Pengembangan Model Pengelompokan Jenis Bencana Alam di Jawa Baratmenggunakan Algoritma K-Means

Panji Adi Putra; Martanto; Arif Rinaldi Dikananda; Dede Rohman

doi:10.31294/bianglala.v13i1.11998

Authors

Panji Adi Putra STMIK IKMI Cirebon
Martanto STMIK IKMI Cirebon
Arif Rinaldi Dikananda STMIK IKMI Cirebon
Dede Rohman STMIK IKMI Cirebon

DOI:

https://doi.org/10.31294/bianglala.v13i1.11998

Keywords:

K-Means, bencana alam, agregasi, pengurangan bencana, Jawa Barat

Abstract

Salah satu masalah terbesar yang dihadapi masyarakat Jawa Barat adalah bencana alam.
Analisis berbasis data diperlukan untuk memahami pola kejadian bencana dan mendukung kebijakan
mitigasi yang efektif karena berbagai jenis bencana. Untuk menganalisis data kejadian bencana di
Jawa Barat selama periode 2020–2023, penelitian ini menggunakan pendekatan Knowledge
Discovery in Databases (KDD).Tahapan KDD meliputi pembuatan dataset, preprocessing untuk
normalisasi dan penanganan data hilang, serta transformasi guna menentukan atribut utama.
Algoritma K-Means digunakan dalam proses data mining untuk mengelompokkan wilayah
berdasarkan jenis bencana dan intensitasnya. Tahap terakhir adalah interpretasi hasil, yang bertujuan
untuk memahami pola distribusi bencana. Hasil klasterisasi menghasilkan lima kluster utama. Cluster
0 menunjukkan dominasi kejadian banjir dan kebakaran lahan, sering ditemukan di dataran rendah
dengan karakteristik lingkungan yang rawan pembakaran liar. Cluster 1 didominasi oleh kejadian
tanah longsor di wilayah perbukitan yang curah hujannya tinggi. Cluster 2 mencerminkan kombinasi
kejadian hujan angin dan kekeringan di daerah pedesaan dengan sumber daya air terbatas. Cluster 3
menunjukkan kejadian bencana dengan frekuensi rendah dan distribusi yang merata, seringkali terkait
dengan daerah urban. Sementara itu, Cluster 4 memiliki tingkat heterogenitas tertinggi, mencakup
berbagai jenis bencana dengan intensitas bervariasi di wilayah pegunungan dan lembah. Kualitas
klasterisasi diukur menggunakan Davies-Bouldin Index (DBI) sebesar 0.085, mengindikasikan
pemisahan kluster yang baik. Selain itu, analisis Performance Vector menunjukkan jarak total antarkluster sebesar 2.311, dengan jarak terbesar pada Cluster 4 (4.672). penelitian ini diharapkan dapat
membantu dalam perencanaan dan alokasi sumber daya yang lebih tepat sasaran untuk mitigasi
bencana.

References

Agustina, M., & Mulyawan. (2023).

Implementasi Algoritma K-Means pada

Peristiwa Gempa Bumi di Wilayah Jawa

Barat. Jurnal Wahana Informatika (JWI),

2(2), 257–264.

Baldah, A., Duarisah, A. V., & Maulana, R. A.

(2023). Clustering Daerah Rawan

Bencana Alam Di Indonesia Berdasarkan

Provinsi Dengan Metode K-Means. Jurnal

Ilmiah Informatika Global, 14(2), 31–36.

https://doi.org/10.36982/jiig.v14i2.3186

Halik, M. F. Al, & Septiana, L. (2022). Analisa

Data Untuk Prediksi Daerah Rawan

Bencana Alam Di Jawa Barat

Menggunakan Algoritma K-Means

Clustering. Journal of Information System,

Applied, Management, Accounting and

Research, 6(4), 856–870.

https://doi.org/10.52362/jisamar.v6i4.939

Hermanto, T. I., Muhyidin, Y., Tinggi, S.,

Wastukancana, T., Cikopak, J., 53, N., &

Barat, J. (2021). Analisis Sebaran Titik

Rawan Bencana dengan K-Means

Clustering dalam Penanganan Bencana.

Jurnal Sains Komputer & Informatika (JSAKTI, 5Hermanto,(1), 406.

Kusnadi, Y., & Putri, M. S. (2021). Clustering

Menggunakan Metode K-Means Untuk

Menentukan Prioritas Penerima Bantuan

Bedah Rumah (Studi Kasus : Desa

Ciomas Bogor). Jurnal Teknologi

Informatika Dan Komputer, 7(1), 17–24.

https://doi.org/10.37012/jtik.v7i1.498

Maulana, A., Danar Dana, R., & Dienwati Nuris,

N. (2024). Implementasi Algoritma KMeans Clustering Dalam Pengelompokan

Data Kerusakan Rumah Akibat Bencana

Alam Di Kabupaten Cirebon. JATI (Jurnal

Mahasiswa Teknik Informatika), 8(2),

1417–1424.

https://doi.org/10.36040/jati.v8i2.9024

Pratama, Y., Hendrawan, H., Rasywir, E.,

Carenina, B. T., & Anggraini, D. R. (2022).

Penerapan Algoritma K-Means clustering

Untuk Mengelompokkan Provinsi

Berdasarkan Banyaknya Desa/Kelurahan

Dengan Upaya Antisipasi/Mitigasi

Bencana Alam. Building of Informatics,

Technology and Science (BITS), 4(3),

1232–1240.

https://doi.org/10.47065/bits.v4i3.2549

Ramadhani, D. I., Damayanti, O., Thaushiyah,

O., & Kadafi, A. R. (2022). Penerapan

Metode K-Means Untuk Clustering Desa

Rawan Bencana Berdasarkan Data

Kejadian Terjadinya Bencana Alam.

JURIKOM (Jurnal Riset Komputer), 9(3),

749.

https://doi.org/10.30865/jurikom.v9i3.4326

Reviantika, F., Harahap, C. N., & Azhar, Y.

(2020). Analisis Gempa Bumi Pada Pulau

Jawa Menggunakan Clustering Algoritma

K-Means Analysis Earthquake in Java

Island Using Clustering K-Means

Algorithm. Jurnal Dinamika Informatika,

9(1), 51–60. https://twitter.com/infobmkg

Rosaliyah, I., & Nurhakim, B. (2023). Clustering

Kejadian Bencana Alam di Jawa Barat

Berdasarkan Jenis Bencana

Menggunakan K-Means. E-Link: Jurnal

Teknik Elektro Dan Informatika, 18(1), 10.

https://doi.org/10.30587/e-link.v18i1.5318