Penerapan Algoritma K-Means Untuk Penentuan Lahan Kritis

(1)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 208

Penerapan Algoritma K-Means Untuk Penentuan Lahan Kritis

Sartika Manalu, Berto Nadeak, Edward R Siagian

STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338, Medan, Indonesia

Abstrak

Lahan kritis ditandai oleh rusaknya struktur tanah, menurunnya kualitas dan kuantitas bahan organik, defisiensi hara dan terganggunya siklus hidrologi, perlu direhabilitasi dan ditingkatkan produktivitasnya agar lahan dapat kembali berfungsi sebagai suatu ekosistem yang baik atau menghasilkan sesuatu yang bersifat ekonomis bagi manusia. faktor penyebab lahan kritis yaitu: Perambahan hutan, penebangan liar (illegal logging), kebakaran hutan, pemanfaatan sumberdaya hutan yang tidak berazaskan kelestarian, penataan zonasi kawasan belum berjalan, pola pengelolaan lahan tidak konservatif, pengalihan status lahan (berbagai kepentingan). Teknologi data mining adalah salah satu cara mendapatkan informasi yang tersembunyi dari rangkaian data untuk menjadi pengetahuan yang bisa mendukung sebuah organisasi dalam mengambil keputusan. Setelah jumlah cluster diketahui, baru proses cluster dilakukan tanpa mengikuti proses hierarki. Rumusan permasalahan yang diselesaikan dalam penelitian ini bagaimana menentukan prioritas yang direhabilitasi berdasarkan tingkat kekritisan lahan dengan menggunakan Alogitma K-means. Algoritma K-Means sederhana untuk diterapkan dan dijalankan, relatif cepat, mudah beradaptasi serta umum penggunaanya dalam praktek.

Kata Kunci: Lahan Kritis, Data Mining, K-Means

Abstract

The critical land is marked by the destruction of soil structure, decreasing the quality and quantity of organic matter, nutrient deficiency and disruption of the hydrological cycle, need to be rehabilitated and increased productivity so that the land can return to function as a good ecosystem or produce something that is economic to humans. Critical land causes: Forest encroachment, illegal logging, forest fires, utilization of non-sustainable forest resources, zoning of the area not yet in place, land management pattern is not conservative, diversion of land status (various interests). Data mining technology is one way to get information hidden from the data set to become knowledge that can support an organization in making decisions. After the number of clusters is known, a new cluster process is performed without following the hierarchy process. The formulation of the problem solved in this research is how to determine the rehabilitated priority based on land criticality level using K-means Alogitma. The K-Means algorithm is simple to implement and run, relatively fast, adaptable and common in practice.

Keywords: Critical Land, Data Mining, K-Means

1. PENDAHULUAN

Lahan kritis adalah lahan yang telah mengalami kemerosotan kesuburannya atau lahan yang dalam proses kemunduran kesuburan baik secara fisik maupun kimia dan biologi. Sehingga lahan tersebut tidak dapat berfungsi secara baik sesuai dengan fungsi nya sebagai media produksi maupun sebagai media tata air. Kerusakan sumber daya hutan berakibat pada menurunnya kemampuan hutan dalam mendukung fungsi ekonomi, sosial dan ekologis. Indikasi kerusakan sumber daya hutan ini dapatdilihat dari menurunnya kualitas Daerah Aliran Sungai (DAS) dan semakin intensnya terjadi bencana alam berupa banjir, kekeringan, dan tanah longsor.

Dalam kurun waktu 10 tahun dari tahun 2006-2015 , terakhir bencana alam sering melanda wilayah SUMUT. Pada waktu musim hujan terjadi banjir dan tanah longsor sedangkan pada musim kemarau terjadi kekeringan dan kebakaran hutan dan lahan. Kerugian akibat bencana alamini sangat besar, bukan hanya dari hitungan materi tapi juga menyebabkan korban jiwa manusia. Penetapan lahan kritis pada 15 kabupaten mengacu pada penilaian kekritisan lahan yang akan bergantung pada fungsi lahan yang terbagi yaitu, Kekritisan lahan pada fungsi kawasan lindung dapat dinilai berdasarkan aspek tutupan lahan, kelerengan lahan, tingkat erosi, dan manajemen lahan. Berdasarkan hasil lokakarya Penetapan Kriteria Lahan Kritis yang dilaksanakan oleh Direktotar Rehabilitasi dan Konservasi Tanah pada 17 Juni 1997 dan 23 Juli 1997 yang dimaksud dengan lahan kritis adalah lahan yang telah mengalami kerusakan sehingga kehilangan atau berkurang fungsinya sampai pada batas yang ditentukan atau diharapkan. Dengan demikian penilaian lahan kritis di setiap tempat harus mengacu pada kriteria yang ditetapkan dan sesuai dengan fungsi tempat tersebut. Besaran nilai bobot tingkat kekritisan lahan diperoleh dari hasil perkalian antara bobot dan nilai skor, keberadaan lahan kritis tidak hanya terkait dengan aspek biofisik. Namun juga berkaitan dengan aspek legal, seperti status kawasan hutan

(2)

2. TEORITIS

2.1 Lahan Kritis

Lahan kritis merupakan permasalahan global (Bohre dan Chaubey 2014). Jumlah lahan kritis selalu meningkat dari waktu ke waktu, sementara laju perbaikannya tidak dapat mengatasi laju kerusakannya. Rusaknya sumber daya alam di Indonesia terjadi akibat seluruh komoditas dari sumber daya alam dieksploitasi tanpa mengindahkan daya dukungnya (Kartodihardjo 2008). Indikasinya adalah semakin banyaknya kejadian banjir, longsor, kekeringan, serta berkurangnya atau hilangnya berbagai spesies dari sumber daya alam seperti kayu, rotan, tanaman obat- obatan, ikan, berbagai jenis satwa, serta kemiskinan hara.

2.2 Algoritma K-Means

Algoritma K-Means merupakan salah satu algoritma dengan partitional, karena K-Means didasarkan pada penentuan jumlah awal kelompok dengan mendefinisikan nilai centroid awalnya. Algoritma K-Means menggunakan proses secara berulang-ulang untuk mendapatkan basis data cluster. Dibutuhkan jumlah cluster awal yang diinginkan sebagai masukan dan menghasilkan jumlah cluster akhir sebagai output.

Jika algoritma diperlukan untuk menghasilkan cluster K maka akan ada K awal dan K akhir. Metode K-Means akan memilih pola k sebagai titik awal centroid secara acak. Jumlah iterasi untuk mencapai cluster centroid akan dipengaruhi oleh calon cluster centroid awal secara random dimana jika posisi centroid baru tidak berubah. Nilai K yang dipilih menjadi pusat awal, akan dihitung dengan menggunakan rumus Euclidean Distance yaitu mencari jarak terdekat antara titik centroid dengan data/objek.

Agusta (2007) menyatakan kelanjutan dari jarak tersebut dicari yang terdekat sehingga data akan mengelompok berdasarkan centroid yang paling dekat. Tahap berikutnya adalah update titik centroid dengan menghitung rata-rata jarak seluruh data terhadap centroid. Selanjutnya akan kembali lagi ke proses awal. Iterasi ini akan diulangi terus sampai didapatkan centroid yang konstan artinya titik centroid sudah tidak berubah lagi. Atau iterasi dihentikan berdasarkan jumlah iterasi maksimal yang ditentukan[3]

Langkah-langkah melakukan Clustering dengan metode K Means[4] adalah sebagai berikut: 1. Tentukan k sebagai jumlah cluster yang akan dibentuk

2. Tentukank Centroid (titik pusat cluster) awal secara random/acak.

3. Alokasi kan data dengan jumlah cluster yang ditentukan berdasarkan jarak terdekat dengan centroid

(1)

Dimana; v : centroid pada cluster

xi : objek ke-i

n : banyaknya objek/jumlah objek yang menjadi anggota cluster

3. ANALISA DAN PEMBAHASAN

Mengacu kepada hasil lokakarya Penetapan Kriteria Lahan Kritis yang dilaksanakan oleh Direktorat Rehabilitasi dan Konservasi Tanah, Direktorat Jenderal Reboisasi dan Rehabilitasi Lahan pada tanggal 17 Juni 1997 dan 23 Juli 1997, yang dimaksud dengan lahan kritis adalah lahan yang telah mengalami kerusakan sehingga kehilangan atau berkurang fungsinya sampai batas yang ditentukan atau diharapkan. Dengan demikian penilaian lahan kritis di suatu tempat disesuaikan dengan fungsi tempat tersebut. Nilai tingkat kekritisan lahan diperoleh dari hasil perkalian antara bobot dan nilai skor. Berdasarkan hasil lokakarya tersebut kemudian ditetapkan kriteria baku untuk penentuan lahan kritis yang ditetapkan melalui SK Dirjen RRL No. 041/Kpts/V/1998 tanggal 21 April 1998. Selanjutnya kriteria tersebut dipergunakan untuk kegiatan penyusunan data spasial lahan kritis DAS Agam Kuantan dengan memanfaatkan fasilitas pendukung SIG.

(3)

Tabel 1. Data DAS Kekritisan Lahan Kabupaten Nama

Parameter Potensial kritis Semi kritis Kritis Sangat kritis

(4)

Data Pengelompokan untuk Penentuan Lahan Kritis

Tabel 5. Pengelompokan data

DAS TK PK AK K SK

Wampu 121 58.988 1.044.518 482.20 23.703 Ular 26.743 885.135 3.385.922 597.889 1.019.732 Bedagai 68.935 170.058 860.180 222.888 457 Padang 902.023 795.685 2.025.890 672.010 12.312 Hapal 3.088.825 29.642 2.383.794 222.922 100.936 Bolon 7.178.948 1.535.241 6.814.501 664.228 524.975 Parupuk 1.132.669 - 427.026 24.535 4.186 Merbau 15.699 - 1.230.338 6.957 41.587

Data yang ada di tabel 5 tidak dapat langsung dilakukan pemrosesan dikarenakan terdapat besaran angka yang cukup jauh antara variabel tingkat kekritisan lahan. Perbedaan jarak atau besaran angka yang cukup jauh ini dapat menyulitkan dalam proses pengelompokan. Salah satu solusi yang digunakan untuk memperkecil besaran angka antar variabel adalah dengan melakukan normalisasi angka-angka yang ada di variabel tingkat kekritisan lahan menggunakan persamaan

Normalisasi angka pada tiap variabel ini sangat dibutuhkan sebelum proses perhitungan nilai centroid oleh algoritma K-Means agar tidak ada parameter yang mendominasi dalam perhitungan jarak antar data. Adapun tahapan yang dilakukan untuk proses normalisasi adalah :

Mencari nilai maksimum dan minimum untuk variabel wampu.

Nilai maksimum (Xmaks) = 1044518 Nilai minimum (Xmin) = 121

a. Menghitung nilai normalisasi menggunakan persamaan 5

X1 = ( X - Xmin ) / ( Xmaks - Xmin ) = (121– 121)/ (1044518-121) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (58988- 121)/ (1044518-121)) = 0,56 X3 = ( X - Xmin ) / ( Xmaks - Xmin ) = (1044518- 121)/ (1044518-121) = 0 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (48220- 121)/ (1044518-121) = 0,04 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (23703 - 121)/ (1044518-121) = 0,02

b. Mencari nilai maksimum dan minimum untuk variabel Ular

Nilai maksimum (Xmaks) = 3.385.922 Nilai minimum (Xmin) = 26.743

X1 = ( X - Xmin ) / ( Xmaks - Xmin ) = (26.743- 26.743)/ (3.385.922-26.743) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (885.135- 26.743)/ (3.385.922-26.743) = 0,25 X3 = ( X - Xmin ) / ( Xmaks - Xmin ) = (3.385.922- 26.743)/ (3.385.922-26.743) = 1 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (597.889- 26.743)/ (3.385.922-26.743) =0,17 X5= ( X - Xmin ) / ( Xmaks - Xmin ) = (1.019.732- 26.743)/ (3.385.922-26.743) = 0,29

Mencari nilai maksimum dan minimum untuk variabel Bedagai Nilai maksimum (Xmaks) = 860.180

Nilai minimum (Xmin) = 457

(5)

X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (860.180- 457)/ (860.180-457) = 1 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (222.888- 457)/ (860.180-457) = 0,25 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (457- 457)/ (860.180-457) =0

Mencari nilai maksimum dan minimum untuk variabel Padang Nilai maksimum (Xmaks) = 2.025.890

Nilai minimum (Xmin) = 12.312

X1= ( X - Xmin ) / ( Xmaks - Xmin ) = (902.023- 12.312)/ (2.025.890-12.312) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (795.685- 12.312)/ (2.025.890-12.312) = 0,38 X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (2.025.890-12.312)/ ((2.025.890-12.312)) = 1 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (672.010-12.312)/ ((2.025.890-12.312)) = 0,32 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (12.312-12.312)/ ((2.025.890-12.312)) = 0

Mencari nilai maksimum dan minimum untuk variabel Hapal Nilai maksimum (Xmaks) = 3.088.825

X1= ( X - Xmin ) / ( Xmaks - Xmin ) = (3.088.825- 29.642)/ (3.088.825-29.642) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (29.642- 29.642)/ (3.088.825-29.642) = 0 X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (2.383.794- 29.642)/ (3.088.825-29.642) = 0,76 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (222.922- 29.642)/ (3.088.825-29.642) = 0,63 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (100.936- 29.642)/ (3.088.825-29.642) = 0,23

Mencari nilai maksimum dan minimum untuk variabel Bolon Nilai maksimum (Xmaks) = 7.178.948

X1= ( X - Xmin ) / ( Xmaks - Xmin ) = (7.178.948- 524.975)/ (7.178.948-524.975) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (1.535.241- 524.975)/ (7.178.948-524.975) = 0,15 X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (6.814.501- 524.975)/ (7.178.948-524.975) = 0,94 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (664.228- 524.975)/ (7.178.948-524.975) = 0,02 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (524.975- 524.975)/ (7.178.948-524.975) = 0

Mencari nilai maksimum dan minimum untuk variabel Perupuk Nilai maksimum (Xmaks) = 1.132.669

X1= ( X - Xmin ) / ( Xmaks - Xmin ) = (1.132.669-4186)/ (1.132.669-4186) = 0 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (0 -4186)/ (1.132.669-4186) =0,003 X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (427.026-4186)/ (1.132.669-4186) = 0,37 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (24.535-4186)/ (1.132.669-4186) = -0,21 X5 = ( X - Xmin ) / ( Xmaks - Xmin )= (4186 -4186)/ (1.132.669-4186) = 0

Mencari nilai maksimum dan minimum untuk variabel Merbau Nilai maksimum (Xmaks) = 1.230.338

X1= ( X - Xmin ) / ( Xmaks - Xmin ) = (15.699- 6957)/ (1.230.338-6957) = 0,42 X2 = ( X - Xmin ) / ( Xmaks - Xmin ) = (0- 6957)/ 1.230.338-6957) = 0

X3= ( X - Xmin ) / ( Xmaks - Xmin ) = (1.230.338- 6957)/ (1.230.338-6957) = 1 X4 = ( X - Xmin ) / ( Xmaks - Xmin ) = (6.957- 6957)/ (1.230.338-6957) = 0 X5 = ( X - Xmin ) / ( Xmaks - Xmin ) = (41.587- 6957)/ (1.230.338-6957) = -0,005

Tabel 6. Hasil penjumlahan cluster

DAS C1 C2 C3 C4 C5

(6)

DAS C1 C2 C3 C4 C5

Padang 0 0,38 1 0,32 0 Hapal 0 0 0,76 0,63 0,23 Bolon 0 0,15 0,94 0,02 0 Parupuk 0 0,003 0,37 -0,21 0 Merbau 0,42 0 1 0 -0,005

Tabel 7. Hasil iterasi

DAS C1 C2 C3 C4 C5 Wampu * ** *

ULar * **

Bedagai * ** *

Padang * ** *

Hapal * **

Bolon * ** *

Parupuk * ** *

Merbau ** *

Data yang akan diolah untuk tahapan ke aplikasi/program yang di jalankan adalah data dari tahun 2015 s/d 2016.

Gambar 1. Tampilan Diagram Total

4. KESIMPULAN

Sebagai penutup pembahasan, diambil kesimpulan-kesimpulan, yaitu:

1. Algoritma K-Means mampu mengelompokan data DAS menjadi beberapa kelompok sesuai kemiripan dan karekteristik masing-masing dengan Tingkat validasi data antara data hasil dengan hasil penghitungan manual 2. Aplikasi Weka digunakan sebagai aplikasi pengujian menganalisa wilayah lahan DAS kritis, Serta mudah

dipahami oleh pengguna aplikasi.

3. Maka dari perhitungan ,terdapat hasil penempatan tabel tersebut di simpulkan bahwa wilayah yang memiliki tingkat lahan yang kritis adalah Karo dengan jumlah terbesar.

REFERENCES

[1] R. Andrilla, “PENERAPAN STAKEHOLDER RELATIONSHIP MANAGEMENT PLUS (SRM+) DALAM PENGELOLAAN

COMMUNITY DEVELOPMENT DI AREA OPERASIONAL TOTAL E&P INDONESIE,” ilmu komunikasi, vol. 2, pp. 335-336,

2014.

[2] S. Haryati, “IMPLEMENTASI DATA MINING UNTUK MEMPREDIKSI,” Jurnal Media Infotama, vol. 11, p. 131, 2015.

[3] A. RONALD ADRIAN, “Penerapan Metode K-Means Untuk Clustering Mahasiswa Berdasarkan Nilai Akademik,” JURNAL ILMIAH

SEMESTA TEKNIKA, vol. 18, p. 78, 2015.

[4] S. M. “PENERAPAN DATA MINING DENGAN METODE CLUSTERING,” Prosiding Seminar Ilmiah Nasional Teknologi

Komputer , vol. 1, p. 31, 2015.

[5] B. SULISTYO , “Kajian perubahan tingkat kekritisan lahan sebagai akibat proses,” PROS SEM NAS MASY BIODIV INDON, vol. 1,

p. 829, 2015.

(7)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 214 vol. 6, no. 2, 2017.

[7] R. D. Sitepu and E. Buulolo, “Implementasi Algoritma Nearest Neighbor Pada Sistem Penerimaan Pegawai Baru Pada MTS Ikhwanuts

Tsalits Talun Kenas,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. I, no. 1, pp. 1–13, 2017.

[8] F. T. Waruwu, E. Buulolo, and E. Ndruru, “IMPLEMENTASI ALGORITMA APRIORI PADA ANALISA POLA DATA PENYAKIT

MANUSIA YANG DISEBABKAN OLEH ROKOK,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. I, no. 1, pp. 176– 182, 2017.

[9] H. Widayu, S. D. Nasution, N. Silalahi, and M. Mesran, “DATA MINING UNTUK MEMPREDIKSI JENIS TRANSAKSI NASABAH