1
VISUALISASI KUALITAS UDARA UNTUK MENENTUKAN TITIK RAWAN POLUSI MENGGUNAKAN ALGORITMA SELFORGANIZING MAP DAN K-MEANS STUDI KASUS KOTA SURABAYA Reza Claudia Istanto, Rully A. Hendrawan, dan Irmasari Hafidz Jurusan Sistem Informasi, Fakultas Tekhnologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] dan
[email protected]
Abstrak— Saat ini pencemaran udara di perkotaan menjadi permasalahan yang serius. Peningkatan penggunaan kendaraan bermotor dan konsumsi energi di kota- kota, jika tidak dikendalikan akan memperparah pencemaran udara, kemacetan, dan dampak perubahan iklim yang menimbulkan kerugian kesehatan, produktivitas, dan ekonomi bagi Negara. Permasalahan tersebut menyebabkan penurunan kualitas udara khususnya di Kota Surabaya sehingga pengendalian dan meningkatkan kualitas udara menjadi perhatian untuk pemerintah maupun masyarakat. Penelitian ini menggunakan data mining untuk mengungkapkan informasi tersembunyi terhadap distribusi polusi udara dalam data yang diambil dari pemantauan pihak terkait. Lalu akan disajikan pula desain parameter untuk pemodelan kualitas udara dan clustering kedalam kelas sesuai dengan kondisi polusi masing- masing daerah. Selanjutnya disajikan pula model desain, pre-processing data, desain dari berbagai struktur dari Kohonen’s selforganizing feature maps (KSOFM), pengelompokan (clustering) oleh K-means algorithm dan analisis akhir dalam pemetaan pada pengelompokan yang telah diidentifikasi pada lokasi geografis. Penelitian ini menghasilkan model clustering yang baik dan memiliki generalisasi yang baik serta visualisasi kualitas udara yang mampu menentukan titik rawan polusi di bagian wilayah kota Surabaya. Sehingga hasil yang didapatkan mampu menjadi gambaran tentang situasi kualitas udara saat ini dan berfungsi sebagai referensi bagi instansi pemerintah dalam mengevaluasi dan merancang kebijakan terhadap polusi udara kedepannya. Kata Kunci— Data mining, Air pollution management, Selforganization neural network, Air quality, modelling, Kohonen’s self-organizing feature maps, K-means algorithm, classification
I. PENDAHULUAN
P
OLUSI atau pencemaran udara menurut UU Republik Indonesia nomor 23 tahun 1997 adalah 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. Polusi atau pencemaran juga merupakan perubahan komposisi dari zat udara sehingga
kualitas dari zat tersebut menjadi berkurang atau tidak bisa lagi diperuntukkan sesuai fungsinya. Berdasarkan peraturan pemerintah Republik Indonesia nomor 41 tahun 1999 tentang pengendalian pencemaran udara, maka udara perlu dilakukan pengendalian terhadap pencemaran udara. Pengendalian pencemaran udara terhadap udara dilakukan dengan berbagai teknik dan pengukuran tertentu, dimana tujuannnya adalah untuk mengurangi kecepatan pertumbuhan polusi udara secara langsung maupun tidak langsung. Pengukuran secara teknisnya melibatkan teknologi, material, pengoptimalan ataupun pembatasan terhadap parameter ukuran [13]. Pengukuran terhadap kualitas udara dimodelkan dengan pengklasteran daerah kedalam kelas tertentu berdasarkan keadaan polusi udara. Pada penelitian ini, metode yang dilakukan adalah metode unsupervised dimana metode tersebut mampu menggambarkan kesesuaian untuk mempelajari, melakukan generalisasi, dan pemodelan nonlinear relations. Output yang dihasilkan mampu direpresentasikan dengan lokasi daerah, waktu dan pengelompokan terhadap kelas tertentu. Clustering dilakukan dengan menggunakan metode unsupervised dimana menggabungkan konsep dasar dari Self-Organizing Maps dengan K-means algorithm [16][17]. Metode dilakukan dengan memberikan desain parameter untuk pemodelan terhadap polusi udara. Desain parameter terbentuk berdasarkan polutan- polutan tertentu yang menjadi faktor yang berpengaruh terhadap kualitas udara. Sehingga didapatkan data dimana menunjukkan karakteristik daerah berdasarkan parameter tertentu. II. URAIAN PENELITIAN A. 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
2
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. Informasi Pemantauan dibuat untuk publik melalui elektronik data yang ditampilkan setiap hari. Beberapa kendala, dampak kesehatan dan ekonomi akibat emisi kendaraan sebagai sumber utama polusi di Jakarta ditampilkan melalui AQMS tersebut. Kementrian Lingkungan Hidup1 terlibat dalam menangani masalah yang disebutkan di atas dengan instansi lain yaitu nasional dan lokal pemerintah, sektor swasta dan masyarakat sipil mengenai berbagai isu kebijakan dan pelaksanaannya. Adapun stasiun pemantauan udara ambient secara permanen di Kota Surabaya diletakkan pada tabel II.1. Lokasi penempatan stasiun ini akan mempengaruhi analisa terhadap pengolahan data dalam menentukan titik rawan polusi di Kota Surabaya. Tabel II. 1 Lokasi Pemantauan di Kota Surabaya Stasiun
Lokasi Pemantauan
SUF1
Halaman Taman Prestasi, Jl.Ketabang Kali
SUF2 SUF3
Halaman Kantor Kelurahan Perak Timur, Jl.Selangor Halaman Kantor Pembantu Walikota Surabaya Barat, Jl.Sukomanunggal
SUF4
Halaman Kecamatan Gayungan, Jl.Gayungan
SUF5
Halaman Convention Hall, Jl.Arif Rahman Hakim
Wilayah Surabaya Pusat Surabaya Utara Surabaya Barat Surabaya Selatan Surabaya Timur
B. Desain Parameter untuk Pemodelan Kualitas Udara Parameter yang diukur dalam stasiun pemantau kualitas udara di Kota Surabaya ada 16 (enam belas) parameter, yang terdiri dari: 1. 5 (lima) parameter kunci: PM10, SO2, O3, NO2, CO. 2. 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. [22] Tabel II. 2 Parameter Indeks Standar Pencemar Udara (ISPU) dan Periode Waktu
No. 1 2 3 4 5
Parameter Partikulat (PM10) Sulfur Dioksida (SO2) Carbon Monoksida (CO) Ozon (O3) Nitrogen Dioksida (NO2)
Waktu Pengukuran 24 Jam 24 Jam 8 Jam 1 Jam 1 Jam
mempengaruhi lingkungan, evaluasi, dan pengaturan terhadap kondisi udara. Batasan- batasan jumlah pada ISPU bertujuan sebagai perlindungan terhadap kesehatan, pertumbuhan, dan ekosistem. Tabel II. 3 Batasan Indeks Standar Pencemar Udara (ISPU) Kualitas Udara Baik Sedang Tidak Sehat Sangat Tidak Sehat Berbahaya
Batas Nilai ISPU 0 -50 51 - 100 101- 199 200 – 299 300 – 500
III. METODE PENELITIAN A. Prosedur pelaksanaan penelitian Pelaksanaan penelitian ini melibatkan dua tahapan yang saling berhubungan yaitu tahap clustering dan tahap visualisasi. Pada tahap clustering dilakukan penerapan terhadap dua algoritma yaitu SOM dan K-Means. Pada tahap tersebut merupakan pelaksanaan algoritma yang bertujuan untuk memodelkan kualitas udara dan menggambarkan kondisi udara. Pada Tahap visualisasi, dilakukan penggambaran terhadap hasil yang didapatkan yaitu visual inspection terhadap bentuk pemodelan, pemetaan hasil klaster pada SOM Map, dan bentuk visual pada peta Kota Surabaya. Menerapkan Algoritma SOM untuk high dimensional dataset untuk mengurangi korelasi lemah pada dataset dan memperoleh jumlah cluster
Mendapatkan nilai K dan initial centroid yang diterapkan pada Algoritma K-Means untuk mendapatkan hasil klaster
Tahap Clustering Kalkulasi terhadap tingkat keakuratan hasil klaster yang dihasilkan
Profiling terhadap hasil klaster sesuai dengan kondisi kualitas udara
Evaluasi terhadap kualitas udara di Kota Surabaya menggunakan Index Standar Pencemar Udara (ISPU). Standar inilah yang menentukan jumlah dari polutan yang
Visualisasi kondisi kualitas udara menggunakan Plot SOM Neighbour Distance, Plot Som Sample Hits, Plot SOM Weight Positions, SOM Map, dan Peta Kota Surabaya
1 Kementrian Lingkungan Hidup Indonesia Sub Divisi Kualitas Udara yang merupakan badan pemerintah yang bergerak didalam lingkungan hidup.
Gambar III. 1 Diagram pelaksanaan
Tahap Visualisasi
3
B. Kohonen Self Organizing Map Kohonen Self Organizing Map atau SOM merupakan algoritma yang melakukan pemetaan dari data yang ada di ruang vector berdimensi tinggi ke ruang vector dua dimensi yang terletak pada lokasi yang berdekatan. SOM terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan output. Setiap Neuron dalam lapisan input terhubung dengan setiap neuron pada lapisan output. Setiap Neuron pada lapisan output merepresentasikan kelas (cluster) dari input yang telah diberikan. Langkah- langkah dalam melakukan algoritma SOM adalah 1. Menentukan pembobotan weight sesuai dengan jumlah data input, kemudian weight tersebut akan digunakan pada rumus untuk mendapatkan nilai yang paling kecil 2. Kemudian setelah menemukan nilai terkecil, weight akan diperbarui dengan dilakukan berulang kali dan didapatkan weight akhir. Dari weight akhir tersebut akan dicari jarak diantara keduanya, jarak paling dekat antara weight akan menentukan termasuk kedalam klaster mana data tersebut. Neighbour disekitar weight akan termasuk kedalam klaster dengan weight terdekat. 3. Langkah 1 dan 2 dilakukan berulang kali untuk menentukan jumlah klaster paling optimal untuk dilakukan tahap algoritma selanjutnya yaitu K-means C. K-Means Algoritma K-Means merupakan algoritma clustering iteratif sederhana di mana semua partisi dataset yang diberikan menjadi beberapa pengguna tertentu cluster, k. Algoritma ini sederhana untuk melaksanakan dan menjalankan, relatif cepat, mudah beradaptasi, dan umum dalam praktek. Langkah sederhana dalam mengerjakan metode ini, pertama-tama kita memilih K (merupakan initial dari centroid) untuk menentukan centroid dapat kita mengambil point secara random. Setiap poin yang berada pada sekitar centroid akan membentuk sebuah kumpulan baru yang dinamakan klaster, Lakukan hal tersebut berulang kali sampai tidak terdapat perubahan pada point klaster ataupun pada centroid dengan menggunakan jarak Ecludean untuk menentukan jarak terdekat poin terhadap centroid. Langkah-langkah dalam algoritma kmeans adalah 1. Menentukan jumlah cluster 2. Menentukan nilai centroid Dalam menentukan nilai centroid untuk awal iterasi, nilai awal centroid dilakukan berdasarkan hasil jumlah cluster dari algoritma SOM. Sedangkan jika menentukan nilai centroid yang merupakan tahap dari iterasi. 3. Menghitung jarak antara titik centroid dengan titik tiap objek menggunakan Euclidean Distance.
4. Pengelompokan Objek untuk menentukan anggota cluster adalah dengan memperhitungkan jarak minimum objek 5. Kembali ke tahap 2, lakukan perulangan hingga nilai centroid yang dihasilkan tetap dan anggota cluster tidak berpindah ke cluster lain D. Kalkulasi terhadap tingkat akurasi Pada penelitian dilakukan kalkulasi terhadap tingkat akurasi yaitu dengan melakukan uji verifikasi dan validasi. Uji verifikasi terhadap kluster yaitu rata- rata dari quantization errors (QE) dan beberapa topographic errors (TE). Sedangkan uji validasi dalam menentukan apakah hasil klaster telah sesuai dan optimal diukur menggunakan beberapa teknik clustering validation yang tertera pada tabel berikut Tabel III. 1 Metode validasi
Metode Self Organizing Maps K-means Self Organizing Maps kombinasi dengan Kmeans
Metode Validasi RMSSTD Pengukuran nilai entropy Pengukuran terhadap nilai Rsquared Value (RS) dan Perhitungan nilai index Davies Bouldin (DBI)
IV. HASIL PENELITIAN Hasil yang didapatkan dibagi menjadi 3 jenis analisis yaitu 1) Analisis Interaksi Terhadap Data a. Deskripsi Klasifikasi Dilakukan analisis yang bertujuan untuk mengeksplorasi dan membentuk klasifikasi/ taksonomi secara empiris (berdasarkan pengetahuan yang diperoleh dari observasi dilapangan). Tabel IV. 1 Deskripsi terhadap atribut
Nama Atribut/ Tabel Nilai Konsentrasi
Stasiun
Bulan
Keterangan Nilai konsentrasi yang didapatkan dengan cara pengukuran otomatis pada masing- masing unsur Lokasi pengukuran yang telah ditempatkan di bagian- bagian Kota Surabaya Pengukuran nilai konsentrasi berdasarkan waktu setiap bulannya Tabel IV. 2 Inisialisasi bentuk klaster
Nama Klaster Kluster 1 Kluster 2 Kluster 3
Jumlah Klaster 2 klaster yang terbentuk 3 klaster yang terbentuk 4 klaster yang terbentuk
Inisialisasi Klaster a b Klaster c d e Klaster f g h i
4
b. Desain terhadap penelitian dalam penentuan analisis cluster Tiga hal penting dalam tahap ini adalah standarisasi data, mengukur kesamaan data, dan pendeteksian outlier. 1. Standarisasi Data Standarisasi terhadap data dilakukan dengan melakukan substraksi nilai rata- rata dan membagi dengan standar deviasi masing- masing variabel. 2. Mengukur kesamaan data Dengan menggunakan 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. Tabel IV. 3 Nilai RMSSTD yang didapatkan Klaster Nama Klaster Nilai RMSSTD
Klaster 1 Klaster 2 Klaster 3
Klaster a b Klaster c d e Klaster f g h i
1.009044 1.00178 1.072923
Dari data yang didapatkan klaster 2 yang berisikan 3 klaster yang dibentuk memiliki nilai RMSSTD paling kecil, hal ini dapat disimpulkan bahwa klaster tersebut memiliki tingkat homogenitas klaster yang paling tinggi. 3. Pendeteksian outlier Entropy merupakan salah satu teknik validitas proses clustering yang digunakan untuk mengukur biased effect yaitu tingkat penyimpangan hasil clustering yang dihasilkan. Semakin kecil nilai entropy, maka semakin kecil pula tingkat penyimpangan dari hasil. Tabel dibawah menunjukkan klaster sebanyak 3 memiliki nilai terkecil. Oleh karena itu, dapat disimpulkan klaster tersebut merupakan klaster paling optimal untuk dilanjutkan proses algoritma.
metode SOM saja ataupun K-Means saja yang ditunjukkan dengan nilai QE dan TE serta nilai DBI yang lebih kecil. Tabel IV. 5 Perbandingan nilai QE dan TE
Algoritma SOM kombinasi K-Means SOM K-Means
Keterangan
Klaster 1 Klaster 2 Klaster 3
Klaster a b Klaster c d e Klaster f g h i
Nilai Entropy 3.139779 2.802700 2.943659
c. Proses validasi dan verifikasi Dari hasil perbandingan pada tabel IV.5 dan IV.6 menunjukkan bahwa dengan menggunakan kombinasi metode SOM dan K-Means dari hasil klaster c d e (Klaster 2) yang didapatkan memiliki tingkat kesalahan lebih kecil dibandingkan dengan
TE 0.016 0.042 0.068
Tabel IV. 6 Perbandingan nilai DBI
Algoritma Nilai DBI Kombinasi SOM dan K-Means 1.853457 SOM 2.46322 Dengan perbandingan- perbandingan tersebut maka dapat disimpulkan bahwa klaster yang paling optimum yaitu hasil klaster dengan metode pengkombinasian SOM dan K-means. d. Pembuatan Profil terhadap hasil cluster Dengan pembagian sebanyak 3 klaster dengan nama Klaster c, d, dan e, maka akan dilakukan penggambaran terhadap karakteristik tiap klaster terhadap ISPU (Nilai keseluruhan). Tabel IV. 7 Karakteristik hasil klaster
Klaster
Klaster c
Karakteristik Jumlah Anggota Nilai Minimum Nilai Maksimum RataRata Nilai
Stasiun
Tabel IV. 4 Nilai Entropy yang didapatkan
Nama Kluster
QE 0.285 0.401 0.486
Klaster d
Jumlah Anggota Nilai Minimum Nilai Maksimum RataRata Nilai
Stasiun Klaster e
Jumlah Anggota Nilai
Hasil Jumlah untuk kluster c adalah sebanyak 353 (32.2%) 7 96 Rata- rata nilai ISPU untuk kluster c adalah 51. Dengan dominasi nilai antara 0- 50 sebesar 79% dari jumlah anggota Anggota lebih banyak dari stasiun 1, 4, dan 5 Jumlah untuk kluster d adalah sebanyak 334 (30.4%) 52 131 Rata- rata nilai ISPU untuk kluster 2 adalah 84. Dengan dominasi nilai antara 51- 100 sebesar 97% dari jumlah anggota Anggota lebih banyak dari stasiun 3 dan 4 Jumlah untuk kluster e adalah sebanyak 409 (37.3%) 87
5
Minimum Nilai Maksimum RataRata Nilai
Stasiun
Lokasi 189 Rata- rata nilai ISPU untuk kluster e adalah 101. Dengan dominasi nilai antara 101- 199 sebesar 71% dari jumlah anggota Anggota lebih banyak dari stasiun 1, 4, dan 5
SUF 1 (Surabaya Pusat) berjumlah 144 SUF 4 (Suarabaya Selatan) berjumlah 130 SUF 5 (Surabaya Timur) berjumlah 101
2) Analisis Interaksi terhadap Visualisasi
Tabel IV. 8 Pembagian kategori berdasarkan klaster yang terbentuk
Klaster Klaster c
Klaster d
Klaster e
Kategori
Index
Penjelasan
Baik
0 – 50
Tingkat kualitas udara yang tidak memberikan efek bagi kesehatan manusia atau hewan dan tidak berpengaruh pada tumbuhan, bangunan ataupun nilai estetika Tingkat kualitas udara yang tidak berpengaruh pada kesehatan manusia atau hewan dan tidak berpengaruh pada tumbuhan yang sensitif, dan nilai estetika Tingkat kualitas udara yang bersifat merugikan pada manusia ataupun kelompok hewan yang sensitif atau bisa menimbulkan kerusakan pada tumbuhan ataupun nilai estetika
Sedang
Tidak Sehat
51 – 100
101 – 199
e. Penentuan Titik Rawan Polusi 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 Tidak Sehat (Klaster e). Tabel IV. 9 Titik rawan polusi
Kondisi Bulan Terjadi
Tidak Sehat Setiap bulan pada tiga tahun penelitian
Gambar IV. 1 Plot SOM Neighbor Distances
Gambar IV. 2 Plot SOM Weight Planes
Gambar IV. 3 Plot SOM Sample Hits
Gambar IV. 4 Plot SOM Weight Positions
Keterangan untuk visualisasi yang dihasilkan adalah sebagai berikut Tabel IV. 10 Penjelasan terhadap hasil visualisasi
ISPU Plot SOM Neighbor Distances
Plot SOM Weight Planes
Plot SOM Sample Hits
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 Grafik ini menunjukkan visualisasi dari weight setiap input pada masingmasing 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. 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
6
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. Berikut ini adalah hasil dari analisis terhadap data yang telah diolah sehingga menghasilkan visualisasi yang ditampilkan untuk mengetahui hasil clustering terhadap lokasi pada map SOM dan porsinya
Gambar IV. 5 Visualiasi SOM Map
Berikut ini adalah hasil dari visualisasi menggunakan peta. 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.
V. KESIMPULAN/RINGKASAN Berdasarkan proses – proses pengerjaan tugas akhir yang telah diselesaikan ini maka terdapat beberapa kesimpulan yang dapat diambil, diantaranya adalah: 1. Dalam proses clustering terhadap kualitas udara, diperlukan nilai ISPU, CO, NO2, O3, PM10, dan SO2 untuk dilakukan pengolahan menggunakan algoritma SelfOrganizing Maps dan K-means 2. Dimulai dari preprocessing data, pelaksanaan metode SelfOrganizing Maps dan K-means yang dilanjutkan dengan proses validasi dan verifikasi dan proses visualisasi terhadap hasil jumlah dan bentuk klaster. 3. 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. 4. 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 Kmeans 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. 5. 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. VI. DAFTAR PUSTAKA [1]
[2] [3]
[4] Gambar IV. 6 Visualisasi Map
[5]
Y. Zhao and G. Karypis, "Criterion functions for document clustering: Experiments and analysis," Machine Learning, 55(3), p. 311–331, June 2004. J. Vesanto, "Self-Organizing Map of Matlab: The SOM Toolbox," elsinsky University of Technology, 2000. E. A. Uriarte and F. D. Martín, "Topology Preservation in SOM," International Journal of Applied Mathematics and Computer Sciences 1;1 © www.waset.org Winter , p. 19, 2005. R. D. Tamin, "INTEGRATED AIR QUALITY MANAGEMENT IN INDONESIA," 2003. M. Steinbach, G. Karypis and V. Kumar, "A comparison of
7
[6]
[7]
[8]
document clustering techniques. In KDD Workshop on Text Mining," p. 2000. G. Salazar, A. Veles, M. Parra and L. Ortega, "A Cluster Validity Index for Comparing Non-hierarchical Clustering Methods," 2002. [Online]. Available: http://citeseer.ist.psu.edu/rd/salazar02cluster.pdf. G. Pölzlbauer, "Survey and Comparison of Quality Measures for Self-Organizing Maps," Department of Software Technology Vienna University of Technology. R. Piyatida and C. Boonorm, "Comparison of Clustering Techniques for Cluster Analysis," Kasetsart J. (Nat. Sci.) 43, pp. 378 - 388, 2009.
[9]
J. Moehrmann, A. Burkovski, E. Baranovskiy, G.-A. Heinze, A. Rapoport and G. Heidemann, "A Discussion on Visual Interactive Data Exploration using Self-Organizing Maps," http://www.vis.uni-stuttgart.de/institut.html, p. 6. [10] S.-T. Li, "Multi-Resolution Spatio-temporal Data Mining for the Study of Air Pollutant Regionalization," Proceedings of the 33rd Hawaii International Conference on System Sciences, 2000. [11] S.-T. Li, "Data mining to aid policy making in air pollution management. Expert Systems with Applications," pp. 331-340, 2004. [12] T. Kohonen, "Engineering Applications of Self-Organizing Map," PROCEEDINGS OF THE IEEE, p. 84, 2004. [13] KABAPEDAL, "Laporan Pemeliharaan Stasiun Monitoring Udara Ambient," Badan Pengendalian Lingkungan Hidup, Surabaya, 2008. [14] L. Jouko, "Generative Probability Density Model in the SelfOrganizing Map. Laboratory of Computational Engineering, Helsinski University of Technology.". [15] D. R. Jain AK, "Algorithms for Clustering Data," New Jersey: Prentice Hall , 1998. [16] P. Hájek and V. Olej, "Air Quality Modelling by Kohonen’s Self-organizing Feature Maps and LVQ," WSEAS TRANSACTIONS on ENVIRONMENT and DEVELOPMENT, 2008. [17] P. Hájek, "Air Quality Indices and their Modelling by Hierarchical Fuzzy Inference," WSEAS TRANSACTIONS on ENVIRONMENT and DEVELOPMENT, 2009. [18] H. D. Ferita, "City Report of Surabaya. AUICK First 2006 Workshop," 2006. [19] K. Ferenc, L. Csaba and B. Attila, "Cluster Validity Measurement Techniques," Department of Automation and Applied Informatics Budapest University of Technology and Economics. [20] M. Efraimidou, "Data Mining Air Quality Data for Athens, Greece," Shaker Verlag, Managing Environmental Knowledge (978-3-8322-5321-9), 2006. [21] M. Dittenbach, "The Growing Hierarchical Self-Organizing Map," Proceedings of the Int’l Joint Conference on Neural Networks (IJCNN’2000), 2000. [22] Asdep PPU Sumber Bergerak, "EVALUASI KUALITAS
UDARA PERKOTAAN 2012. KEMENTERIAN LINGKUNGAN HIDUP," Jakarta, 2012. [23] "The Global Source for Summaries & Reviews," 19 Mei 2014. [Online]. Available: http://id.shvoong.com/internet-andtechnologies/universities-research-institutions/2232943verifikasi-dan-. [24] "Managing Air Quality by 'Data Mining' UK," 2006. [25] 2014. [Online]. http://archive.ics.uci.edu/ml/datasets/.
Available: