PRESENTASI TUGAS AKHIR
JUM’AT, 13 JUNI 2014
VISUALISASI KUALITAS UDARA UNTUK
MENENTUKAN TITIK RAWAN POLUSI
MENGGUNAKAN ALGORITMA SELF-ORGANIZING
MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA
OLEH:
OUTLINES
▪
Latar Belakang
▪
Rumusan Masalah
▪
Batasan Masalah
▪
Tujuan
▪
Manfaat
▪
Tinjauan Pustaka
▪
Metode Penelitian
▪
Pengolahan Data dan Implementasi
▪
Uji Coba dan Analisis Hasil
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.
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
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
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
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.
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
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)
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)
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
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 𝑛𝑖𝑗(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
𝑤𝑆𝑆
𝑡,
𝑆𝑆
𝑡=
𝑗=1 𝑝 𝑎=1 𝑛𝑗(𝑥
𝑎− 𝑥
𝑗)
2,
𝑆𝑆
𝑤=
𝑗=1 𝑖=1..𝑘 𝑎=1 𝑛𝑖𝑗(𝑥
𝑎− 𝑥
𝑖𝑗)
2•
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 𝑛𝑐𝑚𝑎𝑥
𝑙 ≠𝑚𝑆
𝑐𝑄
𝑘+ 𝑆
𝑐𝑄
𝑙𝑆
𝑐𝑐𝑄
𝑘, 𝑄
𝑙METODE 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 terhadapUdara 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
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
PENGOLAHAN DATA DAN IMPLEMENTASI
Proses Penyeleksian dan Pembersihan Data
(Lanjutan)
2. Merubah Nilai Atribut
3. Standarisasi Niai
) 𝑆 = 𝑆𝑇𝐴𝑁𝐷𝐴𝑅𝐷𝐼𝑍𝐸(𝑥; 𝑚𝑒𝑎𝑛; 𝑠𝑡𝑎𝑛𝑑𝑑𝑒𝑣
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
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.
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.
PENGOLAHAN DATA DAN IMPLEMENTASI
Visualisasi Hasil (Lanjutan)
2. Matlab Somtoolbox
a. Construction of data setsMengubah 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
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
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.
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
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.
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
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
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
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) SOMKombinasi SOM dan K-means 2.4632203721.853457002
CO SOM 3.636903914
Kombinasi SOM dan K-means 2.561812478 NO2 SOMKombinasi SOM dan K-means 2.1104174820.885502047
O3 SOMKombinasi SOM dan K-means 2.1352254720.831734887
PM10
SOM 3.502232842
Kombinasi SOM dan K-means 0.623986571 SO2 SOMKombinasi SOM dan K-means 3.1431250060.551741086
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
Stasiun Anggota lebih banyak dari stasiun 1, 4, dan 5
PENGOLAHAN DATA DAN IMPLEMENTASI
4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)
Analisis Interaksi terhadap Data
Unsur CO Unsur NO2
Klaster Karakteristik Hasil
Klaster c
Jumlah Anggota Jumlah untuk kluster c adalah sebanyak 288 (26.25%)
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
Stasiun Anggota lebih banyak dari stasiun 4
Klaster e
Jumlah Anggota Jumlah untuk kluster e adalah sebanyak 18,5 (37.3%)
Nilai Minimum 1,29
Nilai Maksimum 8,43
Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e adalah 101
Stasiun Anggota lebih banyak dari
stasiun 4 dan 5
Klaster Karakteristik Hasil
Klaster c
Jumlah Anggota Jumlah untuk kluster c adalah
sebanyak 334 (30.4%)
Nilai Minimum 0,094
Nilai Maksimum 212,14
Rata- Rata Nilai Rata- rata nilai ISPU untuk
kluster c adalah 48,2428
Stasiun Anggota lebih banyak dari stasiun 4
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
sebanyak 409 (37.1%)
Nilai Minimum 0.01566
Nilai Maksimum 192,57
Rata- Rata Nilai Rata- rata nilai ISPU untuk
kluster e adalah 54,5822
Stasiun Anggota lebih banyak dari stasiun 5
PENGOLAHAN DATA DAN IMPLEMENTASI
4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)
Analisis Interaksi terhadap Data
Unsur O3 Unsur PM10
Klaster Karakteristik Hasil
Klaster c
Jumlah Anggota Jumlah untuk kluster c adalah sebanyak 298 (27.1%)
Nilai Minimum 43,757
Nilai Maksimum 694,34
Rata- Rata Nilai Rata- rata nilai ISPU untuk
kluster c adalah 124,383
Stasiun Anggota lebih banyak dari stasiun 1 dan 5
Klaster d
Jumlah Anggota Jumlah untuk kluster d adalah
sebanyak 89 (8.1%)
Nilai Minimum 21,446
Nilai Maksimum 176,07
Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 129,297
Stasiun Anggota lebih banyak dari
stasiun 1
Klaster e
Jumlah Anggota Jumlah untuk kluster e adalah sebanyak 709 (64.6%)
Nilai Minimum 52,038
Nilai Maksimum 374,08
Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e adalah 141
Stasiun Anggota lebih banyak dari stasiun 1
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
Stasiun Anggota lebih banyak dari stasiun 1, 4, dan 5
PENGOLAHAN DATA DAN IMPLEMENTASI
4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)
Analisis Interaksi terhadap Data
Unsur SO2
Klaster Karakteristik Hasil
Klaster c
Jumlah Anggota Jumlah untuk kluster c adalah sebanyak 541 (49.3%)
Nilai Minimum 72,727
Nilai Maksimum 1101
Rata- Rata Nilai Rata- rata nilai ISPU untuk
kluster c adalah 303,5597
Stasiun Anggota lebih banyak dari stasiun 1, 4, dan 5
Klaster d
Jumlah Anggota Jumlah untuk kluster d adalah
sebanyak 331 (30.1%)
Nilai Minimum 203
Nilai Maksimum 1393
Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2 adalah 622,0237
Stasiun Anggota lebih banyak dari
stasiun 1 dan 5
Klaster e
Jumlah Anggota Jumlah untuk kluster e adalah sebanyak 224 (20.4%)
Nilai Minimum 0,15283
Nilai Maksimum 2095,7
Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e adalah 372,8715
Stasiun Anggota lebih banyak dari stasiun 1, 2, dan 5
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
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
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.
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
Nilai ISPU (Keseluruhan)
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.
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
Unsur CO
CO 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 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
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.
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
Unsur NO2
NO2 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 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 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.
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
Unsur O3
O3 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 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
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. Terdapat nilai weight yang cukup jauh dengan yang lainnya karena terdapat data yang memiliki jarak cukup jauh
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
PM10
PM10 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 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
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.
PENGOLAHAN DATA DAN IMPLEMENTASI
1. Matlab Network Clustering Tool (Lanjutan)
1. Plot SOM Neighbor Distances
Analisis Interaksi terhadap Visualisasi
2. Plot SOM Weight Planes
3. Plot SOM Sample Hits
4. Plot SOM Weight Positions
SO2
SO2 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 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
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. Terdapat nilai weight yang cukup jauh dengan yang lainnya karena terdapat data yang memiliki jarak cukup jauh.
PENGOLAHAN DATA DAN IMPLEMENTASI
2. Matlab Som Toolbox
Nilai ISPU (Keseluruhan)
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
PENGOLAHAN DATA DAN IMPLEMENTASI
3. Peltarion Synapse
Nilai ISPU (Keseluruhan)
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
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