BAB V IMPLEMENTASI
5.3 Clustering dengan K-Means
5.3.2 Clustering Setiap Stasiun Pemantau Udara
Selatan
Hasil dari clustering proses bagian kedua ini berupa hasil
clustering pada masing-masing stasiun pemantau udara yakni suf1 yang mewakili Surabaya Pusat diletakkan di Taman Prestasi, suf6 yang mewakili Surabaya Timur diletakkan di daerah Wonorejo, dan suf7 yang mewakili Surabaya Selatan diletakkan di daerah Kebonsari.
> cluster_sby_co <-data.frame(datasiap["Date"],datasi ap["CO"],clustersby_co$cluster, datasiap["stasiun"])
Beberapa proses clustering yang dilakukan adalah integrasi data 5 parameter kualitas udara hanya pada bagian setiap wilayah yakni Surabaya Pusat, Surabaya Timur & Surabaya Selatan dan
clustering pada masing-masing parameter kualitas udara di setiap bagian wilayah Surabaya. Beringkut ini adalah contoh implementasi proses clustering pada R yang menggunakan data wilayah Surabaya Pusat. Implementasi pada Surabaya Timur dan Selatan menggunakan proses dan script yang sama seperti contoh berikut.
A. Clustering 5 parameter udara pada setiap stasiun pemantau udara di setiap bagian wilayah Surabaya 1. Melakukan clustering dengan memanggil library
K-Means
Proses clustering k-means menggunakan data normalisasi (normalizedsuf1) dan jumlah k=5. Kemudian didefinisikan sebagai object dengan nama clusteringsuf1
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clusteringsuf1 ditunjukkan seperti Gambar 5.12.
Gambar 5.12 Hasil titik centroid pada setiap cluster dari data normalisasi lima parameter di Surabaya Pusat (suf1)
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
> clusteringsuf1<-kmeans(normalizedsuf1,5)
> clusteringsuf1$centers
> hasilclusteringsuf1<-data.frame(dataoutliersuf1,clus teringsuf1$cluster)
Hasil clustering suf1 seperti yang ditunjukkan pada Gambar 5.13 berikut.
Gambar 5.13 Tabel hasil clustering 5 parameter pada stasiun pemantau udara di Surabaya Pusat (suf1)
B. Clustering parameter udara CO (Karbon Monoksida) pada setiap stasiun pemantau udara di setiap bagian wilayah Surabaya
Proses clustering pada tahap ini hanya menggunakan parameter CO dari data kualitas udara di stasiun pemantau Surabaya Pusat yang diwakilkan oleh stasiun pemantau udara dan diletakkan di Taman Prestasi.
Berikut ini merupakan langkah-langkah clustering
parameter CO di Surabaya bagian Pusat.
1. Melakukan clustering parameter CO dengan memanggil
library K-Means
Proses clustering k-means menggunakan data normalisasi (normalized) yang hanya diambil variabel [“CO”] dan
jumlah k=5. Kemudian didefinisikan sebagai object dengan nama clustersuf1_co
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima pada hasil cluster parameter CO di wilayah Surabaya bagian Pusat
> clustersuf1_co<-kmeans(normalizedsuf1["suf1_co"],
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clustersuf1_co ditunjukkan seperti Gambar 5.14.
Gambar 5.14 Hasil titik centroid pada setiap cluster parameter CO pada Surabaya Pusat (suf1) dari data normalisasi
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
Hasil clustering parameter CO di wilayah Surabaya bagian pusatseperti yang ditunjukkan pada Gambar 5.15 berikut.
Gambar 5.15 Tabel hasil clustering parameter CO pada stasiun pemantau Surabaya bagian pusat (Suf1-Taman Prestasi)
C. Clustering parameter udara NO2 (Nitrogen Dioksida) pada setiap stasiun pemantau udara di setiap bagian wilayah Surabaya
Proses clustering pada tahap ini hanya menggunakan parameter NO2 hanya pada stasiun pemantau udara Surabaya bagian Pusat.
> cluster_suf1_co <-data.frame(dataoutliersuf1["Date" ],dataoutliersuf1["suf1_co"],clustersuf1_co$cluster)
Berikut ini merupakan langkah-langkan clustering
parameter NO2 di Surabaya bagian Pusat.
1. Melakukan clustering parameter NO2 dengan memanggil
library K-Means
Proses clustering k-means menggunakan data normalisasi (normalizedsuf1) yang hanya diambil variabel
[“suf1_no2”] dan jumlah k=5. Kemudian didefinisikan
sebagai object dengan nama clustersuf1_no2
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima pada hasil cluster parameter NO2 di seluruh wilayah Surabaya
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clustersuf1_no2 ditunjukkan seperti Gambar 5.16.
Gambar 5.16 Hasil titik centroid pada setiap cluster parameter NO2 pada Surabaya bagian Pusat (suf1-Taman Prestasi)
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
Hasil clustering parameter NO2 di sSurabaya bagian Pusat seperti yang ditunjukkan pada Gambar 5.17 berikut.
> clustersuf1_no2<-kmeans(normalizedsuf1["suf1_no2"],5)
> clustersuf1_no2$centers
> cluster_suf1_no2 <-data.frame(dataoutliersuf1["Date"] ,dataoutliersuf1["suf1_no2"],clustersuf1_no2$cluster)
Gambar 5.17 Tabel hasil clustering parameter NO2 pada stasiun pemantau udara Surabaya Pusat (suf1-Taman Prestasi)
D. Clustering parameter udara O3 (Ozon) pada setiap stasiun pemantau udara di setiap bagian wilayah Surabaya
Proses clustering pada tahap ini hanya menggunakan parameter O3 pada stasiun pemantau udara Surabaya bagian Pusat.
Berikut ini merupakan langkah-langkah clustering
parameter O3 di Surabaya Pusat.
1. Melakukan clustering parameter O3 dengan memanggil
library K-Means
Proses clustering k-means menggunakan data normalisasi (normalizedsuf1) yang hanya diambil variabel [“suf1_o3”]
dan jumlah k=5. Kemudian didefinisikan sebagai object dengan nama clustersuf1_o3
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima pada hasil cluster parameter O3 di wilayah Surabaya bagian pusat
> clustersuf1_o3<-kmeans(normalizedsuf1["suf1_o3"],5)
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clustersuf1_o3 ditunjukkan seperti Gambar 5.18.
Gambar 5.18 Hasil titik centroid pada setiap cluster parameter O3 di wilayah Surabaya bagian pusat (suf1-Taman Prestasi)
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
Hasil clustering parameter O3 di seluruh wilayah Surabaya seperti yang ditunjukkan pada Gambar 5.19 berikut.
Gambar 5.19 Tabel hasil clustering parameter O3 pada stasiun pemantau udara wilayah Surabaya bagian pusat
E. Clustering parameter udara PM10 (Partikulat Matter) pada setiap stasiun pemantau udara di setiap bagian wilayah Surabaya
Proses clustering pada tahap ini hanya menggunakan parameter PM10 pada stasiun pemantau udara Surabaya bagian Pusat.
> cluster_suf1_o3 <-data.frame(dataoutliersuf1["Date"], dataoutliersuf1["suf1_o3"],clustersuf1_o3$cluster)
Berikut ini merupakan langkah-langkan clustering
parameter PM10 di Surabaya Pusat.
1. Melakukan clustering parameter PM10dengan memanggil
library K-Means
Proses clustering k-means menggunakan data normalisasi (normalizedsuf1) yang hanya diambil variabel
[“suf1_pm10”] dan jumlah k=5. Kemudian didefinisikan
sebagai object dengan nama clustersuf1_pm10
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima pada hasil cluster parameter PM10 pada Surabaya Pusat
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clustersuf1_pm10 ditunjukkan seperti Gambar 5.20.
Gambar 5.20 Hasil titik centroid pada setiap cluster parameter PM10 pada Surabaya bagian Pusat (suf1-Taman Prestasi)
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
Hasil clustering parameter PM10 pada Surabaya bagian Pusat seperti yang ditunjukkan pada Gambar 5.21 berikut.
> clustersuf1_pm10<-kmeans(normalizedsuf1["suf1_pm10"]
> clustersuf1_pm10$centers
> cluster_suf1_pm10 <-data.frame(dataoutliersuf1["Date"] ,dataoutliersuf1["suf1_pm10"],clustersuf1_pm10$cluster)
Gambar 5.21 Tabel hasil clustering parameter PM10 pada stasiun pemantau wilayah Surabaya Pusat (suf1-Taman Prestasi)
F. Clustering parameter udara SO2 (Sulfur Dioksida) pada stasiun pemantau udara di setiap bagian wilayah Surabaya
Proses clustering pada tahap ini hanya menggunakan parameter SO2 pada stasiun pemantau udara Surabaya bagian Pusat.
Berikut ini merupakan langkah-langkan clustering
parameter SO2 di Surabaya Pusat.
1. Melakukan clustering parameter SO2 dengan memanggil
library K-Means
Proses clustering k-means menggunakan data normalisasi (normalizedsuf1) yang hanya diambil variabel
[“suf1_so2”] dan jumlah k=5. Kemudian didefinisikan
sebagai object dengan nama clustersuf1_so2
2. Melihat nilai centroid pada setiap cluster satu sampai dengan lima pada hasil cluster parameter SO2 di seluruh wilayah Surabaya Pusat.
> clustersuf1_so2<-kmeans(normalizedsuf1["SO2"],5)
Hasil titik centroid pada setiap cluster dengan memanggil
object dengan nama clustersuf1_so2 ditunjukkan seperti Gambar 5.22.
Gambar 5.22 Hasil titik centroid pada setiap cluster parameter SO2 pada stasiun pemantau Surabaya Pusat
3. Menyimpan hasil clustering dengan membuat data frame
(tabel)
Hasil clustering parameter SO2 pada Surabaya Pusat seperti yang ditunjukkan pada Gambar 5.23 berikut.
Gambar 5.23 Tabel hasil clustering parameter SO2 pada stasiun pemantau udara wilayah Surabaya Pusat