Optimasi Aturan Asosiasi Multidimensi Menggunakan Algoritme Genetika Untuk Klasifikasi Kemunculan Titik Panas

Abstract

Kebakaran hutan dan lahan adalah suatu permasalahan yang serius di Indonesia. Indikasi kebakaran hutan dan lahan dapat diketahui melalui titik panas yang terdeteksi di suatu lokasi tertentu pada saat tertentu. Titik panas adalah satu piksel daerah yang memiliki suhu tinggi dibandingkan dengan daerah sekitar yang tertangkap oleh sensor satelit. Salah satu upaya pencegahan kebakaran hutan ialah mengetahui karakteristik wilayah terjadinya titik panas dengan menggunakan data mining. Penambangan aturan asosiasi merupakan salah satu metode data mining yang menghasilkan aturan yang bervariasi. Aturan (rule) yang dihasilkan memerlukan suatu algoritme untuk menemukan kemungkinan-kemungkinan dalam mencapai solusi yang optimal. Salah satu solusi optimal yang dapat diterapkan ialah menerapkan metode algoritme genetika. Algoritme genetika menawarkan banyak manfaat dalam berbagai pemecahan masalah optimasi. Penelitian ini menerapkan algoritme genetika untuk membantu mengoptimasi sejumlah aturan asosiasi yang telah ditambang. Melalui algoritme genetika aturan asosiasi multidimensi diekstrak untuk menghasilkan aturan asosiasi yang menarik dari dataset yang bersifat kategori. Aturan dibangkitkan secara sekaligus dan menyeluruh untuk menghasilkan kombinasi yang bervariasi dari aturan asosiasi multidimensi yang dihasilkan secara otomatis. Dari sejumlah aturan yang dihasilkan tersebut kemudian dianalisis untuk mengetahui karakteristik wilayah yang memiliki potensi terjadinya titik panas. Penelitian ini terdiri atas 3 (tiga) tahap yaitu optimasi aturan asosiasi multidimensi menggunakan algoritme genetika, klasifikasi kemunculan titik panas dengan menggunakan algoritme CPAR (Classification Based on Predictive Association Rules) di mana aturan diklasifikasi ke dalam 2 kelas yaitu kelas yang terdapat titik panas dan kelas yang tidak terdapat titik panas. Tahap terakhir adalah evaluasi aturan di mana dilakukan terhadap fitur-fitur spasial yang terdapat dalam aturan. Optimasi dalam algoritme genetika dilakukan melalui tahapan: skema pengkodean, evaluasi fitness, seleksi, pindah silang, mutasi. Hasil yang diperoleh dari penelitian ini ialah jumlah aturan dapat dikurangi. Jumlah aturan yang dihasilkan yaitu sebanyak 121 pada generasi ke-300 hingga mencapai 108 aturan pada generasi ke-50. Hasil klasifikasi menunjukkan bahwa daerah yang berpotensi timbulnya titik panas yang terdapat pada generasi ke-50 ditemukan pada daerah yang memiliki curah hujan lebih besar dari atau sama dengan 3 mm per hari dan yang memiliki temperatur pada interval 297 Kelvin hingga 298 Kelvin dengan laplace akurasi sebesar 0.76. Pada generasi 150 ditemukan daerah yang memiliki temperatur yaitu pada interval 297 Kelvin hingga 298 Kelvin dengan laplace akurasi sebesar 0.57. Pada generasi 300 ditemukan pada daerah yang memiliki kecepatan angin yaitu pada interval 1 m s-1 hingga 2 m s-1 dengan laplace akurasi sebesar 0.70.