Pembuatan Spatial Decision Tree Menggunakan

Setelah diketahui model Naïve Bayes yang
sesuai, dilakukan penghitungan peluang record
X1 termasuk ke dalam setiap kelas. Proses
perhitungan ini juga dilakukan untuk record X2
dan X3. Hasil dari penghitungan peluang setiap
record termasuk ke dalam setiap kelas dapat
dilihat pada Tabel 13.
Tabel 13 Peluang record termasuk ke dalam
setiap kelas
id
Peluang record termasuk ke dalam
kelas
C0
C1
C2
C3
C4
X1
4,9×
10-10
7,1×
10-15
7,1×
10-15
7,1×
10-15
7,1×
10-15
X2
5,4×
10-15
1,06
×10-8
5,4×
10-15
5,4×
10-15
5,4×
10-15
X3
2,7×
10-10
2,2×
10-8
1,1×
10-10
1,1×
10-10
1,1×
10-10
Keterangan untukTabel 13:
C0
C1
C2
C3
C4
: Kelas TidakAdaHotspot
: Kelas Sedikit
: Kelas Sedang
: Kelas Banyak
: Kelas BanyakSekali
Untuk menentukan kelas dari record X1,
diambil nilai peluang yang tertinggi.
Berdasarkan Tabel 13, dapat ditentukan label
kelas dari setiap record, dengan memilih
peluang tertinggi sebagai kelas dari record.
Kelas
dari
record
id
X1
adalah
TidakAdaHotspot (C0), kelas dari record id X2
adalah kelas Sedikit (C1), dan kelas dari record
id X3 adalah kelas Sedikit (C1).
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan penelitian yang dilakukan
dalam membentuk model klasifikasi untuk
persebaran hotspot, dapat diambil kesimpulan
sebagai berikut:
1 Telah terbentuk spatial decision tree untuk
persebaran hotspot yang memiliki 17 aturan
klasifikasi dengan akurasi 68,35%.
2 Jumlah hotspot di suatu wilayah dapat
dideskripsikan oleh atribut hak pengusahaan
hutan (HPH), hutan tanaman industry (HTI),
dan tata guna hutan kesepakatan (TGHK).
3 Penggunaan tabel spatial join index dan
operator Complete dalam menentukan
hubungan spasial dapat diterapkan dalam
membentuk spatial decision tree dengan
menggunakan
algoritme
klasifikasi
konvensional.
Saran
Saran-saran yang dapat diberikan untuk
pengembangan lebih lanjut adalah sebagai
berikut:
1 Untuk memodelkan persebaran hotspot,
diperlukan dataset dengan jumlah record
yang seimbang untuk setiap kategori jumlah
hotspot.
2 Perlu dibuat aplikasi komputer untuk
mengimplementasikan proses penggunaan
operator
Complete,
terutama
untuk
mengelola data spasial yang berukuran
besar.
DAFTAR PUSTAKA
Chelghoum N, Zeitouni K. 2004. Spatial Data
Mining – Alternative and Performance.
Versailles : Prims Laboratory University of
Versailles.
Chelghoum N, Zeitouni K, Boulmakoul A.
2002. A Decision Tree for Multi-Layered
Spatial Data. IEEE.
Han J, Kamber M. 2006. Data Mining :
Concepts and Techniques. San Francisco :
Morgan Kaufman Publisher.
Kohavi R. 1996. Scaling Up the Accuracy of
Naïve-Bayes Classifiers : a Decision-Tree
Hybrid. AAAI.
Shekhar S, Chawla S. 2003. Spatial Database A
Tour. New Jersey : Prentice Hall.
Sukmawati A. 2006. Hubungan Antara Curah
Hujan Dengan Titik Panas (Hotspot) Sebagai
Indikator Terjadinya Kebakaran Hutan Dan
Lahan Di Kabupaten Pontianak Propinsi
Kalimantan Barat [Skripsi]. Bogor. Program
Studi Budidaya Hutan Fakultas Kehutanan
Institut Pertanian Bogor.
Tan P, Michael S, dan Vipin K. 2005.
Introduction to Data mining. Boston : Pearson
Education, Inc.
Williams N, Zander S, & Armitage G. 2006.
Evaluating Machine Learning Algorithms for
Automated Network Application Identification.
CAIA.
Yonatan D. 2006. Studi Sebaran Titik Panas
(Hotspot) Sebagai Indikator Kebakaran Hutan
Dan Lahan Di Propinsi Jambi Tahun 2000-2004
[Skripsi]. Bogor. Program Studi Budidaya
16
Hutan Fakultas Kehutanan Institut Pertanian
Bogor.
Zeitouni K, Chelghoum N. 2001. Spatial
Decision Tree – Application to Traffic Risk
Analysis. IEEE.
17