Association Rule Kebakaran Pemukiman

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN PERMUKIMAN DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI Lana Debi Syintia, RB Fajriya Hakim Program Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Islam Indonesia [email protected], [email protected] ABSTRAK. Umumnya di kota-kota besar di Indonesia masih banyak dijumpai permukiman yang padat, pasar tradisional, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut, salah satunya adalah ancaman terhadap bahaya kebakaran. Dalam penelitian ini akan menggunakan data mining dengan metode association rule untuk mengolah data bencana kebakaran permukiman di Indonesia karena ingin mengetahui informasi apa saja yang sering muncul bersamaan pada kejadian bencana kebakaran permukiman. Dari hasil analisis didapatkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan nilai support tertinggi yaitu Jika terjadi kebakaran permukiman dengan kondisi tanah labil maka hujanderas dengan nilai support sebesar 0.5227273 dan nilai confident sebesar 0.8214286. Berdasarkan dari hasil akhir Association rules tersebut diketahui bahwa kejadian kebakaran pemukiman cenderung terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak. Kata Kunci: Data mining, Association rules, Apriori, Kebakaran Pemukiman, Pencegahan dan penanganan kebakaran pemukiman.

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN PERMUKIMAN DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE ALGORITMA APRIORI Lana Debi Syintia, RB Fajriya Hakim Program Studi Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Islam Indonesia [email protected], [email protected] ABSTRAK. Umumnya di kota-kota besar di Indonesia masih banyak dijumpai permukiman yang padat, pasar tradisional, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut, salah satunya adalah ancaman terhadap bahaya kebakaran. Dalam penelitian ini akan menggunakan data mining dengan metode association rule untuk mengolah data bencana kebakaran permukiman di Indonesia karena ingin mengetahui informasi apa saja yang sering muncul bersamaan pada kejadian bencana kebakaran permukiman. Dari hasil analisis didapatkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan nilai support tertinggi yaitu Jika terjadi kebakaran permukiman dengan kondisi tanah labil maka hujanderas dengan nilai support sebesar 0.5227273 dan nilai confident sebesar 0.8214286. Berdasarkan dari hasil akhir Association rules tersebut diketahui bahwa kejadian kebakaran pemukiman cenderung terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak. Kata Kunci: Data mining, Association rules, Apriori, Kebakaran Pemukiman, Pencegahan dan penanganan kebakaran pemukiman.

1.

LATAR BELAKANG Bencana yang terjadi membawa sebuah konsekuensi untuk mempengaruhi manusia dan atau lingkungannya. Kerentanan terhadap bencana dapat disebabkan oleh kurangnya manajemen bencana yang tepat, dampak lingkungan, atau manusia sendiri. Kerugian yang dihasilkan tergantung pada kapasitas ketahanan komunitas terhadap bencana. Kota-kota besar seperti Jakarta, Surabaya, Medan, Bandung dan Semarang masih banyak dijumpai permukiman yang padat dan pasar tradisional dengan akselerasi jalan yang sempit, penyalagunaan fungsi brandgang yang secara teknis masih jauh dari keamanan bahaya kebakaran, gedung-gedung tinggi dan komplek pertokoan/mall yang sebagian besar kurang memenuhi ketentuan proteksi kebakaran, sehingga berbagai persoalanpun muncul seiring dengan pertumbuhan kota tersebut , salah satunya adalah ancaman terhadap bahaya kebakaran. Kebakaran yang terjadi di permukiman padat dapat bergerak dengan cepat karena banyak benda yang mudah terbakar, tidak ada konstruksi pembatas, sistem instalasi listrik yang cenderung ruwet, sehingga menimbulkan dampak sosial, ekonomi, psikologi, lingkungan dan langsung memiskinkan masyarakat. Potensi bahaya utama (main hazard) dan potensi ikutan (colateral hazard) suatu peristiwa bencana yang sangat tinggi terutama di daerah yang memiliki kepadatan penduduk, prosentase bangunan kayu (utamanya daerah pemukiman kumuh perkotaan), dan jumlah industri berbahaya tinggi (SatBakornas, 2002). Beberapa masalah yang terjadi pada kebakaran permukiman padat dapat teridentifikasi secara umum dan khusus sebagai berikut : 1. Secara umum, infrastruktur kota seperti sumber air untuk pemadaman, hidran kota, jalan-jalan lingkungan dan sistem komunikasi emergency masih belum sepenuhnya mendukung terhadap operasi pemadaman yang efektif;

2.

Belum semua kota memiliki master plan penanganan kebakaran, sementara pembangunan fisik kota meningkat ditandai dengan bertambahnya kawasan permukiman padat penduduk termasuk kawasan kumuh yang rentan terhadap bahaya kebakaran; 3. Masih lekatnya image persepsi sebagian masyarakat bahwa kebakaran adalah suatu musibah yang harus diterima sebagai cobaan dari Tuhan yang maha kuasa; 4. Partisipasi masyarakat dalam pencegahan dan penanggulangan kebakaran masih relatif rendah atau kurang diberdayakan; 5. Peran serta Satlakar yang belum optimal. Secara khusus, sebagian besar masyarakat masih menilai bahwa PMK “selalu terlambat”. keterlambat itu dikarenakan oleh beberapa hal sebagai berikut : 1. Keterlambatan masyarakat dalam melaporkan berita kebakaran, (Api membesar baru laporan) ; 2. Lokasi Pos Pemadam Kebakaran yang terlalu jauh dari lokasi kebakaran; 3. Tingkat kepadatan penduduk dan kemacetan lalu lintas; 4. Perubahan kondisi lalu lintas tanpa diketahui oleh PMK; 5. Hambatan akseleri unit pemadam kebakaran antara lain portal, polisi tidur, kabel telepon/listrik melintang serta jalan sempit. Dari permasalahan diatas pada makalah ini ingin melihat pola atau hubungan asosiatif dari data kebakaran permukiman di Indonesia. Teknik yang digunakan yaitu metode association rule algoritma apriori. Association rule (aturan asosiatif) berusaha menemukan aturan-aturan tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, pertama-tama kita harus mencari lebih dulu yang disebut "frequent itemset" (sekumpulan item yang sering muncul bersamaan). Salah satu algoritma yang dapat digunakan untuk menemukan association rule adalah algoritma apriori. Ciri dari algoritma apriori adalah jika suatu itemset termasuk dalam large itemset, maka semua himpunan bagian (subset) dari itemset tersebut juga termasuk large itemset. 1.1. Rumusan Masalah Berdasarkan penjelasan di atas, permasalahan yang akan dibahas dalam hal ini yaitu ingin mengetahui bagaimana pola hubungan aturan assosiatif antara suatu kombinasi item dan membentuk pola kombinasi itemsets dengan menggunakan algoritma apriori. 1.2. Batasan Masalah Agar pembahasan dalam penelitian ini tidak meluas, maka dalam laporan ini diberikan batasan-batasan sebagai berikut : 1) Data yang digunakan adalah data sekunder, yaitu data Kebakaran Permukiman di Indonesia Tahun 2015 2) Data diolah dengan menggunakan bantuan program R 1.3. Tujuan Penelitian Tujuan penelitian ini adalah untuk mengetahui bagaimana pola hubungan aturan assosiatif antara setiap kejadian kebakaran permukiman di Indonesia dengan menggunakan algoritma Apriori sehingga dapat dilihat pola assosiasi kasus kebakaran permukiman yang terjadi di Indonesia 1.4. Manfaat Penelitian Dari makalah ini diharapan dapat memberikan manfaat : 1. Memberikan informasi mengenai pola hubungan aturan assosiatif antara setiap kejadian kebakaran permukiman di Indonesia. 2. Bisa mempermudah dan digunakan sebagai acuan untuk mengoptimalkan master plan pencegahan dan penanganan kebakaran pemukiman bagi pihak Badan penanggulangan bencana khususnya dan informasi tambahan bagi individu maupun instansi yang berkepentingan. 2.

LITERATUR

2.1. Penelitian Terdahulu Penelitian tentang association rule sudah banyak dilakukan oleh peneliti-peneliti sebelumnya, seperti penelitian dengan judul “Penerapan Data Mining Dalam Analisis Kejadian Kebakaran permukiman Di Indonesia Dengan Menggunakan Association Rule Algoritma Apriori” (Dewi Setianingsih, 2015). Penelitian ini menunjukkan bahwa teknik data mining dengan algoritma apriori dapat diimplementasikan pada data kebencanaan yang menghasilkan pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada akhir bulan desember 2014 dan awal bulan januari 2015 yaitu Jika terjadi kebakaran permukiman dengan kondisi tanah labil maka hujan deras dan Jika terjadi kebakaran permukiman karena hujan deras maka kondisi tanah labil. Penelitian dengan judul “Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola Data Kecelakaan Pesawat Dari Tahun 1967-2014 Di Indonesia” (Pria Nita Utari, 2015). Penelitian ini berisi tentang informasi bahwa metode Association Rule Algoritma Apriori juga dapat digunakan dalam mengetahui pola

data kecelakaan pesawat, sehingga dapat dilihat pola assosiasi kasus kecelakaan pesawat yang terjadi Di Indonesia. Penelitian dengan judul “Perancangan Aplikasi Data Mining Dengan Algoritma Apriori Untuk Frekuensi Analisis Keranjang Belanja Pada Data Transaksi Penjualan” pada Studi Kasus di Swalayan KPRI Universitas Brawijaya (Heru Dewantara dan Purnomo Budi Santosa, 2013). Penelitian ini berupaya mengembangkan strategi bisnis peletakkan barang belanjaan yang disesuaikan dengan pola konsumsi konsumen di Swalayan KPRI Universitas Brawijaya Malang. Hasil peneltian ini adalah sebuah prototipe aplikasi MBA. Salah satu aturan asosiasi yang terbentuk adalah jika membeli gula pasir lokal 1kg, indofood bmb.racik sayur sop 20gr 9117, maka membeli indofood bmb.racik sy.asem 20gr rsah.463 dengan nilai support = 0,52% dan nilai confidence = 90,91% yang merupakan aturan dengan nilai confidence tertinggi. Proses selanjutnya adalah mengkategorikan item yang digunakan sebagai acuan perbaikan layout, sehingga mendapatkan rekomendasi perbaikan layout yang menyatakan bahwa gula didekatkan dengan telur, bumbu masak jadi, dan minyak goreng; minyak goreng didekatkan dengan bumbu masak jadi; telur didekatkan dengan beras dan mie instant serta minuman didekatkan dengan roti. Dengan demikian, penataan barang dagangan bisa disesuaikan dengan aturan asosiasi agar sesuai dengan pola konsumsi konsumen. Penelitian dengan judul “Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan” (Muhammad Afif Syaifullah, 2010). Penelitian tersebut menginformasikan pelaksanaan asosiasi algoritma data mining pada sistem penjualan bermanfaat untuk dapat meningkatkan penjualan produk di sebuah perusahaan, toko, atau pasar. 3.

DASAR TEORI a) Data Mining Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengedintifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar. Data mining bukanlah suatu bidang yang sama sekali baru. Salah satu kesulitan untuk mendefinisikan data mining adalah kenyataan bahwa data mining mewarisi banyak aspek dan teknik dari bidangbidang ilmu yang sudah mapan terlebih dahulu. Data mining dibagi menjadi beberapa kelompok berdasarkan tugas yang dapat dilakukan, yaitu : Deskripsi, Estimasi, Klasifikasi, Prediksi, Pengklusteran, Asosiasi b) Association rule Analisis asosiasi atau association rule adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antar item dalam suatu data set dan menampilkan dalam bentuk association rule (Budhi dkk,2007). Association rule (aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan. c) Algoritma Apriori Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma ini mengontrol berkembangnya kandidat itemset dari hasil frequent itemset dengan support-based pruning untuk menghilangkan itemset yang tidak menarik dengan menetapkan minimum support. Prinsip dari apriori ini adalah bila itemset digolongkan sebagai frequent itemset, yang memiliki support lebih dari yang ditetapkan sebelumnya, maka semua subsetnya juga termasuk golongan frequent itemset, dan sebaliknya. Support merupakan nilai kejadian atau persentase kombinasi sebuah item dalam database. Support dirumuskan sebagai berikut: Support (A) = (jumlah kejadian mengandung A / Total kejadian) x 100% Sedangkan nilai support dari 2 item diperoleh dari rumus berikut: Support (A ∩ B) =

�����ℎ ����������� ������������ � ��� � ��� �� ���� ��� ������

Confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut : Contoh misalnya ditemukan aturan AB maka:

Confidence P(B|A) = (Total kejadian mengandung A dan B)/(Kejadian

mengandung A) x 100%

Proses utama yang dilakukan dalam algoritma Apriori untuk mendapat frequent itemset yaitu (Erwin, 2009) : 1. Join (penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi. 2. Prune (pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. d) Pembagian Waktu Tabel 3.1. Pembagian Waktu menurut Wikipedia Pagi 00:01 – 10:59 Siang 11:00 – 14:00 Sore 14:01 – 18:00 malam 18:01 – 11:59 e) Pengelompokan Kebakaran Pengelompokkan kebakaran menurut peraturan Menteri Tenaga Kerja dan Transmigrasi Nomor 04/MEN/1980 Bab I Pasal 2, ayat 1 mengkalisikasikan kebakaran menjadi 4 yaitu katagori A,B,C,D. Klasifikasi tersebut adalah sebagai berikut : 1. Kebakaran Kelas A Kebakaran yang menyangkut benda-benda padat kecuali logam. Contoh : Kebakaran kayu, kertas, kain, plastik, dsb. Alat/media pemadam yang tepat untuk memadamkan kebakaran klas ini adalah dengan : pasir, tanah/lumpur, tepung pemadam, foam (busa) dan air . 2. Kebakaran Kelas B Kebakaran bahan bakar cair atau gas yang mudah terbakar. Contoh : Kerosine, solar, premium (bensin), LPG/LNG, minyak goreng. Alat pemadam yang dapat dipergunakan pada kebakaran tersebut adalah Tepung pemadam (dry powder), busa (foam), air dalam bentuk spray/kabut yang halus. 3. Kebakaran Kelas C Kebakaran instalasi listrik bertegangan. Seperti : Breaker listrik dan alat rumah tangga lainnya yang menggunakan listrik. Alat Pemadam yang dipergunakan adalah : Carbondioxyda (CO2), tepung kering (dry chemical). Dalam pemadaman ini dilarang menggunakan media air. 4. Kebakaran Klas D Kebakaran pada benda-benda logam padat seperti : magnesum, alumunium, natrium, kalium, dsb. Alat pemadam yang dipergunakan adalah : pasir halus dan kering, dry powder khusus. f) Jenis-jenis Bangunan 1. Bangunan Rumah Tinggal : Perumahan, Rumah Susun, Apartemen, Mess, Asrama 2. Bangunan Komersial : Retail, Supermarket, Pertokoan (pakaian,makanan, motor-transportasi, peralatan elektronik), Pusat Perbelanjaan, Perkantoran komersial, Layanan Jasa (service, laundry dll) 3. Bangunan fasilitas Penginapan : Motel, Hotel, Cottage, Wisma tamu 4. Bangunan Fasilitas Pendidikan : Pra sekolah, Sekolah, Kursus/pelatihan, Perpustakaan, Laboratorium pendidikan, Science Park dll 5. Bangunan Fasilitas Kesehatan : Rumah sakit, Puskesmas, Klinik kesehatan, Laboratorium Medis, Gymnasium, Perawatan kecantikan, Pusat rehabilitasi, Pusat terapi kesehatan, Apotek 6. Bangunan Fasilitas Peribadahan : Masjid, Gereja, Pusat peribadatan lain dan fasilitas layanan spiritual 7. Bangunan Fasilitas Transportasi : Bandara, terminal, stasiun, pelabuhan, Travel Agen, Parkir 8. Bangunan Fasilitas Budaya dan Hiburan : Museum, Perpustakaan, Gedung Pertunjukan 9. Fasilitas Pemerintahan dan Layanan Publik : Kantor Polisi, Kantor perijinan, Pusat Rekreasi dll 4.

METODE PENELITIAN Data dalam penelitian ini merupakan data sekunder yang diambil dari website http://geospasial.bnpb.go.id/pantauanbencana/data/datakbmukimall.php yaitu data kejadian bencana kebakaran permukiman di Indonesia pada tahun 2015. Dalam kasus ini terdapat 41 data kejadian kebakaran permukiman yang akan dianalisis. Berikut data kebakaran permukiman di Indonesia: Tabel 4.1. Tabel Kejadian Kebakaran Permukiman di Indonesia Tahun 2015

106.765 4 KbakaranPmuk iman

05/05/2015 21:30WIB 6 KbakaranPmuk iman

5 Kebakaran Permuk iman

04/05/2015

04/05/2015 19:30WIB

106.765

612.221 RT.003/03 JI.Vial Mas IIBlok KNo. Nihil 125 Kl.Kapuk Muara K. Pnjarincan Kota Jakarta Utara flr