Klasterisasi Daerah Rawan Gempa Bumi di Indonesia Menggunakan Algoritma K-Medoids
Clustering of Earthquake Prone Areas in Indonesia Using K-Medoids Algorithm
DOI:
https://doi.org/10.57152/malcom.v1i1.61Keywords:
BMKG, Data Mining, klasterisasi, K-MedoidAbstract
Gempa bumi merupakan salah satu bencana alam yang sering terjadi di Indonesia dengan rata-rata 400 kali dalam sebulan. Gempa bumi disebabkan oleh pergerakan lempeng bumi atau disebabkan adanya aktivitas vulkanik gunung berapi. Penelitian ini menggunakan teknik Data Mining untuk klasterisasi wilayah rawan gempa di Indonesia dengan menerapkan metode K-Medoids. Data pada penelitian ini diambil dari Badan Meteorologi Klimatologi dan Geofisika (BMKG) pada bulan November tahun 2017 dengan menggunakan 3 atribut sebagai acuan pengelompokan, yaitu magnitude, smin, dan depth. Hasil dari penelitian ini ialah didapatkannya suatu pola untuk menentukan daerah rawan gempa bumi di Indonesia.
Kata kunci: BMKG, data mining, gempa bumi, K-Medoids, klasterisasi.
References
B. S. F. Astuti, Hakim, R.B. Fajriya, “Analisis Clustering Gempa Bumi Selama Satu Bulan Terakhir Dengan Menggunakan Algoritma Self-Orgnizing Maps (SOMs) Kohonen”. Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UMS 2015
Simamora, A. S. Daniel. “Clustering Data Kejadian Tsunami Yang Disebabkan Oleh Gempa Bumi Dengan Menggunakan Algoritma K-Medoids”. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol. 1, No. 8, Juni 2017, hlm. 635-640
P. Novianti, “K-Means Cluster Analysis in Earthquake Epicenter Clustering”. International Journal of Advances in Intelligent Informatics. 2017; Vol. 3, No. 2, July 2017: pages 81-89.
Y. Bock, L. Prawirodirdjo, J. F. Genrich, C. W. Stevens, R. McCaffrey, C. Subarya, S.S.O. Puntodewo., dan E. Calais. “Crustalmotion in Indonesiafrom Global Positioning System measurements”. Journal of Geophysical Research 108 No. B82367. 2003.
Wattimanela, J. Henry, “Classification of Earthquake Distribution in theBanda Sea Collision Zone with Point Process Approach”. International journal of Geological and Envirimental Engineering. Vol:9, No:12, 2015
J. Han. and M. Kamber, Data Mining :Concepts and Technigue, 2nd edn. San Francisco, Elsevier Inc, 2006.
M. Sood, S. Bansal, K-Medoids Clustering Technique using Bat Algorithm, International Journal of Applied Information System (IJAIS). Volume 5 – No. 8, June 2013
T. Velmurugan, "Efficiency of k-Means and K-Medoids Algorithms for Clustering Arbitrary Data Points," International Journal Computer Technology & Applications, vol. 3, 2012, pp. 1758-1764.
I. Kamila, U. Khairunnisa, and 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, pp. 119–125, 2019.
M. Z. Fauzi, M. Mustakim, M. Mustafa, A. Abdullah and Rohayati. "Clustering of Public Opinion on Natural Disasters in Indonesia Using DBSCAN and K-Medoids Algorithms." Journal of Physics: Conference Series. Vol. 1783. No. 1. IOP Publishing, 2021.
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.
T. Santhanam and T. Velmurugan, “Computational Complexity between K-Means and KMedoids Clustering Algorithms for Normal and Uniform Distributions of Data Points,” J.
Comput. Sci., vol. 6, no. 3, pp. 363–368, 2010
W. A. Triyanto Algoritma K-Medoids Untuk Penentuan Strategi Pemasaran Produk. Jurnal SIMETRIS.2015: Vol 6, No.1 April 2015 : 183-188
S. Deflyanti, dkk, K-Medoid Algoritma in Clustering Student Scholarship Applicants. Scientific Journal of Information. Vol 4, No.1 May 2017
K. Soni, A. Patel. Comparative Analysis of K-means and K-Medoids Algorithm on IRIS Data. International Journal of Computational Intelligence Research ISSN 0973-1873 Volume 13, Number 5 (2017), pp. 899-906
D. F. Pramesti, Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data Potensi Kebakaran Hutan/Lahan Berdasarkan Persebaran Titik Panas (Hotspot). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol. 1, No. 9, Juni 2017, hlm. 723-732
T. Velmurugan, T. Santhanam, A Survey of Partition based Clustering Algorithms in Data Mining: An Experimental Approach. Information Technology Journal 10 (3): 478-484,2011
Arora, Deepali, Varshney, Analysis of K-Means and K-Medoids Algorithm For Big Data, International Conference on Information Security & Privacy (ICISP2015),2015.
S.S. Shalini & N. C. Chauhan, “K- means v/s K- medoids: A Comparative Study”, National Conference on Recent Trends in Engineering & Technology, 2011.
P. Abhishek, ”New Approach for K-mean and K-Medoids algorithm”, International Journal of Computer Applications Technology and Research,2013.
