Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018
Abstract
Indonesia telah mengalami banyak kejadian bencana alam, Badan Nasional Penanggulangan Bencana mencatat bahwa dari tahun 2016 sampai dengan awal 2018 sudah lebih dari 2.700 bencana alam terjadi di seluruh wilayah Indonesia. Oleh karena itu penelitian ini bertujuan untuk mengelompokkan wilayah di Indonesia menurut intensitas terjadinya bencana alam, sehingga diketahui wilayah yang rawan terjadi bencana alam. Analisis yang digunakan adalah Analisis Gerombol dengan Metode K-Means. Hasil yang didapatkan adalah jumlah optimal cluster yang dapat dibentuk yaitu 2. Kesimpulan dari penelitian ini, cluster pertama merupakan wilayah yang rawan terjadinya bencana alam dengan anggotanya adalah Provinsi Jawa Timur, Jawa Barat, dan Jawa Tengah. Sedangkan 31 provinsi lainnya tergolong dalam cluster kedua, yang dalam artian bukan daerah rawan terjadinya bencana alam. Kesimpulan ini diambil berdasarkan nilai rataan dari masing-masing cluster, dimana rata-rata setiap variabel pada cluster pertama lebih besar dibandingkan nilai rataan setiap variabel pada cluster kedua.
Indonesia has experienced many natural disasters, Badan Nasional Penanggulangan Bencana notes that from 2016 to early 2018 more than 2,700 natural disasters has occurred in all regions of Indonesia. Therefore this study aims to classify regions in Indonesia according to the intensity of natural disasters, so that it is known that the area is prone to natural disasters. The analysis used is Cluster Analysis with the K-Means Method. The results obtained are the optimal number of clusters that can be formed, namely 2. The conclusion of this study is that cluster one is an area prone to natural disasters with its members are Jawa Timur, Jawa Barat, and Jawa Tengah. While the other 31 provinces are classified as cluster two, which is not in the area prone to natural disasters. This conclusion is based on the average of each cluster, where the average of each variable in cluster one is greater than the average of each variable in cluster two.
Keywords
Full Text:
PDF (Bahasa Indonesia)References
Anjayani, E. 2008. Indonesia di Pertemuan Lempeng Tektonik. Cempaka Putih. Klaten.
Parker. 1992. Pencegahan dan Manajemen Bencana. PT Gramedia Utama. Jakarta.
Solimun, Fernandes, A. A. R., dan Nurjannah. 2017. Metode Statistika Multivariat Pemodelan Persamaan Struktural (SEM) Pendekatan WarpPLS. UB Press. Malang.
Alkarkhi, Abbas, F. M., dan Wasin, A. A. A. 2018. Easy Statistics for Food Science with R. MPS Limited. India.
Everitt, Brian, S., Sabine, L., Morven, L., dan Daniel, S. 2011. Cluster Analysis Five Edition. King’s College London. UK.
Romesburg, Charles, H. 2004. Cluster Analysis For Researchers. Lulu Press. North Carolina.
Adie. 2008. Analisis Peubah Ganda (Multivariate Analysis). http://adie08.files.wordpress.com/2008/066/analisis-peubah-ganda.pdf. Tanggal akses 27 Oktober 2018.
Fitriana, A. R., Rusyana, A., dan Wisreini. 2011. Analisis Biplot untuk Mengetahui Kebutuhan terhadap Lulusan Program Studi Statistika. Jurnal Matematika, Statistika, dan Komputasi. 8(2) : 39-51.
Rusyana, A., Nurhasanah and Maulizasari. 2018. Description of the Supporting Factors of Final Project in Mathematics and Natural Sciences Faculty of Syiah Kuala University with Multiple Correspondence Analysis. IOP Conference Series: Materials Science and Engineering. (1) : 352.
Johnson, R. A., dan Wichern, D.W. 2007. Applied Multivariate statistical Analisis Six Edition. Pearson Prentice. New Jersey.
Ediyanto, Mara, M. N., dan Satyahadewi, N. 2013. Pengklasifikasian Karakteristik dengan Metode K- Means Cluster Analysis. Buletin Ilmiah Matematika Statistik dan Terapannya. 2(2) : 133-136.
Eko. 2012. Makalah Bencana Alam. http://ekookdamezs.blogspot.com/2012/04/makalah-bencana-alam.pdf. Tanggal akses 27 Oktober 2018.
Refbacks
- There are currently no refbacks.