ANALISA DAVIES BOULDIN INDEX (DBI) DALAM PENGELOMPOKAN DAERAH RAWAN LONGSOR

MARIA ULFAH, Andi Sri Irtawaty, Danar Retno Sari, Zulkifli Zulkifli, Yudi Kurniawan

Abstract


Bencana alam dapat mengancam seluruh wilayah di Indonesia baik di daratan, pegunungan, maupun pesisir. Bencana alam berpotensi merusak lingkungan, merugikan harta benda, dan menimbulkan korban jiwa. Mitigasi bencana tanah longsor masih belum optimal di Balikpapan. Oleh karena itu, perlu dilakukan penelitian untuk menghasilkan pengelompokan tingkat kerawanan tanah longsor di 34 kecamatan. Pengolahan data menggunakan algoritma K-Means dengan tool Rapid Miner. Dalam pengelompokan daerah dilakukan pengujian dari jumlah kluster= 2 hingga kluster=5. Kemudian dilakukan analisa melalui nilai Davies Bouldin Index (DBI) untuk mengetahui hasil pengelompokkan terbaik. Dari hasil analisa didapatkan nilai DBI paling terbaik adalah pengelompokkan daerah sebanyak 2 yakni rawan dan tidak rawan dengan nilai DBI sebesar 0,001. Kelurahan yang termasuk dalam kelompok daerah rawan bencana longsor adalah kelurahan Sepinggan dan sedangkan 33 kelurahan lainnya termasuk dalam kelompok daerah tidak rawan.

Kata kunci:Davies Bouldin Index, landsland-prone, clusterisation, k-means


ABSTRACT

Natural disasters can threaten all regions in Indonesia, both on land, mountains and coasts. Natural disasters have the potential to damage the environment, harm property and cause loss of life. Landslide disaster mitigation is still not optimal in Balikpapan. Therefore, it is necessary to carry out research to produce a grouping of landslide vulnerability levels in 34 sub-districts. Data processing uses the K-Means algorithm with the Rapid Miner tool. In regional grouping, testing is carried out from the number of clusters = 2 to clusters = 5. Then analysis is carried out using the Davies Bouldin Index (DBI) value to find out the best grouping results. From the analysis results, it was found that the best DBI value was grouping areas into 2, namely vulnerable and not vulnerable with a DBI value of 0.001. The sub-district that is included in the group of areas prone to landslides is Sepinggan sub-district and 33 other sub-districts are included in the non-prone area group..

Keywords: Davies Bouldin Index, tanah longsor, klusterisasi, k-means


Full Text:

PDF

References


BNPB, “Bencana Indonesia 2021,” Badan Nasional Penanggulangan Bencana, 2021. Https://Bnpb.Go.Id/Infografis/Kejadian-Bencana-Tahun-2021 (Accessed Oct. 15, 2023).

A. Lioni, “PENGARUH PERTAMINA TERHADAP MASYARAKAT KOTA BALIKPAPAN 1957-1975,” 2014. [Online]. Available: Https://Eprints.Uny.Ac.Id/21688/10/Ringkasan.Pdf

N. Fadilah, “Penerapan Metode Algoritma K-Means Untuk Clustering Daerah Rawan Tanah Longsor Di Provinsi Jawa Tengah,” J. BATIRSI, Vol. 6, No. 1, Pp. 1–5, 2022, [Online]. Available: Https://Bpbd.Jatengprov.Go.Id/.

M. Firman, A. 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, Doi: 10.52362/Jisamar.V6i4.939.

A. S. Bayu Priyatna, Topan Trianto, Julifer P Manurung, Nono Heryana, “Information System Journal,” INTERNAL-Information Syatem J., Vol. 3, No. 2, Pp. 1–10, 2020, [Online]. Available: Gunawan, Hendra 2019 “Sistem Pendukung Keputusan Penerima Bantuan Sosial Beras Masyarakat Miskin Menggunakan Metode Simple Additive Weighting (Saw)” Vol 2, No 2

S. F. Susilo, A. Jamaludin, And I. Purnamasari, “Pengelompokan Desa Menggunakan K-Means Untuk Penyelenggaraan Penanggulangan Bencana Banjir,” JOINS (Journal Inf. Syst., Vol. 5, No. 2, Pp. 156–167, 2020, Doi: 10.33633/Joins.V5i2.3709.

D. I. Ramadhani, O. Damayanti, O. Thaushiyah, And A. R. Kadafi, “Penerapan Metode K-Means Untuk Clustering Desa Rawan Bencana Berdasarkan Data Kejadian Terjadinya Bencana Alam,” JURIKOM (Jurnal Ris. Komputer), Vol. 9, No. 3, P. 749, 2022, Doi: 10.30865/Jurikom.V9i3.4326.

Z. Nabila, A. Rahman Isnain, And Z. Abidin, “Analisis Data Mining Untuk Clustering Kasus Covid-19 Di Provinsi Lampung Dengan Algoritma K-Means,” J. Teknol. Dan Sist. Inf., Vol. 2, No. 2, P. 100, 2021, [Online]. Available: Http://Jim.Teknokrat.Ac.Id/Index.Php/JTSI

R. Hasibuan Budiansyah, H. Hafizah, And R. Mahyuni, “Penerapan Data Mining Clustering Dengan Menggunakan Algoritma K-Means Pada Data Nasabah Kredit Bermasalah PT. BPR Milala,” J-SISKO TECH (Jurnal Teknol. Sist. Inf. Dan Sist. Komput. TGD), Vol. 5, No. 1, P. 7, 2022, Doi: 10.53513/Jsk.V5i1.4767.

Y. Suhanda, I. Kurniati, And S. Norma, “Penerapan Metode Crisp-DM Dengan Algoritma K-Means Clustering Untuk Segmentasi Mahasiswa Berdasarkan Kualitas Akademik,” J. Teknol. Inform. Dan Komput., Vol. 6, No. 2, Pp. 12–20, 2020, Doi: 10.37012/Jtik.V6i2.299.

R. Gustrianda And D. I. Mulyana, “Penerapan Data Mining Dalam Pemilihan Produk Unggulan Dengan Metode Algoritma K-Means Dan K-Medoids,” J. Media Inform. Budidarma, Vol. 6, No. 1, P. 27, 2022, Doi: 10.30865/Mib.V6i1.3294.


Refbacks

  • There are currently no refbacks.