<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="124243">
 <titleInfo>
  <title>PERBANDINGAN BEBERAPA METODE FUZZY CLUSTERING DENGAN MENGGUNAKAN DYNAMIC TIME WARPING PADA DATA TIME SERIES POLUTAN PM2.5 DI INDONESIA</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>MHD. KHAIRUL</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas MIPA Statistika</publisher>
   <dateIssued>2024</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Meningkatnya kebutuhan analisis data yang efektif untuk mengatasi ketidakpastian dan ambiguitas, mendorong penelitian ini untuk mengintegrasikan metode fuzzy clustering dengan Dynamic Time Warping (DTW) dalam mengelompokkan kota-kota di Indonesia berdasarkan data time series polutan PM2.5. Penelitian ini membandingkan kinerja lima metode fuzzy clustering yang berbeda yaitu Fuzzy C-Means (FCM), Fuzzy Possibilistic C-Means (FPCM), Possibilistic Fuzzy C-Means (PFCM), Fuzzy Gustafson-Kessel (FGK), dan Fuzzy C-Shells (FCS). Data yang digunakan adalah data time series polutan PM2.5 selama satu tahun. DTW digunakan untuk menghitung jarak dalam data time series, sementara indeks validasi cluster digunakan untuk mengevaluasi kinerja metode fuzzy clustering tersebut. Penelitian ini menggunakan tiga cluster, masing-masing mewakili tingkat polutan PM2.5 yang berbeda yaitu tinggi, sedang, dan rendah. Hasil penelitian menunjukkan bahwa FCS adalah metode terbaik. Selain itu, uji Kruskal-Wallis dan uji lanjut Dunn digunakan untuk memverifikasi perbedaan antara setiap cluster dan sebagai dasar dalam perbandingan yang mewakili tingkat polutan PM2.5. Metode FCS mengelompokkan 14 kota ke dalam cluster 1, 6 kota ke dalam cluster 2, dan 13 kota ke dalam cluster 3. Melalui visualisasi perbandingan dengan boxplot dan uji beda dapat teridentifikasi cluster 2 sebagai cluster polutan tertinggi, cluster 1 sebagai cluster polutan sedang, dan cluster 3 sebagai cluster polutan rendah. Uji Kruskal-Wallis dan uji lanjut Dunn menunjukkan terdapat perbedaan yang signifikan antara setiap cluster. Penggunaan FCS dengan DTW menjadi dasar dalam pemetaan dan pengambilan kebijakan terkait kualitas udara. Hal ini menjadi kontribusi dalam analisis data lingkungan, menegaskan keefektifan metode fuzzy clustering dalam analisis data polutan PM2.5 dan memfasilitasi identifikasi kota dengan tingkat polusi berbeda, serta mendukung upaya pengurangan dampak negatif polusi udara terhadap kesehatan publik dan lingkungan.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>124243</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2024-07-05 10:46:16</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2024-07-05 11:17:36</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>