ANALISIS POTENSI PENGGUNAAN SUMBER AIR BAWAH
TANAH TERHADAP PENGGUNAAN AIR PDAM
MENGGUNAKAN
SPATIAL ASSOCIATION RULE MINING
SUCI SRI UTAMI SUTJIPTO
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Analisis Potensi
Penggunaan Sumber Air Bawah Tanah Terhadap Penggunaan Air PDAM
Menggunakan
Spatial Association Rule Mining
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, Oktober 2016
RINGKASAN
SUCI SRI UTAMI SUTJIPTO. Analisis Potensi Penggunaan Sumber Air Bawah
Tanah Terhadap Penggunaan Air PDAM Menggunakan
Spatial Association Rule
Mining
. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan BABA BARUS.
Pemanfaatan air tanah dalam jangka panjang akan mengakibatkan sejumlah
dampak negatif pada sumber air tanah dan lingkungan, seperti penurunan tingkat
air tanah, intrusi air laut, penurunan tanah serta kelangkaan air tanah. Selain itu,
penggunaan air tanah juga secara langsung mempengaruhi pola konsumsi
Pelanggan PDAM (Perusahaan Daerah Air Minum) Kota Bogor.
Untuk mengetahui kecenderungan masyarakat dalam memanfaatkan Air
Bawah Tanah (ABT), diperlukan analisis terhadap pola data hasil pemakaian ABT
di setiap
keypoint
.
Keypoint
adalah titik koordinat lokasi masyarakat pengguna
ABT. Data
keypoint
ini diperoleh dari Badan Pengelolaan Lingkungan Hidup
(BPLH) Kota Bogor dan Perusahaan Daerah Air Minum Tirta Pakuan (PDAM
TPKB) Kota Bogor. Atribut-atribut yang terdapat pada
keypoint
seperti id
pelanggan dan lokasi pelanggan akan dimanfaatkan untuk mencari pola pemakaian
dan penyebaran kepemilikan ABT. Dari pola yang didapat diharapkan dapat
diketahui atribut mana saja yang berpengaruh terhadap kecenderungan masyarakat
dalam memanfaatkan ABT, terutama untuk masyarakat yang sudah menjadi
pelanggan PDAM.
Tujuan yang ingin dicapai dalam penelitian ini adalah untuk menentukan
karakteristik pelanggan yang memanfaatkan ABT sehingga dapat menganalisis
potensi penggunaan ABT pada pelanggan PDAM menggunakan pendekatan
spatial
association rule mining
.
Metodologi penelitian yang dilakukan terdiri atas tiga tahap utama. Tahap
pertama adalah praproses data spasial. Tahap kedua adalah
spatial association rule
mining
yang meliputi penentuan aturan asosiasi kepemilikan ABT menggunakan
algoritme apriori, dilanjutkan dengan penentuan karakteristik pemilik ABT
berdasarkan aturan asosiasi. Tahap ketiga adalah analisis potensi penggunaan ABT.
Penerapan algoritme apriori menghasilkan 597 aturan pada
minimum
support
10% dan
minimum confidence
80%. Maka, berdasarkan aturan dengan
minimum support
60% dan
minimum support
80% diperoleh jumlah potensi yang
sama yaitu 53 362 (41.27%) pelanggan PDAM yang berpotensi menggunakan ABT,
dengan karateristik merupakan pelanggan aktif PDAM yang tagihan rekening air
setiap bulannya tidak lebih dari Rp. 53.358 dan tidak dekat dengan sungai.
Sedangkan sebaran pelanggan PDAM yang kemungkinan memanfaatkan
ABT berdasarkan aturan
minimum support
60% dan
minimum support
80%
sebagian besar tersebar di beberapa kelurahan, di antaranya Kelurahan Bantarjati
(4186 pelanggan), Kelurahan Baranangsiang (3019 pelanggan), Kelurahan Empang
(2044 pelanggan), Kelurahan Curug Mekar (1869 pelanggan), Kelurahan
Katulampa (1628 pelanggan), Kelurahan Cibogor (1421 pelanggan), Kelurahan
Bondongan (1212 pelanggan), Kelurahan Menteng (1150 pelanggan), Kelurahan
Pasir Jaya (1067 pelanggan), dan Kelurahan Gudang (1024 pelanggan).
SUMMARY
SUCI SRI UTAMI SUTJIPTO. Potential Usage Estimation of Ground Water Using
Spatial Association Rule Mining. Supervised by IMAS SUKAESIH
SITANGGANG and BABA BARUS.
The utilization of ground water in the long term will lead to a number of
negative impacts on groundwater resources and the environment, such as the
decrease of groundwater level, seawater intrusion, land subsidence, as well as
scarcity of ground water. Furthermore, the use of ground water has directly affected
the consumption pattern of Regional Water Company Bogor City (PDAM)
customers.
To identify the trend of public use of groundwater (ABT), analysis on the
ABT usage pattern at each keypoint is required. Keypoint refers to the location
coordinates of the ABT user community. The keypoint data were obtained from the
Environmental Management Agency of Bogor City (BPLH) and the Regional
Water Company of Tirta Pakuan of Bogor City (PDAM TPKB). The attributes
contained at the keypoint, namely customer id, customer location, are used to look
for patterns of usage and deployment of ABT ownership. The patterns obtained are
expected to help identifying
which attributes are responsible to influence people’s
tendency to use ABT, especially for people who are already PDAM customers.
This study aims to determine the patterns and characteristics of PDAM
customers in the utilization of ABT by using spatial association rule mining, so it
can help PDAM to approximate the increase of customers that utilize ABT and the
losses incurred.
The methodology of this research consists of three main stages. The first one
is pre-processing of spatial data. The second one is the spatial association rule
mining, which includes the determination of ownership association rules of ABT
by using apriori algorithms, followed by the determination of characteristics of
ABT owner based on such association rules. The third stage is the analysis on the
potential for ABT use.
Application of the apriori algorithm produces 597 rules on the minimum
support of 10% and minimum confidence of 80%. Based on the rules of minimum
support of 60% and a minimum support of 80%, this study obtains 53 362 (41.27%)
PDAM customers that have the potential to use groundwater. The said customers
are featured by several characteristics, such as being active customers, with monthly
water bill of less than Rp. 53.358 and are not close to river.
PDAM customers that have the potential to use groundwater based on the
rules of minimum support of 60% and minimum support of 80% are mostly
distributed in several villages, including Bantarjati Village (4186 customers),
Baranangsiang Village (3019 customers), Empang Village (2044 customers),
Curug Mekar Village (1869 customer), Katulampa Village (1628 customers),
Cibogor Village (1421 customers), Bondongan Village (1212 customers), Menteng
Village (1150 customers), Pasir Jaya Village (1067 customers) and Gudang Village
(1024 customers).
© 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
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Komputer
pada
Program Studi Ilmu Komputer
ANALISIS POTENSI PENGGUNAAN SUMBER AIR BAWAH
TANAH TERHADAP PENGGUNAAN AIR PDAM
MENGGUNAKAN
SPATIAL ASSOCIATION RULE MINING
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Judul Tesis : Analisis Potensi Penggunaan Sumber Air Bawah Tanah Terhadap
Penggunaan Air PDAM Menggunakan
Spatial Association Rule
Mining
Nama
: Suci Sri Utami Sutjipto
NIM
: G651120674
Disetujui oleh
Komisi Pembimbing
Dr Imas Sukaesih Sitanggang, SSi, MKom
Ketua
Dr Ir Baba Barus, MSc
Anggota
Diketahui oleh
Ketua Program Studi
Magister Ilmu Komputer
DrEng Wisnu Ananta Kusuma, ST, MT
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah
subhanahu wa t
a’ala
atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian ini ialah pola pemakaian pelanggan PDAM Tirta Pakuan
Kota Bogor yang memanfaatkan air bawah tanah, dengan judul Analisis Potensi
Penggunaan Sumber Air Bawah Tanah Terhadap Penggunaan Air PDAM
Menggunakan
Spatial Association Rule Mining
.
Terima kasih penulis ucapkan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi,
MKom dan Bapak Dr Ir Baba Barus, MSc selaku pembimbing yang senantiasa
membimbing dan memberi saran juga masukan.
Kemudian kepada Bapak Irman
Hermadi, SKom, MS, PhD selaku dosen penguji dan tak lupa kepada Bapak DrEng
Wisnu Ananta Kusuma, ST, MT selaku Ketua Program Studi Magister Ilmu
Komputer yang senantiasa membantu penulis.
Terima kasih tak terhingga penulis ucapkan kepada ananda tersayang
Muhammad Zavier Athar Syah dan suami tercinta Andriansyah Daslim, SE atas
waktu, perhatian dan pengertian yang luar biasa untuk penulis. Ungkapan terima
kasih juga tak luput disampaikan kepada keluarga besar H. Agus Sutjipto, SH dan
H. Daslim Saibi, SH atas segala do
’
a dan kasih sayangnya. Tak lupa untuk semua
sahabat, teman dan kerabat yang mendukung penulis juga membantu selesainya
karya ilmiah ini.
Di samping itu, penghargaan penulis sampaikan kepada PDAM Tirta Pakuan
Kota Bogor dan Badan Pengelolaan Lingkungan Hidup Kota Bogor. Semoga karya
ilmiah ini bermanfaat.
Bogor, Oktober 2016
DAFTAR ISI
DAFTAR ISI
vii
DAFTAR GAMBAR
viii
DAFTAR TABEL
ix
DAFTAR LAMPIRAN
ix
1
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
3
Tujuan Penelitian
3
Manfaat Penelitian
3
Ruang Lingkup Penelitian
4
2
TINJAUAN PUSTAKA
5
PDAM Tirta Pakuan Kota Bogor
5
Air Bawah Tanah
5
Data Mining
dan
Spatial Data Mining
6
Jenks Natural Break
8
Association Rule Mining
8
Algoritme Apriori
10
3
METODE
12
Tahapan Penelitian
12
Area Studi
12
Perangkat Penelitian
13
Pengumpulan Data Spasial dan Data Nonspasial
14
Praproses Data Spasial
14
Spatial Asscociation Rule Mining
15
Analisis Potensi Penggunaan ABT
16
4
HASIL DAN PEMBAHASAN
17
Pengumpulan Data
17
Data Spasial
17
Data Nonspasial
23
Praproses Data Spasial
25
Spatial Asscociation Rule Mining
28
Analisis Potensi Penggunaan ABT
30
5
SIMPULAN DAN SARAN
33
Simpulan
33
Saran
33
DAFTAR PUSTAKA
34
LAMPIRAN
35
DAFTAR GAMBAR
1 Nilai rata-rata pemakaian masyarakat pengguna ABT
1
2 Pola pemakaian air PDAM Kota Bogor
2
3 Zona jenuh dan tidak jenuh
5
4 Tahapan dalam knowledge discovery from data
7
6
Pseudocode
algoritme apriori
10
7 Tahapan penelitian
12
8 Area penelitian
12
9 Tahapan praproses data spasial
15
10 Contoh proses operasi spasial
15
11 Diagram alir tahapan
spatial association rule mining
16
12 Diagram alir analisis potensi penggunaan ABT
16
13 Pelanggan PDAM yang juga memanfaatkan ABT
17
14 Peta elevasi kota Bogor
18
15 Peta jalan kota Bogor
19
16 Peta kecamatan kota Bogor
19
17 Peta batas kelurahan kota Bogor
20
18 Peta tata guna lahan kota Bogor
21
19 Peta pelanggan PDAM kota Bogor
22
20 Peta sungai kota Bogor
22
21 Contoh hasil proses
buffering
pada data sungai
26
22 Proses transformasi data nonspasial menggunakan Pentaho Kettle
26
23 Contoh hasil
output
transformasi data nonspasial
26
24 Hasil klasifikasi data kelas atribut dengan
natural break
27
25 Hasil
query
untuk tahapan praproses data spasial
28
26 Contoh
record
pada
dataset
1
28
27 Contoh
record
pada
dataset
2
28
28 Contoh
record
pada
dataset
3
29
29
Scatter plot
aturan asosiasi yang memiliki predikat has_abt = “yes”
29
DAFTAR TABEL
1 Perangkat penelitian
13
2 Data spasial
14
3 Atribut dalam data nonspasial
14
4 Atribut data yang terdapat pada peta elevasi
18
5 Luas area kecamatan di kota Bogor
19
6 Luas area kelurahan di kota Bogor
20
7 Atribut yang terdapat dalam peta tata guna lahan
21
8 Contoh data nonspasial
23
9 Golongan tarif pelanggan PDAM TPKB
24
10 Status pelanggan PDAM TPKB
25
11 Radius
buffer
untuk data danau, jalan dan sungai
25
12 Fitur-fitur yang terdapat pada data spasial
27
13 Aturan
–
aturan yang dihasilkan dari penerapan algoritme Apriori
30
14 Jumlah pelanggan PDAM yang kemungkinan memanfaatkan ABT
32
DAFTAR LAMPIRAN
1
Query
untuk data non spasial
35
2
Query
untuk data non spasial ABT
35
3
Query
untuk membuat basis data spasial dalam PostgreSQL
35
4 Kode untuk nama kecamatan
35
5 Kode untuk elevasi
36
6 Kode Status Pelanggan
36
7 Kode program untuk membuat klasifikasi kelas
natural break
(jenk)
36
8
Query
untuk membuat
dataset
(ditampilkan sebagian)
38
9 Aturan-aturan asosiasi
39
1
PENDAHULUAN
Latar Belakang
Air bawah tanah (ABT) adalah air yang mengisi kekosongan pada lapisan
geologi atau zona jenuh (umum disebut sebagai air tanah). Air pada zona jenuh ini
penting untuk pekerjaan
engineering
, studi geologi dan pengembangan pasokan air
(Todd dan Mays 2005). Pengambilan air tanah dalam memenuhi kebutuhan air
minum rumah tangga maupun niaga dewasa ini semakin meningkat, berbanding
lurus dengan peningkatan laju pertumbuhan penduduk dan kegiatan pembangunan.
Namun, pemanfaatan air tanah yang melampaui batas dapat mengakibatkan krisis
air tanah terutama ABT. Jika hal tersebut tidak segera diatasi, sangat besar
kemungkinan timbul dampak yang lebih besar, seperti kelangkaan air. Berdasarkan
data Badan Pengelolaan Lingkungan Hidup (BPLH), pengambilan ABT melalui
sumur berizin di kota Bogor dari tahun 2012 sampai dengan 2014 meningkat lebih
dari 100% yaitu dari 606,354 m
3menjadi 1,339,572 m
3.
Data pengambilan ABT
melalui sumur berizin dapat dilihat pada Gambar 1.
Gambar 1 Nilai rata-rata pemakaian masyarakat pengguna ABT
(Sumber Data : Badan Pengelolaan Lingkungan Hidup Kota Bogor)
Proses pemanfaatan ABT ini harus diimbangi dengan upaya pengendalian
dan konservasi, karena jika terjadi penurunan kualitas dari ABT, proses
pemulihannya memerlukan waktu yang cukup lama. Salah satu proses
pengendalian yang dapat dilakukan yaitu dengan pemanfaatan Perusahaan Daerah
Air Minum (PDAM) sebagai penyedia kebutuhan air bagi masyarakat. Namun saat
ini sebagian pelanggan PDAM telah teridentifikasi memanfaatkan ABT, sedangkan
sampai dengan akhir Desember tahun 2014, jumlah pelanggan PDAM Tirta Pakuan
Kota Bogor adalah sebanyak 129,312 pelanggan aktif (sudah termasuk 2872
pelanggan di Kabupaten Bogor yang dilayani PDAM Tirta Pakuan Kota Bogor).
Hal ini menunjukkan bahwa 78.41% dari jumlah penduduk Kota Bogor sebanyak
1,083,063 jiwa pada tahun 2014 menggunakan air PDAM sehingga permasalahan
ABT ini tidak hanya terhadap isu lingkungan, tetapi mempunyai dampak lain
terhadap penurunan pola pemakaian pelanggan PDAM yang pada akhirnya akan
berpengaruh terhadap pendapatan perusahaan. Penurunan pola pelanggan PDAM
dapat dilihat pada Gambar 2.
606,354
1,258,894 1,339,572
500,000 1,000,000 1,500,000
2012 2013 2014
Ju
m
lah
p
e
n
g
g
u
n
a AB
T b
e
ri
zi
n
2
Gambar 2 Pola pemakaian air PDAM Kota Bogor
(Sumber Data: Laporan Badan Litbang PDAM Tirta Pakuan Kota Bogor)
Untuk mengetahui kecenderungan masyarakat dalam memanfaatkan ABT,
diperlukan analisa terhadap pola data hasil pemakaian ABT di setiap
keypoint
.
Keypoint
adalah titik koordinat lokasi masyarakat pengguna ABT. Data
keypoint
ini diperoleh dari BPLH Kota Bogor dan PDAM Kota Bogor. Atribut-atribut yang
terdapat pada
keypoint
seperti id pelanggan, lokasi pelanggan, akan dimanfaatkan
untuk mencari pola pemakaian dan penyebaran kepemilikan ABT. Dari pola yang
didapat diharapkan dapat diketahui atribut mana saja yang berpengaruh terhadap
kecenderungan masyarakat dalam memanfaatkan ABT, terutama untuk masyarakat
yang sudah menjadi pelanggan PDAM.
Pencarian hubungan asosiatif pada data yang besar dapat dilakukan dengan
pendekatan
data mining
. Menurut Han
et al.
(2012)
data mining
didefinisikan
sebagai proses mengekstrak atau menambang pengetahuan yang dibutuhkan dari
data yang besar. Pada prosesnya,
data mining
akan mengekstrak informasi yang
berharga dengan cara menganalisis adanya pola-pola ataupun hubungan keterkaitan
tertentu dari data yang berukuran besar. Salah satu teknik yang paling umum
dipergunakan untuk menemukan pola asosiasi dari suatu kumpulan data spasial
yaitu teknik
spatial
association rule
mining
yang merupakan perluasan dari teknik
associaton rule mining.
Hal pertama yang dilakukan untuk mendapatkan aturan asosiasi adalah
mencari
frequent itemset. Frequent itemset
adalah
sekumpulan
item
yang sering
muncul bersamaan. Setelah semua pola
frequent itemset
ditemukan, baru kemudian
dicari aturan asosiatif yang memenuhi syarat yang telah ditentukan. Algoritme yang
sering dipergunakan untuk menemukan aturan asosiasi adalah algoritme apriori.
Pencarian pola dengan algoritme apriori telah banyak dikembangkan,
diantaranya adalah penelitian yang dilakukan oleh Faridi
et al.
(2015) dengan judul
“
association rule mining for ground water and wastelands using apriori algorithm:
case study of Jodhpur District
”. Penelitian tersebut m
enganalisis tanah terlantar
yang banyak mengandung ABT di wilayah Jodhpur dengan menggunakan metode
association Rule Mining
dengan implementasi algoritme apriori. Hasil penelitian
menunjukan bahwa tanah terlantar yang memiliki banyak kandungan air bawah
tanah adalah di wilayah Bilara dari Kota Jodhpur.
Pada penelitian ini akan dilakukan analisis kepemilikan sumber air bawah
tanah terhadap penggunaan air PDAM menggunakan
spatial association rule
74.02%
70.48%
67.91%
66.04% 66.00%
65.00% 70.00% 75.00%
2010 2011 2012 2013 2014
P
ola
p
em
akai
an
ai
r
3
mining
untuk mengetahui pola pemakaian pelanggan PDAM yang memanfaatkan
ABT. Sumber data yang dipergunakan yaitu data pelanggan PDAM, baik yang
menggunakan maupun yang tidak menggunakan ABT dan data masyarakat
pengguna ABT yang diperoleh dari BPLH. Secara spasial, asosiasi merupakan
keterkaitan antara satu objek spasial dengan objek spasial yang lain, dalam hal ini
adalah keterkaitan antara pelanggan pemanfaat ABT dengan karakteristik lokasi
pelanggan tersebut tinggal dan atribut-atribut pendukungya.
Tujuan yang ingin dicapai dalam penelitian ini adalah dapat menentukan
karakteristik pelanggan yang memanfaatkan ABT sehingga dapat menganalisis
potensi penggunaan ABT pada pelanggan PDAM Tirta Pakuan Kota Bogor (TPKB)
menggunakan pendekatan
Spatial Association Rule Mining.
Penelitian ini
diharapkan dapat memberi manfaat diantaranya adalah mengetahui pola umum
pelanggan yang memanfaatkan ABT dan dapat memprediksi seberapa banyak lagi
pelanggan yang kemungkinan memanfaatkan ABT sehingga dapat mengatasi
penurunan pola pemakaian.
Perumusan Masalah
Permasalahan yang dihadapi saat ini adalah sulitnya mengindentifikasi
masyarakat yang memanfaatkan ABT, termasuk juga masyarakat yang sudah
menjadi pelanggan PDAM namun juga memanfaatkan ABT. Oleh karena itu
penelitian ini mempelajari pola umum pelanggan yang memanfaatkan ABT
sehingga dapat digunakan untuk memprediksi seberapa banyak lagi kemungkinan
pelanggan yang akan memanfaatkan ABT menggunakan metode aturan asosiasi
spasial dengan algoritme Apriori.
Tujuan Penelitian
Tujuan penelitian ini adalah:
1
Menentukan karakteristik pelanggan yang memanfaatkan ABT menggunakan
pendekatan
spatial association rule mining
.
2
Analisis potensi penggunaan ABT pada pelanggan PDAM TPKB menggunakan
pendekatan
spatial association rule mining.
Manfaat Penelitian
Penelitian ini diharapkan memberi manfaat sebagai berikut:
1
Mengetahui karakteristik pelanggan yang memanfaatkan ABT.
2
Memprediksi seberapa banyak lagi pelanggan yang akan memanfaatkan ABT.
3
Dasar evaluasi lebih lanjut untuk PDAM Tirta Pakuan Kota Bogor dalam
menghitung perkiraan kerugian pendapatan yang akan di rasakan perusahaan
akibat menurunnya pola pemakaian pelanggan karena beralihnya pelanggan
PDAM ke ABT.
4
Dasar pengambilan keputusan PDAM Tirta Pakuan Kota Bogor mengenai
reklasifikasi golongan tarif dan evaluasi kenaikan tarif.
4
6
Di luar lingkup PDAM penelitian ini dapat dikembangkan ke arah sosial sebagai
kebijakan pemerintah dalam menentukan pajak retribusi ABT sehingga
masyarakat lebih memilih menggunakan air PDAM.
7
Penelitian ini dapat dikembangkan ke arah kebijakan pemerintah sebagai isu
lingkungan yang perlu dikaji secara mendalam karena dampak lingkungan
jangka panjang.
Ruang Lingkup Penelitian
5
2
TINJAUAN PUSTAKA
PDAM Tirta Pakuan Kota Bogor
Perusahaan Daerah Air Minum Tirta Pakuan Kota Bogor (PDAM TPKB)
merupakan perusahaan jasa pelayanan publik di bawah naungan Pemerintah Daerah
(PEMDA) Kota Bogor yang melayani air bersih melalui sistem pendistribusian ke
semua pelanggan yang berada di wilayah pelayanan PDAM. Sampai dengan akhir
Desember tahun 2014, jumlah pelanggan PDAM TPKB adalah sebanyak 129,312
pelanggan aktif (sudah termasuk 2,872 pelanggan di Kabupaten Bogor yang
dilayani PDAM TPKB).
Namun dari jumlah pelanggan tersebut masih ada beberapa pelanggan yang
menggunakan ABT sebagai pelengkap pemakaian air PDAM yang mencapai
14,168 pelanggan dari semua golongan tarif. Data diambil dari hasil
query
Customer Information System
(CIS) PDAM TPKB dengan menggunakan kata
“SUMUR”, “ABT” dan “POMPA”.
Dari jumlah tersebut berarti bahwa 11%
pelanggan PDAM TPKB memanfaatkan sumber air lain dalam hal ini adalah ABT.
Air Bawah Tanah
Air bawah tanah (ABT) adalah air yang menempati rongga-rongga dalam
lapisan geologi. Lapisan tanah yang terletak di bawah permukaan tanah dinamakan
lajur jenuh (
saturated zone
) dan lajur tidak jenuh (
unsaturated
zone) terletak di atas
lajur jenuh sampai permukaan tanah, yang rongga-rongganya berisi air dan udara
(Soemarto 1986). Pembagian zona jenuh dan zona tidak jenuh dapat dilihat pada
Gambar 3.
6
Air pada zona jenuh ini penting untuk pekerjaan
engineering
, studi geologi
dan pengembangan pasokan air (Todd dan Mays 2005). Beberapa teori
dikemukakan untuk mengetahui asal usul ABT yaitu:
1.
Teori infiltrasi. Teori ini mengemukakan bahwa ABT berasal dari air hujan
yang jatuh ke tanah dan masuk sebagai air infiltrasi dan setelah jenuh, maka air
akan masuk ke zona jenuh yang kemudian menjadi air tanah.
2.
Teori air juvenil. Teori ini mengemukakan bahwa ABT berasal dari magma
yang telah mengalami beberapa proses yang belum dapat diterangkan secara
jelas.
3.
Teori
connate water
. Teori ini mengemukakan bahwa ABT berasal dari
formasi batuan endapan di bawah laut yang lambat laun terangkat ke
permukaan laut.
4.
Teori kondensasi. Teori ini mengemukakan bahwa ABT berasal dari uap air di
udara yang berkondensasi dan beredar melalui rongga atau retakan batuan.
Saat ini ABT merupakan salah satu sumber penting untuk persediaan air.
ABT dapat dipergunakan untuk irigasi, industri, keperluan rumah tangga, dan
lain-lain.
Data Mining
dan
Spatial Data Mining
Data mining
atau
knowledge discovery from data
(KDD) merupakan
penggalian pengetahuan dari data yang besar. KDD terbagi menjadi tujuh proses
(Han
et al.
2012), yaitu:
1.
Data cleaning
Data cleaning
yaitu proses untuk menghilangkan
noise
dan data yang tidak
konsisten.
2.
Data integration
Data integration
yaitu proses untuk menggabungkan data dari beberapa
sumber.
3.
Data selection
Data selection
yaitu proses pengambilan data yang relevan dari
database
untuk
dianalisis.
4.
Data transformation
Data transformation
yaitu proses dimana data akan dirubah atau
dikonsolidasikan sesuai dengan tujuan dari penggalian data, contohnya dengan
melakukan
summary
data atau operasi agregasi.
5.
Data mining
Data mining
merupakan proses untuk mengekstrak pola data dengan
menggunakan metode-metode
data mining
seperti klasifikasi, regresi,
clustering
dan asosiasi.
6.
Pattern evaluation
Pattern evaluation
yaitu proses untuk mengevaluasi pola-pola menarik yang
dihasilkan dari proses
data mining
sebelumnya.
7.
Knowledge presentation
Knowledge presentation
yaitu menggunakan teknik representasi dan
7
Gambar 4 Tahapan dalam knowledge discovery from data (Han et al. 2012)
8
Jenks Natural Break
Metode klasifikasi
jenks natural breaks
adalah metode pengelompokan data
yang dirancang untuk menentukan pengaturan terbaik dari nilai-nilai ke kelas yang
berbeda. Hal ini dilakukan dengan meminimalkan deviasi rata-rata masing-masing
kelas ini dari rata-rata kelas, sementara memaksimalkan deviasi masing-masing
kelas ini dari cara kelompok lain. Dengan kata lain, metode ini berusaha untuk
mengurangi varians dalam kelas dan memaksimalkan varians antara kelas.
(McMaster 1997). Ini adalah metode klasifikasi data yang dirancang untuk
menentukan pengaturan terbaik dari nilai-nilai ke dalam kelas yang berbeda
sehingga mereka dapat ditampilkan pada peta chloropleth.
Metode ini membutuhkan proses berulang. Artinya, perhitungan harus
diulang menggunakan
breaks
yang berbeda dalam
dataset
untuk menentukan set
breaks
memiliki terkecil varians dalam kelas. Proses ini dimulai dengan membagi
dan menempatkan data tersebut ke dalam kelompok. Pembagian kelompok awal
sembarang.
Ada empat langkah yang harus diulang dalam metode klasifikasi
jenks
natural breaks
(Jenks 1967), yaitu:
1.
Menghitung jumlah penyimpangan kuadrat antara kelas yang kemudian
disebut SDBC (
Squared Deviations Between Classes
).
2.
Menghitung jumlah penyimpangan kuadrat dari rata-rata aray yang
kemudian di sebut SDAM (
Squared Deviations from the Array Mean
).
3.
Kurangi SDBC dari SDAM (SDAM-SDBC). Ini sama dengan jumlah
deviasi kuadrat dari sarana kelas yang kemudian disebut SDCM (
S
quared
Deviations from the Class Means
)
.
4.
Setelah memeriksa setiap SDBC, keputusan dibuat untuk memindahkan
satu unit dari kelas dengan SDBC terbesar menuju kelas dengan SDBC
terendah.
Penyimpangan kelas baru kemudian dihitung, dan proses ini diulang sampai
jumlah dari dalam penyimpangan kelas mencapai nilai minimal.
Kemudian, statistik GVF
(
Goodness of Variance Fit
)
dihitung. GVF
didefinisikan (Coulson 1987) sebagai =
� ��−� �
� ��
.
GVF berkisar dari 0 (
fit
terburuk) sampai 1 (
fit
sempurna).
Association Rule Mining
Association rule mining
bertujuan untuk menemukan hubungan asosiatif
antara berbagai
item
-
item
pada basis data yang sangat besar. Metode ini biasa
disebut juga dengan
market basket analysis
. Untuk mengetahui pola/hubungan
antar
item-item
, pada aturan asosiasi terdapat dua metrik umum yaitu
support
dan
confidence
.
Aturan asosiasi dianggap sebagai pola yang menarik jika memenuhi nilai
ambang minimum untuk masing-masing metrik. Contoh aturan asosiasi dinyatakan
sebagai berikut (Agrawal
et al.
1993):
9
Dari aturan asosiasi tersebut maka 50% dari transaksi di
dataset
memuat
item
1 dan
item
2 juga memuat
item
3. Sedangkan 40% dari seluruh transaksi memuat
ketiga
item
tersebut. Nilai
Support
adalah ukuran seberapa sering
item
atau
itemset
muncul dalam keseluruhan transaksi.
Support
dari aturan
A → B
dapat dihitung
dengan menggunakan rumus (Han
et al.
2012):
support
(A
⇒
B) = P (A
∪
B)
=
a a a
ya
a
���� a
a
a a
…(1)
Nilai
confidence
merupakan ukuran yang menunjukan hubungan antara dua
item
berdasarkan kondisi tertentu dalam hal ini adalah ukuran dari asosiasi
A → B
dapat dihitung menggunakan rumus (Han
et al.
2012):
confidence
(A
⇒
B) = P (A|B)
=
a a a
ya
a
���� a
a a a
ya
a
����
…(2)
Selain perhitungan
support
dan
confidence,
dalam penerapan algoritme
apriori terdapat perhitungan
lift
(Sergey
et al.
1997):
lift
(A
⇒
B) =
P ∪P ×
…(3)
Spatial association rule mining
merupakan perluasan
association rule mining
dengan menggunakan data spasial. Aturan asosiasi pada data spasial dinyatakan
dalam bentuk (Koperski dan Han 1995):
x1
∧
x2
∧
…
∧
xm
→
y1
∧
y2
∧
…
∧
yn (sup%, con%)
…(4)
Bentuk (4) menyatakan hubungan asosisi antara predikat x
i(i
=1,…,
m) dan y
(j=1,…,n), dimana setidaknya terdapat satu predikat spasial. Contoh
spatial
association rule mining
sebagai berikut (Koperski dan Han 1995):
is_a(X,sumur)
⋀
close_to(X,0-20)
⋀
depth(X,0-250)
⋀
inside(X,basin14)
→
arsenic_level(X, classlabel:dangerous) (20%, 80%)
…(5)
10
Algoritme Apriori
Algoritme apriori adalah suatu algoritme dasar yang diusulkan oleh Agrawal
dan Srikant (1994) untuk menentukan
frequent itemsets
untuk aturan asosiasi
boolean. Algoritme Apriori menggunakan
frequent itemset
yang telah diketahui
sebelumnya untuk memproses informasi selanjutnya. Pada algoritme Apriori untuk
menentukan kandidat-kandidat yang mungkin muncul dengan cara memperhatikan
minimum support
. Adapun dua proses utama yang dilakukan dalam algoritme
Apriori (Han
et al.
2012), yaitu:
1.
Join
(proses penggabungan). Pada proses ini setiap
item
dikombinasikan
dengan
item
yang lainnya sampai tidak terbentuk kombinasi lagi.
�
�(kandidat
itemset
dengan ukuran k) dihasilkan dengan menggabung
�
�−(
itemset
yang
sering muncul dengan ukuran k).
2.
Prune
(pemangkasan). Pada proses ini hasil dari item yang telah
dikombinasikan kemudian dipangkas dengan menggunakan
minimum
support
yang telah ditentukan oleh pengguna. Oleh karena itu
itemset
yang tidak sering
muncul pada bagian (k-1) maka mengalami pemangkasan.
Pseudocode
algoritme apriori adalah sebagai berikut (Han
et al.
2012):
Apriori
�, �
� ∶=
{
large 1-itemsets
yang muncul lebih dari
�
transaksi}
� ∶=
;
//
k
menyatakan banyaknya pass
while
��−
≠ ø
do
begin
�
�=:
Kandidat baru dengan ukuran
k
dihasilkan dari
�
�−;
(
apriori_gen
)
forall
transaction
� ∈
Ɗ
do
Kenaikan jumlah semua kandidat di
��
yang terkandung dalam
t
;
��
≔
Semua kandidat di dalam
��
dengan
minimum support
;
� ∶= � +
end
Answer :=
⋃ ��
�;
Dalam Gambar 5 dapat dilihat bahwa algoritme Apriori dibagi menjadi
beberapa tahap yang disebut iterasi. Tiap iterasi menghasilkan pola frekuensi tinggi
dengan panjang yang sama dimulai dari iterasi pertama yang menghasilkan pola
frekuensi tinggi dengan panjang satu. Di iterasi pertama ini,
support
dari setiap
item
dihitung dengan men-
scan database
. Setelah
support
dari setiap
item
didapat,
item
yang memiliki
support
di atas
minimum support
dipilih sebagai pola frekuensi
tinggi dengan panjang 1 atau sering disingkat 1-
itemset
. Singkatan k-
itemset
berarti
satu
itemset
yang terdiri dari k
item
.
Iterasi kedua menghasilkan 2-
itemset
yang tiap
itemset
memiliki dua
item
.
Pertama dibuat kandidat 2-
itemset
dari kombinasi semua 1-
itemset
. Lalu untuk tiap
kandidat 2-
itemset
ini dihitung
support
-nya dengan men-
scan
basis data.
Support
disini artinya jumlah transaksi dalam basis data yang mengandung kedua
item
dalam kandidat 2-
itemset
. Setelah
support
dari semua kandidat 2-
itemset
didapatkan, kandidat 2-
itemset
yang memenuhi syarat
minimum support
dapat
11
ditetapkan sebagai 2-
itemset
yang juga merupakan pola frekuensi tinggi dengan
panjang 2.
Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa
bagian:
1.
Pembentukan kandidat
itemset
, kandidat k-
itemset
dibentuk dari
kombinasi (k-1)-
itemset
yang didapat dari iterasi sebelumnya. Satu ciri
dari algoritme Apriori adalah adanya pemangkasan kandidat k-
itemset
yang
subset
-nya berisi k-1
item
yang tidak termasuk dalam pola frekuensi
tinggi dengan panjang k-1.
2.
Penghitungan
support
dari tiap kandidat k-
itemset
.
Support
dari tiap
kandidat k-
itemset
didapat dengan men-
scan database
untuk menghitung
jumlah transaksi yang memuat semua
item
di dalam kandidat k-
itemset
tsb. Ini adalah juga ciri dari algoritme Apriori dimana diperlukan
penghitungan dengan
scan
seluruh basis data sebanyak k-
itemset
terpanjang.
3.
Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k
item
atau k-
itemset
ditetapkan dari kandidat k-
itemset
yang
support
-nya lebih
besar dari
minimum support
.
12
3
METODE
Tahapan Penelitian
[image:30.595.39.483.27.842.2]Metodologi penelitian yang dilakukan terdiri atas tiga tahapan utama.
Pertama praproses data spasial. Kedua,
spatial association rule mining
yang
meliputi penentuan aturan asosiasi kepemilikan ABT menggunakan algoritme
apriori kemudian penentuan karakteristik pemilik ABT berdasarkan aturan asosiasi.
Tahapan ketiga adalah analisis potensi penggunaan ABT. Alur metodologi
penelitian ini secara lengkap ditunjukkan pada Gambar 6.
Gambar 6 Tahapan penelitian
Area Studi
Area studi yang digunakan pada penelitian ini adalah Kota Bogor. Kota Bogor
terletak di Provinsi Jawa Barat seperti yang dapat dilihat pada Gambar 7. Kota
Bogor
terletak di antara 106°43’30”BT
-
106°51’00”BT dan 30’30”LS –
6°41’00”LS serta mempunyai ketinggian rata
-rata minimal 190 m sampai dengan
maksimal 350 m di atas permukaan laut dan dengan luas wilayah 11 850 ha.
Gambar 7 Area penelitian
(Sumber Data: Kementrian Pekerjaan Umum)
Analisis potensi penggunaan ABT
Penentuan karakteristik pemilik ABT berdasarkan aturan asosiasi
Penentuan aturan asosiasi kepemilikan ABT menggunakan algoritme Apriori Praproses
data spasial Pengumpulan data
spasial dan nonspasial Mulai
13
Perangkat Penelitian
[image:31.595.69.521.68.816.2]Untuk melakukan semua tahapan penelitian (Gambar 6), penelitian ini
menggunakan beberapa perangkat lunak seperti pada Tabel 1:
Tabel 1 Perangkat penelitian
Perangkat Lunak
Alamat unduh
Fungsi
Customer
Information
System
(CIS)
PDAM Tirta
Pakuan Kota
Bogor
3.1.16
http://192.168.9.171/
Aplikasi ini digunakan
untuk mendapatkan data
nonspasial
Kettle
pentaho data
integration
6.0.0.0-353
http://www.pentaho.com/
Aplikasi ini digunakan
untuk integrasi data dengan
format Microsoft Excel ke
dalam format
database
spasial
PostgreSQL
9.5
http://www.postgresql.org
/ Aplikasi ini digunakan
sebagai sistem manajemen
database
PostGIS 2.2
http://www.postgis.org/
Aplikasi ini digunakan
untuk analisis data spasial.
QuantumGIS
2.12.3
http://www.qgis.org/
Aplikasi ini digunakan
untuk analisis data spasial
RStudio
0.99.903
http://www.r-project.org/
Aplikasi ini digunakan
untuk menerapkan
algoritme apriori.
Kemudian selain perangkat lunak penelitian ini menggunakan perangkat
keras sebagai berikut:
-
Intel® Core™ i5
-2430M
-
CPU @2.40GHz
-
RAM 8 Gbytes
-
Graphics Radeon HD 6370M 2Gb
14
Pengumpulan Data Spasial dan Data Nonspasial
[image:32.595.38.460.36.813.2]Data yang digunakan pada penelitian ini terdiri dari data spasial dan data
nonspasial. Data spasial diberikan pada Tabel 2.
Tabel 2 Data spasial
Peta
Sumber Data
ABT
Penulis, berdasarkan hasil
query
CIS PDAM
TPKB yang di
mapping
ke dalam
spatial data
Elevasi
Badan Informasi Geospasial
Jalan
Badan Informasi Geospasial
Kecamatan
Badan Informasi Geospasial
Kelurahan
Badan Informasi Geospasial
Landuse
Lembaga Penerbangan dan Antariksa Nasional
Pelanggan PDAM PDAM Tirta Pakuan Kota Bogor
Sungai
Badan Informasi Geospasial
Titik Sumur
Badan Pengelolaan Lingkungan Hidup
Sedangkan data nonspasial adalah data pelanggan PDAM dengan atribut
diberikan pada Tabel 3.
Tabel 3 Atribut dalam data nonspasial
Atribut
Keterangan
IDPEL
Nomor pelanggan
NMCAMAT
Kecamatan
DISTNAME
Kelurahan
TARCODE
Golongan tarif
STATUS
Status pelanggan
WAT_USE
Pemakaian air
INV_AMT
Penggunaan bulanan
REMARKS
Keterangan penggunaan ABT
Praproses Data Spasial
Pada tahapan ini dilakukan penggabungan atribut data spasial dan
nonspasial. Data spasial yang sudah diperoleh pada tahapan sebelumnya dalam
format
shape file
(*.shp) dan data non spasial dalam format Microsoft Excel (*.xlsx)
dimasukkan
ke dalam DBMS PostgreSQL yang sudah terpasang ekstensi postgis.
Posgist adalah ekstensi untuk PostreSQL agar basis data mendukung data spasial.
Data spasial d
iimport
ke dalam basis data menggunakan fitur dari postgis,
sedangkan data non spasial di
import
ke dalam basis data menggunakan Pentaho
Kettle. Setelah data spasial dan data non spasial di
import
ke dalam basis data,
selanjutnya dilakukan
query
pada basis data untuk membentuk
dataset-dataset
yang
akan digunakan untuk tahapan selanjutnya.
Dataset
yang akan dibuat pada tahapan
ini yaitu:
1.
Dataset
1 adalah data seluruh pelanggan PDAM.
15
3.
Dataset
3 adalah
dataset
2 yang diprediksi memanfaatkan ABT.
Dataset
ini merupakan
Dataset
yang memiliki atribut
has_abt = “yes”
.
4.
Dataset
4 adalah
dataset
prediksi pelanggan yang akan memanfaatkan
ABT berdasarkan aturan asosiasi yang di dapatkan dari
dataset
3 yang
kemudian di terapkan pada
dataset
1.
[image:33.595.92.512.48.842.2]Proses penggabungan data spasial dan non spasial dapat dilihat pada
Gambar 8.
Gambar 8 Tahapan praproses data spasial
Operasi spasial dilakukan untuk dapat menggabungkan antar data spasial
berdasarkan tipe data spasial. Contoh operasi spasial adalah peta pelanggan dengan
tipe data poligon dilakukan operasi spasial dengan peta elevasi dengan tipe data
poligon menggunakan
intersect.
Secara keselurahan contoh operasi spasial pada
data spasial dapat dilihat pada Gambar 9.
Gambar 9 Contoh proses operasi spasial
Spatial Asscociation Rule Mining
Pada tahapan ini, penentuan aturan asosiasi menggunakan perangkat lunak R
Studio pada
dataset
3 yang dihasilkan pada tahapan sebelumnya. Diagram alir
tahapan
spatial association rule mining
ditunjukkan pada Gambar 10.
Basis data spasial untuk ABT Peta ABT, Peta Titik Sumur
Peta Elevasi, Peta Kecamatan, Peta Kelurahan, Peta Tata Guna Lahan
Peta Pelanggan PDAM
Data nonspasial Peta Jalan, Peta Sungai
Operasi spasial
Query data CIS
Dataset
Peta Pelanggan
(Poligon)
Peta ABT, Peta Titik Sumur
Peta Elevasi, Peta Kecamatan, Peta Kelurahan, Peta Tata
Guna Lahan
Peta Jalan, Peta Sungai SELECT P.nama
FROM Pelanggan P, Sungai S
WHERE Overlap(P.Shape, Buffer(S.Shape,30)) = 1 AND S.Name=‘Ciliwung’
SELECT P.Nama, L.Nama FROM Pelanggan P, Landuse L WHERE Intersect(P.Shape,L.Shape) = 1 AND S.Nama=‘Perumahan’;
16
Gambar 10 Diagram alir tahapan
spatial association rule mining
Analisis Potensi Penggunaan ABT
Aturan asosiasi yang dihasilkan pada tahapan sebelumnya diterapkan pada
dataset4 menggunakan perangkat lunak R Studio untuk memprediksi pelanggan
yang kemungkinan juga akan memanfaatkan ABT. Diagram alir analisis potensi
penggunaan ABT ditunjukkan pada Gambar 11.
Gambar 11 Diagram alir analisis potensi penggunaan ABT
Dataset3 Pembentukan frequent
itemset
Aturan asosiasi Pembuatan aturan
asosiasi
Query
Dataset1
Dataset 4
[image:34.595.32.483.45.829.2]17
4
HASIL DAN PEMBAHASAN
Pengumpulan Data
Data spasial dan data nonspasial yang digunakan pada penelitian ini adalah
sebagai berikut:
Data Spasial
1.
Peta ABT
Peta ABT merupakan gabungan peta pelanggan PDAM TPKB yang juga
memanfaatkan ABT dan peta masyarakat pemanfaat ABT yang terdaftar di
BPLH. Data pelanggan PDAM yang juga memanfaatkan ABT memiliki
informasi mengenai pola pemakaian dan geografis. Informasi geografis didapat
dari informasi alamat pelanggan melalui
field
“streetname”, “doorname”, “rt”,
“rw”, dan “zonenum” yang kemudian dipetakan
layer-layer
berupa “
point
” yang
akhirnya menghasilkan “
keypoint
”.
Sehingga
layer-layer
peta tersebut dapat
digunakan untuk menganalisis mengenai pola pemakaian air pelanggan yang
menggunakan air PDAM juga pemanfaat ABT.
Peta ABT didapatkan dari
query
CIS PDAM TPKB yang memiliki nilai
remarks
-
nya “SUMUR”, “BOR” dan “ABT”.
Remarks
adalah atribut data yang
[image:35.595.126.499.433.735.2]terdapat dalam CIS yang berisi mengenai catatan yang dapat diinputkan oleh
petugas lapangan ataupun petugas pelayanan yang merupakan informasi
keterangan pelanggan pengguna ABT. Dari hasil
query
tersebut ditemukan 410
pelanggan. Sedangkan informasi masyarakat pemanfaat ABT yang terdaftar di
BPLH Kota Bogor terdiri dari sumur bor dan sumur pantek. Data ABT dipetakan
seperti yang ditunjukkan Gambar 12.
18
2.
Peta Elevasi
[image:36.595.59.476.91.733.2]Peta elevasi merupakan peta ketinggian. Elevasi Kota Bogor dapat dilihat
pada Gambar 13. Tabel 4 menunjukan atribut data yang terdapat pada peta
elevasi.
Gambar 13 Peta elevasi kota Bogor
Tabel 4 Atribut data yang terdapat pada peta elevasi
Elevasi
Area (m
2)
Elevasi
Area (m
2)
180 -190 m dpl
6,856,790
300 - 310 m dpl
6,335,187
190 - 200 m dpl
13,454,873
310 - 320 m dpl
7,027,823
200 - 210 m dpl
10,386,948
320 - 330 m dpl
9,706,029
210 - 220 m dpl
7,990,560
330 - 340 m dpl
6,909,124
220 - 230 m dpl
6,121,580
340 - 350 m dpl
6,097,707
230 - 240 m dpl
8,382,810
350 - 360 m dpl
6,949,135
240 - 250 m dpl
7,894,700
360 - 370 m dpl
9,188,240
250 - 260 m dpl
7,388,127
380 - 390 m dpl
5,156,328
260 - 270 m dpl
6,091,496
390 - 400 m dpl
3,889,466
270 - 280 m dpl
5,995,420
400 - 410 m dpl
3,350,160
280 - 290 m dpl
13,911,052
410 - 420 m dpl
1,397,150
290 - 300 m dpl
5,543,660
420 - 430 m dp
177,770
3.
Peta Jalan
Peta jalan merupakan
peta dengan representasi visual dari jalan yang
digunakan untuk perjalanan mobil dan navigasi.
Peta jalan Kota Bogor
19
Gambar 14 Peta jalan kota Bogor
4.
Peta Kecamatan
Kota Bogor terdiri dari enam kecamatan, ditunjukkan pada Gambar
15. Tabel 5 menunjukan luas area kecamatan di kota Bogor.
Gambar 15 Peta kecamatan kota Bogor
Tabel 5 Luas area kecamatan kota Bogor
Nama Kecamatan
Area (m
2)
Kota Bogor Utara
17,525,800
Kota Bogor Barat
21,524,600
Kota Bogor Tengah
8,085,430
Kota Bogor Timur
9,734,260
Kota Bogor Selatan
32,038,700
[image:37.595.164.487.88.310.2]20
5.
Peta Kelurahan Kota Bogor
[image:38.595.71.487.47.824.2]Kota Bogor terdiri dari 68 kelurahan, ditunjukkan pada Gambar 16.
Tabel 6 menunjukan atribut data yang terdapat pada peta kelurahan, yaitu
luas area kelurahan di kota Bogor.
Gambar 16 Peta batas kelurahan kota Bogor
Tabel 6 Luas area kelurahan di kota Bogor
Nama Kelurahan Area (m2) Nama Kelurahan Area (m2) Nama Kelurahan Area (m2) Kencana 2,823,270 Gunungbatu 1,431,210 Tegalega 1,099,230 Mekarwangi 2,833,140 Kedungjaya 1,117,240 Paledang 1,861,450 Kayumanis 2,573,530 Bubulak 1,235,180 Panaragan 294,011 Cibadak 2,807,480 Cimahpar 3,054,290 Pasir Jaya 851,920 Ciparingi 1,657,880 Cilendek Barat 1,553,040 Pasirmulya 532,277 Curug 963,508 Cilendek Timur 1,178,040 Baranangsiang 2,719,960 Situ Gede 3,344,870 Kebun Pedes 1,036,810 Katulampa 3,855,230 Sukadamai 1,176,640 Tanah Sareal 1,247,770 Pasirkuda 752,036 Kedunghalang 1,449,770 Margajaya 1,535,370 Babakanpasar 337,440 Sukaresmi 665,590 Tegalgundil 2,243,370 Gudang 243,035 Ciluar 2,595,360 Bantarjati 1,487,150 Empang 817,858 Tanahbaru 3,342,190 Sindangbarang 1,722,690 Bondongan 657,149 Cibuluh 1,695,770 Ciwaringin 900,323 Cikaret 2,138,130 Semplak 1,630,870 Menteng 1,768,430 Sukasari 636,487 Curug Mekar 1,199,320 Pabaton 589,499 Ranggamekar 4,140,470 Kedungbadak 2,079,680 Loji 994,574 Batu Tulis 609,926 Balumbangjaya 831,311 Sempur 541,678 Lawanggintung 706,193 Bojongkerta 1,960,040 Cibogor 461,217 Mulyaharja 4,689,520 Rancamaya 2,516,870 Babakan 1,148,820 Tajur 653,293 Pamoyanan 2,559,450 Kebun Kelapa 608,716 Pakuan 724,990 Kertamaya 3,870,650 Genteng 2,076,840 Cipaku 1,552,900 Muarasari 1,352,390 Harjasari 1,665,290 kedungwaringin 1,693,800 Sindangsari 715,102 Sindangrasa 1,154,190
6.
Peta Tata Guna Lahan
21
[image:39.595.129.502.131.440.2]Peta tata guna lahan Kota Bogor dapat dilihat pada Gambar 17. Tabel 7
menunjukan atribut yang terdapat dalam peta tata guna lahan.
[image:39.595.127.496.425.630.2]Gambar 17 Peta tata guna lahan kota Bogor
Tabel 7 Atribut yang terdapat dalam peta tata guna lahan
Penggunaan Lahan Area (M2) Penggunaan Lahan Area (M2) Bengkel 63,669.79 Padang Rumput 30,664.74 Danau 126,040.46 Pemerintahan 1,177,843.32 Empang 363,598.96 Pemukiman 43,532,819.07 Gardu Listrik 76,293.38 Pendidikan 1,517,643.72 Hotel 26,995.79 Perdagangan 5,036,970.92 Hutan Kota 657,833.10 Peribadatan 179,894.29 Industri 1,365,593.71 Perkantoran 90,597.35 Istana Presiden 31,876.02 Perumahan 55,945,944.39 Jalan 2,819,777.27 Sarana Olah Raga 1,065,270.39 Jalan Kereta Api 101,023.20 Sawah 4,112,982.44 Kebun 28,817,404.16 Semak Belukar 11,953,563.64 Kebun Raya 960,674.75 Stasiun KA 14,155.88 Kesehatan 50,762.33 Sungai 1,455,902.50 Kolam 7,689.51 Taman 1,136,241.21 Kuburan 1,377,155.99 Tanah Kosong 3,377,355.04 Ladang 14,403.49 Tempat Rekreasi 101,344.20 Lapangan 130,762.68 Terminal 36,126.07 Militer 648,296.097.
Peta Pelanggan
Peta pelanggan PDAM didapatkan dari hasil
query
CIS secara
nonspasial namun memiliki atribut geografis. Informasi geografis didapat
dari informasi alamat pelanggan melalui atribut data
“streetname”,
“doorname”, “rt”, “rw”, dan “zonenum” yang kemudian dipetakan ke
dalam
layer-layer
berupa “point” yang akhirnya menghasilkan “keypoint”.
Keypoint
tersebut yang dijadikan sebagai acuan koordinat pelanggan
22
Gambar 18 Peta pelanggan PDAM kota Bogor
8.
Peta Sungai
Kota Bogor dilewati dua buah sungai besar yaitu sungai Ciliwung di
sebelah timur dan sungai Cisadane di sebelah barat. Selain dua sungai besar
Kota Bogor juga dilalui beberapa
sungai yang permukaan airnya jauh di
bawah permukaan dataran, diantaranya adalah Ciliwung, Cisadane,
Cipakancilan, Cidepit, Ciparigi, dan Cibalok seperti pada Gambar 19.
23
Data Nonspasial
[image:41.595.81.522.127.790.2]Data nonspasial didapatkan dari hasil
query
CIS
. Query code
yang dilakukan
untuk mendapatkan data nonspasial dapat dilihat pada Lampiran 1 dan Lampiran 2.
Lampiran 1 merupakan
query code
yang dilakukan untuk mendapatkan data non
spasial, sedangkan Lampiran 2 merupakan
query code
yang dilakukan untuk
mendapatkan data nonspasial pelanggan PDAM yang juga memanfaatkan ABT.
Contoh dari data nonspasial ditunjukkan pada Tabel 8.
Tabel 8 Contoh data nonspasial
IDPEL DISTNAME NMCAMAT TARCODE STATUS WAT_USE INV_AMT REMARKS 2135-1041 Cibadak Tanah Sareal R6 8 307 2141600 Ada Sumur 2139-1027 Mekar Wangi Tanah Sareal R5 3 25 114600 Ada Sumur
… … … …
2139-1021 Sukadamai Tanah Sareal R5 3 1 14700 Sumur 2139-1006 Mekar Wangi Tanah Sareal R6 3 11 69600 Sumur 2139-1010 Mekar Wangi Tanah Sareal R4 3 0 20600 Sumur
… … … …
2141-1110 Cibadak Tanah Sareal R5 3 0 24600 Sumur
2141-1111 Cibadak Tanah Sareal R6 3 28 189100 Ada Sumur
Atribut-atribut pada Tabel 8 dijelaskan sebagai berikut:
1.
Nomor Pelanggan (IDPEL)
Nomor pelanggan adalah kode unik pelanggan yang terdiri dari delapan
angka, dimana empat angka pertama merupakan nomor jalan (STRNUM
adalah STREET NUMBER) dan 4 angka terakhir merupakan id pelanggan
(CUSTOMER NUMBER) seperti ditunjukkan contoh berikut ini.
2.
Kelurahan (DISTNAME)
Dalam data atribut nonspasial terdapat 68 kelurahan, yaitu:
1.
Kencana
2.
Mekarwangi
3.
Kayumanis
4.
Cibadak
5.
Ciparingi
6.
Curug
7.
Situ Gede
8.
Sukadamai
9.
Kedunghalang
10.
Sukaresmi
11.
Ciluar
12.
Tanahbaru
13.
Cibuluh
14.
Semplak
15.
Tajur
16.
Pakuan
17.
Cipaku
18.
Kedungwaringin
19.
Kedungjaya
20.
Bubulak
21.
Cimahpar
22.
Cilendek Barat
23.
Cilendek Timur
24.
Kebun Pedes
25.
Tanah Sareal
26.
Margajaya
27.
Tegalgundil
28.
Bantarjati
29.
Sindangbarang
30.
Ciwaringin
31.
Menteng
32.
Batu Tulis
33.
Lawanggintung
34.
Mulyaharja
35.
Gunungbatu
36.
Tegalega
37.
Paledang
38.
Panaragan
39.
Pasir Jaya
40.
Pasirmulya
41.
Baranangsiang
42.
Katulampa
43.
Pasirkuda
44.
Babakanpasar
45.
Gudang
46.
Empang
47.
Bondongan
48.
Cikaret
49.
Sukasari
50.
Ranggamekar
51.
Sindangrasa
24
3.
Kecamatan (NMCAMAT)
Dalam data atribut nonspasial terdapat enam kecamatan, yaitu Kota
Bogor Utara, Kota Bogor Barat, Kota Bogor Tengah, Kota Bogor Timur,
Kota Bogor Selatan, Tanah Sareal.
4.
Golongan Tarif (TARCODE)
[image:42.595.69.483.34.815.2]Di dalam CIS, terdapat enam kelompok besar golongan tarif
pelanggan berdasarkan Peraturan Walikota Bogor Nomor 21 tahun 2012
tentang Tarif Air Minum PDAM Tirta Pakuan Kota Bogor yang
diundangkan dalam Berita Daerah Kota Bogor Tahun 2012 No.9 serie E
seperti yang dapat dilihat pada Tabel 9.
Tabel 9 Golongan tarif pelanggan PDAM TPKB
Kode
Golongan Tarif
Keterangan
S1
Sosial Umum
Yang termasuk dalam klasifikasi pelanggan sosial
adalah pelanggan yang kegiatan setiap harinya
melayani kepentingan umum khusus bagi masyarakat
yang berpenghasilan rendah.
S2
Sosial Khusus
Yang termasuk dalam klasifikasi pelanggan sosial
adalah pelanggan yang kegiatan setiap harinya
melayani kepentingan umum dan masyarakat serta
mendapatkan
sumber
dana
sebagian
dari
kegiatannya.
R1
Rumah Tangga 1
Yang termasuk ke dalam klasifikasi pelanggan
rumah tangga adalah rumah yang hanya berfungsi
sebagai tempat tinggal dan memenuhi salah satu
kriteria yang sudah ditentukan. Pelanggan rumah
tangga terdiri 8 (delapan) golongan tarif.
R2
Rumah Tangga 2
R3
Rumah Tangga 3
R4
Rumah Tangga 4
R5
Rumah Tangga 5
R6
Rumah Tangga 6
R7
Rumah Tangga 7
R8
Rumah Tangga 8
IP
Instansi Pemerintah Yang termasuk dalam klasifikasi pelanggan instansi
pemerintah adalah instansi-instansi pemerintah yang
memenuhi kriteria yang sudah ditentukan.
N1
Niaga 1
Yang termasuk ke dalam klasifikasi pelanggan Niaga
adalah kegiatan usaha yang berada di wilayah
perniagaan dan memenuhi salah satu kriteria yang
sudah ditentukan.
N2
Niaga 2
N3
Niaga 3
N4
Niaga 4
I1
Industri 1
Yang termasuk ke dalam klasifikasi pelanggan
Industri adalah kegiatan industri yang memenuhi
salah satu kriteria yang sudah ditentukan.
I2
Industri 2
5.
Status (STATUS)
25
Tabel 10 Status pelanggan PDAM TPKB
Kode Status
Keterangan
0
Calon Pelanggan
1
Pelanggan baru (belum disambung)
2
Pelanggan baru (disambung pada bulan ini)
3
Pelanggan aktif
4
Pelanggan yang dapat peringatan bulan ini
5
Pelanggan yang telah dapat peringatan
6
Pelanggan yang akan diputus bulan ini
7
Pelanggan yang akan diputus atas pemintaan
8
Pelanggan yang telah diputus
9
Pelanggan yang telah diputus atas permintaan
10
Pelanggan dengan status 8, pindah ke eks-pelanggan
11
Pelanggan dengan status 9, pindah ke eks-pelanggan
6.
Pemakaian air (WAT_USE)
Dalam data atribut nonspasial terdapat atribut
pemakaian air yang
merupakan nilai pemakaian air dalam m
3yang digunakan pelanggan setiap
bulannya.
7.
Penggunaan bulanan (INV_AMT)
Dalam data atribut nonspasial digunakan data penggunaan bulanan
yang merupakan data tagihan pelanggan aktif yang harus dibayarkan
perbulannya sesuai dengan pemakaian pelanggan.
8.
Keterangan penggunaan ABT (REMARKS)
Dalam data atribut nonspasial terdapat atribut
Remarks yang
merupakan atribut yang berisi mengenai catatan yang dapat di
input
kan oleh
petugas lapangan ataupun petugas pelayanan.
Praproses Data Spasial
Setelah tahap pengumpulan data selesai, maka tahap selanjutnya yang harus
dilakukan adalah melakukan tahapan praproses data spasial. Diagram alir tahapan
praproses data spasial dapat dilihat pada Gambar 8. Tahap awal praproses pada data
spasial adalah melakukan proses operasi spasial, yaitu
buffering
pada peta danau,
peta jalan, dan peta sungai
. Buffering
dilakukan untuk menghasilkan data spasial
baru dengan jarak tertentu dari data spasial yang menjadi masukannya. Radius
buffer
dapat dilihat pada Tabel 11. Contoh hasil proses
buffering
ditunjukkan pada
Gambar 20.
[image:43.595.192.437.708.756.2]Untuk data nonspasial tahap awal yang dilakukan adalah melakukan
transformasi data dari format Microsoft Excel (*.xlsx) ke dalam format data SQL
(*.sql) menggunakan Pentaho Kettle seperti ditunjukkan pada Gambar 21. Contoh
hasil
output
proses transformasi menggunakan Pentaho Kettle ditunjukkan pada
Gambar 22.
Tabel 11 Radius
buffer
untuk data danau, jalan dan sungai
Layer
Jarak (m)
26
Gambar 20 Contoh hasil proses
buffering
pada data sungai
Gambar 21 Proses transformasi data nonspasial menggunakan Pentaho Kettle
Gambar 22 Contoh hasil
output
transformasi data nonspasial
Legenda
Sungai
27
Tahap selanjutnya adalah menyiapkan basis data untuk menampung data
spasial dan data nonspasial. Penelitian ini menggunakan DBMS PostgreSQL. Basis
data
yang dibuat adalah “mydb”
. Setelah basis data sudah terbentuk, agar
PostgreSQL mendukung pengolahan data spasial, maka harus menambahkan
extension
postgis dan postgis_topology. Untuk menambah
extension
tersebut dapat
menggunakan
sql code
seperti pada Lampiran 3. Tahapan selanjutnya yaitu
memasukkan data spasial beserta atributnya ke dalam basis data
mydb. Data spasial
d
i
ke dalam basis data
menggunakan fitur dari postgis, sedangkan data non spasial
di
import
kedalam basis data melalui proses
query code
yang dihasilkan dari proses
transformasi Pentaho Kettle di dalam postgreSQL.
Tabel-tabel yang terbentuk pada basis data
mydb setelah proses
import
data
spasial dan non spasial adalah bogor_danau, bogor_sumur, bogor_titik_abt,
bogor_jalan,
bogor_landuse,
bogor_pel_pdam,
bogor_kelurahan,
bogor_kecamatan, dan bogor_pelanggan_pdam. Tabel 12 merupakan fitur-fitur
yang terdapat pada data spasial yang digunakan pada penelitian ini.
Tabel 12 Fitur-fitur yang terdapat pada data spasial
Layer
Jumlah fitur
bogor_danau
4 poligon
bogor_sumur
91 titik
bogor_titik_abt
316 titik
bogor_jalan
17.086 garis
bogor_land_use
16.912 poligon
bogor_pel_pdam
80.003 poligon
bogor_kelurahan
68 poligon
bogor_kecamatan
6 poligon
Sedangkan untuk jumlah fitur pada data non spasial bogor_pelanggan_pdam
adalah 129 312 data. Selanjutnya dilakukan diskretisasi atribut numerik.
Pengkodean atribut terdapat pada Lampiran 4 untuk nama kecamatan, Lampiran 5
untuk pengkodean elevasi, Lampiran 6 untuk pengkodean status pelanggan. Setelah
proses pengkodean atribut selesai dilakukan, hal selanjutnya yang dilakukan
melakukan klasifikasi data untuk menentukan kelas-kelas pada atribut-atribut
numerik yaitu pemakaian air pelanggan (WAT_USE) dan tagihan air pelanggan
(INV_AMT). Pengelompokan data ini menggunakan metode klasifikasi
natural
break
untuk menentukan penomoran interval kelas,
source code
pembuatan aplikasi
klasifikasi
natural break
dapat dilihat pada Lampiran 7 sehingga diperoleh lebar
kelas yang logis. Pada penelitian ini panjang kelas yang digunakan untuk atribut
WAT_USE adalah 10 kelas dan atribut INV_AMT adalah 30 kelas. Berikut hasil
proses dari klasifikasi data
natural break
ditunjukkan pada Gambar 23.
28
Tahapan terakhir dalam praproses data spasial adalah membuat operasi
spasial melalui
query code
untuk mendapatkan
dataset.
Untuk tahap terakhir ini
yang dijadikan sebagai data dasar untuk analisis adalah bogor_pel_pdam.
Query
code
untuk membuat
dataset
ditunjukkan pada Lampiran 8. Hasil dari
query code
ditunjukan pada Gambar 24.
Gambar 24 Hasil
query
untuk tahapan praproses data spasial
Spatial Asscociation Rule Mining