PENERAPAN SPATIAL DECISION TREE UNTUK
IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN
ALGORITME C4.5
NAPTHALENA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
PENERAPAN SPATIAL DECISION TREE UNTUK
IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN
ALGORITME C4.5
NAPTHALENA
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
ABSTRACT
NAPTHALENA. Application of Spatial Decision Tree in Identifiying Mangrove Area Using C4.5 Algorithm. Under the direction of IMAS SUKAESIH SITANGGANG and SONY HARTONO WIJAYA.
Mangrove forests have a lot of benefits for life, such as beach abration protector, building material and fuel, as well as meal supplier for plankton. Therefore, mangrove forest should be protected and developed. Mangrove forests are located along tropical and subtropical beach that are influenced by tide water. East Kalimantan is one of provinces in Kalimantan that has potential coast teritory for mangrove’s growth. In one region there are some districts which have larger mangrove potency than neighbor districts. For that, it is required a spatial analysis for mangrove area identification in order to be able to know description of potential region for mangrove’s growth. One of techniques in extracting knowledge in spatial database is spatial data mining.This research uses a spatial data mining method, especially spatial decision tree using C4.5 algorithm to develop a classifier to predict new data of mangrove area. This research applies the Spatial Join Index (SJI) and the complete operator to apply conventional classification technique in spatial database. The SJI is created using topological relation to find relation between two spatial objects, then the result is simplified using complete operator. The result of this research shows that classes of mangrove area are described by some attributes : slope, topography, substrat, and landuse. The classifier contains 23 rules with 60,66% accuracy.
Judul : Penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5
Nama : Napthalena NRP : G64052303
Menyetujui:
Pembimbing I, Pembimbing II,
Imas Sukaesih Sitanggang, S.Si, M.Kom Sony Hartono Wijaya, S.Kom, M.Kom NIP 197501301998022001
Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. drh. Hasim, DEA NIP 196103281986011002
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan hidayah-Nya sehingga tugas akhir dengan judul penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5 dapat terselesaikan. Penelitian ini dilaksanakan mulai Februari 2009 sampai dengan Juni 2009, bertempat di Departemen Ilmu Komputer.
Terima kasih penulis ucapkan kepada Ibu Imas S. Sitanggang, S.Si, M.Kom selaku pembimbing pertama dan Bapak Sony H. Wijaya, S.Kom, M.Kom selaku pembimbing kedua yang telah banyak memberi arahan selama penulis menjalankan penelitian. Penghargaan juga penulis sampaikan kepada Bapak Tomi, Bapak Syukur, dan Ibu Mulya atas segala diskusi, saran, serta data yang digunakan dalam penelitian ini. Tak lupa, ungkapan terima kasih kepada rekan-rekan Ilkom 42, FAMLAR (Adet, Mirna, Medria, Prita, Indra, Ijun, Huda, Nila, dan Ovie), rekan-rekan Basket FMIPA (Gae, Eyyi, Riken, Ami, dan Wiwid) atas diskusi, kebersamaan, canda, dan tawa selama penulis menempuh studi dan menjalankan penelitian. Terakhir, ungkapan terima kasih disampaikan kepada ayah, ibu, kakak, adik, serta seluruh keluarga atas doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, Juni 2009
RIWAYAT HIDUP
Penulis dilahirkan di Bogor pada tanggal 9 September 1986 dari ayah Achmad Kosasih dan Ibu Yenni Karmila. Penulis merupakan anak kedua dari tiga bersaudara.
Tahun 2005, penulis lulus dari SMUN 5 Bogor dan pada tahun yang sama penulis diterima di Institut Pertanian Bogor (IPB) melalui jalur USMI. Tahun 2007, penulis diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Tahun 2008, penulis menjalankan kegiatan praktik lapangan di Ditjen Kelautan, Pesisir, dan Pulau-pulau Kecil Departemen Kelautan dan Perikanan (KP3K DKP) dengan judul Pembuatan Modul untuk Menampilkan Peta pada Sistem Informasi Geografis Potensi Kelautan dan Pulau-pulau Kecil.
Selama menjalani perkuliahan, penulis pernah menjadi anggota Badan Eksekutif Mahasiwa Fakultas Matematika dan Pengetahuan Alam (BEM FMIPA) Divisi Pengembangan Sumber daya Mahasiswa (PSDM) tahun 2006. Pada tahun 2008, penulis pernah menjadi finalis lomba Data Mining tingkat nasional (Gemastik 2008). Selain itu, penulis juga pernah menjadi asisten mata kuliah Data Mining pada tahun akademik 2008/2009.
iv DAFTAR ISI Halaman DAFTAR TABEL ... v DAFTAR GAMBAR ... v DAFTAR LAMPIRAN ... v PENDAHULUAN Latar Belakang ... 1 Tujuan ... 1 Ruang Lingkup ... 1 Manfaat Penelitian ... 1 TINJAUAN PUSTAKA Data Spasial ... 2
Spatial Data Mining ... 2
Spatial Decision Tree ... 2
Spatial Join Index... 2
Operator Complete ... 2 Algoritme K-Means ... 3 Algoritme C4.5 ... 3 Confusion matrix ... 2 METODE PENELITIAN Pengadaan Data... 5 Seleksi Data ... 5 Praproses Data ... 5
Penentuan Data Uji dan Data Latih ... 6
Klasifikasi Menggunakan Spatial Decision Tree ... 6
Akurasi Classifier ... 6
Penggunaan Classifier pada Data Baru ... 6
Pengembangan Sistem ... 6
HASIL DAN PEMBAHASAN Pengadaan Data... 7
Seleksi Data ... 7
Praproses Data ... 7
Penentuan Data Uji dan Data Latih ... 9
Klasifikasi Menggunakan Spatial Decision Tree ... 9
Akurasi Classifier ... 10
Penggunaan Classifier pada Data Baru ... 11
KESIMPULAN DAN SARAN Kesimpulan ... 11
Saran ... 12
DAFTAR PUSTAKA ... 12
v DAFTAR GAMBAR
Halaman
1 Topological Biner (Sekhar & Chawla 2003) ... 2
2 Spatial Join Index (Zeitouni & Chelghoum 2004) ... 2
3 Ilustrasi Penggunaan Operator Complete (Zeitouni & Chelghoum 2004) ... 3
4 Tahapan Penelitian ... 4
5 Tahapan Praproses... 5
6 Penentuan Kelas Target ... 6
7 Model Pohon Keputusan... 7
DAFTAR TABEL Halaman 1 Confusion matrix ... 4
2 Jumlah record tabel SJI ... 8
3 Hsil clustering luas area... 8
4 Jumlah jenis kategori ... 8
5 Label kelas ... 8
6 Atribut data latih ... 9
7 Tipe data dalam file Arff ... 9
8 Confusion matrix ... 10
9 Data contoh ... 11
DAFTAR LAMPIRAN Halaman 1 Praproses secara rinci ... 14
2 Nama kelurahan ... 15
3 Luas area kelurahan di Kabupaten Kutai Timur dan Kota Tarakan ... 16
4 Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse ... 18
5 Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse ... 19
6 Inisialisasi kategori ... 21
7 Hasil perhitungan rasio luas area mangrove terhadap kelurahan ... 24
8 Tabel gabungan SJI ... 26
9 Transformasi data ... 28
1 PENDAHULUAN
1.1 Latar Belakang
Hutan mangrove tumbuh dan tersebar di wilayah Indonesia terutama di wilayah pesisir. Wilayah pesisir merupakan suatu wilayah peralihan antara darat dan lautan. Ditinjau dari garis pantai, suatu wilayah pesisir memiliki dua macam batas, yaitu batas yang sejajar dengan garis pantai dan batas yang tegak lurus terhadap garis pantai. Daerah penyebaran hutan mangrove di Indonesia terluas terdapat di Irian Jaya, yaitu lebih kurang 1.350.600 ha, kemudian Kalimantan 978.200 ha (Dahuri 2003).
Hutan mangrove memiliki banyak manfaat bagi kehidupan, diantaranya sebagai peredam badai angin, pelindung abrasi pantai, bahan bangunan dan bahan bakar, pemasok hara dan makanan bagi plankton, dan lain-lain. Oleh karena itu, hutan mangrove perlu dijaga dan dikembangkan pertumbuhannya. Hutan mangrove hidup di sepanjang pantai tropis dan subtropis yang dipengaruhi oleh pasang surut air. Kalimantan Timur merupakan salah satu provinsi di Pulau Kalimantan yang memiliki wilayah pesisir yang potensial untuk pertumbuhan mangrove, yaitu di wilayah kabupaten Kutai Timur dan Kota Tarakan. Provinsi Kalimantan Timur memiliki 618.200 ha luas lahan hutan mangrove (Dahuri 2003). Hutan mangrove tumbuh di daerah tersebut dan tersebar tidak secara merata. Pada satu wilayah terdapat beberapa daerah yang memiliki potensi mangrove yang lebih luas dibandingkan daerah sekitarnya, meskipun daerah tersebut sudah memenuhi kriteria untuk pertumbuhan hutan mangrove. Oleh karena itu diperlukan suatu analisis spasial untuk identifikasi lahan mangrove sehingga dapat diketahui deskripsi wilayah yang potensial untuk mengembangkan mangrove.
Ditjen Kelautan, Pesisir dan Pulau-pulau Kecil (KP3K) telah melakukan pemetaan baik secara langsung dari citra satelit untuk memetakan daerah persebaran pertumbuhan mangrove pada suatu wilayah maupun survey lapangan hingga level kelurahan. Salah satu metode untuk pengolahan dan menganalisis data adalah spatial data mining untuk mengekstraksi informasi atau pola yang penting dari data di dalamnya.
Salah satu teknik dalam spatial data mining adalah klasifikasi spasial. Klasifikasi spasial bertujuan memberikan sebuah label atau menentukan kelas dari sebuah objek berdasar
nilai atribut yang ada dalam spasial dataset dengan memperhatikan objek tetangganya. Salah satu metode klasifikasi spasial adalah
spatial decision tree. Penelitian ini akan
menggunakan metode spatial decision tree untuk membuat classifier dari data spasial terkait dengan hutan mangrove.
1.2 Tujuan
Tujuan dari penelitian ini adalah :
1 Menerapkan teknik klasifikasi pada data spasial mangrove menggunakan Algoritme C4.5
2 Membuat spatial classifier untuk mendeskripsikan wilayah yang memiliki lahan mangrove.
1.3 Ruang Lingkup
Classifier dibangun menggunakan data
spasial terkait dengan hutan mangrove di wilayah provinsi Kalimantan Timur, yaitu Kabupaten Kutai Timur dan Kota Tarakan dengan level wilayah terendah adalah kelurahan. Pembuatan decision tree
menggunakan Algoritme C4.5 dan data spasial yang digunakan diantaranya data mengenai mangrove, administrasi kelurahan, sungai, topografi, landuse, geologi, geomorfologi, lereng, dan tanah.
1.4 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan manfaat sebagai bahan pertimbangan bagi pemerintah dan pihak-pihak yang terkait dalam mengembangkan potensi mangrove di suatu wilayah.
TINJAUAN PUSTAKA 2.1 Data Spasial
Data spasial adalah data yang merepresentasikan aspek-aspek keruangan dari fenomena yang terdapat di dunia nyata. Data spasial direpresentasikan di dalam basisdata sebagai raster atau vektor. Model data raster menampilkan, menempatkan, dan menyimpan data spasial dengan menggunakan struktur matriks atau piksel-piksel yang membentuk grid sedangkan model data vektor menggunakan titik, garis atau kurva, atau poligon beserta atributnya (Prahasta 2001).
Model informasi spasial terbagi menjadi dua kategori yaitu field dan object. Model object di dalam peta dapat direpresentasikan sebagai line atau polygon. Pada model object, terdapat hubungan antara dua object yang dapat dideskripsikan menggunakan hubungan
2
topological. Contoh hubungan topological
antara dua objek spasial adalah contains, inside, dan overlap yang diilustrasikan pada Gambar 1 (Sekhar & Chawla 2003).
Gambar 1 Topological Biner (Sekhar & Chawla 2003).
2.2 Spatial Data Mining
Basisdata spasial menyimpan data keruangan atau spasial dalam jumlah yang besar, seperti peta, preprocessing remote
sensing atau medical imaging data, dan VLSI chip layout data. Basisdata spasial berbeda
dengan basisdata relasional. Pada basisdata spasial terkandung hubungan topologi atau informasi jarak.
Spatial data mining merupakan proses
ekstraksi pengetahuan, hubungan spasial atau pola-pola lainnya yang tidak secara eksplisit disimpan pada basisdata spasial. Penggabungan
data mining dengan teknologi basisdata spasial
berguna untuk menemukan hubungan spasial dan hubungan antara spasial dan non-spatial, membangun basis pengetahuan spasial, dan mengoptimalkan kueri spasial (Han & Kamber 2006).
2.3 Spatial Decision Tree
Spatial decision tree adalah metode decision tree untuk klasifikasi data spasial.
Metode ini berbeda dari decision tree konvensional dengan mengambil perhitungan yang tersembunyi dalam hubungan spasial antara objek (Zeitouni & Chelgoum 2001). 2.4 Spatial Join Index
Pertimbangan utama dalam spatial data
mining adalah hubungan spasial antara objek.
Tidak seperti model data relasional, hubungan spasial bersifat implicit (tersembunyi). Komputasi spatial relationship memerlukan banyak operasi spatial join, yang dapat memberatkan secara komputasi. Metode untuk menyederhanakan proses ini menggunakan struktur yang disebut Spatial Join Index (SJI)
yang merupakan perluasan dari join indeks dalam kerangka relational database yang diperkenalkan oleh Valduriez yang diilustrasikan pada Gambar 2. SJI menghitung secara tepat hubungan spasial antara dua objek dari dua lapisan tematik (Zeitouni 2000). Hubungan antara dua objek dalam SJI dapat berupa toplogical atau metrik. Setiap tuple (ID1, Spatial_relationship, ID2) yang terdapat pada SJI merepresentasikan hubungan yang terdapat pada pasangan objek spasial yang teridentifiaksi sebagai ID1 dam ID2 (Zeitouni & Chelghoum 2004).
.
Gambar 2 Spatial Join Index (Zeitouni & Chelghoum 2004).
2.5 Operator Complete
Operator complete mengatur kembali data di dalam tabel unik atau khusus dari gabungan tiga tabel ternasuk di dalamnya terdapat tabel hasil dari spatial join index, sehingga didapatkan satu tabel. Prinsip dari operator
complete adalah membangkitkan untuk setiap
nilai atribut dalam tabel terhubung dengan atribut dari tabel hasil. Keuntungan dari penggunaan operator complete adalah menghindari adanya duplikasi analisis objek dan membolehkan penggunaan metode data
mining lain.
Definisi dari operator complete adalah : Misalkan terdapat tiga tabel, yaitu R (ID1, A1,…,An), V(ID2, B1,…,Bm) dan I(ID1, ID2, W). Primary keys setiap tabel ditandai dengan garis bawah. B(i=1,…,m) merupakan atribut kualitatif dan bij(j=1,…,Ki) merupakan nilai yang berbeda (distinct values). Misal F = {F1,F2,…,Fm} adalah suatu kumpulan fungsi agregasi.
COMPLETE (R, V, I, F) adalah sebuah tabel T yang memiliki rancangan skema seperti : T(ID1,A1,…,An,W_b11,…,W_b1K1,…,W_bm1,…, W_bmKm) dengan :
3 t = (id1, a1, a2,…an, W_b11, …, W_b1K1,
…, W_bm1, W_bm2, …, W_bmKm) Є T, - (id1,a1,a2,…,an) = σ (ID1 = Id1) (R), - Jika σ (ID1=Id1) (I) maka W_bij=Fi(σ
(ID1=Id1) (I) ∞ (Bi=bij) (V); W), Selainnya
NULL.
Contoh penggunaan operator Complete diilustrasikan pada Gambar 3 (Zeitouni & Chelghoum 2004).
Gambar 3 Ilustrasi penggunaan Operator
Complete Zeitouni & Chelghoum 2004).
2.6 Algoritme K-Means
Analisis cluster mengelompokkan obyek-obyek data hanya berdasar pada informasi yang terdapat pada data, yang menjelaskan obyek dan relasinya. Tujuan analisis cluster adalah agar objek-objek di dalam grup menjadi mirip (atau berhubungan) satu dengan lainnya, dan berbeda (atau tidak berhubungan) dengan objek dalam grup lainnya. Salah satu teknik dalam clustering adalah algoritme K-means.
K-means merupakan teknik clustering sederhana. Langkah pertama yang dilakukan adalah menentukan K initial centroid, dengan K adalah parameter spesifik yang berupa jumlah dari cluster yang diinginkan. Kemudian Setiap objek dimasukkan ke dalam cluster yang memiliki centroid terdekat dengan objek tersebut. Centroid dalam cluster akan berubah sesuai dengan objek yang terdapat di dalam
cluster. Kemudian langkah penempatan objek
ke dalam cluster dengan centroid terdekat diulang hingga tidak ada objek cluster yang berpindah cluster.
Algoritme dasar dari K-means adalah (Tan et al. 2006)
Tentukan K buah objek sebagai centroid awal. Ulangi
Tandai masing-masing objek untuk K
cluster dimana objek tersebut memiliki centroid terdekat.
Hitung kembali centroid untuk masing-masing cluster.
Sampai tidak ada centroid yang berubah.
2.7 Algoritme C4.5
Algoritme C4.5 adalah pengembangan dari algoritme ID3 untuk membangkitkan pohon keputusan (decision tree). Algoritme C4.5 secara rekursif mengunjungi setiap decision
node, memilih pemisahan (split) atribut yang
optimal, sampai tidak ada pemisahan (split) atribut yang memungkinkan. Algoritma C4.5 menggunakan konsep dari information gain atau
entropy reduction untuk memilih pemisahan
(split) yang optimal dengan memilih split yang memiliki information gain terbesar (Larose 2005).
Information gain didapatkan dengan cara:
-dengan adalah nilai entropy dan didapatkan dengan cara :
I ( S1, S2,…,Sm ) = -
*
log
2(
)
1 i m i ip
p
dengan S berisi s data sample. Anggap atribut untuk kelas memiliki m nilai yang berbeda, Ci (untuk i = 1, …,m). Anggap si adalah jumlah
samples S pada kelas Ci dan adalah probabilitas dari sample yang mempunyai kelas Ci. Sedangkan nilai entropy didapatkan dengan formula :
dengan atribut A memiliki nilai yang berbeda {a1,a2,..av}. Atribut A digunakan untuk mempartisi S menjadi v subset, { S1, S2,...,Sv }, dimana Sj berisi sample pada S yang mempunyai nilai aj dari A. merupakan jumlah sample pada subset yang
mempunyai nilai aj dari A dibagi dengan jumlah total samples pada S.
Algoritme C4.5 dibuat untuk memperbaiki Algoritme ID3 dalam mengatasi missing data, data kontinyu, dan pruning (Santoso 2007).
Secara umum algoritme ID3 dan C4.5 adalah sebagai berikut :
Algoritme ID3 (Han & Kamber 2006) Input : sampel latih, sampel
Output : Decision tree Method :
1 Buat node N;
2 Jika semua sampel memiliki kelas yang sama yaitu C, Maka jadikan node N sebagai leaf node dan beri label C;
4 3 Jika daftar atribut kosong, Maka jadikan
node N sebagai leaf node dengan label =
nilai kelas yang terbanyak pada sampel; 4 Pilih atribut uji, atribut dalam daftar yang
memiliki information gain tertinggi; 5 Beri label node N dengan atribut uji; 6 Untuk setiap nilai ai dalam atribut uji yang
diketahui,
7 Tambahkan cabang di bawah node N untuk atribut uji = ai;
8 Tentukan si sebagai subset dari sampel dimana atribut uji = ai;
9 Jika sampel si kosong,
10 Tambahkan leaf node dengan label = nilai kelas yang terbanyak pada sampel;
11 Selainnya, tambah cabang baru di bawah cabang yang sekarang dengan memanggil fungsi ID3 (si,daftar atribut-atribut uji);
Algoritme C4.5 (Quinlan 1993)
1 Bangun pohon keputusan dari data latih. (ID3 konvensional).
2 Ubah pohon ke dalam bentuk aturan-aturan. Jumlah aturan sama dengan jumlah kemungkinan path dari akar ke daun. 3 Pangkas setiap aturan dengan
menghilangkan precondition sehingga meningkatkan nilai akurasi.
4 Urutkan aturan yang dipangkas berdasar nilai akurasinya, dan gunakan aturan-aturan tersebut pada data uji.
2.8 Confusion Matrix
Evaluasi dari kinerja model didasarkan pada banyaknya (count) dari test record secara benar dan secara tidak benar oleh model klasifikasi.
Count ini ditabulasikan ke dalam matrik yang
diilustrasikan pada Tabel 1 (Tan et al. 2006). Tabel 1 Confusion matrix
Kelas hasil prediksi Kelas = 1 Kelas = 0 Kelas
aktual
Kelas =1 f11 f10 Kelas = 0 f01 f00
Setiap entri fijdi dalam tabel menyatakan banyaknya record dari kelas i yang diprediksi menjadi kelas j. Berdasar entri-entri yang terdapat pada confusion matrix, total banyaknya prediksi yang benar oleh model adalah (f11 + f00) dan total banyaknya prediksi yang salah oleh model adalah (f10 + f01), sehingga akurasi didapatkan dengan cara (Tan et al. 2006) :
Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi
METODE PENELITIAN
Penelitian ini dilaksanakan dalam beberapa tahap seperti yang diilustrasikan pada Gambar 4.
ka
n
Gambar 4 Tahapan penelitian. Pengadaan Data
Data yang akan digunakan pada penelitian ini adalah data spasial wilayah pesisir di provinsi Kalimantan Timur, yaitu Kabupaten Kutai Timur dan Kota Tarakan. Data yang akan digunakan diperoleh dari Ditjen Kelautan Pesisir dan Pulau-pulau Kecil Departemen
5 Perikanan dan Kelautan (KP3K DKP) dan dari
mahasiswa jenjang S3 yang sedang melakukan penelitian di provinsi Kalimantan Timur. Data yang diperoleh dari KP3K DKP adalah tahun 2006 dan data yang diperoleh dari mahasiswa penelitian adalah data tahun 2008.
Seleksi Data
Pada tahap ini, memilih data pada sumber data yang akan dijadikan atribut pada dataset. Praproses Data
Beberapa tahapan yang dilakukan pada tahap praproses secara rinci terdapat pada Lampiran 1 dan diilustrasikan pada Gambar 5. Proses ini dilakukan oleh semua objek spasial yang terkait. Pada Gambar 5, objek spasial yang dijadikan contoh adalah landuse.
1 Perhitungan luas area
Pada tahap ini dilakukan perhitungan luas area objek kelurahan untuk hubungan spasial dengan objek lain dan untuk membentuk kelas target.
2 Penentuan hubungan spasial
Pada tahap ini, ditentukan hubungan spasial antara dua objek spasial, yaitu menggunakan hubungan topological. Operasi yang digunakan adalah operasi intersection
menggunakan perangkat lunak Arcview, sehingga didapatkan luas area yang berpotongan diantara dua objek tersebut. Hasil dari tahap ini adalah tabel spatial
join index dalam format xls yang berisi
ID_kel, ID_objeklain, hubungan_spasial, dan luas area.
3 Penyerdehanaan tabel SJI (Spatial Join
Index)
Pada tahap ini, hasil dari tabel spatial join
index diurutkan berdasar wilayah, hubungan topological, dan jenis atributnya. Kemudian
dihitung total luas area masing-masing wilayah berdasar hubungan topological dan jenis atribut. Luas area selanjutnya dinyatakan dalam persentase terhadap luas wilayah kelurahan. Setelah itu, dilakukan penggunaan operator complete dengan fungsi agregasi MAX untuk menyederhanakan tabel spasial join index, yaitu dengan mengambil nilai terbesar persentase luas area pada setiap jenis atribut. Hasil dari tahap ini adalah tabel SJI yang telah sederhana dalam format xls, berisi ID_kel, jenis, dan luas area.
Gambar 5 Tahapan praproses. 4 Penentuan kategori
Pada tahap ini, dilakukan pengkategorian jenis atribut pada tabel SJI yang telah sederhana berdasar luas area. Proses ini dilakukan menggunakan teknik clustering, yaitu K-means dengan mengelompokkan data ke dalam 3 cluster.
5 Pemberian label kategori
Pada tahap ini, dilakukan pemberian label kategori pada tabel SJI yang telah sederhana sebagai identitas dari atribut jenis dan atribut luas area yang digabungkan berdasar hasil clustering luas area.
6 Penentuan kelas target
Pada tahap ini, dilakukan beberapa proses yang diilustrasikan pada Gambar 6. Objek spasial yang diproses adalah kelurahan dan mangrove.
6 Gambar 6 Penentuan kelas target.
Clustering luas area
Pada tahap ini, dilakukan proses clustering luas area mangrove (dalam %) terhadap kelurahan menggunakan teknik clustering, yaitu K-means. Nilai ini dikelompokkan ke dalam 3 cluster (sedikit, sedang, banyak). Luas area yang bernilai 0 tidak dimasukkan ke dalam proses clustering dan dianggap masuk ke dalam label kelas tidak, sehingga diperoleh empat label kelas yaitu ‘tidak’, ‘sedikit’, ‘sedang’, dan ‘banyak’.
Pemberian label kelas
Pada tahap ini, dilakukan penambahan atribut kelas pada objek kelurahan. Atribut kelas ini berisi kategori tidak, sedikit, sedang, dan banyak berdasar hasil clustering rasio.
7 Penggabungan tabel SJI
Pada tahap ini, dilakukan penggabungan tabel SJI objek lain dengan tabel kelurahan yang telah memiliki atribut kelas.
8 Transformasi data
Pada tahap ini, dilakukan perubahan tabel format xls menjadi format arff agar dapat diproses ke tahap selanjutnya yaitu proses klasifikasi menggunakan perangkat lunak Weka 3.6.0.
Penentuan Data Latih dan Data Uji
Pada tahap ini, dilakukan pemisahan data uji dan data latih menggunakan 10-fold cross
validation untuk mengevaluasi classifier.
Klasifikasi Menggunakan Spatial Decision Tree
Data hasil praproses diolah menggunakan perangkat lunak Weka 3.6.0 dengan menggunakan Algoritme C4.5. Implementasi dari algoritme C4.5 dalam Weka 3.6.0 adalah J48.
Akurasi Classifier
Akurasi dari model pohon yang dihasilkan dihitung menggunakan confusion matrix, yaitu menghitung banyaknya label kelas yang diprediksi benar dibagi total banyaknya prediksi. Jika hasilnya melebihi threshold, yaitu sebesar 60% maka akan diproses ke tahap berikutnya, apabila kurang dari threshold maka akan kembali diproses pada tahap praproses atau tahap penentuan dataset.
Penggunaan Classifier pada Data Baru
Classifier yang terbentuk dapat diterapkan
pada data baru, dimana data tersebut belum memiliki label kelas. Label kelas didapatkan dengan menelusuri model pohon yang terbentuk atau aturan yang telah diturunkan dari model pohon yang dihasilkan pada data latih.
Pengembangan Sistem
Perangkat lunak dan perangkat keras yang digunakan dalam mengembangkan sistem adalah sebagai berikut :
Perangkat Lunak :
1 Arcview 3.3 untuk pemrosesan data spasial.
2 Matlab 7.0 untuk proses clustering. 3 Microsoft Excel 2007 untuk melakukan
proses operator complete
4 Weka 3.6.0 untuk proses klasifikasi. Perangkat keras
1 Processor Intel(R) Pentium(R) 4 CPU 3.06GHz
2 Memory 1280 MB RAM 3 Mouse
4 Keyboard
HASIL DAN PEMBAHASAN Pengadaan Data
Data provinsi Kalimantan Timur yang telah diperoleh sampai level kelurahan. Kabupaten Kutai Timur memiliki 42 wilayah kelurahan sedangkan kota Tarakan memiliki 19 wilayah kelurahan. Secara rinci dijabarkan nama-nama kelurahan dimasing-masing wilayah yang terdapat pada Lampiran 2.
Wilayah Kabupaten Kutai Timur memiliki 39 objek spasial dan wilayah Kota Tarakan memiliki 60 objek spasial.
7 Seleksi data
Data yang digunakan pada penelitian ini diperoleh dari wawancara dengan salah satu pakar dari Ditjen KP3K DKP dan internet (www.acehpedia.org). Data tersebut meliputi : 1 Batas wilayah Kabupaten Kutai Timur
Atribut yang terdapat pada objek ini adalah
shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 2 Batas wilayah Kota Tarakan
Atribut yang terdapat pada objek ini adalah
shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 3 Data Landuse
Data landuse merupakan data yang berisi mengenai tataguna lahan. Atribut yang terdapat pada objek ini adalah shape, ID, dan jenis landuse.
4 Data Topografi
Data topografi merupakan data mengenai ketinggian wilayah dihitung dari atas permukaan laut. Atribut yang terdapat pada objek ini adalah shape, longitude, latitude, Id, tinggi, ellipsoid, dan datumvert. 5 Data Substrat
Data substrat merupakan data yang berisi mengenai substrat pantai yang terkandung di pantai pesisir. Atribut yang terdapat pada objek ini adalah shape, area, perimeter, Id, dan jenis.
6 Data Lereng
Data lereng merupakan data yang berisi mengenai bentuk atau contour. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
7 Data Tanah
Data tanah merupkan data yang berisi mengenai jenis tanah. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
8 Data Geologi
Data geologi merupakan data yang berisi mengenai lapisan kulit bumi atau tanah kedalaman tertentu. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
9 Data Geomorfologi
Data geomorfologi merupakan data yang berisi mengenai bentuk relief atau tinggi rendahnya permukaan bumi atau disebut juga bentang alam yang terbentuk dan terpengaruh oleh tenaga endogen (dari dalam bumi) dan eksogen dari luar bumi (iklim dan cuaca). Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis.
10 Data Sungai
Data sungai merupakan data yang berisi mengenai wilayah yang dilalui oleh aliran sungai. Atribut yang terdapat pada objek ini adalah shape, Id, area, dan nama.
Praproses data
Aktivitas – aktivitas yang dilakukan dalam praproses data adalah sebagai berikut :
1 Perhitungan luas area
Perhitungan luas area kelurahan menggunakan perangkat lunak Arcview 3.3, yaitu dengan menghitung setiap poligon atau area kelurahan. Hasil dari perhitungan luas area wilayah kelurahan dapat dilihat pada Lampiran 3.
2 Penentuan hubungan spasial
Objek spasial direpresentasikan dalam bentuk poligon atau titik. Setiap objek poligon atau titik dianalisis hubungan spasialnya terhadap objek kelurahan.
Hubungan spasial antara objek kelurahan dan objek topografi adalah contains. Objek topografi direprentasikan dalam bentuk titik (point), sehingga pada objek ini tidak dihitung luas area, tetapi ditentukan nilai rata-rata titik ketinggian yang ada di wilayah tertentu. Terdapat beberapa wilayah yang tidak memiliki data ketinggian, yaitu 10 wilayah di kabupaten Kutai Timur dan 6 wilayah di kota Tarakan. Oleh karena itu, nilai ketinggiannya diisikan menjadi 0 (nol) yang berarti tidak ada data. Selain itu, terdapat juga 12 wilayah yang nilai ketinggiannya diisikan dengan nilai ketinggian wilayah tetangganya yang diperoleh menggunakan operasi buffer.
Pada objek geomorfologi, geologi, lereng, dan tanah terdapat tiga hubungan spasial yaitu contains, overlap, dan inside. Pada objek mangrove, landuse dan sungai terdapat dua hubungan spasial yaitu overlap dan contains. Sedangkan pada objek substrat
8 memiliki satu hubungan spasial yaitu
overlap.
Hubungan topological yang terjadi di setiap data menghasilkan banyak record atau yang saling berhubungan. Jumlah
record yang dihasilkan di setiap objek dapat
dilihat pada Tabel 2 dan secara rinci dapat dilihat pada Lampiran 4.
Tabel 2 Jumlah record tabel SJI
Objek spasial Jumlah record
Mangrove 122 Topografi 227 Landuse 431 Substrat 92 Geomorfologi 477 Geologi 290 Lereng 296 Tanah 352
3 Penyederhanaan Tabel Spatial Join Index Pada data tabel SJI mangrove, perhitungan luas area tidak dipisahkan berdasar hubungan topological, melainkan dijumlahkan semua luas area hasil tabel SJI, karena data mangrove hanya memiliki satu jenis.
Pada data yang memiliki tiga hubungan spasial, yaitu data geomorfologi, geologi, lereng dan tanah, hanya dua hubungan saja yang diproses menggunakan operator complete. Hubungan spasial yang diproses
adalah contains dan overlap. Hal ini dilakukan untuk menghindari banyaknya null pada data tersebut dikarenakan jumlah
record yang sedikit memiliki hubungan
spasial inside. Sehingga, record yang memiliki operasi tersebut dianggap 0 (tidak ada).
Proses penyederhanaan tabel spatial join
index ini, menghasilkan record dengan
jumlah 61, sesuai dengan banyaknya wilayah kelurahan yang diamati. Tabel SJI hasil penyederhanaan operator complete dapat dilihat pada Lampiran 5.
4 Penentuan kategori
Terdapat 406 data luas area (persentase) yang dikelompokkan ke dalam 3 cluster dari 6 atribut yaitu landuse, geologi, geomorfologi, tanah, lereng dan substrat. Interval luas area (%) dalam setiap cluster diberikan pada Tabel 3.
Tabel 3 Hasil clustering luas area
Cluster 1 (%) Cluster 2 (%) Cluster 3 (%) 0.01 -30.16 30.87- 70.75 71.2 - 100
5 Pemberian label kategori
Setiap data memiliki kode/simbol dalam merepresentasikan hasil clustering luas area yang digabung dengan atribut jenis. Sehingga dari dua atribut yaitu luas area dan atribut jenis didapatkan satu atribut yang merepresentasikan keduanya dalam bentuk simbol/kode. Banyaknya jenis setiap objek dapat dilihat pada Tabel 4. Kode/simbol setiap objek terdapat pada Lampiran 6. Tabel 4 Jumlah jenis kategori
Objek spasial Jumlah kategori
Landuse 10 Substrat 6 Geomorfologi 14 Geologi 13 Lereng 4 Tanah 5
6 Penentuan kelas target Clustering luas area
Hasil perhitungan rasio luas area mangrove terhadap area kelurahan dapat dilihat pada Lampiran 7. Interval luas area (%) dalam setiap cluster diberikan pada Tabel 5.
Tabel 5 Label kelas
Cluster 1 Cluster 2 Cluster 3
Inte-rval (%) 0.0346 s/d 8.17 9.6871 s/d 26.968 48.641 s/d 66.775 kelas Sedikit Sedang Banyak
Pemberian label kelas
Jumlah record pada data kelurahan untuk setiap label kelas hasil clustering adalah 24
record untuk label kelas tidak, 22 record
untuk label kelas sedikit, 13 record untuk kelas sedang, dan 2 record untuk kelas banyak.
7 Penggabungan Tabel SJI
Hasil penggabungan tabel SJI yang telah ditambahkan kategori dan kelas adalah 14
9 atribut yang akan dijadikan sebagai dataset.
Secara garis besar 14 atribut tersebut dapat dilihat pada Tabel 6 dan secara rinci terdapat pada Lampiran 8.
Tabel 6 Atribut data latih Atribut Nama
1 Topografi 2 Sungai
3 Jenis landuse yang terkandung 4 Jenis landuse yang beroverlap 5 Jenis substrat yang beroverlap 6 Jenis geologi yang terkandung 7 Jenis geologi yang beroverlap 8 Jenis geomorfologi yang
terkandung
9 Jenis geomorfologi yang beroverlap
10 Jenis lereng yang terkandung 11 Jenis lereng yang beroverlap 12 Jenis tanah yang terkandung 13 Jenis tanah yang beroverlap 14 Label kelas
8 Transformasi data
Mengubah format data latih menjadi format arff sehingga dapat diolah ke dalam perangkat lunak Weka 3.6.0. Tipe data dalam file Arff dari masing – masing atribut dapat dilihat pada Tabel 7 dan secara rinci pada Lampiran 9.
Tabel 7 Tipe data dalam file Arff
Atribut Nama Tipe
1 Topografi Numerik
2 Sungai Numerik
3 Jenis landuse yang terkandung
Kategorik
4 Jenis landuse yang beroverlap
Kategorik
5 Jenis substrat yang beroverlap
Kategorik
6 Jenis geologi yang terkandung
Kategorik
7 Jenis geologi yang beroverlap Kategorik 8 Jenis geomorfologi yang terkandung Kategorik 9 Jenis geomorfologi yang beroverlap Kategorik
10 Jenis lereng yang terkandung
Kategorik
11 Jenis lereng yang beroverlap
Kategorik
12 Jenis tanah yang terkandung
Kategorik
13 Jenis tanah yang beroverlap
Kategorik
14 Label kelas Kategorik
Penentuan Data Latih dan Data Uji
Pemisahan data ke dalam data uji dan data latih menggunakan 10-folds cross validation. Data akan dibagi ke dalam 10 bagian (folds), setiap bagian akan digunakan sebagai data uji, dan n-1 bagian (folds) akan dijadikan sebagai data latih. Proses ini dilakukan sebanyak 10 kali.
Klasifikasi Menggunakan Spatial Decision Tree
Dataset yang telah terbentuk diolah dan menghasilkan sebuah model pohon keputusan. Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information gain tertinggi sesuai dengan algoritme C4.5. Di dalam Weka algoritma C4.5 diimplementasikan dengan menggunakan Algoritme J.48. Algoritme J.48 mampu mengolah tipe data numerik dan kategori, hal ini terlihat dari atribut uji yang dihasilkan terdapat atribut uji dengan tipe numerik, yaitu topografi. Selain itu, Algoritme J.48 juga mengolah kelas target bertipe kategorik.
Model pohon yang terbentuk dapat dilihat pada Gambar 7. Atribut yang menjadi atribut uji pada model pohon ini adalah atribut co_lereng (jenis lereng yang terkandung), ov_substrat (jenis substrat yang beroverlap), topografi, dan co_landuse (jenis landuse yang terkandung). Dari pohon tersebut dapat diturunkan 23 aturan yang selengkapnya dapat dilihat di Lampiran 10.
Contoh aturan yang diturunkan dari hasil model pohon keputusan yaitu :
Rules 1 : JIKA 0.01% - 30.16% area memiliki lereng agak curam MAKA area tersebut TIDAK memiliki mangrove.
Rules 2 : JIKA 0.01% - 30.16% area memiliki lereng datar MAKA area tersebut memiliki mangrove dalam kelas SEDANG.
10 Gambar 7 Model pohon keputusan.
Rules 3: JIKA area tidak memiliki lereng DAN 0.01% - 30.16% area bertumpang tindih dengan substrat pasir DAN area memiliki ketinggian > 23 MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT.
Rules 4 : JIKA area tidak memiliki lereng DAN tidak memiliki area yang bertumpang tindih dengan substrat DAN 30.87% - 70.75% area memiliki landuse belukar MAKA area tersebut TIDAK memiliki mangrove.
Rules 5 : JIKA area tidak memiliki lereng DAN tidak memiliki area yang bertumpang tindih dengan substrat DAN 0.01% - 30.16% area memiliki landuse pemukiman MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT.
Akurasi Classifier
Hasil evaluasi metode pohon keputusan dengan algoritme J48 menggunakan perangkat lunak Weka 3.6.0 dapat dilihat pada Tabel 8. Tabel 8 Confusion matrix
Kelas hasil prediksi
0 1 2 3 Kelas aktual 0 20 3 0 1 1 6 13 3 0 2 3 6 4 0 3 1 1 0 0 Keterangan : kelas 0 : Tidak kelas 1 : Sedikit kelas 2 : Sedang kelas 3 : Banyak
Dari confusion matrix diketahui dari 24 data di label kelas tidak, sebanyak 20 data diprediksi
secara benar sebagai label kelas tidak, 3 data diprediksi salah sebagai label kelas sedikit dan 1 data diprediksi salah sebagai label kelas banyak. Dari 22 data di label kelas sedikit, sebanyak 13 data diprediksi secara benar sebagai label kelas sedikit, 6 data diprediksi salah sebagai label kelas tidak, dan 3 data diprediksi salah sebagai label kelas sedang. Dari 13 data di label kelas sedang, sebanyak 4 data diprediksi secara benar sebagai label kelas sedang, 3 data diprediksi salah sebagai label kelas tidak, dan 6 data diprediksi salah sebagai label kelas sedikit. Dari 2 data di label kelas banyak, tidak ada data yang diprediksi secara benar, sebanyak 1 data diprediksi salah sebagai label kelas tidak, dan 1 data diprediksi salah sebagai kelas sedikit. Hal ini diakibatkan oleh sedikitnya jumlah data untuk pelatihan di label kelas banyak yaitu hanya 2 data, sehingga tidak ditemukan pola dalam mengklasifikasikan data ke dalam label kelas banyak. Selain itu, hal yang menyebabkan salah dalam mengklasifikasi pada masing-masing kelas adalah terdapat kemiripan wilayah berdasar pada hasil digitasi citra.
Akurasi model keputusan pohon yang didapatkan adalah :
Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi
=37
61= 0.6066
Hasil dari akurasi classifier menunjukkan keakuratan model pohon yang terbentuk dalam memprediksi data. Akurasi yang didapat yaitu 60.66 %, sehingga telah memenuhi threshold.
11 Tabel 9 Data contoh
Keterangan :
ps1 = pasir dengan area (0.01% -30.16%) ncs = area tidak memiliki substrat h1 = hutan dengan area (0.01% -30.16%) b2 = belukar dengan area (30.87%- 70.75%) pm1= pemukiman dengan area
(0.01% - 30.16%) ncl = area tidak memiliki landuse nclr= area tidak memiliki lereng lb1= lereng datar dengan area (0.01% - 30.16%)
la1= lereng agak curam dengan area (0.01%- 30.16%)
Penggunaan Classifier pada Data Baru Pada tahap ini, terdapat beberapa record data contoh untuk menunjukkan bagaimana penggunaan classifier pada data baru yang belum memiliki label kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi. Untuk pengisian masing-masing record dilakukan dengan cara menelusuri model pohon yang dibuat atau dengan melihat dari aturan pohonnya. Ilustrasi data contoh dapat dilihat pada Tabel 9.
Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 3 dengan nilai test atribut tidak memiliki lereng (nclr), bertumpang tindih dengan substrat pasir (ps1), dan ketinggian wilayah > 23 (30). Dengan demikian label kelas pada record 1 adalah sedikit.
Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse belukar (b2). Dengan demikian label kelas pada
record 2 adalah tidak.
Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse pemukiman (pm1). Dengan demikian label kelas pada record 3 adalah sedikit.
Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai test atribut memiliki lereng datar (lb1). Dengan demikian label kelas pada record 4 adalah sedang.
Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai test atribut memiliki lereng agak curam (la1). Dengan demikian label kelas pada record 5 adalah tidak.
KESIMPULAN DAN SARAN Kesimpulan
Berdasar penelitian yang dilakukan dalam membuat classifier untuk identifikasi lahan mangrove, dapat diambil kesimpulan sebagai berikut :
1 Terbentuknya spasial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. 2 Dari penelitian ini area mangrove
dideskripsikan oleh area yang mengandung lereng, area yang beroverlap dengan substrat, topografi, dan area yang mengandung landuse.
3 Penggunaan spatial join index dan operator
complete dalam menentukan hubungan
spasial antara objek spasial menghasilkan
dataset yang dapat diolah menggunakan
teknik klasifikasi konvensional.
Record Id Topografi … … Substsrat beroverlap Landuse yang terkandung … Lereng yang terkandung … Kelas 1 30 … … ps1 h1 … nclr … ? 2 200 .. .. Ncs b2 … nclr … ? 3 127 … … Ncs pm1 … nclr … ? 4 20 … … Ncs Ncl … lb1 … ? 5 100 … … Ncs Ncl … la1 … ?
12 Saran
Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut agar lebih baik dari yang telah dilakukan adalah sebagai berikut :
1 Untuk memodelkan area mangrove diperlukan keseimbangan dalam jumlah kelas target.
2 Perlu dibuat aplikasi komputer untuk mengimplementasikan proses spatial join
index dan operator complete, terutama
untuk data spasial berukuran besar.
DAFTAR PUSTAKA
Chelghoum N, Karine Z. 2004. Spatial Data
Mining Implementation : Alternatives and performance. Versailles. Prism Laboratory
University of Versailles.
Dahuri, R. 2003. Keanekaragaman Hayati
Laut : Aset Pembangunan Berkelanjutan Indonesia. Jakarta: PT Gramedia Indonesia
Pustaka.
Han J, Kamber M. 2006. Data Mining
Concepts and Techniques. San Diego,
USA: Morgan-Kaufmann.
Larose, T Daniel. 2005. Discovering Knowledge In Data : An Introduction To Data Mining. New Jersey. Wiley-Interscience.
Prahasta E. 2001. Konsep-konsep Dasar
Sistem Informasi Geografis. Bandung:
Informatika.
Quinlan, J.R. 1993. C4.5: Programs For
Machine Learning. San Mateo. CA:
Morgan Kaufmann.
Santoso B. 2007. Data Mining : Teknik
Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Graha Ilmu.
Sekhar S, Chawla S.2003. Spatial Databases a
Tour. New Jersey: Prentice Hall.
Tan P, Michael S. dan Vipin K. 2006.
Introduction to Data Mining. Addison
Wesley.
Zeitouni K, Chelghoum N. 2001. Spatial Decision Tree – Applications to Traffic Risk Analysis. IEEE International Conference on Computer Systems and Applications.
Zeitouni K, Yeh L, Aufaure MA. 2000. Join Indices as a Tool for Spatial Data Mining.
International Workshop on Temporal, Spatial and Spatio-Temporal Data Mining, Lecture Notes in Artificial Intelligence.
102-114.
14 Lampiran 1 Praproses secara rinci
15 Lampiran 2 Nama kelurahan
Kabupaten Kutai Timur No. Nama Kelurahan
1 KARANGAN
2 BATU LEPOQ
3 UPT MUARA KARANGAN
4 TERIAN TERAP
5 BAAY
6 PENGADAN
7 TADOAN
8 UPT. PENGADAN II PEN
9 PELAWAN
10 UPT. PENGADAN I KADU 11 SUSUK DALAM 12 KERAYAAN 13 SEMPAYAU 14 MARUKANGAN 15 MANDU DALAM 16 SANDARAN
17 BUMI ETAM (KAUBUN I) 18 PELAWAN
19 BUMI RAPAK (KAUBUN I) 20 UPT VII PENGADAN 21 BUMI RAPAK (KAUBUN II) 22 SAKA
23 UPT VI PENGADAN 24 BENUA BARU I 25 BENUA BARU II
26 KAUBUN III BUMI JAYA 27 PERIDAN
28 SUSUK LUAR
29 KAUBUN IV/CIPTA GRAH 30 TANJUNG MANIS
31 MANUBAR
32 PERIDAN I 33 PERIDAN II
34 BUKIT MAKMUR (KALIORANG) 35 BUMI SEJAHTERA (KALIORANG) 36 CIPTA MANUNGGAL JAYA 37 BANGUN JAYA (KALIORANG) 38 PERIDAN III 39 SELENGKO (KALIORANG) 40 KALIORANG 41 PERIDAN IV 42 PERIDAN V Kota Tarakan
No. Nama Kelurahan 1 JUATA LAUT 2 JUATA PERMAI 3 SKIP KAMPUNG SATU 4 JUATA KERIKIL
5 KARANG HARAPAN
6 KAMPUNG ENAM
7 KARANG ANYAR
8 KARANG ANYAR PANTAI
9 KARANG HARAPAN 10 KARANG BALIK 11 KARANG REJO 12 PAMUSIAN 13 SEBENGKOK 14 SELUMIT 1 5 SELUMIT PANTAI 16 KAMPUNG EMPAT 17 GUNUNG LINGKAS 18 LINGKAS UJUNG 19 MAMBURUNGAN
16 Lampiran 3 Luas area kelurahan di Kabupaten Kutai Timur dan Kota tarakan
ID Nama Kelurahan Luas Area (m2)
591 KARANGAN 1.444.324.531
595 BATU LEPOQ 898.491.577,8
614 UPT MUARA KARANGAN 45.635.933,97
637 TEPIAN TERAP 334.651.320,5 642 BAAY 932.241.575,2 645 PENGADAN 156.868.693 646 TADOAN 697.146.432,1 648 UPT. PENGADAN II 19.664.060,31 649 PELAWAN 155.891.902,1 652 UPT. PENGADAN I 16.025.350,74 658 SUSUK DALAM 181.709.157,8 659 KERAYAAN 423.358.765,1 661 SEMPAYAU 415.079.295 662 MARUKANGAN 401.441.855 665 MANDU DALAM 87.418.210,25 669 SANDARAN 1.032.108.506 672 BUMI ETAM 60.973.454,01 673 PELAWAN 554.577,08 678 BUMI RAPAK 3.450.259,03
679 UPT VII PENGADAN 11.531.167
682 BUMI RAPAK 43.585.234,65
683 SAKA 26.228.560,65
686 UPT VI PENGADAN 97.465.582,92
687 BENUA BARU 17.500.037,18
689 BENUA BARU 124.909.777,3
693 KAUBUN III BUMI JAYA 260.325.819,2
695 PERIDAN 31.071.583,83
698 SUSUK LUAR 183.005.593,6
701 KAUBUN IV/CIPTA GRAH 180.876.287,8
703 TANJUNG MANIS 121.352.988,1 705 MANUBAR 282.052.577,9 710 PERIDAN 5.342.427,96 711 PERIDAN 1.347.47.701,4 715 BUKIT MAKMUR 114.062.808,2 716 BUMI SEJAHTERA 51.695.118,5
718 CIPTA MANUNGGAL JAYA 31.987.819,31
721 BANGUN JAYA 28.853.507,83 722 PERIDAN 1.263.263,96 725 SELENGKO 29.928.426,48 729 KALIORANG 16.671.291,51 739 PERIDAN 824.202,18 746 PERIDAN 6.791.510,75 316 JUATA LAUT 69.376.157,47 323 JUATA PERMAI 16.640.069,31
329 SKIP KAMPUNG SATU 36.228.838,83
331 JUATA KERIKIL 8.999.904
333 KARANG HARAPAN 9.614.122,52
334 KAMPUNG ENAM 25.703.665,63
337 KARANG ANYAR 3.721.191,16
339 KARANG ANYAR RANTAI 10.924.166,74
340 KARANG HARAPAN 519.192,73
17 Lampiran 3 Lanjutan
ID Nama Kelurahan Luas Area (m2)
346 KARANG REJO 7.190.588,5 347 PAMUSIAN 5.978.858,16 349 SEBENGKOK 6.132.261,14 351 SELUMIT 1.135.408,97 355 SELUMIT PANTAI 3.658.583,82 356 KAMPUNG EMPAT 18.086.331,36 358 GUNUNG LINGKAS 2.883.528,5 360 LINGKAS UJUNG 5.675.586,5 361 MAMBURUNGAN 17.398.129,89
18 Lampiran 4 Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse
ID1 hubungan spasial ID2 Area terinterseksi (m2) jenis 591 contains 43 18.821.241,88 Belukar 591 contains 44 1.317,17 Belukar 591 contains 45 28.445.116,8 Belukar 591 contains 46 125.817.893,4 Belukar 591 contains 47 17.515.342,58 Belukar 591 contains 105 3.815.142,39 Belukar 591 contains 174 13.858.860,29 Belukar 591 contains 197 64.698.299,97 Belukar 591 overlap 171 17.515.342,58 Belukar 591 contains 25 3.034.023,62 Hutan 591 contains 170 145,08 Hutan 591 contains 22 934.404.728,7 Hutan 591 overlap 230 20.9351,4 Perkebunan/Kebun 591 overlap 231 9.996.008,81 Perkebunan/Kebun 591 contains 111 21.653.777,26 Perkebunan/Kebun 591 overlap 73 2.412.184,93 Rumput 591 contains 74 345.977,64 Tanah Kosong 591 contains 9 1.775.531,18 Tanah Kosong 595 contains 50 2.212.195,78 Belukar 595 overlap 150 345.272.459,5 Belukar 595 contains 206 21.030.208,75 Hutan 595 overlap 205 432.963.940 Hutan 595 contains 204 28.943,96 Ladang/tegalan 595 contains 155 224.695,24 Ladang/tegalan 595 contains 159 862.233,44 Ladang/tegalan 595 contains 175 52.140.000,75 Perkebunan/Kebun 595 overlap 174 250.870.639,5 Perkebunan/Kebun 595 overlap 193 4.952.438,1 Perkebunan/Kebun 595 contains 110 9.632,92 Perkebunan/Kebun 595 contains 197 1.068.510,44 Perkebunan/Kebun 595 contains 171 136.355,39 Perkebunan/Kebun 595 contains 227 562.915,58 Perkebunan/Kebun 595 contains 168 8.630.535,55 Rumput 595 contains 161 1.610.659,56 Rumput 595 contains 228 55.075,19 Tanah Kosong 595 contains 166 208.373,12 Tanah Kosong 595 contains 165 32.536,31 Tanah Kosong 595 contains 229 336.023,7 Tanah Kosong 595 contains 74 1.051.733,43 Tanah Kosong 595 contains 9 1.101.287,769 Tanah Kosong
19 Lampiran 5 Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse
ID1 Area yang mengandung landuse (%) jenis landuse
591 18.90 belukar 595 6.00 perkebunan 614 0.00 not contains 637 1.21 perkebunan 642 2.85 tanah kosong 645 3.97 hutan 646 0.01 belukar 648 0.00 not contains 649 2.28 rumput 652 0.00 not contains 658 0.00 not contains 659 0.55 perkebunan 661 0.00 not contains 662 1.20 hutan 665 0.00 not contains 669 13.79 hutan 672 4.63 belukar 673 0.00 not contains 678 0.00 not contains 679 0.00 not contains 682 2.52 rumput 683 0.00 not contains 686 0.00 not contains 687 6.85 ladang 689 3.69 belukar 693 2.99 belukar 695 0.00 not contains 698 0.79 ladang 701 0.00 not contains 703 0.54 perkebunan 705 1.65 ladang 710 74.50 belukar 711 14.53 perkebunan 715 0.35 tanah kosong 716 0.00 not contains 718 0.00 not contains 721 7.20 perkebunan 722 81.69 hutan 725 0.00 not contains 591 1.21 belukar 595 48.19 hutan 614 53.04 belukar 637 51.45 belukar 642 83.34 belukar 645 93.62 belukar 646 83.17 hutan 648 0.00 not contains 649 62.16 belukar
20 Lampiran 5 Lanjutan
ID1 Area yang beroverlap dengan landuse (%) Jenis landuse
652 0.00 not contains 658 87.16 hutan 659 71.38 hutan 661 96.47 belukar 662 69.88 belukar 665 49.20 belukar 669 46.06 belukar 672 21.45 perkebunan 673 0.00 not contains 678 0.00 not contains 679 0.00 not contains 682 38.56 belukar 683 58.25 perkebunan 686 6.92 belukar 687 0.00 not contains 689 55.83 belukar 693 92.12 belukar 695 70.75 belukar 698 95.84 belukar 701 95.44 belukar 703 94.11 belukar 705 46.30 belukar 710 0.00 not contains 711 58.86 belukar 715 94.77 belukar 716 88.71 belukar 718 90.35 belukar 721 76.75 belukar 722 0.00 not contains
21 Lampiran 6 Inisialisasi kategori
Objek substrat Interval area
(%)
Kelompok area Lanau Pasir Pasir
lumpuran
karang Pasir lanauan
(0.01–30.16) ln1 ps1 plm1 kr1 pln1 (30.87–30.75) ln2 ps2 plm2 kr2 pln2 (71.2 - 100) ln3 ps3 plm3 kr3 pln3 (0.00) ncs Objek lereng Interval area (%) Kelompok area Agak curam datar landai (0.01–30.16) la1 lb1 lc1 (30.87–30.75) la2 lb2 lc2 (71.2 - 100) la3 lb3 lc3 (0.00) nclr Objek Tanah Interval area (%) Kelompok area Aluvial Komplek padsolik merah
kuning, latosol, dan litosol Padsolik, merah kuning podsol (0.01–30.16) ta1 tb1 tc1 td1 (30.87–30.75) ta2 tb2 tc2 td2 (71.2 - 100) ta3 tb3 tc3 td3 (0.00) nct
22 Lampiran 6 Lanjutan Objek Landuse Objek Geologi Interval area (% ) Kelompok area Aluvium Bagian bawah terdiri dari
konglomerat dab batu pasir dengan sisipan
Bagain bawah , batu lumpur dan batu gamping, kaya foraminifera Batu gamping, coral berwarna putih berlapis Kerakal, kerikil, pasir, lempung, lanau, lempeng Lempung, lanau, pasir, kerikil, merupakan endapan suungai Napal bersisipan lempung dan batu gamping Bagian bawah terdiri dari konglomera t dan breksi aneka bahan Batu gamping terumbu, batu gamping kapuran, sisipan napal Batu gamping dengan sisipan napal, serpih kelabu dan pasir Formasi sajau : batu pasir, kuarsa, dan batu lempung Napal bersisip an lempun g, batu gampin g napalan dan moluska .
(0.01 –0.16) ga1 gb1 gc1 gd1 ge1 gf1 gg1 gh1 gi1 gj1 gk1 gl1
(30.87– 30.75)
ga2 gb2 gc2 gd2 ge2 gf2 gg2 gh2 gi2 gj2 gk2 gl2
(71.2-100) ga3 gb3 gc3 gd3 ge3 gf3 gg3 gh3 gi3 gj3 gk3 gl3
(0.00) ncg
Interval area (% )
Kelompok area
Belukar Ladang Pemukiman Perkebunan Empang/tambak Hutan/hutan lebat rumput Semak/belukar Tanah kosong (0.01 –0.16) b1 l1 pm1 p1 e1 h1 r1 s1 t1 (30.87– 30.75) b2 l2 Pm2 p2 e2 h2 r2 s2 t2 (71.2-100) b3 l3 pm3 p3 e3 h3 r3 s3 t3 (0.00) ncl L am p ir an 6 L an ju ta n 2 2
23 Objek Geomorfologi Interval area (% ) Kelompok area Blok perbukitan, lereng tak teratur, igir pipih, dan run
Dataran aluvial luas Dataran pantai selalu tergenang Dataran pantai tergenang musiman Jalur kelokan sungai Komplek perbukitan lipatan, puncak tak beratur/beragam Pegunungan kars dengan puncak pipih memanjang Perbukitan kars dengan puncak membulat Rawa pantai Teras marin Pegunungan dendusional tertoreh lanjut. Pegunung an dendusion al, lereng miring Perbukit an kars dengan puncak pipih dan runcing (0.01 – 0.16)
gma1 gmb1 gmc1 gmd1 gme1 gmf1 gmg1 gmh1 gmi1 gmj1 gmk1 gml1 gmm1
(30.87– 0.75)
gma2 gmb2 gmc2 gmd2 gme2 gmf2 gmg2 gmh2 gmi2 gmj2 gmk2 gml2 gmm2
(71.2-100)
gma3 gmb3 gmc3 gmd3 gme3 gmf3 gmg3 gmh3 gmi3 gmj3 gmk3 gml3 gmm3
(0.00) ncgm L am p ir an 6 L an ju ta n 2 3
24 Lampiran 7 Hasil perhitungan rasio mangrove terhadap kelurahan
ID1 Nama Kelurahan
luas area kelurahan (m2)
luas area mangrove
(m2) rasio (%) kelas
591 KARANGAN 1.444.324.531 0 0.00 tidak
595 BATU LEPOQ 898.491.577,8 0 0.00 tidak
614 UPT MUARA KARANGAN 45.635.933,97 0 0.00 tidak
637 TEPIAN TERAP 334.651.320,5 0 0.00 tidak
642 BAAY 932.241.575,2 0 0.00 tidak
645 PENGADAN 156.868.693 0 0.00 tidak
646 TADOAN 697.146.432,1 0 0.00 tidak
648 UPT. PENGADAN II 19.664.060,31 0 0.00 tidak
649 PELAWAN 155.891.902,1 16755313.67 10.75 sedang
652 UPT. PENGADAN I 16.025.350,74 0 0.00 tidak
658 SUSUK DALAM 181.709.157,8 0 0.00 tidak
659 KERAYAAN 423.358.765,1 11408043.1 2.69 sedikit
661 SEMPAYAU 415.079.295 6575840.75 1.58 sedikit
662 MARUKANGAN 401.441.855 2226986.08 0.55 sedikit
665 MANDU DALAM 87.418.210,25 13937776.53 15.94 sedang
669 SANDARAN 1.032.108.506 12922618.98 1.25 sedikit
672 BUMI ETAM (KAUBUN I) 60.973.454,01 11572870.43 18.98 sedang
673 PELAWAN 554.577,08 370319.54 66.78 banyak
678 BUMI RAPAK (KAUBUN I 3.450.259,03 529682.13 15.35 sedang
679 UPT VII PENGADAN 11.531.167 0 0.00 tidak
682 BUMI RAPAK (KAUBUN I 43.585.234,65 11754257.35 26.97 sedang
683 SAKA 26.228.560,65 1996514.85 7.61 sedikit
686 UPT VI PENGADAN 97.465.582,92 0 0.00 tidak
687 BENUA BARU 17.500.037,18 4288739.98 24.51 sedang
689 BENUA BARU 124.909.777,3 27774425.75 22.24 sedang
693 KAUBUN III BUMI JAYA 260.325.819,2 90131.26 0.03 sedikit
695 PERIDAN 31.071.583,83 1949506.51 6.27 sedikit
698 SUSUK LUAR 183.005.593,6 1271083.51 0.69 sedikit
701 KAUBUN IV/CIPTA GRAH 180.876.287,8 0 0.00 tidak
703 TANJUNG MANIS 121.352.988,1 5246605.64 4.32 sedikit
705 MANUBAR 282.052.577,9 29115589.56 10.32 sedang
710 PERIDAN 5.342.427,96 0 0.00 tidak
711 PERIDAN 1.347.47.701,4 11008858.24 8.17 sedikit
715 BUKIT MAKMUR (KALIOR 114.062.808,2 0 0.00 tidak
716 BUMI SEJAHTERA (KALI 51.695.118,5 5502848.96 10.64 sedang 718 CIPTA MANUNGGAL JAYA 31.987.819,31 782896.16 2.45 sedikit 721 BANGUN JAYA (KALIORA 28.853.507,83 200280.44 0.69 sedikit
722 PERIDAN 1.263.263,96 0 0.00 tidak
725 SELENGKO (KALIORANG 29.928.426,48 0 0.00 tidak
25 Lampiran 7 Lanjutan
ID1 Nama Kelurahan
luas area kelurahan (m2)
luas area mangrove
(m2) rasio (%) kelas
739 PERIDAN 824.202,18 0 0.00 tidak
746 PERIDAN 6.791.510,75 1195407.46 17.60 sedang
316 JUATA LAUT 69.376.157,47 514769.57 0.74 sedikit
323 JUATA PERMAI 16.640.069,31 1960051.5 11.78 sedang
329 SKIP KAMPUNG SATU 36.228.838,83 111560.68 0.31 sedikit
331 JUATA KERIKIL 8.999.904 0 0.00 tidak
333 KARANG HARAPAN 9.614.122,52 111948.61 1.16 sedikit
334 KAMPUNG ENAM 25.703.665,63 70103.78 0.27 sedikit
337 KARANG ANYAR 3.721.191,16 0 0.00 tidak
339 KARANG ANYAR RANTAI 10.924.166,74 417071.52 3.82 sedikit
340 KARANG HARAPAN 519.192,73 252540.9 48.64 banyak
344 KARANG BALIK 2.325.929,58 0 0.00 tidak
346 KARANG REJO 7.190.588,5 487898.13 6.79 sedikit
347 PAMUSIAN 5.978.858,16 0 0.00 tidak
349 SEBENGKOK 6.132.261,14 66503.3 1.08 sedikit
351 SELUMIT 1.135.408,97 0 0.00 tidak
355 SELUMIT PANTAI 3.658.583,82 365008.2 9.98 sedang
356 KAMPUNG EMPAT 18.086.331,36 27328.76 0.15 sedikit
358 GUNUNG LINGKAS 2.883.528,5 0 0.00 tidak
360 LINGKAS UJUNG 5.675.586,5 457659.19 8.06 sedikit
26 Lampiran 8 Tabel gabungan SJI
topografi sungai co_landuse ov_landuse ov_susbtrat co_geologi ov_geologi co_geomorfologi ov_geomorfologi co_lereng ov_lereng co_tanah ov_tanah Kelas
779.40 0.26 b1 b1 ncs gb1 gi1 gma2 gmb1 la1 lc1 tb1 tb3 tidak
525.00 0.31 p1 h2 ncs gg1 gg1 gmb1 gmb1 la1 lc2 tb1 tb2 tidak
525.00 0.00 ncl b2 ncs ncg gh2 ncgm gmm2 nclr lc3 nct tb3 tidak
272.43 0.05 p1 b2 ncs gf1 gg2 gmf1 gmb2 la1 lb2 tb1 tb3 tidak
344.97 19.77 t1 b3 ncs gg1 gh1 gmf1 gmk1 nclr la3 nct tb3 tidak
256.50 0.28 h1 b3 ncs ge1 gj2 gme1 gma2 nclr lc3 nct tc3 tidak
0.00 0.44 b1 h3 ncs gg1 gf2 gmg1 gmf1 la1 la3 tb1 ta1 tidak
74.00 0.02 ncl ncl ncs ncg gj2 ncgm gma2 nclr lc3 nct tc3 tidak
28.83 3.54 r1 b2 ncs gf1 gg2 gmi1 gmb2 lb1 lb3 ta1 ta2 sedang
62.00 0.00 ncl ncl ncs ncg ncg ncgm gma3 nclr lc3 nct tc3 tidak 62.00 0.01 ncl h3 ncs gg1 gc2 gmb1 gmh1 nclr la3 nct tb3 tidak 107.25 5.11 p1 h3 ncs gg1 gc2 gmf1 gmh1 nclr la2 nct tb3 sedikit 130.29 0.58 ncl b3 ps1 ncg gj2 ncgm gmf2 nclr lc2 nct tb2 sedikit 58.33 0.11 h1 b2 ln1 gg1 gb1 gmb1 gmf2 nclr la2 nct tb3 sedikit 0.00 1.72 ncl b2 ncs gf1 gc3 gmh1 gml1 lb1 lb3 ta1 tb2 sedang
0.00 0.01 h1 b2 plm1 gd2 gf1 gmf1 gmf1 la1 la3 tb1 tb3 sedikit
86.67 0.76 b1 p1 ps1 gf1 gl3 gmi1 gmf2 lb1 lb2 ta1 tc3 sedang
4.00 2.31 ncl ncl ln1 ncg gf2 gmi2 ncgm lb2 nclr nct nct banyak
0.00 0.00 ncl ncl ln1 gf3 ncg gmi3 ncgm lb1 nclr ta2 nct sedang
87.00 0.00 ncl ncl ncs ncg ncg ncgm ncgm nclr nclr nct tb2 tidak
2.00 4.02 r1 b2 ln1 gf1 gl2 gmi1 gmf1 lb1 lb2 ta1 tc2 sedang
17.00 1.05 ncl p2 ncs ncg gc2 ncgm gmg1 lb1 lb3 nct ta2 sedikit
62.00 0.01 ncl b1 ncs ncg gl1 ncgm gmg1 nclr nclr nct nct tidak
0.00 0.00 l1 ncl ln1 gf3 ncg gmi2 ncgm lb3 nclr ta3 nct sedang
51.00 0.03 b1 b2 ln1 ge1 gf2 gmb1 gmg1 lb1 lb3 ta1 ta3 sedang
117.00 0.13 b1 b3 ncs ncg gl1 ncgm gmf2 nclr la2 nct tb2 sedikit
19.00 0.80 ncl b1 ncs ncg gc3 gmi1 gmf2 nclr lb3 nct ta3 sedikit
32.33 0.00 l1 b3 pln1 ncg ge2 gmg1 gmf2 nclr lb2 nct tb2 sedikit
159.55 0.00 ncl b3 ncs gc1 gl2 gmh1 gmf2 nclr la2 nct nct tidak
28.00 0.33 p1 b3 ln1 gf1 gg2 gmb1 gmg2 nclr lb3 ta1 ta3 sedikit
0.00 2.47 l1 b2 ln1 ncg gf2 gmb1 gmg2 lb1 lb3 ta1 ta1 sedang
0.00 0.00 b3 ncl ln1 gg3 ncg gmb3 ncgm lb3 nclr ta3 nct tidak
34.00 0.00 p1 b2 lm1 ge1 gc2 gmi1 gml2 nclr lb3 nct ta2 sedikit
157.00 0.00 t1 b3 ncs ncg gl2 ncgm gmg2 nclr lc2 nct tb2 tidak 43.00 0.00 ncl b3 kr1 ncg gl2 ncgm gmf2 nclr lb3 nct tc3 sedang 20.00 0.06 ncl b3 pln1 ncg gl3 ncgm gmf3 nclr lb3 nct tc1 sedikit 20.00 0.00 p1 b3 ncs ncg gl3 ncgm gmgf3 nclr lb3 nct tc3 sedikit L am p ir an 8 T ab el g a b u n g a n SJ I 2 6
27 Lampiran 8 Lanjutan
topografi sungai co_landuse ov_landuse ov_susbtrat co_geologi ov_geologi co_geomorfologi ov_geomorfologi co_lereng ov_lereng co_tanah ov_tanah Kelas
0.00 0.00 h3 ncl ln1 gf2 ncg ncgm ncgm lb3 nclr ta2 nct tidak
20.00 0.00 ncl b2 ncs ncg gl2 ncgm gmf2 nclr lb3 nct tb2 tidak
13.00 0.02 h1 b2 ln1 ncg gl3 ncgm gmf3 nclr lb3 nct tb2 sedikit
0.00 0.00 ncl ncl ps1 gf3 ncg gmc3 ncgm lb2 nclr ta1 nct tidak
0.00 0.00 b2 ncl ps1 gg3 ncg gmb2 ncgm nclr lb3 ta2 nct sedang
55.00 0.12 t1 s1 plm1 ncg ga2 ncgm gml2 nclr lb3 nct ta2 sedikit
19.50 1.68 e1 s2 ps1 ncg ga3 ncgm gmj2 nclr lb3 nct ta3 sedang
56.00 0.21 ncl h3 ln1 ncg gk3 ncgm gml3 nclr lb3 nct td2 sedikit 70.00 2.60 ncl h2 ncs ncg gk3 ncgm gml3 nclr lb3 nct td3 tidak 27.00 0.00 pm1 s3 ps1 ncg gk1 ncgm gml3 nclr lb3 nct ta2 sedikit 51.00 0.00 h1 h2 ln1 ncg ga2 gmj1 gmj2 nclr lb3 nct td2 sedikit 0.00 0.00 ncl s2 ncs ncg ncg ncgm ncgm nclr lb3 nct td3 tidak 43.00 0.04 pm1 s2 ps1 ncg gk2 ncgm gmb2 nclr nclr nct td2 sedikit 55.00 0.00 pm1 ncl ps1 ga3 ncg gmd3 ncgm nclr lb1 nct nct banyak 0.00 0.00 ncl s3 ncs ncg ncg ncgm ncgm nclr lb3 nct td3 tidak 43.00 1.73 ncl s2 ln1 ncg ga3 ncgm gmd2 nclr lb3 nct td3 sedikit 23.00 0.00 ncl s3 ncs ncg ncg ncgm gml3 nclr lb3 nct td3 tidak 0.00 0.00 e1 pm2 ln1 ncg gk2 ncgm gmd2 nclr lb3 nct td3 sedikit 0.00 0.00 ncl s2 ncs ncg gk2 ncgm gml3 nclr nclr nct nct tidak 0.00 0.12 pm1 s2 ln1 ncg ncg ncgm gmd3 nclr lb3 nct nct sedang 62.00 0.02 pm1 s2 ncs ncg ncg ncgm gml3 nclr lb3 nct td3 sedikit 9.00 0.00 p1 pm2 plm1 ncg gk3 ncgm gmd3 nclr nclr nct nct tidak 9.00 3.52 pm1 e2 ln1 ncg ga2 ncgm gmd3 nclr lb3 nct td2 sedikit 71.50 0.59 e1 h2 ln1 ncg gk3 ncgm gml3 nclr lb3 nct ta2 sedang L am p ir an 8 L an ju ta n 2 7
