Implementasi Algoritma K-Means Clustering Untuk Tingkat Rawan Bencana Di Wilayah Kabupaten Bandung

Authors

  • Tiara Nurhaliza Anggraeni Universitas Adhirajasa Reswara Sanjaya Author
  • Ignatius Wiseto Prasetyo Agung Universitas Adhirajasa Reswara Sanjaya Author
  • Rizal Rachman Universitas Adhirajasa Reswara Sanjaya Author

Keywords:

K-Means, Clustering, Data Mining, RapidMiner, Bencana

Abstract

Bencana alam adalah kejadian yang secara signifikan mempengaruhi populasi manusia. Tanah longsor, gempa bumi, banjir, kebakaran, kekeringan dan bencana alam lainnya sering terjadi di Provinsi Jawa Barat. Salah satu wilayah di Jawa Barat dengan risiko bencana tertinggi adalah Kabupaten Bandung. Saat ini, terdapat beberapa metode pengembangan untuk menganalisa data bencana alam termasuk menggunakan keahlian teknologi informasi. Data Mining adalah metode populer untuk menganalisis data bencana. Penelitian ini bertujuan ntuk mengelompokan  wilayah yang rentan terhadap bencana alam di 31 kecamatan di Kabupaten Bandung ke dalam dua kelompok, yaitu kelompok berisiko rendah dan kelompok berisiko tinggi, berdasarkan tingkat kerentanan bencananya. Perhitungan K-Means Clustering secara manual serta menggunakan aplikasi RapidMiner menghasilkan kelompok rentan bencana rendah (C1) yang terdiri dari 28 kecamatan, sedangkan kelompok rentan bencana tinggi (C2) terdiri dari 3 kecamatan. Nilai DBI (K=2) sebesar 0,702 adalah nilai yang optimal untuk pembentukan kelompok dari K=2 hingga K=5. Hal ini menunjukkan bahwa pembentukan dua kelompok cukup baik karena nilai DBI mendekati nol. Diharapkan temuan penelitian ini dapat membantu pemerintah dalam menetapkan prioritas pengelolaan dan mitigasi bencana. Untuk mengurangi risiko dan biaya di masa depan.

References

[1] T. Qodrifuddin et al., “Peningkatan Pemahaman Masyarakat terhadap Bahaya dan Dampak Bencana Alam Serta Penanggulangannya,” J. Pengabdi. Magister Pendidik. IPA, vol. 5, no. 1, pp. 173–177, 2022, doi: 10.29303/jpmpi.v5i1.1400.

[2] A. Adi et al., IRBI Indeks Risiko Bencana Indonesia Tahun 2023, vol. 02. 2024. [Online]. Available: https://inarisk.bnpb.go.id/IRBI-2023/mobile/index.html

[3] I. Rinjani, S. Anwar, and R. Herdiana, “Pengelompokan Daerah Bencana Alam Menggunakan Algoritma K-Means Clustering,” J. Ilm. Sist. Inf. DAN ILMU Komput., vol. 3, no. 1, pp. 35–51, 2023, doi: 10.55606/juisik.v3i1.417.

[4] A. Ardiansyah, F. I. Budi, Z. Hiya, R. Fadillah, and I. Ibnu, “Analisa Kerawanan Banjir Kabupaten Bandung Dengan Software ARGIS,” Konstr. Publ. Ilmu Tek. Perenc. Tata Ruang dan Tek. Sipil, vol. 2, no. 2, pp. 198–210, 2024, doi:

10.61132/konstruksi.v2i2.273.

[5] L. H. Baihaqi and A. Kurniadi, “Implementasi Kebijakan Pengurangan Risiko Bencana Banjir Pemerintah Kabupaten Bandung Dalam Rangka Mendukung Ketahanan Wilayah,” J. PAPATUNG, vol. 6, no. 2, pp. 35–49, 2023, doi: doi.org/10.54783/japp.v6i2.874.

[6] S. P. Valentina, “Evaluasi Pelaksanaan Kesiapsiagaan Bencana Banjir Di Kabupaten Bandung Provinsi Jawa Barat,” Sustain., vol. 11, no. 1, pp. 1–14, 2020, [Online]. Available:

http://eprints.ipdn.ac.id/17075/1/Evaluasi Pelaksanaan Kesiapsiagaan Bencana Banjir di Kabupaten Bandung Provinsi Jawa Barat.pdf

[7] M. F. Al Halik and L. Septiana, “Analisa Data Untuk Prediksi Daerah Rawan Bencana Alam Di Jawa Barat Menggunakan Algoritma K-Means Clustering,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 6, no. 4, pp. 856–870, 2022, [Online]. Available: https://journal.stmikjayakarta.ac.id/index.php/jisamar/article/view/939

[8] P. Rahayu et al., Buku Ajar Data Mining, vol. 1. PT. Sonpedia Publishing Indonesia, 2024. [Online]. Available:

https://www.researchgate.net/publication/377415198_BUKU_AJAR_DATA_MINING

[9] F. Khoirunnisa and Y. Rahmawati, “Komparasi 2 Metode Cluster Dalam Pengelompokan Intensitas Bencana Alam Di Indonesia,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, pp. 68–79, 2024, doi: 10.23960/jitet.v12i1.3619.

[10] D. Rohman, R. Annisa, D. Indriyana Efendi, and D. Solahudin, “Clustering Bencana Alam Menggunakan K-Means Pada Wilayah Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 493–500, 2024, doi: 10.36040/jati.v8i1.8409.

[11] BPBD, “Jumlah kasus bencana yang terjadi,” 20 Februari. [Online]. Available: https://satudata.bandungkab.go.id/dataset/jumlah-kasus-bencana-yang-terjadi

[12] M. Herviany, S. Putri Delima, T. Nurhidayah, and K. Kasini, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 1, no. 1, pp. 34–40, 2021, doi: 10.57152/malcom.v1i1.60.

[13] I. F. Rozi, M. A. Hendrawan, and T. A. Rifda, “Tingkat Kerawanan Desa Berdasarkan Dampak Bencana Kab . Bojonegoro Dengan Metode Clustering Algoritma K-Means,” MULTINETICS (jurnal Multimed. Netw. informatics), vol. 10, no. 2, pp. 147–155, 2024, doi: 10.32722/multinetics.v10i2.6686.

[14] A. A. Putrie and R. Sanjaya, “Pengelompokan Kabupaten/Kota Berdasarkan Indikator Tingkat Pengangguran Menggunakan Algoritma K-Means Clustering (Studi Kasus: Provinsi Jawa Barat),” eProsiding Sist. Inf., vol. 2, no. 2, pp. 111–121, 2021, [Online]. Available: https://eprosiding.ars.ac.id/index.php/psi/article/view/595

[15] D. N. Sari, Bambang, and B. Agus, “Mengidentifikasi Resiko Banjir Di Kabupaten Cirebon Dalam Menghadapi Curah Hujan Yang Ekstrem Menggunakan Algoritma K-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 2982–2987, 2024, doi: 10.36040/jati.v8i3.9610.

[16] E. Tasia and M. Afdal, “Perbandingan Algoritma K-Means Dan K-Medoids Untuk Clustering Daerah Rawan Banjir Di Kabupaten Rokan Hilir,” Indones. J. Inform. Res. Softw. Eng., vol. 3, no. 1, pp. 65–73, 2023, doi: 10.57152/ijirse.v3i1.523.

[17] B. G. Sudarsono, M. I. Leo, A. Santoso, and F. Hendrawan, “Analisis Data Mining Data Netflix Menggunakan Aplikasi Rapid Miner,” JBASE - J. Bus. Audit Inf. Syst., vol. 4, no. 1, pp. 13–21, 2021, doi: 10.30813/jbase.v4i1.2729.

[18] N. Dwitiyanti, S. Ayu Kumala, and S. Dwi Handayani, “Penerapan Metode K-Means Pada Klasterisasi Wilayah Rawan Gempa Di Indonesia Implementation Of K-Means Method In Classterization Of Earthquake Prone Areas In Indonesia,” Pros. Semin. Nas. UNIMUS, vol. 6, pp. 1029–1037, 2023.

Downloads

Published

2026-06-30

Issue

Vol. 7 No. 1 (2026): eProsiding Sistem Informasi (POTENSI) 2026

Section

Artikel

License

All articles published in the eProsiding Sistem Informasi (POTENSI) are licensed under the provisions of the Study Program. Under this license, authors retain the copyright to their works, while others are permitted to copy, distribute, display, and create derivative works from the published articles, whether for commercial or non-commercial purposes, provided that proper acknowledgment is given to the original author and the eProsiding Sistem Informasi (POTENSI) as the source of publication.

Any derivative works must be distributed under the same license. This license supports the open access principle to promote the free and responsible dissemination of scientific knowledge.