Penerapan Metode K-Medoids dalam Pengklasteran Kab/Kota di Provinsi Jawa Barat Berdasarkan Intensitas Bencana Alam di Jawa Barat pada Tahun 2020-2021
DOI:
https://doi.org/10.29313/statistika.v23i2.3057Keywords:
clustering, k-medoids, bencana alam, Natural DisasterAbstract
ABSTRAK
Mengidentifikasi objek atau individu yang seragam merupakan salah satu metode analisis yaitu analisis cluster. Analisis cluster berkerja dengan cara mengidentifikasi individu yang seragam berdasarkan peubah tertentu dengan mempertimbangkan karakteristik yang dimiliki dari setiap objek dan memaksimalkan persamaan antar objek tersebut ke satu cluster dan meminimalkan persamaan antar cluster. Pendekatan analisis cluster terbagi menjadi dua yaitu, pendekatan hirarki dan pendekatan partisi. Pada riset ini, menggunakan skema yang dilakukan dengan pendekatan partisi dengan metode K-Medoids. K-Medoids ialah pengembangan dari metode k-means, dimana proses ini dapat mengatasi ketidakmampuan k-means dalam mengatasi outliers. Informasi pada penelitian ini menggunakan data Potensi Desa (Podes) di Provinsi Jawa Barat dengan 27 kab/kota pada tahun 2020-2021 dengan variabel yang digunakan adalah intensitas/banyaknya kejadian bencana yang terjadi selama tahun 2020-2021 di kab/kota di Provinsi Jawa Barat. Dari hasil analisis menggunakan grafik elbow bahwa pengelompokkan menggunakan K-Medoids cluster yang terbaik adalah 2 cluster, sehingga 27 kab/kota diklasifikasikan ke dalam 2 cluster. Berdasarkan analisis K-Medoids kab/kota yang masuk ke dalam cluster 1 terdiri dari 21 kab/kota yang terdiri dari Kota Bandung, Bekasi, Kota Ciamis, Cirebon, Indramayu, Kuningan, Bandung, Kota Banjar, Kota Bekasi, Kota Bogor, Cimahi, Kota Cirebon, Kota Depok, Kota Sukabumi, Kota Tasikmalaya, Karawang, Majalengka, Pangandaran, Purwakarta, Subang, Sumedang. Kab/kota yang tergolong ke dalam cluster 1 ialah kab/kota yang tidak rentan terhadap bencana alam sedangkan kab/kota yang masuk ke dalam cluster 2 atau kab/kota yang rentan terhadap bencana alam terdiri dari Bandung Barat, Bogor,Cianjur, Garut, Sukabumi dan Tasikmalaya.
ABSTRACT
Identifying uniform objects or individuals is a method of one analysis, namely cluster analysis. Cluster analysis works by identifying uniform individuals based on certain variables by considering the characteristics of each object and maximizing the similarities between these objects to one cluster and minimizing similarities between clusters. The cluster analysis approach is divisible into two, specifically the hierarchical approach and the partition approach. In this study, the oncoming used is a partition approach using the K-Medoids method. K-Medoids is a development of the k-means method, where this method can get over the inability of k-means to deal with outliers. The information in this research uses Village Potential (Podes) data in West Java Province with 27 districts/cities in 2020-2021 with the variables used being the intensity/number of natural disasters that occurred during 2020-2021 in districts/cities in West Java Province. From results of the analysis based on the elbow graph, the best grouping using K-Medoids clusters is 2 clusters, so that 27 districts/cities are classified into 2 clusters. Based on K-Medoids analysis, the districts/cities included in cluster 1 consist of 21 districts/cities consisting of Bandung, Bekasi, Ciamis, Cirebon, Indramayu, Karawang, Bandung City, Banjar City, Bekasi City, Bogor City, Cimahi City, Cirebon City, Depok City, Sukabumi City, Tasikmalaya City, Kuningan, Majalengka, Pangandaran, Purwakarta, Subang, Sumedang. Districts/cities that are included in cluster 1 are districts/cities that are not vulnerable to natural disasters, while districts/cities that are part in cluster 2 or districts/cities that are vulnerable to natural disasters consist of West Bandung, Bogor, Cianjur, Garut, Sukabumi and Tasikmalaya.
References
Arifandi, M. et al. (2021) ‘Implementasi Algoritma K-Medoids Untuk Clustering Wilayah Terinfeksi Kasus Covid-19 Di Dki Jakarta’, JTT (Jurnal Teknologi Terapan), 7(2), p. 120. doi: 10.31884/jtt.v7i2.353.
Arminarahmah, N., Gs, A. D. and Hardinata, J. T. (2023) ‘Klusterisasi Impor Beras Di Indonesia Menurut Negara Asal Utama Menggunakan Algoritma K- Medoids’, 8, pp. 793–801.
Dan, I. K. et al. (2022) ‘Implementasi K-Means Dan K-Medoids Dalam Pengelompokan Wilayah Potensial Produksi Daging Ayam’, Jurnal Teknologi Industri Pertanian, 32(158), pp. 239–247. doi: 10.24961/j.tek.ind.pert.2022.32.3.239.
Firdaus, H. and Sofro, A. (2022) ‘Analisa Cluster Menggunakan K-Means Dan Fuzzy C-Means Dalam Pengelompokan Provinsi Menurut Data Intesitas Bencana Alam Di Indonesia Tahun 2017-2021’, MATHunesa: Jurnal Ilmiah Matematika, 10(1), pp. 50–60. doi: 10.26740/mathunesa.v10n1.p50-60.
Goejantoro, R. and Desi Yuniarti, dan (2019) ‘Perbandingan Pengelompokan K-Means dan K-Medoids Pada Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Studi Kasus : Data Titik Panas Di Indonesia Pada 28 April 2018)’, Jurnal EKSPONENSIAL, 10(2), pp. 143–152.
Heraldi, H. Y., Aprilia, N. C. and Pratiwi, H. (2019) ‘Analisis Cluster Intensitas Kebencanaan di Indonesia Menggunakan Metode K-Means’, Indonesian Journal of Applied Statistics, 2(2), p. 137. doi: 10.13057/ijas.v2i2.34911.
Hermanto, T. I. and Muhyidin, Y. (2021) ‘Analisis Sebaran Titik Rawan Bencana dengan K-Means Clustering dalam Penanganan Bencana’, Jurnal Sains Komputer & Informatika (J-SAKTI, 5(1), pp. 406–416.
Herviany, M. et al. (2021) ‘Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat’, MALCOM: Indonesian Journal of Machine Learning and Computer Science, 1(1), pp. 34–40. doi: 10.57152/malcom.v1i1.60.
Islamy, U. et al. (2022) ‘Pengelompokkan Provinsi Di Indonesia Berdasarkan Indikator Dampak Bencana Banjir Tahun 2017-2020’, Bimaster, 11(2), pp. 381–388.
Karlina, L. and Nurdiawan, O. (2023) ‘Penerapan K- Medoids Dalam Klasifikasi Persebaran Lahan Kritis Di Jawa Barat Berdasarkan Kab/kota’, JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), pp. 527–532. doi: 10.36040/jati.v7i1.6348.
Kurniawan, W. et al. (2020) ‘Analisis Algoritma K-Medoids Clustering Dalam Menentukan Pemesanan Hotel’, Jurnal Swabumi, 8(2), pp. 182–187. Available at: https://www.kaggle.com.
Mayadi, M., Setiawati, S. and ... (2023) ‘Pengelompokan Hasil Survei MBKM Menggunakan K-Mean dan K-Medoids Clustering’, Jurnal Media …, 7, pp. 426–435. doi: 10.30865/mib.v7i1.5003.
Parulian, R. and Butar, B. (2023) ‘Analisis Hierarchical Dan Non-Hierarchical C lustering Untuk Pengelompokkan Potensi Ekonomi Kelautan Indonesia 2021 Hierarchical and Non-Hierarchical Clustering Analysis for Classifying Indonesia ’ s Sea Economic Potential in 2021’, 11(3), pp. 543–553. doi: 10.26418/justin.v11i3.67283.
Rohmah L, R., Rini C, D. and Utami, W. D. (2020) ‘Zonasi Daerah Terdampak Bencana Angin Puting Beliung Menggunakan K-Means Clustering’, Seminar Nasional Pendidikan Matematika Dan Matematika 2020, 2(2020), pp. 1–7.
Yana, M. S. et al. (2018) ‘Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018’, Journal of Data Analysis, 1(2), pp. 93–102. doi: 10.24815/jda.v1i2.12584.
