Pengelompokan Data Gempa Bumi di Indonesia dengan Algoritma K-Means dan DBSCAN

Alifia Putri Widya Hadi, Hasih Pratiwi, Isnandar Slamet

Abstract


Gempa bumi merupakan salah satu bencana yang tidak dapat dicegah dan terjadi secara tiba-tiba. Selain itu, lokasi pusat, waktu kejadian, dan kekuatan gempa bumi tidak dapat diprediksi secara tepat dan akurat. Indonesia dilewati oleh tiga titik lempeng tektonik besar dunia, sehingga sering mengalami gempa bumi. Perlu dilakukan upaya pencegahan atau mitigasi agar dapat mengurangi dampak gempa bumi. Mitigasi gempa bumi dapat dilakukan dengan cara pengolahan data dengan clustering sehingga diketahui karakteristik dari data gempa tersebut. Algoritma K-Means dan Density-Based Spatial Clustering of Applications with Noise (DBSCAN) merupakan metode clustering yang dapat digunakan untuk mengelompokkan data gempa bumi di Indonesia. Dari hasil analisis didapatkan bahwa algoritma K-Means menghasilkan 8 cluster optimal menggunakan metode silhouette. DBSCAN menghasilkan 14 cluster dan 102 dikategorikan sebagai noise dengan menggunakan nilai MinPts dan Eps optimal sebesar 12 dan 0,13. Nilai silhouette coefficient yang didapatkan K-Means sebesar 0,70 sedangkan DBSCAN sebesar 0,73. Dalam analisis ini K-Means mampu melakukan clustering lebih baik dibandingkan dengan DBSCAN karena memiliki cluster error yang lebih sedikit.

Keywords


Gempa Bumi; Clustering; K-Means; DBSCAN

Full Text:

PDF

References


D. P. S. Ningsih, I. Rahmawati, R. Aprianti, S. Wulan, V. P. Giena, and Y. Elvira, Penyuluhan tentang Gempa Bumi dengan Media Leaflet pada Masyarakat di Kelurahan Malabero Kota Bengkulu, Jurnal Pengabdian Kepada Masyarakat Wahana Usada, vol 4, no. 2, p 96-104. 2022.

A. Sabtaji, Statistik Kejadian Gempa Bumi Tektonik Tiap Provinsi di Wilayah Indonesia selama 11 Tahun Pengamatan (2009-2019), Buletin Meteorologi, Klimatologi, Dan Geofisika, vol. 1, no. 7, pp 31-46. 2020.

G. Pasau, and A. Tanauma, Pemodelan Sumber Gempa di Wilayah Sulawesi Utara sebagai Upaya Mitigasi Bencana Gempa Bumi, Jurnal Ilmiah Sains, vol. 11, no. 2, p 202-209. 2011.

E. D. Sikumbang, Penerapan Data Mining Penjualan Sepatu Menggunakan Metode Algoritma Apriori, Jurnal Teknik Komputer, vol 4, no. 1. 2018.

Risman, Syaripuddin, and Suyitno, Implementasi Metode Dbscan Pada Pengelompokan Kabupaten/Kota di Pulau Kalimantan Berdasarkan Indikator Kesejahteraan Rakyat, Prosiding Seminar Nasional Matematika, Statistika, Dan Aplikasinya, vol 1, p 22-28. 2019.

A. Amalia, U. Harmoko, and G. Yuliyanto, Clustering of Seismicity in the Indonesian Region for the 2018-2020 Period using the DBSCAN Algorithm, Journal of Physics and Its Applications, Vol. 4, Issue 1. 2021.

S. Srigantina, A. H. Nasyuha, and S. Suharsil, Implementasi Data Mining Dalam Pengelompokan Data Transaksi Penjualan Kosmetik di WN Kosmetik Dengan Menggunakan Metode K-Means Clustering, Jurnal Cyber Tech, vol. 1, no. 12. 2022.

M. Ester, H. P. Kriegel, J. Sander, and X. Xu, A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Knowledge Discovery and Data Mining, vol. 96, no. 34, p 226-231. 1996.

E. Prasetyo, Data Mining: Konsep dan Aplikasi Menggunakan Matlab. Andi, 2021.

Ediyanti, M. N. Mara, and N. Satyahadewi, Pengklasifikasian Karakteristik Dengan Metode K-Means Cluster Analysis, Buletin Ilmiah Mat. Stat. Dan Terapannya, vol. 2 no. 2, p 133-136. 2013.

R. R. A. Rahman, and A. W. Wijayanto, Pengelompokan Data Gempa Bumi Menggunakan Algoritma DBSCAN, Jurnal Meteorologi Dan Geofisika, vol. 22, no. 1, p 31-38. 2021.


Refbacks

  • There are currently no refbacks.