Institute of Research and Publication Indonesia MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
1 Iss.
1 April 2021, pp: 7-16
P- ISSN: 2797-2313 E-ISSN: 2775-8575
Hotspot Clustering in Jambi Province Using Agglomerative Hierarchical Clustering Algorithm Pengelompokkan Titik Api di Provinsi Jambi dengan Algoritma Agglomerative Hierarchical Clustering Krisman Pratama Simanjuntak1*.
Ulfa Khaira2 Fakultas Sains dan Teknologi.
Universitas Jambi.
Indonesia E-mail: 1krismanpratama@gmail.
com, 2ulfa.
ilkom@gmail.
Received December 27th 2020.
Revised January 23th 2021.
Accepted February 20th 2021 Corresponding Author: Krisman Pratama Simanjuntak Abstract Forest fires are one of Indonesia's most frequent disasters, especially areas with extensive forests and land such as Jambi Province.
In 2019 there were at least 157,137 hectares of forest and land in Jambi Province burned, causing losses of 12 trillion rupiah.
We can't let this ever happen again.
Early prevention needs to be done by grouping hotspots data into a number of clusters so that it can identify which groups of hotspots are fire emergencies.
One method of grouping hotspots data is Agglomerative Hierarchical Clustering.
Agglomerative Hierarchical Clustering groups a certain amount of data based on the similarities that make up the hierarchical tree from the bottom up.
In this study, clustering was conducted by grouping data into 2 to 10 clusters.
Evaluation of clustering results is done by calculating silhouette coefficient and selecting the best coefficient of each number of clusters.
By using 6,658 rows of data and then Confidence.
Brightness, and FRP as attributes.
The best number of clusters is 2 clusters with the Silhouette Coefficient value of 0.
Cluster-1 consists of 6,283 points with an average confidence level of 73.
49642% which is classified as moderate, then Cluster-2 consists of 375 points with an average level of confidence of 99.
46133% which is classified as high so it needs to be prioritized for handling it.
Keyword: Agglomerative Hierarchical Clustering.
Hotspot.
Silhouette Coefficient.
Abstrak Kebakaran adalah salah satu bencana yang kerap kali melanda Indonesia, khususnya daerah dengan hutan dan lahan yang luas seperti Provinsi Jambi.
Pada tahun 2019 setidaknya terdapat 157.
137 hektare hutan dan lahan di Provinsi Jambi terbakar yang menyebabkan kerugian sebesar Rp.
12 triliun.
Demi mencegah hal tersebut terulang kembali, perlu dilakukan pencegahan dini dengan cara mengelompokkan data titik panas bumi menjadi sejumlah cluster sehingga bisa mengidentifikasi kelompok titik panas mana yang darurat kebakaran.
Salah satu metode mengelompokkan titik panas bumi adalah Agglomerative Hierarchical Clustering.
Agglomerative Hierarchical Clustering mengelompokkan sejumlah data berdasarkan kemiripan yang membentuk pohon hierarki dari bawah ke atas.
Pada penelitian ini.
Clustering dilakukan dengan mengelompokkan data menjadi 2 sampai 10 cluster.
Evaluasi hasil clustering dilakukan dengan menghitung Silhouette Coefficient dan memilih koefisien yang terbaik dari tiap jumlah cluster.
Dengan menggunakan 6.
658 row data lalu Confidence.
Brightness, dan FRP sebagai atributnya, hasilnya jumlah cluster 2 adalah jumlah cluster terbaik dengan nilai Silhouette Coefficient sebesar 0,5856441.
Cluster-1 terdiri dari 6.
283 titik dengan rata - rata tingkat kepercayaan 73,49642% yang tergolong sedang, kemudian Cluster-2 terdiri dari 375 titik dengan rata - rata tingkat kepercayaan 99,46133% yang tergolong tinggi sehingga perlu diproritaskan penanggulangannya.
Kata Kunci: Agglomerative Hierarchical Clustering.
Hotspot.
Silhouette Coefficient.
PENDAHULUAN
Kebakaran adalah salah satu bencana yang kerap kali melanda Indonesia, khususnya daerah dengan hutan dan lahan yang luas seperti Provinsi Jambi.
Kebakaran hutan dan lahan .
adalah keadaan terbakarnya hutan atau lahan yang menyebabkan kerusakan populasi vegetasi, lingkungan, dan dampak yang merugikan lainnya.
Pada tahun 2019 setidaknya terdapat 157.
137 hektare hutan dan lahan di Provinsi Jambi terbakar yang menyebabkan kerugian sebesar Rp.
12 triliun.
Tak hanya itu, asap hasil kebakaran hutan dan lahan pun dapat mengganggu jarak pandang dan berpotensi menyebabkan penyakit pernapasan.
Oleh karena Link: https://journal.
id/index.
php/malcom/article/view/6 MALCOM-1.
: 7-16 itu, pencegahan dini sangat penting dilakukan agar kemungkinan hutan terbakar dan lahan dalam skala besar tidak terjadi lagi, salah satunya dengan cara mengetahui kelompok daerah yang rawan terhadap titik api atau titik panas .
Titik Panas Bumi atau Hotspot adalah indikasi kemungkinan terjadinya kebakaran pada suatu wilayah.
Titik panas (Hotspo.
merupakan daerah yang memiliki suhu permukaan relatif lebih tinggi dibandingkan daerah di sekitarnya berdasarkan ambang batas suhu tertentu yang terpantau oleh satelit penginderaan jauh .
Semakin banyak titik hotspot yang terpantau oleh satelit, maka semakin banyak pula potensi terjadinya kebakaran pada suatu daerah.
Memang benar bahwa titik panas bumi merupakan salah satu indikasi terjadinya kebakaran, namun tidak semua data titip panas tersebut adalah kebakaran yang benar - benar terjadi di lapangan.
Maka dari itu perlu dilakukan validasi dan investigasi langsung di lapangan dan memastikan apakah titik tersebut benar terjadi kebakaran atau hanya sekedar indikasi yang menyebabkan panas sehingga terdeteksi oleh satelit.
Namun dalam melakukan hal tersebut akan memakan banyak biaya dan waktu terlebih untuk titik lokasi dalam jumlah Lagipula, belum tentu di wilayah tersebut benar adanya terjadi kebakaran.
Oleh sebab itu, diperlukan proses penambangan data untuk menemukan pola dan kelompok data titik panas yang akan berguna untuk penanganan dini pada kebakaran.
Penambangan Data atau Data Mining adalah suatu metode pengolahan data dalam jumlah yang besar.
Salah satu teknik dalam Data Mining adalah Clustering.
Clustering adalah salah satu cara mengelompokkan data - data dengan karakter mirip .
Sehingga objek yang terdapat pada suatu cluster memiliki kemiripan dengan objek lainya didalam cluster yang sama namun memiliki perbedaan dengan objek lain pada cluster yabg berbeda.
Dengan melakukan clustering pada dataset titik panas di Provinsi Jambi akan didapatkan informasi apakah benar terjadi kebakaran pada suatu wilayah, ataupun informasi status tinggi, sedang, atau rendahnya potensi suatu wilayah mengalami kebakaran.
Beberapa penelitian mengenai pengelompokan titik api dengan teknik data mining telah dilakukan, diantaranya adalah penelitian yang mengimplementasi algoritma K-Medoids menggunakan data titik panas dengan parameter latitude, longitude, brightness, frp .
ire radiative powe.
, dan confidence.
Algoritma KMedoids merupakan metode clustering yang berfungsi untuk memecah dataset menjadi kelompok-kelompok.
Kelebihan dari metode ini mampu mengatasi kelemahan dari metode K-Means yang sensitive terhadap outlier, proses clustering data titik panas dengan hasil silhouette coefficient terbaik sebesar 0,56745 pada penggunaan 2 cluster .
Penelitian lainnya, impelementasi algoritma Self Organizing Maps (SOM) untuk pengelompokan titik api di Pulau Jawa, berdasarkan hasil pengujian didapatkan silhouette coefficient nilai tertinggi yaitu sebesar 0,2489 untuk penggunaan 3 cluster .
Pada penelitian ini akan menggunakan algoritma Agglomerative Hierarchical Clustering dalam mengelompokkan titik panas di Provinsi Jambi.
Agglomerative hierarchical clustering (AHC) dengan menggunakan buttom-up, dimulai dari masing-masing data sebagai sebuah cluster, kemudian secara rekrusif mencar kelompok terdekat sebagai pasangan yang kemudian akan digabungkan menjadi kelompok yang lebih besar.
Proses tersebut dilakukan berulang sampai jumlah cluster 1, sehingga akan tampak bergerak keatas membentuk hirarki.
Keunggulan dari algoritma AHC adalah tidak perlu menentukan jumlah klaster yang diinginkan .
BAHAN DAN METODE
Metode Penelitian menjelaskan alur penelitian secara umum yang dilakukan penelitian untuk mendapatkan hasil akhir berupa Klasterisasi titik panas di Provinsi Jambi.
Adapun tahapan tahapan pada penelitian ini dapat digambarkan pada gambar 1 Gambar 1.
Metodologi Penelitian Classification of Hotspots in Jambi Province.
(Simanjuntak et al, 2.
ISSN(P): 2797-2313 ISSN(E): 2775-8575 Studi Pustaka Studi pustaka merupakan suatu metode dalam mengumpulkan informasi dan data dengan bantuan berbagai macam literatur yang ada di perpustakaan seperti dokumen, buku, dan jurnal penelitian.
Pada penelitian ini, peneliti menghimpun informasi teoritis yang relevan dengan penelitian yang akan dilakukan melalui buku, jurnal penelitian sebelumnya, serta artikel di internet.
Hal tersebut berguna untuk mengetahui metode dan algoritma apa saja yang tepat digunakan untuk menyelesaikan permasalahan yang diteliti dan sebagai dasar referensi yang kuat dalam menyelesaikan penelitian ini.
Pengumpulan Data Hotspot Data yang digunakan pada penelitian ini adalah data Titik Panas atau Hotspot bumi khususnya di Provinsi Jambi.
Data diperoleh melalui dokumentasi pada website resmi Nasa yang dapat diunduh secara gratis dan terbuka di websitenya.
Hotspot merupakan suatu area yang memiliki suhu lebih tinggi dibandingkan dengan sekitarnya yang dapat deteksi oleh satelit.
Area tersebut direpresentasikan dalam suatu titik yang memiliki koordinat tertentu .
Data yang didapat adalah Data titik api di provinsi Jambi yang telah direkam oleh Nasa dari Januari 2019 sampai dengan Desember 2019.
Terdapat sebanyak 6.
658 baris data dengan 28 atribut, namun yang digunakan hanya 5 atribut yaitu Longitude.
Latitude.
Brightness.
Confidence.
Bright_T31.
FRP, dan Kabupaten.
Dengan atribut Brightness.
Confidence, dan FRP yang akan digunakan pada proses algoritma Agglomerative Hierarchichal Clustering.
Titik panas bumi .
memiliki parameter tingkat kepercayaan yang mengindikasikan daerah yang ditandai titik tersebut adalah daerah dimana kebakaran terjadi.
Semakin tinggi tingkat kepercayaan, maka semakin tinggi pula potensi bahwa hotspot tersebut adalah benar-benar kebakaran lahan atau hutan yang terjadi di lapangan.
LAPAN dalam MODIS Active Fire Product User's Guide membagi tiga kelas tingkat kepercayaan yang ditunjukan pada tabel 1.
Table 1.
Nilai Tingkat Kepercayaan Confidence 0% O C O 30% 30% O C O 80% 80% O C O 100% Kelas Rendah Sedang Tinggi Tindakan Perlu diperhatikan Waspada Segera Penanggulangan Implementasi Agglomerative Hierarchical Clustering Clustering merupakan salah satu teknik Data Mining yang bertujuan untuk mengelompokkan objek berdasarkan kemiripan karakteristiknya dan dapat dipisahkan dari kelompok objek lainnya, sehingga menciptakan kelompok objek yang homogen dan heterogram terhadap kelompok lainnya.
Hierarchical Clustering adalah teknik clustering membentuk hirarki sehingga membentuk sturktur pohon.
Dengan demikian proses pengelompokkannya dilakukan secara bertingkat atau bertahap.
Terdapat 2 metode pada algoritma Hiearchical Clustering yaitu Agglomerative .
ottom-u.
dan Devisive .
op-dow.
Pada tahap implementasi dilakukan pengolahan dataset yang telah dikumpulkan dan diproses dengan algoritma Agglomerative Hierarchical Clustering dengan bantuan software Rstudio dengan langkah-langkah sebagai berikut:
1 Praproses Data Praproses atau Preproccessing Data adalah tahap awal dalam data mining, yaitu menghilangkan permasalahan-permasalahan yang dapat mengganggu hasil daripada proses data.
Data yang tersedia tentunya masih belum bersih dari missing value , duplikasi, serta data yang inkonsisten.
Dengan melalukakan praproses data, semua data tadi dibersihkan sehingga data yang akan digunakan hanyalah data yang benar benar berkualitas dan memberikan hasil mining atau pola dan pengetahuan baru yang lebih baik.
Salah satu tahapan dalam praproses data adalah Normalisasi.
Normalisasi merupakan penskalaan kembali nilai atribut dari data sehingga ditetapkan pada range atau skala tertentu.
Proses normalisasi dilakukan dengan metode min-max.
Metode min-max merupakan metode normalisasi dengan melakukan transformasi linier terhadap data asli dengan persamaan yaitu .
x A min.
) x ' A max( x ) A min.
) Dimana:
XAo min.
= data dinormalisasi = nilai minimum dari range data yang akan dinormalisasi = nilai maksimum dari range data yang akan dinormalisasi MALCOM - Vol.
1 Iss.
1 April 2021, pp: 7-16 MALCOM-1.
: 7-16
Gambar 2.
Tahapan Proses Agglomerative Hierarchical Clustering 2 Perhitungan Jarak Euclidean Euclidean Distance adalah metode yang umum dan mudah digunakan dalam menghitung jarak antar dua titik dalam Euclidean Space dimana setiap titik direpresentasikan dalam multidimensi .
Rumus dari metode ini:
DEuc .
, .
A Dimana:
u dan v Eu .
, v ) i A1 = dua objek yang akan dihitung jaraknya = komponen ke i dari u secara berurutan 3 Proses Agglomerative Hierarchical Clustering Pada Agglomerative cara kerjanya dimulai dari mengelompokkan objek objek individual yang mana pada awalnya jumlah cluster sama dengan banyaknya jumlah objek.
Lalu objek objek yang memiliki kemiripan atau kedekatan dikelompokkan membentuk kelompok baru berdasarkan hasil perhitungan jarak dan parameter kedekatan yang digunakan.
Selanjutnya dilakukan perhitungan jarak baru antar cluster dan menggabungkan cluster yang memiliki jarak terdekat.
Begitu seterusnya hingga seluruh objek membentuk satu cluster .
4 Evaluasi Silhouette Coefficient Hasil dari algoritma Hierarchichal Clustering yang menghasilkan sejumlah cluster perlu dilakukan Evaluasi dilakukan guna mengetahui seberapa mirip atau seberapa dekat jarak antar objek dalam suatu cluster dan seberapa jauh jarak cluster terpisah dengan cluster lain .
Semakin mirip atau semakin dekat jarak antar objek dalam suatu cluster dan semakin jauh jarak objek terhadap objek di cluster lain maka semakin baik kualitas Klasterisasi tersebut.
Salah satu metode untuk mengetahui kualitas dari suatu cluster adalah silhouette coefficient.
Silhouette coefficient merupakan gabungan dari dua metode yaitu metode cohesion dan separation.
Dimana cohesion bertujuan mengukur seberapa dekat hubungan antara objek dalam sebuah cluster, dan metode separation bertujuan mengukur seberapa jauh sebuah cluster terpisah dengan cluster lain.
Yang mana, jumlah cluster terbaik adalah jumlah cluster yang memiliki rata rata nilai silhouette coefficient tertinggi / mendekati 1.
Tahapan - tahapannya adalah sebagai berikut .
Classification of Hotspots in Jambi Province.
(Simanjuntak et al, 2.
ISSN(P): 2797-2313 ISSN(E): 2775-8575 Menghitung jarak rata-rata dari suatu data misalkan i dengan semua data lain yang berada dalam klaster yang sama .
) A | A.
A1 Eu j EaA, j Ci d .
, j ) .
Dengan j adalah data lain dalam satu cluster A dan d.
adalah jarak antara data i dengan j.
Menghitung rata-rata jarak dari data i tersebut dengan semua data diklaster lain, lalu ambil nilai d .
C ) A | A.
A1 Eu j J Ea Cd .
, j ) .
Dengan d(I,C) adalah jarak rata-rata data I dengan semua objek pada cluster lain C dimana A O C.
A min C C Ad .
C ) .
Rumus Silhouette coefficient adalah:
A .
A a.
) / max( a.
, b.
) .
Dengan s.
adalah semua rata-rata pada semua kumpulan data.
HASIL DAN ANALISIS
Praproses Data Praproses data merupakan tahap awal pada data mining sebelum melanjutkan ke tahap tahap selanjutnya yang lebih jauh.
Data yang telah dikumpulkan adalah data titik api di Provinsi Jambi yang terdata sejak 01 Januari Desember NASA https://firms.
gov/ .
Data berjumlah 6.
658 record dan memiliki 28 atribut.
Tidak semua atribut akan digunakan pada penelitian ini.
Hanya 7 atribut yang digunakan yaitu latitude, longitude, brightness, confidence, bright_t31, frp, dan kabupaten.
Namun untuk proses algoritma Agglomerative Hierarchical Clustering hanya digunakan atribut brightness, confidence, dan frp saja.
Dari 6.
658 baris data, tanpa disadari mungkin masih terdapat baris data yang kehilangan nilai atribut .
issing valu.
, terdapat data yang duplikat, ataupun data yang tidak konsisten.
Pada penelitian ini, teknik Praproses yang dilakukan adalah Cleaning dan Transformation.
Pada proses cleaning data dibersihkan dari missing value dan duplikasi data.
Sehingga data yang terlihat seperti gambar berikut :
Table 2.
Dataset Setelah Cleaning Brightness A Confidence A FRP Setelah melewati proses cleaning, jumlah data tetap sebanyak 6.
658 record.
Hal ini karena tidak ada missing value atau duplikasi pada dataset tersebut.
Selanjutnya dilakukan proses transformasi data dengan teknik normalisasi.
Data yang merupakan data numerik akan dinormalisasi menggunakan metode min - max sehingga menghasilkan nilai yang memiliki skala dari 0 sampai dengan 1.
Table 3.
Dataset Setelah Normalisasi Brightness 0,052348337 0,160469667 MALCOM - Vol.
1 Iss.
1 April 2021, pp: 7-16
Confidence 0,47 0,87 FRP
0,0217672543
MALCOM-1.
: 7-16
Brightness 0,054305284 0,074853229 0,009784736 A 0,078767123 0,080724070 0,072407045 0,085127202 0,073874755 Confidence 0,57 0,38 0,46 A 0,63 0,52 0,25 0,68 0,23 FRP
0,0029183465
0,0013237860
0,0011733558
0,0012786570
0,0014290872
0,0012034418
0,0015945604
0,0010830977
Untuk lebih jelasnya secara visualisasi peta dapat dilihat pada Gambar 3.
Gambar 3.
Visualisasi Lokasi Titik Api di Provinsi Jambi Tahun 2019 Menggunakan Software QGIS Algoritma Agglomerative Hierarchical Clustering Sebelum melakukan proses clustering perlu melakukan perhitungan matriks jarak antar data.
Perhitungan jarak dilakukan dengan metode atau rumus Euclidean Distance.
Agglomerative mengklasterisasi data dari N cluster menjadi satu cluster secara bertahap.
Dengan N adalah jumlah data atau bisa dibilang jumlah awal cluster pada Agglomerative Hierarchical Clustering adalah sebanyak jumlah objek/data yaitu 6.
Visualisasi hasil clustering dapat dilihat pada dendogram Gambar 4.
Gambar 4.
Visualisasi Cluster dengan Dendogram Proses clustering menggunakan metode Complete Linkage.
Metode Complete linkage menggabungkan cluster menurut jarak antara anggota anggota terjauh diantara 2 cluster.
Sehingga jika menetapkan jumlah cluster atau k = 2.
Maka akan memotong pada titik 1,47.
Classification of Hotspots in Jambi Province.
(Simanjuntak et al, 2.
ISSN(P): 2797-2313 ISSN(E): 2775-8575 Gambar.
5 Visualisasi jumlah cluster sebanyak 2 cluster.
Setelah memotong pohon hierarki menjadi 2 cluster maka didapatkan 2 kelompok data yang telah terpisah dengan Cluster-1 sebanyak 6.
283 data, dan Cluster-2 sebanyak 375 data.
Table 4 .
Jumlah Data tiap Cluster Cluster Jumlah data Evaluasi Hasil Cluster Evaluasi cluster dilakukan dengan membandingkan nilai rata rata Silhouette Coefficient pada tiap tiap masukkan nilai jumlah cluster yang berbeda.
Pengujian dilakukan dengan jumlah masukan cluster dari 2 Hasil perhitungan silhouette coefficient dapat dilihat pada tabel 5.
Table 5 .
Nilai Silhouette Coefficient Jumlah Cluster Silhouette Coefficient Gambar 6.
Diagram nilai Silhouette Coefficient berdasarkan jumlah cluster MALCOM - Vol.
1 Iss.
1 April 2021, pp: 7-16 MALCOM-1.
: 7-16
Berdasarkan pengujian yang terlihat pada gambar 5.
Terlihat jumlah cluster dengan nilai silhouette coefficient tertinggi adalah 2.
Sedangkan nilai silhouette coefficient terendah adalah julmlah cluster 8.
Sehingga pengelompokkan yang paling tepat dalam menganalisis potensi kebakaran adalah 2 cluster atau kelompok.
Tingginya nilai silhouette coefficient mengindikasikan bahwa data yang diuji terklaster dengan baik, yaitu memiliki jarak yang besar atau jauh antar satu cluster ke cluster lain, dan jarak yang rendah atau dekat antar objek dalam suatu cluster yang sama .
Analisis Pada silhouette coefficient apabila hasil semakin mendekati 1 maka kualitas klaster semakin baik, dan sebaliknya apabila hasil semakin mendekati 0 maka semaikin buruk.
Setelah menguji cluster dengan silhouette coefficient dari 2 cluster terus berturut sampai dengan 10 cluster , maka dapat disimpulkan 2 cluster adalah hasil terbaik dalam proses clustering tersebut.
Seperti yang terlihat pada tabel 3 data titik hotspot yang tersebar pada 2 cluster ada sebanyak 6.
283 titk pada cluster 1 dan 375 titik pada cluster 2.
Dengan menggunakan atribut longitude dan latitude pada data, bisa didapatkan lokasi asli dari titik hotspot pada peta, ditunjukkan pada gambar 7.
Gambar 7.
Lokasi hotspot pada peta Terlihat Titik kuning pada gambar 6 merupakan titik hotspot cluster 1 yang tersebar hampir diseluruh wilayah provinsi Jambi.
Sedangkan titik merah adalah titik hotspot cluster 2.
Dengan menghitung rata rata confidence, brightness, dan frp dari masing masing cluster, didapat hasil seperti pada tabel 6.
Table 6.
Hasil rata - rata Confidence.
Brightness, dan FRP
Cluster
Confidence 73,49642 99,46133 Brightness 325,6746 405,0715 FRP
46,64593
679,95973
Jumlah Data Rata rata nilai confidence, brightness dan FRP tertinggi dimiliki oleh cluster-2 dengan confidence lebih dari 99%.
Nilai tersebut menunjukkan bahwa titik hotspot yang terdapat pada cluster-2 memiliki potensi lebih tinggi terjadi kebakaran.
Confidence dengan nilai lebih dari 80 termasuk dalam kategori berpotensi tinggi sehingga perlu dilakukan penanggulangan lebih lanjut.
Sedangkan titik panas pada cluster-1, memiliki nilai confidence 73,49642.
termasuk potensi kebakaran sedang karena nilai confidence berada dibawah 80 dan harus di waspadai.
Lokasi titik cluster 1 dan 2 dapat dilihat pada gambar 8 dan 9.
Classification of Hotspots in Jambi Province.
(Simanjuntak et al, 2.
ISSN(P): 2797-2313 ISSN(E): 2775-8575 Gambar 8.
Lokasi Persebaran Titik Api Cluster 1 Gambar 9.
Lokasi Persebaran Titik Api Cluster 2 Hasill visualisasi lokasi titik api menunjukkan bahwa titik api tersebar hampir di seluruh kabupaten di provinsi Jambi dan yang terbanyak ada di Kabupaten Muaro Jambi baik itu cluster-1 yang memiliki rata rata confidence 73,49642% dan berstatus sedang/ waspada maupun pada cluster-2 dengan rata rata confidence 99,46133% dan berstatus tinggi/butuh penanggulangan.
Hasil ini relevan dengan fakta yang terjadi pada tahun 2019 kabupaten Muaro Jambi adalah daerah memiliki paling banyak titik api/ kebakaran.
KESIMPULAN
Berdasarkan pengujian dan analisis dari algoritma Agglomerative Hierarchical Clustering untuk mengelompokkan titk panas Provinsi Jambi tahun 2019 yang diujikan dengan metode evaluasi Silhouette Coefficient maka didapat kesimpulan bahwa Algoritma Agglomerative Hierarchical Clustering berhasil diimplementasikan untuk mengelompokkan titik panas di Provinsi Jambi tahun 2019.
Evaluasi hasil clustering dilakukan dengan metode Silhouette Coefficient dan didapatkan cluster optimal sebanyak 2 cluster dengan MALCOM - Vol.
1 Iss.
1 April 2021, pp: 7-16 MALCOM-1.
: 7-16
cluster pertama sebanyak 6283 titik, rata - rata confidence sebesar 73,49642% , rata - rata brightness sebesar 325,6746 , rata - rata FRP sebesar 679,95973 dan pada cluster kedua sebanyak 375 titik, rata - rata confidence sebesar 99,46133% , rata - rata brightness sebesar 405,0715 , rata - rata FRP sebesar 679,95973.
Dengan begitu, potensi terjadinya kebakaran pada cluster-2 lebih tinggi dibanding cluster-1 sehingga perlu perhatian dan penanganan lebih.
Daerah yang memiliki paling banyak titik api berdasarkan hasil clustering adalah kabupaten Muaro Jambi.
Hal ini relevan dengan kejadian nyata yang terjadi pada tahun 2019 .
REFERENSI