KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN

GAMBUT DI SUMATERA DAN KALIMANTAN DENGAN

MENGGUNAKAN ALGORITME POHON KEPUTUSAN C5.0

DHITA APRITA

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 Klasifikasi Kemunculan

Titik Panas pada Lahan Gambut di Sumatera dan Kalimantan dengan Menggu-
nakan Algoritme Pohon Keputusan C5.0 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, Januari 2016

Dhita Aprita
NIM G6413016
 ABSTRAK
DHITA APRITA. Klasifikasi Kemunculan Titik Panas pada Lahan Gambut di Su-
matera dan Kalimantan dengan Menggunakan Algoritme Pohon Keputusan C5.0 .
Dibawah bimbingan IMAS SUKAESIH SITANGGANG.

Prediksi kejadian kebakaran hutan dilakukan menggunakan titik panas

sebagai indikator kebakaran hutan. Pada penelitian ini dilakukan klasifikasi
kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan. Algoritme
yang digunakan dalam klasifikasi adalah C5.0 dengan model klasifikasi tree dan
rule-based. Penerapan algoritme C5.0 pada dataset kebakaran hutan menghasilkan
nilai akurasi terbesar pada dataset Sumatera tahun 2001 dan Kalimantan tahun 2001.
Model pohon keputusan pada dataset Sumatera 2001 memiliki akurasi 88.98% dan
model berbasis aturan memiliki akurasi 89.83%. Dari model pohon keputusan
diperoleh 8 aturan klasifikasi sedangkan model berbasis aturan terdiri atas 7 aturan
klasifikasi. Dari dataset Kalimantan 2001 dihasilkan model pohon keputusan
dengan akurasi 71.91% dan model berbasis aturan dengan akurasi 71.91%. Dari
model pohon keputusan diperoleh 2 aturan klasifikasi dan model berbasis aturan
terdiri dari 2 aturan klasifikasi. Model dengan akurasi tertinggi diterapkan pada
dataset baru 2015. Akurasi yang dihasilkan pada data baru Kalimantan tahun 2015
sebesar 42.22% dan Sumatera tahun 2015 sebesar 50.99%.

Kata kunci: C5.0; kebakaran hutan; klasifikasi; pohon keputusan; titik panas

ABSTRACT
DHITA APRITA. Classification of Hotspot Occurences on Peatlands in
Suma-tra and Kalimantan using C5.0 Decision Tree Algorithm. Supervised by
IMAS SUKAESIH SITANGGANG.

To predict the incidence of forest fires, hotspots as indicators of forest fires

are used. In this research, the classification models of hotspot occurrences are
determined in Sumatra and Kalimantan. The algorithm used in the classification is
the C5.0 that results decision tree model and rule-based model. Applying the C5.0
algorithm on the dataset produced a classification model with high accuracy on the
dataset Sumatra 2001 and Kalimantan in 2001. Accuracy of the decision tree model
and the rule-based model on the dataset of Sumatera 2001 is 88.98% and 89.93 %,
respectively. The decision tree model consists of 8 classification rules whereas the
rules-based model consists of seven classification rules. Accuracy of the decision
tree model and the rule-based model on the dataset of Kalimantan is 71.91% and
71.91%, respectively. The decision tree model consists of 2 classification rules
whereas the rules-based model consists of 2 classification rules. The best model was
applied on the new dataset in 2015. The accuracy of the model is 42.22% on the
dataset of Kalimantan in 2015 and 50.99 % on the dataset of Sumatra in 2015.

Keywords: C5.0, decision tree, forest fires, classification, hotspots

KLASIFIKASI KEMUNCULAN TITIK PANAS PADA LAHAN
GAMBUT DI SUMATERA DAN KALIMANTAN DENGAN
MENGGUNAKAN ALGORITME POHON KEPUTUSAN C5.0

DHITA APRITA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2015
Penguji :
1 Muhammad Asyar Agmalaro, SSi, Mkom
2 Muhammad Abrar Istiadi, SKomp, MKom
Judul Skripsi : Klasifikasi Kemunculan Titik Panas Pada Lahan Gambut di
Sumatera dan Kalimantan dengan Menggunakan Algoritme Pohon
Keputusan C5.0
Nama : Dhita Aprita
NIM : G64134016

Disetujui oleh

Dr Imas Sukaesih Sitanggang, SSi, MKom

Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi, MKom

Ketua Departemen

Tanggal Lulus:
 PRAKATA

Puji syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang
berjudul “Klasifikasi Kemunculan Titik Panas pada Lahan Gambut Di Sumatera
dan Kalimantan dengan Menggunakan Algoritme Pohon Keputusan C5.0”.
Skripsi ini disusun sebagai syarat mendapat gelar Sarjan Komputer (SKomp)
pada Program Sarjana Ilmu Komputer di Fakultas Matematika dan Ilmu
Pengetahuan Alam Institut Pertanian Bogor (IPB).
Penulis mengucapkan terima kasih kepada semua pihak yang telah berperan
dalam penelitian ini, di antaranya:
1 Ibu, Ayah, Kakak, adek dan keluarga lainnya yang telah memberikan
dukungan, doa, motivasi, dan semangat untuk keberhasilan studi
2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen
pembimbing yang telah memberikan bimbingan, saran, arahan, dan
bantuan selama penyelesaian skripsi
3 Bapak Muhammad Ahsyar Agmalaro, SSi MKom dan Bapak
Muhammad Abrar Istiadi, SKomp MKom selaku dosen penguji
4 Sahabat-sahabat terbaik penulis, serta teman-teman satu bimbingan,
terima kasih atas doa, semangat, dan bantuannya
5 Seluruh dosen dan civitas akademika Departemen Ilmu Komputer IPB.
Penulis berharap semoga skripsi ini bermanfaat bagi pihak yang
membutuhkan.
Bogor, Januari 2016

Dhita Aprita
 DAFTAR ISI

DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN vi
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
METODE 3
Klasifikasi Data Menggunakan Algoritme C5.0 3
Data Penelitian 5
Tahapan Penelitian 8
Praproses Data 9
Pembagian Dataset 9
Pembuatan Model Klasifikasi Menggunakan Algoritme C5.0 9
Perhitungan Akurasi 10
Penerapan Model Terbaik Pada Data Baru 10
Lingkungan Pengembangan 10
HASIL DAN PEMBAHASAN 11
Praproses Data 11
Seleksi Data Titik Panas pada Lahan Gambut 11
Pembuatan Data Non Titik Panas 12
Pembuatan Dataset 14
Penambahan Atribut Primary Key 15
Klasifikasi Titik Panas Menggunakan Algoritme C5.0 15
Penerapan Terbaik Hasil Klasifikasi Titik Panas Pada Data Baru 20
SIMPULAN DAN SARAN 20
Simpulan 20
Saran 21
DAFTAR PUSTAKA 21
LAMPIRAN 23
 DAFTAR TABEL

1 Atribut data titik panas 5

2 Luas lahan gambut di Sumatera 7
3 Luas lahan gambut di Kalimantan 7
4 Akurasi rata-rata model berbasis pohon keputusan untuk dataset
Kalimantan 16
5 Akurasi rata-rata model berbasis pohon keputusan untuk dataset
Sumatera 16
6 Akurasi rata-rata model berbasis aturan untuk dataset
Kalimantan 17
7 Akurasi rata-rata pada model berbasis aturan untuk dataset
Sumatera 17
8 Penggunaan variabel penjelas pada model berbasis pohon
keputusan dan berbasis aturan 19

DAFTAR GAMBAR
1 Peta lahan gambut di Sumatera 6
2 Peta lahan gambut di Kalimantan 6
3 Tahapan penelitian 9
4 Jumlah data titik panas di Sumatera dan Kalimantan tahun 2001-
2014 11
5 Hasil seleksi data titik panas pada lahan gambut 12
6 Hasil buffer titik panas 12
7 Hasil dissolve titik panas 13
8 Data titik panas dan non titik panas 13

DAFTAR LAMPIRAN
1 Contoh penggunaan algoritme C5.0 terhadap dataset kecil
kebakaran hutan 23
2 Model klasifikasi pohon keputusan dengan algoritme C5.0
menggunakan perangkat lunak R 26
3 Model klasifikasi berbasis aturan dengan algoritme C5.0
menggunakan perangkat lunak R 28
 PENDAHULUAN

Latar Belakang

Kebakaran hutan di Indonesia pada saat ini dapat dipandang sebagai peristiwa
bencana regional dan global. Tahun 1997, kebakaran lahan gambut di Sumatera dan
Kalimantan telah menjadi berita utama. Hal ini disebabkan karena dampak dari
kebakaran hutan sudah menjalar ke negara-negara tetangga dan gas-gas hasil
pembakaran yang diemisikan ke atmosfer seperti karbondioksida berpotensi
menimbulkan pemanasan global (Adinugroho et al. 2005).
Salah satu cara penanggulangan terhadap bencana kebakaran hutan di
Indonesia adalah melakukan pemantauan terhadap titik panas (hotspot). Hotspot
merupakan suatu objek permukaan bumi yang memiliki suhu relatif lebih tinggi
dibandingkan dengan sekitarnya yang dapat deteksi oleh satelit. Area tersebut
direpresentasikan dalam suatu titik yang memiliki koordinat tertentu (Awang 2014).
Data titik panas dapat dijadikan sebagai salah satu indikator kemungkinan
terjadinya kebakaran, tetapi masih perlu dilakukan pemantauan dan pengecekan
ulang di lapangan untuk mengetahui apakah dapat diperlukan penindakan lebih
lanjut atau tidak.
Tacconi (2003) menyebutkan 3 masalah utama terkait dengan kebakaran
hutan di Indonesia yaitu (1) pencemaran kabut asap, emisi karbon dan dampak
terkait lainnya; (2) degradasi hutan, deforestasi dan hilangnya hasil hutan dan
berbagai jasa lingkungan serta (3) kerugian di sektor pedesaan akibat kebakaran
hutan dan anomali cuaca yang dipicu oleh kebakaran hutan. Oleh karena itu,
dibutuhkan suatu sistem untuk membantu mengurangi terjadinya kebakaran hutan.
Data kebakaran hutan umumnya berukuran besar, data titik panas merupakan data
spasial. Untuk analisis data berukuran besar salah satu metode yang dapat untuk
digunakan adalah teknik data mining. Penggunaan teknik data mining mampu
mengolah dan menganalisis data yang berukuran besar.
Salah satu penggunaan data mining dalam pengolahan data titik panas ialah
klasifikasi. Klasifikasi adalah proses menemukan model (fungsi) yang
menggambarkan dan membedakan kelas data atau konsep. Model yang diturunkan
berdasarkan analisis set data pelatihan (yaitu, objek data yang label kelas diketahui).
Model ini digunakan untuk memprediksi label kelas objek yang label kelas tidak
diketahui (Han et al. 2012).
Penelitian Sitanggang et al. (2014) menggunakan algoritme ID3 memiliki
akurasi sebesar 49.02% , C4.5 memiliki akurasi sebesar 65.24%, dan menghasilkan
akurasi dari algoritme spatial decision tree sebesar 71.66%. Hasil penelitian
tersebut menyimpulkan bahwa melibatkan hubungan spasial dalam algoritme
pohon keputusan menghasilkan pengklasifikasi yang lebih baik untuk memprediksi
terjadinya titik panas.
Penelitian Siknun (2015) menggunakan data kebakaran hutan di wilayah
Kabupaten Rokan Hilir, Provinsi Riau dengan algoritme C5.0 dan melakukan
pengembangan aplikasi berbasis web dengan menggunakan framework Shiny.
Penelitian yang dilakukan oleh Siknun (2015) menghasilkan model pohon
keputusan dengan akurasi 72.72%, dan model berbasis aturan dengan akurasi
73.51%.
2

Algoritme pohon keputusan C5.0 yang merupakan penyempurnaan dari

algoritme sebelumnya yaitu, ID3 dan C4.5 yang diperkenalkan terlebih dahulu oleh
[Link] Quinlan. Algoritme C5.0 menghasilkan pohon keputusan yang lebih
sederhana dan penggunaan memori yang lebih efisien. Algoritme C5.0 dapat
mengklasifikasikan model klasifikasi berstruktur pohon (tree) dan aturan (rule-
based). Penggunaan algoritme C5.0 untuk mendapatkan model klasifikasi dengan
hasil tingkat akurasi yang lebih tinggi dibandingkan dengan ID3 dan C4.5. Model
klasifikasi dibuat dengan menggunakan bahasa pemograman R dengan package
yang telah tersedia. Pada R, algortime C5.0 sebagai pengembangan dari algoritme
C4.5. Oleh karena itu, pada penelitian ini akan dibangun model klasifikasi
kemunculan titik panas pada lahan gambut di Pulau Sumatera dan Kalimantan
dengan menggunakan algoritme C5.0. Pemodelan klasifikasi dibangun untuk
memprediksi kejadian kemunculan titik panas dengan beberapa data latih dan data
uji menggunakan teknik 10—fold cross validation.

Perumusan Masalah

Berdasarkan latar belakang di atas, maka perumusan masalah pada penelitian

ini adalah:
1 Bagaimana penerapan algoritme C5.0 untuk mengklasifikasikan
kemunculan titik panas di lahan gambut di Sumatera dan Kalimantan?
2 Bagaimana membuat model klasifikasi kemunculan titik panas di lahan
gambut di Sumatera dan Kalimantan?
3 Bagaimana karakteristik lahan gambut yang berpotensi munculnya titik
panas?

Tujuan Penelitian

Tujuan dari penelitian ini adalah menerapkan algoritme pohon keputusan

C5.0 pada data titik panas di lahan gambut di Pulau Sumatera dan Kalimantan tahun
2001-2014 untuk membuat model klasifikasi kejadian kemunculan titik panas.

Manfaat Penelitian

Model klasifikasi kemunculan titik panas yang dihasilkan pada penelitian ini
diharapkan dapat membantu untuk memprediksi kejadian titik panas di masa
mendatang sehingga dapat membantu dalam pencegahan kebakaran hutan.

Ruang Lingkup Penelitian

Lingkup dari penelitian ini, yaitu:

1 Karakteristik lahan gambut yang dianalisis yaitu tipe lahan gambut,
tutupan lahan gambut, dan kedalaman lahan gambut.
2 Implementasi algoritme C5.0 menggunakan package C50 yang sudah
tersedia pada perangkat lunak RStudio.
3 Wilayah kajian adalah lahan gambut di Pulau Sumatera dan Kalimantan.
 3

METODE

Klasifikasi Data Menggunakan Algoritme C5.0

Algoritme C5.0 adalah perluasan dari algoritme C4.5 dan juga ID3 (Patil et
al. 2012). C5.0 adalah algoritme klasifikasi yang dapat menangani kumpulan data
besar. C5.0 lebih baik daripada C4.5 dalam hal kecepatan, memori dan efisiensi.
Model C5.0 bekerja dengan memisahkan sampel berdasarkan bidang yang
menyediakan keuntungan informasi dengan maksimum. Model C5.0 dapat
membagi sampel berdasarkan nilai information gain terbesar. Atribut yang
memiliki information gain terbesar akan dipilih sebagai parent atau untuk node
selanjutnya.
Sebuah pohon keputusan adalah classifier yang direpresentasikan sebagai
struktur pohon, di mana masing-masing simpul adalah simpul daun. Klasifikasi
yang berlaku untuk semua kasus yang mencapai daun atau node non-leaf, beberapa
tes dilakukan pada nilai atribut tunggal, dengan satu cabang dan sub-pohon untuk
setiap kemungkinan hasil tes. Node dalam pohon keputusan melibatkan pengujian
atribut tertentu. Biasanya, tes pada node membandingkan nilai atribut dengan
konstan. Namun, beberapa pohon membandingkan dua atribut satu sama lain, atau
menggunakan beberapa fungsi dari satu atau lebih atribut. Node daun memberikan
klasifikasi yang berlaku untuk semua kasus yang mencapai daun, atau satu set
klasifikasi, atau distribusi probabilitas atas semua klasifikasi yang mungkin (Witten
et al. 2011). Algoritme generate decision tree adalah sebagai berikut (Han et al.
2012):
1 Partisi data, D, data latih yang telah ditentukan label kelasnya
2 Attribute_list, himpunan yang terdiri dari kandidat atribut
3 Attribute_selection_method, prosedur untuk menentukan kriteria
pemotongan yang partisi tuple data terbaik ke kelas masing-masing.
Algoritme klasifikasi pohon keputusan adalah sebagai berikut (Han et al.
2012):
1 Membuat simpul N;
2 Jika semua tupel di D memiliki kelas yang sama yaitu C.
Maka simpul N sebagai simpul daun dan diberi label dengan kelas C.
3 Jika attribute list kosong, maka
Jadikan simpul N sebagai simpul daun dan diberi label = nilai kelas
terbanyak pada sampel
4 Menerapkan attribute selection method (D, attribute list) untuk
memperoleh atribut uji terbaik
5 Beri label simpul N dengan atribut data uji
6 Jika atribut bernilai diskret dan diperbolehkan untuk dipisah, maka
7 Attribute list <- attribute list <- atribut uji
8 Untuk setiap nilai j dari atribut uji yang diketahui
 Buat Dj menjadi kumpulan data tuple D untuk memenuhi
hasil j
 Jika Dj kosong maka
Tambahkan simpul daun yang diberi label = nilai kelas
yang terbanyak pada D ke simpul N
4

 Selainnya, tambah cabang baru di bawah dengan

memanggil fungsi generate decision tree (Dj attribute list)
ke simpul N;
 Kembalikan N;

Algoritme C5.0 memiliki tiga parameter input: D, attribute_list, dan

attribute_selection_method. D merupakan satu set tuple pelatihan dan label kelas
yang terkait. Attribute list menggambarkan suatu tupel. Attribute selection method
menentukan prosedur untuk memilih atribut yang mengolah tuple menurut kelasnya.
Prosedur ini membutuhkan ukuran atribut dengan information gain dan gini indeks.
Algoritme pohon keputusan generate decision tree dimulai dari simpul tunggal, N,
yang merepresentasikan data latih di D.
Model klasifikasi yang digunakan yaitu tree dan rule-based. Tree dimulai
sebagai node tunggal, N mewakili tupel pelatihan D. Tree memiliki struktur pohon
seperti flowchart yang masing-masing simpul internal non leaf node menunjukkan
pengujian pada atribut, masing-masing cabang mewakili hasil dari pengujian dan
masing-masing simpul daun merupakan label kelas. Root merupakan simpul paling
atas pada struktur tree. Sedangkan rule-based cara yang baik untuk mewakili
informasi atau pengetahuan. Aturan classifier menggunakan aturan IF (kondisi) –
THEN (kesimpulan) untuk klasifikasi. IF merupakan bagian (or left side) dari
aturan ini dikenal sebagai aturan prasyarat. Sedangkan THEN (or right side)
merupakan bagian konsekuen (Han et al. 2012).
Penelitian ini menggunakan information gain sebagai ukuran pemilihan
atribut. Atribut dengan information gain terbesar ditentukan sebagai atribut
pemisah untuk simpul N. Ukuran pemilihan atribut didefinisikan sebagai berikut
(Han [Link] 2012):

Info(D)= − ∑m
i=1 pi log2 (pi ) (1)

Dengan info (D) merupakan informasi yang dibutuhkan untuk

mengklasifikasi label kelas sebuah tuple di D. pi adalah peluang bukan nol dengan
sebuah tuple acak di D memiliki kelas Ci dan ditentukan dengan |Ci,D|/|D|. Fungsi
log menggunakan basis 2, karena informasi yang dikodekan dalam bit. Info (D) juga
dikenal sebagai entropy.
Partisi tuple di D pada beberapa atribut A memiliki nilai v yang berbeda {a1,
a2, …, av} dari data latih. Atribut A digunakan untuk memisahkan D ke dalam v
|Dj|
partisi atau sub himpunan {D1, D2, …, Dv}. |D| merupakan bobot partisi ke-j. Nilai
entropy yang dihasilkan untuk mengklasifikasi tuple dari D berdasarkan partisi oleh
A adalah (Han et al. 2012):
|Dj |
InfoA (D)= ∑vj=1 × Info(Dj ) (2)
D
Information gain yang diperoleh pada atribut A adalah:
Gain(A)=Info(D) - InfoA (D) (3)
Gain (A) menyatakan berapa banyak cabang yang akan diperoleh pada A.
Atribut A dengan information gain tertinggi informasi, Gain (A), dipilih sebagai
atribut pada node N (Han et al. 2012).
Algoritme C4.5 dan C5.0 dapat menghasilkan pengklasifikasi yang
 5

dinyatakan sebagai pohon keputusan atau set aturan (aturan-aturan). Metode set
aturan C4.5 ini terlalu lambat dan memakan banyak memori (RAM). C5.0
merupakan algoritme baru untuk memberikan aturan-aturan (ruleset), dan
memperbaiki secara substansial. C5.0 memiliki beberapa jenis data baru selain
yang tersedia di C4.5, termasuk tanggal, waktu, timestamp (tanggal dan waktu),
atribut diskrit, dan label kasus. Beberapa perbedaan algoritme C4.5 dan C5.0
(Rulequest 2012) :
1 Akurasi: C5.0 memiliki tingkat kesalahan yang lebih rendah. C4.5 dan
C5.0 memiliki akurasi prediksi yang sama, tetapi set aturanC5.0 lebih
kecil.
2 Kecepatan: C5.0 jauh lebih cepat, menggunakan algoritme yang
berbeda dan sangat dioptimalkan.
3 Memory: C5.0 umumnya lebih ringan dari C4.5.
Perbedaan utama antara C4.5 dan C5.0 adalah boosting, winnowing.
Boosting adalah teknik untuk menghasilkan dan menggabungkan beberapa
pengklasifikasi untuk meningkatkan akurasi prediksi. Winnowing adalah langkah
seleksi fitur yang dilakukan sebelum pemodelan (Rulequest 2012).

Data Penelitian

Data yang digunakan pada penelitian ini adalah data titik panas di Pulau Su-
matera dan Kalimantan pada tahun 2001-2014. Data ini diperoleh dari Moderate-
resolution Imaging Spectroradiometer (MODIS) milik National Aeronautics and
Space Administration (NASA). Sedangkan data untuk kedalaman lahan gambut dan
jenis lahan gambut diperoleh dari Wetland International. Data yang digunakan
merupakan data time series pemantauan kejadian titik panas dilakukan setiap hari,
data ini masih harus dilakukan praproses data untuk mendapatkan data yang ingin
diklasifikasi. Data titik panas dinyatakan dalam format CSV, dan data lahan
gambut dinyatakan dengan format SHP. Atribut data titik panas dapat dilihat pada
Tabel 1. Peta gambut di Pulau Sumatera dapat dilihat pada Gambar 1 dan di Pulau
Kalimantan pada Gambar 2.

Table 1 Atribut data titik panas

No Atribut Tipe
1 Longitude Numeric
2 Latitude Numeric
3 Brightness Numeric
4 Scan Numeric
5 Track Numeric
6 Acq date Date
7 Acq time Character varying(5)
8 Satelite Character varying (1)
9 Confidence Integer
10 Version Chatacter varying(3)
11 Bright T31 Numeric
12 FRP Numeric
6

Gambar 1 Peta lahan gambut di Sumatera

Pada Gambar 1 terdapat beberapa jenis tipe gambut dan kedalaman lahan
gambut di Sumatera dan Kalimantan. Sebagai contoh untuk mengetahui luas yang
tipe gambutnya hemists/fibrists menggunakan perintah sebagai berikut:
SELECT soil AS type, sum(ST Area(geom))/10000 AS
surface FROM peatland GROUP BY soil HAVING
soil=’Hemists/Fibrists’;

Dari perintah tersebut didapatkan jumlah luas area lahan gambut di Sumatera
dapat dilihat pada Tabel 2. Tipe gambut yang memiliki luas area paling kecil di
Pulau Sumatera yaitu hemists/mineral (90/10) sedang dengan luas area 0.62 ha.

Gambar 2 Peta lahan gambut di Kalimantan

 7

Table 2 Luas lahan gambut di Sumatera

No Tipe gambut Luas (ha)

1 Hemists/Saprists (60/40) sedang [Link]
2 Saprists/min (50/50) dangkal 16.859.44
4 Saprists/min (30/70) sedang 9.911.09
5 Saprists/min (90/10) sedang 178.408.66
6 Hemists (100) dalam 2.200.51
7 Hemists/Saprists (60/40) dalam 639.263.33
8 Hemists (100) sedang 86.697.37
9 Saprists/min (50/50) dalam 7.748.18
10 Hemists/min(90/10) sangat dalam 30.179.83
11 Hemists/Saprists (60/40) sedang 211.082.30
12 Hemists/min (30/70) dangkal 308.112.73
13 Hemists/Saprists(60/40) sangat dalam 957.561.63
14 Saprists/Hemists (60/40) dalam 553.762.96
15 Saprists/Hemists (60/40) sedang 236.659.27
16 Hemists/min (90/10) dangkal 7.950.20
17 Hemists/Saprists (60/40) dangkal 49.355.05
18 Hemists/min (70/30) sedang 91.797.22
19 Saprists/min (30/70) dalam 12.671.89
20 Hemists/min (90/10) sedang 0.62
21 Hemists/min (50/50) dangkal 2.218.85
22 Saprists/min (50/50) sedang 118.152.45
23 Hemists/min (90/10) sedang 578.525.93
24 Fibrists/Saprists (60/40) sedang 10.721.83
25 Saprists/Hemists (60/40) sangat dalam [Link]
26 Hemists/min (30/70) sedang 308.958.76
27 Saprists (100) sedang 87.885.62
28 Saprists (100) dalam 35182.64

Pada Gambar 2 merupakan peta lahan gambut di Kalimantan. Untuk

mengetahui luas mengetahui luas area lahan gambut di Kalimantan menggunakan
perintah yang sama dengan menghitung luas area di Sumatera. Maka, luas area
lahan gambut di Kalimantan dapat dilihat pada Tabel 3.
Tipe gambut yang memiliki luas area paling kecil di Pulau Kalimantan yaitu
hemists/fibrists/saprists dengan luas area 3.028.58 ha.
Table 3 Luas lahan gambut di Kalimantan

No Tipe gambut Luas(ha)

1 Hemists/Fibrists [Link]
2 Hemists/Fibrists/Mineral 388.442.91
3 Hemists/Mineral 922.584.24
4 Saprists/Mineral 108.626.03
5 Saprists/Hemists/Mineral 132.833.31
6 Hemists/Saprists/Mineral 133.670.39
7 Hemists/Fibrists/Saprists 3.028.58
8

Lahan gambut mempunyai tingkat kematangan Fibrists (belum melapuk),

Hemists (setengah melapuk), Saprists (sudah melapuk). Fibrists adalah tanah
gambut yang relatif belum melapuk atau masih mentah, hemists adalah tanah
gambut yang de-rajat dekomposisi bahan gambutnya tengahan, atau setengah
melapuk dan saprists adalah tanah gambut yang derajat pelapukan bahan
gambutnya sudah lanjut, atau sudah hancur seluruhnya (Wahyunto et al. 2005).
Kedalaman gambut dikategorikan menjadi D0, D1, D2, D3, dan D4. Nilai
tersebut menunjukan tingkat kedalaman lahan gambut sebagai berikut (Sitanggang
et al. 2012) :
1 D0 merupakan lahan gambut yang kedalamannya termasuk kriteria sangat
dangkal atau sangat tipis yang mempunyai kedalamannya hanya mencapai
< 50 cm.
2 D1 merupakan kriteria lahan gambut dangkal yang kedalamannya mencapai
50 cm hingga 100 cm
3 D2 kriteria lahan gambut cukup dalam yang kedalamannya mencapai 100
hingga 200 cm.
4 D3 termasuk kriteria lahan gambut dalam yang mempunyai kedalamannya
mencapai 200 cm hingga 400 cm.
5 D4 merupakan kriteria lahan gambut sangat dalam atau sangat tebal kedala-
mannya mencapai > 400 cm
Pada Tabel 3 terdapat 12 atribut yang didapatkan dari NASA. Namun, tidak
semua attribut digunakan untuk melakukan pengklasifikasian titik panas. Atribut
yang digunakan adalah longitude dan latitude untuk menentukan letak posisi
koordinat dan confidence untuk menyeleksi tingkat kepercayaan titik panas 70%.

Tahapan Penelitian

Tahapan penelitian dengan menerapkan algoritme C5.0 untuk klasifikasi

kemunculan titik panas pada kebakaran hutan lahan gambut diberikan pada Gambar
3.
 9

Gambar 3 Tahapan penelitian

Praproses Data

Tahapan praproses data dilakukan untuk mendapatkan data yang siap untuk
digunakan. Pada proses klasifikasi terdapat beberapa tahapan dalam melakukan
praproses data yaitu data cleaning, dan data selection. Pembersihan data dilakukan
untuk menghilangkan mising value atau membuang data yang tidak konsisten.
Pemilihan data merupakan pengambilan data yang relevan yang akan digunakan
untuk penelitian. Proses ini menyeleksi variabel data titik panas longitude,
latitude, dan tanggal.

Pembagian Dataset

Untuk melakukan klasifikasi dataset dibagi menjadi data latih dan data uji.
Data latih digunakan untuk membangun pohon keputusan, sedangkan data uji
digunakan untuk menghitung akurasi pohon keputusan. Pembagian dataset
menggunakan teknik 10-cross fold validation. 10-cross fold validation adalah
sebuah metode yang membagi himpunan contoh secara acak menjadi K himpunan
bagian (subset) (Fu 1994).

Pembuatan Model Klasifikasi Menggunakan Algoritme C5.0

Pada tahap ini dibangun model klasifikasi untuk membentuk pohon

keputusan. Pembentukan pohon keputusan ini menggunakan algoritme C5.0.
10

Algoritme ini menggunakan ukuran information gain dalam membuat pohon

keputusan. Data untuk membuat model klasifikasi yaitu data latih yang terdiri dari
tahun 2001-2014. Model klasifikasi dibuat dengan menggunakan bahasa
pemograman R dengan package yang telah tersedia yaitu C5.0. Algoritme C5.0
merupakan pengembangan algoritme C4.5. Contoh penggunaan algoritme C5.0
untuk dataset kecil dapat dilihat pada Lampiran 1.

Perhitungan Akurasi

Pada tahap ini akurasi dihitung dari model klasifikasi. Akurasi untuk
menunjukkan tingkat kebenaran pengklasifikasian data terhadap kelas yang
sebenarnya. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati 100%.
Semakin tinggi tingkat akurasi maka semakin rendah kesalahan klasifikasi pada
data baru. Dalam penelitian ini, metode yang digunakan dalam proses perhitungan
akurasi adalah metode 10-cross fold validation. Akurasi diperoleh dari data uji
dengan menggunakan rumus sebagai berikut:

∑ data uji yang benar diklasifikasikan

Akurasi= × 100 % (4)
∑ data uji

Selain melakukan perhitungan akurasi, diperlukan juga sensitivity atau recall

rate yang menunjukkan kemampuan model untuk mengenal kelas titik panas.
Rumus yang digunakan untuk menghitung sensitivity sebagai berikut (Han [Link].
2012 ):

True positive
Sensitivity= × 100 % (5)
True positive + false negative

Penerapan Model Terbaik Pada Data Baru

Pada penelitian ini model klasifikasi dengan model terbaik akan diterapkan
pada data baru tahun 2015.

Lingkungan Pengembangan

Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk

penelitian ini adalah sebagai berikut:
Perangkat keras:
 Processor Intel Core i3-370M
 RAM 2 GB DDR
 320 GB hard disk drive
Perangkat lunak:
 Sistem operasi Microsoft Windows 7
 Bahasa pemograman R-3.1. klasifikasi titik panas.
 R studio versi 0.98.1091 dengan package C50 untuk klasifikasi data
 Quantum GIS [Link] untuk melakukan praproses data spasial.
 11

HASIL DAN PEMBAHASAN

Praproses Data

Tahap pertama penelitian ini adalah melakukan praproses data. Data titik
panas yang diperoleh harus melalui tahap ini agar menghasilkan data yang relevan
dan siap digunakan dalam tahap klasifikasi. Pada tahapan praproses data
menggunakan Quantum GIS dan PostgreSQL. Sebelum praproses dilakukan, data
titik panas dibagi per tahun. Data titik panas yang lengkap dalam 12 bulan yaitu
tahun 2001-2014. Jumlah data titik panas pertahun dapat dilihat pada Gambar 4.

Gambar 4 Jumlah data titik panas di Sumatera dan Kalimantan tahun 2001-2014
Jumlah titik panas terbanyak terdapat di Sumatera yaitu pada tahun 2014
dengan titik panas 26234 dan di Kalimantan titik panas terbanyak terdapat pada
tahun 2006 dengan jumlah titik panas sebanyak 20300.

Seleksi Data Titik Panas pada Lahan Gambut

Tahapan penggabungan data titik panas dan lahan gambut menggunakan

Quantum GIS. Penggabungan ini bertujuan untuk mendapatkan data titik panas
yang hanya berada di atas lahan gambut. Pada proses penggabungan, sistem
referensi koordinat kedua data tersebut harus sama dengan letak pulau pada peta
atau proyeksi data. Untuk Kalimantan sistem referensi koordinat adalah
ESPG:32647-WGS 84/UTM Zone 49N dan Kalimantan ESPG:32647-WGS
84/UTM Zone 47N. Hasil dari seleksi data titik panas pada lahan gambut dapat
dilihat pada Gambar 5.
12

Gambar 5 Hasil seleksi data titik panas pada lahan gambut

Pembuatan Data Non Titik Panas

Tahap membangkitkan data non titik panas untuk mendapatkan data non
hotspot. Ada beberapa tahapan yang dilakukan yaitu membuat buffer dengan radius
0.01 (dalam derajat). Buffer titik panas dapat dilihat pada Gambar 6.

Gambar 6 Hasil buffer titik panas

Hasil dari buffer titik panas yang bertumpang tindih dengan yang lain akan di
dilebur dengan menggunakan operasi dissolve yang tersedia pada Quantum GIS.
Hasil dissolve dapat dilihat pada Gambar 7.
 13

Gambar 7 Hasil dissolve titik panas

Poligon hasil titik panas dissolve dibuat pada lahan gambut dengan
menggunakan operasi difference. Poligon operasi difference digunakan untuk
memisahkan antara titik panas dengan non titik panas. Untuk mendapatkan data non
titik panas dilakukan operasi pembangkitan random point. Hasil dari random point
dapat dilihat pada Gambar 8.

Gambar 8 Data titik panas dan non titik panas

Titik yang berwarna merah merupakan titik panas sedangkan titik yang
berwarna biru merupakan non titik panas yang merupakan titik acak yang
dibangkitkan disekitaran titik panas.
14

Pembuatan Dataset

Pada pembuatan dataset digunakan atribut kelas yang terdiri dari nilai TRUE
dan nilai FALSE. Nilai TRUE menyatakan kejadian titik panas, dan nilai FALSE
menyatakan bukan kejadian titik panas. Pembuatan dataset dilakukan
menggunakan PostgresSQL. Pembuatan dataset dengan atribut kelas menggunakan
SQL yaitu :
1 Membuat satu tabel baru bernama target2001, tabel target2001 berisi
beberapa atribut yang diambil dari tabel titik_panas yang mempunyai
nilai confidence 70% . Pernyataan SQL untuk langkah tersebut, yaitu :
CREATE TABLE target2001 AS SELECT gid, geom,
longitude, latitude, acq_date, acq_time,
confidence, class FROM reptitikpanas2001 WHERE
confidence >= 70%.
Tabel target2001 terdiri dari 889 record data titik panas di tahun 2001.
2 Menambahkan satu kolom di dalam tabel false alarm bernama class
dengan nilai default F atau FALSE. Pernyataan SQL untuk langkah
tersebut, yaitu :
ALTER TABLE randompoints2001 ADD COLUMN class
char DEFAULT 'F';
3 Menambahkan satu kolom di dalam tabel titik_panas bernama class
dengan nilai default T atau TRUE. Pernyataan SQL untuk langkah
tersebut, yaitu :
ALTER TABLE reptitikpanas2001 ADD COLUMN class
char DEFAULT 'T';
4 Penggabungan target2001 dan titik acak (non titik panas) dibangkitkan
sejumlah 889 titik acak.
INSERT INTO target2001 (gid,geom,class) SELECT
gid,geom,class FROM randompoints2001;
5 Membuat tabel dataset1
Dataset1 terdiri dari 7 variabel yaitu gid, gid0, the_geom, confidence,
class, depth, dan type. Variabel type menunjukkan tipe dari lahan gambut.
Dataset yang akan diolah untuk klasifikasi terdiri dari 4 variabel yaitu
class, depth, type. Query yang digunakan untuk membuat dataset tersebut
sebagai berikut:
CREATE TABLE dataset1 AS SELECT [Link], t.gid0,
[Link], [Link], [Link], [Link], [Link]
FROM target2001 AS t, gambut_kalimantan AS g
WHERE ST_Within( [Link], [Link]) ORDER BY gid;
6 Membuat dataset2 yang akan menjadi input algoritme pohon keputusan.
CREATE TABLE dataset2 AS SELECT [Link],
[Link], [Link] FROM target2001 AS t,
gambut_kalimantan AS g WHERE ST_Within([Link],
[Link]);
 15

Penambahan Atribut Primary Key

Penambahan atribut yang bertipe SERIAL dengan nama gid. Atribut gid ini
dibuat sebagai nilai terurut datadi dalam tabel target2001, dan gid yang sebelumnya
diubah menjadi gid0, gid0 merupakan primary key asli namun tidak terurut.
Perubahan atribut ini dengan menggunakan SQL yaitu:
1 SQL untuk mengubah nama kolom gid menjadi gid0
ALTER TABLE target2001 RENAME COLUMN gid TO gid0;
2 Menambahkan kolom bernama gid dengan tipe data BIGSERIAL sebagai
primary key baru
ALTER TABLE target2001 ADD COLUMN gid BIGSERIAL
PRIMARY KEY;
Penambahan gid digunakan untuk membuat dataset1. Selanjutnya data yang
telah diproses dapat diexport menjadi format Comma delimited (.CSV) untuk
implementasi algoritme C5.0 pada R. Setelah melakukan penambahan gid dan
mengubah nama kolom gid maka selanjutnya dilakukan pemuatan dataset ke
Quantum GIS untuk tahap selanjutnya yaitu klasifikasi titik panas menggunakan
algoritme C5.0.

Klasifikasi Titik Panas Menggunakan Algoritme C5.0

Implementasi algoritme C5.0 tersedia pada perangkat lunak R dalam package

C50. Algoritme C5.0 menghasilkan model klasifikasi berupa model pohon
keputusan dan model berbasis aturan. Model berbasis aturan dihasilkan dari model
berbasis aturan yang memiliki kondisi if-then menghasilkan kondisi yang tidak
sama. Model berbasis aturan memiliki banyak aturan yang dapat disederhanakan
dan dipangkas sehingga aturan yang diturunkan dapat berjumlah sedikit dari aturan
yang dihasilkan oleh model berbasis pohon keputusan. Untuk mendapatkan model
pohon keputusan dan model berbasis aturan dilakukan terlebih dahulu partisi data
latih dan data uji. Partisi data ini menggunakan 10-fold cross validation. Untuk
membangun model klasifikasi dengan algoritme C5.0 dilakukan perintah berikut:

1 Membaca dataset yang akan digunakan

>Dataset <- [Link]("D://[Link]")
>[Link](9850)}
2 Pembagian data menggunakan cross fold validation
>folds<-cut(seq(1,nrow(dataset)),breaks=10,
labels=FALSE)
>for(i in 1:10){
>testIndexes <- which(folds==i, [Link]=TRUE)
>testData <- dataset[testIndexes, ]
>trainData <- dataset[-testIndexes,]
3 Pembuatan model pohon keputusan menggunakan perintah berikut:
>oneTree <- C5.0(CLASS~., data=trainData)
>oneTree
>summary(oneTree)
4 Nilai akurasi dari model pohon keputusan dihitung menggunakan fungsi
predict. Data yang digunakan adalah data uji. Berikut perintah untuk
melakukan predict by tree:
16

>oneTreePred <- predict(oneTree, testData)

>postResample(oneTreePred,testData $CLASS)
5 Pembuatan model berbasis aturan diperoleh dengan menggunakan
perintah sebagai berikut:
>rules<-C5.0(CLASS~,data=trainData, >rules=TRUE)
>rules
>summary(rules)
6 Dari model berbasis aturan dihitung akurasi menggunakan data [Link]
melakukan predict by rule dilakukan perintah berikut:
>rulesPred <- predict(rules,testData)
>postResample(predict(rules,testData),testData
$CLASS)
Dari tahapan implementasi menggunakan algoritme C5.0 dengan
menggunakan perangkat lunak R, diperoleh model berbasis pohon keputusan untuk
dataset Pulau Kalimantan dan Sumatera untuk setiap tahunnya. Akurasi model
pohon keputusan dapat dilihat pada Tabel 4 untuk dataset Kalimantan dan untuk
nilai akurasi dataset Sumatera dapat dilihat pada Tabel 5. Akurasi model berbasis
aturan untuk dataset Kalimantan dapat dilihat pada Tabel 6 dan akurasi dataset
Sumatera pada Tabel 7.
Table 4 Akurasi rata-rata model berbasis pohon keputusan untuk dataset
Kalimantan

Tahun Ukuran Akurasi Sensitivity (%)

pohon (%)
2001 2 71.91 63.64
2002 5 59.09 60.63
2003 3 62.09 66.84
2004 4 62.11 69.40
2005 3 63.91 72.19
2006 4 59.86 45.80
2007 4 62.30 38.98
2008 2 53.32 33.33
2009 3 59.44 69.72
2010 3 46.43 85.71
2011 4 57.59 44.80
2012 4 59.41 38.62
2013 4 47.30 58.42
2014 5 58.47 85.64
Akurasi rata-rata 58.80%
Table 5 Akurasi rata-rata model berbasis pohon keputusan untuk dataset Sumatera

Tahun Ukuran Akurasi Sensitivity (%)

pohon (%)
2001 8 88.98 91.53
2002 36 87.24 83.16
2003 33 73.03 73.37
2004 28 77.24 78.78
2005 32 77.24 73.78
 17

Tahun Ukuran Akurasi Sensitivity (%)

pohon (%)
2006 36 86.00 86.71
2007 17 83.23 80.95
2008 4 77.36 66.67
2009 21 81.02 79.67
2010 14 77.49 78.68
2011 18 85.63 85.27
2012 21 82.12 76.05
2013 30 84.34 75.50
2014 51 81.92 85.92
Akurasi rata-rata 82.22%
Table 6 Akurasi rata-rata model berbasis aturan untuk dataset Kalimantan

Tahun Jumlah Akurasi Sensitivity (%)

aturan (%)
2001 2 71.91 63.64
2002 5 59.09 60.63
2003 3 62.09 66.84
2004 4 62.11 69.40
2005 3 63.91 72.19
2006 4 59.86 45.80
2007 4 62.30 38.98
2008 2 53.90 44.40
2009 3 59.15 64.98
2010 3 46.43 85.71
2011 4 57.59 44.80
2012 4 59.41 38.62
2013 4 47.30 58.42
2014 5 58.47 85.64
Akurasi rata-rata 58.82%
Table 7 Akurasi rata-rata pada model berbasis aturan untuk dataset Sumatera

Tahun Jumlah Akurasi Sensitivity (%)

aturan (%)
2001 7 89.83 93.22
2002 18 86.98 88.08
2003 21 73.33 73.96
2004 12 84.44 77.44
2005 23 77.29 73.60
2006 14 85.56 84.59
2007 12 82.30 76.19
2008 4 77.36 66.67
2009 14 85.39 84.56
2010 6 76.75 72.06
2011 13 85.39 84.56
2012 14 82.02 75.00
2013 14 84.02 76.07
18

Tahun Jumlah Akurasi Sensitivity (%)

aturan (%)
2014 24 81.39 81.60
Akurasi rata-rata 81.86%

Akurasi rata-rata didapatkan dari jumlah akurasi seluruh dataset dibagi

dengan jumlah dataset. Akurasi rata-rata yang diperoleh dari model pohon
keputusan untuk dataset Kalimantan sebesar 58.80% dan dataset Sumatera sebesar
82.22%. Sedangkan akurasi rata-rata model berbasis aturan untuk dataset
Kalimantan sebesar 58.82% dan dataset Sumatera sebesar 81.86%.
Akurasi tertinggi dari model berbasis pohon keputusan dan berbasis aturan
yaitu pada dataset Sumatera tahun 2001 dan dataset Kalimantan 2001. Dataset
Sumatera 2001 menghasilkan model berbasis pohon keputusan dengan akurasi
sebesar 88.98% dan model berbasis aturan dengan akurasi sebesar 89.83 % terdapat
12 dari 118 data yang diklasifikasikan tidak benar oleh model pohon keputusan dan
model berbasis aturan.
Untuk dataset Kalimantan 2001 model berbasis pohon keputusan dan model
berbasis aturan memiliki akurasi sebesar 71.91% terdapat 57 dari 178 data titik
panas yang diklasifikasikan tidak benar oleh model pohon keputusan dan model
berbasis aturan. Data latih untuk Sumatera tahun 2001 sebanyak 3156 data dan data
uji sebanyak 351 data dari 3507 data dan pada dataset Kalimantan tahun 2001 data
latih sebanyak 1601 data dan data uji sebanyak 178 data dari 1779 data.
Model klasifikasi dengan menggunakan algoritme C5.0 pada dataset di Pulau
Sumatera tahun 2001 menghasilkan pohon keputusan dengan banyaknya aturan
sebesar 8 aturan dan model berbasis aturan yang terdiri dari 7 aturan. Model
klasifikasi yang dihasilkan oleh model pohon keputusan secara lengkap dapat
dilihat pada Lampiran 2 dan model klasifikasi yang dihasilkan oleh model berbasis
aturan dapat dilihat pada Lampiran 3.
Beberapa aturan yang dihasilkan oleh pohon keputusan untuk dataset
Sumatera tahun 2001 sebagai berikut:
1 IF tipe gambut in {(Hemists/mineral (90/10), sedang), (Hemists/Saprists
(60/40), dalam), (Hemists/Saprists (60/40), sangat dalam),
(Hemists/Saprists (60/40), sedang), (Saprists (100), dalam)} THEN
Hotspot (67/23)
2 IF tipe gambut in (Hemists/mineral (30/70), dangkal), (Saprists (100),
sedang), (Saprists/Hemists (60/40), dalam), (Saprists/Hemists (60/40),
sedang), (Saprists/ mineral (90/10), sedang), AND tutupan lahan = Kelapa
sawit pada bekas hutan rawa > 5 tahun THEN Non hostpot (44/11)
Aturan ke-1 menyatakan jika tipe lahan gambut adalah (Hemists/mineral
(90/10), sedang) atau (Hemists/Saprists (60/40), dalam) atau (Hemists/Saprists
(60/40), sangat dalam) atau (Hemists/Saprists (60/40), sedang) atau (Saprists (100),
dalam) dan jika kedalaman gambut adalah cukup dalam maka wilayah tersebut
diprediksi terdapat kemunculan titik panas.
Aturan ke-2 menyatakan jika tipe gambut adalah (Hemists/min (30/70),
dangkal) atau (Saprists(100), sedang) atau (Saprists/Hemists (60/40), dalam) atau
(Saprists/Hemists (60/40), sedang) atau (Saprists/mineral (90/10), sedang) dan
tutupan lahan adalah kelapa sawit pada bekas hutan rawa > 5 tahun maka wilayah
 19

tersebut diprediksi tidak terjadi kemunculan titik panas. Nilai (67/23) menyatakan
67 data tergolong kelas hotspot dan 23 data bukan kelas hotspot.
Beberapa Aturan yang dihasilkan dari dataset Sumatera tahun 2001 untuk
model berbasis aturan sebagai berikut :
1 IF tipe gambut in {(Hemists/mineral (90/10), sedang), (Hemists/Saprists
(60/40), dalam), (Hemists/Saprists (60/40), sangat dalam),
(Hemists/Saprists (60/40), sedang), (Saprists (100), dalam)} THEN
hotspot (184/38, lift 1.6).
2 IF tipe gambut in {(Hemists/mineral (30/70),dangkal),
(Hemists/mineral(30/70), sedang), (Hemists/mineral(90/10),sedang),
(Hemists/Saprists(60/40),dalam),(Hemists/Saprists (60/40),sedang),
(Saprists/Hemists(60/40),dalam), (Saprists/Hemists(60/40),sedang),
(Saprists/Hemists (60/40),sedang),(Saprists/mineral (90/10),sedang)}
AND tutupan lahan in {(Belukar rawa, Kelapa pada bekas hutan rawa
> 5 tahun)} THEN Non hotspot (150/27, lift 1.6).
Aturan ke-1 menyatakan jika tipe gambut adalah {(Hemists/mineral (90/10),
sedang) atau (Hemists/Saprists (60/40), dalam) atau (Hemists/Saprists(60/40),
sangat dalam) atau (Hemists/Saprists (60/40), sedang) atau (Saprists (100), dalam)}
maka wilayah tersebut diprediksi terdapat kemunculan titik panas. Aturan ke-2
menyatakan jika tipe gambut adalah {(Hemists/mineral (30/70), dangkal) atau
(Hemists/mineral (30/70), sedang) atau (Hemists/mineral (90/10), sedang) atau
(Hemists/Saprists(60/40), dalam) atau (Hemists/Saprists (60/40), sedang) atau
(Saprists/Hemists(60/40), dalam), (Saprists/Hemists(60/40), sedang) atau
(Saprists/Hemists (60/40), sedang) atau (Saprists/mineral (90/10), sedang)} AND
tutupan lahan adalah Belukar rawa, Kelapa pada bekas hutan rawa > 5 tahun maka
wilayah tersebut diprediksi tidak terdapat kemunculan titik panas.
Pada aturan ke-1 nilai (184) menyatakan 184 data tergolong kelas hotspot.
Nilai lift merupakan hasil pembagian akurasi rasio Laplace dengan frekuensi relatif
kelas yang diprediksi. Lift 1.6 adalah hasil pembagian akurasi (n-m+1)/(n+ 2)
dengan frekuensi relatif kelas yang diprediksi. N adalah jumlah data yang benar
tergolong kelas dan m adalah jumlah data yang bukan kelas tetapi diprediksi sebagai
kelas.
Hasil dari kedua model pohon keputusan dan model berbasis aturan memiliki
persamaan penggunaan variabel penjelas pada aturan yang dihasilkan. Penggunaan
variabel tersebut dapat dilihat pada Tabel 8.
Table 8 Penggunaan variabel penjelas pada model berbasis pohon keputusan dan
berbasis aturan

Variabel Presentase penggunaan variabel

Model pohon keputusan Model berbasis aturan
Tutupan lahan 100% 93.66%
Tipe gambut 100% 91.13%
Kedalaman gambut 100% 100%

Tabel 8 menunjukan bahwa kedua model tersebut menggunakan tiga variabel

penjelas yang sama untuk klasifikasi yaitu tutupan lahan, tipe gambut, dan
kedalaman gambut. Pada model pohon keputusan variabel tutupan lahan gambut
digunakan 100%. Penggunaan variabel ini menyatakan bahwa pada setiap aturan
20

pohon keputusan terdapat variabel tutupan lahan gambut. Sedangkan pada model
berbasis aturan variabel tutupan lahan gambut digunakan sebesar 93.66% yang
menyatakan bahwa tidak semua aturan mengandung variabel tutupan lahan.
Nilai akurasi tertinggi untuk model pohon keputusan pada dataset
Kalimantan 71.91% yaitu pada tahun 2001 dan 71.91% untuk model berbasis aturan.
Model pohon keputusan menghasilkan 2 aturan dan model berbasis aturan juga
terdiri dari 2 aturan. Aturan-aturan tersebut adalah
1 IF kedalaman gambut {100-200,200-400,50-100} THEN Non hotspot
(882/256)
2 IF kedalaman gambut in {400-800,800-1200} THEN Hotspot (719/171)
Aturan ke-1 menyatakan bahwa jika kedalaman lahan gambut adalah 100-
200 atau 200-400 atau 50-100 maka wilayah tersebut diprediksi tidak terdapat
kemunculan titik panas. Aturan ke-2 menyatakan bahwa jika kedalaman lahan
gambut adalah 400-800 atau 800-1200 maka wilayah tersebut diprediksi terdapat
kejadian kemunculan titik panas. Nilai (719/171) adalah 719 tergolong kelas yang
benar diprediksi sebagai titik panas dan 171 adalah data yang tidak benar
diklasifikasikan sebagai kelas titik panas.

Penerapan Terbaik Hasil Klasifikasi Titik Panas Pada Data Baru

Algoritme C5.0 diterapkan pada dataset baru yaitu dataset Kalimantan tahun
2015 dan dataset Sumatera tahun 2015. Data latih yang digunakan adalah data latih
dari masing-masing Pulau yang menghasilkan model klasifikasi dengan akurasi
tertinggi, yaitu data Kalimantan tahun 2001 dan Sumatera tahun 2001. Akurasi yang
dihasilkan pada data baru Pulau Kalimantan sebesar 42.22% untuk model berbasis
pohon keputusan dan 42.22% untuk akurasi berbasis aturan. Dataset Kalimantan
2001 digunakan sebagai data latih dan dataset Kalimantan 2015 sebagai data uji
Jumlah data latih yang digunakan sebanyak 1780 data, dan data uji sebanyak 46
data. Pada data baru Pulau Sumatera menghasilkan akurasi sebesar 50.99% untuk
model berbasis pohon keputusan dan 50.99% untuk model berbasis aturan. Dataset
Sumatera 2001 digunakan sebagai data latih dan dataset Sumatera 2015 sebagai
data uji. Jumlah data latih yang digunakan sebanyak 3508 data dan data uji
sebanyak 1056 data.
Dari hasil penerapan model pada dataset baru menggunakan algoritme C5.0,
maka dapat dinyatakan model yang dihasilkan dapat mengklasifikasi dengan baik
data titik panas.

SIMPULAN DAN SARAN

Simpulan

Penelitian ini menggunakan data titik panas pada lahan gambut di Pulau
Kalimantan dan Sumatera tahun 2001-2014, untuk pengklasifikasian kemunculan
titik panas menggunakan algoritme C5.0 yang merupakan pengembangan dari C4.5.
Dataset yang menghasilkan model klasfikasi dengan akurasi tertinggi yaitu dataset
Sumatera tahun 2001 dan Kalimantan tahun 2001. Nilai akurasi tertinggi dari model
berbasis pohon keputusan pada dataset Sumatera tahun 2001 adalah 88.98% dengan
 21

jumlah aturan sebanyak 8 aturan dan model berbasis aturan sebesar 89.93% terdiri
dari 7 aturan. Akurasi yang dihasilkan pada dataset Kalimantan tahun 2001 untuk
model berbasis pohon keputusan sebesar 71.91% dengan jumlah aturan sebanyak 2
aturan dan model berbasis aturan sebesar 71.91% dengan jumlah aturan sebanyak
2 aturan. Penerapan model pada data baru menghasilkan akurasi model klasifikasi
untuk dataset Kalimantan tahun 2015 sebesar 42.22% dan dataset Sumatera tahun
2015 sebesar 50.99%. Algoritme C5.0 berhasil diterapkan untuk memprediksi
kemunculan titik panas pada lahan gambut berdasarkan tipe lahan gambut dan
kedalaman lahan gambut.

Saran

Saran yang dapat dilanjutkan untuk penelitian selanjutnya yaitu

pengembangan aplikasi Shiny dengan menggunakan dataset pada penelitian ini dan
penggunaan aplikasi Shiny yang di adopsi dari penelitian sebelumnya.

DAFTAR PUSTAKA

Adinugroho, WC, INN Suryadiputra, BH Sharjo, dan L Siboro. 2005. Panduan

Pengendalian Kebakaran Hutan dan Lahan Gambut. Bogor (ID) Wetlands
International-Indonesia Programme dan Widlife Habitat Canada: Proyek
Climate Change, Forests dan Peatlands in Indonesia.
Awang. 2014. Hotspot hanyalah indikator bukan kejadian kebakaran hutan/lahan.
[Internet]. [diunduh 2015 Nov 20]. Tersedia pada:
http//[Link]/[Link]//subblog/read/2014/840/Hotspot:Hanyalah
Indikator-Bukan-Kejadian-Kebakaran-Hutan/Lahan.
Fu, L. 1994. Neural Network in Computers Intelligence. Singapura (SG): McGraw-
Hill.
Han J, Kamber M, Pei J. 2012. Data Mining: Concepts and Techniques. 3rd ed.
Massachusetts (US): Morgan Kaufmann Publishers.
Patil N, Lathi R, chitre V. 2012. Customer card classification based on C5.0 &
CART algorithms. International Journal of Engineering Research and
Applications (IJERA). 2:164-167.
Rulequest. 2012. Data mining tools see5 and C5.0. [Internet]. [diunduh 2015 Nov
20]. Tersedia pada: http//[Link]/[Link].
Siknun GP. 2015. Aplikasi klasifikasi berbasis web untuk data kebakaran hutan
menggunakan framework shiny dan algoritme C5.0 [skripsi]. Bogor (ID):
Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Sitanggang IS, Yaakob R, Mustapha N, Ainuddin AN. 2012. Application of
classification algorithms in data mining for hotspots occurrence prediction in
Riau province Indonesia. JATIT 43(2), pp. 214-221. ISSN: 1992-8645.
Sitanggang IS, Yaakob R, Mustapha N, Ainuddin AN. 2014. A decision tree based
on spatial relationships for predicting hotspots in peatlands. Telkomnika.
12(2):[Link].12928/TELKOMNIKA.v12i2.2036.
Tacconi L. 2003. Kebakaran Hutan di Indonesia: Penyebab, Biaya, dan Implikasi
Kebijakan. Bogor (ID): Center for International Forestry Research (CIFOR).
22

Wahyunto, Ritung.S, Suparto, dan [Link]. 2005. Sebaran Gambut dan

Kandungan Karbon di Sumatera dan Kalimantan. Bogor (ID) Weatlands
International-Indonesia Programme dan Widlife Habitat Canada: Proyek
Climate Change, Forests dan Peatlands in Indonesia.
Witten, IH, E Frank E, dan MA Hall. 2011. Data Mining Pratical Machine
Learning Tools and Techniques 3rd ed. United States (US): Morgan Kaufmann
Publishers.
 23

LAMPIRAN

Lampiran 1 Contoh penggunaan algoritme C5.0 terhadap dataset kecil kebakaran

hutan
Berikut ini disajikan contoh dataset kebakaran hutan. Kelas C1 (titik panas)
dan C2 (non titik panas).
Tabel 1.1 Contoh dataset kebakaran hutan
Kedalaman gambut Tipe gambut Kelas

200-400 Hemists/Fibrists C1
200-400 Hemists/Fibrists C1
50-100 Hemists/Mineral C1
50-100 Hemists/Fibrists C2
100-200 Hemists/Mineral C2
100-200 Hemists/Fibrists C1
50-100 Hemists/Mineral C1
100-200 Hemists/Fibrists C1
200-400 Hemists/Fibrists C2
50-100 Hemists/Fibrists C2

Dengan menggunakan data pada Tabel 1.1 data yang digunakan terdiri dari
6 data sebagai data latih dan 4 data digunakan untuk data uji. Tahap ini dimulai
dengan melakukan seleksi atribut menggunakan formula information gain yang
terdapat pada algoritma C5.0, sehingga diperoleh nilai gain untuk masing-masing
atribut, atribut dengan nilai gain tertinggi akan menjadu parent bagi node-node
selanjutnya. Node-node tersebut didapat dari atribut-atribut yang memiliki nilai
gaiun yang lebih kecil dari nilai gain atribut parent. Data latih dicari nilai
information gainnya yaitu,

4 4 2 2
I(4;2) = - log2 ( 6 ) - log2 ( 6 ) = 0.924
6 6

Nilai 4 didapat dari jumlah kelas C1 dan 2 dari jumlah kelas C2. Dengan
menggunakan formula yang sama dilakukan pemilihan atribut, dihitung rasio nilai
C1 dan C2 dari seluruh atribut. Tabel 1.2 atribut kedalaman gambut dengan jumlah
kelas C1 dan C2 untuk menghitung gain di setiap atributnya.

Tabel 1.2 Atribut kedalaman gambut dengan jumlah kelas C1 dan C2

Atribut Kelas
C1 C2
200-400 2 0
50-100 1 1
100-200 1 1

Menghitung gain pada atribut kedalaman gambut :

1 Kedalaman gambut = 200-400
24

Lampiran 1 Lanjutan
2 2 0 0
I (2,0) = - log 2 ( ) − log 2 ( ) = 0
2 2 2 2

2 Kedalaman gambut = 50-100

1 1 1 1
I (1,1) = − log 2 ( ) − log 2 ( ) = 1
2 2 2 2
3 Kedalaman gambut = 100-200
1 1 1 1
I (1,1)= - log 2 ( ) − log 2 ( ) = 1
2 2 2 2
Nilai gain yang dihasilkan dari atribut kedalaman gambut yaitu :
2 2 2
0.924 - ( 𝑥0) − ( 𝑥1) − ( 𝑥1) = 0.264
6 6 6
Untuk tahap selanjutnya hal yang sama yaitu penerapan formula
information gain dilakukan terhadap atribut tipe gambut. Pada Tabel 1.3 atribut tipe
gambut dengan jumlah kelas C1 dan C2.

Tabel 1.3 Atribut tipe gambut dengan jumlah kelas C1 dan C2

Atribut Kelas
C1 C2
Hemists/fibrists 3 1
Hemists/mineral 1 1

Menghitung gain pada atribut tipe gambut :

1 Tipe gambut = hemists/fibrists
3 3 1 1
I(3,1) = - log 2 ( ) − log 2 ( ) = 0.812
4 4 4 4
2 Tipe gambut = Hemists/mineral
1 1 1 1
I(1,1) = - log 2 ( ) − log 2 ( ) = 0.05
2 2 2 2
Information gain yang dihasilkan dari atribut tipe gambut yaitu :
4 2
0.924 - ( x 0.812) - ( x 1) = 0.05
6 6
Maka gain yang dihasilkan oleh tipe gambut akan dibandingkan dengan
hasil gain kedalaman gambut. Gain tertinggi akan dipilih sebagai simpul pertama
pada decision tree yang dikenal dengan nama root/akar. Pada simpul selanjutnya
secara berurutan diisi dengan atribut-atribut yang bernilai gain lebih rendah, dan
akan berhenti pada simpul akhir yang berisi kelas output dari setiap cabangnya yang
dikenal dengan nama leaf/daun. Gain yang dihasilkan kedalaman gambut adalah
0.264 dan gain yang dihasilkan tipe gambut adalah 0.05. Atribut kedalaman gambut
memiliki nilai gain tertinggi, sehingga atribut ini menjadi atribut root pada decision
tree, kemudian dilanjutkan dengan atribut tipe gambut sebagai child node, dan
diakhiri oleh kelas C1(titik panas) dan C2 (non titik panas). Decision tree yang
dihasilkan dapat dilihat pada Gambar 1.1.
 25

Lampiran 1 Lanjutan

Gambar 1.1 Bentuk decision tree dataset kebakaran hutan

Setelah menentukan parent untuk pohon keputusan maka dilakukan
pengujian dengan data uji. Data uji yang digunakan terdapat 4 data yang terdiri 2
kelas C1 dan 2 kelas C2. Berikut data uji dapat dilihat pada Tabel 1.4.

Tabel 1.4 Contoh data uji pada dataset kebakaran hutan

Kelas Kelas
Kedalaman gambut Tipe gambut Aktual Prediksi

50-100 Hemists/Mineral C1 C1
100-200 Hemists/Fibrists C1 C1
200-400 Hemists/Fibrists C2 C1
50-100 Hemists/Fibrists C2 C2

Pengujian data menghasilkan 3 data benar diklasifikasi dan 1 data tidak benar
diklasifikasi. Maka akurasi yang dihasilkan yaitu :
3
x 100% = 75%
4
26

Lampiran 2 Model klasifikasi pohon keputusan dengan algoritme C5.0

menggunakan perangkat lunak R

Tutupan_lahan = Kelapa sawit pada bekas hutan rawa > 5 th: C1

(0)
Tutupan_lahan in {(Hutan rawa,Sawah dan kelapa),
: (Sawah intensif (padi - palawija/bera),
jeruk),
: (Sawah tadah hujan (padi -
palawija/bera)),
: (Semak, rumput pada bekas sawah)}:
:...Tipe gambut in {(Hemists/min (30/70), dangkal),
(Hemists/mineral (30/70), sedang),
: : (Hemists/mineral (50/50), dangkal),
(Hemists/mineral (70/30), sedang),
: : (Hemists/Saprists (60/40), sedang),(Saprists
(100), sedang),
: : (Saprists/Hemists (60/40), dalam),
: : (Saprists/Hemists (60/40), sangat dalam),
: : (Saprists/Hemists (60/40),
sedang),(Saprists/Hemists (60/40), sedang),
: : (Saprists/mineral (90/10), sedang)}: Non
Hotspot (315/18)
: Tipe gambut in {(Hemists/mineral (90/10), sedang),
(Hemists/Saprists (60/40), dalam),
: (Hemists/Saprists (60/40), sangat dalam),
: (Hemists/Saprists (60/40), sedang),
: (Saprists (100), dalam)}: Hotspot (67/23)
Tutupan lahan in {(Belukar rawa, Kebun karet), (Kelapa pada
bekas hutan rawa > 5 tahun,
: (Kelapa sawit pada bekas hutan rawa > 5
tahun),
: (Kelapa sawit pada bekas hutan rawa < 5
tahun),
: (Lahan hutan konsesi penebangan), (Lahan
terbuka/persiapan perkebunan),
: (Sawah intensif (padi - padi)),
: (Sawah tadah hujan (padi/palawija/bera)),
: (Semak dan rumput rawa dan bekas kebakaran)}:
:...Tipe gambut in {(Hemists/mineral(50/50), dangkal),
(Hemists/mineral (70/30), sedang),
: (Hemists/Saprists (60/40), sangat dalam),
: (Hemists/Saprists (60/40), sedang), (Saprists
(100), dalam),
: (Saprists/Hemists (60/40), sangat dalam)}:
Hotspot (329/31)
Tipe gambut in {(Hemists/mineral (30/70), dangkal),
(Hemists/mineral (30/70), sedang),
: (Hemists/mineral (90/10), sedang),
(Hemists/Saprists (60/40), dalam),
: (Hemists/Saprists (60/40), sedang),(Saprists
(100),sedang),
: (Saprists/Hemists (60/40),
dalam),(Saprists/Hemists (60/40),sedang),
 27

Lampiran 2 Lanjutan

: (Saprists/Hemists (60/40),
sedang),(Saprists/mineral (90/10),sedang)}:
: (Kelapa pada bekas hutan rawa > 5 tahun)}: Non
Hotspot (150/27)
:...Tutupan lahan in {(Belukar rawa),

Tutupan lahan in {(Kebun karet), (Kelapa sawit pada bekas

hutan rawa > 5 tahun),
: (Kelapa sawit pada bekas hutan rawa < 5
tahun),
: (Lahan hutan konsesi penebangan),
: (Lahan terbuka/persiapan perkebunan),
: (Sawah intensif (padi - padi)),
: (Sawah tadah hujan
(padi/palawija/bera)),
: (Semak dan rumput rawa dan bekas
kebakaran)}:
:...Tipe gambut in {(Hemists/mineral (30/70),
sedang),(Hemists/mineral (90/10), sedang),
: (Hemists/Saprists (60/40), dalam),
: (Hemists/Saprists (60/40), sedang),
: (Saprists/Hemists (60/40), sedang)}:
Hotspot (89/3)
Tipe gambut in {(Hemists/mineral (30/70), dangkal), (Saprists
(100), sedang),
: (Saprists/Hemists (60/40), dalam),
: (Saprists/Hemists (60/40), sedang),
: (Saprists/min (90/10), sedang)}:
Tutupan lahan = Kelapa sawit pada bekas hutan rawa > 5 tahun:
Non Hotspot (44/11)
Tutupan lahan in {(Kebun karet), (Kelapa sawit pada bekas
hutan rawa < 5 tahun),
(Lahan hutan konsesi penebangan),(Lahan
terbuka/persiapan perkebunan),
(Sawah intensif (padi - padi)),
(Sawah tadah hujan (padi/palawija/bera)),
(Semak dan rumput rawa dan bekas kebakaran)}:
Hotspot (62/18)
28

Lampiran 3 Model klasifikasi berbasis aturan dengan algoritme C5.0

menggunakan perangkat lunak R

Rule 1: (89/3, lift 1.9)

Tipe gambut in {(Hemists/Saprists (60/40),dalam),
(Hemists/Saprists (60/40),sedang)}
Tutupan lahan in {(Kebun karet), (Kelapa sawit pada bekas
hutan rawa > 5 tahun),
(Kelapa sawit pada bekas hutan rawa
< 5 tahun),
(Lahan hutan konsesi penebangan),
(Lahan terbuka/persiapan
perkebunan),
(Sawah intensif (padi - padi)),
(Sawah tadah hujan
(padi/palawija/bera)),
(Semak dan rumput rawa dan bekas
kebakaran)}
-> class Hotspot [0.956]

Rule 2: (329/31, lift 1.8)

Tipe gambut in {(Hemists/mineral (50/50), dangkal),
(Hemists/Saprists (60/40), sangat
dalam), (Saprists (100),dalam),
(Saprists/Hemists (60/40), sangat
dalam)}
Tutupan lahan in {(Belukar rawa), (Kebun karet),
(Kelapa pada bekas hutan rawa > 5
tahun),
(Kelapa sawit pada bekas hutan rawa
> 5 tahun),
(Kelapa sawit pada bekas hutan rawa
< 5 tahun),
(Lahan hutan konsesi penebangan),
(Lahan terbuka/persiapan
perkebunan),
(Semak dan rumput rawa dan bekas
kebakaran)}
-> class Hotspot [0.903]

Rule 3: (191/25, lift 1.7)

Tutupan lahan in {(Kebun karet), (Kelapa sawit pada bekas
hutan rawa < 5 tahun),
(Lahan hutan konsesi penebangan),
(Lahan terbuka/persiapan
perkebunan),
(Sawah intensif (padi - padi)),
(Sawah tadah hujan
(padi/palawija/bera)),
(Semak dan rumput rawa dan bekas
kebakaran)}
-> class Hotspot [0.865]

Rule 4: (184/38, lift 1.6)

Tipe gambut in {(Hemists/mineral (90/10), sedang),
(Hemists/Saprists (60/40), dalam),
 29

Lampiran 3 Lanjutan

(Hemists/Saprists (60/40), sangat dalam),

(Hemists/Saprists (60/40), sedang),
(Saprists (100),dalam)}
-> class Hotspot [0.790]

Rule 5: (315/18, lift 1.9)

Tipe gambut in {(Hemists/mineral (30/70), dangkal),
(Hemists/mineral (30/70), sedang),
(Hemists/Saprists (60/40), sedang),
(Saprists/Hemists (60/40), dalam),
(Saprists/Hemists (60/40), sangat dalam),
(Saprists/Hemists (60/40), sedang),
(Saprists/Hemists (60/40), sedang),
(Saprists/mineral (90/10), sedang)}
Tutupan lahan in {(Hutan rawa), (Sawah dan kelapa),
(Sawah intensif (padi -
palawija/bera), jeruk),
(Sawah tadah hujan (padi -
palawija/bera)),
(Semak,rumput pada bekas sawah)}
-> class C2 [0.940]

Rule 6: (150/27, lift 1.6)

Tipe gambut in {(Hemists/mineraal (30/70), dangkal),
(Hemists/mineral (30/70), sedang),
(Hemists/mineral (90/10), sedang),
(Hemists/Saprists (60/40), dalam),
(Hemists/Saprists (60/40), sedang),
(Saprists/Hemists (60/40), dalam),
(Saprists/Hemists (60/40), sedang),
(Saprists/Hemists (60/40), sedang),
(Saprists/mineral (90/10), sedang)}
Tutupan lahan in {(Belukar rawa), (Kelapa pada bekas hutan
rawa > 5 tahun)}
-> class C2 [0.816]

Rule 7: (44/11, lift 1.5)

Tipe gambut in {(Hemists/mineral (30/70), dangkal),
(Saprists/Hemists (60/40), dalam), (Saprists/Hemists (60/40),
sedang), (Saprists/mineral (90/10), sedang)}
Tutupan lahan = Kelapa sawit pada bekas hutan rawa > 5 tahun
-> class C2 [0.739]
30

RIWAYAT HIDUP

Penulis dilahirkan di Jakarta pada tanggal 9 April 1993 dari Ayah Ir.
Sumantri dan Ibu Lianawati. Penulis adalah putri kedua dari tiga bersaudara. Tahun
2010 penulis lulus SMA Pusaka 1 Jakarta dan pada tahun yang sama penulis lulus
seleksi masuk Institut Pertanian Bogor Program Diploma, Program Keahlian
Manajemen Informatika. Setelah menempuh pendidikan pada Program Diploma
penulis melanjutkan pendidikan tingkat sarjana pada Program Alih Jenis Ilmu
Komputer IPB angkatan ke-8.