UMGUMG

E-Link: Jurnal Teknik Elektro dan InformatikaE-Link: Jurnal Teknik Elektro dan Informatika

Data dari Badan Penanggulangan Bencana Daerah Kabupaten Situbondo menunjukkan bahwa banyak bencana terjadi di Kabupaten Situbondo, baik yang disebabkan oleh alam maupun non-alam. Pemerintah dapat menentukan prioritas penanggulangan bencana dengan menggunakan hasil dari pembagian wilayah berdasarkan tingkat kerawanan bencana. Dengan menetapkan prioritas, sumber daya yang terbatas dapat dialokasikan ke wilayah yang paling membutuhkan. Dengan menggunakan pemodelan clustering, proses data mining dapat menggunakan data kejadian bencana untuk mengelompokkan daerah yang rawan bencana. Tujuan dari penelitian ini adalah untuk membandingkan pemodelan clustering daerah rawan bencana menggunakan algoritma K-Means dan K-Medoids, yang didasarkan pada data kejadian bencana dari tahun 2019 hingga 2023. Penelitian ini dilakukan dengan melihat hasil cluster dari kedua algoritma ini, menggunakan dataset yang sama dan jumlah cluster yang sama, yaitu tiga cluster. Hasil penelitian menunjukkan bahwa algoritma K-Means memiliki nilai indeks Davies-Bouldin (DBI) yang lebih baik (0.853) daripada K-Medoids (1.388). Hasil ini menunjukkan bahwa algoritma K-Means lebih efektif dalam mengelompokkan daerah Kabupaten Situbondo yang rawan bencana berdasarkan data kejadian bencana.

Pengelompokan daerah rawan bencana sangat penting untuk membantu pihak berwenang dalam menentukan prioritas penanggulangan bencana, merencanakan strategi mitigasi, dan meningkatkan kesadaran masyarakat terhadap risiko bencana.Berdasarkan nilai Davies-Bouldin Index (DBI), algoritma K-Means mengungguli K-Medoids dalam klasifikasi wilayah untuk digunakan dalam pengelompokan daerah rawan bencana.Temuan ini dapat digunakan untuk memperbaiki kebijakan dan prosedur mitigasi bencana serta meningkatkan kesiapsiagaan masyarakat di daerah rawan bencana.Studi ini dapat menjadi landasan bagi penelitian selanjutnya mengenai algoritma atau metode tambahan yang dapat digabungkan sehingga dapat meningkatkan presisi dan efisiensi pengelompokan daerah rawan bencana.

Untuk penelitian lanjutan, dapat dipertimbangkan untuk menggabungkan algoritma K-Means dan K-Medoids dengan metode lain, seperti algoritma CART, untuk meningkatkan presisi dan efisiensi pengelompokan daerah rawan bencana. Selain itu, studi ini dapat menjadi dasar untuk mengembangkan model yang lebih kompleks dan akurat dalam mengidentifikasi daerah rawan bencana, dengan mempertimbangkan faktor-faktor tambahan seperti topografi, infrastruktur, dan karakteristik sosial-ekonomi masyarakat setempat. Dengan demikian, penelitian lanjutan dapat fokus pada pengembangan model yang lebih komprehensif dan efektif dalam mendukung upaya mitigasi bencana dan meningkatkan kesiapsiagaan masyarakat.

  1. Pengelompokkan Data Bencana Alam Berdasarkan Wilayah, Waktu, Jumlah Korban dan Kerusakan Fasilitas Dengan... doi.org/10.30865/mib.v4i3.2213Pengelompokkan Data Bencana Alam Berdasarkan Wilayah Waktu Jumlah Korban dan Kerusakan Fasilitas Dengan doi 10 30865 mib v4i3 2213
  2. PERBANDINGAN ALGORITMA K-MEANS DAN K-MEDOIDS UNTUK PENGELOMPOKAN HASIL PERTANIAN DI KABUPATEN CIREBON... ejournal.itn.ac.id/index.php/jati/article/view/8326PERBANDINGAN ALGORITMA K MEANS DAN K MEDOIDS UNTUK PENGELOMPOKAN HASIL PERTANIAN DI KABUPATEN CIREBON ejournal itn ac index php jati article view 8326
  3. ANALISIS CLUSTERING PRESTASI ATLET PADA BERBAGAI CABANG OLAHRAGA MENGGUNAKAN ALGORITMA K-MEANS | JATI... doi.org/10.36040/jati.v7i6.8211ANALISIS CLUSTERING PRESTASI ATLET PADA BERBAGAI CABANG OLAHRAGA MENGGUNAKAN ALGORITMA K MEANS JATI doi 10 36040 jati v7i6 8211
Read online
File size393.02 KB
Pages7
DMCAReport

Related /

ads-block-test