PENERAPAN SPATIAL DECISION TREE UNTUK IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN ALGORITME C4.5 NAPTHALENA

Transkripsi

1 PENERAPAN SPATIAL DECISION TREE UNTUK IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN ALGORITME C4.5 NAPTHALENA DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2009

2 PENERAPAN SPATIAL DECISION TREE UNTUK IDENTIFIKASI LAHAN MANGROVE MENGGUNAKAN ALGORITME C4.5 NAPTHALENA 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 2009

3 ABSTRACT NAPTHALENA. Application of Spatial Decision Tree in Identifiying Mangrove Area Using C4.5 Algorithm. Under the direction of IMAS SUKAESIH SITANGGANG and SONY HARTONO WIJAYA. Mangrove forests have a lot of benefits for life, such as beach abration protector, building material and fuel, as well as meal supplier for plankton. Therefore, mangrove forest should be protected and developed. Mangrove forests are located along tropical and subtropical beach that are influenced by tide water. East Kalimantan is one of provinces in Kalimantan that has potential coast teritory for mangrove s growth. In one region there are some districts which have larger mangrove potency than neighbor districts. For that, it is required a spatial analysis for mangrove area identification in order to be able to know description of potential region for mangrove s growth. One of techniques in extracting knowledge in spatial database is spatial data mining.this research uses a spatial data mining method, especially spatial decision tree using C4.5 algorithm to develop a classifier to predict new data of mangrove area. This research applies the Spatial Join Index (SJI) and the complete operator to apply conventional classification technique in spatial database. The SJI is created using topological relation to find relation between two spatial objects, then the result is simplified using complete operator. The result of this research shows that classes of mangrove area are described by some attributes : slope, topography, substrat, and landuse. The classifier contains 23 rules with 60,66% accuracy. Keywords: spatial decision tree, C4.5 algorithm, spatial join index, complete operator

4 Judul Nama NRP : Penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5 : Napthalena : G Menyetujui: Pembimbing I, Pembimbing II, Imas Sukaesih Sitanggang, S.Si, M.Kom NIP Sony Hartono Wijaya, S.Kom, M.Kom Mengetahui: Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor Dr. drh. Hasim, DEA NIP Tanggal Lulus :

5 PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan hidayah-nya sehingga tugas akhir dengan judul penerapan Spatial Decision Tree untuk Identifikasi Lahan Mangrove Menggunakan Algoritme C4.5 dapat terselesaikan. Penelitian ini dilaksanakan mulai Februari 2009 sampai dengan Juni 2009, bertempat di Departemen Ilmu Komputer. Terima kasih penulis ucapkan kepada Ibu Imas S. Sitanggang, S.Si, M.Kom selaku pembimbing pertama dan Bapak Sony H. Wijaya, S.Kom, M.Kom selaku pembimbing kedua yang telah banyak memberi arahan selama penulis menjalankan penelitian. Penghargaan juga penulis sampaikan kepada Bapak Tomi, Bapak Syukur, dan Ibu Mulya atas segala diskusi, saran, serta data yang digunakan dalam penelitian ini. Tak lupa, ungkapan terima kasih kepada rekan-rekan Ilkom 42, FAMLAR (Adet, Mirna, Medria, Prita, Indra, Ijun, Huda, Nila, dan Ovie), rekan-rekan Basket FMIPA (Gae, Eyyi, Riken, Ami, dan Wiwid) atas diskusi, kebersamaan, canda, dan tawa selama penulis menempuh studi dan menjalankan penelitian. Terakhir, ungkapan terima kasih disampaikan kepada ayah, ibu, kakak, adik, serta seluruh keluarga atas doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat. Bogor, Juni 2009 Napthalena

6 RIWAYAT HIDUP Penulis dilahirkan di Bogor pada tanggal 9 September 1986 dari ayah Achmad Kosasih dan Ibu Yenni Karmila. Penulis merupakan anak kedua dari tiga bersaudara. Tahun 2005, penulis lulus dari SMUN 5 Bogor dan pada tahun yang sama penulis diterima di Institut Pertanian Bogor (IPB) melalui jalur USMI. Tahun 2007, penulis diterima sebagai mahasiswa di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Tahun 2008, penulis menjalankan kegiatan praktik lapangan di Ditjen Kelautan, Pesisir, dan Pulau-pulau Kecil Departemen Kelautan dan Perikanan (KP3K DKP) dengan judul Pembuatan Modul untuk Menampilkan Peta pada Sistem Informasi Geografis Potensi Kelautan dan Pulau-pulau Kecil. Selama menjalani perkuliahan, penulis pernah menjadi anggota Badan Eksekutif Mahasiwa Fakultas Matematika dan Pengetahuan Alam (BEM FMIPA) Divisi Pengembangan Sumber daya Mahasiswa (PSDM) tahun Pada tahun 2008, penulis pernah menjadi finalis lomba Data Mining tingkat nasional (Gemastik 2008). Selain itu, penulis juga pernah menjadi asisten mata kuliah Data Mining pada tahun akademik 2008/2009.

7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR GAMBAR... v DAFTAR LAMPIRAN... v PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat Penelitian... 1 TINJAUAN PUSTAKA Data Spasial... 2 Spatial Data Mining... 2 Spatial Decision Tree... 2 Spatial Join Index... 2 Operator Complete... 2 Algoritme K-Means... 3 Algoritme C Confusion matrix... 2 METODE PENELITIAN Pengadaan Data... 5 Seleksi Data... 5 Praproses Data... 5 Penentuan Data Uji dan Data Latih... 6 Klasifikasi Menggunakan Spatial Decision Tree... 6 Akurasi Classifier... 6 Penggunaan Classifier pada Data Baru... 6 Pengembangan Sistem... 6 HASIL DAN PEMBAHASAN Pengadaan Data... 7 Seleksi Data... 7 Praproses Data... 7 Penentuan Data Uji dan Data Latih... 9 Klasifikasi Menggunakan Spatial Decision Tree... 9 Akurasi Classifier Penggunaan Classifier pada Data Baru KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN iv

8 DAFTAR GAMBAR Halaman 1 Topological Biner (Sekhar & Chawla 2003) Spatial Join Index (Zeitouni & Chelghoum 2004) Ilustrasi Penggunaan Operator Complete (Zeitouni & Chelghoum 2004) Tahapan Penelitian Tahapan Praproses Penentuan Kelas Target Model Pohon Keputusan... 7 DAFTAR TABEL Halaman 1 Confusion matrix Jumlah record tabel SJI Hsil clustering luas area Jumlah jenis kategori Label kelas Atribut data latih Tipe data dalam file Arff Confusion matrix Data contoh DAFTAR LAMPIRAN Halaman 1 Praproses secara rinci Nama kelurahan Luas area kelurahan di Kabupaten Kutai Timur dan Kota Tarakan Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse Inisialisasi kategori Hasil perhitungan rasio luas area mangrove terhadap kelurahan Tabel gabungan SJI Transformasi data Aturan model pohon keputusan v

9 1.1 Latar Belakang PENDAHULUAN Hutan mangrove tumbuh dan tersebar di wilayah Indonesia terutama di wilayah pesisir. Wilayah pesisir merupakan suatu wilayah peralihan antara darat dan lautan. Ditinjau dari garis pantai, suatu wilayah pesisir memiliki dua macam batas, yaitu batas yang sejajar dengan garis pantai dan batas yang tegak lurus terhadap garis pantai. Daerah penyebaran hutan mangrove di Indonesia terluas terdapat di Irian Jaya, yaitu lebih kurang ha, kemudian Kalimantan ha (Dahuri 2003). Hutan mangrove memiliki banyak manfaat bagi kehidupan, diantaranya sebagai peredam badai angin, pelindung abrasi pantai, bahan bangunan dan bahan bakar, pemasok hara dan makanan bagi plankton, dan lain-lain. Oleh karena itu, hutan mangrove perlu dijaga dan dikembangkan pertumbuhannya. Hutan mangrove hidup di sepanjang pantai tropis dan subtropis yang dipengaruhi oleh pasang surut air. Kalimantan Timur merupakan salah satu provinsi di Pulau Kalimantan yang memiliki wilayah pesisir yang potensial untuk pertumbuhan mangrove, yaitu di wilayah kabupaten Kutai Timur dan Kota Tarakan. Provinsi Kalimantan Timur memiliki ha luas lahan hutan mangrove (Dahuri 2003). Hutan mangrove tumbuh di daerah tersebut dan tersebar tidak secara merata. Pada satu wilayah terdapat beberapa daerah yang memiliki potensi mangrove yang lebih luas dibandingkan daerah sekitarnya, meskipun daerah tersebut sudah memenuhi kriteria untuk pertumbuhan hutan mangrove. Oleh karena itu diperlukan suatu analisis spasial untuk identifikasi lahan mangrove sehingga dapat diketahui deskripsi wilayah yang potensial untuk mengembangkan mangrove. Ditjen Kelautan, Pesisir dan Pulau-pulau Kecil (KP3K) telah melakukan pemetaan baik secara langsung dari citra satelit untuk memetakan daerah persebaran pertumbuhan mangrove pada suatu wilayah maupun survey lapangan hingga level kelurahan. Salah satu metode untuk pengolahan dan menganalisis data adalah spatial data mining untuk mengekstraksi informasi atau pola yang penting dari data di dalamnya. Salah satu teknik dalam spatial data mining adalah klasifikasi spasial. Klasifikasi spasial bertujuan memberikan sebuah label atau menentukan kelas dari sebuah objek berdasar nilai atribut yang ada dalam spasial dataset dengan memperhatikan objek tetangganya. Salah satu metode klasifikasi spasial adalah spatial decision tree. Penelitian ini akan menggunakan metode spatial decision tree untuk membuat classifier dari data spasial terkait dengan hutan mangrove. 1.2 Tujuan Tujuan dari penelitian ini adalah : 1 Menerapkan teknik klasifikasi pada data spasial mangrove menggunakan Algoritme C4.5 2 Membuat spatial classifier untuk mendeskripsikan wilayah yang memiliki lahan mangrove. 1.3 Ruang Lingkup Classifier dibangun menggunakan data spasial terkait dengan hutan mangrove di wilayah provinsi Kalimantan Timur, yaitu Kabupaten Kutai Timur dan Kota Tarakan dengan level wilayah terendah adalah kelurahan. Pembuatan decision tree menggunakan Algoritme C4.5 dan data spasial yang digunakan diantaranya data mengenai mangrove, administrasi kelurahan, sungai, topografi, landuse, geologi, geomorfologi, lereng, dan tanah. 1.4 Manfaat Penelitian Penelitian ini diharapkan dapat memberikan manfaat sebagai bahan pertimbangan bagi pemerintah dan pihak-pihak yang terkait dalam mengembangkan potensi mangrove di suatu wilayah. TINJAUAN PUSTAKA 2.1 Data Spasial Data spasial adalah data yang merepresentasikan aspek-aspek keruangan dari fenomena yang terdapat di dunia nyata. Data spasial direpresentasikan di dalam basisdata sebagai raster atau vektor. Model data raster menampilkan, menempatkan, dan menyimpan data spasial dengan menggunakan struktur matriks atau piksel-piksel yang membentuk grid sedangkan model data vektor menggunakan titik, garis atau kurva, atau poligon beserta atributnya (Prahasta 2001). Model informasi spasial terbagi menjadi dua kategori yaitu field dan object. Model object di dalam peta dapat direpresentasikan sebagai line atau polygon. Pada model object, terdapat hubungan antara dua object yang dapat dideskripsikan menggunakan hubungan 1

10 topological. Contoh hubungan topological antara dua objek spasial adalah contains, inside, dan overlap yang diilustrasikan pada Gambar 1 (Sekhar & Chawla 2003). yang merupakan perluasan dari join indeks dalam kerangka relational database yang diperkenalkan oleh Valduriez yang diilustrasikan pada Gambar 2. SJI menghitung secara tepat hubungan spasial antara dua objek dari dua lapisan tematik (Zeitouni 2000). Hubungan antara dua objek dalam SJI dapat berupa toplogical atau metrik. Setiap tuple (ID1, Spatial_relationship, ID2) yang terdapat pada SJI merepresentasikan hubungan yang terdapat pada pasangan objek spasial yang teridentifiaksi sebagai ID1 dam ID2 (Zeitouni & Chelghoum 2004).. Gambar 1 Topological Biner (Sekhar & Chawla 2003). 2.2 Spatial Data Mining Basisdata spasial menyimpan data keruangan atau spasial dalam jumlah yang besar, seperti peta, preprocessing remote sensing atau medical imaging data, dan VLSI chip layout data. Basisdata spasial berbeda dengan basisdata relasional. Pada basisdata spasial terkandung hubungan topologi atau informasi jarak. Spatial data mining merupakan proses ekstraksi pengetahuan, hubungan spasial atau pola-pola lainnya yang tidak secara eksplisit disimpan pada basisdata spasial. Penggabungan data mining dengan teknologi basisdata spasial berguna untuk menemukan hubungan spasial dan hubungan antara spasial dan non-spatial, membangun basis pengetahuan spasial, dan mengoptimalkan kueri spasial (Han & Kamber 2006). 2.3 Spatial Decision Tree Spatial decision tree adalah metode decision tree untuk klasifikasi data spasial. Metode ini berbeda dari decision tree konvensional dengan mengambil perhitungan yang tersembunyi dalam hubungan spasial antara objek (Zeitouni & Chelgoum 2001). 2.4 Spatial Join Index Pertimbangan utama dalam spatial data mining adalah hubungan spasial antara objek. Tidak seperti model data relasional, hubungan spasial bersifat implicit (tersembunyi). Komputasi spatial relationship memerlukan banyak operasi spatial join, yang dapat memberatkan secara komputasi. Metode untuk menyederhanakan proses ini menggunakan struktur yang disebut Spatial Join Index (SJI) Gambar 2 Spatial Join Index (Zeitouni & Chelghoum 2004). 2.5 Operator Complete Operator complete mengatur kembali data di dalam tabel unik atau khusus dari gabungan tiga tabel ternasuk di dalamnya terdapat tabel hasil dari spatial join index, sehingga didapatkan satu tabel. Prinsip dari operator complete adalah membangkitkan untuk setiap nilai atribut dalam tabel terhubung dengan atribut dari tabel hasil. Keuntungan dari penggunaan operator complete adalah menghindari adanya duplikasi analisis objek dan membolehkan penggunaan metode data mining lain. Definisi dari operator complete adalah : Misalkan terdapat tiga tabel, yaitu R (ID1, A1,,An), V(ID2, B1,,Bm) dan I(ID1, ID2, W). Primary keys setiap tabel ditandai dengan garis bawah. B(i=1,,m) merupakan atribut kualitatif dan b ij (j=1,,k i ) merupakan nilai yang berbeda (distinct values). Misal F = {F 1,F 2,,F m } adalah suatu kumpulan fungsi agregasi. COMPLETE (R, V, I, F) adalah sebuah tabel T yang memiliki rancangan skema seperti : T(ID1,A 1,,A n,w_b 11,,W_ b1k1,,w_ bm1,, W_ bmkm ) dengan : ID1 adalah key 2

11 t = (id1, a 1, a 2, a n, W_ b11,, W_ b1k1,, W_ bm1, W_ bm2,, W_ bmkm ) Є T, - (id1,a 1,a 2,,a n ) = σ (ID1 = Id1) (R), - Jika σ (ID1=Id1) (I) maka W_ bij =F i (σ (ID1=Id1) (I) (Bi=bij) (V); W), Selainnya NULL. Contoh penggunaan operator Complete diilustrasikan pada Gambar 3 (Zeitouni & Chelghoum 2004). Gambar 3 Ilustrasi penggunaan Operator Complete Zeitouni & Chelghoum 2004). 2.6 Algoritme K-Means Analisis cluster mengelompokkan obyekobyek data hanya berdasar pada informasi yang terdapat pada data, yang menjelaskan obyek dan relasinya. Tujuan analisis cluster adalah agar objek-objek di dalam grup menjadi mirip (atau berhubungan) satu dengan lainnya, dan berbeda (atau tidak berhubungan) dengan objek dalam grup lainnya. Salah satu teknik dalam clustering adalah algoritme K-means. K-means merupakan teknik clustering sederhana. Langkah pertama yang dilakukan adalah menentukan K initial centroid, dengan K adalah parameter spesifik yang berupa jumlah dari cluster yang diinginkan. Kemudian Setiap objek dimasukkan ke dalam cluster yang memiliki centroid terdekat dengan objek tersebut. Centroid dalam cluster akan berubah sesuai dengan objek yang terdapat di dalam cluster. Kemudian langkah penempatan objek ke dalam cluster dengan centroid terdekat diulang hingga tidak ada objek cluster yang berpindah cluster. Algoritme dasar dari K-means adalah (Tan et al. 2006) Tentukan K buah objek sebagai centroid awal. Ulangi Tandai masing-masing objek untuk K cluster dimana objek tersebut memiliki centroid terdekat. Hitung kembali centroid untuk masingmasing cluster. Sampai tidak ada centroid yang berubah. 2.7 Algoritme C4.5 Algoritme C4.5 adalah pengembangan dari algoritme ID3 untuk membangkitkan pohon keputusan (decision tree). Algoritme C4.5 secara rekursif mengunjungi setiap decision node, memilih pemisahan (split) atribut yang optimal, sampai tidak ada pemisahan (split) atribut yang memungkinkan. Algoritma C4.5 menggunakan konsep dari information gain atau entropy reduction untuk memilih pemisahan (split) yang optimal dengan memilih split yang memiliki information gain terbesar (Larose 2005). Information gain didapatkan dengan cara: - dengan adalah nilai entropy dan didapatkan dengan cara : I ( S 1, S 2,,S m ) = - p * i log ( p ) 2 i m i 1 dengan S berisi s data sample. Anggap atribut untuk kelas memiliki m nilai yang berbeda, C i (untuk i = 1,,m). Anggap s i adalah jumlah samples S pada kelas C i dan adalah probabilitas dari sample yang mempunyai kelas C i. Sedangkan nilai entropy didapatkan dengan formula : dengan atribut A memiliki nilai yang berbeda {a 1,a 2,..a v }. Atribut A digunakan untuk mempartisi S menjadi v subset, { S 1, S 2,...,S v }, dimana Sj berisi sample pada S yang mempunyai nilai a j dari A. merupakan jumlah sample pada subset yang mempunyai nilai a j dari A dibagi dengan jumlah total samples pada S. Algoritme C4.5 dibuat untuk memperbaiki Algoritme ID3 dalam mengatasi missing data, data kontinyu, dan pruning (Santoso 2007). Secara umum algoritme ID3 dan C4.5 adalah sebagai berikut : Algoritme ID3 (Han & Kamber 2006) Input : sampel latih, sampel Output : Decision tree Method : 1 Buat node N; 2 Jika semua sampel memiliki kelas yang sama yaitu C, Maka jadikan node N sebagai leaf node dan beri label C; 3

12 3 Jika daftar atribut kosong, Maka jadikan node N sebagai leaf node dengan label = nilai kelas yang terbanyak pada sampel; 4 Pilih atribut uji, atribut dalam daftar yang memiliki information gain tertinggi; 5 Beri label node N dengan atribut uji; 6 Untuk setiap nilai a i dalam atribut uji yang diketahui, 7 Tambahkan cabang di bawah node N untuk atribut uji = a i ; 8 Tentukan s i sebagai subset dari sampel dimana atribut uji = a i ; 9 Jika sampel s i kosong, 10 Tambahkan leaf node dengan label = nilai kelas yang terbanyak pada sampel; 11 Selainnya, tambah cabang baru di bawah cabang yang sekarang dengan memanggil fungsi ID3 (s i, daftar atribut-atribut uji); Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi METODE PENELITIAN Penelitian ini dilaksanakan dalam beberapa tahap seperti yang diilustrasikan pada Gambar 4. ka Algoritme C4.5 (Quinlan 1993) 1 Bangun pohon keputusan dari data latih. (ID3 konvensional). 2 Ubah pohon ke dalam bentuk aturan-aturan. Jumlah aturan sama dengan jumlah kemungkinan path dari akar ke daun. 3 Pangkas setiap aturan dengan menghilangkan precondition sehingga meningkatkan nilai akurasi. 4 Urutkan aturan yang dipangkas berdasar nilai akurasinya, dan gunakan aturan-aturan tersebut pada data uji. 2.8 Confusion Matrix Evaluasi dari kinerja model didasarkan pada banyaknya (count) dari test record secara benar dan secara tidak benar oleh model klasifikasi. Count ini ditabulasikan ke dalam matrik yang diilustrasikan pada Tabel 1 (Tan et al. 2006). Tabel 1 Confusion matrix Kelas aktual Kelas hasil prediksi Kelas = 1 Kelas = 0 Kelas =1 f 11 f 10 Kelas = 0 f 01 f 00 Setiap entri f ij di dalam tabel menyatakan banyaknya record dari kelas i yang diprediksi menjadi kelas j. Berdasar entri-entri yang terdapat pada confusion matrix, total banyaknya prediksi yang benar oleh model adalah (f 11 + f 00 ) dan total banyaknya prediksi yang salah oleh model adalah (f 10 + f 01 ), sehingga akurasi didapatkan dengan cara (Tan et al. 2006) : n Pengadaan Data Gambar 4 Tahapan penelitian. Data yang akan digunakan pada penelitian ini adalah data spasial wilayah pesisir di provinsi Kalimantan Timur, yaitu Kabupaten Kutai Timur dan Kota Tarakan. Data yang akan digunakan diperoleh dari Ditjen Kelautan Pesisir dan Pulau-pulau Kecil Departemen 4

13 Perikanan dan Kelautan (KP3K DKP) dan dari mahasiswa jenjang S3 yang sedang melakukan penelitian di provinsi Kalimantan Timur. Data yang diperoleh dari KP3K DKP adalah tahun 2006 dan data yang diperoleh dari mahasiswa penelitian adalah data tahun Seleksi Data Pada tahap ini, memilih data pada sumber data yang akan dijadikan atribut pada dataset. Praproses Data Beberapa tahapan yang dilakukan pada tahap praproses secara rinci terdapat pada Lampiran 1 dan diilustrasikan pada Gambar 5. Proses ini dilakukan oleh semua objek spasial yang terkait. Pada Gambar 5, objek spasial yang dijadikan contoh adalah landuse. 1 Perhitungan luas area Pada tahap ini dilakukan perhitungan luas area objek kelurahan untuk hubungan spasial dengan objek lain dan untuk membentuk kelas target. 2 Penentuan hubungan spasial Pada tahap ini, ditentukan hubungan spasial antara dua objek spasial, yaitu menggunakan hubungan topological. Operasi yang digunakan adalah operasi intersection menggunakan perangkat lunak Arcview, sehingga didapatkan luas area yang berpotongan diantara dua objek tersebut. Hasil dari tahap ini adalah tabel spatial join index dalam format xls yang berisi ID_kel, ID_objeklain, hubungan_spasial, dan luas area. 3 Penyerdehanaan tabel SJI (Spatial Join Index) Pada tahap ini, hasil dari tabel spatial join index diurutkan berdasar wilayah, hubungan topological, dan jenis atributnya. Kemudian dihitung total luas area masing-masing wilayah berdasar hubungan topological dan jenis atribut. Luas area selanjutnya dinyatakan dalam persentase terhadap luas wilayah kelurahan. Setelah itu, dilakukan penggunaan operator complete dengan fungsi agregasi MAX untuk menyederhanakan tabel spasial join index, yaitu dengan mengambil nilai terbesar persentase luas area pada setiap jenis atribut. Hasil dari tahap ini adalah tabel SJI yang telah sederhana dalam format xls, berisi ID_kel, jenis, dan luas area. Gambar 5 Tahapan praproses. 4 Penentuan kategori Pada tahap ini, dilakukan pengkategorian jenis atribut pada tabel SJI yang telah sederhana berdasar luas area. Proses ini dilakukan menggunakan teknik clustering, yaitu K-means dengan mengelompokkan data ke dalam 3 cluster. 5 Pemberian label kategori Pada tahap ini, dilakukan pemberian label kategori pada tabel SJI yang telah sederhana sebagai identitas dari atribut jenis dan atribut luas area yang digabungkan berdasar hasil clustering luas area. 6 Penentuan kelas target Pada tahap ini, dilakukan beberapa proses yang diilustrasikan pada Gambar 6. Objek spasial yang diproses adalah kelurahan dan mangrove. 5

14 Gambar 6 Penentuan kelas target. Clustering luas area Pada tahap ini, dilakukan proses clustering luas area mangrove (dalam %) terhadap kelurahan menggunakan teknik clustering, yaitu K-means. Nilai ini dikelompokkan ke dalam 3 cluster (sedikit, sedang, banyak). Luas area yang bernilai 0 tidak dimasukkan ke dalam proses clustering dan dianggap masuk ke dalam label kelas tidak, sehingga diperoleh empat label kelas yaitu tidak, sedikit, sedang, dan banyak. Pemberian label kelas Pada tahap ini, dilakukan penambahan atribut kelas pada objek kelurahan. Atribut kelas ini berisi kategori tidak, sedikit, sedang, dan banyak berdasar hasil clustering rasio. 7 Penggabungan tabel SJI Pada tahap ini, dilakukan penggabungan tabel SJI objek lain dengan tabel kelurahan yang telah memiliki atribut kelas. 8 Transformasi data Pada tahap ini, dilakukan perubahan tabel format xls menjadi format arff agar dapat diproses ke tahap selanjutnya yaitu proses klasifikasi menggunakan perangkat lunak Weka Penentuan Data Latih dan Data Uji Pada tahap ini, dilakukan pemisahan data uji dan data latih menggunakan 10-fold cross validation untuk mengevaluasi classifier. Klasifikasi Menggunakan Spatial Decision Tree Data hasil praproses diolah menggunakan perangkat lunak Weka dengan menggunakan Algoritme C4.5. Implementasi dari algoritme C4.5 dalam Weka adalah J48. Akurasi Classifier Akurasi dari model pohon yang dihasilkan dihitung menggunakan confusion matrix, yaitu menghitung banyaknya label kelas yang diprediksi benar dibagi total banyaknya prediksi. Jika hasilnya melebihi threshold, yaitu sebesar 60% maka akan diproses ke tahap berikutnya, apabila kurang dari threshold maka akan kembali diproses pada tahap praproses atau tahap penentuan dataset. Penggunaan Classifier pada Data Baru Classifier yang terbentuk dapat diterapkan pada data baru, dimana data tersebut belum memiliki label kelas. Label kelas didapatkan dengan menelusuri model pohon yang terbentuk atau aturan yang telah diturunkan dari model pohon yang dihasilkan pada data latih. Pengembangan Sistem Perangkat lunak dan perangkat keras yang digunakan dalam mengembangkan sistem adalah sebagai berikut : Perangkat Lunak : 1 Arcview 3.3 untuk pemrosesan data spasial. 2 Matlab 7.0 untuk proses clustering. 3 Microsoft Excel 2007 untuk melakukan proses operator complete 4 Weka untuk proses klasifikasi. Perangkat keras 1 Processor Intel(R) Pentium(R) 4 CPU 3.06GHz 2 Memory 1280 MB RAM 3 Mouse 4 Keyboard HASIL DAN PEMBAHASAN Pengadaan Data Data provinsi Kalimantan Timur yang telah diperoleh sampai level kelurahan. Kabupaten Kutai Timur memiliki 42 wilayah kelurahan sedangkan kota Tarakan memiliki 19 wilayah kelurahan. Secara rinci dijabarkan nama-nama kelurahan dimasing-masing wilayah yang terdapat pada Lampiran 2. Wilayah Kabupaten Kutai Timur memiliki 39 objek spasial dan wilayah Kota Tarakan memiliki 60 objek spasial. 6

15 Seleksi data Data yang digunakan pada penelitian ini diperoleh dari wawancara dengan salah satu pakar dari Ditjen KP3K DKP dan internet ( Data tersebut meliputi : 1 Batas wilayah Kabupaten Kutai Timur Atribut yang terdapat pada objek ini adalah shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 2 Batas wilayah Kota Tarakan Atribut yang terdapat pada objek ini adalah shape, area, perimeter, kelurahan, kecamatan, Id, provinsi, dan kabupaten. 3 Data Landuse Data landuse merupakan data yang berisi mengenai tataguna lahan. Atribut yang terdapat pada objek ini adalah shape, ID, dan jenis landuse. 4 Data Topografi Data topografi merupakan data mengenai ketinggian wilayah dihitung dari atas permukaan laut. Atribut yang terdapat pada objek ini adalah shape, longitude, latitude, Id, tinggi, ellipsoid, dan datumvert. 5 Data Substrat Data substrat merupakan data yang berisi mengenai substrat pantai yang terkandung di pantai pesisir. Atribut yang terdapat pada objek ini adalah shape, area, perimeter, Id, dan jenis. 6 Data Lereng Data lereng merupakan data yang berisi mengenai bentuk atau contour. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis. 7 Data Tanah Data tanah merupkan data yang berisi mengenai jenis tanah. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis. 8 Data Geologi Data geologi merupakan data yang berisi mengenai lapisan kulit bumi atau tanah kedalaman tertentu. Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis. 9 Data Geomorfologi Data geomorfologi merupakan data yang berisi mengenai bentuk relief atau tinggi rendahnya permukaan bumi atau disebut juga bentang alam yang terbentuk dan terpengaruh oleh tenaga endogen (dari dalam bumi) dan eksogen dari luar bumi (iklim dan cuaca). Atribut yang terdapat pada objek ini adalah shape, Id, area, perimeter, dan jenis. 10 Data Sungai Data sungai merupakan data yang berisi mengenai wilayah yang dilalui oleh aliran sungai. Atribut yang terdapat pada objek ini adalah shape, Id, area, dan nama. Praproses data Aktivitas aktivitas yang dilakukan dalam praproses data adalah sebagai berikut : 1 Perhitungan luas area Perhitungan luas area kelurahan menggunakan perangkat lunak Arcview 3.3, yaitu dengan menghitung setiap poligon atau area kelurahan. Hasil dari perhitungan luas area wilayah kelurahan dapat dilihat pada Lampiran 3. 2 Penentuan hubungan spasial Objek spasial direpresentasikan dalam bentuk poligon atau titik. Setiap objek poligon atau titik dianalisis hubungan spasialnya terhadap objek kelurahan. Hubungan spasial antara objek kelurahan dan objek topografi adalah contains. Objek topografi direprentasikan dalam bentuk titik (point), sehingga pada objek ini tidak dihitung luas area, tetapi ditentukan nilai rata-rata titik ketinggian yang ada di wilayah tertentu. Terdapat beberapa wilayah yang tidak memiliki data ketinggian, yaitu 10 wilayah di kabupaten Kutai Timur dan 6 wilayah di kota Tarakan. Oleh karena itu, nilai ketinggiannya diisikan menjadi 0 (nol) yang berarti tidak ada data. Selain itu, terdapat juga 12 wilayah yang nilai ketinggiannya diisikan dengan nilai ketinggian wilayah tetangganya yang diperoleh menggunakan operasi buffer. Pada objek geomorfologi, geologi, lereng, dan tanah terdapat tiga hubungan spasial yaitu contains, overlap, dan inside. Pada objek mangrove, landuse dan sungai terdapat dua hubungan spasial yaitu overlap dan contains. Sedangkan pada objek substrat 7

16 memiliki satu hubungan spasial yaitu overlap. Hubungan topological yang terjadi di setiap data menghasilkan banyak record atau yang saling berhubungan. Jumlah record yang dihasilkan di setiap objek dapat dilihat pada Tabel 2 dan secara rinci dapat dilihat pada Lampiran 4. Tabel 2 Jumlah record tabel SJI Objek spasial Jumlah record Mangrove 122 Topografi 227 Landuse 431 Substrat 92 Geomorfologi 477 Geologi 290 Lereng 296 Tanah Penyederhanaan Tabel Spatial Join Index Pada data tabel SJI mangrove, perhitungan luas area tidak dipisahkan berdasar hubungan topological, melainkan dijumlahkan semua luas area hasil tabel SJI, karena data mangrove hanya memiliki satu jenis. Pada data yang memiliki tiga hubungan spasial, yaitu data geomorfologi, geologi, lereng dan tanah, hanya dua hubungan saja yang diproses menggunakan operator complete. Hubungan spasial yang diproses adalah contains dan overlap. Hal ini dilakukan untuk menghindari banyaknya null pada data tersebut dikarenakan jumlah record yang sedikit memiliki hubungan spasial inside. Sehingga, record yang memiliki operasi tersebut dianggap 0 (tidak ada). Proses penyederhanaan tabel spatial join index ini, menghasilkan record dengan jumlah 61, sesuai dengan banyaknya wilayah kelurahan yang diamati. Tabel SJI hasil penyederhanaan operator complete dapat dilihat pada Lampiran 5. 4 Penentuan kategori Terdapat 406 data luas area (persentase) yang dikelompokkan ke dalam 3 cluster dari 6 atribut yaitu landuse, geologi, geomorfologi, tanah, lereng dan substrat. Interval luas area (%) dalam setiap cluster diberikan pada Tabel 3. Tabel 3 Hasil clustering luas area Cluster 1 Cluster 2 Cluster 3 (%) (%) (%) Pemberian label kategori Setiap data memiliki kode/simbol dalam merepresentasikan hasil clustering luas area yang digabung dengan atribut jenis. Sehingga dari dua atribut yaitu luas area dan atribut jenis didapatkan satu atribut yang merepresentasikan keduanya dalam bentuk simbol/kode. Banyaknya jenis setiap objek dapat dilihat pada Tabel 4. Kode/simbol setiap objek terdapat pada Lampiran 6. Tabel 4 Jumlah jenis kategori Objek spasial Jumlah kategori Landuse 10 Substrat 6 Geomorfologi 14 Geologi 13 Lereng 4 Tanah 5 6 Penentuan kelas target Clustering luas area Hasil perhitungan rasio luas area mangrove terhadap area kelurahan dapat dilihat pada Lampiran 7. Interval luas area (%) dalam setiap cluster diberikan pada Tabel 5. Tabel 5 Label kelas Interval (%) Cluster 1 Cluster 2 Cluster s/d s/d s/d kelas Sedikit Sedang Banyak Pemberian label kelas Jumlah record pada data kelurahan untuk setiap label kelas hasil clustering adalah 24 record untuk label kelas tidak, 22 record untuk label kelas sedikit, 13 record untuk kelas sedang, dan 2 record untuk kelas banyak. 7 Penggabungan Tabel SJI Hasil penggabungan tabel SJI yang telah ditambahkan kategori dan kelas adalah 14 8

17 atribut yang akan dijadikan sebagai dataset. Secara garis besar 14 atribut tersebut dapat dilihat pada Tabel 6 dan secara rinci terdapat pada Lampiran 8. Tabel 6 Atribut data latih Atribut Nama 1 Topografi 2 Sungai 3 Jenis landuse yang terkandung 4 Jenis landuse yang beroverlap 5 Jenis substrat yang beroverlap 6 Jenis geologi yang terkandung 7 Jenis geologi yang beroverlap 8 Jenis geomorfologi yang terkandung 9 Jenis geomorfologi yang beroverlap 10 Jenis lereng yang terkandung 11 Jenis lereng yang beroverlap 12 Jenis tanah yang terkandung 13 Jenis tanah yang beroverlap 14 Label kelas 8 Transformasi data Mengubah format data latih menjadi format arff sehingga dapat diolah ke dalam perangkat lunak Weka Tipe data dalam file Arff dari masing masing atribut dapat dilihat pada Tabel 7 dan secara rinci pada Lampiran 9. Tabel 7 Tipe data dalam file Arff Atribut Nama Tipe 1 Topografi Numerik 2 Sungai Numerik 3 Jenis landuse yang Kategorik terkandung 4 Jenis landuse yang Kategorik beroverlap 5 Jenis substrat yang Kategorik beroverlap 6 Jenis geologi yang Kategorik terkandung 7 Jenis geologi yang Kategorik beroverlap 8 Jenis geomorfologi Kategorik yang terkandung 9 Jenis geomorfologi yang beroverlap Kategorik 10 Jenis lereng yang Kategorik terkandung 11 Jenis lereng yang Kategorik beroverlap 12 Jenis tanah yang Kategorik terkandung 13 Jenis tanah yang Kategorik beroverlap 14 Label kelas Kategorik Penentuan Data Latih dan Data Uji Pemisahan data ke dalam data uji dan data latih menggunakan 10-folds cross validation. Data akan dibagi ke dalam 10 bagian (folds), setiap bagian akan digunakan sebagai data uji, dan n-1 bagian (folds) akan dijadikan sebagai data latih. Proses ini dilakukan sebanyak 10 kali. Klasifikasi Menggunakan Spatial Decision Tree Dataset yang telah terbentuk diolah dan menghasilkan sebuah model pohon keputusan. Atribut yang dipilih sebagai atribut uji adalah atribut yang memiliki information gain tertinggi sesuai dengan algoritme C4.5. Di dalam Weka algoritma C4.5 diimplementasikan dengan menggunakan Algoritme J.48. Algoritme J.48 mampu mengolah tipe data numerik dan kategori, hal ini terlihat dari atribut uji yang dihasilkan terdapat atribut uji dengan tipe numerik, yaitu topografi. Selain itu, Algoritme J.48 juga mengolah kelas target bertipe kategorik. Model pohon yang terbentuk dapat dilihat pada Gambar 7. Atribut yang menjadi atribut uji pada model pohon ini adalah atribut co_lereng (jenis lereng yang terkandung), ov_substrat (jenis substrat yang beroverlap), topografi, dan co_landuse (jenis landuse yang terkandung). Dari pohon tersebut dapat diturunkan 23 aturan yang selengkapnya dapat dilihat di Lampiran 10. Contoh aturan yang diturunkan dari hasil model pohon keputusan yaitu : Rules 1 : JIKA 0.01% % area memiliki lereng agak curam MAKA area tersebut TIDAK memiliki mangrove. Rules 2 : JIKA 0.01% % area memiliki lereng datar MAKA area tersebut memiliki mangrove dalam kelas SEDANG. 9

18 Rules 3: JIKA area tidak memiliki lereng DAN 0.01% % area bertumpang tindih dengan substrat pasir DAN area memiliki ketinggian > 23 MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT. Rules 4 : JIKA area tidak memiliki lereng DAN tidak memiliki area yang bertumpang tindih dengan substrat DAN 30.87% % area memiliki landuse belukar MAKA area tersebut TIDAK memiliki mangrove. Rules 5 : JIKA area tidak memiliki lereng DAN tidak memiliki area yang bertumpang tindih dengan substrat DAN 0.01% % area memiliki landuse pemukiman MAKA area tersebut memiliki mangrove dalam kelas SEDIKIT. Akurasi Classifier Hasil evaluasi metode pohon keputusan dengan algoritme J48 menggunakan perangkat lunak Weka dapat dilihat pada Tabel 8. Tabel 8 Confusion matrix Kelas aktual Kelas hasil prediksi Keterangan : kelas 0 : Tidak kelas 1 : Sedikit kelas 2 : Sedang kelas 3 : Banyak Dari confusion matrix diketahui dari 24 data di label kelas tidak, sebanyak 20 data diprediksi Gambar 7 Model pohon keputusan. secara benar sebagai label kelas tidak, 3 data diprediksi salah sebagai label kelas sedikit dan 1 data diprediksi salah sebagai label kelas banyak. Dari 22 data di label kelas sedikit, sebanyak 13 data diprediksi secara benar sebagai label kelas sedikit, 6 data diprediksi salah sebagai label kelas tidak, dan 3 data diprediksi salah sebagai label kelas sedang. Dari 13 data di label kelas sedang, sebanyak 4 data diprediksi secara benar sebagai label kelas sedang, 3 data diprediksi salah sebagai label kelas tidak, dan 6 data diprediksi salah sebagai label kelas sedikit. Dari 2 data di label kelas banyak, tidak ada data yang diprediksi secara benar, sebanyak 1 data diprediksi salah sebagai label kelas tidak, dan 1 data diprediksi salah sebagai kelas sedikit. Hal ini diakibatkan oleh sedikitnya jumlah data untuk pelatihan di label kelas banyak yaitu hanya 2 data, sehingga tidak ditemukan pola dalam mengklasifikasikan data ke dalam label kelas banyak. Selain itu, hal yang menyebabkan salah dalam mengklasifikasi pada masingmasing kelas adalah terdapat kemiripan wilayah berdasar pada hasil digitasi citra. Akurasi model keputusan pohon yang didapatkan adalah : Akurasi = banyaknya total prediksi yang benar total banyaknya prediksi = = Hasil dari akurasi classifier menunjukkan keakuratan model pohon yang terbentuk dalam memprediksi data. Akurasi yang didapat yaitu %, sehingga telah memenuhi threshold. 10

19 Tabel 9 Data contoh Record Id Topografi Substsrat beroverlap Landuse yang terkandung Lereng yang terkandung 1 30 ps1 h1 nclr? Ncs b2 nclr? Ncs pm1 nclr? 4 20 Ncs Ncl lb1? Ncs Ncl la1? Kelas Keterangan : ps1 = pasir dengan area (0.01% %) ncs = area tidak memiliki substrat h1 = hutan dengan area (0.01% %) b2 = belukar dengan area (30.87% %) pm1= pemukiman dengan area (0.01% %) ncl = area tidak memiliki landuse nclr= area tidak memiliki lereng lb1= lereng datar dengan area (0.01% %) la1= lereng agak curam dengan area (0.01% %) Penggunaan Classifier pada Data Baru Pada tahap ini, terdapat beberapa record data contoh untuk menunjukkan bagaimana penggunaan classifier pada data baru yang belum memiliki label kelas. Pada data contoh terdapat 5 record yang atribut kelasnya belum terisi. Untuk pengisian masing-masing record dilakukan dengan cara menelusuri model pohon yang dibuat atau dengan melihat dari aturan pohonnya. Ilustrasi data contoh dapat dilihat pada Tabel 9. Pengisian label kelas pada record 1 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 3 dengan nilai test atribut tidak memiliki lereng (nclr), bertumpang tindih dengan substrat pasir (ps1), dan ketinggian wilayah > 23 (30). Dengan demikian label kelas pada record 1 adalah sedikit. Pengisian label kelas pada record 2 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 4 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse belukar (b2). Dengan demikian label kelas pada record 2 adalah tidak. Pengisian label kelas pada record 3 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 5 dengan nilai test atribut tidak memiliki lereng (nclr), tidak bertumpang tindih dengan substrat (ncs), dan memiliki landuse pemukiman (pm1). Dengan demikian label kelas pada record 3 adalah sedikit. Pengisian label kelas pada record 4 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 2 dengan nilai test atribut memiliki lereng datar (lb1). Dengan demikian label kelas pada record 4 adalah sedang. Pengisian label kelas pada record 5 dilakukan dengan mencari aturan yang sesuai pada himpunan aturan. Aturan yang sesuai adalah Rules 1 dengan nilai test atribut memiliki lereng agak curam (la1). Dengan demikian label kelas pada record 5 adalah tidak. Kesimpulan KESIMPULAN DAN SARAN Berdasar penelitian yang dilakukan dalam membuat classifier untuk identifikasi lahan mangrove, dapat diambil kesimpulan sebagai berikut : 1 Terbentuknya spasial classifier yang terdiri dari 23 aturan dengan akurasi 60.66%. 2 Dari penelitian ini area mangrove dideskripsikan oleh area yang mengandung lereng, area yang beroverlap dengan substrat, topografi, dan area yang mengandung landuse. 3 Penggunaan spatial join index dan operator complete dalam menentukan hubungan spasial antara objek spasial menghasilkan dataset yang dapat diolah menggunakan teknik klasifikasi konvensional. 11

20 Saran Saran-saran yang dapat diberikan untuk pengembangan lebih lanjut agar lebih baik dari yang telah dilakukan adalah sebagai berikut : 1 Untuk memodelkan area mangrove diperlukan keseimbangan dalam jumlah kelas target. 2 Perlu dibuat aplikasi komputer untuk mengimplementasikan proses spatial join index dan operator complete, terutama untuk data spasial berukuran besar. International Workshop on Temporal, Spatial and Spatio-Temporal Data Mining, Lecture Notes in Artificial Intelligence DAFTAR PUSTAKA Chelghoum N, Karine Z Spatial Data Mining Implementation : Alternatives and performance. Versailles. Prism Laboratory University of Versailles. Dahuri, R Keanekaragaman Hayati Laut : Aset Pembangunan Berkelanjutan Indonesia. Jakarta: PT Gramedia Indonesia Pustaka. Han J, Kamber M Data Mining Concepts and Techniques. San Diego, USA: Morgan-Kaufmann. Larose, T Daniel Discovering Knowledge In Data : An Introduction To Data Mining. New Jersey. Wiley- Interscience. Prahasta E Konsep-konsep Dasar Sistem Informasi Geografis. Bandung: Informatika. Quinlan, J.R C4.5: Programs For Machine Learning. San Mateo. CA: Morgan Kaufmann. Santoso B Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta. Graha Ilmu. Sekhar S, Chawla S Spatial Databases a Tour. New Jersey: Prentice Hall. Tan P, Michael S. dan Vipin K Introduction to Data Mining. Addison Wesley. Zeitouni K, Chelghoum N Spatial Decision Tree Applications to Traffic Risk Analysis. IEEE International Conference on Computer Systems and Applications. Zeitouni K, Yeh L, Aufaure MA Join Indices as a Tool for Spatial Data Mining. 12

21 LAMPIRAN

22 Lampiran 1 Praproses secara rinci 14

23 Lampiran 2 Nama kelurahan Kabupaten Kutai Timur No. Nama Kelurahan 1 KARANGAN 2 BATU LEPOQ 3 UPT MUARA KARANGAN 4 TERIAN TERAP 5 BAAY 6 PENGADAN 7 TADOAN 8 UPT. PENGADAN II PEN 9 PELAWAN 10 UPT. PENGADAN I KADU 11 SUSUK DALAM 12 KERAYAAN 13 SEMPAYAU 14 MARUKANGAN 15 MANDU DALAM 16 SANDARAN 17 BUMI ETAM (KAUBUN I) 18 PELAWAN 19 BUMI RAPAK (KAUBUN I) 20 UPT VII PENGADAN 21 BUMI RAPAK (KAUBUN II) 22 SAKA 23 UPT VI PENGADAN 24 BENUA BARU I 25 BENUA BARU II 26 KAUBUN III BUMI JAYA 27 PERIDAN 28 SUSUK LUAR 29 KAUBUN IV/CIPTA GRAH 30 TANJUNG MANIS 31 MANUBAR 32 PERIDAN I 33 PERIDAN II 34 BUKIT MAKMUR (KALIORANG) 35 BUMI SEJAHTERA (KALIORANG) 36 CIPTA MANUNGGAL JAYA 37 BANGUN JAYA (KALIORANG) 38 PERIDAN III 39 SELENGKO (KALIORANG) 40 KALIORANG 41 PERIDAN IV 42 PERIDAN V Kota Tarakan No. Nama Kelurahan 1 JUATA LAUT 2 JUATA PERMAI 3 SKIP KAMPUNG SATU 4 JUATA KERIKIL 5 KARANG HARAPAN 6 KAMPUNG ENAM 7 KARANG ANYAR 8 KARANG ANYAR PANTAI 9 KARANG HARAPAN 10 KARANG BALIK 11 KARANG REJO 12 PAMUSIAN 13 SEBENGKOK 14 SELUMIT 1 5 SELUMIT PANTAI 16 KAMPUNG EMPAT 17 GUNUNG LINGKAS 18 LINGKAS UJUNG 19 MAMBURUNGAN 15

24 Lampiran 3 Luas area kelurahan di Kabupaten Kutai Timur dan Kota tarakan ID Nama Kelurahan Luas Area (m 2 ) 591 KARANGAN BATU LEPOQ ,8 614 UPT MUARA KARANGAN , TEPIAN TERAP ,5 642 BAAY ,2 645 PENGADAN TADOAN ,1 648 UPT. PENGADAN II , PELAWAN ,1 652 UPT. PENGADAN I , SUSUK DALAM ,8 659 KERAYAAN ,1 661 SEMPAYAU MARUKANGAN MANDU DALAM , SANDARAN BUMI ETAM , PELAWAN , BUMI RAPAK , UPT VII PENGADAN BUMI RAPAK , SAKA , UPT VI PENGADAN , BENUA BARU , BENUA BARU ,3 693 KAUBUN III BUMI JAYA ,2 695 PERIDAN , SUSUK LUAR ,6 701 KAUBUN IV/CIPTA GRAH ,8 703 TANJUNG MANIS ,1 705 MANUBAR ,9 710 PERIDAN , PERIDAN ,4 715 BUKIT MAKMUR ,2 716 BUMI SEJAHTERA ,5 718 CIPTA MANUNGGAL JAYA , BANGUN JAYA , PERIDAN , SELENGKO , KALIORANG , PERIDAN , PERIDAN , JUATA LAUT , JUATA PERMAI , SKIP KAMPUNG SATU , JUATA KERIKIL KARANG HARAPAN , KAMPUNG ENAM , KARANG ANYAR , KARANG ANYAR RANTAI , KARANG HARAPAN , KARANG BALIK ,58 16

25 Lampiran 3 Lanjutan ID Nama Kelurahan Luas Area (m 2 ) 346 KARANG REJO ,5 347 PAMUSIAN , SEBENGKOK , SELUMIT , SELUMIT PANTAI , KAMPUNG EMPAT , GUNUNG LINGKAS ,5 360 LINGKAS UJUNG ,5 361 MAMBURUNGAN ,89 17

26 Lampiran 4 Tabel spatial join index antara objek spasial kelurahan dengan objek spasial landuse ID1 hubungan spasial ID2 Area terinterseksi (m 2 ) jenis 591 contains ,88 Belukar 591 contains ,17 Belukar 591 contains ,8 Belukar 591 contains ,4 Belukar 591 contains ,58 Belukar 591 contains ,39 Belukar 591 contains ,29 Belukar 591 contains ,97 Belukar 591 overlap ,58 Belukar 591 contains ,62 Hutan 591 contains ,08 Hutan 591 contains ,7 Hutan 591 overlap ,4 Perkebunan/Kebun 591 overlap ,81 Perkebunan/Kebun 591 contains ,26 Perkebunan/Kebun 591 overlap ,93 Rumput 591 contains ,64 Tanah Kosong 591 contains ,18 Tanah Kosong 595 contains ,78 Belukar 595 overlap ,5 Belukar 595 contains ,75 Hutan 595 overlap Hutan 595 contains ,96 Ladang/tegalan 595 contains ,24 Ladang/tegalan 595 contains ,44 Ladang/tegalan 595 contains ,75 Perkebunan/Kebun 595 overlap ,5 Perkebunan/Kebun 595 overlap ,1 Perkebunan/Kebun 595 contains ,92 Perkebunan/Kebun 595 contains ,44 Perkebunan/Kebun 595 contains ,39 Perkebunan/Kebun 595 contains ,58 Perkebunan/Kebun 595 contains ,55 Rumput 595 contains ,56 Rumput 595 contains ,19 Tanah Kosong 595 contains ,12 Tanah Kosong 595 contains ,31 Tanah Kosong 595 contains ,7 Tanah Kosong 595 contains ,43 Tanah Kosong 595 contains ,769 Tanah Kosong 18

27 Lampiran 5 Tabel SJI sederhana antara objek spasial kelurahan dengan objek spasial landuse ID1 Area yang mengandung landuse (%) jenis landuse belukar perkebunan not contains perkebunan tanah kosong hutan belukar not contains rumput not contains not contains perkebunan not contains hutan not contains hutan belukar not contains not contains not contains rumput not contains not contains ladang belukar belukar not contains ladang not contains perkebunan ladang belukar perkebunan tanah kosong not contains not contains perkebunan hutan not contains belukar hutan belukar belukar belukar belukar hutan not contains belukar 19

28 Lampiran 5 Lanjutan ID1 Area yang beroverlap dengan landuse (%) Jenis landuse not contains hutan hutan belukar belukar belukar belukar perkebunan not contains not contains not contains belukar perkebunan belukar not contains belukar belukar belukar belukar belukar belukar belukar not contains belukar belukar belukar belukar belukar not contains 20

29 Lampiran 6 Inisialisasi kategori Objek substrat Interval area Kelompok area (%) Lanau Pasir Pasir karang Pasir lanauan lumpuran ( ) ln1 ps1 plm1 kr1 pln1 ( ) ln2 ps2 plm2 kr2 pln2 ( ) ln3 ps3 plm3 kr3 pln3 (0.00) ncs Objek lereng Interval area Kelompok area (%) Agak datar landai curam ( ) la1 lb1 lc1 ( ) la2 lb2 lc2 ( ) la3 lb3 lc3 (0.00) nclr Objek Tanah Interval area Kelompok area (%) Aluvial Komplek padsolik merah Padsolik, podsol kuning, latosol, dan litosol merah kuning ( ) ta1 tb1 tc1 td1 ( ) ta2 tb2 tc2 td2 ( ) ta3 tb3 tc3 td3 (0.00) nct 21

30 Lampiran 6 Lanjutan Objek Landuse Interval area Kelompok area (% ) Belukar Ladang Pemukiman Perkebunan Empang/tambak Hutan/hutan lebat rumput Semak/belukar Tanah kosong ( ) b1 l1 pm1 p1 e1 h1 r1 s1 t1 (30.87 b2 l2 Pm2 p2 e2 h2 r2 s2 t ) ( ) b3 l3 pm3 p3 e3 h3 r3 s3 t3 (0.00) ncl Lampiran 6 Lanjutan Interval area (% ) Objek Geologi Aluvium Bagian bawah terdiri dari konglomerat dab batu pasir dengan sisipan Bagain bawah, batu lumpur dan batu gamping, kaya foraminifera Batu gamping, coral berwarna putih berlapis Kerakal, kerikil, pasir, lempung, lanau, lempeng Kelompok area Lempung, lanau, pasir, kerikil, merupakan endapan suungai Napal bersisipan lempung dan batu gamping Bagian bawah terdiri dari konglomera t dan breksi aneka bahan Batu gamping terumbu, batu gamping kapuran, sisipan napal Batu gamping dengan sisipan napal, serpih kelabu dan pasir ( ) ga1 gb1 gc1 gd1 ge1 gf1 gg1 gh1 gi1 gj1 gk1 gl1 (30.87 ga2 gb2 gc2 gd2 ge2 gf2 gg2 gh2 gi2 gj2 gk2 gl ) ( ) ga3 gb3 gc3 gd3 ge3 gf3 gg3 gh3 gi3 gj3 gk3 gl3 (0.00) ncg Formasi sajau : batu pasir, kuarsa, dan batu lempung Napal bersisip an lempun g, batu gampin g napalan dan moluska