 ºE dengan ketinggian 31.0 m. Data cuaca diperoleh dengan format Microsoft Excel (.xlsx). Lokasi stasiun cuaca yang digunakan dalam penelitian dapat dilihat pada Gambar 1.

3

Gambar 1 Lokasi stasiun cuaca Data titik panas terdiri dari 156 703 baris data. Atribut yang digunakan dalam penelitian ini adalah longitude, latitude, dan tanggal. Keterangan dari atribut data titik panas dapat dilihat pada Tabel 1. No 1 2 3

Tabel 1 Atribut data titik panas Nama atribut Deskripsi Longitude Koordinat longitude data Latitude Koordinat latitude data Tanggal Tanggal pengambilan data

Tipe data Numeric Numeric Date

Data cuaca terdiri dari 3694 baris data. Atribut yang digunakan dalam penelitian ini adalah tanggal, temperatur, dan curah hujan. Keterangan dari atribut data cuaca dapat dilihat pada Tabel 2. No 1 2

Nama atribut Tanggal Temperatur

3

Curah hujan

Tabel 2 Atribut data cuaca Deskripsi Tipe data Tanggal pengambilan data Date Temperatur rataan untuk satu hari dalam Numeric derajat Fahrenheit Total curah hujan untuk satu hari dalam inci Numeric

Spesifikasi Kebutuhan Perangkat Sistem Penelitian ini menggunakan spesifikasi perangkat keras dan lunak sebagai berikut: 1 Perangkat keras  Prosesor Intel(R) Core(TM) i5-3230M CPU @ 2.60GHz  RAM 2 GB 2 Perangkat lunak  Windows 8 Enterprise 64-bit sebagai sistem operasi  PostgreSQL versi 9.3 sebagai sistem manajemen basis data  Sequential Pattern Mining Framework (SPMF) (Viger 2013) versi 0.96d untuk menghasilkan pola sekuensial.

4

Sequential Pattern Mining Sequential pattern adalah pola yang menggambarkan urutan waktu terjadinya suatu peristiwa. Pola tersebut dapat ditemukan apabila data yang disimpan relatif besar dan peristiwa yang berurutan terjadi beberapa kali (Han et al. 2011). Sequential pattern mining pertama kali diperkenalkan oleh Agrawal dan Srikant pada tahun 1995 yang digunakan untuk mencari kemunculan item yang diikuti oleh item lain yang terurut berdasarkan waktu transaksi (Agrawal dan Srikant 1995). Sequential pattern digambarkan sebagai berikut: diberikan sejumlah urutan, setiap urutan terdiri atas sederetan elemen, dan setiap elemen terdiri atas sejumlah item, serta diberikan nilai minimum support. Pola sekuensial adalah semua subsequence berulang, yaitu subsequence yang frekuensi kejadiannya lebih besar dari minimum support (Agrawal dan Srikant 1995). Sebuah itemset adalah himpunan item yang tidak kosong, dinotasikan dengan i = {i1 i2 i3 …im}, dengan ij adalah item. Sebuah sequence adalah daftar urutan dari itemset, dinotasikan dengan s = <s1 s2 s3 …sn> dengan sj adalah itemset. Sebuah sequence a = dikatakan terdapat pada sequence yang lain b = dinotasikan sebagai α ⊆ β, jika terdapat integer i1 < i2 < … < in seperti a1 ⊆ bi1, a2 ⊆ bi2, … , an ⊆ bin (Agrawal dan Srikant 1995). Dapat juga dikatakan juga bahwa sequence b adalah super-sequence dari sequence a, dan b berisi a (Yan et al. 2003). Sebuah sequence database, D = {s1 s2 s3 …sn} adalah himpunan sequence. Setiap sequence dihubungkan dengan id, misalnya id dari si adalah i. |D| menunjukkan banyaknya sequence dalam database D. Support sequence α adalah banyaknya sequence dalam D yang memuat α, support(α) = |{s|s ϵ D dan α ⊆ s}|. Minimum support adalah batas jumlah minimum dari suatu itemset yang frequent. Frequent sequence pattern berisi semua sequence yang memiliki nilai support yang tidak lebih rendah dari minimum support yang telah ditentukan (Yan et al. 2003). Tahapan Penelitian Penelitian ini memiliki beberapa tahapan dalam menghasilkan pola sekuensial. Tahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2. Mulai

Selesai Se

Praproses Data

Analisis Pola Sekuensial

Data Titik Panas dan Cuaca

Penentuan Pola Sekuensial Menggunakan Algoritme Clospan

Pola Sekuensial Titik Panas dan Cuaca

Gambar 2 Tahapan penelitian Praproses Data Praproses data yang dilakukan meliputi seleksi data, pembersihan data, dan pembuatan data sekuensial. Seleksi data merupakan proses pemilihan atribut data yang digunakan dalam penelitan. Pembersihan data merupakan tahap membersihkan

5

data dari missing value dan noise. Pembuatan data sekuensial merupakan tahapan mengurutkan data berdasarkan longitude, latitude, dan waktu kejadian. Tahapan praproses dapat dilihat pada Gambar 3.

Basis data titik panas dan cuaca

Seleksi data

Pembersihan data

Pembuatan data sekuensial

Data sekuensial

Gambar 3 Tahapan praproses data Data Titik Panas dan Cuaca Data yang telah melewati tahap praproses menghasilkan data sekuensial yang terurut berdasarkan longitude, latitude, dan waktu. Data dalam bentuk sekuensial kemudian disesuaikan kembali untuk menjadi masukkan program SPMF. Penyesuaian format data dilakukan dengan bahasa pemrograman PHP. Penentuan Pola Sekuensial Menggunakan Algoritme Clospan Pola sekuensial dalam penelitian ini dihasilkan dengan menggunakan program SPMF (Viger 2013). Pola ini menunjukkan keterkaitan kejadian antar-item yang terurut berdasarkan waktu. Penentuan pola sekuensial dilakukan dengan mencari frequent sequence. Frequent sequence merupakan kumpulan transaksi yang memiliki jumlah minimum support sama atau melebihi minimum support yang telah ditentukan sebelumnya (Han et al. 2011). Tahap ini dilakukan dengan menggunakan algoritme Clospan. Clospan merupakan suatu algoritme penghasil pola sekuensial dengan metode efisiensi basis data (Yan et al. 2003). Metode efisiensi basis data yang dilakukan yaitu dengan menerapkan konsep post-pruning. Post-pruning merupakan proses efisiensi pola pada basis data dengan teknik backward super-pattern dan backward sub-pattern. Algoritme Clospan dapat dilihat pada Gambar 4 (Yan et al. 2003): CloSpan (s, Ds, min_sup, L) Masukan: sequence s, projected database Ds, dan minimum support min_sup Output: pola pencarian prefix L 1: Periksa apakah ditemukan s’, baik s ⊆ s’ atau s’ ⊆ s, dan Γ(Ds)= Γ(Ds’) 2: Jika terdapat super-pattern atau sub-pattern kemudian 3: Modifikasi link di L, kembali; 4: Selainnya masukan s ke dalam L; 5: Baca Ds sekali, temukan kumpulan item α yang sering muncul sehingga (a) s dapat diperluas menjadi (s <>i α), atau (b) s dapat diperluas menjadi (s <>s α) 6: Jika tidak tersedia α yang valid maka 7: Kembali; 8: Untuk setiap α yang valid lakukan 9: Panggil fungsi CloSpan(s <>i α, Ds <>i α, min_sup, L); 10: Untuk setiap α yang valid lakukan 11: Panggil fungsi CloSpan(s <>s α, Ds <>s α, min_sup, L); 12: Kembali

Gambar 4 Algoritme Clospan

6

Langkah awal yang dilakukan algoritme Clospan di Gambar 4 adalah memeriksa apakah ditemukan sequence s’, baik sequence s terdapat pada sequence s’ atau sequence s’ terdapat pada sequence s, dan memeriksa apakah total jumlah item dalam Ds sama dengan Ds’. Jika kondisi terpenuhi, dilakukan backward superpattern atau backward sub-pattern. Selainnya, sequence s dimasukkan ke pola prefix. Baca projected database satu kali, ketika ditemukan item yang sering muncul, sequence s dapat diperluas menjadi item terakhir dari sequence baru, atau sequence s dapat diperluas menjadi pola sekuensial. Pemanggilan Clospan secara rekursif dengan cara pencarian depth-first pada pohon pencarian prefix dan membangun pola sequence prefix yg sesuai dilakukan untuk setiap pola sekuensial baru α (Yan et al. 2003). Pola Sekuensial Titik Panas dan Cuaca Tahap penentuan pola dengan program SPMF menggunakan algoritme Clospan yang telah dilakukan sebelumnya menghasilkan pola sekuensial. Jumlah pola sekuensial yang dihasilkan berpengaruh pada minimum support yang ditentukan sebelumnya. Analisis Pola Sekuensial Pada tahap ini dilakukan analisis dari pola sekuensial yang telah dihasilkan sebelumnya. Langkah analisis yang dilakukan meliputi pemantauan terhadap keterkaitan item pada pola sekuensial untuk setiap minimum support dan dataset yang ditentukan sebelumnya.

HASIL DAN PEMBAHASAN Praproses Data Praproses dilakukan melalui tahapan seleksi data, pembersihan data, dan pembuatan data sekuensial. Berikut penjelasan langkah praproses, yaitu: Seleksi Data Langkah awal praproses adalah data dimasukkan ke dalam basis data menggunakan DBMS PostgreSQL. Langkah selanjutnya adalah pemilihan atribut yang akan digunakan dalam penelitian dengan query. Data titik panas yang memiliki 14 atribut, kemudian dilakukan seleksi sehingga hanya 3 atribut yang digunakan. Hal yang sama dilakukan pada data cuaca, dipilih 3 atribut dari 22 atribut. Atribut temperatur dan curah hujan pada data cuaca kemudian dipisah menjadi 2 data yang berbeda disertai dengan atribut tanggal kejadian di masingmasing data. Pemisahan menjadi 2 data pada data curah hujan dan temperatur karena pada data curah hujan akan dilakukan proses pembersihan data sedangkan pada data temperatur tidak dilakukan pembersihan data.

7

Pembersihan Data Pada data curah hujan ditemukan beberapa missing value dengan nilai 99.99, juga terdapat noise dengan nilai curah hujan 0.00 yang berarti tidak ada curah hujan yang terukur. Data tersebut kemudian dihilangkan karena akan merusak pola sekuensial yang dihasilkan. Pembuatan Data Sekuensial Setelah pembersihan data, dilakukan penyesuaian manual sebagai persiapan untuk membuat data dalam bentuk sekuensial. Penyesuaian dilakukan dengan mengurutkan data curah hujan berdasarkan ukuran dan kategori pengambilan data karena perbedaan tipe laporan pengambilan data curah hujan. Terdapat 5 kategori laporan pengambilan data curah hujan yang dapat dilihat pada Tabel 3. Tabel 3 Kategori laporan pengambilan data curah hujan No. Kategori Keterangan 1 A Satu laporan jumlah curah hujan per 6 jam. 2 B Penjumlahan dua laporan jumlah curah hujan per 6 jam 3 C Penjumlahan tiga laporan jumlah curah hujan per 6 jam 4 D Penjumlahan empat laporan jumlah curah hujan per 6 jam 5 E Satu laporan jumlah curah hujan per 12 jam. Proses pengurutan dilakukan secara manual yang menghasilkan 305 data unik. Setiap data unik kemudian diberi penamaan berurut dengan kode 1 sampai 305. Hal ini disebabkan program SPMF hanya dapat membaca masukkan bilangan bulat positif, sedangkan data curah hujan asli merupakan bilangan desimal yang disertai dengan kategori laporan seperti 0.03A. Sebagai contoh curah hujan dengan nilai 0.01A diberi kode 1. Penyesuaian juga dilakukan dengan mengubah data temperatur yang semula bilangan desimal menjadi bilangan bulat. Pada data longitude dan latitude dilakukan pembulatan menjadi bilangan desimal dengan 2 angka di belakang koma yang semula 3 angka di belakang koma. Hal tersebut dilakukan karena tidak ditemukan munculnya 2 atau lebih titik panas pada lokasi yang sama karena lokasi pencarian terlalu spesifik. Dengan dilakukan pembulatan 2 angka di belakang koma, terdapat beberapa data titik panas yang ditemukan muncul di lokasi yang sama. Pembangkitan pola sekuensial dilakukan dengan program SPMF. Program ini membaca masukkan berupa data dalam bentuk sekuensial. Bahasa pemrograman PHP digunakan untuk mengubah format data menjadi data dalam bentuk sekuensial, data sekuensial menggunakan atribut longitude dan latitude sebagai id, atribut curah hujan dan temperatur sebagai item yang diurut berdasarkan tanggal. Contoh data curah hujan pada tahun 2002 dalam bentuk sekuensial dapat dilihat pada Tabel 4. Tabel 4 Contoh data curah hujan dalam bentuk sekuensial Longitude Latitude Data Sekuensial 101.78 1.52 <(67)(1)(5)> 101.78 1.54 <(3)(1)(5)> 101.78 1.56 <(1)(5)> 101.78 1.55 <(5)> 101.79 1.57 <(5) >

8

Data sekuensial pada Tabel 4 berisikan data curah hujan saat ditemukannya titik panas di longitude dan latitude tertentu yang berurut berdasarkan waktu. Tanda kurung menjelaskan terjadinya kejadian dalam satu waktu. Tanda kurung yang berbeda menggambarkan data curah hujan yang terjadi di lokasi yang sama pada waktu yang berbeda. Pada Tabel 4 terdapat data yang hanya memiliki satu data curah hujan seperti pada longitude 101.78 dan latitude 1.55. Hal ini karena tidak ditemukan munculnya titik panas pada data yang tepat berada pada lokasi dan waktu yang sama. Begitu pula pembacaan data temperatur dalam bentuk sekuensial. Contoh data temperatur pada tahun 2002 dalam bentuk sekuensial dapat dilihat pada Tabel 5. Tabel 5 Contoh data temperatur dalam bentuk sekuensial Longitude Latitude Data Sekuensial 101.78 1.52 <(83)(80)(81)(82)> 101.78 1.54 <(81)(80)(82)(83)> 101.78 1.56 <(82)(83)> 101.78 1.55 <(83)(82)> 101.79 1.57 <(82)(83)> Data sekuensial yang telah diperoleh kemudian diubah kembali menggunakan bahasa pemrograman PHP menjadi format masukkan yang sesuai dengan program SPMF. Contoh data curah hujan dan temperatur dengan format masukkan SPMF dapat dilihat pada Tabel 6. Nilai ‘-1’ menunjukkan akhir dari suatu itemset. Nilai ‘2’ menunjukkan akhir dari sequence (Viger 2003). Tabel 6 Contoh data dengan format masukkan SPMF Data Curah Hujan Data Temperatur 67 -1 1 -1 5 -1 -2 83 -1 80 -1 81 -1 82 -1 -2 3 -1 1 -1 5 -1 -2 81 -1 80 -1 82 -1 83 -1 -2 1 -1 5 -1 -2 82 -1 83 -1 -2 5 -1 -2 83 -1 82 -1 -2 5 -1 -2 82 -1 83 -1 -2 Tahap ini menghasilkan 2 data sekuensial, yaitu data curah hujan dan data temperatur. Masing-masing data akan ditentukan pola sekuensialnya menggunakan program SPMF. Penentuan Pola Sekuensial Menggunakan Algoritme Clospan Sebelum dilakukan pembangkitan pola dengan program SPMF, penentuan dataset dan minimum support dilakukan terlebih dahulu. Penentuan dataset dilakukan dengan mengelompokkan data berdasarkan tahun, yang dibagi menjadi data tahun 2001 sampai 2010. Minimum support yang digunakan adalah 1%, 2%, 3%, 4%, 5%, 10%, 15%, dan 20%. Jumlah pola sekuensial titik panas berdasarkan data curah hujan hasil eksekusi algoritme Clospan menggunakan SPMF dapat dilihat pada Tabel 7.

9

Tabel 7 Jumlah pola sekuensial data titik panas dan curah hujan Minimum support (%) No Dataset (tahun) 1 2 3 4 5 10 15 20 1 38 14 12 9 9 2001 4 4 1 2 13 7 7 7 6 2002 4 2 2 3 17 12 7 6 5 2003 4 1 1 4 21 12 9 7 7 2004 3 1 1 5 30 19 14 12 7 2005 1 1 1 6 24 18 16 11 9 2006 3 0 0 7 24 12 9 9 7 2007 2 1 1 8 19 13 10 9 6 2008 2 1 1 9 22 12 10 7 7 2009 3 1 1 10 2010 23 17 15 9 8 2 2 0 11 2001-2010 43 21 10 9 5 0 0 0 Pencarian pola sekuensial juga dilakukan pada data temperatur menggunakan SPMF. Jumlah pola sekuensial yang dihasilkan dapat dilihat pada Tabel 8. Tabel 8 Jumlah pola sekuensial data titik panas dan temperatur Minimum support (%) No Dataset (tahun) 1 2 3 4 5 10 15 20 1 33 17 12 11 7 2001 5 4 3 2 35 18 14 10 8 2002 5 4 3 3 38 20 14 9 8 2003 5 4 4 4 36 24 10 9 6 2004 6 4 4 5 83 42 31 22 15 2005 6 6 4 6 28 19 13 9 5 2006 4 4 3 7 21 9 8 7 6 2007 5 3 2 8 19 10 9 9 9 2008 5 5 2 9 40 19 12 8 8 2009 5 4 3 10 2010 22 13 11 8 7 4 3 1 11 2001-2010 111 43 38 28 20 6 6 5 Tabel 9 merupakan pola sekuensial hasil eksekusi SPMF data curah hujan tahun 2005 yang merupakan tahun dengan kemunculan titik panas terbanyak, yaitu sebanyak 2287 kejadian. Pada tabel ini ditampilkan 5 pola dengan nilai support tertinggi. Hasil eksekusi pola sekuensial data curah hujan tahun 2005 selengkapnya dapat dilihat pada Lampiran 1. Tabel 9 Pola sekuensial data titik panas dan curah hujan tahun 2005 Minimun support 1%

2% 3% 4%

1-sequence

2-sequence

175 -1 #SUP: 504; 46 -1 #SUP: 227; 237 -1 #SUP: 218; 288 -1 #SUP: 166; 179 -1 #SUP: 122

175 -1 237 -1 #SUP: 71 260 -1 175 -1 #SUP: 28 229 -1 175 -1 #SUP: 22 175 -1 237 -1 #SUP: 71

175 -1 #SUP: 504; 46 -1 #SUP: 227; 237 -1 #SUP: 218; 288 -1 #SUP: 166; 179 -1 #SUP: 122 175 -1 #SUP: 504; 46 -1 #SUP: 227; 237 -1 #SUP: 218; 288 -1 #SUP: 166; 179 -1 #SUP: 122 175 -1 #SUP: 504; 46 -1 #SUP: 227; 237 -1 #SUP: 218; 288 -1 #SUP: 166; 179 -1 #SUP: 122

175 -1 237 -1 #SUP: 71

10

Minimun support 5% 10% 15% 20%

1-sequence

2-sequence

175 -1 #SUP: 504; 46 -1 #SUP: 227; 237 -1 #SUP: 218; 288 -1 #SUP: 166; 179 -1 #SUP: 122 175 -1 #SUP: 504 175 -1 #SUP: 504 175 -1 #SUP: 504

Tabel 10 merupakan pola sekuensial hasil eksekusi SPMF data temperatur tahun 2005 yang merupakan tahun dengan kemunculan titik panas terbanyak, yaitu sebanyak 9279 kejadian. Pada tabel ini ditampilkan 5 pola dengan nilai support tertinggi. Hasil eksekusi pola sekuensial data curah hujan tahun 2005 selengkapnya dapat dilihat pada Lampiran 2. Tabel 10 Pola sekuensial data titik panas dan temperatur tahun 2005 Minimun support 1%

2%

3%

4%

5%

10%

15%

20%

1-sequence

2-sequence

3-sequence

85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019 82 -1 #SUP: 1853 85 -1 #SUP: 3595 83 -1 #SUP: 3521 84 -1 #SUP: 2694 86 -1 #SUP: 2019

83 -1 85 -1 #SUP: 672 85 -1 83 -1 #SUP: 655 84 -1 83 -1 #SUP: 532 83 -1 84 -1 #SUP: 517 84 -1 85 -1 #SUP: 512 83 -1 85 -1 #SUP: 672 85 -1 83 -1 #SUP: 655 84 -1 83 -1 #SUP: 532 83 -1 84 -1 #SUP: 517 84 -1 85 -1 #SUP: 512 83 -1 85 -1 #SUP: 672 85 -1 83 -1 #SUP: 655 84 -1 83 -1 #SUP: 532 83 -1 84 -1 #SUP: 517 84 -1 85 -1 #SUP: 512 83 -1 85 -1 #SUP: 672 85 -1 83 -1 #SUP: 655 84 -1 83 -1 #SUP: 532 83 -1 84 -1 #SUP: 517 84 -1 85 -1 #SUP: 512 83 -1 85 -1 #SUP: 672 85 -1 83 -1 #SUP: 655 84 -1 83 -1 #SUP: 532 83 -1 84 -1 #SUP: 517 84 -1 85 -1 #SUP: 512

83 -1 84 -1 85 -1 #SUP: 172 85 -1 84 -1 83 -1 #SUP: 159 83 -1 82 -1 85 -1 #SUP: 158 81 -1 82 -1 83 -1 #SUP: 153 83 -1 81 -1 85 -1 #SUP: 149

11

Analisis Pola Sekuensial Pembangkitan pola pada tahap sebelumnya menghasilkan pola sekuensial yang dapat dianalisis pada setiap dataset. Pola tersebut menggambarkan karakteristik cuaca, yaitu curah hujan dan temperatur pada saat ditemukannya titik panas. 1 Data curah hujan tahun 2005 Data sekuensial yang terbentuk dari data curah hujan pada tahun 2005 sebanyak 2287 kemunculan titik panas. Pola yang dianalisis merupakan pola pada minimum support 1% yang berarti sedikitnya terdapat 22 kemunculan titik panas dari 2287 kejadian. Pola yang dihasilkan sebagai berikut: 175 -1 237 -1 #SUP: 71 260 -1 175 -1 #SUP: 28 229 -1 175 -1 #SUP: 22

Pola di atas menunjukkan pola yang memiliki keterkaitan dari 2 item. Pola <175 237>, <229 175>, dan <260 175> menjelaskan bahwa 71 kemunculan titik panas dari 2287 kejadian diantaranya muncul pada lokasi dengan curah hujan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam) kemudian diikuti curah hujan dengan kode 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) pada waktu yang berbeda. Pola lain yang ditemukan adalah 28 kemunculan titik panas pada lokasi dengan curah hujan dengan kode 260 (0.78D yaitu curah hujan bernilai 0.78 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) kemudian pada waktu berbeda curah hujan ditemukan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam). Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. Kemudian dilakukan pula analisis pola sekuensial pada minimum support 2% dan 3% yang menghasilkan pola yang sama. Minimum support 2% berarti sedikitnya ditemukan 45 kemunculan titik panas. Minimum support 3% berarti sedikitnya ditemukan 68 kemunculan titik panas. Pola yang dihasilkan sebagai berikut: 175 -1 237 -1 #SUP: 71

Pola <175 237> menjelaskan bahwa terdapat 71 kemunculan titik panas dari 2287 kejadian diantaranya muncul pada lokasi dengan curah hujan dengan kode 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam) kemudian diikuti curah hujan dengan kode 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam) pada waktu yang berbeda. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. 2 Data temperatur tahun 2005 Data sekuensial yang terbentuk dari data temperatur pada tahun 2005 sebanyak 9279 kemunculan titik panas. Pola yang dianalisis merupakan pola

12

1-sequence pada minimum support 20% yang berarti sedikitnya terdapat 1855 kemunculan titik panas dari 9279 kejadian. Pola 1-sequence merupakan pola yang memiliki keterkaitan hanya dari 1 item, yaitu item itu sendiri. Pola yang dihasilkan sebagai berikut: 85 83 84 86

-1 -1 -1 -1

#SUP: #SUP: #SUP: #SUP:

3595 3521 2694 2019

Pola di atas menunjukkan 3595 kejadian dari 9279 lokasi ditemukannya titik panas pada lokasi dengan temperatur 85 °F (29.44 °C). Ditemukan pula 3595 kemunculan titik panas pada lokasi dengan temperatur 83 °F (28.33 °C). Analisis kemudian dilakukan untuk pola 2-sequence yang merupakan pola yang memiliki keterkaitan 2 item. Pola dianalisis dengan menggunakan minimum support 5% yang berarti sedikitnya terdapat 463 kemunculan titik panas dari 9279 kejadian. Pola yang dihasilkan sebagai berikut: 83 85 84 83 84

-1 -1 -1 -1 -1

85 83 83 84 85

-1 -1 -1 -1 -1

#SUP: #SUP: #SUP: #SUP: #SUP:

672 655 532 517 512

Pola di atas menunjukkan 672 kemunculan titik panas pada lokasi dengan temperatur 83 °F (28.33 °C) dan diikuti dengan temperatur 85 °F (29.44 °C) pada waktu yang berbeda. Ditemukan juga 655 kemunculan titik panas pada lokasi dengan temperatur 85 °F (29.44 °C) dan pada waktu yang berbeda ditemukan titik panas dengan temperatur 83 °F (28.33 °C) di lokasi yang sama. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini. Analisis kembali dilakukan untuk pola 3-sequence yaitu pola yang memiliki keterkaitan hingga 3 item. Analisis dilakukan dengan minimum support 1% yang berarti sedikitnya terdapat 92 kemunculan titik panas dari 9279 kejadian. Pola yang dihasilkan sebagai berikut: 83 85 83 81 83

-1 -1 -1 -1 -1

84 84 82 82 81

-1 -1 -1 -1 -1

85 83 85 83 85

-1 -1 -1 -1 -1

#SUP: #SUP: #SUP: #SUP: #SUP:

172 159 158 153 149

Pola di atas menunjukkan 172 kemunculan titik panas pada lokasi dengan temperatur 83 °F (28.33 °C) yang diikuti dengan temperatur 84 °F (28.89 °C) pada waktu yang berbeda, dan kemudian temperatur 85 °F (29.44 °C) muncul setelahnya pada waktu yang berbeda pula. Ditemukan pula 159 kemunculan titik panas pada lokasi dengan temperatur 85 °F (29.44 °C) yang diikuti dengan temperatur 84 °F (28.89 °C) pada waktu yang berbeda, dan kemudian temperatur 83 °F (28.33 °C) muncul setelahnya pada waktu yang berbeda pula. Tidak dapat dilihat rentang waktu terjadinya kemunculan titik panas dari pola sekuensial yang dihasilkan pada penelitian ini.

13

SIMPULAN DAN SARAN Simpulan Kemunculan titik panas ditemukan pada lokasi dengan curah hujan berkode 46 (1.85A yaitu curah hujan bernilai 1.85 inci yang berasal dari satu laporan curah hujan per 6 jam), 175 (0.03C yaitu curah hujan bernilai 0.03 inci yang berasal dari penjumlahan tiga laporan curah hujan per 6 jam), 237 (0.20D yaitu curah hujan bernilai 0.20 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam), dan 288 (2.13D yaitu curah hujan bernilai 2.13 inci yang berasal dari penjumlahan empat laporan curah hujan per 6 jam). Kemunculan titik panas pada lokasi dengan curah hujan berkode 175 ditemukan di semua pola sekuensial yang diperoleh, dapat disimpulkan curah hujan dengan kode 175 tersebut merupakan area yang paling sering ditemukannya titik panas. Kemunculan titik panas pada lokasi dengan curah hujan berkode 175 secara umum diikuti dengan peningkatan curah hujan dengan kode 237 dilokasi yang sama pada waktu yang berbeda. Kemunculan titik panas ditemukan pada lokasi dengan temperatur 83 °F (28.33 °C), 84 °F (28.89 °C), 85 °F (29.44 °C), dan 86 °F (30 °C). Kemunculan titik panas pada lokasi dengan temperatur 85 °F (29.44 °C) dapat disimpulkan menjadi area yang paling sering ditemukannya titik panas karena lebih dari sepertiga data kemunculan titik panas pada lokasi dengan temperatur tersebut. Kemunculan titik panas pada lokasi dengan temperatur 83 °F (28.33 °C) yang ditemukan diikuti peningkatan temperatur menjadi 84 °F (28.89 °C) di waktu yang berbeda, dan selanjutnya diikuti dengan peningkatan kembali temperatur menjadi 85 °F (29.44 °C) pada waktu yang berbeda pula. Saran Penelitian ini memiliki beberapa kekurangan seperti tidak dapat diketahui lokasi ditemukannya titik panas dan rentang waktu antar kejadian. Penelitian selanjutnya dapat dilakukan dengan menyertakan keterangan lokasi (longitude dan latitude) pada pola sekuensial, sehingga diketahui lokasi-lokasi mana saja yang sering ditemukan kemunculan titik panas pada karakteristik cuaca tertentu. Dapat pula dilakukan pembentukan pola sekuensial dengan menentukan batasan rentang waktu antar kejadian, seperti penentuan rentang waktu kejadian per bulan agar dapat diketahui dengan pasti rentang waktu antar kejadian pertama dengan kejadian selanjutnya.

DAFTAR PUSTAKA Agrawal R, Srikant R. 1995. Mining sequential pattern. Di dalam: Philip S Yu, Arbee L P Chen, editor. Proceedings of the Eleventh International Conference on Data Engineering (ICDE '95); 1995 Maret 6-10; Taipei, Taiwan. Washington DC (US): IEEE Computer Society. hlm 3-14.

14

Han J, Kamber M, Pei J. 2011. Data Mining: Concepts and Techniques, 3rd Ed. America (US): Morgan Kaufmann. Han J, Pei J, Yan X. 2005. Sequential pattern mining by pattern growth: principles and extensions. Di dalam: Chu W, Lin TY, editor. Foundation and Advances in Data Mining, Studies in Fuzziness and Soft Computing Volume 180. Berlin (DE): Springer Berlin Heidelberg. hlm 183-220. Yan X, Han J, Ashfar R. 2003. Clospan: Mining closed sequential pattern in large dataset. Di dalam: Barbara D, Kamath C, editor. Proceedings of the Third SIAM International Conference on Data Mining; 2003 Mei 1-3; San Francisco, United States. Philadelphia (US): The Society for Industrial and Applied Mathematic. hlm 166-177. [Kemenhut] Kementrian Kehutanan. 2009. Peraturan menteri kehutanan nomor: p.12/ menhut-ii/2009 [internet]. Jakarta(ID): Kemenhut. [diunduh 2014 Mei 29]. Tersedia pada: http://www.dephut.go.id/uploads/files/P12_09.pdf Khairunnisa DM. 2014. Penerapan algoritme prefixspan dan clospan untuk mencari pola sekuensial pada data peminjaman buku di perpustakaan IPB [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Viger PF. 2013. Sequential pattern mining framework (SPMF) versi 0.94 [internet]. [diunduh 2014 Mei 28]. Tersedia pada: http://www.philippe-fournier-viger. com/spmf

15

LAMPIRAN Lampiran 1 Pola sekuensial data titik panas dan curah hujan tahun 2005 Minimun support 1%

2%

3%

1-sequence 3 -1 #SUP: 56 4 -1 #SUP: 29 5 -1 #SUP: 34 11 -1 #SUP: 52 25 -1 #SUP: 34 40 -1 #SUP: 68 46 -1 #SUP: 227 87 -1 #SUP: 56 174 -1 #SUP: 107 175 -1 #SUP: 504 179 -1 #SUP: 122 182 -1 #SUP: 122 188 -1 #SUP: 65 190 -1 #SUP: 24 226 -1 #SUP: 109 227 -1 #SUP: 115 229 -1 #SUP: 94 234 -1 #SUP: 98 237 -1 #SUP: 218 239 -1 #SUP: 39 240 -1 #SUP: 75 260 -1 #SUP: 113 276 -1 #SUP: 26 279 -1 #SUP: 26 288 -1 #SUP: 166 294 -1 #SUP: 43 300 -1 #SUP: 37 3 -1 #SUP: 56 11 -1 #SUP: 52 40 -1 #SUP: 68 46 -1 #SUP: 227 87 -1 #SUP: 56 174 -1 #SUP: 107 175 -1 #SUP: 504 179 -1 #SUP: 122 182 -1 #SUP: 122 188 -1 #SUP: 65 226 -1 #SUP: 109 227 -1 #SUP: 115 229 -1 #SUP: 94 234 -1 #SUP: 98 237 -1 #SUP: 218 240 -1 #SUP: 75 260 -1 #SUP: 113 288 -1 #SUP: 166 46 -1 #SUP: 227 174 -1 #SUP: 107 175 -1 #SUP: 504 179 -1 #SUP: 122 182 -1 #SUP: 122 226 -1 #SUP: 109

2-sequence 175 -1 237 -1 #SUP: 71 229 -1 175 -1 #SUP: 22 260 -1 175 -1 #SUP: 28

175 -1 237 -1 #SUP: 71

175 -1 237 -1 #SUP: 71

16

Lanjutan Minimun support

4%

5%

10% 15% 20%

1-sequence

2-sequence

227 -1 #SUP: 115 229 -1 #SUP: 94 234 -1 #SUP: 98 237 -1 #SUP: 218 240 -1 #SUP: 75 260 -1 #SUP: 113 288 -1 #SUP: 166 46 -1 #SUP: 227 174 -1 #SUP: 107 175 -1 #SUP: 504 179 -1 #SUP: 122 182 -1 #SUP: 122 226 -1 #SUP: 109 227 -1 #SUP: 115 229 -1 #SUP: 94 234 -1 #SUP: 98 237 -1 #SUP: 218 260 -1 #SUP: 113 288 -1 #SUP: 166 46 -1 #SUP: 227 175 -1 #SUP: 504 179 -1 #SUP: 122 182 -1 #SUP: 122 227 -1 #SUP: 115 237 -1 #SUP: 218 288 -1 #SUP: 166 175 -1 #SUP: 504 175 -1 #SUP: 504 175 -1 #SUP: 504

Lampiran 2 Pola sekuensial data titik panas dan temperatur tahun 2005 Minimun support 1%

1-sequence 76 -1 #SUP: 125 80 -1 #SUP: 847 81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019 87 -1 #SUP: 291

2-sequence 80 -1 84 -1 #SUP: 162 80 -1 82 -1 #SUP: 150 80 -1 86 -1 #SUP: 146 80 -1 81 -1 #SUP: 120 80 -1 83 -1 #SUP: 252 80 -1 85 -1 #SUP: 222 81 -1 84 -1 #SUP: 313 81 -1 82 -1 #SUP: 367 81 -1 86 -1 #SUP: 208 81 -1 80 -1 #SUP: 120 81 -1 83 -1 #SUP: 424 81 -1 85 -1 #SUP: 401 82 -1 84 -1 #SUP: 346 82 -1 86 -1 #SUP: 221 82 -1 81 -1 #SUP: 219 82 -1 80 -1 #SUP: 133 82 -1 83 -1 #SUP: 450 82 -1 85 -1 #SUP: 434 83 -1 84 -1 #SUP: 517 83 -1 82 -1 #SUP: 466 83 -1 86 -1 #SUP: 505

3-sequence 81 -1 84 -1 83 -1 #SUP: 139 81 -1 84 -1 85 -1 #SUP: 117 81 -1 82 -1 84 -1 #SUP: 102 81 -1 82 -1 83 -1 #SUP: 153 81 -1 82 -1 85 -1 #SUP: 135 81 -1 85 -1 83 -1 #SUP: 124 82 -1 84 -1 83 -1 #SUP: 145 82 -1 84 -1 85 -1 #SUP: 128 82 -1 85 -1 83 -1 #SUP: 132 83 -1 84 -1 82 -1 #SUP: 101 83 -1 84 -1 85 -1 #SUP: 172 83 -1 82 -1 84 -1 #SUP: 133 83 -1 82 -1 85 -1 #SUP: 158 83 -1 86 -1 84 -1 #SUP: 119 83 -1 86 -1 82 -1 #SUP: 93 83 -1 86 -1 85 -1 #SUP: 137 83 -1 81 -1 84 -1 #SUP: 119 83 -1 81 -1 82 -1 #SUP: 141 83 -1 81 -1 85 -1 #SUP: 149 83 -1 85 -1 84 -1 #SUP: 138 83 -1 85 -1 82 -1 #SUP: 133

17

Lanjutan Minimun support

2%

1-sequence

80 -1 #SUP: 847 81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019 87 -1 #SUP: 291

2-sequence 83 -1 81 -1 #SUP: 424 83 -1 80 -1 #SUP: 245 83 -1 85 -1 #SUP: 672 84 -1 82 -1 #SUP: 256 84 -1 86 -1 #SUP: 301 84 -1 81 -1 #SUP: 208 84 -1 80 -1 #SUP: 124 84 -1 83 -1 #SUP: 532 84 -1 85 -1 #SUP: 512 85 -1 84 -1 #SUP: 494 85 -1 82 -1 #SUP: 423 85 -1 86 -1 #SUP: 351 85 -1 81 -1 #SUP: 363 85 -1 80 -1 #SUP: 200 85 -1 83 -1 #SUP: 655 86 -1 84 -1 #SUP: 317 86 -1 82 -1 #SUP: 250 86 -1 81 -1 #SUP: 194 86 -1 80 -1 #SUP: 127 86 -1 83 -1 #SUP: 312 86 -1 85 -1 #SUP: 379 80 -1 83 -1 #SUP: 252 80 -1 85 -1 #SUP: 222 81 -1 84 -1 #SUP: 313 81 -1 82 -1 #SUP: 367 81 -1 86 -1 #SUP: 208 81 -1 83 -1 #SUP: 424 81 -1 85 -1 #SUP: 401 82 -1 84 -1 #SUP: 346 82 -1 86 -1 #SUP: 221 82 -1 81 -1 #SUP: 219 82 -1 83 -1 #SUP: 450 82 -1 85 -1 #SUP: 434 83 -1 84 -1 #SUP: 517 83 -1 82 -1 #SUP: 466 83 -1 86 -1 #SUP: 505 83 -1 81 -1 #SUP: 424 83 -1 80 -1 #SUP: 245 83 -1 85 -1 #SUP: 672 84 -1 82 -1 #SUP: 256 84 -1 86 -1 #SUP: 301 84 -1 81 -1 #SUP: 208 84 -1 83 -1 #SUP: 532 84 -1 85 -1 #SUP: 512 85 -1 84 -1 #SUP: 494 85 -1 82 -1 #SUP: 423 85 -1 86 -1 #SUP: 351 85 -1 81 -1 #SUP: 363 85 -1 80 -1 #SUP: 200 85 -1 83 -1 #SUP: 655 86 -1 84 -1 #SUP: 317 86 -1 82 -1 #SUP: 250 86 -1 81 -1 #SUP: 194 86 -1 83 -1 #SUP: 312

3-sequence 83 -1 85 -1 81 -1 #SUP: 119 84 -1 85 -1 83 -1 #SUP: 145 85 -1 84 -1 86 -1 #SUP: 92 85 -1 84 -1 83 -1 #SUP: 159 85 -1 82 -1 84 -1 #SUP: 131 85 -1 82 -1 83 -1 #SUP: 148 85 -1 81 -1 84 -1 #SUP: 126 85 -1 81 -1 82 -1 #SUP: 131 85 -1 81 -1 83 -1 #SUP: 130 86 -1 84 -1 85 -1 #SUP: 108 86 -1 82 -1 85 -1 #SUP: 101

18

Lanjutan Minimun support

1-sequence

3%

80 -1 #SUP: 847 81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019 87 -1 #SUP: 291

4%

80 -1 #SUP: 847 81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019

5%

80 -1 #SUP: 847 81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019

10%

81 -1 #SUP: 1607 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019 81 -1 #SUP: 1607

15%

2-sequence 86 -1 85 -1 #SUP: 379 81 -1 84 -1 #SUP: 313 81 -1 82 -1 #SUP: 367 81 -1 83 -1 #SUP: 424 81 -1 85 -1 #SUP: 401 82 -1 84 -1 #SUP: 346 82 -1 83 -1 #SUP: 450 82 -1 85 -1 #SUP: 434 83 -1 84 -1 #SUP: 517 83 -1 82 -1 #SUP: 466 83 -1 86 -1 #SUP: 505 83 -1 81 -1 #SUP: 424 83 -1 85 -1 #SUP: 672 84 -1 86 -1 #SUP: 301 84 -1 83 -1 #SUP: 532 84 -1 85 -1 #SUP: 512 85 -1 84 -1 #SUP: 494 85 -1 82 -1 #SUP: 423 85 -1 86 -1 #SUP: 351 85 -1 81 -1 #SUP: 363 85 -1 83 -1 #SUP: 655 86 -1 84 -1 #SUP: 317 86 -1 83 -1 #SUP: 312 86 -1 85 -1 #SUP: 379 81 -1 83 -1 #SUP: 424 81 -1 85 -1 #SUP: 401 82 -1 83 -1 #SUP: 450 82 -1 85 -1 #SUP: 434 83 -1 84 -1 #SUP: 517 83 -1 82 -1 #SUP: 466 83 -1 86 -1 #SUP: 505 83 -1 81 -1 #SUP: 424 83 -1 85 -1 #SUP: 672 84 -1 83 -1 #SUP: 532 84 -1 85 -1 #SUP: 512 85 -1 84 -1 #SUP: 494 85 -1 82 -1 #SUP: 423 85 -1 83 -1 #SUP: 655 86 -1 85 -1 #SUP: 379 83 -1 84 -1 #SUP: 517 83 -1 82 -1 #SUP: 466 83 -1 86 -1 #SUP: 505 83 -1 85 -1 #SUP: 672 84 -1 83 -1 #SUP: 532 84 -1 85 -1 #SUP: 512 85 -1 84 -1 #SUP: 494 85 -1 83 -1 #SUP: 655

3-sequence

19

Lanjutan Minimun support

20%

1-sequence 82 -1 #SUP: 1853 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019 83 -1 #SUP: 3521 84 -1 #SUP: 2694 85 -1 #SUP: 3595 86 -1 #SUP: 2019

2-sequence

3-sequence

20

RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 1 Agustus 1991 dari Bapak Aji Purnomo dan Ibu Lina Marlina. Penulis adalah putri ketiga dari tiga bersaudara. Tahun 2009 penulis lulus dari SMA Negeri 5 Bogor kemudian pada tahun yang sama penulis diterima sebagai mahasiswa Diploma IPB jurusan Manajemen Informatika melalui jalur Undangan Seleksi Masuk IPB. Penulis menyelesaikan studi di Diploma IPB pada tahun 2012 kemudian melanjutkan studi pada Program Sarjana Ilmu Komputer, Alih Jenis, Fakultas Matematika dan Ilmu Pengetahuan Alam IPB untuk meraih gelar Sarjana Komputer.