Analisa Daerah Kebakaran Hutan Pulau Sumatera dengan K-Means Clustering Metode CRISP-DM
DOI:
https://doi.org/10.55606/jupikom.v5i1.6198Keywords:
Titik Api, CRISP-DM, K-Mean, Clustering, Silhoutte Coefficient.Abstract
Kebakaran Hutan dan Lahan (Karhutla) sering terjadi di negara Indonesia. Karhutla pada wilayah Sumatera dan Kalimantan tahun 2015 menjadi sorotan dunia karena telah membawa polusi kabut asap ke negara tetangga. Informasi tentang pengelompokkan daerah yang terkena dampak kebakaran hutan digunakan untuk mengingatkan supaya masyarakat lebih waspada dan siap. Metode K-Mean Clustering dengan model data mining CRISP-DM, bisa dipakai sebagai salah satu cara untuk menganalisa daerah yang termasuk dalam daerah rawan terjadi karhutla. Penelitian ini dilakukan untuk membuat kelompok daerah dengan kemungkinan kebakaran hutan yang tinggi. dan daerah yang aman dari bencana kebakaran hutan pada kabupaten-kabupaten yang terdapat pada pulau Sumatera yang meliputi 9 provinsi di Pulau Sumatera., Kelompok daerah waspada kebakaran hutan dan lahan diwakili oleh beberapa cluster. Pada penelitian ini berhasil menghasilkan cluster yang baik dan optimal dapat dilihat dengan nilai silhouette bernilai positif dan mendekati 1. Cluster nilai terbaik adalah cluster 2 dengan nilai silhouette coefficient indeks terbesar yaitu 0,96 dengan luas karhutla sebanyak 6624 ha dan kemunculan titik api sebanyak 6006 titik.
References
[1] R. Agung et al., Status Hutan dan Kehutanan Indonesia. 2018.
[2] Supriyanto and dkk, “Analisis Kebijakan Pencegahan Dan Pengendalian Kebakaran Hutan Dan Lahan Di Provinsi Jambi,” Pembang. Berkelanjutan, vol. 1, no. 1, pp. 94–104, 2018.
[3] A. Muzaki, R. Pratiwi, and S. R. Az Zahro, “Pengendalian Kebakaran Hutan Melalui Penguatan Peran Polisi Kehutanan Untuk Mewujudkan Sustainable Development Goals,” LITRA J. Huk. Lingkungan, Tata Ruang, dan Agrar., vol. 1, no. 1, pp. 22–44, 2021, doi: 10.23920/litra.v1i1.579.
[4] A. Yusuf, H. Hapsoh, S. H. Siregar, and D. R. Nurrochmat, “Analisis Kebakaran Hutan Dan Lahan Di Provinsi Riau,” Din. Lingkung. Indones., vol. 6, no. 2, p. 67, 2019, doi: 10.31258/dli.6.2.p.67-84.
[5] B. K. Amijaya, M. T. Furqon, and C. Dewi, “Clustering Titik Panas Bumi Menggunakan Algoritme Affinity Propagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 10, pp. 3835–3842, 2018.
[6] F. Handayani, R. Teguh, and A. Lestari, “Pendeteksian Potensial Hotspot Data Satelit Check Algoritma Clustering K-Means,” vol. 15, no. 2, pp. 164–173, 2021.
[7] A. Wibowo, Moh Makruf, Inge Virdyna, and Farah Chikita Venna, “Penentuan Klaster Koridor TransJakarta dengan Metode Majority Voting pada Algoritma Data Mining,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 3, pp. 565–575, 2021, doi: 10.29207/resti.v5i3.3041.
[8] R. T. Vulandari, W. L. Y. Saptomo, and D. W. Aditama, “Application of K-Means Clustering in Mapping of Central Java Crime Area,” Indones. J. Appl. Stat., vol. 3, no. 1, p. 38, 2020, doi: 10.13057/ijas.v3i1.40984.
[9] R. Gopikaramanan, T. Rameshkumar, B. Senthil Kumaran, and G. Ilangovan, Novel control methodology for H-bridge cascaded multi level converter using predictive control methodology, vol. 11, no. 5. 2015.
[10] K. P. Simanjuntak and U. Khaira, “Pengelompokkan Titik Api di Provinsi Jambi dengan Algoritma Agglomerative Hierarchical Clustering,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. April, pp. 7–16, 2021, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/6
[11] M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021, doi: 10.30871/jaic.v5i2.3200.
[12] D. F. Pramesti, Lahan, M. Tanzil Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 723–732, 2017, doi: 10.1109/EUMC.2008.4751704.
[13] Ahmad Harmain, P. Paiman, H. Kurniawan, K. Kusrini, and Dina Maulina, “Normalisasi Data Untuk Efisiensi K-Means Pada Pengelompokan Wilayah Berpotensi Kebakaran Hutan Dan Lahan Berdasarkan Sebaran Titik Panas,” Tek. Teknol. Inf. dan Multimed., vol. 2, no. 2, pp. 83–89, 2022, doi: 10.46764/teknimedia.v2i2.49.
[14] E. Ikhsan, “Penerapan K-Means Clustering dari Log Data Moodle untuk Menentukan Perilaku Peserta pada Pembelajaran Daring,” Sistemasi, vol. 10, no. 2, p. 414, 2021, doi: 10.32520/stmsi.v10i2.1285.
[15] Athifaturrofifah, R. Goejantoro, and D. Yuniarti, “Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Studi Kasus : Data Titik Panas Di Indonesia Pada 28 April 2018),” J. EKSPONENSIAL, vol. 10, no. 2, pp. 143–152, 2019.
[16] A. A. D. Sulistyawati and M. Sadikin, “Penerapan Algoritma K-Medoids Untuk Menentukan Segmentasi Pelanggan,” Sistemasi, vol. 10, no. 3, p. 516, 2021, doi: 10.32520/stmsi.v10i3.1332.
[17] E. P. Ariesanto Akhmad, “Data Mining Menggunakan Regresi Linear untuk Prediksi Harga Saham Perusahaan Pelayaran,” J. Apl. Pelayaran dan Kepelabuhanan, vol. 10, no. 2, p. 120, 2020, doi: 10.30649/japk.v10i2.83.
[18] N. Mirantika, “Penerapan Algoritma K-Means Clustering Untuk Pengelompokan Penyebaran Covid-19 di Provinsi Jawa Barat,” Nuansa Inform., vol. 15, no. 2, pp. 92–98, 2021, doi: 10.25134/nuansa.v15i2.4321.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2025 Jurnal Publikasi Ilmu Komputer dan Multimedia
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
