Analisa Data Untuk Prediksi Daerah Rawan Bencana Alam Di Jawa Barat Menggunakan Algoritma K-Means Clustering
Abstract
Bencana alam adalah suatu peristiwa yang mengakibatkan dampak dan pengaruh besar bagi populasi manusia. Jawa Barat merupakan provinsi yang memiliki kejadian bencana alam cukup banyak, diantaranya bencana alam tanah longsor, gempa bumi, banjir, angin puting beliung, kebakaran, dan sebagainya. Saat ini pengetahuan teknologi dan informasi berkembang sangat pesat. Canggihnya teknologi membuat setiap orang mampu mengakses dan mendapat informasi tanpa batasan. Hal ini membuat informasi sangat dibutuhkan di setiap lini kehidupan. Salah satunya ialah informasi tentang bencana alam, dimana informasi tentang bencana alam di butuhkan untuk penanggulangan bencana. Data mining merupakan teknik yang umum dilakukan untuk pengolahan data bencana alam, sebab teknik tersebut dianggap mampu menjadi sebuah solusi atas permasalahan penanggulangan bencana alam. Oleh karena itu, dalam penelitian ini membahas tentang pengelompokan data bencana alam untuk prediksi daerah rawan bencana alam di Jawa Barat dengan teknik data mining menggunakan algoritma k-means clustering. Hasil penelitian didapatkan 3 cluster diantaranya cluster rendah, cluster sedang, dan cluster tinggi.
Downloads
References
[2] M. Iqbal Ramadhan, “PENERAPAN DATA MINING UNTUK ANALISIS DATA BENCANA MILIK BNPB MENGGUNAKAN ALGORITMA K-MEANS DAN LINEAR REGRESSION,” 2017.
[3] M. B. Santoso, A. Buchari, dan I. Darmawan, “MEKANISME MASYARAKAT LOKAL DALAM MENGENALI BENCANA DI KABUPATEN GARUT,” Share : Social Work Journal, vol. 8, no. 2, hlm. 142, Jan 2019, doi: 10.24198/share.v8i2.18885.
[4] J. Oktaviani, S. Sari, D. Taufan, dan H. Akbar, “MEKANISME PENANGGULANGAN BENCANA ALAM OLEH PALANG MERAH INDONESIA (PMI) KABUPATEN BANDUNG,” 2019.
[5] A. Nur Khomarudin, “Teknik Data Mining : Algoritma K-Means Clustering,” 2018. [Daring]. Available: https://agusnkhom.wordpress.com
[6] Anjar Wanto dan dkk, Data Mining : Algoritma dan Implementasi, 1 ed. Medan: Yayasan Kita Menulis, 2020.
[7] M. Murdiaty, A. Angela, dan C. Sylvia, “Pengelompokkan Data Bencana Alam Berdasarkan Wilayah, Waktu, Jumlah Korban dan Kerusakan Fasilitas Dengan Algoritma K-Means,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 3, hlm. 744, Jul 2020, doi: 10.30865/mib.v4i3.2213.
[8] F. N. Dhewayani dkk., “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” Jurnal Teknologi dan Informasi, vol. 12, no. 1, Mar 2022, doi: 10.34010/jati.v12i1.
[9] Halilintar R dan Farina Nur I, “Penerapan Algoritma K-Means Clustering Untuk Prediksi Prestasi Nilai Akademik Mahasiswa,” Jurnal Sains dan Informatika, vol. 4, no. 2, 2018.
[10] K. Fatmawati dan A. P. Windarto, “DATA MINING: PENERAPAN RAPIDMINER DENGAN K-MEANS CLUSTER PADA DAERAH TERJANGKIT DEMAM BERDARAH DENGUE (DBD) BERDASARKAN PROVINSI,” 2018. [Daring]. Available: https://www.depkes.go.id/.
[11] Alfasaleh, “K Means Clustering : Contoh Sederhana Penerapan Algoritma K-Means Clustering,” 2019. https://www.alfasoleh.com/2019/11/k-means-clustering-contoh-sederhana.html (diakses Jul 04, 2022).
[12] S. Ag. , M. Pd. I. Iwan Hermawan, METODOLOGI PENELITIAN PENDIDIKAN KUANTITATIF, KUALITATIF DAN MIXED METHODE, 1 ed. Kuningan: Hidayatul Quran Kuningan, 2019.

This work is licensed under a Creative Commons Attribution 4.0 International License.