Tahapan Testing Awan Cumulus Stage, Awan Cirrus, Awan Nimbo

BAB 4 METODOLOGI PENELITIAN

4.4. Tahapan Testing Awan Cumulus Stage, Awan Cirrus, Awan Nimbo

Pada tahapan ini dilakukan proses testing yang berfungsi untuk menguji kesamaan interval nilai Average Correlation Angle pada model yang terbentuk.

Model yang terbentuk akan dibandingkan pada dataset image awan diantaranya awan cumulus stage, awan cirrus, awan nimbo stratus, awan cumulonimbus dan awan biasa dengan dataset image angin puting beliung seperti yang terdapat pada gambar 4.2. sampai dengan gambar 4.7. Adapun model yang terbentuk, dilakukan proses testing dengan menggunakan algoritma Edge Detection (deteksi tepi) dan algoritma Spectral Angle Mapper pada Supervised Image Classification yang

Piksel yang terbentuk dari hasil Average Correlation Angle

berfungsi untuk menguji apakah interval nilai yang terbentuk pada model Fenomena chaos awan merupakan bagian atau memiliki kesamaan interval nilai Average Correlation Angle dari dataset image testing seperti pada Gambar 4.19.

Gambar 4.15. Proses Klassifikasi Testing Dataset Image Awan Pada Model Fenomena Chaos

Pada Gambar 4.15. terdapat 4 proses utama yang terdiri dari proses 1 (P1) menginputkan image awan diantaranya awan cumulus stage, awan cirrus, awan nimbo stratus, awan cumulonimbus dan awan biasa. Selanjutnya image awan disimpan ke dataset image awan sebagai image/citra RGB (D1). Setelah itu dilakukan proses 2 (P2) menggunakan algoritma Edge Detection (Deteksi Tepi) untuk mendapatkan batas tepi warna abu-abu pada image dataset testing yang merupakan ciri awal akan terjadinya angin puting beliung. Image yang dihasilkan dari konversi image awan RGB menjadi image awan Grayscale. Hasil dataset testing kemudian disimpan sebagai image/citra Grayscale (D2). Pada proses 1 (P1) dan proses 2 (P2) berfungsi untuk mengekstraksi intensifikasi pola yang tidak teratur pada lapisan awan serta untuk mengetahui seberapa cepat persebaran intensitas piksel ke piksel (frekuensi rendah ke tinggi). Setelah image diolah

dengan Algoritma Edge Detection, dilakukan proses 3 (P3) yaitu proses clustering atau unsupervised iamge classification dengan menggunakan Aplikasi MultiSpecWin32 yang berfungsi untuk mendapatkan informasi warna setiap pikselnya serta untuk mendapatkan jumlah kelas, jumlah pixel, nilai Means, nilai Standard Deviasi dan ukuran klassifikasi dari dataset image awan menghasilkan image multispectral dan disimpan sebagai image clustering (D3) yang menggambarkan adanya fenomena chaos. Kemudian melakukan proses 4 (P4), yaitu dengan menggunakan supervised image classification dengan menggunakan algoritma Spectral Angle Mapper untuk mendapatkan jumlah sampel, persen, nilai korelasi rata-rata dan total jumlah jarak yang sama ke kelas pada piksel. Hasil akhir dari proses supervised image classification akan didapat interval nilai piksel minimum dan maksimum Average Correlation Angle pada awan memiliki batas interval berada pada nilai interval model fenomena chaos yang terbentuk yaitu sebesar 62.7° – 67.2°.

4.5. Tahapan Cros Validation

Pada tahapan ini dilakukan evaluasi statistik untuk mengevaluasi bagaimana kinerja dari model atau algoritma yang terbentuk, dimana data dipisahkan menjadi dua dataset yaitu dataset fenomena chaos angin puting beliung atau dataset training dan dataset awan atau dataset testing untuk melakukan proses validasi atau evaluasi. Dalam hal ini ada sebanyak 64 dataset dilakukan proses validasi dataset training angin puting beliung dengan dataset testing awan sebanyak 54 dataset. Berikut hasil analisis cross validation terhadap dataset angin puting beliung dan awan menggunakan aplikasi Weka 3.8 dengan menggunakan Sequential Minimal Optimazization (SMO) pada Algorithma Klasisifikasi.

=== Run information ===

Scheme: weka.classifiers.rules.ZeroR Relation: Dataset ACA Angin Putting Beliung Instances: 64

Attributes: 8

Number Sample Min Number Sample Max Percent Min

Percent Max

Correaltion Threshold Angle

Scheme: weka.classifiers.rules.ZeroR Relation: Dataset ACA Awan

ZeroR predicts class value: Awan Mengarah Angin Putting Beliung Time taken to build model: 0 seconds

=== Stratified cross-validation ===

=== Summary ===

Correctly Classified Instances 38 70.3704 %

Incorrectly Classified Instances 16 29.6296 % Kappa statistic 0

Mean absolute error 0.4214 Root mean squared error 0.4581 Relative absolute error 100 % Root relative squared error 100 % Total Number of Instances 54

Untuk Pengujian menggunakan Cross Validation nilai akurasi yang di dapat sebesar 98.4375% dengan dataset training Angin Puting Beliung dan 70.3704%

dengan dataset testing Awan.

4.6. Tahapan Evaluasi

Evaluasi dataset terhadap hasil akhir dengan membentuk Confusion Matrix yang berfungsi untuk mengukur kinerja klassifikasi seberapa baik model yang dihasilkan dalam mengklassifikasi dataset image fenomena chaos angin puting beliung dan dataset image awan cumulonimbus. Evaluasi terhadap klassifikasi dilakukan dengan menggunakan Supervised Image Classification dengan memperhatikan Number Samples dan Persentase dari metode Spectral Angle Mapper (SAM) Classification dan Average Correlation Angle. Pada piksel batas tepi abu-abu sampel dataset image dan membandingkan antara model yang diusulkan. Hasil akhir sampel dataset image bertujuan untuk mendeteksi secara otomatis fenomena chaos pada awan cumulonimbus yang dijadikan dasar dalam memprediksi akan terjadinya Angin Puting Beliung berdasarkan interval nilai minimum dan maksimum Average Correlation Angle. Berikut hasil analisis evaluasi terhadap dataset angin puting beliung dan awan menggunakan aplikasi Weka 3.8

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class

1.000 1.000 0.984 1.000 0.992 ? 0.048 0.968 Angin Putting Beliung

0.000 0.000 ? 0.000 ? ? 0.048 0.016 Bukan Angin Putting Beliung Weighted Avg. 0.984 0.984 ? 0.984 ? ? 0.048 0.953

=== Confusion Matrix ===

a b <-- classified as

63 0 | a = Angin Putting Beliung 1 0 | b = Bukan Angin Putting Beliung

=== Detailed Accuracy By Class ===

TP Rate FP Rate Precision Recall F-Measure MCC ROC Area PRC Area Class 1.000 1.000 0.704 1.000 0.826 ? 0.401 0.663 Awan Mengarah Angin Putting Beliung

0.000 0.000 ? 0.000 ? ? 0.401 0.260 Awan Tidak Mengarah Angin Putting Beliung

Weighted Avg. 0.704 0.704 ? 0.704 ? ? 0.401 0.544

=== Confusion Matrix ===

a b <-- classified as

38 0 | a = Awan Mengarah Angin Putting Beliung 16 0 | b = Awan Tidak Mengarah Angin Putting Beliung

BAB 5

HASIL DAN PEMBAHASAN

5.1. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung Menggunakan Algoritma Edge Detection

Hasil image training dataset tahap awal dilakukan dengan menggunakan Algoritma Edge Detection (Deteksi Tepi) berdasarkan fenomena chaos. Pada tahap ini berfungsi untuk melakukan ekstraksi adanya batas tepi pada image Angin Puting Beliung. Pengujian akan dilakukan terhadap sampel dataset image yang bersumber dari data pihak ketiga. Hasil Edge Detection pada image angin puting beliung seperti pada gambar 4.2 nomor 1 s.d. 28, dapat diilustrasikan proses nya sebagai berikut :

Contoh: Pada image nomor 18

Image Asli Image Grayscale Piksel 5x5 Gambar 5.1. Ilustrasi Edge Detection

Piksel yang terbentuk memiliki intensitas nilai piksel untuk piksel 5x5 adalah

Hasil Edge Detection dapat dilihat pada Gambar 5.2. nomor 1 s.d. 64 merupakan dataset image input, terdiri dari image angin puting beliung. Gambar yang terlihat pertama kali merupakan image asli (citra RGB), selanjutnya algoritma edge detection diterapkan untuk mencari edge atau batas tepi pada lapisan-lapisan tipis angin puting beliung, baik secara vertikal maupun horizontal

3 2 2 1 2

14 1 0 15 1

7 4 3 0 255

19 0 11 1 236

16 3 3 0 241

Edge Detection

Piksel

pada image angin puting beliung. Agoritma ini diterapkan untuk mendapatkan citra grayscale berdasarkan pada piksel dari gambar input dan membuat gambar output dengan ukuran yang sama.

Adapun hasil Edge Detection training dataset angin puting beliung dapat dilihat pada Gambar 5.2.a dan 5.2.b nomor 1 s.d. 64 yang merupakan image angin puting beliung sebagai berikut :

Gambar 5.2.a. Hasil Training Dataset Image Angin Puting Beliung Menggunakan Algoritma Deteksi Tepi (Grayscale)

3 4

6 7 8

9 10 11 12

13 14 15 16

17 18 19 20

25 26 27 28

22 23 24

29 30 31 32

33 34 35 36

Gambar 5.2.b. Hasil Training Dataset Image Angin Puting Beliung Menggunakan Algoritma Deteksi Tepi (Grayscale)

Hasil citra grayscale dari proses edge detection digunakan untuk mengukur sejauh mana deteksi tepi yang dilakukan memiliki nilai piksel yang sama atau berdekatan dengan nilai piksel pada hasil dataset image training dan dataset image testing. Kemudian dilakukan proses klassifikasi image berbasis piksel dengan menggunakan algoritma Spectral Angle Mapper. Algoritma tersebut diterapkan atau digunakan untuk mendapatkan estimasi kemiripan spektra dalam ruang fitur (n-dimensional), dengan menilai perbedaan sudut antara piksel. Alasan diterapkan atau digunakan 2 tahapan algoritma, agar pada saat akan melakukan proses klassifikasi image berbasis piksel, clustering yang terbentuk lebih sedikit dan akan

37 38 39 40

41 42 43 44

45 46 47 48

49 50 51 52

63 61

56 53 54

57 60

memepercepat proses klassifikasi selanjutnya dengan menggunakan algoritma Spectral Angle Mapper.

5.2. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung Menggunakan Algoritma Spectral Angle Mapper

Hasil training dari Edge Detection Fenomena Chaos Angin Puting Beliung selanjutnya dilakukan menggunakan Supervised Image Classification, berfungsi untuk mendapatkan interval nilai minimum dan maksimum Number Sample, Correlation Threshold Angle dan nilai Average Correlation Angle.

Gambar 5.3.a. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung Menggunakan Algoritma Spectral Angle Mapper

1 2 3 4

5 7 8

9 10

14 15

18 19

21 22 23 24

25 27 28

Gambar 5.3.b. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung Menggunakan Algoritma Spectral Angle Mapper Hasil Gambar 5.3.a dan 5.3.b merupakan hasil proses training dataset image Fenomena Chaos berbasis piksel pada Supervised Classification dengan menggunakan Algoritma Spectral Angle Mapper. Algoritma tersebut diterapkan atau digunakan untuk medapatkan estimasi kemiripan spectra diantara

lapisan-48 44

29 30 31 32

33 34 35 36

37 38

42 43

46 47

49 50 51 52

53 54 55 56

57 58 59 60

61 62 63 64

lapisan angin puting beliung dalam ruang fitur (n-dimensional). Cara ini berfungsi untuk mendapatkan nilai perbedaan sudut antara piksel. Alasan diterapkannya tahapan-tahapan yaitu tahap pertama dengan melakukan proses dengan Agoritma Edge Detection dan tahap kedua melakukan proses dengan Algoritma Spectral Angle Mapper, agar pada saat melakukan proses klassifikasi, kelas atau clustering yang terbentuk lebih sedikit dan akan mempercepat proses klassifikasi dengan menggunakan Algoritma Spectral Angle Mapper.

Nilai piksel yang terdapat pada lapisan-lapisan angin puting beliung pada Gambar 5.1. tersebut selanjutnya dilakukan proses Clustering (Unsupervised Classification) dengan mempertimbangkan nilai rata-rata (mean), nilai standard deviasi dan ukuran klassifikasi sebelum dilakukan tahap selanjutnya dengan Algoritma Spectral Angle Mapper seperti yang terlihat pada Tabel 5.1.

Tabel 5.1. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung dengan Metode UnSupervised Classification Berdasarkan Intensitas Nilai Piksel Minimum dan Maksimum

Gambar Jumlah Piksel Means Standard Deviasi

Ukuran klassifikasi Cluster

Minimum Maksimum C1 (Red) C2 (Green) C3 (Blue) C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimum Maksimum

1 3 60 75,547 240.8 254.84 240.8 254.84 240.8 254.84 6 1.18 6 1.18 6 1.18 531 75073

2 3 248 73,203 13.028 254.916 13.028 254.916 13.028 254.916 4.937 0.729 4.937 0.729 4.937 0.729 331 73177

3 3 2,232 75,652 12.53 254.84 12.53 254.84 12.53 254.84 4.93 1.21 4.93 1.21 4.93 1.21 2250 75551

4 4 26 314,166 237.27 0.099 237.27 0.099 237.27 0.099 6.661 0.658 6.661 0.658 6.661 0.658 689 314008

5 4 2,833 357,501 242.53 0.16 242.53 0.16 242.53 0.16 5.07 0.81 5.07 0.81 5.07 0.81 3243 357359

6 4 60 75,023 239.77 254.91 239.77 254.91 239.77 254.91 6.09 0.76 6.09 0.76 6.09 0.76 243 74837

7 3 5,019 77,755 12.59 254.76 12.59 254.76 12.59 254.76 5.05 1.53 5.05 1.53 5.05 1.53 5118 77593

8 3 4,670 111,285 12.41 0.17 12.41 0.17 12.41 0.17 5.02 0.83 5.02 0.83 5.02 0.83 4670 111235

9 4 60 75,312 241.27 254.89 241.27 254.89 241.27 254.89 6.06 0.9 6.06 0.9 6.06 0.9 339 75028

10 3 726 71,665 12.35 254.89 12.35 254.89 12.35 254.89 4.71 0.87 4.71 0.87 4.71 0.87 855 71624

11 4 90 132,214 240.67 0.076 240.67 0.076 240.67 0.076 5.812 0.644 5.812 0.644 5.812 0.644 277 132042

12 4 350 75,527 242.6 254.91 242.6 254.91 242.6 254.91 5.04 0.71 5.04 0.71 5.04 0.71 499 75374

13 4 1,375 74,912 12.29 254.89 12.29 254.89 12.29 254.89 4.88 0.9 4.88 0.9 4.88 0.9 1514 74868

14 4 1,051 76,996 242.47 254.89 242.47 254.89 242.47 254.89 5.21 0.8 5.21 0.8 5.21 0.8 1214 76814

15 4 3,627 181,078 12.36 0.1 12.36 0.1 12.36 0.1 4.92 0.66 4.92 0.66 4.92 0.66 3713 180955

Gambar Jumlah Cluster

Piksel Means Standard Deviasi

Ukuran klassifikasi

Minimum Maksimum

C1 (Red) C2 (Green) C3 (Blue) C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimum Maksimum

16 4 376 96,316 242.55 254.9 242.55 254.9 242.55 254.9 4.96 0.74 4.96 0.74 4.96 0.74 591 96095

17 4 67 75,629 240.51 254.9 240.51 254.9 240.51 254.9 6.05 0.82 6.05 0.82 6.05 0.82 252 75442

18 4 165 74,665 240.56 254.93 240.56 254.93 240.56 254.93 5.51 0.49 5.51 0.49 5.51 0.49 201 74625

19 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

20 4 1,353 76,736 242.73 254.9 242.73 254.9 242.73 254.9 4.92 0.62 4.92 0.62 4.92 0.62 4271 76682

21 4 151 74,495 243.36 254.94 243.36 254.94 243.36 254.94 6.24 0.44 6.24 0.44 6.24 0.44 208 74434

22 4 99 75,015 242.52 254.9 242.52 254.9 242.52 254.9 4.54 0.84 4.54 0.84 4.54 0.84 349 74763

23 4 235 75,330 241.28 254.86 241.28 254.86 241.28 254.86 5.15 1.13 5.15 1.13 5.15 1.13 721 74838

24 4 127 75,133 241.46 254.89 241.46 254.89 241.46 254.89 5.29 0.95 5.29 0.95 5.29 0.95 452 74806

25 4 1,645 75,617 12.76 254.87 12.76 254.87 12.76 254.87 5.07 1.05 5.07 1.05 5.07 1.05 2058 75548

26 4 132 75,342 242.14 254.88 242.14 254.88 242.14 254.88 5.51 0.95 5.51 0.95 5.51 0.95 475 74995

27 4 95 74,958 242.66 254.9 242.66 254.9 242.66 254.9 5.05 0.81 5.05 0.81 5.05 0.81 329 74721

28 4 303 74,769 242.46 254.9 242.46 254.9 242.46 254.9 5.41 0.74 5.41 0.74 5.41 0.74 440 74623

29 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

30 4 1,353 76,736 242.73 254.9 242.73 254.9 242.73 254.9 4.92 0.62 4.92 0.62 4.92 0.62 4271 76682

31 4 151 74,495 243.36 254.94 243.36 254.94 243.36 254.94 6.24 0.44 6.24 0.44 6.24 0.44 208 74434

32 4 99 75,015 242.52 254.9 242.52 254.9 242.52 254.9 4.54 0.84 4.54 0.84 4.54 0.84 349 74763

Gambar Jumlah Cluster

Piksel Means Standard Deviasi Ukuran klassifikasi

Minimum Maksimum C1 (Red) C2 (Green) C3 (Blue)

C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimum Maksimum

33 4 376 96,316 242.55 254.9 242.55 254.9 242.55 254.9 4.96 0.74 4.96 0.74 4.96 0.74 591 96095

34 4 67 75,629 240.51 254.9 240.51 254.9 240.51 254.9 6.05 0.82 6.05 0.82 6.05 0.82 252 75442

35 4 165 74,665 240.56 254.93 240.56 254.93 240.56 254.93 5.51 0.49 5.51 0.49 5.51 0.49 201 74625

36 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

37 4 1,353 76,736 242.73 254.9 242.73 254.9 242.73 254.9 4.92 0.62 4.92 0.62 4.92 0.62 4271 76682

38 4 151 74,495 243.36 254.94 243.36 254.94 243.36 254.94 6.24 0.44 6.24 0.44 6.24 0.44 208 74434

39 4 99 75,015 242.52 254.9 242.52 254.9 242.52 254.9 4.54 0.84 4.54 0.84 4.54 0.84 349 74763

40 4 235 75,330 241.28 254.86 241.28 254.86 241.28 254.86 5.15 1.13 5.15 1.13 5.15 1.13 721 74838

41 4 127 75,133 241.46 254.89 241.46 254.89 241.46 254.89 5.29 0.95 5.29 0.95 5.29 0.95 452 74806

42 4 1,645 75,617 12.76 254.87 12.76 254.87 12.76 254.87 5.07 1.05 5.07 1.05 5.07 1.05 2058 75548

43 4 132 75,342 242.14 254.88 242.14 254.88 242.14 254.88 5.51 0.95 5.51 0.95 5.51 0.95 475 74995

44 4 95 74,958 242.66 254.9 242.66 254.9 242.66 254.9 5.05 0.81 5.05 0.81 5.05 0.81 329 74721

45 4 303 74,769 242.46 254.9 242.46 254.9 242.46 254.9 5.41 0.74 5.41 0.74 5.41 0.74 440 74623

46 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

47 4 1,353 76,736 242.73 254.9 242.73 254.9 242.73 254.9 4.92 0.62 4.92 0.62 4.92 0.62 4271 76682

48 4 151 74,495 243.36 254.94 243.36 254.94 243.36 254.94 6.24 0.44 6.24 0.44 6.24 0.44 208 74434

49 4 99 75,015 242.52 254.9 242.52 254.9 242.52 254.9 4.54 0.84 4.54 0.84 4.54 0.84 349 74763

50 4 235 75,330 241.28 254.86 241.28 254.86 241.28 254.86 5.15 1.13 5.15 1.13 5.15 1.13 721 74838

Gambar Jumlah Cluster

Piksel Means Standard Deviasi Ukuran klassifikasi

Minimum Maksimum C1 (Red) C2 (Green) C3 (Blue)

C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimum Maksimum

51 4 376 96,316 242.55 254.9 242.55 254.9 242.55 254.9 4.96 0.74 4.96 0.74 4.96 0.74 591 96095

52 4 67 75,629 240.51 254.9 240.51 254.9 240.51 254.9 6.05 0.82 6.05 0.82 6.05 0.82 252 75442

53 4 165 74,665 240.56 254.93 240.56 254.93 240.56 254.93 5.51 0.49 5.51 0.49 5.51 0.49 201 74625

54 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

55 4 1,353 76,736 242.73 254.9 242.73 254.9 242.73 254.9 4.92 0.62 4.92 0.62 4.92 0.62 4271 76682

56 4 151 74,495 243.36 254.94 243.36 254.94 243.36 254.94 6.24 0.44 6.24 0.44 6.24 0.44 208 74434

57 4 99 75,015 242.52 254.9 242.52 254.9 242.52 254.9 4.54 0.84 4.54 0.84 4.54 0.84 349 74763

58 4 235 75,330 241.28 254.86 241.28 254.86 241.28 254.86 5.15 1.13 5.15 1.13 5.15 1.13 721 74838

59 4 127 75,133 241.46 254.89 241.46 254.89 241.46 254.89 5.29 0.95 5.29 0.95 5.29 0.95 452 74806

60 4 1,645 75,617 12.76 254.87 12.76 254.87 12.76 254.87 5.07 1.05 5.07 1.05 5.07 1.05 2058 75548

61 4 132 75,342 242.14 254.88 242.14 254.88 242.14 254.88 5.51 0.95 5.51 0.95 5.51 0.95 475 74995

62 4 95 74,958 242.66 254.9 242.66 254.9 242.66 254.9 5.05 0.81 5.05 0.81 5.05 0.81 329 74721

63 4 303 74,769 242.46 254.9 242.46 254.9 242.46 254.9 5.41 0.74 5.41 0.74 5.41 0.74 440 74623

64 4 17 76,301 240.06 254.83 240.06 254.83 240.06 254.83 7.09 1.27 7.09 1.27 7.09 1.27 567 75747

Tabel 5.1. merupakan hasil processing clustering (unsupervsed classification) sebelum melakukan proses klassifikasi (Supervised Classification), dengan menggunakan algoritma Single Pass. Software aplikasi MultiSpecWin32 yang digunakan untuk membantu mengolah sampel training dataset image angin puting beliung. Gambar nomor 1 s.d. 64 diperlihatkan hasil nilai mean, standard deviasi dan ukuran klassifikasi piksel minimum dan maksimum untuk angin puting beliung.

Pada Tabel 5.1 ditinjau dari jumlah cluster, jumlah piksel, nilai mean, nilai standard deviasi dan ukuran klassifikasi, menghasilkan interval nilai intensitas nilai piksel minimum dan maksimum adalah 237.27 – 243.36 sebanyak 64 dataset. Dari 38 dataset image atau sebesar 76.00% pada angin puting beliung.

Hasil dari clustering kemudian diproses untuk mendapatkan nilai klassifikasi (Supervised Image Classification) seperti yang terdapat pada Tabel 5.2.

Tabel 5.2. Hasil Training Dataset Image Fenomena Chaos Angin Puting Beliung dengan Metode Supervised Calssification Menggunakan Algoritma Spectral Angle Mapper

Gambar

Pada tabel 5.2. merupakan hasil training dataset angin puting beliung berdasarkan Average Correlation Angle. Hasil yang diperoleh berupa interval nilai minimum dan maksimum Average Correlation Angle yaitu berada pada interval nilai sebesar 49.4° s.d. 82.9° dari 63 dan 1 merupakan dataset yang tidak memenuhi yaitu sebesar 46.4° training dataset image Angin Puting Beliung.

Setelah diperoleh interval nilai minimum dan maksimum dari model Fenomena Chaos Angin Puting Beliung yang di dapat pada penelitian ini, tahap berikutnya melakukan proses testing atau uji dataset image. Dataset image yang digunakan sebagai dataset testing adalah dataset image Awan diantaranya Awan Cumulus Stage, Awan Cirrus, Awan Nimbo Stratus dan Awan Cumulonimbus. Keempat jenis awan tersebut merupakan jenis awan yang nantinya sebagai alat dalam mendeteksi secara otomatis akan terjadinya Angin Puting Beliung. Sampel dataset testing image diuji melalui beberapa tahap diantaranya hasil testing dengan Algoritma Edge Detection, kemudian melakukan proses uji clustering (Unsupervised Classification) dan hasil akhir didapat melalui proses klassifikasi

(Supervised Image Classification) menggunakan Algoritma Spectral Angle Mapper.

5.3. Hasil Testing Dataset Image Awan Menggunakan Algoritma Edge Detection

Gambar 5.4. nomor 65 s.d. 76 adalah hasil testing dataset Fenomena Chaos pada Awan. Hasil testing dataset fenomena chaos tersebut diproses menggunakan algoritma Edge Detection (Deteksi Tepi) dengan software aplikasi Pemrograman R.

5.3.1. Dataset Image Awan Cumulus Stage

Pada gambar 5.4. nomor 65 dan 76 merupakan awan Cumulus Stage yang merupakan awan yang terlihat seperti titik-titik air maupun krista-kristal es.

Gambar 5.4. Hasil Testing Dataset Awan Cumulus Stage Menggunakan Algoritma Deteksi Tepi (Grayscale) Pada gambar 5.4.nomor 65 s.d. 76 sebanyak 12 image, menghasilkan intensitas nilai piksel grayscale yang berada pada interval nilai piksel 237.27 – 243.36 sebanyak 7. Pada awan cumulus stage sebanyak 7 image sudah mulai ada tanda-tanda akan terjadinya angin puting beliung yaitu pada image nomor 65,68,69,70,73,75 dan 76.

65 66

67 68

69 70 71 72

73 74 75 76

5.3.2. Dataset Image Awan Cirrus

Hasil testing dataset awan Cirrus dapat dilhat pada Gambar 5.5. nomor 77 s.d. 81 yang merupakan awan yang sering muncul saat cuaca cerah yang biasanya mengikuti arah angin.

Gambar 5.5. Hasil Testing Dataset Fenomena Chaos Awan Cirrus Menggunakan Algoritma Deteksi Tepi (Grayscale)

Pada gambar 5.5. nomor 77 s.d. 81 sebanyak 5 image, menghasilkan intensitas nilai piksel grayscale yang berada pada interval nilai piksel 237.27 – 243.36 sebanyak 3. Pada awan Cirrus sebanyak 3 image sudah mulai ada tanda-tanda akan terjadinya angin puting beliung yaitu pada image nomor 78,80 dan 81.

5.3.3. Dataset Image Awan Nimbo Stratus

Pada gambar 5.6. nomor 82 dan 83 merupakan awan Nimbo Stratus yang merupakan awan rendah tapi lebih berat, tebal dan lebih gelap.

Gambar 5.6. Hasil Testing Dataset Fenomena Chaos Awan Nimbo Stratus Menggunakan Algoritma Deteksi Tepi (Grayscale)

Pada gambar 5.6. nomor 82 dan 83 sebanyak 2 image, menghasilkan intensitas nilai piksel grayscale yang berada pada interval nilai piksel 237.27 – 243.36 sebanyak 2. Pada awan Nimbo Stratus sebanyak 2 image sudah mulai ada tanda-tanda akan terjadinya angin puting beliung yaitu pada image 82 dan 83.

77 78 79 80 81

82 83

5.3.4. Dataset Image Awan Cumulonimbus

Untuk gambar 5.7. nomor 84 s.d. 110 merupakan awan cumulonimbus yaitu sebuah awan vertikal menjulang sangat tinggi, padat dan terlibat dalam badai petir dan cuaca dingin. Awan cumulonimbus ini terbentuk sebagai hasil dari ketidakstabilan atmosfer.

Gambar 5.7. Hasil Testing Dataset Fenomena Chaos Awan Cumulonimbus Menggunakan Algoritma Deteksi Tepi (Grayscale)

Pada gambar 5.7. nomor 84 s.d. 110 sebanyak 26 image, menghasilkan intensitas nilai piksel grayscale yang berada pada interval nilai piksel 237.27 – 243.36 sebanyak 26. Pada awan cumulonimbus sebanyak 26 image sudah mulai ada tanda tanda akan terjadinya angin puting beliung yaitu pada image 84 s.d. 110. Jenis

84 86

89 90 91

92 93 94 95

96 97 98 99

100 101 102 103

104 105 106 107

108 109 110

awan Cumulonimbus ini merupakan awan yang dapat berpotensi akan terjadinya Angin Puting Beliung.

5.3.5. Dataset Image Awan Biasa

Untuk gambar 5.8. nomor 111 s.d. 118 merupakan awan biasa yaitu sebuah awan vertikal menjulang sangat tinggi, padat yang terjadi di siang hari dan tidak terlibat dalam badai petir dan cuaca dingin.

Gambar 5.8. Hasil Testing Dataset Fenomena Chaos Awan Biasa Menggunakan Algoritma Deteksi Tepi (Grayscale)

Pada gambar 5.8. nomor 111 s.d. 118 sebanyak 8 image, menghasilkan intensitas nilai piksel grayscale yang berada pada interval nilai piksel 237.27 – 243.36 sebanyak 8. Pada awan biasa sebanyak 8 image tidak ada tanda tanda akan terjadinya angin puting beliung yaitu pada image 111 s.d. 118. Jenis awan biasa

ini merupakan awan yang tidak berpotensi akan terjadinya Angin Puting Beliung.

112

111 113

115

114

116 117 118

Adapun nilai-nilai piksel testing dataset image dengan proses Clustering (Unsupervised Classification) terlihat pada tabel 5.3.

Tabel 5.3. Hasil Testing Dataset Image Awan Cumulus Stage, Awan Cirrus, Awan Nimbo Stratus, Awan Cumulonimbus Dengan Meotde UnSupervised Classification Berdasarkan Intensitas Nilai Piksel Minimum dan Maksimum

Gambar

Jumla

h Piksel Means Standard Deviasi Ukuran klassifikasi

Cluster

Minimu m

Maksimu m

C1 (Red) C2 (Green) C3 (Blue) C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks

Minimu m

Maksimu m

65 4 225 260,927 241.04 0.13 241.04 0.13 241.04 0.13 5.25 0.78 5.25 0.78 5.25 0.78 910 260656

66 4 1,187 259,423 242.5 1.12 242.5 1.12 242.5 1.12 4.98 0.71 4.98 0.71 4.98 0.71 1309 259298

67 4 1,631 253,742 242.34 0.2 242.34 0.2 242.34 0.2 5.3 0.93 5.3 0.93 5.3 0.93 1777 253448

68 4 379 257,520 240.8 0.15 240.8 0.15 240.8 0.15 5.48 0.79 5.48 0.79 5.48 0.79 1305 257425

69 5 9 256,629 33.56 0.16 33.56 0.16 33.56 0.16 7.8 0.8 7.8 0.8 7.8 0.8 468 256498

70 4 476 261,192 241.86 0.12 241.86 0.12 241.86 0.12 4.95 0.75 4.95 0.75 4.95 0.75 1016 260951

71 4 1240 252,764 242.58 0.2 242.58 0.2 242.58 0.2 4.81 0.96 4.81 0.96 4.81 0.96 1857 252409

72 4 1,830 250,318 242.41 0.23 242.41 0.23 242.41 0.23 5.16 1.06 5.16 1.06 5.16 1.06 2337 249871

73 4 1,253 249,735 242.4 0.24 242.4 0.24 242.4 0.24 4.95 0.96 4.95 0.96 4.95 0.96 1841 249648

74 4 5,635 263,749 12.336 0.097 12.336 0.097 12.336 0.097 4.832 0.621 4.832 0.621 4.832 0.62 5673 263651

75 4 76 260,448 239.97 0.15 239.97 0.15 239.97 0.15 5.89 0.93 5.89 0.93 5.89 0.93 1167 259689

76 4 340 258,636 241.99 0.18 241.99 0.18 241.99 0.18 5.92 1.03 5.92 1.03 5.92 1.03 1380 257807

77 4 122 259,468 240.74 0.13 240.74 0.13 240.74 0.13 5.94 0.7 5.94 0.7 5.94 0.7 1001 259432

78 4 1,663 251,849 242.41 0.21 242.41 0.21 242.41 0.21 4.85 0.91 4.85 0.91 4.85 0.91 1981 251786

79 4 2,205 247,862 242.55 0.24 242.55 0.24 242.55 0.24 5.07 1.02 5.07 1.02 5.07 1.02 2497 247624

Gambar Jumla h Cluster

Piksel Means Standard Deviasi

Ukuran klassifikasi Minimu

Maksimu m

C1 (Red) C2 (Green) C3 (Blue) C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimu m

Maksimu m

80 4 2,205 247,862 242.55 0.24 242.55 0.24 242.55 0.24 5.07 1.02 5.07 1.02 5.07 1.02 2497 247624

81 4 548 253,177 241.33 0.18 241.33 0.18 241.33 0.18 5.48 0.86 5.48 0.86 5.48 0.86 2023 253058

82 4 1,108 249,206 242.26 0.23 242.26 0.23 242.26 0.23 5.21 0.96 5.21 0.96 5.21 0.96 1920 249148

83 4 1,103 254,166 242.57 0.19 242.57 0.19 242.57 0.19 4.99 0.88 4.99 0.88 4.99 0.88 1746 254015

84 4 539 260,244 242.2 0.15 242.2 0.15 242.2 0.15 5.27 0.9 5.27 0.9 5.27 0.9 1076 259757

85 4 1,547 254,931 242.69 0.19 242.69 0.19 242.69 0.19 4.9 0.93 4.9 0.93 4.9 0.93 1777 254601

86 4 1,175 254,599 242.35 0.2 242.35 0.2 242.35 0.2 5.1 0.9 5.1 0.9 5.1 0.9 1224 254457

87 4 34 266,386 239.09 0.072 239.088 0.072 239.09 0.072 6.899 0.526 6.899 0.526 6.899 0.53 434 266284

88 4 941 256,925 242.41 0.17 242.41 0.17 242.41 0.17 5.1 0.91 5.1 0.91 5.1 0.91 1500 256511

89 4 1,871 248,088 242.47 0.24 242.47 0.24 242.47 0.24 4.91 0.97 4.91 0.97 4.91 0.97 2212 247989

90 4 772 261,673 241.33 0.12 241.33 0.12 241.33 0.12 5.17 0.75 5.17 0.75 5.17 0.75 922 261444

91 4 1,352 253,149 242.35 0.21 242.35 0.21 242.35 0.21 4.95 0.98 4.95 0.98 4.95 0.98 1907 252810

92 4 1,278 260,235 242.4 0.12 242.4 0.12 242.4 0.12 5.1 0.69 5.1 0.69 5.1 0.69 1358 260123

93 4 545 265,031 242.04 0.087 242.042 0.087 242.04 0.087 5.036 0.579 5.036 0.579 5.036 0.58 696 264917

94 4 941 256,925 242.41 0.17 242.41 0.17 242.41 0.17 5.1 0.91 5.1 0.91 5.1 0.91 1500 256511

95 4 1,871 248,088 242.47 0.24 242.47 0.24 242.47 0.24 4.91 0.97 4.91 0.97 4.91 0.97 2212 247989

96 4 772 261,673 241.33 0.12 241.33 0.12 241.33 0.12 5.17 0.75 5.17 0.75 5.17 0.75 922 261444

97 4 1,352 253,149 242.35 0.21 242.35 0.21 242.35 0.21 4.95 0.98 4.95 0.98 4.95 0.98 1907 252810

98 4 1,278 260,235 242.4 0.12 242.4 0.12 242.4 0.12 5.1 0.69 5.1 0.69 5.1 0.69 1358 260123

99 4 545 265,031 242.04 0.087 242.042 0.087 242.04 0.087 5.036 0.579 5.036 0.579 5.036 0.58 696 264917

Gambar Jumlah Cluster

Piksel Means Standard Deviasi

Ukuran klassifikasi

Minimum Maksimum

C1 (Red) C2 (Green) C3 (Blue) C1 (Red) C2 (Green) C3 (Blue)

Min Maks Min Maks Min Maks Min Maks Min Maks Min Maks Minimum Maksimum

100 4 2,205 247,862 242.55 0.24 242.55 0.24 242.55 0.24 5.07 1.02 5.07 1.02 5.07 1.02 2497 247624

101 4 548 253,177 241.33 0.18 241.33 0.18 241.33 0.18 5.48 0.86 5.48 0.86 5.48 0.86 2023 253058

102 4 941 256,925 242.41 0.17 242.41 0.17 242.41 0.17 5.1 0.91 5.1 0.91 5.1 0.91 1500 256511

103 4 1,871 248,088 242.47 0.24 242.47 0.24 242.47 0.24 4.91 0.97 4.91 0.97 4.91 0.97 2212 247989

104 4 772 261,673 241.33 0.12 241.33 0.12 241.33 0.12 5.17 0.75 5.17 0.75 5.17 0.75 922 261444

105 4 1,352 253,149 242.35 0.21 242.35 0.21 242.35 0.21 4.95 0.98 4.95 0.98 4.95 0.98 1907 252810

106 4 1,278 260,235 242.4 0.12 242.4 0.12 242.4 0.12 5.1 0.69 5.1 0.69 5.1 0.69 1358 260123

107 4 545 265,031 242.04 0.087 242.042 0.087 242.04 0.087 5.036 0.579 5.036 0.579 5.036 0.58 696 264917

108 4 941 256,925 242.41 0.17 242.41 0.17 242.41 0.17 5.1 0.91 5.1 0.91 5.1 0.91 1500 256511

109 4 1,871 248,088 242.47 0.24 242.47 0.24 242.47 0.24 4.91 0.97 4.91 0.97 4.91 0.97 2212 247989

110 4 772 261,673 241.33 0.12 241.33 0.12 241.33 0.12 5.17 0.75 5.17 0.75 5.17 0.75 922 261444

111 4 1,352 253,149 242.35 0.21 242.35 0.21 242.35 0.21 4.95 0.98 4.95 0.98 4.95 0.98 1907 252810

112 4 1,278 260,235 242.4 0.12 242.4 0.12 242.4 0.12 5.1 0.69 5.1 0.69 5.1 0.69 1358 260123

113 4 545 265,031 242.04 0.087 242.042 0.087 242.04 0.087 5.036 0.579 5.036 0.579 5.036 0.58 696 264917

114 4 2,205 247,862 242.55 0.24 242.55 0.24 242.55 0.24 5.07 1.02 5.07 1.02 5.07 1.02 2497 247624

115 4 548 253,177 241.33 0.18 241.33 0.18 241.33 0.18 5.48 0.86 5.48 0.86 5.48 0.86 2023 253058

116 4 941 256,925 242.41 0.17 242.41 0.17 242.41 0.17 5.1 0.91 5.1 0.91 5.1 0.91 1500 256511

117 4 1,871 248,088 242.47 0.24 242.47 0.24 242.47 0.24 4.91 0.97 4.91 0.97 4.91 0.97 2212 247989

118 4 772 261,673 241.33 0.12 241.33 0.12 241.33 0.12 5.17 0.75 5.17 0.75 5.17 0.75 922 261444

Tabel 5.3. merupakan hasil processing clustering (unsupervsed classification) sebelum melakukan proses klassifikasi (Supervised Classification) dengan menggunakan algoritma Single Pass. Hasil tersebut merupakan hasil dataset testing Awan yang digunakan untuk membandingkan interval nilai minimum dan maksimum pada interval nilai dataset training Angin Puting Beliung. Gambar nomor 1 s.d. 64 diperlihatkan hasil nilai mean, standard deviasi dan ukuran klassifikasi piksel minimum dan maksimum

Ditinjau dari jumlah cluster, jumlah piksel, nilai mean, nilai standard deviasi dan ukuran klassifikasi, menghasilkan interval nilai intensitas nilai piksel minimum dan maksimum pada dataset testing yang berada pada interval nilai 237.27 – 243.36 sebanyak 50 dataset dari 54 dataset image atau sebesar 92.00%

pada kelima jenis awan yang terdapat pada gambar nomor 51-62, 63- 67, 68-69, 70-78 dan 79-86 pada Tabel 5.3.

5.4. Hasil Testing Dataset Image Awan Menggunakan Algoritma Spectral Angle Mapper

Setelah interval nilai testing dataset image pada proses Clustering diperoleh, langkah selanjutnya melakukan proses klassifikasi (Supervised Image Classification) menggunakan Algoritma Spectral Angle Mapper untuk menguji (testing) berapa jumlah dataset image yang berada pada interval nilai Average Correlation Angle 49.4° – 82.9°.

Berikut interval nilai minimum dan maksimum hasil testing terhadap sampel dataset testing awan Cumulus Stage, Cirrus, Nimbo Stratus, Cumulonimbus dan Awan Biasa menggunakan Algoritma Spectral Angle Mapper seperti yang terdapat pada Tabel 5.4.

Tabel 5.4. Hasil Testing Dataset Image Awan Cumulus Stage, Awan Cirrus Awan Cumulonimbus dan Awan Biasa Metode Supervised Classification Menggunakan Algoritma Spectral Angle Mapper

Gambar

Pada tabel 5.4. dapat dilihat sebanyak 54 image yang sama dengan interval nilai minimum dan maksimum yang ditentukan (49.4° - 82.9°). Sebanyak 46 image tersebut berdasarkan nilai Average Correlation Angle jika ditinjau dari nilai Number Samples, Percent, Correlation Threshold Angle, Average Correlation Value dan Average Correlation Angle pada image awan.

5.5. Confusion Matrix

Adapun perhitungan manual untuk mendapatkan nilai akurasi klassifikasi pada dataset image angin puting beliung dan dataset image awan cumulonimbus dapat direpresentasikan hasil proses klassifikasi dengan menggunakan True Positive

(TP), True Negative (TN), False Positive (FP) dan False Negative (FN) seperti

* + *

Nilai akurasi terhadap klassifikasi training dataset image angin puting beliung dan testing dataset image awan cumulonimbus setelah dilakukan pengujian dari hasil algoritma dan model yang di dapat dari novalti dalam penelitian ini adalah sebesar 81.48%. Sehingga persentase jumlah dataset image awan yang benar diprediksi mengarah terjadinya angin puting beliung maupun yang tidak mengarah ke angin puting beliung dari keseluruhan dataset image awan adalah 81.48%.

Nilai presisi terhadap klassifikasi training dataset image angin puting beliung dan testing dataset image awan cumulonimbus setelah dilakukan pengujian dari hasil algoritma dan model yang di dapat dari novalti dalam penelitian ini adalah sebesar 0.80. Sehingga nilai presisi jumlah dataset image awan yang benar diprediksi mengarah terjadinya angin puting beliung dari keseluruhan dataset image awan yang mengarah ke angin puting beliung adalah sebesar 0.80.

Nilai recall terhadap klassifikasi training dataset image angin puting beliung dan testing dataset image awan cumulonimbus setelah dilakukan pengujian dari hasil algoritma dan model yang di dapat dari novalti dalam penelitian ini adalah sebesar 0.81 Sehingga persentase jumlah dataset image awan yang benar diprediksi mengarah terjadinya angin puting beliung dibandingkan dengan keseluruhan dataset image awan yang mengarah ke angin puting beliung adalah 0.81 .

Hasil Uji Analisi Dataset Testing Awan : Menggunakan Metode Naive Bayes untuk Cross Validation dan Confusion Matrix

=== Run information ===

Scheme: weka.classifiers.bayes.NaiveBayes

Relation: Dataset ACA Awan

Average Correlation Angle

35 3 | a = Awan Mengarah Angin Putting Beliung 7 9 | b = Awan Tidak Mengarah Angin Putting Beliung

Hasil Uji Analisis Dataset Training Angin Puting Beliung : Menggunakan Metode Naive Bayes untuk Cross Validation dan Confusion Matrix

=== Run information ===

Scheme: weka.classifiers.bayes.NaiveBayes Relation: New

std. dev. 0.0017 0.0017

Menggunakan Metode KNN untuk Cross Validation dan Confusion Matrix

=== Run information ===

Scheme: weka.classifiers.bayes.NaiveBayes Relation: New

Instances: 118 Attributes: 8

Number Sample Min

Number Sample Max Awan Mengarah Angin Putting Beliung Awan Tidak Mengarah Angin Putting Beliung

(0.52) (0.02)

precision 6.4885 6.4885

=== Confusion Matrix ===

a b c d <-- classified as

63 0 0 0 | a = Angin Putting Beliung 1 0 0 0 | b = Bukan Angin Putting Beliung

4 0 32 2 | c = Awan Mengarah Angin Putting Beliung 2 0 0 14 | d = Awan Tidak Mengarah Angin Putting Beliung

Keterangan dan Analisis :

TP : Jumlah dataset image awan yang mengarah ke angin puting beliung.

TN : Jumlah dataset image awan yang bukan mengarah ke angin puting beliung.

FP : Jumlah dataset image bukan awan yang mengarah ke angin puting beliung.

FN : Jumlah dataset image awan yang tidak mengarah ke angin puting beliung.

BAB 6

KESIMPULAN DAN SARAN

6.1. Kesimpulan

Pada bagian akhir dari desertasi ini, penulis memaparkan beberapa kesimpulan yang dapat diambil yang didasarkan pada temuan hasil penelitian diantaranya :

1. Model sampel dataset image yang digunakan image Angin Puting Beliung dan Awan untuk mendapatkan pola yang diekstrak menjadi Fenomena Chaos yaitu adanya ketidakteraturan spektrum warna dan edge/tepi.

2. Data yang dijadikan sebagai data training, data validasi dan data testing adalah untuk mendapatkan model baru dari penelitian ini yang berasal dari dataset image pihak ketiga.

3. Tahap pertama digunakan dengan Algoritma Edge Detection yang berfungsi untuk

Dalam dokumen SUPERVISED IMAGE CLASSIFICATION UNTUK FENOMENA CHAOS ANGIN PUTING BELIUNG BERDASARKAN AVERAGE CORRELATION ANGLE DISERTASI. Oleh (Halaman 65-0)