Klasifikasi Spasial untuk Objek Spasial di Kota Bogor

(1)

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL

DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Spasial untuk Objek Spasial di Kota Bogor 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 skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

(4)

ABSTRAK

INTAN MULTIANA PERMATA SARI. Klasifikasi Spasial untuk Objek Spasial di Kota Bogor. Dibimbing oleh ANNISA.

Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik spatial data mining yang dapat mengekstrak pengetahuan atau pola-pola dalam basis data spasial. Penelitian ini mengekstrak pola-pola berupa karakteristik dari terminal, stasiun, rel kereta api, sungai, jalan, dan penggunaan lahan menggunakan salah satu teknik spatial data mining, yaitu klasifikasi spasial. Pada penelitian ini, hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Hasil akurasi klasifikasi spasial menggunakan algoritme C4.5 adalah sebesar 72.117%. Dari hasil klasifikasi spasial ini, karakteristik objek spasial di kota Bogor dapat diketahui berdasarkan operasi spasial yang digunakan.

Kata kunci: algoritme C4.5, klasifikasi spasial, spatial data mining

ABSTRACT

INTAN MULTIANA PERMATA SARI. Spatial Classification for Spatial Objects in Bogor City. Supervised by ANNISA.

Various spatial objects in Bogor City have caused a significant increase of spatial data in Bogor City. These spatial data needs to be processed and analyzed using spatial data mining technique, which is able to extract the knowledge or patterns in the spatial database. This research extracts the patterns of terminals, stations, railroads, rivers, roads, and landuse characteristics using one of the spatial data mining techniques, namely spatial classification. In this research, the spatial relations between an object and its surrounding is determined using topological relations, with spatial operations such as contains, overlaps, equals, disjoint, intersects, within, crosses, and touches. The result of spatial classification accuracy using C4.5 algorithm is 72.117%. From this spatial classification result, the characteristics of spatial objects in Bogor City can be identified based on spatial operations.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada

Departemen Matematika dan Ilmu Pengetahuan Alam

KLASIFIKASI SPASIAL UNTUK OBJEK SPASIAL

DI KOTA BOGOR

INTAN MULTIANA PERMATA SARI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(6)

Penguji:

(7)

Judul Skripsi : Klasifikasi Spasial untuk Objek Spasial di Kota Bogor Nama : Intan Multiana Permata Sari

NIM : G64090043

Disetujui oleh

Annisa, SKom MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

(9)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Klasifikasi Spasial untuk Objek Spasial di Kota Bogor. Penulis mengucapkan terima kasih kepada kedua orang tua penulis yang hingga saat ini selalu mendoakan dan memberikan motivasi. Hal yang sama juga untuk adik dan semua keluarga penulis.

Terima kasih penulis sampaikan kepada Ibu Annisa, SKom MKom selaku dosen pembimbing yang telah sabar membimbing dan memberikan saran kepada penulis. Bapak Hari Agung Adrianto, SKom MSi dan Ibu Dr Imas S Sitanggang, SSi MKom selaku dosen penguji yang telah memberikan saran dan perbaikan terhadap tugas akhir ini. Terima kasih juga penulis sampaikan kepada semua pihak yang telah membantu dalam penyelesaian tugas akhir ini, antara lain: 1 Teman-teman satu bimbingan: Anggi, Retno, Lizza, Silviani, dan Kak Muti

atas kerjasama, bantuan, informasi, dan dukungannya. 2 Peni, Dewi, Alys, dan Esha atas semangat dan doanya.

3 Rekan-rekan Mahasiswa Departemen Ilmu Komputer angkatan 46 atas bantuan dan dukungannya selama menjalani masa studi.

4 Seluruh staf dan karyawan Departemen Ilmu Komputer, serta pihak lain yang telah membantu dalam menyelesaikan penelitian ini.

Penulis menyadari bahwa penelitian ini masih jauh dari sempurna karena keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Namun, penulis berharap penelitian ini dapat memberikan manfaat bagi seluruh pihak.

Bogor, Desember 2013

(10)

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

METODE 2

Pengadaan Data 2

Praproses Data 3

Pembagian Data 4

Klasifikasi Spasial 4

Penghitungan Akurasi 5

Lingkungan Implementasi 6

HASIL DAN PEMBAHASAN 6

Data 6

Praproses Data 7

Pembagian Data 11

Klasifikasi Spasial 11

Penghitungan Akurasi 13

SIMPULAN DAN SARAN 14

Simpulan 14

Saran 14

DAFTAR PUSTAKA 14

LAMPIRAN 15

(11)

DAFTAR TABEL

1 Objek spasial kota Bogor 6

2 Contoh data sungai sebelum pembersihan 10

3 Contoh data setelah dilakukan perubahan 10

4 Contoh penambahan atribut kelas target 11

5 Jumlah semua data dan hasil prediksi benar 13

DAFTAR GAMBAR

1 Tahapan penelitian 3

2 Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006) 4

3 Peta objek spasial kota Bogor 6

4 Hirarki objek jalan 7

5 Contoh split vektor layer 8

6 Peta hasil pembagian data 9

7 Contoh spatial query 9

8 Contoh tree hasil klasifikasi 12

DAFTAR LAMPIRAN

1 Objek spasial kota Bogor 15

2 Contoh data hasil hubungan spasial 17

3 Contoh data hasil hubungan spasial setelah dilakukan perubahan 19

4 Contah data setelah diubah menjadi ARFF 21

(12)

PENDAHULUAN

Latar Belakang

Objek spasial di kota Bogor saat ini sudah banyak dan beragam. Kondisi ini menyebabkan jumlah data spasial di kota Bogor menjadi semakin besar. Oleh karena itu, data spasial tersebut perlu diolah dan dianalisis menggunakan teknik spatial data mining. Spatial data mining adalah proses ekstraksi pengetahuan, hubungan spasial, atau pola-pola lain yang tidak secara eksplisit tersimpan di dalam basis data spasial (Han dan Kamber 2006). Pengetahuan atau pola-pola tersebut dapat berupa karakteristik dari objek-objek spasial yang ada di kota Bogor. Karakteristik dari objek spasial dapat diketahui dari hubungan-hubungan spasial antar objek. Contoh, karakteristik dari industri yang sudah ada, misalnya industri tersebut berpotongan dengan jalan raya, bersebrangan dengan terminal, dan sebaginya. Salah satu teknik spatial data mining yang dapat digunakan untuk menemukan aturan berupa karakteristik dari objek spasial, yaitu klasifikasi spasial. Klasifikasi spasial dapat menentukan dan mengidentifikasi kelas dari sebuah objek berdasarkan atribut spasial yang digunakan, dengan memperhitungkan objek-objek spasial lain yang berada di sekitarnya.

Penelitian sebelumnya yang dilakukan oleh Napthalena (2009) adalah menerapkan teknik klasifikasi spasial pada data mangrove menggunakan algoritme C4.5. Pada penelitian tersebut hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlap, dan inside. Penelitian tersebut menghasilkan spatial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. Sedangkan penelitian ini akan menerapkan teknik klasifikasi spasial pada objek spasial di kota Bogor, yang terdiri atas terminal, stasiun, rel kereta api, sungai, jalan, dan landuse, menggunakan algoritme C4.5. Hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi, tetapi operasi spasial yang digunakan lebih banyak yaitu contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Dengan klasifikasi spasial diharapkan dapat menghasilkan spatial classifier berdasarkan operasi spasial yang digunakan, sehingga dapat dihasilkan aturan klasifikasi yang dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek spasial di kota Bogor.

Perumusan Masalah

Adapun perumusan masalah pada penelitian ini, antara lain:

1 Bagaimana klasifikasi spasial diterapkan pada objek spasial di kota Bogor? 2 Apakah dengan klasifikasi spasial dapat dibentuk classifier yang dapat

(13)

2

Tujuan Penelitian

Tujuan penelitian ini adalah menerapkan teknik klasifikasi pada objek spasial di kota Bogor, dengan membuat spatial classifier untuk menemukan aturan klasifikasi yang dapat digunakan untuk mengetahui karakteristik dan mengidentifikasi objek spasial di kota Bogor.

Manfaat Penelitian

Manfaat yang diperoleh dari penelitian ini adalah dapat mengetahui karakteristik objek spasial di kota Bogor berdasarkan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Karakteristik tersebut dapat digunakan untuk mengidentifikasi objek spasial di kota Bogor.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini meliputi:

1 Data yang digunakan adalah objek spasial di wilayah kota Bogor dalam bentuk titik (point), garis (line), dan bidang (polygon).

2 Metode yang digunakan adalah decision tree, menggunakan algoritme C4.5. 3 Operasi spasial yang digunakan adalah operasi spasial berdasarkan hubungan

topologi, yaitu contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches.

METODE

Penelitian ini dilakukan dalam beberapa tahap. Mulai dari pengadaan data, praproses data, pembagian data training dan data testing, klasifikasi spasial, dan penghitungan akurasi. Seperti yang diilustrasikan pada Gambar 1.

Pengadaan Data

Data spasial adalah data yang berorientasi geografis, memiliki sistem koordinat tertentu sebagai dasar referensinya dan mempunyai dua bagian penting yang membuatnya berbeda dari data lain, yaitu informasi lokasi (spasial) dan informasi deskriptif (atribut). Data spasial direpresentasikan di dalam basisdata sebagai raster atau vektor. Data raster adalah data yang direpresentasikan sebagai struktur sel grid yang disebut dengan piksel, sedangkan data vektor adalah data yang direpresentasikan ke dalam bentuk titik, garis, dan poligon beserta atributnya (Astrini dan Oswald 2012).

(14)

3 yang berupa titik adalah terminal bis dan stasiun, objek yang berupa garis adalah jalan, rel kereta api, dan sungai. Objek yang berupa poligon adalah landuse.

Gambar 1 Tahapan penelitian

Praproses Data

Pada penelitian ini praproses data diawali dengan membagi objek jalan dan landuse berdasarkan jenisnya. Pembagian objek ini dilakukan menggunakan Quantum GIS agar masing-masing jenis objek yang sudah dibagi tersebut dapat dicari hubungan spasialnya dengan objek lain. Hubungan spasial antara sebuah objek dengan objek di sekitarnya ditentukan menggunakan hubungan topologi. Topologi merupakan informasi tentang hubungan geometris dan konektivitas antar objek spasial. Operasi spasial yang digunakan adalah contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Contoh operasi spasial berdasarkan hubungan topologi dapat dilihat pada Gambar 2.

Semua objek spasial masing-masing dicari hubungan spasialnya menggunakan Quantum GIS, kemudian hasil dari pencarian hubungan spasial ini direpresentasikan dalam bentuk tabel. Dari tabel yang sudah terbentuk, dilakukan pembersihan data. Pada penelitian ini pembersihan data dilakukan dengan menghilangkan data yang tidak menghasilkan hubungan spasial dengan semua objek. Kemudian semua data dikumpulkan menjadi satu agar lebih mudah untuk digunakan dalam pembentukan spatial decision tree. Setelah itu, semua data diubah menjadi kode-kode dan ditambahkan atribut kelas target pada tabel. Kelas target terdiri dari semua objek spasial yang ingin diketahui karakteristiknya. Selanjutnya format data XLS diubah menjadi ARFF.

(15)

4

Gambar 2 Contoh operasi spasial berdasarkan hubungan topologi (Bogorny 2006)

Pembagian Data

Pada tahap ini, dilakukan pemisahan data training dan data testing menggunakan 10-folds cross validation. Data dibagi secara acak ke dalam 10 subset (folds) yang berbeda. Setiap kali sebuah subset digunakan sebagai data testing, maka 9 buah subset lainnya akan dijadikan sebagai data training. Proses ini dilakukan sebanyak 10 kali. Pembagian data ini dilakukan menggunakan WEKA 3.6.7.

Klasifikasi Spasial

Klasifikasi spasial dilakukan dengan membuat decision tree kemudian membuat rule dari decision tree yang dihasilkan. Decision tree adalah sebuah struktur tree dimana setiap internal node menunjukkan sebuah kriteria dalam sebuah atribut, setiap branch menunjukkan sebuah hasil dari kriteria tersebut, dan sebuah leaf node menunjukkan label kelas (Han dan Kamber 2006). Untuk menghasilkan decision tree, data hasil praproses kemudian diolah dengan algoritme C4.5 menggunakan perangkat lunak WEKA 3.6.7. Pada WEKA, algoritme C4.5 diimplementasikan dengan modul J48.

Algoritme C4.5 merupakan perkembangan dari algoritme ID3, dikembangkan oleh Quinlan Ross pada tahun 1993. Kelebihan algoritme C4.5 dibandingkan algoritme ID3 yaitu, dapat mengolah data kategorik dan data numerik. Algoritme C4.5 juga dapat menangani nilai atribut yang kosong (missing value).

(16)

5 memiliki cabang berupa kelas atau tidak ada lagi atribut yang bisa dipecah untuk menjadi cabang decision tree.

Jika dalam satu cabang anggotanya berasal dari satu kelas maka cabang ini disebut pure. Semakin pure suatu cabang semakin baik. Ukuran purity dinyatakan dengan tingkat impurity. Algoritme C4.5 menggunakan information gain dan entrophy untuk kriteria impurity penggunaan atribut sebagai node dari pohon keputusan (Kantardzic 2003). Persamaan entropy adalah sebagai berikut.

H(T) =- _pj log2 (_pj) j

dengan:

T = himpunan kasus

p_j = proporsi dari _Ti terhadap T

Jika kandidat pemecahan A terdiri atas beberapa kandidat. Pada data latih T terdiri atas beberapa bagian, yaitu T_1, T_2,T_{3, ….}T_{k maka informasi dapat} dihitung dengan bobot entropy dari masing-masing bagian tersebut dan information gain (A) dapat dihitung dengan persamaan berikut.

Gain(T, A)=H(T)-∑ |Ti| gain dari sebuah data maka, nilai keanekaragaman data semakin kecil. Pemecahan terbaik merupakan pemecahan yang menghasilkan nilai gain terbesar.

Penghitungan Akurasi

Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap data sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%.

Akurasi dari decision tree yang dihasilkan dihitung dengan rumus sebagai berikut:

Akurasi= jumlah total prediksi yang benar

(17)

6

Lingkungan Implementasi

Pada penelitian ini perangkat lunak dan perangkat keras yang digunakan untuk mengembangkan sistem adalah sebagai berikut:

Perangkat keras:

 Prosesor: Intel Atom 1.5 GHz

 Memori 1 GB DDR3

 Harddisk 320 GB

 Monitor

 Mouse dan keyboard Perangkat lunak:

 Sistem operasi: Microsoft Windows 7 Ultimate 32-bit

 Quantum GIS 1.8.0-Lisboa

 Notepad++

 WEKA 3.6.7

HASIL DAN PEMBAHASAN

Data

Data yang digunakan adalah objek spasial kota Bogor, yang terdiri atas terminal, stasiun, rel kereta api, sungai, jalan, dan landuse, seperti yang terlihat pada Tabel 1. Data ini dapat ditampilkan dalam bentuk peta dan tabel menggunakan Quantum GIS. Peta objek spasial kota Bogor dapat dilihat pada Gambar 3. Sedangkan contoh tabel objek spasial kota Bogor dapat dilihat pada Lampiran 1.

Tabel 1 Objek spasial kota Bogor

No Objek Tipe Jumlah

1 Terminal Titik 11

2 Stasiun Titik 2

3 Rel KA Garis 1

4 Sungai Garis 455

5 Jalan Garis 5174

(18)

7

Gambar 3 Peta objek spasial Kota Bogor

Praproses Data

Objek jalan dan landuse dibagi berdasarkan jenisnya karena jumlahnya sangat banyak dan jauh berbeda dengan objek spasial lainnya, yaitu objek jalan berjumlah 5147 garis, dan objek landuse berjumlah 7495 poligon. Pembagian objek juga dilakukan karena ingin mengidentifikasi objek jalan dan landuse secara detil. Objek jalan dibagi menjadi 15 jenis, yaitu local road, main road, other road, bridge (local road), bridge (main road), bridge (other road), footpath road, footbridge for double line, national highway, overpass (national highway), overpass (other road), rail road single, tol road (national highway), tonel, dan unknown road. Objek-objek jalan tersebut dapat dibentuk hirarki seperti yang terlihat pada Gambar 4.

Gambar 4 Hirarki objek jalan

(19)

8

pada penelitian ini hanya 9 jenis, yaitu: yaitu local road, main road, bridge (local road), bridge (main road), footpath road, national highway, overpass (highway national), overpass (other road), dan tol road (national highway). Sehingga, objek spasial yang digunakan menjadi 20 objek.

Pembagian data dilakukan menggunakan split vector layer yang terdapat pada Quantum GIS seperti yang terlihat pada Gambar 5.

Gambar 5 Contoh split vector layer

Split vector layer dapat membagi data vektor berdasarkan atribut tertentu. Misalnya pada Gambar 5 pada input vector layer dipilih data jalan ko_bogor dan pada unique id field dipilih NAMA_UNSUR, kemudian pada output folder pilih folder dimana hasil pembagian akan disimpan. Maka sistem akan membagi data jalan berdasarkan atribut NAMA_UNSUR dan apabila hasil pembagian tersebut dibuka kembali dengan Quantum GIS akan menghasilkan peta seperti pada Gambar 6.

(20)

9

Gambar 6 Peta hasil pembagian data

Gambar 7 Contoh spatial query

(21)

10

Tabel 2 Contoh data sungai sebelum pembersihan

Objek Bridge

(local road)

Bridge

(main road) Footpath road Local road Sungai 1

Sungai 2 disjoint disjoint disjoint disjoint

Sungai 3

Sungai 4 disjoint disjoint disjoint intersects, touches

Sungai 5 disjoint disjoint disjoint disjoint

Sungai 6 Sungai 7

Kemudian semua objek spasial yang sudah dicari hubungan spasialnya, yaitu terminal bis, stasiun, rel kereta api, sungai, local road, main road, bridge (local road), bridge (main road), footpath road, national highway, overpass (highway national), overpass (other road), tol road national highway, agriculture & open space, commercial & bussines, forestry, industry & warehouse, low density urban kampung, planned house, dan swamp, river & pond dikumpulkan menjadi satu agar lebih mudah untuk digunakan dalam pembentukan spatial decision tree.

Setelah dikumpulkan menjadi satu, semua data diubah menjadi kode-kode, seperti terminal menjadi t, stasiun menjadi st, rel menjadi r, sungai menjadi su, kota Bogor menjadi kb, local road menjadi lr, main road menjadi mr, bridge (local road) menjadi blr, bridge (main road) menjadi bmr, footpath road menjadi fpr, national highway menjadi nh, overpass (highway national) menjadi ohn, overpass (other road) menjadi oor, tol road national highway menjadi trnh, agriculture & open space menjadi aos, commercial & bussines menjadi cb, forestry menjadi f, industry & warehouse menjadi iw, low density urban kampong menjadi lduk, planned house menjadi ph, dan swamp, river & pond menjadi srp. Begitu juga dengan hubungan spasial yang ada direpresentasikan menjadi 1 = disjoint, 2 = intersects, 3 = within, 4 = crosses, 5 = overlaps, 6 = touches, 7 = contains, dan data yang kosong diisi dengan tanda tanya (?) agar dapat diolah menggunakan WEKA. Contoh data setelah dilakukan perubahan dapat dilihat pada Tabel 3 dan untuk contoh yang lebih banyak dapat dilihat pada Lampiran 3.

Tabel 3 Contoh data setelah dilakukan perubahan

(22)

11 berarti intersects dan crosses dengan sungai. Dan seterusnya pada objek-objek yang lain pun dibaca demikian.

Kemudian dilakukan penambahan atribut kelas target pada tabel. Kelas target terdiri dari semua objek spasial yang dipakai pada penelitian ini, yaitu sebanyak 20 objek. Objek-objek spasial pada kelas target inilah yang akan diketahui karakteristiknya melalui proses klasifikasi spasial. Contoh penambahan atribut kelas target dapat dilihat pada Tabel 4.

Tabel 4 Contoh penambahan atribut kelas target Industry & ARFF dengan bantuan Notepad++ agar dapat diproses ke tahap selanjutnya yaitu proses klasifikasi menggunakan perangkat lunak WEKA 3.6.7. Contoh data setelah diubah menjadi ARFF dapat dilihat pada Lampiran 4.

Pembagian Data

Setelah tahap praproses dilakukan pembagian data training dan data testing. Pembagian data dilakukan pada perangkat lunak WEKA 3.6.7, dengan memilih cross-validation sebagai test options dan set parameter folds = 10. Hal ini berarti sistem akan mengacak data training dan mengambil sebagian dari datanya untuk dijadikan data testing. Proses ini dilakukan sebanyak 10 kali dan hasil akhir merupakan akurasi rata-rata dari kesepuluh percobaan tersebut.

Klasifikasi Spasial

(23)

12

Gambar 8 Contoh tree hasil klasifikasi

Contoh aturan yang dihasilkan dari Gambar 8 adalah sebagai berikut: Aturan 1: Jika objek spasial intersects dengan planned house, maka objek spasial tersebut adalah local road.

Aturan 2: Jika objek spasial intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open space, dan disjoint dengan swamp, river & pond, maka objek spasial tersebut adalah local road.

Angka-angka di dalam tanda kurung pada Gambar 8 menunjukkan jumlah dari bobot dalam node untuk mencapai leaf / jumlah kesalahan klasifikasi (jika ada) (Beck et al. 2007). Misalnya pada contoh aturan 2, jumlah bobot dalam node untuk mencapai leaf berarti jumlah semua objek spasial yang intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open house, dan disjoint dengan swamp, river, & pond, yaitu sebanyak 1842.27. Dan Jumlah kesalahan klasifikasi berarti jumlah objek spasial yang intersects dan within dengan planned house, disjoint dengan low density urban kampung, disjoint dengan agriculture & open house, dan disjoint dengan swamp, river, & pond, tetapi terklasifikasi salah (bukan local road), yaitu sebanyak 17.27. Semakin banyak jumlah bobot dalam node, maka aturan tersebut semakin kuat. Ini berarti, contoh aturan 2 lebih kuat dibanding contoh aturan 1. Contoh tree hasil klasifikasi menggunakan algoritme C4.5 yang lebih lengkap dapat dilihat pada Lampiran 5.

(24)

13

Penghitungan Akurasi

Pada penelitian ini akurasi klasifikasi dihitung menggunakan perangkat lunak WEKA 3.6.7. Akurasi ditentukan dengan rumus jumlah total prediksi yang benar dibagi total semua data. Jumlah semua data dan hasil prediksi dari masing-masing kelas dapat dilihat pada Tabel 5.

Tabel 5 Jumlah semua data dan hasil prediksi benar

No Kelas Jumlah Jumlah prediksi benar

14 Agriculture & Open Space 2375 1575

15 Commercial & Bussines 64 0

Akurasi= jumlah total prediksi yang benar

jumlah total semua data × 100%

= 8729

(25)

14

SIMPULAN DAN SARAN

Simpulan

Pada penelitian ini telah diterapkan teknik klasifikasi pada data objek spasial kota Bogor menggunakan algoritme C4.5. Hubungan spasial antara sebuah objek dengan objek disekitarnya ditentukan menggunakan hubungan topologi, dengan operasi spasial berupa contains, overlaps, equals, disjoint, intersects, within, crosses, dan touches. Penelitian ini telah menghasilkan spatial classifier dan aturan klasifikasi dengan akurasi sebesar 72.117%. Hasil klasifikasi menunjukkan, dari 20 objek spasial yang digunakan sebagai kelas target, hanya 15 objek yang dihasilkan, karena jumlah dari objek-objek tersebut memiliki perbedaan yang signifikan. 15 objek inilah yang dapat diketahui karakteristiknya dan diidentifikasi berdasarkan aturan klasifikasi, yaitu agriculture & open space, bridge (local road), commercial & business, footpath road, forestry, industry & warehouse, kelurahan, local road, low density urban kampung, main road, national highway, planned house, sungai, swamp, river & pond, dan tol road.

Saran

Penelitian selanjutnya dapat dilakukan menggunakan algoritme yang berbeda, agar dapat dibandingkan dengan penelitian ini. Pada penelitian selanjutnya juga disarankan menggunakan metode pemangkasan tree, prepruning dan postpruning, sehingga dapat meningkatkan akurasi.

DAFTAR PUSTAKA

Astrini R, Oswald P. 2012. Pelatihan Quantum GIS Tingkat Dasar (versi 1.8.0 Lisboa): untuk Pemetaan Evakuasi Tsunami. Mataram (ID): GIZ Decentralization as Contribution to Good Governance (DeCGG), BAPPEDA Provinsi NTB.

Beck JR, Garcia ME, Zhong M, Georgiopoulos M, Anagnostopoulos G. 2007. A backward adjusting strategy for the C4.5 decision tree classifier [Internet]. [diunduh 2013 Nov 7]. Tersedia pada: http://www.amalthea-reu.org/pubs/amalthea_tr_2007_01.pdf.

Bogorny V. 2006. Enhancing spatial association rule mining in geographic databases [tesis]. Porto Alegre (BR): Federal University of Rio Grande do Sul.

Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. Ed ke-2. San Francisco (US): Morgan Kaufmann.

Kantardzic M. 2003. Data Mining: Concepts, Models, Methods, Methods, and Algorithm. New Jersey (US): J Wiley.

(26)

15 Lampiran1 Objek spasial kota Bogor

Data Terminal

Data Stasiun

Data Rel

(27)

16

Lampiran 1 Lanjutan Data Jalan

(28)

Lampiran 2 Contoh data hasil hubungan spasial

Objek Terminal Stasiun Rel KA Sungai Footpath

Road Tol Road

Agriculture &

Open Space Forestry

Terminal Baranangsiang - disjoint disjoint disjoint disjoint disjoint disjoint disjoint

Terminal Harjasari - disjoint disjoint disjoint disjoint disjoint intersects, within

Stasiun Bogor disjoint - disjoint disjoint disjoint disjoint disjoint disjoint

Stasiun Kebon Pedes disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

Sungai 1 disjoint disjoint disjoint - disjoint disjoint intersects,

crosses

disjoint

Sungai 2 disjoint disjoint disjoint - disjoint disjoint intersects,

crosses, touches

disjoint

Bridge (Local Road) 1 disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

Bridge (Local Road) 2 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

within

disjoint

Bridge (Main Road) 1 disjoint disjoint disjoint intersects,

crosses

disjoint disjoint disjoint disjoint

Footpath Road 1 disjoint disjoint disjoint disjoint - disjoint disjoint disjoint

Footpath Road 2 disjoint disjoint disjoint disjoint - disjoint intersects,

crosses

disjoint

Local Road 1 disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

Local Road 2 disjoint disjoint disjoint disjoint intersects,

touches

disjoint disjoint disjoint

Main Road 1 disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

Main Road 2 disjoint disjoint disjoint intersects,

crosses

disjoint disjoint intersects,

crosses

disjoint

(29)

2

Lampiran 2 Lanjutan

Road Tol Road

Agriculture &

National Highway 1 disjoint disjoint disjoint disjoint disjoint disjoint disjoint disjoint

National Highway 2 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

crosses

disjoint

Overpass Highway National disjoint disjoint disjoint disjoint disjoint disjoint intersects,

within

disjoint

Overpass (Other Road) 1 disjoint disjoint disjoint intersects,

crosses

Overpass (Other Road) 2 disjoint disjoint disjoint intersects,

crosses

Tol Road 1 disjoint disjoint disjoint disjoint disjoint - intersects,

crosses

disjoint

Agriculture & Open Space 1 disjoint disjoint disjoint disjoint disjoint disjoint - disjoint

Agriculture & Open Space 2 disjoint disjoint disjoint intersects disjoint disjoint - disjoint

Commercial & Bussiness 1 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

touches

disjoint

Commercial & Bussiness 2 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

touches

disjoint

Industry & Warehouse 1 disjoint disjoint disjoint intersects disjoint disjoint disjoint disjoint

Industry & Warehouse 2 disjoint disjoint disjoint intersects disjoint disjoint disjoint disjoint

Low Density Urban Kampung 1 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

touches

disjoint

Low Density Urban Kampung 2 disjoint disjoint disjoint intersects disjoint disjoint intersects,

touches

disjoint

Planned House 1 disjoint disjoint disjoint disjoint disjoint disjoint intersects,

touches

disjoint

Planned House 2 disjoint Disjoint disjoint intersects disjoint disjoint disjoint disjoint

(30)

3

Lampiran 3 Contoh data hasil hubungan spasial setelah dilakukan perubahan

Road Tol Road

Agriculture &

Terminal Baranangsiang - st1 r1 su1 fpr1 trnh1 aos1 f1

Terminal Harjasari - st1 r1 su1 fpr1 trnh1 aos23 f1

Rel KA t1 st1 - su24 fpr1 trnh1 aos24 f24

Stasiun Bogor t1 - r1 su1 fpr1 trnh1 aos1 f1

Stasiun Kebon Pedes t1 st1 r1 su1 fpr1 trnh1 aos1 f1

Sungai 1 t1 st1 r1 - fpr1 trnh1 aos24 f1

Sungai 2 t1 st1 r1 - fpr1 trnh1 aos246 f1

Bridge (Local Road) 1 t1 st1 r1 su1 fpr1 trnh1 aos1 f1

Bridge (Local Road) 2 t1 st1 r1 su1 fpr1 trnh1 aos23 f1

Bridge (Main Road) 1 t1 st1 r1 su24 fpr1 trnh1 aos1 f1

Footpath Road 1 t1 st1 r1 su1 - trnh1 aos1 f1

Footpath Road 2 t1 st1 r1 su1 - trnh1 aos24 f1

Local Road 1 t1 st1 r1 su1 fpr1 trnh1 aos1 f1

Local Road 2 t1 st1 r1 su1 fpr26 trnh1 aos1 f1

Main Road 1 t1 st1 r1 su1 fpr1 trnh1 aos1 f1

Main Road 2 t1 st1 r1 su24 fpr1 trnh1 aos24 f1

(31)

4

Lampiran 3 Lanjutan

Road Tol Road

Agriculture &

National Highway 1 t1 st1 r1 su1 fpr1 trnh1 aos1 f1

National Highway 2 t1 st1 r1 su1 fpr1 trnh1 aos24 f1

Overpass Highway National t1 st1 r1 su1 fpr1 trnh1 aos23 f1

Overpass (Other Road) 1 t1 st1 r1 su24 fpr1 trnh1 aos1 f1

Overpass (Other Road) 2 t1 st1 r1 su24 fpr1 trnh1 aos1 f1

Tol Road 1 t1 st1 r1 su1 fpr1 - aos24 f1

Agriculture & Open Space 1 t1 st1 r1 su1 fpr1 trnh1 - f1

Agriculture & Open Space 2 t1 st1 r1 su2 fpr1 trnh1 - f1

Commercial & Bussiness 1 t1 st1 r1 su1 fpr1 trnh1 aos26 f1

Commercial & Bussiness 2 t1 st1 r1 su1 fpr1 trnh1 aos26 f1

Industry & Warehouse 1 t1 st1 r1 su2 fpr1 trnh1 aos1 f1

Industry & Warehouse 2 t1 st1 r1 su2 fpr1 trnh1 aos1 f1

Low Density Urban Kampung 1 t1 st1 r1 su1 fpr1 trnh1 aos26 f1

Low Density Urban Kampung 2 t1 st1 r1 su2 fpr1 trnh1 aos26 f1

Planned House 1 t1 st1 r1 su1 fpr1 trnh1 aos26 f1

Planned House 2 t1 st1 r1 su2 fpr1 trnh1 aos1 f1

(32)

Lampiran 4 Contoh data setelah diubah menjadi ARFF @relation Objek_Spasial

@attribute Terminal {t1, t27} @attribute Stasiun {st1, st27} @attribute Rel {r1, r2, r24, r26}

@attribute Sungai {su1, su2, su24, su246, su26, su27} @attribute Brige_LocalRoad {blr1, blr2, blr24, blr26, blr27} @attribute Brige_MainRoad {bmr1, bmr2, bmr24, bmr26} @attribute FootPathRoad {fpr1, fpr2, fpr24, fpr26, fpr27} @attribute LocalRoad {lr1, lr2, lr24, lr246, lr26, lr27} @attribute MainRoad {mr1, mr2, mr24, mr26, mr27} @attribute NationalHighway {nh1, nh2, nh24, nh26, nh27} @attribute Overpass_Highway {ohn1, ohn27}

@attribute Overpass_OtherRoad {oor1, oor2, oor24, oor26, oor27} @attribute TolRoad {trnh1, trnh2, trnh24, trnh26}

@attribute Agriculture_OpenSpace {aos1, aos2, aos23, aos24, aos246, aos26} @attribute Commercial_Bussines {cb1, cb23, cb24, cb246, cb26}

@attribute Forestry {f1, f24, f246, f26}

@attribute Industry_Warehouse {iw1, iw2, iw23, iw24, iw246, iw26}

@attribute LowDensityUrbanKampung {lduk1, lduk2, lduk23, lduk236, lduk24, lduk246, lduk26}

@attribute PlannedHouse {ph1, ph2, ph23, ph24, ph246, ph26} @attribute Swamp_River_Pond {srp1, srp23, srp24, srp246, srp26}

(33)

2

Lampiran 5 Contoh hasil klasifikasi menggunakan algoritme C4.5 PlannedHouse = ph1

(34)

(35)

4

Lampiran 6 Contoh rule yang terbentuk berdasarkan tree yang dihasilkan

1 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, disjoint dengan terminal, intersects dengan sungai, intersects dengan footpath road, intersects dan touches dengan swamp, river, pond, MAKA objek spasial tersebut adalah agriculture & open space. 2 JIKA objek spasial intersects dan touches dengan planned house, disjoint

dengan national highway, intersects dengan footpath road, disjoint dengan sungai, intersects dan touches dengan low density urban kampung, MAKA objek spasial tersebut adalah agriculture & open space.

3 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, disjoint dengan forestry, intersects dan within dengan swamp, river, pond, intersects dan touches dengan rel, MAKA objek spasial tersebut adalah bridge (local road).

4 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, intersects dan contains dengan terminal, MAKA objek spasial tersebut adalah commercial & bussines.

5 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, intersects dan crosses dengan forestry, MAKA objek spasial tersebut adalah footpath road.

6 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, intersects dengan footpath road, disjoint dengan sungai, disjoint dengan low density urban kampung, disjoint dengan agriculture & open space, MAKA objek spasial tersebut adalah forestry. 7 JIKA objek spasial disjoint dengan planned house, intersects dan touches

dengan low density urban kampung, intersects dengan national highway, intersects dengan local road, intersects dan touches dengan swamp, river, pond, MAKA objek spasial tersebut adalah industry & warehouse.

8 JIKA objek spasial disjoint dengan planned house, intersects dan within dengan low density urban kampung, disjoint dengan agriculture & open space, disjoint dengan swamp, river, pond, intersects dan crosses dengan sungai, MAKA objek spasial tersebut adalah local road.

9 JIKA objek spasial intersects dan crosses dengan planned house, disjoint dengan swamp, river, pond, disjoint dengan agriculture & open space, intersects, crosses, touches dengan low density urban kampung, MAKA objek spasial tersebut adalah local road.

(36)

5 Lampiran 6 Lanjutan

11 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, disjoint dengan footpath road, disjoint dengan local road, intersects dan touches dengan agriculture & open space, intersects dengan sungai, intersects dan touches dengan industry & warehouse, MAKA objek spasial tersebut adalah low density urban kampung.

12 JIKA objek spasial disjoint dengan planned house, intersects dan crosses dengan low density urban kampung, intersects, crosses, touches dengan agriculture & open space, disjoint dengan tol road, intersects dan touches dengan local road, MAKA objek spasial tersebut adalah main road.

13 JIKA objek spasial intersects dan crosses dengan planned house, disjoint dengan swamp, river, pond, intersects dan crosses dengan agriculture & open space, intersects dan touches dengan bridge (main road), MAKA objek spasial tersebut adalah main road.

14 JIKA objek spasial disjoint dengan planned house, disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, intersects dan touches dengan tol road, MAKA objek spasial tersebut adalah national highway.

15 JIKA objek spasial disjoint dengan low density urban kampung, disjoint dengan industry & warehouse, disjoint dengan agriculture & open space, disjoint dengan commercial & bussines, disjoint dengan forestry, disjoint dengan swamp, river, pond, intersects dengan local road, MAKA objek spasial tersebut adalah planned house.

16 JIKA objek spasial intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dengan local road, disjoint dengan terminal, disjoint dengan sungai, intersects dengan main road, MAKA objek spasial tersebut adalah planned house.

17 JIKA objek spasial disjoint dengan planned house, intersects dan crosses dengan low density urban kampung, intersects dan crosses dengan agriculture & open space, disjoint dengan tol road, disjoint dengan footpath road, intersects dan crosses dengan forestry, MAKA objek spasial tersebut adalah sungai.

18 JIKA objek spasial disjoint dengan planned house, intersects dan touches dengan low density urban kampung, disjoint dengan national highway, intersects dan crosses dengan local road, MAKA objek spasial tersebut adalah sungai.

19 JIKA objek spasial intersects dan touches dengan planned house, disjoint dengan national highway, disjoint dengan footpath road, disjoint dengan local road, disjoint dengan agriculture & open space, disjoint dengan forestry, MAKA objek spasial tersebut adalah swamp, river, pond.

20 JIKA objek spasial disjoint dengan planned house, intersects, crosses, touches dengan low density urban kampung, intersects, crosses, touches dengan agriculture & open space, intersects dan touches dengan national highway, MAKA objek spasial tersebut adalah tol road.

(37)

6

RIWAYAT HIDUP

Penulis dilahirkan di Bogor, Jawa Barat pada tanggal 27 Desember 1991, merupakan anak pertama dari dua bersaudara dengan ayah bernama Mulyana Rahmat dan ibu bernama Tien Purnama Sari. Pada tahun 2009, penulis lulus dari Sekolah Menengah Atas Negeri 4 Bogor dan diterima sebagai mahasiswa Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB (USMI).

Selama menjadi mahasiswa di Institut Pertanian Bogor, pada tanggal 27 Juni 2012 penulis melaksanakan praktik kerja lapangan di Kantor Komunikasi dan Informatika, Balai Kota Bogor, selama kurang lebih 2 bulan.