Melakukan Kegiatan Review Metode Geovisualisasi
Muhammad Muas Ramadhani 22/509996/PTK/14942
Daftar Isi
Pendahuluan
Parallel Coordinates Plot (PCP) Space Time Cube (STC)
Self Organizing Map (SOM) Tabel Perbandingan
1. PCP
• Digunakan sebagai alat untuk memvisualisasikan dan menganalisis data numerik multivariable
• Cocok untuk melakukan perbandingan simultan antara banyak variabel dan memvisualisasikan hubungan di antara mereka
• Dalam PCP, setiap variabel memiliki sumbu dan semua sumbu ditempatkan sejajar satu sama lain. Skalanya dapat berbeda-beda jika ingin membuat skala seragam dapat dilakukan normalisasi.
Lanjutan PCP
• Nilainya diplot sebagai serangkaian garis yang terhubung di setiap sumbu, setiap garis adalah kumpulan titik-titik yang ditempatkan pada setiap sumbu dan terhubung.
• Akan lebih mudah untuk melihat hubungan antara variabel yang saling berdekatan, maka menyusun ulang sumbu akan membantu menemukan pola/korelasi antar variabel;
• Kelemahan: menimbulkan potensi tidak terbacanya data saat jumlah data sudah sangat banyak. Cara mengatasi:
interaktivitas dan teknik “brushing” yang akan menyoroti garis/kumpulan garis yang dipilih, sedangkan yang lainnya akan dipudarkan.
Lanjutan PCP
• Kunci dari PCP adalah kemampuannya untuk menyajikan data secara efektif, menguji aspek temporal seperti data spasial, atribut, dan pola dengan metode yang informatif dan mudah diinterpretasikan
• Hubungan antara masing-masing variabel akan terlihat dalam situasi berikut: variabel saling bersebelahan, jika warna ditetapkan untuk tingkat variabel untuk melacak grup tertentu, dan jika suatu jalur dipilih untuk melacak grup tertentu.
• Software yang dapat digunakan: xdat yang dapat diakses pada laman https://www.xdat.org/
(input .txt) dan GeoViz Tool (input .shp).
Lanjutan PCP
2. STC
• Penampilan dasar kubus pada dasarnya merupakan representasi geografis, dengan sumbu x dan y mencerminkan dimensi spasial, sementara tinggi kubus mencerminkan dimensi waktu (sumbu z). Konsep ini terkait dengan Space-Time Cube (STC), yang memuat jalur waktu ruang seperti individu atau rute bus.
Pada tahap awalnya, opsi untuk membuat grafik terbatas pada metode manual, di mana pengguna hanya dapat melihat tampilan tunggal yang dibuat oleh drafter.
Lanjutan STC
• Space-Time Cube (STC) dapat dibuat menggunakan platform seperti ArcGIS Pro atau ILWIS. Kubus ini dapat memuat fitur seperti Space Time Path (STP), yang merepresentasikan jalur spatio temporal dari objek bergerak, serta stasiun yang merepresentasikan jalur spatio temporal objek statis. Dengan demikian, STC memberikan kemampuan untuk menganalisis dan memvisualisasikan dinamika ruang dan waktu dari data geografis.
• Perangkat lunak alternatif untuk metode STC, antara lain STEMgis, GRASS GIS (desktop), i2maps (Javascript dan Python), timemap.js (Javascript Library) (berbasis web).
Lanjutan STC
3. SOM
• SOM merupakan metode yang digunakan untuk mengelompokkan objek dan menyusunnya kembali menjadi tampilan peta 2D berdasarkan kesamaan atribut yang dimiliki. SOM menggunakan jarak euclidian untuk menilai kesamaan multivariat di antara objek spasial, jarak terpendek adalah neuron yang menang.
• SOM terdiri dari dua lapisan, yaitu lapisan input dan lapisan output. Berbeda dengan beberapa jenis jaringan saraf tiruan lainnya, SOM tidak menggunakan fungsi aktivasi pada neuronnya; sebaliknya, bobot langsung diteruskan ke lapisan output
• Perangkat lunak alternatif untuk metode SOM termasuk Matlab dan SOM PAK, SOMVIS, SOM Analyzer, ArcGIS: Arc-SDM (Spatial Data Modeller) (desktop), Python Library (clusterPY) (library).
Lanjutan SOM
• Kelemahan yang dimiliki pada SOM adalah
keharusan untuk
mendefinisikan struktur jaringan saraf dan jumlah neuron atau jumlah kelas.
Selain itu, penentuan nilai bobot neuron awal yang dilakukan secara acak mengakibatkan hasil clustering yang dihasilkan berbeda-beda. Metode FSC- SOM dirancang untuk mengatasi permasalahan penentuan jumlah kelas dan nilai bobot neuron awal yang bersifat acak pada SOM.
Tabel Perbandingan
Metode Kegunaan Kelebihan Kelemahan
PCP Perbandingan, mencari
hubungan dan pola Lebih efektif untuk memvisualisasikan data numerik dengan dimensi tinggi daripada menyajikannya melalui beberapa diagram batang atau garis, yang masing-masing mewakili satu variabel numerik
Saat data sangat padat akan kesulitan untuk memahami interaktivitas untuk menanganinya
STC Menampilkan
bagaimana sebuah fenomena berubah dari waktu ke waktu dalam ruang geografis
Baik untuk menampilkan data
spatio-temporal Sulit memahami saat beberapa jalur space-time ditampilkan sekaligus; tampilan UI-nya
SOM Melakukan klasifikasi dengan unsupervised learning
Dapat mengelompokkan data dalam dimensi yang lebih rendah; menghasilkan data yang mudah untuk ditafsirkan dan dipahami
Harus mendefinisikan struktur NN dan jumlah neuron/jumlah kelas
Referensi
• https://towardsdatascience.com/self-organizing-maps- 1b7d2a84e065
• https://algorit.ma/blog/self-organizing-maps-som
-2022/#:~:text=Keistimewaan%20self%2Dorganizing%
20maps%20(SOM)&text=Bukan%20hanya%20itu%2C%20SOM
%20juga,dalam%20dimensi%20yang%20lebih%20rendah.
• https://datavizcatalogue.com/methods/parallel_coordina tes.html
• https://www.analyticsvidhya.com/blog/2021/11/visualize-d ata-using-parallel-coordinates-plot/
• http://etd.repository.ugm.ac.id/penelitian/detail
/84051#:~:text=Metode%20Self%2DOrganizing%20Map%2 0(SOM,jumlah%20neuron%20atau%20jumlah%20kelas
• https://iopscience.iop.org/article/10.1088/1755-1315/90 6/1/012030/pdf
• https://medium.com/@abhinavr8/self-organizing-maps- ff5853a118d4
