SPASIAL DAN MULTIMEDIA

DATA
 CAPAIAN BELAJAR

• Memahami konsep data mining dalam data spasial dan multimedia

 SPATIAL DATA MINING

• Penambangan data spasial (spatial data mining) mengacu pada ekstraksi pengetahuan,
hubungan spasial, atau pola menarik lainnya tidak secara eksplisit yang disimpan dalam
database spasial. Database spasial menyimpan sejumlah besar data terkait ruang, seperti
peta, penginderaan jauh yang telah diproses sebelumnya atau data gambar medis, dan data
tata letak chip VLSI.
• Spasial database memiliki banyak fitur yang membedakannya dari database relasional.
Dimana spasial database membawa informasi topologi dan/atau jarak, biasanya diatur
secara canggih, struktur pengindeksan spasial multidimensi yang diakses dengan metode
akses data spasial dan seringkali membutuhkan penalaran spasial, komputasi geometris,
dan teknik representasi pengetahuan spasial.
• Diharapkan memiliki aplikasi yang luas pada sistem informasi geografis, pemasaran
geografis, penginderaan jauh, eksplorasi database gambar, gambar medis, navigasi, kontrol
lalu lintas, studi lingkungan, dan banyak bidang lainnya dimana data spasial bisa
digunakan. Tantangan penting untuk penambangan data spasial adalah eksplorasi teknik
penambangan data spasial yang efisien karena besarnya jumlah data spasial dan
kompleksitas tipe data spasial serta metode akses spasial.
 DATA SPASIAL

• Data spasial: Setiap data yang menyertakan

informasi lokasi seperti alamat jalan, atau bujur
dan lintang.
• Data spasial bisa ada dalam berbagai format dan
berisi lebih dari sekedar informasi spesifik lokasi.
• Data spasial pada umumnya berdasarkan peta
yang berisikan interprestasi dan proyeksi seluruh
fenomena yang berada di bumi.
 OBJEK SPASIAL
Objek spasial ialah benda yang menempati ruang
 DOMAIN SPATIAL DATA MINING

Domain Aplikasi Spatial Data Mining

Keamanan Publik Penemuan pola hotspot dari peta peristiwa
kejahatan
Epidemiology Mendeteksi wabah penyakit
Bisnis Alokasi pasar untuk memaksimalkan keuntungan
toko
Neuroscience Menemukan pola aktivitas otak manusia dari
neuroimages
Ilmu suhu (climate science) Menemukan korelasi positif atau negatif antara
suhu jarak tempat
 TEKNIK STATISTIK PADA DATA SPASIAL

• Analisis statistic data spasial telah menjadi pendekatan populer untuk menganalisis data spasial
dan menjelajahi informasi geografis. Istilah geostatistik sering dikaitkan dengan ruang geografis
kontinu, sedangkan istilah statistik spasial sering dikaitkan dengan ruang diskrit. Dimana statistic
spasial merupakan sebuah generalisasi statistik tradisional untuk data spasial yang
memungkinkan untuk memodelkan ketergantungan spasial dan heterogenitas.
• Pada model statistik yang menangani data non-spatial, biasanya mengasumsikan independensi
statistik antara bagian data yang berbeda. Namun, berbeda dari kumpulan data tradisional, tidak
ada kemandirian antar data yang terdistribusi secara spasial karena pada kenyataannya sering
terdapat objek spasial saling terkait, atau lebih tepatnya ditempatkan secara spasial, dalam arti
semakin dekat kedua objek tersebut berada, semakin besar kemungkinan mereka berbagi properti
yang serupa.
• Misalnya sumber daya alam, iklim, suhu, dan situasi ekonomi cenderung serupa secara geografis
daerah yang terletak dekat. Orang bahkan menganggap hal ini sebagai hukum pertama geografi:
“Segalanya saling terkait dengan yang lainnya, tetapi hal-hal yang berdekatan lebih terkait
daripada hal-hal yang jauh. "Seperti itu properti saling ketergantungan yang erat di ruang
terdekat mengarah pada gagasan spasial autokorelasi.
 METODE PENGELOMPOKAN SPASIAL
(TEKNIK CLUSTERING DATA MINING)

• Pengelompokan data spasial mengidentifikasi cluster, atau

wilayah padat penduduk, menurut beberapa pengukuran
jarak dalam kumpulan data multidimensi yang besar.
Biasanya analisis cluster mempertimbangkan data spasial
pengelompokan dalam contoh dan aplikasi.
 METODE KLASIFIKASI SPASIAL
(TEKNIK KLASIFIKASI DATA MINING)

• Klasifikasi spasial menganalisis objek spasial untuk mendapatkan skema klasifikasi yang
relevan ke properti spasial tertentu, seperti lingkungan kabupaten, jalan raya, atau sungai.
• Contoh:
Seorang analis ingin mengklasifikasikan daerah dalam suatu provinsi menjadi kaya versus
miskin menurut pendapatan keluarga rata-rata. Dengan melakukan itu, analis tersebut akan
mengidentifikasi faktor-faktor penting terkait spasial yang menentukan klasifikasi suatu
wilayah. Banyak properti yang dikaitkan dengan objek spasial, seperti menjadi tuan rumah
universitas, berisi jalan raya antar negara bagian, berada di dekat danau atau laut, dan
sebagainya. Properti ini dapat digunakan untuk analisis relevansi dan untuk menemukan
skema klasifikasi yang menarik.
• Prediksi spasial, juga dikenal sebagai klasifikasi spasial dan regresi, digunakan untuk mengidentifikasi hubungan antar
variabel dalam kumpulan data yang berbeda. Variabel ini terdiri dari dua jenis: variabel penjelas (yaitu, atribut atau fitur
penjelas), dan variabel target (juga dikenal sebagai, variabel dependen). Jika variabel target adalah diskrit, masalahnya
dikenal sebagai klasifikasi spasial. Namun, ketika variabel target kontinu, masalah ini disebut sebagai regresi spasial.
Prediksi spasial tujuan adalah untuk memprediksi nilai variabel target dari variabel penjelas menggunakan sampel data
pelatihan dan hubungan lingkungan antar lokasi.
• Misalnya, pada Gambar 7b, decision tree digunakan untuk mengklasifikasikan lahan basah dan lahan kering
menggunakan fitur spektral dari citra satelit yang ditunjukkan pada Gambar 7a.
• Dibandingkan dengan kebenaran dasar pada Gambar 7c, keluaran dari pohon keputusan mengandung sejumlah besar
kesalahan “salt dan pepper”.

Gambar 7a : memasukkan gambar udara resolusi tinggi

Gambar 7b : prediksi pohon keputusan dengan kesalahan salt-and-pepper disorot dalam lingkaran putih
Gambar 7c : peta tanah yang sebenarnya
merah adalah lahan kering, hijau adalah lahan basah.
 SPASIAL TREND ANALYSIS

• Analisis tren spasial menangani masalah lain yaitu mendeteksi perubahan dan tren sepanjang
dimensi spasial. Biasanya, analisis tren mendeteksi perubahan seiring waktu, seperti
perubahan pola temporal dalam data deret waktu.
• Analisis tren spasial menggantikan waktu dengan ruang dan mempelajari kecenderungan
perubahan data nonspatial atau spasial dalam ruang. Sebagai contoh, kita dapat mengamati
tren perubahan situasi ekonomi saat menjauh dari pusat kota, atau kecenderungan perubahan
iklim. Untuk analisis tersebut, metode analisis regresi dan korelasi sering diterapkan dengan
pemanfaatan struktur data spasial dan metode akses spasial.
• Terdapat pula banyak aplikasi di mana pola berubah dengan ruang dan waktu. Sebagai
contoh, arus lalu lintas di jalan raya dan di kota-kota terkait dengan ruang dan waktu. Pola
cuaca juga terkait erat dengan ruang dan waktu. Meski ada dari beberapa studi menarik
tentang klasifikasi spasial dan analisis tren spasial, investigasi data mining spasial masih
dalam tahap awal. Lebih banyak metode dan aplikasi klasifikasi spasial dan analisis tren,
terutama yang terkait dengan waktu, perlu dieksplorasi.
 • Sistem database multimedia menyimpan dan
mengelola banyak koleksi data multimedia,
seperti audio, video, gambar, grafik, ucapan,
teks, dokumen, dan data hypertext, yang
berisi teks, markup teks, dan tautan. Sistem
MULTIMEDIA database multimedia semakin umum karena
DATA MINING penggunaan peralatan audiovideo, kamera
digital, CD-ROM, dan Internet yang populer.
Sistem database multimedia yang umum
mencakup EOS (Earth Observation System)
NASA, berbagai jenis database gambar dan
audio-video, dan database Internet
 • Untuk mengetahui apakah multimedia data yang dimiliki berupa data deskripsi atau
data konten, maka akan dilihat dari dua system pengambilannya , yaitu:
1. Sistem pengambilan berbasis deskripsi : yang membangun indeks dan
melakukan pengambilan objek berdasarkan deskripsi gambar, seperti kata kunci,
keterangan, ukuran, dan waktu pembuatan
2. Sistem pengambilan berbasis konten : yang mendukung pengambilan
berdasarkan gambar konten, seperti histogram warna, tekstur, pola, topologi
gambar, dan bentuk objek dan tata letak serta lokasinya dalam gambar.
• Pengambilan berbasis deskripsi membutuhkan banyak tenaga jika dilakukan
secara manual. Jika otomatis, hasilnya biasanya berkualitas buruk. Misalnya,
SISTEM penetapan kata kunci ke gambar bisa menjadi tugas yang rumit dan acak.
PENGAMB ILAN DATA Perkembangan terbaru dari pengelompokan gambar berbasis web dan metode
klasifikasi telah meningkatkan kualitas pengambilan gambar web berbasis
M ULTIMEDIA deskripsi, karena informasi teks yang dikelilingi gambar serta informasi keterkaitan
web dapat digunakan.
• Pengambilan berbasis konten menggunakan fitur visual untuk mengindeks
gambar dan mempromosikan objek dimana pengambilan berdasarkan kesamaan
fitur yang sangat diinginkan di banyak aplikasi. Dalam sistem pengambilan gambar
berbasis konten, sering kali terdapat dua jenis kueri: kueri berbasis sampel
gambar dan kueri spesifikasi fitur gambar. Kueri berbasis sampel gambar
menemukan semua gambar yang mirip dengan sampel gambar yang diberikan.
Pencarian ini membandingkan vektor fitur (atau tanda tangan) yang diekstrak dari
sampel dengan vektor fitur gambar yang telah diekstraksi dan diindeks di database
gambar. Berdasarkan perbandingan ini, gambar yang dekat dengan gambar sampel
dikembalikan.
 • Untuk memfasilitasi analisis multidimensi pada database
multimedia yang besar, kubus data multimedia dapat
dirancang dan dibangun dengan cara yang mirip dengan
kubus data tradisional dari data relasional. Kubus data
multimedia dapat berisi dimensi dan ukuran tambahan untuk
informasi multimedia, seperti warna, tekstur, dan bentuk.
• Prototipe sistem data mining multimedia yang disebut
MultiMediaMiner, yang memperluas sistem DBMiner
dengan menangani data multimedia. Contohnya, database
A N A LI SI S MU LTI D I M EN SI O N A L diuji dalam sistem MultiMediaMiner yang dibangun sebagai
D A RI D ATA MU LT I M ED I A berikut:
Setiap gambar berisi dua deskriptor: deskriptor fitur dan
deskriptor tata letak. Gambar aslinya tidak disimpan
langsung di database, hanya deskriptornya yang disimpan.
Informasi deskripsi mencakup bidang seperti nama file
gambar, URL gambar, jenis gambar (mis., Gif, tiff, jpeg,mpeg,
bmp, avi), daftar semua halaman Web yang diketahui mengacu
pada gambar (yaitu, URL induk), sebuah daftar kata kunci, dan
thumbnail yang digunakan oleh antarmuka pengguna untuk
penelusuran gambar dan video.
 • Kubus data multimedia dapat memiliki banyak dimensi.
Berikut ini adalah beberapa contohnya:
1. Ukuran gambar atau video dalam byte
2. Lebar dan tinggi bingkai (atau gambar), yang merupakan
dua dimensi;
3. Tanggal gambar atau video dibuat (atau terakhir diubah)

KUBUS DATA 4. Jenis format gambar atau video

5. Durasi urutan bingkai dalam hitungan detik
MULTIMEDIA
6. Domain Internet gambar atau video
7. Domain Internet dari halaman yang mereferensikan
gambar atau video (URL induk)
8. Kata kunci
9. Dimensi warna
10. Dimensi orientasi-tepi dan seterusnya.
 • Kubus data multimedia tampaknya menjadi model yang menarik
untuk analisis multidimensi data multimedia. Namun, kita harus
mencatat bahwa sulit untuk mengimplementasikan kubus data
secara efisien mengingat sejumlah besar dimensi.
• Kemungkinan ingin memodelkan warna, orientasi, tekstur, kata
kunci, dan sebagainya, sebagai beberapa dimensi dalam kubus
data multimedia. Namun, banyak dari atribut ini berorientasi
KUBUS DATA pada set, bukan nilai tunggal. Misalnya, satu gambar mungkin
sesuai dengan sekumpulan kata kunci. Ini mungkin berisi satu set
MULTIMEDIA objek, masing-masing terkait dengan satu set warna. Jika kita
menggunakan setiap kata kunci sebagai dimensi atau setiap
detail warna sebagai dimensi dalam desain kubus data, itu akan
membuat sejumlah besar dimensi.
• Di sisi lain, tidak melakukannya dapat menyebabkan pemodelan
gambar pada skala yang agak kasar, terbatas, dan tidak tepat.
Diperlukan lebih banyak penelitian tentang bagaimana
merancang kubus data multimedia yang dapat mencapai
keseimbangan antara efisiensi dan kekuatan representasi.
 • Klasifikasi dan pemodelan prediktif juga digunakan
untuk menambang data multimedia, terutama dalam
penelitian ilmiah, seperti astronomi, seismologi, dan
penelitian geosains. Klasifikasi dan analisis prediksi data
astronomi.
• Mengambil gambar langit yang telah dimiliki
K L A S IFIK A S I D A N
diklasifikasikan dengan cermat oleh para astronom
P R ED IK S I sebagai perangkat pelatihan, dimana analis dapat
membuat model untuk pengenalan galaksi, bintang, dan
M U LTIM E D IA D ATA
objek bintang lainnya, berdasarkan properti sejenisnya
besaran, luas, intensitas, momen gambar, dan orientasi.
Sejumlah besar gambar langit yang diambil dengan
teleskop atau pesawat ruang angkasa kemudian dapat
diuji terhadap konstruksi model untuk mengidentifikasi
benda langit baru. Studi serupa telah berhasil dilakukan
untuk mengidentifikasi gunung berapi di Venus.
 Aturan asosiasi yang melibatkan objek multimedia yang dapat
ditambang dalam database adalah gambar dan video. Setidaknya
tiga kategori yang dapat diamati yaitu:
• Asosiasi antara konten gambar dan fitur konten non-gambar:
Aturannya seperti ”Jika setidaknya 50% dari bagian atas gambar
berwarna biru, maka itu cenderung mewakili langit” masuk ke
kategori ini karena menghubungkan konten gambar ke kata
kunci sky.
PENAMBANGAN
• Asosiasi di antara konten gambar yang tidak terkait dengan
ASOSIASI PADA hubungan spasial: Aturannya seperti “Jika sebuah gambar berisi
dua kotak biru, kemungkinan besar gambar tersebut akan berisi
DATA MULTIMEDIA satu lingkaran merah juga ”termasuk dalam kategori ini karena
semua asosiasi terkait dengan konten gambar.
• Asosiasi di antara konten gambar yang terkait dengan hubungan
spasial: Aturan seperti "Jika segitiga merah berada di antara dua
kotak kuning, kemungkinan besar itu adalah benda besar
berbentuk oval berada di bawah ”termasuk dalam kategori ini
karena mengaitkan objek dalam gambar dengan hubungan
spasial.
 • Untuk menambang asosiasi di antara objek multimedia, kita dapat
memperlakukan setiap gambar sebagai transaksi dan menemukan pola
yang sering muncul di antara gambar yang berbeda.
"Apa perbedaan antara aturan asosiasi penambangan di database
multimediax versus di database transaksi?"
• Ada beberapa perbedaan kecil, yaitu:
1. Pertama, gambar mungkin berisi banyak objek, masing-masing dengan
banyak fitur seperti warna, bentuk, tekstur, kata kunci, dan lokasi
spasial, sehingga ada banyak kemungkinan asosiasi.
PENAMBANGAN
2. Kedua, karena gambar yang berisi beberapa objek berulang merupakan
ASOSIASI PADA DATA fitur penting dalam analisis gambar, pengulangan objek yang sama tidak
boleh diabaikan dalam analisis asosiasi. Misalnya, gambar yang berisi
dua lingkaran emas diperlakukan sangat berbeda dari gambar yang
MULTIMEDIA (2) hanya berisi satu. Ini sangat berbeda dari database transaksi, di mana
fakta bahwa seseorang membeli satu atau dua galon susu sering kali
diperlakukan sama dengan "membeli susu". Oleh karena itu, definisi
asosiasi multimedia dan ukurannya, seperti dukungan dan kepercayaan,
harus disesuaikan.
3. Ketiga, sering terdapat hubungan spasial yang penting antar objek
multimedia, seperti di atas, di bawah, di antara, di sekitar, di kiri, dan
sebagainya. Fitur-fitur ini sangat berguna untuk mengeksplorasi asosiasi
dan korelasi objek.
 • Selain gambar, sejumlah informasi audiovisual yang tidak dapat
dibandingkan tersedia dalam bentuk digital, dalam arsip digital,
di World Wide Web, dalam aliran data siaran, dan dalam
database pribadi dan profesional. Jumlah ini berkembang pesat.

AUDIO DAN VIDEO • Contoh: pencarian dan pengeditan multimedia klip video
tertentu di studio TV, mendeteksi orang atau adegan yang
DATA MINING mencurigakan dalam video pengawasan, mencari peristiwa
tertentu di penyimpanan multimedia pribadi seperti MyLifeBits,
menemukan pola dan pencilan dalam rekaman radar cuaca, dan
menemukan melodi atau nada tertentu dalam album audio MP3
yang dimiliki.
 ARSITEKTUR MULTIMEDIA DATA
MINING

1. Tahap input : terdiri dari database multimedia mana yang digunakan untuk mencari pola dan untuk melakukan proses data mining.

2. Konten Multimedia : tahap pemilihan data yang mengharuskan pengguna untuk memilih database, subset bidang atau data yang akan digunakan untuk penambangan data.

3. Segmentasi spatio-temporal tidak lain adalah objek bergerak dalam urutan gambar di video dan berguna untuk segmentasi objek.
4. Ekstraksi fitur : langkah pra-pemrosesan yang melibatkan integrasi data dari berbagai sumber dan membuat pilihan terkait karakterisasi atau pengkodean bidang data tertentu
untuk ditayangkan saat masukan ke tahap pencarian pola. Representasi pilihan seperti itu diperlukan karena pasti bidang dapat mencakup data di berbagai tingkat dan tidak
dipertimbangkan untuk menemukan tahap pola yang serupa. Dalam MDM tahap preprocessing penting karena sifat multimedia yang tidak terstruktur catatan.

5. Menemukan tahapan pola yang serupa : inti dari keseluruhan proses data mining. Itu pola dan tren tersembunyi dalam data pada dasarnya terungkap dalam tahap ini. Beberapa
pendekatan menemukan tahapan pola yang sama berisi asosiasi, klasifikasi, pengelompokan, regresi, deret waktu analisis dan visualisasi.

6. Evaluasi Hasil : proses data mining yang digunakan untuk mengevaluasi hasil dan ini penting untuk menentukan apakah tahap sebelumnya harus ditinjau kembali atau tidak.
Tahap ini terdiri dari melaporkan dan memanfaatkan pengetahuan yang diekstraksi untuk menghasilkan tindakan atau produk baru dan layanan atau strategi pemasaran.
 REFRENSI JURNAL

• Spasial data mining Teknik klasifikasi

http://journal.uinjkt.ac.id/index.php/sisteminformasi/article/download/7648/4255

• Spasial data mining teknil clustering

https://core.ac.uk/download/pdf/276633695.pdf

• Spasiala analysis with R

https://spatialanalysisonline.com/An%20Introduction%20to%20Spatial%20Data%2
0Analysis%20in%20R.pdf
ALHAMDULILLAH