Perbandingan Algoritma K-Means dan K-Medoids untuk Klasterisasi Daerah Rawan Bencana Alam di Kabupaten Jember
Tahun 2025 · Penulis: Anisya Nur Rizky Farida
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Kabupaten Jember terletak di kawasan tapal kuda di bagian timur provinsi Jawa Timur yang tercatat sebagai daerah dengan frekuensi bencana alam tertinggi selama lima tahun berturut-turut dengan 86 kejadian pada tahun 2023 meliputi kekeringan, tanah longsor, abrasi, angin puting beliung, dan banjir. Pemerintah Kabupaten Jember memerlukan informasi terkait pengelompokkan daerah rawan bencana untuk mitigasi bencana. Pengelompokkan daerah rawan bencana dapat menggunakan metode klasterisasi. Klasterisasi merupakan proses mengelompokan sekumpulan objek dalam kategori tertentu berdasarkan kesamaan karakteristik data. Algoritma klasterisasi yang digunakan yaitu K-Means dan K-Medoids yang bertujuan untuk mendapatkan hasil klasterisasi daerah rawan bencana dan memperoleh hasil perbandingan algoritma berdasarkan nilai Davies-Bouldin Index (DBI) . Data yang digunakan mencakup berbagai indikator rawan bencana, yaitu jumlah kejadian bencana, korban meninggal, korban luka, korban hilang, kerusakan rumah, kerusakan fasilitas umum, dan kepadatan penduduk. Langkah yang dilakukan dalam penelitian ini yaitu pre-processing data meliputi data cleaning dan normalisasi data menggunakan min-max scaling untuk menyamakan skala data. Kemudian, dilanjutkan dengan penerapan algoritma K-Means dan K-Medoids untuk pembentukan cluster nilai k yang digunakan yaitu 𝑘 = 2, 𝑘 = 3, 𝑘 = 4, 𝑘 = 5, 𝑘 = 6, 𝑘 = 7, dan 𝑘 = 8. Kualitas cluster akan dievaluasi untuk menentukan algoritma terbaik berdasarkan nilai DBI terkecil. Berdasarkan hasil analisis setiap percobaan cluster menghasilkan nilai DBI yang berbeda. Algoritma K-Means mendapatkan nilai DBI terkecil pada cluster 𝑘 = 5 bernilai 0,7847, sedangkan K-Medoids mendapatkan nilai DBI terkecil pada cluster 𝑘 = 8 bernilai 1,1631. Hasil klasterisasi algoritma paling optimal yaitu K-Means terbagi menjadi 5 cluster yaitu K-Means diperoleh cluster 1 (tingkat kerawanan bencana sedang) yaitu Semboro dan Sumberbaru. Cluster 2 (tingkat kerawanan bencana rendah) yaitu Balung dan Silo. Cluster 3 (tingkat kerawanan bencana sangat tinggi) yaitu Ajung. Cluster 4 (tingkat kerawanan bencana tinggi) yaitu, Wuluhan, Ambulu, Sumbersari, Sukowono, Puger, Kalisat, Patrang, Kaliwates, Bangsalsari. Cluster 5 (tingkat kerawanan bencana sangat rendah) yaitu, Rambipuji, Ledokombo, Panti, Mumbulsari, Kencong, Jenggawah, Pakusari, Tempurejo, Jelbuk, Umbulsari, Jombang, Tanggul, Sumberjambe, Gumukmas, Arjasa, Mayang, Sukorambi.
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,795
Tahun 2026 · Penulis: Biki Ramadhani
Pemetaan Wilayah Rawan Bencana Banjir Menggunakan Citra Landsat-9 Berbantuan Media Webgis Inarisk di Kecamatan Kalibaru
Provinsi Jawa Timur memiliki ragam bencana yang kompleks di beberapa kecamatan. Tingginya intensitas air hujan dan adanya masalah pada sistem drainase yang juga terdapat tumpukan sampah menyebabkan meluapnya air hingga terjadi bencana banjir di beberapa kecama
- Cosine 0,758
Tahun 2026 · Penulis: Putri Renata Dewanggana
Strategi Penanganan Banjir Berbasis Pemodelan Spasial di Kecamatan Klojen, Kota Malang
Banjir menjadi salah satu ancaman hidrometeorologi yang terus berulang di Kecamatan Klojen, Kota Malang. Hal ini disebabkan oleh karakteristik fisik wilayah, perubahan tutupan lahan dan minimnya kapasitas drainase perkotaan. Genangan yang terjadi secara berula
- Cosine 0,750
Tahun 2026 · Penulis: Miftachul Dwi Istiyana
Pemetaan Zona Aman dan Potensial Relokasi Pemukiman Sebagai Upaya Mitigasi Bencana Tanah Longsor
Desa Suci yang berada di Kecamatan Panti, Kabupaten Jember, merupakan wilayah berisiko tinggi terjadinya tanah longsor akibat kemiringan lereng yang melebihi 45% dan tingginya intensitas curah hujan. Penelitian ini bertujuan untuk mengidentifikasi kondisi kera