clustering dengan algoritme DDBC pada data kebakaran hutan. Tahap-tahap yang akan dilakukan pada penelitian dijelaskan secara jelas pada Gambar 5.
Gambar 5 Metodologi penelitian. (4)
Mulai
Analisis Data Hotspot
Praposes Data
Estimasi Hubungan antartitik
Pendeteksian clustering
Output Cluster
Analisis varian hasil cluster
Visualisasi clustering
Pengolahan Data
Data yang digunakan pada penelitian ini adalah data titik api yang memiliki kemunculan paling banyak yakni tiga kali pada tahun 2002 hingga tahun 2005. Pengambilan data untuk kemunculan titik api yang berulang tersebut didasarkan pada kemampuan algoritme DDBC melakukan pengolahan aspek temporal dengan baik untuk setiap hubungan titik yang terjadi. Data tersebut diperoleh dari Direktorat Pengendalian Kebakaran Hutan (DPKH) Departemen Kehutanan RI. Data yang digunakan merupakan hasil analisis kueri yang telah diujikan (Kurniawan 2011). Hasil analisis kueri data hotspot yang muncul pada tahun 2002 sampai 2005 menghasilkan sebanyak 151 data. Tabel 2 berikut menunjukkan contoh data awal dari hasil analisis kueri data hotspot yang muncul pada tahun 2002-2005.
Mengingat kebutuhan data terhadap cara kerja algoritme DDBC maka diperlukan beberapa penghapusan atribut serta penambahan
atribut. Atribut yang dihapus yaitu atribut keterangan yang berdasarkan analisis kueri tersebut menjelaskan bahwa titik tersebut disappear (menghilang). Atribut yang menyimpan nilai aspek temporal pada Tabel 2 adalah atribut Vs dan Ve. Kedua atribut tersebut memiliki tipe data berupa date yang mengandung komponen tanggal, bulan, dan tahun. Pada tahap pengolahan data dalam penelitian ini, kedua atribut tersebut disimpan dalam atribut year. Atribut year hanya menyimpan komponen tahun kemunculan hotspot tersebut.
Penambahan atribut yang diterapkan yaitu atribut vertex. Atribut vertex merepresentasikan posisi lintang dan bujur suatu titik api. Penamaan dari atribut vertex tersebut diperoleh secara alphabet sehingga setiap nilai vertex mempunyai nilai lintang dan bujur yang berbeda, namun mempunyai Kabupaten dan Propinsi yang sama. Hasil pengolahan data yang digunakan dalam penelitian dapat dilihat secara detail pada Lampiran 1.
Tabel 2 Hasil analisis kueri data hotspot tahun 2002 – 2005 (Kurniawan 2011) Lintang Bujur Vs Ve Keterangan Nama_
Kab Nama_ Prop The_ Geom -1.478 104.035 06-06-2002 07-06-2002 dissappear Muaro Jambi Jambi 010100000 0ee -1.478 104.035 07-08-2003 08-08-2003 dissappear Muaro Jambi Jambi 010100000 0ee -1.478 104.035 07-02-2005 08-02-2005 dissappear Muaro Jambi Jambi 010100000 0ee 0.339 103.058 01-02-2002 02-02-2002 dissappear Pelalawan Riau
010100000 0c1 0.339 103.058 12-02-2004 13-02-2004 dissappear Pelalawan Riau
010100000 0c1 0.339 103.058 08-03-2005 09-03-2005 dissappear Pelalawan Riau
010100000 0c1 1.632 101.746 11-03-2002 12-03-2002 dissappear Dumai (Kota) Riau 010100000 039 1.632 101.746 06-03-2003 07-03-2003 dissappear Dumai (Kota) Riau 010100000 039 1.632 101.746 19-01-2005 20-01-2005 dissappear Dumai (Kota) Riau 010100000 039 -3.37 113.833 25-09-2003 26-09-2003 dissappear Pulang Pisau Kalimantan Tengah 010100000 05a -3.37 113.833 03-10-2003 04-10-2003 dissappear Pulang Pisau Kalimantan Tengah 010100000 05a -3.37 113.833 28-09-2004 29-09-2004 dissappear Pulang Pisau Kalimantan Tengah 010100000 05a
Keterkaitan antar Titik
Data yang telah diperoleh melalui tahap sebelumnya, kemudian diolah dalam tahap estimasi hubungan. Titik api akan dilihat keterkaitannya satu sama lain melalui tahap estimasi ini. Berikut diberikan Gambar 6 untuk penjelasan lebih detail mengenai estimasi hubungan.
Langkah-langkah yang digunakan pada tahap estimasi hubungan dijelaskan sebagai berikut:
1 Hubungan antar objek yang terjadi terkait time stampnya dicari nilai jaraknya seperti pada Gambar 6a menggunakan Euclidian distance.
2 Hasil jarak antar titik tersebut kemudian diolah kembali dengan penggunaan influence function. Pada penelitian ini, influence function dikenal pula sebagai kernel function. Kernel function yang digunakan adalah square wave function yang akan memberikan hasil berupa nilai boolean. Penggunaan square wave function menjelaskan titik-titik yang besar pengaruhnya dalam radius dan waktu tertentu. Pada Gambar 6b diperoleh hubungan titik yang berpengaruh setelah
dterapkan square wave function. Pada perumusan kernel function didefinisikan bahwa jarak Euclid antar titik yang nilainya lebih besar dari threshold ( ) akan diberi representasi nilai 0, dan diberi nilai 1 apabila berlaku sebaliknya. Hubungan titik yang bernilai 0 tersebut tidak akan berpengaruh besar pada tahap selanjutnya yaitu perhitungan kekuatan hubungannya (strength relationship). 3 Nilai boolean yang merepresentasikan
hubungan antar titik digunakan dalam perhitungan kekuatan hubungan (strength relationship) antar titik. Strength relationship menjelaskan bobot dari edge yang menghubungkan titik-titik pada representasi relationship graph. Bobot tahun awal kemunculan suatu titik akan digunakan sebagai nilai standar pertambahan bobot untuk tahun kemunculan berikutnya. Pada tahun terakhir terkait data, maka akan terbentuk relationship graph yang memiliki edge berupa nilai kekuatan hubungan final. Representasi relationship graph disajikan melalui Gambar 6c.
Cluster Detection
Dalam tahap deteksi cluster, titik hasil relationship graph diolah kembali. Konsep ketetanggaan yang digunakan pada DDBC adalah RST neighborhood. Titik yang akan digunakan pada tahap cluster detection hanya titik yang terhubung oleh edge yang memiliki bobot lebih besar dari RST. Titik-titik tersebut merupakan titik yang memiliki hubungan yang kuat dan selanjutnya akan digunakan teknik clustering yang memiliki tahapan yang sama seperti teknik DBSCAN. Gambar 7 berikut menjelaskan langkah-langkah yang dilakukan pada deteksi cluster.
Gambar 7 Mekanisme dalam deteksi cluster. Berikut ini diilustrasikan tahapan pada deteksi cluster. Jika diberikan hasil relationship graph final seperti Gambar 8a, diambil contoh hubungan titik yang terjadi pada time stamp akhir yakni 3. Pada time stamp 3 terdapat titik yaitu G, H, I, J, L, M, dan P. Titik yang memiliki hubungan yaitu (G, H), (G, J), (H, I), (H, L), (H, M), (I, J), (I, L), dan (I,P). Relationship graph yang terbentuk sesuai dengan data seperti pada Gambar 8a akan dideteksi cluster sesuai dengan mekanisme pada
Gambar 7. Berikut ini merupakan langkah- langkah deteksi clustering dengan algoritme DDBC yang akan dilakukan sebagai berikut: 1 Hubungan titik yang terjadi pada Gambar 8a
akan diperiksa apakah nilai strength relationship atau direpresentasikan sebagai bobot yang menghubungkan titik tersebut memenuhi konsep RST neighborhood. Apabila nilai strength relationshipnya lebih kecil dari nilai RST, maka titik tersebut tidak diikutsertakan pada tahap selanjutnya. Pada contoh Gambar 8 tersebut digunakan nilai RST yakni sebesar 0.6 sehingga diperoleh hubungan titik yang bernilai lebih dari 0.6 seperti pada Gambar 8b. Representasi tabel untuk menyimpan hubungan titik beserta nilai strength relationship dapat dilihat pada Gambar 8c.
2 Ambil salah satu titik sebagai inisialisasi point awal seperti pada Gambar 8d yaitu titik G. Periksa titik G apakah memiliki jumlah titik tetangga yang lebih besar dari jumlah tetangga minimum (minPts), hal yang sama dilakukan pada algoritme DBSCAN. Apabila jumlah tetangganya memenuhi jumlah titik tetangga minimum, maka simpan tetangganya sebagai seeds. 3 Gunakan titik pertama pada seeds sebagai
currentP. Pada contoh Gambar 8d dijelaskan bahwa titik H disimpan sebagai currentP. Periksa kembali apakah titik H memiliki jumlah tetangga yang lebih besar dari jumlah tetangga minimum, apabila memenuhi maka simpan titik tetangga dari titik H sebagai result. Lakukan perulangan pada result untuk memeriksa apakah setiap titik tersebut termasuk ke dalam noise atau titik tersebut pernah diclusterkan. Pengelompokkan dilakukan terhadap result yang tidak termasuk ke dalam noise dan titik yang belum pernah dikelompokkan. Pada contoh Gambar 8d, titik I dan J yang disimpan sebagai result dikelompokkan ke dalam cluster 0.
4 Setelah perulangan terhadap result selesai dilakukan, maka nilai currentP akan berubah yakni titik selanjutnya di dalam seeds. Langkah perulangan untuk nilai currentP dilakukan sesuai langkah 3 di atas. Cluster akan bertambah ketika seeds telah kosong, maka dilakukan tahap pengambilan titik sebagai point seperti pada langkah 2.
Directly Density-Reachable
Data yang diperoleh dari relationship graph dicari ketetanggaannya menggunakan konsep RST neighborhood dan banyaknya jumlah tetangga harus bernilai lebih besar/sama dengan jumlah titik minimum.
Gunakan salah satu titik yang memenuhi konsep directly density-reachable sebagai inisialisasi awal, dan cari ketetanggaan dari titik tersebut disimpan sebagai seeds. Titik yang tidak memenuhi directly density- reachable dikenali sebagai noise. Berdasarkan hasil ketetanggaan seeds, ambil titik pertama tetangganya dan simpan sebagai currentP.
CurrentP dicari kembali ketetanggaannya dan diperiksa apakah tetangganya memenuhi jumlah titik minimum dan titik tetangganya disimpan sebagai result. Lakukan perulangan pada result untuk diperiksa apakah titik tersebut berada di dalam noise atau pernah diclusterkan, apabila tidak memenuhi maka titik tersebut dimasukkan pada cluster.
Cluster akan bertambah ketika seeds telah kosong, maka kembali pada tahap pengambilan titik selanjutnya dari data.
Gambar 8 Langkah-langkah deteksi cluster dengan algoritme DDBC.
Performansi Hasil Cluster
Pada tahap ini dilakukan analisis terhadap hasil cluster. Analisis yang digunakan adalah analisis cluster variance. Besarnya variance within cluster (Vw) dan variance between cluster (Vb) akan dihitung untuk mengukur besarnya penyebaran dari data hasil clustering.
Visualisasi Clustering
Hasil akhir clustering diimplementasikan dalam bentuk visual berupa map based. Tampilan peta akan menunjukkan hasil pengelompokan wilayah hotspot berdasarkan tingkat kerawanan terjadinya kebakaran hutan. Perbedaan warna pada node menandakan pengelompokkan suatu titik ke dalam cluster yang berbeda.
Implementasi
Pada tahap ini akan diimplementasikan hasil clustering data hotspot beserta visualisasi. Implementasi dilakukan menggunakan bahasa pemrograman PHP. Berikut merupakan perangkat lunak dan perangkat keras yang digunakan untuk mengembangkan sistem adalah sebagai berikut:
Perangkat lunak:
Sistem operasi : Windows 7 Ultimate
XAMPP 1.7
DBMS PostgreSQL
Bahasa Pemrograman PHP 4.49
Web browser Mozilla Firefox 4
Notepad++
GeoServer
Adobe Dreamwaver CS3 Perangkat keras:
Prosesor: Intel® Core(TM)2 Duo CPU T6600 @ 2.20 GHz
Memory 2 GB
Monitor dengan resolusi 1024x768 px
Mouse dan keyboard