Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means
Penelitian ini membahas tentang daerah rawan titik api di Provinsi Riau. Kebakaran hutan menjadi ancaman pada hutan di Indonesia. Mengingat faktor timbulnya dan dampak yang akan ditimbulkan dari kebakaran hutan, maka sangat penting untuk mengetahui daerah yang rawan terhadap titik api. Konsep data...
Main Authors: | , , |
---|---|
Format: | Article |
Language: | Indonesian |
Published: |
Universitas Muhammadiyah Purwokerto
2018-11-01
|
Series: | Jurnal Informatika |
Subjects: | |
Online Access: | http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/3172 |
id |
doaj-33b02dd45f8b4eea954ec8e412f2c90e |
---|---|
record_format |
Article |
spelling |
doaj-33b02dd45f8b4eea954ec8e412f2c90e2020-11-25T02:43:19ZindUniversitas Muhammadiyah PurwokertoJurnal Informatika2086-93982579-89012018-11-016213714710.30595/juita.v6i2.31722211Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-MeansSukamto Sukamto0Ibnu Daqiqil Id1T.Rahmilia Angraini2UNIVERSITAS RIAUUNIVERSITAS RIAUUNIVERSITAS RIAUPenelitian ini membahas tentang daerah rawan titik api di Provinsi Riau. Kebakaran hutan menjadi ancaman pada hutan di Indonesia. Mengingat faktor timbulnya dan dampak yang akan ditimbulkan dari kebakaran hutan, maka sangat penting untuk mengetahui daerah yang rawan terhadap titik api. Konsep data mining sangat cocok diterapkan untuk mengetahui status daerah rawan titik api. Dalam penelitian ini dilakukan pengelompokkan data dengan menggunakan Chebysev Distance K-Means. Data yang digunakan adalah data titik api di Provinsi Riau pada tahun 2016. Data dikelompokkan menjadi tiga cluster, yaitu 133 titik yang masuk kedalam cluster daerah sangat rawan titik api, 101 titik kedalam cluster daerah rawan titik api, dan 77 titik kedalam cluster daerah yang tidak rawan terhadap titik api, dengan nilai DBI (Davies Bouldin Index) 0,361 menandakan bahwa pengklasteran Chebysev K-Means sebanyak 3 cluster sudah optimal. Hasil clustering divisualisasikan dengan Google Maps Api.http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/3172clustering, hotspot, k-means. |
collection |
DOAJ |
language |
Indonesian |
format |
Article |
sources |
DOAJ |
author |
Sukamto Sukamto Ibnu Daqiqil Id T.Rahmilia Angraini |
spellingShingle |
Sukamto Sukamto Ibnu Daqiqil Id T.Rahmilia Angraini Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means Jurnal Informatika clustering, hotspot, k-means. |
author_facet |
Sukamto Sukamto Ibnu Daqiqil Id T.Rahmilia Angraini |
author_sort |
Sukamto Sukamto |
title |
Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means |
title_short |
Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means |
title_full |
Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means |
title_fullStr |
Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means |
title_full_unstemmed |
Penentuan Daerah Rawan Titik Api di Provinsi Riau Menggunakan Clustering Algoritma K-Means |
title_sort |
penentuan daerah rawan titik api di provinsi riau menggunakan clustering algoritma k-means |
publisher |
Universitas Muhammadiyah Purwokerto |
series |
Jurnal Informatika |
issn |
2086-9398 2579-8901 |
publishDate |
2018-11-01 |
description |
Penelitian ini membahas tentang daerah rawan titik api di Provinsi Riau. Kebakaran hutan menjadi ancaman pada hutan di Indonesia. Mengingat faktor timbulnya dan dampak yang akan ditimbulkan dari kebakaran hutan, maka sangat penting untuk mengetahui daerah yang rawan terhadap titik api. Konsep data mining sangat cocok diterapkan untuk mengetahui status daerah rawan titik api. Dalam penelitian ini dilakukan pengelompokkan data dengan menggunakan Chebysev Distance K-Means. Data yang digunakan adalah data titik api di Provinsi Riau pada tahun 2016. Data dikelompokkan menjadi tiga cluster, yaitu 133 titik yang masuk kedalam cluster daerah sangat rawan titik api, 101 titik kedalam cluster daerah rawan titik api, dan 77 titik kedalam cluster daerah yang tidak rawan terhadap titik api, dengan nilai DBI (Davies Bouldin Index) 0,361 menandakan bahwa pengklasteran Chebysev K-Means sebanyak 3 cluster sudah optimal. Hasil clustering divisualisasikan dengan Google Maps Api. |
topic |
clustering, hotspot, k-means. |
url |
http://jurnalnasional.ump.ac.id/index.php/JUITA/article/view/3172 |
work_keys_str_mv |
AT sukamtosukamto penentuandaerahrawantitikapidiprovinsiriaumenggunakanclusteringalgoritmakmeans AT ibnudaqiqilid penentuandaerahrawantitikapidiprovinsiriaumenggunakanclusteringalgoritmakmeans AT trahmiliaangraini penentuandaerahrawantitikapidiprovinsiriaumenggunakanclusteringalgoritmakmeans |
_version_ |
1724770131269124096 |