Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 1, No. 9, Juni 2017, hlm. 876-884 [Link]

Implementasi Metode Fuzzy Subtractive Clustering Untuk Pengelompokan

Data Potensi Kebakaran Hutan/Lahan

Vianti Mala Anggraeni Kusuma1, M. Tanzil Furqon2, Lailil Muflikhah3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1viantimala4@[Link], [Link]@[Link], [Link]@[Link]

Abstrak
Hutan merupakan habitat bagi segala macam hewan dan tumbuhan, hutan memiliki fungsi
sangat besar untuk menjaga keseimbangan alam, sebagai pemasok kebutuhan oksigen bagi makhluk
hidup di bumi, dan sumber alam yang menyediakan berbagai bahan bagi kebutuhan manusia. Namun
pada saat ini keberadaan hutan semakin berkurang disebabkan penebangan liar yang dilakukan manusia
maupun akibat kebakaran hutan yang semakin sering terjadi. Kebakaran hutan/lahan ini memberikan
dampak yang sangat buruk diantaranya, punahnya beberapa jenis tanaman dan hewan, asap yang
mengganggu kesehatan bahkan penerbangan dan lain sebagainya. Maka untuk dapat membantu
menangani masalah tersebut dibuatlah sebuah sistem yang mampu mengelola data titik api (hotspot)
dengan metode Fuzzy subtractive clustering. Parameter data yang digunakan dalam pengembangan
sistem yaitu brightness temperature (suhu kecerahan) dan FRP (Fire Radiative Power). Keluaran yang
dihasilkan oleh sistem adalah hasil pengklasteran yang menggambarkan potensi kebakaran hutan, yang
dikelompokkan dalam potensi tinggi dan potensi sedang. Hasil pengujian menunjukkan nilai Silhouette
Coefficient terbaik sebesar 0.45 dan hasil cluster yang terbentuk sebanyak dua cluster, pengujian dengan
menggunakan nilai accept ratio 0.5, reject ratio 0.15, jari – jari 0.2 dan squash factor 1.30. Hasil analisis
dalam penentuan potensi kebakaran hutan/lahan diperoleh hasil potensi tinggi dengan nilai rata-rata
brightness 335.727⁰K, FRP 57.248 dan rata-rata confidence 83.47% dan potensi sedang dengan nilai
rata-rata brightness 318.934⁰K, FRP 23.330 dan rata-rata confidence 58.08%.
Kata kunci: Clustering, Hotspot, Fuzzy subtractive clustering, Silhouette Coefficient
Abstract
Forest is the habitat for all kinds of animals and plants, forests have a very big function to
maintain the balance of nature, as the supplier of the oxygen requirement for living on earth, and the
natural resources that provide a variety of materials for human needs. But at this moment the existence
of forest diminishing due to illegal logging by humans or by forest fires are becoming more frequent.
Forest fires this gives very bad impact, extinction of some species of plants and animals, the smoke is
detrimental to health even low and so forth. So to be able to help deal with the issue made a system that
can manage data hotspots (hotspots) with Fuzzy subtractive clustering. Parameter data used in the
development of the system: brightness temperature and FRP (Fire Radiative Power). The result of
clustering which illustrates the potential of forest fires, which are grouped in the high potential and low
potential. The test results showed the best coefficient silhouette value of 0.45 and the results of the
cluster is formed by two clusters using radius values 0.2, accept ratio 0.5, reject ratio 0.15. The results
of the analysis in the determination of the potential for forest fires result is a high potential with an
average brightness value of 335.727⁰K, FRP 57.248 and average confidence 83.47%. While medium
potential with an average brightness value of 318.934⁰K, FRP 23.330 and average confidence 58.08%.
Keywords: Clustering, Hotspot, Fuzzy subtractive clustering, Silhouette Coefficient

1. PENDAHULUAN bentuk gangguan terhadap hutan yang paling

Hutan merupakan sumber daya alam yang sering terjadi terutama pada musim kemarau.
sangat berharga karena mengandung Berdasarkan Peraturan Menteri Kehutanan
keanekaragaman hayati yang tidak terbatas. Nomor: P.12/Menhut-II/2009 tentang
Namun gangguan terhadap hutan intensitasnya Pengendalian Kebakaran Hutan, pengertian
semakin meningkat dari waktu ke waktu baik kebakaran hutan adalah suatu keadaan dimana
yang disebabkan oleh faktor alam maupun faktor hutan dilanda api sehingga mengakibatkan
manusia. Kebakaran hutan merupakan salah satu kerusakan hutan dan atau hasil hutan yang

Fakultas Ilmu Komputer

Universitas Brawijaya 876
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 877

menimbulkan kerugian ekonomis dan nilai diperkirakan mengalami kerugian mencapai

lingkungan. Indonesia merupakan salah satu sekitar Rp 209 Teriliun. Selain itu terjangkitnya
negara dengan tingkat laju deforestasi tahunan berbagai penyakit mulai dari gangguan
tercepat di dunia (Stolee et al,2003). pernafasan, mata dan kulit. Kerugian terhadap
Salah satu indikator terjadinya kebakaran ragam hayati juga dirasakan mencapai US$295
hutan yaitu titik panas (hotspot)(Dwi P. S, 2013). (sekitar Rp 3,8 Teriliun) dan emisi gas rumah
Hotspot merupakan suatu objek permukaan kaca dimana mencapai 15.95 juta ton
bumi yang memiliki suhu relatif lebih tinggi karbondioksida per hari (Kompas, 2016).
dibandingkan dengan sekitarnya yang dapat Penanganan kebakaran hutan dapat
dideteksi oleh satelit, kemudian dilakukan dengan melakukan pemetaan tingkat
direpresentasikan dalam suatu titik dengan kerawanan kebakaran hutan dimana merupakan
koordinat tertentu (LAPAN, 2014). Hotspot atau suatu proses yang memanfaatkan data titik panas
titik panas juga dapat didefinisikan sebagai titik- sebagai indikator terjadinya kebakaran hutan
titik pada citra yang berhubungan dengan active berdasarkan jumlah persebaran titik panas
fire (kobaran api). (hotspot) pada suatu wilayah. Analisis terhadap
Data persebaran titik panas (hotspot) titik panas (hotspot) dari hasil pemetaan dapat
diperoleh dengan bantuan citra pengindraan jauh membantu pihak-pihak terkait untuk
resolusi menengah, salah satunya satelit perlindungan lingkungan. Proses pemetaan
Terra/Aqua dengan sensor MODIS. Analisis tingkat kerawanan kebakaran hutan dengan
titik panas (hotspot) dapat dilakukan dengan pengolahan data titik panas (hotspot) dapat
menghitung intensitas (jumlah hotspot per dilakukan dengan mengimplementasikan
satuan waktu) dan densitas (jumlah hotspot per metode clustering, salah satunya yaitu dengan
satuan luas), dimana daerah yang memiliki metode Fuzzy subtractive clustering, dengan
intensitas dan densitas tinggi maka akan menggunakan data yang didapatkan dari proses
memiliki tingkat bahaya kebakaran yang relatif ekstraksi data dari citra satelit yang ditampilkan
tinggi (Suwarsono, dkk., 2014). dalam beberapa parameter.
Asia Tenggara merupakan kawasan yang Fuzzy subtractive clustering merupakan
termasuk dalam daftar wilayah-wilayah yang algoritma clustering tidak terawasi yang dapat
terdeteksi terhadap kemunculan titik panas membentuk jumlah dan pusat cluster yang sesuai
(hotspot). Salah satu negara di Asia Tenggara dengan kondisi data. Fuzzy subtractive
yang memiliki jumlah titik panas (hotspot) clustering didasarkan atas ukuran densitas
terbanyak adalah Indonesia (Tempo, 2015). (potensi) titik-titik data dalam suatu ruang
Indonesia merupakan negara dengan jumlah (variabel). Konsep dasar dari fuzzy subtractive
hutan yang banyak dengan kasus kebakaran clustering adalah menentukan daerah-daerah
yang relatif tinggi. Salah satu wilayah Indonesia dalam suatu variabel yang memiliki densitas
yang rawan terhadap terjadinya kebakaran tinggi terhadap titik-titik disekitarnya.
adalah wilayah Kalimantan dikarenakan titik Berdasarkan latar belakang diatas maka penulis
panas pada wilayah Kalimantan meningkat mengangkat topik “Implementasi Metode
tajam pada tahun 2015. Tercatat terdapat 259 Fuzzy subtractive clustering untuk
titik panas pada wilayah Kalimantan dari Pengelompokan Data Potensi Kebakaran
pantauan satelit Terra/Aqua (berkepercayaan Hutan/Lahan”.
lebih dari 80%).
Dampak kebakaran hutan dan lahan 2. TINJAUAN PUSTAKA
diantaranya terjadinya kabut asap yang
2.1 Kebakaran Hutan
menganggu kesehatan dan sistem transpotasi
Kebakaran hutan adalah suatu proses
darat, laut dan udara. Dampak kebakaran hutan
pembakaran yang menyebar secara bebas dan
terhadap produksi pertanian diduga tidak terlalu
mengonsumsi bahan bakar hutan seperti serasah,
besar karena pembakaran dilakukan untuk
rumput, humus, ranting, kayu mati, gulma,
penyiapan lahan, kecuali jika kebakaran
semak, dedaunan serta pohon-pohon besar untuk
mencapai lahan pertanian yang berproduksi.
tingkat terbatas.
Kebakaran hutan menghasilkan emisi karbon
Suatu kebakaran hutan dapat digambarkan
yang dilepaskan ke atmosfer.
sebagai segitiga api. Ada tiga unsur yang
Kerugian yang diakibatkan oleh kebakaran
mempengaruhi terjadinya api yaitu bahan bakar,
hutan dan lahan ini mencakup tiga aspek, yaitu
oksigen, dan sumber panas, yang apabila salah
ekonomi, sosial, dan lingkungan. Indonesia

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 878

satu atau lebih dari sisi-sisinya tidak ada maka 5. FRP (Fire Radiative Power),
kebakaran tidak akan tejadi atau kondisi sisi- menggambarkan kekuatan radiasi piksel api
sisinya tersebut dalam keadaan lemah, maka yang kemudian diintegrasi dalam MW
kecepatan pembakaran akan semakin menurun, (MegaWats). FRP memberikan informasi
demikian juga dengan intensitas api atau pada output radiasi panas dari api yang
kecepatan terlepasnya energy (panas) (Brown terdeteksi. Jumlah radiasi energi panas
A.A, 1973). dibebaskan per satuan waktu (FRP) dimana
diduga berkaitan dengan tingkat bahan bakar
2.2 Titik Panas (Hotspot) yang dikonsumsi.
Data titik panas (hotspot) memiliki atribut
untuk mendeteksi adanya kebakaran hutan. 2.3 Clustering
Atribut pada MODIS yang digunakan di dalam Dalam buku karangan Dr. Daniel T. Larose
penelitian yaitu (NASA, 2015): (2005) yang berjudul An Introducing to Data
Mining dijelaskan bahwa clustering sebagai
1. Latitude, garis lintang mengarah dari
upaya mengelompokkan record, observasi, atau
khatulistiwa (00) ke kutub selatan, atau
mengelompokkan ke dalam kelas yang memiliki
khatulistiwa ke kutub utara. Nilai valid: -90
kesamaan objek.
ke +90, dimana -90 sampai 0 menunjukkan
belahan bumi selatan, dan 0 sampai 90 Pengklasteran berbeda dengan klasifikasi
menunjukkan belahan bumi utara. yang tidak adanya variabel target dalam
2. Longitude, garis bujur dimana merupakan pengklasteran. Pengklasteran tidak mencoba
garis horizontal dari garis khatulistiwa. Nilai untuk melakukan klasifikasi, mengestimasi, atau
valid: -180 ke 180, dimana -180 sampai 0 memprediksi nilai dari variabel target. Akan
menunjukkan belahan bumi barat, dan 0 tetapi, algoritma pengklasteran mencoba untuk
sampai 180 menunjukkan belahan bumi melakukan pembagian terhadap keseluruhan
timur. data menjadi kelompok-kelompok yang
3. Confidence, selang kepercayaan (confidence memiliki kemiripan (homogen), yang mana
level) merupakan tingkat kepercayaan kemiripan record dalam suatu kelompok akan
kualitas hotspot dengan skala 0% sampai bernilai maksimal, sedangkan kemiripan dengan
100%. Confidence level menunjukkan tingkat record dalam kelompok lain akan bernilai
kepercayaan bahwa hotspot yang dipantau minimal. Prinsip dasar untuk mendapatkan
dari satelit penginderaan jarak jauh homogen atau heterogen dapat menggunakan
merupakan benar-benar kejadian kebakaran konsep jarak. Jarak yang dimaksud bisa berarti
yang sebenarnya di lapangan. Semakin tinggi ukuran jarak kedekatan atau kemiripan
selang kepercayaan, maka semakin tinggi (similarity measure), bisa juga jarak yang
pula potensi bahwa hotspot benar-benar berjauhan atau ketidakmiripan (disimilarity
merupakan kebakaran lahan atau hutan yang measures).
terjadi.
2.4 Fuzzy subtractive clustering
4. Brightness Temperature, ukuran deskriptif
Fuzzy subtractive clustering merupakan
dari pancaran radiasi dalam bentuk suhu
algoritma clustering tidak terawasi yang dapat
yang dipancarkan ke atas pada bagian
membentuk jumlah dan pusat cluster yang sesuai
atmosfer bumi. Brightness temperatur
dengan kondisi data. Subtractive clustering
merupakan fitur dasar pada citra
didasarkan atas ukuran densitas (potensi) titik-
penginderaan jarak jauh yang di deteksi dari
titik data dalam suatu ruang (variabel). Konsep
lokasi tertentu dan diukur dalam satuan ukur
dasar dari subtractive clustering adalah
kelvin. Brightness temperature diukur
menentukan daerah-daerah dalam suatu variabel
dengan menggunakan saluran yang terdapat
yang memiliki densitas tinggi terhadap titik-titik
pada MODIS yaitu pada band 21/22 dan band
disekitarnya. Titik dengan jumlah tetangga
31. Saluran ini berfungsi untuk mendeteksi
terbanyak akan dipilih sebagai pusat cluster.
kebakaran berdasarkan suhu kecerahan yang
Titik yang dimaksud di sini merupakan analogi
kemudian digunakan dalam perhitungan
untuk record dari data sekitarnya. Titik yang
algoritma pada citra MODIS. Brightness
sudah terpilih sebagai pusat cluster ini kemudian
temperature pada band 21/22 berfungsi untuk
akan dikurangi densitasnya. Kemudian
melakukan deteksi piksel api terhadap
algoritma akan memilih titik lain yang memiliki
kebakaran aktif.
tetangga terbanyak untuk dijadikan pusat cluster

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 879

yang lain. Hal ini dilakukan berulang-ulang menjadi pusat cluster. Pada suatu iterasi, apabila
sehingga semua titik diuji. telah ditemukan suatu titik data dengan potensi
Apabila terdapat n buah data: X1, X2,…, Xn tertinggi (missal:Xk dengan potensi Dk),
dan dengan menganggap bahwa data-data kemudian akan dilanjutkan dengan mencari rasio
tersebut sudah dalam keadaan normal, maka potensi titik data tersebut dengan potensi
densitas titik Xk dapat dihitung sebagai tertinggi suatu titik data pada awal iterasi (misal:
(Gelley,2000): Xh dengan potensi Dh). Hasil bagi antara Dk
𝑛 dengan Dh ini kemudian disebut dengan rasio
||𝑋𝑘−𝑋𝑗|| (rasio=Dk/Dh). Ada tiga kondisi yang terjadi
𝐷𝑘 = ∑ exp⁡(− 𝑟 ) (1)
(2)2 dalam suatu iterasi:
𝑘=0

Dengan ||Xk-Xkj|| adalah jarak antara Xk Data tidak diterima Data diterima sebagai Data diterima
sebagai pusat pusat cluster tapi sebagai pusat
dengan Xj dan r adalah konstanta positif yang cluster dengan syarat. cluster
kemudian akan dikenal dengan nama jari-jari. (Rasio  Reject (Reject ratio < Rasio  (Rasio > Accept
Jari- jari berupa vektor yang akan menentukan ratio) Accept ratio) ratio)
seberapa besar pengaruh pusat cluster pada tiap-
tiap variabel. Dengan demikian, suatu titik data
akan memiliki densitas yang besar jika dia
memiliki banyak tetangga dekat. Reject ratio Accept ratio

Setelah menghitung densitas tiap-tiap titik, Gambar 1. Kondisi dalam Proses Iterasi
maka titik dengan densitas tertinggi akan dipilih
sebagai pusat cluster. Misalkan Xc1 adalah titik 2.7 Silhouette Coefficient
yang terpilih sebagai pusat cluster, sedangkan Silhouette Coefficient merupakan sebuah
Dc1 adalah ukuran densitasnya. Selanjutnya metode yang digunakan untuk melihat kualitas
densitas dari titik-titik disekitarnya akan dan kekuatan cluster, seberapa baik suatu objek
dikurangi menjadi (Galley, 2000): ditempatkan dalam suatu cluster. Metode
Silhouette Coefficient ini merupakan sebuah
||𝑋𝑘−𝑋𝑐1|| metode gabungan dari metode cohesion dan
Dk = Dk − Dc1 ∗ exp(− 𝑟 (2)
( 2𝑏)2 metode separation. Metode cohesion adalah
Dengan rb adalah konstanta positif. Hal ini sebuah ukuran seberapa dekat relasi antara objek
berarti bahwa titik-titik yang berada dekat dalam sebuah cluster. Sedangkan metode
dengan pusat cluster uc1 akan mengalami separation adalah sebuah ukuran seberapa jauh
pengurangan densitas besar-besaran. Hal ini atau terpisah sebuah cluster dengan cluster yang
akan berakibat titik tersebut akan sangat sulit lainnya.
untuk menjadi pusat cluster berikutnya. Nilai rb Tahapan perhitungan Silhouette Coefficient
menunjukkan suatu lingkungan yang antara lain (Rendy, dkk. 2014):
mengakibatkan titik-titik berkurang ukuran
densitasnya. Biasanya rb bernilai lebih besar 1. Hitung rata-rata jarak dari suatu dokumen
dibandingkan dengan r, rb=q*rb (biasanya misalkan i dengan semua dokumen lain yang
squash_factor(q)=1,25). berada di dalam satu cluster.

Setelah densitas tiap-tiap titik diperbaiki, 1

⁡⁡⁡⁡⁡⁡⁡⁡𝑎(𝑖) = ⁡ [𝐴]−1 ⁡ ∑ 𝑗 ∈𝐴,𝑗≠𝑖 ⁡𝑑(𝑖, 𝑗)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(3)
maka selanjutnya akan dicari pusat cluster yang
kedua yaitu Xc2. Sesudah Xc2 didapat, ukuran
densitas setiap titik data akan diperbaiki Dimana:
kembali, demikian seterusnya. j : dokumen lain dalam satu cluster A
Pada implementasinya, bisa digunakan 2 d(i,j) : jarak antara dokumen i dengan j
pecahan sebagai factor pembanding, yaitu a(i) : rata-rata jarak
accept ratio dan reject ratio. Accept ratio A : jumlah anggota cluster dokumen i
merupakan batas bawah di mana suatu titik data 2. Hitung rata-rata jarak dari dokumen i tersebut
yang menjadi kandidat (calon) pusat cluster dengan semua dokumen di cluster lainnya,
diperbolehkan untuk menjadi pusat cluster. kemudian ambillah nilai terkecilnya.
1
Sedangkan reject ratio merupakan batas atas di ⁡⁡⁡⁡⁡⁡𝑑(𝑖, 𝐶) = ⁡ [𝐴] ∑ 𝑗 ∈ 𝐶 ⁡⁡⁡𝑑(𝑖, 𝑗)⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(4)⁡
mana suatu titik data yang menjadi kandidat
(calon) pusat cluster tidak diperbolehkan untuk

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 880

Dimana: Studi Literatur

d(i,C) : jarak rata-rata dokumen i dengan
semua objek pada cluster lain
Pengumpulan Data
C : cluster lain selain A, dimana A ≠ C.
d(i,j) : jarak dokumen i ke dokumen anggota
cluster selain dokumen i Analisa Kebutuhan

3. Nilai Silhouette Coefficient nya adalah:

Jumlah s(i) diperoleh dengan menggabungkan Perancangan Sistem
a(i) dan b(i):
Implementasi Sistem
1 − 𝑎(𝑖)/𝑏(𝑖)⁡⁡⁡⁡⁡⁡⁡⁡𝑖𝑓⁡𝑎(𝑖) < 𝑏(𝑖),
s { 0⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡𝑖𝑓⁡𝑎(𝑖) = 𝑏(𝑖) Pengujian dan
𝑏(𝑖)/⁡𝑎(𝑖) − ⁡1⁡⁡⁡⁡𝑖𝑓⁡𝑎(𝑖) > 𝑏(𝑖) Analisa Hasil
Sehingga dapat dirumuskan:
Pengambilan
𝑏(𝑖)−𝑎(𝑖) Kesimpulan dan
𝑠(𝑖) =⁡ ⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡⁡(5)
max⁡(𝑎(𝑖),𝑏(𝑖)) Saran

Dimana: Gambar 2. Diagram Blok Metode Penelitian

s(i) : nilai dari Silhouette Coefficient Selanjutnya merupakan tahap perancangan
b(i) : nilai minimum dari d(i,C) dalam penerapan metode Subtractive Clustering
a(i) : jarak rata-rata i terhadap seluruh data untuk mengelompokkan data titik panas
pada cluster yang sama (hotspot). Terdapat beberapa parameter yang
Nilai hasil perhitungan dengan akan digunakan yaitu brightness temperature
menggunakan metode Silhouette Coefficient (suhu kecerahan), dan FRP (kekuatan radiasi
terletak pada kisaran antara nilai -1 hingga 1. pixel api). Proses perangkat lunak digambarkan
Jika s(i) = 1 berarti objek i berada pada cluster pada diagram alir pada Gambar 3.
yang tepat. Jika nilai s(i) = 0 maka objek i berada
Mulai
diantara dua cluster sehingga objek tersebut
tidak jelas harus dimasukkan ke dalam cluster A
atau cluster B. Jika s(i) = -1 maka terjadi Input: Data
Beasiswa,
Input: Jumlahr, Data,
q,
kesalahan dalam penentuan entitas pada proses ar,ar,
rr, xMin,
rr, r, qdan
clustering, sehingga objek i lebih tepat untuk xMax

dimasukkan ke dalam cluster yang lain

(Kodinariya & Makwana, 2013).
Proses Normalisasi

3. METODOLOGI DAN PERANCANGAN

SISTEM
Proses Penentuan
Metodologi penelitian menjelaskan metode Potensi Awal Tiap Titik
atau langkah-langkah yang digunakan dalam Data

penelitian serta perancangan dalam pembuatan

sistem pemetaan tingkat kerawanan kebakaran
hutan berdasarkan persebaran titik panas Proses pencarian Titik
dengan Potensi Tertinggi
(hotspot) menggunakan metode Fuzzy
subtractive clustering. Adapun tahapan
penelitian dapat digambarkan pada diagram alir
yang ditujukkan pada Gambar 2. A

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 881

A Clustering terdapat delapan sub menu hasil

perhitungan yang ditampilkan yaitu data titik
panas, hasil perhitungan normalisasi, hasil
Proses Penentuan Pusat
Cluster dan
perhitungan jarak tiap titik terhadap T,
Pengurangan Potensi subtractive clustering, hasil pusat clustering,
Titik Sekitarnya
derajat keanggotaan, hasil clustering dan
silhouette coefficient. Interface Fuzzy
Proses Pengembalian
Subtractive clustering dapat dilihat pada gambar
Pusat Cluster 5.

Proses Perhitungan Nilai

Sigma Cluster

Output: Hasil
Cluster, Sigma

Kembali

Gambar 5. Interface Subtractive Clustering

Gambar 3. Diagram Alir Proses Perangkat Lunak
Menu data berfungsi untuk melihat data
titik panas yang telah diambil dari database
4. IMPLEMENTASI dengan jumlah data sesuai dengan jumlah data
4.1 Interface Load Data yang dimasukkan oleh user. Menu normalisasi
Interface load data digunakan untuk data berfungsi untuk melihat hasil normalisasi
menginputkan data yang akan diproses oleh terhadap data titik panas dengan menggunakan
sistem untuk proses clustering. Data yang akan metode Min Max pada proses normalisasi. Hasil
digunakan merupakan data titik panas yang normalisasi data kemudian akan digunakan pada
tersimpan di dalam database yang kemudian proses clustering dengan menggunakan metode
akan digunakan oleh sistem untuk proses Fuzzy Subtractive Clustering. Menu selanjutnya
clustering. Sebelum menekan tombol submit, yaitu menu Jarak Tiap Titik terhadap T yang
user terlebih dahulu menginputkan jumlah data, menampilkan hasil perhitungan jarak tiap titik
accept ratio, reject ratio, jari-jari, dan squash terhadap T yang nantinya hasil ini akan
factor yang akan digunakan. Interface load data digunakan untuk menentukan potensi awal tiap
dapat dilihat pada gambar 4. data yang akan berpengaruh pada penentuan
pusat cluster. Menu silhouette coefficient
berfungsi untuk menampilkan hasil pengujian
terhadap kualitas cluster yang dihasilkan. Jika
hasil rata-rata akhir s(i) mendekati nilai 1 maka
kualitas cluster dapat dikatakan baik, tetapi jika
hasil rata-rata akhir s(i) jauh dari angka 1 maka
kualitas cluster dapat dikatakan lemah.
4.3 Interface Pemetaan
Pada menu ini ditampilkan hasil pemetaan
Gambar 4. Interface Load Data dari perhitungan menggunakan metode fuzzy
subtractive clustering, Pada tampilan antarmuka
4.2 Interface Fuzzy Subtractive Clustering pemetaan menampilkan hasil pemetaan sesuai
Interface Fuzzy Subtractive Clustering dengan hasil perangkingan dari cluster yang
merupakan tampilan antarmuka dari hasil telah terbentuk dan berdasarkan lokasi sistem
perhitungan yang telah diproses oleh sistem georeferensi global (latitude dan longitude) dari
terhadap data titik panas dengan menggunakan setiap data yang menjadi anggota dari setiap
metode Fuzzy Subtractive Clustering. Pada cluster yang telah dirangkingkan. Dan warna
tampilan antarmuka Fuzzy Subtractive pada point-point digambar dapat digunakan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 882

sebagai pembeda antar cluster. yang sama yaitu 0.4. Accept ratio tidak
berpengaruh karena nilai accept ratio yang
dipergunakan sebagai batas bawah di mana suatu
titik data yang menjadi kandidat pusat cluster
tidak diperbolehkan menjadi pusat cluster lebih
besar dari nilai reject ratio.
5.2 Pengujian Pengaruh Reject ratio
Pengujian ini dilakukan untuk mengetahui
Gambar 6. Interface pemetaan pengaruh antara nilai Reject ratio dengan nilai
silhouette. Reject ratio merupakan nilai batas
5. PENGUJIAN DAN ANALISIS atas di mana suatu titik data yang menjadi
Pengujian yang dilakukan pada penelitian kandidat calon pusat cluster tidak diperbolehkan
ini adalah pengujian pengaruh accept ratio, menjadi pusat [Link] data yang
pengaruh reject ratio, pengaruh jari jari. digunakan adalah 735 data. Berdasarkan
Pengujian dilakukan menggunakan 735 data pengujian pertama telah diketahui bahwa nilai
latih dengan masukkan nilai accept ratio, reject accept ratio tidak berpengaruh pada hasil
ratio dan jari-jari yang berbeda setiap pengujian, pada pengujian ini nilai accept ratio
pengujiannya. yang digunakan adalah 0.5 dan nilai reject ratio
0.15, 0.2, 0.25, 0.30, 0.35, 0.40. Hasil pengujian
terhadap pengaruh reject ratio ditunjukkan pada
5.1 Pengujian Pengaruh Accept ratio gambar 8.
Pengujian ini dilakukan dengan
memasukkan nilai accept ratio yang berbeda-
beda pada tiap pengujiannya, accept ratio
merupakan batas bawah diperbolehkannya suatu
data menjadi pusat cluster. Nilai accept ratio
yang digunakan adalah 0.5, 0.6, 0.7, 0.8, 0.9, 1.0.
Pengujian jumlah terhadap pengaruh nilai accept
ratio dilakukan dengan menggunakan data titik
panas sebanyak 735 data dengan dua atribut
yaitu brightness temperature dan FRP (Fire
Radiative Power). Hasil dari pengujian accept
ratio ditunjukkan pada gambar 7.
Gambar 8. Grafik Pengujian Reject ratio
Pada pengujian ini menunjukkan
membuktikan bahwa semakin besar nilai reject
ratio yang diberikan maka nilai rata-rata
silhouette akan semakin kecil, begitu sebaliknya
jika nilai reject ratio kecil maka nilai silhouette
akan semakin besar. Nilai reject ratio terbaik
adalah 0.15.

5.3 Pengujian Pengaruh Jari-jari

Gambar 7. Grafik hasil pengujian pengaruh Accept Pada pengujian pengaruh nilai jari-jari
ratio terhadap nilai Silhouette digunakan nilai jari jari 0.01, 0.02, 0.03, 0.04,
0.05, 0.06, 0.07, 0.8, 0.9, 0.1, 0.2 dengan nilai
Pada pengujian pertama menunjukkan reject ratio diambil dari nilai terbaik pada
bahwa parameter accept ratio tidak berpengaruh pengujian sebelumnya yaitu 0.15 dan nilai
terhadap pembentukan cluster, hal ini dapat accept ratio sama yaitu 0.5. hasil pengujian
dilihat dari hasil pengujian yang menggunakan pengaruh nilai jari-jari ditunjukkan pada tabel 1
parameter accept ratio dengan nilai 0.5, 0.6, 0.7, dan gambar 9.
0.8, 0.9, 1.0 pada reject ratio yang sama
menghasilkan jumlah cluster dan nilai silhouette

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 883

Tabel 1. Hasil Pengujian Pengaruh Nilai Jari-jari Pada pengujian pengaruh nilai silhouette
terhadap nilai squash factor menunjukkan pada
pengujian menunjukkan bahwa pemberian nilai
squash factor yang berbeda menghasilkan nilai
rata-rata silhouette yang berbeda pula. Pada
pengujian menunjukkan bahwa semakin besar
nilai squash factor maka nilai rata-rata silhouette
akan semakin besar.
5.4 Analisa Pengujian Cluster Terbaik
Pada hasil pengujian didapatkan bahwa
nilai silhouette terbaik adalah dengan
menggunakan nilai accept ratio 0.5, reject ratio
0.15, jari jari 0.2, squash factor 1.3 dan cluster
terbaik adalah dua cluster. Pada proses
perankingan terhadap hasil akhir cluster akan
dilakukan analisa terhadap nilai-nilai dari setiap
fitur yang terbentuk di dalam cluster. Fitur yang
digunakan dalam perhitungan yaitu brightness
temperature, FRP (Fire Radiative Power), dan
confidence dengan melakukan perhitungan rata-
rata terhadap masing masing fitur di setiap
cluster. Berikut tabel hasil penghitungan rata –
rata setiap cluster fitur pada setiap cluster.
Gambar 9. Grafik Pengujian Jari-Jari Tabel 2. Hasil Rata-Rata Setiap Fitur
Pada grafik di atas dapat dilihat hasil dari
pengujian jari-jari dimana hasil Silhouette
Coefficient bervariasi dan nilai rata-rata tertinggi
diperoleh pada saat nilai jari-jari yang digunakan Pada Tabel 2 menunjukkan bahwa pada
bernilai 0.2 yang menandakan bahwa nilai peringkat urutan pertama yaitu cluster dua
validasi terbaik ditunjukkan pada kondisi memiliki rata-rata nilai brightness yang tinggi
tersebut. Dan pada gambar 10 dapat dilihat dan diiringi dengan nilai frp yang tinggi.
bahwa pada nilai jari-jari 0.2 didapatkan jumlah Sedangkan pada urutan kedua/ cluster satu
cluster yang terbentuk berjumlah 2 cluster. memiliki rata-rata nilai brightness dan frp yang
5.3 Pengujian Pengaruh Nilai Squash Factor cenderung rendah. Hal ini menunjukkan bahwa
Pada pengujian pengaruh nilai squash nilai brightness dan frp memiliki keterkaitan
factor digunakan nilai jari jari 0.6, 0.7, 0.8, 0.9, satu sama lain dalam penemuan kondisi lokasi
1.0 1.15, 1.25, dan 1.26. Dengan menggunakan terdapatnya titik panas berdasarkan suhu dan
accept ratio 0.5, reject ratio 0.15 dan jari-jari 0.2 tingkat radiasi. Hasil diatas juga menunjukkan
Hasil pengujian pengaruh nilai squash factor dimana pada urutan pertama yaitu cluster dua
ditunjukkan pada gambar 10. memiliki nilai brightness diatas 3300K dengan
confidence rata-rata 83.47% yang dapat
mengindikasikan api dengan tingkat keyakinan
tinggi. Sebaliknya pada cluster satu memiliki
nilai brightness dibawah 3300K dengan
confidence rata-rata 58.08% yang dapat
mengindikasikan api dengan tingkat keyakinan
lebih rendah.

6. PENUTUP
6.1 Kesimpulan
Kesimpulan dari penelitian ini diantaranya:
Gambar 10. Grafik Pengujian Nilai Squash Factor
1. Metode Fuzzy subtractive clustering dapat

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 884

diimplementasikan pada proses “Inovasi dalam Desain dan Teknologi”.

pengelompokkan data potensi kebakaran IDeaTech 2011.
hutan/ lahan. Kompas, 2016. Lahan di Riau Terbakar Lagi.
2. Hasil pengujian pada penggunaan 735 data [Surat Kabar]. Malang.
tingkat kepercayaan terbaik terdapat pada Kusumadewi, S., Purnomo, H.,2010. Aplikasi
penggunaan accept ratio 0.5, reject ratio Loggika Fuzzy untuk Pendukung
0.15, jari-jari 0.2 squash factor 1.3 yang Kepurtusan Edisi 2:Graha Ilmu
ditunjukkan dengan nilai rata-rata Silhouette Lembaga Penerbangan dan Antariksa Nasional
Coefficient sebesar 0.45 dengan jumlah (LAPAN), 2014. Hotspot: hanyalah
cluster yang terbentuk sebanyak 2 cluster. Indikator Bukan Kejadian Kebakaran
Berdasarkan perhitungan rata-rata fitur Hutan/Lahan. [online] Tersedia di:
brightness dan FRP pada cluster tersebut <[Link]
dapat ditentukan perangkingan bahwa nilai ead/2014/840/hotspot-hanyalah-
cluster kedua lebih besar dibanding cluster indikator-bukan-kejadian-kebakaran-
pertama yang berarti titik pada cluster dua hutanlahan/105> [Diakses 11 Februari
memiliki potensi kebakaran lebih besar 2016].
dibanding cluster pertama.
NASA LANCE-FIRMS MODIS Active Fire
3. Pada pengujian disimpulkan bahwa Shapfiles, 2015. [pdf] Tersedia di:
parameter yang digunakan dapat <[Link]
mempengaruhi hasil pada rata-rata silhouette. observation-data/near-real-
time/firms/active-fire-data > [ Diakses
6.2 Saran
10 Februari 2016].
Untuk pengembangan sistem lebih lanjut
dari penelitian ini saran yang diberikan sebagai Maimon, Oded., & Rokach, Lior., 2010. Data
berikut: Mining and Knowledge Discovery
1. Pada penelitian selanjutnya dapat Handbook. [e-book] 2nd ed. New York,
dilakukan penelitian menggunakan metode NY: Springer Science + Business
yang berbeda sehingga dapat digunakan Media.
sebagai perbandingan dengan metode – Roswintiarti, Dr. Orbita, 2016. Informasi Titik
metode yang digunakan sebelumnya. Panas (Hotspot) Kebakaran
2. Diperlukan peninjauan kembali terhadap Hutan/Lahan. Lembaga Penerbangan
penggunaan parameter -parameter data Dan Antariksa Nasional. [pdf] Panduan
yang digunakan dalam penelitian Teknis – V.01. ISBN: 978-602-96532-
berikutnya. 2-5. Mei 2016.
Rousseeuw, Petter. J, 1987. Silhouette: A
7. DAFTAR PUSTAKA Graphical Aid to The Interpretation and
Brown, Arthur A. & Kenneth P. Davis, 1973. Validation of Cluster Analysis. [pdf]
Forest Fire Control and Use. 2nd ed. Journal of Computational and Applied
New York, NY: McGraw-Hill Book Mathematics 20 (1987) 53-65. North-
Company. Holland.
Davis, K. P., 1959. Forest Fire Control and Use. Tempo, 2015. Titik Panas Di Asia Tenggara.
New York. NY: Mc. Graw Hill Book [Surat Kabar Online] Tersedia di:
Company. <[Link]
Gorunescu, Florin., 2011. Data Mining: 28/366390/Titik-Panas-Di-Asia-
Concepts, Models and Techniques. Tenggara> [Diakses 6 Juni 2016]
Intelligent System Reference Library Undang-Undang Repulik Indonesia, 1999.
Vol.12. Berlin: Springer-Verlag. Kehutanan. [online] Tersedia di:
Hermawan, Fajar Astuti., 2013. Data Mining. <[Link]
Perpustakaan Nasional Ed. I. I/UNDANG2/uu/41_99.htm> [Diakses
Yogyakarta: ANDI. 11 Februari 2016].
Junaedi, Hartanto., Herman, Budianto., dkk., Witten, I. H., Frank, E., & Hall, M. A., 2011.
2011. Data Transformation Pada Data Data Mining: Practical.
Mining. Posiding Konferensi nasional

Fakultas Ilmu Komputer, Universitas Brawijaya