Perbandingan Algoritma K-Means dan K-Medoids untuk Pengelompokkan Daerah Rawan Tanah Longsor Pada Provinsi Jawa Barat

Comparison of K-Means and K-Medoids Algorithms for Grouping Landslide Prone Areas in West Java Province

Authors

  • Mufidah Herviany Herviany Program Studi Sistem Informasi Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Saleha Putri Delima UIN Sultan Syarif Kasim Riau
  • Triyana Nurhidayah UIN Sultan Syarif Kasim Riau
  • Kasini Kasini Universitas Pahlawan Tuanku Tambusai

Keywords:

Clustering, Davies-Bouldin Index, K-Means, K-Medoids, Tanah Longsor

Abstract

 

Bencana alam ialah insiden yang tidak bisa dihindari. Tetapi akibat dari bencana bisa dikurangi dengan mengidintifikasi pemicu terjadinya bencana serta mengkaji peristiwa bencana yang sudah pernah terjadi melalui analisa data bencana yang ada. Indonesia sering mengalami bencana yang disebabkan oleh kerusakan alam akibat perbuatan manusia seperti bencana banjir dan tanah longsor. Berdasarkan data dari Jabar Open Data pada periode 2019, provinsi jawa barat mengalami 609 peristiwa tanah longsor. Badan Penanggulangan Bencana Daerah (BPBD) belum dapat mengoptimalkan pelayanan terhadap korban bencana, misalnya lamanya datang bantuan karena terbatasnya peralatan dan makanan pada daerah bencana. Sedangkan dengan adanya pemetaan resiko bencana menjadi sangat penting dalam penataan penanggulangan bencana yang terarah dan tepat. Maka diperlukannya pengolahan data untuk mengetahui daerah kabupaten/kota yang sering terjadi bencana tanah longsor. Peneliti menggunakan pengolahan data dengan metode perbandingan algoritma K-Means dan K-Medoids. Metode yang didapatkan dari pengelompokkan dengan method K-Means lebih optimal daripada mengguanakan method K-Medoids pada data kejadian tanah longsor Provinsi Jawa Barat pada tahun 2019 dengan jumlah k paling optimal adalah k = 6. Perolehan cluster dominan, menunjukkan bahwa kluster 2 merupakan kluster dengan jumlah daerah  paling banyak.  Dan jumlah kejadian terbanyak terletak pada kluster 5 dengan jumlah 4 daerah dan jumlah kejadian sebanyak 106 kejadian.

References

D. Setianingsih and R. F. Hakim, “Penerapan Data Mining dalam Analisis Kejadian Tanah Longsor di Indonesia dengan Menggunakan Association Rule Algoritma Apriori,” Pros. Semin. Nas. Mat. dan Pendidik. Mat. UMS 2015, pp. 731–741, 2015.

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.

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.

T. Velmurugan, “Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary Data Points,” Int. J. Comput. …, vol. 3, no. 5, pp. 1758–1764, 2012, [Online]. Available: http://www.researchgate.net/publication/233986697_Efficiency_of_k-Means_and_K-Medoids_Algorithms_for_Clustering_Arbitrary_Data_Points/file/d912f50dc62a03083a.pdf.

S. Gultom, S. Sriadhi, M. Martiano, and J. Simarmata, “Comparison analysis of K-Means and K-Medoid with Ecluidience Distance Algorithm, Chanberra Distance, and Chebyshev Distance for Big Data Clustering,” IOP Conf. Ser. Mater. Sci. Eng., vol. 420, no. 1, 2018, doi: 10.1088/1757-899X/420/1/012092.

S. Shah and M. Singh, “Comparison of a time efficient modified k-mean algorithm with K-mean and K-Medoid algorithm,” Proc. - Int. Conf. Commun. Syst. Netw. Technol. CSNT 2012, pp. 435–437, 2012, doi: 10.1109/CSNT.2012.100.

M. Tiwari and R. Singh, “Comparative Investigation of K-Means and K-Medoid Algorithm on Iris Data,” Int. J. Eng. Res. Dev., vol. 4, no. 8, pp. 69–72, 2012, [Online]. Available: www.ijerd.com.

Noviyanto, “Penerapan Data Mining Dalam Mengelompokkan Jumlah Kematian,” Paradig. Inform. dan Komput., vol. 22, no. 2, 2020.

M. Gading Sadewo, A. Perdana Windarto, and A. Wanto, “KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) PENERAPAN ALGORITMA CLUSTERING DALAM MENGELOMPOKKAN BANYAKNYA DESA/KELURAHAN MENURUT UPAYA ANTISIPASI/ MITIGASI BENCANA ALAM MENURUT PROVINSI DENGAN K-MEANS,” vol. 2, pp. 311–319, 2018, [Online]. Available: http://ejurnal.stmik-budidarma.ac.id/index.php/komik.

T. Velmurugan and T. Santhanam, “Computational complexity between K-means and K-Medoids clustering algorithms for normal and uniform distributions of data points,” J. Comput. Sci., vol. 6, no. 3, pp. 363–368, 2010, doi: 10.3844/jcssp.2010.363.368.

S. Kasusdi, P. T. Rumah, and S. Padjadjaran, “Information System Journal,” pp. 1–10, 2010.

S. A. Abbas, A. Aslam, A. U. Rehman, W. A. Abbasi, S. Arif, and S. Z. H. Kazmi, “K-Means and K-Medoids: Cluster Analysis on Birth Data Collected in City Muzaffarabad, Kashmir,” IEEE Access, vol. 8, pp. 151847–151855, 2020, doi: 10.1109/ACCESS.2020.3014021.

P. Arora, Deepali, and S. Varshney, “Analysis of K-Means and K-Medoids Algorithm for Big Data,” Phys. Procedia, vol. 78, no. December 2015, pp. 507–512, 2016, doi: 10.1016/j.procs.2016.02.095.

N. Arbin, N. S. Suhaimi, N. Z. Mokhtar, and Z. Othman, “Comparative analysis between k-means and K-Medoids for statistical clustering,” Proc. - AIMS 2015, 3rd Int. Conf. Artif. Intell. Model. Simul., pp. 117–121, 2016, doi: 10.1109/AIMS.2015.82.

M. Mughnyanti, S. Efendi, and M. Zarlis, “Analysis of determining centroid clustering x-means algorithm with davies-bouldin index evaluation,” IOP Conf. Ser. Mater. Sci. Eng., vol. 725, no. 1, 2020, doi: 10.1088/1757-899X/725/1/012128.

Downloads

Published

2021-03-06