Skripsi S1

Record Data Skripsi S1
MhswID :
200401023
Judul :
Density Based Clustering Untuk Titik Panas (Hotspot) Daerah Provinsi Riau Menggunakan Ordering Points To Identify the Clustering Structure (OPTICS)
Penulis :
ARIF MARDHATILLAH ASMAR
Abstrak :
ABSTRAK Kebakaran hutan merupakan salah satu bencana alam yang sering terjadi di Indonesia, terutama di Provinsi Riau. Untuk menanggulangi masalah ini, diperlukan upaya pencegahan dini dengan mengidentifikasi daerah-daerah yang rawan terhadap kebakaran hutan berdasarkan analisis data titik panas (hotspot). Penelitian ini bertujuan untuk mengimplementasikan algoritma clustering OPTICS (Ordering Points to Identify the Clustering Structure) dalam menganalisis data titik panas di Provinsi Riau dari tahun 2020 hingga 2023. Total terdapat 10.839 data titik panas yang digunakan. Pemrosesan awal data dilakukan dengan memfilter dataset menjadi data per tahun. Penerapan algoritma OPTICS melibatkan pengaturan parameter epsilon dan minPts yang optimal, dengan evaluasi menggunakan Silhouette Coefficient dan Sum of Squared Errors (SSE). Hasil penelitian menunjukkan bahwa parameter optimal dengan nilai Silhouette Coefficient tertinggi dan SSE terendah untuk setiap data per tahun, tahun 2020: eps = 0.01, minPts = 50, SC = 0.996 dan SSE = 0.005, tahun 2021: eps = 0.01, minPts = 23, SC = 0.997 dan SSE = 0.002, tahun 2022: eps = 0.01, minPts = 14, SC = 0.999 dan SSE = 0.000, tahun 2023: eps = 0.01, minPts = 30, SC = 0.974 dan SSE = 0.008. Visualisasi hasil clustering dalam bentuk peta cluster 2D memberikan informasi spasial tentang wilayah-wilayah di Provinsi Riau yang berpotensi rawan terhadap kebakaran hutan. Penelitian ini berkontribusi dalam memberikan panduan untuk upaya pencegahan dan penanganan kebakaran hutan secara lebih dini dan efektif oleh pihak berwenang dan lembaga terkait. Kata Kunci: Titik panas, Density Based Clustering, OPTICS, Silhouette Coefficient, Sum Squared Errors.
Abstrak Inggris :
ABSTRACT Forest fires are one of the natural disasters that frequently occur in Indonesia, especially in the Province of Riau. To mitigate this issue, early prevention efforts are necessary by identifying areas prone to forest fires based on hotspot data analysis. This study aims to implement the OPTICS (Ordering Points to Identify the Clustering Structure) clustering algorithm in analyzing hotspot data in the Province of Riau from 2020 to 2023. A total of 10,839 hotspot data points were utilized. Initial data processing involved filtering the dataset into yearly data. The application of the OPTICS algorithm involved setting optimal epsilon and minPts parameters, with evaluation using the Silhouette Coefficient and Sum of Squared Errors (SSE). The research results indicate that the optimal parameters with the highest Silhouette Coefficient and lowest SSE for each yearly data are as follows: for the year 2020: eps = 0.01, minPts = 50, SC = 0.996, and SSE = 0.005; for the year 2021: eps = 0.01, minPts = 23, SC = 0.997, and SSE = 0.002; for the year 2022: eps = 0.01, minPts = 14, SC = 0.999, and SSE = 0.000; for the year 2023: eps = 0.01, minPts = 30, SC = 0.974, and SSE = 0.008. Visualization of clustering results in the form of a 2D cluster map provides spatial information about areas in the Province of Riau that are potentially prone to forest fires. This research contributes to providing guidance for more early and effective forest fire prevention and management efforts by relevant authorities and institutions. Keyword: Hotspots, Density Based Clustering, OPTICS, Silhouette Coefficient, Sum of Squared Errors.
Tahun :
2024
Na :
A
Loading, updating changes...



UPT. Perpustakaan & UPT. TIPD UMRI

  • Kampus Utama : Jl. Tambusai / Jl. Nangka, Kecamatan Tampan
  • Kota Pekanbaru, Provinsi Riau

    E-Mail : pustaka@umri.ac.id - Website : http://lib.umri.ac.id - Smart Library : http://smartlib.umri.ac.id - Jurnal : http://jurnal.umri.ac.id

    Smartlib v1.3 © 2019 UPT TIPD UMRI. All Rights Reserved.