Analisis Kejadian Kebakaran di Indonesia Menggunakan Metode Association Rule Algoritma Apriori

Kebakaran merupakan bencana yang dapat disebabkan oleh faktor manusia, faktor teknis maupun faktor alam yang tidak dapat diperkirakan kapan terjadinya. Bencana kebakaran akan selalu membawa dampak buruk dan kerugian serta dapat menjadi suatu ancaman bagi keselamatan manusia, harta benda maupun lingkungan. Oleh sebab itu, usaha pencegahan harus dilakukan oleh setiap individu dan unit kerja agar jumlah peristiwa kebakaran, penyebab kebakaran dan jumlah kecelakaan dapat dikurangi sekecil mungkin.

Dalam tulisan ini akan menggunakan data mining dengan metode association rule untuk mengolah data bencana kebakaran di Indonesia untuk mengetahui informasi apa saja yang sering muncul bersamaan pada kejadian bencana kebakaran. Beberapa masalah yang akan di bahas dalam tulisan ini adalah terkait :

Bagaimanakah penerapan metode association rule dengan algoritma apriori pada kasus kejadian kebakaran yang ada di Indonesia?
Bagaimana pola hubungan asosiatif pada data kejadian kebakaran di Indonesia?

Data yang digunakan adalah data kejadian bencana kebakaran gedung dan permukiman di Indonesia pada bulan mei tahun 2011 hingga bulan agustus tahun 2015 yang bersumber dari situs website Badan Nasional Penanggulangan Bencana (BNPB). Metode yang digunakan adalah association rule dengan algoritma apriori. Algoritma apriori akan 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.

Berikut tabel yang menjelaskan setiap kejadian bencana kebakaran beserta atribut-atribut yang menyertai atau muncul saat kejadian:

No	Kejadian	Atribut
1	Kebakaran 1	Juni; Siang; DKI Jakarta; > 10 KK terdampak; > 10 bangunan rusak; Korsleting
2	Kebakaran 2	Mei; Pagi; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
3	Kebakaran 3	Mei; Siang; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
4	Kebakaran 4	Mei; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
5	Kebakaran 5	Mei; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
6	Kebakaran 6	Mei; Malam; Jawa Timur; Nihil; < 5 bangunan rusak; Sumber api menjalar
7	Kebakaran 7	April; Malam; Jawa Tengah; Nihil; < 5 bangunan rusak; Korsleting
8	Kebakaran 8	April; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
9	Kebakaran 9	April; Pagi; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
10	Kebakaran 10	April; Pagi; DKI Jakarta; Nihil; < 5 bangunan rusak; Tabung gas meledak
11	Kebakaran 11	April; Siang; DKI Jakarta; Nihil; 5 - 10 bangunan rusak; Korsleting
12	Kebakaran 12	April; Sore; DKI Jakarta; Nihil; > 10 bangunan rusak; Korsleting
13	Kebakaran 13	April; Malam; Jawa Timur; Nihil; < 5 bangunan rusak; Korsleting
14	Kebakaran 14	April; Pagi; DKI Jakarta; Nihil; < 5 bangunan rusak; Tabung gas meledak
15	Kebakaran 15	April; Siang; Kalimantan Timur; < 5 KK terdampak; < 5 bangunan rusak; Dalam Identifikasi
16	Kebakaran 16	April; Malam; Kalimantan Timur; Nihil; < 5 bangunan rusak; Korsleting
17	Kebakaran 17	April; Pagi; Jawa Barat; < 5 KK terdampak; < 5 bangunan rusak; Korsleting
18	Kebakaran 18	April; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
19	Kebakaran 19	Maret; Sore; Nihil; < 5 bangunan rusak
20	Kebakaran 20	Maret; Sore; Banten; Nihil; < 5 bangunan rusak; Korsleting
21	Kebakaran 21	Maret; Pagi; Nihil; < 5 bangunan rusak
22	Kebakaran 22	Maret; Pagi; Nihil; < 5 bangunan rusak
23	Kebakaran 23	Maret; Pagi; Jawa Tengah; Nihil; < 5 bangunan rusak; Dalam Identifikasi
24	Kebakaran 24	Februari; Malam; Jawa Tengah; Nihil; < 5 bangunan rusak; Korsleting
25	Kebakaran 25	Januari; Malam; Jawa Timur; Nihil; Masih dalam Pendataan; Dalam Identifikasi
26	Kebakaran 26	Januari; Dini; Jawa Tengah; < 5 KK terdampak; < 5 bangunan rusak
27	Kebakaran 27	Januari; Siang; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
28	Kebakaran 28	Januari; Sore; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
29	Kebakaran 29	Januari; Sore; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
30	Kebakaran 30	Januari; Sore; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
31	Kebakaran 31	Januari; Siang; Jawa Tengah; < 5 KK terdampak; < 5 bangunan rusak
32	Kebakaran 32	Januari; Sore; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
33	Kebakaran 33	Januari; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
34	Kebakaran 34	Januari; Siang; Jawa Timur; < 5 KK terdampak; < 5 bangunan rusak
35	Kebakaran 35	Januari; Malam; Jawa Timur; Nihil; < 5 bangunan rusak; Dalam Identifikasi
36	Kebakaran 36	Januari; Dini; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
37	Kebakaran 37	Januari; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
38	Kebakaran 38	Januari; Dini; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
39	Kebakaran 39	Januari; Pagi; Jawa Tengah; Nihil; < 5 bangunan rusak; Dalam Identifikasi
40	Kebakaran 40	Januari; Pagi; Jawa Tengah; Nihil; < 5 bangunan rusak; Korsleting
41	Kebakaran 41	Januari; Pagi; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
42	Kebakaran 42	Januari; Malam; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting
43	Kebakaran 43	Januari; Dini; DKI Jakarta; Nihil; < 5 bangunan rusak; Korsleting

Pembahasan

Dalam analisis ini menggunakan software R 3.3.2 yang mana user menentukan sendiri nilai minimum support, minimum confidence, 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 confidence =0.1 ; dan dan main line =2. Berikut pembahasan output yang di dapat:

Summary Data

Summary data merupakan ringkasan yang menyangkut beberapa informasi mengenai data bencana kebakaran yang akan di analisis. Berikut hasil outputnya:

Dari output data di atas menunjukan bahwa dari kejadian kebakaran dengan no 1, 10, 11, 12, 13, dan 14 memiliki 6 buah atribut, sementara kejadian kebakaran yang lainnya memiliki memiliki total atribut sebanyak 222 buah. Informasi lain yang dapat diketahui yaitu atribut “< 5 bangunan rusak” muncul sebanyak 39 kali, korban jiwa “Nihil” muncul sebanyak 32 kali, “korsleting” muncul sebanyak 30 kali, “DKI Jakarta” muncul sebanyak 24 kali, “januari” muncul sebanyak 19 kali, “malam” muncul sebanyak 14 kali dari total kejadian kebakaran yang diamati yaitu sebanyak 43 kejadian.

Split Data

Split data merupakan pengelompokan atribut-atribut dalam satu kejadian. Software R 3.3.2 akan mengelompokan atribut-atribut kedalam satu kejadian yang sama. Berikut hasil output pada split data kejadian kebakaran no 1:

Dari output tersebut diketahui bahwa atribut-atribut yang masuk kejadian kebakaran no 1 yaitu juni, siang, DKI Jakarta, > 10 KK terdampak, dan > 10 bangunan rusak.

Analisis menggunakan Minimum Support 0.2, Minimum Confidence 0.2 dan Main Line 2

1) 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 = 0.2 maka yang ditampilkan nilai minimum support yang sama dengan atau lebih dari 0.2, nilai yang kurang dari 0.2 secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi dua itemset :

Output di atas merupakan kombinasi dua itemset yang merupakan hasil yang memenuhi syarat support 0.2 dari semua kombinasi semua jenis itemset. Berikut uraian perhitungan point 1 sehingga di dapat hasil seperti di atas:

Support (pagi ∩ < 5 bangunan rusak) = (jumlah kejadian mengandung pagi dan < 5 bangunan rusak)/ (total kejadian) 11/43 = 0,2558
Confidence P(pagi | < 5 bangunan rusak) = (total kejadian mengandung pagi dan < 5 bangunan rusak) / (total kejadian mengandung pagi) = 11/11 = 1

Dari perhitungan di atas diketahui bahwa meskipun nilai support besarnya sama namun nilai confidence tidak selalu sama. Hal ini terjadi karena nilai support menunjukan probabilitas muncul atribut A dan B secara bersama-sama dari seluruh kejadian sedangkan nilai confidence menunjukan kepastian atau kuatnya hubungan antar item dalam sebuah apriori.

2) Pola Kombinasi Tiga Itemset/ Atribut
Pada output ini masih menggunakan minimum support = 0.2 dengan tiga kombinasi itemsets maka yang ditampilkan nilai minimum support yang sama dengan atau lebih dari 0.2, nilai yang kurang dari 0.2 secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi tiga itemset itemset :

Output di atas merupakan kombinasi tiga itemset yang merupakan hasil yang memenuhi syarat support 0.2 dari semua kombinasi semua jenis itemset. Output diatas menjelaskan bahwa jika terjadi kebakaran akibat korsleting dan terjadi di malam hari, maka tidak ada korban jiwan (nihil) dengan nilai support sebesar 0,2825581 dan confidence sebesar 0,9090909 dan sebagainya.

Analisis menggunakan Minimum Support 0.5, Minimum Confidence 0.5 dan Main Line 2

Untuk melihat asosiasi kejadian kebakaran yang paling sering muncul secara bersamaan dengan nilai dukungan dan kepastian yang tinggi, maka di gunakan nilai minimum Support dan Confidence masing-masing sebesar 0,5 dan main line 2. Adapun hasilnya dapat dilihat pada output berikut :

Berdasarkan output pada gambar diatas, dapat diketahui bahwa kejadian yang paling sering muncul secara bersamaan pada kejadian kebakaran permukiman di Indonesia adalah jika tidak ada korban (nihil), maka kerusakan yang di akibatkan adalah < 5 bangunan rusak, dengan nilai support sebesar 0,6744186 dan confidence sebesar 0,9062500. Kemudian, jika terjadi kebakaran yang disebabkan oleh korsleting arus listrik, maka kerusakan yang ditimbulkan adalah < 5 bangunan rusak, dengan nilai support sebesar 0,6279070 dan nilai confidence sebesar 0,9.

Kesimpulan

Dari pembahasan di atas dapat diketahui bahwa penggunaan metode association rule dengan algoritma apriori dapat diaplikasikan dalam data kebencanaan. Pola hubungan assosiatif yang terjadi dari data kejadian kebakaran di Indonesia pada bulan januari hingga juni tahun 2015 dengan nilai support tertinggi didapat hasil jika tidak ada korban (nihil), maka kerusakan yang di akibatkan adalah < 5 bangunan rusak, dengan nilai support sebesar 0,6744186 dan confidence sebesar 0,9062500. Kemudian, jika terjadi kebakaran yang disebabkan oleh korsleting arus listrik, maka kerusakan yang ditimbulkan adalah < 5 bangunan rusak, dengan nilai support sebesar 0,6279070 dan nilai confidence sebesar 0,9.

Sekian

Semoga Bermanfaat