DETEKSI PENCILAN PADA DATA TITIK PANAS
MENGGUNAKAN CLUSTERING
BERBASIS MEDOIDS
MOHAMAD BENTAR CAHYADAHRENA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Deteksi Pencilan pada Data Titik Panas Menggunakan Clustering Berbasis Medoids 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, Februari 2015
Mohamad Bentar Cahyadahrena
ii
ABSTRAK
MOHAMAD BENTAR. Deteksi Pencilan pada Data Titik Panas Berdasarkan
Clustering berbasis K-Medoids. Dibimbing oleh IMAS SUKAESIH
SITANGGANG.
Kebakaran hutan adalah salah satu bencana yang dampaknya sangat merugikan. Kebakaran hutan dan lahan di Indonesia disebabkan oleh beberapa faktor diantaranya, musim kemarau yang panjang, kelalaian manusia dan pihak yang tidak bertanggung jawab yang sengaja membakar demi mencapai tujuan tertentu. Titik panas (hotspot) merupakan indikator terjadinya kebakaran hutan. Tujuan dari penelitian ini adalah mendeteksi pencilan hotspot pada tahun 2001 hingga 2012 yang diperoleh dari FIRM NASA. Deteksi pencilan ini menggunakan metode clustering berbasis medoids yaitu PAM dan CLARA. Hasil algoritme PAM pencilan titik panas terjadi pada nilai k=17 dengan cluster ke 13,14,15,16 dan 17. Algoritme CLARA pencilan titik panas terjadi pada nilai k=19 dengan
cluster ke 14,15,17 dan 19. Algoritme PAM dan CLARA terjadi pada bulan
Februari, Maret, Juni, Juli dan Agustus. Hasil analisis pencilan dapat diharapkan membantu pihak berwenang dalam menentukan daerah yang berpotensi prioritas pencegahan terjadinya kebakaran hutan.
Kata kunci: clustering, deteksi pencilan, kebakaran hutan, k-medoids, titik panas ABSTRACT
MOHAMAD BENTAR CAHYADAHRENA. Outlier Detection in Data Clustering based Hotspots Based K-Medoids. Supervised by IMAS SUKAESIH SITANGGANG.
Forest fire is one of disasters which has a very adverse impact. Land and forest fires in Indonesia are caused by several factors, such as prolonged drought, human negligence and irresponsible parties who deliberately set fire to achieve certain goals. Hotspot is an indicator of forest fires. The purpose of this study is to detect outliers in hotspots in 2001 until 2012. Hotspot data were obtained from the NASA FIRM. The outlier detection was performed using medoid based clustering methods, namely PAM and CLARA. The result of PAM algorithm show that outliers occur in cluster k=17 with medoid 13,14,15,16 and 17. The result of CLARA algorithm show that outliers occur in cluster k = 19 with medoid 14,15,17 and 19. PAM and CLARA algorithm detect outliers in February, March, June, July and August. Clustering results are expected to assist the authorities in determining potential areas for forest fires prevention.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
DETEKSI PENCILAN PADA DATA TITIK PANAS
MENGGUNAKAN CLUSTERING
BERBASIS MEDOIDS
MOHAMAD BENTAR CAHYADAHRENA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR
BOGOR 2015
iv
Penguji 1: Hari Agung Adrianto, SKom MSi
Judul Skripsi : Deteksi Pencilan pada Data Titik Panas Menggunakan Clustering Berbasis Medoids
Nama : Mohamad Bentar Cahyadahrena NIM : G64124070
Disetujui oleh
Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
vi
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Juli 2014 adalah Deteksi Pencilan pada Data Titik Panas Menggunakan Clustering Berbasis Medoids.
Terima kasih penulis ucapkan kepada ayah tercinta M. Dahlan, ibu tercinta Susrina dan seluruh keluarga. Ungkapan terima kasih juga disampaikan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi, Mkom selaku pembimbing, teman – teman Vilbar dan Riverside Gunung Gede, Shofyan, Salman, Dyha Beahaki, Nuke Arincy serta seluruh teman-teman Alih Jenis Ilmu Komputer IPB angkatan 7, atas segala doa dan kasih sayangnya.
Penulis menyadari bahwa karya tulis ini masih jauh dari sempurna karena keterbatasan pengalaman dan pengetahuan yang dimiliki penulis. Oleh karena itu, penulis mengharapkan saran dan kritik yang dapat digunakan untuk perbaikan di masa-masa yang akan datang.
Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2015
DAFTAR ISI
DAFTAR TABEL viii
DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 1
Tujuan Penelitian 1
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE 2
Tahapan Penelitian 2
Pengumpulan Data Titik Panas 3
Clustering Data Titik Panas Menggunakan Algoritme PAM dan CLARA 3
Deteksi Pencilan Titik Panas Berdasarkan Hasil Clustering Terbaik 4
Analisis Pencilan 4
Presentasi Pencilan 4
HASIL DAN PEMBAHASAN 5
Pengumpulan Data Titik Panas 5
Clustering Data Titik Panas Menggunakan Algoritme Berbasis Medoid PAM dan CLARA 6
Algoritme PAM 6
Algoritme CLARA 8
Deteksi Pencilan Titik Panas Berdasarkan Hasil Clustering Terbaik 9
Algoritme PAM 9 Algoritme CLARA 10 Analisis Pencilan 11 Presentasi Pencilan 13 Simpulan 16 Saran 16 DAFTAR PUSTAKA 16 RIWAYAT HIDUP 31
viii
DAFTAR TABEL
1 Hasil clustering menggunakan algoritme PAM pada cluster k=17 6 2 Hasil clustering menggunakan algoritme CLARA pada cluster k=19 8 3 Persentase anggota cluster hasil algoritme PAM dengan nilai k=17 9 4 Presentase anggota cluster hasil algoritme CLARA dengan nilai k=19 10
DAFTAR GAMBAR
1 Tahapan penelitian 2
2 Dekomposisi frekuensi titik panas 6
3 Scatter plot hasil clustering algoritme PAM untuk k=17 7 4 Scatter plot hasil clustering algoritme CLARA untuk k=19 9 5 Plot data titik panas tahun 2001 sampai dengan tahun 2012 12 6 Plot data titik panas tahun 2001 sampai dengan tahun 2012 12 7 Jumlah pencilan algoritme PAM pada setiap bulan pada tahun 2001 -
2012 13
8 Jumlah pencilan algoritme CLARA pada setiap bulan pada tahun 2001
- 2012 13
9 Jumlah objek deteksi pencilan per tahun algoritme PAM 14 10 Jumlah objek deteksi pencilan per tahun algoritme CLARA 14 11 Visualisasi objek deteksi pencilan algoritme PAM 15 12 Visualisasi objek deteksi pencilan algoritme CLARA 15
DAFTAR LAMPIRAN
1 Hasil clustering menggunakan algoritme PAM 17
2 Hasil clustering menggunakan algoritme CLARA 20 3 Visualiasi peta anggota cluster algoritme PAM 23 4 Visualisasi peta anggota cluster algoritme CLARA 25
PENDAHULUAN
Latar BelakangKebakaran hutan menjadi perhatian internasional sebagai isu lingkungan dan ekonomi, khususnya pada tahun 1997/1998 yang menghanguskan lahan hutan seluas 25 juta hektar di seluruh dunia. Menurut (BAPPENAS-ADB 1999) total luas hutan di Indonesia yang terbakar sekitar 9,75 juta ha. Kebakaran dianggap sebagai ancaman potensial bagi pembangunan berkelanjutan karena efeknya secara langsung terhadap ekosistem, peningkatan emisi karbon dan dampaknya bagi keanekaragaman hayati. Kebakaran hutan mengakibatkan masalah yang berulang bahkan selama bertahun-tahun. Indonesia mengalami kebakaran hutan yang paling hebat pada tahun 1997. Lembaga Sosial Masyarakat (LSM) nasional dan internasional memberikan bantuan biaya kebakaran hutan pada tahun 1997/1998 untuk menekan meluasnya masalah kebakaran hutan. Kebijakan dalam mengendalikan kebakaran hutan sangat bervariasi pada sektor kehutanan dan pertanian, perkebunan kelapa sawit dan perkebunan rakyat. Kebijakan tersebut meliputi pelarangan atau pembekuan izin pembukaan lahan, pencegahan kegiatan pembalakan liar dan pemberian hukum bagi pihak yang sengaja membuka lahan dengan cara membakar hutan (Tacconi 2003).
Berbagai studi mengenai kebakaran hutan sudah banyak dilakukan, namun belum banyak mengatasi kebakaran hutan di Indonesia. Pencegahan kebakaran hutan dapat dilakukan salah satunya dengan mengetahui sebaran titik panas. Salah satu penelitian sebelumnya telah dilakukan terkait sebaran titik panas adalah deteksi pencilan titik panas yang dilakukan oleh Baehaki (2014). Deteksi pencilan ini, dilakukan untuk mendapatkan frekuensi kemunculan titik panas yang melampaui batas normal. Informasi mengenai wilayah terjadinya kebakaran hutan dapat digunakan oleh pihak terkait sebagai upaya pencegahan dan kebijakan. Penentuan kebijakan dalam tata guna lahan yang memilki kontribusi dalam terjadinya kebakaran hutan.
Penelitian ini menggunakan metode clustering pada data titik panas tahun 2001 hingga 2012. Teknik data mining yang diterapkan adalah metode clustering dengan pengelompokkan titik panas. Metode clustering yang digunakan adalah metode k-medoids Partitioning Around Medoids (PAM) dan Clustering Large
Application (CLARA). Hasil clustering tersebut selanjutnya dilakukan deteksi
pencilan kolektif. Hasil penelitian ini menyajikan tanggal terjadinya kebakaran hutan dan ditampilkan secara visualiasasi Provinsi Riau dalam bentuk peta.
Perumusan Masalah
Rumusan masalah dalam penelitian ini adalah bagaimana pencilan diidentifikasi dari data titik panas menggunakan metode clustering berbasis k-medoids dan informasi tentang karakteristik pencilan titik panas.
Tujuan Penelitian Tujuan dari penelitian ini adalah:
2
1 Melakukan clustering titik panas menggunakan algoritme berbasis medoids yaitu algoritme PAM dan CLARA.
2 Mendeteksi pencilan titik panas berdasarkan hasil clustering terbaik. 3 Analisis pencilan titik panas yang dihasilkan.
Manfaat Penelitian
Hasil penelitian ini yaitu karakteristik pencilan titik panas yang diharapkan dapat mempermudah pihak terkait dalam pengambilan keputusan dan upaya pencegahan titik panas kebakaran hutan.
Ruang Lingkup Penelitian Ruang lingkup dari penelitian ini meliputi:
1 Data titik panas yang digunakan data tahun 2001 sampai dengan 2012 dari FIRM NASA dan diperoleh dari penelitian sebelumnya (Baehaki 2014). 2 Pencilan yang dideteksi adalah pencilan kolektif.
METODE
Tahapan PenelitianTahapan-tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 1.
Gambar 1 Tahapan penelitian Mulai
Selesai Data titik panas
Clustering menggunakan PAM Clustering menggunakan CLARA Deteksi pencilan berdasarkan hasil clustering terbaik Analisis Pencilan Kolektif
Presentasi pencilan yang dihasilkan
Pengumpulan Data Titik Panas
Data titik panas merupakan data kebakaran hutan. Data yang digunakan dalam penelitian ini adalah data titik panas yang diperoleh dari penelitian sebelumnya yang dilakukan oleh Baehaki (2014). Data tersebut terdiri dari data titik panas tahun 2001 hingga tahun 2012 di Provinsi Riau, Sumatera. Proses inisialisasi titik panas tanggal 1 Januari 2001 dengan ID tanggal =1 sampai dengan tanggal 31 Desember 2012 dengan ID tanggal = 4383.
Data titik panas tersebut terdiri dari atribut latitude, longitude, brightness,
acq_date, acq_time, bright_t31 dan frp. Atribut latitude dan longitude
menggambarkan letak geografis titik panas, brightness, bright_t31 dan frp merupakan tingkat visualisasi kecerahan pada titik panas, acq_date dan acq_time merupakan keterangan tanggal titik panas yang muncul.
Clustering Data Titik Panas Menggunakan Algoritme PAM dan CLARA
Terdapat beberapa algoritme clustering berbasis medoid, diantaranya PAM dan CLARA. Algoritme PAM k-medoid menggunakan data yang mewakili ditengah cluster sebagai centroid. Algoritme PAM bekerja secara efisien pada
dataset yang kecil untuk merepresentasikan dataset yang asli, sedangkan
algoritme CLARA menggunakan sebuah sample acak dari dataset yang besar untuk clustering dari multiple sample acak dan mengembalikan hasil clustering menjadi sebuah output (Han et al. 2012).
Pada algoritme k-medoid PAM dan CLARA terdapat nilai k merupakan jumlah cluster dan nilai n adalah jumlah banyaknya objek. Objek dipartisi ke dalam beberapa kelompok yang diwakili satu nilai centroid . Centroid adalah nilai tengah dari objek yang dikelompokan. Algoritme PAM adalah sebagai berikut (Han et al. 2012):
1 Memilih nilai k cluster dari sebuah dataset D sebagai objek perwakilan; 2 Ulangi:
2.1 Tetapkan setiap objek k cluster dengan objek representatif terdekat;
2.2 Ambil secara acak objek yang bukan objek representatif, Orandom;
2.3 Hitung nilai cost, S dari nilai tukar objek representatif Oj dengan Orandom;
2.4 Jika S < 0 kemudian tukar Oj dengan Orandom untuk nilai dataset yang baru dari k objek representatif;
Algoritme CLARA mengangani objek yang berbentuk point dan mengambil
sample besar dari dataset dan menerapkan untuk menghasilkan nilai medoid
optimal untuk sample. Kualitas yang dihasilkan nilai medoid diukur dengan perbedaan rata-rata antara setiap objek dalam seluruh dataset D dan medoid
clusternya. Algoritme CLARA adalah sebagai berikut (Wei et al. 2000).
1 Tentukan minimum cost dari sebuah dataset D sebagai objek 2 Ulangi:
2.1 Tentukan S dengan s objek secara acak dari D 2.2 Tentukan medoid M dari S
4
Maka,
Minimum cost = Cost (M,D); Set terbaik = C;
Ulangi hingga selesai C tidak berubah. dengan:
S = Sample dari dataset s = Ukurandari S M= Medoid D = Dataset C = Cluster
Deteksi Pencilan Titik Panas Berdasarkan Hasil Clustering Terbaik Setelah diketahui nilai k terbaik kemudian dilakukan pendeteksian pencilan pada hasil clustering berbasis medoid. Pencilan digunakan untuk melihat anomali kemunculan titik panas. Deteksi pencilan berbasis clustering ini terdapat tiga pendekatan. Pendekatan pertama adalah bila objek tidak temasuk ke dalam kelas manapun, maka objek tersebut diidentifikasi sebagai pencilan. Pendekatan kedua adalah apabila terdapat jarak yang besar antara objek dan kelas terdekat, maka objek tersebut merupakan pencilan. Pendekatan ketiga yaitu bila objek adalah bagian dari anggota kelas yang kecil, maka seluruh objek dalam kelas tersebut merupakan pencilan (Han et al. 2012).
Deteksi pencilan dapat dilihat dengan mengevaluasi jarak nilai antara setiap data yang multi dimensional. Deteksi pencilan dalam penelitian ini adalah pencilan kolektif. Pencilan kolektif merupakan pendekatan menggunakan nilai yang dilihat dari titik pusat setiap cluster (Han et al. 2012).
Analisis Pencilan
Pada tahap ini diperlihatkan objek pencilan dari hasil clustering. Data hasil deteksi pencilan dianalisis untuk mengetahui informasi yang terdapat pada data titik panas seperti ukuran pemusatan dan tanggal yang terdeteksi pencilan kolektif.
Presentasi Pencilan
Pada tahap ini pencilan kolektif titik panas dipresentasikan dalam bentuk peta. Hasil pencilan kolektif tersebut adalah output dari algoritme PAM dan CLARA dengan cluster nilai k terbaik.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut:
1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut: Processor Intel Core i5
RAM 4 GB
Monitor LCD 14.0” HD Harddisk 500 GB HDD
2 Perangkat lunak:
Sistem Operasi Windows 7 Ultimate
Microsoft Excel 2010 untuk pengolahan angka
Rstudio untuk komputasi statistik, clustering dan grafis
HASIL DAN PEMBAHASAN
Pengumpulan Data Titik Panas
Pengumpulan data titik panas telah dilakukan oleh penelitian sebelumnya oleh Baehaki (2014). Data penelitian ini titik panas dari bulan Januari 2001 hingga Desember 2012 awalnya sebanyak 156703 record data. Kemudian data tersebut dilakukan tahap pembersihan dengan memisahkan batas area titik panas berdasarkan kepulauan Riau, sehingga data berkurang menjadi sebanyak 111091
record data. Praproses data menggunakan perangkat lunak basis data spatial
DBMS PostgreSQL dan Quantum GIS untuk menampilkan layer berdasarkan titik panas kepulauan Riau.
Hasil pengolahan data titik panas oleh Baehaki (2014) dilakukan agregasi data. Kejadian titik panas dalam satu hari dijadikan sebagai frekuensi titik panas. Data tersebut menghasilkan sebanyak 4383 record data titik panas harian dan frekuensi data panas bulanan sebanyak 144 data.
Setelah frekuensi data titik panas harian didapatkan, dilakukan dekomposisi dengan menjalankan kode R berikut:
>data.stl0103 <- read.csv('data/dataperharian.csv') temp.hotspot0103<->ts(data.stl0103$frek,frequency=365,start=c(2001)) >dectimes <- decompose(temp.hotspot0103) >plot(dectimes) >stl.hotspot0103<-stl(temp.hotspot0103, "periodic", robust=TRUE)
>stl.outlier <- which(stl.hotspot0103$weights < 1e-1)
>plot(stl.hotspot0103)
>op <- par(mar = c(0, 4, 0, 3), oma = c(5, 0, 4, 0), mfcol = c(4, 1)) >plot(stl.hotspot0103, set.pars=NULL) >sts <- stl.hotspot0103$time.series #plot outliers >points(time(sts)[stl.outlier], 0.8*sts[,"remainder"][stl.outlier], pch="x", col="red") par(op)
Berdasarkan kode program di atas decompose dan plot merupakan fungsi R untuk visualisasi hasil plotting. Visualisasi hasil plotting yang dapat dilihat pada Gambar 2.
6
Gambar 2 Dekomposisi frekuensi titik panas
Pada Gambar 2 menunjukkan hasil dekomposisi harian data titik panas dengan asumsi jumlah hari pada satu tahun sebanyak 365 hari. Label time merupakan tanggal kejadian titik panas dari tahun 2001 hingga 2012. Label trend menunjukkan kenaikkan frekuensi titik panas tahun 2005 yang kemudian mengalami penurunan tahun 2007 hingga 2009 dan mengalami kenaikan tahun 2010. Label seasonal ditunjukkan frekuensi titik panas mengalami kenaikkan pada awal dan pertengahan tahun sepanjang tahun 2001 hingga 2012.
Clustering Data Titik Panas Menggunakan Algoritme Berbasis Medoid
PAM dan CLARA Algoritme PAM
Hasil clustering dengan menggunakan metode PAM pada titik panas kepulauan Riau menghasilkan pencilan dengan cluster k=17. Pencarian nilai k terbaik menggunakan algoritme PAM adalah nilai k=2 hingga nilai k=20. Cluster
k=17 yang merupakan hasil cluster yang paling baik dan terdapat nilai frekuensi
yang sangat besar dari frekuensi cluster lainnya yaitu 956. Hasil pencarian nilai k tersebut dapat dilihat pada Tabel 1.
Tabel 1 Hasil clustering menggunakan algoritme PAM pada cluster k=17
Cluster ID medoid Frekuensi medoid Cluster size Tanggal titik panas medoid 1 4383 0 2163 12/31/2012 2 50 8 413 2/19/2001 3 45 3 674 2/14/2001 4 538 15 258 6/22/2002 5 4230 49 120 7/31/2012 6 63 66 101 3/4/2001 7 4262 24 203 9/1/2012 8 192 36 146 7/11/2001 9 4245 89 73 8/15/2012 10 3083 141 56 6/10/2009 11 4187 209 41 6/18/2012
Cluster ID medoid Frekuensi medoid Cluster size Tanggal titik panas medoid 12 1559 110 50 4/8/2005 13 1524 335 17 3/4/2005 14 1484 266 28 1/23/2005 15 1527 648 16 3/7/2005 16 3136 428 22 8/2/2009 17 1680 956 2 8/7/2005
Berdasarkan Tabel 1 dapat dilihat bahwa cluster ke-17 merupakan nilai frekuensi medoid terbaik di antara cluster yang lain. Hal ini untuk mendeteksi pencilan, dengan id medoid 1680, frekuensi medoid 956 dan cluster size 2. Terdapat 2 anggota medoid dalam cluster ini yaitu tanggal 8/7/2005 yang mewakili tanggal medoid dan tanggal 2/21/2005. Kedua tanggal tersebut merupakan nilai pencilan. Kode R untuk menghasilkan cluster tersebut dijalankan sebagai berikut:
> library("cluster")
Mengaktifkan library cluster
> datap <-read.csv("D:/data.csv")
Memasukan data.csv kedalam variable datap > datap
> resultp<-pam(datap$frek,17, FALSE, "euclidean") Cluster pam dengan variable result dengan parameter kolom frekuensi, nilai k=17, matiksnya “eiclidean” > summary(resultp)
Melihat hasil clustering
Berdasarkan kode program di atas algoritme PAM dapat dipanggil dengan mengaktifkan library cluster setelah data.csv dimasukan ke dalam variabel
datap. Data tersebut dikelompokan menggunakan fungsi PAM dan fungsi
summary digunakan untuk melihat hasil clustering pada data.csv. Visualisasi hasil cluster ke-17 dapat dilihat pada scatter plot Gambar 3.
Gambar 3 Scatter plot hasil clustering algoritme PAM untuk k=17
8
Berdasarkan Gambar 3, titik pada scatter plot yang berbentuk belah ketupat merupakan kejadian titik panas. Garis x merupakan ID medoid dan garis y merupakan frekuensi titik panas. Pada cluster ke-17 dengan ID medoid 1680 memiliki nilai frekuensi yang paling besar yaitu 956 yang diindikasikan sebagai pencilan. Scatter plot menunjukan adanya nilai frekuensi di bawah 200 yang sering muncul. Sehingga dikategorikan sebagai nilai yang paling berdekatan atau dominan terjadinya titik panas.
Algoritme CLARA
Hasil clustering dengan menggunakan metode CLARA pada titik panas kepulauan Riau menghasilkan pencilan dengan cluster k=19. Pencarian nilai k terbaik menggunakan algoritme CLARA adalah nilai k=2 hingga nilai k=20.
Cluster k=19 yang merupakan hasil cluster yang paling baik dan terdapat nilai
frekuensi yang sangat besar dari frekuensi cluster lainnya yaitu 266. Hasil pencarian nilai k tersebut dapat dilihat pada Tabel 2.
Tabel 2 Hasil clustering menggunakan algoritme CLARA pada cluster k=19
Cluster ID medoid Frekuensi medoid Cluster size Tanggal titik panas medoid 1 4357 0 1831 12/5/2012 2 4380 1 556 12/28/2012 3 3923 6 276 9/28/2011 4 3491 3 337 7/23/2010 5 1876 18 153 2/19/2006 6 4151 8 187 5/13/2012 7 1643 52 112 7/1/2005 8 3975 13 211 11/19/2011 9 3886 60 87 8/22/2011 10 2940 84 56 1/28/2009 11 1626 24 173 6/14/2005 12 3525 36 137 8/26/2010 13 407 94 73 2/11/2002 14 1512 151 17 2/20/2005 15 413 190 17 2/17/2002 16 2974 139 47 2/21/2009 17 1497 205 24 2/5/2005 18 4192 266 72 6/23/2012 19 1890 254 17 3/5/2006
Berdasarkan Tabel 2 dapat dilihat bahwa cluster ke-18 merupakan nilai frekuensi medoid terbaik di antara cluster yang lain. Hal ini untuk mendeteksi pencilan, dengan ID medoid 4192, frekuensi medoid 266 dan cluster size 72. Terdapat 72 anggota tanggal medoid dalam cluster ini pada tanggal 6/23/2012 yang mewakili tanggal medoid. 72 anggota tanggal tersebut merupakan nilai pencilan. Kode R untuk menghasilkan cluster tersebut dijalankan sebagai berikut:
> library("cluster")
> datac<-read.csv("D:/data.csv")
Membaca data.csv, memasukan kedalam variable datac > resultc<-clara(datac$frek,19)
Cluster metode clara dengan variable result, untuk kolom frekuensi dan nilai k=19
> summary(resultc) Melihat hasil cluster
Berdasarkan kode program di atas algoritme CLARA dapat dipanggil dengan mengaktifkan library cluster setelah data.csv dimasukan ke dalam variabel datac. Data tersebut dikelompokan menggunakan fungsi CLARA dan fungsi summary untuk melihat hasil clustering pada data.csv. Visualisasi hasil cluster ke-18 dapat dilihat pada scatter plot Gambar 4.
Gambar 4 Scatter plot hasil clustering algoritme CLARA untuk k=19 Berdasarkan Gambar 4 titik pada scatter plot berbentuk belah ketupat yang merupakan simbol kejadian titik panas. Garis x merupakan ID medoid dan garis y merupakan frekuensi hotspot. Pada cluster ke-18 dengan ID medoid 4192 memiliki nilai frekuensi yang paling besar yaitu 266 yang diindikasikan sebagai pencilan. Scatter plot menunjukan adanya nilai frekuensi dibawah 100 nilai yang sering muncul. Sehingga dikategorikan sebagai nilai yang paling berdekatan atau dominan terjadinya titik panas.
Deteksi Pencilan Titik Panas Berdasarkan Hasil Clustering Terbaik Algoritme PAM
Hasil clustering terbaik pada algoritme PAM dengan nilai k=17 terdapat anggota medoid dengan persentase di bawah 1%. Presentase ini berdasarkan pendekatan clustering yaitu bila objek adalah bagian dari anggota yang kecil, maka seluruh objek dalam kelas merupakan pencilan (Han et al. 2012). Anggota setiap cluster 13, 14, 15, 16 dan 17 dapat dilihat pada Lampiran 1. Persentase anggota cluster terdapat pada Tabel 3.
10 Cluster ID medoid Frekuensi medoid Cluster size Tanggal titik panas medoid Persentase medoid 1 4383 0 2163 12/31/2012 49.34% 2 50 8 413 2/19/2001 9.42% 3 45 3 674 2/14/2001 15.37% 4 538 15 258 6/22/2002 5.88% 5 4230 49 120 7/31/2012 2.73% 6 63 66 101 3/4/2001 2.30% 7 4262 24 203 9/1/2012 4.63% 8 192 36 146 7/11/2001 3.33% 9 4245 89 73 8/15/2012 1.66% 10 3083 141 56 6/10/2009 1.27% 11 4187 209 41 6/18/2012 0.93% 12 1559 110 50 4/8/2005 1.14% 13 1524 335 17 3/4/2005 0.38% 14 1484 266 28 1/23/2005 0.63% 15 1527 648 16 3/7/2005 0.36% 16 3136 428 22 8/2/2009 0.50% 17 1680 956 2 8/7/2005 0.04% Algoritme CLARA
Hasil clustering terbaik pada algoritme CLARA dengan nilai k=19 terdapat anggota medoid dengan persentase dibawah 1%. Presentase ini berdasarkan pendekatan clustering yaitu bila objek adalah bagian dari anggota yang kecil, maka seluruh objek dalam kelas merupakan pencilan (Han et al. 2012). Anggota setiap cluster 14, 15, 17 dan 19 dapat dilihat pada Lampiran 2. Hasil persentase
cluster terlihat pada Tabel 4.
Tabel 4 Presentase anggota cluster hasil algoritme CLARA dengan nilai k=19
Cluster ID medoid Frekuensi medoid Medoid size Tanggal titik panas medoid Persentase medoid 1 4357 0 1831 12/5/2012 41.77% 2 4380 1 556 12/28/2012 12.68% 3 3923 6 276 9/28/2011 6.29% 4 3491 3 337 7/23/2010 7.68% 5 1876 18 153 2/19/2006 3.49% 6 4151 8 187 5/13/2012 4.26% 7 1643 52 112 7/1/2005 2.55% 8 3975 13 211 11/19/2011 4.81% 9 3886 60 87 8/22/2011 1.98% 10 2940 84 56 1/28/2009 1.27% 11 1626 24 173 6/14/2005 3.94% 12 3525 36 137 8/26/2010 3.12% 13 407 94 73 2/11/2002 1.66%
Cluster ID medoid Frekuensi medoid Medoid size Tanggal titik panas medoid Persentase medoid 14 1512 151 17 2/17/2002 0.38% 15 413 190 17 2/17/2002 0.38% 16 2974 139 47 2/21/2009 1.07% 17 1497 205 24 2/5/2005 0.54% 18 4192 266 72 6/23/2012 1.64% 19 1890 254 17 3/5/2006 0.38% Analisis Pencilan
Pencilan kolektif berdasarkan banyaknya jumlah anggota setiap cluster.
Cluster yang memiliki sedikit anggota merupakan pencilan. Algoritme PAM pada
Tabel 3 yang memiliki anggota terkecil terletak pada cluster 11 dengan 41 anggota, cluster 14 dengan 28 anggota, cluster 13 dengan 17 anggota, cluster 14 dengan 28 anggota, cluster 15 dengan 16 anggota, cluster 16 dengan 22 anggota dan cluster 17 dengan 2 anggota. Algoritme CLARA pada Tabel 4 yang memiliki anggota terkecil terletak pada cluster 14 dengan 17 anggota, cluster 15 dengan 17 anggota, cluster 17 dengan 24 anggota dan cluster 19 dengan 17 anggota. Semua anggota algoritme PAM dan CLARA tersebut persentase anggotanya di bawah 1% yang disebut sebagai pencilan kolektif.
Lampiran 1 merupakan jumlah anggota setiap cluster algoritme PAM. Lampiran 1 menunjukan jumlah anggota cluster ke-13 banyak terjadi titik panas pada bulan Agustus 2004, 2005, 2006 dan 2009. Anggota cluster ke-14 banyak terjadi titik panas pada bulan Juli 2002, 2003, 2007, 2009 dan 2011. Anggota
cluster ke-15 banyak terjadi titik panas pada bulan Juni 2003, 2004, 2005 dan
Februari 2005. Anggota cluster ke-16 banyak terjadi titik panas pada bulan Maret 2005, 2011, Juni 2004, 2005, 2009, 2012 dan Agustus 2005, 2006, 2008, 2009. Anggota cluster ke-17 banyak terjadi titik panas pada bulan Januari 2005 dan Agustus 2005. Berdasarkan hasil algoritme PAM ini dapat disimpulkan pencilan terjadi pada bulan Februari, Maret, Juni, Juli dan Agustus dari Januari 2001 hingga Desember 2012 dan hasil visualisasi peta setiap anggota cluster dapat dilihat pada Lampiran 3.
Lampiran 2 merupakan jumlah anggota setiap cluster algoritme CLARA. Lampiran 2 jumlah anggota cluster ke-14 banyak terjadi titik panas pada bulan Juli 2001, 2002, 2005 dan 2009. Anggota cluster ke-15 banyak terjadi titik panas pada bulan Juni 2003, 2004, 2005, 2009 dan 2012 serta terjadi pada bulan Juli 2001, 2006, 2009 dan 2011. Anggota cluster ke-17 banyak terjadi titik panas pada bulan Februari 2002, 2005 dan 2009. Anggota cluster ke-19 banyak terjadi titik panas pada bulan Juli 2003, 2006, 2009, 2011 dan 2012. Berdasarkan hasil algoritme CLARA ini dapat disimpulkan pencilan terjadi pada bulan Februari, Maret, Juni , Juli dan Agustus dari Januari 2001 hingga Desember 2012 dan hasil visualisasi peta setiap anggota cluster dapat dilihat pada Lampiran 4.
Hasil cluster dari pencilan dari algoritme PAM cluster k=17 dan CLARA
cluster k=19. Kedua algoritme tersebut menghasilkan ID medoid 1513, tanggal
titik panas 2/21/2005 dan frekuensi titik panas 1118. Hasil tersebut sama untuk kedua metode tersebut seperti ditunjukan pada Gambar 5 dan Gambar 6.
12
Gambar 5 Plot data titik panas tahun 2001 sampai dengan tahun 2012 Berdasarkan Gambar 5 titik pada scatter plot berbentuk simbol segitiga berwarna hitam merupakan pencilan titik panas. Sumbu garis x merupakan ID
medoid dan garis y merupakan frekuensi hotspot. Hasil visualisasi pada Gambar 4
terlihat bahwa frekuensi yang sering muncul adalah frekuensi di bawah nilai 200 dengan berbagai macam warna dan bentuk. Nilai frekuensi diatas 800 merupakan pencilan dengan rentang nilai diantara hari ke-1000 sampai ke-2000. Pencilan tersebut titik panas terjadi sekitar tahun 2005.
Gambar 6 Plot data titik panas tahun 2001 sampai dengan tahun 2012 Berdasarkan Gambar 6 titik pada scatter plot berbentuk belah ketupat, segitiga merupakan pencilan titik panas. Sumbu garis x merupakan ID cluster dan garis y merupakan frekuensi hotspot. Hasil visualisasi pada Gambar 5 terlihat bahwa frekuensi yang sering muncul adalah frekuensi di bawah nilai 200 berbagai macam warna dan bentuk serta nilai frekuensi diatas 300 merupakan pencilan dengan rentang nilai hari ke-1000 sampai ke-2000.
Presentasi Pencilan
Hasil algoritme PAM dan CLARA dapat disimpulkan pencilan titik panas terjadi bulan Februari, Maret, Juni, Juli dan Agustus. Pencilan secara keseluruhan bulan Januari 2001 hingga Desember 2012. Hasil visualiasi pencilan titik panas berdasarkan bulan pada Gambar 7 dan Gambar 8.
Gambar 7 Jumlah pencilan algoritme PAM pada setiap bulan pada tahun 2001 - 2012
Gambar 8 Jumlah pencilan algoritme CLARA pada setiap bulan pada tahun 2001 - 2012
Gambar 7 dan Gambar 8 menunjukan algoritme PAM pencilan banyak terjadi pada bulan Februari sebanyak 22 objek, bulan Maret sebanyak 22 objek, bulan Juni sebanyak 20 objek, bulan Juli 18 objek dan bulan Agustus sebanyak 27 objek. Algoritme CLARA pencilan banyak terjadi pada bulan Februari sebanyak
8 22 22 0 0 20 18 27 1 4 0 0 0 5 10 15 20 25 30 Frekuensi Januari 2001 - Desember 2012 4 11 9 0 4 11 18 14 2 2 0 0 0 2 4 6 8 10 12 14 16 18 20 Frekuensi Januari 2001 - Desember 2012
14
11 objek, bulan Maret sebanyak 9 objek, bulan Juni sebanyak 11 objek, bulan Juli 18 objek dan bulan Agustus sebanyak 14 objek.
Visualisasi jumlah pencilan per tahun algoritme sebagai hasil PAM dan CLARA pada Gambar 9 dan Gambar 10.
Gambar 9 Jumlah objek deteksi pencilan per tahun algoritme PAM
Gambar 10 Jumlah objek deteksi pencilan per tahun algoritme CLARA Berdasarkan hasil algoritme PAM, pencilan banyak terjadi pada tahun 2005 sebanyak 27 objek dan algoritme CLARA, pencilan banyak terjadi pada tahun 2005 sebanyak 16 objek dan tahun 2009 sebanyak 14 objek. Hasil pencilan algoritme PAM dan CLARA divisualisakan dalam bentuk kalender bulan dan tahun dapat dilihat pada Lampiran 5.
Visualisasi jumlah pencilan dalam bentuk peta sebagai hasil algoritme PAM dan CLARA pada Gambar 11 dan Gambar 12.
0 4 6 7 27 9 2 4 9 2 5 10 0 5 10 15 20 25 30 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 Frekuensi Tahun 2 7 4 8 16 8 1 6 14 0 5 4 0 2 4 6 8 10 12 14 16 18 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 Frekuensi Tahun
Gambar 11 Visualisasi objek deteksi pencilan algoritme PAM
Gambar 11 dapat dilihat bahwa objek yang terdeteksi sebagai pencilan algoritme PAM menyebar di seluruh Provinsi Riau. Pada bulan Februari banyak pencilan terdeteksi di Kota Pekan Baru dan Kab. Indragiri Hilir serta menyebar di Kota Dumai. Pada bulan Maret pencilan mayoritas muncul di Kota Dumai serta menyebar di seluruh Provinsi Riau. Pada bulan Juni, Juli dan Agustus pencilan muncul secara merata di seluruh Provinsi Riau.
Gambar 12 Visualisasi objek deteksi pencilan algoritme CLARA
Gambar 12 dapat dilihat bahwa objek yang terdeteksi sebagai pencilan algoritme CLARA menyebar di seluruh Provinsi Riau. Pada bulan Februari pencilan terdeksi berkumpul di Kota Dumai, bagian utara Kab. Indragiri dan bagian tenggara Kota Pekan Baru. Pada bulan Maret, Juni, Juli dan Agustus pencilan tersebar hampir di seluruh Provinsi Riau.
16
SIMPULAN DAN SARAN
SimpulanPenelitian ini menunjukan deteksi pencilan dari 4383 objek titik panas. Hasil algoritme PAM pencilan titik panas terjadi pada k=17 dengan cluster ke-11,13,14,15,16 dan 17 serta terjadinya pada bulan Februari, Maret, Juni, Juli dan Agustus. Hasil algoritme CLARA menunjukan pencilan titik panas pada k=19 dengan cluster ke 14,15,17 dan 19 serta terjadi pada bulan Februari, Maret, Juni, Juli dan Agustus. Frekuensi tertinggi menunjukan pencilan secara keseluruhan bulan Januari 2001 sampai dengan Desember 2012 adalah dengan frekuensi 1118. Kejadian tersebut terjadi pada tanggal 2/21/2005. Hasil algoritme PAM, bulan Februari banyak pencilan terdeteksi di Kota Pekan Baru dan Kab. Indragiri Hilir serta menyebar di Kota Dumai, bulan Maret pencilan mayoritas muncul di Kota Dumai serta menyebar di seluruh Provinsi Riau dan bulan Juni, Juli dan Agustus pencilan muncul secara merata di seluruh Provinsi Riau. Hasil algoritme CLARA, bulan Februari pencilan terdeksi berkumpul di Kota Dumai, bagian utara Kab. Indragiri dan bagian tenggara Kota Pekan Baru dan bulan Maret, Juni, Juli, Agustus pencilan tersebar hampir di seluruh Provinsi Riau.
Saran
Penelitian ini memiliki kekurangan dalam menentukan nilai k. Dalam penelitian ini menggunakan nilai k=2 sampai k=20 dengan asumsi hasil yang didapatkan dengan nilai k terbaik. Penelitian selanjutnya diharapkan menggunakan metode yang lain dengan penentuan nilai k yang lebih optimal.
DAFTAR PUSTAKA
Baehaki D. 2014. Deteksi pencilan data titik panas di provinsi Riau menggunakan algoritme clustering K-Means [skripsi]. Bogor(ID): Insitut Pertanian Bogor. BAPPENAS-ADB. 1999. Causes, Extent, Impact and Costs of 1997/1998 Fires
and Drought. National Development Planning Agency (BAPPENAS) and Asia Development Bank, Jakarta.
Han J, Kamber M, Pei J. 2012. Data Mining Concepts and Techniques Third
Edition. San Massachusetts (US): Morgan Kaufmann Publisher.
Liao TW. 2005. Clustering of time series data—a survey. Pattern Recognition [Internet]. [diunduh 2014 Mei 30]. 38(1). 1857-1874. Tersedia pada: http://arxiv.org/ftp/arxiv/papers/1005/1005.4270.pdf
Tacconi L. 2003. Kebakaran Hutan di Indonesia: Penyebab, Biaya dan Implikasi Kebijakan[paper]. Bogor(ID): Center For International Forestry Research Wei C, Lee Y, Hsu C. 2000. Empirical Comparison of Fast Clustering Algorithms
for Large Data Set. Taiwan (R.O.C): Department of Information Management
Lampiran 1 Hasil clustering menggunakan algoritme PAM a Anggota cluster 13 dengan ID medoid 1524
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 189 3/8/2002 304 2 562 3/12/2002 354 3 563 6/6/2003 341 4 951 6/19/2004 344 5 1149 6/20/2004 328 6 1232 8/11/2004 337 7 1271 1/24/2005 337 8 1353 3/4/2005 335 9 1487 6/20/2005 349 10 1492 8/10/2005 328 11 1512 8/17/2006 354 12 1648 2/21/2008 350 13 1684 7/24/2009 334 14 1895 8/6/2009 305 15 2697 7/12/2011 306 16 3124 8/8/2012 306 17 3901 9/4/2012 321
b Anggota cluster 14 dengan ID medoid 1484
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 434 3/10/2002 247 2 560 7/14/2002 279 3 793 3/4/2003 296 4 890 6/9/2003 243 5 942 7/31/2003 250 6 1269 6/22/2004 254 7 1314 8/6/2004 259 8 1484 1/23/2005 266 9 1538 3/18/2005 275 10 1678 8/5/2005 239 11 1689 8/16/2005 295 12 1863 2/6/2006 270 13 1890 3/5/2006 254 14 2233 2/11/2007 271 15 2375 7/3/2007 284 16 2773 8/4/2008 241 17 2944 1/22/2009 269 18 2969 2/16/2009 274
18 Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 19 3107 7/4/2009 241 20 3134 7/31/2009 247 21 3700 2/17/2011 280 22 3838 7/5/2011 242 23 4185 6/16/2012 244 24 4192 6/23/2012 266 25 4226 7/27/2012 275 26 4229 7/30/2012 245 27 4242 8/12/2012 287 28 4244 8/14/2012 270 c Anggota cluster 15 dengan ID medoid 1527
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 889 6/8/2003 730 2 891 6/10/2003 676 3 1264 6/17/2004 683 4 1486 1/25/2005 623 5 1499 2/7/2005 792 6 1502 2/10/2005 647 7 1504 2/12/2005 652 8 1506 2/14/2005 600 9 1527 3/7/2005 648 10 1529 3/9/2005 736 11 1636 6/24/2005 557 12 2023 7/16/2006 589 13 2043 8/5/2006 596 14 3575 10/15/2010 593 15 3865 8/1/2011 729 16 4240 8/10/2012 761
d Anggota cluster 16 dengan ID medoid 3136
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 1262 6/15/2004 435 2 1481 1/20/2005 402 3 1483 1/22/2005 434 4 1501 2/9/2005 438 5 1499 2/7/2005 792
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 6 1525 3/5/2005 454 7 1536 3/16/2005 511 8 1540 3/20/2005 420 6 1525 3/5/2005 454 9 1637 6/25/2005 401 10 1682 8/9/2005 388 11 1865 2/8/2006 405 12 1888 3/3/2006 383 13 2032 7/25/2006 414 14 2044 8/6/2006 386 15 2606 2/19/2008 527 16 2775 8/6/2008 453 17 3090 6/17/2009 400 18 3136 8/2/2009 428 19 3138 8/4/2009 384 20 3577 10/17/2010 498 21 3781 5/9/2011 453 22 4183 6/14/2012 462 e Anggota cluster 17 dengan ID medoid 1680
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 1513 2/21/2005 1118 2 1680 8/7/2005 956
f Anggota cluster 11 dengan ID medoid 4187
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 190 7/9/2001 191 2 411 2/15/2002 224 3 413 2/17/2002 190 4 592 8/15/2002 227 5 597 8/20/2002 228 6 1236 5/20/2004 191 7 1270 6/23/2004 191 8 1493 2/1/2005 217 9 1497 2/5/2005 205 10 1500 2/8/2005 218 11 1511 2/19/2005 216 12 1514 2/22/2005 229 13 1515 2/23/2005 206
20 Cluster ID medoid Tanggal titik panas medoid Frekeunsi medoid 14 1517 2/25/2005 186 15 1534 3/14/2005 227 16 1541 3/21/2005 222 17 1635 6/23/2005 191 18 2011 7/4/2006 196 19 2025 7/18/2006 230 20 2046 8/8/2006 235 21 2059 8/21/2006 205 22 2103 10/4/2006 232 23 2105 10/6/2006 210 24 2695 5/18/2008 210 25 2770 8/1/2008 182 26 2772 8/3/2008 183 27 2784 8/15/2008 224 28 2942 1/20/2009 199 29 2971 2/18/2009 202 30 3067 5/25/2009 214 31 3070 5/28/2009 222 32 3072 5/30/2009 216 33 3092 6/19/2009 180 34 3093 6/20/2009 230 35 3116 7/13/2009 214 36 3120 7/17/2009 205 37 3141 8/7/2009 202 38 3780 5/8/2011 189 39 3854 7/21/2011 183 40 4187 6/18/2012 209 41 4194 6/25/2012 181 Lampiran 2 Hasil clustering menggunakan algoritme CLARA
a Anggota cluster 14 dengan ID medoid 1512
Cluster ID medoid Tanggal titik panas medoid Frekeunsi medoid 1 189 7/8/2001 165 2 562 7/16/2002 151 3 563 7/17/2002 155 4 951 8/9/2003 154 5 1149 2/23/2004 168 6 1232 5/16/2004 166 7 1271 6/24/2004 166 8 1353 9/14/2004 166
Cluster ID medoid Tanggal titik panas medoid Frekeunsi medoid 9 1487 1/26/2005 145 10 1492 1/31/2005 157 11 1512 2/20/2005 151 12 1648 7/6/2005 146 13 1684 8/11/2005 161 14 1895 3/10/2006 157 15 2697 5/20/2008 159 16 3124 7/21/2009 152 b Anggota cluster 15 dengan ID medoid 413
Cluster ID medoid Tanggal titik panas medoid Frekuensi Medoid 1 190 7/9/2001 191 2 413 2/17/2002 190 3 896 6/15/2003 171 4 1236 5/20/2004 191 5 1270 6/23/2004 191 6 1517 2/25/2005 186 7 1635 6/23/2005 191 8 2011 7/4/2006 196 9 2414 8/11/2007 174 10 2770 8/1/2008 182 11 2772 8/3/2008 183 12 3092 6/19/2009 180 13 3106 7/3/2009 174 14 3780 5/8/2011 189 15 3835 7/2/2011 171 16 3854 7/21/2011 183 c Anggota cluster 17 dengan ID medoid 1497
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 411 2/15/2002 224 2 592 8/15/2002 227 3 597 8/20/2002 228 4 1493 2/1/2005 217 5 1497 2/5/2005 205 6 1500 2/8/2005 218 7 1511 2/19/2005 216 8 1514 2/22/2005 229
22 Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 9 1515 2/23/2005 206 10 1534 3/14/2005 227 11 1541 3/21/2005 222 12 2059 8/21/2006 205 13 2105 10/6/2006 210 14 2695 5/18/2008 210 15 2784 8/15/2008 224 16 2942 1/20/2009 199 17 2971 2/18/2009 202 18 3067 5/25/2009 214 19 3070 5/28/2009 222 20 3072 5/30/2009 216 21 3116 7/13/2009 214 22 3120 7/17/2009 205 23 3141 8/7/2009 202 24 4187 6/18/2012 209 d Anggota cluster 19 dengan ID medoid 1890
Cluster ID medoid Tanggal titik panas medoid Frekuensi medoid 1 434 3/10/2002 247 2 890 6/9/2003 243 3 942 7/31/2003 250 4 1269 6/22/2004 254 5 1314 8/6/2004 259 6 1678 8/5/2005 239 7 1890 3/5/2006 254 8 2025 7/18/2006 230 9 2046 8/8/2006 235 10 2103 10/4/2006 232 11 2773 8/4/2008 241 12 3093 6/20/2009 230 13 3107 7/4/2009 241 14 3134 7/31/2009 247 15 3838 7/5/2011 242 16 4185 6/16/2012 244 17 4229 7/30/2012 245
Lampiran 3 Visualiasi peta anggota cluster algoritme PAM a Cluster 13 dengan ID medoid 1524
b Cluster 14 dengan ID medoid 1484
24
d Cluster 16 dengan ID medoid 3136
e Cluster 17 dengan ID medoid 1680
Lampiran 4 Visualisasi peta anggota cluster algoritme CLARA a. Cluster 14 dengan ID medoid 1512
b. Cluster 15 dengan ID medoid 413
26
Lampiran 5 Kalender pencilan algoritme PAM dan CLARA a Algoritme CLARA
Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des
Tanggal (Frekuensi) 2001 8(165)a 9(191)b 2002 17(190)b 10(247)d 16(151), 17(155)a 15(227), 20(228)c 15(224)c 2003 9(243)d 15(171)b 31(250)d 9(154)a 2004 23(168)a 16(166)a, 20(191)b, 20(254)d 24(166)a 6(259)d 14(166)a 23(191)b 2005 26(145) 31(157)a 20(151)a,25(186)b, 1(217),5(205), 8(218),19(216) ,22(229),23(206)c 14(227), 21(222)c, 5(254)d 23(191)b 6(146)a 11(161)a, 5(209)d 2006 10(157)a 4(196)b, 18(230)d 21(205)c, 8(235)d 6(210)c, 4(243)d 2007 11(174)b 2008 20(159)a 21(152)a 1(182), 3(183)b 18(210)c 15(224)c
28
Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des
2009 20(199),18(202)c 20(230)d 3(174)b, 13(214),17(205)c, 4(241),31(247)d 7(202)c 2010 5(242)d 2011 8(185)b 2(171),21(183)b 2012 18(209)c, 16(244)d 30(245)d
b Algoritme PAM
Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des
Tanggal (Frekuensi) 2001 9(191)a 2002 15(224), 17(190)a 8(304), 12(354)b, 10(247)c 14(279)c 15(227), 20(228)a 2003 4(296)c 6(341)b, 9(243)c, 18(730),10(6 76)d 31(250)c 2004 20(191)a 23(191)a 19(244),20(3 28)b 22(254)c 17(683)d 15(435)e 11(337)b 6(259)c 2005 24(337) b, 25(623) d, 21(402) , 22(434) e 1(217),5(205), 8(218),19(216), 22(229),23(206), 25(186)a 23(266)c 7(792),10(647), 12(652),14(600)d 9(438),7(792)e 21(1118)f 14(227), 21(222),a 4(335)b 18(275)c 7(648),9(736)d 5(454),16(511), 20(420),5(454)e 23(191)a 20(349)b 20(349)b 24(557)d 25(401)e 10(328)b 5(239),1 6(295)c 9(388)e 7(956)f
30
Tahun Jan Feb Mar Apr Mei Jun Jul Agus Sept Okt Nov Des
2006 6(270)c, 8(405)e 5(254)c, 3(383)e 4(196)a, 16(589)d ,25(414)e 8(235), 21(205)a 5(596)d 6(386)e 4(232), 6(210)a 15(593) d 2007 11(271),c 3(284)c 2008 21(350)b,9(527)e 18(210)a 1(182),3( 183), 15(224)a 4(241)c 6(453)e 2009 20(199) a 22(269) c 18(202)a 16(274)c 19(180),20(2 30)a 17(400)e 13(214), 17(205)a 24(334)b 4(241),3 1(257)c 7(202)a 6(305)b 2(428),4( 384)e 2010 17(489) e 2011 17(280)c 8(189)a 9(453)e 21(183)a, 12(306)b 5(242)c, 1(729)d 2012 18(209),25(1 81)a,16(244), 23(266)c 14(462)e 27(275), 30(245)c 10(761)d 8(306)b 12(287), 14(270)c 4(32 1)b
RIWAYAT HIDUP
Penulis dilahirkan di Ciamis pada tanggal 3 Juni 1991. Penulis merupakan anak pertama dari 4 bersaudara dari pasangan Bapak M. Dahlan dan Ibu Susrina. Penulis memasuki jenjang Sekolah Menengah Atas (SMA) pada tahun 2006 di SMAN 71 Jakarta, jenjang Program Diploma Manajemen Informatika IPB pada tahun 2009 dan pada tahun 2012 melanjutkan pendidikan sebagai mahasiswa Program Studi Alih Jenis Ilmu Komputer, Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor
