MODUL VISUALISASI CLUSTERING BERBASIS DENSITAS UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MENGGUNAKAN MAPSERVER YENNI PUSPITASARI

Transkripsi

1 MODUL VISUALISASI CLUSTERING BERBASIS DENSITAS UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MENGGUNAKAN MAPSERVER YENNI PUSPITASARI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Modul Visualisasi Clustering Berbasis Densitas untuk Persebaran Titik Panas di Indonesia Menggunakan MapServer adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Agustus 2015 Yenni Puspitasari NIM G

4 ABSTRAK YENNI PUSPITASARI. Modul Visualisasi Clustering Berbasis Densitas untuk Persebaran Titik Panas di Indonesia Menggunakan MapServer. Dibimbing oleh IMAS SUKAESIH SITANGGANG. Sistem Informasi Geografis (SIG) berbasis web yang telah dibangun oleh peneliti sebelumnya merupakan visualisasi dari persebaran titik panas di Indonesia. SIG tersebut belum dilengkapi dengan modul pengelompokan titik panas dengan menggunakan teknik data mining. Penelitian ini bertujuan untuk membangun dan mengintegrasikan modul clustering titik panas pada SIG yang telah dibuat oleh peneliti sebelumnya. Modul clustering mengimplementasikan algoritme DBSCAN dengan menggunakan bahasa pemrograman PHP untuk mengelompokkan data titik panas. Clustering data titik panas dilakukan berdasarkan tahun, bulan, dan provinsi. Parameter clustering yang digunakan adalah epsilon dan minpts. Nilai epsilon yang dapat digunakan adalah dalam rentang nilai 0.01 sampai dengan 0.1, sedangkan minpts bernilai antara 1 sampai dengan 6. Informasi hasil clustering ditampilkan dalam bentuk tabel yang terdiri atas kolom provinsi, kabupaten, latitude, longitude, dan cluster. Kolom cluster menyatakan hasil akhir dari perhitungan modul clustering menggunakan algoritme DBSCAN. Cluster divisualisasikan pada peta Indonesia yang dibangun menggunakan MapServer. Visualisasi tersebut dapat membantu pihak-pihak yang terkait dalam menentukan sebuah keputusan yang efektif dan efisien untuk mencegah terjadinya kebakaran hutan. Kata kunci : algoritme DBSCAN, clustering, sistem informasi geografis, titik panas ABSTRACT YENNI PUSPITASARI. Visualization Module of Density-Based Clustering for Hotspot Distribution in Indonesia Using MapServer. Supervised by IMAS SUKAESIH SITANGGANG. A web-based Geographic Information System (GIS) has been built by previous researchers to visualize hotspot data in Indonesia. The GIS has not provided a hotspot analysis module. Data mining method can be used to analyze hotspot data. This research aims to develop and to integrate a clustering module of hotspots in GIS which has been developed in the previous research. The clustering module for grouping hotspot data was built using the DBSCAN algorithm with PHP programming language. Clustering hotspot data was performed based on year, month, and province. The clustering parameters are epsilon and minpts. The epsilon values ranged from 0.01 to 0.1, while minpts ranged from 1 to 6. The clustering results are shown as a table which consists of province, regency, latitude, longitude, and cluster attributes. Cluster column containing the final result of clustering. The clusters are visualized on the map of Indonesia built using MapServer. Visualization can help parties involved in making effective and efficient decisions to prevent forest fires. Keywords: clustering, DBSCAN algorithm, geographic information system, hotspot

5 MODUL VISUALISASI CLUSTERING BERBASIS DENSITAS UNTUK PERSEBARAN TITIK PANAS DI INDONESIA MENGGUNAKAN MAPSERVER YENNI PUSPITASARI Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015

6 Penguji : 1 Rina Trisminingsih, SKomp MT 2 Muhammad Abrar Istiadi, SKomp MKom

7 Judul Skripsi : Modul Visualisasi Clustering Berbasis Densitas untuk Persebaran Titik Panas di Indonesia Menggunakan MapServer Nama : Yenni Puspitasari NIM : G Disetujui oleh Dr Imas Sukaesih Sitanggang, SSi MKom Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus:

8 PRAKATA Alhamdulillah, Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta ala atas limpahan rahmat dan segala karunia-nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Januari 2015 ini ialah data mining, dengan judul Modul Visualisasi Clustering Berbasis Densitas untuk Persebaran Titik Panas di Indonesia Menggunakan MapServer. Penyusunan dan penyelesaian tugas akhir ini tidak terlepas dari bantuan berbagai pihak. Oleh karena itu, penulis ingin menyampaikan terima kasih kepada: 1 Kedua orang tua (Bapak Agus Priyono, SE dan Ibu Suryati) serta Teteh Vini Novitasari, Amd. Keb. yang selalu mendoakan penulis, memberikan dukungan, dorongan, arahan, serta kasih sayang yang tak berujung. 2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing yang selalu memberikan bimbingan dan nasehat selama pengerjaan tugas akhir. 3 Ibu Rina Trisminingsih, SKomp MT dan Bapak Muhammad Abrar Istiadi, SKomp MKomp selaku dosen penguji, terima kasih atas arahan, masukan, dan saran dalam pengujian tugas akhir. 4 Ibu Husnul Khotimah, SKomp MKom terima kasih atas masukan dan arahan tentang DBSCAN dan clustering. 5 Kak Resti Hidayah dan Tri Ardini terima kasih untuk selalu mendukung, memotivasi, mendoakan sejak awal lahirnya niat pembuatan tugas akhir ini, setia menemani proses, dan tersenyum mengusap peluhku di puncak, serta menjadi tempat curahan hati penulis. 6 Lusi Maulina Erman dan Ikhsan Wisudhandi Wibawa terima kasih untuk segala dukungan, motivasi, doa yang diberikan, dan canda tawanya. 7 Dwi Agung P, Agisha Mutiara Yoga Asmarani Suci, Bang Irham, Aan, Bang Ali, Anas, Irwan, Farino, dan Thio terima kasih sudah menjadi teman diskusi selama pengerjaan tugas akhir. 8 Kak Rizki Dinaria Mulya dan abang tingkat alih jenis Ilmu Komputer angkatan 7, terima kasih atas dukungan dan arahannya. 9 Adik Sarah Shanaz Shaztika dan Tri Yulianti terima kasih atas kebersamaan dan canda tawa yang menghibur bagi penulis. 10 Gandis Asti R, Ulya Rufako, dan Gina Paradisa terima kasih atas persahabatan yang terjalin sejak pertama kali merantau di Bogor. 11 Keluarga Ilmu Komputer 48 terima kasih untuk persaudaraan yang terjalin selama empat tahun ini. Semoga segala bantuan, bimbingan, motivasi, dan kebaikan-kebaikan yang telah diberikan kepada penulis akan dilipat gandakan oleh Allah subhanahu wa ta ala. Akhirnya, semoga penulisan karya ilmiah ini bermanfaat dan dapat menambah wawasan kita semua. Bogor, Agustus 2015 Yenni Puspitasari

9 DAFTAR ISI DAFTAR TABEL vii DAFTAR GAMBAR vii DAFTAR LAMPIRAN vii PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 3 Manfaat Penelitian 3 Ruang Lingkup Penelitian 3 METODE 3 Data Penelitian 3 Tahapan Penelitian 3 Peralatan Penelitian 6 HASIL DAN PEMBAHASAN 7 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 15 DAFTAR PUSTAKA 15 LAMPIRAN 17 RIWAYAT HIDUP 22

10 DAFTAR TABEL 1 Contoh data titik panas hasil seleksi atribut 7 2 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun Skenario dan hasil uji fungsi 14 DAFTAR GAMBAR 1 Diagram alir penelitian 4 2 Konsep density reachability, titik P dan Q disebut density connected 5 3 Konsep density connectivity, O adalah density reachable dari Q 5 4 Tahapan clustering menggunakan algoritme DBSCAN 6 5 Antarmuka halaman SIG yang diintegrasi dengan GoogleMap 8 6 Antarmuka peta menggunakan GeoExplorer 8 7 Komponen dasar dalam SIG berbasis web (Peng dan Tsou 2003) 10 8 Antarmuka tabel hasil clustering Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan MinPts Visualisasi persebaran titik panas Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan minimum points Visualisasi zoom in persebaran titik panas Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan minimum points Visualisasi cluster 1, cluster 2, cluster 3 dan noise Provinsi Riau bulan Mei tahun DAFTAR LAMPIRAN 1 Peseudocode algoritme DBSCAN (Ester et al. 1996) 17 2 Kode program algoritme DBSCAN menggunakan bahasa pemrograman PHP (Maneck 2014) 18 3 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun

11 PENDAHULUAN Latar Belakang Bencana alam yang sering terjadi di Indonesia setiap tahunnya adalah kebakaran hutan. Kebakaran hutan yang terjadi di Indonesia diakibatkan oleh berbagai proses degradasi hutan, deforestasi hutan, dan fenomena iklim El Niño. Berbagai proses tersebut mengubah kawasan hutan di Indonesia dari ekosistem yang tahan kebakaran menjadi ekosistem yang rentan terhadap kebakaran. Kebakaran hutan di Indonesia tidak hanya merugikan Indonesia, namun juga merugikan Singapura dan Malaysia. Kebakaran yang merugikan negara tersebut adalah kebakaran hutan di wilayah rawa gambut Sumatera Selatan yang terjadi pada tahun 1991 dan Kebakaran ini menimbulkan bencana nasional berupa kabut asap. Kabut asap dari kebakaran hutan turut menyelimuti kedua negara tersebut, mengganggu transportasi udara serta laut, dan meningkatkan tingkat polusi udara yang sangat besar (FWI/GFW 2001) Kebakaran hutan sampai bulan Oktober 1997 mencapai hektare. Kebakaran ini sebagian besar terjadi di Provinsi Jambi, Riau, dan Sumatera Selatan. Kebakaran hutan terjadi di Kalimantan Tengah pada tahun 1997, 2001, dan Kebakaran hutan tidak hanya terjadi di Kalimantan dan Sumatera saja, pada tahun dilaporkan terjadi di 23 dari 27 provinsi di Indonesia. Pada Juli 2003, melalui pantauan citra satelit, tercatat sebanyak titik panas, 98% berasal dari Provinsi Riau. Oleh karena adanya peningkatan jumlah wilayah di Indonesia yang berpotensi terjadi kebakaran hutan, pencegahan terhadap kebakaran hutan di Indonesia perlu dilakukan agar bencana tersebut dapat dikendalikan dan dapat meminimalkan dampaknya (Purba et al. 2014) Sistem Informasi Geografis (SIG) adalah salah satu upaya untuk pencegahan kebakaran hutan yaitu dengan mengetahui persebaran pengelompokan data. Pengelolaannya dengan menggunakan data histori titik panas. Data tersebut menjadi salah satu indikator terjadinya kebakaran hutan. Data titik panas digunakan karena titik panas menjadi tolak ukur suhu suatu lokasi yang memiliki suhu relatif tinggi daripada suhu sekitarnya. SIG adalah sistem informasi yang digunakan untuk memasukkan, menyimpan, memanggil kembali, mengolah, menganalisis, dan menghasilkan data bereferensi geografis atau data geospatial, untuk mendukung pengambilan keputusan dalam perencanaan dan pengelolaan penggunaan lahan, sumber daya alam, lingkungan transportasi, fasilitas kota, dan pelayanan umum lainnya (Prahasta 2005). Pengembangan dan pengelolaan data titik panas pada SIG sudah dilakukan oleh Barus (2014). SIG tersebut memiliki fitur utama modul pencarian persebaran titik api berdasarkan lokasi dalam rentang waktu tertentu dan hasil pencarian persebaran berupa peta, table, dan grafik sehingga perubahan jumlah dan distribusi titik api dapat terlihat jelas, akan tetapi sistem tersebut belum dilengkapi dengan analisis data titik panas menggunakan teknik data mining. Mulya (2014) telah mengembangkan SIG yang dibangun oleh Barus (2014). Hasil peningkatan SIG tersebut dikembangkan dengan menambahkan berbagai fitur, seperti menampilkan peta yang diintegrasikan dengan GoogleMap,

12 2 informasi persebaran titik panas yang lebih spesifik, dan export informasi persebaran titik panas ke dalam format Microsoft Excel. Visualisasi peta juga ditambahkan pada GeoExplorer yang disediakan oleh OpenGeo Suite. Amri (2014) melakukan penelitian membuat modul klasifikasi kemunculan titik api di Provinsi Riau dalam SIG. Klasifikasi yang dilakukan pada penelitian ini mengunakan algoritme pohon keputusan C4.5. Pohon keputusan tersebut dibangun menggunakan perangkat lunak OpenGeo Suite 3.0. Implementasi teknik clustering pada SIG telah dilakukan oleh Caroline (2013). SIG yang dirancang pada penelitiannya dapat menentukan prioritas desa yang memiliki karakteristik lokasi dan kesesuaian lahan untuk alokasi wilayah industri di Kabupaten Kubu Raya. Selain memberikan prioritas, sistem memberikan informasi potensi lahan dan hasil bumi dari setiap desa sebagai referensi pembangunan wilayah industri. Sistem tersebut dirancang menggunakan metode Principal Component Analysis (PCA) dan Cluster Observation. Wulandari (2012) melakukan penerapan SIG dengan menggunakan clustering. Penelitian tersebut menggunakan teknik dynamic density based clustering (DDBC) yang mengelompokkan data titik api berdasarkan kepadatannya terhadap satu dengan yang lainnya. Teknik DDBC merupakan algoritme penggabungan dari algoritme DBSCAN dan DENCLUE, yang keduanya merupakan algoritme clustering berdasarkan density. Hasil clustering dari penelitian ini menjelaskan titik-titik api dengan frekuensi kemunculan yang cukup tinggi. Visualisasi berupa peta mempermudah pengambilan informasi dari hasil clustering yang dilakukan sepetrti mudah untuk mengetahui kabupaten atau provinsi yang mempunyai keberadaan titik api berpotensi tinggi terhadap terjadi kebakaran hutan. Penelitian lain tentang pengimplementasian SIG menggunakan clustering dilakukan oleh Harianja (2008). Dalam penilitiannya dilakukan proses clustering menggunakan algoritme K-Means untuk data penggunaan lahan dari data potensi desa. Clustering dilakukan dengan menggunakan ukuran cluster 2 sampai dengan 10. Visualisasi hasil clustering tersebut menggunakan SIG berbasis web. Pada penelitian ini dibangun sebuah modul clustering data titik panas di Indonesia dalam SIG menggunakan algoritme Density-Based Spatial Clustering of Applications with Noise (DBSCAN). Modul ini mengadaptasi langkah yang dilakukan oleh Amri (2014), yaitu dengan menggunakan arsitekstur client-server dan modul clustering berada pada peran server web. Modul clustering yang dibangun diintegrasikan dengan SIG yang telah dibangun oleh Mulya (2014). Data yang digunakan adalah data titik panas kebakaran hutan di Indonesia tahun Perumusan Masalah SIG untuk persebaran titik panas di Indonesia telah dilakukan oleh Barus (2014) dan visualisasi serta fitur-fitur dalam SIG tersebut telah dikembangkan oleh Mulya (2014). Akan tetapi, SIG yang telah dibangun belum dilengkapi dengan modul analisis pengelompokan titik panas dengan menggunakan teknik data mining. Pengelompokan titik panas dilakukan menggunakan algoritme DBSCAN. Rumusan masalah dari penelitian ini adalah bagaimana algoritme

13 DBSCAN digunakan untuk clustering serta membangun dan mengintegrasikan modul clustering kemunculan titik panas menggunakan algoritme DBSCAN pada SIG berbasis web yang telah dibuat oleh peneliti sebelumnya. Tujuan Penelitian Tujuan penelitian ini adalah: 1 Membuat modul clustering DBSCAN pada SIG berbasis web untuk persebaran titik panas di Indonesia. 2 Mengelompokkan titik panas di Indonesia menggunakan modul clustering berbasis web. Manfaat Penelitian Manfaat dari penelitian ini adalah memberikan informasi daerah yang memiliki titik panas dengan kerapatan tinggi dan daerah rawan terjadi kebakaran, sehingga dapat membantu pihak-pihak yang terkait dalam menentukan sebuah keputusan yang efektif dan efisien untuk mencegah terjadinya kebakaran hutan. Informasi yang ditampilkan pada SIG lebih mudah diperoleh dan dapat diakses dengan cepat, karena informasi tersebut adalah disajikan dalam aplikasi berbasis web. Ruang Lingkup Penelitian Data yang digunakan dalam penelitian ini adalah data titik panas di Indonesia tahun yang didapatkan dari peneliti sebelumnya (Mulya 2014). Penelitian ini menggunakan clustering DBSCAN. Clustering DBSCAN tersebut dibangun menjadi sebuah modul dan diintegrasikan dengan SIG yang telah dibangun oleh Mulya (2014) METODE Data Penelitian Data yang digunakan dalam penelitian diperoleh dari Departemen Kehutanan Republik Indonesia (DKRI) dan Fire Information for Resource Management System National Aeronautics and Space Administration (FIRMS NASA). Data yang diperoleh dari adalah peta Indonesia dengan format shapefile (shp), sedangkan data yang diperoleh DKRI adalah data titik panas dengan format txt dan data yang diperoleh dari FIRMS NASA adalah data titik panas tahun dengan format csv. Data tersebut telah dilakukan praproses oleh peneliti sebelumnya (Mulya 2014). Dalam penelitian ini, data didapatkan dari data yang telah dipraproses oleh peneliti sebelumnya. Tahapan Penelitian Tahapan penelitian yang dilakukan dalam pembuatan modul clustering data titik panas di Indonesia pada SIG seperti pada Gambar 1. 3

14 4 Mulai Analisis data titik panas yang telah dilakukan praproses oleh Mulya (2014) Analisis SIG persebaran titik panas yang telah dibuat oleh Mulya (2014) Peta clustering titik panas Integrasi modul clustering titik panas dalam sistem informasi geografis Pembuatan modul clustering menggunakan algoritme DBSCAN Pengujian sistem Selesai Gambar 1 Diagram alir penelitian Analisis Data titik panas Data titik panas merupakan salah satu indikator kemungkinan terjadinya kebakaran hutan pada wilayah tertentu. Pemantauan titik api dilakukan dengan penginderaan jauh (remote sensing) menggunakan satelit. Satelit yang biasa digunakan adalah satelit National Ocean and Atmospheric Administration (NOAA) melalui sensor Advanced Very High Resolution Radiometer (AVHRR) karena sensor tersebut dapat membedakan suhu permukaan di darat dan laut. Satelit ini mendeteksi objek di permukaan bumi yang memiliki suhu relatif lebih tinggi dibandingkan sekitarnya. Suhu yang dideteksi berkisar antara 210 K (37 o C) untuk malam hari dan 315 K (42 o C) untuk siang hari (Adinugroho et al. 2005) Pada tahapan ini, analisis data dilakukan untuk mengetahui data titik panas yang telah dilakukan praproses oleh Mulya (2014). Data tersebut digunakan untuk dilakukan pengelompokan menggunakan metode DBSCAN. Analisis Sistem Informasi Geografis (SIG) SIG merupakan aplikasi komputer digital yang dirancang untuk masukan, penyimpanan, manipulasi, dan keluaran berupa informasi geografis. Informasi geografis tereferensi dengan lokasi yang spesifik pada area bumi. SIG merupakan sistem basis data dengan kemampuan-kemampuan khusus untuk data yang tereferensi secara geografis berikut sekumpulan operasi-operasi yang mengelola data tersebut (Prahasta 2005) SIG berbasis web adalah produk-produk SIG yang dipublikasikan melalui di Internet yang dapat diakses oleh pihak-pihak lain sebagai salah satu usaha pemenuhan kebutuhan aspek-aspek data sharing, spatial-based information provider, atau bahkan suatu bentuk promosi yang gratis, efektif, dan efisien. SIG berbasis web umumnya memiliki 4 komponen utama yaitu client, web server with application, map server, dan data server (Peng dan Tsou 2003). Analisis dilakukan pada SIG persebaran titik panas yang dibangun oleh Mulya (2014) untuk melihat tingkat pengembangan SIG tersebut. Pada penelitian ini ditambahkan modul clustering dengan menggunakan algoritme DBSCAN.

15 5 Pembuatan Modul Clustering Mengunakan Metode DBSCAN DBSCAN adalah algoritme clustering yang melihat bahwa sebuah cluster merupakan daerah-daerah yang padat objek dan terpisah dari daerah yang memiliki tingkat kepadatan yang rendah (noise). DBSCAN dapat membentuk daerah-daerah dengan bentuk yang tidak beraturan di dalam ruang data. Kepadatan objek dan hubungan antar ketetanggaan objek yang dibentuk dari objek-objek yang berdekatan (Kantardzic 2011). Density reachability dan density connected adalah konsep dasar dari algoritme DBSCAN. Selain itu, konsep DBSCAN bergantung dengan parameter radius maksimum dari sebuah ketetanggan cluster (epsilon) dan jumlah minimal objek di dalam sebuah ketetanggan (minimum points). Pada DBSCAN, setiap titik data dapat dibentuk sebuah cluster jika titik tersebut berada pada nilai epsilon dan minimum points tertentu (Kantardzic 2011). Density reachability adalah keadaan 2 titik objek yang berdekatan berada pada suatu cluster dengan jarak dalam radius epsilon dan jumlah minimum points tertentu. Gambar 2 mengilustrasikan konsep density reachability. Density connectivity adalah tahapan lanjutan setalah density reachability berhasil didefinisikan. Titik objek P dan Q disebut density connected jika ada deretan (P,O,Q) diantara P dan Q, O density reachable dari Q. Gambar 3 merupakan ilustrasi dari konsep density connectivity (Kantardzic 2011). Pada tahapan ini dilakukan pembuatan modul pengelompokan data titik panas menggunakan algoritme DBSCAN dengan prinsip-prinsip dasar adalah suatu objek merupakan density reacheable dan density connected jika memenuhi syarat epsilon dan minpts. Suatu objek yang tidak memenuhi syarat, maka objek tersebut termasuk noise. Penerapan algoritme DBSCAN pada modul pengelompokan data titik panas dapat dilihat pada Gambar 4. Gambar 4 merupakan alur yang menjelaskan tahapan-tahapan untuk membuat cluster dengan aturan-aturan yang berlaku dalam algoritme DBSCAN. Gambar 2 Konsep density reachability, titik P dan Q disebut density connected Gambar 3 Konsep density connectivity, O adalah density reachable dari Q

16 6 Mulai Menentukan nilai epsilon, minimum points, dan dataset D Menghitung jarak antar-datum yang ada pada dataset D Mendatangi untuk setiap titik P pada dataset D yang belum dikunjungi Menentukan NeigborPts yaitu yang berada pada jangkauan jarak maksimum titik P Menandai P sebagai yang telah dikunjungi NeigborPts < minimum points Ya Menandai P sebagai NOISE Tidak Memperluas daerah clusternya Kembali ke semua points Selesai Gambar 4 Tahapan clustering menggunakan algoritme DBSCAN Integrasi Modul Clustering Titik Panas dalam Sistem Informasi Geografis Pada tahapan ini, data yang telah diolah menggunakan metode DBSCAN digunakan untuk membuat aplikasi WebGIS dengan menggunakan MapServer. Proses ini dilakukan untuk membentuk area cluster. Hasilnya berbentuk visualisasi peta persebaran titik panas yang diintegrasikan dengan SIG yang telah dibuat oleh Mulya (2014) Pengujian Sistem Setelah dilakukan pembuatan modul dan pengintegrasian dengan SIG, pada tahapan ini dilakukan pengujian terhadap SIG yang dibuat. Pengujian SIG dilakukan menggunakan metode black box dengan skenario uji. Skenario uji difokuskan kepada fungsi-fungsi yang berada pada menu Clustering Hotspot. Peralatan Penelitian Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk penelitian ini adalah sebagai berikut: 1 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut: Processor Intel Core i3 RAM 2 GB Monitor LCD 14.0 HD Harddisk GB HDD Mouse 2 Perangkat lunak: Sistem Operasi Windows 8.1 Pro

17 7 Sistem menajemen basis data PostgreSQL dengan ekstensi spasial PostGIS Server peta MapServer. XAMPP v3.2.1, Apache dan Tomcat Notepad ++ digunakan sebagai editor kode program PHP sebagai bahasa pemrograman HASIL DAN PEMBAHASAN Analisis Data Titik Panas Data titik panas yang digunakan pada penelitian ini merupakan data titik panas dari tahun yang diperoleh dari FIRMS NASA dan DKRI. Data tersebut telah dilakukan praproses oleh peneliti sebelumnya (Mulya 2014). Praproses yang dilakukan adalah menyeleksi atribut yang relevan dengan penelitian sehingga pada penelitian ini data yang digunakan adalah data yang telah dilakukan praproses oleh peneliti sebelumnya (Mulya 2014). Contoh data yang digunakan dapat dilihat pada Tabel 1. Tabel 1 Contoh data titik panas hasil seleksi atribut gid latitude longitude acquired date /01/ /01/ /01/ /01/ /01/2013 Analisis Sistem Informasi Geografis (SIG) SIG persebaran titik panas di Indonesia merupakan suatu sistem informasi geografis berbasis web yang menyajikan pemetaan titik panas di Indonesia. SIG yang telah dibangun oleh peneliti sebelumnya memiliki 3 menu utama, yaitu home, GeoExplorer, dan tentang sistem. Pencarian titik panas di Indonesia pada SIG ini dapat berdasarkan rentang waktu atau lokasi tertentu. Fitur-fitur yang telah terdapat pada SIG ini yaitu menampilkan peta Indonesia yang telah diintegrasikan dengan GoogleMap yang telah dilakukan mapping marker dengan menggunakan map projection, menampilkan tabel data sesuai dengan grafik, visualisasi peta dengan GeoExplorer, dan export file ke dalam Microsoft Excel. Gambar 5 merupakan antarmuka halaman SIG persebaran titik panas dengan tampilan peta yang diintegrasikan dengan GoogleMap. Gambar 6 adalah halaman web jika memilih menu GeoExplorer. Tampilan pada halaman ini menggunakan GeoExplorer. GeoExplorer merupakan sebuah aplikasi web untuk menyusun dan menampilkan peta. GeoExplorer memiliki fitur Publish map yang akan menghasilkan sebuah aplikasi peta yang ditampilkan dalam sebuah halaman web.

18 8 Gambar 5 Antarmuka halaman SIG yang diintegrasi dengan GoogleMap Gambar 6 Antarmuka peta menggunakan GeoExplorer Pencarian titik panas dapat memilih berdasarkan waktu, lokasi ataupun keduanya. Hasil pencarian titik panas tersebut menyajikan peta persebaran titik panas, total titik panas, dan informasinya ditampilkan dalam tabel dan grafik. Pada tahapan analisis, dilakukan identifikasi fitur yang belum terdapat dalam persebaran titik panas yang telah dibangun oleh peneliti sebelumnya (Mulya 2014), kebutuhan perangkat lunak serta kebutuhan fungsionalnya. Fitur yang belum terdapat pada SIG sebelumnya adalah belum ada modul clustering untuk pengelolahan data titik panas dan visualisasi hasil clustering pada peta.

19 9 Pembuatan Modul Clustering Menggunakan Algoritme DBSCAN Secara umum fungsi-fungsi yang ditambahkan untuk memenuhi kebutuhan fungsional dalam sistem adalah menampilkan data hasil clustering titik panas menggunakan algoritme DBSCAN dan menampilkan hasil clustering dalam peta Indonesia pada modul visualisasi menggunakan MapServer. Secara rinci, algoritme DBSCAN ditunjukkan menggunakan pseudocode (Ester et al. 1996) yang terdapat pada Lampiran 1. Berdasarkan pseudocode (Ester et al. 1996) pada Lampiran 1, algoritme DBSCAN membutuhkan dua parameter penting, yaitu Epsilon (ɛ) dan jumlah data tetangga minimal untuk membentuk kelompok (MinPts). Algoritme dimulai dari sembarang data yang belum dikunjungi. Data ini kemudian dibaca jumlah tetangganya pada radius ɛ. Jika jumlah datanya lebih dari atau sama dengan ɛ, data akan ditandai sebagai inti dan tetangganya sebagai batas (selain dari yang sudah ditandai sebagai inti), kemudian akan terbentuk sebuah kelompok baru. Jika data tidak mencukupi, maka akan ditandai sebagai noise. Data tersebut ditandai sebagai data yang sudah dikunjungi. Langkah tersebut dilakukan secara rekursif pada setiap data yang menjadi tetangganya dan belum dikunjungi (Prasetyo 2012). SIG ini membangun sebuah modul yang mengimplementasikan proses clustering menggunakan algoritme DBSCAN. Untuk menjalankan proses clustering menggunakan algoritme DBSCAN, perlu adanya data yang meliputi data spasial longitude dan latitude, serta parameter nilai epsilon dan minimum points (MinPts). Dalam SIG ini, nilai epsilon dan MinPts diberikan pilihan dalam bentuk dropdown list. Nilai epsilon yang dapat digunakan adalah dalam rentang nilai 0.01 sampai dengan 0.1 sedangkan untuk nilai minpts dapat menggunakan nilai antara rentang 1 samapai dengan 6. Nilai parameter epsilon dan MinPts digunakan untuk mengolah data titik panas di Indonesia dari tahun 2002 hingga Hasil dari pengujian parameter tersebut akan membentuk cluster data sebaran titik panas. Pada penelitian ini, pembuatan modul clustering algoritme DBSCAN diimplementasikan menggunakan bahasa pemrograman PHP. Bahasa pemrograman PHP tersebut menggunakan framework CodeIgniter dengan model model view controller (MVC). Algoritme DBSCAN pada SIG ini menggunakan kode program yang telah dibangun oleh Maneck (2014) dan tersedia pada Github. Secara rinci, algoritme DBSCAN ditunjukkan pada kode program yang terdapat pada Lampiran 2. Data spasial latitude dan longitude dari titik panas di Indonesia merupakan dataset yang digunakan dalam pengolahan proses clustering. Data spasial latitude dan longitude yang diproses didapatkan sesuai dengan kriteria clustering (tahun, bulan, dan provinsi) yang dipilih oleh user. Dataset tersebut akan dihitung jaraknya dan dimasukan kedalam matriks n n. Perhitungan jarak dalam penelitian ini menggunakan perhitungan jarak Euclidean, dengan rumus sebagai berikut: Jarak Euclidean : (1) Selanjutnya dataset tersebut diolah dengan langkah-langkah algoritme DBSCAN yang terdapat pada Gambar 2. Pengolahan dataset dilakukan sampai dengan cluster terbentuk.

20 10 Integrasi Modul Clustering Titik Panas dalam Sistem Informasi Geografis Data hasil clustering pada tahapan sebelumnya diintegrasikan ke dalam SIG yang telah dibangun oleh peneliti sebelumnya (Mulya 2014). SIG dalam penelitian ini dapat diilustrasikan dengan komponen SIG berbasis web, yaitu client, web server with application, map server, dan data server. Gambar 7 merupakan komponen dasar berbasis web. Web brower dalam penelitian ini berperan sebagai klien. Pada XAMPP 3.2.1, Apache berperan sebagai web server. Web server dapat dikatakan sebagai server HTTP, server tersebut berperan untuk memberikan respon atas permintaan dari web browser. Modul clustering pada penelitian ini berada pada peran web server. Aplication Server menjadi penghubung antara web server dan map server. MapServer yang digunakan, berperan menjadi map server. PostgreSQL digunakan sebagai data server. Gambar 7 Komponen dasar dalam SIG berbasis web (Peng dan Tsou 2003) Clustering data titik panas dilakukan berdasarkan tahun, bulan, dan provinsi. Parameter clustering yang digunakan adalah epsilon dan MinPts. Informasi hasil clustering pada menu Clustering Hotspot ditampilkan dalam bentuk tabel yang terdiri atas kolom provinsi, kabupaten, lat, long, dan cluster. Tabel 2 menunjukkan hasil clustering data titik panas di Provinsi Riau pada Bulan Mei dan Tahun 2006 menggunakan algoritme DBSCAN. Hasil pengolahan data titik panas tersebut dapat dilihat secara lengkap pada Lampiran 3. Gambar 8 menunjukkan antarmuka informasi hasil clustering berupa tabel untuk data titik panas Provinsi Riau bulan Mei tahun Tabel 2 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006 Eps MinPts Jumlah Run time Cluster (second)

21 11 Gambar 8 Antarmuka tabel hasil clustering Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan MinPts 3. Peta Clustering Titik Panas SIG ini dikembangkan dengan menggunakan arsitektur client-server. Arsitektur client-server memiliki user interface pada sisi client dan data yang disimpan serta diolah pada server. Penggunaan arsitektur ini telah mencukupi kebutuhan fungsional sistem yang dikembangkan berbasis web. Kebutuhan perangkat lunak yang digunakan untuk modul visualisasi peta adalah OpenLayers sebagai antarmuka MapServer dan XAMPP v3.2.1 sebagai web server. MapServer merupakan sebuah program Common Gateway Interface. Program tersebut dieksekusi di web server berdasarkan file dalam bentuk *.map. Map file akan menyimpan seluruh definisi dan konfigurasi yang dibutuhkan

22 12 MapServer. File yang dieksekusi tersebut menghasilkan data yang kemudian akan dikirim ke web browser. Visualisasi peta di SIG bertujuan untuk menampilkan plot hasil cluster yang dihasilkan. Pada sistem ini, hasil cluster ditampilkan dengan berbagai warna. Warna pada SIG ini mengartikan bahwa satu warna mewakili satu cluster. Perbedaan warna pada titik panas dalam sistem ini yaitu untuk menunjukkan perbedaan anggota titik panas pada masing-masing cluster. Visualisasi perbedaan warna bertujuan untuk mengetahui letak persebaran titik panas sesuai dengan warna cluster-nya. Hasil cluster dari Provinsi Riau pada bulan Mei tahun 2006 dengan data titik panas sebanyak 209, epsilon 0.01 dan minimum points 3 menghasilkan 6 cluster. Oleh karena itu, visualisasi pada SIG untuk data titik panas tersebut menghasilkan 7 pewarnaan, yaitu 1 warna untuk noise dan 6 warna untuk cluster. Gambar 9 merupakan visualisasi persebaran titik panas Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan minimum points 3. Gambar 10 merupakan zoom in dari Provinsi Riau yang bertujuan agar persebaran titik panas nya terlihat lebih jelas. Gambar 9 Visualisasi persebaran titik panas Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan minimum points 3 Gambar 10 Visualisasi zoom in persebaran titik panas Provinsi Riau bulan Mei tahun 2006 dengan epsilon 0.01 dan minimum points 3

23 Gambar 11 merupakan tampilan hasil zoom in dengan menggunakan navigasi pan pada peta, yang berfungsi untuk memperbesar atau memperkecil tampilan peta. Gambar 11 menunjukan letak cluster 1, cluster 2, cluster 3, dan noise untuk hasil cluster Provinsi Riau bulan Mei tahun Dari Gambar 11, dapat dilihat perbedaan warna yang mewakili dari masing-masing anggota cluster yang sudah diproses menggunakan algoritme DBSCAN. 13 Cluster 1 Noise Cluster 2 Cluster 3 Gambar 11 Visualisasi cluster 1, cluster 2, cluster 3 dan noise Provinsi Riau bulan Mei tahun 2006 Pengujian Sistem SIG yang telah dibuat diuji untuk dapat dilakukan pemeliharaan. Pemeliharaan dilakukan untuk memastikan isi dari SIG tetap sesuai dengan kebutuhan dan spesifikasi sistem sehingga dalam proses berkelanjutan, SIG dapat diperbarui dan disesuaikan perubahannya. Pengujian SIG dilakukan menggunakan metode black box dengan skenario uji yang meliputi pengujian fungsionalitas utama dari sistem. Tujuannya untuk mengetahui apakah fungsi-fungsi yang terdapat pada sistem berjalan sesuai dengan benar dan memeriksa SIG ini terdapat error atau tidak. Skenario uji dan hasil uji fungsionalitas sistem dapat dilihat pada Tabel 3.

24 14 Tabel 3 Skenario dan hasil uji fungsi No Kelas uji Deskripsi uji Kondisi awal 1 Menu Menampilkan Halaman Clustering halaman utama Hotspot Clustering Hotspot 2 Peta Menampilkan peta Indonesia yang telah terintegrasi dengan GoogleMaps 3 Tabel Menampilkan tabel Halaman menu Clustering Hotspot Halaman menu Clustering Hotspot Skenario uji Pilih menu Clustering Hotspot pada menu bar Awal mengakses halaman Clustering Hotspot Pilih query tabel data sesuai kriteria clustering (tahun, bulan, provinsi, epsilon, minpts) Hasil yang diharapkan Tampilan halaman menu Clustering Hotspot Gambar peta yang diintegrasikan dengan GoogleMap ditampilkan Menampilkan hasil tabel data yang sesuai dengan kriteria clustering yang dipilih dan telah dilakukan proses clustering menggunakan algoritme DBSCAN Hasil Uji OK OK OK 4 Tampilan peta Memperbesar peta Halaman menu Clustering Hotspot Pilih navigasi zoom in Menampilkan peta dengan tampilan yang diperbesar OK Memperkecil peta Halaman menu Clustering Hotspot Pilih navigasi zoom out Menampilkan peta dengan tampilan yang diperkecil OK Menggeser peta Me-reset tampilan peta Halaman menu Clustering Hotspot Halaman menu Clustering Hotspot Pilih navigasi pan Pilih reset map Tampilan peta yang digeser ke kiri, atas, kanan dan bawah Hanya tampilan peta yang diintegrasikan dengan GoogleMap OK OK Menampilkan visualisasi hasil clustering Halaman menu Clustering Hotspot Pilih query data sesuai kriteria clustering (tahun, bulan, provinsi, epsilon, MinPts) Menampilkan peta dengan visualisasi warna hasil clustering menggunakan algoritme DBSCAN OK

25 15 Lanjutan No Kelas uji Deskripsi uji Kondisi awal Skenario uji Hasil yang diharapkan Hasil Uji 5 Hasil clustering Menampilkan hasil clustering Halaman menu Clustering Hotspot Pilih query data sesuai kriteria clustering (tahun, bulan, provinsi, epsilon, MinPts) Menampilkan hasil clustering yang telah diproses menggunakan algoritme DBSCAN OK SIMPULAN DAN SARAN Simpulan Kesimpulan dari hasil penelitian ini, yaitu modul clustering menggunakan algoritme DBSCAN dengan bahasa pemrograman PHP berhasil dibangun. Informasi hasil clustering ditampilkan dalam bentuk tabel yang terdiri dari kolom provinsi, latitude, longitude, kabupaten, dan cluster. Visualisasi peta telah berhasil dibangun menggunakan MapServer dan visualisasi persebaran titik panas juga telah berhasil dibangun. Informasi visualisasi untuk warna cluster dapat dilihat pada legenda peta clustering. Menu Clustering Hotspot dalam SIG ini memiliki 3 fitur utama yaitu menampilkan tabel hasil clustering, menampilkan visualisasi peta hasil clustering, dan fitur integrasi peta dengan GoogleMap. Berdasarkan hasil pengujiam menggunakan metode black box, seluruh fitur yang ada di dalam menu Clustering Hotspot telah berhasil berjalan dengan baik. Saran Penelitian ini masih memiliki kekurangan, saran yang dapat disampaikan untuk penelitian selanjutnya adalah penambahan performa PHP pada algoritme DBSCAN yang sudah dibangun, agar dapat mengelola dataset yang berukuran sangat besar. Selain itu, untuk pengembangan selanjutnya diperlukan penelitian untuk membandingkan dan menganalisis cara kerja serta hasil antara clustering DBSCAN menggunakan bahasa pemrograman PHP ini dengan bahasa pemrograman lainnya. DAFTAR PUSTAKA Adinugroho WC, Suryadiputra, Bambang HS dan Labueni S Panduan Pengendalian Kebakaran Hutan dan Lahan Gambut. Proyek Climate Change, Forest and Peatlands in Indonesia. Bogor (ID): Wetland International Indonesia Programme and Wildfire Habitat Canada. Amri K Sistem informasi geografis berbasis web untuk klasifikasi kemunculan titik api di Provinsi Riau menggunakan pohon keputusan C4.5 [skripsi]. Bogor (ID): Institut Pertanian Bogor.

26 16 Barus SV Sistem informasi geografis berbasis web untuk data histori hotspot di Indonesia menggunakan OpenGeo Suite 3.0. Jurnal Ilmu Komputer Agri-informatika. 3(1): Caroline P Sistem informasi geografis penentuan prioritas wilayah industri di Kabupaten Kubu Raya. Jurnal Sistem dan Teknologi Informasi (JustIN). 3(1): Ester M, Kriegel HP, Sander J, Xu X A density based algorithm for discovering clusters in large spatial databases with noise. Proceedings of 2 nd International Conference on Knowledge Discovery and Data Mining (KDD- 96); 1996 Agu; Canada(CA): AAAI Press. hal [FWI/GFW] Keadaan Hutan Indonesia. Bogor(ID): Forest Watch Indonesia dan Washington D.C(WA):Global Forest Watch Harianja H Visualisasi K-Means clustering pada data potensi pertanian desa di Bogor menggunakan Mapserver [skripsi]. Bogor (ID): Institut Pertanian Bogor Kantardzic M Data Mining: Concepts, Model, Methods, and Algorithms. 2nd Edition. Canada(CA): IEEE-Press. Maneck B DBSCAN-clustering. GitHub [Internet]. [diunduh 2014 Juni 29]. Tersedia pada: Mulya RD Modul visualisasi menggunakan GeoExplorer dalam sistem informasi geografis berbasis web untuk data titik panas di Indonesia [skripsi]. Bogor (ID): Institut Pertanian Bogor. Peng Z, Tsou MH Internet GIS: Distributed Geographic Information Services for the Internet and Wireless Networks. New Jersey (US):J Wiley Prahasta E Sistem Informasi Geografis Konsep-Konsep Dasar. Bandung (ID): Informatika. Purba C, Nanggara SG, Ratriyono M, Isnenti A, Rosalina L, Sari NA, Meridian AH Potret Keadaan Hutan Periode Bogor (ID): Forest Watch Indonesia. Prasetyo E Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta (ID): Penerbit Andi. Wulandari F Penerapan dynamic density based clustering pada data kebakaran hutan [skripsi]. Bogor (ID): Institut Pertanian Bogor.

27 17 Lampiran 1 Peseudocode algoritme DBSCAN (Ester et al. 1996) 1 DBSCAN(D, eps, MinPts) 2 C = 0 3 for each unvisited point P in dataset D mark P as visited 4 NeighborPts = regionquery(p, eps) 5 if sizeof(neighborpts) < MinPts mark P as NOISE 6 else 7 C = next cluster 8 expandcluster(p, NeighborPts, C, eps, MinPts) 9 expandcluster(p, NeighborPts, C, eps, MinPts) 10 add P to cluster C 11 for each point P' in NeighborPts 12 if P' is not visited 13 mark P' as visited 14 NeighborPts' = regionquery(p', eps) 15 if sizeof(neighborpts') >= MinPts 16 NeighborPts = NeighborPts joined 17 with NeighborPts' 18 if P' is not yet member of any cluster 19 add P' to cluster C 20 regionquery(p, eps) 21 return all points within P's eps-neighborhood (including P)

28 18 Lampiran 2 Kode program algoritme DBSCAN menggunakan bahasa pemrograman PHP (Maneck 2014) 1 class DBSCAN { 2 private $points; 3 private $distance_matrix; 4 private $noise_points; 5 private $in_a_cluster; 6 private $clusters; 7 public function construct($distance_matrix, $points) 8 { 9 $this->distance_matrix = $distance_matrix; 10 $this->points = $points; 11 $this->noise_points = array(); 12 $this->clusters = array(); 13 $this->in_a_cluster = array(); 14 } 15 public function set_points($new_points) 16 { 17 $this->points = $new_points; 18 } 19 private function expand_cluster($point, $neighbor_points, $c, $epsilon, $min_points) 20 { 21 $this->clusters[$c][] = $point; 22 $this->in_a_cluster[] = $point; 23 $neighbor_point = reset($neighbor_points); 24 while ($neighbor_point) 25 { 26 $neighbor_points2 = $this-> region_query($neighbor_point,$epsilon); 27 if (count($neighbor_points2) >= $min_points) 28 { 29 foreach ($neighbor_points2 as $neighbor_point2) 30 { 31 if (!in_array($neighbor_point2, $neighbor_points)) 32 { 33 $neighbor_points[] = $neighbor_point2; 34 } 35 } 36 } 37 if (!in_array($neighbor_point, $this->in_a_cluster))

29 Lanjutan 38 { 39 $this->clusters[$c][] = $neighbor_point; 40 $this->in_a_cluster[] = $neighbor_point; 41 } 42 $neighbor_point = next($neighbor_points); 43 } 44 } 45 private function region_query($point, $epsilon) 46 { 47 $neighbor_points = array(); 48 foreach ($this->points as $point2) 49 { 50 if ($point!= $point2) 51 { 52 if (array_key_exists($point2, $this->distance_matrix[$point])) 53 { 54 $distance = $this-> distance_matrix[$point][$point2]; 55 } else { 56 $distance = $this-> distance_matrix[$point2][$point]; 57 } 58 if ($distance < $epsilon) 59 { 60 $neighbor_points[] = $point2; 61 } 62 } 63 } 64 return $neighbor_points; 65 } 66 public function dbscan($epsilon, $min_points) 67 { 68 $this->noise_points = array(); 69 $this->clusters = array(); 70 $this->in_a_cluster = array(); 71 $c = 0; 72 $this->clusters[$c] = array(); 73 foreach ($this->points as $point_id) 74 { 75 $neighbor_points = $this->region_query($point_id, $epsilon); 76 if (count($neighbor_points) < $min_points) 77 { 78 $this->noise_points[] = $point_id; 19

30 20 Lanjutan 79 } 80 elseif (!in_array($point_id, $this->in_a_cluster)) { 81 $this->expand_cluster($point_id, $neighbor_points, $c, $epsilon, $min_points); 82 $c = $c + 1; 83 $this->clusters[$c] = array(); 84 } 85 } 86 return $this->clusters; 87 } 88 }

31 Lampiran 3 Data hasil cluster titik panas di Provinsi Riau bulan Mei tahun 2006 Eps Minpts Jumlah Run time Jumlah Run time Eps Minpts Cluster (second) Cluster (second)

32 22 RIWAYAT HIDUP Penulis dilahirkan di Rangkasbitung pada tanggal 01 Januari 1994 yang merupakan anak kedua dari dua bersaudara dengan ayah bernama Agus Priyono, SE dan ibu bernama Suryati. Pada tahun 2011, penulis menamatkan pendidikan menengah atas di SMA Negeri 2 Krakatau Steel Cilegon dengan program IPA. Kemudian pada tahun yang sama dengan melalui jalur SNMPTN Undangan, penulis melanjutkan pendidikan di Program Studi Ilmu Komputer, Institut Pertanian Bogor. Selama kuliah, selain melaksanakan kegiatan akademik, penulis juga aktif di organisasi, pada tahun penulis menjadi Sekretaris Umum 2 di organisasi Himpunan Mahasiswa Ilmu Komputer (Himalkom) dan pada tahun penulis menjadi Sekretaris Umum 1 pada organisasi yang sama. Pada tahun 2014, penulis melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di PT. Telekomunikasi Indonesia (Telkom Indonesia), Jalan Gatot Subroto Kavling 52, Jakarta Selatan, selama 35 hari kerja. Pada tahun 2015 penulis aktif menjadi asisten praktikum mata kuliah Komunikasi Data dan Jaringan Komputer.