Application of Spatial Decision Tree in Identifiying Mangrove Area Using C4.5 Algorithm.

(1)

ABSTRACT

NAPTHALENA. Application of Spatial Decision Tree in Identifiying Mangrove Area Using C4.5 Algorithm. Under the direction of IMAS SUKAESIH SITANGGANG and SONY HARTONO WIJAYA.

Mangrove forests have a lot of benefits for life, such as beach abration protector, building material and fuel, as well as meal supplier for plankton. Therefore, mangrove forest should be protected and developed. Mangrove forests are located along tropical and subtropical beach that are influenced by tide water. East Kalimantan is one of provinces in Kalimantan that has potential coast teritory for mangrove’s growth. In one region there are some districts which have larger mangrove potency than neighbor districts. For that, it is required a spatial analysis for mangrove area identification in order to be able to know description of potential region for mangrove’s growth. One of techniques in extracting knowledge in spatial database is spatial data mining.This research uses a spatial data mining method, especially spatial decision tree using C4.5 algorithm to develop a classifier to predict new data of mangrove area. This research applies the Spatial Join Index (SJI) and the complete operator to apply conventional classification technique in spatial database. The SJI is created using topological relation to find relation between two spatial objects, then the result is simplified using complete operator. The result of this research shows that classes of mangrove area are described by some attributes : slope, topography, substrat, and landuse. The classifier contains 23 rules with 60,66% accuracy.

(2)

PENERAPAN

SPATIAL DECISION TREE

UNTUK

IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN

ALGORITME C4.5

NAPTHALENA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

PENERAPAN

SPATIAL DECISION TREE

UNTUK

IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN

ALGORITME C4.5

NAPTHALENA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(4)

PENERAPAN

SPATIAL DECISION TREE

UNTUK

IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN

ALGORITME C4.5

NAPTHALENA

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(5)

ABSTRACT

NAPTHALENA. Application of Spatial Decision Tree in Identifiying Mangrove Area Using C4.5 Algorithm. Under the direction of IMAS SUKAESIH SITANGGANG and SONY HARTONO WIJAYA.

Mangrove forests have a lot of benefits for life, such as beach abration protector, building material and fuel, as well as meal supplier for plankton. Therefore, mangrove forest should be protected and developed. Mangrove forests are located along tropical and subtropical beach that are influenced by tide water. East Kalimantan is one of provinces in Kalimantan that has potential coast teritory for mangrove’s growth. In one region there are some districts which have larger mangrove potency than neighbor districts. For that, it is required a spatial analysis for mangrove area identification in order to be able to know description of potential region for mangrove’s growth. One of techniques in extracting knowledge in spatial database is spatial data mining.This research uses a spatial data mining method, especially spatial decision tree using C4.5 algorithm to develop a classifier to predict new data of mangrove area. This research applies the Spatial Join Index (SJI) and the complete operator to apply conventional classification technique in spatial database. The SJI is created using topological relation to find relation between two spatial objects, then the result is simplified using complete operator. The result of this research shows that classes of mangrove area are described by some attributes : slope, topography, substrat, and landuse. The classifier contains 23 rules with 60,66% accuracy.

(6)

Judul : Penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5

Nama : Napthalena

NRP : G64052303

Menyetujui:

Pembimbing I, Pembimbing II,

Imas Sukaesih Sitanggang, S.Si, M.Kom Sony Hartono Wijaya, S.Kom, M.Kom NIP 197501301998022001

Mengetahui:

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. drh. Hasim, DEA NIP 196103281986011002

(7)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga tugas akhir dengan judul penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5 dapat terselesaikan. Penelitian ini dilaksanakan mulai Februari 2009 sampai dengan Juni 2009, bertempat di Departemen Ilmu Komputer.

Terima kasih penulis ucapkan kepada Ibu Imas S. Sitanggang, S.Si, M.Kom selaku pembimbing pertama dan Bapak Sony H. Wijaya, S.Kom, M.Kom selaku pembimbing kedua yang telah banyak memberi arahan selama penulis menjalankan penelitian. Penghargaan juga penulis sampaikan kepada Bapak Tomi, Bapak Syukur, dan Ibu Mulya atas segala diskusi, saran, serta data yang digunakan dalam penelitian ini. Tak lupa, ungkapan terima kasih kepada rekan-rekan Ilkom 42, FAMLAR (Adet, Mirna, Medria, Prita, Indra, Ijun, Huda, Nila, dan Ovie), rekan-rekan Basket FMIPA (Gae, Eyyi, Riken, Ami, dan Wiwid) atas diskusi, kebersamaan, canda, dan tawa selama penulis menempuh studi dan menjalankan penelitian. Terakhir, ungkapan terima kasih disampaikan kepada ayah, ibu, kakak, adik, serta seluruh keluarga atas doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2009

(8)

RIWAYAT HIDUP

Penulis dilahirkan di Bogor pada tanggal 9 September 1986 dari ayah Achmad Kosasih dan Ibu Yenni Karmila. Penulis merupakan anak kedua dari tiga bersaudara.

Tahun 2005, penulis lulus dari SMUN 5 Bogor dan pada tahun yang sama penulis diterima di Institut Pertanian Bogor (IPB) melalui jalur USMI. Tahun 2007, penulis diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Tahun 2008, penulis menjalankan kegiatan praktik lapangan di Ditjen Kelautan, Pesisir, dan Pulau-pulau Kecil Departemen Kelautan dan Perikanan (KP3K DKP) dengan judul Pembuatan Modul untuk Menampilkan Peta pada Sistem Informasi Geografis Potensi Kelautan dan Pulau-pulau Kecil.

Selama menjalani perkuliahan, penulis pernah menjadi anggota Badan Eksekutif Mahasiwa Fakultas Matematika dan Pengetahuan Alam (BEM FMIPA) Divisi Pengembangan Sumber daya Mahasiswa (PSDM) tahun 2006. Pada tahun 2008, penulis pernah menjadi finalis lomba Data Mining tingkat nasional (Gemastik 2008). Selain itu, penulis juga pernah menjadi asisten mata kuliah Data Mining pada tahun akademik 2008/2009.

(9)

iv DAFTAR ISI

Halaman

DAFTAR TABEL ... v

DAFTAR GAMBAR ... v

DAFTAR LAMPIRAN ... v

PENDAHULUAN Latar Belakang ... 1

Tujuan ... 1

Ruang Lingkup ... 1

Manfaat Penelitian ... 1

TINJAUAN PUSTAKA Data Spasial ... 2

Spatial Data Mining ... 2

Spatial Decision Tree ... 2

Spatial Join Index... 2

Operator Complete ... 2

Algoritme K-Means ... 3

Algoritme C4.5 ... 3

Confusion matrix ... 2

METODE PENELITIAN Pengadaan Data... 5

Seleksi Data ... 5

Praproses Data ... 5

Penentuan Data Uji dan Data Latih ... 6

Klasifikasi Menggunakan Spatial Decision Tree ... 6

Akurasi Classifier ... 6

Penggunaan Classifier pada Data Baru ... 6

Pengembangan Sistem ... 6

HASIL DAN PEMBAHASAN Pengadaan Data... 7

Seleksi Data ... 7

Praproses Data ... 7

Penentuan Data Uji dan Data Latih ... 9

Klasifikasi Menggunakan Spatial Decision Tree ... 9

Akurasi Classifier ... 10

Penggunaan Classifier pada Data Baru ... 11

KESIMPULAN DAN SARAN Kesimpulan ... 11

Saran ... 12

DAFTAR PUSTAKA ... 12

(10)

v DAFTAR GAMBAR

Halaman

1 Topological Biner (Sekhar & Chawla 2003) ... 2

2 Spatial Join Index (Zeitouni & Chelghoum 2004) ... 2

3 Ilustrasi Penggunaan Operator Complete (Zeitouni & Chelghoum 2004) ... 3

4 Tahapan Penelitian ... 4

5 Tahapan Praproses... 5

6 Penentuan Kelas Target ... 6

7 Model Pohon Keputusan... 7

DAFTAR TABEL Halaman 1 Confusion matrix ... 4

2 Jumlah record tabel SJI ... 8

3 Hsil clustering luas area... 8

4 Jumlah jenis kategori ... 8

5 Label kelas ... 8

6 Atribut data latih ... 9

7 Tipe data dalam file Arff ... 9

8 Confusionmatrix ... 10

9 Data contoh ... 11

DAFTAR LAMPIRAN Halaman 1 Praproses secara rinci ... 14

2 Nama kelurahan ... 15

3 Luas area kelurahan di Kabupaten Kutai Timur dan Kota Tarakan ... 16

4 Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse ... 18

5 Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse ... 19

6 Inisialisasi kategori ... 21

7 Hasil perhitungan rasio luas area mangrove terhadap kelurahan ... 24

8 Tabel gabungan SJI ... 26

9 Transformasi data ... 28

(11)

1 PENDAHULUAN

1.1 Latar Belakang

Hutan mangrove tumbuh dan tersebar di wilayah Indonesia terutama di wilayah pesisir. Wilayah pesisir merupakan suatu wilayah peralihan antara darat dan lautan. Ditinjau dari garis pantai, suatu wilayah pesisir memiliki dua macam batas, yaitu batas yang sejajar dengan garis pantai dan batas yang tegak lurus terhadap garis pantai. Daerah penyebaran hutan mangrove di Indonesia terluas terdapat di Irian Jaya, yaitu lebih kurang 1.350.600 ha, kemudian Kalimantan 978.200 ha (Dahuri 2003).

Hutan mangrove memiliki banyak manfaat bagi kehidupan, diantaranya sebagai peredam badai angin, pelindung abrasi pantai, bahan bangunan dan bahan bakar, pemasok hara dan makanan bagi plankton, dan lain-lain. Oleh karena itu, hutan mangrove perlu dijaga dan

dikembangkan pertumbuhannya. Hutan

mangrove hidup di sepanjang pantai tropis dan subtropis yang dipengaruhi oleh pasang surut air. Kalimantan Timur merupakan salah satu provinsi di Pulau Kalimantan yang memiliki wilayah pesisir yang potensial untuk pertumbuhan mangrove, yaitu di wilayah kabupaten Kutai Timur dan Kota Tarakan. Provinsi Kalimantan Timur memiliki 618.200 ha luas lahan hutan mangrove (Dahuri 2003). Hutan mangrove tumbuh di daerah tersebut dan tersebar tidak secara merata. Pada satu wilayah terdapat beberapa daerah yang memiliki potensi mangrove yang lebih luas dibandingkan daerah sekitarnya, meskipun daerah tersebut sudah memenuhi kriteria untuk pertumbuhan hutan mangrove. Oleh karena itu diperlukan suatu analisis spasial untuk identifikasi lahan mangrove sehingga dapat diketahui deskripsi wilayah yang potensial untuk mengembangkan mangrove.

Ditjen Kelautan, Pesisir dan Pulau-pulau Kecil (KP3K) telah melakukan pemetaan baik secara langsung dari citra satelit untuk memetakan daerah persebaran pertumbuhan mangrove pada suatu wilayah maupun survey lapangan hingga level kelurahan. Salah satu metode untuk pengolahan dan menganalisis data adalah spatial data mining untuk mengekstraksi informasi atau pola yang penting dari data di dalamnya.

Salah satu teknik dalam spatial data mining

adalah klasifikasi spasial. Klasifikasi spasial bertujuan memberikan sebuah label atau menentukan kelas dari sebuah objek berdasar

nilai atribut yang ada dalam spasial dataset

dengan memperhatikan objek tetangganya. Salah satu metode klasifikasi spasial adalah

spatial decision tree. Penelitian ini akan menggunakan metode spatial decision tree

untuk membuat classifier dari data spasial terkait dengan hutan mangrove.

1.2 Tujuan

Tujuan dari penelitian ini adalah :

1 Menerapkan teknik klasifikasi pada data spasial mangrove menggunakan Algoritme C4.5

2 Membuat spatial classifier untuk

mendeskripsikan wilayah yang memiliki lahan mangrove.

1.3 Ruang Lingkup

Classifier dibangun menggunakan data spasial terkait dengan hutan mangrove di wilayah provinsi Kalimantan Timur, yaitu Kabupaten Kutai Timur dan Kota Tarakan dengan level wilayah terendah adalah

kelurahan. Pembuatan decision tree

menggunakan Algoritme C4.5 dan data spasial yang digunakan diantaranya data mengenai mangrove, administrasi kelurahan, sungai, topografi, landuse, geologi, geomorfologi, lereng, dan tanah.

1.4 Manfaat Penelitian

Penelitian ini diharapkan dapat memberikan manfaat sebagai bahan pertimbangan bagi pemerintah dan pihak-pihak yang terkait dalam mengembangkan potensi mangrove di suatu wilayah.

TINJAUAN PUSTAKA

2.1 Data Spasial

Data spasial adalah data yang

merepresentasikan aspek-aspek keruangan dari fenomena yang terdapat di dunia nyata. Data spasial direpresentasikan di dalam basisdata sebagai raster atau vektor. Model data raster menampilkan, menempatkan, dan menyimpan data spasial dengan menggunakan struktur matriks atau piksel-piksel yang membentuk grid sedangkan model data vektor menggunakan titik, garis atau kurva, atau poligon beserta atributnya (Prahasta 2001).

Model informasi spasial terbagi menjadi dua kategori yaitu field dan object. Model object di dalam peta dapat direpresentasikan sebagai line

atau polygon. Pada model object, terdapat hubungan antara dua object yang dapat

(12)

2

topological. Contoh hubungan topological antara dua objek spasial adalah contains, inside,

dan overlap yang diilustrasikan pada Gambar 1 (Sekhar & Chawla 2003).

Gambar 1 Topological Biner (Sekhar & Chawla 2003).

2.2 Spatial Data Mining

Basisdata spasial menyimpan data keruangan atau spasial dalam jumlah yang besar, seperti peta, preprocessing remote sensing atau medical imaging data, dan VLSI

chip layout data. Basisdata spasial berbeda dengan basisdata relasional. Pada basisdata spasial terkandung hubungan topologi atau informasi jarak.

Spatial data mining merupakan proses ekstraksi pengetahuan, hubungan spasial atau pola-pola lainnya yang tidak secara eksplisit disimpan pada basisdata spasial. Penggabungan

data mining dengan teknologi basisdata spasial berguna untuk menemukan hubungan spasial dan hubungan antara spasial dan non-spatial,

membangun basis pengetahuan spasial, dan mengoptimalkan kueri spasial (Han & Kamber 2006).

2.3 Spatial Decision Tree

Spatial decision tree adalah metode

decision tree untuk klasifikasi data spasial. Metode ini berbeda dari decision tree

konvensional dengan mengambil perhitungan yang tersembunyi dalam hubungan spasial antara objek (Zeitouni & Chelgoum 2001).

2.4 Spatial Join Index

Pertimbangan utama dalam spatial data mining adalah hubungan spasial antara objek. Tidak seperti model data relasional, hubungan spasial bersifat implicit (tersembunyi). Komputasi spatial relationship memerlukan banyak operasi spatial join, yang dapat memberatkan secara komputasi. Metode untuk menyederhanakan proses ini menggunakan struktur yang disebut Spatial Join Index (SJI)

yang merupakan perluasan dari join indeks

dalam kerangka relational database yang

diperkenalkan oleh Valduriez yang

diilustrasikan pada Gambar 2. SJI menghitung secara tepat hubungan spasial antara dua objek dari dua lapisan tematik (Zeitouni 2000). Hubungan antara dua objek dalam SJI dapat berupa toplogical atau metrik. Setiap tuple

(ID1, Spatial_relationship, ID2) yang terdapat pada SJI merepresentasikan hubungan yang terdapat pada pasangan objek spasial yang teridentifiaksi sebagai ID1 dam ID2 (Zeitouni & Chelghoum 2004).

.

Gambar 2 Spatial Join Index (Zeitouni & Chelghoum 2004).

2.5 Operator Complete

Operator complete mengatur kembali data di dalam tabel unik atau khusus dari gabungan tiga tabel ternasuk di dalamnya terdapat tabel hasil dari spatial join index, sehingga didapatkan satu tabel. Prinsip dari operator

complete adalah membangkitkan untuk setiap nilai atribut dalam tabel terhubung dengan atribut dari tabel hasil. Keuntungan dari

penggunaan operator complete adalah

menghindari adanya duplikasi analisis objek dan membolehkan penggunaan metode data mining lain.

Definisi dari operator complete adalah : Misalkan terdapat tiga tabel, yaitu R (ID1, A1,…,An), V(ID2, B1,…,Bm) dan I(ID1, ID2, W). Primary keys setiap tabel ditandai dengan garis bawah. B(i=1,…,m) merupakan atribut kualitatif dan bij(j=1,…,Ki) merupakan nilai

yang berbeda (distinct values). Misal F = {F1,F2,…,Fm} adalah suatu kumpulan fungsi

agregasi.

COMPLETE (R, V, I, F) adalah sebuah tabel T yang memiliki rancangan skema seperti :

T(ID1,A1,…,An,W_b11,…,W_b1K1,…,W_bm1,…,

(13)

3

Contoh penggunaan operator Complete

diilustrasikan pada Gambar 3 (Zeitouni & Chelghoum 2004).

Gambar 3 Ilustrasi penggunaan Operator

Complete Zeitouni & Chelghoum 2004). 2.6 Algoritme K-Means

Analisis cluster mengelompokkan obyek-obyek data hanya berdasar pada informasi yang terdapat pada data, yang menjelaskan obyek dan relasinya. Tujuan analisis cluster adalah agar objek-objek di dalam grup menjadi mirip (atau berhubungan) satu dengan lainnya, dan berbeda (atau tidak berhubungan) dengan objek dalam grup lainnya. Salah satu teknik dalam clustering

adalah algoritme K-means.

K-means merupakan teknik clustering

sederhana. Langkah pertama yang dilakukan adalah menentukan K initial centroid, dengan K adalah parameter spesifik yang berupa jumlah dari cluster yang diinginkan. Kemudian Setiap objek dimasukkan ke dalam cluster yang memiliki centroid terdekat dengan objek tersebut. Centroid dalam cluster akan berubah sesuai dengan objek yang terdapat di dalam

cluster. Kemudian langkah penempatan objek ke dalam cluster dengan centroid terdekat diulang hingga tidak ada objek cluster yang berpindah cluster.

Algoritme dasar dari K-means adalah (Tan et al. 2006)

Tentukan K buah objek sebagai centroid awal. Ulangi

Tandai masing-masing objek untuk K

cluster dimana objek tersebut memiliki

centroid terdekat.

Hitung kembali centroid untuk masing-masing cluster.

Sampai tidak ada centroid yang berubah.

2.7 Algoritme C4.5

Algoritme C4.5 adalah pengembangan dari algoritme ID3 untuk membangkitkan pohon keputusan (decision tree). Algoritme C4.5 secara rekursif mengunjungi setiap decision node, memilih pemisahan (split) atribut yang optimal, sampai tidak ada pemisahan (split) atribut yang memungkinkan. Algoritma C4.5 menggunakan konsep dari information gain atau

entropy reduction untuk memilih pemisahan (split) yang optimal dengan memilih split yang memiliki information gain terbesar (Larose 2005).

Information gain didapatkan dengan cara:

-dengan adalah nilai entropy dan

didapatkan dengan cara :

I ( S1, S2,…,Sm ) = -

*

log

₂

(

)

probabilitas dari sample yang mempunyai kelas Ci. Sedangkan nilai entropy didapatkan dengan mempunyai nilai aj dari A dibagi dengan jumlah

total samples pada S.

Algoritme C4.5 dibuat untuk memperbaiki Algoritme ID3 dalam mengatasi missing data, data kontinyu, dan pruning (Santoso 2007).

Secara umum algoritme ID3 dan C4.5 adalah sebagai berikut :

Algoritme ID3 (Han & Kamber 2006)

(14)

4 3 Jika daftar atribut kosong, Maka jadikan

node N sebagai leaf node dengan label = nilai kelas yang terbanyak pada sampel; 4 Pilih atribut uji, atribut dalam daftar yang

memiliki information gain tertinggi; 5 Beri label node N dengan atribut uji;

2 Ubah pohon ke dalam bentuk aturan-aturan. Jumlah aturan sama dengan jumlah kemungkinan path dari akar ke daun.

3 Pangkas setiap aturan dengan

menghilangkan precondition sehingga meningkatkan nilai akurasi.

4 Urutkan aturan yang dipangkas berdasar nilai akurasinya, dan gunakan aturan-aturan tersebut pada data uji.

2.8 Confusion Matrix

Evaluasi dari kinerja model didasarkan pada banyaknya (count) dari test record secara benar dan secara tidak benar oleh model klasifikasi.

Count ini ditabulasikan ke dalam matrik yang diilustrasikan pada Tabel 1 (Tan et al. 2006). Tabel 1 Confusion matrix

Kelas hasil prediksi terdapat pada confusion matrix, total banyaknya prediksi yang benar oleh model adalah (f11 + f00) dan total banyaknya prediksi yang salah oleh model adalah (f10 + f01), sehingga akurasi didapatkan dengan cara (Tan et al. 2006) :

Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi

METODE PENELITIAN

Penelitian ini dilaksanakan dalam beberapa tahap seperti yang diilustrasikan pada Gambar 4.

ka

n

Gambar 4 Tahapan penelitian.

Pengadaan Data

(15)

5 Perikanan dan Kelautan (KP3K DKP) dan dari

mahasiswa jenjang S3 yang sedang melakukan penelitian di provinsi Kalimantan Timur. Data yang diperoleh dari KP3K DKP adalah tahun 2006 dan data yang diperoleh dari mahasiswa penelitian adalah data tahun 2008.

Seleksi Data

Pada tahap ini, memilih data pada sumber data yang akan dijadikan atribut pada dataset. Praproses Data

Beberapa tahapan yang dilakukan pada tahap praproses secara rinci terdapat pada Lampiran 1 dan diilustrasikan pada Gambar 5. Proses ini dilakukan oleh semua objek spasial yang terkait. Pada Gambar 5, objek spasial yang dijadikan contoh adalah landuse.

1 Perhitungan luas area

Pada tahap ini dilakukan perhitungan luas area objek kelurahan untuk hubungan spasial dengan objek lain dan untuk membentuk kelas target.

2 Penentuan hubungan spasial

Pada tahap ini, ditentukan hubungan spasial antara dua objek spasial, yaitu menggunakan hubungan topological. Operasi yang digunakan adalah operasi intersection

menggunakan perangkat lunak Arcview, sehingga didapatkan luas area yang berpotongan diantara dua objek tersebut.

Hasil dari tahap ini adalah tabel spatial join index dalam format xls yang berisi ID_kel, ID_objeklain, hubungan_spasial, dan luas area.

3 Penyerdehanaan tabel SJI (Spatial Join Index)

Pada tahap ini, hasil dari tabel spatial join index diurutkan berdasar wilayah, hubungan

topological, dan jenis atributnya. Kemudian dihitung total luas area masing-masing wilayah berdasar hubungan topological dan jenis atribut. Luas area selanjutnya dinyatakan dalam persentase terhadap luas wilayah kelurahan. Setelah itu, dilakukan penggunaan operator complete dengan

fungsi agregasi MAX untuk

menyederhanakan tabel spasial join index,

yaitu dengan mengambil nilai terbesar persentase luas area pada setiap jenis atribut.

Hasil dari tahap ini adalah tabel SJI yang telah sederhana dalam format xls, berisi ID_kel, jenis, dan luas area.

Gambar 5 Tahapan praproses.

4 Penentuan kategori

Pada tahap ini, dilakukan pengkategorian jenis atribut pada tabel SJI yang telah sederhana berdasar luas area. Proses ini dilakukan menggunakan teknik clustering, yaitu K-means dengan mengelompokkan data ke dalam 3 cluster.

5 Pemberian label kategori

Pada tahap ini, dilakukan pemberian label kategori pada tabel SJI yang telah sederhana sebagai identitas dari atribut jenis dan atribut luas area yang digabungkan berdasar hasil clustering luas area.

6 Penentuan kelas target

(16)

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 ‘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

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.

(17)

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 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

(18)

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

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

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

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

kelas Sedikit Sedang Banyak

 Pemberian label kelas

Jumlah record pada data kelurahan untuk

7 Penggabungan Tabel SJI

(19)

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 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

5 Jenis substrat yang beroverlap

8 Jenis geomorfologi yang terkandung

Kategorik

9 Jenis geomorfologi yang beroverlap

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

(20)

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

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

(21)

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.

(22)

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.

(23)

(24)

(25)

15 Lampiran 2 Nama kelurahan

Kabupaten Kutai Timur

No. Nama Kelurahan

1 KARANGAN

2 BATU LEPOQ

3 UPT MUARA KARANGAN

4 TERIAN TERAP

5 BAAY

6 PENGADAN

7 TADOAN

8 UPT. PENGADAN II PEN

9 PELAWAN

10 UPT. PENGADAN I KADU

11 SUSUK DALAM

12 KERAYAAN

13 SEMPAYAU

14 MARUKANGAN

15 MANDU DALAM

16 SANDARAN

17 BUMI ETAM (KAUBUN I)

18 PELAWAN

19 BUMI RAPAK (KAUBUN I)

20 UPT VII PENGADAN

21 BUMI RAPAK (KAUBUN II)

22 SAKA

23 UPT VI PENGADAN

24 BENUA BARU I

25 BENUA BARU II

26 KAUBUN III BUMI JAYA

27 PERIDAN

28 SUSUK LUAR

29 KAUBUN IV/CIPTA GRAH

30 TANJUNG MANIS

31 MANUBAR

32 PERIDAN I

33 PERIDAN II

34 BUKIT MAKMUR (KALIORANG)

35 BUMI SEJAHTERA (KALIORANG)

36 CIPTA MANUNGGAL JAYA

37 BANGUN JAYA (KALIORANG)

38 PERIDAN III

39 SELENGKO (KALIORANG)

40 KALIORANG

41 PERIDAN IV

42 PERIDAN V

Kota Tarakan

No. Nama Kelurahan

1 JUATA LAUT

2 JUATA PERMAI

3 SKIP KAMPUNG SATU

4 JUATA KERIKIL

5 KARANG HARAPAN

6 KAMPUNG ENAM

7 KARANG ANYAR

8 KARANG ANYAR PANTAI

9 KARANG HARAPAN

10 KARANG BALIK

11 KARANG REJO

12 PAMUSIAN

13 SEBENGKOK

14 SELUMIT

1 5 SELUMIT PANTAI

16 KAMPUNG EMPAT

17 GUNUNG LINGKAS

18 LINGKAS UJUNG

(26)

16 Lampiran 3 Luas area kelurahan di Kabupaten Kutai Timur dan Kota tarakan

ID Nama Kelurahan Luas Area (m2)

591 KARANGAN 1.444.324.531

595 BATU LEPOQ 898.491.577,8

614 UPT MUARA KARANGAN 45.635.933,97

637 TEPIAN TERAP 334.651.320,5

642 BAAY 932.241.575,2

645 PENGADAN 156.868.693

646 TADOAN 697.146.432,1

648 UPT. PENGADAN II 19.664.060,31

649 PELAWAN 155.891.902,1

652 UPT. PENGADAN I 16.025.350,74

658 SUSUK DALAM 181.709.157,8

659 KERAYAAN 423.358.765,1

661 SEMPAYAU 415.079.295

662 MARUKANGAN 401.441.855

665 MANDU DALAM 87.418.210,25

669 SANDARAN 1.032.108.506

672 BUMI ETAM 60.973.454,01

673 PELAWAN 554.577,08

678 BUMI RAPAK 3.450.259,03

679 UPT VII PENGADAN 11.531.167

682 BUMI RAPAK 43.585.234,65

683 SAKA 26.228.560,65

686 UPT VI PENGADAN 97.465.582,92

687 BENUA BARU 17.500.037,18

689 BENUA BARU 124.909.777,3

693 KAUBUN III BUMI JAYA 260.325.819,2

695 PERIDAN 31.071.583,83

698 SUSUK LUAR 183.005.593,6

701 KAUBUN IV/CIPTA GRAH 180.876.287,8

703 TANJUNG MANIS 121.352.988,1

705 MANUBAR 282.052.577,9

710 PERIDAN 5.342.427,96

711 PERIDAN 1.347.47.701,4

715 BUKIT MAKMUR 114.062.808,2

716 BUMI SEJAHTERA 51.695.118,5

718 CIPTA MANUNGGAL JAYA 31.987.819,31

721 BANGUN JAYA 28.853.507,83

722 PERIDAN 1.263.263,96

725 SELENGKO 29.928.426,48

729 KALIORANG 16.671.291,51

739 PERIDAN 824.202,18

746 PERIDAN 6.791.510,75

316 JUATA LAUT 69.376.157,47

323 JUATA PERMAI 16.640.069,31

329 SKIP KAMPUNG SATU 36.228.838,83

331 JUATA KERIKIL 8.999.904

333 KARANG HARAPAN 9.614.122,52

334 KAMPUNG ENAM 25.703.665,63

337 KARANG ANYAR 3.721.191,16

339 KARANG ANYAR RANTAI 10.924.166,74

340 KARANG HARAPAN 519.192,73

(27)

17 Lampiran 3 Lanjutan

ID Nama Kelurahan Luas Area (m2)

346 KARANG REJO 7.190.588,5

347 PAMUSIAN 5.978.858,16

349 SEBENGKOK 6.132.261,14

351 SELUMIT 1.135.408,97

355 SELUMIT PANTAI 3.658.583,82

356 KAMPUNG EMPAT 18.086.331,36

358 GUNUNG LINGKAS 2.883.528,5

360 LINGKAS UJUNG 5.675.586,5

361 MAMBURUNGAN 17.398.129,89

(28)

18 Lampiran 4 Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse

ID1 hubungan spasial ID2 Area terinterseksi (m2) jenis

591 contains 43 18.821.241,88 Belukar

591 contains 44 1.317,17 Belukar

591 overlap 171 17.515.342,58 Belukar

591 contains 25 3.034.023,62 Hutan

591 contains 170 145,08 Hutan

591 contains 22 934.404.728,7 Hutan

591 overlap 230 20.9351,4 Perkebunan/Kebun

591 overlap 231 9.996.008,81 Perkebunan/Kebun

591 contains 111 21.653.777,26 Perkebunan/Kebun

591 overlap 73 2.412.184,93 Rumput

591 contains 74 345.977,64 Tanah Kosong

591 contains 9 1.775.531,18 Tanah Kosong

595 overlap 150 345.272.459,5 Belukar

595 contains 206 21.030.208,75 Hutan

595 overlap 205 432.963.940 Hutan

595 contains 204 28.943,96 Ladang/tegalan

595 contains 110 9.632,92 Perkebunan/Kebun

595 contains 168 8.630.535,55 Rumput

595 contains 161 1.610.659,56 Rumput

595 contains 74 1.051.733,43 Tanah Kosong

(29)

19 Lampiran 5 Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse

ID1 Area yang mengandung landuse (%) jenis landuse

591 18.90 belukar

595 6.00 perkebunan

614 0.00 not contains

637 1.21 perkebunan

642 2.85 tanah kosong

645 3.97 hutan

646 0.01 belukar

649 2.28 rumput

659 0.55 perkebunan

662 1.20 hutan

669 13.79 hutan

672 4.63 belukar

682 2.52 rumput

687 6.85 ladang

689 3.69 belukar

693 2.99 belukar

695 0.00 not contains

698 0.79 ladang

703 0.54 perkebunan

705 1.65 ladang

710 74.50 belukar

711 14.53 perkebunan

715 0.35 tanah kosong

721 7.20 perkebunan

722 81.69 hutan

591 1.21 belukar

595 48.19 hutan

614 53.04 belukar

637 51.45 belukar

642 83.34 belukar

645 93.62 belukar

646 83.17 hutan

(30)

ID1 Area yang beroverlap dengan landuse (%) Jenis landuse

658 87.16 hutan

659 71.38 hutan

661 96.47 belukar

662 69.88 belukar

665 49.20 belukar

669 46.06 belukar

682 38.56 belukar

686 6.92 belukar

687 0.00 notcontains

689 55.83 belukar

693 92.12 belukar

695 70.75 belukar

698 95.84 belukar

701 95.44 belukar

703 94.11 belukar

705 46.30 belukar

711 58.86 belukar

715 94.77 belukar

716 88.71 belukar

718 90.35 belukar

721 76.75 belukar

(31)

21 Lampiran 6 Inisialisasi kategori

Objek substrat

Interval area (%)

Kelompok area

Lanau Pasir Pasir

lumpuran

karang Pasir lanauan

(0.01–30.16) ln1 ps1 plm1 kr1 pln1

(30.87–30.75) ln2 ps2 plm2 kr2 pln2

(71.2 - 100) ln3 ps3 plm3 kr3 pln3

(0.00) ncs

Objek lereng

Interval area (%)

Kelompok area Agak

curam

datar landai

(0.01–30.16) la1 lb1 lc1

(30.87–30.75) la2 lb2 lc2

(71.2 - 100) la3 lb3 lc3

(0.00) nclr

Objek Tanah

Interval area (%)

Kelompok area Aluvial Komplek padsolik merah

kuning, latosol, dan litosol

Padsolik, merah kuning

podsol

(0.01–30.16) ta1 tb1 tc1 td1

(30.87–30.75) ta2 tb2 tc2 td2

(71.2 - 100) ta3 tb3 tc3 td3

(32)

22

Aluvium Bagian bawah terdiri dari konglomerat dab batu

Belukar Ladang Pemukiman Perkebunan Empang/tambak Hutan/hutan lebat rumput Semak/belukar Tanah

(33)

(34)

24 Lampiran 7 Hasil perhitungan rasio mangrove terhadap kelurahan

ID1 Nama Kelurahan

luas area kelurahan (m2)

luas area mangrove

(m2) rasio (%) kelas

591 KARANGAN 1.444.324.531 0 0.00 tidak

595 BATU LEPOQ 898.491.577,8 0 0.00 tidak

614 UPT MUARA KARANGAN 45.635.933,97 0 0.00 tidak

637 TEPIAN TERAP 334.651.320,5 0 0.00 tidak

642 BAAY 932.241.575,2 0 0.00 tidak

645 PENGADAN 156.868.693 0 0.00 tidak

646 TADOAN 697.146.432,1 0 0.00 tidak

648 UPT. PENGADAN II 19.664.060,31 0 0.00 tidak

649 PELAWAN 155.891.902,1 16755313.67 10.75 sedang

652 UPT. PENGADAN I 16.025.350,74 0 0.00 tidak

658 SUSUK DALAM 181.709.157,8 0 0.00 tidak

659 KERAYAAN 423.358.765,1 11408043.1 2.69 sedikit

661 SEMPAYAU 415.079.295 6575840.75 1.58 sedikit

662 MARUKANGAN 401.441.855 2226986.08 0.55 sedikit

665 MANDU DALAM 87.418.210,25 13937776.53 15.94 sedang

669 SANDARAN 1.032.108.506 12922618.98 1.25 sedikit

672 BUMI ETAM (KAUBUN I) 60.973.454,01 11572870.43 18.98 sedang

673 PELAWAN 554.577,08 370319.54 66.78 banyak

678 BUMI RAPAK (KAUBUN I 3.450.259,03 529682.13 15.35 sedang

679 UPT VII PENGADAN 11.531.167 0 0.00 tidak

682 BUMI RAPAK (KAUBUN I 43.585.234,65 11754257.35 26.97 sedang

683 SAKA 26.228.560,65 1996514.85 7.61 sedikit

686 UPT VI PENGADAN 97.465.582,92 0 0.00 tidak

687 BENUA BARU 17.500.037,18 4288739.98 24.51 sedang

689 BENUA BARU 124.909.777,3 27774425.75 22.24 sedang

693 KAUBUN III BUMI JAYA 260.325.819,2 90131.26 0.03 sedikit

695 PERIDAN 31.071.583,83 1949506.51 6.27 sedikit

698 SUSUK LUAR 183.005.593,6 1271083.51 0.69 sedikit

701 KAUBUN IV/CIPTA GRAH 180.876.287,8 0 0.00 tidak

703 TANJUNG MANIS 121.352.988,1 5246605.64 4.32 sedikit

705 MANUBAR 282.052.577,9 29115589.56 10.32 sedang

710 PERIDAN 5.342.427,96 0 0.00 tidak

711 PERIDAN 1.347.47.701,4 11008858.24 8.17 sedikit

715 BUKIT MAKMUR (KALIOR 114.062.808,2 0 0.00 tidak

716 BUMI SEJAHTERA (KALI 51.695.118,5 5502848.96 10.64 sedang

718 CIPTA MANUNGGAL JAYA 31.987.819,31 782896.16 2.45 sedikit

721 BANGUN JAYA (KALIORA 28.853.507,83 200280.44 0.69 sedikit

722 PERIDAN 1.263.263,96 0 0.00 tidak

725 SELENGKO (KALIORANG 29.928.426,48 0 0.00 tidak

(35)

ID1 Nama Kelurahan

luas area kelurahan (m2)

luas area mangrove

(m2) rasio (%) kelas

739 PERIDAN 824.202,18 0 0.00 tidak

746 PERIDAN 6.791.510,75 1195407.46 17.60 sedang

316 JUATA LAUT 69.376.157,47 514769.57 0.74 sedikit

323 JUATA PERMAI 16.640.069,31 1960051.5 11.78 sedang

329 SKIP KAMPUNG SATU 36.228.838,83 111560.68 0.31 sedikit

331 JUATA KERIKIL 8.999.904 0 0.00 tidak

333 KARANG HARAPAN 9.614.122,52 111948.61 1.16 sedikit

334 KAMPUNG ENAM 25.703.665,63 70103.78 0.27 sedikit

337 KARANG ANYAR 3.721.191,16 0 0.00 tidak

339 KARANG ANYAR RANTAI 10.924.166,74 417071.52 3.82 sedikit

340 KARANG HARAPAN 519.192,73 252540.9 48.64 banyak

344 KARANG BALIK 2.325.929,58 0 0.00 tidak

346 KARANG REJO 7.190.588,5 487898.13 6.79 sedikit

347 PAMUSIAN 5.978.858,16 0 0.00 tidak

349 SEBENGKOK 6.132.261,14 66503.3 1.08 sedikit

351 SELUMIT 1.135.408,97 0 0.00 tidak

355 SELUMIT PANTAI 3.658.583,82 365008.2 9.98 sedang

356 KAMPUNG EMPAT 18.086.331,36 27328.76 0.15 sedikit

358 GUNUNG LINGKAS 2.883.528,5 0 0.00 tidak

360 LINGKAS UJUNG 5.675.586,5 457659.19 8.06 sedikit

(36)

26 Lampiran 8 Tabel gabungan SJI

topografi sungai co_landuse ov_landuse ov_susbtrat co_geologi ov_geologi co_geomorfologi ov_geomorfologi co_lereng ov_lereng co_tanah ov_tanah Kelas

779.40 0.26 b1 b1 ncs gb1 gi1 gma2 gmb1 la1 lc1 tb1 tb3 tidak

525.00 0.31 p1 h2 ncs gg1 gg1 gmb1 gmb1 la1 lc2 tb1 tb2 tidak

525.00 0.00 ncl b2 ncs ncg gh2 ncgm gmm2 nclr lc3 nct tb3 tidak

272.43 0.05 p1 b2 ncs gf1 gg2 gmf1 gmb2 la1 lb2 tb1 tb3 tidak

344.97 19.77 t1 b3 ncs gg1 gh1 gmf1 gmk1 nclr la3 nct tb3 tidak

256.50 0.28 h1 b3 ncs ge1 gj2 gme1 gma2 nclr lc3 nct tc3 tidak

0.00 0.44 b1 h3 ncs gg1 gf2 gmg1 gmf1 la1 la3 tb1 ta1 tidak

74.00 0.02 ncl ncl ncs ncg gj2 ncgm gma2 nclr lc3 nct tc3 tidak

28.83 3.54 r1 b2 ncs gf1 gg2 gmi1 gmb2 lb1 lb3 ta1 ta2 sedang

62.00 0.00 ncl ncl ncs ncg ncg ncgm gma3 nclr lc3 nct tc3 tidak

62.00 0.01 ncl h3 ncs gg1 gc2 gmb1 gmh1 nclr la3 nct tb3 tidak

107.25 5.11 p1 h3 ncs gg1 gc2 gmf1 gmh1 nclr la2 nct tb3 sedikit

130.29 0.58 ncl b3 ps1 ncg gj2 ncgm gmf2 nclr lc2 nct tb2 sedikit

58.33 0.11 h1 b2 ln1 gg1 gb1 gmb1 gmf2 nclr la2 nct tb3 sedikit

0.00 1.72 ncl b2 ncs gf1 gc3 gmh1 gml1 lb1 lb3 ta1 tb2 sedang

0.00 0.01 h1 b2 plm1 gd2 gf1 gmf1 gmf1 la1 la3 tb1 tb3 sedikit

86.67 0.76 b1 p1 ps1 gf1 gl3 gmi1 gmf2 lb1 lb2 ta1 tc3 sedang

4.00 2.31 ncl ncl ln1 ncg gf2 gmi2 ncgm lb2 nclr nct nct banyak

0.00 0.00 ncl ncl ln1 gf3 ncg gmi3 ncgm lb1 nclr ta2 nct sedang

87.00 0.00 ncl ncl ncs ncg ncg ncgm ncgm nclr nclr nct tb2 tidak

2.00 4.02 r1 b2 ln1 gf1 gl2 gmi1 gmf1 lb1 lb2 ta1 tc2 sedang

17.00 1.05 ncl p2 ncs ncg gc2 ncgm gmg1 lb1 lb3 nct ta2 sedikit

62.00 0.01 ncl b1 ncs ncg gl1 ncgm gmg1 nclr nclr nct nct tidak

0.00 0.00 l1 ncl ln1 gf3 ncg gmi2 ncgm lb3 nclr ta3 nct sedang

51.00 0.03 b1 b2 ln1 ge1 gf2 gmb1 gmg1 lb1 lb3 ta1 ta3 sedang

117.00 0.13 b1 b3 ncs ncg gl1 ncgm gmf2 nclr la2 nct tb2 sedikit

19.00 0.80 ncl b1 ncs ncg gc3 gmi1 gmf2 nclr lb3 nct ta3 sedikit

32.33 0.00 l1 b3 pln1 ncg ge2 gmg1 gmf2 nclr lb2 nct tb2 sedikit

159.55 0.00 ncl b3 ncs gc1 gl2 gmh1 gmf2 nclr la2 nct nct tidak

28.00 0.33 p1 b3 ln1 gf1 gg2 gmb1 gmg2 nclr lb3 ta1 ta3 sedikit

0.00 2.47 l1 b2 ln1 ncg gf2 gmb1 gmg2 lb1 lb3 ta1 ta1 sedang

0.00 0.00 b3 ncl ln1 gg3 ncg gmb3 ncgm lb3 nclr ta3 nct tidak

34.00 0.00 p1 b2 lm1 ge1 gc2 gmi1 gml2 nclr lb3 nct ta2 sedikit

157.00 0.00 t1 b3 ncs ncg gl2 ncgm gmg2 nclr lc2 nct tb2 tidak

43.00 0.00 ncl b3 kr1 ncg gl2 ncgm gmf2 nclr lb3 nct tc3 sedang

20.00 0.06 ncl b3 pln1 ncg gl3 ncgm gmf3 nclr lb3 nct tc1 sedikit

20.00 0.00 p1 b3 ncs ncg gl3 ncgm gmgf3 nclr lb3 nct tc3 sedikit

L

am

p

ir

an

8

T

ab

el

g

a

b

u

n

g

a

n

SJ

I

2

(37)

topografi sungai co_landuse ov_landuse ov_susbtrat co_geologi ov_geologi co_geomorfologi ov_geomorfologi co_lereng ov_lereng co_tanah ov_tanah Kelas

0.00 0.00 h3 ncl ln1 gf2 ncg ncgm ncgm lb3 nclr ta2 nct tidak

20.00 0.00 ncl b2 ncs ncg gl2 ncgm gmf2 nclr lb3 nct tb2 tidak

13.00 0.02 h1 b2 ln1 ncg gl3 ncgm gmf3 nclr lb3 nct tb2 sedikit

0.00 0.00 ncl ncl ps1 gf3 ncg gmc3 ncgm lb2 nclr ta1 nct tidak

0.00 0.00 b2 ncl ps1 gg3 ncg gmb2 ncgm nclr lb3 ta2 nct sedang

55.00 0.12 t1 s1 plm1 ncg ga2 ncgm gml2 nclr lb3 nct ta2 sedikit

19.50 1.68 e1 s2 ps1 ncg ga3 ncgm gmj2 nclr lb3 nct ta3 sedang

56.00 0.21 ncl h3 ln1 ncg gk3 ncgm gml3 nclr lb3 nct td2 sedikit

70.00 2.60 ncl h2 ncs ncg gk3 ncgm gml3 nclr lb3 nct td3 tidak

27.00 0.00 pm1 s3 ps1 ncg gk1 ncgm gml3 nclr lb3 nct ta2 sedikit

51.00 0.00 h1 h2 ln1 ncg ga2 gmj1 gmj2 nclr lb3 nct td2 sedikit

0.00 0.00 ncl s2 ncs ncg ncg ncgm ncgm nclr lb3 nct td3 tidak

43.00 0.04 pm1 s2 ps1 ncg gk2 ncgm gmb2 nclr nclr nct td2 sedikit

55.00 0.00 pm1 ncl ps1 ga3 ncg gmd3 ncgm nclr lb1 nct nct banyak

0.00 0.00 ncl s3 ncs ncg ncg ncgm ncgm nclr lb3 nct td3 tidak

43.00 1.73 ncl s2 ln1 ncg ga3 ncgm gmd2 nclr lb3 nct td3 sedikit

23.00 0.00 ncl s3 ncs ncg ncg ncgm gml3 nclr lb3 nct td3 tidak

0.00 0.00 e1 pm2 ln1 ncg gk2 ncgm gmd2 nclr lb3 nct td3 sedikit

0.00 0.00 ncl s2 ncs ncg gk2 ncgm gml3 nclr nclr nct nct tidak

0.00 0.12 pm1 s2 ln1 ncg ncg ncgm gmd3 nclr lb3 nct nct sedang

62.00 0.02 pm1 s2 ncs ncg ncg ncgm gml3 nclr lb3 nct td3 sedikit

9.00 0.00 p1 pm2 plm1 ncg gk3 ncgm gmd3 nclr nclr nct nct tidak

9.00 3.52 pm1 e2 ln1 ncg ga2 ncgm gmd3 nclr lb3 nct td2 sedikit

71.50 0.59 e1 h2 ln1 ncg gk3 ncgm gml3 nclr lb3 nct ta2 sedang

L

am

p

ir

an

8

L

an

ju

ta

n

2

(38)

28 Lampiran 9 Transformasi data

@relation mangrove

@attribute topografi numeric @attribute sungai numeric

@attribute co_landuse{b1,b2,b3,l1,pm1,p1,e1,h1,h3,r1,t1,ncl} @attribute ov_landuse{b1,b2,b3,h2,h3,s1,s2,s3,e2,pm2,p1,p2,ncl} @attribute ov_substrat{ln1,ps1,kr1,lm1,plm1,pln1,ncs}

@attribute co_geologi{ga3,gb1,gc1,gd2,ge1,gf1,gf2,gf3,gg1,gg3,ncg} @attribute

ov_geologi{ga2,ga3,gb1,gc1,gc2,gd2,gd3,ge1,gf2,gf3,gg1,gg2,gg3,gh2,gi1,gi2,g j1,gj2,gk1,gk2,gk3,ncg}

@attribute

co_geomorfologi{gma2,gmb1,gmb2,gmb3,gmc3,gmd3,gme1,gmj1,gmf1,gmg1,gmh1,gmi1, gmi2,gmi3,ncgm}

@attribute

ov_geomorfologi{gma2,gma3,gmb1,gmb2,gmc2,gmc3,gmd1,gmd2,gmd3,gme1,gmf1,gmf2, gmg1,gmg2,gmg3,gmh1,gmi2,gmj2,ncgm}

@attribute co_lereng{la1,lb1,lb2,lb3,nclr}

@attribute ov_lereng{la2,la3,lb1,lb2,lb3,lc1,lc2,lc3,nclr} @attribute co_tanah{ta1,ta2,ta3,tb1,nct}

@attribute ov_tanah{ta1,ta2,ta3,tb2,tb3,tc1,tc2,tc3,td2,td3,nct} @attribute kelas {tidak,sedikit,sedang,banyak}

@data

(39)