REDUKSI ATRIBUT BERDASAR MATRIK DISCERNIBILITY TEORI ROUGH SET DALAM SIMULASI BENCANA KEBAKARAN GEDUNG

Hendrik Fery Herdiyatmoko

Abstract


Bencana kebakaran dapat terjadi dimana saja dan  kapan saja, dapat terjadi di area tempat tinggal, di  tambang dan di hutan. Terdapat isu penting pada  deteksi kebakaran otomatis, yaitu mengenai data  parameter kebakaran. Parameter kebakaran ini  dapat berupa suhu, kelembaban, bahan bakar  kebakaran, dan titik api. Tetapi, tidak semua  parameter kebakaran akan digunakan, karena  semakin banyak parameter kebakaran digunakan  akan menyebabkan beban komputasi bertambah,  sehingga data parameter yang paling penting saja  yang akan digunakan. Salah satu cara mengekstraksi  komponen yang paling penting adalah menggunakan  seleksi parameter kebakaran berbasis reduksi atribut  menggunakan teori rough set. Tujuan dari penelitian  ini adalah mereduksi parameter kebakaran dari  wireless sensor network yang diposisikan secara  spesifik di dalam sebuah gedung dan menghasilkan  kompleksitas yang lebih rendah pada analisis data  kebakaran. Hasil keluaran reduksi atribut tersebut  digunakan sebagai acuan pencarian jalur evakuasi  bencana kebakaran di dalam gedung.  


Full Text:

PDF

References


Liyang Yu, Neng Wang, Xiaoqiao Meng, 1995, Real-time Forest Fire Detection with Wireless Sensor Networks. Proceedings of 13th International Conference on Computer and Information Tecnology, Shanghai, China, vol 2, 1214-1217.

Sanchita Mal-Sarkar, Ifthikhar U. Sikder, Vijay K. Konangi, 2010, Application of Wireless Sensor Networks in Forest Fire Detection under Uncertainly, 13th International Conference on Computer and Information Technology (ICCIT), Cleveland, USA, pages 193 – = 197.

Zdzislaw Pawlak, 1982, Rough Set, International Journal of Information and Computer Sciences.

Majid Bahrepour, Nirvana Meratnia, Paul Havinga, 2008, “Automatic Fire Detection: A Survey From Wireless Sensor Network Perspective”, Pervasive System Group, Univeristy of Twente.

Shinya Imai, Che-Wei lin, Junzo Watada, Gwo-Hishiung Tzeng, 2008, “Rough Set Apptoch to Human Resources

Development of Information Technology Corporation”, Waseda, Japan, vol 9, 2.

Liyang Yu, Neng Wang, Xiaoqiao Meng, 2005, “Real-time Forest Fire Detection with Wireless Sensor Networks”, Proceedings of Wireless ommunications, Networking and Mobile Computing, Vol 2, 1214 - 1217.

Naiwei Cheng, 2010, “A Decision-Making for Fire Detection Data Fusion Based on Rough Set Approach”, International Conference on Intelligent System Design and Engineering Application (ISDEA), Vol 1, 8 -10.

Shaohua Chen, Hong Bao, Xianyan Zeng, Yimin Yang, 2003, “Fire Detection Based on Multi-sensor Data Fusion”, IEEE International Conference on Systems, Man and Cybernetics, Vol 4, 3775 - 3780.

Canadian Forest Fire Index (FWI). http://cwfis.cfs.nrcan.gc.ca/background/summary/fwi.

MSDN C# Tutorial. Microsoft Developer Program. http://msdn.microsoft.com/enus/library/aa288436(v=vs.71).

Aspx

S.-C. Lee, “Applying AI technology and rough set theory for mining association rules to support crime management,” Journal of Information, Technology and Society, vol. 2, no. Applying AI technology and rough set theory, p. 65, 2002.


Refbacks

  • There are currently no refbacks.