PENERAPAN ALGORITMA KMEANS CLUSTERING UNTUK MENGELOMPOKKAN KERAWANAN ROB DI DAERAH PEKALONGAN
Abstract
Banjir rob di kawasan Kota Pekalongan telah terjadi sejak lama dan berpotensi semakin luas. Hal ini disebabkan oleh beberapa wilayah di Kota Pekalongan memiliki ketinggian tanah dibawah permukaan air laut dan mengalami penurunan muka tanah (land subsidence). Ancaman banjir dan rob semakin tinggi karena adanya pemanasan global yang berdampak pada naiknya permukaan air laut. Pemetaan kerawanan Rob ini penting agar dapat membantu pemerintah daerah dalam evaluasi dan penanganan rob. Selain itu, pemetaan ini dapat digunakan untuk mengevaluasi dan merencanakan tata ruang wilayah Kota Pekalongan. Dalam penelitian ini menggunakan metode K-Means Clustering untuk mengelompokkan data berdasarkan tinggi genangan rob dan luas area genangan rob. Hasil penelitian ini menghasilkan 3 cluster daerah. Hasil penelitian ini menunjukkan bahwa daerah dengan kerawanan tinggi bencana rob di kota Pekalongan ada 7 Kelurahan yakni Bandengan, Degayu,Kandang Panjang, Krapyak, Padukuhan Kraton, Panjang Wetan dan Panjang Baru. Hasil Clustering disajikan dalam bentuk peta menggunakan ArcGis.
Full Text:
PDFReferences
S. Miftakhudin, “Strategi penanganan banjir rob kota pekalongan,” JURNAL LITBANG KOTA PEKALONG-
AN, vol. 19, no. 1, 2021.
M. A. Salim and A. B. Siswanto, “Kajian penanganan dampak banjir kabupaten pekalongan,” Rang Teknik
Journal, vol. 4, no. 2, p. 295–303, 2021.
S. W. d. B. R. S. Adi Iskandar, M. Helmi. Analisis geospasial area genangan banjir rob dan dampaknya
pada penggunaan lahan tahun 2020-2025 di kota pekalongan provinsi jawa tengah. [Online]. Available:
http://ejournal2.undip.ac.id/index.php/ijoice/Diterima
C. Nisa1 and W. Yustanti, “Studi perbandingan algoritma klastering dalam pengelompokan persediaan
produk (studi kasus subdirektorat perencanaan sarana prasarana dan logistik ptn x),” JEISBI, vol. 02,
U. K. I. Kamila, “Perbandingan algoritma k-means dan k-medoids untuk pengelompokan,” Jurnal Ilmiah
Rekayasa dan Manajemen Sistem Informasi, vol. 5, no. 1, pp. 119–125, 2019.
C. S. Santoso and A. I. Nurhidayat. Sistem informasi real time gis untuk monitoring sistem cors
(continously operating reference station) di kantor wilayah badan pertahanan provinsi jawa timur.
[Online]. Available: https://id.m.wikipedia.org/wiki/JSON
H. M. L. Petra Refialy and M. S. Pesulima, “Perbaikan kinerja clustering k-means pada data ekonomi
nelayan dengan perhitungan sum of square error (sse) dan optimasi nilai k cluster,” Techno.Com, vol. 20,
no. 2, pp. 321–329, 2021.
N. H. R. Kesuma Dinata and N. Azizah, “Analisis k-means clustering pada data sepeda motor,” INFOR-
MAL, vol. 5, no. 1, pp. 10–17, 2020.
E. M. S. R. M. A. Syakur, B. K. Khotimah and B. D. Satoto, “Integration k-means clustering method and
elbow method for identification of the best customer profile cluster,” IOP Conference Series: Materials
Science and Engineering, vol. 336, no. 1, pp. 891–921, 1905.
K. R. Shahapure and C. Nicholas, “Cluster quality analysis using silhouette score,” IEEE 7th International
Conference on Data Science and Advanced Analytics (DSAA), 2020.
J. D. K. J. P. F. Wang, H.-H. Franco-Penya and R. Ross. An analysis of the application
of simplified silhouette to the evaluation of k-means clustering validity. [Online]. Available:
https://link.springer.com/chapter/10.1007/978-3-319-62416-7_21
M. J. R. D. Indraswari, N. Hanifah and Y. Priyana, “Analisis aplikasi arcgis 10.3 untuk pembuatan daerah
aliran sungai dan penggunaan lahan di das samajid kabupaten sampang, madura,” in Prosiding Seminar
Nasional Geografi UMS IX 2018, vol. IX, Surakarta, Indonesia, Juni 2018, pp. 478–489.
A. S. W. D McGinnis, C. Siu and H. Huang, “Category encoders: a scikit-learn-contrib package of tran-
sformers for encoding categorical data,” The Journal of Open Source Software, vol. 3, no. 21, p. 501,
H. H. K. D. Azzahra Nasution and N. Chamidah, “Perbandingan normalisasi data untuk klasifikasi wine
menggunakan algoritma k-nn,” Journal of Computer Engineering, System, and Science, vol. 4, no. 1, pp.
–82, 2019.
N. G. Ramadhan and A. Khoirunnisa, “Klasifikasi data malaria menggunakan metode support vector
machine,” Jurnal Media Informatika Budidarma, vol. 5, no. 4, p. 1580, 2021.
DOI: http://dx.doi.org/10.26798/juti.v1i1.624
Article Metrics
Abstract view : 708 timesPDF - 405 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 Anna Baita