PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN

PERMUKIMAN DI INDONESIA DENGAN MENGGUNAKAN ASSOCIATION RULE

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

PENERAPAN DATA MINING DALAM ANALISIS KEJADIAN KEBAKARAN

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

1.

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

2.

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

LITERATUR

2.1. Penelitian Terdahulu

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

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

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

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:

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

mengandung A) x 100%

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

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

106.765
4 KbakaranPmuk iman

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

5 Kebakaran Permuk iman

04/05/2015

04/05/2015 19:30WIB

106.765

612.221 RT.003/03 JI.Vial Mas IIBlok KNo.

Nihil
125 Kl.Kapuk Muara K.
Pnjarincan Kota Jakarta Utara flr<W. DKIJakarta
612.221 Rt.003/Rw .01JI.Kapuk Muara
Nihil Ko!I.Kapuk Muara
Ke<.Penjarinean KotaJakarta Utara Prov. OKIJakarta

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

I' Kebakaran Permuk

iman

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

696.533 Rt 2/4 Os.Kapas Timur Rava Kel.

Gebane sariKec.Genuk Kota.
Semarane Prov.Jawa Tene ah

Nihil

- Tindak l anjut ol t:h Pol sek d11n

SatpolPflsetempat
Kronolocis :Apiberasal daritook

2 Unit BancunanRB

distributor bahan kbutuhan pokok

didalam took danmambat.
upava:Tica Unit Mobil pemadam
kbakaran dikahkanuntuk
ml akukanpemadaman.
1Uni t Rumah kososne.

Kronol oe is:Hubunean Arus

pendek listrik upava :5 Unit
mobilPMK dikerahkan.

04/05/2015

19:00WIB
8 K bakaran Prmukiman

27/04/2015

OO:OOWIB

106.815 -625.081Jl_ Bancka 8 KI.P la Mampanc K Nihil

Mampanc Kota Jakarta Selatan
ProvmsiDKI Jakarta

1umt took t bakar

106.697 -610.141Jl_ Kramat rava KlKamal Ke<

Nihil
Kalidrs Kota Ja karta Barat Prov
OKI Jakarta
106.862 -621.796 RT. 011/005 J_l S!llharjo No.168 K I
Nihil
Buk1t Duri K. T bet Kota Jakarta
Selatan Pr<W.DKIJakarta

1edune PT.PSB Blowr trbakar

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

106.897 -635.038 RT. 002/001J.l Raya Hankam Munjul Nihil

Blok A KHMunjul K. Cipayunc
Kota Jakarta Timur flr<W.DKIJakarta

112.225 755.326 Jl.Kapten Tendean Os.Seneon Kec. Nihil

Jombane Kab. Jombane Prov.Jawa
Timur

upaya :Pmadaman dilakukan

olhpetucas OAMKAR dan dlbantu
warca dncanmnu unakan 3 umt
mobil pemadam
10 Uni t Rumah Kontrakan trbakar
Kronol oeis : Apibrasal
dari Konslt ine listrik
upava Pmadaman dilakukan
olh
petueas DAMKAR dan dibantu warea
den an mn .li: Unakan8 uni t mobil
Kronolocis : Apiberasal dari

45 Kios t bakar

Konsltinc listrik upava :

Pmadaman dilakukan olh petucas
DAMKAR dan dibantu warca
dnaanmnu unakan 20 unit mobil
"" Kronol oeis : Ak ibat Konsl t:tine
listrik ""Upava :Pemadaman dilakukan
ol t:h petueas DAMKAR dan
dibantuware a denean
meneeunakan 2 uni t mobil
pemadam. ""Kondisi Mutakhir :Pada
pukui24:30WIB apiberhasil

1unit rumah terbakar

17/04/2015 04:00 WIB

106.811 -626 149 Kl. Gandari a K. Cial ndak Kota

Nihil
Jakarta Seal tan Provinsi DKIJakarta

1Unit rumah trbakar (RB)

15 Kebakaran Permukiman
ITA

14/04/2015 14.00 W

117.573 0.549955 Os.Tol! uk Linn a Ke<. Saneatta Utara 1KK/ 4 jiwa

meneunesi
Kab.Kutai Timur Prov.Kaltim

1rumahterbakar(RB)

16 Kbakaran Prmukiman
WITA

14/04/2015 22.30

17 Kebakaran Permukiman

13/04/2015 05:30 WIB

18 Kbakaran Prmukiman
WIB

12/04/2015 21:45

117.315 0 166118 Jl.Poros BontancSancan.a

K.
Tluk Pandan Kab.KutaiTimur
Pr<W. Kaltmi

108.58-2 -706.466 RT.07/03 Osn. Sinekup Os.

f111d11mulva Ke<.Maleber Kab.
Kuninean Prov.Jawa Barat

09/03/2015

15.00 WIB

107.005 -690.985 KpCipetir RT 06 RW 01Desa

Priane11n Java Ke<. Sukal
arane

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

106.928 -619.203 Jl.Pulo Buaran IV Blok H KH Nihil

Jatni q ara K.cakunc Kota Jakarta
Timur Pr<W.DKI Jakarta

19 Kebakaran Permukiman

23 Kebakaran

Nihil

10rane terbakar

-63.325 Kamp.lndihi anc Dsn.Natirjo Ds.

Nihil
Baros K.Warunc Gununa Kab.
L bak flr<W.Bant n
0 dikampune bojone R t 01Rw02 desa nihil
ci cadas kec.Sol ok
106.464 -686.686 Kampunc Bojonc RT 01RW 02 Oesa
Nihil
Cicadas Cisolok
111.31 -669.909 Os.Banyudono Kec.Kaliori
Kab.

Nihil.

Rembane Prov.Jawa Tene11h

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

111.064 761.225 Pasar Karancpandan Kab.

Karanaanyar Pr<W.Jawa Tncah

112.627 737.381 Prov.Jawa Timur Kab.Sidoarjo Kec. Nihil

Taman Os.Sidoroeo Trosobo PT. Sinar
Drama Kencana Trosobo Bl ok A
16
110.395 --699.312 Pr<W.Jawa Tncah Kota Semaranc

27 K bakaran Permukiman

27/01/2015

14.21W IB

K.Semaranc Barat Kl.Bonasari

Kumud smoro11 No. 20 Rt. 07 Rw 08
106.862 -6U.694 Prov.DKI Jakarta Kota Jakarta Utara
Kc- Tanjune Pri ok Kel.Sunt r
A&une J t J mbatan Sal am no.14

28 Kbakaran Prmukiman

27/01/2015

18.26.00WIB

106.906 -619.821Pr<W.DKI Jakarta Kota Jakarta Timur

.....

Nihil

Kronolocis : Arus pendk listrik

upaya : Pnancanan ohl 16 Unit
mobilDPK indak lanjut olh Pols k
dan Satpol PP stmpat
""Kronoloesi : Penyebab kebakaran
masih dalam penvelid ikan upava
Pemadaman dilakukan ol ehTRC
BPBD, PMK, Satpol PP, Polisi,PMI,
KOOIM, dan warea dene an
meneerahkan 4 unit mobildamkar
Oi salurkan bantuan berupa
sandan dan pan andandidirikan

1unit skolah (50001Tluk

Pandan) ruanc kl as 3 shinua
mncakibatkan aktifitas beal jar
tanuu

Kronolocsi :-Kbakaran trjadi

- 1Uni t rumahterbakar (RB)

""Kronoloei s: Ak ibat korslet ne listrik

di kamartene11h upava: Aparat dan
masvarakat bereotone - rovone
memadamkan api dene11n peralatan
seadanva
Kronolocsi :Korsltinc arus listrik
upaya:Pnancanan ohl 5 Unit
mobilDPK, Tindak lanjut olh Pols k
dan Satpol PP stmpat

1Unit Blowr di PT. NFood

karna arus pendk listrik upava :

Pmadamandilakukan ohl TRC mncajar
BPBD, PMK, Satpol PP, Polisi,PMI,
KOOMI , dan warca dncan
mncrahkan 4 unit mobildamkar
disaul rllan bantuanberupa sandanc
dan panaan dan didirikan 1unit

1rumah rusakberat

Ruane alat olahraaa trbakar I

Rusak Berat(RB)

Kronolocis :Karna hubuncan arus

pendk listrik upaya :BPBD
stmpat mlakukan pendataan

meneak ibatkan rusak berat2 uni

t rumah rusakberat,
2 Rumah Rusak Berat

1rumah dinas vane dihuni Bp. "" Kronol oe is : Oalam penvl!!lidikan

Andreas SriHandoko/40 th rusak pihak berw aij b upava :BPBO Kab
sedane
Rembane memadamkan api
bersama masvarakatd11n
ml!l! akukan assessmentkerusakan
1k ios (RB)

Kronolocis : Oi duca ak ibat

korsel tinc listrik upaya :BPBD
stmpat sudahml akukan

Masihdalam pend11ta11n

1KK/ 9 Jiwa trdampak

Kronol oeis :Masih dalam

pend11ta an Upava :5 Unit mobilPMK
sudllhdilokasi untukmelakukan
pemadaman dan pembasahan
1Unit rumah RS milik Maryoto/L/60

tho
Nihil

N1hil

1Unit rumah berlantai2 RB

1Umt cudanc asbes dan cat RB

K- Cawanc Kl.Rawa TratJl

Raya Bekasi Km.18

,_ ---- '--'--'--

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

----

Kronol oeis :Ak ibat korsltine arus

listrik Upava :10 Unit Mobil OPK kl
okasiuntuk ml akukan
pemadamandan pembasahan
Kronoloc1s:Ak1bat korslunc arus
listnk Upaya:28 Umt MobilOPK
klokasiuntuk ml akukan

---

'1 aman dan mbuahan

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

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 2

Pagi

Jakarta Timur

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 3

Siang

Jakarta Pusat

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 4

Malam

Jakarta Utara

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 5

Malam

Jakarta Utara

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 6

Malam

Jember

Bangunan komersial rusak

Penyelidikan

Kebakaran 7

Malam

Semarang

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 8

Malam

Jakarta Selatan

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 9

Pagi

Jakarta Barat

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 10

Pagi

Jakarta Selatan

Bangunan komersial rusak

Kebakaran kelas B

Kebakaran 11

Pagi

Jakarta Barat

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 12

Sore

Jakarta Timur

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 13

Malam

Jombang

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 14

Pagi

Jakarta Selatan

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 15

Siang

Kutai Timur

Mengungsi

Bangunan rumah tinggal rusak

Penyelidikan

Kebakaran 16

Malam

Kutai Timur

Bangunan fasilitas pendidikan

Kebakaran kelas C

Kebakaran 17

Pagi

Kuningan

Terdampak

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 18

Malam

Jakarta Timur

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 19

Sore

Sukabumi

Terbakar

Bangunan rumah tinggal rusak

Kebakaran 20

Malam

Lebak

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 21

Pagi

Sukabumi

Bangunan rumah tinggal rusak

Kebakaran 22

Pagi

Rembang

Bangunan rumah tinggal rusak

Penyelidikan

Kebakaran 23

Malam

Karanganyar

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 24

Malam

Sidoarjo

Bangunan komersial rusak

Penyelidikan

Kebakaran 25

Pagi

Semarang

Terdampak

Bangunan rumah tinggal rusak

Kebakaran 26

Sore

Jakarta Utara

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 27

Malam

Jakarta Timur

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 28

Malam

Jakarta Pusat

Bangunan fasilitas kesehatan

Kebakaran kelas C

Kebakaran 29

Siang

Semarang

Terdampak

Bangunan rumah tinggal rusak

Kebakaran 30

Sore

Jakarta Utara

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 31

Malam

Jakarta Timur

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 32

Siang

Situbondo

Terdampak

Bangunan rumah tinggal rusak

Kebakaran 33

Malam

Surabaya

Bangunan rumah tinggal rusak

Penyelidikan

Kebakaran 34

Pagi

Jakarta Pusat

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 35

Malam

Jakarta Selatan

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 36

Pagi

Jakarta Timur

Bangunan komersial rusak

Kebakaran kelas C

Kebakaran 37

Pagi

Cilacap

Bangunan rumah tinggal rusak

Penyelidikan

Kebakaran 38

Pagi

Semarang

Bangunan rumah tinggal rusak

Penyelidikan

Kebakaran 39

Pagi

Jakarta Barat

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 40

Pagi

Jakarta Utara

Bangunan rumah tinggal rusak

Kebakaran kelas C

Kebakaran 41

Pagi

Jakarta Selatan

Bangunan rumah tinggal rusak

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.

PEMBAHASAN DAN DISKUSI

Dalam analisis ini menggunakan software R yang mana user menentukan sendiri nilai minimum support,
minimum confident, dan main line. Nilai yang akan tampil adalah nilai yang besarnya sama dengan atau lebih
besar dari minimum support yang telah ditentukan. Pengujian yang pertama dilakukan yaitu dengan menentukan
minimum support= 0.1 ; minimum confident =0.1 ; dan dan main line =2. Berikut syntax yang digunakan:
library(arules)
data <-read.delim("clipboard")
summary(data)
splitdata <- split(data$atribut,data$kejadian)
splitdata
aturan <- as(splitdata,"transactions")
as(aturan,"matrix")
aturan.ap<-apriori(aturan, parameter=list(supp=0.1, conf=0.1, minlen=2))
inspect(aturan.ap)
dari syntax di atas didapat output sebagai berikut:
1. Summary Data
Summary data merupakan ringkasan yang menyangkut beberapa informasi mengenai data kebakaran
permukiman yang akan di analisis. Berikut hasil outputnya:

Gambar 5.1. Output summary data kebakaran permukiman

dari output di atas menunjukan bahwa dari kejadian kebakaran permukiman dengan no 1, 15, dan 17 masingmasing memiliki atribut sebanyak 5 buah dan kejadian kebakaran permukiman dengan no 10,11, dan 12
masing-masing memiliki atribut sebanyak 4 buah dan kejadian kebakaran permukiman yang lainnya memiliki
atribut kurang dari 4 dengan total atribut sebanyak 139 buah. Informasi lain yang dapat diketahui yaitu atribut
Kebakaran Kelas C muncul sebanyak 28 kali, Bangunan komersial rusak muncul sebanyak 21 kali, Bangunan
rumah tinggal rusak muncul sebanyak 19 kali, Malam muncul sebanyak 16 kali, Pagi muncul sebanyak 16
kali, Penyelidikan muncul sebanyak 7 kali dan atribut yang lainnya yang muncul kurang dari 7 dengan total
sebanyan 59 buah dari total kejadian kebakaran permukiman yang diamati yaitu sebanyak 41 kejadian.
2. Split Data
Split data merupakan pengelompokan atribut-atribut dalam satu kejadian. Software akan mengelompokan
atribut-atribut kedalam satu kejadian yang sama. Berikut hasil output pada split data kejadian kebakaran
permukiman no 1:

Gambar 5.2. Output split data bencana kebakaran permukiman.

Dari output tersebut diketahui bahwa atribut-atribut yang masuk kejadian kebakaran permukiman no 1 yaitu
Siang, Jakarta barat, Mengungsi, Bangunan rumah tinggal rusak, dan Kebakaran kelas C.
3. Aturan Matriks
Aturan Matriks digunakan untuk menampilkan atribut yang menyertai kejadian dan yang tidak menyertai
kejadian dengan inisiasi logika FALSE dan TRUE.

Gambar 5.3. Output matriks data bencana kebakaran permukiman.

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

P(jakarta utara | kebakaran kelas C) =

= 5 / 41 = 0.1219512

Total kejadian mengandung jakarta utara dan kebakaran

total kejadian mengandung jakarta utara

=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

Confidence P(jakarta timur | bangunan komersial rusak) =

Total kejadian mengandung jakarta timur dan bangunan komersial rusak

=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:

Tabel 5.1. Tabel Final Association Rule

No
1
2
3
4

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.