BSIBSI

Bianglala InformatikaBianglala Informatika

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 antar-kluster 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.

Penelitian ini membuktikan bahwa algoritma K-Means efektif untuk mengelompokkan wilayah di Jawa Barat berdasarkan jenis dan intensitas bencana alam.Analisis data dari tahun 2020 hingga 2023 menghasilkan lima cluster dengan distribusi bencana yang bervariasi.Berdasarkan perhitungan menggunakan Performance Vector, total jarak antar-kluster adalah 2.311, yang mencerminkan jarak yang relevan antara data yang dikelompokkan.

Berdasarkan hasil penelitian ini, beberapa saran penelitian lanjutan dapat dipertimbangkan. Pertama, penelitian lebih lanjut dapat dilakukan dengan mengintegrasikan data historis bencana yang lebih panjang, misalnya data selama 10 atau 20 tahun terakhir, untuk mendapatkan pemahaman yang lebih komprehensif tentang tren dan pola bencana di Jawa Barat. Kedua, penelitian dapat diperluas dengan memasukkan faktor-faktor sosial-ekonomi dan demografis, seperti kepadatan penduduk, tingkat kemiskinan, dan akses terhadap infrastruktur, untuk mengidentifikasi wilayah-wilayah yang paling rentan terhadap bencana dan memerlukan perhatian khusus. Ketiga, pengembangan sistem peringatan dini bencana yang terintegrasi dengan model klasterisasi ini dapat dilakukan, sehingga informasi tentang potensi bencana dapat disampaikan kepada masyarakat secara lebih tepat sasaran dan tepat waktu, meningkatkan kesiapsiagaan dan mengurangi risiko kerugian akibat bencana.

  1. Clustering Daerah Rawan Bencana Alam Di Indonesia Berdasarkan Provinsi Dengan Metode K-Means | Jurnal... doi.org/10.36982/jiig.v14i2.3186Clustering Daerah Rawan Bencana Alam Di Indonesia Berdasarkan Provinsi Dengan Metode K Means Jurnal doi 10 36982 jiig v14i2 3186
  2. Penerapan Metode K-Means Untuk Clustering Desa Rawan Bencana Berdasarkan Data Kejadian Terjadinya Bencana... ejurnal.stmik-budidarma.ac.id/index.php/jurikom/article/view/4326Penerapan Metode K Means Untuk Clustering Desa Rawan Bencana Berdasarkan Data Kejadian Terjadinya Bencana ejurnal stmik budidarma ac index php jurikom article view 4326
  3. Penerapan Algoritma K-Means clustering Untuk Mengelompokkan Provinsi Berdasarkan Banyaknya Desa/Kelurahan... ejurnal.seminar-id.com/index.php/bits/article/view/2549Penerapan Algoritma K Means clustering Untuk Mengelompokkan Provinsi Berdasarkan Banyaknya Desa Kelurahan ejurnal seminar id index php bits article view 2549
Read online
File size811.58 KB
Pages9
DMCAReport

Related /

ads-block-test