ANALISIS KLASTER WILAYAH RAWAN BENCANA DI KOTA AMBON MENGGUNAKAN K-MEDOIDS BERBASIS DATA GEOSPASIAL BNPB

Bilah Samping Artikel

PDF
Diterbitkan: Apr 15, 2025
Kata Kunci:
K-Medoids, Data Geospasial, BNPB, Klasterisasi, Kerawanan Bencana

Isi Artikel Utama

Sanusi Amir
Institut teknologi dan bisnis stikom ambon

Abstrak

Kota Ambon merupakan salah satu wilayah di Indonesia Timur yang memiliki tingkat kerawanan bencana yang tinggi, meliputi banjir, tanah longsor, gempa bumi, dan gelombang pasang/abrasi. Pengelolaan risiko bencana yang efektif memerlukan pemetaan wilayah rawan bencana secara sistematis dan berbasis data. Penelitian ini bertujuan untuk menganalisis klaster wilayah rawan bencana di Kota Ambon menggunakan algoritma K-Medoids yang diintegrasikan dengan data geospasial dari Badan Nasional Penanggulangan Bencana (BNPB) periode 2020–2024. Kebaruan penelitian ini terletak pada penerapan algoritma K-Medoids berbasis data geospasial multivariat BNPB yang dikombinasikan dengan validasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI) secara simultan untuk klasifikasi tingkat kerawanan bencana di tingkat kecamatan di Kota Ambon, sebuah pendekatan yang belum pernah diterapkan secara spesifik pada wilayah Kota Ambon sebelumnya. Data yang digunakan mencakup enam variabel kebencanaan: frekuensi kejadian bencana, jumlah korban jiwa, jumlah rumah rusak, luas area terdampak, intensitas curah hujan, dan indeks bahaya geologi. Proses klasterisasi menghasilkan tiga klaster optimal (k=3) dengan nilai Silhouette Coefficient sebesar 0,672 dan DBI sebesar 0,841, yang menunjukkan kualitas klaster yang baik. Hasil analisis mengidentifikasi Klaster I (Kerawanan Tinggi) mencakup Kecamatan Nusaniwe dan Sirimau, Klaster II (Kerawanan Sedang) mencakup Kecamatan Teluk Ambon Baguala dan Baguala, serta Klaster III (Kerawanan Rendah) mencakup Kecamatan Leitimur Selatan dan Teluk Ambon. Visualisasi geospasial hasil klasterisasi menghasilkan peta sebaran kerawanan bencana yang dapat dimanfaatkan sebagai acuan perencanaan mitigasi bencana berbasis kecamatan di Kota Ambon.

Rincian Artikel

Cara Mengutip
Amir, S. . (2025). ANALISIS KLASTER WILAYAH RAWAN BENCANA DI KOTA AMBON MENGGUNAKAN K-MEDOIDS BERBASIS DATA GEOSPASIAL BNPB. Jurnal Ilmu Komputer STIKOM Ambon, 10(1). Diambil dari https://www.jurnal.itbstikomambon.com/index.php/jikomstik/article/view/146
Terbitan
Vol 10 No 1 (2025): Vol 10 No 1 (2025): JIKOMSTIK
Bagian
Artikel

Referensi

BNPB, 2018 Kompilasi Data Jumlah dan Dampak Kejadian Bencana di Indonesia," Portal Satu Data Bencana Indonesia, Badan Nasional Penanggulangan Bencana, 2024. [Online]. Tersedia: https://data.bnpb.go.id/dataset/data-bencana-indonesia.

BNPB, "Geoportal Data Bencana Indonesia – GIS BNPB," Badan Nasional Penanggulangan Bencana, 2024. [Online]. Tersedia: https://gis.bnpb.go.id/.

J. Inayah, A. Fanani, dan W. D. Utami, "Klasterisasi Data Kejadian Gempa Bumi di Indonesia Menggunakan Metode K-Medoids," JUSTIN (Jurnal Sistem dan Teknologi Informasi), vol. 12, no. 2, hal. 271–276, Apr. 2024.DOI: https://doi.org/10.26418/justin.v12i2.73594.

D. A. Wicaksono dan Y. A. Susetyo, "Clustering Zonasi Daerah Rawan Bencana Alam di Provinsi Sumatera Barat Menggunakan Algoritma K-Means dan Library GeoPandas," Jurnal Indonesia: Manajemen Informatika dan Komunikasi, vol. 4, no. 2, hal. 426–438, Mei 2023.DOI: https://doi.org/10.35870/jimik.v4i2.225.

M. Firman, A. Halik, dan L. Septiana, "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, vol. 6, no. 4, hal. 856–870, 2022. DOI: 10.52362/jisamar.v6i4.939.

D. Kurmiati, M. Z. Fauzi, dan A. Falegas, "Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids," MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 2, hal. 136–160, 2024.

T. Rahmawati, Y. Wilandari, dan P. Kartikasari, "Analisis Perbandingan Silhouette Coefficient dan Metode Elbow pada Pengelompokkan Provinsi di Indonesia Berdasarkan Indikator IPM dengan K-Medoids," Jurnal Gaussian, vol. 13, no. 1, hal. 13–24, Agu. 2024. DOI: https://doi.org/10.14710/j.gauss.13.1.13-24.

H. Henderi, L. Fitriana, I. Iskandar, R. Astuti, M. I. Arifandy, B. H. Hayadi, M. Mesran, J. Chin, dan A. Kurniawan, "Optimization of Davies-Bouldin Index with K-Medoids Algorithm," dalam AIP Conference Proceedings, vol. 3065, no. 1, hal. 030002, 2024. DOI: https://doi.org/10.1063/5.0225682.

F. Ashari, E. D. Nugroho, R. Baraku, I. N. Yanda, dan R. Liwardana, "Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta," Journal of Applied Informatics and Computing (JAIC), vol. 7, no. 1, hal. 95–103, Jul. 2023.DOI: https://doi.org/10.30871/jaic.v7i1.4968.

F. Khoirunnisa dan Y. Rahmawati, "Komparasi 2 Metode Cluster dalam Pengelompokan Intensitas Bencana Alam di Indonesia," Jurnal Informatika dan Teknik Elektro Terapan (JITET), vol. 12, no. 1, 2024.

Dwi Mauluda, A. K. Kuncoro, dan S. Aningsih, "Analisis Pengelompokan Gempa Bumi di Sumatra Indonesia Menggunakan Metode K-Means, DBSCAN, Agglomerative Clustering, dan Mean Shift," Journal of Online Physics (JoP), vol. 10, no. 3, hal. 75–86, Jul. 2025. DOI: https://doi.org/10.22437/jop.v10i3.44090.

N. Hasdyna dan R. K. Dinata, "Comparative Analysis of K-Medoids and Purity K-Medoids Methods for Identifying Accident-Prone Areas in North Aceh Regency," Scientific Journal of Informatics, vol. 11, no. 2, hal. 263–272, 2024. DOI: https://doi.org/10.15294/sji.v11i2.3433.

Salamah, D. Abdullah, dan Nurdin, "Comparative Analysis of K-Means and K-Medoids to Determine Study Programs," International Journal of Engineering, Science and Information Technology (IJESTY), vol. 5, no.1,2024.DOI: https://doi.org/10.52088/ijesty.v5i1.673.

M. M. Madbouly, S. M. Darwish, N. A. Bagi, dan M. A. Osman, "Clustering Big Data Based on Distributed Fuzzy K-Medoids: An Application to Geospatial Informatics," IEEE Access, vol. 10, hal. 20926–20946, Feb. 2022. DOI: https://doi.org/10.1109/ACCESS.2022.3149548

P. Jarupunphol, S. Kuptabut, dan W. Sudjarid, "Evaluating K-Means and K-Medoids Clustering for Household Poverty Analysis Using Random Forests," Multidisciplinary Science Journal, vol. 7, no. 11, hal. 2025557, 2025. DOI: https://doi.org/10.31893/multiscience.2025557.

H. F. Heraldi, N. C. Aprilia, dan H. Pratiwi, "Analisis Cluster Intensitas Kebencanaan di Indonesia Menggunakan Metode K-Means," Indonesian Journal of Applied Statistics, vol. 2, no.2,hal.137–144,2019.DOI: https://doi.org/10.13057/ijas.v2i2.34911.

J. Sreevalsan-Nair, "K-Medoids," dalam Encyclopedia of Mathematical Geosciences, B. S. Daya Sagar, Q. Cheng, J. McKinley, dan F. Agterberg, Eds. Cham: Springer, 2023, hal. 1–4. DOI: https://doi.org/10.1007/978-3-030-85040-1_172.

Yuniarto dan D. A. Nawangnugraeni, "Literature Review of Earthquake Clustering Algorithms in Indonesia," Journal of Artificial Intelligence and Engineering Applications (JAIEA), vol. 4, no. 3, hal.1999–2003,2025.DOI: https://doi.org/10.59934/jaiea.v4i3.1072.