Implementasi Clustering Menggunakan Algoritma K-Means dan K-Medoids pada Kerusakan Tempat Tinggal Akibat Bencana di Jawa Barat
Abstract
Bencana alam adalah rangkaian peristiwa yang mengganggu dan mengancam keselamatan serta menyebabkan kerugian materiil dan nonmateriil, terutama di Provinsi Jawa Barat. Dampak dari bencana alam tersebut menyebabkan banyak masyarakat kehilangan tempat tinggal mereka. Hal ini menimbulkan kekhawatiran masyarakat akan keamanan daerah tempat tinggal mereka. Berdasarkan permasalahan tersebut, penelitian ini menghitung cluster kerusakan tempat tinggal di Jawa Barat menggunakan algoritma K-Means dan K-Medoids Clustering untuk mengelompokkan kabupaten atau kota di Jawa Barat. Sebanyak 27 kabupaten atau kota di Provinsi Jawa Barat dikelompokkan ke dalam 2 cluster, yaitu cluster Tinggi (rawan) dan cluster Rendah (aman), berdasarkan dataset yang diperoleh dari situs web Badan Penanggulangan Bencana Daerah (BPBD) dengan jumlah data sebanyak 1.620. Hasil penelitian menunjukkan bahwa algoritma K-Means lebih optimal, dengan jumlah daerah dalam cluster Rendah (aman) sebanyak 14 dan dalam cluster Tinggi (rawan) sebanyak 13. Sementara itu, algoritma K-Medoids menghasilkan 15 daerah dalam cluster Rendah (aman) dan 12 daerah dalam cluster Tinggi (rawan). Evaluasi menggunakan silhouette coefficient menunjukkan bahwa algoritma K-Means lebih unggul dengan nilai 59% (0.59), dibandingkan dengan algoritma K-Medoids yang memiliki nilai 58% (0.58).
References
[2] H. Firdaus and A. Sofro, “Analisa cluster menggunakan K-Means dan Fuzzy C-Means dalam pengelompokan provinsi menurut data intensitas bencana alam di Indonesia tahun 2017-2021,” MATHunesa J. Ilm. Mat., vol. 10, no. 1, pp. 50–60, 2022, doi: 10.26740/mathunesa.v10n1.p50-60.
[3] I. R. Sushanti, R. Ridha, A. Yuniarman, and A. I. Hamdi, “Strategi penanggulangan kerusakan rumah tinggal pasca bencana gempa bumi di kawasan permukiman,” J. Planoearth PWK FT Univ. Muhammadiyah Mataram, vol. 2, pp. 17–24, 2020.
[4] E. Oktaviana, Clustering bencana alam di Indonesia menggunakan algoritma K-Means, 2022. [Online]. Available: http://digilib.uinsby.ac.id/55190/
[5] I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan algoritma K-Means dan K-Medoids untuk pengelompokan data transaksi bongkar muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
[6] M. Herviany, S. P. Delima, T. Nurhidayah, and Kasini, “Perbandingan algoritma K-Means dan K-Medoids untuk pengelompokkan daerah rawan tanah longsor di Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021. [Online]. Available: https://journal.irpi.or.id/index.php/malcom/article/view/60
[7] Y. C. Nai Siti Jenab and H. H. Handayani, “Penerapan algoritma K-Means pada pengelompokan daerah penderita filariasis,” J. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, pp. 37–42, 2018.
[8] F. Firzada and Y. Yuhandri, “Klasterisasi tingkat masa studi tepat waktu mahasiswa menggunakan algoritma K-Medoids,” J. Sistim Inf. dan Teknol., vol. 3, pp. 162–168, 2021, doi: 10.37034/jsisfotek.v3i3.60.
[9] D. A. I. C. Dewi and D. A. K. Pramita, “Analisis perbandingan metode Elbow dan Silhouette pada algoritma clustering K-Medoids dalam pengelompokan produksi kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.
[10] S. Nurlaela, A. Primajaya, and T. N. Padilah, “Algoritma K-Medoids untuk clustering penyakit maag di Kabupaten Karawang,” INFORMATIKA, vol. 12, no. 2, p. 56, 2020, doi: 10.36723/juri.v12i2.234.
