Clustering Daerah Bencana Alam di Indonesia Menggunakan Metode Fuzzy C-Means
Abstract
Bencana alam merupakan kejadian luar biasa yang disebabkan oleh faktor alam ataupun faktor dari ulah manusia yang berdampak pada lingkungan dan manusia itu sendiri. Indonesia menjadi salah satu negara yang menjadi rawan bencana alam seperti tanah longsor, banjir, banjir bandang, gempa bumi, tsunami, kekeringan, kebakaran, gunung meletus, puting beliung dan gelombang pasang laut, Sehingga menimbulkan kerusakan lingkungan, kerugian harta benda, dampak psikologis, dan bahkan menimbulkan korban jiwa. Dalam penelitian ini dapat mengcluster bencana alam antara aman, cukup aman, rawan dan sangat rawan, sehingga dalam penyaluran bantuan bisa tepat sasaran. Dalam melakukan pengelompokan disini banyak metode yang bisa digunakan, namun dalam penelitian ini peneliti menggunakan metode Fuzzy C-Means. Dari hasil penelitian tersebut ada 11 provinsi yang masuk pada cluster 1, 4 provinsi yang masuk pada cluster 2, 13 provinsi yang masuk pada cluster 3 dan 6 provinsi yang masuk pada cluster 4. Berdasarkan hasil clustering terdapat beberapa provinsi yang paling rawan bencana adalah provinsi Aceh, Sumatera Utara, Riau, Sumatera Selatan, Lampung, Jawa Barat, Jawa Tengah, Jawa Timur, Nusa Tenggara Timur, Sulawesi Tenggara, Sulawesi Selatan, Papua, dan Papua Barat.
References
[2] Amanda, P., & Robert, K., 2017. Pengelompokan Daerah Rawan Bencana Banjir di Indoneia Tahun 2013 Menggunakan Fuzzy C-Mean
[3] Andryanto, S. D., 2019. Penyebab Banjir Bandang. Jakarta: Tempo.com.
[4] BNPB, 2019. Tanggap Tangkas Tangguh Menghadapi Bencana., Jakarta: s.n.
[5] BPBD, 2021. Mengenal Bencana Kebakaran. bpbd.kulonprogokab.go.id. Diskominfo Kabupaten Bogor.
[6] BPS, 2022. Bencana Alam. Jakarta: sirusa.bp.go.id.
[7] Butarbutar, N., Windarto, A. P., Hartama, D. & S., 2017. Komparasi Kinerja Algoritma Fuzzy C-Means Dan K-Means Dalam Pengelompokan Data Siswa Berdasarkan Prestasi Nilai Akademik Siswa. Jurnal Riset Sistem Informasi & Teknik Informatia, Juli, 1(1), pp. 46-55.
[8] Gultom, S., Sriadhi, S., Martiano, m. & Simarmata, J., 2018. Comparison analysis of K-Means and K-Medoid with Ecluidience Distance Algorithm, Chanberry Distance, and Chebyshev Distance for Big Data Clustering. pp. 1-7.
[9] Kosub, S., 2018. Catatan tentang pertidaksamaan segitiga untuk jarak Jaccard. www.elsevier.com/locate/patrec, Desember.pp. 36-38.
[10] Khoiruddin, A., 2007. Menentukan Nilai Akhir Kuliah Dengan Fuzzy C-Means. Seminar nasional dan informatika, 238.
[11] Kustianingsih, R., 2018. Estimator Deret Fourier dalam Regresi Semiparametrik untuk Mempredekisi Angka Kriminalitas di Pamekasan. Pamekasan: Universitas Islam Madura.
[12] Masdin., 2017. Kenali Perbedaan Gelombang Pasang Surut Air Laut dan Tsunami.. Januari.
[13] Nelson, B., Agus, W., & Dedi, H., 2016. Komparasi Kinerja Algoritma Fuzzy C-Means dan K-Means Dalam Pengelompokan Data Siswa Berdasarkan Prestasi Nilai Akademik Siswa. Juli 2016, Volume 1, No. 1.
[14] Oktaviana, E., 2022. Clustering Bencana Alam di Indonesia Menggunakan Algoritma K-Means. pp. 1-42.
[15] Ramadhan, M. I. & P., 2017. Penerapan Data Mining untuk Analisi Data Bencana Milik BNPB Menggunakan Algoritma K-Means dan Linear Regression. April, 22(01), pp. 57-65.
[16] Risma, R., & Mustakim., 2017. Penerapan Algoritma Fuzzy C-Means Untuk Analisis Permasalahan Simpanan Wajib Anggota Koperasi. Volume 5, No. 2, pp. 171-176.
[17] Sadewo, M. G., Windarto, A. P. & Wanto, A., 2018. Penerapan Algoritma Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Upaya Antisipasi/MIitigasi Bencana Alam MenurutT ProvinsiI Dengan K-Means. KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), 2(1), pp. 311-319.
[18] Sasmita, R., Sofyan, H., & Subianto, M., 2011. Perbandingan Metode Fuzzy C-Means Dengan Fuzzy C-Sell Menggunakan Data Citra Satelit Quickbird. Aceh: Universitas Syiah Kuala, Darussalam, Banda Aceh.
[19] Unisdr, 2019. Lembaga Perserikatan Bangsa Bangsa (PBB) yang bergerak dalam pengurangan resiko bencana..
[20] Yulianto, T., Komariyah, S. & Ulfaniyah, N., 2017. Application of fuzzy inference system by Sugeno method on estimating of salt production. AUGUST, Volume 1867, pp. 1-8.
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish in UJMC (Unisda Journal of Mathematics and Computer Science) agree to the following terms:
1.Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License (CC BY-SA 4.0) that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
2.Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
3.Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
