TELKOM NIKA , Vol. 13, No. 4, Dece mb er 201 5, pp. 1376 ~1 383   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v13i4.2272    1376      Re cei v ed  Jul y  3, 2015; Re vised Septem ber  18, 20 15;  Accept ed O c tober 2, 201 5   Poisson Clustering Process o n  Hotspot in Peatland  Area in Sumatera      Annisa Pus p a Kirana *1 , Imas Sukaesi h Sitanggan g 2 , Lailan Sy aufina 3   1,2 Department of Computer S c ienc e,  F a cult y of Natural Sci ence a nd Math ematics, Bogor  Agricultur al  Univers i t y , Ind ones ia   3 Departme n t of Silvicult u re, F a cult y of F o res t r y , Bogor Agr i cultura l  Univ er sit y , Indo nesi a   *Corres p o ndi n g  author, em ail :  puspakir an a @ ap ps.ipb.ac.i d 1 , imas.sitang gan g@i pb.ac.i d 2 ,  lail ans@ i p b .ac.id 3       A b st r a ct   T he incre a se i n  pe atlan d  fire ’s intensity h a s  enco u rag ed  pe opl e to dev elo p  meth ods of pr eventi n g   wi l d fi re . On e of th e  p r e v en ti on   m e tho d s  i s  re co gn i z ing  the  distri butio n  pa ttern of  hotspo t  as o n e  of for e s t   and l a n d  fire i ndic a tors. W e  coul d deter min e  the ar ea tha t  has hig h  fire s density b a se d on d i strib u ti o n   patterns so  a n y early  prev e n tion ste p s co uld  be p e rf or me d in th at a r ea. T h is rese arch pr opos ed  to  recog n i z e  th e  distrib u tion  pat tern of hotsp ot  clusters  in t h e  peatl and  are a s  in Su matera  in the y ear 2 0 14  usin g Kul l d o rff’ s Sc an Statis tics (KSS) me thod w i th  Poi sson  mo del.  This ap proac h  w a s specific all y   desi gne d to  d e t ect clusters  an d ass e ss th eir   signific anc e v i a Mo nte  Carl o  replic at io n. R e sults sh ow ed t hat  the  meth od  is r e lia bl e to  dete c t the clusters   of hot sp ots w h i c h hav e th e ac curacy of  95%.  Ria u a nd S out h  Sumatera  prov ince  hav e the  hig hest d ensity  of cluste r  distr i buti ons  of the  hotspot. Bas e d  on th e  maturit y   level  of  pe at, cl uster d i stributi o ns of  hotsp ot w e re  most l y  foun d   i n   ‘ hem i c ’   ma tu ri ty le ve l .  Ba se d on  pe a t lan d   thickness, clust e r distrib u tion  of hotspot  w a s mostly fo und i n  ‘ v ery d e e p ’  thi ckness.      Ke y w ords : clu s tering, hotsp o t, peatlan d , Po i sson proc ess, scan statistics      Copy right  ©  2015 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Indone sia  faces  a  se riou s  probl em  of fo rest  an d lan d  fire  every ye ar. Th at ki nd  of fire   prod uces  ma ssive  smo g  a nd carb on p o llutions  whi c h  lead to the  decrea s e  of health a nd th e  environ menta l  damage [1]. There a r e two kin d s of fa ctors which trigge r the occurre n ce of that   fire: huma n  f a ctors  and  n a tural fa ctors. Based  on  t he data  [2], in mo st of th e fire s cases are  cau s e d  by human facto r s, where a s a  small fracti o n  of the cases is cau s ed  by the natural   factors. Co nsi derin g the b a d  impa ct on f o re st and l a n d  fire an d its  variou s trig ge ring fa ctors, it is  very import a n t  to develop  an ea rly wa rning  system  t o  prevent forest an d lan d   fire. Ho weve r, in   orde r to  deve l op the  syste m , we first n eed to  re cog n ize th e di stri bution p a ttern of hot spot s as  one of fo re st  and la nd fire  indicators. By re cog n izi ng t hat pattern,  we a b le  dete c t the a r ea  th a t   has hi gh fire s den sity so  any ear ly pre v ention step s can be p e rf orme d in tha t  area. Severa l  studie s   have  been  cond u c ted  on d e velopin g  an   e a rly warni n g  system  for  fire p r eventio n.  Sitanggan g e t  al (201 4) in  [3] ap plieda   spatial   de ci si on tree  algo ri thm on  spati a l data  of fo rest  fires for predi cting  hotspot s o c cu rre nce s . Hotsp o t o c curre n ce a s   an in dicator o f  fore st an d l and  fires is  essent ial in developi ng an ea rly  warnin g syste m  for fire pre v ention.  This work used clu s teri ng  method to reco gni ze the  distributio n pattern of the hotspot   occurre n ce. Clu s terin g  i s   a process of  grou ping   dat a int o   cla s s e s o r  cl ust e r s ,  su ch t h at  ob ject s   within  a  clu s ter  ha s hi gh  simila rity in  compa r ison to  one  an othe r, but a r e ve ry dissimila r t o   obje c ts in  ot her  clu s te rs [ 4 ].  The r e a r e several  po pular metho d s  p r op osed  b y  resea r chers to  perfo rm  such  hotsp ot pattern  re cog n ition, incl udi n g  hiera r chy, p a rtition, mod e l ba sed, d e n sity,  and  grid  ba se d cl uste ring  [5]. In [6], Sitangga ng  et al  develop ed a   web  ba se d O L AP appli c ati o n   for hot spot  clusteri ng in  Indon esi a  u s i ng the K-me ans  algo rith m. The K-m ean s alg o rith m is  partition  ba sed  clu s terin g  method.  Usman [7]  appl ied h o tsp o t clusteri ng i n   Sumatera  in  the  perio d of 2 0 0 2  and  201 3 b a se d on  the d ensity ap proa chu s in g Den s ity-Based S p atial Clu s te rin g .  Sitanggan g [8] developed  hotspot pred iction mod e ls  using de ci si on tree alg o ri thms.All of these   previou s ly d e scrib ed  wo rks only p r o c ess the  sp atial dom ain i n formatio n o f  hotsp ot da ta,  whe r ea s tho s e kind of data  may also co ntain the ti me domain information. Therefore, it could  be   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  137 6 – 1383   1377 benefi c ial to  develop  a me thod that ta kes into  both   spatial an d te mporal do mai n  inform ation  on   hotsp ot  cl ust e ring.In  thi s  rese arch, we apply st atisti cal  app roa c h  to re co gni ze  the di strib u tion  pattern of hots pot in both s patial and tempor al domain us ing Kulldorff’s  Scan  Statis tic  (KSS)  method with  Poisson mo d e l [9]. The basi c  idea i s  that there is  scan ning  wind ows that moves  across spa c e  and/or time. For each location and si ze of the wind ow, the num ber of ob serv ed  and  expe cte d  cases is n o ted. Every  circula r   scan ning  a  windo w  will find t h e likelihoo d  ratio   usin g Poi s so n mod e l. Th en evalu a tion  of the  st atistical  significa nce  of the  cl uster calculat ed  usin g Monte  Carl o sim u lat i on. The regi on with t he  h i ghe st value  of likeliho od ratio is the a r ea  that has the  most potent ial clu s ters. There are  several relate d re sea r che s  about dete c ting   clu s ters of  spatial a nd te mporal dim e nsio n d a ta,  e s pe cially in  the forest ry field. Fo r exa m ple   Devis et  al (2 008)  in  [10] a pplied scan   statisti c meth o d  to ide n tify and a nalysed  spatiote mpo r al  clu s ters in 19 97–2 003 fire  seq uen ce s of  Tuscany re gi on.  The pu rpo s e  of this re sea r ch is to  re co gnize  the di stribution  patte rn of hot spot  clu s ters  in peatland  areas in Su matera in the year 2 014 using KSS method with  Poisson models.  We  analysed th e re cog n ize d  distri butio n pattern  o f  hotspot  cl usters b a se d on p h ysi c al  cha r a c teri stics of peatla nd . The physi cal cha r a c teri stic of peatlan d  that we u s e is the matu rity  level of peat , thickne s s o f  peat, and land u s e of  peat. Peatla nd in Sumat e ra  categ o ri sed   according  to t he level  of m a turity consi s t  of thr ee  kin d s  the r e  are fi bric,  hemi c , a nd  sap r ic.  Fib r ic  is the early  stage of pea t decomp o siti on wh ere  re cog n izable pl ant fires do minate. Hemi c is  interme d iate  stage  of p e a t de comp osition, betwee n  fibri c  a n d  sa pri c . Th e n , sa pri c  i s   the  advan ced  sta ges of p eat  d e com p o s ition  into o r g ani c-matter rich  ’e arth’ without  visible  fires  [ 11].  The matu rity level of peat and thickne s s i ndi ca ted in the categ o ry of peat. Suppo se,   ’Hemi c /Sapri c  (60/4 0 ), very deep’ mea n s that Hemi c/Sapri c  is th e maturity level of peat. Va lue  (60/40 )  sh ows the  a r ea  covering  60  p e rcent  of  he mic  and  40   percent  of  sa pric.  ’Very  d eep’   mean s that in the catego ry of  the thickn ess of peat with a  depth 400-8 00 cm. T he thickne s s of  peat can b e  grou ped  to: 1) Ve ry sh a llow thi c kne s s (D0 )  (havi ng a thi c kne ss  <5 0 cm)  with   maturity level  Hemi c/Sap r i c , Hemic/Mi n e ral s  a nd Sa pric/ H emi c , 2 )  Shallo w thi c kne s s (D1 )   (50- 100  cm  with  maturity lev e l Fib r ic/Sap ric,  Hemi c/S apri c , Hemi c/mineral, Sa pric/ H emi c   a nd  Sapri c /Mine r al, 3) Mode rate thickne s s (D2)  (10 0 -200 cm) wit h  maturity level of peat are  Hemi c/Sapri c , Hemic/Mi ne ral, Sapri c , S apri c /He m ic  and Sap r ic/M ineral, 4 )  Dee p  thickne s s (D3)  (200 -4 00  cm  with matu rity level of peat are  He mi c/Sapric, Sap r ic an d Sapri c /Hemic, 5 )  V e ry  Dee p  thickn ess (D4 )  (4 00-8 00  cm) with matu ri ty level of peat are Hemic/Sap r ic  an d   Sapri c /Hemi c  [11]. The ki nd ofland  uses d e tecte d  in peatlan d  a r ea in Sumat e ra  con s i s t o f  25  types [11].   The be nefits  of this re se arch a r e a s  e a rly  warni ng  system an d ea rly detection  o f  forest   and l and fi re,  espe cially in  the p eatland  are a  in   Sum a teraby  providing illu strations of  clu s tering   pattern  of h o tspot  ba sed  on  the  sp atial an d tem p oral  a s pe ct.  We vi suali s e d  the  re sult   of  clu s terin g  pat tern by devel oping p r o ne  area  map.  Th e rem a inde r  of this pap er  is organi ze d as  follows. In section 2, we  describ e the methodol o g y and algo rithm used in  this re sea r ch. In  se ction 3, we  discuss the  analysi s  of th e re su lts o b ta ined from  ap plying these  methodol ogie s  in   the given dat aset s. Finally, we co ncl ude  this pap er in  se ction 4.       2. Rese arch  Metho d     2.1. Stud y  Area and For e s t Fires  Data   This  work cl u s ters hot spot  dataset on  p eatland a r ea  in Sumatera in the year 2 014 by  con s id erin g b o th sp atial an d tempo r al d o main. Total  peatlan d  in In done sia i s  ab out 20.6 milli on  hecta re s  whi c h 3 5 % of p eatland  are l o cate d in Su matera  [11]. Data sets that  we  use in t h is  resea r ch i s  h o tspot  data,  esp e ci ally in  the pe at land   area  in  Sum a tera  Isla nd i n  the ye ar 20 14.   Hotspot data are obtained from  FIRMS MODIS Fire/Hotspot, N ASA/Univers i ty of Maryland.  Peatland  dist ribution  data   obtaine d fro m  Wetland  In ternation a l. S patial d o main  of hot spot  d a ta  refers to  the l o catio n  of  hot spot fire from  longi tu de a n d  latitude  fiel ds.  While, te mporal refers to   the occurre n ce time of fire from date field s .  Once the  dat a are gath e re d, we first pe rform  pre - p r o c e ssi ng d a ta  whi c h  con s i s t of two   kind  data the r e are  hotspot  and pe atland  data.  Hot s po t data pre p ro ce ssi ng  can  be de com p o s ed  into four  step s. The  first  st ep of p r ep ro cessing  hotsp ot data i s  sel e cting i m po rtant attribute s  for  the cl uste rin g  process; the r e a r e  l a titude,  longitu de  co ordin a te  of th e hot spot  an d   date  of  hotspot  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Poisson Cl ust e ring Process on Hots pot in Peatland Area in Sum a tera   (Anni sa Pu spa Kirana )  1378 occurre n ce. The  se cond  step of prepro c e ssi ng d a ta  is sele cting of  hotsp ots in t he no n-p eatl and  area  and h o t spot in the  peatland  area. The thir d step of p r epro c e s sing  is selectin g  the  distrib u tion l o cation  of the   hotsp ot in  ea ch  distri ct o r   city. The final  step  is loadi ng info rmatio n  into the  data base. Pre p ro ce ssi ng  of p eatland  dat ai s  cal c ulate  the a r eal  pe r  kilomet r e  sq u a re   based  on th e  physi cal  cha r acte ri stic i n formatio n of   p eat, incl udin g  the m a turity  level of p eat,the  thickne ss of p eat, and land  use of pe at.    2.2. Kulldorf’ s Scan Sta t istic Me thod   S c an  st at ist i c ca n det e c t  incr ea ses  o f  case s  in th e local tem p oral an d (o r) spatial  dimen s ion s ,  examine  whe t her this i n cre a se i s  d ue to  rand om vari a t ion and  dete c t the existe n c e  of clustering in a  cert ain region  as well  as the preci s e posi tion the cluster [12].  KSS method  is  the extens ion of  s c an  s t atis tic .  KSS  us es  larg e collec t ions  of overlapping s c an windows   to   detect cl uste rs, both the l o catio n  and t he si ze, an d  evaluate the i r sig n ifican ce [9]. Scanni ng   wind ows are colle ction s  in the ar ea that potentially co ntains g r ou ps  of hotspots  on it. Basicall y,  scan statisti cs works  by compa r ing a set  of  event s  occurrin g in si de a  scan nin g  wi ndo w  with   those that lie outside. KSS employs a large  coll ec ti on of ci rcular scanning wi ndows to detect   clu s ters, as ill ustrate d  in Fi gure  1.  G  is t he wh ole a r e a  of study,  Z  is a ci rcula r  scan ning  wind ow,   µ( Z )   is  the   to tal population  which i s  located in a circular sca nning  windo w,  µ( G )  is all the total  popul ation which a r e in t he area of st udy,  n z  is th e numb e r of  ca se s in a  circula r  sca n n ing   wind ow  Z ,  n G  is th e n u mb e r  of  ca se s i n  t he  study a r ea  of  G ,  p  i s  the  avera ge  rate  of o c curren ce  event in a  ci rcula r   scanni n g  a  wind ow a nd  q  i s  th e ra te of the eve n t outsi de a  circul ar scan ni ng  wind ow [13].         Figure 1. Study area and circul ar  window illustration i n  KSS method [13]      In this res e arc h ,  we  use the KSS method wi th a Poiss o n model to determine the value  of the poss ibility s c a nning  window ratio  (lik eli hood  rat i o) [9]. KSS  with a Pois son model  used to   comp are the  numbe r of  ca se o c curre n ces in  and  o u t  sca nnin g  wi ndo w. It use d  to se arch f o r  clu s ters of hotspot in this rese arch a n d  fo llowing th e pro c e ss in homog ene ou s Poisson. Unde r  the null hypot hesi s  of spati a l and tem p o r al rando mne ss, the s e  events are di strib u ted a c cordi n g  to a kno w n  discrete -state  ran dom  pro c e ss  (Poi sso n  or B e rn oull i ), whi c h  pa rameters  can  be  estimated. Gi ven this assu mption,  it is possible to test whether  o r  not the null hypothesi s  hol ds  in a s p ec ific  area [9].  Equation  1 i s  used to   cal c ulate  the fu nction   of the  ratio  of the   possibility for ea ch  a   circula r  scan ning win d o w   Z  with Poisson model. Th e  n z  is  the numbe r of cases in the circula r   scanni ng win dow  Z ,  e z  is  the expe cte d  ca se s in  the ci rcula r  scan ning  win d o w  Z ,  n G  i s   the  numbe r of ca se s in the stu d y area of  G  [15].    λ Z   n Z e Z n Z . n G -n Z n G -e Z n G -n Z , if  n Z >e Z   (1)   1, otherwise     The  e Z   ca n  be  calculated  usin g Equ a t i on 2 i n   which the  µ ( Z )  i s  total p opul ation in   scanni ng win dow  Z ,  n G  is the total  num b e r  of cases in  study  area  G ,  µ ( G )  is the  total num ber  of  popul ations i n  study are a   G  [15].    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  137 6 – 1383   1379 e Z μ Z n G μ G   (2)   The m o st li ke ly clu s ter i s   calcul ated fo r  each  simulat ed d a taset in  exactly the  same  way  as  the real d a ta.Statistical   signifi can c e is  ev alu a ted  usin g Monte  Carl o hypoth e si s testin g [9].  Monte Carlo  simulatio n  wa s pe rform ed  with at leas t 9 99 re plicatio n s  und er the n u ll hypothe sis. If  the cl uste r of  intere st  cont ains mo re th an 9 5 % of t he repli c atio ns, the  cl ust e r i s   said  to  be  signifi cant at  the 95 % l e vel [9]. In the  impleme n tation of thi s  research,  we uti lized  clu s te ri ng   packa ge s  of data  in R sta t istical  to ols, and  Po stg r e  SQL for data base ma nag ement. We u s e   ‘spatial epi’ R  packa ge dev elope d by [14] to cluster d a t aset.      3. Results a nd Discu ssi on    3.1. Distribu tion of Ho tsp o t in the Pea t land Ar ea in  Sumatra in the Year 201 4   The n u mb er  of hotspots i n  the ye ar  2 014  am ou nte d  to 3 9  4 07  hotsp ots.  Wh ile in th e  peatlan d  are a  amou nted to 26 19 3 hot spot s. The n u mbe r  of hot spot s is  scattered i n  an a r ea of  peatlan d  in the year  201 4  in Sumatra  can  be  seen  in Figu re 2.T he hig hest d ensity of hot spot   based on th e  maturity level of peat in Sumatera in  th e year 20 14 l o cate d in the  maturity level of  ’Hemi c /Sapri c  (60/4 0 ), ve ry deep’  with  average d e n sity value 7 . 913/km 2 . Th e highe st de nsity  based on the  thickn ess of  peatland in  Sumatera  fro m  2001 to 2 014 domi nat ed by very deep   thickne ss  whi c h rea c he d 4 . 016/km 2 . La nd u s e that d e tected i n  th e peatla nd a r ea in Sum a te ra  there a r e 2 5  types. The hi ghe st den sity base d  on th e land u s e of  peatland in  Sumatera i n  the   perio d of 201 4 dominate d  by swam p forest whi c h rea c he d 1.425/ km 2 .          Figure 2. Nu mber of hot sp ot non-p eatla nd are a s in S u matera in the year 201 4       3.2. Cluste r Distribu tion s of Ho tspo t  in Sumatera  in the Year 2 014   Hotspot sp re ad in 39 districts in Sum a tera  with to tal area s of peatlan d  dist ribution  rea c he d 77  8 32 km 2 . Lo cat i ons  whi c h h a v e the most d i stribut io n of  hotsp ot duri n g the year  20 14   are Ri au province (Ro k a n  Hilir: 5 793 h o tspot s,  Beng kali s: 5 343 h o tspot s, Siak: 3 010 hotsp o t s,  Indragi ri Hili r:  1 910 h o tsp o ts, Dum a i: 1 295  h o tsp o ts an d Pela lawa n: 671 h o tspot s), Sou t h   Sumatra province  (Ogan  Komeri ng Ilir:  4 463  hotspots). Cluste ring hotspots with  KSS method in  peatlan d  are a  in Sumatera can dete c t whe r e the  o c curre n ce of cluster h o tsp o ts, whe n  clu s te r  hotsp ot hel d, and  the  geo grap hical  size of  clu s ter  hotsp ots. KS S clu s ters  an d mea s u r e  their  signifi can c e v i a Monte Carl o repli c ation.  Re sults  sho w ed that the method is  relia ble to detect t he  clu s ters of ho tspots  whi c h  have the accura cy of 95%.  Table 1  sh ows the  clu s ter  distrib u tion s i n  the  pe atlan d  are a  in Su matera th at h e ld inthe   year 2 014.In  the year 20 1 4  con s ist s  of  4 cl us te rs. A s  sh ows in  Ta ble 1  mo st likely clu s ter ( P ) in   Dumai,  B eng kali s,  an d  Ro kan  Hili r di st r i ct  in  Ria u  p r ovince.  The  radiu s  of  mo st likely  clu s te r is  defined  94.1 3  km. Th e cl uster is  re sul t ed from  sc a nning  a wi nd ow that it is  centred o n  t he  latitude a nd l ongitud e   coo r dinate s   (1 01 .58391 1, 1.5 7505 1). T he  se con dary  cl uster I (S 1) i s  i n   Ogan Kom e ri ng Ilir in Sou t h Sumatera  provin ce. Cl u s ter  cent re of  se cond ary cl uster II (S2 )  i s   Padang di stri ct in We st Sumatera p r ovin ce. A loca tio n  which ha s the most  di strib u tion of hotsp ot   is Siak di stri ct in Riau p r ov ince. As  sho w s in ta ble 1  the radi us of  se con dary  cl uster II is d e fined  432.16  km. T he secondary  cluster III  (S3) is i n  Siak,  Bengkalis,  I ndragiri Hilir, Pelalawan  and   Karimun  in  Riau p r ovin ce.  The  radiu s   of mo st likely clu s te r i s  d e f ined 9 4 .13  km. The  cl ust e r  409 7222 9066 228 247 1192 1464 406 2353 2541 1036 29 0 2000 4000 6000 8000 10000 Hotspot Month Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Poisson Cl ust e ring Process on Hots pot in Peatland Area in Sum a tera   (Anni sa Pu spa Kirana )  1380 resulting fro m  scanni ng  a win dow centr ed o n  the latitud e  and l ongi tude coordin a tes  (103.4 717 61,  0.7250 88). T he p - value fo r this  clu s ter is 0.00 000 001  that wa s obt ained  usi ng t h e   999 Monte  Carlo si mulatio n s.       Table 1. The  clu s ter di strib u tions in p eat land area in  Sumatera in t he years 201 4  Cluster District   Province  Longitude   Latitude  Radius (km)   Likelihood Ratio  P  Dumai Riau  101.583911   1.575051   94.13  5  139.63   Bengkalis Riau  102.295207   1.178453   Rokan Hilir  Riau  100.736996   1.54702   S1  Ogan Kome ring I lir  South Sumater a     105.591389   -3.115678   0  730.02   S2  Padang  West  Sumatera    100.383694   -0.940575   279.21  432.16   Padang Pariama n   West Sumatera    100.297522   -0.739932   Pariaman  West  Sumatera    100.135707   -0.625686   Agam West  Sumatera    99.921643   -0.268635   Pasaman West  Sumatera    99.723302   0.160544   Kerinci Jambi  101.349276   -1.793403   Pesisir Selatan   West Sumatera   100.998983   -2.373818   Kampar  Riau  101.219395   0.48254   North Bengkulu    Bengkulu  101.128132   -2.527019   Pekan Baru   Riau  101.396441   0.532964   Indragiri Hulu   Riau  102.338812   -0.597247   Rokan Hulu   Riau  100.789814   1.021444   Mandailing Natal  North Sumat e ra    99.067844   0.904823   Merangin  Jambi  102.473472   -1.930053   Pelalaw a n  Riau  102.469822   0.096434   Siak Riau  101.971053   0.766098   S3  Karimun Riau  103.471761   0.725088   166.81  129.08   Indragiri Hilir  Riau  103.0559   -0.369494   Pelalaw a n  Riau  102.469822   0.096434   Bengkalis Riau  102.295207   1.178453   Siak Riau  101.971053   0.766098   *Note: P = Most likely  clusters (pri mari l y  cluster) an d S = Secondar y clusters        Figure 3  sho w s cl uste r  di stributio ns of  hots pots in   peatlan d  a r e a s i n  Sum a te ra i n  the  year  2 014 which are con s ist of  4 clu s ters  d e tecte d   (1   cl uste r as  m o st  li kel y   clu s ter and   3   clu s ters a s  seco nda ry clu s ter). The lo cation th at  has mo st likel y cluste r is i n  Riau  province ,   esp e ci ally  in Ro kan   Hili r, Bengkalis, an d  Dumai.   Og an Kom e rin g  Ilir di stri ct in  South Su ma tra  provin ce is th e location tha t  has the hig hest den si ty of seconda ry clu s ter. Figu re 4 sho w s m o st  likely clu s ter  and second ary cluste r distri bution s   of hotspot in the pe atland area in  Sumatera.   Figure 5 sh o w s  clu s ter di stribution s  of hots pot s ba se d on the mat u rity level of peatlan d   in Sumatera i n  the year 20 14. The dist ri bution cl uste rs of hotsp ot base d  on the  maturity level of  peatwere d o m inated on th e maturity level of He mi c/Sapri c  (6 0/40)  and very dee p peatlan d . The   locatio n  that has the hig h e st den sity of cluste r h o tspot on the maturity level of Hemic/Sa pric  (60/40) and  very deep  is  in Riau provi n ce, especi al ly in t he di strict of Rokan  Hilir, Bengkal i s,  Dumai a nd S i ak. The lo ca tion that has the highe st  den sity of cluster h o tsp o t on the maturi ty  level of He mi c/Sapri c   (60/ 40)  and m o d e rate  peatlan d  is  in  Ria u  p r ovince e s pe cially in the  di stri ct  of Bengkali s , Siak and  Du mai.    Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  137 6 – 1383   1381     Figure 3. Clu s ter di strib u tions of hot spo t s  in peatlan d  area in Sum a tra in the year 201 4             Figure 4. Clu s ter di strib u tions of hot spo t s  in peatlan d  area in Sum a tra in the year 201 4     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Poisson Cl ust e ring Process on Hots pot in Peatland Area in Sum a tera   (Anni sa Pu spa Kirana )  1382     Figure 5. Clu s ter di strib u tions of hot spo t s based  on t he maturity le vel of peat in the year 201 4       Based o n  Fig u re 5, many hotsp ots foun d in peat land  with the maturity level  of ’hemic’   and the  thickness level  of  ’mode rate’ th at gene rally  l o cate d in th e  dome  of pe a t  and  clo s e from  resi dential.  Whe n  ‘hemi c ’ maturity levels of  peat d o minated o n  the outskirts of peat do mes  indicated the  damag e of the pe at dom e very hi gh.  Combi ned  wi th the drai na ge to overco me   dryne ss of pe at it makes e x cretion of water that  is in  the dome pe a. If  the wate r at the dome  of  peat missing,  hence peat e x perien c e d  le aka ge so fun c tion hydrolo g y peat being  broken [2].  Figure 6 sh o w s  clu s ter di stributio ns of  hots pot s ba sed o n  the thickne ss of P o rtland in   Sumatera  in  the yea r  2 014.  Cluste r distri butio n s  of hot spot  are  domin ate d  by ’very d eep   thickne ss (D4 )  (40 0 -8 00 cm)’ and ’mo d e rate thick n e ss (D2 )  (1 00 -200 cm )’. The  location that  has  the hig h e s t d ensity of  clu s ter h o tspot  with ’very  de e p  thickn ess  (D4) (400 -80 0  cm )’ b e  in  Riau  provin ce, e s p e cially in  the  distri ct of  Ro kan  H ili r, Sia k , Indragiri  HIlir and B eng kali s. Whil e t he  locatio n s that  have the hig hest de nsity of cluste r hot spot with ’m o derate thi c kn ess (D2)  (10 0 - 200 cm)’ be i n  South Sum a tera p r ovin ce, espe cially  i n  the distri ct  of Ogan Kom e ring Ilir; in  Riau   provin ce  esp e cially i n  the  dist rict  of Beng kali s, Sia k , an d Ind r a g iri  HIlir. A s   deman d by  an   Indone sia n  g o vernm ent re gulation  num ber  32 ye ars 1990, peatla nd  a r ea   that have  ’de ep’ and   ’very deep’ t h ickne s s (>3 00 cm )  sho u l d  not be  ope ned for  ag riculture d e velo pment. Base d on  RTRWN that  in line with con s titutio n  numbe r 2 1  years 1 9 9 2  rega rdi n g  area s plan ning  (UUT R),the p r otectio n  agai nst the peat sho u ld be do ne to control hydrolo g ical area s, se rve s  as  a fastenin g  water, flood prevention, and  protectin g   the eco s ystem  that is typical of the area [1 6].          Figure 6. Clu s ter di strib u tions of hot spo t s bas ed on t he thickne s s of peat in the year 201 4       Figure 7 sh o w s  clu s ter di stributio ns  of hots pot s ba sed o n  the la nd use of pe atland in   Sumatera  in  the year  20 14. The  dist ribution  cl u s te rs  of hotspot  based o n  t he lan d  u s e  o f   peatlan d  are  dominate d  by swam p fore st. The loca ti on that has the highe st d ensity of cluster  0 1000 2000 3000 4000 5000 6000 7000 Fibrists/Saprists (60/40),moderate Hemists (100),moderate Hemists/min (30/70),shallow Hemists/min (30/70),moderate Hemists/min (70/30),moderate Hemists/min (90/10),moderate Hemists/Saprists (60/40),deep Hemists/Saprists (60/40),very   deep Hemists/Saprists (60/40),moderate Saprists (100),moderate Saprists/Hemists (60/40),deep Saprists/Hemists (60/40),very   deep Saprists/Hemists (60/40),moderate Saprists/min (50/50),shallow Saprists/min (50/50),moderate Saprists/min (90/10),moderate Hotspot Maturity   level  of Peat Most Cluster Secondary  Cluster  I Secondary  Cluster  II Secondary  Cluster  III 0 2000 4000 6000 Peaty  soil  (peat  thickness <50  cm)   (D0) Shallow  peat  (peat  thickness 50–100  c m ) (D1) Moderate deep  peat  (peat thickness  101– 200 cm) (D2) Deep peat  (peat  thickness 201–400  c m ) (D3) Very  deep peat (peat  thickness >400  cm)  (D4) Thickness of  peat Hotspot Most Cluster Secondary  Cluster  I Secondary  Cluster  II Secondary  Cluster  III Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA  Vol. 13, No . 4, Decem b e r  2015 :  137 6 – 1383   1383 hotsp ot is in   Riau  p r ovince, espe cially  in the  di st rict of  Ro ka n Hili r,  Beng kali s, and  Si ak;  S o uth  Sumatera p r o v ince e s pe cia lly in the district of  Ogan Komeri ng Ilir. The swam p fore sts a r e to be   an are a  of forest fires on th e drou ght an d in the  dry season. The d a mage  cau s e d  by forest fire in  the swamp fo rest aim s  seri ous n egative  impact.           Figure 7. Clu s ter di strib u tions of hot spo t s bas ed on t he land  cover of peat in the year 2014       4. Conclusio n   This  work  applied Kulldorff’s  Sc an Statis tic  ( KSS) on the s patial  temporal fores t  fires  dataset. The   dataset con s i s ts of the  spa t ial aspe ct  (l o ngitude, l a titude) of the  hot spot, tem poral  asp e ct (date  of occurre n ce ) of  hotspot, and p eatland  physi cal  cha r acteri stics th at may influe nce   the distrib u tio n  pattern of h o tspot cl uste rs in  the study  area Sum a te ra province, Indon esi a . KSS  method  uses circul ars scannin g  wi nd ows to dete c t the clu s ters of h o tsp o ts. Every ci rcula r   scanni ng win dow  will find the ratio of the po ssi bilit y using Poi s son model. Th e test statisti c is  determi ned a s  the maximu m likeliho od ratio over a ll circul ar  wind o w s. Evaluatin g the statistical   signifi can c e i s  calculated  by gene ratin g  a  large n u m ber  of ran d o m data s ets unde r the n u ll  hypothe sis of  no clu s terin g . Next step is cal c ul atin g  the value of the test statistic for e a ch of   those  data s et s. The  regi on  with the hi g hest valu e of  likelih ood  ra tios is th e a r ea that ha s t h e   most potential clusters.  Cluste ring  hotspots with  KSS method ca n detect where the  occurrence  of cluste r hot spot s, whe n  cluster h o tsp o t hel d, and the  geographi cal  size of cl uste r hotsp ots.   Clustering hotspot in the  peatland areas in  Sumat e ra i n  the year 2014  with the KSS  method  disco v er patterns  of hotsp ot di stribution  wh i c h co nsi s t of 4  clu s ters. Th e  radi us  of mo st  likely clu s ter  is defined 9 4 . 13 km. The provin ce s  wit h  the occurre n ce s of the highe st hotsp ot  clu s ter a r e locate d in Ri au provin ce  and South  Sumatera p r ovince, espe cially in Du mai,  Bengkalis,  Roka n HIlir  an d Oga n  Kom e ring Ili r  di st rict. Based  o n  the matu rity level of peat,  clu s ter di strib u tions of hot spot were m o stly f ound in  ‘hemic’ matu rity level. Ba sed on p eatl and  thickne ss,  clu s ter  distri buti on of hot spot  wa s  mo stly found in ‘ve r y deep’ thi c kness. Based  on  land u s e of p eatland, cl ust e r dist ributio n s  of  hotsp ot were mo stly found in ’ s wa mp fore sts’.       Referen ces   [1]    Glover D, Jessup T .   Mahalny a Harg a Seb u a h  Benca n a . Ba ndu ng (ID): IT B. 2002.   [2]   Sy aufina  L.  Ke bakar an Hut a n  dan La ha n di Indo nesi a . Mala ng: Ba yume di a  Publis hin g . 20 08.   [3]    Sitang ga ng IS , Yaako b  R,  Mustaph a N ,  Ainud di n A N . A Decis i o n  T r ee Base d on  Spati a l   Relati ons hips  f o r Pre d ictin g   Hotspots  in  Pe atlan d s.  T E LK OMNIKA T e lec o mmunic a tio n , Co mputin g,   Electron ics an d Contro l . 201 4; 12 (2): 511- 518.   [4]    Han J, Kam ber  M, Pei J. Data  Minin g  C once p t  and T e chni q ues T h ird Editi on.  Un ited of S t ates (US):   Elsevi er Inc. 2012.   [5]    Madh ulata  T .   An Overvi e w   o n  Cl usteri ng M e thods.  IOSR Journ a l of  En g i ne erin g .  Apr . 201 2;  2(4) :   719- 725.   [6]    Sitang ga ng IS, F uad T ,  Annisa. K-Means  Cluster i ng Vis ualiz atio n of W eb-Bas ed OLA P  Operatio ns   for Hotspot Dat a .  IEEE . 2010; 978- 1-42 44- 67 16-7/1 0 /$2 6 .00 .     0 2000 4000 6000 8000 10000 Bog shrub sw amp forest Rubbe r Coconut on a former  sw amp  forests  > 5 y e a r Palm  oil  on  a former  sw amp  forests  > 5 y e a r Logging concessions  land Planting land  an  industrial plant Open land  for farm Paddy   fields and coconut  Intensive rice  fields  (rice  crops, fallow ) , orange  Rainfed rice (rice crops, fallow ) Shrubs, marsh grasses and  former  fire Bush,  Law n on  former rice  fields Hotspot Land cover of peat  Most Cluster Secondary  Cluster  I Secondary  Cluster  II Secondary  Cluster  III Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Poisson Cl ust e ring Process on Hots pot in Peatland Area in Sum a tera   (Anni sa Pu spa Kirana )  1384 [7]    Usman M, Sitangg an g IS, Syaufin a L.  Hotspot Distrib ution  Analyses b a s ed on Pe at Ch aracteristic s   usin g D ensity- Based  Sp atial   Clusteri n g . T h e 1st International S y m pos ium on LAPAN-IPB   Satellite  for   F ood Sec u rit y  and  Envir o n m ental M onit o ring. Proc ed ia  Enviro nmenta l  Scienc es. 20 15; 24:  13 2  –   140.   [8]    Sitang ga ng IS,  Yaak ob  R, Mu stapha  N, Ai nu ddi n  AN. B u rn   Area Pr ocessi n g  to Ge ner ate  F a lse A l arm   Data for Hotspot Prediction Models.  T E LKOMNIKA T e leco mmu n icati on,   Co mp uting, El ectronics a n d   Contro l . 201 5; 13(3): 10 37- 10 46.   [9]    Kull dorff M. A  Spatia l Sca n  S t atistic. Comm uni c a tions  in  S t atistics: T heory  an d Meth ods . 199 7; 26:   148 1-14 96.   [10]    Devis T ,  F r éderic R, R o sa  L, Luci a n o  T ,   Mikhai l K. Sca n  statistics a n a l y sis  of forest  fire clust e rs.   ELSEVIER Comm unications  in Nonlinea r Scienc e and Num e r i cal Simulation . 20 08; 13( 80): 168 9– 1 6 94  [11]    W a h y unto, Rit ung S, Sup a rto ,  Subag jo H. S ebar an Gamb u t  dan Kan d u n g an Karb on  di S u matera d a n   Kalima n tan. Bo gor (ID): W e tlands Internati o n a l IP. 2005.   [12]    Cao C X ,  Xu M ,  Chen JQ, W u  YS, Xie  X. Sp ace- T i me Scan  Statistic Base d Earl y W a rn in g of H1N 1   Influenz a A  in   Shenz he n, Ch i na.  Intern atio n a l Arc h ives  of t he P hoto g ra mmetry, R e mote  Sens ing  a n d   Spatia l Informa tion Scie nce . K y ot o: Japa n. 2010; 28( 8).   [13]    Wen S, Kedem  B. A semipa ra metric Cl uster  Detectio n Meth od a  Com p re h ensiv e Po w e r  Comp ariso n   w i t h  Kul l dorffs Method.  Intern ation a l Jo urna l of Health Ge og raph ics. BioMe d  Centra l . USA. 2009   [14]    Kim AY, W a kef i eld  J. R D a ta  and M e tho d  for  S pati a l E p id e m iolo g y : T he Spatia l Ep i Pack age. D ept  of   Statistics, Univ ersit y  of W a sh i ngton. 2 010.   [15]    Kull dorff M.  201 4. SaT S can User Gui de  [do w n l oad ed at 20 14  Jul y   2]. Availa bl e a t   http:// w w w . satscan.org/.   [16]    Agus F ,  Hairia h K, Mul y an i  A. Measurin g C a rbo n  Stock in  Peat  Soil. World Agrofor e stry  Centre and  Indon esi an  Ce ntre for A g ricu l t ural  Lan d R e s ources  Res ear ch a nd  Deve lo pment. Bo gor  (ID): W o rld   Agroforestr y  Centre (ICRAF). 2011.    Evaluation Warning : The document was created with Spire.PDF for Python.