Dokumen ini membahas tiga teknik kartografi dan geovisualisasi yaitu Parallel Coordinate Plot (PCP), Space-Time Cubes (STC), dan Self-Organizing Map (SOM). PCP digunakan untuk visualisasi dan analisis data berdimensi tinggi, STC merepresentasikan pergerakan objek dalam ruang dan waktu, sedangkan SOM melakukan pemetaan data berdimensi tinggi menjadi bentuk dua dimensi untuk mempermudah pemahaman. Ketiga teknik ini telah diterap

1. Kartografi dan Geovisualisasi
Oleh:
Luhur Moekti Prayogo
(19/449597/PTK/12856)
PCP (Parallel Coordinate Plot)
STC (Space-Time Cubes)
SOM (Self-Organizing Map)

2. Outline
PCP (Parallel
Coordinate Plot)
STC (Space-
Time Cubes)
SOM (Self-
Organizing
Map)
Daftar Pustaka

3. PCP (Parallel Coordinate Plot)
Pendahuluan
Maurice (1885) menyatakan bahwa kata "Coordonnées paralleles" 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
Pada bidang dengan sistem koordinat kartesian xy, menambahkan lebih banyak dimensi dalam
koordinat paralel (PCP)
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 menggunakan Nested Parallel
Coordinates Plot (NPCP)
c) Visualisasi terkait heat map digunakan untuk
mendemonstrasikan kualitas keseluruhan dan kesamaan
anggota

6. a) Tabel dibawah menunjukkan rumus untuk data sintetis
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)
PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)

7. PCP untuk Pemetaan Cuaca Multi Resolusi
(Wang dkk, 2017)
a) Umumnya Riset dan
Peramalan Cuaca
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

8. 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 serta menjadi topik yang
semakin diminati sampai sekarang

9. 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)

10. a) Dibandingkan dengan
pendekatan berbasis
desktop konvensional, hasil
menunjukkan beberapa
manfaat kualitatif yang jelas
untuk eksplorasi lintasan
dengan STC
b) 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)

11. 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

12. 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) Aplikasi SOM terbaru dalam penentuan kualitas air dan perairan
ekologi telah memberikan hasil yang sangat baik dalam pola dan
prediksi

13. 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)

14. 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) 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)

15. 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

16. Terima Kasih