Clustering sumber-sumber emisi di Surakarta menggunakan single linkage Artikel TA hartono

commit to user

CLUSTERING

SUMBER-SUMBER EMISI DI SURAKARTA

MENGGUNAKAN

SINGLE LINKAGE

Hartono, Isnandar Slamet, dan Yuliana Susanti

Program Studi Matematika Fakultas Matematika dan Ilmu pengetahuan Alam Universitas Sebelas Maret Surakarta

Abstrak. _{Diantara penyebab polusi udara adalah adanya emisi gas buang, yaitu jumlah}

polutan yang dikeluarkan ke udara dalam satuan waktu. Emisi gas buang terjadi akibat pembakaran yang tidak sempurna, yaitu lepasnya partikel-partikel karena kurang tercu-kupi oksigen dalam proses pembakaran. Perkembangan kota Surakarta yang cukup pesat berpotensi untuk menghasilkan emisi gas buang. Clustering adalah metode untuk klasi-fikasi objek-objek tertentu menjadi kelompok yang lebih kecil berdasarkan karakteristik yang dimilikinya. Tujuan dari penelitian ini, melakukanclustering kategori sumber emisi di Surakarta menggunakan metode hirarkisingle linkage. Hasil penelitian menunjukkan terdapat tigaclusterpenghasil emisi gas buang yaitucluster pertama adalah bank, seko-lah, restoran, SPBU, perguruan tinggi, perkantoran,mart & sejenisnya, pasar, bengkel, konstruksi, pergudangan, zonasi parkir, menara pemancar, dan parkir dalam area yang digolongkan menjadi kelompok dengan nilai emisi rendah. Cluster kedua yaitu pedagang kaki lima sebagai kelompok dengan nilai emisi yang sedang. Cluster ketiga yaitu peru-mahan yang merupakan kelompok dengan nilai emisi tinggi.

Kata kunci: clustering, emisi gas buang, single linkage

1.

Pendahuluan

Udara merupakan unsur penting yang mendukung kehidupan manusia

(Ismiya-ti dkk. [4]). Udara dibutuhkan manusia dalam pernapasan terutama oksigen (

O

2

).

Polusi udara yang beredar tinggi di lingkungan sekitar dapat mengurangi kesehatan

dan daya tahan tubuh. Jika tubuh rentan terhadap penyakit, lama-kelamaan

po-lusi udara tersebut dapat menimbulkan penyakit atau gangguan pernapasan. Oleh

karena itu, polusi udara perlu diwaspadai.

Polusi udara di beberapa kota di Indonesia semakin meningkat, terutama di

daerah dengan kepadatan lalu lintas yang tinggi. Salah satu sumber polusi udara

adalah adanya emisi gas buang. Udara di kota telah tersebar gas-gas yang

berbaha-ya bagi kesehatan manusia seperti

carbon dioxide

(

CO

2

). Menurut laporan

World

Resources Institute

(

W RI

) sebagaimana dilansir

Daily Mail

[6], Indonesia menjadi

negara penghasil emisi

CO

2

terbesar keenam di dunia dengan total emisi

CO

2

se-besar 2,05 miliar ton. Hal ini menunjukkan bahwa ada indikasi tingkat polusi udara

di Indonesia cukup tinggi dan perlu penanganan lebih lanjut.

Kota Surakarta berpotensi untuk menghasilkan emisi gas buang. Emisi gas

bu-ang ini akan semakin meningkat seiring perkembbu-angan transportasi (Ismiyati dkk.

[4]). Hasil tes emisi yang dilakukan tim gabungan dari BLH Provinsi, BLH

commit to user

informasi bahwa banyak jenis mobil produksi baru yang memiliki gas emisi buang

melebihi ambang batas yang ditentukan oleh pemerintah (Dishubkominfo Surakarta

[3]). Terdapat beberapa kategori sumber yang berpotensi sebagai penghasil emisi

gas buang. Berdasarkan Billionet

et al.

[2] dan Ismiyati dkk. [4], berbagai jenis gas

buang antara lain

CO

2

,

carbon monoxide

(

CO

),

non-methane volatile organic

com-pounds

(

N M V OC

),

particulate matter

(

P M

10),

nitrogen oxide

(

N O

x), dan

sulfur

oxide

(

SO

x). Setiap gas tersebut merupakan gas beracun yang dapat membuat

sistem pernapasan manusia terganggu.

Analisis multivariat merupakan salah satu metode statistika yang cocok untuk

mengolah data dengan banyak variabel (Rencher [9]). Analisis

cluster

merupakan

metode dalam analisis multivariat, yaitu

clustering

terhadap objek-objek tertentu

menjadi kelompok yang lebih kecil berdasarkan karakteristik diantara objek-objek

tersebut (Johnson dan Wichern [5]). Warsito dkk. [10] telah melakukan penelitian

terkait

clustering

data pencemaran udara di sektor industri Jawa Tengah dengan

ne-ural network

. Austin

et al.

[1] mengidentifikasi beberapa polutan dalam pencemaran

udara. Plaisance

et al.

[8] menerapkan analisis

cluster

untuk mengelompokkan

pro-fil emisi

carbonyl compounds

dari material-material bangunan dan perkakas rumah

tangga. Mubtadai dkk. [7] melakukan perbandingan

clustering

metode manual dan

single linkage

untuk menentukan kinerja agen pada

call centre

. Sejalan dengan

pe-nelitian Warsito dkk. [10], Austin

et al.

[1], Plaisance

et al.

[8] dan Mubtadai dkk.

[7], digunakan

single linkage

untuk

clustering

kategori sumber emisi dan identifikasi

hasil

cluster

terhadap polusi udara di Surakarta.

2.

Landasan Teori

2.1.

Clustering

.

Clustering

merupakan metode untuk klasifikasi objek-objek ke

dalam kelompok-kelompok yang lebih kecil berdasarkan karakteristik tertentu

(John-son dan Wichern [5]). Jika terdapat

n

objek dan

p

variabel, maka observasi

x

ij

de-ngan

i

= 1

,

2

,

3

, ..., n

dan

j

= 1

,

2

,

3

, ..., p

dapat digambarkan seperti dalam Tabel 1.

Analisis

cluster

memiliki tujuan sebagai konfirmasi dalam pengelompokkan,

penye-derhanaan data, dan identifikasi suatu hubungan antar observasi. Ciri-ciri

cluster

yang baik adalah

(1) homogenitas atau kesamaan yang tinggi antar anggota dalam satu

cluster

(

within-cluster

), dan

commit to user

Tabel 1. Struktur Data

Objek Var 1 Var 2 . . . Var j . . . Var p

1 x₁₁ x₁₂ . . . x₁j . . . x1p

2 x₂₁ x₂₂ . . . x₂j . . . x2p

..

. ... ... ... ... ... ...

i xi1 xi2 ... xij ... xip

..

. ... ... ... ... ... ...

n xn1 xn2 ... xnj ... xnp

(1)

Agglomeration schedule

ialah jadwal yang memberikan informasi tentang

ob-jek atau kasus yang akan dikelompokkan pada setiap tahap.

(2)

Cluster memberships

adalah keanggotaan yang menunjukkan

cluster

untuk

setiap objek yang menjadi anggotanya.

(3) Dendogram merupakan grafik pohon yang menggambarkan hasil analisis

cluster

yang dilakukan peneliti.

2.3.

Proses

Clustering

.

Proses pengelompokan

cluster

dimulai dengan

standar-disasi satuan melalui transformasi data, sehingga diperoleh data yang mengikuti

distribusi normal standar

N

(0

,

1). Hal ini dilakukan dengan transformasi berikut.

z

=

x

i

−

x

¯

s

,

(2.1)

dengan

z

: nilai transformasi distribusi normal,

x

i

: nilai objek ke-

i

,

¯

x

: nilai rata-rata objek,

s

: standar deviasi.

Untuk mengelompokkan objek yang memiliki kemiripan, perlu diukur seberapa

ja-uh ada kesamaan antar objek. Dalam mengukur kemiripan antar objek tersebut

dapat digunakan metode ukuran jarak. Ukuran jarak yang biasa dipakai adalah

jarak

Euclidean

. Johnson dan Wichern [5] mendefinisikan jarak

Euclidean

sebagai

besarnya jarak suatu garis lurus yang menghubungkan antar objek. Ukuran jarak

nilai emisi antar objek ke-

i

dengan objek ke-

j

, disimbolkan

d

ij

dengan

i, j

= 1

, . . . , n

dan

k

= 1

, . . . , p

. Nilai

d

ij

diperoleh melalui perhitungan jarak kuadrat

Euclidean

yaitu

d

ij

=

√

Σ

p_k=1

(

z

ik

−

z

jk)2

,

(2.2)

dengan

n

: banyaknya objek,

p

: banyaknya variabel

cluster

,

commit to user

z

ik

/

z

jk

: nilai transformasi dari objek ke-

i/j

pada variabel ke-

k

,

2.4.

Metode

Single Linkage

.

Single linkage

merupakan metode hirarki kategori

agglomeration

atau penggabungan objek. Dimulai dengan dua objek yang

dipi-sahkan dengan jarak paling pendek, maka keduanya akan ditempatkan pada

cluster

pertama, dan seterusnya. Pada setiap tahapan, banyaknya

cluster

berkurang satu.

Menurut Johnson dan Wichern [5], jarak dua buah

cluster

antara

d

ij

dan sembarang

cluster

lain yang belum digabung misal

d

h

didefinisikan sebagai

d

(ij)h

=

min

{

d

(

d

ih

, d

jh)

}

.

(2.3)

Clustering

dengan algoritme

single linkage

dilakukan dengan beberapa langkah yaitu

(1) dimulai dengan

n

cluster

, setiap

cluster

mengandung entiti tunggal dan

se-buah matriks simetrik dari jarak

d

ik,

(2) dihitung matriks jarak untuk pasangan

cluster

yang terdekat. Misal jarak

antara

cluster

U

dan

V

yang terdekat adalah

d

uv,

(3) digabungkan

cluster

U

dan

V

dan label

cluster

baru dibentuk dengan

U V

.

diperbarui nilai masukan pada matriks jarak dengan cara

(a) dihapus baris dan kolom yang bersesuaian

cluster

U

dan

V

,

(b) ditambahkan baris dan kolom yang memberikan jarak-jarak antara

clus-ter

(

U V

) dan

cluster-cluster

yang tersisa.

(4) diulangi langkah (2) dan (3) sebanyak

n

−

1 kali,

(5) dicatat identitas dari

cluster

yang digabungkan dan jarak similaritas dimana

penggabungan terjadi.

setelah terbentuk

cluster

, diberikan ciri atau karakteristik berdasarkan nilai

rata-rata dari emisi pada masing-masing

cluster

dan pertimbangan besar polutan udara.

3.

Metode Penelitian

Pada penelitian ini, metode yang digunakan adalah penerapan kasus. Adapun

langkah-langkah yang dilakukan sebagai berikut.

(1) Mendeskripsikan data kategori sumber emisi.

(2) Pengolahan data penelitian dengan langkah-langkah sebagai berikut.

(a) Melakukan standardisasi satuan dengan persamaan (2.1).

(b) Membentuk matriks ketakmiripan antar objek dengan persamaan (2.2).

(c) Membandingkan jarak ketakmiripan antar objek melalui persamaan (2.3).

commit to user

(e) Memberikan karakteristik pada tiap

cluster

.

(3) Memberikan kesimpulan.

4.

Hasil dan Pembahasan

4.1.

Deskripsi Data Emisi.

Terdapat 16 kategori sumber dan 6 variabel polutan

udara sebagai nilai masukan dalam proses

clustering

. Data yang digunakan adalah

nilai emisi gas buang di Surakarta tahun 2011. Sumber data tersebut diberikan oleh

Prabang Setyono, yang merupakan peneliti di progam studi Biologi FMIPA

Univer-sitas Sebelas Maret. Tabel

??

menunjukkan nilai emisi dari setiap kategori sumber

berdasarkan polutan masing-masing. Perhitungan emisi dilakukan dengan

sampling

beberapa peralatan pada kategori sumber seperti genset, kompor gas, tungku,

boiler

,

las, oven, kompresor, kendaraan,

cooking set

dan

cooking machine

.

Tabel 2. Nilai Standardisasi Satuan untuk 16 Kategori Sumber Emisi

No. Kategori Z-Score

Sumber N Ox SOx N M V OC P M 10 CO CO2

1 Bank -0,4908 -0,3285 -0,4574 -0,4563 -0,4812 -0,3214 2 Perumahan 2,9104 3,7132 -0,2779 -0,1553 -0,1527 3,7242 3 Sekolah -0,1527 0,0076 -0,1972 0,1268 -0,0052 0,0287 4 Restoran -0,1843 -0,0563 -0,1213 0,3020 0,1336 -0,0360 5 SPBU -0,5325 -0,3535 3,3180 -0,4603 -0,4820 -0,3222 6 Perguruan Tinggi 0,0037 0,0098 -0,4480 -0,4100 -0,4657 -0,2292 7 Perkantoran -0,5299 -0,3517 -0,4574 -0,4601 -0,4820 -0,3217 8 Mart dan Sejenisnya -0,5313 -0,3527 -0,4580 -0,4602 -0,4820 -0,3220 9 Pasar -0,3910 -0,2252 -0,3506 -0,2180 -0,2860 -0,2007 10 Bengkel -0,4694 -0,3102 -0,4567 -0,4544 -0,4800 -0,3101 11 Konstruksi -0,5325 -0,3535 -0,4580 0,2969 -0,4820 -0,3220 12 Pergudangan -0,5325 -0,3535 -0,4580 0,1116 -0,4820 -0,3220 13 Zonasi Parkir -0,4135 -0,3535 -0,4303 -0,4594 -0,3787 -0,3220 14 Pedagang Kaki Lima 0,2371 -0,0610 1,3166 3,5905 2,7629 -0,0782 15 Menara Pemancar -0,4044 -0,2778 -0,4563 -0,4481 -0,4799 -0,3220 16 Parkir Dalam Area 2,0134 -0,3535 0,3922 -0,4464 2,2426 -0,3222

4.2.

Clustering

Data Emisi dengan

Single Linkage

.

Langkah awal yang

di-lakukan adalah standardisasi satuan melalui persamaan (2.1) dan diperoleh hasil

pada Tabel 3. Langkah kedua, jarak setiap kategori sumber penghasil emisi

dihi-tung dengan jarak kuadrat

Euclidean

yaitu persamaan (2.2). Jarak masing-masing

objek ditampilkan dalam matriks jarak yang ada dalam

proximitry matrix

yaitu

Tabel 4 dan Tabel 5. Langkah ketiga, membandingkan jarak ketakmiripan antar

objek dalam

cluster

satu dengan

cluster

lain melalui persamaan (2.3). Pada awal

proses dimiliki 16

cluster

, lalu dihitung nilai jarak terdekat dari

proximitry matrix

.

Jarak antara perkantoran dan

mart

& sejenisnya merupakan jarak terdekat yaitu

sebesar 0,000 sebagai satu

cluster

. Dilakukan perbaikan matriks jarak dari sisa 14

commit to user

Tabel 3. Nilai Standardisasi Satuan untuk 16 Kategori Sumber Emisi

Kategori Z-Score

Sumber N Ox SOx N M V OC P M 10 CO CO2

Bank -0,4908 -0,3285 -0,4574 -0,4563 -0,4812 -0,3214 Perumahan 2,9104 3,7132 -0,2779 -0,1553 -0,1527 3,7242 Sekolah -0,1527 0,0076 -0,1972 0,1268 -0,0052 0,0287 Restoran -0,1843 -0,0563 -0,1213 0,302 0,1336 -0,036 SPBU -0,5325 -0,3535 3,318 -0,4603 -0,482 -0,3222 Perguruan Tinggi 0,0037 0,0098 -0,448 -0,41 -0,4657 -0,2292 Perkantoran -0,5299 -0,3517 -0,4574 -0,4601 -0,482 -0,3217

Mart dan Sejenisnya -0,5313 -0,3527 -0,458 -0,4602 -0,482 -0,322 Pasar -0,391 -0,2252 -0,3506 -0,218 -0,286 -0,2007 Bengkel -0,4694 -0,3102 -0,4567 -0,4544 -0,48 -0,3101 Konstruksi -0,5325 -0,3535 -0,458 0,2969 -0,482 -0,322 Pergudangan -0,5325 -0,3535 -0,458 0,1116 -0,482 -0,322 Zonasi Parkir -0,4135 -0,3535 -0,4303 -0,4594 -0,3787 -0,322 Pedagang Kaki Lima 0,2371 -0,061 1,3166 3,5905 2,7629 -0,0782 Menara Pemancar -0,4044 -0,2778 -0,4563 -0,4481 -0,4799 -0,322 Parkir Dalam Area 2,0134 -0,3535 0,3922 -0,4464 2,2426 -0,3222

d

{

(7

,

8)

,

(1)

}

=

min

{

d

(7

,

1)

, d

(8

,

1)

}

=

min

{

0

,

002; 0

,

002

}

= 0

,

002

...

d

{

(7

,

8)

,

(16)

}

=

min

{

d

(7

,

16)

, d

(8

,

16)

}

=

min

{

14

,

613; 14

,

622

}

= 14

,

613

Nilai jarak 0,002 adalah bank sebagai jarak terdekat selanjutnya dan dijadikan satu

cluster

dengan sisa 13

cluster

. Proses perbaikan matriks jarak kembali berulang

de-ngan cara yang sama hingga semua sumber objek telah dibandingkan dan terbentuk

satu

cluster

keseluruhan.

Langkah keempat adalah menentukan banyaknya

clus-Tabel 4. Proximitry Matrix untuk Kategori Sumber Emisi 1-8

1 2 3 4 5 6 7 8

1 0 44,501 0,984 1,315 14,256 0,370 0,002 0,002 2 0 36,879 38,241 57,896 37,985 44,962 44,984

3 0 0,065 13,326 0,654 1,034 1,036

4 0 13,08 1,049 1,361 1,363

5 0 14,612 14,253 14,257

6 0 0,427 0,429

7 0 0

8 0

.. . 16

ter

berdasarkan dendogram yaitu Gambar 1. Pembentukan tiga

cluster

diperoleh

commit to user

Tabel 5. Proximitry Matrix untuk Kategori Sumber Emisi 9-16

9 10 11 12 13 14 15 16

1 0,142 0,001 0,570 0,325 0,018 30,709 0,010 14,412 2 41,841 44,115 45,110 44,977 44,127 60,923 43,514 39,987 3 0,384 0,947 0,722 0,693 0,859 22,119 0,891 10,674 4 0,597 1,282 0,784 0,82 1,16 19,975 1,231 10,272 5 13,607 14,254 14,831 14,585 14,074 31,681 14,267 22,465 6 0,291 0,335 0,928 0,7 0,325 29,622 0,26 12,221 7 0159 0,006 0,573 0,327 0,025 30,815 0,021 14,613 8 0,16 0,006 0,573 0,327 0,025 30,822 0,022 14,622 9 0 0,13 0,366 0,21 0,105 27,011 0,120 12,808

10 0 0,57 0,326 0,016 30,638 0,005 14,3

11 0 0,034 0,598 25,264 0,577 15,18

12 0 352 26,519 0,335 14,939

13 0 29,892 0,017 13,437

14 0 30,488 20,722

15 0 13,983

16 0

(1) anggota

cluster

1 adalah bank, sekolah, restoran, SPBU, perguruan tinggi,

perkantoran,

mart

& sejenisnya, pasar, bengkel, konstruksi, pergudangan,

zona parkir, menara pemancar dan parkir dalam area.

(2) anggota

cluster

2 adalah pedagang kaki lima, dan

(3) anggota

cluster

3 adalah perumahan.

Gambar 1. Dendogram denganSingle Linkage

Langkah terakhir adalah memberi ciri spesifik untuk menggambarkan isi

cluster

ter-sebut melalui rata-rata emisi pada Tabel 6.

Cluster

pertama merupakan 14 kategori

commit to user

dari kategori sumber

cluster

lainnya. Pada

cluster

kedua memiliki nilai rata-rata

emisi kurang dari

cluster

ketiga, yang memiliki nilai rata-rata emisi tertinggi.

Tabel 6. Rata-Rata Emisi untuk 16 Kategori Sumber Emisi

No. Kategori Sumber Rata-Rata No. Kategori Sumber Rata-Rata

1 Bank 1,196 9 Pasar 162,859

2 Perumahan 5211,63 10 Bengkel 15,792

3 Sekolah 466,982 11 Konstruksi 2,04

4 Restoran 388,523 12 Pergudangan 1,5407

5 SPBU 34,456 13 Zonasi Parkir 2,9759

6 Perguruan Tinggi 121,588 14 Pedagang Kaki Lima 422,497 7 Perkantoran 0,755 15 Menara Pemancar 0,5653 8 Mart dan Sejenisnya 0,076 16 Parkir Dalam Area 78,819

5.

Kesimpulan

Berdasarkan pembahasan, dapat diambil kesimpulan bahwa hasil

cluster

yang

terbentuk dari data sumber emisi tahun 2011 adalah

(1)

cluster

pertama : bank, sekolah, restoran, SPBU, perguruan tinggi,

perkan-toran,

mart

dan sejenisnya, pasar, bengkel, konstruksi, pergudangan, zonasi

parkir, menara pemancar dan parkir dalam area sebagai kelompok nilai

de-ngan emisi rendah,

(2)

cluster

kedua : pedagang kaki lima yang digolongkan sebagai kelompok

de-ngan nilai emisi sedang, dan

(3)

cluster

ketiga : perumahan sebagai kelompok dengan nilai emisi tinggi.

DAFTAR PUSTAKA

1. Austin, E., B. Coull, D. Thomas, and P. Koutakris, A Framework for Identifying Distinct Multipollutant Profiles in Air Pollution Data, Environment International Journal45_(2012). 2. Billionnet, C., D. Sherrill, and I. A. Maesano, Estimating the Health Effects of Exposure to

Multi-Pollutant Mixture, AEP22 _{(2012), 126–141.}

3. Dinas Perhubungan Komunikasi dan Informatika Kota Surakarta, Uji Gas Emisi, Banyak Mobil Melebihi Ambang Batas Gas Emisi, (2014).

4. Ismiyati, D. Marlita, dan D. Saidah,Pencemaran Udara Akibat Emisi Gas Buang Kendaraan Bermotor, Jurnal Manajemen Transportasi dan Logistik01_{(2014), no. 03, 241–248.}

5. Johnson, R.A., and D.W. Wichern,Applied Multivariate Statistical Analysis, fourth ed., Pren-tice Hall Inc., United States of America, 1998.

6. Daily Mail,Now that’s Global Warming: Interactive Maps Reveal which Countries have Emit-ted The MostCO₂ Over The Last 160 Years, (2014).

7. Mubtada’i, N.R., M. Yuliana, dan B.I. Priyambodo,Analisa Perbandingan Clustering Metode Manual dan Metode Single Linkage untuk Menentukan Kinerja Agent di Call Centre Berba-sis Asterisk for Java, The 13th Industrial Electronics Seminar 2011 Electronic Engineering Polytechnic Institute Of Surabaya (2011).

8. Plaisance, H., A. Blondel, V. Desauziers, and P. Mocho, Hierarchical Cluster Analysis of Carbonyl Compounds Emission Profiles from Building And Furniture Materials, Building And Environment Journal75_{(2014), 40–45.}

9. Rencher, A.C.,Methods of Multivariate Analysis, second ed., John Wiley and Sons Inc., United States of America, 2002.