Clustering pola Spasial-Temporal data petir menggunakan Principal Component Analysis (PCA)

INDONESIA:

Data petir memiliki karakteristik spasial dan temporal yang kompleks, sehingga menyulitkan proses analisis dalam memahami pola sebaran dan pengelompokan kejadian petir. Oleh karena itu, diperlukan metode yang mampu mengolah data berdimensi tinggi serta mengidentifikasi pola secara efektif. Penelitian ini bertujuan untuk melakukan clustering spasial temporal pada data petir dengan memanfaatkan metode Principal Component Analysis (PCA) untuk reduksi dimensi data. Proses penelitian meliputi tahap pengumpulan data petir, preprocessing data, transformasi fitur spasial dan temporal menggunakan PCA, serta proses clustering untuk mengelompokkan data berdasarkan kemiripan karakteristik. Evaluasi hasil clustering dilakukan menggunakan Silhouette Score untuk mengukur kualitas pengelompokan berdasarkan tingkat kedekatan data dalam satu cluster dan tingkat pemisahan antar cluster. Berdasarkan hasil pengujian yang dilakukan, penerapan PCA mampu mereduksi dimensi data tanpa menghilangkan informasi penting, sehingga meningkatkan efisiensi dan kualitas proses clustering. Hasil evaluasi menunjukkan bahwa model clustering yang dihasilkan memiliki nilai Silhouette Score yang menunjukkan kualitas pengelompokan yang baik. Dengan demikian, metode PCA dan clustering dapat digunakan untuk membantu dalam memahami pola spasial temporal data petir secara lebih efektif.

ENGLISH:

Lightning data exhibit complex spatio-temporal characteristics, which make the analysis process challenging in understanding the distribution patterns and grouping of lightning events. Therefore, methods capable of handling high-dimensional data and effectively identifying patterns are required. This study aims to perform spatio-temporal clustering on lightning data by utilizing Principal Component Analysis (PCA) for dimensionality reduction. The research process includes data collection, data preprocessing, transformation of spatial and temporal features using PCA, and clustering to group data based on similarity characteristics. The clustering results are evaluated using the Silhouette Score to measure the quality of clustering based on intra-cluster cohesion and inter-cluster separation. Based on the experimental results, the application of PCA is able to reduce data dimensionality without losing important information, thereby improving the efficiency and quality of the clustering process. The evaluation results indicate that the clustering model achieves a Silhouette Score that reflects good clustering quality. Therefore, the PCA and clustering methods can be effectively used to better understand the spatio-temporal patterns of lightning data.

ARABIC:

تتميز بيانات البرق بخصائص زمانية ومكانية معقدة، مما يجعل عملية تحليلها صعبة في فهم أنماط التوزيع وتجميع أحداث البرق. لذلك، هناك حاجة إلى أساليب قادرة على معالجة البيانات عالية الأبعاد وتحديد الأنماط بشكل فعال. تهدف هذه الدراسة إلى إجراء عملية التجميع الزماني المكاني لبيانات البرق باستخدام أسلوب تحليل المركبات الرئيسية (PCA) لتقليل أبعاد البيانات. تشمل عملية البحث جمع بيانات البرق، ومعالجة البيانات الأولية، وتحويل الخصائص الزمانية والمكانية باستخدام PCA، ثم إجراء عملية التجميع لتصنيف البيانات بناءً على تشابه الخصائص. كما تم تقييم نتائج التجميع باستخدام مقياس Silhouette Score لقياس جودة التجميع من حيث التقارب داخل المجموعة والتباعد بين المجموعات . ناءً على نتائج الاختبارات، أظهر تطبيق PCA قدرته على تقليل أبعاد البيانات دون فقدان المعلومات المهمة، مما يسهم في تحسين كفاءة وجودة عملية التجميع. كما أظهرت نتائج التقييم أن نموذج التجميع يحقق قيمة Silhouette Score تدل على جودة جيدة للتجميع. وبالتالي، يمكن استخدام أسلوبي PCA والتجميع لفهم الأنماط الزمانية المكانية لبيانات البرق بشكل أكثر فعالية.