PENGELOMPOKKAN DATA RAWAN BENCANA ALAM DI BERBAGAI KOTA DAN KABUPATEN DI INDONESIA BERBASIS ALGORITMA K-MEANS CLUSTERING

Sherly Martina, Mulyadi (2024) PENGELOMPOKKAN DATA RAWAN BENCANA ALAM DI BERBAGAI KOTA DAN KABUPATEN DI INDONESIA BERBASIS ALGORITMA K-MEANS CLUSTERING. FAKULTAS TEKNIK, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK - ABSTRACT.pdf Download (430Kb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (4Mb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA PEMBAHASAN.pdf Download (2724Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Indonesia terletak di wilayah cincin api pasifik dan beriklim tropis menyebabkan rawan terhadap bencana alam seperti banjir, gempa bumi, angin puting beliung, letusan gunung api, tanah longsor, dan kekeringan. Bencana alam memberikan dampak kerugian bagi manusia dan lingkungan. Kerugian dapat dikurangi dengan melakukan upaya mitigasi. Salah satu strategi mitigasi, yaitu dengan informasi terkait daerah rawan bencana. Berdasarkan situasi tersebut, penelitian ini memiliki tujuan untuk clustering data rawan bencana alam di Indonesia berdasarkan jumlah terjadinya bencana alam sehingga dapat membantu pemangku kepentingan dalam mengidentifikasi daerah rawan bencana. Clustering dilakukan menggunakan algoritma data mining K-Means dan metode pengembangan Cross Industry Standard Process for Data Mining (CRISP-DM). Jenis bencana alam yang digunakan dalam penelitian ini adalah banjir, tanah longsor, kebakaran hutan dan lahan, gelombang pasang atau abrasi, kekeringan, serta angin puting beliung. Metode elbow dimanfaatkan untuk menentukan jumlah cluster terbaik. Hasil dari penelitian memperlihatkan bahwa elbow method dapat digunakan untuk menentukan jumlah cluster yang optimal. Hal ini dibuktikan dengan kekohesifan antara objek dengan centroid terbaik terdapat di cluster yang dihasilkan oleh model menggunakan atribut kekeringan dengan silhouette coefficient sebesar 0,9 dan davies bouldin index sebesar 0,39. Penelitian ini menghasilkan lima cluster, yaitu cluster 0 terdiri atas 391 daerah, cluster 1 sebanyak 2 daerah, cluster 2 sebanyak 64 daerah, cluster 3 sebanyak 25, dan cluster 4 sebanyak 11 daerah. Penelitian ini juga membangun visualisasi hasil clustering berupa mapping daerah rawan bencana alam di Indonesia menggunakan GeoPandas yang mencakup 494 daerah.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer 600 Teknologi (ilmu terapan) 600 Teknologi (ilmu terapan) > 620 Ilmu teknik dan ilmu yang berkaitan
Program Studi:	Fakultas Teknik > Prodi S1-Teknik Informatika
Pengguna Deposit:	2308161260 . Digilib
Date Deposited:	01 Feb 2024 07:35
Terakhir diubah:	01 Feb 2024 07:35
URI:	http://digilib.unila.ac.id/id/eprint/78459

Actions (login required)

Lihat Karya Akhir