PERBANDINGAN ALGORITMA K-MEDOIDS DAN DBSCAN UNTUK CLUSTERING WILAYAH RAWAN BANJIR
Article Sidebar
Read Counter : 12
Download : 8
Main Article Content
Abstract
Penelitian ini menganalisis tingkat kerawanan banjir di Provinsi DKI Jakarta pada tingkat kecamatan menggunakan algoritma K-Medoids dan DBSCAN. Penelitian ini dilakukan dengan menggunakan data kejadian bencana banjir yang disediakan oleh Badan Penanggulangan Bencana Daerah (BPBD) DKI Jakarta untuk melakukan pengelompokan seluruh kecamatan yang berada pada Provinsi DKI Jakarta berdasarkan kesamaan dampak banjir yang dialami. Penelitian ini mencakup pengumpulan data, pemrosesan data dan implementasi setiap algoritma. Hasil penelitian menunjukkan bahwa algoritma DBSCAN secara signifikan lebih unggul. Dengan parameter yang dioptimalkan yaitu ε = 0.20, MinPts = 7, DBSCAN mencapai Silhouette Score sebesar 0.539 dan berhasil mengidentifikasi tiga klaster kerawanan yang bermakna (Rendah, Sedang, Tinggi) serta mengisolasi data anomali (noise). Sebaliknya, konfigurasi terbaik K-Medoids (k=2) hanya menghasilkan Silhouette Score sebesar 0.412, yang mengindikasikan struktur klaster yang lemah. Kesimpulannya, kemampuan DBSCAN dalam mendeteksi klaster dengan bentuk arbitrer dan menangani outlier menjadikannya metode yang lebih andal dan sesuai untuk analisis data kebencanaan spasial yang kompleks dan non-linier. Peta kerawanan yang dihasilkan dari klasterisasi DBSCAN dapat menjadi dasar yang kuat bagi pemangku kepentingan untuk merancang kebijakan mitigasi banjir yang lebih efektif dan tepat sasaran.
Downloads
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
This work is licensed under a Jurnal Komunikasi Creative Commons Attribution-ShareAlike 4.0 International License.
How to Cite
References
[1] Geosains.id, “Sungai Meluap Jadi Pemicu Banjir! Ketahui Penyebab dan Mitigasinya," 13 03 2025. [Online]. Available: https://geosains.id/sungai-meluap-jadi-pemicu-banjir-ketahui-penyebab-dan-mitigasinya/Referensi memiliki kebaruan maksimal 5 tahun lamanya dari tanggal penelitian
[2] [2]. Isnawa Adji (BPBD DKI Jakarta), "BPBD Ungkap Dampak Banjir Jakarta Timbulkan Kerugian hingga Rp 2,1 Triliun," 29 05 2024. [Online]. Available: https://news.detik.com/berita/d-7363617/bpbd
[3] A. Taryana, M. R. E. Mahmudi, and H. Bekti, “ANALISIS KESIAPSIAGAAN BENCANA BANJIR DI JAKARTA,” JANE - Jurnal Administrasi Negara, vol. 13, no. 2, p. 302, Feb. 2022, doi: 10.24198/jane.v13i2.37997.
[4] A. Triansyah, D. E. Herwindiati, and J. Hendryli, “PERBANDINGAN K-MEANS DAN K-MEDOIDS UNTUK KLASTERING TINGKAT STRES PADA MANUSIA,” Jurnal Ilmu Komputer Dan Sistem Informasi, vol. 10, no. 2, Aug. 2022, doi: 10.24912/jiksi.v10i2.22534.
[5] H. D. Tampubolon, S. Suhada, M. Safii, S. Solikhun, and D. Suhendro, “Penerapan Algoritma K-Means dan K-Medoids Clustering untuk Mengelompokkan Tindak Kriminalitas Berdasarkan Provinsi”, IKOMTI, vol. 2, no. 2, pp. 6–12, Nov. 2021.
[6] I. N. Simbolon and P. D. Friskila, “ANALISIS DAN EVALUASI ALGORITMA DBSCAN (DENSITY-BASED SPATIAL CLUSTERING OF APPLICATIONS WITH NOISE) PADA TUBERKULOSIS”, JITET, vol. 12, no. 3S1, Oct. 2024.
[7] D. Deng, “DBSCAN Clustering Algorithm Based on Density,” 2020 7th International Forum on Electrical Engineering and Automation (IFEEA), Hefei, China, 2020, pp. 949–953, doi: 10.1109/IFEEA51475.2020.00199.
[8] Y. Hasan, "Pengukuran Silhouette Score dan Davies-Bouldin Index pada Hasil Cluster K-Means dan Dbscan," Jurnal Informatika dan Teknik Elektro Terapan, vol. 12, 2024.
[9] N. N. Mansyur, N. Arman, N. La Gubu, W. Somayasa, and N. Aswani, “PENERAPAN METODE INTERPOLASI LAGRANGE DALAM MERAMALKAN JUMLAH PENDAPATAN PADA PERCETAKAN (STUDI KASUS: GEVIRA ADVERTISING),” Jurnal Matematika Komputasi Dan Statistika, vol. 4, no. 1, pp. 540–546, Jul. 2024, doi: 10.33772/jmks.v4i1.80
[10] T. Rahmawati, Y. Wilandari, and P. Kartikasari, “ANALISIS PERBANDINGAN SILHOUETTE COEFFICIENT DAN METODE ELBOW PADA PENGELOMPOKKAN PROVINSI DI INDONESIA BERDASARKAN INDIKATOR IPM DENGAN K-MEDOIDS,” Jurnal Gaussian, vol. 13, no. 1, pp. 13–24, Aug. 2024, doi: 10.14710/j.gauss.13.1.13-24.
[11] M. Shutaywi and N. N. Kachouie, “Silhouette Analysis for Performance Evaluation in Machine Learning with Applications to Clustering,” Entropy, vol. 23, no. 6, p. 759, Jun. 2021, doi: 10.3390/e23060759.