Escolar Documentos
Profissional Documentos
Cultura Documentos
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
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) =
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 AB maka:
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
04/05/2015
04/05/2015 19:30WIB
106.765
19:45 WIB
113.79981.257 Trminal Kalisat K.Kalisat Kab. Nihil
Jmber flr<W. Jawa Timur
Kronolocis :Ak
3 BancunanmbelRB
ibat arus
pendk listrik
upaya :23 Unit
mobilDPK
klokasiuntuk
mlakukan
1Uni t rumahterbakar
110.468
pemadamandanpe
mbasahan ar
Kronol oe is:Ak ibat
korslet ne arus listrik
upava : 3 Uni t
mobil OPK dikerahkan
untuk memad11mkan
api
Nihil
2 Unit BancunanRB
04/05/2015
19:00WIB
8 K bakaran Prmukiman
27/04/2015
OO:OOWIB
9 Kbakaran Prmukiman
IB
26/04/2015
08.00W
10 K bakaran Prmuk1man
22/04/2015
04:54WIB
11 Kbakaran Prmukiman
21/04/2015
10 45 W IB
12 K bakaran Prmukiman
21/04/2015
16:25 WIB
U Kebakaran Permukiman
14 Kbak.,ao
Pmukimao
21/04/2015
23:30 W IB
106.718 -617.067 RT. 008 / 004 J_l Timbul Java Komp Nihil
OuriKl.KosambiKC- Cnekarne
Kota Jakarta Bara t Prov.DKI Jakarta
45 Kios t bakar
15 Kebakaran Permukiman
ITA
14/04/2015 14.00 W
1rumahterbakar(RB)
16 Kbakaran Prmukiman
WITA
14/04/2015 22.30
17 Kebakaran Permukiman
18 Kbakaran Prmukiman
WIB
12/04/2015 21:45
09/03/2015
15.00 WIB
20 Kbakaran Prmukiman
03/03/2015
18:30 WIB
106 148
21 Kebakaran Permukiman
03/03/2015
05:00 W IB
22 Kbakaran Prmukiman
03/03/2015
05:00 WIB
02/03/2015 07:15 W IB
1KK/5Ji wa terdampak
19 Kebakaran Permukiman
23 Kebakaran
Nihil
10rane terbakar
Nihil.
24 Kbakaran Prmukiman
21/02/2015
23:45 WIB
25 Kebakaran Permukiman
WIB
31/01/2015
20.40.00
6 Kbakaran Prmukiman
01.50.00WIB
28/01/2015
27 K bakaran Permukiman
27/01/2015
14.21W IB
28 Kbakaran Prmukiman
27/01/2015
18.26.00WIB
.....
Nihil
1rumah rusakberat
Masihdalam pend11ta11n
tho
Nihil
N1hil
,_ ---- '--'--'--
KronolotiS : - K bakaran
d1sbabkan olhkorsletmclistnk
KondlsiMutakh1r:- 12 umt mobil
pemadam k bakaran dlkahkan
untuk m madamkan api
Kronol oeis : - Api brasaldari
konsltine listrik upava Pnan
anan 26 unit mobilDPK
----
---
Dari tabel di atas, kolom atau variabel jam, lokasi, korban, kerugian dan keterangan yang akan dijadikan atribut
dalam setiap kejadian kebakaran permukiman. Berikut tabel yang menjelaskan setiap kejadian kebakaran
permukiman beserta atribut-atribut yang menyertai atau muncul saat kejadian:
Tabel 4.2. Tabel Kejadian Longsor dengan Atribut
Lokasi (Kota)
Korban
Kerugian
Kejadian
Waktu
Penyebab
Kebakaran 1
Siang
Jakarta Barat
Mengungsi
Kebakaran kelas C
Kebakaran 2
Pagi
Jakarta Timur
Kebakaran kelas C
Kebakaran 3
Siang
Jakarta Pusat
Kebakaran kelas C
Kebakaran 4
Malam
Jakarta Utara
Kebakaran kelas C
Kebakaran 5
Malam
Jakarta Utara
Kebakaran kelas C
Kebakaran 6
Malam
Jember
Penyelidikan
Kebakaran 7
Malam
Semarang
Kebakaran kelas C
Kebakaran 8
Malam
Jakarta Selatan
Kebakaran kelas C
Kebakaran 9
Pagi
Jakarta Barat
Kebakaran kelas C
Kebakaran 10
Pagi
Jakarta Selatan
Kebakaran kelas B
Kebakaran 11
Pagi
Jakarta Barat
Kebakaran kelas C
Kebakaran 12
Sore
Jakarta Timur
Kebakaran kelas C
Kebakaran 13
Malam
Jombang
Kebakaran kelas C
Kebakaran 14
Pagi
Jakarta Selatan
Kebakaran kelas C
Kebakaran 15
Siang
Kutai Timur
Mengungsi
Penyelidikan
Kebakaran 16
Malam
Kutai Timur
Kebakaran kelas C
Kebakaran 17
Pagi
Kuningan
Terdampak
Kebakaran kelas C
Kebakaran 18
Malam
Jakarta Timur
Kebakaran kelas C
Kebakaran 19
Sore
Sukabumi
Terbakar
Kebakaran 20
Malam
Lebak
Kebakaran kelas C
Kebakaran 21
Pagi
Sukabumi
Kebakaran 22
Pagi
Rembang
Penyelidikan
Kebakaran 23
Malam
Karanganyar
Kebakaran kelas C
Kebakaran 24
Malam
Sidoarjo
Penyelidikan
Kebakaran 25
Pagi
Semarang
Terdampak
Kebakaran 26
Sore
Jakarta Utara
Kebakaran kelas C
Kebakaran 27
Malam
Jakarta Timur
Kebakaran kelas C
Kebakaran 28
Malam
Jakarta Pusat
Kebakaran kelas C
Kebakaran 29
Siang
Semarang
Terdampak
Kebakaran 30
Sore
Jakarta Utara
Kebakaran kelas C
Kebakaran 31
Malam
Jakarta Timur
Kebakaran kelas C
Kebakaran 32
Siang
Situbondo
Terdampak
Kebakaran 33
Malam
Surabaya
Penyelidikan
Kebakaran 34
Pagi
Jakarta Pusat
Kebakaran kelas C
Kebakaran 35
Malam
Jakarta Selatan
Kebakaran kelas C
Kebakaran 36
Pagi
Jakarta Timur
Kebakaran kelas C
Kebakaran 37
Pagi
Cilacap
Penyelidikan
Kebakaran 38
Pagi
Semarang
Penyelidikan
Kebakaran 39
Pagi
Jakarta Barat
Kebakaran kelas C
Kebakaran 40
Pagi
Jakarta Utara
Kebakaran kelas C
Kebakaran 41
Pagi
Jakarta Selatan
Kebakaran kelas C
Dari tabel di atas akan di eksekusi menggunakan software R Studio untuk mencari tahu pola kombinasi itemset
yang memenuhi syarat support. Syarat minimum support yang ditentukan di awal yaitu 0.1, minimum confident
sebesar 0.1, dan main line sebesar 2. Setelah hasil diketahui akan dianalisis kembali dengan mengubah nilai
minimum support dan minimum confiden sesuai output data support terbesar dan main line yang menyertai data
tersebut untuk mengatahui apakah masih ada nilai terbesar yang lain.
5.
Matriks di atas menunjukan atribut-atribut yang menyertai kejadian. Logika FALSE menunjukan tidak
terdapat atribut dalam kejadian dan logika TRUE menunjukan terdapat atribut dalam kejadian. Atribut
diurutkan sesuai jumlah dari paling sedikit hingga terbanyak dan urutan abjad dari a sampai z. Atribut yang
mempunyai jumlah matriks paling sedikit yaitu Jakarta Timur dan Bangunan fasilitas pendidikan. Dapat
dilihat pada kejadian Kebakaran no 16 yaitu tidak terdapat atribut Jakarta Timur maka nilainya FALSE dan
terdapat atribut Bangunan fasilitas pendidikan maka nilainya TRUE.
4. Analisis dengan Minimum Support 0.1, Minimum Confident 0.1 dan Main Line 2.
a. Pola Kombinasi Dua Itemset/ Atribut
Pola kombinasi dua itemset menunjukan hubungan dua atribut, misal jika terjadi A maka terjadi terjadi B.
Pembentukan pola frekuensi dua itemsets, dibentuk dari items-items jenis yang memenuhi support
minimal yaitu dengan cara mengkombinasi semua item kedalam pola dua kombinasi. Pada syntax telah
ditentukan bahwa minimum support = 0.1 maka yang ditampilkan nilai minimum support yang sama
dengan atau lebih dari 0.1, nilai yang kurang dari 0.1 secara otomatis dieliminasi oleh sistem. Berikut
hasil output pola kombinasi dua itemset :
Gambar 5.4. Output kombinasi dua itemset/atribut data bencana kebakaran permukiman.
Output di atas merupakan kombinasi dua itemset yang merupakan hasil yang memenuhi syarat support
0.1 dari semua kombinasi semua jenis itemset. Berikut uraian perhitungan point 1, 2, dan 3 sehingga di
dapat hasil seperti di atas:
jakarta utara kebakaran
Support (jakarta utara kebakaran kelas C) =
kelas C
= 5 / 41 = 0.1219512
kebakaran kelas C jakarta
Support (kebakaran kelas C jakarta utara) =
utara
= 5 / 41 = 0.1219512
Support (jakarta timur bangunan komersial rusak) =
jakarta timur bangunan komersial rusak
Confidence
kelas
C
= 5 / 41 = 0.1219512
=5/5=1
Total kejadian
mengandungkebakaran
kelas C dan
jakarta
utara
total
kelas
C kejadian mengandung
0.1785714
Confidence P(kebakaran kelas C | jakarta utara) == 5 / 28 =kebakaran
=5/5=1
kejadian mengandung
jakarta timur
Dari perhitungan di atas diketahui bahwa meskipun nilai support besarnya sama namun nilai confident
tidak selalu sama. Hal ini terjadi karena nilai support menunjukan probabilitas muncul atribut A dan B
secara bersama-sama dari seluruh kejadian sedangkan nilai confident menunjukan kepastian atau kuatnya
hubungan antar item dalam sebuah apriori.
b. Pola Kombinasi Tiga Itemset/ Atribut
Pada output ini masih menggunakan minimum support = 0.1 dengan tiga kombinasi itemsets maka yang
ditampilkan nilai minimum support yang sama dengan atau lebih dari 0.1, nilai yang kurang dari 0.1
secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi tiga itemset itemset :
Gambar 5.5. Output kombinasi tiga itemset/atribut data bencana kebakaran permukiman.
Output di atas menjelaskan bahwa jika terjadi kebakaran permukiman pada bangunan komersial rusak dan
di jakarta timur maka kebakaran kelas C dengan nilai support sebesar 0.1219512 dan nilai confident
sebesar 1. Jika terjadi kebakaran permukiman di jakarta timur dan kebakaran kelas C maka bangunan
komersial rusak dengan nilai support sebesar 0.1219512 dan nilai confident sebesar 1, dan sebagainya.
5.
Analisis dengan Minimum Support 0.3, Minimum Confident 0.3 dan Main Line 2.
Dari uraian dan hasil output di atas diketahui bahwa nilai support tertinggi pada kombinasi dua itemsets yaitu
0.3658537 maka akan dianalisis kembali dengan menggunakan minimum support =0.3, minimum confident =
0.3, dan main line 2 karena nilai support tersebut terdapat pada kombinasi dua itemsets. Berikut syntax yang
digunakan:s
aturan.ap <- apriori(aturan, parameter=list(supp=0.3, conf=0.3, minlen=2))
inspect(aturan.ap)
Dengan menggunakan syntax di atas didapat output sebagai berikut:
Gambar 5.6. Output kombinasi dua itemset/atribut data bencana kebakaran permukiman.
Output di atas menujukan bahwa jika terjadi kebakaran permukiman pada malam hari maka mengakibatkan
kebakaran kelas C dengan nilai support sebesar 0.3170732 dan nilai confident sebesar 0.8125. Jika terjadi
kebakaran permukiman kebakaran kelas C maka pada malam hari dengan nilai support sebesar 0.3170732
dan nilai confident sebesar 0.4642857. Jika terjadi kebakaran permukiman bangunan komersial rusak maka
mengakibatkan kebakaran kelas C dengan nilai support sebesar 0.3658537 dan nilai confident sebesar
0.7142857. Jika terjadi kebakaran permukiman kategori kebakaran kelas C maka mengakibatkan bangunan
komersial rusak dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.5357143.
Dari output di atas maka di dapat hasil akhir pola hubungan assosiatif dengan nilai support tertinggi yaitu jika
terjadi kebakaran permukiman pada malam hari maka mengakibatkan kebakaran kelas C dengan nilai support
sebesar 0.3170732 dan nilai confident sebesar 0.8125. Jika terjadi kebakaran permukiman kebakaran kelas C
maka pada malam hari dengan nilai support sebesar 0.3170732 dan nilai confident sebesar 0.4642857. Jika
terjadi kebakaran permukiman bangunan komersial rusak maka mengakibatkan kebakaran kelas C dengan nilai
support sebesar 0.3658537 dan nilai confident sebesar 0.7142857. Jika terjadi kebakaran permukiman kategori
kebakaran kelas C maka mengakibatkan bangunan komersial rusak dengan nilai support sebesar 0.3658537
dan nilai confident sebesar 0.5357143. Berikut tabel Final Association Rule:
Aturan
Jika kejadian kebakaran pemukimanMalam
maka Kebakaran kelas C
Jika kejadian kebakaran pemukiman
Kebakaran kelas C maka Malam
Jika kejadian kebakaran pemukiman
Bangunan komersial rusak maka Kebakaran
kelas C
Jika kejadian kebakaran pemukiman
Kebakaran kelas C maka Bangunan
komersial rusak
Supp
Conf
Support
Confidence
31.7%
81.25%
25,76%
31.7%
46,43%
14,72%
36,5854%
71,43%
26,13%
36,5854%
53,57%
19,60%
Berdasarkan dari hasil akhir Association rules di atas diketahui bahwa kejadian kebakaran pemukiman cenderung
terjadi saat malam hari mengakibatkan kebakaran kelas C dan jenis bangunan komersial rusak.
Kebakaran kelas C yaitu kebakaran yang disebabkan oleh 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.
Bangunan Komersial yaitu Retail, Supermarket, Pertokoan (pakaian,makanan, motor-transportasi, peralatan elektronik),
Pusat Perbelanjaan, Perkantoran komersial, Layanan Jasa (service, laundry dll).
Beberapa upaya yang dapat dilakukan untuk mencegah kebakaran karena listrik, yaitu :
1. Jangan mengotak atik atau menyambung langsung (bypass) peralatan pengaman baik sekring maupun mini
circuit breker(MCB)
2. Lebih baik mematikan arus listrik apabila tidak ada kegiatan usaha
3. Jangan menumpuk steker secara berlebihan dan berpotensi menimbulkan panas berlebihan dan berpotensi
menimbulkan kebakaran
4. Gunakan peralatan listrik yang berkualitas (umumnya berlambang LMK atau SNI). Jangan terkecoh harga
yang murah padahal kualitasnya rendah
5. Jangan biarkan tusuk kontak peralatan (TV, Setrika dll) menetap pada stop kontak pada waktu lama
6. Hindari menggunakan tusuk kontak terlalu longgar
7. Serahkan pada instalatir resmi untuk pemasangan baru atau menambah instalasi listrik dirumah atau bangunan
8. Periksa instalasi listrik bangunan secara belaka, kurang lebih setelah 10 Tahun dan selanjutnya setiap 5 Tahun
6.
KESIMPULAN
Dari pembahasan di atas dapat diketahui bahwa:
Pola hubungan assosiatif yang terjadi dari data kebakaran permukiman di Indonesia pada tahun 2015 dengan
nilai support tertinggi yaitu:
a. Jika terjadi kebakaran permukiman pada malam hari maka mengakibatkan kebakaran kelas C dengan
nilai support sebesar 0.3170732 dan nilai confident sebesar 0.8125
b. Jika terjadi kebakaran permukiman kebakaran kelas C maka pada malam hari dengan nilai support
sebesar 0.3170732 dan nilai confident sebesar 0.4642857
c. Jika terjadi kebakaran permukiman bangunan komersial rusak maka mengakibatkan kebakaran kelas C
dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.7142857
d. Jika terjadi kebakaran permukiman kategori kebakaran kelas C maka mengakibatkan bangunan
komersial rusak dengan nilai support sebesar 0.3658537 dan nilai confident sebesar 0.5357143.
7.
REFERENSI
Geospasial Badan Nasional Penanggulangan Bencana. 2015. Data bencana Kebakaran permukiman Keseluruhan.
http://geospasial.bnpb.go.id/pantauanbencana/data/datakbmukimall.php. Diakses pada tanggal 13 Januari
2016 pada pukul 13.00 WIB
Tanpa Nama. 2011. Pembagian Waktu. https://id.wikipedia.org/wiki/Pembagian_waktu. Diakses pada tanggal 13
Januari 2016 pada pukul 13.25 WIB
Astuti,
E
P.
Tanpa
Tahun.
Jenis-jenis
Bangunan.
http://staff.uny.ac.id/sites/default/files/pendidikan/Eni%20Puji%20Astuti,%20M.Sn./Jenis%20bangunan
%20o.PDF. Diakses pada tanggal 13 Januari 2016 pada pukul 13.30 WIB
Tanpa Nama. Tanpa Tahun. Klasifikasi Jenis Penyebab Kebakaran. http://www.alat-pemadamkebakaran.co.id/klasifikasi-jenis-penyebab-kebakaran/. Diakses pada tanggal 13 Januari 2016 pada pukul
13.50 WIB
Tanpa Nama. 2015. Hal-hal Yang Menjadi Penyebab Terjadinya Kebakaran Di Rumah.
http://bpbd.pemkomedan.go.id/berita-26-halhal-yang-menjadi-penyebab-terjadinya-kebakaran-dirumah.html. Diakses pada tanggal 13 Januari 2016 pada pukul 14.00 WIB
Tanpa Nama. Tanpa Tahun. Korsleting Listrik. http://www.pln.co.id/lampung/?p=3543. Diakses pada tanggal 13
Januari 2016 pada pukul 14.05 WIB
Nurtam, M. 2014. Proteksi Kebakaran Pada Permukiman. Jurnal Administrasi Kebakaran. (Online), Edisi ke 02.
(http://tamtamfire113.blogspot.co.id/2014/01/proteksi-kebakaran-pada-permukiman_30.html, . Diakses pada
tanggal 13 Januari 2016 pada pukul 14.15 WIB).
Setianingsih, Dewi. 2015. Penerapan Data Mining Dalam Analisis Kejadian Tanah Longsor Di Indonesia Dengan
Menggunakan Association Rule Algoritma Apriori. Makalah disajikan dalam Seminar Nasional
Matematika dan Pendidikan Matematika, Universitas Muhammadiyah Surakarta , Maret 2015.
Utari, P N. 2015. Penerapan Metode Association Rule Menggunakan Algoritma Apriori Untuk Analisa Pola Data
Kecelakaan Pesawat Dari Tahun 1967-2014 Di Indonesia. Makalah disajikan dalam Seminar Nasional
Matematika dan Pendidikan Matematika, Universitas Muhammadiyah Surakarta , Maret 2015.
Prasetyo,
Bowo.
2006.
Analisis
Perilaku
Pengunjung
Menggunakan
Data
Mining.
http://vokasi.uho.ac.id/statistika/assets/download/151212070630algortima%20apriori%20jurnal.pdf.
Diakses pada tanggal 24 Januari 2015 pada pukul 10.25 WIB
Dewantara, Heru dan Santosa, P B. 2013. Makalah Online: Perancangan Aplikasi Data Mining Dengan Algoritma
Apriori Untuk Frekuensi Analisis Keranjang Belanja Pada Data Transaksi Penjualan. (Online).
http://download.portalgaruda.org/article.php?article=191076&val=6474&title=PERANCANGAN%20AP
LIKASI%20DATA%20MINING%20DENGAN%20ALGORITMA%20APRIORI%20UNTUK%20FRE
KUENSI%20ANALISIS%20KERANJANG%20BELANJA%20PADA%20DATA%20TRANSAKSI%2
0PENJUALAN%20%20(Studi%20Kasus%20di%20Swalayan%20KPRI%20Universitas%20Brawijaya).
Diakses pada tanggal 13 Januari 2016 pukul 15:00 WIB.
Syaifullah, M A. 2010. Implementasi Data Mining Algoritma Apriori Pada Sistem Penjualan. (Online).
http://vokasi.uho.ac.id/statistika/assets/download/151212070630algortima%20apriori%20jurnal.pdf.
Diakses pada tanggal 13 Januari 2016 pukul 15:10 WIB.