Clusterisasi Kerusakan Gempa Bumi di Pulau Jawa Menggunakan SOM
Article Sidebar
Main Article Content
Abstract
Indonesia sebagai negara yang diapit oleh 3 lempeng membuat negara ini cukup sering diguncang oleh Gempa. Pada tahun 2018, BMKG mencatat ada sebanyak 23 gempa yang masuk dalam kategori merusak. Setengahnya berada di Pulau Jawa. Pemetaan daerah rawan gempa dan jenis kerusakan yang terjadi perlu dilakukan untuk meminimalisir terjadinya kerusakan dan mitigasi bencana. SOM (Self-Organizing Map) merupakan metode clustering yang pernah digunakan untuk melakukan pengelompokan daerah gempa dan kerusakan yang terjadi. Metode SOM banyak digunakan untuk melakukan pengelompokan karena cenderung stabil dimana nilai centroid tidak berubah di setiap pengujian. Dataset yang digunakan berjumlah 1000 data diambil langsung dari web BMKG pada rentang waktu Januari 2019 sampai dengan Juni 2019. Akurasi dihitung menggunakan metode K-Fold Validation dengan membagi data set ke dalam 5-fold dan 10-fold data testing yang masing-masing berisi 200 dan 100 data. Hasil pengujian menunjukkan nilai akurasi algoritma SOM yang tertinggi adalah dengan alpha 0.2 untuk 5-Fold yaitu 96.20% dan 0.3 untuk 10-Fold yaitu 95.6% pada minimal iterasi 20 dan yang terendah adalah alpha 0.1 yaitu 85.90% mulai dari iterasi 10.
Article Details
This work is licensed under a Creative Commons Attribution 4.0 International License.
References
D. P. Utomo and B. Purba, “Penerapan Datamining pada Data Gempa Bumi Terhadap Potensi Tsunami di Indonesia,” Pros. Semin. Nas. Ris. Inf. Sci., vol. 1, no. September 2019, p. 846, 2019, doi: 10.30645/senaris.v1i0.91.
R. Prathivi, “Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum,” Telematika, vol. 13, no. 1, pp. 36–43, 2020, doi: 10.35671/telematika.v13i1.928.
H. Sakdiah and Santri, “Kesiapsiagaan Masyarakat Desa Serempah Aceh Tengah Dalam Menghadapi Bencana Gempa Bumi,” J. Geuthèë Penelit. Multidisiplin, vol. 02, no. 03, pp. 358–365, 2019, [Online]. Available: http://journal.geutheeinstitute.com/index.php/JG/article/view/70/90.
N. L. G. P. Suwirmayanti, “Penerapan Teknik Clustering Untuk Pengelompokkan Konsentrasi Mahasiswa Dengan Metode Self Organizing Map,” J. Ilm. Intech Informatioan Technol. J. UMUS, vol. 2, no. 1, pp. 11–20, 2020, doi: 10.46772/intech.v2i01.182
M. W. Alkhalidi, B. Nadeak, and M. Sayuthi, “Sistem Informasi Geografis Pemetaan Wilayah Penyalahgunaan Narkoba Mengunakan Metode SOM (Self-Organizing Map) Studi Kasus : Kabupaten Aceh Tenggara,” Build. Informatics, Technol. Sci., vol. 2, no. 1, pp. 1–9, 2020, [Online]. Available: https://ejurnal.seminar-id.com/index.php/bits/article/view/132/184.
F. Tempola, M. Muhammad, and A. Khairan, “Perbandingan Klasifikasi Antara Knn Dan Naive Bayes Pada Penentuan Status Gunung Berapi Dengan K-Fold Cross Validation Comparison of Classification Between Knn and Naive Bayes At the Determination of the Volcanic Status With K-Fold Cross,” J. Teknol. Inf. dan Ilmu Komput., vol. 5, no. 5, pp. 577–584, 2018, doi: 10.25126/jtiik20185983.
N. N. Halim and E. Widodo, “Clustering dampak gempa bumi di indonesia menggunakan kohonen self organizing maps,” Pros. SI MaNIS (Seminar Nas. Integr. Mat. dan Nilai Islam., 2017.
I. H. Rifa, H. Pratiwi, and Respatiwulan, “Implementasi algoritma clara untuk data gempa bumi di indonesia,” Semin. Nas. Penelit. Pendidik. Mat., pp. 161–166, 2019, [Online]. Available: http://jurnal.umt.ac.id/index.php/cpu/article/view/1694/1087.
A. Hepita and R. F. Hakim, “Pengelompokan Dampak Gempa Bumi Dari Segi Kerusakan Fasilitas Pada Provinsi Yang Berpotensi Gempa Di Indonesia Menggunakan K-means-Clustering,” Pros. Semin. Nas. Mat. dan Pendidik. Mat. UMS, 2015.
M. S. Yana, L. Setiawan, E. M. Ulfa, and A. Rusyana, “Penerapan Metode K-Means dalam Pengelompokan Wilayah Menurut Intensitas Kejadian Bencana Alam di Indonesia Tahun 2013-2018,” J. Data Anal., 2018, doi: 10.24815/jda.v1i2.12584.
S. N. Kapita and S. Do Abdullah, “Pengelompokkan Data Mutu Sekolah Menggunakan Jaringan Syaraf Tiruan Kohonen-SOM,” JIKO (Jurnal Inform. dan Komputer), vol. 3, no. 1, pp. 56–61, 2020, doi: http://dx.doi.org/10.33387/jiko.v3i1.1737.
E. Turban and R. Sharda, Business Intelligence and Analytics : 10th Edition. Harlow (UK): Pearson Education, 2018.
Suyanto, Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika Bandung, 2017.
A. Premana, R. M. H. Bhakti, and D. Prayogi, “Segmentasi K-Means Clustering Pada Citra Menggunakan Ekstraksi Fitur Warna dan Tekstur,” J. Ilm. Intech Informatioan Technol. J. UMUS, vol. 2, no. 1, pp. 89–97, 2020, doi: 10.46772/intech.v2i01.190
D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan Normalisasi Data untuk Klasifikasi Wine Menggunakan Algoritma K-NN,” CESSM - J. Comput. Eng. Syst. Sci., vol. 4, no. 1, pp. 78–82, 2019, doi: 10.24114/cess.v4i1.11458.
H. P. Lestari, S. Wahyuningsih, and D. T. Amijaya, “Prediksi Klasifikasi Royalti Batubara Menggunakan Algoritma Fuzzy K-Nearest Neighbor ( Studi Kasus : CV . Fazar Utama),” J. Eksponensial, vol. 10, no. 1, pp. 81–88, 2019, [Online]. Available: http://jurnal.fmipa.unmul.ac.id/index.php/exponensial/article/view/395/180.
I. A. Nikmatun and I. Waspada, “Implementasi Data Mining untuk Klasifikasi Masa Studi Mahasiswa Menggunakan Algoritma K-Nearest Neighbor,” J. SIMETRIS, vol. 10, no. 2, pp. 421–432, 2019, doi: https://doi.org/10.24176/simet.v10i2.2882.