Analisis Potensi Penggunaan Sumber Air Bawah Tanah Terhadap Penggunaan Air Pdam Menggunakan Spatial Association Rule Mining

(1)

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

(2)

(3)

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

(4)

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).

(5)

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).

(6)

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

(7)

(8)

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

(9)

(10)

(11)

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

(12)

(13)

(14)

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

(15)

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

25

28

30

5

SIMPULAN DAN SARAN

33

Simpulan

33

Saran

33

DAFTAR PUSTAKA

34

LAMPIRAN

35

(16)

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

Scatter plot

aturan asosiasi yang memiliki predikat has_abt = “yes”

29

(17)

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

(18)

(19)

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

3

menjadi 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

u

n

a AB

T b

e

ri

zi

n

(20)

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

(21)

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

.

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.

(22)

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

(23)

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.

(24)

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

yaitu proses untuk menghilangkan

noise

dan data yang tidak

konsisten.

2.

Data integration

yaitu proses untuk menggabungkan data dari beberapa

sumber.

3.

Data selection

yaitu proses pengambilan data yang relevan dari

database

untuk

dianalisis.

4.

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

merupakan proses untuk mengekstrak pola data dengan

menggunakan metode-metode

data mining

seperti klasifikasi, regresi,

clustering

dan asosiasi.

6.

Pattern evaluation

yaitu proses untuk mengevaluasi pola-pola menarik yang

dihasilkan dari proses

data mining

sebelumnya.

7.

Knowledge presentation

yaitu menggunakan teknik representasi dan

(25)

7

Gambar 4 Tahapan dalam knowledge discovery from data (Han et al. 2012)

(26)

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):

(27)

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

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

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)

(28)

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

(29)

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

.

(30)

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,

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

(31)

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/

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/

untuk analisis data spasial.

QuantumGIS

2.12.3

http://www.qgis.org/

untuk analisis data spasial

RStudio

0.99.903

http://www.r-project.org/

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

(32)

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

Kecamatan

Kelurahan

Landuse

Lembaga Penerbangan dan Antariksa Nasional

Pelanggan PDAM PDAM Tirta Pakuan Kota Bogor

Sungai

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.

(33)

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

Pada tahapan ini, penentuan aturan asosiasi menggunakan perangkat lunak R

Studio pada

dataset

3 yang dihasilkan pada tahapan sebelumnya. Diagram alir

tahapan

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’;

(34)

[image:34.595.39.489.40.820.2]

16

Gambar 10 Diagram alir tahapan

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]

(35)

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.

(36)

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

(37)

[image:37.595.108.489.65.812.2]

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]

(38)

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 Kencana 2,823,270 Mekarwangi 2,833,140 Kayumanis 2,573,530 Cibadak 2,807,480 Ciparingi 1,657,880 Curug 963,508 Situ Gede 3,344,870 Sukadamai 1,176,640 Kedunghalang Sukaresmi 665,590 Ciluar 2,595,360 Tanahbaru 3,342,190 Cibuluh 1,695,770 Semplak 1,630,870 Menteng Curug Mekar 1,199,320 Kedungbadak 2,079,680 Balumbangjaya Bojongkerta 1,960,040 Rancamaya 2,516,870 Pamoyanan 2,559,450 Kertamaya 3,870,650 Muarasari 1,352,390 Sindangsari 715,102 (m2₎ _{Nama Kelurahan} _{Area (m}2₎ _{Nama Kelurahan} _{Area (m}2₎ Gunungbatu 1,431,210 Tegalega 1,099,230 Kedungjaya 1,117,240 Paledang 1,861,450 Bubulak 1,235,180 Panaragan 294,011 Cimahpar 3,054,290 Pasir Jaya 851,920 Cilendek Barat 1,553,040 Pasirmulya 532,277 Cilendek Timur 1,178,040 Baranangsiang 2,719,960 Kebun Pedes 1,036,810 Katulampa 3,855,230 Tanah Sareal 1,247,770 Pasirkuda 752,036 1,449,770 Margajaya 1,535,370 Babakanpasar 337,440 Tegalgundil 2,243,370 Gudang 243,035 Bantarjati 1,487,150 Empang 817,858 Sindangbarang 1,722,690 Bondongan 657,149 Ciwaringin 900,323 Cikaret 2,138,130 1,768,430 Sukasari 636,487 Pabaton 589,499 Ranggamekar 4,140,470 Loji 994,574 Batu Tulis 609,926 831,311 Sempur 541,678 Lawanggintung 706,193 Cibogor 461,217 Mulyaharja 4,689,520 Babakan 1,148,820 Tajur 653,293 Kebun Kelapa 608,716 Pakuan 724,990 Genteng 2,076,840 Cipaku 1,552,900 Harjasari 1,665,290 kedungwaringin 1,693,800 Sindangrasa 1,154,190

6.

Peta Tata Guna Lahan

(39)

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 (M}2₎ 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 648,296.09

7.

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

(40)

[image:40.595.88.487.68.780.2]

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.

(41)

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

(42)

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)

(43)

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

3

yang 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.

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)

(44)

[image:44.595.43.471.56.802.2]

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

(45)

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.

(46)

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