Jurnal : Spatio-Temporal Clustering Hotspot di Sumatera Selatan Tahun 2002-2003 Menggunakan Algoritme ST-DBSCAN dan Bahasa Pemrograman R

Jurnal : Spatio-Temporal Clustering Hotspot di Sumatera Selatan Tahun 2002-2003 Menggunakan Algoritme ST-DBSCAN dan Bahasa Pemrograman R

Abstrak 

Kebakaran hutan merupakan permasalahan yang cukup serius di Indonesia. Salah satu indikator kemungkinan terjadinya kebakaran hutan dapat diketahui dengan kemunculan hotspot. Dataset hotspot merupakan data spasial yang berukuran besar karena dicatat setiap waktu. Spatial temporal-Density based clustering algorithm(ST-DBSCAN) merupakan salah satu algoritme yang mampu mengolah data spasial dan temporal. Penelitian ini mengimplementasikan algoritme ST-DBSCAN menggunakan bahasa pemrograman R. R adalah perangkat lunak komputasi statistik dan grafis. Bahasa R digunakan di kalangan ahli statistik dan data mining untuk mengembangkan perangkat lunak statistik dan analisis data. Clustering dilakukan terhadap dataset hotspot di Sumatera Selatan pada periode tahun 2002-2003. Dengan menggunakan parameter jarak spasial (Eps1 = 0.2), parameter jarak temporal (Eps2 = 7) dan minimum anggota cluster (MinPts = 7) didapatkan hasil 41 cluster dengan 712 noise. 

Kata Kunci: kebakaran hutan, R, spatio-temporal, ST-DBSCAN, titik panas.


Pendahuluan

Kebakaran hutan di Indonesia merupakan masalah yang terus berulang dan termasuk permasalahan yang serius. Menurut Adinugroho (2005) salah satu indikator kemungkinan terjadinya kebakaran hutan ialah hotspot. Dalam hal ini terdapat kemungkinan bahwa persebaran titik api menggerombol dalam ruang secara alami tidak tersebar acak sehingga data tersebut dapat dianalisis menggunakan teknik clustering. Ada beberapa macam teknik clustering diantaranya k-means, hierachical cluster, DBSCAN dan ST-DBSCAN. Di antara semua metode clustering, algoritme DBSCAN merupakan salah satu metode yang paling baik untuk menemukan cluster dari database spasial yang besar (Gaonkar & Sawant, 2013).DBSCAN, jika DBSCAN hanya mengolah data spatial maka ST-DBSCAN mampu mengolah data temporal dengan menggunakan nilai Eps1 (parameter jarak pada aspek spasial) dan nilai Eps2 (parameter jarak pada aspek temporal). ST-DBSCAN memiliki kelebihan lebih fleksibel dengan ukuran data yang besar karena merupakan teknik clustering yang berbasis kepadatan (Birant & Kut, 2007). R adalah perangkat lunak komputasi statistik dan grafis. R sangat efektif dalam hal memvisualisasikan cluster dan dalam pengelolaan data serta fasilitas penyimpanan. Selain itu R dapat dikembangkan sesuai kebutuhan dengan menambah fitur-fitur tambahan dalam bentuk paket ke dalam software R yang bersifat open source (Venables & Smith, 2009).


Untuk lebih lengkapnya silahkan download di link berikut ini :

Jurnal : Spatio-Temporal Clustering Hotspot di Sumatera Selatan Tahun 2002-2003 Menggunakan Algoritme ST-DBSCAN dan Bahasa Pemrograman R