Perbandingan Algoritma K-Means Dan K-Medoids Untuk Clustering Daerah Rawan Banjir Di Kabupaten Rokan Hilir
Comparison Of K-Means And K-Medoid Algorithms For Clustering Of Flood-Prone Areas In Rokan Hilir District
DOI:
https://doi.org/10.57152/ijirse.v3i1.523Keywords:
banjir, davies-bouldin index (DBI) , clustering, k-means, k-medoids, rapidminerAbstract
Sejak tahun 2005 banjir menjadi permasalahan di Kabupaten Rokan Hilir hingga saat ini, banjir terparah pernah terjadi pada tanum 2011-2014 yang menyebabkan banyak daerah dan warga secara langsung terdampak akibat hal tersebut, sehingga masyarakat sangat membutuhkan bantuan dari beberapa pihak terutama pihak instansi pemerintahan seperti dinas sosial, untuk membantu mengurangi beban masyarakat dinas social memiliki salah satu program kerja yaitu memberikan bantuan secara langsung baik moral maupun logistic bagi para korban banjir dikabupaten rokan hilir. Agar dinas social dapat memberikan bantuan yang tepat waktu, lokasi, sasaran, kualitas, kuantitas, dan sesuai kebutuhan masyarakat, dibutuhkan klastering pada daerah rawan banjir. Pada penelitian ini dikelompokan wilayah yang rawan banjir di kabupaten Rokan Hilir. Untuk melakukan klastering pada penelitian ini akan digunakan algoritma K-Means dan K-Medoids. Setelah dilakukan percobaan menggunakan tools RapidMiner pada klaster K=2 sampai K=6 didapat metode K-Means lebih optimal dibandingkan dengan menggunakan metode K-Medoids pada data kejadian banjir di Rokan Hilir pada tahun 2019-2022 dengan jumlah k paling optimal adalah k = 3 dengan nilai validitas Davies-Bouldin Index (DBI) sebesar 0.218%, sedangkan algoritma K-Medoids klaster optimal terdapat pada K=4 dengan nilai validitas sebesar 0.525%.
References
A. Febriansyah et al., “Penerapan Machine Learning Dalam Mitigasi Banjir Menggunakan Data Mining,” J. Nas. Komputasi dan Teknol. Inf., vol. 3, no. 3, pp. 215–218, 2020, doi: 10.32672/jnkti.v3i3.2427.
M. I. Ramadhan, “Penerapan Data Mining untuk Analisis Data Bencana Milik BNPB Menggunakan Algoritma K-Means dan Linear Regression,” J. Inform. dan Komput., vol. 22, no. 1, pp. 57–65, 2017.
Nurdin, Fakhri, and S. Djuniati, “Analisis kawasan rawan banjir sungai rokan dalam kabupaten rokan hulu dan kabupaten rokan hilir,” pp. 168–175, 2018.
R. Novita, H. Kadir, and E. Eriyati, “Nilai Kerugian Masyarakat Akibat Banjir di Kecamatan Pujud Kabupaten Rokan Hilir.” Riau University, 2014.
A. I. Suryani and N. Afryansih, “Pengetahuan Mitigasi Masyarakat Tentang Bencana Banjir Di Nagari Aur Begalung Talaok Kaecamatan Bayang Kabupaten Pesisir Selatan,” J. Spasial, vol. 3, no. 6, p. 87, 2019.
S. Dwiasnati and Y. Devianto, “Optimasi Prediksi Bencana Banjir menggunakan Algoritma SVM untuk penentuan Daerah Rawan Bencana Banjir,” Pros. SISFOTEK, pp. 202–207, 2021, [Online]. Available: http://seminar.iaii.or.id/index.php/SISFOTEK/article/view/283
R. Adha, N. Nurhaliza, U. Sholeha, and M. Mustakim, “Perbandingan Algoritma DBSCAN dan K-Means Clustering untuk Pengelompokan Kasus Covid-19 di Dunia,” SITEKIN J. Sains, Teknol. dan Ind., vol. 18, no. 2, pp. 206–211, 2021.
A. Qurotul, E. Tasia, N. Nazira, P. F. Pratama, M. R. Anugrah, and J. Adhiva, “Implementasi Algoritma Naïve Bayes Classifier ( NBC ) untuk Klasifikasi Penyakit Ginjal Kronik,” vol. 4, no. September, pp. 72–76, 2022, doi: 10.30865/json.v4i1.4781.
I. Kamila, U. Khairunnisa, and M. Mustakim, “Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokan Data Transaksi Bongkar Muat di Provinsi Riau,” J. Ilm. Rekayasa dan Manaj. Sist. Inf., vol. 5, no. 1, p. 119, 2019, doi: 10.24014/rmsi.v5i1.7381.
D. I. Ramadhani, O. Damayanti, O. Thaushiyah, and A. R. Kadafi, “Penerapan Metode K-Means Untuk Clustering Desa Rawan Bencana Berdasarkan Data Kejadian Terjadinya Bencana Alam,” vol. 9, no. 3, pp. 749–753, 2022, doi: 10.30865/jurikom.v9i3.4326.
T. Juninda and E. Andri, “Penerapan Algoritma K-Medoids untuk Pengelompokan Penyakit di Pekanbaru Riau,” no. November, pp. 42–49, 2019.
D. Marlina, N. F. Putri, A. Fernando, and A. Ramadhan, “Implementasi Algoritma K-Medoids dan K-Means untuk Pengelompokkan Wilayah Sebaran Cacat pada Anak,” vol. 4, no. 2, pp. 64–71, 2018.
N. T. Luchia, H. Handayani, F. S. Hamdi, D. Erlangga, and S. Fitri Octavia, “Perbandingan K-Means dan K-Medoids Pada Pengelompokan Data Miskin di Indonesia,” MALCOM Indones. J. Mach. Learn. Comput. Sci., vol. 2, no. 2, pp. 35–41, 2022.
A. Supriyadi, A. Triayudi, and I. D. Sholihati, “Perbandingan Algoritma K-Means Dengan K-Medoids Pada Pengelompokan Armada Kendaraan Truk Berdasarkan Produktivitas,” JIPI (Jurnal Ilm. Penelit. dan Pembelajaran Inform., vol. 6, no. 2, pp. 229–240, 2021, doi: 10.29100/jipi.v6i2.2008.
D. F. Pramesti, M. T. Furqon, and C. Dewi, “GPU accelerated Krylov subspace methods for computational electromagnetics,” Proc. 38th Eur. Microw. Conf. EuMC 2008, vol. 1, no. 9, pp. 1312–1314, 2008, doi: 10.1109/EUMC.2008.4751704.
S. Sindi, W. R. O. Ningse, I. A. Sihombing, F. I. R.H.Zer, and D. Hartama, “Analisis Algoritma K-Medoids Clustering Dalam Pengelompokan Penyebaran Covid-19 Di Indonesia,” J. Teknol. Inf., vol. 4, no. 1, pp. 166–173, 2020, doi: 10.36294/jurti.v4i1.1296.
A. Salam, D. Adiatma, and J. Zeniarja, “Implementasi Algoritma K-Means Dalam Pengklasteran untuk Rekomendasi Penerima Beasiswa PPA di UDINUS,” JOINS (Journal Inf. Syst., vol. 5, no. 1, pp. 62–68, 2020, doi: 10.33633/joins.v5i1.3350.
I. N. M. Adiputra, “Clustering Penyakit Dbd Pada Rumah Sakit Dharma Kerti Menggunakan Algoritma K-Means,” Inser. Inf. Syst. Emerg. Technol. J., vol. 2, no. 2, p. 99, 2022, doi: 10.23887/insert.v2i2.41673.
D. A. I. C. Dewi and D. A. K. Pramita, “Analisis Perbandingan Metode Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam Pengelompokan Produksi Kerajinan Bali,” Matrix J. Manaj. Teknol. dan Inform., vol. 9, no. 3, pp. 102–109, 2019, doi: 10.31940/matrix.v9i3.1662.
