KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN GAMBUT DI SUMATERA DAN KALIMANTAN MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR FITRI KUSUMANINGRUM

(1)

KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN

GAMBUT DI SUMATERA DAN KALIMANTAN

MENGGUNAKAN ALGORITME K-NEAREST NEIGHBOR

FITRI KUSUMANINGRUM

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2015

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan K-Nearest Neigbor 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.

Bogor, Desember 2015 Fitri Kusumaningrum NIM G64134037

(4)

ABSTRAK

FITRI KUSUMANINGRUM. Klasiﬁkasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neighbor. Di bawah bimbingan IMAS SUKAESIH SITANGGANG.

Titik panas merupakan salah satu indikasi kebakaran hutan pada lahan gambut. Data kemunculan titik panas dianalisis menggunakan metode dalam data mining, yaitu K-Nearest Neighbor. KNN merupakan metode untuk mengklasiﬁkasikan obyek berdasarkan data training yang terletak paling dekat dengan objek terdekat. Data yang digunakan adalah data titik panas untuk periode 2001-2014 dan data lahan gambut dari tahun 1990-2002. Hasil penelitian menunjukkan bahwa KNN dapat digunakan untuk mengklasiﬁkasikan kemunculan titik panas di Sumatera dan Kalimantan. Akurasi tertinggi dataset di Sumatera adalah 97,04% pada tahun 2007 dengan jumlah tetangga (k) adalah 1. Akurasi tertinggi dataset di Kalimantan adalah 100% pada tahun 2001, 2003, 2007, dan 2011 dengan (k) adalah 1. Selain itu pada tahun 2005, akurasi tertinggi adalah 100% dengan (k) adalah 1 dan (k) adalah 3. Akurasi rata-rata dataset di Sumatera adalah 94.14% dan pada dataset di Kalimantan adalah 97.67%. Berdasarkan hasil penelitian dapat disimpulkan bahwa algoritme KNN dapat digunakan untuk memprediksi kemunculan titik panas pada lahan gambut di Sumatera dan Kalimantan berdasarkan jarak kedekatan titik panas.

Kata kunci: k-Nearest Neighbor, model prediksi, titik panas

ABSTRACT

FITRI KUSUMANINGRUM. Classiﬁcation of Hotspot Occurences on Peatland in Sumatera and Kalimantan using K-Nearest Neighbor Algorithm. Supervised by IMAS SUKAESIH SITANGGANG.

Forest ﬁres is considered as indicator of forest fire on peatland. Data hot-spot occurrence were analyzed using a methods in data mining, namely the K-Nearest Neighbor. KNN is method to classify objects based on the training data that located to the closest object. The data used are hot-spots for the period 2001 to 2014 and peatlands data from 1990 to 2002. The result showes that KNN can be used to classify hot-spots occurrence in Sumatera and Kalimantan. The highest accurancy in Sumatera datasets is 97.04% in 2007 with number of neighbors of (k) of 1. The highest accurancy in Kalimantan datasets is 100% in 2001, 2003, 2007, and 2011 with (k) of 1. In addition in 2005, the highest accurancy is 100% with (k) of 1 and (k) of 3. The average of accurancy on Sumatera datasets is 94.14% and on Kalimantan datasets is 97.67%. Based on the result of the experiment it can be concluded that the KNN algorithm can be used to predict hotspots occurrences in peatland in Sumatera and Kalimantan based on the distance proximity of hotspots.

(5)

(6)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

pada

Departemen Ilmu Komputer

KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN

GAMBUT DI SUMATERA DAN KALIMANTAN

MENGGUNAKAN ALGORITME K-NEAREST NEIGBOR

FITRI KUSUMANINGRUM

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

BOGOR 2015

(7)

Penguji :

1 Toto Haryanto, Skom MSi

(8)

Judul Skripsi : Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neigbor

Nama : Fitri Kusumaningrum NIM : G64134037

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(9)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah Subhana wa ta'ala. Shalawat serta salam semoga senantiasa dilimpahkan kepada Nabi Muhammad, keluarganya, sahabatnya, dan kepada kita yang selau berusaha menggapai ridha Allah.

Alhamdulillah atas bimbingan dan petunjuk dari Allah Subhana wa ta'ala serta bimbingan dari semua pihak, penyusunan tugas akhir yang berjudul “Klasiﬁkasi Kemunculan Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan Menggunakan Algoritme K-Nearest Neighbor” dapat diselesaikan. Tugas akhir ini tidak mungkin dapat diselesaikan tanpa adanya bantuan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terimakasih dan penghargaan yang setinggi-tingginya kepada:

 Bapak, Ibu dan keluarga yang selalu mendoakan, memberi nasihat, kasih sayang, semangat, dan dukungan sehingga penelitian ini bisa diselelsaikan.  Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku pembimbing yang telah

memberi saran, masukan dan ide-ide dalam penelitian ini.

 Bapak Toto Haryanto, SKom MSi dan Bapak Muhammad Asyhar Agmalaro, SSi MKom sebagai penguji.

 Teman seperjuangan Elin, Resa, Upi dan Uni yang telah memberikan semangat dan masukan.

 Departemen Ilmu Komputer IPB, staf dan dosen yang telah banyak membantu selama masa perkuliahan hingga penelitian.

 Wetland Internasional Indonesia yang telah berkenan memberikan data lahan gambut di Sumatera dan Kalimantan.

Semoga penelitian ini bermanfaat.

Bogor, Desember 2015 Fitri Kusumaningrum

(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 Data 2 Tahapan Penelitian 6 Pengambilan Data 7 Praproses Data 7 Pembagian Data 8

Tahapan Klasifikasi menggunakan Algoritme KNN 8

Perhitungan Akurasi 9

Pemilihan Hasil Klasifikasi Terbaik 9

Pemilihan Data Baru 9

Hasil Klasifikasi Terbaik 9

Peralatan Penelitian 10

HASIL DAN PEMBAHASAN 10

Pengambilan Data 10

Praproses Data 10

Pembagian Data 17

Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor 18

Perhitungan Akurasi 18

Pemilihan Hasil Klasifikasi Terbaik 21

Pemilihan Data Baru 21

(11)

SIMPULAN DAN SARAN 23 Simpulan 23 Saran 23 DAFTAR PUSTAKA 23 LAMPIRAN 13 RIWAYAT HIDUP 15

(12)

DAFTAR TABEL

1 Tingkat kedalaman lahan gambut 3

2 Atribut dari titik panas 3

3 Luas jenis gambut di Kalimantan 5

4 Luas jenis gambut di Sumatera 5

5 Atribut pada dataset1 14

6 Atribut pada dataset2 15

7 Contoh isi tabel dataset2 15

8 Jumlah missing value dataset Sumatera dan Kalimantan 16 9 Data hasil konversi nominal ke binary sudah dalam bentuk kolom 17 10 Confusion matrix pada dataset Pulau Kalimantan tahun 2003 dengan

nilai 18

11 Nilai akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset

Sumatera 19

12 Nilai akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset

Kalimantan 20

13 Nilai akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset

Pulau Sumatera 21

14 Nilai akurasi rata-rata hasil klasiﬁkasi setiap tahun untuk dataset Pulau

Kalimantan 21

15 Confusion matrix di R untuk data baru tahun 2015 dengan k = 1 22 16 Confusion matrix di R untuk data baru tahun 2015 dengan k = 3 22

DAFTAR GAMBAR

1 Peta lahan gambut Kalimantan 4

2 Peta lahan gambut Sumatera 4

3 Tahapan metode penelitian 6

4 Jumlah titik panas pertahun di Sumatera dan Kalimantan 11 5 Sistem referensi di Indonesia (Oswald dan Astrini 2012) 11 6 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas

tahun 2007 12

7 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas

tahun 2007 12

8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007 13 9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun

2007 14

10 Data hasil konversi nominal ke binary masih dalam bentuk text 17

11 Grafik akurasi Pulau Sumatera tahun 2007 19

12 Grafik akurasi Pulau Kalimantan tahun 2003 20

DAFTAR LAMPIRAN

1 Graﬁk confussion matrix Pulau Sumatera tahun 2001 24 2 Graﬁk confussion matrix Pulau Sumatera tahun 2007 24

(13)

3 Grafik confussion matrix Pulau Sumatera tahun 2008 25 4 Grafik confussion matrix Pulau Sumatera tahun 2010 25 5 Grafik confussion matrix Pulau Kalimantan tahun 2001 26 6 Grafik confussion matrix Pulau Kalimantan tahun 2003 26 7 Grafik confussion matrix Pulau Kalimantan tahun 2005 27 8 Grafik confussion matrix Pulau Kalimantan tahun 2007 27 9 Grafik confussion matrix Pulau Kalimantan tahun 2008 28 10 Grafik confussion matrix Pulau Kalimantan tahun 2010 28 11 Grafik confussion matrix Pulau Kalimantan tahun 2011 29 12 Grafik confussion matrix Pulau Kalimantan tahun 2012 29 13 Grafik confussion matrix Pulau Kalimantan tahun 2013 30

14 Record data training Pulau Kalimantan 30

15 Record data testing Pulau Kalimantan 30

16 Hasil perhitungan euclidean 32

17 Hasil perhitungan jarak euclidean sudah terurut 32

18 Ilustrasi KNN dari Lampiran 17 33

(14)

(15)

PENDAHULUAN

Latar Belakang

Indonesia merupakan negara yang memiliki kekayaan alam yang melimpah termasuk diantaranya adalah lahan gambut. Lahan gambut memiliki peranan yang sangat penting dalam menyimpan karbon, dimana kemampuan menyimpan karbon jauh lebih tinggi dibanding lahan mineral. Indonesia memiliki lahan gambut terluas diantara negara tropis, yaitu 20,6 juta hektar atau sekitar 10,8% dari luas daratan di Indonesia, dimana 5,7 juta hektar terdapat di Kalimantan dan 7,2 juta hektar di Sumatra (Wibowo dan Suyatno 1998). Namun sekarang ini, lahan gambut terancam rusak akibat banyaknya kebakaran lahan gambut di Sumatera dan Kalimantan. Kebakaran lahan gambut hampir setiap tahun terjadi. Hal itu menimbulkan masalah baru untuk lingkungan hidup di sekitarnya.

Terjadinya kebakaran lahan gambut dapat dideteksi dengan melihat sebaran titik panas di area lahan gambut tertentu. Sebaran titik panas dapat diperolah dari satelit yang mencatat area tertentu yang dianggap memiliki suhu tinggi. Pemanfaatan data titik panas menjadi informasi yang lebih berguna dapat dengan menggunakan teknik data mining, karena data mining dapat mengolah data yang cukup besar menjadi pengetahuan.

Salah satu metode dalam data mining adalah K-Nearest Neighbor (KNN). Metode ini dapat mengklasiﬁsikasikan data titik panas ke dalam kelas tertentu berdasarkan jarak kedekatan objek. Dengan metode ini dapat menggunakan data titik panas untuk menentukan informasi kemunculan titik panas baru.

Pada penelitian sebelumnya telah dilakukan penelitian mengenai kebakaran hutan oleh Sitanggang (2013). Dalam penelitiannya dibahas mengenai upaya pencegahan kebakaran hutan dengan pemodelan untuk menilai resiko terjadinya kebakaran hutan dengan klasiﬁkasi C4.5, SimpleCart, Niave Bayes, regresi logistik dan pohon keputusan ID3. Penelitian lain oleh Fernando dan Sitanggang (2014) mengenai klasiﬁkasi data titik panas di propinsi Riau dengan menggunakan teknik pohon keputusan ID3. Selain itu penelitian yang menggunakan metode KNN juga pernah dilakukan oleh Ernawati (2008). Dalam penelitian tersebut dilakukan prediksi status keaktifan studi mahasiswa dengan algoritma C5.0 dan K-Nearest Neigbor dengan hasil akurasi tertinggi 90% pada jumlah tetangga (k) = 1.

Penelitian ini mengklasifikasi kemunculan titik panas pada lahan gambut di Sumatera dan Kalimantan dengan menggunakan algoritme KNN untuk menentukan kemunculan titik panas dan mengklasifikasikan berdasarkan jarak kedekatan antar objek pada lahan gambut di Sumatera dan Kalimantan. Hasil klasifikasi ini diharapkan dapat memberikan informasi jarak kedekatan antar objek pada lahan gambut dimana titik panas terjadi.

Perumusan Masalah

Meningkatnya kebakaran lahan gambut menjadi masalah utama dalam penelitian ini. Salah satu upaya untuk mencegah kebakaran lahan gambut adalah dengan menentukan kemunculan titik panas di lahan gambut. Berdasarkan latar belakang dalam penelitian ini, maka perumusan masalah dalam penelitian ini

(16)

2

adalah bagaimana mengklasiﬁkasi kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan menggunakan algoritme KNN.

Tujuan Penelitian

Tujuan dari penelitian ini adalah mengklasiﬁkasi kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan menggunakan algoritme KNN.

Manfaat Penelitian

Penelitian ini diharapkan dapat menghasilkan prediksi kemunculan titik panas pada lahan gambut berdasarkan jarak kedekatan objek yang akurat untuk masa yang akan datang, sehingga digunakan untuk mencegah kebakaran pada lahan gambut.

Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini adalah:

1 Karakteristik yang digunakan untuk data lahan gambut pada penelitian ini terdiri dari jenis lahan gambut, kedalaman lahan gambut dan tutupan lahan. 2 Wilayah kajian pada penelitian ini pada lahan gambut di Sumatera dan

Kalimantan.

3 Penelitian ini menggunakan package class yang sudah disediakan oleh perangkat lunak RStudio.

4 Dataset yang dapat dijalankan untuk Sumatera hanya pada 2001, 2007, 2008, dan 2010. Dataset yang dapat dijalankan untuk Kalimantan hanya pada 2001, 2003, 2005, 2007, 2008, 2010, 2011, 2012, dan 2013.

METODE

Data

Data yang digunakan pada penelitian ini terdiri dari 2 data, yaitu data titik panas pulau Sumatera dan pulau Kalimantan dari tanggal 1 Januari 2001 sampai 31 Maret 2015 dan data lahan gambut dari tahun 1990 sampai 2002. Data titik panas diperoleh dari Nasional Aeronautics and Space Administration (NASA) Fire Information for Resource Management (FIRMS) dalam format shapeﬁle (.shp) dengan cara mengunduh. Data lahan gambut didapat dari Wetlands International Indonesia Programme (WI–PI) yang ada di Jl. Ahmad Yani No 53 Bogor, Jawa Barat. Menurut Sitanggang et al. (2012) atribut data lahan gambut yang digunakan terdiri dari 3 atribut, yaitu jenis lahan gambut, kedalaman lahan gambut dan tutupan lahan gambut. Jenis lahan gambut yang ada di Sumatera dan Kalimantan digunakan untuk melihat jenis gambut yang terbakar. Berdasarkan tingkat dekomposisi bahan organiknya gambut dibedakan menjadi 3 yaitu ﬁbrists, hemists, dan saprists (Suwanto et al. 2010). Berikut penjelasan mengenai Jenis gambut:

1 Fibrists

Gambut yang masih muda dengan tingkat pelapukan awal dan lebih dari ¾ bagian volumenya berupa serat kasar, air perasan berwarna bening/jernih.

(17)

3 2 Hemists

Gambut yang mempunyai tingkat pelapukan sedang, bagian yang masih berupa serat kasar sekitar 1/4 hingga kurang dari 3/4 bagian, dan air perasan berwarna coklat dan mengandung bahan yang tidak larut.

3 Saprists

Gambut yang tingkat pelapukannya sudah lanjut (matang), berupa serat kasar kurang dari 1/4 bagian, dan air perasan berwarna hitam.

Atribut tutupan lahan digunakan untuk melihat penggunaan lahan gambut tersebut. Penggunaan lahan gambut di Sumatera dan Kalimantan digunakan untuk hutan rawa, kelapa sawit, belukar rawa, sawah intensif (padi-palawija/beras), kelapa, sawah tadah hujan (padi-palawija/beras) dan masih banyak lagi. Kedalaman lahan gambut digunakan untuk melihat tingkat kedalaman lahan gambut tersebut. Untuk melihat tingkat kedalamannya lahan gambut dapat dilihat pada Tabel 1.

Tabel 1 Tingkat kedalaman lahan gambut (Suwanto 2010)

Kedalaman Keterangan

D0 Sangat dangkal/ sangar tipis < 50 cm

D1 Dangkal/ tipis 50 - 100 cm

D2 Sedang 100 - 200 cm

D3 Dalam/ tebal 200 - 400 cm

D4 Sangat dalam/ sangat tebal > 400 cm

Dari Tabel 1 dapat dilihat penjelasan dari simbol D0, D1, D2, D3, dan D4. Tingkat kedalaman gambut juga sudah dijelaskan dengan tingkat ukuran (cm). Mulai dari kurang dari 50 cm sampai lebih 400 cm. Untuk atribut data titik panas terdiri dari 12 atribut yang dapat dilihat pada Tabel 2.

Tabel 2 Atribut dari titik panas

No Atribut Tipe 1 Latitude Numerik 2 Longitude Numerik 3 Brightness Numerik 4 Scan Numerik 5 Track Numerik 6 Acq_date Date

7 Acq_time Character varying(5)

8 Satelit Character varying(3)

9 Confidence Integer

10 Version Character varying(1)

11 Brigh_T31 Numerik

12 FRP Numerik

Dari 12 atribut pada Tabel 2 hanya diambil 3 atribut saja yaitu longitude,

latitude, dan conﬁdence. Longitude dan latitude akan digunakan untuk

menunjukkan posisi dari titik panas yang terjadi. Conﬁdence digunakan untuk seleksi titik panas yang memiliki potensi besar sebagai kebakaran. Untuk melihat peta gambut di Kalimantan dapat dilihat pada Gambar 1, sedangkan peta lahan gambut di Sumatera dapat dilihat pada Gambar 2.

(18)

4

Gambar 1 Peta lahan gambut Kalimantan

Gambar 2 Peta lahan gambut Sumatera

Dari Gambar 1 dan Gambar 2, dapat dilihat letak jenis gambut dan letaknya di Pulau Kalimantan dan Sumatera. Lahan gambut di Kalimantan dan Sumatera terdiri dari 2 atau 3 jenis untuk setiap daerahnya. Untuk melihat luas jenis gambut di Pulau Kalimantan dapat dilihat pada Tabel 3.

(19)

5 Tabel 3 Luas jenis gambut di Kalimantan

No Tipe Gambut Luas (ha)

1 Hemists/Fibrists 4.070.888.40 2 Hemists/Fibrists/Mineral 388.442.91 3 Hemists/Mineral 92.2584.25 4 Saprists/Mineral 108.626.03 5 Saprists/Hemists/Mineral 132.833.32 6 Hemists/Saprists/Mineral 133.670.40 7 Hemists/Fibrists/Saprists 3.028.59

Luas lahan gambut di Pulau Kalimantan yang dapat dilihat pada Tabel 3 menunjukkan luas jenis gambut yang paling luas pada jenis Hemists/Fibrists dengan luasnya mencapai 4.070.888.40 ha. Hemists/Fibrists maksutnya pada daerah tersebut tedapat jenis Hemist dan Saprist. Luas jenis gambut paling sempit ada pada jenis Hemists/Fibrists/Saprists dengan luas 3.028.59 ha. Hemists/Fibrists/Saprists maksudnya pada daerah tersebut terdapat lebih dari 2 jenis lahan gambut, yaitu Hemists, Fibrists, dan Saprists. Untuk melihat luas jenis gambut di Pulau Sumatera dapat dilihat pada Tabel 4.

Tabel 4 Luas jenis gambut di Sumatera

1 Hemists/Saprists (60/40), sedang 1.490.145.52 2 Saprists/min (50/50), dangkal 16.859.44 3 Saprists/Hemists (60/40), sedang 18.698.39 4 Saprists/min (30/70), sedang 9.911.10 5 Saprists/min (90/10), sedang 178.408.66 6 Hemists (100), dalam 2.200.51 7 Hemists/Saprists (60/40), dalam 639.263.34 8 Hemists (100), sedang 86.697.37 9 Saprists/min (50/50), dalam 7.748.19 10 Hemists/min(90/10),sangat dalam 30.179.83 11 Hemists/Saprists (60/40), sedang 211.082.31 12 Hemists/min (30/70), dangkal 308.112.73 13 Hemists/Saprists (60/40), sangat dalam 957.561.63 14 Saprists/Hemists (60/40), dalam 553.762.97 15 Saprists/Hemists (60/40), sedang 236.659.27 16 Hemists/min (90/10), dangkal 7.950.21 17 Hemists/Saprists (60/40), dangkal 49.355.05 18 Hemists/min (70/30), sedang 91.797.22 19 Saprists/min (30/70), dalam 12.671.89 20 Hemists/min (90/10), sedang 0.63 21 Hemists/min (50/50), dangkal 2.218.86 22 Saprists/min (50/50), sedang 118.152.46 23 Hemists/min (90/10), sedang 578.525.94 24 Fibrists/Saprists (60/40), sedang 10.721.84 25 Saprists/Hemists (60/40), sangat dalam 1.181.264.70 26 Hemists/min (30/70), sedang 308.958.76

(20)

6

27 Saprists (100), sedang 87.885.62

28 Saprists (100), dalam 35.182.65

Berbeda dengan Tabel 3 jenis gambut di Pulau Kalimantan, pada Tabel 4 jenis gambut di Pulau Sumatera terdapat angka dan keterangan (sedang, dalam dan sangat dalam). Angka di belakang jenis menunjukkan perbandingan jumlah kadungan jenis gambut yang ada. Misalnya pada luas jenis gambut terluas Hemists/Saprists (60/40), sedang dengan luasnya 1.490.145.52 ha. Hemists/Saprists (60/40) maksudnya adalah dalam daerah tersebut terdapat kandungan jenis lahan gambut Hemists sebanyak 60% dan jenis lahan gambut Saprists sebanyak 40%. Untuk luas paling sempit terdapat pada jenis Hemists/min (90/10), sedang dengan luasnya 0.63 ha. Hemists/min (90/10) maksudnya pada daerah tersebut terdapat kadungan jenis lahan gambut Hemists 90% dan min (mineral) sebanyak 10%. Luas keseluruhan tipe gambut di Sumatera mencapai 7231977.09 ha.

Tahapan Penelitian

Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 3

(21)

7 Pengambilan Data

Pada tahapan ini yang dilakukan adalah melakukan pengambilan data. Data yang digunakan terdiri dari 2 data. Data titik panas yang didapat dari Nasional Aeronautics and Space Administration (NASA) dan data lahan gambut yang didapat dari Wetland Internasional Indonesia.

Praproses Data

Pada tahapan ini, terdapat beberapa tahapan yang akan dilakukan terhadap data titik panas dan data lahan gambut. Pertama yang dilakukan yaitu memlihat data titik panas yang lengkap (terdapat titik panas setiap bulannya dalam satu tahun). Kemudian data dipisah pertahunnya, untuk Sumatera sendiri untuk kalimantan sendiri. Dataset Sumatera untuk lahan gambut atributnya terdiri dari jenis lahan gambut, tutupan lahan dan kedalaman lahan gambut, sedangkan untuk dataset Kalimantan atributnya hanya terdiri dari jenis lahan gambut dan kedalaman lahan gambut. Perbedaan jumlah atribut tersebut dikarenakan data yang didapat dari wetland untuk dataset Kalimantan tidak mencantumkan jenis tutupan lahan, karena harga datanya yang sangat mahal.

Seleksi Data Titik Panas pada Lahan Gambut

Pada tahapan ini yang dilakukan adalah membuat data titik panas yang berada diatas lahan gambut. Cara untuk mendapatkannya dengan menggabungkan hasil data titik panas Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan.

Pembuatan Data Non Titik Panas pada Lahan Gambut

Pada tahapan ini yang dilakukan adalah membuat data non titik panas. Untuk membuat data non titik panas diperlukan data titik panas dan data lahan gambut. Terdapat beberapa proses untuk mendapatkan data non titik panas yaitu pembuatan buffer, disolve, operasi difference, dan pembangkitan random point. Setelah proses tersebut dilakukan maka data non titik panas sudah didapat.

Pembuatan Dataset

Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru untuk kelas sebagai identifier yang membedakan antara titik panas dan bukan titik panas. Dari hasil tersebut diambil data titik panas conﬁdence-nya ≥ 70 karena dianggap memiliki potensi kebakaran. Barulah kemudian dibuat dataset yang akan digunakan dalam proses klasifikasi.

Membuang Missing Value

Pada tahapan ini yang akan dilakukan adalah melihat jumlah missing value dan presentase dengan jumlah keseluruhan data. Setelah didapat presentase dalam jumlah persen data yang kurang dari 10% akan dibuang karena dianggap tidak memiliki mengaruh besar dalam proses klasifikasi.

(22)

8

Konversi Data

Pada tahapan ini dilakukan konversi data yaitu mengubah data dari tipe data nominal ke dalam bentuk numeric. Proses konversi dilakukan karena untuk klasifikasi menggunakan algoritme KNN hanya data yang bersifat numeric yang dapat diproses, sedangkan data yang didapat masih dalam bentuk nominal.

Pembagian Data

Pada tahapan ini, dilakukan pembagian data menjadi data latih dan data uji. Metode yang digunakan untuk membagi data adalah metode 10 fold cross validation. Data dibagi secara random ke dalam 10 bagian dengan perbandingan yang sama, kemudian dari setiap bagian terbaik akan menjadi data uji dan 9 bagian lainnya akan menjadi data latih.

Tahapan Klasifikasi menggunakan Algoritme KNN Algoritme KNN

K-Nearest Neighbor (KNN) termasuk kelompok instance-based-learning. Algoritme ini juga merupakan salah satu teknik lazy learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang paling dekat (mirip) dengan objek pada data baru atau data testing (Wu dan Kumar 2009). Ada banyak cara mengukur jarak kedekatan antara data baru dengan data lama (data training), diantaranya euclidean distance dan manhattan distance, formula jarak yang paling sering digunakan adalah euclidean distance (Bramer 2007) yaitu:

euclidean=√∑(a_i-b_i)2

n

i=1

(1)

Keterangan: a = (𝑎₁, 𝑎₂, … , 𝑎_𝑛) dan b = (𝑏₁, 𝑏₂, … , 𝑏_𝑛) mewakili n nilai atribut dari 2 record.

Langkah-langkah dalam Algoritme K-Nearest Neighbor (Bramer 2007): 1 Menentukan parameter K (jumlah tetangga paling dekat).

2 Menghitung kuadrat jarak euclid (query instance) masing-masing objek terhadap data sampel yang diberikan.

3 Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang mempunyai jarak euclid terkecil.

4 Mengumpulkan kategori Y (Klasiﬁkasi-Nearest Neighbor), dimana Y merupakan class target.

5 Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka didapat objek yang diprediksikan.

Tahapan Klasifikasi

Pada tahapan ini, data yang sudah dipraproses dan dibagi akan diklasifikasi dengan menggunakan algoritme K-nearest neighbor. Pembentukan tahapan klasifikasi ini menggunakan bahasa pemrograman R dengan package class. Tahapan klasifikasi yang dilakukan dengan memberikan masukan data yang akan dihitung jarak antar datanya. Kemudian dari hasil semua jarak yang telah dilakukan perhitungan, diurutkan dari yang terbesar ke yang terkecil. Setelah itu

(23)

9 menentukan nilai k untuk menentukan kelasnya. Jika nilai k sudah ditentukan, class didapat dengan melihat anggota yang paling banyak.

Setelah data titik panas diubah dalam bentuk binary barulah dapat dilakukan menghitungan jarak antar data. Dalam ilustrasi ini data training yang digunakan terdiri dari 6 data titik panas (T) dan 4 data bukan titik panas (F). Sedangkan data testing terdiri dari 1 data titik panas. Record data training dapat dilihat pada Tabel 5 dan record data testing dapat dilihat pada Lampiran 14.

Perhitungan Akurasi

Pada tahap ini, dilakukan perhitungan nilai akurasi dari hasil klasifikasi menggunakan data uji. Akurasi menunjukkan tingkat kebenaran pengklasifikasian data terhadap kelas yang sebenarnya. Nilai akurasi yang baik adalah yang mendekati 100% dan semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi pada data baru. Nilai akurasi didapat berdasarkan data pengujian terhadap hasil klasifikasi. Untuk menghitung akurasi hasil klasifikasi digunakan rumus sebagai berikut:

𝐴kurasi=∑data uji benar diklasifikasi_∑

total data uji (2)

Jika akurasi sudah mencapai 70% proses dilanjutkan ke tahap validasi data, tetapi jika akurasi kurang dari 70% maka akan kembali ke tahapan klasiﬁkasi menggunakan algoritme KNN. Diperkirakan ada kesalahan dalam perhitungan jarak kedekatan antar objek.

Pemilihan Hasil Klasifikasi Terbaik

Pada tahapan ini yang dilakukan adalah melihat hasil akurasi Pulau Sumatera dan Kalimantan dari perhitungan akurasi. Masing-masing pulau akan dicari nilai akurasi tertingginya. Akurasi tertinggi untuk Pulau Sumatera dan Kalimantan yang akan digunakan sebagai data training pada proses selanjutnya yaitu hasil klasifikasi terbaik.

Pemilihan Data Baru

Pada tahapan ini yang dilakukan adalah memilih data baru yang akan digunakan sebagai data testing pada proses selanjutnya yaitu hasil klasifikasi terbaik. Data yang digunakan adalah data baru yang belum pernah digunakan pada tahapan klasifikasi. Untuk data yang digunakan pada penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31 Maret 2015.

Hasil Klasifikasi Terbaik

Pada tahapan ini, dilakukan pengujian menggunakan data baru yang akan digunakan sebagai data testing dan akurasi tertinggi hasil klasiﬁkasi akan digunakan sebagai data training. Dengan demikian, hasil klasiﬁkasi menggunakan data baru dapat digunakan untuk memprediksi titik panas baru berdasarakan jarak kedekatan antar objek.

(24)

10

Peralatan Penelitian

Perangkat lunak yang digunakan dalam penelitian ini adalah: 1 Sistem operasi Windows 7 Home Basic

2 Bahasa pemrograman R 3.1.3 dengan packages class.

3 Rstudio version 0.98.1102 dengan package class digunakan untuk proses klasiﬁkasi menggunakan algoritme KNN.

4 Quantum GIS 2.6.1 untuk melihat plot data titik panas dan data bukan titik panas pada lahan gambut.

5 Microsoft Excel digunakan untuk mengubah data dalam bentuk text ke dalam bentuk kolom.

6 Weka 3.6.12 digunakan untuk menghilangkan missing value dan mengkonversi data dari nominal ke numeric.

7 PostgreSQL versi 9.1 sebagai sistem manajemen basis data pengolahan kueri data lahan gambut.

8 Notepad ++ digunakan untuk menuliskan code program untuk dijalankan di R. Spesiﬁkasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:Sistem operasi:

1 Processor Intel (R) Core (TM) i3 – 2370M CPU 2.40GHz 2 RAM 6 GB

3 64 – bit Operating system

HASIL DAN PEMBAHASAN

Pengambilan Data

Pada tahapan ini yang dilakukan adalah mencari data. Data yang digunakan terdiri dari 2 data, yaitu data titik panas dan data lahan gambut. Data titik panas didapat dari Nasional Aeronautics and Space Administration (NASA) dengan cara mengunduh, sedangkan data titik panas didapat dari Wetland Internasional Indonesia yang dirasa lengkap. Data lahan gambut sendiri sangat susah didapatkannya, selain itu harganya sangat mahal. Setalah data titik panas yang telah didapat dan data lahan gambut yang telah didapat akan digunakan untuk proses selanjutnya yaitu praproses data.

Praproses Data

Pada penelitian ini tahapan yang dilakukan yaitu praproses data. Pada tahapan ini akan dilakukan adalah pemisahan data titik panas dari tahun 2001 sampai 2015 yang ada di Pulau Sumatera dan di Pulau Kalimantan. Pemisahan data yang dimaksud adalah mengambil titik panas yang memiliki data titik panas lengkap atau terdapat titik panas setiap bulannya dalam jangka waktu satu tahun. Pemisahan data pada tahapan ini dilakukan dengan menggunakan QuantumGIS. Dari hasil penentuan titik panas di Pulau sumatera dan di Pulau Kalimantan yang lengkap hanya terdapat dari tahun 2001 sampai 2014. Jumlah titik panas pertahun di Pulau Sumatera dan di Pulau Kalimantan dapat diilihat pada Gambar 5.

(25)

11

Gambar 4 Jumlah titik panas pertahun di Sumatera dan Kalimantan

Dari Gambar 5 dapat dilihat jumlah titik panas terbanyak untuk kurun waktu 2001 sampai 2014 di Pulau Sumatera terdapat pada tahun 2014, sedangkan di Pulau Kalimantan jumlah titik panas paling banyak terdapat pada tahun 2006. Untuk jumlah titik panas paling sedikit di Pulau Sumatera terdapat di tahun 2001, sedangkan di Pulau Kalimantan terdapat di tahun 2010.

Seleksi Data Titik Panas pada Lahan Gambut

Pada tahapan ini yang dilakukan adalah menggabungkan hasil data titik panas Pulau Sumatera dengan data lahan gambut di Pulau Sumatera dan data titik panas di Pulau Kalimantan dengan data lahan gambut di Pulau Kalimantan. Proses penggabungan ini menggunakan Quantum GIS. Proses penggabungan ini tidak dapat dilakukan secara langsung, karena pada proses ini diperlukan kesamaan sistem referensi koordinat untuk data titik panas dengan data lahan gambut yang akan digabungkan. Untuk melihat sistem referensi di Indonesia dapat dilihat pada Gambar 5.

(26)

12

Sistem referensi terbagi menjadi 60 zone, dimana untuk Indonesia terletak pada zone 46 sampai 54. Berdasarkan Gambar 6 Sumatera berada di zona 47 dan 48, namun karena zona 47 lebih banyak maka sistem referensi koordinat yang di pakai adalah ESPG: 32647-WGS84/UTM Zone 47N. Untuk Pulau Kalimantan sistem referensi koordinatnya berada pada zone 49 dan 50, namun karena zona 49 lebih banyak maka sistem referensi koordinat yang di pakai adalah ESPG: 32647-WGS84/UTM Zone 49N.

Proses penggabungan data titik panas dan lahan gambut baru bisa dilakukan setelah sistem referensi disesuaikan dengan aturan zone. Dari hasil penggabungan ini untuk Pulau Sumatera tahun 2007 dapat dilihat pada Gambar 6 dan untuk pulau kalimantan tahun 2007 dapat dilihat pada Gambar 7.

Gambar 6 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas tahun 2007

Gambar 7 Peta lahan gambut di Pulau Sumatera yang dioverlay dengan titik panas tahun 2007

(27)

13 Pembuatan Data Non Titik Panas pada Lahan Gambut

Pada tahapan ini yang dilakukan adalah menentukan data bukan titik panas yang berada pada lahan gambut di Sumatera dan Kalimantan dengan menggunakan Quantum GIS. Proses ini melibatkan data titik panas pertahun pada lahan gambut di Sumatera dan Kalimantan. Tapi sebelum di buat data bukan tititk panas, dibuat tabel titik panas yang nilai conﬁdence-nya ≥ 70.

Langkah pertama adalah membuat tabel baru yang terdiri dari gid, the geom, longitude, latitude, acq date, conﬁdence, dan kelas yang berisi titik panas dengan conﬁdence-nya ≥ 70. Nilai confidence yang digunakan hanya yang ≥ 70, karena memiliki potensi tinggi sebagai kebakaran.

Dari data titik panas yang nilai conﬁdence-nya ≥ 70 barulah digunakan untuk membuat data bukan titik panas. Untuk mendapatkan data bukan titik panas pada daerah lahan gambut di Sumatera dan Kalimantan dilakukan beberapa proses yaitu pembuatan buffer, disolve, operasi difference, dan pembangkitan random point. Dari proses ini didapat data bukan titik panas pada lahan gambut di Sumatera dan Kalimantan dengan nama false alarm yang akan digunakan sebagai proses klasiﬁkasi. Hasil data bukan titik panas pada lahan gambut di Sumatera untuk tahun 2007 dapat dilihat pada Gambar 9.

Gambar 8 Data non titik panas pada lahan gambut di Sumatera untuk tahun 2007 Dari Gambar 8 dapat dilihat sebaran data bukan titik panas pada lahan gambut di Sumatera pada tahun 2007. Titik panas muncul pada daerah yang bukan merupakan daerah titik panas. Sebaran data bukan titik panas pada lahan gambut di Kalimantan pada tahun 2007 juga muncul pada daerah yang bukan merupakan daerah titik panas. Data bukan titik panas pada lahan gambut di Kalimantan untuk tahun 2007 dapat dilihat pada Gambar 10.

(28)

14

Gambar 9 Data non titik panas pada lahan gambut di Kalimantan untuk tahun 2007

Pembuatan Dataset

Setelah didapatkan data titik panas pada lahan gambut dan data bukan titik panas pada lahan gambut. Proses selanjutnya adalah menambahkan kolom baru untuk kelas. Pada atribut kelas data titik panas pertahun diberikan isian T atau true dan untuk data bukan titik panas pada gambut akan diisikan F atau false. Proses ini dilakukan menggunakan postgres SQL.

Dari proses ini didapat tabel baru yang diberi nama target tahun. Proses ini masih dilakukan menggunakan postgres SQL. Dari data yang telah memiliki nilai conﬁdence ≥ 70 selanjutnya akan dibuat dataset1 dan dataset2 menggunakan postgres SQL. Adapun untuk dataset1 berisi data dari tabel lahan gambut dan data target. Atribut data yang ada di dataset1 dapat dilihat pada Tabel 5.

Tabel 5 Atribut pada dataset1

No Atribut Tipe

1 Gid Big integer

2 Gid2 Integer

3 The geom Geometri(point)

4 Confidence Integer

5 Legend Character varying(42)

6 Landuse Character varying(60)

7 Ketebalan Character varying(16)

Dataset1 digunakan untuk menyimpan informasi yang lebih lengkap yang dapat digunakan untuk melihat letak dari objek dalam peta lahan gambut yang dapat dilakukan di Quantum GIS. Untuk proses klasiﬁkasi di R dibuat dataset2 yang diambil dari data target dan data gambut. Atribut pada dataset2 dapat dilihat pada Tabel 6.

(29)

15 Tabel 6 Atribut pada dataset2

No Atribut Tipe

1 Legend Character varying(42)

2 Landuse Character varying(60)

3 Ketebalan Character varying(16)

4 Kelas Character

Atribut pada Tabel 6 ini hanya untuk Pulau Sumatera, sedangkan untuk Pulau Kalimantan hanya terdiri legend, ketebalan dan kelas. Atribut landuse tidak terdapat pada Pulau Kalimantan karena data yang diberikan dari wetland tidak mencantumkan landuse. Alasan menggunakan data lahan gambut dari wetland, karena data lahan gambut yang lengkap sangat mahal. Sementara itu, wetland bisa memberikan data tanpa harus membayar. Contoh record dalam dataset2 dapat dilihat pada Tabel 7.

Tabel 7 Contoh isi tabel dataset2

No Jenis Gambut Tutupan Lahan Kedalaman Kelas 1 Saprists/Hemists(60/40), sedang Hutan rawa D2 F 2 Saprists/Hemists(60/40), sedang Belukar rawa D2 F 3 Saprists/Hemists(60/40), dalam Hutan rawa D2 F 4 Saprists/Hemists(60/40), dalam Hutan rawa D3 F 5 Saprists/Hemists(60/40), dalam

Sawah dan kelapa D1 T 6 Saprists/Hemists(60/40), sangat dalam Hutan rawa D4 F 7 Saprists/Hemists(90/10), dalam Hutan rawa D2 F 8 Hemists/Saprists (60/40), sedang Belukar rawa D2 T 9 Hemists/Saprists (60/40), sedang Hutan rawa D2 F 10 Hemists/Saprists (60/40), sangat dalam Hutan rawa D4 T

Membuang Missing Value

Pada tahapan ini yang dilakukan adalah menentukan jumlah data missing value. Untuk melihat jumlah missing value dapat dilihat dari weka. Setelah didapat data missing value, kemudian menghitung presentase jumlah missing value terhadap data keseluruhan. Untuk data yang memiliki presentase missing value 10% dibuang, karena dianggap tidak memiliki pengaruh yang cukup besar dalam proses klasiﬁkasi. Jumlah missing value di Pulau Sumatera dan di Pulau Kalimantan dapat dilihat pada Tabel 8.

(30)

16

Tabel 8 Jumlah missing value dataset Sumatera dan Kalimantan

Dataset Missing Value Jumlah Titik Panas Presentase (%)

Sumatera2001 2 3509 0.06 Sumatera2002 35 20212 0.17 Sumatera2003 8 10331 0.08 Sumatera2004 15 16030 0.09 Sumatera2005 18 30172 0.06 Sumatera2006 33 29471 0.11 Sumatera2007 5 5517 0.09 Sumatera2008 8 7535 0.11 Sumatera2009 21 15572 0.13 Sumatera2010 2 4897 0.04 Sumatera2011 10 13506 0.07 Sumatera2012 13 14556 0.09 Sumatera2013 21 18548 0.11 Sumatera2014 43 41254 0.10 Kalimantan2001 35 2880 1.22 Kalimantan2002 332 23005 1.44 Kalimantan2003 80 6578 1.22 Kalimantan2004 153 13612 1.12 Kalimantan2005 79 5736 1.36 Kalimantan2006 460 30413 1.51 Kalimantan2007 19 2074 0.92 Kalimantan2008 21 1441 1.46 Kalimantan2009 247 20803 1.19 Kalimantan2010 5 570 0.88 Kalimantan2011 111 7900 1.41 Kalimantan2012 99 8493 1.17 Kalimantan2013 51 3571 1.43 Kalimantan2014 232 18457 1.26

Dari Tabel 8 dapat dilihat jumlah missing value tertinggi pada dataset Kalimantan2006 yaitu 460, namun jumlah tersebut hanya 1.51% dibandingkan jumlah datanya yang mencapai 30413. Presentase tertinggi ada pada 1.46% tidak lebih dari 10%, jadi semua missing value dihilangkan.

Konversi Data

Sebelum dataset diolah di R dengan menggunakan model klasiﬁkasi menggunakan algoritme K-Nearest Neighbor diperlukan konversi data, karena KNN hanya bisa memproses data bertipe numeric sedangkan dataset bertipe data nominal. Dataset diubah dari nominal ke dalam bentuk binary agar dapat diproses di R menggunakan algoritme KNN. Perubahan tipe data ini dilakukan oleh Weka. Dari hasil proses ini didapat data berbentuk binary. Contoh data hasil konversi dapat dilihat pada Gambar 10.

(31)

17

Gambar 10 Data hasil konversi nominal ke binary masih dalam bentuk text Setelah proses konversi data selesai data tidak dapat langsung diolah di R, dikarenakan nama atribut yang menggunakan koma (,) yang seharusnya hanya 1 kolom di dalam R terbaca menjadi 2 kolom. Hal tersebut sangat fatal karena menimbulkan pergeseran data yang berakibat timbul data kosong. Apabila itu terjadi data menjadi tidak akurat lagi. Solusi yang dilakukan yaitu dataset yang sebelumnya dipisahkan dengan koma (,) bukan dalam bentuk kolom diolah dengan Microsoft Excel agar terpisah dengan baik. Pemisahan dataset ini menggunakan fasilitas yang di sediakan oleh Microsoft Excel untuk mengubah text kedalam bentuk kolom. Contoh dataset yang telah diolah di Microsoft Excel dapat dilihat pada Tabel 9.

Tabel 9 Data hasil konversi nominal ke binary sudah dalam bentuk kolom No Legend= Saprists/Hemists (60/40), sedang Legend= Saprists/Hemists (60/40), dalam 1 1 0 2 1 0 3 1 0 4 1 0 5 1 0 6 1 0 7 1 0 8 0 1 9 0 1 10 1 0

Dari hasil pemisahan data Microsoft Excel yang telah dilakukan harus dilakukan pengecekan ulang. Hal ini dilakukan untuk memastikan data telah sesuai untuk diproses ditahap selanjutnya.

Pembagian Data

Pembagian data pada pengolahan data di R akan menggunakan 10 fold cros validation. Dengan demikian, 10% dari data akan dijadikan sebagai data uji dan 90% bagian data akan dijadikan data latih. Adapun keseluruhan data dibagi

(32)

18

menjadi 10 bagian, kemudian dari setiap bagian terbaik akan menjadi data uji dan 9 bagian lainnya akan menjadi data latih.

Tahapan Klasifikasi Menggunakan Algoritme K-Nearest Neigbor Setiap record data uji dihitung jaraknya dengan ke setiap record data latih untuk mengetahui ukuran kedekatan antara data uji dengan data latih. Untuk data bertipe numeric, selisih antara data uji dengan data latih adalah pengurangan nilai data uji dengan data latih, selanjutnya ditentukan nilai k tetangga terdekat. Percobaan ini dimulai dengan nilai k dari 1 sampai 19 dengan selang 2 dalam KNN. Pada setiap percobaan dihitung akurasinya untuk k = 1, k = 3, k = 5, k = 7, k = 9, k = 11, k = 13, k = 15, k = 17, dan k = 19. Matrik confusion hasil tahapan klasiﬁkasi dengan KNN Pulau Kalimantan tahun 2003 dengan nilai k=1 dapat dilihat pada Tabel 10.

Tabel 10 Matrik confusion pada dataset Pulau Kalimantan tahun 2010 dengan nilai k = 13

Kelas Prediksi Kelas Aktual

False True

False 115 21

True 9 127

Dari matrik confusion dapat dilihat bahwa data yang diprediksi sebagai false atau salah menghasilkan false atau salah adalah 115. Untuk data yang diprediksi sebagai false atau salah menghasilkan true atau benar adalah 21. Untuk data yang diprediksi sebagai true atau benar menghasilkan false atau salah adalah 9. Untuk data yang diprediksi sebagai true atau benar menghasilkan true atau benar adalah 127.

Dari hasil matrik confusion ini selanjutnya akan digunakan untuk menghitung nilai akurasi hasil tahapan klasiﬁkasi dengan menggunakan KNN. Namun untuk mendapatkan hasil tahapan klasiﬁkasi menggunakan algoritme KNN ini tidak semua data dapat diolah oleh packages class pada R karena untuk Pulau Sumatera tahun 2002 sampai 2006, 2009, dan 2011 sampai 2014 memiliki jumlah atribut yang sangat banyak. Untuk Pulau Kalimantan tahun 2002, 2004, 2006, 2009, dan 2014 tidak dapat di olah di R karena jumlah data yang terlalu banyak.

Perhitungan Akurasi

Pada tahapan ini akan dihitung nilai akurasi dari hasil tahapan klasiﬁkasi yang dihasilkan oleh masing masing nilai k. Untuk menghitung nilai akurasi digunakan rumus sebagai berikut:

Akurasi=∑data uji benar diklasifikasi_∑

total data uji (3)

Dengan menggunakan nilai hasil tahapan klasiﬁkasi menggunakan algoritme KNN yang telah dihasilkan pada proses klasiﬁkasi, selanjutnya dihitung

(33)

19 untuk mendapatkan nilai akurasinya. Berdasarkan Tabel 10 akurasi hasil klasiﬁkasi dengan KNN dengan k = 1 adalah

Akurasi= 115+127

115+21+9+127=88.97 (3)

Perhitungan akurasi dilakukan untuk semua dataset dan semua nilai k. Akurasi tertinggi untuk dataset setiap tahunnya untuk Pulau Sumatera dapat dilihat pada Tabel 11.

Tabel 11 Nilai akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Sumatera

Dataset Nilai k Terbaik Akurasi (%)

Sumatera2001 1 99.14

Berdasarkan Tabel 11 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi untuk Pulau Sumatera adalah pada Sumatera2010 untuk nilai k = 1. Graﬁk akurasi untuk dataset Sumatera2010 dapat dilihat pada Gambar 12, sedangkan untuk graﬁk dataset Sumatera lainnya dapat dilihat pada lampiran.

Gambar 11 Grafik akurasi Pulau Sumatera tahun 2010

Dari Gambar 11 dapat dilihat graﬁk akurasi untuk nilai k = 1 sampai k = 19 yang cenderung menurun. Jumlah tetangga (k) = 1 memiliki akurasi tertinggi untuk dataset Sumatera, jadi untuk pengujian dengan menggunakan dataset Sumatera 2010 menggunakan jumlah tetangga (k) = 1. Akurasi tertinggi untuk dataset setiap tahunnya di Pulau Kalimantan dapat dilihat pada Tabel 13.

(34)

20

Tabel 12 Akurasi tertinggi hasil klasifikasi setiap tahun untuk dataset Kalimantan

Dataset Nilai k Tertinggi Akurasi(%)

Kalimantan2001 1 100.00 Kalimantan2003 1 100.00 Kalimantan2005 1 100.00 Kalimantan2005 3 100.00 Kalimantan2007 1 100.00 Kalimantan2008 1 99.87 Kalimantan2010 1 99.26 Kalimantan2011 1 100.00 Kalimantan2012 1 99.98 Kalimantan2013 1 99.95

Berdasarkan Tabel 13 akurasi yang diperoleh selisihnya tidak terlalu berbeda jauh. Akurasi tertinggi terdapat pada dataset Kalimantan2001 dengan k = 1, dataset Kalimantan2003 dengan k = 1, dataset Kalimantan2005 dengan nilai k = 1, dan 3, Kalimantan2007 dengan k = 1, dan Kalimantan2011 dengan k = 1. Graﬁk akurasi untuk jumlah tetangga (k) = 1 sampai (k) = 19 untuk dataset Kalimantan 2005 dapat dilihat pada Gambar 12, sedangkan untuk graﬁk dataset Kalimantan lainnya dapat dilihat pada lampiran.

Gambar 12 Grafik akurasi Pulau Kalimantan tahun 2003

Dari Gambar 12 menunjukkan jumlah tetangga (k) = 1 memiliki akurasi tertinggi. Untuk nilai akurasi k = 3 sampai k = 19 menunjukkan graﬁk yang cenderung menurun. Walaupun pada k = 7 mengalami kenaikan tetapi kenaikannya tidak lebih tinggi dari akurasi k = 1. Akurasi rata-rata setiap tahun Pulau Sumatera dapat dilihat pada Tabel 13.

(35)

21 Tabel 13 Nilai akurasi rata-rata hasil klasifikasi setiap tahun untuk dataset Pulau

Sumatera Dataset Akurasi (%) Sumatera2001 93.67 Sumatera2007 97.33 Sumatera2008 92.72 Sumatera2010 97.10 Rata-rata 95.20

Akurasi rata-rata tertinggi untuk Pulau Sumatera adalah 97.10% yaitu pada dataset Sumatera2010. Akurasi rata-rata keseluruhan untuk Pulau Sumatera adalah sebesar 95.20% dan merupakan akurasi rata-rata hasil tahapan klasiﬁkasi dengan algoritme KNN untuk Pulau Sumatera. Akurasi rata-rata setiap tahun untuk Pulau Kalimantan dapat dilihat pada Tabel 14.

Tabel 14 Nilai akurasi rata-rata hasil klasiﬁkasi setiap tahun untuk dataset Pulau Kalimantan Dataset Akurasi(%) Kalimantan2001 98.43 Kalimantan2003 99.74 Kalimantan2005 99.48 Kalimantan2007 98.19 Kalimantan2008 97.47 Kalimantan2010 92.46 Kalimantan2011 99.17 Kalimantan2012 99.79 Kalimantan2013 99.19 Rata-rata 98.66

Nilai akurasi tertinggi untuk Pulau Kalimantan adalah 99.79% pada dataset Kalimantan2012. Akurasi rata-rata keseluruhan untuk Pulau Kalimantan adalah sebesar 98.66% dan merupakan akurasi rata-rata tahapan hasil klasiﬁkasi dengan algoritme KNN untuk Pulau Kalimantan.

Pemilihan Hasil Klasifikasi Terbaik

Setelah dilakukan klasifikasi menggunakan algoritme KNN dan dihitung nilai akurasinya maka akan didapat hasil akurasi tertinggi. Untuk Pulau Sumatera akurasi tertinggi pada dataset pada tahun 2010 dengan nilai k = 1. Akurasi tertinggi untuk Pulau Kalimantan pada dataset tahun 2001, 2007, dan 2011 dengan nilai k = 1, sedangkan dataset tahun 2005 pada k = 1 dan k = 3.

Pemilihan Data Baru

Pada tahapan ini yang dilakukan adalah memilih data baru yang akan digunakan sebagai data testing. Untuk data yang digunakan pada penelitian ini adalah data titik panas dan data non titik panas dari 1 Januari 2015 sampai 31 Maret 2015.

(36)

22

Hasil Klasifikasi Terbaik

Pada tahapan ini, dilakukan pengujian menggunakan data titik panas pada tahun 2015 yang akan digunakan sebagai data testing dan dataset Kalimantan tahun 2005 sebagai data training, karena dataset Kalimantan 2005 merupakan salah satu hasil tahapan klasifikasi tertinggi untuk Pulau Kalimantan. Dari hasil pengujian menggunakan hasil tahapan klasifikasi menggunakan KNN dengan k = 1 dapat dilihat hasil matrik confusion pada Tabel 15. Untuk pengujian menggunakan hasil tahapan klasifikasi menggunakan KNN dengan k = 3 dapat dilihat hasil matrik confusion pada Tabel 16.

Tabel 15 Matrik confusion di R untuk data baru Kalimantan 2015 dengan k = 1

False True

False 76 1

True 0 23

Tabel 16 Matrik confusion di R untuk data baru Kalimantan tahun 2015 dengan k = 3

False True

False 76 1

True 0 23

Hasil matrik confusion untuk k = 1 dan k = 3 menghasilkan nilai yang sama. Klasiﬁkasi menggunakan KNN menunjukan dapat memprediksi data bukan titik panas pada lahan gambut benar sebagai data bukan titik panas pada lahan gambut dan dapat memprediksi data titik panas pada lahan gambut benar sebagai data titik panas pada lahan gambut. Untuk mendapatkan nilai akurasi dari hasil pengujian menggunakan data titik panas tahun 2015, maka dilakukan penghitungan menggunakan rumus akurasi. Berdasarkan Tabel 15 dan Tabel 16 akurasi hasil tahapan klasiﬁkasi dengan k = 1 dan k = 3 adalah

Akurasi= 76+23

76+1+0+23=99% (5)

Akurasi hasil tahapan klasiﬁkasi menggunakan KNN untuk dataset Kalimantan2005 yang dijadikan data training dan data titik panas tahun 2015 sebagai data testing adalah 99%. Untuk jumlah tetangga terdekat (k) = 1 dan (k) = 3 mempunyai akurasi yang sama, jadi akurasi hasil tahapan klasiﬁkasi menggunakan KNN untuk data baru adalah 99%.

Hasil tahapan klasiﬁkasi tertinggi untuk Pulau Sumatera tidak dapat digunakan sebagai data training untuk data titik panas di Sumatera tahun 2015 karena jumlah atribut yang berbeda antara data tahun 2015 dengan data tertinggi hasil klasifikasi sehingga tidak dapat diproses di R.

(37)

23

SIMPULAN DAN SARAN

Simpulan

Algoritme KNN dapat digunakan untuk klasiﬁkasi kemunculan titik panas di Pulau Sumatera dengan nilai akurasi tertinggi adalah 99.15% pada tahun 2010 dengan jumlah tetangga (k) = 1. Untuk dataset Pulau Kalimantan nilai akurasi tertinggi adalah 100% pada tahun 2001, 2003, 2007, dan 2011 dengan nilai k = 1 sedangkan untuk tahun 2005 dengan nilai k = 1 dan k = 3. Akurasi rata-rata hasil klasiﬁkasi dengan algoritme KNN dengan jumlah perulangan k sebanyak 10 untuk Pulau Sumatera adalah 95.20% dan untuk Pulau Kalimantan adalah 98.66%.

Hasil klasiﬁkasi menggunakan KNN dengan dataset Kalimantan tahun 2005 sebagai data traning dan dataset Kalimantan tahun 2015 sebagai data testing menghasilkan nilai akurasi 99%.

Saran

Untuk penelitian selanjutnya, dapat pengembangan aplikasi berbasis web untuk memudahkan dalam memprediksi kemunculan titik panas pada lahan gambut berdasarkan jarak kedekatan objek pada lahan gambut dapat diketahui secara cepat.

DAFTAR PUSTAKA

Bramer M. 2007. Principles of Data Mining. London: Springer.

Ernawati I. 2008. Prediksi status keaktifan studi mahasiswa dengan algoritma C5.0 dan k-nearest neigbor [skripsi]. Bogor (ID): Institut Pertanian Bogor. Fernando V, Sitanggang IS. 2014. Klasiﬁkasi data spasial untuk kemunculan

hotspot di Provinsi Riau menggunakan algoritme ID3. Integrasi Sains MIPA untuk Mengatasi Masalah Pangan, Energi, Kesehatan, Reklamasi, dan Lingkungan. Bogor, Indonesia. Bogor (ID): SEMIRATA, pp. 428–436. ISBN: 978602-70491-0-9.

Oswald P, Astrini R. 2012. Tutorial QuantumGIS Tingkat Dasar Versi 1.8.0 Lisboa. Mataram (ID): GIZ Decentralization as Contribution to Good Governance (DeCGG).

Sitanggang IS, Yaakob R, Mustapha N, Ainuddin AN. 2012. Appclication of classification algorithms in data mining for hotspots occurrence prediction in Riau Province Indonesia dalam: JATIT 43(2), pp. 214-221. ISSN: 1992-8645. Sitanggang IS. 2013. Penggunaan teknik data mining dalam pemodelan resiko

terjadinya kebakaran hutan. Peran Teknologi Informasi dalam Menghadapi Pasar Global China-ASEAN 2015. Bogor, Indonesia. Bogor (ID): HIPI, pp. 55–62. ISBN: 978-602-95366-1-4.

Suwanto A, Maas A, Sutaryo D, Wijaya DY, Sartono D, Achsani H, Komarsa, Hastuti S, Soli TI. Profil Ekosistem Gambut di Indonesia. Jakarta (ID).Wibowo, P dan N Suyatno. 1998. An Overview of Indonesian Wetlands Sites – II. Wetlands Internationa Indonesia Programme (WI-IP).

Wu X, Kumar V. 2009. The top ten algorithms in data mining. CRC Press Taylor dan Francis Group: Boca Raton London.

(38)

24

Lampiran 1 Graﬁk confussion matrix Pulau Sumatera tahun 2001

(39)

25 Lampiran 3 Graﬁk confussion matrix Pulau Sumatera tahun 2008

(40)

26

Lampiran 5 Graﬁk confussion matrix Pulau Kalimantan tahun 2001

(41)

27 Lampiran 7 Graﬁk confussion matrix Pulau Kalimantan tahun 2005

(42)

28

(43)

29 Lampiran 11 Graﬁk confussion matrix Pulau Kalimantan tahun 2011

(44)

30

Lampiran 14 Record data training Pulau Kalimantan

No A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 Kelas

1 1 0 0 0 0 0 1 0 0 0 0 0 T 2 1 0 0 0 0 1 0 0 0 0 0 0 F 3 1 0 0 0 0 0 0 0 0 1 0 0 T 4 0 1 0 0 0 0 0 0 1 0 0 0 T 5 0 1 0 0 0 0 1 0 0 0 0 0 F 6 0 0 1 0 0 0 0 1 0 0 0 0 F 7 0 0 0 0 1 0 1 0 0 0 0 0 T 8 0 1 0 0 0 1 0 0 0 0 0 0 T 9 0 0 0 1 0 0 1 0 0 0 0 0 F 10 1 0 0 0 0 0 0 0 0 1 0 0 T

Lampiran 15 Record data testing Pulau Kalimantan

A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 A11 A12 Kelas

(45)

31 Keterangan: A1: Depth = 50-100. A2: Depth = 100-200. A3: Depth = 200-400. A4: Depth = 400-800. A5: Depth = 800-1200. A6: Type = Hemists/Mineral. A7: Type = Hemists/Fibrists.

A8: Type = Hemists/Fibrists/Mineral. A9: Type = Saprists/Hemists/Mineral. A10: Type = Saprists/Mineral.

A11: Type = Hemists/Saprists/Mineral. A12: Type = Hemists/Fibrists/Saprists.

Hitungan jarak kedekatan dengan menggunakan euclidean distance: 1. Jarak data testing ke D1

euclidean=√(1-1)2+(0-0)2+..+(0-0)2=√2=1.41 2. Jarak data testing ke D2

euclidean=√(0-1)2+(1-0)2+..+(0-0)2=√4=2 5. Jarak data testing ke D5

euclidean=√(0-1)2+(0-0)2+..+(0-0)2=√4=2 10.Jarak data testing ke D10

(46)

32

euclidean=√(1-1)2+(1-0)2+..+(0-0)2=√2=1.41 Lampiran 16 Hasil perhitungan euclidean

N o A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A1 0 A1 1 A1 2 Kela s Jara k 1 1 0 0 0 0 0 1 0 0 0 0 0 T 1.41 2 1 0 0 0 0 1 0 0 0 0 0 0 F 1.41 3 1 0 0 0 0 0 0 0 0 1 0 0 T 1.41 4 0 1 0 0 0 0 0 0 1 0 0 0 T 2 5 0 1 0 0 0 0 1 0 0 0 0 0 F 2 6 0 0 1 0 0 0 0 1 0 0 0 0 F 1.41 7 0 0 0 0 1 0 1 0 0 0 0 0 T 2 8 0 1 0 0 0 1 0 0 0 0 0 0 T 2 9 0 0 0 1 0 0 1 0 0 0 0 0 F 2 10 1 0 0 0 0 0 0 0 0 1 0 0 T 1.41

Lampiran 17 Hasil perhitungan jarak euclidean sudah terurut N o A 1 A 2 A 3 A 4 A 5 A 6 A 7 A 8 A 9 A1 0 A1 1 A1 2 Kela s Jara k 1 1 0 0 0 0 0 1 0 0 0 0 0 T 1.41 2 1 0 0 0 0 1 0 0 0 0 0 0 F 1.41 3 1 0 0 0 0 0 0 0 0 1 0 0 T 1.41 6 0 0 1 0 0 0 0 1 0 0 0 0 F 1.41 10 1 0 0 0 0 0 0 0 0 1 0 0 T 1.41 4 0 1 0 0 0 0 0 0 1 0 0 0 T 2 5 0 1 0 0 0 0 1 0 0 0 0 0 F 2 7 0 0 0 0 1 0 1 0 0 0 0 0 T 2 8 0 1 0 0 0 1 0 0 0 0 0 0 T 2 9 0 0 0 1 0 0 1 0 0 0 0 0 F 2

(47)

33

Lampiran 18 Ilustrasi KNN dari Lampiran 17

Lampiran 19 Kelas untuk nilai k = 1 sampai k = 9

K 1 3 5 7 9

Kelas T T T T T

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 13 April 1991 di Bantul, Yogyakarta. Penulis merupakan anak kedua dari dua bersaudara dari pasangan Yekti Budiningsih dan Sudarmaji. Tahun 2010 penulis lulus dari SMA Negeri 3 Bantul dan pada tahun yang sama penulis melanjutkan pendidikan pada program D3, program studi Komputer dan Sistem Informasi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada, Yogyakarta. Penulis lulus dari Universitas Gadjah Mada pada tahun 2013. Pada tahun 2013, penulis lulus seleksi masuk program Sarjana Alih Jenis, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.