PRESENTASI TUGAS AKHIR JUM AT, 13 JUNI 2014

(1)

PRESENTASI TUGAS AKHIR

JUM’AT, 13 JUNI 2014

(2)

VISUALISASI KUALITAS UDARA UNTUK

MENENTUKAN TITIK RAWAN POLUSI

MENGGUNAKAN ALGORITMA SELF-ORGANIZING

MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA

OLEH:

(3)

OUTLINES

▪ Latar Belakang

▪ Rumusan Masalah

▪ Batasan Masalah

▪ Tujuan

▪ Manfaat

▪ Tinjauan Pustaka

▪ Metode Penelitian

▪ Pengolahan Data dan Implementasi

▪ Uji Coba dan Analisis Hasil

(4)

LATAR BELAKANG

Polusi atau pencemaran udara menurut UU Republik Indonesia nomor 23 tahun 1997:

Masuk atau di masukkannya zat, energi, makhluk hidup dan atau komponen lain kedalam suatu lingkungan yang

dilakukan oleh manusia sehingga kualitas dari lingkungan tersebut turun sampai pada tingkat tertentu yang

menyebabkan lingkungan tidak bisa digunakan sebagaimana mestinya.

Sumber Pencemaran Utama:

Polutan Pencemar Utama:

Perubahan komposisi dari zat udara sehingga kualitas dari zat tersebut menjadi

berkurang atau tidak bisa lagi diperuntukkan sesuai fungsinya.

(5)

Pengendalian Pencemaran Utama:

Metode pemodelan terhadap

pengukuran kualitas udara.

1. Teknik dan pengukuran

2. Pengoptimalan atau pembatasan terhadap polutan

3. Pemodelan dengan pengklasteran daerah kedalam

kelas tertentu

1. Algoritma K-means

2. Self-Organizing Maps

Output

Mempresentasikan

kondisi

polusi udara dan titik rawan

polusi di wilayah kota Surabaya

(6)

RUMUSAN MASALAH

Bagaimana membuat suatu clustering kualitas udara berdasarkan

parameter-parameter tertentu berdasarkan lokasi stasiun pemantau kualitas udara ambien,

sehingga dapat diketahui lokasi titik rawan polusi di wilayah kota Surabaya.

BATASAN MASALAH

1. Data yang digunakan adalah data yang didapatkan dari Badan Lingkungan Hidup

Kota Surabaya dan Unit Pelaksana Teknis Badan Laboratorium Lingkungan Hidup

Surabaya

2. Sistem yang digunakan untuk menggunakan aplikasi Matlab

3. Keluaran yang dihasilkan pada visualisasi ini adalah pemodelan terhadap kualitas

udara pada kota Surabaya

(7)

TUJUAN

1. Memperoleh hasil dan solusi dari analisis desain pemodelan terhadap kualitas udara yang

ada daerah di kota Surabaya

2. Mengetahui tingkat akurasi algoritma dan clustering dalam desain pemodelan terhadap

kualitas udara

3. Hasil visualisasi kualitas udara ini mampu menentukan titik rawan polusi di bagian wilayah

kota Surabaya

MANFAAT

Membantu Pemerintah Kota Surabaya khususnya lembaga Badan Lingkungan Hidup Surabaya

dan Unit Pelaksana Teknis Badan Laboratorium Lingkungan Hidup Surabaya untuk melakukan

evaluasi dalam rangka terciptanya udara yang bersih dan sehat yang memenuhi baku mutu

kualitas udara

(8)

TINJAUAN PUSTAKA



Visualisasi kualitas udara

▪ Visualisasi merupakan rekayasa dalam pembuatan gambar atau diagram untuk menampilkan suatu

informasi

▪ Dalam penelitian ini, Kohonen’s SOFM merupakan tool atau alat untuk memvisualisasikan data dalam

dimensional tinggi



Kohonen’s self-organizing feature maps (KSOFM)

▪ Kohonen’s self-organizing feature maps (KSOFM), merupakan salah satu model unsupervised neural

network yang paling popular dimana nilai dari data space sekaligus melakukan topologi untuk

mendapatkan proyeksi dari data space menjadi dua bentuk dimensi (Kohonen, 1997)

▪ Jaringan ini memiliki kemampuan visualisasi dalam memberikan gambar informatif data space dan dalam

mengeksplorasi vektor data atau seluruh data set yang ada.

(9)

TINJAUAN PUSTAKA (CONT’D)



Clustering Kualitas udara

▪ Proses mengelompokkan objek berdasarkan informasi yang diperoleh dari data yang menjelaskan

hubungan antar objek dengan prinsip untuk memaksimalkan kesamaan antar anggota satu kelas dan

meminimumkan kesamaan antar kelas/cluster

(10)

TINJAUAN PUSTAKA (CONT’D)



Air Quality Management Kota Surabaya

▪ Status kualitas udara saat ini telah disajikan di Indonesia khususnya di kota-kota tertentu yang tercakup dalam Air Quality

Management System (AQMS)

▪ AQMS di Indonesia meliputi 10 kota di Indonesia, yaitu Jakarta, Bandung, Semarang, Surabaya, Denpasar, Medan,

Pekanbaru, Palangka Raya, Jambi, dan Pontianak

▪ Setiap kota dilengkapi dengan stasiun tetap monitoring, stasiun pemantauan ponsel, pusat regional dan pusat kalibrasi

regional

▪ Adapun stasiun pemantauan udara ambient secara permanen di Kota Surabaya diletakkan pada:

1. The Yard of Prestasi Park, Ketabang Kali Street (represents Urban Center area, Settlement area, Office

area-Central Surabaya)

2. The Yard of Sub-district Office of East Perak, Selangor Street (represents Office area, nearby Industry area,

Warehousing area- North Surabaya)

3. The Yard of Mayor’s Assistant Office in West Surabaya, Sukomannungal Streets (represent Settlement area, Urban

Periphery- West Surabaya)

4. The Yard of Gayungan District, Gayungan Street (represents Settlement area-nearby Surabaya-Gempol Toll-South

Surabaya).

5. The Yard of Convention Hall, Arif Rahman Hakim Street (represents Settlement area, Campus area, Office

area-East Surabaya)

(11)

TINJAUAN PUSTAKA (CONT’D)



Public Display Data ditempatkan di

1. Di depan Monumen Kapal Selam , Gubeng Pojok Jalan (Central Surabaya)

2. Di depan BAPPEDA Provinsi Jawa Timur , Jalan Pahlawan (Surabaya Utara)

3. Ring Road, Mayjend Sungkono Jalan (Surabaya Barat)

4. Perempatan Dharmawangsa Street dan Kertajaya Jalan (Surabaya Timur)

5. Di depan BNI Graha Pangeran , A. Yani (Surabaya Selatan)



Parameter yang Diukur

Parameter yang diukur dalam stasiun pemanatau kualitas udara di Kota

Surabaya ada 16 (enam belas) parameter, yang terdiri dari:



5 (lima) parameter kunci: PM

₁₀

, SO

₂

, O

₃

, NO

₂

, CO.



11 (sebelas) parameter pendukung dan meteorologi: NO, NOx,

kecepatan angin (FF), kecepatan hembusan angina (FF Boe), arah angina

(DD), arah hembusan angina (DD Boe), kelembaban udara ambien,

kelembaban udara ambien, kelembaban udara container, suhu udara

ambien, suhu container dan global radiasi

No .

Parameter Waktu Pengukuran

1 Partikulat (PM10) 24 Jam (periode pengukuran

rata-rata)

2 Sulfur Dioksida (SO₂) 24 Jam (periode pengukuran rata-rata)

3 Carbon Monoksida (CO)

8 Jam (periode pengukuran rata-rata)

4 Ozon (O3) 1 Jam (periode pengukuran

rata-rata) 5 Nitrogen Dioksida

(NO2)

1 Jam (periode pengukuran rata-rata)

(12)

TINJAUAN PUSTAKA (CONT’D)



Verifikasi Sistem

• Quantization Error

Quantization Error (QE) merupakan salah satu bentuk pengukuran untuk vektor kuantisasi dan clustering

algorithms. Komputasi untuk QE ini adalah menentukan rata- rata jarak dari contoh vector pada cluster

centroids yang merepresentasikan hasil clustering. Dengan cara melakukan perbandingan hasil QE dengan

data set lainnya juga merupakan salah satu cara pengukuran.

• Topography Error

Topography Error merupakan metode pengukuran topology preservation yang cukup sederhana. Komputasi

yang dilakukan adalah menentukan masing- masing nilai terbaik dan kedua terbaik pada matching units. Jika

tidak berdekatan ataupun berbatasan pada map, maka dipertimbangkan sebagai sebuah kesalahan

(13)



Validasi

• RMSSTD

Root mean square standard deviation (RMSSTD) merupakan metode evaluasi yang

digunakan untuk mengukur kualitas dari clustering algorithm. Semakin kecil nilai dari

RMSSTD, maka semakin baik pembagian dari bentuk cluster.

𝑅𝑀𝑆𝑆𝑇𝐷 =

𝑗=1..𝑝 𝑖=1..𝑘 𝑎=1 𝑛_𝑖𝑗

(𝑥

_𝑎

− 𝑥

_𝑖𝑗

)

2 𝑗=1..𝑝 𝑖=1..𝑘

_(𝑛

𝑖𝑗

− 1)

• R-Squared

R-squared value (RS) digunakan untuk menentukan apakah terdapat perbedaan yang

signifikan pada objek di grup yang berbeda dan pada objek di sama grup yang memiliki

kesamaan yang tinggi Dengan kata lain, semakin besar nilai RS, maka diindikasi semakin

bagus cluster yang dihasilkan.

𝑅𝑆 =

𝑆𝑆

𝑡

− 𝑆𝑆

𝑤

𝑆𝑆

_𝑡

,

𝑆𝑆

𝑡

=

𝑗=1 𝑝 𝑎=1 𝑛_𝑗

(𝑥

_𝑎

− 𝑥

_𝑗

)

2

,

𝑆𝑆

_𝑤

=

𝑗=1 𝑖=1..𝑘 𝑎=1 𝑛_𝑖𝑗

(𝑥

_𝑎

− 𝑥

_𝑖𝑗

)

2

(14)

• Entropy

Entropy adalah clustering validation berdasarkan kriteria eksternal untuk K-means clustering.

Sebagai kriteria eksternal entropy menggunakan informasi eksternal yaitu class label. Semakin

banyak jumlah clustering validation, maka nilai entropy semakin meningkat. Entropy sering

disebut sebagai “biased effect” dari pengukuran entropy

• Davies Bouldin Index

Davies- Boulding Index (DBI) merupakan salah satu teknik mengukur tingkat validitas hasil klaster

dengan cara membentuk matrix untuk mengevaluasi algoritma clustering.

𝐷𝐵 =

1 𝑛

_𝑐 𝑖=1 𝑛_𝑐

𝑚𝑎𝑥

_{𝑙 ≠𝑚}

𝑆

𝑐

𝑄

𝑘

+ 𝑆

𝑐

𝑄

𝑙

𝑆

_𝑐𝑐

𝑄

_𝑘

, 𝑄

_𝑙

(15)

METODE PENELITIAN

Identifikasi permasalahan

• Wawancara untuk

mengetahui

bagaimana

pengelolaan

terhadap

pencemaran udara

• Melakukan

Observasi dan

pengamatan pada

titik stasiun

pemantauan udara

untuk mengetahui

kondisi udara.

Studi Literatur

• Pembelajaran

literatur terkait

dengan konsep

serta metode yang

digunakan untuk

menyelesaikan

permasalahan

Pengumpulan Data

• Instansi terkait:

Badan Lingkungan

Hidup dan Unit

Pelaksana Teknis

Badan

Laboratorium

Lingkungan Kota

SUrabaya

• Desain parameter

Praprocessing Data

• Tujuan dari proses ini

adalah menghilangkan

noise, memperjelas

fitur data,

memperkecil/

memperbesar ukuran

data, dan

mengkonversi data asli

agar diperoleh data

yang sesuai kebutuhan

Tahap Pelaksanaan Algoritma

Daily Reports terhadap

Udara Surabaya

Pengambilan dan pembersihan Data

Self Organizing Maps (SOM) cluster

Hasil cluster yang didapat K-means cluster Hasil cluster K-means Clustering Validation Apakah hasil telah valid? Melakukan uji verifikasi Melakukan Analisa Data Hasil Analisa YA TIDAK

(16)

PENGOLAHAN DATA DAN IMPLEMENTASI

Pengumpulan Data

1. Parameter yang diukur

No. Parameter 1 Nilai ISPU 2 Partikulat (PM10)

3 Sulfur Dioksida (SO2)

4 Carbon Monoksida (CO) 5 Ozon (O3)

6 Nitrogen Dioksida (NO2)

2. Pemantauan Kualitas Udara Otomatis

Stasiu n

Lokasi Pemantauan Wilayah

SUF1 Halaman Taman Prestasi, Jl.Ketabang Kali

Surabaya Pusat SUF2 Halaman Kantor Kelurahan Perak

Timur, Jl.Selangor

Surabaya Utara SUF3 Halaman Kantor Pembantu Walikota

Surabaya Barat, Jl.Sukomanunggal

Surabaya Barat SUF4 Halaman Kecamatan Gayungan,

Jl.Gayungan

Surabaya Selatan SUF5 Halaman Convention Hall, Jl.Arif

Rahman Hakim

Surabaya Timur

Proses Penyeleksian dan Pembersihan Data

1. Identifikasi Atribut

Equation Penjelasan

Stasiun yang dilakukan pemantauan pada waktu t

Nilai parameter sampai urutan ke k pada waktu t Nilai j menunjukkan penempatan kelas berdasarkan nilai

P Pattern atau pola

Nama Atribut Keterangan

Nilai Konsentrasi Nilai konsentrasi yang didapatkan dengan cara pengukuran otomatis pada masing- masing unsur Stasiun Lokasi pengukuran yang telah ditempatkan di

bagian- bagian Kota Surabaya

Bulan Pengukuran nilai konsentrasi berdasarkan waktu setiap bulannya

(17)

PENGOLAHAN DATA DAN IMPLEMENTASI

Proses Penyeleksian dan Pembersihan Data

(Lanjutan)

2. Merubah Nilai Atribut

3. Standarisasi Niai

) 𝑆 = 𝑆𝑇𝐴𝑁𝐷𝐴𝑅𝐷𝐼𝑍𝐸(𝑥; 𝑚𝑒𝑎𝑛; 𝑠𝑡𝑎𝑛𝑑𝑑𝑒𝑣

(18)

PENGOLAHAN DATA DAN IMPLEMENTASI

Pengerjaan Algoritma

1. Inisialisasi Klaster

2. Tahapan Algoritma SOM

Memasukkan data hasil praprocessing

Inisialisasi Weight

Penentuan klaster berdasarkan inputan

dari data weight terakhir

Didapatkan weight dengan nilai paling

optimal, dan didapatkan pula hasil

klustering

3. Validasi Algoritma SOM

Validasi ini digunakan untuk membandingkan nilai klaster

mana yang memiliki tingkat kesalahan paling kecil

menggunakan metode Root Median Square Standart

Deviation (RMSSTD)

Nama Klaster

Jumlah Klaster Inisialisasi Kluster 1 2 klaster yang terbentuk Klaster a b Kluster 2 3 klaster yang terbentuk Klaster c d e Kluster 3 4 klaster yang terbentuk Klaster f g h i

Klaster Nama Klaster Nilai RMSSTD Klaster 1 Klaster a b 1.009044 Klaster 2 Klaster c d e 1.00178 Klaster 3 Klaster f g h i 1.072923 0.95 1 1.05 1.1 1.009043919 1.001779758 1.072923305

RMSSTD

(19)

PENGOLAHAN DATA DAN IMPLEMENTASI

Pengerjaan Algoritma (Lanjutan)

4. Tahapan Algoritma SOM

Menentukan koordinat titik tengah

setiap kluster yang didapatkan dari hasil

Algoritma SOM yang telah tervalidasi

Menentukan jarak setiap obyek

terhadap koordinat titik tengah

Mengelompokkan obyek- obyek

berdasarkan pada jarak minimumnya.

(20)

PENGOLAHAN DATA DAN IMPLEMENTASI

Visualisasi Hasil

1. Matlab Network Clustering Tool

Mengetikkan fungsi nctool

Muncul jendela Neural

Network Clustering Tool

Memasukkan data yang

telah dibuat, dan dilakukan proses import data menjadi format yang ditentukan oleh matlab

Menentukan jumlah baris dan kolom dalam satu grid atau kotak.

Untuk baris dan kolom terdapat sampai baris ke 10 (default dari

matlab), sedangkan total neuron

berjumlah 100.

Muncul jendela Train

Network dan klik Train

untuk mendapatkan hasil

proses algoritma SOM Proses run telah berjalan

maksimal dengan

dilakukan 200 iteration

dan untuk mengetahui

hasil klaster dapat meng-klik Plot yang ada.

(21)

PENGOLAHAN DATA DAN IMPLEMENTASI

Visualisasi Hasil (Lanjutan)

2. Matlab Somtoolbox

a. Construction of data sets

Mengubah data dari Ms. excel agar sesuai dengan format Matlab untuk dilakukan fungsi menggunakan Somtoolbox

Tahap untuk melakukan

transformasi atau normalisasi,

pemilihan data untuk dihilangkan atau nilai mengandung kesalahan menggunakan fungsi

sD = som_normalize(sD,'var');

Fungsi som_make pada somtoolbox merupakan salah satu caar untuk melakukan inisialisasi dan training pada SOM.

sM=som_make (sD);

Dilakukan visualisasi terhadap hasil SOM

menggunakan som_show pemetaan

menggunakan som_show_add sM = som_autolabel(sM,sD, 'vote'); som_show(sM, 'umat','all','comp',1:5, 'empty','Labels','norm','d'); som_show_add('label',sM,'subplot',7); b. Data preprocessing

c. Initialization and Training

(22)

PENGOLAHAN DATA DAN IMPLEMENTASI

3. Peltarion Synapse

Halaman awal

Peltarion Synapse

Melakukan proses import

data menggunakan CSV

File.

Melakukan Browse filename

yang digunakan untuk

dilakukan pengolahan

Tampilan data dengan hanya dipisahkan oleh koma

Memilih SOMView untuk

selanjutkan akan didapatkan hasil visualisasi SOM

Mengubah format file

yang hanya dipisahkan oleh koma menjadi field untuk memudahkan pada langkah selanjutnya

(23)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. StatPlanet

a. Layer Peta

Memasukan peta ke dalam peta template (map.fla) sesuai dengan peta yang telah dibuat

Visualisasi Hasil (Lanjutan)

b. Layer Batas

Memasukan batas peta ke dalam map.fla

c. Membuat link peta pada StatPlanet Data Editor

Pada StatPlanet_data_editor.xlsm, pertama masukan ‘nama asli’ peta regional, dan kemudian ‘instance name’ atau kode yang digunakan dalam file peta (map.fla) sesuai dengan nama wilayah yang ditentukan.

Daftar kode yang digunakan adalah Surabaya Barat menjadi SB, Surabaya Timur menjadi ST, Surabaya Pusat menjadi SP, Surabaya Selatan menjadi SS, dan Surabaya Utara menjadi SU.

d. Memasukkan data pada StatPlanet Data Editor Sheet ‘Import’ dan masukan data pada peta. Juga bisa dilakukan dengan menggunakan tombol ‘Import data’ untuk mengimpor data secara otomatis.

(24)

UJI COBA DAN ANALISIS HASIL

Uji Verifikasi Sistem

Verifikasi sistem dilakukan dengan cara memasukkan data selain penelitian untuk menguji ketepatan sistem yang telah dibangun. Data yang digunakan merupakan data iris

Uji Verifikasi Kluster

Uji verifikasi terhadap kluster yang dihasilkan dengan menggunakan som

toolbox. Dimana memiliki kemampuan untuk mengukur kebenaran

terhadap pemetaan data penelitian dengan proyeksi yang optimal yang termasuk didalamnya adalah rata- rata dari quantization errors (QE) dan beberapa topographic errors (TE)

Dari hasil perbandingan pada tabel diatas menunjukkan bahwa dengan menggunakan kombinasi metode SOM dan k-mean hasil klasifikasi yang didapatkan memiliki tingkat kesalahan lebih kecil dibandingkan dengan metode SOM saja

Membandingkan hasil dengan menggunakan data template yaitu data iris. Berdasarkan tabel yang didapatkan, perbedaan hasil yang didapatkan tidak memiliki nilai yang terlampau jauh dengan data Iris yang merupakan data telah teruji

Algoritma QE TE

SOM kombinasi K-Means 0.285 0.016

SOM 0.401 0.042

K-Means 0.486 0.068

Algoritma QE TE

Iris 0.418 0.013

(25)

UJI COBA DAN ANALISIS HASIL

Uji Validasi

Dalam penelitian yang dilakukan uji validasi dalam menentukan apakah hasil klaster telah sesuai dan optimal. Hasil kluster akan diukur menggunakan beberapa teknik clustering validation. Pada tabel diatas, penulis akan memperlihatkan validasi untuk masing- masing metode clustering yang digunakan.

Metode Metode Validasi

Self Organizing Maps Pengukuran menggunakan RMSSTD, yang telah dijelaskan pada bab 4

K-means Pengukuran dilakukan dengan

menggunakan nilai entropy dengan membandingkan jumlah klustering yang ditentukan yaitu klaster 1 sampai klaster 3 Self Organizing Maps kombinasi dengan

K-means

Pengukuran validitas yang dilakukan dari awal sampai akhir dari penelitian ini.

(26)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Deskripsi Klasifikasi (Taxonomi Description)

a. Penyederhanaan Data

Menetapkan struktur sesuai dengan hasil observasi dan kemudian dikompokkan untuk analisis selanjutnya. Berikut ini adalah hasil penyederhanaan data

Analisis Interaksi terhadap Data

b. Identifikasi Hubungan

Hubungan antar atribut diidentifikasi secara

empiris. Struktur analisis cluster yang

sederhana mampu menggambarkan adanya hubungan atau kesamaan dan perbedaan sesuai dengan kebutuhan untuk memenuhi tujuan

Nama Tabel (Sebelum) Nama Tabel (Sesudah)

Tanggal Nilai Konsentrasi

Bulan Stasiun Tahun Bulan Minimum Stasiun Maksimum Stasiun Rata- rata Nama Atribut/ Tabel Keterangan Nilai Konsentrasi

Nilai konsentrasi yang didapatkan dengan cara pengukuran otomatis pada masing- masing unsur

Stasiun Lokasi pengukuran yang telah ditempatkan di bagian- bagian Kota Surabaya

Bulan Pengukuran nilai konsentrasi berdasarkan waktu setiap bulannya

(27)

PENGOLAHAN DATA DAN IMPLEMENTASI

2. Desain terhadap Penelitian dalam Analisis Cluster

a. Standarisasi Data

Standarisasi terhadap data dilakukan dengan melakukan substraksi nilai rata- rata dan membagi dengan standar deviasi masing-masing variabel

Analisis Interaksi terhadap Data

b. Mengukur Kesamaan Data

Metode RMSSTD merupakan salah satu

metode untuk mengukur kesamaan data atau

proses evaluasi yang digunakan untuk

mengukur kualitas dari clustering algorithm. Semakin kecil nilai dari RMSSTD, maka semakin baik pembagian dari bentuk cluster

Berdasarkan nilai yang dihasilkan menggunakan metode RMSSTD didapatkan dua unsur yang nilainya berbeda

dengan unsur lainnya yang diteliti yaitu Unsur O₃dan unsur

SO₂. Dengan nilai RMSSTD berada pada rekomendasi kedua

yaitu dilakukan dengan dilakukan pembagian kluster

sebanyak 4 untuk SO₂dan pembagian kluster sebanyak 2

untuk O₃. Sedangkan unsur lainnya menunjukkan nilai

RMSSTD dengan rekomendasi pertama yaitu pembagian kluster sebanyak 3.

Adanya hasil yang menyimpang tersebut maka dilakukan dua tindakan yaitu menganalisis apakah dua unsur tersebut memiliki bobot yang berbeda dengan unsur- unsur yang lainnya ataukah bobot dari seluruh unsur yang ditetiti adalah setara. (Berdasarkan Laporan Pemeliharaan Stasiun

Monitoring Udara Ambient Tahun 2008 (

Kep-107/KABAPEDAL/11/1997))

Unsur Nama Klaster Nilai RMSSTD ISPU (Nilai Keseluruhan) Klaster a b 1.009043919 Klaster c d e 1.001779758 Klaster f g h i 1.072923305 CO Klaster a b 1.142621036 Klaster c d e 0.653672873 Klaster f g h i 1.371552774 NO2 Klaster a b 0.908545706 Klaster c d e 0.609021788 Klaster f g h i 1.605771531 O3 Klaster a b 1.214145746 Klaster c d e 1.600474716 Klaster f g h i 1.633340841 PM10 Klaster a b 1.173978921 Klaster c d e 1.065903541 Klaster f g h i 1.439794084 SO2 Klaster a b 1.457786539 Klaster c d e 1.287995208 Klaster f g h i 1.140740332

(28)

PENGOLAHAN DATA DAN IMPLEMENTASI

2. Desain terhadap Penelitian dalam Analisis Cluster

d. Mendeteksi outlier

Outlier merupakan variabel yang memiliki nilai berbeda dengan nilai variabel yang lainnya atau nilai variabel yang menyimpang.

Entropy merupakan salah satu teknik validitas

proses clustering yang digunakan untuk

mengukur biased effect yaitu tingkat

penyimpangan hasil clustering yang dihasilkan

Analisis Interaksi terhadap Data

Dengan hasil yang didapatkan berdasarkan tabel diatas maka untuk clustering dengan pembagian klaster sebanyak 3 memiliki nilai entropy terkecil dibandingkan jumlah klaster lainnya, namun terdapat satu unsur yang memiliki nilai entropy terbaik tidak pada pembagian klaster

sebanyak 3 yaitu unsur O₃. Namun perbedaan nilai entropy

yang dihasilkan oleh unsur tersebut tidak terlalu jauh dibandingkan pembagian klaster sebanyak 3 (berada pada urutan kedua) sehingga dapat dilakukan kesimpulan untuk nilai entropy ini bahwa nilai entropy terbaik dihasilkan dari pembagian sebanyak 3 klaster.

Unsur Nama Klaster Nilai Entropy ISPU (Nilai Keseluruhan) Klaster a b 3.139779 Klaster c d e 2.802700 Klaster f g h i 2.943659 CO Klaster a b 2.931186773 Klaster c d e 2.850489174 Klaster f g h i 2.955864321 NO2 Klaster a b 2.891321871 Klaster c d e 2.767884304 Klaster f g h i 2.800278179 O3 Klaster a b 2.261340741 Klaster c d e 2.5197744 Klaster f g h i 2.583771184 PM10 Klaster a b 2.808577447 Klaster c d e 2.448691154 Klaster f g h i 2.805158311 SO2 Klaster a b 2.033748463 Klaster c d e 2.033158459 Klaster f g h i 2.574259793

(29)

PENGOLAHAN DATA DAN IMPLEMENTASI

3. Proses Validasi dan Verifikasi Solusi Cluster

Tiga metode yang dilakukan dalam melakukan proses validasi dan verifikasi adalah dengan Davies Bouldin Index (DBI), dan Quantization Error (QE) serta Topography Error (TE)

Analisis Interaksi terhadap Data

Semakin rendah nilai dari DBI, maka semakin baik pembagian dari bentuk cluster. Sehingga dari tabel tersebut ditarik kesimpulan bahwa Kombinasi SOM dan K-means memiliki nilai DBI yang lebih rendah dibandingkan dengan hanya SOM saja, dengan begitu pengklasteran sebanyak 3 menunjukkan nilai paling optimal

Unsur Metode Klaster Nilai DBI

ISPU (Nilai Keseluruhan) SOM_{Kombinasi SOM dan K-means} 2.463220372_1.853457002

CO SOM 3.636903914

Kombinasi SOM dan K-means 2.561812478 NO2 SOM_{Kombinasi SOM dan K-means} 2.110417482_0.885502047

O3 SOM_{Kombinasi SOM dan K-means} 2.135225472_0.831734887

PM10

SOM 3.502232842

Kombinasi SOM dan K-means 0.623986571 SO2 SOM_{Kombinasi SOM dan K-means} 3.143125006_0.551741086

(30)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. Pembuatan Profil terhadap Solusi Cluster

Analisis Interaksi terhadap Data

Proses ini merupakan proses untuk menggambarkan karakteristik tiap klsster yang dihasilkan. Pendeskripsian yang berbeda untuk tiap klaster dan memprediksi anggota dalam suatu klaster khusus

Menggambarkan karakteristik tiap klaster yang dibentuk serta melakukan pendeskripsian terhadap atribut yang dianalisis. Berikut ini adalah karakteristik untuk kondisi kualitas udara Surabaya

Nilai ISPU (Keseluruhan)

Klaster Karakteristik Hasil

Klaster c

Jumlah Anggota Jumlah untuk kluster c adalah sebanyak 353 (32.2%)

Nilai Minimum 7

Nilai Maksimum ₉₆

Rata- Rata Nilai _{Rata- rata nilai ISPU untuk kluster c}

adalah 51

Stasiun Anggota lebih banyak dari stasiun 1, 4, dan 5

Klaster d

Jumlah Anggota _{Jumlah untuk kluster d adalah sebanyak}

334 (30.4%)

Nilai Minimum 52

Nilai Maksimum 131

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 84

Stasiun _{Anggota lebih banyak dari stasiun 3 dan}

4

Klaster e

Jumlah Anggota Jumlah untuk kluster e adalah sebanyak 409 (37.3%)

Nilai Minimum ₈₇ Nilai Maksimum ₁₈₉

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e adalah 101

(31)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)

Analisis Interaksi terhadap Data

Unsur CO Unsur NO2

Klaster c

Nilai Minimum _0,51 Nilai Maksimum _7,02

Rata- Rata Nilai Rata- rata nilai CO untuk kluster c adalah 1,59

Stasiun Anggota lebih banyak dari stasiun 5

Klaster d

Jumlah Anggota _{Jumlah untuk kluster d adalah}

sebanyak 596 (54.3%)

Nilai Minimum 0,34

Nilai Maksimum 8,61

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 1,83

Klaster e

Jumlah Anggota Jumlah untuk kluster e adalah sebanyak 18,5 (37.3%)

Nilai Minimum 1,29

Nilai Maksimum 8,43

Stasiun _Anggota _lebih _banyak _dari

stasiun 4 dan 5

Klaster c

Jumlah Anggota _{Jumlah untuk kluster c adalah}

Nilai Minimum 0,094

Nilai Maksimum 212,14

Rata- Rata Nilai _{Rata- rata nilai ISPU untuk}

kluster c adalah 48,2428

Klaster d

Jumlah Anggota Jumlah untuk kluster d adalah sebanyak 353 (32.2%)

Nilai Minimum _0.01566 Nilai Maksimum 176,2

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 50.7345

Stasiun Anggota lebih banyak dari stasiun 3 dan 4

Klaster e

Jumlah Anggota _{Jumlah untuk kluster e adalah}

Nilai Minimum 0.01566

kluster e adalah 54,5822

(32)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)

Analisis Interaksi terhadap Data

Unsur O3 Unsur PM10

Klaster c

Nilai Minimum 43,757

Nilai Maksimum _694,34

Stasiun Anggota lebih banyak dari stasiun 1 dan 5

Klaster d

sebanyak 89 (8.1%)

stasiun 1

Klaster e

Klaster c

Nilai Minimum 7

Nilai Maksimum ₉₆

kluster c adalah 51

Klaster d

Nilai Minimum 52

Nilai Maksimum 131

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 84

stasiun 3 dan 4

Klaster e

Nilai Minimum 87

Nilai Maksimum ₁₈₉

(33)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)

Analisis Interaksi terhadap Data

Unsur SO2

Klaster c

Nilai Maksimum ₁₁₀₁

Klaster d

Nilai Minimum 203

Nilai Maksimum 1393

stasiun 1 dan 5

Klaster e

Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e adalah 372,8715

(34)

PENGOLAHAN DATA DAN IMPLEMENTASI

4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)

Analisis Interaksi terhadap Data

Mengelompokkan dengan menggunakan kategori yang menunjukkan kondisi kualitas udara yang ada di Surabaya berdasarkan hasil yang didapatkan.

Dengan menggunakan beberapa asumsi dan berdasarkan Laporan

Pemeliharaan Stasiun Monitoring Udara Ambient Tahun 2008 ( Kep-107/KABAPEDAL/11/1997) (KABAPEDAL, 2008) maka penulis melakukan pembagian kategori dan pengaruhnya yang ditunjukkan pada tabel

Kategor i

CO NO2 O3 SO2 PM10

Baik Tidak ada efek Sedikit berbau Luka pada beberapa spesies tumbuhan akibat kombinasi SO2 (selama 4 jam) Luka pada beberapa spisies tumbuhan akibat kombinasi O3 (selama 4 jam) Tidak ada efek Sedang Perubahan kimia Darah tetapi tidak terdeteksi

Berbau Luka pada beberapa spesies tumbuhan Luka pada beberapa spesies tumbuhan Terjadi penurunan pada jarak pandang Tidak Sehat Peningkatan pada kardiovaskular pada perokok yang sakit jantung Berbaudan kehilangan warna, peningkatan reaktivitas pembuluh tenggorokan pada penderita asma Penurunan kemampuan pada atlit yang berlatih keras Berbau Meningkatnya kerusakan tanaman Jarak pandang turun dan terjadi pengotoran oleh debu Sangat Tidak Sehat Meningkat kardiovaskular pada perokok yang sakit jantung, dan tampak beberapa kelemahan yang terlihat nyata Meningkat sensitivitas pada pasien yang berpenyakit asma dan bronchitis Olahraga ringan mengakibatkan pengaruh pernapasan pada pasien yang berpenyakit paru-paru kronis Meningkat sensitivitas pada pasien yang berpenyakit asma dan bronchitis Meningkat sensitivitas pada pasien yang berpenyakit asma dan bronchitis Berbaha ya

Tingkat yang berbahaya bagi semua populasi yang terpapar

Klaster Kategori Index Penjelasan

Klaster c _Baik _{0 – 50} _{Tingkat kualitas udara yang tidak memberikan efek}

bagi kesehatan manusia atau hewan dan tidak berpengaruh pada tumbuhan, bangunan ataupun nilai estetika

Klaster d _Sedang _{51 – 100} _{Tingkat kualitas udara yang tidak berpengaruh pada}

kesehatan manusia atau hewan dan tidak berpengaruh pada tumbuhan yang sensitif, dan nilai estetika

Klaster e Tidak Sehat 101 – 199 Tingkat kualitas udara yang bersifat merugikan pada manusia ataupun kelompok hewan yang sensitif atau bisa menimbulkan kerusakan pada tumbuhan ataupun nilai estetika

(35)

PENGOLAHAN DATA DAN IMPLEMENTASI

5.Penentuan Titik Rawan Polusi

Analisis Interaksi terhadap Data

Berikut ini adalah analisis untuk menentukan titik rawan polusi. Penulis mendeskripsikan bahwa rawan polusi dapat diketahui dari hasil clustering yang terbentuk pada cluster dengan predikat Sangat Tidak Sehat (Kluster 4) dan Berbahaya (Kluster 5).

Kondisi Tidak Sehat

Bulan Terjadi Setiap bulan pada tiga tahun

penelitian

Lokasi SUF 1 (Surabaya Pusat) berjumlah

144

SUF 4 (Surabaya Selatan) berjumlah 130

SUF 5 (Surabaya Timur) berjumlah 101 178 130 101 S U R A B A Y A P U S A T S U R A B A Y A S E L A T A N S U R A B A Y A T I M U R

LOKASI TITIK RAWAN POLUSI

BERDASARKAN KONDISI

UDARA TIDAK SEHAT

Total Jumlah Lokasi TItik Rawan Polusi

(36)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool

1. Plot SOM Neighbor Distances

Analisis Interaksi terhadap Visualisasi

2. Plot SOM Weight Planes

Grafik ini menunjukkan weight plane untuk setiap elemen dari input vector (terdapat 5 input yang dilakukan oleh peneliti). Grafik ini menunjukkan visualisasi dari weight setiap input pada masing- masing neuron. Warna cerah mewakili lebih besar dan warna gelap mewakili lebih kecil bobot masing- masing

Jenis Penjelasan

Indikator -1 sampai 8 Jumlah kolom Indikator 0 sampai 10 Jumlah baris Segienam biru Mewakili neuron

Garis merah Menghubungkan antar neuron

Warna- warna di daerah yang berisi garis- garis merah

Jarak antar neuron

Warna- warna gelap Menunjukkan jarak yang lebih besar, atau data yang memiliki perbedaan jauh

Warna- warna cerah Menunjukkan jarak yang lebih dekat, atau data saling berkorelasi

3. Plot SOM Sample Hits

Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik menunjukkan jumlah data yang cukup merata disetiap neuron.

4. Plot SOM Weight Positions

Grafik yang ditunjukkan pada SOM Weight Planes digunakan untuk menunjukkan lokasi dari titik data dan weight vector (vector berat).

Pada hasil yang ditunjukkan

merupakan hasil dari 200 kali iterasi dari algoritma batch yang telah dilakukan pada keseluruhan data.

(37)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

ISPU Plot SOM Neighbor

Distances

Plot didominasi dengan warna cerah yaitu kuning dan oranye yang menunjukkan jarak yang lebih dekat dan data terlihat berkorelasi tinggi, namun hanya terlihat sedikit warna gelap. Sehingga konvergensi terhadap hasil clustering terlihat cukup tinggi

Plot SOM Weight Planes

Grafik ini menunjukkan visualisasi dari weight setiap input pada masing- masing neuron. Untuk Input 1 yang menunjukkan nilai ISPU, lebih didominasi dengan warna cerah dengan bobot lebih kecil, namun untuk input yang lainnya nilai cerah dan gelap cukup merata.

Plot SOM Sample Hits

Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik menunjukkan jumlah data yang cukup merata disetiap neuron

Plot SOM Weight Positions

Lokasi dari titik data dan weight vector (vector berat). Pada hasil yang ditunjukkan merupakan hasil dari 200 kali iterasi dari algoritma batch yang telah dilakukan pada keseluruhan data.

(38)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

Unsur CO

CO Plot SOM Neighbor

Distances

Plot SOM Weight Planes Grafik ini menunjukkan visualisasi dari weight setiap input pada masing- masing neuron. Untuk keseluruhan input menunjukkan weight dari nilai ISPU, lebih didominasi dengan warna gelap dengan bobot yang cukup besar.

Plot SOM Sample Hits Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik

menunjukkan jumlah data yang merata dengan baik disetiap neuron

(39)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

Unsur NO2

NO2 Plot SOM Neighbor

Distances

Plot SOM Sample Hits Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik

menunjukkan jumlah data yang cukup merata disetiap neuron Plot SOM Weight Positions Lokasi dari titik data dan weight vector (vector berat). Pada

hasil yang ditunjukkan merupakan hasil dari 200 kali iterasi dari algoritma batch yang telah dilakukan pada keseluruhan data.

(40)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

Unsur O3

O3 Plot SOM Neighbor Distances

Grafik ini menunjukkan visualisasi dari weight setiap input pada masing- masing neuron. Untuk keseluruhan input menunjukkan weight dari nilai ISPU, lebih didominasi dengan warna gelap dengan bobot yang cukup besar.

Plot SOM Sample Hits Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik menunjukkan jumlah data yang cukup merata disetiap neuron

Lokasi dari titik data dan weight vector (vector berat). Pada hasil yang ditunjukkan merupakan hasil dari 200 kali iterasi dari algoritma batch yang telah dilakukan pada keseluruhan data. Terdapat nilai weight yang cukup jauh dengan yang lainnya karena terdapat data yang memiliki jarak cukup jauh

(41)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

PM10

PM10 Plot SOM Neighbor

Distances

Grafik ini menunjukkan visualisasi dari weight setiap input pada masing- masing neuron. Untuk keseluruhan input menunjukkan weight dari nilai ISPU, lebih didominasi dengan warna gelap dengan bobot yang cukup besar.

Plot SOM Sample Hits Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik menunjukkan jumlah data yang merata dengan baik disetiap neuron

(42)

PENGOLAHAN DATA DAN IMPLEMENTASI

1. Matlab Network Clustering Tool (Lanjutan)

Analisis Interaksi terhadap Visualisasi

SO2

SO2 Plot SOM Neighbor

Distances

Plot SOM Sample Hits Grafik ini menunjukkan berapa titik data yang terkait dengan setiap neuron. Data yang terbaik adalah jika grafik menunjukkan jumlah data yang cukup merata disetiap neuron

Lokasi dari titik data dan weight vector (vector berat). Pada hasil yang ditunjukkan merupakan hasil dari 200 kali iterasi dari algoritma batch yang telah dilakukan pada keseluruhan data. Terdapat nilai weight yang cukup jauh dengan yang lainnya karena terdapat data yang memiliki jarak cukup jauh.

(43)

PENGOLAHAN DATA DAN IMPLEMENTASI

2. Matlab Som Toolbox

Analisis Interaksi terhadap Visualisasi

Berikut ini adalah hasil dari analisis yang dilakukan oleh

penulis terhadap data yang telah diolah sehingga

menghasilkan visualisasi yang ditampilkan untuk mengetahui hasil clustering terhadap lokasi pada map SOM dan porsinya. Keterangan mengenai kluster dijelaskan di bab Pembuatan Profil Terhadap Solusi Cluster pada tabel Pembagian kategori berdasarkan klaster yang terbentuk.

Unsur SO2 Unsur PM10

(44)

PENGOLAHAN DATA DAN IMPLEMENTASI

3. Peltarion Synapse

Analisis Interaksi terhadap Visualisasi

Unsur SO2

Unsur PM10 Unsur O3

Unsur NO2 Unsur CO

Nama Bagian Penjelasan

Maplets

Cluster: Menunjukkan jumlah klaster yang dibentuk

Unified distance matrix Menunjukkan rata- rata jarak antar nodes pada SOM

Maplets lainnya Merepresentasikan fitur- fitur yang ada pada data. Setiap fitur terdapat satu maplets.

Maplet GUI interaction

1. Nama Maplet

2. SOM node (many data points)

3. SOM node no data points) 4. Maplet spectrum

Hasil dari analisis yang dilakukan oleh penulis terhadap data yang telah diolah menghasilkan visualisasi yang ditampilkan masing-masing sesuai dengan atribut (unsur) masing-masing- masing-masing sebagai berikut

(45)

PENGOLAHAN DATA DAN IMPLEMENTASI

Analisis Interaksi terhadap Peta

Berikut ini adalah hasil dari dari visualisasi menggunakan peta. Seperti telah dijelaskan diatas bahwa penulis juga melakukan analisis menggunakan peta menggunakan aplikasi bantuan Statsilk. Terlihat seperti dibawah ini

Dengan hasil pada gambar diatas, maka hasil cluster terlihat dari perbedaan warna yang didapatkan menunjukkan kondisi dari kualitas udara. Terdapat pilihan terhadap wilayah, terhadap waktu, dan pilihan berdasarkan parameter tertentu. Pilihan- pilihan tersebut akan mempengaruhi hasil peta yang ada ditengah- tengah visualisasi

(46)

KESIMPULAN

▪ Dalam proses clustering terhadap kualitas udara,

diperlukan nilai ISPU, CO, NO

₂

, O

₃

, PM

₁₀

, dan SO

₂

untuk

dilakukan

pengolahan

menggunakan

algoritma Self-Organizing Maps dan K-means

▪ Dimulai dari preprocessing data,

pelaksanaan

metode Self-Organizing Maps dan K-means yang

dilanjutkan dengan proses validasi dan verifikasi dan

proses visualisasi terhadap hasil jumlah dan bentuk

klaster

▪ Berdasarkan data yang di praproses kemudian

diklasterisasi dengan algoritma SOM yang telah

tervalidasi sehingga didapatkan jumlah klaster

sebanyak 3 dengan nama Klaster c, d, dan e yang

merupakan bentuk clustering paling optimal. Dan

dilanjutkan dengan K-means untuk mendapatkan

hasil clustering yang presisi dan stabil.

▪ Tingkat akurasi terhadap hasil clustering menggunakan Davies

Bouldin Index, Quantization Error dan Topography Error

dengan hasil yang paling rendah. Hasil clustering yang didapat

sudah sesuai karena nilai DBI terhadap clustering SOM dan

K-means

lebih

rendah

daripada

menggunakan

metode

clustering k-means. Hasil DBI untuk SOM dan K-means adalah

1.853457 sedangkan SOM sebesar 2.46322. Hasil QE dan TE

untuk SOM dan K-means adalah 0.285 dan 0.016 sedangkan

SOM saja sebesar 0.401 dan 0.042 dan untuk K-means saja

sebesar 0.486 dan 0.068.

▪ Pada pembentukan karakteristik yang didapatkan hasil

dimana hasil clustering kualitas udara pada tahun 2010

sampai 2013 tersebut mampu mengetahui lokasi titik rawan

polusi wilayah kota Surabaya. Stasiun pemantau yang

menunjukkan nilai ISPU dengan Predikat Tidak Sehat yang

sering terjadi pada Stasiun Pemantau 1 (Surabaya Pusat), 4

(Surabaya Selatan), dan 5 (Surabaya Timur). Kondisi rawan

polusi dengan predikat Tidak Sehat sering terjadi disetiap

bulannya pada tiga tahun penelitian.

(47)

SARAN

▪ Sebaiknya tujuan dari penelitian yang

berhubungan dengan kualitas udara

dapat dikembangkan lagi tidak hanya

untuk Surabaya saja, namun untuk

keseluruhan kota di Indonesia

▪ Sebaiknya

atribut

yang

dilakukan

penelitian tidak hanya atribut utama

saja yaitu unsur atau substansi yang

berbahaya,

namun

atribut

yang

berhubungan dengan meteorological

juga turut disertakan dalam penelitian.

▪ Penelitian ini mempelajari tentang bagaimana memvisualisasikan kondisi kualitas

udara di kota Surabaya dengan menggunakan data hasil monitoring yang dilakukan

menggunakan data statis yaitu pada tahun 2010- 2012. Oleh karena itu untuk

penelitian selanjutnya terdapat beberapa usulan yaitu

▪ Data yang digunakan bersifat dinamis dengan tidak hanya menggunakan data

pada waktu tertentu

▪ Perlunya prediksi kedepan untuk visualisasi titik rawan polusi dengan

memperhatikan faktor- faktor yang sudah ditentukan pada penelitian ini dan

sebelumnya.

(48)