1

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 self-

organizing 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, Self-

organization neural network, Air quality, modelling, Kohonen’s

self-organizing feature maps, K-means algorithm, classification

I. PENDAHULUAN

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 non-

linear 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

VISUALISASI KUALITAS UDARA UNTUK MENENTUKAN TITIK

RAWAN POLUSI MENGGUNAKAN ALGORITMA SELF-

ORGANIZING 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: eraha_id@yahoo.com dan ir.hafidz@gmail.com

P

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 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

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. Parameter Waktu Pengukuran

1 Partikulat (PM10) 24 Jam

2 Sulfur Dioksida (SO2) 24 Jam

3 Carbon Monoksida (CO) 8 Jam

4 Ozon (O3) 1 Jam

5 Nitrogen Dioksida (NO2) 1 Jam

Evaluasi terhadap kualitas udara di Kota Surabaya

menggunakan Index Standar Pencemar Udara (ISPU).

Standar inilah yang menentukan jumlah dari polutan yang

1 Kementrian Lingkungan Hidup Indonesia Sub Divisi Kualitas Udara yang

merupakan badan pemerintah yang bergerak didalam lingkungan hidup.

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 Batas Nilai ISPU

Baik 0 -50

Sedang 51 - 100

Tidak Sehat 101- 199

Sangat Tidak Sehat 200 – 299

Berbahaya 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

Kalkulasi terhadap

tingkat keakuratan hasil

klaster yang dihasilkan

Profiling terhadap hasil

klaster sesuai dengan

kondisi kualitas udara

Visualisasi kondisi kualitas

udara menggunakan Plot SOM

Neighbour Distance, Plot Som

Sample Hits, Plot SOM Weight

Positions, SOM Map, dan Peta

Kota Surabaya

Tahap Clustering

Tahap Visualisasi

Gambar III. 1 Diagram pelaksanaan

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 Metode Validasi

Self Organizing Maps RMSSTD

K-means Pengukuran nilai entropy

Self Organizing Maps

kombinasi dengan K-

means

Pengukuran terhadap nilai R-

squared 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 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

Tabel IV. 2 Inisialisasi bentuk klaster

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

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 a b 1.009044

Klaster 2 Klaster c d e 1.00178

Klaster 3 Klaster f g h i 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.

Tabel IV. 4 Nilai Entropy yang didapatkan

Nama Kluster Keterangan Nilai

Entropy

Klaster 1 Klaster a b 3.139779

Klaster 2 Klaster c d e 2.802700

Klaster 3 Klaster f g h i 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

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 QE TE

SOM kombinasi K-Means 0.285 0.016

SOM 0.401 0.042

K-Means 0.486 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 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. Dengan

dominasi nilai antara 0- 50

sebesar 79% dari jumlah anggota

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. Dengan

dominasi nilai antara 51- 100

sebesar 97% dari jumlah anggota

Stasiun Anggota lebih banyak dari

stasiun 3 dan 4

Klaster

e

Jumlah

Anggota

Jumlah untuk kluster e adalah

sebanyak 409 (37.3%)

Nilai 87

5

Minimum

Nilai

Maksimum

189

Rata- Rata

Nilai

Rata- rata nilai ISPU untuk

kluster e adalah 101. Dengan

dominasi nilai antara 101- 199

sebesar 71% dari jumlah anggota

Stasiun Anggota lebih banyak dari

stasiun 1, 4, dan 5

Tabel IV. 8 Pembagian kategori berdasarkan klaster yang

terbentuk

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

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 Tidak Sehat

Bulan Terjadi Setiap bulan pada tiga tahun

penelitian

Lokasi SUF 1 (Surabaya Pusat) berjumlah

144

SUF 4 (Suarabaya Selatan)

berjumlah 130

SUF 5 (Surabaya Timur)

berjumlah 101

2) Analisis Interaksi terhadap Visualisasi

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 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

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.

Gambar IV. 6 Visualisasi Map

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 Self-

Organizing Maps dan K-means

2. Dimulai dari preprocessing data, pelaksanaan metode Self-

Organizing Maps dan K-means yang dilanjutkan dengan

proses validasi dan verifikasi dan proses visualisasi

terhadap hasil jumlah dan bentuk klaster.

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 K-

means adalah 0.285 dan 0.016 sedangkan SOM saja

sebesar 0.401 dan 0.042 dan untuk K-means saja sebesar

0.486 dan 0.068.

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] Y. Zhao and G. Karypis, "Criterion functions for document

clustering: Experiments and analysis," Machine Learning,

55(3), p. 311–331, June 2004.

[2] J. Vesanto, "Self-Organizing Map of Matlab: The SOM

Toolbox," elsinsky University of Technology, 2000.

[3] 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.

[4] R. D. Tamin, "INTEGRATED AIR QUALITY

MANAGEMENT IN INDONESIA," 2003.

[5] M. Steinbach, G. Karypis and V. Kumar, "A comparison of

7

document clustering techniques. In KDD Workshop on Text

Mining," p. 2000.

[6] 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.

[7] G. Pölzlbauer, "Survey and Comparison of Quality Measures

for Self-Organizing Maps," Department of Software Technology

Vienna University of Technology.

[8] 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 Self-

Organizing 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-and-

technologies/universities-research-institutions/2232943-

verifikasi-dan-.

[24] "Managing Air Quality by 'Data Mining' UK," 2006.

[25] 2014. [Online]. Available:

http://archive.ics.uci.edu/ml/datasets/.