Electronic Theses and Dissertation

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.

The increasing need for effective data analysis to overcome uncertainty and ambiguity prompted this research to integrate fuzzy clustering method with Dynamic Time Warping (DTW) in clustering cities in Indonesia based on PM2.5 pollutant time series data. This research compares the performance of five different fuzzy clustering methods namely Fuzzy C-Means (FCM), Fuzzy Possibilistic C-Means (FPCM), Possibilistic Fuzzy C-Means (PFCM), Fuzzy Gustafson-Kessel (FGK), and Fuzzy C-Shells (FCS). The data used is PM2.5 pollutant time series data for one year. DTW is used to calculate the distance in the time series data, while the cluster validation index is used to evaluate the performance of the fuzzy clustering method. This study used three clusters, each representing a different level of PM2.5 pollutant: high, medium, low. The results show that FCS is the best method. In addition, the Kruskal-Walli’s test and Dunn's further test were used to verify the differences between clusters and as a basis in comparison representing PM2.5 pollutant levels. The FCS method grouped 14 cities into cluster 1, 6 cities into cluster 2, and 13 cities into cluster 3. Through visualization of comparisons with boxplots and t-tests, cluster 2 can be identified as the highest pollutant cluster, cluster 1 as a medium pollutant cluster, and cluster 3 as a low pollutant cluster. The Kruskal-Walli’s test and Dunn's further test show that there are differences between clusters. The use of FCS with DTW can be a basis for mapping and policymaking related to air quality. This can be a contribution to environmental data analysis, confirming the effectiveness of the fuzzy clustering method in PM2.5 pollutant data analysis, and facilitating the identification of cities with different pollution levels, which supports efforts to reduce the negative impacts of air pollution on public health and the environment.