Perbandingan Algoritma Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) dan Self-Organizing Map (SOM) untuk Clustering Data Gempa Bumi
DOI:
https://doi.org/10.29313/statistika.v24i2.3645Keywords:
Clustering, DBSCAN, Gempa Bumi, SOMAbstract
ABSTRAK
Gempa bumi merupakan bencana alam yang kerap melanda Indonesia karena letak geografisnya berada pada batas pertemuan tiga lempeng aktif dunia. Dampak kerusakan yang timbul akibat gempa bumi bergantung pada magnitudo dan kedalamannya. Oleh karena itu, perlu upaya mitigasi bencana dan manajemen risiko bencana melalui pengolahan data untuk mengetahui karakteristik dari data gempa tersebut. Penelitian ini bertujuan untuk clustering data gempa bumi di Indonesia berdasarkan magnitudo dan kedalaman dengan menerapkan algoritma Density-Based Spatial Clustering Algorithm With Noise (DBSCAN) dan Self-Organizing Map (SOM) dengan validasi kebaikan cluster menggunakan koefisien silhouette. Penerapan algoritma DBSCAN dengan nilai Eps dan MinPts optimal sebesar 1,6 dan 12 membentuk dua cluster dan 23 data diidentifikasi sebagai noise, sedangkan menggunakan algoritma SOM dengan learning rate 0,05 dan maksimal epoch 1.000 membentuk dua cluster. Pada analisis ini SOM mampu melakukan clustering yang lebih baik jika dibandingkan dengan DBSCAN karena memberikan nilai koefisien silhouette yang lebih besar, yaitu sebesar 0,717 sedangkan DBSCAN sebesar 0,677. Hasil clustering terbaik memiliki karakteristik yaitu cluster 1 dikategorikan sebagai gempa sedang berkekuatan sedang dan cluster 2 dikategorikan sebagai gempa dangkal berkekuatan sedang.
ABSTRACT
Earthquakes are natural disasters that occur frequently in Indonesia because of the geographical location at the convergence of three active tectonic plates. The severity of an earthquake's impact is influenced by magnitude and depth. Therefore, disaster mitigation efforts and disaster risk management through data mining are needed to understand the characteristics of earthquakes. This research aims to cluster earthquake data in Indonesia based on magnitude and depth by applying a Density-Based Spatial Clustering Algorithm with Noise (DBSCAN) and Self-Organizing Map (SOM) algorithms and cluster results are evaluated using the silhouette coefficient. Using the DBSCAN algorithm with optimal Eps and MinPts values of 1.6 and 12 formed two clusters and 23 data were identified as noise while using the SOM algorithm with a learning rate of 0.05 and a maximum epoch of 1000 formed two clusters. SOM can perform clustering better than DBSCAN because it provides a larger silhouette coefficient value, which is 0.717 while DBSCAN is 0.677. The clustering results obtained show that cluster 1 is categorized as moderate earthquakes of moderate intensity and cluster 2 is categorized as shallow earthquakes of moderate intensity.
References
Bação, F., Lobo, V., & Painho, M. (2005). Self-Organizing Maps as Substitutes for K-Means Clustering. Computational Science–ICCS 2005: 5th International Conference, Atlanta, GA, USA, May 22-25, 2005, Proceedings, Part III 5, 476-483.
Badan Meteorologi, Klimatologi, dan Geofisika. (2021). Katalog Gempabumi Indonesia: Relokasi Hiposenter dan Implikasi Tektonik. Badan Meteorologi Klimatologi dan Geofisika: Jakarta.
Damayanti, C., Yamko, A. K., Souisa, C. J., Barends, W., & Naroly, I. L. P. T. (2020). Pemodelan Segmentasi Mentawai-Pagai: Studi Kasus Gempa Megathrust di Indonesia. Jurnal Geosains dan Remote Sensing, 1(2), 105-110.
Halim, N. N., & Widodo, E. (2017, July). Clustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps (SOM). In Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) (Vol. 1, No. 1, pp. 188-194).
Han, J., Pei, J., & Tong, H. (2022). Data Mining: Concepts and Techniques. Morgan Kaufmann.
Hartatik, H., dan Cahya, A. S. D. (2020). Clusterisasi Kerusakan Gempa Bumi di Pulau Jawa Menggunakan Self Organizing Maps (SOM). Jurnal Ilmiah Intech: Information Technology Journal of UMUS, 2(02).
Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Singapore: Pearson Education.
Hair, J.F., Babin, B.J., Black, W.C., & Anderson, R.E. (2019). Multivariate Data Analysis. United Kingdom : Cengage.
Nisrina, S., Nurmayanti, W. P., & Gazali, M. (2022). Penerapan Metode Clustering SOM dan DBSCAN dalam Mengelompokkan Unmet Need Keluarga Berencana di Nusa Tenggara Barat. J Statistika: Jurnal Ilmiah Teori dan Aplikasi Statistika, 15(2), 237-244.
Pratiwi, H., Handajani, S. S., & Respatiwulan, (2021). Clustering dan Penerapannya dalam Bidang Seismologi. Sleman: Deepublish Publisher.
Putriana, S., Ernawati, E., & Andreswari, D. (2021). Clustering Data Titik Gempa dengan Metode Fuzzy Possibilistic C-Means (Studi Kasus: Titik Gempa Pulau Sumatera Tahun 2013-2018). Rekursif: Jurnal Informatika, 9(1).
Rahman, R. R. A. dan Wijayanto, A. W. (2021). Pengelompokan Data Gempa Bumi Menggunakan Algoritma Density-Based Spatial Clustering Algorithm with Noise (DBSCAN). Jurnal Meteorologi dan Geofisika, 22(1), 31-38.
Risman, R., Syaripuddin, S., & Suyitno, S. (2019, May). Implementasi Metode DBSCAN pada Pengelompokan Kabupaten/Kota di Pulau Kalimantan Berdasarkan Indikator Kesejahteraan Rakyat. In Prosiding Seminar Nasional Matematika dan Statistika (Vol. 1, pp. 22-28).
Sharda, R., Delen, D., Turban, E., & King, D. (2018). Business Intelligence, Analytics, and Data Science: A Managerial Perspective (4th Edition). Pearson.
Utomo, D. P., & Purba, B. (2019, September). Penerapan Data Mining pada Data Gempa Bumi terhadap Potensi Tsunami di Indonesia. In Prosiding Seminar Nasional Riset Information Science (SENARIS) (Vol. 1, pp. 846-853).
