3. PCP (Parallel Coordinate Plot)
Pendahuluan
D'Ocagne, Maurice (1885) menyatakan bahwa kata "Coordonnées parallèles" awalnya tidak ada
hubungannya dengan teknik visualisasi namun hanya menjelaskan metode transformasi
koordinat
Sebelum tahun 1885, Koordinat paralel digunakan oleh Henry Gannetts, diterapkan untuk
Peringkat Negara berdasarkan Rasio, tahun 1880
Beberapa aplikasi penting PCP ada dalam algoritma penghindaran tabrakan untuk pengendalian
lalu lintas udara (1987-3) (paten AS), penambangan data (paten AS), visi komputer (paten AS),
Optimasi, dan kontrol proses
4. PCP (Parallel Coordinate Plot)
Plot Koordinat Pararel
Koordinat paralel adalah cara umum untuk memvisualisasikan dan menganalisis kumpulan
data dimensi tinggi
Untuk menunjukkan sekumpulan titik dalam ruang berdimensi - n, latar belakang digambar
terdiri dari n garis sejajar, biasanya vertikal dan berjarak sama
Pada bidang dengan sistem koordinat kartesian xy, menambahkan lebih banyak dimensi dalam
koordinat paralel (PCP) dan lebih banyak sumbu
Tujuannya adalah untuk memetakan hubungan n-dimensi menjadi pola 2D. Oleh karena itu,
koordinat paralel bukanlah pemetaan titik ke titik melainkan subset n D untuk pemetaan
subset 2D, tidak ada kehilangan informasi
5. PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)
a) Visualisasi utama: visualisasi parameter (R1, R2 dan R3) dan
visualisasi ansambel (R4, R5 dan R6)
b) Untuk memvisualisasikan set parameter dimensi tinggi multi
resolusi menggunakan Nested Parallel Coordinates Plot (NPCP)
c) Kualitas dari set ensemble dievaluasi dengan membandingkan
sponding observasi set (R4)
d) Nilai kualitas bersama set parameter divisualisasikan dalam
NPCP untuk mendemonstrasikan intra-resolusi (R1) dan inter-
resolusi (R2) korelasi konvektif parameter
e) Kueri rentang dimensi tinggi yang intuitif (R3) dan transisi yang
halus dapat dilakukan melalui interaksi sederhana dengan
NPCP
f) Visualisasi terkait heat map dan dendrogram digunakan untuk
mendemonstrasikan kualitas keseluruhan dan kesamaan
anggota
6. a) Tabel dibawah menunjukkan rumus untuk data sintetis Multi-set (3 set, 5
dimensi)
b) Dengan nilai x yang berbeda, formula di setiap baris menghasilkan
berbagai contoh data untuk setiap set
c) Desain ini tidak efektif untuk menyatakan korelasi antara dimensi yang
berbeda (karena over- plotting)
d) Dari perspektif visualisasi, PCP tipikal seperti itu menggunakan
Superimpo-desain sition, yang melapisi ketiga set dalam satu visualisasi
e) Namun demikian, karena tiga set berbagi sumbu yang sama, kita dapat
secara langsung bandingkan rentang data dan distribusi data dari tiga
set. Misalnya, terbukti bahwa himpunan 1 (polylines biru) memiliki lebih
lebar rentang nilai pada sumbu func 1 dari dua set lainnya
PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)
7. a) Dimensi horizontal heat map adalah ensemble anggota dalam set ansambel yang
sama
b) Diurutkan menurut langkah pengelompokan aglomeratif (yaitu urutan hierarkhi)
c) Item ensemble dikategorikan menjadi empat kelompok berdasarkan
kualitasnya: Sangat Akurat , Akurat , Kurang akurat dan Sangat Tidak Akurat
d) Tiga tampilan geografis, satu untuk item ansambel iklim (dilambangkan sebagai V1 ,
Gambar 1 C1), satu untuk pengamat-item vation (dilambangkan sebagai V2 ,
Gambar 1 C2) dan satu untuk perbedaannya (dilambangkan sebagai V3 , Gambar 1
C3), ditampilkan berdampingan
e) Perbedaan nilai di setiap lokasi spasial (titik grid) di V3 diturunkan dari nilai di lokasi
yang sama dari item ensemble di V1 dan item observasi di V2
PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)
8. PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)
a) Umumnya Riset dan
Peramalan Cuaca
(WRF) model untuk
menghasilkan
ansambel iklim
disajikan dengan
tiga resolusi spasial:
50 km , 25 km dan
12 km
b) Jumlah grid titik di
setiap resolusi
adalah
(lintang × bujur):
43 × 44, 87 × 89
dan 182 × 187
9. STC (Space-Time Cubes)-Eksplorasi Lintasan Data
(Jorge A. Wagner Filho, Wolfgang Stuerzlinger, and Luciana Nedel – IEEE)
Mengenal STC
STC merupakan representasi model 3 dimensi dimana koordinat Z menunjukkan waktu (Petras
et al. 2014)
STC memvisualisasikan bagaimana posisi obyek dari waktu ke waktu dan menjadi topik yang
semakin diminati
STC memungkinkan pengamatan yang jelas tentang ruang dan waktu seperti durasi gerakan
yang bervariasi, kecepatan dan letak obyek
Memungkinkan tampilan yang tepat pada lintasan (disebut Jalur Ruang-Waktu)
10. a) Pilihan desain pertama menyangkut arah
masuk waktu yang ditampilkan secara default
b) Meskipun mungkin tampak lebih alami
representasi 3D untuk sumbu vertikal
meningkat ke atas, berfungsi untuk
menampilkan waktu yang semakin lama
c) Pengguna juga dapat memeriksa posisi
tertentu dengan bantuan garis horizontal
merah tambahan, yang secara permanen
mengikuti gerakan tangan saat jari telunjuk
diangkat
d) Eksplorasi STC mengharuskan pengguna
untuk dapat memanipulasinya untuk
menemukan tampilan yang sesuai,
STC (Space-Time Cubes)-Eksplorasi Lintasan Data
(Jorge A. Wagner Filho, Wolfgang Stuerzlinger, and Luciana Nedel – IEEE)
11. a) Dibuat dengan
membangun grafik
persimpangan jalan
untuk kota Dublin,
Irlandia, dan jalur
terpendek di antaranya
poin yang telah
ditentukan sebelumnya
b) Pengguna harus terlebih
dahulu mengidentifikasi
elemen atau periode
target, lalu pindahkan
waktu atau periode
yang diinginkan lebih
dekat ke bidang peta
STC (Space-Time Cubes)-Eksplorasi Lintasan Data
(Jorge A. Wagner Filho, Wolfgang Stuerzlinger, and Luciana Nedel – IEEE)
12. a) Eksperimen mengikuti desain
campuran, dengan 2 dalam-
subjek visualisasi × 2 skenario
data antar subjek × 7 tugas, total
14 uji coba per peserta dengan
durasi rata-rata 65 menit
(termasuk tahapan sosialisasi dan
pengisian kuesioner)
b) Dibandingkan dengan
pendekatan berbasis desktop
konvensional, hasil menunjukkan
beberapa manfaat kualitatif yang
jelas untuk eksplorasi lintasan
dengan STC imersif
c) Hal ini diperkuat oleh data skala
likert, dimana 16/20 dianggap
mudah untuk menemukan
informasi yang diperlukan dan
18/20 menganggap teknik ini
nyaman, dibandingkan dengan
6/20 dan 8/20 di Desktop,
masing-masing.
STC (Space-Time Cubes)-Eksplorasi Lintasan Data
(Jorge A. Wagner Filho, Wolfgang Stuerzlinger, and Luciana Nedel – IEEE)
13. SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
Mengenal SOM
Self-Organizing Map (SOM) atau sering disebut topology-preserving map pertama kali
diperkenalkan oleh Teuvo Kohonen pada tahun 1996
SOM merupakan salah satu teknik dalam Neural Network yang bertujuan untuk melakukan
visualisasi data dengan cara mengurangi dimensi data melalui penggunaan self-organizing
neural networks sehingga manusia dapat mengerti high-dimensional data yang dipetakan
dalam bentuk low-dimensional data
Metode pembelajaran yang digunakan SOM adalah tanpa bimbingan dari suatu data input-
target atau unsupervised learning yang mengasumsikan sebuah topologi yang terstruktur
menjadian unit-unit kelas/cluster (Kohonen, 1989 dan Fausett, 1993)
Pada algoritma SOM, vektor bobot untuk setiap unit cluster berfungsi sebagai contoh
dari input pola yang terkait dengan cluster itu
14. Mengenal SOM
Selama proses self-organizing, cluster satuan yang bobotnya sesuai dengan pola
vektor input yang paling dekat (biasanya, kuadrat dari jarak Euclidean minimum) dipilih
sebagai pemenang
Unit pemenang dan unit tetangganya (dalam pengertian topologi dari unit cluster ) terus
memperbarui bobot merek (Fausett, 1993)
Setiap output akan bereaksi terhadap pola input tertentu sehingga hasil Kohonen SOM akan
menunjukkan adanya kesamaan ciri antar anggota dalam cluster yang sama
Arsitektur SOM merupakan jaringan yang 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 dalam lapisan output merepresentasikan kelas (cluster )
dari input yang diberikan
SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
15. SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
a) Semua vektor sampel ditraining, algoritma secara otomatis
mengklasifikasikan training sampel di peta yang dikenal sebagai
proses pemetaan
b) Neuron vektor bobotnya sangat mirip dengan vektor masukan
akan memiliki tingkat aktivasi kecil, sedangkan neuron dengan
vektor bobot sangat berbeda dari vektor input akan
menunjukkan tingkat aktivasi yang besar
c) Aplikasi SOM terbaru dalam penentuan kualitas air dan perairan
ekologi telah memberikan hasil yang sangat baik dalam pola dan
prediksi
16. SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
a) Peta komponen SOM dibangun untuk
memvisualisasikan bution dari setiap
parameter fisikokimia ke peta
b) Vektor bobot SOM neuron
mengungkapkan pengaruh masing-
masing variabel fisikokimia dalam
karakterisasi cluster yang teridentifikasi
c) Cluster 1a terutama dicirikan oleh suhu
air yang tinggi, hubungan oksigen
terlarut dan pH yang sangat tinggi,
tingkat TSS yang relatif rendah serta
semua kation dan anion (yaitu Ca 2+ ,
Mg 2+ , Na + , Cl - , K + dan SO 4-2 )
yaitu padatan terlarut di dalam air
d) Cluster 1b1 telah ditentukan ditambang
oleh oksigen tingkat tinggi dan pH tinggi,
diikuti oleh suhu air rendah dan nilai TSS,
dan tingkat alkalinitas dan kalsium yang
tinggi
17. a) Cluster 1b2 memiliki karakteristik yang mirip dengan
cluster 1a, dikategorikan berdasarkan suhu tinggi,
oksigen dan nilai pH sedikit berkurang, dan tingkatan
TSS, kalsium dan alkalinitas
b) Sangat berbeda dari cluster sebelumnya, cluster 2
terutama ditentukan oleh nilai-nilai nutrisi yang tinggi
(nitrat, fosfor total dan total amonia) dan semua
padatan terlarut
c) Studi ini mengungkapkan bahwa konsentrasi unsur
hara paling tinggi terutama di sepanjang kanal delta,
khususnya konsentrasi TP berkisar antara 0,13 mgL -
1 pada cluster 1b2 sampai 0,56 mgL -1 pada cluster 2
d) Selain itu, pH dan DO berkurang di sebagian besar
situs karena dekomposisi bahan organik dan limpasan
badai yang dipengaruhi oleh penggunaan lahan dan
sulfat masam
SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
18. a) TSS ditemukan dengan nilai tinggi untuk
sebagian besar situs delta, hal ini karena
akumulasi sedimen dari hulu Mekong dan
erosi di dalam zona delta karena kegiatan
pertanian intensif
b) Berbeda dengan cluster 2 dan 1b2,
alkalinitas dan konsentrasi padatan
terlarut ditemukan rendah di cluster 1a
dan 1b1
c) Di zona transisi antara Mekong dan delta
(cluster 1b2), unsur hara mulai meningkat
dan mencapai maksimum pada lokasi
tertentu di sepanjang kanal delta,
terutama fosfor yang merupakan unsur
beracun dan tunduk pada bioakumulasi
mulasi
d) Variasi karakteristik air pada cluster 1 dan 2
dapat menunjukkan adanya perubahan
kualitas air sepanjang cekungan,
penurunan yang signifikan diamati di
delta Mekong dan zona peralihannya
SOM (Self-Organizing Map) – Penurunan Kualitas Air
(Chea dkk, 2016)
19. Chea et al. 2016. Evidence of Water Quality Degradation in Lower Mekong Basin Revealed by Self-
Organizing Map. PLOS ONE, 11 (11). 1-19. DOI:10.1371/journal.pone.0145527. (Paper SOM)
Fausett. L.V (1993). Fundamental of Neural Network: Architectures, Algorithm, And Application. Prentice Hall, 1st edition. ISBN-
13: 978-0133341867.
Filho et al. 2019. Evaluating an Immersive Space-Time Cube Geovisualization for Intuitive Trajectory Data Exploration. IEEE VIS
InfoVis 2019 (Transactions on Visualization and Computer Graphics). 1. DOI:
10.1109/TVCG.2019.2934415. (Paper STC)
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. England: Pearson Education. Hal. 23, 43-45.
Kohonen, T (1989). “Self-organizing feature maps.” Self-organization and associative memory. Springer Berlin Heidelberg. 119-
157.
Kohonen, T.,Schroeder, M. R and Huang, T (2001)Self-organizing map. Springer-Verlag New York. Inc., Secaucus, NJ, 43, 2.
Wang et al. 2017. Multi-Resolution Climate Ensemble Parameter Analysis with Nested Parallel Coordinates Plots. IEEE
Transactions On Visualization and Computer Graphics Vol. 23, No. 1. 81-90. (Paper PCP)
Daftar Pustaka