NORMALISASI DATA UNTUK EFISIENSI K-MEANS PADA PENGELOMPOKAN WILAYAH BERPOTENSI KEBAKARAN HUTAN DAN LAHAN BERDASARKAN SEBARAN TITIK PANAS

Ahmad Harmain; Paiman Paiman; Henri Kurniawan; Kusrini Kusrini; Dina Maulina

doi:10.46764/teknimedia.v2i2.49

Ahmad Harmain MTI Universitas Amikom Yogyakarta
Paiman Paiman MTI Universitas Amikom Yogyakarta
Henri Kurniawan MTI Universitas Amikom Yogyakarta
Kusrini Kusrini MTI Universitas Amikom Yogyakarta
Dina Maulina MTI Universitas Amikom Yogyakarta

DOI: https://doi.org/10.46764/teknimedia.v2i2.49

Kata Kunci: K-Means, MODIS, Silhouette Coefficient, Davies Bouldin Index

Abstrak

Kawasan indonesia merupakan bagian dari daerah tropis yang memiliki potensi kebakaran sangat tinggi terlebih pada musim kemarau, sehingga perlunya sebuah langkah kongkrit untuk dilakukan mitigasi supaya potensi-potensi kebakaran hutan itu menjadi terminimalisir. Untuk melakukan itu dibutuhkan suatu metode teknologi yang lebih mumpuni dan terbaru untuk memetakan wilayah-wilayah yang mempunyai potensi besar terjadinya kebakaran hutan. Sistem pencitraan dan Informasi dari sistem satelit (MODIS) adalah salah satu informasi tentang kondisi permukaan bumi, yaitu parameter Latitude, Longitude, Brightness, FRP (Fire Radiative Power), dan Confidence dapat dijadikan dasar pengelompokan suatu wilayah memiliki potensi kebakaran atau tidak. K-Means adalah salah satu metode dalam machine learning yang bisa digunakan sebagai salah satu metode dalam pengelompokan wilayah-wilayah tersebut. Akurasi dalam menguji hasil pengelompokan K-Means dapat diuji dengan metode Davies Bouldin Index (DBI) dan Silhouette Coefficient.

Referensi

[1] A. C. Rahayu, “COP26 Sepakati Jaga Pemanasan Global Tidak Lebih dari 1,5 Derajat Celcius,” kontan.co.id, 2021. https://internasional.kontan.co.id/news/cop26-sepakati-jaga-pemanasan-global-tidak-lebih-dari-15-derajat-celcius (accessed Dec. 25, 2021).
[2] Rodney J. Keenan, “Climate Change Impacts and Adaptation in Forest Management: a review,” Annals of Forest Science 72, pp. 145–167, 2015, Accessed: Dec. 26, 2021. [Online]. Available: https://link.springer.com/article/10.1007/s13595-014-0446-5
[3] K. A. DS, P. Sofan, S. Suwarsono, I. Prasasti, and F. Yulianto, Evaluasi Hasil Estimasi Suhu Udara dari Data Satelit NOAA-18 AVHRR di Pulau Sumatera, Kalimantan dan Jawa. JAKARTA TIMUR: LAPAN, 2015. Accessed: Dec. 24, 2021. [Online]. Available: https://onesearch.id/Record/IOS4589.slims-4617
[4] “About MODIS (Moderate Resolution Imaging Spectroradiometer),” MODIS (Moderate Resolution Imaging Spectroradiometer). https://modis.gsfc.nasa.gov/about/ (accessed Dec. 25, 2021).
[5] M. Armani and I. D. Wedhaswary, “Data Terkini Titik Panas di Indonesia dan Wilayah Asia Tenggara,” kompas.com, 2019. Accessed: Dec. 25, 2021. [Online]. Available: https://www.kompas.com/tren/read/2019/09/07/084506865/data-terkini-titik-panas-di-indonesia-dan-wilayah-asia-tenggara?page=all
[6] T. R. A. Sukamto Sukamto Ibnu Daqiqil Id, “Penentuan Daerah Rawan Titik Api Di Provinsi Riau Menggunakan Clustering Algoritma K-Means,” JUITA, vol. 6, no. 2, pp. 137–148, 2018, [Online]. Available: http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/3172
[7] A. Athifaturrofifah, R. Goejantoro, and D. Yuniarti, “Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas,” EKSPONENSIAL, vol. 10, no. 2, pp. 143–152, 2020, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/572
[8] U. K. Krisman Pratama Simanjuntak, “Pengelompokkan Titik Api di Provinsi Jambi dengan Algoritma Agglomerative Hierarchical Clustering,” MALCOM, vol. 1, no. 1, pp. 7–16, 2021, [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/6/9
[9] P. Dangeti, Statistics for Machine Learning: Techniques for exploring supervised, unsupervised, and reinforcement learning models with Python and RJuly 2017. Packt Publishing, 2017.
[10] S. Nawrin, M. R. Rahman, and S. Akhter, “Exploreing K-Means with Internal Validity Indexes for Data Clustering in Traffic Management System,” International Journal of Advanced Computer Science and Applications, vol. 8, no. 3, 2017, doi: 10.14569/IJACSA.2017.080337.
[11] A. Bates and J. Kalita, “Counting Clusters in Twitter Posts,” in Proceedings of the Second International Conference on Information and Communication Technology for Competitive Strategies, 2016, pp. 1–9.