SPATIO-TEMPORAL SEQUENTIAL PATTERN MINING
UNTUK DETEKSI DINI KEBAKARAN PADA LAHAN
GAMBUT DI PROVINSI RIAU
SODIK KIRONO
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Spatio-Temporal Sequential Pattern Mining untuk Deteksi Dini Kebakaran pada Lahan Gambut di Provinsi Riau adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juni 2016
RINGKASAN
SODIK KIRONO. Spatio-Temporal Sequential Pattern Mining untuk Deteksi Dini Kebakaran pada Lahan Gambut di Provinsi Riau. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan LAILAN SYAUFINA.
Kegiatan penyiapan lahan sering dilakukan dengan pembakaran yang tidak terkendali sering menyebabkan kebakaran sehingga menimbulkan dampak yang sangat merugikan. Oleh karena itu, perlu dilakukan deteksi dini kebakaran terutama di lahan gambut.
Tujuan dari penelitian ini adalah menganalisis pola sequential titik panas di lahan gambut provinsi Riau menggunakan algoritme Douglas-Peucker dan konsep substring tree structure. Penelitian ini diharapkan dapat bermanfaat untuk membantu memprediksi kemunculan titik panas pada lahan gambut di provinsi Riau dan melakukan deteksi dini (early detection system) kebakaran lahan gambut agar penyebaran kebakaran dapat diminimalkan.
Penelitian ini terdiri dari beberapa tahap utama yaitu praproses data, pembentukan singular frequent pattern dengan algoritme Douglas-Peucker, pembentukan frequent sequential pattern dengan konsep substring tree structure, dan identitifkasi titik panas yang menjadi indikator kuat kebakaran lahan gambut. Penelitian dilakukan pada data titik panas yang diperoleh dari FIRMS untuk tahun 2000-2015, meskipun pembahasan difokuskan pada data tahun 2014 dan 2015.
Penelitian menghasilkan tiga jenis pola sequential yaitu pola sequential tanggal, hari, dan lokasi. Pola sequential tanggal yang paling banyak muncul tahun 2014 adalah 11 Maret 2014 diikuti 13 Maret 2014, artinya bahwa terjadi kemunculan titik panas pada tanggal 11 Maret 2014 dan kemudian muncul kembali pada tanggal 13 Maret 2014. Pola sequential tersebut terjadi pada 7 kabupaten/ kota yaitu Indragiri Hilir, Pelalawan, Siak, Kepulauan Meranti, Bengkalis, Rokan Hilir, dan Dumai.
Pola sequential tanggal yang paling banyak muncul tahun 2015 adalah 9 Juni 2015 diikuti 11 Juni 2015 yang artinya bahwa kemunculan titik panas terjadi pada tanggal 9 Juni 2015 dan kemudian diikuti pada tanggal 11 Juni 2015. Pola sequential tersebut terjadi pada 4 kabupaten/ kota yaitu Dumai, Rokan Hilir, Bengkalis, dan Kepulauan Meranti.
Pola sequential hari yang paling banyak muncul tahun 2014 adalah Kamis diikuti Jumat, artinya terjadi kemunculan titik panas pada hari Kamis kemudian diikuti pada hari Jumat pada lokasi yang sama atau dalam radius 1 kilometer. Pola sequential tersebut terjadi pada 9 dari 12 kabupaten/ kota di provinsi Riau yaitu Siak, Bengkalis, Pelalawan, Rokan Hilir, Indragiri Hilir, Rokan Hulu, Dumai, Kepulauan Meranti, dan Indragiri Hulu.
Selain itu, pola yang paling banyak muncul lain adalah Jumat diikuti Sabtu diikuti Minggu, artinya terjadi kemunculan titik panas pada hari Jumat kemudian diikuti Sabtu dan kemudian diikuti Minggu. Pola sequential tersebut terjadi pada 7 kabupaten/ kota di provinsi Riau yaitu Bengkalis, Rokan Hilir, Siak, Dumai, Indragiri Hilir, Pelalawan, dan Kepulauan Meranti.
cenderung terjadi di akhir minggu. Pola sequential tersebut terjadi pada 8 kabupaten/ kota di provinsi Riau yaitu Rokan Hilir, Dumai, Bengkalis, Indragiri Hilir, Indragiri Hulu, Kepulauan Meranti, Pelalawan, dan Siak.
Pola sequential lokasi yang paling banyak muncul tidak dapat ditentukan. Hal ini karena jumlah support masing-masing pola yang hampir sama. Selain itu, pola sequential lokasi juga tidak dapat digunakan untuk deteksi dini kebakaran, hal ini karena jumlah support yang relatif kecil.
Penelitian juga menghasilkan persentase titik panas yang menjadi indikator kuat kebakaran lahan gambut di provinsi Riau. Persentase titik panas yang menjadi indikator kuat kebakaran lahan gambut pada tahun 2014 adalah 22.77%. Artinya, sekitar 22.77% titik panas yang terjadi di lahan gambut provinsi Riau adalah potensial kebakaran.
SUMMARY
SODIK KIRONO. Spatio-temporal Sequential Pattern Mining for Early Detection of Peatland Fire In Riau Province. Supervised by IMAS SUKAESIH SITANGGANG and LAILAN SYAUFINA.
The process of land preparation is often conducted by burning process and it was sometimes become uncontrollable and cause many negative impact for environment. Therefore, it is needed to build early detection system for peatland fire.
The objective of this research is to analyze sequential pattern from hotspot data in peatland area of Riau province using Douglas-Peucker algorithm and substring tree structure concept. It is expected that the result can help related parties including ministry of forestry, for preventing and early detection of fire in peatland area, so the spread of fire can be minimized.
The main steps of this research are data preprocess, generating singular frequent patten using Douglas-Peucker algorithm, generating frequent sequential pattern using substring tree structure concept, and identifying hotspot that could become strong indicator of peatland fire. This research used hotspot data that were obtained from FIRMS for 2000-2015, meanwhile discussion focus on sequential patterns generated from data in 2014 and 2015.
This research result 3 types of sequential pattern, namely sequential pattern of date, day, and location. The most interesting frequent sequential pattern of date in 2014 is March 11th 2014 then followed by March 13th 2014, meaning that there was hotspot occurrence in March 11th and then followed by March 13th 2014. The sequential pattern occurred in 7 districts, including Indragiri Hilir, Pelalawan, Siak, Kepulauan Meranti, Bengkalis, Rokan Hilir, and Dumai.
Meanwhile, the most interesting frequent sequential pattern in 2015 is June 9th 2015 then followed by June 11th 2015, meaning that there was hotspot occurrences in June 9th and then followed by June 11th 2015. The sequential pattern occurred in 4 districts, including Dumai, Rokan Hilir, Bengkalis, dan Kepulauan Meranti.
The most interesting frequent sequential pattern of day in 2014 is Thursday then followed by Friday in the location of radius of 1 km. The sequential patterns were occurred in 9 districts, including are Siak, Bengkalis, Pelalawan, Rokan Hilir, Indragiri Hilir, Rokan Hulu, Dumai, Kepulauan Meranti, dan Indragiri Hulu.
Another interesting frequent sequential pattern in 2014 is Friday followed by Saturday and then followed by Sunday, meaning that there were hotspot occurrences in Friday followed by Saturday and then followed again by Sunday. The sequential pattern occurred in 7 districts, including Bengkalis, Rokan Hilir, Siak, Dumai, Indragiri Hilir, Pelalawan, dan Kepulauan Meranti.
The sequential pattern of location can’t be determined which one is more frequent than others because the support of every pattern is nearly even. Also, the sequential pattern of location can’t be used for early detecting peatland fire. It is because its support is very low.
This research also produced percentage of hotspot that could become strong indicator of peatland fire in Riau province. The percentage that could become strong indicator of peatland fire is 22.77%, meaning that about 22.77% hotspot occurrence in peatland area in Riau province is potential of fire.
© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer
pada
Program Studi Ilmu Komputer
SPATIO-TEMPORAL SEQUENTIAL PATTERN MINING
UNTUK DETEKSI DINI KEBAKARAN PADA LAHAN
GAMBUT DI PROVINSI RIAU
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2016
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga tesis berjudul Spatio-Temporal Sequential Pattern Mining untuk Deteksi Dini Kebakaran pada Lahan Gambut di Provinsi Riau ini dapat diselesaikan.
Terima kasih penulis ucapkan kepada Dr Imas Sukaesih Sitanggang, SSi MKom dan Dr Ir Lailan Syaufina, MSc selaku pembimbing yang telah membimbing serta Dr Eng Wisnu Ananta Kusuma, ST MT selaku penguji yang memberikan saran dan masukan kepada penulis. Terima kasih juga penulis sampaikan kepada Direktorat Jenderal Pendidikan Tinggi yang telah memberikan beasiswa melalui program Fresh Graduate - Sinergi, serta FIRMS MODIS NASA, Badan Pusat Statistik Indonesia, dan Wetland International Programme Indonesia sebagai penyedia data. Ungkapan terima kasih juga disampaikan kepada kedua orang tua tercinta, Ayahanda Eko Dikoro dan Ibunda Sainem yang sampai detik ini selalu memberikan dukungan, semangat, doa, dan curahan kasih sayang yang tiada terhingga, begitu juga dengan seluruh anggota keluarga yang menjadi penyemangat dan sumber doa bagi penulis untuk selalu melakukan yang terbaik. Terima kasih juga kepada teman-teman Pasca Sarjana Ilmu Komputer 2013 dan 2014 dan semua pihak baik yang terkait selama penelitian dan studi dilakukan.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juni 2016
DAFTAR ISI
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 3
Tujuan Penelitian 3
Manfaat Penelitian 4
Ruang Lingkup Penelitian 4
2 TINJAUAN PUSTAKA 5
Perkembangan Penelitian Tentang Sequential Pattern Mining 5
Lahan Gambut dan Kebakaran Lahan Gambut 6
Titik Panas (Hotspot) 6
Data Spasial 8
Data Temporal 9
Data Spatio-Temporal 9
Sequential Pattern Mining 9
Spatio-Temporal Sequential Pattern Mining 10
Algoritme Douglas-Peucker 11
Substring Tree Structure 12
Algoritme Prefixspan 14
3 METODE 16
Wilayah Kajian 16
Data dan Alat 16
Tahapan Penelitian 17
4 HASIL DAN PEMBAHASAN 22
Praproses Data 22
Pembentukan Singular Frequent Pattern dengan Algoritme Douglas-Peucker 24 Pembentukan Frequent Sequential Pattern Menggunakan Subsequence 29 Identifikasi Titik Panas yang Menjadi Indikator Kuat Kebakaran di Lahan
Gambut 35
5 SIMPULAN DAN SARAN 37
Simpulan 37
Saran 37
DAFTAR PUSTAKA 38
LAMPIRAN 40
DAFTAR TABEL
1 Perkembangan penelitian pada sequential pattern mining 5
2 Contoh sequence, subsequence, element, item 10
3 Contoh transaksi dalam sequence 10
4 Data sequential S dengan item {a,b,c,d,e,f,g} 14
5 Persentase titik panas sebagai indikator kuat kebakaran lahan gambut 20
6 Atribut hasil seleksi dari data titik panas 22
7 Data titik panas terurut berdasarkan tanggal 23
8 Contoh data hasil konversi tanggal akusisi 23
9 Data titik panas terurut berdasarkan latitude dan longitude 24 10 Hasil konversi latitude dan longitude menjadi daerah/ lokasi 24
11 Hasil konversi tanggal akuisisi menjadi hari 24
12 Jumlah sequence lokasi tahun 2014 25
13 Contoh sequential kemunculan titik panas aspek spasial pada tahun
2014 26
14 Contoh data sequential lokasi dengan format masukan SPMF 26
15 Jumlah sequence tanggal tahun 2014 27
16 Contoh sequential kemunculan titik panas aspek temporal pada tahun
2014 27
17 Contoh sequence hari hasil implementasi algoritme Douglas-Peucker 28 18 Contoh data sequential tanggal dengan format masukan SPMF 28 19 Contoh data sequential hari dengan format masukan SPMF 29 20 Jumlah frequent subsequence lokasi yang terbentuk setiap tahun 29
21 Pola sequential lokasi yang banyak muncul 30
22 Jumlah frequent sequence berdasarkan tanggal 31
23 Pola sequential tanggal banyak muncul 31
24 Jumlah frequent sequence berdasarkan hari 33
25 Pola sequential hari yang banyak muncul 33
DAFTAR GAMBAR
1 Representasi titik panas dalam radius ±1 km2 7
2 Representasi data spasial model vektor: (a) titik, (b) garis, dan (c)
poligon 8
3 Representasi (a) segitiga, (b) segitga dalam model raster 8
4 Ilustrasi algoritme Douglas-Peucker 12
5 Contoh graf (a) graf tidak terhubung, (b) graf terhubung dengan cycle,
dan (c) graf terhubung tanpa cycle (tree) 13
6 Ilustrasi algoritme Douglas-Peucker 13
7 Peta lahan gambut provinsi Riau 16
8 Tahapan penelitian 17
9 Lokasi pola sequential tanggal 11 Maret 2014 -1 13 Maret 2014 32 10 Lokasi pola sequential tanggal 9 Juni 2015 -1 11 Juni 2015 32 11 Lokasi pola sequential hari Kamis diikuti Jumat 34 12 Lokasi pola sequential hari Jumat -1 Sabtu -1 Minggu 34
13 Lokasi pola sequential hari Kamis -1 Sabtu 35
DAFTAR LAMPIRAN
1
PENDAHULUAN
Latar Belakang
Indonesia merupakan negara dengan luas lahan gambut terbesar ke empat di dunia setelah Kanada, Uni Soviet, dan Amerika Serikat (Najiyati 2005 dalam Sumargo et al. 2011). Lahan gambut berfungsi untuk pelestarian sumber daya air, peredam banjir, pencegah intrusi air laut, pendukung keanekaragaman hayati, dan pengendali iklim (IWL 2014), namun kelangsungan lahan gambut semakin hari semakin mengkhawatirkan (Muslim dan Kurniawan 2008). Menurut BBPPSDLP (2011), total luas lahan gambut di 3 pulau utama yaitu Sumatra, Kalimantan, dan Papua adalah 14 905 574. Lahan gambut terluas terdapat di pulau Sumatra yaitu 6 436 649.
Tahun 2009, sekitar 51% atau 10,77 juta hektar lahan gambut telah mengalami perubahan penggunaan/ penutupan lahan dan pada periode 2000-2009 lahan gambut mengalami deforestasi seluas 2 juta hektar. Pulau Sumatra adalah penyumbang deforestasi terluas pada lahan gambut yaitu seluas 0.98 juta hektar (Sumargo et al. 2011). Tutupan hutan alam lahan gambut di Provinsi Riau pada tahun 2002 sekitar 2.280.198 ha dan tahun 2007 tutupan tersebut hanya tinggal 1.603.008 ha atau telah berkurang 19% dari luas hutan alam lahan gambut pada tahun 2002 (Muslim dan Kurniawan 2008).
Manusia merupakan penyebab perubahan tutupan lahan terbesar lahan gambut. Salah satu penyebab terbesar adalah pembukaan dan pengalihfungsian lahan gambut. Proses pembukaan/ pengalihfungsian lahan gambut biasanya dilakukan dengan pembakaran (Muslim dan Kurniawan 2008). Pembakaran hutan adalah tindakan secara sengaja membakar yang dilakukan oleh masyarakat dalam mengelola lahan untuk kegiatan pertanian dan perladangan, sedangkan kebakaran adalah proses pembakaran yang menyebar secara bebas dan tidak dapat dikendalikan dengan mengonsumsi serasah, rumput, humus, ranting-ranting kayu mati, semak, dan dedaunan kering. Kebakaran pada lahan gambut didominasi oleh kebakaran bawah, api menjalar di bawah tanah. Meskipun pada permukaan tanahnya tidak terlihat api dan proses penjalarannya lebih lambat, namun kebakaran pada lahan gambut sulit dikendalikan (Syaufina 2008). Hal ini dikarenakan sumber api yang tidak diketahui letak pastinya menyebabkan sulitnya pengendalian.
Dampak kebakaran hutan sangat merugikan dalam berbagai aspek kehidupan manusia. Kabut asap merupakan salah satu dampak terburuk dari kebakaran hutan. Kabut asap dapat mengakibatkan gangguan infeksi saluran pernapasan atas (ISPA) yang bahkan dapat menyebabkan kematian. Aktivitas penerbangan juga sering dibatalkan karena jarak pandang yang tidak memenuhi syarat. Aktivitas pendidikan juga terganggu karena kabut asap ini.
2
dengan 50% kemunculan di pulau Sumatra berada pada lahan gambut (Minnemeyer 2015).
Data titik panas memiliki aspek spasial dan temporal serta memiliki ukuran dimensi maupun data yang cukup besar. Kemampuan analisis secara manual akan membutuhkan sumber daya yang sangat besar. Teknik data mining dapat menjadi salah satu teknik alternatif yang dapat digunakan. Data mining memungkinkan menemukan pola yang lebih akurat dengan sumber daya yang lebih terbatas. Selain itu, teknik data mining memungkinkan menghasilkan pola yang tidak dihasilkan oleh teknik lain. Salah satu pola tersebut adalah pola sequential. Pemanfaatan pola sequential berdasarkan aspek spatio-temporal memungkinkan untuk menghasilkan prediksi urutan kemunculan titik panas pada tempat dan waktu tertentu. Beberapa penelitian dalam prediksi terjadinya kebakaran hutan yang dilakukan belum banyak yang menggunakan kedua aspek spasial dan temporal, hanya salah satu dari keduanya.
Beberapa penelitian terkait dengan pencarian pola sequential dari data spatio-temporal telah dilakukan oleh Tan et al. (2001), Cao et al. (2005), dan Cheng dan Wang (2006). Tan et al. (2001) melakukan penelitian untuk menemukan pola penting pada data Earth Science. Metode yang digunakan adalah metode asosiasi seperti dalam Agrawal dan Srikant (1994). Sebelum dimasukkan ke algoritme tersebut, terlebih dahulu dilakukan proses untuk menghilangkan pola musiman, auto korelasi, dan diubah ke market basket data. Metode asosiasi digunakan untuk mencari pola-pola baik yang bersifat sequential maupun non-sequential. Penelitian ini menyimpulkan bahwa teknik asosiasi yang diusulkan oleh Agrawal dan Srikant (1994) dapat digunakan untuk menemukan pola penting baik yang bersifat sequential dan non-sequential pada data Earth Science dengan terlebih dahulu mengubah bentuk datanya.
Cao et al. (2005) melakukan penelitian untuk menemukan pola sequential pada spatio-temporal series data. Teknik yang digunakan adalah mengubah sekuens yang asli menjadi daftar dari segmen-segmen sekuen dan mendeteksi wilayah yang region dengan heuristik. Algoritme yang digunakan adalah algoritme Douglas-Peucker (Douglas and Peukcer 1973) dan substring tree structure (Cao et al. 2005). Penelitian telah berhasil menemukan pola singular frequent pattern dari data spatio-temporal dengan mengelompokkan segmen tidak hanya dari kemiripan bentuk tetapi juga kedekatan jaraknya. Selain itu, dihasilkan juga pendekatan substring tree baru untuk mempercepat pencarian pola yang lebih panjang. Cheng dan Wang (2006) telah melakukan penelitian untuk melakukan peramalan dan prediksi kebakaran dengan menggunakan data spatio-temporal untuk mencegah kebakaran hutan. Mereka memperkenalkan metode baru yaitu Improved Spatio-temporal Intregated Forecasting Framework (ISTIFF). Algoritme tersebut telah diujikan untuk memprediksi kebakaran hutan di Kanada. Berdasarkan hasil prediksi yang didapat, akurasi yang dihasilkan lebih baik daripada metode lain seperti ARIMA dan STIFF.
3 menyimpulkan bahwa interval kemunculan titik panas menjadi indikator kuat kebakaran adalah 3 hari. Selain itu, Agustina dan Sitanggang (2015) juga melakukan penelitian untuk mendapatkan pola sequential pada data titik panas di provinsi Riau namun dengan algoritme yang berbeda yaitu Clospan serta menambahkan factor cuaca. Hasil penelitian menunjukkan bahwa algoritme Clospan dapat menemukan pola sequential pada data titik panas di provinsi Riau dan menyimpulkan bahwa wilayah yang kerap muncul titik panas adalah dengan precipitation 0.3 per inchi per 6 jam dan suhu 29.440C.
Berdasarkan beberapa penelitian di atas, dapat disimpulkan bahwa pola sequential dapat ditemukan dari data spatio-temporal seperti titik panas dan pola sequential yang dihasilkan dapat digunakan untuk memprediksi kemunculan titik panas atau kebakaran dan deteksi dini pada kebakaran. Oleh karena itu, penelitian ini akan mengambil topik tentang pemanfaatan data spatio-temporal untuk melakukan deteksi dini kebakaran pada lahan gambut berdasarkan pola sequential dari data spatio-temporal-nya. Teknik data mining yang akan digunakan adalah algoritme Douglas-Peucker dan substring tree structure, seperti yang diusulkan oleh Cao et al. (2005). Keluaran dari teknik ini adalah pola sequential kemunculan titik panas di lahan gambut di provinsi Riau. Studi kasus akan difokuskan pada provinsi Riau dengan data berupa data titik panas tahun 2000 sampai 2015 yang diperoleh dari FIRMS. Penelitian ini diharapkan dapat membantu pihak terkait dalam melakukan deteksi dini dan pengendalian kebakaran di lahan gambut di provinsi Riau berdasarkan aspek spasial dan temporalnya.
Perumusan Masalah
Pencegahan dan deteksi dini perlu dikembangkan untuk mencegah semakin banyaknya kebakaran lahan gambut. Sistem prediksi kebakaran pada lahan gambut dengan melihat pola kemunculan titik panas dapat menjadi salah satu alternatif. Sistem prediksi yang telah dikembangkan pada beberapa penelitian terdahulu belum menggunakan kedua aspek yaitu spasial dan temporal. Beberapa penelitian hanya menggunakan aspek spasial atau temporal-nya saja, sehingga hasil pola yang didapatkan hanya bisa memprediksi kebakaran berdasarkan tempat atau waktunya saja, bukan keduanya. Oleh karena itu, diperlukan sistem yang dapat memprediksi kemunculan titik panas yang mencakup dua aspek yaitu aspek spasial dan temporal. Hal ini berguna untuk membantu memprediksi kebakaran lahan gambut berdasarkan pola tempat dan pola waktunya, sehingga diharapkan hasilnya lebih akurat. Penelitian ini diharapkan dapat menghasilkan pola sequential titik panas yang dapat digunakan untuk membantu melakukan deteksi dini kebakaran lahan gambut.
Tujuan Penelitian
4
Manfaat Penelitian
Manfaat penelitian ini adalah
1 Membantu memprediksi kemunculan titik panas pada lahan gambut di provinsi Riau berdasarkan pola sequential yang didapatkan dari data titik panas berdasarkan aspek spasial dan temporal-nya.
2 Melakukan deteksi dini (early detection system) kebakaran lahan gambut
Ruang Lingkup Penelitian
Untuk membatasi lingkup penelitian agar pembahasan berfokus pada tujuan yang telah ditetapkan, maka diberikan ruang lingkup dan batasan sebagai berikut: 1 Cakupan wilayah penelitian adalah provinsi Riau sampai level desa
2 Data titik panas yang digunakan adalah data titik panas di provinsi Riau tahun 2001 sampai 2015 diambil dari website FIRMS-MODIS NASA pada alamat https://firms.modaps.eosdis.nasa.gov/download
5
2
TINJAUAN PUSTAKA
Perkembangan Penelitian Tentang Sequential Pattern Mining
Tabel 1 berikut menunjukkan perkembangan penelitian tentang titik panas, spatio-temporal data, dan sequential pattern mining.
Tabel 1 Perkembangan penelitian pada sequential pattern mining
No. Penulis Kontribusi Data
2 Pei et al. (2004) Memperkenalkan metode baru untuk menemukan pola pada data titik panas di provinsi Riau dengan algoritme data titik panas di provinsi Riau dengan algoritme Clospan
6
Lahan Gambut dan Kebakaran Lahan Gambut
Lahan gambut adalah daerah dengan lapisan tanah yang kaya akan bahan organik (kandungan C-organik > 18%) dengan tingkat ketebalan antara 50 cm atau lebih. Lahan gambut terbentuk dari sisa-sisa tanaman yang telah mati dan tertimbun di dalam tanah, berbeda dengan tanah mineral yang terbentuk dari pelapukan batuan atau letusan gunung berapi. Kondisi tanah gambut yang miskin akan unsur hara dan jenuh air menyebabkan sisa-sisa tanaman tidak dapat melapuk/ terdekomposisi dengan sempurna sehingga menyebabkan timbunan terus bertambah (Agus dan Subiksa 2008).
Lahan gambut mempunyai beberapa sifat fisik. Sifat fisik lahan gambut yang pertama dalah kandungan berat isi (bulk density) yang sangat rendah yang menyebabkan lahan gambut tidak dapat menahan atau menjadi penyangga. Hal ini menyebabkan kondisi tanah menjadi agak lembek, sehingga ditanami tanaman perkebunan pun tanaman sering kali roboh.
Sifat fisik yang kedua adalah sifat mengering tidak balik. Gambut yang telah mengering tidak bisa menyerap air lagi ketika dibasahi dan mudah hanyut dibawa aliran air dan mudah terbakar (Agus dan Subiksa 2008). Selain itu, gambut kering juga tidak dapat lagi menyerap unsur hara dan sifat berubah menjadi seperti arang sehingga pada musim kemarau sangat rentang terjadi kebakaran (Chotimah 2002 dalam Widyati 2011).
Kebakaran pada lahan gambut tidak seperti kebakaran pada hutan bukan gambut. Kebakaran yang dapat terjadi pada lahan non gambut adalah kebakaran tajuk, artinya hanya tanaman saja yang terbakar sedangkan tanahnya tidak terbakar. Selain itu, api hanya muncul di atas tanah saja. Berbeda dengan kebakaran pada lahan non gambut, kebakaran pada lahan gambut dapat terjadi pada permukaan maupun dalam tanah. Hal ini karena sifat dari tanah gambut sendiri yang merupakan sisa dari bahan organik yang tidak terurai sempurna sehingga dapat terbakar. Selain itu, rongga-rongga pada gambut yang sudah mengering juga dapat menjadi jalur api sehingga kebakaran juga dapat muncul di dalam tanah gambut.
Oleh karena itu, kebakaran lahan gambut lebih sulit dipadamkan dan bisa meluas dengan cara merambat di bagian bawah permukaan tanah (ground fire) secara tidak terkendali meskipun kebakarannya tidak menyala (Syaufina 2008). Hal ini karena sulitnya menemukan sumber api dan mengalirkan air ke sumber air tersebut.
Titik Panas (Hotspot)
Titik panas merupakan istilah untuk suatu daerah (yang direpresentasikan dengan titik) yang memiliki suhu lebih tinggi dibandingkan ambang batas yang ditentukan (Dephut 2000). Titik panas dapat menjadi indikator kebakaran hutan, namun bukan kejadian kebakaran hutan (Musawijaya et al. 2001). Titik panas dipantau dengan penginderaan jarak jauh (remote sensing) menggunakan satelit. Salah satu satelit yang digunakan untuk pemantauan titik panas adalah Earth Observing System (EOS). EOS merupakan satelit milik NASA.
7 utama pada Terra dan Aqua. MODIS dari Terra dan Aqua memantau keseluruhan permukaan bumi setiap 1 sampai 2 hari.
Satu piksel citra MODIS merepresentasikan titik panas dalam radius 1 km. MODIS akan merepresentasikan titik panas dalam radius 1 km sebagai 1 titik, artinya jika dalam radius 1km terdapat lebih dari 1 titik panas akan tetap terdeteksi sebagai 1 titik. Adapun jika ada titik panas yang terdeteksi dalam radius 1 km dan terdapat di perbatasan piksel maka akan terdapat banyak titik panas yang direpresentasikan oleh MODIS. Ilustrasi representasi titik panas oleh MODIS dapat dilihat pada Gambar 1 (Giglio 2003).
Gambar 1 Representasi titik panas dalam radius ±1 km2
Ada beberapa faktor yang dapat mempengaruhi komponen MODIS dalam mendeteksi titik panas. Komponen tersebut adalah tutupan awan, tutupan asap, dan tutupan pepohonan. Faktor tersebut akan membuat MODIS tidak akurat dalam mendeteksi titik panas, bahkan menjadi tidak bisa mendeteksi titik panas yang ada. Selain itu, ada batasan MODIS dapat mendeteksi titik panas. Ketidaksesuaian sudut pengambilan, posisi matahari, suhu permukaan tanah, tutupan awan, jumlah api, dan arah angin dapat membuat data MODIS yang didapat menjadi sangat tidak sesuai dengan aslinya. Pada kondisi seperti ini, besar minimal titik panas yang dapat dideteksi adalah 1000m2. Pada kondisi yang sangat sesuai (pada titik terendah, sedikit atau tidak ada asap, permukaan tanah relatif seragam, dan sedikit atau tidak ada awan) titik panas dengan besar 100m2 dapat dideteksi (FIRMS 2013).
8
Data Spasial
Data spasial dalah data yang menyimpan informasi fenomena geografi. Data spasial mempunyai field tambahan pada database untuk menyimpan informasi spasialnya (Rolf 2001). Informasi spasial bisa dalam bentuk diskret ataupun kontinu. Titik, garis, dan area adalah tipe data spasial diskret, sedangkan contoh tipe data spasial kontinu adalah elevation dan precipitation (Chang 2008).
Model data spatial dapat dibedakan menjadi dua macam yaitu vektor dan raster. Model data vektor menggunakan titik dan koordinat (x,y) untuk membentuk titik (point), garis (line), dan area/ permukaan (polygon) (Chang 2008). Karakteristik data titik adalah mempunyai koordinat tunggal (x,y), tidak mempunyai panjang maupun luasan. Karakteristik data garis adalah pasangan koordinat yang memiliki awal dan akhir (x1, y1); (x2,y2), mempunyai panjang tetapi tidak mempunyai luasan. Karakteristik data poligon adalah pasangan koordinat dengan titik awal dan titik akhir yang sama (x1,y1 = xn, yn), mempunyai panjang dan mempunyai luasan. Contoh representasi data spasial model vektor dapat dilihat pada Gambar 2.
Gambar 2 Representasi data spasial model vektor: (a) titik, (b) garis, dan (c) poligon
Contoh data spasial berupa titik adalah letak sekolah, letak rumah, dan letak SPBU. Contoh data spasial berupa garis adalah sungai, dan jalan. Contoh data spasial berupa poligon adalah lapangan sepak bola, area perumahan, dan pulau. Model data raster menggunakan petak-petak (grid) yang merepresentasikan objek-objek spasial (Chang 2008). Setiap satu grid adalah representasi satu piksel gambar. Lokasi piksel dinyatakan dengan baris ke-m dan kolom ke-n. Contoh representasi data spasial model raster dapat dilihat pada Gambar 3a dan 3b.
9
Model data vektor sangat baik untuk merepresentasikan objek spasial yang sifatnya diskret, sedangkan data raster cocok untuk merepresentasikan objek spasial yang sifatnya kontinu. Data spasial terdiri dari dua aspek yaitu aspek spasial dan aspek non spasial. Aspek spasial adalah lokasi objek, sedangkan aspek non-spasial adalah atribut lain selain lokasi seperti nama objek.
Data Temporal
Data temporal adalah data mengandung informasi time-stamp (sequence karakter yang menunjukkan waktu kejadian). Time-stamp dapat dibentuk dengan valid time (waktu sebenarnya misal 3 Maret 2005), transaction time (elemen waktu yang dimasukkan database), dan bi-temporally (valid time dan transaction time) (Mitsa 2005). Ada beberapa tipe dari data temporal yaitu statistic data, sequences, time stamped, time series, dan fully temporal. Statistic data adalah data temporal mempunyai Zero temporality. Sequences adalah susunan urutan kejadian atau transaksi. Meskipun sequences tidak secara langsung merujuk pada temporal, ada hubungan temporal yang bersifat kualitatif antar item data. Tidak seperti sequences, time stamped mempunyai informasi yang berhubungan dengan waktu secara jelas. Hubungan dapat dikuantitatifkan, seperti dapat ditentukan jarak temporal antar elemen data secara jelas. Bentuk khusus dari time stamped adalah time series data. Pada time series data, data kejadian mempunyai jarak dengan skala yang seragam. Tipe yang terakhir adalah fully temporal. Pada fully temporal, masing-masing data bersifat fully time dependent. Penarikan kesimpulan dari data fully time dependent juga sangat bersifat temporal (Shahnawaz 2011).
Data Spatio-Temporal
Data spatio-temporal direpresentasikan dalam format tiga dimensi yaitu 2 dimensi untuk informasi spasial dan satu dimensi untuk aspek temporal (Mitsa 2010). Aspek spasial yang dimaksud adalah longitude dan latitude, sedangkan aspek temporal yang dimaksud adalah waktu kejadian. Sering kali pada data spatio-temporal sangat sulit menemukan kejadian pada lokasi yang sama dan waktu yang sama. Kejadian yang sering adalah terjadi pada tempat yang sama tetapi waktu berbeda. Untuk mengatasi hal ini maka waktu dapat saja dibuat menjadi sebuah interval.
Sequential Pattern Mining
10
Tabel 2 Contoh sequence, subsequence, element, item
Contoh data sequence Contoh subsequence Contoh element Contoh item < {2,4} {3,5,6} {8} > < {2} {3,5} > < {3,5,6} > 3
< {1,2} {3,4} > < {1} {3} > < {3,4} > 4 < {2,4} {2,4} {2,5} > < {2} {4} > < {2,4} > 2
Sequential pattern mining adalah teknik data mining yang mencari pola dari subsequence yang sering muncul (frequent subsequence). Subsequence adalah sebuah rangkaian yang terbentuk dari rangkaian lain dengan menghapus beberapa elemen tanpa menghapus urutan dari elemen sisanya. Dari Tabel 1, terlihat bahwa <{2}{3,5}> adalah subsequence dari < {2,4} {3,5,6} {8} >. Frequent subsequence adalah subsequence dengan kemunculan lebih dari pattern. Support adalah bagian dari database transaksi yang mengandung itemset (Han dan Kamber 2006). Ilustrasi penentuan frequent subsequence dapat dilihat pada Tabel 3.
Tabel 3 Contoh transaksi dalam sequence
SID sequence
10 <a(abc)(ac)d(cf)> 20 <(ad)c(bc)(ae)> 30 <(ef)(ab)(df)cb>
<(ab)c> adalah sebuah subsequence dari <a(abc)(ac)d(cf)>, jika diberikan nilai minimum support 2, maka <(ab)c> adalah frequent subsequence. Hal ini dikarenakan ada setidaknya ada 2 subsequence <(ab)c> dari seluruh transaksi pada database, dan oleh karena itu <(ab)c> juga merupakan sequential pattern.
Sequential pattern mining telah diimplementasikan oleh Nurulhaq dan Sitanggang (2015) serta Agustina dan Sitanggang (2015). Kedua penelitian tersebut berhasil menemukan pola sequential pada data titik panas di Provinsi Riau. Perbedaan kedua peneltian tersebut adalah Nurulhaq dan Sitanggang (2015) menemukan pola sequential dengan algoritme prefixspan (Pei et al. 2004), sedangkan Agustina dan Sitanggang (2015) menemukan pola sequential dengan algoritme Clospan. Agustina dan Sitanggang (2015) juga memasukkan unsur cuaca dalam pembahasannya.
Spatio-Temporal Sequential Pattern Mining
11 Pendekatan paling sederhana untuk melakukannnya adalah dengan menggunakan regular grid (spatial decomposition) untuk membaginya menjadi region dengan memperhatikan parameter yang ditetapkan (Cao et al. 2005). Spatio-temporal mengakomodasi aspek spatial data mining dan temporal data mining. Pendekatan pertama yang dapat digunakan untuk menyelesaikan spatio-temporal data mining adalah dengan menanamkan aspek temporal pada spatial data mining system, sedangkan pendekatan kedua adalah menanamkan aspek spasial pada temporal data mining system (Roddick dan Spiliopoulou 1999).
Beberapa teknik data mining yang dapat digunakan untuk data spatio-temporal adalah menemukan periodic pattern dan mining association rules, amun data spatio-temporal tidak serta merta dapat dilakukan mining menggunakan teknik tersebut. Hal ini dikarenakan ukuran spatio-temporal data yang cenderung besar. Salah satu cara mengurangi ukuran data spatio-temporal adalah dengan reduksi, teknik yang sangat dikenal adalah line simplification. Ide utama dari line simplification adalah poligon yang memiliki banyak segmen garis lurus dapat direpresentasikan cukup dekat dengan poligon lain yang memiliki lebih sedikit segmen garis lurus. Selain diperlukan teknik reduksi, query khusus data spatio-temporal juga diperlukan. Misalkan ada sekumpulan titik dalam 3-D, Q = (x1, y1, t1), (x2, y2, t2),..., maka query spatio-temporal yang dapat dijalankan adalah sebagai berikut (Mitsa 2010):
1 Dimana (Q,t)? – Jawaban dari pertanyaan ini adalah lokasi objek Q pada waktu t
2 Kapan (Q,t,y)? – Jawaban dari pertanyaan ini adalah waktu objek Q melewati titik x,y
Algoritme Douglas-Peucker
Algoritme Douglas-Peucker pertama kali diperkenalkan oleh David Douglas and Thomas Peucker pada tahun 1973. Algoritme ini digunakan untuk mengurangi jumlah titik untuk merepresentasikan sebuah garis (Douglas and Peukcer 1973). Algoritme ini menggunakan algoritme dengan pendekatan top down. Algoritme Douglas-Peucker merupakan salah satu algoritme terbaik dalam pemilihan titik pemisah (splitting point) (White 1985). Pada pengembangan selanjutnya, algoritme Douglas-Peucker dapat digunakan untuk menentukan frequent singular pattern dari sebuah data spatio-temporal (Cao et al. 2005). Algoritme Douglas-Peucker dapat dituliskan seperti pada Algoritme 1 dan ilustrasi penerapan algoritme Douglas-Peucker dalam mengurangi jumlah titik untuk merepresentasikan garis dapat dilihat pada Gambar 4. Algoritme 1 menjelaskan bahwa jika jarak maksimum titik ke garis lurus dalam bidang datar lebih dari nilai threshold maka polyline 1 akan terbentuk dari vertex awal ke titik maksimumnya. Proses dilanjutkan dengan membentuk polyline 2, yaitu penting garis dari titik maksimumnya ke vertex terakhir. Gambar 4 (Barrilot et al. 2001) menjelaskan bahwa garis dengan banyak kombinasi garis lurus akan dibagi menjadi beberapa segmen dan dengan threshold tertentu maka setiap segmen akan digabungkan menjadi sebuah garis kembali dengan lebih sedikit garis lurus.
Algoritme 1 - Douglas-Peucker (Douglas dan Peucker 1973)
DP(Polyline, Segment, Threshold)
12
pmax ← corresponding farthest Polyline vertex
if dmax > Threshold then
Polyline1 ← All Polyline segments from pi
(first vertex) to pmax
Polyline2 ← All Polyline segments from pmax to
pf (last vertex)
Segmen 1 ← [pi, pmax] Segmen 2 ← [pmax, pf]
Return DP(Polyline1, Segment1) DP(Polyline2, Segmen2)
else
Return {Segment} end if
end program
Gambar 4 Ilustrasi algoritme Douglas-Peucker
Bentuk poligon awal pada Gambar 4a dihitung masing-masing titik pertemuan garis dengan garis horizontal yang terbentuk ujung masing-masing garis. Selain itu, poligon akan di pecah menjadi beberapa polyline dan segment (Gambar 4b). Selanjutnya, pada masing-masing polyline, untuk jarak titik pertemuan dua garis dengan horizontal antar dua ujung segment-nya kurang dari threshold maka akan dibuat menjadi sebuah garis saja, sedangkan untuk yang jarak lebih dari threshold, maka akan tetap menjadi dua garis. Tahap akhir adalah menggabungkan kembali polyline dan segment menjadi sebuah poligon (Gambar 4c).
Proses pembentukan sequence dan singular frequent pattern dengan algoritme Douglas-Peucker melewati dua tahap yaitu filtering dan verification. Tahap filtering dilakukan dengan memisahkan segment dan menghitung jarak antar segment, sedangkan pada tahap verifikasi, algoritme melakukan penggabungan segmen ke spatial region ketika perbedaan jarak terpenuhi.
Substring Tree Structure
String adalah sederetan simbol yang tidak tertentu panjangnya, yang dianggap sebagai panjang satu unit (World Agreement Agenda O812). String dibentuk dari gabungan beberapa string lain. String yang merupakan penyusun atau bagian dari string yang lain disebut substring. Misal ada sebuah string “ILMUKOMPUTER”, “ILMU” adalah contoh substring dari string tersebut.
13 Tree adalah graf tak berarah dengan semua node terhubung dan tidak membentuk cycle. Graf adalah pasangan terurut antara vertex (node) dan edge (penghubung) yang dapat dinotasikan sebagai G = {V, E}. Beberapa contoh jenis graf (termasuk tree) dapat dilihat pada Gambar 5a, 5b, dan 5c.
Gambar 5 Contoh graf (a) graf tidak terhubung, (b) graf terhubung dengan cycle, dan (c) graf terhubung tanpa cycle (tree)
Gambar 5a menunjukkan jenis graf tidak terhubung karena ada satu buat titik (node) yang tidak terhubung dengan titik lainnya. Gambar 5b menunjukkan jenis graf terhubung sekaligus mengandung cycle, sedangkan gambar 5c adalah contoh graf terhubung tanpa cycle. Gambar 5c juga merupakan contoh dari tree.
Substring tree dapat digunakan untuk menghitung panjang substring dengan elemen yang berbeda-beda. Substring tree adalah sebuah rooted directed tree yang root-nya terhubung ke banyak substring tree. Masing-masing node pada sub-tree terdiri dari elemen pola dan counter, yang menghitung jumlah substring yang berkontribusi ke pola yang dibentuk oleh path dari root ke node. Contoh substring tree dapat dilihat pada Gambar 6 (Cao et al. 2005). Tree dibuat dari hasil ekstraksi substring yang mengandung elemen-elemen yang berbeda dengan ri = (xi, yi, ti) (Cao et al. 2005).
Penentuan pola frequent dari substring tree dapat digunakan konsep stack. Masing-masing elemen stack terdiri dari pola, jumlah, dan level, yang menandakan pola telah mencapai leaf atau belum. Langkah pertama menentukan pola frequent yaitu menambahkan pola yang berasosiasi dengan children dari root ke dalam stack. Kemudian secara iteratif akan menghasilkan pola yang memiliki frekuensi tertinggi dari dalam stack. Jika yang pola yang dihasilkan bukan pada level leaf dan frequent, maka pola tersebut dikeluarkan dari dalam stack dan digabungkan dengan elemen children-nya serta memasukkan pola tersebut ke dalam stack kembali. Sebaliknya pola hanya akan dikeluarkan jika frequent. Proses ini akan berlangsung sampai tidak ada pola yang ada pada stack. Output akhir dari algoritme substring tree structure adalah frequent closed pattern (Cao et al. 2005).
Gambar 6 Ilustrasi algoritme Douglas-Peucker
(a) (b) (c)
Edge
14
Algoritme Prefixspan
Algoritme Prefix-projected Sequential Pattern Mining (Prefixspan) adalah salah satu bentuk dari tree data structure. Prefixspan dapat menemukan seluruh pola tetapi dengan mengurangi proses pembentukan kandidat sequence. Prefixspan mengurangi ukuran dari database dan mengarahkan pada proses pencarian yang lebih cepat dan penggunaan memori yang lebih sedikit (Pei et al. 2004). Algoritme prefixspan cenderung lebih cepat daripada algoritme untuk menemukan pola sequential lain seperti SPADE dan Clospan (Verma dan Mehta 2014). Algoritme Prefixspan selengkapnya dapat dilihat pada Algoritme 2 berikut.
Algoritme 2 – Prefixspan (Pei et al. 2004)
1 Find length-1 sequential patterns.
The given sequence S is scanned to get item
(prefix) that occurred frequently in S. For the number of time that item occurs is equal to length-l of that item. Length-l is given by notation <pattern> : <count>.
2 Divide search space.
Based on the prefix that derived from first step,
the whole sequential pattern set is partitioned in
this phase.
3 Find subsets of sequential patterns. The projected
databases are constructed and sequential patterns
are mined from these databases.
Berikut merupakan contoh mendapatkan pola sequential dari data pada Tabel 2 (Pei et al. 2004).
Tabel 4 Data sequential S dengan item {a,b,c,d,e,f,g} Sequence_id Sequence
1 <Jumat (Jumat Sabtu Minggu)( Jumat Minggu) Senin (Minggu Rabu)
2 <(Jumat Senin) Minggu (Sabtu Minggu) (Jumat Selasa)> 3 <(Selasa Rabu) (Jumat Sabtu) (Senin Rabu) Minggu Sabtu> 4 <Selasa Kamis (Jumat Rabu) Minggu Sabtu Minggu>
1 Mendapatkan pola sequential dengan panjang 1-item.
Memindai database satu kali untuk mendapatkan semua item berulang. Didapatkan item berulang dengan panjang 1-item adalah <Jumat>:4, <Sabtu>:4, <Minggu>:4, <Senin>:3, <Selasa>:3, <Rabu>:3, dan
<Kamis>:1. Notasi “<pola>:jumlah” menunjukkan pola yang dihasilkan dan jumlah support dalam database.
2 Membagi ruang pencarian
Pola sequential yang didapatkan dibagi menjadi enam bagian berdasarkan prefix/ awalannya, yaitu pencarian pola dengan prefix <Jumat> sampai <Kamis>.
16
3
METODE
Wilayah Kajian
Wilayah kajian yang diteliti adalah provinsi Riau. Provinsi Riau dibentuk dengan penetapan Undang-Undang Darurat Nomor 19 Tahun 1957, yang kemudian diundangkan dalam Undang-Undang Nomor 61 Tahun 1958. Riau terletak di 01° 05’ 00” Lintang Selatan - 02° 25’ 00” Lintang Utara atau antara 100° 00’ 00” - 105° 05’ 00” Bujur Timur. Riau memiliki luas wilayah 107.932,71 km2 membentang dari lereng Bukit Barisan hingga selat Malaka, dengan luas daratan 89.150,15 km2 (Riau 2013). Riau memiliki luas lahan gambut sekitar 4.043.601 ha atau sekitar 56,1% dari seluruh luas lahan gambut di pulau Sumatra (Muslim dan Kurniawan 2008). Peta lahan gambut di provinsi Riau dapat dilihat pada Gambar 7 (Muslim dan Kurniawan 2008).
Gambar 7 Peta lahan gambut provinsi Riau
Data dan Alat
Data penelitian yang digunakan adalah data kemunculan titik panas dari tahun 2000-2015 untuk wilayah provinsi Riau yang diunduh dari website FIRMS pada
https://firms.modaps.eosdis.nasa.gov/download. Penelitian juga menggunakan data lahan gambut provinsi Riau yang diperoleh dari Wetlands International. Selain itu, digunakan juga peta geografis provinsi Riau sampai level desa yang didapat dari Badan Pusat Statitistik (BPS).
17 visualisasi data. Rstudio digunakan melakukan pembentukan sequence. SPMF digunakan untuk mencari frequent subsequence. DBMS MySQL digunakan mempermudah mencari lokasi/ tanggal terjadinya pola I yang didapatkan dari perangkat lunak SPMF. Notepad++ sebagai teks editor untuk mentransformasi format data dan menampilkan frequent subsequence yang didapat. Microsoft Excel untuk mengolah titik panas baik sebelum maupun sesudah dilakukan praproses data.
Tahapan Penelitian
Tahapan penelitian dilakukan seperti pada Gambar 8. Penelitian dimulai dengan pengumpulan data titik panas, praproses data, pembentukan frequent singular pattern menggunakan algoritme Douglas-Peucker, pembentukan frequent sequential pattern menggunakan konsep substring tree structure, dan identifikasi titik panas yang menjadi indikator kuat kebakaran di lahan gambut.
Gambar 8 Tahapan penelitian
Pengumpulan Data Titik Panas
Data kemunculan titik panas di provinsi Riau yang digunakan didapat dari website Fire Information Resources Management System (FIRMS) MODIS dan dapat diunduh secara gratis pada alamat https://firms.modaps.eosdis.nasa.gov/ download. Proses pengunduhan tidak bisa langsung dilakukan pada saat itu juga. Ketika akan mengunduh, akan disajikan peta dunia yang bisa dipilih wilayah yang akan diunduh. Setelah dipilih, akan dibuatkan sebuah permintaan untuk mengunduh. Alamat pengunduhan dikirimkan ke email. Alamat tersebutlah digunakan untuk mengunduh.
Data lahan gambut di provinsi Riau diperoleh dari Weatland International. Selain kedua data di atas, digunakan juga data wilayah provinsi Riau sampai level desa. Data wilayah Riau sampai level desa didapatkan dari Badan Pusat Statistik (BPS).
Praproses Data
18
pada penelitian ini meliputi beberapa tahap yaitu overlay data titik panas, seleksi atribut, dan pengkodean data.
Proses overlay adalah proses menumpangtindihkan beberapa peta yang sama sistem koordinatnya untuk mendapatkan informasi baru yang lebih spesifik. Overlay dilakukan untuk mendapatkan data titik panas yang hanya berada pada lahan gambut provinsi Riau saja. Proses overlay dilakukan dengan cara melakukan operasi geometri intersect pada data titik panas di provinsi Riau dengan peta lahan gambut di Provinsi Riau. Proses overlay dilakukan menggunakan perangkat lunak QuantumGIS.
Proses intersect pada QuantumGIS dapat dilakukan dengan cara memilih menu Vector >> Geoprocessing Tools >> Intersect. Layer masukan adalah yang cakupannya lebih luas, dan layer pemotong (intersect) adalah yang lebih kecil. Oleh karena itu, yang menjadi layer masukan adalah data titik panas di provinsi Riau dan yang menjadi layer intersect adalah lahan gambut di provinsi Riau.
Praproses data selanjutnya adalah seleksi atribut. Seleksi atribut dilakukan untuk memilih atribut yang relevan terhadap analisis spasial dan temporal. Atribut yang dipilih adalah latitude, longitude, dan tanggal akuisisi. Latitude dan longitude mewakili aspek spasial, sedangkan tanggal akuisisi mewakili aspek temporal.
Tahap praproses selanjutnya adalah pengkodean data. Pengkodean data dilakukan untuk menyesuaikan data dengan masukan algoritme sequential pattern mining yang digunakan pada perangkat lunak yang digunakan. Pengkodean data dilakukan pada ketiga atribut yang dipilih yaitu atribut latitude, longitude, dan tanggal. Atribut latitude dan longitude diubah menjadi suatu indeks lokasi. Atribut tanggal akuisisi data titik panas diubah menjadi indeks tanggal. Pengkodean data juga dilakukan untuk mendapatkan atribut hari.
Hasil dari praproses data digunakan untuk membentuk sequence. Sebuah sequence akan terdiri dari beberapa elemen sequence berupa indeks lokasi dan indeks tanggal.
Pembentukan SingularFrequentPattern dengan Algoritme Douglas-Peucker
Implementasi algoritme Douglas-Peucker dilakukan pada dua aspek yaitu aspek spasial dan temporal. Implementasi algoritme Douglas-Peucker tidak langsung diterapkan algoritmenya, hanya konsep dan alurnya saja yang diadopsi. Hal ini dikarenakan ide dasar algoritme Douglas-Peucker adalah untuk menyederhanakan bentuk poligon dari suatu objek yang bergerak (Douglas and Peucker 1973). Berbeda dengan pergerakan objek, titik panas adalah objek yang berbeda dengan kemunculan pada tempat tertentu. Oleh karena itu dilakukan analogi atau hanya idenya saja yang digunakan. Algoritme Douglas-Peucker diaplikasikan untuk membentuk sequence dengan mengelompokkan titik panas sampai panjang tertentu berdasarkan threshold yang ditetapkan. Titik panas dianalogikan seperti titik pergerakan objek, sedangkan sequence kemunculan titik panas dianalogikan sebagai bentuk poligon dari pergerakan objek.
19 masih dalam satu sequence, namun jika jarak lebih besar dari threshold, maka akan membentuk sequence baru.
Nilai threshold adalah ambang batas untuk membentuk sebuah sequence. Threshold pada penelitian ini dibagi menjadi dua yaitu threshold lokasi dan threshold tanggal. Threshold tanggal adalah selisih tanggal yang digunakan untuk membuat sebuah sequence, sedangkan threshold lokasi adalah selisih lokasi yaitu latitude dan longitude yang juga digunakan untuk membentuk sebuah sekuens.
Implementasi pada aspek spasial dilakukan untuk membentuk sequence lokasi kemunculan terjadinya titik panas. Tahap filtering dalam pembentukan sequence dilakukan dengan mengelompokkan data titik panas yang terjadi pada tanggal tertentu menjadi sebuah subsequence. Selanjutnya adalah dilakukan tahap verifikasi. Tahap verifikasi dilakukan dengan menggabungkan beberapa subsequence menjadi sequence utuh. Penggabungan dilakukan dengan melihat selisih tanggal terjadinya kemunculan titik panas. Jika selisih kurang dari threshold maka akan bergabung menjadi sebuah sequence, namun jika selisihnya lebih dari threshold maka akan menjadi sequence berbeda.
Implementasi pada aspek temporal dilakukan untuk membentuk sequence waktu kemunculan terjadinya titik panas. Tahap filtering dalam pembentukan sequence dilakukan mirip dengan aspek spasial, hanya saja parameter yang digunakan bukanlah tanggal tetapi lokasi. Kemunculan titik panas pada lokasi tertentu pada urutan tanggal tertentu akan menjadi sebuah subsequence. Subsequence tersebut masuk ke tahap verifikasi untuk membentuk sequence utuh. Sequence utuh dibentuk dengan menggabungkan kemunculan titik panas yang selisih lokasinya terjadinya kemunculan titik panas kurang dari threshold.
Keluaran dari tahap ini adalah sequence lokasi, sequence tanggal, dan sequence hari. Sequence hari adalah representasi lain dari sequence tanggal. Representasi hari ditambahkan untuk menganalisis terjadinya kemunculan titik panas dalam pola hariannya.
Pembentukan Frequent Sequential Pattern Menggunakan Substring Tree Structure
Setelah didapatkan data sequence dari hasil implementasi algoritme Douglas-Peucker, selanjutnya dilakukan pencarian pola sequence yang frequent dengan konsep substring tree structure. Konsep substring tree structure digunakan karena memang hasil pemrosesan data titik panas adalah sebuah sequence dalam bentuk string. String yang dimaksud adalah string lokasi dan string tanggal. Tree structure digunakan karena untuk mempercepat proses pencarian frequent pattern.
Implementasi konsep substring tree structure dilakukan menggunakan algoritme Prefixspan. Algoritme Prefixspan dipilih karena proses pencarian frequent pattern dengan tree tidak harus memeriksa satu per satu sequence sampai semua sequence selesai untuk menentukan substring tersebut frequent atau tidak. Penentuan frequent pattern dapat dilihat dari awalannya saja, sehingga algoritme yang dipakai adalah algoritme Prefixspan. Implementasi algoritme Prefixspan dilakukan pada perangkat lunak SPMF (Fournier-Viger et al. 2014).
20
Setelah didapatkan pola sequential kemunculan titik panas, selanjutnya dilakukan pencarian lokasi kemunculan titik panas tersebut, terutama untuk sekuens tanggal dan hari yang belum ada informasi lokasinya. Lokasi didapatkan dengan bantuan kueri pada database.
Setelah lokasi didapatkan, untuk memperjelas dan mempermudah analisis maka dilakukan ploting pola sequential kemunculan titik panas yang frequent terhadap peta wilayah provinsi Riau. Hal ini dilakukan untuk mendapatkan lokasi kemunculan titik panas sampai level desa. Ploting dilakukan dengan menggunakan perangkat lunak QuantumGIS.
Spatio-temporal sequential pattern tanggal, hari, dan lokasi yang telah didapatkan dianalisis. Aspek spatio-temporal dapat dijawab dengan dua query pada data spatio-temporal berikut :
1 Dimana (Q,t)? – pertanyaan ini menjawab pola kemunculan titik panas pada lahan gambut dari aspek spasial. Aspek spasial akan bergerak menurut polanya sedangkan aspek waktu dianggap konstan. Keluaran dari analisis ini adalah diketahui pola sequential lokasi kemunculan titik panas pada tanggal tertentu. Representasi lokasi menggunakan latitude dan longitude.
2 Kapan (Q,t,y)? – pertanyaan ini menjawab pola kemunculan titik panas pada lahan gambut dari aspek temporal. Aspek temporal akan diperhatikan dan aspek spasial dianggap konstan. Keluaran dari analisis aspek temporal adalah diketaui pola sequential waktu kemunculan titik panas pada lokasi tertentu. Representasi waktu menggunakan tanggal dan hari.
Untuk mempermudah dalam melakukan analisis, proses analisis dibantu dengan visualisasi pada perangkat lunak QuantumGIS. Visualisasi dilakukan dengan menumpangtindihkan pola spasial maupun temporal yang sudah didapat dengan peta provinsi Riau. Hal ini dilakukan untuk mengetahui lokasi kemunculan titik panasnya. Lokasi kemunculan titik panas dapat dianalisis baik tingkat kabupaten, kecamatan, maupun desa.
Identifikasi Titik Panas yang Menjadi Indikator Kuat Kebakaran di Lahan Gambut
Identitikasi titik panas yang dapat menjadi indikator kuat kebakaran di lahan gambut dapat diperoleh dari pola sequential yang didapatkan. Titik panas sebagai indikator kebakaran lahan gambut direpresentasikan dalam persentase yang artinya nilai persentase tersebut adalah jumlah titik panas yang dapat menjadi indikator kuat kebakaran lahan gambut. Nurulhaq dan Sitanggang (2015) telah menghitung persentase penentuan titik panas sebagai indikator kuat kebakaran seperti pada Tabel 5. Kolom pola sequential pada Tabel 5 berisi pola-pola sequential yang dianggap penting dengan masing-masing nilai support-nya. Persentase titik panas yang menjadi indikator kuat kebakaran di lahan gambut didapat dari pembagian antara total support dari pola yang penting dengan total titik panas.
Tabel 5 Persentase titik panas sebagai indikator kuat kebakaran lahan gambut Pola sequential Support Total support Total titik panas Persentase (%) 4879 -1 4881 -1 242
981 10 000 9.81
21
22
4
HASIL DAN PEMBAHASAN
Praproses Data
Jumlah titik panas di provinsi Riau dari tahun 2000-2015 adalah 140.931. Oleh karena ruang lingkup penelitian adalah data titik panas di lahan gambut di provinsi Riau saja, maka perlu dilakukan praproses data. Praproses data dilakukan untuk memproses data sehingga sesuai dengan kebutuhan tujuan penelitian dan algoritme yang digunakan dan dihasilkan pola sequential yang baik.
Praproses yang dilakukan terdiri atas beberapa tahap yaitu : Overlay Data Titik Panas dan Seleksi Data
Proses overlay dilakukan untuk mendapatkan data titik panas di provinsi Riau yang hanya terdapat pada lahan gambut. Jumlah titik panas pada lahan gambut di provinsi Riau dari tahun 2000 – 2015 adalah 98 920.
Pemilihan atribut dilakukan dengan melihat keterkaitan atribut dengan proses analisis. Analisis aspek spasial dipilih atribut latitude dan longitude yang merepresentasikan lokasi dari titik panas, sedangkan analisis aspek temporal dipilih atribut tanggal akuisisi yang merepresentasikan waktu terjadinya titik panas. Oleh karena itu, atribut titik panas yang digunakan untuk pemrosesan selanjutnya dan analisis adalah atribut latitude, longitude, dan tanggal akuisisi. Keterangan masing-masing atribut dapat dilihat pada Tabel 6.
Tabel 6 Atribut hasil seleksi dari data titik panas
No Atribut Deskripsi Tipe
1 Latitude Nilai koordinat latitude/ garis lintang data titik panas
Numerik 2 Longitude Nilai koordinat longitude/ garis
bujur data titik panas
Numerik 3 Tanggal akuisisi Tanggal kemunculan titik panas Tanggal
Pengkodean Data
Setelah selesai dilakukan proses overlay dan seleksi atribut, maka langkah selanjutnya adalah dilakukan proses pengkodean data. Proses pengkodean dilakukan pada atribut tanggal akuisisi. Atribut tanggal akuisisi yang tipe awalnya tanggal diubah menjadi integer. Selain itu, proses pengkodean juga dilakukan pada latitude dan longitude, diubah menjadi integer juga sebagai indeks lokasi. Tipe integer dipilih untuk menyesuaikan dengan masukan algoritme dan tools yang digunakan.
Pengkodean data yang pertama yaitu melakukan pembulatan pada nilai latitude dan longitude menjadi 2 digit angka di belakang koma dari yang tadinya 3 sigit. Nilai latitude dan longitude mempunyai satuan derajat (degree). Satu derajat nilai sama dengan sekitar 111 km pada permukaan bumi. Nilai latitude dan longitude direpresentasikan dalam tiga angka di belakang koma.
23 hanya sedikit lokasi dengan nilai latitude dan longitude tertentu yang memiliki kemunculan titik panasnya lebih dari 1 kali. Oleh karena itu, nilai latitude dan longitude dibulatkan menjadi dua angka di belakang koma untuk mendapatkan beberapa kemunculan titik panas pada area dengan diameter kurang dari 1 km. Dari hasil pembulatan, kemunculan titik panas pada lokasi dengan latitude dan longitude tertentu menjadi tidak unik lagi, artinya memiliki lebih dari satu kemunculan, sehingga data sequential dapat terbentuk. Pembulatan dilakukan dengan rounding. Jika nilai atribut lebih dari 0.005 maka akan dibulatkan menjadi 0.01, sedangkan jika nilai atribut kurang dari 0.005 maka akan dibulatkan menjadi 0.00.
Pengkodean data selanjutnya yaitu dilakukan pada atribut tanggal akuisisi. Sebelum dilakukan proses konversi, terlebih dahulu data titik panas diurutkan berdasarkan tanggal kemunculan, sehingga terlihat tanggal pertama dalam data titik panas seperti pada Tabel 7.
Tabel 7 Data titik panas terurut berdasarkan tanggal Latitude Longitude Tanggal Akuisisi
0.84 101.61 11/1/2000
0.77 101.64 11/1/2000
0.83 101.60 11/1/2000
0.83 101.59 11/1/2000
Tanggal pertama kemunculan titik panas menjadi acuan dalam melakukan konversi data. Tanggal pertama tersebut akan dikonversi menjadi nilai integer 1, dan akan bertambah satu untuk setiap tanggal berikutnya. Proses konversi dilakukan dengan perangkat lunak Microsoft Excel. Contoh hasil konversi data tanggal dapat dilihat pada Tabel 8.
Tabel 8 Contoh data hasil konversi tanggal akusisi Latitude Longitude Tanggal Akuisisi Integer
0.84 101.61 11/1/2000 1
0.77 101.64 11/1/2000 1
0.94 101.49 11/11/2000 11
2.02 100.46 12/4/2000 34
Tabel 8 menunjukkan bahwa tanggal 1 November 2000 dikonversi menjadi nilai integer 1 karena merupakan data pertama pada data set. Data kedua juga merupakan kemunculan tanggal 1 November 2000, sehingga dikonversi juga menjadi nilai integer 1. Tanggal 11 November dikonversi menjadi 11 karena memang selisih dari tanggal 1 adalah 10 hari, sehingga dikonversi menjadi integer juga selisih 10 hari, begitu juga dengan tanggal 4 Desember 2000 yang dikonversi menjadi nilai integer 34 karena selisih dengan tanggal 1 November 2000 adalah 33 hari.
24
latitude, kemudian longitude, kemudian tanggal akuisisi seperti terlihat pada Tabel 9. Selanjutnya dilakukan proses konversi dilakukan dengan perangkat lunak R. Contoh hasil konversi atribut latitude dan longitude menjadi atribut daerah (berisi indeks lokasi) dapat dilihat pada Tabel 10.
Tabel 9 Data titik panas terurut berdasarkan latitude dan longitude Latitude Longitude Tanggal akuisisi
-0.85 102.81 8/16/2005
-0.84 102.66 7/30/2003
-0.84 102.66 7/30/2003
-0.84 102.67 8/6/2004
Tabel 10 Hasil konversi latitude dan longitude menjadi daerah/ lokasi Daerah Latitude Longitude Tanggal Akuisisi
1 -0.85 102.81 8/16/2005
2 -0.84 102.66 7/30/2003
2 -0.84 102.66 7/30/2003
3 -0.84 102.67 8/6/2004
Tabel 10 menunjukkan bahwa lokasi latitude -0.85 dan longitude 102.81 dikonversi menjadi indeks lokasi 1. Kemudian, meskipun latitude -0.84 dan longitude 102.66 muncul pada record nomor 2 dan 3, namun tetap keduanya diindeks dengan 2 karena memang keduanya lokasi yang sama. Lokasi latitude -0.84 dan longitude 102.67 memiliki nilai latitude dan longitude berbeda dari sebelumnya sehingga dikonversi menjadi indeks lokasi 3.
Pengkodean data selanjutnya adalah mengkodekan atribut hari dari atribut hari. Atribut hari ditambahkan untuk membantu keperluan analisis. Atribut hari didapatkan dari hasil konversi tanggal menjadi hari. Contoh hasil konversi tanggal menjadi hari dapat dilihat pada Tabel 11. Nilai atribut hari didapatkan dengan mencocokkan tanggal dengan hari yang berasosiasi menggunakan perangkat lunak Microsoft Excel.
Tabel 11 Hasil konversi tanggal akuisisi menjadi hari Latitude Longitude Tanggal Akuisisi Hari
0.84 101.61 11/1/2000 Rabu 0.77 101.64 11/1/2000 Rabu 0.94 101.47 11/11/2000 Sabtu 2.02 100.46 12/4/2000 Senin
Pembentukan Singular Frequent Pattern dengan Algoritme Douglas-Peucker
25 mendapatkan sequence dan singular frequent pattern. Implementasi dilakukan pada dua aspek yaitu aspek spasial dan aspek temporal.
Implementasi Algoritme Douglas-Peucker pada Aspek Spasial
Aspek spasial dianalisis untuk menentukan pola pergerakan kemunculan titik panas pada urutan daerah berdasarkan tanggal kemunculannya. Algoritme Douglas-Peucker diimplementasikan pada data titik panas dari tahun 2000 – 2015. Setelah data titik panas setiap tahunnya diurutkan berdasarkan tanggal, kemudian berdasarkan latitude, dan kemudian berdasarkan longitude, selanjutnya diimplementasikan algoritme Peucker. Implementasi algoritme Douglas-Peucker diimplementasikan untuk data per tahun. Tujuan dilakukan per tahun adalah untuk mengetahui perubahan pola per tahun kemunculan lokasi titik panas pada suatu daerah.
Salah satu parameter yang harus ditentukan dalam algoritme Douglas-Peucker adalah threshold. Threshold yang digunakan adalah 2 sampai 5 atau 6 hari. Hal ini karena kemunculan titik panas berturut-turut pada selang 2 sampai 5 atau 6 hari merupakan indikator kuat kebakaran lahan (Syaufina 2003). Threshold tersebut digunakan untuk membatasi rentang kemunculan titik panas yang masih dianggap dalam sebuah sequence. Jumlah sequence lokasi tahun 2014 yang dihasilkan dari algoritme Douglas-Peucker dengan threshold 3 dapat dilihat pada Tabel 12.
Tabel 12 Jumlah sequence lokasi tahun 2014
Tahun Jumlah Titik Panas Awal Jumlah Sequence
2000 40 23
Dari Tabel 12 dapat diketahui bahwa pada tahun 2014 muncul titik panas pada lahan gambut sebanyak 19.409 data. Dari data tahun 2014 tersebut terbentuk menjadi 5185 sekuens. Contoh sequential kemunculan titik panas pada tahun 2014 dapat dilihat pada Tabel 13.
26
titik panas. Kemunculan titik panas pada tanggal yang sama dipisahkan dengan tanda spasi, dan kemunculan titik panas pada tanggal berbeda namun dalam satu sequence dipisahkan dengan tanda “|1”. Tanda “|2” digunakan untuk menunjukkan bahwa data lokasi sudah terletak pada sequence yang berbeda. Dari Tabel 12 sequence pertama, diketahui bahwa kemunculan titik panas terjadi pada lokasi 8884 (desa Bandar Jaya, kabupaten Bengkalis) pada tanggal 4811 (2 Januari 2014) kemudian diikuti pada lokasi 8887 (desa Bandar Jaya, kabupaten Bengkalis) pada tanggal 4813 (4 Januari 2014). Sequence ketiga menunjukkan bahwa terjadi kemunculan bersamaan pada lokasi 1635 (desa Simpang Agung, kabupaten Indragiri Hilir) dan 1637 (desa Simpang Gaung, kabupaten Indragiri Hilir) pada tanggal 5121 (8 November 2014).
Tabel 13 Contoh sequential kemunculan titik panas aspek spasial pada tahun 2014 No Tanggal Akuisisi Daerah
1 4811 4813 8884 |1 8887 |1 |2 2 4906 4907 1316 |1 1319 |1 |2
3 5121 1635 1637 |1 |2
Data pada Tabel 13 dilakukan penyesuaian format dengan masukan SPMF. Contoh masukan SPMF untuk sequence daerah/ lokasi dapat dilihat pada Tabel 14. Pada SPMF, setiap event pada sequence yang sama dipisahkan dengan tanda spasi. Setiap subsequence dalam satu sequence dipisahkan dengan tanda “-1”. Setiap sequence dipisahkan dengan tanda “-2”.
Tabel 14 Contoh data sequential lokasi dengan format masukan SPMF No Tanggal Akuisisi Daerah
1 4811 4813 8884 -1 6620 -1 -2
2 4906 4907 10991 -1 1319 -1 -2
3 5121 1635 3670 -1 -2
Implementasi Algoritme Douglas-Peucker pada Aspek Temporal
Aspek temporal dianalisis untuk menentukan pola pergerakan kemunculan titik panas pada urutan tanggal berdasarkan lokasi kemunculannya. Algoritme Douglas-Peucker diimplementasikan pada data titik panas dari tahun 2000 – 2015. Setelah data titik panas setiap tahunnya diurutkan berdasarkan latitude dan longitude, kemudian berdasarkan tanggal kemunculan, selanjutnya diimplementasikan algoritme Peucker. Implementasi algoritme Douglas-Peucker diimplementasikan untuk data per tahun. Tujuan dilakukan per tahun adalah untuk mengetahui perubahan pola per tahun kemunculan tanggal titik panas pada suatu daerah.
27 dianggap dalam sebuah sequence. Jumlah sequence tanggal dan hari yang dihasilkan dari algoritme Douglas-Peucker dapat dilihat pada Tabel 15.
Tabel 15 Jumlah sequence tanggal tahun 2014 Tahun Jumlah Titik Panas Awal Jumlah Sequence
2000 40 29 menjadi 8453 sekuens. Contoh sequential kemunculan titik panas aspek temporal pada tahun 2014 dapat dilihat pada Tabel 16.
Tabel 16 Contoh sequential kemunculan titik panas aspek temporal pada tahun 2014
No Daerah Tanggal Akuisisi 1 10 5089 |1 |2
2 27 5091 5095 |1 |2 3 69 70 5066 |1 5071 |1 |2
