PRESENTASI TUGAS AKHIR -...

PRESENTASI TUGAS AKHIRJUM’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:REZA CLAUDIA ISTANTO 5210100103

OUTLINES▪ Latar Belakang

▪ Rumusan Masalah

▪ Batasan Masalah

▪ Tujuan

▪ Manfaat

▪ Tinjauan Pustaka

▪ Metode Penelitian

▪ Pengolahan Data dan Implementasi

▪ Uji Coba dan Analisis Hasil

▪ Kesimpulan dan Saran

LATAR BELAKANGPolusi 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 yangdilakukan oleh manusia sehingga kualitas dari lingkungan tersebut turun sampai pada tingkat tertentu yangmenyebabkan lingkungan tidak bisa digunakan sebagaimana mestinya.

Sumber Pencemaran Utama:

Polutan Pencemar Utama:

Perubahan komposisi dari zat udara sehingga kualitas dari zat tersebut menjadiberkurang atau tidak bisa lagi diperuntukkan sesuai fungsinya.

Pengendalian Pencemaran Utama:

Metode pemodelan terhadappengukuran kualitas udara.

1. Teknik dan pengukuran2. Pengoptimalan atau pembatasan terhadap polutan3. Pemodelan dengan pengklasteran daerah kedalam

kelas tertentu

1. Algoritma K-means2. Self-Organizing Maps

Output

Mempresentasikan kondisipolusi udara dan titik rawanpolusi di wilayah kota Surabaya

RUMUSAN MASALAHBagaimana 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 MASALAH1. 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

TUJUAN1. 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

MANFAATMembantu 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 suatuinformasi

▪ Dalam penelitian ini, Kohonen’s SOFM merupakan tool atau alat untuk memvisualisasikan data dalamdimensional 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 untukmendapatkan proyeksi dari data space menjadi dua bentuk dimensi (Kohonen, 1997)

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

K-Means Algorithm

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 QualityManagement 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 kalibrasiregional

▪ 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, UrbanPeriphery- West Surabaya)

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

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


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

5 (lima) parameter kunci: PM10, SO2, O3, NO2, 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 udaraambien, 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)


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..𝑝𝑖=1..𝑘

𝑎=1

𝑛𝑖𝑗(𝑥𝑎 − 𝑥𝑖𝑗)2

𝑗=1..𝑝𝑖=1..𝑘(𝑛𝑖𝑗 − 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 =𝑆𝑆𝑡 − 𝑆𝑆𝑤𝑆𝑆𝑡

, 𝑆𝑆𝑡 =

𝑗=1

𝑝

𝑎=1

𝑛𝑗

(𝑥𝑎 − 𝑥𝑗)2 , 𝑆𝑆𝑤 =

𝑗=1

𝑖=1..𝑘

𝑎=1

𝑛𝑖𝑗

(𝑥𝑎 − 𝑥𝑖𝑗)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

𝑛𝑐

𝑖=1

𝑛𝑐

𝑚𝑎𝑥𝑙 ≠𝑚𝑆𝑐 𝑄𝑘 + 𝑆𝑐 𝑄𝑙𝑆𝑐𝑐 𝑄𝑘, 𝑄𝑙


METODE PENELITIAN

Identifikasi permasalahan

•Wawancara untukmengetahuibagaimanapengelolaanterhadappencemaran udara

•MelakukanObservasi danpengamatan padatitik stasiunpemantauan udarauntuk mengetahuikondisi udara.

Studi Literatur

•Pembelajaranliteratur terkaitdengan konsepserta metode yang digunakan untukmenyelesaikanpermasalahan

Pengumpulan Data

• Instansi terkait: Badan LingkunganHidup dan Unit Pelaksana TeknisBadanLaboratoriumLingkungan Kota SUrabaya

•Desain parameter

Praprocessing Data

•Tujuan dari proses iniadalah menghilangkannoise, memperjelasfitur data, memperkecil/ memperbesar ukurandata, danmengkonversi data asliagar 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

PENGOLAHAN DATA DAN IMPLEMENTASI

Pengumpulan Data

1. Parameter yang diukurNo. Parameter1 Nilai ISPU2 Partikulat (PM10)3 Sulfur Dioksida (SO2)4 Carbon Monoksida (CO)

5 Ozon (O3)6 Nitrogen Dioksida (NO2)

2. Pemantauan Kualitas Udara OtomatisStasiun

Lokasi Pemantauan Wilayah

SUF1 Halaman Taman Prestasi, Jl.KetabangKali

Surabaya Pusat

SUF2 Halaman Kantor Kelurahan PerakTimur, Jl.Selangor

Surabaya Utara

SUF3 Halaman Kantor Pembantu WalikotaSurabaya Barat, Jl.Sukomanunggal

Surabaya Barat

SUF4 Halaman Kecamatan Gayungan,Jl.Gayungan

SurabayaSelatan

SUF5 Halaman Convention Hall, Jl.ArifRahman Hakim

SurabayaTimur

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 KeteranganNilai Konsentrasi Nilai konsentrasi yang didapatkan dengan cara

pengukuran otomatis pada masing- masing unsurStasiun Lokasi pengukuran yang telah ditempatkan di

bagian- bagian Kota SurabayaBulan Pengukuran nilai konsentrasi berdasarkan waktu

setiap bulannya


Proses Penyeleksian dan Pembersihan Data

(Lanjutan)

2. Merubah Nilai Atribut 3. Standarisasi Niai

)𝑆 = 𝑆𝑇𝐴𝑁𝐷𝐴𝑅𝐷𝐼𝑍𝐸(𝑥;𝑚𝑒𝑎𝑛; 𝑠𝑡𝑎𝑛𝑑𝑑𝑒𝑣


Pengerjaan Algoritma

1. Inisialisasi Klaster

2. Tahapan Algoritma SOM

Memasukkan data hasil praprocessing

Inisialisasi Weight

Penentuan klaster berdasarkan inputandari data weight terakhir

Didapatkan weight dengan nilai paling optimal, dan didapatkan pula hasilklustering

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 bKluster 2 3 klaster yang terbentuk Klaster c d eKluster 3 4 klaster yang terbentuk Klaster f g h i

Klaster Nama Klaster Nilai RMSSTD

Klaster 1 Klaster a b 1.009044Klaster 2 Klaster c d e 1.00178Klaster 3 Klaster f g h i 1.072923

0.95

1

1.05

1.1

1.009043919 1.001779758

1.072923305

RMSSTD

Kluster c Kluster d Kluster e


Pengerjaan Algoritma (Lanjutan)

4. Tahapan Algoritma SOM

Menentukan koordinat titik tengahsetiap kluster yang didapatkan dari hasilAlgoritma SOM yang telah tervalidasi

Menentukan jarak setiap obyekterhadap koordinat titik tengah

Mengelompokkan obyek- obyekberdasarkan pada jarak minimumnya.


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.


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 somtoolboxmerupakan salah satu caar untukmelakukan inisialisasi dan trainingpada 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

d. Visualization and analysis


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



4. StatPlanet

a. Layer Peta

Memasukan peta ke dalam peta template

(map.fla) sesuai dengan peta yang telah dibuat


b. Layer Batas

Memasukan batas peta ke dalam map.fla

c. Membuat link peta pada StatPlanet Data EditorPada StatPlanet_data_editor.xlsm, pertama masukan ‘nama asli’ petaregional, dan kemudian ‘instance name’ atau kode yang digunakan dalamfile peta (map.fla) sesuai dengan nama wilayah yang ditentukan.

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

d. Memasukkan data pada StatPlanet Data EditorSheet ‘Import’ dan masukan data pada peta. Jugabisa dilakukan dengan menggunakan tombol‘Import data’ untuk mengimpor data secaraotomatis.

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 denganmenggunakan kombinasi metode SOM dan k-mean hasil klasifikasi yangdidapatkan memiliki tingkat kesalahan lebih kecil dibandingkan denganmetode SOM saja

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

Algoritma QE TESOM kombinasi K-Means 0.285 0.016SOM 0.401 0.042K-Means 0.486 0.068

Algoritma QE TEIris 0.418 0.013Data analisis (nilai ISPU) 0.285 0.016

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 ValidasiSelf Organizing Maps Pengukuran menggunakan RMSSTD, yang

telah dijelaskan pada bab 4K-means Pengukuran dilakukan dengan

menggunakan nilai entropy denganmembandingkan jumlah klustering yangditentukan yaitu klaster 1 sampai klaster 3

Self Organizing Maps kombinasi dengan K-means

Pengukuran validitas yang dilakukan dariawal sampai akhir dari penelitian ini.


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 HubunganHubungan antar atribut diidentifikasi secaraempiris. Struktur analisis cluster yangsederhana mampu menggambarkan adanyahubungan atau kesamaan dan perbedaansesuai dengan kebutuhan untuk memenuhitujuanNama Tabel (Sebelum) Nama Tabel (Sesudah)

Tanggal Nilai KonsentrasiBulan StasiunTahun BulanMinimumStasiunMaksimumStasiunRata- rata

NamaAtribut/

TabelKeterangan

NilaiKonsentrasi

Nilai konsentrasi yang didapatkandengan cara pengukuran otomatispada masing- masing unsur

Stasiun Lokasi pengukuran yang telahditempatkan di bagian- bagian KotaSurabaya

Bulan Pengukuran nilai konsentrasiberdasarkan waktu setiap bulannya


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


b. Mengukur Kesamaan DataMetode RMSSTD merupakan salah satumetode untuk mengukur kesamaan data atauproses evaluasi yang digunakan untukmengukur kualitas dari clustering algorithm.Semakin kecil nilai dari RMSSTD, maka semakinbaik pembagian dari bentuk cluster

Berdasarkan nilai yang dihasilkan menggunakan metodeRMSSTD didapatkan dua unsur yang nilainya berbedadengan unsur lainnya yang diteliti yaitu Unsur O3 dan unsurSO2. Dengan nilai RMSSTD berada pada rekomendasi keduayaitu dilakukan dengan dilakukan pembagian klustersebanyak 4 untuk SO2 dan pembagian kluster sebanyak 2untuk O3. Sedangkan unsur lainnya menunjukkan nilaiRMSSTD dengan rekomendasi pertama yaitu pembagiankluster sebanyak 3.

Adanya hasil yang menyimpang tersebut maka dilakukandua tindakan yaitu menganalisis apakah dua unsur tersebutmemiliki bobot yang berbeda dengan unsur- unsur yanglainnya ataukah bobot dari seluruh unsur yang ditetitiadalah setara. (Berdasarkan Laporan Pemeliharaan StasiunMonitoring Udara Ambient Tahun 2008 ( Kep-107/KABAPEDAL/11/1997))

Unsur Nama Klaster Nilai RMSSTD

ISPU (Nilai Keseluruhan)

Klaster a b 1.009043919Klaster c d e 1.001779758Klaster f g h i 1.072923305

COKlaster a b 1.142621036Klaster c d e 0.653672873Klaster f g h i 1.371552774

NO2


O3


PM10


SO2



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


Dengan hasil yang didapatkan berdasarkan tabel diatasmaka untuk clustering dengan pembagian klaster sebanyak3 memiliki nilai entropy terkecil dibandingkan jumlahklaster lainnya, namun terdapat satu unsur yang memilikinilai entropy terbaik tidak pada pembagian klastersebanyak 3 yaitu unsur O3. Namun perbedaan nilai entropyyang dihasilkan oleh unsur tersebut tidak terlalu jauhdibandingkan pembagian klaster sebanyak 3 (berada padaurutan kedua) sehingga dapat dilakukan kesimpulan untuknilai entropy ini bahwa nilai entropy terbaik dihasilkan daripembagian sebanyak 3 klaster.

Unsur Nama Klaster Nilai Entropy

ISPU (Nilai Keseluruhan)


COKlaster a b 2.931186773Klaster c d e 2.850489174Klaster f g h i 2.955864321

NO2


O3


PM10


SO2



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)


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 SOMsaja, dengan begitu pengklasteran sebanyak 3 menunjukkan nilai paling optimal

Unsur Metode Klaster Nilai DBI

ISPU (Nilai Keseluruhan)SOM 2.463220372Kombinasi SOM dan K-means 1.853457002

COSOM 3.636903914Kombinasi SOM dan K-means 2.561812478

NO2SOM 2.110417482Kombinasi SOM dan K-means 0.885502047

O3SOM 2.135225472Kombinasi SOM dan K-means 0.831734887

PM10SOM 3.502232842Kombinasi SOM dan K-means 0.623986571

SO2SOM 3.143125006Kombinasi SOM dan K-means 0.551741086


4. Pembuatan Profil terhadap Solusi Cluster


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

Menggambarkan karakteristik tiap klaster yang dibentuk sertamelakukan pendeskripsian terhadap atribut yang dianalisis. Berikut iniadalah karakteristik untuk kondisi kualitas udara Surabaya

Nilai ISPU (Keseluruhan)

Klaster Karakteristik Hasil

Klaster c

Jumlah Anggota Jumlah untuk kluster c adalah sebanyak353 (32.2%)

Nilai Minimum 7Nilai Maksimum 96Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster c

adalah 51Stasiun Anggota lebih banyak dari stasiun 1, 4,

dan 5

Klaster d

Jumlah Anggota Jumlah untuk kluster d adalah sebanyak334 (30.4%)

Nilai Minimum 52Nilai Maksimum 131Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster 2

adalah 84Stasiun Anggota lebih banyak dari stasiun 3 dan

4

Klaster e

Jumlah Anggota Jumlah untuk kluster e adalah sebanyak409 (37.3%)

Nilai Minimum 87Nilai Maksimum 189Rata- Rata Nilai Rata- rata nilai ISPU untuk kluster e

adalah 101Stasiun Anggota lebih banyak dari stasiun 1, 4,

dan 5


4. Pembuatan Profil terhadap Solusi Cluster (lanjutan)


Unsur CO Unsur NO2


Klaster c

Jumlah Anggota Jumlah untuk kluster c adalahsebanyak 288 (26.25%)

Nilai Minimum 0,51Nilai Maksimum 7,02Rata- Rata Nilai Rata- rata nilai CO untuk kluster

c adalah 1,59Stasiun Anggota lebih banyak dari

stasiun 5

Klaster d

Jumlah Anggota Jumlah untuk kluster d adalahsebanyak 596 (54.3%)

Nilai Minimum 0,34Nilai Maksimum 8,61Rata- Rata Nilai Rata- rata nilai ISPU untuk

kluster 2 adalah 1,83

Stasiun Anggota lebih banyak daristasiun 4

Klaster e

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


kluster e adalah 101Stasiun Anggota lebih banyak dari

stasiun 4 dan 5


Klaster c



kluster c adalah 48,2428Stasiun Anggota lebih banyak dari

stasiun 4

Klaster d


Nilai Minimum 0.01566Nilai Maksimum 176,2Rata- Rata Nilai Rata- rata nilai ISPU untuk

kluster 2 adalah 50.7345Stasiun Anggota lebih banyak dari

stasiun 3 dan 4

Klaster e

Jumlah Anggota Jumlah untuk kluster e adalahsebanyak 409 (37.1%)

Nilai Minimum 0.01566Nilai Maksimum 192,57Rata- Rata Nilai Rata- rata nilai ISPU untuk

kluster e adalah 54,5822Stasiun Anggota lebih banyak dari

stasiun 5




Unsur O3 Unsur PM10


Klaster c




stasiun 1 dan 5

Klaster d



kluster 2 adalah 129,297Stasiun Anggota lebih banyak dari

stasiun 1

Klaster e




stasiun 1


Klaster c


Nilai Minimum 7Nilai Maksimum 96Rata- Rata Nilai Rata- rata nilai ISPU untuk

kluster c adalah 51Stasiun Anggota lebih banyak dari

stasiun 1, 4, dan 5

Klaster d



kluster 2 adalah 84Stasiun Anggota lebih banyak dari

stasiun 3 dan 4

Klaster e




stasiun 1, 4, dan 5




Unsur SO2


Klaster c


Nilai Minimum 72,727Nilai Maksimum 1101Rata- Rata Nilai Rata- rata nilai ISPU untuk


stasiun 1, 4, dan 5

Klaster d



kluster 2 adalah 622,0237Stasiun Anggota lebih banyak dari

stasiun 1 dan 5

Klaster e



kluster e adalah 372,8715Stasiun Anggota lebih banyak dari

stasiun 1, 2, dan 5




Mengelompokkan dengan menggunakan kategori yang menunjukkan kondisikualitas udara yang ada di Surabaya berdasarkan hasil yang didapatkan.Dengan menggunakan beberapa asumsi dan berdasarkan LaporanPemeliharaan Stasiun Monitoring Udara Ambient Tahun 2008 ( Kep-107/KABAPEDAL/11/1997) (KABAPEDAL, 2008) maka penulis melakukanpembagian 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 PenjelasanKlaster c Baik 0 – 50 Tingkat kualitas udara yang tidak memberikan efek

bagi kesehatan manusia atau hewan dan tidakberpengaruh pada tumbuhan, bangunan ataupun nilaiestetika

Klaster d Sedang 51 – 100 Tingkat kualitas udara yang tidak berpengaruh padakesehatan manusia atau hewan dan tidak berpengaruhpada tumbuhan yang sensitif, dan nilai estetika

Klaster e Tidak Sehat 101 – 199 Tingkat kualitas udara yang bersifat merugikan padamanusia ataupun kelompok hewan yang sensitif ataubisa menimbulkan kerusakan pada tumbuhan ataupunnilai estetika


5.Penentuan Titik Rawan Polusi


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

Kondisi Tidak SehatBulan Terjadi Setiap bulan pada tiga tahun

penelitianLokasi SUF 1 (Surabaya Pusat) berjumlah

144SUF 4 (Surabaya Selatan)berjumlah 130SUF 5 (Surabaya Timur) berjumlah101

17

8

13

0

10

1

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

JumlahLokasiTItikRawanPolusi


1. Matlab Network Clustering Tool

1. Plot SOM Neighbor Distances

Analisis Interaksi terhadap Visualisasi

2. Plot SOM Weight PlanesGrafik ini menunjukkan weight planeuntuk setiap elemen dari input vector(terdapat 5 input yang dilakukan olehpeneliti). Grafik ini menunjukkanvisualisasi dari weight setiap inputpada masing- masing neuron. Warnacerah mewakili lebih besar dan warnagelap mewakili lebih kecil bobotmasing- 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 HitsGrafik ini menunjukkan berapa titikdata yang terkait dengan setiapneuron. Data yang terbaik adalahjika grafik menunjukkan jumlah datayang cukup merata disetiap neuron.

4. Plot SOM Weight PositionsGrafik yang ditunjukkan pada SOMWeight Planes digunakan untukmenunjukkan lokasi dari titik datadan weight vector (vector berat).Pada hasil yang ditunjukkanmerupakan hasil dari 200 kali iterasidari algoritma batch yang telahdilakukan pada keseluruhan data.


1. Matlab Network Clustering Tool (Lanjutan)



2. Plot SOM Weight Planes

3. Plot SOM Sample Hits

4. Plot SOM Weight Positions


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.








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.








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.








Unsur O3

O3

Plot SOM Neighbor

Distances




sedikit warna gelap. Sehingga konvergensi terhadap hasil

clustering terlihat cukup tinggi

Plot SOM Weight

Planes


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



disetiap neuron

Plot SOM Weight

Positions




pada keseluruhan data. Terdapat nilai weight yang cukup

jauh dengan yang lainnya karena terdapat data yang

memiliki jarak cukup jauh








PM10

PM10

Plot SOM Neighbor

Distances




sedikit warna gelap. Sehingga konvergensi terhadap hasil

clustering terlihat cukup tinggi

Plot SOM Weight

Planes





cukup besar.



grafik menunjukkan jumlah data yang merata dengan

baik disetiap neuron

Plot SOM Weight

Positions




pada keseluruhan data.








SO2

SO2

Plot SOM Neighbor

Distances




sedikit warna gelap. Sehingga konvergensi terhadap

hasil clustering terlihat cukup tinggi

Plot SOM Weight Planes Grafik ini menunjukkan visualisasi dari weight setiap




cukup besar.




disetiap neuron

Plot SOM Weight

Positions




pada keseluruhan data. Terdapat nilai weight yang

cukup jauh dengan yang lainnya karena terdapat data

yang memiliki jarak cukup jauh.


2. Matlab Som Toolbox



Berikut ini adalah hasil dari analisis yang dilakukan olehpenulis terhadap data yang telah diolah sehinggamenghasilkan visualisasi yang ditampilkan untuk mengetahuihasil clustering terhadap lokasi pada map SOM dan porsinya.Keterangan mengenai kluster dijelaskan di bab PembuatanProfil Terhadap Solusi Cluster pada tabel Pembagian kategoriberdasarkan klaster yang terbentuk.

Unsur SO2 Unsur PM10

Unsur O3 Unsur NO2 Unsur CO


3. Peltarion Synapse



Unsur SO2

Unsur PM10Unsur 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 yangtelah diolah menghasilkan visualisasi yang ditampilkan masing-masing sesuai dengan atribut (unsur) masing- masing sebagaiberikut


Analisis Interaksi terhadap Peta

Berikut ini adalah hasil dari dari visualisasi menggunakan peta. Seperti telah dijelaskan diatasbahwa penulis juga melakukan analisis menggunakan peta menggunakan aplikasi bantuanStatsilk. Terlihat seperti dibawah ini

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

KESIMPULAN▪ Dalam proses clustering terhadap kualitas udara,

diperlukan nilai ISPU, CO, NO2, O3, PM10, dan SO2untuk dilakukan pengolahan menggunakanalgoritma Self-Organizing Maps dan K-means

▪ Dimulai dari preprocessing data, pelaksanaanmetode Self-Organizing Maps dan K-means yangdilanjutkan dengan proses validasi dan verifikasi danproses visualisasi terhadap hasil jumlah dan bentukklaster

▪ Berdasarkan data yang di praproses kemudiandiklasterisasi dengan algoritma SOM yang telahtervalidasi sehingga didapatkan jumlah klastersebanyak 3 dengan nama Klaster c, d, dan e yangmerupakan bentuk clustering paling optimal. Dandilanjutkan dengan K-means untuk mendapatkanhasil clustering yang presisi dan stabil.

▪ Tingkat akurasi terhadap hasil clustering menggunakan DaviesBouldin Index, Quantization Error dan Topography Errordengan hasil yang paling rendah. Hasil clustering yang didapatsudah sesuai karena nilai DBI terhadap clustering SOM dan K-means lebih rendah daripada menggunakan metodeclustering k-means. Hasil DBI untuk SOM dan K-means adalah1.853457 sedangkan SOM sebesar 2.46322. Hasil QE dan TEuntuk SOM dan K-means adalah 0.285 dan 0.016 sedangkanSOM saja sebesar 0.401 dan 0.042 dan untuk K-means sajasebesar 0.486 dan 0.068.

▪ Pada pembentukan karakteristik yang didapatkan hasildimana hasil clustering kualitas udara pada tahun 2010sampai 2013 tersebut mampu mengetahui lokasi titik rawanpolusi wilayah kota Surabaya. Stasiun pemantau yangmenunjukkan nilai ISPU dengan Predikat Tidak Sehat yangsering terjadi pada Stasiun Pemantau 1 (Surabaya Pusat), 4(Surabaya Selatan), dan 5 (Surabaya Timur). Kondisi rawanpolusi dengan predikat Tidak Sehat sering terjadi disetiapbulannya pada tiga tahun penelitian.

SARAN

▪ Sebaiknya tujuan dari penelitian yangberhubungan dengan kualitas udaradapat dikembangkan lagi tidak hanyauntuk Surabaya saja, namun untukkeseluruhan kota di Indonesia

▪ Sebaiknya atribut yang dilakukanpenelitian tidak hanya atribut utamasaja yaitu unsur atau substansi yangberbahaya, namun atribut yangberhubungan dengan meteorologicaljuga turut disertakan dalam penelitian.

▪ Penelitian ini mempelajari tentang bagaimana memvisualisasikan kondisi kualitasudara di kota Surabaya dengan menggunakan data hasil monitoring yang dilakukanmenggunakan data statis yaitu pada tahun 2010- 2012. Oleh karena itu untukpenelitian selanjutnya terdapat beberapa usulan yaitu

▪ Data yang digunakan bersifat dinamis dengan tidak hanya menggunakan datapada waktu tertentu

▪ Perlunya prediksi kedepan untuk visualisasi titik rawan polusi denganmemperhatikan faktor- faktor yang sudah ditentukan pada penelitian ini dansebelumnya.

TERIMAKASIH

PRESENTASI TUGAS AKHIR -...

Documents

Transcript of PRESENTASI TUGAS AKHIR -...