Pada tahapan ini yang dilakukan adalah mencari data. Data yang digunakan terdiri dari 2 data, yaitu data titik panas dan data lahan gambut. Data titik panas didapat dari Nasional Aeronautics and Space Administration (NASA) dengan cara mengunduh, sedangkan data titik panas didapat dari Wetland Internasional Indonesia yang dirasa lengkap. Data lahan gambut sendiri sangat susah didapatkannya, selain itu harganya sangat mahal. Setalah data titik panas yang telah didapat dan data lahan gambut yang telah didapat akan digunakan untuk proses selanjutnya yaitu praproses data.
Praproses Data
Pada penelitian ini tahapan yang dilakukan yaitu praproses data. Pada tahapan ini akan dilakukan adalah pemisahan data titik panas dari tahun 2001 sampai 2015 yang ada di Pulau Sumatera dan di Pulau Kalimantan. Pemisahan data yang dimaksud adalah mengambil titik panas yang memiliki data titik panas lengkap atau terdapat titik panas setiap bulannya dalam jangka waktu satu tahun. Pemisahan data pada tahapan ini dilakukan dengan menggunakan QuantumGIS. Dari hasil penentuan titik panas di Pulau sumatera dan di Pulau Kalimantan yang lengkap hanya terdapat dari tahun 2001 sampai 2014. Jumlah titik panas pertahun di Pulau Sumatera dan di Pulau Kalimantan dapat diilihat pada Gambar 5.
11
Gambar 4 Jumlah titik panas pertahun di Sumatera dan Kalimantan
Dari Gambar 5 dapat dilihat jumlah titik panas terbanyak untuk kurun waktu 2001 sampai 2014 di Pulau Sumatera terdapat pada tahun 2014, sedangkan di Pulau Kalimantan jumlah titik panas paling banyak terdapat pada tahun 2006. Untuk jumlah titik panas paling sedikit di Pulau Sumatera terdapat di tahun 2001, sedangkan di Pulau Kalimantan terdapat di tahun 2010.
Seleksi Data Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah menggabungkan hasil data titik panas Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan. Proses penggabungan ini menggunakan Quantum GIS. Proses penggabungan ini tidak dapat dilakukan secara langsung, karena pada proses ini diperlukan kesamaan sistem referensi koordinat untuk data titik panas dengan data lahan gambut yang akan digabungkan. Untuk melihat sistem referensi di Indonesia dapat dilihat pada Gambar 5.
12
Sistem referensi terbagi menjadi 60 zone, dimana untuk Indonesia terletak pada zone 46 sampai 54. Berdasarkan Gambar 6 Sumatera berada di zona 47 dan 48, namun karena zona 47 lebih banyak maka sistem referensi koordinat yang di pakai adalah ESPG: 32647-WGS84/UTM Zone 47N. Untuk Pulau Kalimantan sistem referensi koordinatnya berada pada zone 49 dan 50, namun karena zona 49 lebih banyak maka sistem referensi koordinat yang di pakai adalah ESPG: 32647-WGS84/UTM Zone 49N.
Proses penggabungan data titik panas dan lahan gambut baru bisa dilakukan setelah sistem referensi disesuaikan dengan aturan zone. Dari hasil penggabungan ini untuk Pulau Sumatera tahun 2007 dapat dilihat pada Gambar 6 dan untuk pulau kalimantan tahun 2007 dapat dilihat pada Gambar 7.
Gambar 6 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas tahun 2007
Gambar 7 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas tahun 2007
13 Pembuatan Data Non Titik Panas pada Lahan Gambut
Pada tahapan ini yang dilakukan adalah menentukan data bukan titik panas yang berada pada lahan gambut di Sumatera dan Kalimantan dengan menggunakan Quantum GIS. Proses ini melibatkan data titik panas pertahun pada lahan gambut di Sumatera dan Kalimantan. Tapi sebelum di buat data bukan tititk panas, dibuat tabel titik panas yang nilai confidence-nya ≥ 70.
Langkah pertama adalah membuat tabel baru yang terdiri dari gid, the geom,
longitude, latitude, acq date, confidence, dan kelas yang berisi titik panas dengan confidence-nya ≥ 70. Nilai confidence yang digunakan hanya yang ≥ 70, karena memiliki potensi tinggi sebagai kebakaran.
Dari data titik panas yang nilai confidence-nya ≥ 70 barulah digunakan untuk membuat data bukan titik panas. Untuk mendapatkan data bukan titik panas pada daerah lahan gambut di Sumatera dan Kalimantan dilakukan beberapa proses yaitu pembuatan buffer, disolve, operasi difference, dan pembangkitan random
point. Dari proses ini didapat data bukan titik panas pada lahan gambut di
Sumatera dan Kalimantan dengan nama false alarm yang akan digunakan sebagai proses klasifikasi. Hasil data bukan titik panas pada lahan gambut di Sumatera untuk tahun 2007 dapat dilihat pada Gambar 9.
Gambar 8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007 Dari Gambar 8 dapat dilihat sebaran data bukan titik panas pada lahan gambut di Sumatera pada tahun 2007. Titik panas muncul pada daerah yang bukan merupakan daerah titik panas. Sebaran data bukan titik panas pada lahan gambut di Kalimantan pada tahun 2007 juga muncul pada daerah yang bukan merupakan daerah titik panas. Data bukan titik panas pada lahan gambut di Kalimantan untuk tahun 2007 dapat dilihat pada Gambar 10.
14
Gambar 9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun 2007
Pembuatan Dataset
Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru untuk kelas. Pada atribut kelas data titik panas pertahun diberikan isian T atau true dan untuk data bukan titik panas pada gambut akan diisikan F atau false. Proses ini dilakukan menggunakan postgres SQL.
Dari proses ini didapat tabel baru yang diberi nama target tahun. Proses ini masih dilakukan menggunakan postgres SQL. Dari data yang telah memiliki nilai
confidence ≥ 70 selanjutnya akan dibuat dataset1 dan dataset2 menggunakan postgres SQL. Adapun untuk dataset1 berisi data dari tabel lahan gambut dan data target. Atribut data yang ada di dataset1 dapat dilihat pada Tabel 5.
Tabel 5 Atribut pada dataset1
No Atribut Tipe
1 Gid Big integer
2 Gid2 Integer
3 The geom Geometri(point)
4 Confidence Integer
5 Legend Character varying(42)
6 Landuse Character varying(60)
7 Ketebalan Character varying(16)
Dataset1 digunakan untuk menyimpan informasi yang lebih lengkap yang
dapat digunakan untuk melihat letak dari objek dalam peta lahan gambut yang dapat dilakukan di Quantum GIS. Untuk proses klasifikasi di R dibuat dataset2 yang diambil dari data target dan data gambut. Atribut pada dataset2 dapat dilihat pada Tabel 6.
15 Tabel 6 Atribut pada dataset2
No Atribut Tipe
1 Legend Character varying(42)
2 Landuse Character varying(60)
3 Ketebalan Character varying(16)
4 Kelas Character
Atribut pada Tabel 6 ini hanya untuk Pulau Sumatera, sedangkan untuk Pulau Kalimantan hanya terdiri legend, ketebalan dan kelas. Atribut landuse tidak terdapat pada Pulau Kalimantan karena data yang diberikan dari wetland tidak mencantumkan landuse. Alasan menggunakan data lahan gambut dari wetland, karena data lahan gambut yang lengkap sangat mahal. Sementara itu, wetland bisa memberikan data tanpa harus membayar. Contoh record dalam dataset2 dapat dilihat pada Tabel 7.
Tabel 7 Contoh isi tabel dataset2
No Jenis Gambut Tutupan Lahan Kedalaman Kelas 1 Saprists/Hemists(60/40), sedang Hutan rawa D2 F 2 Saprists/Hemists(60/40), sedang Belukar rawa D2 F 3 Saprists/Hemists(60/40), dalam Hutan rawa D2 F 4 Saprists/Hemists(60/40), dalam Hutan rawa D3 F 5 Saprists/Hemists(60/40), dalam
Sawah dan kelapa D1 T 6 Saprists/Hemists(60/40), sangat dalam Hutan rawa D4 F 7 Saprists/Hemists(90/10), dalam Hutan rawa D2 F 8 Hemists/Saprists (60/40), sedang Belukar rawa D2 T 9 Hemists/Saprists (60/40), sedang Hutan rawa D2 F 10 Hemists/Saprists (60/40), sangat dalam Hutan rawa D4 T
Membuang Missing Value
Pada tahapan ini yang dilakukan adalah menentukan jumlah data missing
value. Untuk melihat jumlah missing value dapat dilihat dari weka. Setelah
didapat data missing value, kemudian menghitung presentase jumlah missing
value terhadap data keseluruhan. Untuk data yang memiliki presentase missing value 10% dibuang, karena dianggap tidak memiliki pengaruh yang cukup besar
dalam proses klasifikasi. Jumlah missing value di Pulau Sumatera dan di Pulau Kalimantan dapat dilihat pada Tabel 8.
16
Tabel 8 Jumlah missing value dataset Sumatera dan Kalimantan
Dataset Missing Value Jumlah Titik Panas Presentase (%)
Sumatera2001 2 3509 0.06 Sumatera2002 35 20212 0.17 Sumatera2003 8 10331 0.08 Sumatera2004 15 16030 0.09 Sumatera2005 18 30172 0.06 Sumatera2006 33 29471 0.11 Sumatera2007 5 5517 0.09 Sumatera2008 8 7535 0.11 Sumatera2009 21 15572 0.13 Sumatera2010 2 4897 0.04 Sumatera2011 10 13506 0.07 Sumatera2012 13 14556 0.09 Sumatera2013 21 18548 0.11 Sumatera2014 43 41254 0.10 Kalimantan2001 35 2880 1.22 Kalimantan2002 332 23005 1.44 Kalimantan2003 80 6578 1.22 Kalimantan2004 153 13612 1.12 Kalimantan2005 79 5736 1.36 Kalimantan2006 460 30413 1.51 Kalimantan2007 19 2074 0.92 Kalimantan2008 21 1441 1.46 Kalimantan2009 247 20803 1.19 Kalimantan2010 5 570 0.88 Kalimantan2011 111 7900 1.41 Kalimantan2012 99 8493 1.17 Kalimantan2013 51 3571 1.43 Kalimantan2014 232 18457 1.26
Dari Tabel 8 dapat dilihat jumlah missing value tertinggi pada dataset Kalimantan2006 yaitu 460, namun jumlah tersebut hanya 1.51% dibandingkan jumlah datanya yang mencapai 30413. Presentase tertinggi ada pada 1.46% tidak lebih dari 10%, jadi semua missing value dihilangkan.
Konversi Data
Sebelum dataset diolah di R dengan menggunakan model klasifikasi menggunakan algoritme K-Nearest Neighbor diperlukan konversi data, karena KNN hanya bisa memproses data bertipe numeric sedangkan dataset bertipe data
nominal. Dataset diubah dari nominal ke dalam bentuk binary agar dapat diproses
di R menggunakan algoritme KNN. Perubahan tipe data ini dilakukan oleh Weka. Dari hasil proses ini didapat data berbentuk binary. Contoh data hasil konversi dapat dilihat pada Gambar 10.
17
Gambar 10 Data hasil konversi nominal ke binary masih dalam bentuk text Setelah proses konversi data selesai data tidak dapat langsung diolah di R, dikarenakan nama atribut yang menggunakan koma (,) yang seharusnya hanya 1 kolom di dalam R terbaca menjadi 2 kolom. Hal tersebut sangat fatal karena menimbulkan pergeseran data yang berakibat timbul data kosong. Apabila itu terjadi data menjadi tidak akurat lagi. Solusi yang dilakukan yaitu dataset yang sebelumnya dipisahkan dengan koma (,) bukan dalam bentuk kolom diolah dengan Microsoft Excel agar terpisah dengan baik. Pemisahan dataset ini menggunakan fasilitas yang di sediakan oleh Microsoft Excel untuk mengubah text kedalam bentuk kolom. Contoh dataset yang telah diolah di Microsoft Excel dapat dilihat pada Tabel 9.
Tabel 9 Data hasil konversi nominal ke binary sudah dalam bentuk kolom No Legend= Saprists/Hemists (60/40), sedang Legend= Saprists/Hemists (60/40), dalam 1 1 0 2 1 0 3 1 0 4 1 0 5 1 0 6 1 0 7 1 0 8 0 1 9 0 1 10 1 0
Dari hasil pemisahan data Microsoft Excel yang telah dilakukan harus dilakukan pengecekan ulang. Hal ini dilakukan untuk memastikan data telah sesuai untuk diproses ditahap selanjutnya.
Pembagian Data
Pembagian data pada pengolahan data di R akan menggunakan 10 fold cros
validation. Dengan demikian, 10% dari data akan dijadikan sebagai data uji dan
18
menjadi 10 bagian, kemudian dari setiap bagian terbaik akan menjadi data uji dan 9 bagian lainnya akan menjadi data latih.
Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor Setiap record data uji dihitung jaraknya dengan ke setiap record data latih untuk mengetahui ukuran kedekatan antara data uji dengan data latih. Untuk data bertipe numeric, selisih antara data uji dengan data latih adalah pengurangan nilai data uji dengan data latih, selanjutnya ditentukan nilai k tetangga terdekat. Percobaan ini dimulai dengan nilai k dari 1 sampai 19 dengan selang 2 dalam KNN. Pada setiap percobaan dihitung akurasinya untuk k = 1, k = 3, k = 5, k = 7, k = 9, k = 11, k = 13, k = 15, k = 17, dan k = 19. Matrik confusion hasil tahapan klasifikasi dengan KNN Pulau Kalimantan tahun 2003 dengan nilai k=1 dapat dilihat pada Tabel 10.
Tabel 10 Matrik confusion pada dataset Pulau Kalimantan tahun 2010 dengan nilai k = 13
Kelas Prediksi Kelas Aktual
False True
False 115 21
True 9 127
Dari matrik confusion dapat dilihat bahwa data yang diprediksi sebagai false atau salah menghasilkan false atau salah adalah 115. Untuk data yang diprediksi sebagai false atau salah menghasilkan true atau benar adalah 21. Untuk data yang diprediksi sebagai true atau benar menghasilkan false atau salah adalah 9. Untuk data yang diprediksi sebagai true atau benar menghasilkan true atau benar adalah 127.
Dari hasil matrik confusion ini selanjutnya akan digunakan untuk menghitung nilai akurasi hasil tahapan klasifikasi dengan menggunakan KNN. Namun untuk mendapatkan hasil tahapan klasifikasi menggunakan algoritme KNN ini tidak semua data dapat diolah oleh packages class pada R karena untuk Pulau Sumatera tahun 2002 sampai 2006, 2009, dan 2011 sampai 2014 memiliki jumlah atribut yang sangat banyak. Untuk Pulau Kalimantan tahun 2002, 2004, 2006, 2009, dan 2014 tidak dapat di olah di R karena jumlah data yang terlalu banyak.
Perhitungan Akurasi
Pada tahapan ini akan dihitung nilai akurasi dari hasil tahapan klasifikasi yang dihasilkan oleh masing masing nilai k. Untuk menghitung nilai akurasi digunakan rumus sebagai berikut:
Akurasi=∑ data uji benar diklasifikasi
∑ total data uji (3)
Dengan menggunakan nilai hasil tahapan klasifikasi menggunakan algoritme KNN yang telah dihasilkan pada proses klasifikasi, selanjutnya dihitung
19 untuk mendapatkan nilai akurasinya. Berdasarkan Tabel 10 akurasi hasil klasifikasi dengan KNN dengan k = 1 adalah
Akurasi= 115+127
115+21+9+127=88.97 (3)
Perhitungan akurasi dilakukan untuk semua dataset dan semua nilai k. Akurasi tertinggi untuk dataset setiap tahunnya untuk Pulau Sumatera dapat dilihat pada Tabel 11.
Tabel 11 Nilai akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Sumatera
Dataset Nilai k Terbaik Akurasi (%)
Sumatera2001 1 99.14
Sumatera2007 1 99.10
Sumatera2008 1 98.48
Sumatera2010 1 99.15
Berdasarkan Tabel 11 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi untuk Pulau Sumatera adalah pada Sumatera2010 untuk nilai k = 1. Grafik akurasi untuk dataset Sumatera2010 dapat dilihat pada Gambar 12, sedangkan untuk grafik dataset Sumatera lainnya dapat dilihat pada lampiran.
Gambar 11 Grafik akurasi Pulau Sumatera tahun 2010
Dari Gambar 11 dapat dilihat grafik akurasi untuk nilai k = 1 sampai k = 19 yang cenderung menurun. Jumlah tetangga (k) = 1 memiliki akurasi tertinggi untuk dataset Sumatera, jadi untuk pengujian dengan menggunakan dataset Sumatera 2010 menggunakan jumlah tetangga (k) = 1. Akurasi tertinggi untuk dataset setiap tahunnya di Pulau Kalimantan dapat dilihat pada Tabel 13.
20
Tabel 12 Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan
Dataset Nilai k Tertinggi Akurasi(%)
Kalimantan2001 1 100.00 Kalimantan2003 1 100.00 Kalimantan2005 1 100.00 Kalimantan2005 3 100.00 Kalimantan2007 1 100.00 Kalimantan2008 1 99.87 Kalimantan2010 1 99.26 Kalimantan2011 1 100.00 Kalimantan2012 1 99.98 Kalimantan2013 1 99.95
Berdasarkan Tabel 13 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi terdapat pada dataset Kalimantan2001 dengan k = 1, dataset Kalimantan2003 dengan k = 1, dataset Kalimantan2005 dengan nilai k = 1, dan 3, Kalimantan2007 dengan k = 1, dan Kalimantan2011 dengan k = 1. Grafik akurasi untuk jumlah tetangga (k) = 1 sampai (k) = 19 untuk dataset Kalimantan 2005 dapat dilihat pada Gambar 12, sedangkan untuk grafik dataset Kalimantan lainnya dapat dilihat pada lampiran.
Gambar 12 Grafik akurasi Pulau Kalimantan tahun 2003
Dari Gambar 12 menunjukkan jumlah tetangga (k) = 1 memiliki akurasi tertinggi. Untuk nilai akurasi k = 3 sampai k = 19 menunjukkan grafik yang cenderung menurun. Walaupun pada k = 7 mengalami kenaikan tetapi kenaikannya tidak lebih tinggi dari akurasi k = 1. Akurasi rata-rata setiap tahun Pulau Sumatera dapat dilihat pada Tabel 13.
21 Tabel 13 Nilai akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset Pulau
Sumatera Dataset Akurasi (%) Sumatera2001 93.67 Sumatera2007 97.33 Sumatera2008 92.72 Sumatera2010 97.10 Rata-rata 95.20
Akurasi rata-rata tertinggi untuk Pulau Sumatera adalah 97.10% yaitu pada dataset Sumatera2010. Akurasi rata-rata keseluruhan untuk Pulau Sumatera adalah sebesar 95.20% dan merupakan akurasi rata-rata hasil tahapan klasifikasi dengan algoritme KNN untuk Pulau Sumatera. Akurasi rata-rata setiap tahun untuk Pulau Kalimantan dapat dilihat pada Tabel 14.
Tabel 14 Nilai akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset Pulau Kalimantan Dataset Akurasi(%) Kalimantan2001 98.43 Kalimantan2003 99.74 Kalimantan2005 99.48 Kalimantan2007 98.19 Kalimantan2008 97.47 Kalimantan2010 92.46 Kalimantan2011 99.17 Kalimantan2012 99.79 Kalimantan2013 99.19 Rata-rata 98.66
Nilai akurasi tertinggi untuk Pulau Kalimantan adalah 99.79% pada dataset Kalimantan2012. Akurasi rata-rata keseluruhan untuk Pulau Kalimantan adalah sebesar 98.66% dan merupakan akurasi rata-rata tahapan hasil klasifikasi dengan algoritme KNN untuk Pulau Kalimantan.
Pemilihan Hasil Klasifikasi Terbaik
Setelah dilakukan klasifikasi menggunakan algoritme KNN dan dihitung nilai akurasinya maka akan didapat hasil akurasi tertinggi. Untuk Pulau Sumatera akurasi tertinggi pada dataset pada tahun 2010 dengan nilai k = 1. Akurasi tertinggi untuk Pulau Kalimantan pada dataset tahun 2001, 2007, dan 2011 dengan nilai k = 1, sedangkan dataset tahun 2005 pada k = 1 dan k = 3.
Pemilihan Data Baru
Pada tahapan ini yang dilakukan adalah memilih data baru yang akan digunakan sebagai data testing. Untuk data yang digunakan pada penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31 Maret 2015.
22
Hasil Klasifikasi Terbaik
Pada tahapan ini, dilakukan pengujian menggunakan data titik panas pada tahun 2015 yang akan digunakan sebagai data testing dan dataset Kalimantan tahun 2005 sebagai data training, karena dataset Kalimantan 2005 merupakan salah satu hasil tahapan klasifikasi tertinggi untuk Pulau Kalimantan. Dari hasil pengujian menggunakan hasil tahapan klasifikasi menggunakan KNN dengan k = 1 dapat dilihat hasil matrik confusion pada Tabel 15. Untuk pengujian menggunakan hasil tahapan klasifikasi menggunakan KNN dengan k = 3 dapat dilihat hasil matrik confusion pada Tabel 16.
Tabel 15 Matrik confusion di R untuk data baru Kalimantan 2015 dengan k = 1
Kelas Prediksi Kelas Aktual
False True
False 76 1
True 0 23
Tabel 16 Matrik confusion di R untuk data baru Kalimantan tahun 2015 dengan k = 3
Kelas Prediksi Kelas Aktual
False True
False 76 1
True 0 23
Hasil matrik confusion untuk k = 1 dan k = 3 menghasilkan nilai yang sama. Klasifikasi menggunakan KNN menunjukan dapat memprediksi data bukan titik panas pada lahan gambut benar sebagai data bukan titik panas pada lahan gambut dan dapat memprediksi data titik panas pada lahan gambut benar sebagai data titik panas pada lahan gambut. Untuk mendapatkan nilai akurasi dari hasil pengujian menggunakan data titik panas tahun 2015, maka dilakukan penghitungan menggunakan rumus akurasi. Berdasarkan Tabel 15 dan Tabel 16 akurasi hasil tahapan klasifikasi dengan k = 1 dan k = 3 adalah
Akurasi= 76+23
76+1+0+23=99% (5)
Akurasi hasil tahapan klasifikasi menggunakan KNN untuk dataset Kalimantan2005 yang dijadikan data training dan data titik panas tahun 2015 sebagai data testing adalah 99%. Untuk jumlah tetangga terdekat (k) = 1 dan (k) = 3 mempunyai akurasi yang sama, jadi akurasi hasil tahapan klasifikasi menggunakan KNN untuk data baru adalah 99%.
Hasil tahapan klasifikasi tertinggi untuk Pulau Sumatera tidak dapat digunakan sebagai data training untuk data titik panas di Sumatera tahun 2015 karena jumlah atribut yang berbeda antara data tahun 2015 dengan data tertinggi hasil klasifikasi sehingga tidak dapat diproses di R.
23
SIMPULAN DAN SARAN
Simpulan
Algoritme KNN dapat digunakan untuk klasifikasi kemunculan titik panas di Pulau Sumatera dengan nilai akurasi tertinggi adalah 99.15% pada tahun 2010 dengan jumlah tetangga (k) = 1. Untuk dataset Pulau Kalimantan nilai akurasi tertinggi adalah 100% pada tahun 2001, 2003, 2007, dan 2011 dengan nilai k = 1 sedangkan untuk tahun 2005 dengan nilai k = 1 dan k = 3. Akurasi rata-rata hasil klasifikasi dengan algoritme KNN dengan jumlah perulangan k sebanyak 10 untuk Pulau Sumatera adalah 95.20% dan untuk Pulau Kalimantan adalah 98.66%.
Hasil klasifikasi menggunakan KNN dengan dataset Kalimantan tahun 2005 sebagai data traning dan dataset Kalimantan tahun 2015 sebagai data testing menghasilkan nilai akurasi 99%.
Saran
Untuk penelitian selanjutnya, dapat pengembangan aplikasi berbasis web untuk memudahkan dalam memprediksi kemunculan titik panas pada lahan gambut berdasarkan jarak kedekatan objek pada lahan gambut dapat diketahui secara cepat.