Data provinsi Kalimantan Timur yang telah diperoleh sampai level kelurahan. Kabupaten Kutai Timur memiliki 42 wilayah kelurahan sedangkan kota Tarakan memiliki 19 wilayah kelurahan. Secara rinci dijabarkan nama-nama kelurahan dimasing-masing wilayah yang terdapat pada Lampiran 2.
Wilayah Kabupaten Kutai Timur memiliki 39 objek spasial dan wilayah Kota Tarakan memiliki 60 objek spasial.
6 Gambar 6 Penentuan kelas target.
Clustering luas area
Pada tahap ini, dilakukan proses clustering
luas area mangrove (dalam %) terhadap kelurahan menggunakan teknik clustering, yaitu K-means. Nilai ini dikelompokkan ke dalam 3 cluster (sedikit, sedang, banyak). Luas area yang bernilai 0 tidak dimasukkan ke dalam proses clustering dan dianggap masuk ke dalam label kelas tidak, sehingga diperoleh empat label kelas yaitu ‘tidak’, ‘sedikit’, ‘sedang’, dan ‘banyak’.
Pemberian label kelas
Pada tahap ini, dilakukan penambahan atribut kelas pada objek kelurahan. Atribut kelas ini berisi kategori tidak, sedikit, sedang, dan banyak berdasar hasil clustering
rasio.
7 Penggabungan tabel SJI
Pada tahap ini, dilakukan penggabungan tabel SJI objek lain dengan tabel kelurahan yang telah memiliki atribut kelas.
8 Transformasi data
Pada tahap ini, dilakukan perubahan tabel format xls menjadi format arff agar dapat diproses ke tahap selanjutnya yaitu proses klasifikasi menggunakan perangkat lunak Weka 3.6.0.
Penentuan Data Latih dan Data Uji
Pada tahap ini, dilakukan pemisahan data uji dan data latih menggunakan 10-fold cross validation untuk mengevaluasi classifier. Klasifikasi Menggunakan Spatial Decision Tree
Data hasil praproses diolah menggunakan
perangkat lunak Weka 3.6.0 dengan
menggunakan Algoritme C4.5. Implementasi dari algoritme C4.5 dalam Weka 3.6.0 adalah J48.
Akurasi Classifier
Akurasi dari model pohon yang dihasilkan dihitung menggunakan confusion matrix, yaitu menghitung banyaknya label kelas yang diprediksi benar dibagi total banyaknya prediksi. Jika hasilnya melebihi threshold, yaitu sebesar 60% maka akan diproses ke tahap berikutnya, apabila kurang dari threshold maka akan kembali diproses pada tahap praproses atau tahap penentuan dataset.
Penggunaan Classifier pada Data Baru Classifier yang terbentuk dapat diterapkan pada data baru, dimana data tersebut belum memiliki label kelas. Label kelas didapatkan dengan menelusuri model pohon yang terbentuk atau aturan yang telah diturunkan dari model pohon yang dihasilkan pada data latih.
Pengembangan Sistem
Perangkat lunak dan perangkat keras yang digunakan dalam mengembangkan sistem adalah sebagai berikut :
Perangkat Lunak :
1 Arcview 3.3 untuk pemrosesan data spasial.
2 Matlab 7.0 untuk proses clustering.
3 Microsoft Excel 2007 untuk melakukan proses operator complete
4 Weka 3.6.0 untuk proses klasifikasi.
Perangkat keras
1 Processor Intel(R) Pentium(R) 4 CPU 3.06GHz
2 Memory 1280 MB RAM 3 Mouse
4 Keyboard
HASIL DAN PEMBAHASAN Pengadaan Data
Data provinsi Kalimantan Timur yang telah diperoleh sampai level kelurahan. Kabupaten Kutai Timur memiliki 42 wilayah kelurahan sedangkan kota Tarakan memiliki 19 wilayah kelurahan. Secara rinci dijabarkan nama-nama kelurahan dimasing-masing wilayah yang terdapat pada Lampiran 2.
Wilayah Kabupaten Kutai Timur memiliki 39 objek spasial dan wilayah Kota Tarakan memiliki 60 objek spasial.
7 Seleksi data
Data yang digunakan pada penelitian ini diperoleh dari wawancara dengan salah satu pakar dari Ditjen KP3K DKP dan internet (www.acehpedia.org). Data tersebut meliputi : 1 Batas wilayah Kabupaten Kutai Timur
Atribut yang terdapat pada objek ini adalah
shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 2 Batas wilayah Kota Tarakan
Atribut yang terdapat pada objek ini adalah
shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 3 Data Landuse
Data landuse merupakan data yang berisi mengenai tataguna lahan. Atribut yang terdapat pada objek ini adalah shape, ID, dan jenis landuse.
4 Data Topografi
Data topografi merupakan data mengenai ketinggian wilayah dihitung dari atas permukaan laut. Atribut yang terdapat pada objek ini adalah shape, longitude, latitude,
Id, tinggi, ellipsoid, dan datumvert.
5 Data Substrat
Data substrat merupakan data yang berisi mengenai substrat pantai yang terkandung di pantai pesisir. Atribut yang terdapat pada objek ini adalah shape, area, perimeter, Id, dan jenis.
6 Data Lereng
Data lereng merupakan data yang berisi mengenai bentuk atau contour. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
7 Data Tanah
Data tanah merupkan data yang berisi mengenai jenis tanah. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
8 Data Geologi
Data geologi merupakan data yang berisi mengenai lapisan kulit bumi atau tanah kedalaman tertentu. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
9 Data Geomorfologi
Data geomorfologi merupakan data yang berisi mengenai bentuk relief atau tinggi rendahnya permukaan bumi atau disebut juga bentang alam yang terbentuk dan terpengaruh oleh tenaga endogen (dari dalam bumi) dan eksogen dari luar bumi (iklim dan cuaca). Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
10 Data Sungai
Data sungai merupakan data yang berisi mengenai wilayah yang dilalui oleh aliran sungai. Atribut yang terdapat pada objek ini adalah shape, Id, area, dan nama.
Praproses data
Aktivitas – aktivitas yang dilakukan dalam praproses data adalah sebagai berikut :
1 Perhitungan luas area
Perhitungan luas area kelurahan menggunakan perangkat lunak Arcview 3.3, yaitu dengan menghitung setiap poligon atau area kelurahan. Hasil dari perhitungan luas area wilayah kelurahan dapat dilihat pada Lampiran 3.
2 Penentuan hubungan spasial
Objek spasial direpresentasikan dalam bentuk poligon atau titik. Setiap objek poligon atau titik dianalisis hubungan spasialnya terhadap objek kelurahan.
Hubungan spasial antara objek kelurahan dan objek topografi adalah contains. Objek topografi direprentasikan dalam bentuk titik (point), sehingga pada objek ini tidak dihitung luas area, tetapi ditentukan nilai rata-rata titik ketinggian yang ada di wilayah tertentu. Terdapat beberapa wilayah yang tidak memiliki data ketinggian, yaitu 10 wilayah di kabupaten Kutai Timur dan 6 wilayah di kota Tarakan. Oleh karena itu, nilai ketinggiannya diisikan menjadi 0 (nol) yang berarti tidak ada data. Selain itu, terdapat juga 12 wilayah yang nilai ketinggiannya diisikan dengan nilai ketinggian wilayah tetangganya yang diperoleh menggunakan operasi buffer.
Pada objek geomorfologi, geologi, lereng, dan tanah terdapat tiga hubungan spasial yaitu contains, overlap, dan inside. Pada objek mangrove, landuse dan sungai terdapat dua hubungan spasial yaitu overlap
8 memiliki satu hubungan spasial yaitu
overlap.
Hubungan topological yang terjadi di setiap data menghasilkan banyak record
atau yang saling berhubungan. Jumlah
record yang dihasilkan di setiap objek dapat dilihat pada Tabel 2 dan secara rinci dapat dilihat pada Lampiran 4.
Tabel 2 Jumlah record tabel SJI Objek spasial Jumlah record
Mangrove 122 Topografi 227 Landuse 431 Substrat 92 Geomorfologi 477 Geologi 290 Lereng 296 Tanah 352
3 Penyederhanaan Tabel Spatial Join Index
Pada data tabel SJI mangrove, perhitungan luas area tidak dipisahkan berdasar hubungan topological, melainkan dijumlahkan semua luas area hasil tabel SJI, karena data mangrove hanya memiliki satu jenis.
Pada data yang memiliki tiga hubungan spasial, yaitu data geomorfologi, geologi, lereng dan tanah, hanya dua hubungan saja yang diproses menggunakan operator complete. Hubungan spasial yang diproses adalah contains dan overlap. Hal ini dilakukan untuk menghindari banyaknya null pada data tersebut dikarenakan jumlah
record yang sedikit memiliki hubungan spasial inside. Sehingga, record yang memiliki operasi tersebut dianggap 0 (tidak ada).
Proses penyederhanaan tabel spatial join index ini, menghasilkan record dengan jumlah 61, sesuai dengan banyaknya wilayah kelurahan yang diamati. Tabel SJI hasil penyederhanaan operator complete
dapat dilihat pada Lampiran 5. 4 Penentuan kategori
Terdapat 406 data luas area (persentase) yang dikelompokkan ke dalam 3 cluster dari 6 atribut yaitu landuse, geologi, geomorfologi, tanah, lereng dan substrat. Interval luas area (%) dalam setiap cluster
diberikan pada Tabel 3.
Tabel 3 Hasil clustering luas area
Cluster 1 (%) Cluster 2 (%) Cluster 3 (%) 0.01 -30.16 30.87- 70.75 71.2 - 100 5 Pemberian label kategori
Setiap data memiliki kode/simbol dalam merepresentasikan hasil clustering luas area yang digabung dengan atribut jenis. Sehingga dari dua atribut yaitu luas area dan atribut jenis didapatkan satu atribut yang merepresentasikan keduanya dalam bentuk simbol/kode. Banyaknya jenis setiap objek dapat dilihat pada Tabel 4. Kode/simbol setiap objek terdapat pada Lampiran 6. Tabel 4 Jumlah jenis kategori
Objek spasial Jumlah kategori
Landuse 10 Substrat 6 Geomorfologi 14 Geologi 13 Lereng 4 Tanah 5
6 Penentuan kelas target
Clustering luas area
Hasil perhitungan rasio luas area mangrove terhadap area kelurahan dapat dilihat pada Lampiran 7. Interval luas area (%) dalam setiap cluster diberikan pada Tabel 5.
Tabel 5 Label kelas
Cluster 1 Cluster 2 Cluster 3
Inte- rval (%) 0.0346 s/d 8.17 9.6871 s/d 26.968 48.641 s/d 66.775
kelas Sedikit Sedang Banyak
Pemberian label kelas
Jumlah record pada data kelurahan untuk setiap label kelas hasil clustering adalah 24
record untuk label kelas tidak, 22 record
untuk label kelas sedikit, 13 record untuk kelas sedang, dan 2 record untuk kelas banyak.
7 Penggabungan Tabel SJI
Hasil penggabungan tabel SJI yang telah ditambahkan kategori dan kelas adalah 14
9 atribut yang akan dijadikan sebagai dataset.
Secara garis besar 14 atribut tersebut dapat dilihat pada Tabel 6 dan secara rinci terdapat pada Lampiran 8.
Tabel 6 Atribut data latih Atribut Nama
1 Topografi
2 Sungai
3 Jenis landuse yang terkandung 4 Jenis landuse yang beroverlap 5 Jenis substrat yang beroverlap 6 Jenis geologi yang terkandung 7 Jenis geologi yang beroverlap 8 Jenis geomorfologi yang
terkandung
9 Jenis geomorfologi yang beroverlap
10 Jenis lereng yang terkandung 11 Jenis lereng yang beroverlap 12 Jenis tanah yang terkandung 13 Jenis tanah yang beroverlap 14 Label kelas
8 Transformasi data
Mengubah format data latih menjadi format arff sehingga dapat diolah ke dalam perangkat lunak Weka 3.6.0. Tipe data dalam file Arff dari masing – masing atribut dapat dilihat pada Tabel 7 dan secara rinci pada Lampiran 9.
Tabel 7 Tipe data dalam file Arff
Atribut Nama Tipe
1 Topografi Numerik
2 Sungai Numerik
3 Jenis landuse yang terkandung
Kategorik 4 Jenis landuse yang
beroverlap
Kategorik 5 Jenis substrat yang
beroverlap
Kategorik 6 Jenis geologi yang
terkandung
Kategorik 7 Jenis geologi yang
beroverlap Kategorik 8 Jenis geomorfologi yang terkandung Kategorik 9 Jenis geomorfologi
yang beroverlap
Kategorik
10 Jenis lereng yang terkandung
Kategorik 11 Jenis lereng yang
beroverlap
Kategorik 12 Jenis tanah yang
terkandung
Kategorik 13 Jenis tanah yang
beroverlap
Kategorik
14 Label kelas Kategorik
Penentuan Data Latih dan Data Uji
Pemisahan data ke dalam data uji dan data latih menggunakan 10-folds cross validation.
Data akan dibagi ke dalam 10 bagian (folds), setiap bagian akan digunakan sebagai data uji, dan n-1 bagian (folds) akan dijadikan sebagai data latih. Proses ini dilakukan sebanyak 10 kali.
Klasifikasi Menggunakan Spatial Decision Tree
Dataset yang telah terbentuk diolah dan menghasilkan sebuah model pohon keputusan. Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information gain tertinggi sesuai dengan algoritme C4.5. Di dalam Weka algoritma C4.5 diimplementasikan dengan menggunakan Algoritme J.48. Algoritme J.48 mampu mengolah tipe data numerik dan kategori, hal ini terlihat dari atribut uji yang dihasilkan terdapat atribut uji dengan tipe numerik, yaitu topografi. Selain itu, Algoritme J.48 juga mengolah kelas target bertipe kategorik.
Model pohon yang terbentuk dapat dilihat pada Gambar 7. Atribut yang menjadi atribut uji pada model pohon ini adalah atribut co_lereng (jenis lereng yang terkandung), ov_substrat (jenis substrat yang beroverlap), topografi, dan co_landuse (jenis landuse yang terkandung). Dari pohon tersebut dapat diturunkan 23 aturan yang selengkapnya dapat dilihat di Lampiran 10.
Contoh aturan yang diturunkan dari hasil model pohon keputusan yaitu :
Rules 1 : JIKA 0.01% - 30.16% area memiliki
lereng agak curam MAKA area tersebut TIDAK memiliki mangrove.
Rules 2 : JIKA 0.01% - 30.16% area memiliki
lereng datar MAKA area tersebut memiliki mangrove dalam kelas SEDANG.
10 Gambar 7 Model pohon keputusan.
Rules 3: JIKA area tidak memiliki lereng DAN
0.01% - 30.16% area bertumpang tindih dengan substrat pasir DAN area memiliki ketinggian > 23 MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT.
Rules 4 : JIKA area tidak memiliki lereng DAN
tidak memiliki area yang bertumpang tindih dengan substrat DAN 30.87% - 70.75% area memiliki landuse belukar MAKA area tersebut TIDAK memiliki mangrove.
Rules 5 : JIKA area tidak memiliki lereng DAN
tidak memiliki area yang bertumpang tindih dengan substrat DAN 0.01% - 30.16% area memiliki landuse pemukiman MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT.
Akurasi Classifier
Hasil evaluasi metode pohon keputusan dengan algoritme J48 menggunakan perangkat lunak Weka 3.6.0 dapat dilihat pada Tabel 8. Tabel 8 Confusion matrix
Kelas hasil prediksi
0 1 2 3 Kelas aktual 0 20 3 0 1 1 6 13 3 0 2 3 6 4 0 3 1 1 0 0 Keterangan : kelas0 : Tidak kelas1 : Sedikit kelas2 : Sedang kelas3 : Banyak
Dari confusion matrix diketahui dari 24 data di label kelas tidak, sebanyak 20 data diprediksi
secara benar sebagai label kelas tidak, 3 data diprediksi salah sebagai label kelas sedikit dan 1 data diprediksi salah sebagai label kelas banyak. Dari 22 data di label kelas sedikit, sebanyak 13 data diprediksi secara benar sebagai label kelas sedikit, 6 data diprediksi salah sebagai label kelas tidak, dan 3 data diprediksi salah sebagai label kelas sedang. Dari 13 data di label kelas sedang, sebanyak 4 data diprediksi secara benar sebagai label kelas sedang, 3 data diprediksi salah sebagai label kelas tidak, dan 6 data diprediksi salah sebagai label kelas sedikit. Dari 2 data di label kelas banyak, tidak ada data yang diprediksi secara benar, sebanyak 1 data diprediksi salah sebagai label kelas tidak, dan 1 data diprediksi salah sebagai kelas sedikit. Hal ini diakibatkan oleh sedikitnya jumlah data untuk pelatihan di label kelas banyak yaitu hanya 2 data, sehingga tidak ditemukan pola dalam mengklasifikasikan data ke dalam label kelas banyak. Selain itu, hal yang menyebabkan salah dalam mengklasifikasi pada masing- masing kelas adalah terdapat kemiripan wilayah berdasar pada hasil digitasi citra.
Akurasi model keputusan pohon yang didapatkan adalah :
Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi
=37
61= 0.6066
Hasil dari akurasi classifier menunjukkan keakuratan model pohon yang terbentuk dalam memprediksi data. Akurasi yang didapat yaitu 60.66 %, sehingga telah memenuhi threshold.
11 Tabel 9 Data contoh
Keterangan :
ps1 = pasir dengan area (0.01% -30.16%) ncs = area tidak memiliki substrat h1 = hutan dengan area (0.01% -30.16%) b2 = belukar dengan area (30.87%- 70.75%) pm1= pemukiman dengan area
(0.01% - 30.16%) ncl = area tidak memiliki landuse nclr= area tidak memiliki lereng lb1= lereng datar dengan area (0.01% - 30.16%)
la1= lereng agak curam dengan area (0.01%- 30.16%)
Penggunaan Classifier pada Data Baru Pada tahap ini, terdapat beberapa record
data contoh untuk menunjukkan bagaimana penggunaan classifier pada data baru yang belum memiliki label kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi. Untuk pengisian masing-masing record
dilakukan dengan cara menelusuri model pohon yang dibuat atau dengan melihat dari aturan pohonnya. Ilustrasi data contoh dapat dilihat pada Tabel 9.
Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 3 dengan nilai test atribut tidak memiliki lereng (nclr), bertumpang tindih dengan substrat pasir (ps1), dan ketinggian wilayah > 23 (30). Dengan demikian label kelas pada record 1 adalah sedikit.
Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse
belukar (b2). Dengan demikian label kelas pada
record 2 adalah tidak.
Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse
pemukiman (pm1). Dengan demikian label kelas pada record 3 adalah sedikit.
Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai test atribut memiliki lereng datar (lb1). Dengan demikian label kelas pada record 4 adalah sedang.
Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai test atribut memiliki lereng agak curam (la1). Dengan demikian label kelas pada record 5 adalah tidak.
KESIMPULAN DAN SARAN Kesimpulan
Berdasar penelitian yang dilakukan dalam membuat classifier untuk identifikasi lahan mangrove, dapat diambil kesimpulan sebagai berikut :
1 Terbentuknya spasial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. 2 Dari penelitian ini area mangrove
dideskripsikan oleh area yang mengandung lereng, area yang beroverlap dengan substrat, topografi, dan area yang mengandung landuse.
3 Penggunaan spatial join index dan operator
complete dalam menentukan hubungan spasial antara objek spasial menghasilkan
dataset yang dapat diolah menggunakan teknik klasifikasi konvensional.
Record Id Topografi … … Substsrat beroverlap Landuse yang terkandung … Lereng yang terkandung … Kelas 1 30 … … ps1 h1 … nclr … ? 2 200 .. .. Ncs b2 … nclr … ? 3 127 … … Ncs pm1 … nclr … ? 4 20 … … Ncs Ncl … lb1 … ? 5 100 … … Ncs Ncl … la1 … ?
11 Tabel 9 Data contoh
Keterangan :
ps1 = pasir dengan area (0.01% -30.16%) ncs = area tidak memiliki substrat h1 = hutan dengan area (0.01% -30.16%) b2 = belukar dengan area (30.87%- 70.75%) pm1= pemukiman dengan area
(0.01% - 30.16%) ncl = area tidak memiliki landuse nclr= area tidak memiliki lereng lb1= lereng datar dengan area (0.01% - 30.16%)
la1= lereng agak curam dengan area (0.01%- 30.16%)
Penggunaan Classifier pada Data Baru Pada tahap ini, terdapat beberapa record
data contoh untuk menunjukkan bagaimana penggunaan classifier pada data baru yang belum memiliki label kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi. Untuk pengisian masing-masing record
dilakukan dengan cara menelusuri model pohon yang dibuat atau dengan melihat dari aturan pohonnya. Ilustrasi data contoh dapat dilihat pada Tabel 9.
Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 3 dengan nilai test atribut tidak memiliki lereng (nclr), bertumpang tindih dengan substrat pasir (ps1), dan ketinggian wilayah > 23 (30). Dengan demikian label kelas pada record 1 adalah sedikit.
Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse
belukar (b2). Dengan demikian label kelas pada
record 2 adalah tidak.
Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse
pemukiman (pm1). Dengan demikian label kelas pada record 3 adalah sedikit.
Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai test atribut memiliki lereng datar (lb1). Dengan demikian label kelas pada record 4 adalah sedang.
Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai test atribut memiliki lereng agak curam (la1). Dengan demikian label kelas pada record 5 adalah tidak.
KESIMPULAN DAN SARAN Kesimpulan
Berdasar penelitian yang dilakukan dalam membuat classifier untuk identifikasi lahan mangrove, dapat diambil kesimpulan sebagai berikut :
1 Terbentuknya spasial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. 2 Dari penelitian ini area mangrove
dideskripsikan oleh area yang mengandung lereng, area yang beroverlap dengan substrat, topografi, dan area yang mengandung landuse.
3 Penggunaan spatial join index dan operator
complete dalam menentukan hubungan spasial antara objek spasial menghasilkan
dataset yang dapat diolah menggunakan teknik klasifikasi konvensional.
Record Id Topografi … … Substsrat beroverlap Landuse yang terkandung … Lereng yang terkandung … Kelas 1 30 … … ps1 h1 … nclr … ? 2 200 .. .. Ncs b2 … nclr … ? 3 127 … … Ncs pm1 … nclr … ? 4 20 … … Ncs Ncl … lb1 … ? 5 100 … … Ncs Ncl … la1 … ?
12 Saran
Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut agar lebih baik dari yang telah dilakukan adalah sebagai berikut :
1 Untuk memodelkan area mangrove
diperlukan keseimbangan dalam jumlah kelas target.
2 Perlu dibuat aplikasi komputer untuk mengimplementasikan proses spatial join index dan operator complete, terutama untuk data spasial berukuran besar.
DAFTAR PUSTAKA
Chelghoum N, Karine Z. 2004. Spatial Data Mining Implementation : Alternatives and performance. Versailles. Prism Laboratory University of Versailles.
Dahuri, R. 2003. Keanekaragaman Hayati Laut : Aset Pembangunan Berkelanjutan Indonesia. Jakarta: PT Gramedia Indonesia Pustaka.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. San Diego, USA: Morgan-Kaufmann.
Larose, T Daniel. 2005. Discovering Knowledge In Data : An Introduction To Data Mining. New Jersey. Wiley- Interscience.
Prahasta E. 2001. Konsep-konsep Dasar Sistem Informasi Geografis. Bandung: Informatika.
Quinlan, J.R. 1993. C4.5: Programs For Machine Learning. San Mateo. CA: Morgan Kaufmann.
Santoso B. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Graha Ilmu.
Sekhar S, Chawla S.2003. Spatial Databases a Tour. New Jersey: Prentice Hall.
Tan P, Michael S. dan Vipin K. 2006.
Introduction to Data Mining. Addison Wesley.
Zeitouni K, Chelghoum N. 2001. Spatial Decision Tree – Applications to Traffic Risk Analysis. IEEE International Conference on Computer Systems and Applications.
Zeitouni K, Yeh L, Aufaure MA. 2000. Join Indices as a Tool for Spatial Data Mining.
International Workshop on Temporal, Spatial and Spatio-Temporal Data Mining, Lecture Notes in Artificial Intelligence. 102-114.