Association Rule 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 [email protected], [email protected] 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 [email protected], [email protected] 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) =

��ℎ ��

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 AB 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
19:45 WIB 113.799·81.257 Trminal Kalisat K.Kalisat Kab. Nihil Jmber flr
•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

I

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
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 K•bak.,ao P••mukimao

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
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 Bontanc·Sancan.a K. Tluk Pandan Kab.KutaiTimur Pr
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


03/03/2015

18:30 WIB

106 148


03/03/2015

05:00 W IB


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

23 Kebakaran

Nihil

10rane terbakar

-63.325 Kamp.lndihi anc Dsn.Natirjo Ds. Nihil Baros K.Warunc Gununa Kab. L bak flr
Nihil.

Rembane Prov.Jawa Tene11h


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
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
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


27/01/2015

18.26.00WIB

106.906 -619.821Pr
.....

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

-


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

-

Bangunan fasilitas pendidikan

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

-

Bangunan fasilitas kesehatan

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.

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: ��ℎ �� jakarta utara �� kebakaran Support (jakarta utara ∩ kebakaran kelas C) = kelas C ��

= 5 / 41 = 0.1219512 ��ℎ �� kebakaran kelas C �� jakarta Support (kebakaran kelas C ∩ jakarta utara) = utara ��

= 5 / 41 = 0.1219512 Support (jakarta timur ∩ bangunan komersial rusak) = ��ℎ �� 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 pemukiman“Malam” 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.

Association Rule Kebakaran Pemukiman

Recommend Documents