Prosiding Seminar PPM

SPATIO-TEMPORAL DATA MINING PADA DATA HOTSPOT SEBAGAI INDIKATOR KEBAKARAN HUTAN DAN LAHAN GAMBUT DI PROVINSI RIAU

(Spatio-temporal Data Mining on Hotspot Data as Indicator for Forest and Peatland Fires in Riau Province)

Imas Sukaesih Sitanggang, Lailan Syaufina, Hari Agung Adrianto, Rina Trismingsih, Husnul Khotimah, Annisa Puspa Kirana, Nida Zakiya Nurulhaq

Download : Full PDF

ABSTRAK

Hotspot atau titik panas masih menjadi indikator kejadian kebakaran hutan dan lahan yang penting di Indonesia. Hal ini disebabkan akurasi dari hotspot dan aksesibilitas informasi hotspot yang memadai. Dalam penelitian ini, pendekatan ‘spatial-temporal data mining’ dilakukan untuk menentukan potensi kemunculan hotspot, khususnya di lahan gambut di Provinsi Riau. Analisis hotspot di lahan gambut dengan menerapkan spatio temporal clustering telah menunjukkan bahwa kemunculan hotspot erat kaitannya dengan karakteristik lahan gambut. Hasil penelitian menunjukkan bahwa cluster titik panas paling banyak terjadi pada Provinsi Riau dan Sumatera Selatan. Sebaran cluster titik panas di Sumatera berdasarkan jenis lahan gambut yaitu pada tahun 2001?2006 di dominasi oleh “Hemists/Saprists (60/40) sedang” sedangkan pada tahun 2007?2014 didominasi oleh “Hemists/Saprists (60/40) sangat dalam” dan “Hemists/Saprists (60/40) sedang”. Berdasarkan ketebalan lahan gambut pada tahun 2007?2014 sebaran cluster titik panas di Sumatera di dominasi oleh “Sedang: 100?200 cm (D2)” sedangkan, pada tahun 2007?2014 didominasi oleh “Sedang: 100?200 cm (D2)” dan “Sangat Dalam/Sangat Tebal: >400cm (D4)”. Berdasarkan jenis tutupan lahan, secara umum sebaran cluster titik panas lahan gambut tahun di Sumatera pada tahun 2001–2014 didominasi oleh “hutan rawa”. Di samping pola kemunculan hotspot di lahan gambut, pola urutan kemunculan hotspot menjadi salah satu aspek penting untuk mengindetifikasi hotspot yang berpotensi menjadi kebakaran hutan dan lahan. Sequential pattern mining telah menemukan pola urutan kejadian hotspot. Salah satu pola sekuensial hotspot yang menarik tahun 2013 pada minimum support 7% menunjukkan kemunculan hotspot pada 19 Juni 2013 yang diikuti kemunculan pada 21 Juni 2013. Pola kemunculan hotspot tersebut terjadi sebanyak 453 kejadian di 40 kecamatan di Provinsi Riau, diantaranya Mandau, Rupat, Siak Kecil, Bukit Batu, dan Pinggir. Informasi yang dihasilkan dari penelitian ini dapat digunakan untuk pencegahan, sehingga kejadian dan dampak kebakaran hutan dan lahan di masa datang dapat diminimalisir.

Kata kunci: hotspot, peatland, sequential pattern mining, spatio temporal clustering, spatio-temporal data mining


Hotspot has been still an important indicator for forest and land fires occurrences because of its accuracy and accessibility. This research applied spatio-temporal data mining approach to determine fire prone area in Indonesia, especially on peatland in Sumatera. Hotspot analysis based on spatio-temporal clustering shows patterns of hotspot distribution in Sumatera. Provinces with the highest hotspot cluster are located in Riau and South Sumatera. The distribution clusters of hotspot in the period of 2001?2006 are dominated by ’Hemic/Sapric (60/40), moderate’, whereas in the period of 2007?2014, the clusters are dominated by ’Hemic/Sapric (60/40), very deep’ and ’Hemic/mineral (90/10), moderate’. But, in the period 2007-2014 the intensity of hotspot increased on the type of ’Hemic/Sapric (60/40), very deep’ and ’Sapric/Hemic (60/40), deep’. Therefore, in term of the peatland thickness, there a shift in the distribution of hotspots and the use of peat from the ’moderate’ depth to ’very deep’ and ’deep’ in periods 2001 to 2014. Based on the physical characteristics of peat, hotspot cluster many found in a kind of peat with the type level of maturity ’hemic’ and ’swamp forest’ land use. In addition to hotspot occurrence pattern in peatlands, sequential pattern mining is important to identify high potential hotspots. For example, with minimum support of 7% we know that hotspots that occurred on June 19, 2013, were followed by those on June 21, 2013. This pattern appears in 453 events in 40 subdistricts in Riau Province, including Mandau, Rupat, Siak Kecil, Bukit Batu, and Pinggir. The results are important in preventing peatland fires so that fire events and its effects can be minimized in the future.

keywords: hotspot, peatland, sequential pattern mining, spatio-temporal clustering, spatio-temporal data mining.


BACK

Download  Full Prosiding Seminar PPM

Close
Bahasa