Implementasi Algoritme Empirical Mode Decomposition (Emd) Menggunakan Bahasa Pemrograman R
IMPLEMENTASI ALGORITME EMPIRICAL MODE
DECOMPOSITION (EMD) MENGGUNAKAN
BAHASA PEMROGRAMAN R
RYAN ANDI PRANATA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Implementasi Algoritme
Empirical Mode Decomposition (EMD) Menggunakan Bahasa Pemrograman R
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Februari 2016
Ryan Andi Pranata
NIM G64134040
ABSTRAK
RYAN ANDI PRANATA. Implementasi Algoritme Empirical Mode
Decomposition (EMD) Menggunakan Bahasa Pemrograman R. Dibawah
bimbingan IMAS SUKAESIH SITANGGANG.
Perubahan lahan dapat dipantau dengan penginderaan jauh (remote sensing),
seperti menggunakan sensor SPOT Vegetation. Teknologi penginderaan jauh
sangat bergantung pada pantulan spektral dan panjang gelombang yang dapat
menunjukkan dan membedakan material tutupan lahan misalnya air, lahan kering,
dan tumbuhan. Spektral adalah daya pisah objek berdasarkan besar spektrum
elektromagnetik yang mempengaruhi besarnya derajat keabuan. Keunggulan R
untuk analisis data dan grafik selain open source, juga dapat dijalankan pada
berbagai sistem operasi. Pada penelitian ini berhasil menerapkan algoritme
Empiricial Mode Decomposition (EMD) menggunakan bahasa pemrograman R
untuk mengidentifikasi nilai indeks citra SPOT vegetation. Hasil penelitian
menunjukkan bahwa hamburan terjadi pada nilai indeks citra di lokasi contoh
Sumatera Selatan, Irian Jaya, Medan, dan Makassar.
Kata kunci: bahasa pemrograman R, Empiricial Mode Decomposition (EMD),
Intrinsic Mode Function (IMF), remote sensing, sensor SPOT Vegetation, tutupan
lahan
ABSTRACT
RYAN ANDI PRANATA. Implementation of Empirical Mode Decomposition
(EMD) Algorithm Using R Language. Supervised by IMAS SUKAESIH
SITANGGANG.
Land use change can be monitored using remote sensing, for example by
SPOT Vegetation sensor. Remote sensing technology is highly dependent on the
spectral reflectance and wavelength, which are able to identify and distinguish land
cover material such as water, dry land, and vegetation. Spectral is separating power
of an object based on the large electromagnetic spectrum that affects the amount of
gray level. The R programming language is suitable for data analysis and graphs
because it is open source and cross-platform. This study implemented the EMD
algorithm using R language to identify changes in the index value of SPOT
vegetation image on the selected sample sites. The results show that scattering
occurs on index values of images on the sample sites South Sumatera, Irian Jaya,
Medan, and Makassar.
Keywords: Empirical Mode Decomposition (EMD), Intrinsic Mode Function
(IMF), land cover , R programming language, remote sensing, SPOT Vegetation
sensor
IMPLEMENTASI ALGORITME EMPIRICAL MODE
DECOMPOSITION (EMD) MENGGUNAKAN
BAHASA PEMROGRAMAN R
RYAN ANDI PRANATA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Penguji:
1 Husnul Khotimah, SKomp MKom
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Implementasi Algoritme Empirical Mode Decomposition (EMD)
Menggunakan Bahasa Pemrograman R
Nama
: Ryan Andi Pranata
NIM
: G64134040
Disetujui oleh
Dr Imas Sukaesih Sitanggang, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Alhamdulillah puji dan syukur penulis panjatkan kepada Allah subhanahu wa
ta’ala atas segala karunia-Nya, sehingga penyusunan karya ilmiah yang berjudul
“Implementasi Algoritme Empirical Mode Decomposition (EMD) Menggunakan
Bahasa Pemrograman R” dapat diselesaikan.
Karya ilmiah ini tidak mungkin dapat diselesaikan tanpa bantuan dari
berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang
setinggi-tingginya kepada:
1 Kedua orang tua tercinta, Ayah dan Ibu dan seluruh keluarga yang selalu
memberikan kasih sayang, bantuan doa dan dukungan moral.
2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing yang
sudah sangat membantu dalam memberikan banyak masukan dan saran, serta
motivasinya.
3 Bapak Muhammad Asyhar Agmalaro, SSi MKom dan Ibu Husnul Khotimah,
SKomp MKom selaku dosen penguji atas kesediaannya sebagai penguji pada ujian
tugas akhir.
4 Rekan-rekan alih jenis Ilmu Komputer angkatan 8 telah berbagi ilmu selama
masa studi.
5 Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu pada
masa perkuliahan maupun selama penelitian ini.
Dan semua pihak yang telah banyak membantu penulis dalam menyelesaikan
karya ilmiah ini yang mungkin tidak dapat disebutkan satu per satu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2016
Ryan Andi Pranata
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Penginderaan Jauh
2
Satelit SPOT
2
Hierarchical Data Format (HDF)
3
Empirical Mode Decomposition (EMD)
3
METODE
4
Pengumpulan Data
5
Pengolahan Data
5
Implementasi Algoritme EMD
6
Lingkungan Pengembangan
7
HASIL DAN PEMBAHASAN
7
Pengumpulan Data
7
Pengolahan Data
8
Implementasi Algoritme EMD
9
Hasil Algoritme EMD
14
SIMPULAN DAN SARAN
17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
18
LAMPIRAN
19
DAFTAR TABEL
1 Titik koordinat lokasi contoh
2 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
6
16
DAFTAR GAMBAR
1 Tahapan mengidentifikasi IMF pertama: (a) identifikasi nilai maksima dan
minima, (b) membuat envelope atas dan bawah, (c) menghitung rataan dari
envelope atas dan bawah, (d) IMF pertama dan residu (Peel et al. 2005).
2 Tahapan penelitian
3 Data citra SPOT vegetation tanggal 1 Januari 2003 dengan format HDF
4 Data citra SPOT vegetation setelah dikonversi ke format JPG
5 Penentuan lokasi contoh (Rachmawati 2012)
6 Penentuan elemen citra berdasarkan lokasi contoh
7 Identifikasi nilai ekstrim
8 Implementasi perhitungan envelope pada R
9 Perbandingan fungsi interpolasi spline pada Matlab dan R
10 Perbandingan fungsi interpolasi spline dengan metode “fmm” di R dan
fungsi interpolasi spline pada Matlab
11 Perhitungan rata-rata envelope pada R
12 Proses sifting lokasi contoh Sumatera Selatan: (a) identifikasi nilai
maksima dan minima, (b) membuat envelope atas dan bawah, (c)
menghitung rataan dari envelope atas dan bawah
13 Proses sifting lokasi contoh Kalimatan Tengah
14 Proses sifting lokasi contoh Irian Jaya
15 Proses sifting lokasi contoh Medan
16 Proses sifting lokasi contoh Jakarta
17 Proses sifting lokasi contoh Makassar
18 Grafik output algoritme EMD untuk Sumatera Selatan: (a) IMF pertama,
(b) IMF kedua, (c) IMF ketiga, (d) IMF keempat, (e) residu
4
5
8
8
9
9
10
10
11
11
11
12
13
13
13
14
14
15
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
Titik sampling semua lokasi contoh
Grafik IMF dan residu untuk lokasi contoh Kalimantan Tengah
Grafik IMF dan residu untuk lokasi contoh Irian Jaya
Grafik IMF dan residu untuk lokasi contoh Medan
Grafik IMF dan residu untuk lokasi contoh Jakarta
Grafik IMF dan residu untuk lokasi contoh Makassar
Output algoritme EMD untuk lokasi contoh Sumatera Selatan
Output algoritme EMD untuk lokasi contoh Kalimantan Tengah
Output algoritme EMD untuk lokasi contoh Irian Jaya Timur
Output algoritme EMD untuk lokasi contoh Medan
Output algoritme EMD untuk lokasi contoh Jakarta
Output algoritme EMD untuk lokasi contoh Makassar
19
20
21
22
23
24
25
26
27
28
29
30
PENDAHULUAN
Latar Belakang
Tutupan lahan dapat dipantau dengan teknologi penginderaan jauh (remote
sensing). Salah satu alat penginderaan jauh adalah menggunakan sensor SPOT
Vegetation, yang dibawa oleh satelit SPOT (Syste`me Pour l’Observtion de la
Terre). Data yang diperoleh dari satelit ini adalah citra yang bermanfaat untuk
pengamatan permukaan bumi.
Karakter utama dari suatu image (citra) dalam penginderaan jauh adalah
adanya rentang panjang gelombang (wavelenght band) yang dimilikinya. Setiap
material pada permukaan bumi juga mempunyai reflektansi yang berbeda terhadap
cahaya matahari. Dengan demikian, material-material tersebut akan mempunyai
resolusi yang berbeda pada setiap panjang gelombang. Piksel adalah sebuah titik
yang merupakan elemen paling kecil pada citra satelit. Angka numerik (1 byte) dari
piksel disebut Digital Number (DN). Digital Number bisa ditampilkan dalam warna
kelabu, berkisar antara putih dan hitam (greyscale), tergantung level energi yang
terdeteksi (Jaya 2002).
Saat pengambilan citra oleh satelit, banyak sekali pengaruh-pengaruh alam
yang dapat mempengaruhi hasil citra seperti partikel-partikel di atmosfer yang
memberikan efek hamburan yang berpengaruh pada hasil citra. Fenomena ini biasa
disebut dengan noise. Pengaruh noise ini menyebabkan nilai indeks pada citra
menjadi lebih besar (akibat hamburan) atau lebih kecil (akibat proses penyerapan).
Nilai indeks tersebut menggambarkan ukuran kuantitas fisik yang merupakan
pantulan atau pancaran radiasi matahari dari suatu objek dengan panjang
gelombang tertentu yang diterima oleh sensor.
EMD adalah metode yang dapat menganalisis data time series yang dapat
mendekomposisikan sinyal berdasarkan amplitudo dan frekuensi sinyal informasi
pada saat tertentu (Huang et al. 1998). EMD dirancang untuk mengidentifikasi
ketika pada rentang frekuensi sinyal terdapat kesalahan akibat adanya noise. Pada
metode EMD sinyal akan terurai menjadi dua bagian yaitu Intrinsic Mode Function
(IMF) dan komponen sisa (residu). Perhitungan dilakukan berulang-ulang hingga
didapatkan nilai IMF yang optimal dan komponen sisa (residu) yang konstan.
Penelitian sebelumnya yang dilakukan oleh Rachmawati (2012) telah
mengimplementasikan algoritme EMD pada data citra SPOT Vegetation dengan
menggunakan perangkat lunak MATLAB. Pada penelitian ini algoritme EMD akan
diimplementasikan dengan menggunakan bahasa pemrograman R.
R merupakan bahasa pemrograman dan lingkungan perangkat lunak
berbasis open source. R selain dimanfaatkan untuk analisis data, juga bisa
dimanfaatkan mengimplementasikan fungsi geospasial yang sedang diteliti atau
dikembangkan. Sebagai open source R berkembang sangat pesat dan saat ini
banyak modul (packages) yang telah dikembangkan oleh para pengembang dari
berbagai negara (Hinz et al. 2013).
Implementasi EMD dilakukan menggunakan R karena selain berbasis open
source juga dapat dijalankan pada berbagai sistem operasi. R juga dilengkapi
dengan packages yang memberikan kemampuan tambahan.
2
Perumusan Masalah
Berdasarkan permasalahan yang telah diuraikan dalam latar belakang,
dilakukan implementasi algoritme EMD untuk analisis apakah terjadi perubahan
nilai indeks citra dengan menggunakan bahasa pemrograman R.
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritme
EMD pada data citra SPOT Vegetation menggunakan bahasa pemrograman R.
Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi apabila terjadi
perubahan nilai indeks citra pada data citra SPOT Vegetation pada lokasi contoh
yang dipilih.
Ruang Lingkup Penelitian
Data yang digunakan pada penelitian ini merupakan data citra SPOT
Vegetation yang diperoleh dari penelitian Rachmawati (2012) dengan format
Hierarchical Data Format (HDF) sebanyak 36 data.
TINJAUAN PUSTAKA
Penginderaan Jauh
Penginderaan jauh (remote sensing) merupakan ilmu atau seni untuk
memperoleh informasi dari suatu objek atau fenomena, dengan menggunakan
sebuah alat tanpa berhubungan langsung dengan objek atau fenomena yang ingin
diambil. Data penginderaan jauh dapat bersifat citra dan non-citra (Lillesand and
Kiefer 1997).
Teknologi penginderaan jauh sangat bergantung pada pantulan spektral dan
panjang gelombang yang dapat menunjukkan dan membedakan material tutupan
lahan misalnya air, lahan kering, dan tumbuhan. Spektral adalah daya pisah objek
berdasarkan besar spektrum elektromagnetik yang digunakan untuk perekaman
data dan mempengaruhi besarnya derajat keabuan (Lillesand and Kiefer 1997).
Satelit SPOT
Satelit SPOT merupakan sistem satelit observasi yang mencitra secara optis
dengan resolusi tinggi dan dioperasikan di luar angkasa. SPOT dibentuk oleh CNES
(Biro Luar Angkasa milik Prancis) pada tahun 1978 oleh Perancis dalam kemitraan
3
dengan Belgia dan Swedia, dijalankan oleh Spot Image yang terletak di Prancis.
Hingga sekarang sudah terdapat 7 jenis satelit SPOT, yaitu SPOT 1, SPOT 2, SPOT
3, SPOT 4, SPOT 5, SPOT 6, dan SPOT 7 (EOEdu 2010).
Tujuan dibentuknya SPOT ialah untuk meningkatkan pengetahuan dan
pengelolaan kebumian melalui eksplorasi sumber daya bumi, mendeteksi dan
meramalkan fenomena-fenomena klimatologi dan oseanografi, dan mengawasi
aktivitas manusia dan fenomena alam (EOEdu 2010).
Hierarchical Data Format (HDF)
Hierarchical Data Format (HDF) adalah format file data yang dirancang oleh
National Center for Supercomputing Applications (NCSA) untuk membantu
pengguna dalam penyimpanan dan manipulasi data ilmiah yang besar di berbagai
sistem operasi. Awalnya HDF dikembangkan oleh NCSA dan kini didukung oleh
The HDF Group, sebuah perusahaan nirlaba yang misinya adalah untuk
memastikan pengembangan lanjutan dari teknologi HDF (Folk and Koziol 1996).
Model data yang didukung dalam HDF meliputi array multidimensi, citra
raster dan tabel. Hingga sekarang HDF mempunyai dua versi yaitu, HDF4 dan
HDF5. Salah satu perbedaan antara HDF4 dan HDF5 adalah HDF5 tidak memiliki
batasan ukuran file, sedangkan pada HDF4 memiliki batasan file 2 GB (Folk and
Koziol 1996).
Empirical Mode Decomposition (EMD)
EMD merupakan sebuah metode untuk analisis frekuensi yang dapat
menguraikan sinyal menjadi beberapa subsinyal yang disebut Intrinsic Mode
Function (IMF) dan menghasilkan residu di akhir. Sementara itu, proses untuk
memperoleh sebuah IMF disebut sifting process (proses pengayakan). Tujuan dari
sifting process yaitu untuk mengeliminasi gelombang naik dan membuat
gelombang menjadi lebih simetris (Huang et al. 1998).
Konsep dasar dari EMD ialah untuk mengidentifikasi skala waktu yang tepat
yang dapat menunjukkan karakteristik fisik sinyal, dan kemudian mengubah sinyal
ke mode intrinsik dengan fungsi yang disebut dengan IMF. Huang et al. (1998)
mendefinisikan IMF adalah sinyal yang memiliki kondisi sebagai berikut:
1 Jumlah zero-crossings dan extrema point harus sama atau berbeda paling tidak
satu.
2 Rata-rata envelope, yang didefinisikan oleh maksima dan minima, harus sama
dengan nol pada semua titik.
Gambar 1 merupakan contoh proses pengolahan sinyal dengan menggunakan
metode EMD untuk mendapatkan IMF pertama. Tahapan pertama dalam algoritme
EMD terlihat pada Gambar 1(a) yaitu mengidentifikasi nilai maksima dan minima,
kemudian membuat tepi atas (envelope atas) dan tepi bawah (envelope bawah)
seperti pada Gambar 1(b). Tahapan selanjutnya pada Gambar 1(c) menghitung
rataan dari envelope atas dan bawah, sehingga akan didapatkan IMF pertama dan
residu (komponen sisa) seperti pada Gambar 1(d).
4
Proses dekomposisi sinyal yang merupakan proses pada Gambar 1 yang
dilakukan secara berulang hingga mendapatkan beberapa IMF yang optimal dan
komponen sisa (residu) yang konstan atau monoton.
Gambar 1 Tahapan mengidentifikasi IMF pertama: (a) identifikasi nilai maksima
dan minima, (b) membuat envelope atas dan bawah, (c) menghitung rataan dari
envelope atas dan bawah, (d) IMF pertama dan residu (Peel et al. 2005).
METODE
Tahapan yang dilakukan pada penelitian ini disajikan pada Gambar 2, yaitu
terdiri dari pengumpulan data, pengolahan data dan implementasi algoritme EMD.
5
Gambar 2 Tahapan penelitian
Penelitian sebelumnya yang dilakukan oleh Rachmawati (2012) telah
mengimplementasikan algoritme EMD pada data citra SPOT Vegetation dengan
menggunakan perangkat lunak MATLAB. Pada penelitian ini algoritme EMD akan
diimplementasikan dengan menggunakan bahasa pemrograman R.
Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data citra SPOT Vegetation
yang berasal dari data penelitian sebelumnya Rachmawati (2012). Data yang
digunakan pada penelitian sebelumnya diunduh secara gratis melalui situs
http://free.vgt.vito.be. Pengguna harus melakukan registrasi terlebih dahulu
sebelum dapat mengunduh data citra SPOT Vegetation. Setelah terdaftar pengguna
dapat login dan mengunduh data citra sesuai query yang dibutuhkan.
Data citra SPOT Vegetation yang digunakan berjumlah 36 data yang
merupakan data siklus 10 harian setiap bulannya, yang artinya setiap data
mempunyai rentang 10 hari pengambilan. Data citra tersebut memiliki format file
HDF, yang berisikan nilai derajat keabuan (grayscale) suatu citra.
Pengolahan Data
Pada penelitian sebelumnya yang dilakukan Rachmawati (2012) telah
dilakukan pengolahan data dengan mengkonversi citra dari format HDF ke dalam
6
format JPG untuk mendapatkan titik koordinat lokasi contoh. Titik koordinat
tersebut digunakan untuk mendapatkan nilai indeks pada citra yang berformat HDF.
Tabel 1 Titik koordinat lokasi contoh
Lokasi Contoh
Koordinat
X
Y
Laut Jawa
2148
3713
Laut Flores
3131
4085
Laut Banda
3919
3869
Sumatera Selatan
1412
3637
Kalimantan Tengah
2236
3621
Irian Jaya Timur
5371
3633
Medan
748
2846
Jakarta
1596
3941
Makassar
3083
3833
Misalnya pada lokasi contoh Sumatera Selatan telah ditentukan titik
koordinatnya X=1412 dan Y=3637. Nilai X dan Y tersebut digunakan untuk
mendapatkan nilai indeks pada data citra SPOT Vegetation, yang kemudian
hasilnya dipakai sebagai sinyal masukan untuk implementasi algoritme EMD.
Pada penelitian ini dilakukan pengolahan data yaitu mengkonversi data dari
format HDF ke dalam format .txt. Proses ini dilakukan agar data citra SPOT
Vegetation dapat diimplementasikan algoritme EMD menggunakan bahasa
pemrograman R.
Implementasi Algoritme EMD
Suatu data runtun waktu x(t) dapat didekomposisi menggunakan algoritme
EMD. Deteksi sinyal dengan menggunakan EMD dapat dilakukan dengan alur
sebagai berikut (Huang et al. 1998):
1 Memasukkan data runtun waktu x(t).
2 Inisialisasi seluruh maxima dan minima dari sinyal x(t).
3 Membuat envelope atas dan bawah, emax(t) dan emin(t).
4 Menghitung rataan dari m(t) dari tepi atas dan tepi bawah.
5 Ekstrak detail, h(t) = x(t) – m(t).
6 Uji h(t) merupakan IMF atau bukan
7 Jika h(t) adalah IMF, ekstrak IMF dan ganti x(t) dengan residual r(t) = x(t) –
h(t).
8 Jika h(t) bukan IMF, ulangi langkah 2-5 dengan mendefinisikan h(t) sebagai x(t)
yang baru.
9 Ulangi langkah (1-6) sampai komponen sisa (residu) memenuhi kriteria henti
Spline merupakan suatu kurva yang dibangun dari potongan-potongan
polynomial (picewise polynomial) dengan titik-titik belok disebut knot (Kahaner et
al. 1989). Diberikan n+1 knot xi dengan
� < � < ⋯ < �n −
< �n
7
Dengan n+1 nilai-nilai knot yi dicoba untuk menemukan suatu fungsi spline
derajat n (Kahaner et al. 1989), yaitu:
� � ={
�
�
�� −
�
�
�
� ∈ [� , � ]
� ∈ [� , � ]
� ∈ [�� − , �n ]
Dengan setiap Si(x) adalah polinomial derajat k. Polinomial derajat n yang
menginterpolasi himpunan data adalah secara unik didefinisikan dengan titik-titik
data. Spline derajat n yang menginterpolasi himpunan data yang sama tidak secara
unik didefinisikan, dan mengisi dalam n-1 derajat bebas tambahan untuk menyusun
suatu interpolan yang unik (Kahaner et al. 1989).
Lingkungan Pengembangan
Spesifikasi perangkat lunak dan perangkat keras yang digunakan pada
penelitian ini yaitu:
1 Perangkat lunak:
Sistem operasi Windows 10
R sebagai bahasa pemrograman
RStudio, digunakan untuk menjalankan kode program
HDFView2.10, digunakan untuk membuka file HDF dan melakukan
konversi ke .txt
2 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut:
Processor Intel Core i3
RAM 4GB
Monitor LCD 14.0”
Harddisk 500 GB
HASIL DAN PEMBAHASAN
Pengumpulan Data
Penelitian ini menggunakan data citra SPOT Vegetation tahun 2003 yang
diperoleh dari penelitian sebelumnya (Rachmawati 2012). Data citra memiliki
rentang 10 hari pengambilan. Artinya data diambil setiap tanggal 1, 11, dan 21
setiap bulannya sehingga dalam 1 tahun memiliki total 36 data. Data ke-1 yaitu
tanggal 1 Januari 2003 dan data ke-36 yaitu tanggal 21 Desember 2003 hanya
digunakan untuk keperluan implementasi algoritme EMD untuk mendapatkan nilai
IMF dan residu. Dengan demikian, pada hasil EMD hanya terdapat 34 data, yaitu
data dari 11 Januari 2003 sampai 11 Desember 2003.
Data citra SPOT Vegetation yang digunakan memiliki format HDF, yang
berisikan nilai derajat keabuan suatu citra dan dapat dibuka menggunakan
perangkat lunak HDFView2.10. Perangkat lunak HDFView dapat diunduh secara
8
gratis melalui situs http://www.hdfgroup.org. Contoh data citra yang memiliki
format HDF dapat dilihat pada Gambar 3.
Gambar 3 Data citra SPOT vegetation tanggal 1 Januari 2003 dengan format HDF
Pada Gambar 3 nilai dalam setiap sel menunjukkan nilai derajat keabuan citra
SPOT vegetation. Setiap data mempunyai 8736 kolom dan 4592 baris yang
mempunyai rentang nilai antara 0-255.
Untuk mengetahui visualisasi dari data citra SPOT vegetation pada Gambar
3 dilakukan konversi data ke dalam format JPG. Hasil konversi data ke format JPG
dapat dilihat pada Gambar 4.
Gambar 4 Data citra SPOT vegetation setelah dikonversi ke format JPG
Pengolahan Data
Pada penelitian sebelumnya (Rachmawati 2012) telah dilakukan pengolahan
data sehingga didapatkan tiga kelas data, yaitu kelas perairan, kelas vegetasi dan
kelas struktur buatan. Masing-masing dari kelas data dipilih tiga lokasi contoh,
untuk kelas perairan lokasi contoh yang dipilih yaitu wilayah Laut Jawa, Laut
9
Flores, dan Laut Banda. Untuk kelas vegetasi, lokasi contoh yang dipilih yaitu
wilayah Sumatera Selatan, Kalimantan Tengah, dan Irian Jaya Timur. Untuk kelas
struktur buatan terdiri dari wilayah Medan, Jakarta, dan Makassar. Lokasi contoh
dapat dilihat pada Gambar 5.
Gambar 5 Penentuan lokasi contoh (Rachmawati 2012)
Pada penelitian ini dilakukan pengolahan data dengan mengkonversi data dari
format HDF ke dalam format .txt agar dapat menjadi data input untuk implementasi
algoritme EMD pada bahasa pemrograman R. Misalkan untuk lokasi contoh
Sumatera Selatan, dengan koordinat lokasi contoh x=1412 dan y=3637. Setelah
diketahui titik koordinat lokasi contoh dilakukan penentuan elemen citra dengan
menggunakan kode R seperti pada Gambar 6
Gambar 6 Penentuan elemen citra berdasarkan lokasi contoh
Akan didapatkan sinyal masukan untuk semua lokasi contoh dari ke-36 data
seperti pada Lampiran 1. Pada kode baris 1 diatas berfungsi untuk membuka
direktori ”D:/data”, kode baris ke-2 untuk membaca seluruh file yang
berformat .txt. Dan untuk mengambil nilai pada titik koordinat tertentu pada seluruh
file dilakukan pada kode baris ke-4.
Implementasi Algoritme EMD
Langkah pertama yang dilakukan dalam penerapan algoritme EMD adalah
mengidentifikasi seluruh nilai ekstrim, yaitu seluruh maksima dan minima dari
sinyal masukan. Identifikasi nilai ekstrim merupakan tahapan ke-2 dalam algoritme
10
EMD. Implementasi untuk mendapatkan seluruh maksima dan minima dalam
bahasa pemrograman R dapat dilihat pada Gambar 7. Untuk mengidentifikasi nilai
maksima dilakukan pada kode program baris ke-1 dan untuk mengidentifikasi nilai
minima dilakukan pada kode baris ke-5.
Gambar 7 Identifikasi nilai ekstrim
Setelah seluruh maksima dan minima diidentifikasi, langkah berikutnya
ialah menghubungkan seluruh maksima membentuk kurva yang disebut dengan
envelope atas seperti pada tahapan ke-3 dalam algoritme EMD. Langkah yang sama
juga dilakukan terhadap seluruh minima untuk mendapatkan envelope bawah.
Envelope atas dan envelope bawah harus mencakup seluruh nilai ekstrim yang ada.
Perhitungan envelope atas dan envelope bawah dilakukan dengan
menggunakan fungsi interpolasi spline yang tersedia pada R. Perhitungan envelope
atas dan envelope bawah dengan R bisa dilihat pada Gambar 10.
Gambar 8 Implementasi perhitungan envelope pada R
Untuk menentukan envelope atas dilakukan dilakukan interpolasi spline pada
seluruh maksima seperti pada kode baris ke-5 dan baris ke-6 untuk menentukan
envelope bawah. Terdapat perbedaan fungsi interpolasi spline di Matlab dengan R
seperti terlihat pada Gambar 9. Pada penelitian ini menggunakan fungsi interpolasi
spline dengan metode “fmm” karena hasilnya mendekati dengan fungsi interpolasi
spline pada Matlab yang dilakukan pada penelitian sebelumnya oleh Rachmawati
(2012). Perbandingan fungsi interpolasi spline dengan metode “fmm” di R dan
fungsi interpolasi spline pada Matlab dapat dilihat pada Gambar 10.
11
Gambar 9 Perbandingan fungsi interpolasi spline pada Matlab dan R
Gambar 10 Perbandingan fungsi interpolasi spline dengan metode “fmm” di R
dan fungsi interpolasi spline pada Matlab
Pada tahapan ke-4 dalam algoritme EMD dilakukan perhitungan rata-rata
envelope atas dan envelope bawah dari sinyal masukan. Implementasi proses
perhitungan rata-rata envelope dalam bahasa pemrograman R dapat dilihat pada
Gambar 11.
Gambar 11 Perhitungan rata-rata envelope pada R
Setelah didapatkan rata-rata envelope dari masing-masing sinyal masukan,
kemudian diekstrak dengan cara mengurangi sinyal masukan awal dengan rata-rata
dari sinyal masukan tersebut seperti pada tahapan algoritme EMD ke-5.
Langkah identifikasi nilai ekstrim hingga mengekstrak rata-rata envelope,
dilakukan berulang-ulang hingga memenuhi kriteria henti. Proses tersebut yang
12
dinamakan dengan sifting process. Hasil sifting process untuk semua kelas contoh
dapat dilihat pada Gambar 12 sampai dengan Gambar 17
Gambar 12 Proses sifting lokasi contoh Sumatera Selatan: (a) identifikasi nilai
maksima dan minima, (b) membuat envelope atas dan bawah, (c) menghitung
rataan dari envelope atas dan bawah
13
Gambar 13 Proses sifting lokasi contoh Kalimatan Tengah
Gambar 14 Proses sifting lokasi contoh Irian Jaya
Gambar 15 Proses sifting lokasi contoh Medan
14
Gambar 16 Proses sifting lokasi contoh Jakarta
Gambar 17 Proses sifting lokasi contoh Makassar
Pada Gambar 12 sampai dengan Gambar 17 merupakan grafik hasil
implementasi yang telah dilakukan dalam sifting process. Pada sifting process
tahapan pertaman yang dilakukan adalah menentukan seluruh nilai maksima yang
ditunjukkan dengan titik biru dan seluruh minima yang ditunjukkan dengan titik
merah. Selanjutnya seluruh maksima dihubungkan dengan garis warna biru yang
disebut envelope atas, dan seluruh minima dibubungkan dengan garis warna merah
yang disebut envelope bawah. Setelah didapatkan envelope atas dan bawah,
kemudian dilakukan penghitungan rata-rata envelope, yang kemudian didapatkan
hasilnya seperti yang ditunjukkan pada garis warna hijau.
Pada penelitian ini digunakan ukuran nilai standar deviasi 0.3 untuk
menghentikan sifting process seperti yang dilakukan pada penelitian sebelumnya
Rachmawati (2012).
Hasil Algoritme EMD
Saat proses sifting sudah mencapai kriteria henti, maka sinyal akan diekstrak
menjadi suatu IMF baru dan seterusnya hingga tidak bisa didapatkan IMF lagi.
Setiap komponen IMF menggambarkan Istantaneous Frequency (frekuensi
sesaat) (Huang et al. 1998). Frekuensi sesaat memberikan informasi tentang
15
perilaku gelombang yang mempengaruhi perubahan frekuensi seperti efek
absorbsi (penyerapan), rekahan, hamburan dan lainnya. Frekuensi sesaat
memiliki rentang frekuensi dari negatif sampai positif.
Grafik output algoritme EMD untuk lokasi contoh Sumatera Selatan dapat
dilihat pada Gambar 18. Untuk lokasi contoh Kalimantan Tengah, Irian Jaya,
Medan, Jakarta, dan Makassar dapat dilihat pada Lampiran 2 sampai dengan
Lampiran 6.
Gambar 18 Grafik output algoritme EMD untuk Sumatera Selatan: (a) IMF
pertama, (b) IMF kedua, (c) IMF ketiga, (d) IMF keempat, (e) residu
16
Tabel 2 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
11-Jan
IMF1
23.98505
IMF2
12.11745
IMF3
19.41261
IMF4
17.08507
Residu
152.4849
Data
Masukan
208
Selisih
21-Jan
-31.7291
4.880672
24.38468
28.57704
173.4637
171
2.4637
1-Feb
2.435645
-8.75214
18.05147
34.86928
189.265
201
-11.735
11-Feb
20.09231
-21.6053
4.187495
36.46341
200.3254
203
-2.6746
21-Feb
-11.7096
-31.0893
-13.4075
33.98575
207.2064
151
56.2064
1-Mar
6.937759
-35.4734
-30.9598
28.08869
210.4955
151
59.4955
11-Mar
-6.645
-9.2241
-44.9109
19.42461
210.78
150
60.78
21-Mar
14.38255
22.53316
-52.5633
8.645876
208.6476
193
15.6476
1-Apr
15.46039
30.28851
-51.4201
-3.6095
204.6712
199
5.6712
11-Apr
8.818408
13.01583
-40.2007
-16.761
199.3665
181
18.3665
21-Apr
-27.4511
-10.0788
-22.7049
-30.2426
193.2347
133
60.2347
1-May
8.914043
-20.7342
-3.95691
-43.488
186.7771
171
15.7771
11-May
34.10467
-19.4695
11.87004
-55.9312
180.4948
207
-26.5052
21-May
18.80774
-12.9734
23.27662
-67.0061
174.8891
204
-29.1109
1-Jun
-4.23377
-4.64705
29.41967
-76.1464
170.4611
191
-20.5389
11-Jun
-11.2628
3.094538
29.59974
-82.9298
167.5686
189
-21.4314
21-Jun
-29.5224
7.523624
24.00075
-87.5047
165.9981
168
-2.0019
1-Jul
10.93681
6.295664
14.35897
-90.1472
165.4085
197
-31.5915
11-Jul
26.83401
3.287992
3.415244
-91.1296
165.4628
199
-33.5372
21-Jul
-27.3299
1.422041
-5.91565
-90.7243
165.8235
134
31.8235
1 Ags
28.54222
-2.97682
-10.7189
-89.2036
166.1535
181
-14.8465
11 Ags
-28.7491
-2.33628
-9.15248
-86.7175
166.2379
126
40.2379
21 Ags
26.64647
3.667803
-3.73676
-82.8554
166.4225
193
-26.5775
1-Sep
11.67678
-1.95873
1.783301
-76.7608
167.4987
179
-11.5013
11-Sep
-17.4176
-7.9859
3.927576
-67.3593
170.4759
149
21.4759
21-Sep
13.00771
1.578963
0.43309
-53.9602
175.9802
191
-15.0198
1-Oct
-10.4278
17.06346
-3.56958
-37.5763
182.9339
186
-3.0661
11-Oct
4.338322
6.711336
-2.74777
-19.7813
189.6981
198
-8.3019
21-Oct
12.42489
-18.9609
1.126852
-2.37419
194.4091
189
5.4091
1 Nov
-16.7693
-32.8843
4.500838
12.79576
195.1528
150
45.1528
11 Nov
22.39575
-4.13127
4.704872
23.89515
190.0307
213
-22.9693
21 Nov
1-Dec
-27.2255
27.84447
34.41109
17.0403
2.507686
-0.58897
29.25273
27.65672
177.3067
155.7042
187
200
-9.6933
-44.2958
11-Dec
-20.1163
-17.9166
-2.21163
18.19344
124.2446
84
40.2446
-55.5151
Pada Gambar 18 menunjukkan hasil visualisasi grafik IMF dan residu yang
didapatkan pada implementasi algoritme EMD untuk lokasi contoh Sumatera
Selatan, sedangkan nilai IMF dan residu dapat dilihat pada Tabel 2. Pada IMF
pertama terlihat gelombang masih belum simetris, artinya masih banyak
hamburan atau serapan yang masih bisa dihilangkan lagi. Kemudian dilakukan
sifting process lagi untuk menghilangkan gelombang naik, dan didapatkan IMF
kedua dengan gelombang yang lebih simetris dibanding IMF pertama. Proses
17
tersebut terus dilakukan hingga memenuhi kriteria henti, sehingga didapatkan
beberapa IMF dan menghasilkan residu atau komponen sisa.
Pada Tabel 2 merupakan hasil output algoritme EMD untuk lokasi contoh
Sumatera Selatan. Nilai IMF menunjukkan adanya hamburan atau serapan yang
terjadi pada nilai indeks citra SPOT Vegetation. Nilai positif menunjukkan
terdapat hamburan pada citra, sedangkan nilai negatif menunjukkan adanya
serapan pada citra (Rachmawati 2012).
Nilai residu menunjukkan nilai indeks citra SPOT Vegetation yang
sebenarnya, yang sudah dipisahkan dari hamburan ataupun serapan. Sementara
itu, nilai data masukan merupakan nilai awal indeks citra sebelum dilakukan
implementasi algoritme EMD. Pada Tabel 2 didapatkan residu pada tanggal
Januari sebesar 152.4849, mempunyai selisih dengan data masukan sebesar 55.5151. Artinya pada tanggal 11 Januari nilai indeks citra SPOT Vegetation
mengalami serapan karena nilai indeksnya lebih kecil dari data masukan. Pada
tanggal 21 Januari nilai indeks citra mengalami hamburan, karena nilai indeks
lebih besar dari data masukan sebesar 2.4637.
Hasil output implementasi algoritme EMD untuk lokasi contoh lain
selengkapnya dapat dilihat pada Lampiran 7 sampai dengan Lampiran 12. Nilai
indeks pada masing-masing kelas contoh terjadi perubahan yang cukup drastis
yaitu menjadi lebih besar atau lebih kecil.
SIMPULAN DAN SARAN
Simpulan
Algoritme Empirical Mode Decomposition (EMD) dapat diimplementasikan
pada data citra SPOT Vegetation dengan menggunakan bahasa pemrograman R.
Berdasarkan hasil output algoritme EMD, nilai indeks citra pada lokasi contoh
Sumatera Selatan, Irian Jaya, Medan, dan Makassar mengalami hamburan. Hal ini
ditunjukkan dari hasil rata-rata residu lebih besar dibanding data masukan, pada
lokasi contoh Sumatera Selatan bertambah sebesar 2.59, Irian Jaya sebesar 4.05,
Medan sebesar 0.65 dan Makassar sebesar 1.02. Sementara itu, pada lokasi contoh
Kalimantan Tengah dan Jakarta nilai indeks citra mengalami serapan. Hal ini
ditunjukkan dari hasil rata-rata residu lebih kecil dibanding data masukan, pada
lokasi contoh Kalimantan Tengah berkurang sebesar -20.88 dan pada lokasi contoh
Jakarta sebesar -3.08. Untuk lokasi contoh Laut Jawa, Laut Flores, dan Laut Banda
tidak diperoleh hasil EMD karena masing-masing lokasi contoh memiliki nilai
indeks citra 0.
Saran
Saran untuk penelitian selanjutnya ialah:
1 Penambahan Graphical User Interface (GUI) agar memudahkan dalam
pengolahan dan analisis data citra SPOT vegetation.
18
2 Verifikasi lokasi contoh untuk menentukan kelas contoh apakah termasuk kelas
vegetasi, struktur buatan atau perairan.
DAFTAR PUSTAKA
[EOEdu] Earth Observation Educative. 2010. Satellite Pour l'Observation de la
Terre [internet]. Tersedia pada: http://eoedu.belspo.be/en/satellites/spot.htm.
Folk M, Koziol Q. 1996. HDF The Next Generation. Illinois (US): University of
Illinois.
Hinz M, Nust D, Proß B, Pebesma E. 2013. Spatial statistics on the geospatial
web. Di dalam: AGILE International Conference on Geographic Information
Science; Leuven, 14-17 Mei 2013.
Huang NE, Shen Z, Long SR, Wu MC, Shih HH, et al. 1998. The empirical mode
decomposition and the hilbert spectrum for nonlinear and non-stationary time
series analysis. Di dalam: Royal Society London A454; London, 3 Jun 1996.
hlm 903–995.
Kahaner D, Moler C, Nash S. 1989. Numerical Methods and Software.
Englewood Cliffs, NJ (US): Prentice Hall.
Lillesand TM, Kiefer RW. 1997. Remote Sensing and Image Interpretation. New
York (US): John Wiley and Sons.
Peel MC, Amirthanathan GE, Pegram GGS, McMahon TA, Chiew FHS. 2005.
Issues with the application of empirical mode decomposition analysis. Di
dalam: Zerger A and Argent RM (eds) MODSIM 2005 International Congress
on Modelling and Simulation, Modelling and Simulation Society of Australia
and New Zealand; Melbourne, 12-15 Des 2005. hlm 1681-1687.
Rachmawati M. 2012. Implementasi empirical mode decomposition pada data
citra SPOT vegetation. [skripsi]. Bogor (ID): Institut Pertanian Bogor.
19
Lampiran 1 Titik sampling semua lokasi contoh
1-Jan
Laut
Jawa
0
Laut
Flores
0
Laut
Banda
0
Sumsel
126
Kalteng
217
11-Jan
0
0
0
208
207
21-Jan
0
0
0
171
Data
Irian Jaya
58
Medan
72
Jakarta
157
Makassar
111
151
95
144
144
157
70
92
80
167
48
58
71
106
133
1-Feb
0
0
0
201
11-Feb
0
0
0
203
91
214
73
124
207
21-Feb
0
0
0
151
208
85
90
46
121
1-Mar
0
0
0
151
211
75
90
207
222
11-Mar
0
0
0
150
205
130
84
188
217
181
158
67
190
194
21-Mar
0
0
0
193
1-Apr
0
0
0
199
208
66
80
208
185
11-Apr
0
0
0
181
65
96
79
143
176
21-Apr
0
0
0
133
116
227
81
170
175
197
223
107
162
167
1-May
0
0
0
171
11-May
0
0
0
207
225
104
98
178
187
21-May
0
0
0
204
218
211
82
155
178
1-Jun
0
0
0
191
228
160
107
163
170
11-Jun
0
0
0
189
125
218
91
162
173
195
220
92
149
182
21-Jun
0
0
0
168
1-Jul
0
0
0
197
211
216
92
135
202
11-Jul
0
0
0
199
197
237
87
160
202
21-Jul
0
0
0
134
213
128
103
149
215
183
186
86
147
213
1 Ags
0
0
0
181
11 Ags
0
0
0
126
158
216
98
133
200
21 Ags
0
0
0
193
152
185
98
146
202
1-Sep
0
0
0
179
184
233
94
126
169
192
207
83
120
145
11-Sep
0
0
0
149
21-Sep
0
0
0
191
170
107
79
151
134
1-Oct
0
0
0
186
79
232
66
74
111
11-Oct
0
0
0
198
117
153
94
122
129
21-Oct
0
0
0
189
163
205
82
145
158
1 Nov
0
0
0
150
146
219
77
160
161
11 Nov
0
0
0
213
160
129
91
155
172
21 Nov
0
0
0
187
168
180
124
173
194
199
228
63
126
195
1-Dec
0
0
0
200
11-Dec
0
0
0
84
67
166
84
172
142
21-Dec
0
0
0
82
153
199
81
93
67
20
Lampiran 2 Grafik IMF dan residu untuk lokasi contoh Kalimantan Tengah
21
Lampiran 3 Grafik IMF dan residu untuk lokasi contoh Irian Jaya
22
Lampiran 4 Grafik IMF dan residu untuk lokasi contoh Medan
23
Lampiran 5 Grafik IMF dan residu untuk lokasi contoh Jakarta
24
Lampiran 6 Grafik IMF dan residu untuk lokasi contoh Makassar
25
Lampiran 7 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
11-Jan
IMF1
23.98505
IMF2
12.11745
IMF3
19.41261
IMF4
17.08507
Residu
152.4849
Data
Masukan
208
Selisih
21-Jan
-31.7291
4.880672
24.38468
28.57704
173.4637
171
2.4637
1-Feb
2.435645
-8.75214
18.05147
34.86928
189.265
201
-11.735
11-Feb
20.09231
-21.6053
4.187495
36.46341
200.3254
203
-2.6746
21-Feb
-11.7096
-31.0893
-13.4075
33.98575
207.2064
151
56.2064
1-Mar
6.937759
-35.4734
-30.9598
28.08869
210.4955
151
59.4955
11-Mar
-6.645
-9.2241
-44.9109
19.42461
210.78
150
60.78
21-Mar
14.38255
22.53316
-52.5633
8.645876
208.6476
193
15.6476
1-Apr
15.46039
30.28851
-51.4201
-3.6095
204.6712
199
5.6712
11-Apr
8.818408
13.01583
-40.2007
-16.761
199.3665
181
18.3665
21-Apr
-27.4511
-10.0788
-22.7049
-30.2426
193.2347
133
60.2347
1-May
8.914043
-20.7342
-3.95691
-43.488
186.7771
171
15.7771
11-May
34.10467
-19.4695
11.87004
-55.9312
180.4948
207
-26.5052
21-May
18.80774
-12.9734
23.27662
-67.0061
174.8891
204
-29.1109
1-Jun
-4.23377
-4.64705
29.41967
-76.1464
170.4611
191
-20.5389
11-Jun
-11.2628
3.094538
29.59974
-82.9298
167.5686
189
-21.4314
21-Jun
-29.5224
7.523624
24.00075
-87.5047
165.9981
168
-2.0019
1-Jul
10.93681
6.295664
14.35897
-90.1472
165.4085
197
-31.5915
11-Jul
26.83401
3.287992
3.415244
-91.1296
165.4628
199
-33.5372
21-Jul
-27.3299
1.422041
-5.91565
-90.7243
165.8235
134
31.8235
1 Ags
28.54222
-2.97682
-10.7189
-89.2036
166.1535
181
-14.8465
11 Ags
-28.7491
-2.33628
-9.15248
-86.7175
166.2379
126
40.2379
21 Ags
26.64647
3.667803
-3.73676
-82.8554
166.4225
193
-26.5775
1-Sep
11.67678
-1.95873
1.783301
-76.7608
167.4987
179
-11.5013
11-Sep
-17.4176
-7.9859
3.927576
-67.3593
170.4759
149
21.4759
21-Sep
13.00771
1.578963
0.43309
-53.9602
175.9802
191
-15.0198
1-Oct
-10.4278
17.06346
-3.56958
-37.5763
182.9339
186
-3.0661
11-Oct
4.338322
6.711336
-2.74777
-19.7813
189.6981
198
-8.3019
21-Oct
12.42489
-18.9609
1.126852
-2.37419
194.4091
189
5.4091
1 Nov
-16.7693
-32.8843
4.500838
12.79576
195.1528
150
45.1528
11 Nov
22.39575
-4.13127
4.704872
23.89515
190.0307
213
-22.9693
21 Nov
-27.2255
34.41109
2.507686
29.25273
177.3067
187
-9.6933
1-Dec
27.84447
17.0403
-0.58897
27.65672
155.7042
200
-44.2958
11-Dec
-20.1163
-17.9166
-2.21163
18.19344
124.2446
84
40.2446
-55.5151
26
Lampiran 8 Output algoritme EMD untuk lokasi contoh Kalimantan Tengah
11-Jan
IMF1
32.144155
IMF2
-17.42515
IMF3
-12.729597
IMF4
-3.816187
Residu
205.0106
Data
Masukan
207
Selisih
21-Jan
19.785768
-36.98492
-19.855486
-6.972134
194.0546
157
37.0546
1-Feb
-65.273493
-48.791089
-22.027943
-9.507456
184.0925
48
136.0925
-1.9894
11-Feb
-21.4929
-42.6704
-19.92133
-11.46177
175.0846
91
84.0846
21-Feb
68.82294
-13.50303
-14.31127
-12.87468
166.9914
208
-41.0086
1-Mar
21.476349
35.767499
-6.016931
-13.785811
159.7731
211
-51.2269
11-Mar
-27.494159
74.966316
4.137656
-14.234774
153.3902
205
-51.6098
21-Mar
-49.37909
67.26073
15.3153
-14.26118
147.8031
181
-33.1969
1-Apr
42.479639
-4.077945
26.626221
-13.904654
142.9721
208
-65.0279
11-Apr
-37.12199
-73.90314
37.16748
-13.2048
138.8576
65
73.8576
21-Apr
7.065413
-72.676447
46.190894
-12.201235
135.4201
116
19.4201
1-May
31.2192
-20.40635
53.56721
-10.93357
132.6199
197
-64.3801
11-May
-3.5348
38.795417
59.321944
-9.441432
130.4174
225
-94.5826
21-May
-29.893404
55.639803
63.480583
-7.764422
128.773
218
-89.227
29.5845
4.60197
66.16646
-5.94216
127.6471
228
-100.353
11-Jun
-28.253032
-41.64116
67.894226
-4.014259
127
125
2
21-Jun
25.317738
-26.173923
69.064081
-2.020334
126.7921
195
-68.2079
1-Jul
6.288861
19.97981
69.22712
67.72214
0
2.00713
126.9839
211
-84.0161
11-Jul
8.500157
-18.23759
127.5356
197
-69.4644
21-Jul
16.829467
3.771173
63.991552
3.96144
128.4078
213
-84.5922
1 Ags
5.189481
-9.642335
57.892096
5.823317
129.5608
183
-53.4392
11 Ags
-12.540284
-9.798689
49.384099
7.553145
130.9549
158
-27.0451
21 Ags
-21.984237
2.533178
38.900518
9.111312
132.5505
152
-19.4495
1-Sep
4.766639
16.160395
28.764818
10.458201
134.3081
184
-49.6919
11-Sep
19.39673
15.29073
21.12446
11.5542
136.1881
192
-55.8119
21-Sep
26.36095
-10.04402
15.53235
12.35969
138.1507
170
-31.8493
1-Oct
-26.37613
-45.67309
10.89277
12.83507
140.1565
79
61.1565
1-Jun
11-Oct
19.972879
-51.248559
6.110015
12.940704
142.1657
117
25.1657
21-Oct
32.5376671
-14.1074845
0.4310734
12.6369933
144.1387
163
-18.8613
1 Nov
-43.16622
48.65631
-5.52617
11.88432
146.0361
146
0.0361
11 Nov
-42.04956
65.03263
-10.80111
10.64307
147.818
160
-12.182
21 Nov
-5.904673
38.79989
-14.340252
8.873625
149.445
168
-18.555
1-Dec
65.60281
-2.761777
-14.718467
6.536376
150.8774
199
-48.1226
-45.565016
-29.092877
-10.417734
3.591706
152.0756
67
85.0756
11-Dec
27
Lampiran 9 Output algoritme EMD untuk lokasi contoh Irian Jaya Timur
11-Jan
IMF1
48.96604
IMF2
8.469802
IMF3
12.22715
IMF4
11.14055
Residu
81.337
Data
Masukan
151
Selisih
21-Jan
-56.7521
9.000004
16.45509
19.38453
101.297
70
31.297
1-Feb
-79.6703
5.701355
13.87703
24.94399
118.092
58
60.092
11-Feb
73.98061
1.769305
6.250581
28.09648
131.9995
214
-82.0005
21-Feb
-51.6639
-2.121386
-4.54132
29.14902
143.3266
85
58.3266
1-Mar
-52.7708
-7.983074
-16.6275
28.40965
152.3814
75
77.3814
11-Mar
14.79951
-16.13189
-28.1295
26.17644
159.4619
130
29.4619
21-Mar
48.16573
-17.86299
-37.1664
22.74499
164.8636
158
6.8636
1-Apr
-54.7973
-6.086301
-41.9987
18.41088
168.8823
66
102.8823
11-Apr
-44.8767
10.516
-41.4501
13.46704
171.8107
96
75.8107
21-Apr
69.32119
18.222632
-34.4638
8.184457
173.9199
227
-53.0801
1-May
60.44687
7.962095
-20.8416
2.78575
175.4326
223
-47.5674
11-May
-58.9896
-9.568906
-4.00131
-2.51788
176.5599
104
72.5599
21-May
42.15257
-20.477336
11.81184
-7.51522
177.5129
211
-33.4871
1-Jun
-23.3042
-18.47599
23.27718
-11.9951
178.503
160
18.503
11-Jun
11.34867
-2.666665
29.57664
-15.7463
179.7414
218
-38.2586
21-Jun
-11.4643
19.52726
30.49791
-18.5575
181.4391
220
-38.5609
1-Jul
-20.1894
26.55326
25.91961
-20.3087
183.7165
216
-32.2835
11-Jul
32.50312
1.481232
16.68548
-21.2432
186.3302
237
-50.6698
21-Jul
-38.4812
-28.599991
6.135615
-21.6954
188.9455
128
60.9455
1 Ags
21.16889
-23.968965
-2.42818
-21.9999
191.2283
186
5.2283
11 Ags
27.20606
4.177986
-8.22788
-22.491
192.8438
216
-23.1562
21 Ags
-25.2048
27.73314
-10.9862
-23.5033
193.4579
185
8.4579
1-Sep
32.74678
18.0891
-10.6767
-25.2661
192.8408
233
-40.1592
11-Sep
33.09958
-8.867132
-8.43829
-27.5664
191.2058
207
-15.7942
21-Sep
-53.769
-22.406537
-5.78684
-29.9947
188.9624
107
81.9624
1-Oct
53.0197
-3.616407
-3.94186
-32.1229
186.5386
232
-45.4614
11-Oct
-46.1387
17.639012
-2.85157
-33.5342
184.3513
153
31.3513
21-Oct
9.711634
14.681593
-2.20927
-33.8129
182.816
205
-22.184
1 Nov
39.27611
-0.6701479
-1.8619
-32.636
182.2559
219
-36.7441
11 Nov
-42.1326
-10.143509
-1.61776
-29.7806
182.8939
129
53.8939
21 Nov
4.990037
-8.57873
-1.27785
-25.11
184.8665
180
4.8665
1-Dec
42.53452
-1.8855205
-0.86341
-18.5837
188.2144
228
-39.7856
11-Dec
-29.0268
2.5235057
-0.42252
-10.2134
192.9259
166
26.9259
-69.663
28
Lampiran 10 Output algoritme EMD untuk lokasi contoh Medan
11-Jan
IMF1
11.0959341
IMF2
7.3151219
IMF3
0.9232087
Residu
76.58894
Data
Masukan
95
Selisih
21-Jan
2.455248
9.701424
1.098658
79.84333
92
-12.1567
1-Feb
-19.372654
8.4250354
0.6638396
81.94762
71
10.94762
11-Feb
-14.851291
4.7025414
-0.1949654
83.14875
73
10.14875
21-Feb
6.6338973
-0.3519126
-1.2702567
83.71802
90
-6.28198
1-Mar
11.716994
-5.646033
-2.352202
83.92904
90
-6.07096
11-Mar
9.95662
-10.012063
-3.230971
84.05544
84
0.05544
21-Mar
-5.390454
-11.980399
-3.69673
84.37085
67
17.37085
1-Apr
4.876441
-9.990454
-3.573865
85.11401
80
5.11401
11-Apr
-3.611818
-3.772337
-2.819916
86.38415
79
7.38415
21-Apr
-9.340652
2.095021
-1.411799
88.24563
81
7.24563
1-May
12.1412063
4.0959996
0.6772798
90.76279
107
-16.2372
11-May
2.763434
1.442666
3.268016
93.7939
98
-4.2061
21-May
-13.004466
-1.316808
5.305178
96.32127
82
14.32127
1-Jun
10.0526637
-0.2603843
5.6140119
97.20772
107
-9.79228
11-Jun
-6.0805485
0.6451195
4.1592212
96.43543
91
5.43543
21-Jun
-1.055034
-1.332824
1.387084
94.38786
92
2.38786
1-Jul
2.382956
-2.265584
-1.801882
91.88263
92
-0.11737
11-Jul
-4.372147
1.62697
-4.499346
89.74518
87
2.74518
21-Jul
7.715379
6.886578
-6.199876
88.39804
103
-14.602
1 Ags
-10.193039
8.030005
-6.506438
88.16303
86
2.16303
11 Ags
3.993578
4.795662
-5.216292
89.21076
98
-8.78924
21 Ags
8.1781
-1.285107
-2.788784
91.10701
98
-6.89299
1-Sep
9.313079
-8.579437
0.153134
93.26636
94
-0.73364
11-Sep
3.277902
-15.381298
2.986513
95.1034
83
12.1034
21-Sep
2.6593
-19.692006
5.088401
96.03271
79
17.03271
1-Oct
-10.029161
-19.550107
5.946247
95.57927
66
29.57927
11-Oct
13.60152
-13.37506
5.54832
93.77354
94
-0.22646
21-Oct
-8.1067494
-0.9051467
4.2301974
91.0119
82
9.0119
1 Nov
-23.132038
12.377445
2.386684
87.75459
77
10.75459
11 Nov
-13.460673
19.998788
0.4125841
84.46188
91
-6.53812
21 Nov
25.083337
17.308523
-1.283186
81.60814
124
-42.3919
1-Dec
-20.38805
3.663873
-2.23526
79.72418
63
16.72418
11-Dec
11.914399
-7.269323
-1.959694
79.35492
84
-4.64508
-18.4111
29
Lampiran 11 Output algoritme EMD untuk lokasi contoh Jakarta
11-Jan
21-Jan
1-Feb
11-Feb
21-Feb
1-Mar
11-Mar
21-Mar
1-Apr
11-Apr
21-Apr
1-May
11-May
21-May
1-Jun
11-Jun
21-Jun
1-Jul
11-Jul
21-Jul
1 Ags
11 Ags
21 Ags
1-Sep
11-Sep
21-Sep
1-Oct
11-Oct
21-Oct
1 Nov
11 Nov
21 Nov
1-Dec
11-Dec
IMF1
11.08816
-25.41848
24.957781
50.218012
-53.129618
47.87206
-22.35757
-27.14297
19.977389
-15.97006
12.170918
-8.113705
6.277886
-7.832643
9.561885
13.969369
IMF2
12.5501
2.924614
-19.014788
-35.794579
-28.226308
10.3176
41.22452
32.99419
-4.255396
-33.8815
-27.71353
-1.851357
14.316469
15.647962
10.56356
4.727795
IMF3
-8.95024
-9.894214
-5.131457
3.45704
13.958976
23.58787
29.33521
28.82077
22.188056
10.16844
-6.577111
-25.62226
-40.89101
-46.27379
-39.62173
-22.77214
IMF4
-13.62164
-18.982768
-16.961091
-8.988045
3.314213
18.30958
34.36196
49.83847
63.178253
73.14291
78.906801
79.819657
75.254379
64.583871
47.393809
24.511234
IMF5
-14.70248
-26.756352
-36.323775
-43.566908
-48.647912
-51.72895
-52.97217
-52.53975
-50.593829
-47.29658
-42.810163
-37.296733
-30.918451
-23.837477
-16.215971
-8.216092
3.37842
-12.129141
7.8107472
-3.811231
2.341309
-3.754117
7.9264412
-18.45829
-22.297766
28.423652
-29.22894
13.95382
15.20676
6.940918
-8.143103
16.869815
-28.336056
27.314911
-1.0356
-3.147354
0.8926391
2.892867
-2.364839
-6.402823
-0.6544168
10.53295
13.598771
-0.416552
-16.25182
-12.92737
2.087213
14.584781
11.710762
-5.894622
-7.144169
3.744516
0.0238915
23.276253
41.291766
51.733583
54.38501
50.16998
40.514415
26.71446
9.827511
-9.095024
-26.272
-37.73996
-41.87978
-38.2344
-26.83718
-10.40576
4.113913
9.580512
-1.462951
-27.537571
-50.7214523
-68.31476
-79.056856
-83.164685
-81.492628
-74.98597
-64.589978
-51.249947
-35.91115
-19.56393
-3.430467
10.990434
22.04826
28.067479
27.384718
18.445443
-2.842171
8.270145
16.4321838
24.323956
31.783303
38.648064
44.7560795
49.94519
54.053236
56.918058
58.37749
58.26939
56.431578
52.701905
46.918209
38.91833
28.540109
15.621385
Residu
142.9336
131.3708
122.1496
115.1076
110.0827
106.9129
105.4359
105.4895
106.9117
109.5402
113.2129
117.7677
123.0423
128.8746
135.1025
141.5637
148.0962
154.5378
160.7263
166.4995
171.6954
176.1516
179.7062
182.1968
183.4615
183.3379
181.6639
178.2774
173.0163
165.7183
156.2213
144.3631
129.9816
112.9146
Data
Masukan
144
80
106
124
46
207
188
190
208
143
170
162
178
155
163
162
149
135
160
149
147
133
146
126
120
151
74
122
145
160
155
173
1
DECOMPOSITION (EMD) MENGGUNAKAN
BAHASA PEMROGRAMAN R
RYAN ANDI PRANATA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Implementasi Algoritme
Empirical Mode Decomposition (EMD) Menggunakan Bahasa Pemrograman R
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Februari 2016
Ryan Andi Pranata
NIM G64134040
ABSTRAK
RYAN ANDI PRANATA. Implementasi Algoritme Empirical Mode
Decomposition (EMD) Menggunakan Bahasa Pemrograman R. Dibawah
bimbingan IMAS SUKAESIH SITANGGANG.
Perubahan lahan dapat dipantau dengan penginderaan jauh (remote sensing),
seperti menggunakan sensor SPOT Vegetation. Teknologi penginderaan jauh
sangat bergantung pada pantulan spektral dan panjang gelombang yang dapat
menunjukkan dan membedakan material tutupan lahan misalnya air, lahan kering,
dan tumbuhan. Spektral adalah daya pisah objek berdasarkan besar spektrum
elektromagnetik yang mempengaruhi besarnya derajat keabuan. Keunggulan R
untuk analisis data dan grafik selain open source, juga dapat dijalankan pada
berbagai sistem operasi. Pada penelitian ini berhasil menerapkan algoritme
Empiricial Mode Decomposition (EMD) menggunakan bahasa pemrograman R
untuk mengidentifikasi nilai indeks citra SPOT vegetation. Hasil penelitian
menunjukkan bahwa hamburan terjadi pada nilai indeks citra di lokasi contoh
Sumatera Selatan, Irian Jaya, Medan, dan Makassar.
Kata kunci: bahasa pemrograman R, Empiricial Mode Decomposition (EMD),
Intrinsic Mode Function (IMF), remote sensing, sensor SPOT Vegetation, tutupan
lahan
ABSTRACT
RYAN ANDI PRANATA. Implementation of Empirical Mode Decomposition
(EMD) Algorithm Using R Language. Supervised by IMAS SUKAESIH
SITANGGANG.
Land use change can be monitored using remote sensing, for example by
SPOT Vegetation sensor. Remote sensing technology is highly dependent on the
spectral reflectance and wavelength, which are able to identify and distinguish land
cover material such as water, dry land, and vegetation. Spectral is separating power
of an object based on the large electromagnetic spectrum that affects the amount of
gray level. The R programming language is suitable for data analysis and graphs
because it is open source and cross-platform. This study implemented the EMD
algorithm using R language to identify changes in the index value of SPOT
vegetation image on the selected sample sites. The results show that scattering
occurs on index values of images on the sample sites South Sumatera, Irian Jaya,
Medan, and Makassar.
Keywords: Empirical Mode Decomposition (EMD), Intrinsic Mode Function
(IMF), land cover , R programming language, remote sensing, SPOT Vegetation
sensor
IMPLEMENTASI ALGORITME EMPIRICAL MODE
DECOMPOSITION (EMD) MENGGUNAKAN
BAHASA PEMROGRAMAN R
RYAN ANDI PRANATA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2016
Penguji:
1 Husnul Khotimah, SKomp MKom
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi : Implementasi Algoritme Empirical Mode Decomposition (EMD)
Menggunakan Bahasa Pemrograman R
Nama
: Ryan Andi Pranata
NIM
: G64134040
Disetujui oleh
Dr Imas Sukaesih Sitanggang, SSi MKom
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Alhamdulillah puji dan syukur penulis panjatkan kepada Allah subhanahu wa
ta’ala atas segala karunia-Nya, sehingga penyusunan karya ilmiah yang berjudul
“Implementasi Algoritme Empirical Mode Decomposition (EMD) Menggunakan
Bahasa Pemrograman R” dapat diselesaikan.
Karya ilmiah ini tidak mungkin dapat diselesaikan tanpa bantuan dari
berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima kasih yang
setinggi-tingginya kepada:
1 Kedua orang tua tercinta, Ayah dan Ibu dan seluruh keluarga yang selalu
memberikan kasih sayang, bantuan doa dan dukungan moral.
2 Ibu Dr Imas Sukaesih Sitanggang, SSi MKom selaku dosen pembimbing yang
sudah sangat membantu dalam memberikan banyak masukan dan saran, serta
motivasinya.
3 Bapak Muhammad Asyhar Agmalaro, SSi MKom dan Ibu Husnul Khotimah,
SKomp MKom selaku dosen penguji atas kesediaannya sebagai penguji pada ujian
tugas akhir.
4 Rekan-rekan alih jenis Ilmu Komputer angkatan 8 telah berbagi ilmu selama
masa studi.
5 Departemen Ilmu Komputer, staf, dan dosen yang telah banyak membantu pada
masa perkuliahan maupun selama penelitian ini.
Dan semua pihak yang telah banyak membantu penulis dalam menyelesaikan
karya ilmiah ini yang mungkin tidak dapat disebutkan satu per satu.
Semoga karya ilmiah ini bermanfaat.
Bogor, Februari 2016
Ryan Andi Pranata
DAFTAR ISI
DAFTAR TABEL
viii
DAFTAR GAMBAR
viii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
2
Penginderaan Jauh
2
Satelit SPOT
2
Hierarchical Data Format (HDF)
3
Empirical Mode Decomposition (EMD)
3
METODE
4
Pengumpulan Data
5
Pengolahan Data
5
Implementasi Algoritme EMD
6
Lingkungan Pengembangan
7
HASIL DAN PEMBAHASAN
7
Pengumpulan Data
7
Pengolahan Data
8
Implementasi Algoritme EMD
9
Hasil Algoritme EMD
14
SIMPULAN DAN SARAN
17
Simpulan
17
Saran
17
DAFTAR PUSTAKA
18
LAMPIRAN
19
DAFTAR TABEL
1 Titik koordinat lokasi contoh
2 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
6
16
DAFTAR GAMBAR
1 Tahapan mengidentifikasi IMF pertama: (a) identifikasi nilai maksima dan
minima, (b) membuat envelope atas dan bawah, (c) menghitung rataan dari
envelope atas dan bawah, (d) IMF pertama dan residu (Peel et al. 2005).
2 Tahapan penelitian
3 Data citra SPOT vegetation tanggal 1 Januari 2003 dengan format HDF
4 Data citra SPOT vegetation setelah dikonversi ke format JPG
5 Penentuan lokasi contoh (Rachmawati 2012)
6 Penentuan elemen citra berdasarkan lokasi contoh
7 Identifikasi nilai ekstrim
8 Implementasi perhitungan envelope pada R
9 Perbandingan fungsi interpolasi spline pada Matlab dan R
10 Perbandingan fungsi interpolasi spline dengan metode “fmm” di R dan
fungsi interpolasi spline pada Matlab
11 Perhitungan rata-rata envelope pada R
12 Proses sifting lokasi contoh Sumatera Selatan: (a) identifikasi nilai
maksima dan minima, (b) membuat envelope atas dan bawah, (c)
menghitung rataan dari envelope atas dan bawah
13 Proses sifting lokasi contoh Kalimatan Tengah
14 Proses sifting lokasi contoh Irian Jaya
15 Proses sifting lokasi contoh Medan
16 Proses sifting lokasi contoh Jakarta
17 Proses sifting lokasi contoh Makassar
18 Grafik output algoritme EMD untuk Sumatera Selatan: (a) IMF pertama,
(b) IMF kedua, (c) IMF ketiga, (d) IMF keempat, (e) residu
4
5
8
8
9
9
10
10
11
11
11
12
13
13
13
14
14
15
DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11
12
Titik sampling semua lokasi contoh
Grafik IMF dan residu untuk lokasi contoh Kalimantan Tengah
Grafik IMF dan residu untuk lokasi contoh Irian Jaya
Grafik IMF dan residu untuk lokasi contoh Medan
Grafik IMF dan residu untuk lokasi contoh Jakarta
Grafik IMF dan residu untuk lokasi contoh Makassar
Output algoritme EMD untuk lokasi contoh Sumatera Selatan
Output algoritme EMD untuk lokasi contoh Kalimantan Tengah
Output algoritme EMD untuk lokasi contoh Irian Jaya Timur
Output algoritme EMD untuk lokasi contoh Medan
Output algoritme EMD untuk lokasi contoh Jakarta
Output algoritme EMD untuk lokasi contoh Makassar
19
20
21
22
23
24
25
26
27
28
29
30
PENDAHULUAN
Latar Belakang
Tutupan lahan dapat dipantau dengan teknologi penginderaan jauh (remote
sensing). Salah satu alat penginderaan jauh adalah menggunakan sensor SPOT
Vegetation, yang dibawa oleh satelit SPOT (Syste`me Pour l’Observtion de la
Terre). Data yang diperoleh dari satelit ini adalah citra yang bermanfaat untuk
pengamatan permukaan bumi.
Karakter utama dari suatu image (citra) dalam penginderaan jauh adalah
adanya rentang panjang gelombang (wavelenght band) yang dimilikinya. Setiap
material pada permukaan bumi juga mempunyai reflektansi yang berbeda terhadap
cahaya matahari. Dengan demikian, material-material tersebut akan mempunyai
resolusi yang berbeda pada setiap panjang gelombang. Piksel adalah sebuah titik
yang merupakan elemen paling kecil pada citra satelit. Angka numerik (1 byte) dari
piksel disebut Digital Number (DN). Digital Number bisa ditampilkan dalam warna
kelabu, berkisar antara putih dan hitam (greyscale), tergantung level energi yang
terdeteksi (Jaya 2002).
Saat pengambilan citra oleh satelit, banyak sekali pengaruh-pengaruh alam
yang dapat mempengaruhi hasil citra seperti partikel-partikel di atmosfer yang
memberikan efek hamburan yang berpengaruh pada hasil citra. Fenomena ini biasa
disebut dengan noise. Pengaruh noise ini menyebabkan nilai indeks pada citra
menjadi lebih besar (akibat hamburan) atau lebih kecil (akibat proses penyerapan).
Nilai indeks tersebut menggambarkan ukuran kuantitas fisik yang merupakan
pantulan atau pancaran radiasi matahari dari suatu objek dengan panjang
gelombang tertentu yang diterima oleh sensor.
EMD adalah metode yang dapat menganalisis data time series yang dapat
mendekomposisikan sinyal berdasarkan amplitudo dan frekuensi sinyal informasi
pada saat tertentu (Huang et al. 1998). EMD dirancang untuk mengidentifikasi
ketika pada rentang frekuensi sinyal terdapat kesalahan akibat adanya noise. Pada
metode EMD sinyal akan terurai menjadi dua bagian yaitu Intrinsic Mode Function
(IMF) dan komponen sisa (residu). Perhitungan dilakukan berulang-ulang hingga
didapatkan nilai IMF yang optimal dan komponen sisa (residu) yang konstan.
Penelitian sebelumnya yang dilakukan oleh Rachmawati (2012) telah
mengimplementasikan algoritme EMD pada data citra SPOT Vegetation dengan
menggunakan perangkat lunak MATLAB. Pada penelitian ini algoritme EMD akan
diimplementasikan dengan menggunakan bahasa pemrograman R.
R merupakan bahasa pemrograman dan lingkungan perangkat lunak
berbasis open source. R selain dimanfaatkan untuk analisis data, juga bisa
dimanfaatkan mengimplementasikan fungsi geospasial yang sedang diteliti atau
dikembangkan. Sebagai open source R berkembang sangat pesat dan saat ini
banyak modul (packages) yang telah dikembangkan oleh para pengembang dari
berbagai negara (Hinz et al. 2013).
Implementasi EMD dilakukan menggunakan R karena selain berbasis open
source juga dapat dijalankan pada berbagai sistem operasi. R juga dilengkapi
dengan packages yang memberikan kemampuan tambahan.
2
Perumusan Masalah
Berdasarkan permasalahan yang telah diuraikan dalam latar belakang,
dilakukan implementasi algoritme EMD untuk analisis apakah terjadi perubahan
nilai indeks citra dengan menggunakan bahasa pemrograman R.
Tujuan Penelitian
Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritme
EMD pada data citra SPOT Vegetation menggunakan bahasa pemrograman R.
Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan informasi apabila terjadi
perubahan nilai indeks citra pada data citra SPOT Vegetation pada lokasi contoh
yang dipilih.
Ruang Lingkup Penelitian
Data yang digunakan pada penelitian ini merupakan data citra SPOT
Vegetation yang diperoleh dari penelitian Rachmawati (2012) dengan format
Hierarchical Data Format (HDF) sebanyak 36 data.
TINJAUAN PUSTAKA
Penginderaan Jauh
Penginderaan jauh (remote sensing) merupakan ilmu atau seni untuk
memperoleh informasi dari suatu objek atau fenomena, dengan menggunakan
sebuah alat tanpa berhubungan langsung dengan objek atau fenomena yang ingin
diambil. Data penginderaan jauh dapat bersifat citra dan non-citra (Lillesand and
Kiefer 1997).
Teknologi penginderaan jauh sangat bergantung pada pantulan spektral dan
panjang gelombang yang dapat menunjukkan dan membedakan material tutupan
lahan misalnya air, lahan kering, dan tumbuhan. Spektral adalah daya pisah objek
berdasarkan besar spektrum elektromagnetik yang digunakan untuk perekaman
data dan mempengaruhi besarnya derajat keabuan (Lillesand and Kiefer 1997).
Satelit SPOT
Satelit SPOT merupakan sistem satelit observasi yang mencitra secara optis
dengan resolusi tinggi dan dioperasikan di luar angkasa. SPOT dibentuk oleh CNES
(Biro Luar Angkasa milik Prancis) pada tahun 1978 oleh Perancis dalam kemitraan
3
dengan Belgia dan Swedia, dijalankan oleh Spot Image yang terletak di Prancis.
Hingga sekarang sudah terdapat 7 jenis satelit SPOT, yaitu SPOT 1, SPOT 2, SPOT
3, SPOT 4, SPOT 5, SPOT 6, dan SPOT 7 (EOEdu 2010).
Tujuan dibentuknya SPOT ialah untuk meningkatkan pengetahuan dan
pengelolaan kebumian melalui eksplorasi sumber daya bumi, mendeteksi dan
meramalkan fenomena-fenomena klimatologi dan oseanografi, dan mengawasi
aktivitas manusia dan fenomena alam (EOEdu 2010).
Hierarchical Data Format (HDF)
Hierarchical Data Format (HDF) adalah format file data yang dirancang oleh
National Center for Supercomputing Applications (NCSA) untuk membantu
pengguna dalam penyimpanan dan manipulasi data ilmiah yang besar di berbagai
sistem operasi. Awalnya HDF dikembangkan oleh NCSA dan kini didukung oleh
The HDF Group, sebuah perusahaan nirlaba yang misinya adalah untuk
memastikan pengembangan lanjutan dari teknologi HDF (Folk and Koziol 1996).
Model data yang didukung dalam HDF meliputi array multidimensi, citra
raster dan tabel. Hingga sekarang HDF mempunyai dua versi yaitu, HDF4 dan
HDF5. Salah satu perbedaan antara HDF4 dan HDF5 adalah HDF5 tidak memiliki
batasan ukuran file, sedangkan pada HDF4 memiliki batasan file 2 GB (Folk and
Koziol 1996).
Empirical Mode Decomposition (EMD)
EMD merupakan sebuah metode untuk analisis frekuensi yang dapat
menguraikan sinyal menjadi beberapa subsinyal yang disebut Intrinsic Mode
Function (IMF) dan menghasilkan residu di akhir. Sementara itu, proses untuk
memperoleh sebuah IMF disebut sifting process (proses pengayakan). Tujuan dari
sifting process yaitu untuk mengeliminasi gelombang naik dan membuat
gelombang menjadi lebih simetris (Huang et al. 1998).
Konsep dasar dari EMD ialah untuk mengidentifikasi skala waktu yang tepat
yang dapat menunjukkan karakteristik fisik sinyal, dan kemudian mengubah sinyal
ke mode intrinsik dengan fungsi yang disebut dengan IMF. Huang et al. (1998)
mendefinisikan IMF adalah sinyal yang memiliki kondisi sebagai berikut:
1 Jumlah zero-crossings dan extrema point harus sama atau berbeda paling tidak
satu.
2 Rata-rata envelope, yang didefinisikan oleh maksima dan minima, harus sama
dengan nol pada semua titik.
Gambar 1 merupakan contoh proses pengolahan sinyal dengan menggunakan
metode EMD untuk mendapatkan IMF pertama. Tahapan pertama dalam algoritme
EMD terlihat pada Gambar 1(a) yaitu mengidentifikasi nilai maksima dan minima,
kemudian membuat tepi atas (envelope atas) dan tepi bawah (envelope bawah)
seperti pada Gambar 1(b). Tahapan selanjutnya pada Gambar 1(c) menghitung
rataan dari envelope atas dan bawah, sehingga akan didapatkan IMF pertama dan
residu (komponen sisa) seperti pada Gambar 1(d).
4
Proses dekomposisi sinyal yang merupakan proses pada Gambar 1 yang
dilakukan secara berulang hingga mendapatkan beberapa IMF yang optimal dan
komponen sisa (residu) yang konstan atau monoton.
Gambar 1 Tahapan mengidentifikasi IMF pertama: (a) identifikasi nilai maksima
dan minima, (b) membuat envelope atas dan bawah, (c) menghitung rataan dari
envelope atas dan bawah, (d) IMF pertama dan residu (Peel et al. 2005).
METODE
Tahapan yang dilakukan pada penelitian ini disajikan pada Gambar 2, yaitu
terdiri dari pengumpulan data, pengolahan data dan implementasi algoritme EMD.
5
Gambar 2 Tahapan penelitian
Penelitian sebelumnya yang dilakukan oleh Rachmawati (2012) telah
mengimplementasikan algoritme EMD pada data citra SPOT Vegetation dengan
menggunakan perangkat lunak MATLAB. Pada penelitian ini algoritme EMD akan
diimplementasikan dengan menggunakan bahasa pemrograman R.
Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data citra SPOT Vegetation
yang berasal dari data penelitian sebelumnya Rachmawati (2012). Data yang
digunakan pada penelitian sebelumnya diunduh secara gratis melalui situs
http://free.vgt.vito.be. Pengguna harus melakukan registrasi terlebih dahulu
sebelum dapat mengunduh data citra SPOT Vegetation. Setelah terdaftar pengguna
dapat login dan mengunduh data citra sesuai query yang dibutuhkan.
Data citra SPOT Vegetation yang digunakan berjumlah 36 data yang
merupakan data siklus 10 harian setiap bulannya, yang artinya setiap data
mempunyai rentang 10 hari pengambilan. Data citra tersebut memiliki format file
HDF, yang berisikan nilai derajat keabuan (grayscale) suatu citra.
Pengolahan Data
Pada penelitian sebelumnya yang dilakukan Rachmawati (2012) telah
dilakukan pengolahan data dengan mengkonversi citra dari format HDF ke dalam
6
format JPG untuk mendapatkan titik koordinat lokasi contoh. Titik koordinat
tersebut digunakan untuk mendapatkan nilai indeks pada citra yang berformat HDF.
Tabel 1 Titik koordinat lokasi contoh
Lokasi Contoh
Koordinat
X
Y
Laut Jawa
2148
3713
Laut Flores
3131
4085
Laut Banda
3919
3869
Sumatera Selatan
1412
3637
Kalimantan Tengah
2236
3621
Irian Jaya Timur
5371
3633
Medan
748
2846
Jakarta
1596
3941
Makassar
3083
3833
Misalnya pada lokasi contoh Sumatera Selatan telah ditentukan titik
koordinatnya X=1412 dan Y=3637. Nilai X dan Y tersebut digunakan untuk
mendapatkan nilai indeks pada data citra SPOT Vegetation, yang kemudian
hasilnya dipakai sebagai sinyal masukan untuk implementasi algoritme EMD.
Pada penelitian ini dilakukan pengolahan data yaitu mengkonversi data dari
format HDF ke dalam format .txt. Proses ini dilakukan agar data citra SPOT
Vegetation dapat diimplementasikan algoritme EMD menggunakan bahasa
pemrograman R.
Implementasi Algoritme EMD
Suatu data runtun waktu x(t) dapat didekomposisi menggunakan algoritme
EMD. Deteksi sinyal dengan menggunakan EMD dapat dilakukan dengan alur
sebagai berikut (Huang et al. 1998):
1 Memasukkan data runtun waktu x(t).
2 Inisialisasi seluruh maxima dan minima dari sinyal x(t).
3 Membuat envelope atas dan bawah, emax(t) dan emin(t).
4 Menghitung rataan dari m(t) dari tepi atas dan tepi bawah.
5 Ekstrak detail, h(t) = x(t) – m(t).
6 Uji h(t) merupakan IMF atau bukan
7 Jika h(t) adalah IMF, ekstrak IMF dan ganti x(t) dengan residual r(t) = x(t) –
h(t).
8 Jika h(t) bukan IMF, ulangi langkah 2-5 dengan mendefinisikan h(t) sebagai x(t)
yang baru.
9 Ulangi langkah (1-6) sampai komponen sisa (residu) memenuhi kriteria henti
Spline merupakan suatu kurva yang dibangun dari potongan-potongan
polynomial (picewise polynomial) dengan titik-titik belok disebut knot (Kahaner et
al. 1989). Diberikan n+1 knot xi dengan
� < � < ⋯ < �n −
< �n
7
Dengan n+1 nilai-nilai knot yi dicoba untuk menemukan suatu fungsi spline
derajat n (Kahaner et al. 1989), yaitu:
� � ={
�
�
�� −
�
�
�
� ∈ [� , � ]
� ∈ [� , � ]
� ∈ [�� − , �n ]
Dengan setiap Si(x) adalah polinomial derajat k. Polinomial derajat n yang
menginterpolasi himpunan data adalah secara unik didefinisikan dengan titik-titik
data. Spline derajat n yang menginterpolasi himpunan data yang sama tidak secara
unik didefinisikan, dan mengisi dalam n-1 derajat bebas tambahan untuk menyusun
suatu interpolan yang unik (Kahaner et al. 1989).
Lingkungan Pengembangan
Spesifikasi perangkat lunak dan perangkat keras yang digunakan pada
penelitian ini yaitu:
1 Perangkat lunak:
Sistem operasi Windows 10
R sebagai bahasa pemrograman
RStudio, digunakan untuk menjalankan kode program
HDFView2.10, digunakan untuk membuka file HDF dan melakukan
konversi ke .txt
2 Perangkat keras berupa komputer personal dengan spesifikasi sebagai berikut:
Processor Intel Core i3
RAM 4GB
Monitor LCD 14.0”
Harddisk 500 GB
HASIL DAN PEMBAHASAN
Pengumpulan Data
Penelitian ini menggunakan data citra SPOT Vegetation tahun 2003 yang
diperoleh dari penelitian sebelumnya (Rachmawati 2012). Data citra memiliki
rentang 10 hari pengambilan. Artinya data diambil setiap tanggal 1, 11, dan 21
setiap bulannya sehingga dalam 1 tahun memiliki total 36 data. Data ke-1 yaitu
tanggal 1 Januari 2003 dan data ke-36 yaitu tanggal 21 Desember 2003 hanya
digunakan untuk keperluan implementasi algoritme EMD untuk mendapatkan nilai
IMF dan residu. Dengan demikian, pada hasil EMD hanya terdapat 34 data, yaitu
data dari 11 Januari 2003 sampai 11 Desember 2003.
Data citra SPOT Vegetation yang digunakan memiliki format HDF, yang
berisikan nilai derajat keabuan suatu citra dan dapat dibuka menggunakan
perangkat lunak HDFView2.10. Perangkat lunak HDFView dapat diunduh secara
8
gratis melalui situs http://www.hdfgroup.org. Contoh data citra yang memiliki
format HDF dapat dilihat pada Gambar 3.
Gambar 3 Data citra SPOT vegetation tanggal 1 Januari 2003 dengan format HDF
Pada Gambar 3 nilai dalam setiap sel menunjukkan nilai derajat keabuan citra
SPOT vegetation. Setiap data mempunyai 8736 kolom dan 4592 baris yang
mempunyai rentang nilai antara 0-255.
Untuk mengetahui visualisasi dari data citra SPOT vegetation pada Gambar
3 dilakukan konversi data ke dalam format JPG. Hasil konversi data ke format JPG
dapat dilihat pada Gambar 4.
Gambar 4 Data citra SPOT vegetation setelah dikonversi ke format JPG
Pengolahan Data
Pada penelitian sebelumnya (Rachmawati 2012) telah dilakukan pengolahan
data sehingga didapatkan tiga kelas data, yaitu kelas perairan, kelas vegetasi dan
kelas struktur buatan. Masing-masing dari kelas data dipilih tiga lokasi contoh,
untuk kelas perairan lokasi contoh yang dipilih yaitu wilayah Laut Jawa, Laut
9
Flores, dan Laut Banda. Untuk kelas vegetasi, lokasi contoh yang dipilih yaitu
wilayah Sumatera Selatan, Kalimantan Tengah, dan Irian Jaya Timur. Untuk kelas
struktur buatan terdiri dari wilayah Medan, Jakarta, dan Makassar. Lokasi contoh
dapat dilihat pada Gambar 5.
Gambar 5 Penentuan lokasi contoh (Rachmawati 2012)
Pada penelitian ini dilakukan pengolahan data dengan mengkonversi data dari
format HDF ke dalam format .txt agar dapat menjadi data input untuk implementasi
algoritme EMD pada bahasa pemrograman R. Misalkan untuk lokasi contoh
Sumatera Selatan, dengan koordinat lokasi contoh x=1412 dan y=3637. Setelah
diketahui titik koordinat lokasi contoh dilakukan penentuan elemen citra dengan
menggunakan kode R seperti pada Gambar 6
Gambar 6 Penentuan elemen citra berdasarkan lokasi contoh
Akan didapatkan sinyal masukan untuk semua lokasi contoh dari ke-36 data
seperti pada Lampiran 1. Pada kode baris 1 diatas berfungsi untuk membuka
direktori ”D:/data”, kode baris ke-2 untuk membaca seluruh file yang
berformat .txt. Dan untuk mengambil nilai pada titik koordinat tertentu pada seluruh
file dilakukan pada kode baris ke-4.
Implementasi Algoritme EMD
Langkah pertama yang dilakukan dalam penerapan algoritme EMD adalah
mengidentifikasi seluruh nilai ekstrim, yaitu seluruh maksima dan minima dari
sinyal masukan. Identifikasi nilai ekstrim merupakan tahapan ke-2 dalam algoritme
10
EMD. Implementasi untuk mendapatkan seluruh maksima dan minima dalam
bahasa pemrograman R dapat dilihat pada Gambar 7. Untuk mengidentifikasi nilai
maksima dilakukan pada kode program baris ke-1 dan untuk mengidentifikasi nilai
minima dilakukan pada kode baris ke-5.
Gambar 7 Identifikasi nilai ekstrim
Setelah seluruh maksima dan minima diidentifikasi, langkah berikutnya
ialah menghubungkan seluruh maksima membentuk kurva yang disebut dengan
envelope atas seperti pada tahapan ke-3 dalam algoritme EMD. Langkah yang sama
juga dilakukan terhadap seluruh minima untuk mendapatkan envelope bawah.
Envelope atas dan envelope bawah harus mencakup seluruh nilai ekstrim yang ada.
Perhitungan envelope atas dan envelope bawah dilakukan dengan
menggunakan fungsi interpolasi spline yang tersedia pada R. Perhitungan envelope
atas dan envelope bawah dengan R bisa dilihat pada Gambar 10.
Gambar 8 Implementasi perhitungan envelope pada R
Untuk menentukan envelope atas dilakukan dilakukan interpolasi spline pada
seluruh maksima seperti pada kode baris ke-5 dan baris ke-6 untuk menentukan
envelope bawah. Terdapat perbedaan fungsi interpolasi spline di Matlab dengan R
seperti terlihat pada Gambar 9. Pada penelitian ini menggunakan fungsi interpolasi
spline dengan metode “fmm” karena hasilnya mendekati dengan fungsi interpolasi
spline pada Matlab yang dilakukan pada penelitian sebelumnya oleh Rachmawati
(2012). Perbandingan fungsi interpolasi spline dengan metode “fmm” di R dan
fungsi interpolasi spline pada Matlab dapat dilihat pada Gambar 10.
11
Gambar 9 Perbandingan fungsi interpolasi spline pada Matlab dan R
Gambar 10 Perbandingan fungsi interpolasi spline dengan metode “fmm” di R
dan fungsi interpolasi spline pada Matlab
Pada tahapan ke-4 dalam algoritme EMD dilakukan perhitungan rata-rata
envelope atas dan envelope bawah dari sinyal masukan. Implementasi proses
perhitungan rata-rata envelope dalam bahasa pemrograman R dapat dilihat pada
Gambar 11.
Gambar 11 Perhitungan rata-rata envelope pada R
Setelah didapatkan rata-rata envelope dari masing-masing sinyal masukan,
kemudian diekstrak dengan cara mengurangi sinyal masukan awal dengan rata-rata
dari sinyal masukan tersebut seperti pada tahapan algoritme EMD ke-5.
Langkah identifikasi nilai ekstrim hingga mengekstrak rata-rata envelope,
dilakukan berulang-ulang hingga memenuhi kriteria henti. Proses tersebut yang
12
dinamakan dengan sifting process. Hasil sifting process untuk semua kelas contoh
dapat dilihat pada Gambar 12 sampai dengan Gambar 17
Gambar 12 Proses sifting lokasi contoh Sumatera Selatan: (a) identifikasi nilai
maksima dan minima, (b) membuat envelope atas dan bawah, (c) menghitung
rataan dari envelope atas dan bawah
13
Gambar 13 Proses sifting lokasi contoh Kalimatan Tengah
Gambar 14 Proses sifting lokasi contoh Irian Jaya
Gambar 15 Proses sifting lokasi contoh Medan
14
Gambar 16 Proses sifting lokasi contoh Jakarta
Gambar 17 Proses sifting lokasi contoh Makassar
Pada Gambar 12 sampai dengan Gambar 17 merupakan grafik hasil
implementasi yang telah dilakukan dalam sifting process. Pada sifting process
tahapan pertaman yang dilakukan adalah menentukan seluruh nilai maksima yang
ditunjukkan dengan titik biru dan seluruh minima yang ditunjukkan dengan titik
merah. Selanjutnya seluruh maksima dihubungkan dengan garis warna biru yang
disebut envelope atas, dan seluruh minima dibubungkan dengan garis warna merah
yang disebut envelope bawah. Setelah didapatkan envelope atas dan bawah,
kemudian dilakukan penghitungan rata-rata envelope, yang kemudian didapatkan
hasilnya seperti yang ditunjukkan pada garis warna hijau.
Pada penelitian ini digunakan ukuran nilai standar deviasi 0.3 untuk
menghentikan sifting process seperti yang dilakukan pada penelitian sebelumnya
Rachmawati (2012).
Hasil Algoritme EMD
Saat proses sifting sudah mencapai kriteria henti, maka sinyal akan diekstrak
menjadi suatu IMF baru dan seterusnya hingga tidak bisa didapatkan IMF lagi.
Setiap komponen IMF menggambarkan Istantaneous Frequency (frekuensi
sesaat) (Huang et al. 1998). Frekuensi sesaat memberikan informasi tentang
15
perilaku gelombang yang mempengaruhi perubahan frekuensi seperti efek
absorbsi (penyerapan), rekahan, hamburan dan lainnya. Frekuensi sesaat
memiliki rentang frekuensi dari negatif sampai positif.
Grafik output algoritme EMD untuk lokasi contoh Sumatera Selatan dapat
dilihat pada Gambar 18. Untuk lokasi contoh Kalimantan Tengah, Irian Jaya,
Medan, Jakarta, dan Makassar dapat dilihat pada Lampiran 2 sampai dengan
Lampiran 6.
Gambar 18 Grafik output algoritme EMD untuk Sumatera Selatan: (a) IMF
pertama, (b) IMF kedua, (c) IMF ketiga, (d) IMF keempat, (e) residu
16
Tabel 2 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
11-Jan
IMF1
23.98505
IMF2
12.11745
IMF3
19.41261
IMF4
17.08507
Residu
152.4849
Data
Masukan
208
Selisih
21-Jan
-31.7291
4.880672
24.38468
28.57704
173.4637
171
2.4637
1-Feb
2.435645
-8.75214
18.05147
34.86928
189.265
201
-11.735
11-Feb
20.09231
-21.6053
4.187495
36.46341
200.3254
203
-2.6746
21-Feb
-11.7096
-31.0893
-13.4075
33.98575
207.2064
151
56.2064
1-Mar
6.937759
-35.4734
-30.9598
28.08869
210.4955
151
59.4955
11-Mar
-6.645
-9.2241
-44.9109
19.42461
210.78
150
60.78
21-Mar
14.38255
22.53316
-52.5633
8.645876
208.6476
193
15.6476
1-Apr
15.46039
30.28851
-51.4201
-3.6095
204.6712
199
5.6712
11-Apr
8.818408
13.01583
-40.2007
-16.761
199.3665
181
18.3665
21-Apr
-27.4511
-10.0788
-22.7049
-30.2426
193.2347
133
60.2347
1-May
8.914043
-20.7342
-3.95691
-43.488
186.7771
171
15.7771
11-May
34.10467
-19.4695
11.87004
-55.9312
180.4948
207
-26.5052
21-May
18.80774
-12.9734
23.27662
-67.0061
174.8891
204
-29.1109
1-Jun
-4.23377
-4.64705
29.41967
-76.1464
170.4611
191
-20.5389
11-Jun
-11.2628
3.094538
29.59974
-82.9298
167.5686
189
-21.4314
21-Jun
-29.5224
7.523624
24.00075
-87.5047
165.9981
168
-2.0019
1-Jul
10.93681
6.295664
14.35897
-90.1472
165.4085
197
-31.5915
11-Jul
26.83401
3.287992
3.415244
-91.1296
165.4628
199
-33.5372
21-Jul
-27.3299
1.422041
-5.91565
-90.7243
165.8235
134
31.8235
1 Ags
28.54222
-2.97682
-10.7189
-89.2036
166.1535
181
-14.8465
11 Ags
-28.7491
-2.33628
-9.15248
-86.7175
166.2379
126
40.2379
21 Ags
26.64647
3.667803
-3.73676
-82.8554
166.4225
193
-26.5775
1-Sep
11.67678
-1.95873
1.783301
-76.7608
167.4987
179
-11.5013
11-Sep
-17.4176
-7.9859
3.927576
-67.3593
170.4759
149
21.4759
21-Sep
13.00771
1.578963
0.43309
-53.9602
175.9802
191
-15.0198
1-Oct
-10.4278
17.06346
-3.56958
-37.5763
182.9339
186
-3.0661
11-Oct
4.338322
6.711336
-2.74777
-19.7813
189.6981
198
-8.3019
21-Oct
12.42489
-18.9609
1.126852
-2.37419
194.4091
189
5.4091
1 Nov
-16.7693
-32.8843
4.500838
12.79576
195.1528
150
45.1528
11 Nov
22.39575
-4.13127
4.704872
23.89515
190.0307
213
-22.9693
21 Nov
1-Dec
-27.2255
27.84447
34.41109
17.0403
2.507686
-0.58897
29.25273
27.65672
177.3067
155.7042
187
200
-9.6933
-44.2958
11-Dec
-20.1163
-17.9166
-2.21163
18.19344
124.2446
84
40.2446
-55.5151
Pada Gambar 18 menunjukkan hasil visualisasi grafik IMF dan residu yang
didapatkan pada implementasi algoritme EMD untuk lokasi contoh Sumatera
Selatan, sedangkan nilai IMF dan residu dapat dilihat pada Tabel 2. Pada IMF
pertama terlihat gelombang masih belum simetris, artinya masih banyak
hamburan atau serapan yang masih bisa dihilangkan lagi. Kemudian dilakukan
sifting process lagi untuk menghilangkan gelombang naik, dan didapatkan IMF
kedua dengan gelombang yang lebih simetris dibanding IMF pertama. Proses
17
tersebut terus dilakukan hingga memenuhi kriteria henti, sehingga didapatkan
beberapa IMF dan menghasilkan residu atau komponen sisa.
Pada Tabel 2 merupakan hasil output algoritme EMD untuk lokasi contoh
Sumatera Selatan. Nilai IMF menunjukkan adanya hamburan atau serapan yang
terjadi pada nilai indeks citra SPOT Vegetation. Nilai positif menunjukkan
terdapat hamburan pada citra, sedangkan nilai negatif menunjukkan adanya
serapan pada citra (Rachmawati 2012).
Nilai residu menunjukkan nilai indeks citra SPOT Vegetation yang
sebenarnya, yang sudah dipisahkan dari hamburan ataupun serapan. Sementara
itu, nilai data masukan merupakan nilai awal indeks citra sebelum dilakukan
implementasi algoritme EMD. Pada Tabel 2 didapatkan residu pada tanggal
Januari sebesar 152.4849, mempunyai selisih dengan data masukan sebesar 55.5151. Artinya pada tanggal 11 Januari nilai indeks citra SPOT Vegetation
mengalami serapan karena nilai indeksnya lebih kecil dari data masukan. Pada
tanggal 21 Januari nilai indeks citra mengalami hamburan, karena nilai indeks
lebih besar dari data masukan sebesar 2.4637.
Hasil output implementasi algoritme EMD untuk lokasi contoh lain
selengkapnya dapat dilihat pada Lampiran 7 sampai dengan Lampiran 12. Nilai
indeks pada masing-masing kelas contoh terjadi perubahan yang cukup drastis
yaitu menjadi lebih besar atau lebih kecil.
SIMPULAN DAN SARAN
Simpulan
Algoritme Empirical Mode Decomposition (EMD) dapat diimplementasikan
pada data citra SPOT Vegetation dengan menggunakan bahasa pemrograman R.
Berdasarkan hasil output algoritme EMD, nilai indeks citra pada lokasi contoh
Sumatera Selatan, Irian Jaya, Medan, dan Makassar mengalami hamburan. Hal ini
ditunjukkan dari hasil rata-rata residu lebih besar dibanding data masukan, pada
lokasi contoh Sumatera Selatan bertambah sebesar 2.59, Irian Jaya sebesar 4.05,
Medan sebesar 0.65 dan Makassar sebesar 1.02. Sementara itu, pada lokasi contoh
Kalimantan Tengah dan Jakarta nilai indeks citra mengalami serapan. Hal ini
ditunjukkan dari hasil rata-rata residu lebih kecil dibanding data masukan, pada
lokasi contoh Kalimantan Tengah berkurang sebesar -20.88 dan pada lokasi contoh
Jakarta sebesar -3.08. Untuk lokasi contoh Laut Jawa, Laut Flores, dan Laut Banda
tidak diperoleh hasil EMD karena masing-masing lokasi contoh memiliki nilai
indeks citra 0.
Saran
Saran untuk penelitian selanjutnya ialah:
1 Penambahan Graphical User Interface (GUI) agar memudahkan dalam
pengolahan dan analisis data citra SPOT vegetation.
18
2 Verifikasi lokasi contoh untuk menentukan kelas contoh apakah termasuk kelas
vegetasi, struktur buatan atau perairan.
DAFTAR PUSTAKA
[EOEdu] Earth Observation Educative. 2010. Satellite Pour l'Observation de la
Terre [internet]. Tersedia pada: http://eoedu.belspo.be/en/satellites/spot.htm.
Folk M, Koziol Q. 1996. HDF The Next Generation. Illinois (US): University of
Illinois.
Hinz M, Nust D, Proß B, Pebesma E. 2013. Spatial statistics on the geospatial
web. Di dalam: AGILE International Conference on Geographic Information
Science; Leuven, 14-17 Mei 2013.
Huang NE, Shen Z, Long SR, Wu MC, Shih HH, et al. 1998. The empirical mode
decomposition and the hilbert spectrum for nonlinear and non-stationary time
series analysis. Di dalam: Royal Society London A454; London, 3 Jun 1996.
hlm 903–995.
Kahaner D, Moler C, Nash S. 1989. Numerical Methods and Software.
Englewood Cliffs, NJ (US): Prentice Hall.
Lillesand TM, Kiefer RW. 1997. Remote Sensing and Image Interpretation. New
York (US): John Wiley and Sons.
Peel MC, Amirthanathan GE, Pegram GGS, McMahon TA, Chiew FHS. 2005.
Issues with the application of empirical mode decomposition analysis. Di
dalam: Zerger A and Argent RM (eds) MODSIM 2005 International Congress
on Modelling and Simulation, Modelling and Simulation Society of Australia
and New Zealand; Melbourne, 12-15 Des 2005. hlm 1681-1687.
Rachmawati M. 2012. Implementasi empirical mode decomposition pada data
citra SPOT vegetation. [skripsi]. Bogor (ID): Institut Pertanian Bogor.
19
Lampiran 1 Titik sampling semua lokasi contoh
1-Jan
Laut
Jawa
0
Laut
Flores
0
Laut
Banda
0
Sumsel
126
Kalteng
217
11-Jan
0
0
0
208
207
21-Jan
0
0
0
171
Data
Irian Jaya
58
Medan
72
Jakarta
157
Makassar
111
151
95
144
144
157
70
92
80
167
48
58
71
106
133
1-Feb
0
0
0
201
11-Feb
0
0
0
203
91
214
73
124
207
21-Feb
0
0
0
151
208
85
90
46
121
1-Mar
0
0
0
151
211
75
90
207
222
11-Mar
0
0
0
150
205
130
84
188
217
181
158
67
190
194
21-Mar
0
0
0
193
1-Apr
0
0
0
199
208
66
80
208
185
11-Apr
0
0
0
181
65
96
79
143
176
21-Apr
0
0
0
133
116
227
81
170
175
197
223
107
162
167
1-May
0
0
0
171
11-May
0
0
0
207
225
104
98
178
187
21-May
0
0
0
204
218
211
82
155
178
1-Jun
0
0
0
191
228
160
107
163
170
11-Jun
0
0
0
189
125
218
91
162
173
195
220
92
149
182
21-Jun
0
0
0
168
1-Jul
0
0
0
197
211
216
92
135
202
11-Jul
0
0
0
199
197
237
87
160
202
21-Jul
0
0
0
134
213
128
103
149
215
183
186
86
147
213
1 Ags
0
0
0
181
11 Ags
0
0
0
126
158
216
98
133
200
21 Ags
0
0
0
193
152
185
98
146
202
1-Sep
0
0
0
179
184
233
94
126
169
192
207
83
120
145
11-Sep
0
0
0
149
21-Sep
0
0
0
191
170
107
79
151
134
1-Oct
0
0
0
186
79
232
66
74
111
11-Oct
0
0
0
198
117
153
94
122
129
21-Oct
0
0
0
189
163
205
82
145
158
1 Nov
0
0
0
150
146
219
77
160
161
11 Nov
0
0
0
213
160
129
91
155
172
21 Nov
0
0
0
187
168
180
124
173
194
199
228
63
126
195
1-Dec
0
0
0
200
11-Dec
0
0
0
84
67
166
84
172
142
21-Dec
0
0
0
82
153
199
81
93
67
20
Lampiran 2 Grafik IMF dan residu untuk lokasi contoh Kalimantan Tengah
21
Lampiran 3 Grafik IMF dan residu untuk lokasi contoh Irian Jaya
22
Lampiran 4 Grafik IMF dan residu untuk lokasi contoh Medan
23
Lampiran 5 Grafik IMF dan residu untuk lokasi contoh Jakarta
24
Lampiran 6 Grafik IMF dan residu untuk lokasi contoh Makassar
25
Lampiran 7 Output algoritme EMD untuk lokasi contoh Sumatera Selatan
11-Jan
IMF1
23.98505
IMF2
12.11745
IMF3
19.41261
IMF4
17.08507
Residu
152.4849
Data
Masukan
208
Selisih
21-Jan
-31.7291
4.880672
24.38468
28.57704
173.4637
171
2.4637
1-Feb
2.435645
-8.75214
18.05147
34.86928
189.265
201
-11.735
11-Feb
20.09231
-21.6053
4.187495
36.46341
200.3254
203
-2.6746
21-Feb
-11.7096
-31.0893
-13.4075
33.98575
207.2064
151
56.2064
1-Mar
6.937759
-35.4734
-30.9598
28.08869
210.4955
151
59.4955
11-Mar
-6.645
-9.2241
-44.9109
19.42461
210.78
150
60.78
21-Mar
14.38255
22.53316
-52.5633
8.645876
208.6476
193
15.6476
1-Apr
15.46039
30.28851
-51.4201
-3.6095
204.6712
199
5.6712
11-Apr
8.818408
13.01583
-40.2007
-16.761
199.3665
181
18.3665
21-Apr
-27.4511
-10.0788
-22.7049
-30.2426
193.2347
133
60.2347
1-May
8.914043
-20.7342
-3.95691
-43.488
186.7771
171
15.7771
11-May
34.10467
-19.4695
11.87004
-55.9312
180.4948
207
-26.5052
21-May
18.80774
-12.9734
23.27662
-67.0061
174.8891
204
-29.1109
1-Jun
-4.23377
-4.64705
29.41967
-76.1464
170.4611
191
-20.5389
11-Jun
-11.2628
3.094538
29.59974
-82.9298
167.5686
189
-21.4314
21-Jun
-29.5224
7.523624
24.00075
-87.5047
165.9981
168
-2.0019
1-Jul
10.93681
6.295664
14.35897
-90.1472
165.4085
197
-31.5915
11-Jul
26.83401
3.287992
3.415244
-91.1296
165.4628
199
-33.5372
21-Jul
-27.3299
1.422041
-5.91565
-90.7243
165.8235
134
31.8235
1 Ags
28.54222
-2.97682
-10.7189
-89.2036
166.1535
181
-14.8465
11 Ags
-28.7491
-2.33628
-9.15248
-86.7175
166.2379
126
40.2379
21 Ags
26.64647
3.667803
-3.73676
-82.8554
166.4225
193
-26.5775
1-Sep
11.67678
-1.95873
1.783301
-76.7608
167.4987
179
-11.5013
11-Sep
-17.4176
-7.9859
3.927576
-67.3593
170.4759
149
21.4759
21-Sep
13.00771
1.578963
0.43309
-53.9602
175.9802
191
-15.0198
1-Oct
-10.4278
17.06346
-3.56958
-37.5763
182.9339
186
-3.0661
11-Oct
4.338322
6.711336
-2.74777
-19.7813
189.6981
198
-8.3019
21-Oct
12.42489
-18.9609
1.126852
-2.37419
194.4091
189
5.4091
1 Nov
-16.7693
-32.8843
4.500838
12.79576
195.1528
150
45.1528
11 Nov
22.39575
-4.13127
4.704872
23.89515
190.0307
213
-22.9693
21 Nov
-27.2255
34.41109
2.507686
29.25273
177.3067
187
-9.6933
1-Dec
27.84447
17.0403
-0.58897
27.65672
155.7042
200
-44.2958
11-Dec
-20.1163
-17.9166
-2.21163
18.19344
124.2446
84
40.2446
-55.5151
26
Lampiran 8 Output algoritme EMD untuk lokasi contoh Kalimantan Tengah
11-Jan
IMF1
32.144155
IMF2
-17.42515
IMF3
-12.729597
IMF4
-3.816187
Residu
205.0106
Data
Masukan
207
Selisih
21-Jan
19.785768
-36.98492
-19.855486
-6.972134
194.0546
157
37.0546
1-Feb
-65.273493
-48.791089
-22.027943
-9.507456
184.0925
48
136.0925
-1.9894
11-Feb
-21.4929
-42.6704
-19.92133
-11.46177
175.0846
91
84.0846
21-Feb
68.82294
-13.50303
-14.31127
-12.87468
166.9914
208
-41.0086
1-Mar
21.476349
35.767499
-6.016931
-13.785811
159.7731
211
-51.2269
11-Mar
-27.494159
74.966316
4.137656
-14.234774
153.3902
205
-51.6098
21-Mar
-49.37909
67.26073
15.3153
-14.26118
147.8031
181
-33.1969
1-Apr
42.479639
-4.077945
26.626221
-13.904654
142.9721
208
-65.0279
11-Apr
-37.12199
-73.90314
37.16748
-13.2048
138.8576
65
73.8576
21-Apr
7.065413
-72.676447
46.190894
-12.201235
135.4201
116
19.4201
1-May
31.2192
-20.40635
53.56721
-10.93357
132.6199
197
-64.3801
11-May
-3.5348
38.795417
59.321944
-9.441432
130.4174
225
-94.5826
21-May
-29.893404
55.639803
63.480583
-7.764422
128.773
218
-89.227
29.5845
4.60197
66.16646
-5.94216
127.6471
228
-100.353
11-Jun
-28.253032
-41.64116
67.894226
-4.014259
127
125
2
21-Jun
25.317738
-26.173923
69.064081
-2.020334
126.7921
195
-68.2079
1-Jul
6.288861
19.97981
69.22712
67.72214
0
2.00713
126.9839
211
-84.0161
11-Jul
8.500157
-18.23759
127.5356
197
-69.4644
21-Jul
16.829467
3.771173
63.991552
3.96144
128.4078
213
-84.5922
1 Ags
5.189481
-9.642335
57.892096
5.823317
129.5608
183
-53.4392
11 Ags
-12.540284
-9.798689
49.384099
7.553145
130.9549
158
-27.0451
21 Ags
-21.984237
2.533178
38.900518
9.111312
132.5505
152
-19.4495
1-Sep
4.766639
16.160395
28.764818
10.458201
134.3081
184
-49.6919
11-Sep
19.39673
15.29073
21.12446
11.5542
136.1881
192
-55.8119
21-Sep
26.36095
-10.04402
15.53235
12.35969
138.1507
170
-31.8493
1-Oct
-26.37613
-45.67309
10.89277
12.83507
140.1565
79
61.1565
1-Jun
11-Oct
19.972879
-51.248559
6.110015
12.940704
142.1657
117
25.1657
21-Oct
32.5376671
-14.1074845
0.4310734
12.6369933
144.1387
163
-18.8613
1 Nov
-43.16622
48.65631
-5.52617
11.88432
146.0361
146
0.0361
11 Nov
-42.04956
65.03263
-10.80111
10.64307
147.818
160
-12.182
21 Nov
-5.904673
38.79989
-14.340252
8.873625
149.445
168
-18.555
1-Dec
65.60281
-2.761777
-14.718467
6.536376
150.8774
199
-48.1226
-45.565016
-29.092877
-10.417734
3.591706
152.0756
67
85.0756
11-Dec
27
Lampiran 9 Output algoritme EMD untuk lokasi contoh Irian Jaya Timur
11-Jan
IMF1
48.96604
IMF2
8.469802
IMF3
12.22715
IMF4
11.14055
Residu
81.337
Data
Masukan
151
Selisih
21-Jan
-56.7521
9.000004
16.45509
19.38453
101.297
70
31.297
1-Feb
-79.6703
5.701355
13.87703
24.94399
118.092
58
60.092
11-Feb
73.98061
1.769305
6.250581
28.09648
131.9995
214
-82.0005
21-Feb
-51.6639
-2.121386
-4.54132
29.14902
143.3266
85
58.3266
1-Mar
-52.7708
-7.983074
-16.6275
28.40965
152.3814
75
77.3814
11-Mar
14.79951
-16.13189
-28.1295
26.17644
159.4619
130
29.4619
21-Mar
48.16573
-17.86299
-37.1664
22.74499
164.8636
158
6.8636
1-Apr
-54.7973
-6.086301
-41.9987
18.41088
168.8823
66
102.8823
11-Apr
-44.8767
10.516
-41.4501
13.46704
171.8107
96
75.8107
21-Apr
69.32119
18.222632
-34.4638
8.184457
173.9199
227
-53.0801
1-May
60.44687
7.962095
-20.8416
2.78575
175.4326
223
-47.5674
11-May
-58.9896
-9.568906
-4.00131
-2.51788
176.5599
104
72.5599
21-May
42.15257
-20.477336
11.81184
-7.51522
177.5129
211
-33.4871
1-Jun
-23.3042
-18.47599
23.27718
-11.9951
178.503
160
18.503
11-Jun
11.34867
-2.666665
29.57664
-15.7463
179.7414
218
-38.2586
21-Jun
-11.4643
19.52726
30.49791
-18.5575
181.4391
220
-38.5609
1-Jul
-20.1894
26.55326
25.91961
-20.3087
183.7165
216
-32.2835
11-Jul
32.50312
1.481232
16.68548
-21.2432
186.3302
237
-50.6698
21-Jul
-38.4812
-28.599991
6.135615
-21.6954
188.9455
128
60.9455
1 Ags
21.16889
-23.968965
-2.42818
-21.9999
191.2283
186
5.2283
11 Ags
27.20606
4.177986
-8.22788
-22.491
192.8438
216
-23.1562
21 Ags
-25.2048
27.73314
-10.9862
-23.5033
193.4579
185
8.4579
1-Sep
32.74678
18.0891
-10.6767
-25.2661
192.8408
233
-40.1592
11-Sep
33.09958
-8.867132
-8.43829
-27.5664
191.2058
207
-15.7942
21-Sep
-53.769
-22.406537
-5.78684
-29.9947
188.9624
107
81.9624
1-Oct
53.0197
-3.616407
-3.94186
-32.1229
186.5386
232
-45.4614
11-Oct
-46.1387
17.639012
-2.85157
-33.5342
184.3513
153
31.3513
21-Oct
9.711634
14.681593
-2.20927
-33.8129
182.816
205
-22.184
1 Nov
39.27611
-0.6701479
-1.8619
-32.636
182.2559
219
-36.7441
11 Nov
-42.1326
-10.143509
-1.61776
-29.7806
182.8939
129
53.8939
21 Nov
4.990037
-8.57873
-1.27785
-25.11
184.8665
180
4.8665
1-Dec
42.53452
-1.8855205
-0.86341
-18.5837
188.2144
228
-39.7856
11-Dec
-29.0268
2.5235057
-0.42252
-10.2134
192.9259
166
26.9259
-69.663
28
Lampiran 10 Output algoritme EMD untuk lokasi contoh Medan
11-Jan
IMF1
11.0959341
IMF2
7.3151219
IMF3
0.9232087
Residu
76.58894
Data
Masukan
95
Selisih
21-Jan
2.455248
9.701424
1.098658
79.84333
92
-12.1567
1-Feb
-19.372654
8.4250354
0.6638396
81.94762
71
10.94762
11-Feb
-14.851291
4.7025414
-0.1949654
83.14875
73
10.14875
21-Feb
6.6338973
-0.3519126
-1.2702567
83.71802
90
-6.28198
1-Mar
11.716994
-5.646033
-2.352202
83.92904
90
-6.07096
11-Mar
9.95662
-10.012063
-3.230971
84.05544
84
0.05544
21-Mar
-5.390454
-11.980399
-3.69673
84.37085
67
17.37085
1-Apr
4.876441
-9.990454
-3.573865
85.11401
80
5.11401
11-Apr
-3.611818
-3.772337
-2.819916
86.38415
79
7.38415
21-Apr
-9.340652
2.095021
-1.411799
88.24563
81
7.24563
1-May
12.1412063
4.0959996
0.6772798
90.76279
107
-16.2372
11-May
2.763434
1.442666
3.268016
93.7939
98
-4.2061
21-May
-13.004466
-1.316808
5.305178
96.32127
82
14.32127
1-Jun
10.0526637
-0.2603843
5.6140119
97.20772
107
-9.79228
11-Jun
-6.0805485
0.6451195
4.1592212
96.43543
91
5.43543
21-Jun
-1.055034
-1.332824
1.387084
94.38786
92
2.38786
1-Jul
2.382956
-2.265584
-1.801882
91.88263
92
-0.11737
11-Jul
-4.372147
1.62697
-4.499346
89.74518
87
2.74518
21-Jul
7.715379
6.886578
-6.199876
88.39804
103
-14.602
1 Ags
-10.193039
8.030005
-6.506438
88.16303
86
2.16303
11 Ags
3.993578
4.795662
-5.216292
89.21076
98
-8.78924
21 Ags
8.1781
-1.285107
-2.788784
91.10701
98
-6.89299
1-Sep
9.313079
-8.579437
0.153134
93.26636
94
-0.73364
11-Sep
3.277902
-15.381298
2.986513
95.1034
83
12.1034
21-Sep
2.6593
-19.692006
5.088401
96.03271
79
17.03271
1-Oct
-10.029161
-19.550107
5.946247
95.57927
66
29.57927
11-Oct
13.60152
-13.37506
5.54832
93.77354
94
-0.22646
21-Oct
-8.1067494
-0.9051467
4.2301974
91.0119
82
9.0119
1 Nov
-23.132038
12.377445
2.386684
87.75459
77
10.75459
11 Nov
-13.460673
19.998788
0.4125841
84.46188
91
-6.53812
21 Nov
25.083337
17.308523
-1.283186
81.60814
124
-42.3919
1-Dec
-20.38805
3.663873
-2.23526
79.72418
63
16.72418
11-Dec
11.914399
-7.269323
-1.959694
79.35492
84
-4.64508
-18.4111
29
Lampiran 11 Output algoritme EMD untuk lokasi contoh Jakarta
11-Jan
21-Jan
1-Feb
11-Feb
21-Feb
1-Mar
11-Mar
21-Mar
1-Apr
11-Apr
21-Apr
1-May
11-May
21-May
1-Jun
11-Jun
21-Jun
1-Jul
11-Jul
21-Jul
1 Ags
11 Ags
21 Ags
1-Sep
11-Sep
21-Sep
1-Oct
11-Oct
21-Oct
1 Nov
11 Nov
21 Nov
1-Dec
11-Dec
IMF1
11.08816
-25.41848
24.957781
50.218012
-53.129618
47.87206
-22.35757
-27.14297
19.977389
-15.97006
12.170918
-8.113705
6.277886
-7.832643
9.561885
13.969369
IMF2
12.5501
2.924614
-19.014788
-35.794579
-28.226308
10.3176
41.22452
32.99419
-4.255396
-33.8815
-27.71353
-1.851357
14.316469
15.647962
10.56356
4.727795
IMF3
-8.95024
-9.894214
-5.131457
3.45704
13.958976
23.58787
29.33521
28.82077
22.188056
10.16844
-6.577111
-25.62226
-40.89101
-46.27379
-39.62173
-22.77214
IMF4
-13.62164
-18.982768
-16.961091
-8.988045
3.314213
18.30958
34.36196
49.83847
63.178253
73.14291
78.906801
79.819657
75.254379
64.583871
47.393809
24.511234
IMF5
-14.70248
-26.756352
-36.323775
-43.566908
-48.647912
-51.72895
-52.97217
-52.53975
-50.593829
-47.29658
-42.810163
-37.296733
-30.918451
-23.837477
-16.215971
-8.216092
3.37842
-12.129141
7.8107472
-3.811231
2.341309
-3.754117
7.9264412
-18.45829
-22.297766
28.423652
-29.22894
13.95382
15.20676
6.940918
-8.143103
16.869815
-28.336056
27.314911
-1.0356
-3.147354
0.8926391
2.892867
-2.364839
-6.402823
-0.6544168
10.53295
13.598771
-0.416552
-16.25182
-12.92737
2.087213
14.584781
11.710762
-5.894622
-7.144169
3.744516
0.0238915
23.276253
41.291766
51.733583
54.38501
50.16998
40.514415
26.71446
9.827511
-9.095024
-26.272
-37.73996
-41.87978
-38.2344
-26.83718
-10.40576
4.113913
9.580512
-1.462951
-27.537571
-50.7214523
-68.31476
-79.056856
-83.164685
-81.492628
-74.98597
-64.589978
-51.249947
-35.91115
-19.56393
-3.430467
10.990434
22.04826
28.067479
27.384718
18.445443
-2.842171
8.270145
16.4321838
24.323956
31.783303
38.648064
44.7560795
49.94519
54.053236
56.918058
58.37749
58.26939
56.431578
52.701905
46.918209
38.91833
28.540109
15.621385
Residu
142.9336
131.3708
122.1496
115.1076
110.0827
106.9129
105.4359
105.4895
106.9117
109.5402
113.2129
117.7677
123.0423
128.8746
135.1025
141.5637
148.0962
154.5378
160.7263
166.4995
171.6954
176.1516
179.7062
182.1968
183.4615
183.3379
181.6639
178.2774
173.0163
165.7183
156.2213
144.3631
129.9816
112.9146
Data
Masukan
144
80
106
124
46
207
188
190
208
143
170
162
178
155
163
162
149
135
160
149
147
133
146
126
120
151
74
122
145
160
155
173
1