Clustering Titik Panas Menggunakan Algoritme Varied Density Based Spatial Clustering Applications with Noise

Abstract

Titik panas merupakan suatu penanda terjadinya kebakaran hutan dan lahan (karhutla) yang mendeteksi suatu lokasi dengan suhu yang relatif lebih tinggi jika dibandingkan dengan sekitarnya. Data mining dapat diterapkan pada analisis persebaran data titik panas dengan ukuran yang besar. Salah satu teknik data mining adalah clustering yang melakukan pengelompokan data berdasarkan kesamaannya. Algoritme clustering DBSCAN menggunakan kerapatan data spatial untuk membentuk suatu cluster dengan parameter jarak spatial (Eps) dan jumlah minimum pada objek (MinPts) yang berada di dalam jarak Eps. Kelebihan pada DBSCAN adalah lebih efektif untuk mengolah basis data spasial yang berukuran besar serta tahan terhadap titik noise. Di sisi lain, metode DBSCAN mempunyai kekurangan ketika cluster memiliki densitas yang bervariasi. Untuk mengatasi kekurangan tersebut, algoritme DBSCAN dimodifikasi untuk menangani densitas yang bervariasi secara otomatis dengan mengadopsi metode variated DBSCAN (VDBSCAN). Penelitian ini bertujuan untuk menentukan cluster titik panas MODIS tahun 2020 menggunakan Varied Density Based Spatial Clustering Applications with Noise (VDBSCAN). Data titik panas adalah data titik panas Moderate Resolution Imaging Spectroradiometer (MODIS) yang diperoleh dari Fire Information for Resource Management System (FIRMS) National Aeronautics and Space Administration (NASA). Data titik panas yang digunakan adalah wilayah Provinsi Sumatera Selatan. Selanjutnya dilakukan menetukan cluster menggunakan algoritme VDBSCAN dengan parameter Eps i (i = 1, 2, 3, …) dan MinPts. Eps i (i = 1, 2, 3, …) merupakan radius maksimum ketetanggaan titik panas dengan iterasi 1, 2, 3, … didapat dari ambang batas atas dan bawah dari kdist plot. K-dist plot adalah plot dengan melihat perilaku jarak dari suatu titik ke kth tetangga terdekat dan dihitung untuk semua titik data untuk beberapa k, diurutkan dalam urutan menaik, dan kemudian menggunakan nilai yang diurutkan. Selanjutnya dilihat dari perubahan yang signifikan dengan memilih ambang batas atas 20000 meter dan ambang batas bawah 1000 meter, setelah itu diatur perubahan yang signifikan yaitu 100 meter. Setelah menemukan perubahan yang signifikan maka ditetapkan ambang batas atas 19.791,67 meter dan ambang batas bawah 1481,95 meter. Berdasarkan batas bawah dan batas atas tersebut dilakukan 61 iterasi untuk radius Eps i (i = 1, 2, 3, …, n). MinPts yang merupakan jumlah minimum titik panas dalam area ketetanggaan dalam radius Eps i (i = 1, 2, 3, …, n) dengan ditetapkan sebanyak 3. Penelitian ini menghasilkan 33 cluster dengan cluster ke 0 (densitas ditingkat iterasi 1) sampai dengan cluster ke 32 (densitas ditingkat iterasi 60 ) dan poin yang tidak ditandai semua cluster densitas ditingkat iterasi / noise dengan jumlah 58 titik panas. 33 cluster didapat dari hasil Eps i (i = 1, 2, 3, …, n) radius berdasarkan iterasi, setelah itu setiap iterasi radius Eps i (i = 1, 2, 3, …, n) diadopsi menggunakan algoritme DBSCAN dari cluster 0 densitas ditingkat iterasi sampai cluster 32 densitas ditingkat iterasi. Kepadatan (densitas) tertinggi terdapat pada cluster 0 densitas ditingkat iterasi 1 dengan radius / eps 1,48 kilometer dengan menghasilkan 30 cluster dan 179 jumlah titik panas sebesar 120,9 titik panas / km2 dan nilai indeks silhouette tertinggi pada cluster 3 densitas ditingkat iterasi 4 dengan radius 3,3 kilometer menghasilkan 2 cluster dan 8 titik panas dengan nilai 0,9856. Hasil dari penelitian ini dapat digunakan dalam mengetahui bagaimana pengelompokan titik panas dengan densitas yang bervariasi dan dapat membantu penguatan implementasi kebijakan dalam pencegahan kebakaran hutan dan lahan di Provinsi Sumatera Selatan.