Kebakaran Hutan Implementasi Metode CLARA Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot)

Enni Lidrawati; Saiful Bahri; Umam Faqih Zubaedi; Vinnesa Patricia Carolina; Kusrini Kusrini; Dina Maulina

doi:10.47065/josyc.v3i4.2006

Enni Lidrawati * Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Saiful Bahri Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Umam Faqih Zubaedi Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Vinnesa Patricia Carolina Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Kusrini Kusrini Universitas Amikom Yogyakarta, Yogyakarta, Indonesia
Dina Maulina Universitas Amikom Yogyakarta, Yogyakarta, Indonesia

(*) Corresponding Author

DOI: https://doi.org/10.47065/josyc.v3i4.2006

Keywords: Forest Fires; Clara's Method; Shilhoutte Coefficient; Hotspot

Abstract

Forest or land fires are events that often occur in various countries in the world that require serious handling from all parties because they have an impact on all lines of life. Therefore, early treatment is needed, one of which is by grouping fire-prone areas using hotspot data. Hotspots can be obtained by satellite in this study taking hotspots from NASA satellites. The data used are latitude, longitude, brightness and confidence. The method used is the Clara Clustering method because this method has the advantage of being resistant to outliers and can be used in large amounts of data. This study concludes that the Clara method can process 16,579 hotspot data with the best Shilhoutte Coefficient value of 0.89 with 2 clusters while the potential possessed by cluster 1 is included in high potential with an average brightness of 3670K and a confidence value of 1 or hight. Meanwhile, cluster 2 has moderate potential with an average brightness of 3490K and a confidence value of 3 or nominal.

Downloads

Download data is not yet available.

References

V. Mala, A. Kusuma, M. T. Furqon, and L. Muflikhah, “Implementasi Metode Fuzzy Subtractive Clustering Untuk Pengelompokan,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 876–884, 2017.

A. Humam, M. Hidayat, A. Nurrochman, A. I. Anestatia, A. Yuliantina, and S. P. Aji, “Identifikasi Daerah Kerawanan Kebakaran Hutan dan Lahan Menggunakan Sistem Informasi Geografis dan Penginderaan Jauh di Kawasan Tanjung Jabung Barat Provinsi Jambi,” J. Geosains dan Remote Sens., vol. 1, no. 1, pp. 32–42, 2020, doi: 10.23960/jgrs.2020.v1i1.14.

F. Rozi, A. A. Akbar, and U. Kadaria, “Hubungan Sebaran Titik Panas (Hotspot) Terhadap Kesehatan Masyarakat Kota Pontianak,” J. Tek. Sipil, vol. 20, no. 2, 2020.

B. K. Amijaya, M. T. Furqon, and C. Dewi, “Clustering Titik Panas Bumi Menggunakan Algoritme Affinity Propagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 10, pp. 3835–3842, 2018.

J. Nasir, “Penerapan Data Mining Clustering Dalam Mengelompokan Buku Dengan Metode K-Means,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 11, no. 2, pp. 690–703, 2021, doi: 10.24176/simet.v11i2.5482.

D. F. Pramesti, Lahan, M. Tanzil Furqon, and C. Dewi, “Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 1, no. 9, pp. 723–732, 2017, doi: 10.1109/EUMC.2008.4751704.

P. R. Fitrayana and D. R. S. Saputro, “Algoritme Clustering Large Application (CLARA) untuk Menangani Data Outlier,” Prism. Pros. Semin. Nas. Mat., vol. 5, pp. 721–725, 2022, [Online]. Available: https://journal.unnes.ac.id/sju/index.php/prisma/

W. AS, M. K. Aidid, and M. Nusrang, “Pengelompokan Kabupaten/Kota Provinsi Sulawesi Selatan dan Barat Berdasarkan Angka Partisipasi Pendidikan SMA/SMK/MA Menggunakan K-Medoid dan CLARA,” VARIANSI J. Stat. Its Appl. Teach. Res., vol. 1, no. 3, p. 48, 2019, doi: 10.35580/variansiunm12899.

N. Thamrin and A. W. Wijayanto, “Comparison of Soft and Hard Clustering: A Case Study on Welfare Level in Cities on Java Island,” Indones. J. Stat. Its Appl., vol. 5, no. 1, pp. 141–160, 2021, doi: 10.29244/ijsa.v5i1p141-160.

B. E. Susilowati and P. R. Sihombing, “Metode ROBPCA (Robust Principal Component Analysis) dan Clara (Clustering Large Area) pada Data dengan Outlier,” J. Ilmu Komput., vol. 13, no. 2, p. 11, 2020, doi: 10.24843/jik.2020.v13.i02.p04.

I. H. Rifa, H. Pratiwi, and Respatiwulan, “Implementasi algoritma clara untuk data gempa bumi di indonesia,” Semin. Nas. Penelit. Pendidik. Mat., no. 2006, pp. 161–166, 2019.

P. Studi, T. Informatika, F. I. Komputer, U. Singaperbangsa, and A. K-means, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model,” J. Teknol. dan Indormasi, vol. 12, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.

J. S. M. S. Mikroskil, “| JSM STMIK Mikroskil 73,” Perbandingan Metod. Clust. Menggunakan Metod. Single Link. dan K-Means Pada Pengelompokkan Dok., vol. Vol. 15, pp. 1–10, 2016.

M. Rosidi, “Metode Numerik Menggunakan R Untuk Teknik Lingkungan,” p. 300, 2019, [Online]. Available: https://bookdown.org/moh_rosidi2610/Metode_Numerik/

S. Mulyati, B. A. Sujatmoko, T. I. M. Wira, R. Afif, and R. A. Pratama, “Normalisasi Database Dan Migrasi Database Untuk Memudahkan Manajemen Data,” Sebatik, vol. 22, no. 2, pp. 124–129, 2018, doi: 10.46984/sebatik.v22i2.319.

Bila bermanfaat silahkan share artikel ini

Berikan Komentar Anda terhadap artikel Kebakaran Hutan Implementasi Metode CLARA Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot)