Optimasi Parameter Algoritma DBSCAN untuk Mendeteksi Titik Panas Kebakaran Hutan dan Lahan
DOI:
https://doi.org/10.26418/jp.v9i3.61714Keywords:
Clustering, DBSCAN, Epsilon, Minpts, Silhouette CoefficientAbstract
Pencegahan terjadinya kebakaran hutan dan lahan dapat dilakukan dengan menyediakan informasi terkait titik panas dan karakteristik wilayah yang berpotensi munculnya titik panas. Tujuan penelitian ini untuk mengelompokkan data titik panas menjadi beberapa cluster berdasarkan density menggunakan algoritma DBSCAN. Untuk mendapatkan hasil cluster terbaik dilakukan optimasi parameter DBSCAN yaitu nilai epsilon dan minpts. terbaik Berdasarkan beberapa kali hasil iterasi terbentuk nilai epsilon 10 dan minpts minimal titik dalam satu cluster adalah 5. Nilai ini merupakan nilai terbaik dikarenakan membentuk cluster minim noise. Cluster terbentuk berdasarkan nilai LST dan NBR. Berdasarkan hasil penelitian cluster terbanyak yaitu pada tahun 2019 dan tahun 2022 terbentuk 3 cluster. Cluster 0 merupakan cluster yang memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR tinggi atau luas terbakar tinggi. Cluster1 merupakan cluster yang memiliki nilai LST tinggi atau suhu permukaan tinggi dan memiliki nilai NBR sedang atau luas terbakar sedang. Sedangkan Cluster2 merupakan cluster yang memiliki nilai LST sedang atau suhu permukaan sedang dan memiliki nilai NBR sedang atau luas terbakar sedang. Kombinasi nilai LST dan NBR menunjukkan area tersebut pernah mengalami kebakaran hutan dan lahan. Evaluasi performa clustering algoritma DBSCAN dilakukan menggunakan Silhouette coefficient. Hasil evaluasi tahun 2017 nilai Silhouette coefficient yaitu 0,773 termasuk strong structure. Tahun 2018 nilai Silhouette coefficient yaitu 0,722 termasuk strong structure. Tahun 2019 terbentuk 3 cluster nilai Silhouette coefficient cluster 0 yaitu 0,875, nilai Silhouette coefficient cluster 1 yaitu 0,802 nilai Silhouette coefficient cluster 2 yaitu 0,876 termasuk pada kategori strong structure. Tahun 2020 terbentuk 2 cluster nilai Silhouette coefficient cluster 0 yaitu 0,637, nilai Silhouette coefficient cluster 1 yaitu 0,649 termasuk pada kategori Medium Structure. Tahun 2021 nilai Silhouette coefficient yaitu 0,714 termasuk strong structure. Tahun 2022 nilai cluster 0 Silhouette coefficient yaitu 0,802, nilai Silhouette coefficient cluster 1yaitu 0,811, dan nilai Silhouette coefficient cluster 2 yaitu 0,712 termasuk pada kategori strong structure.References
Kusuma, Vianti Mala Anggraeni, M. Tanzil Furqon, and Lailil Muflikhah. "Implementasi Metode Fuzzy Subtractive Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan." Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN 2548 (2017): 964X.
Simanjuntak, Krisman Pratama, and Ulfa Khaira. "Pengelompokkan Titik Api di Provinsi Jambi dengan Algoritma Agglomerative Hierarchical Clustering: Hotspot Clustering in Jambi Province Using Agglomerative Hierarchical Clustering Algorithm." MALCOM: Indonesian Journal of Machine Learning and Computer Science 1.1 (2021): 7-16
Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia. (2019). SiPongi - Karhutla Monitoring Sistem. [Online]. In http://www.Sipongi.Menlhk.Go.Id/.
Harsoyo, Budi, and Ibnu Athoillah. "PARADIGMA BARU PEMANFAATAN TEKNOLOGI MODIFIKASI CUACA DALAM UPAYA PENANGANAN BENCANA KEBAKARAN HUTAN DAN LAHAN DI INDONESIA." Jurnal Sains & Teknologi Modifikasi Cuaca 23.1 (2022): 1-9.
Usman, Muhammad. "Spatial Clustering Berbasis Densitas untuk Persebaran Titik Panas sebagai Indikator Kebakaran Hutan dan Lahan Gambut di Sumatera." (2014).
Izhari, Fahmi. "Analisis Algoritma Dbscan Dalam Menentukan Parameter Epsilon Pada Clustering Data Numerik." Seminar Nasional Teknologi Komputer & Sains (SAINTEKS). Vol. 1. No. 1. 2020.
Gunawan, Wawan. "Implementasi Algoritma DBScan dalam Pemngambilan Data Menggunakan Scatterplot." Techno Xplore: Jurnal Ilmu Komputer dan Teknologi Informasi 6.2 (2021): 91-98.
Tarigan, Heron. "Pemetaan Daerah Rawan Kebakaran Hutan di Propinsi Sumatera Utara Berdasarkan Data Satelit TRMM (Tropical Rainfall Measuring Mission)." (2014).
Hermawati, Rachma, and Imas Sukaesih Sitanggang. "Web-Based clustering application using Shiny framework and DBSCAN algorithm for hotspots data in peatland in Sumatra." Procedia Environmental Sciences 33 (2016): 317-323.
Pakuani, Kamilia Wafa, and Robert Kurniawan. "Kajian Penentuan Nilai Epsilon Optimal Pada Algoritma DMDBSCAN Dan Pemetaan Daerah Rawan Gempa Bumi Di Indonesia Tahun 2014-2020." Seminar Nasional Official Statistics. Vol. 2021. No. 1. 2021.
Anwar, Muchamad Taufiq, et al. "Wildfire Risk Map Based on DBSCAN Clustering and Cluster Density Evaluation." Advance Sustainable Science, Engineering and Technology (ASSET) 1.1 (2019).
Rahmah, Nadia, and Imas Sukaesih Sitanggang. "Determination of optimal epsilon (eps) value on dbscan algorithm to clustering data on peatland hotspots in sumatra." IOP conference series: earth and environmental science. Vol. 31. No. 1. IOP Publishing, 2016.
Ahmed, K. Nafees, and T. Abdul Razak. "An overview of various improvements of DBSCAN algorithm in clustering spatial databases." International Journal of Advanced Research in Computer and Communication Engineering 5.2 (2016): 360-363
Id, Ibnu Daqiqil. "Modifikasi DBSCAN (Density-Based Spatial Clustering with Noise) Pada Objek 3 Dimensi." Jurnal Komputer Terapan 3.1 (2017): 41-52.
Devi, Anindya Santika, I. Ketut Gede Darma Putra, and I. Made Sukarsa. "Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan." Lontar Komputer: Jurnal Ilmiah Teknologi Informasi (2015): 185-191.
Wahyu, Aan, and Rushendra Rushendra. "Klasterisasi Dampak Bencana Gempa Bumi Menggunakan Algoritma K-Means di Pulau Jawa." JEPIN (Jurnal Edukasi dan Penelitian Informatika) 8.1: 174-179.
Kristianto, Ariel, Eko Sediyono, and Kristoko Dwi Hartomo. "Implementation DBSCAN algorithm to clustering satellite surface temperature data in Indonesia." Register: Jurnal Ilmiah Teknologi Sistem Informasi 6.2 (2020): 109-118.
