Deteksi awan cumulonimbus menggunakan algoritma principal component analysis

NUGRAHENY, Dwi, Drs. Agus Hardjoko, M.Sc., Ph.D

2010 | Tesis | S2 Ilmu Komputer

Dalam dunia penerbangan, awan dapat mengganggu keselamatan penerbangan, terutama jenis awan Cumulonimbus (Cb). Awan ini sangat ditakuti dalam penerbangan karena dapat mengakibatkan updraft (arus naik), downdraft (arus turun), dan windshear (perubahan kecepatan angin secara tiba-tiba). Sehingga deteksi awan Cumulonimbus (Cb) sangat diperlukan oleh staf Pengatur Lalu Lintas Udara (PLLU). Penelitian ini bertujuan untuk membangun suatu model deteksi awan Cumulonimbus (Cb) menggunakan algoritma Principal Component Analysis (PCA). PCA merupakan suatu algoritma yang dapat mengelompokkan fitur-fitur utama suatu citra. Prinsip dasar algoritma PCA adalah memproyeksikan citra ke dalam bidang ruang eigen-nya dengan cara mencari eigenvector yang dimiliki setiap citra. Model deteksi awan Cumulonimbus (Cb) menggunakan PCA ini melalui tahap ekstraksi fitur awan (training) dan deteksi (recognition). Tahap ekstraksi fitur awan membangun vektor baris citra awan sampai diperoleh eigenclouds yang kemudian digunakan sebagai pembanding pada citra awan baru yang akan dideteksi. Hasil penelitian membuktikan bahwa algoritma PCA dapat digunakan untuk menganalisa dan mendeteksi suatu citra awan relatif baik.

In the world of aviation, clouds can interfere with aviation safety, especially clouds of type Cumulonimbus (Cb) clouds. These clouds are feared in aviation because they may cause updraft (current ride), downdraft (flow down), and windshear (changes in wind speed). Detection of Cumulonimbus (Cb) clouds is needed by the staff of the Air Traffic Controller (ATC). This research aims at building a modelling system that can detect Cumulonimbus (Cb) clouds using the Principal Component Analysis (PCA) algorithm. PCA is an algorithm that can classify the principle features of an image. The basic principle of the PCA algorithm is to project an image into the field of its eigen space by finding the eigenvector of the image. Cloud imagery using PCA the cloud feature extraction phase (training) and detection (recognition) phase. In the cloud feature extraction phase, a row vector of the image is build to obtain its eigencloud. The eigencloud is then used as a comparison to new cloud images in the detection phase. The results show that the PCA algorithm can be used to analyze and detect cloud images.

Kata Kunci : Principal component analysis (PCA),Cumulonimbus (Cb),Eigenvector,Eigenclouds