Jurnal Informatika dan Komputer Volume 22 No. 1,April 2017 57
PENERAPAN
DATA MINING
UNTUK ANALISIS DATA
BENCANA MILIK BNPB MENGGUNAKAN ALGORITMA
K
-
MEANS
DAN
LINEAR REGRESSION
Muhamad Iqbal Ramadhan1, Prihandoko2
Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma,
1
2
Abstrak
Indonesia memiliki sejarah kejadian bencana alam yang cukup banyak, diantaranya adalah tsunami, gempa bumi, tanah longsor, kekeringan, banjir, letusan gunung berapi, dan sebagainya. Salah satu penyebab banyaknya potensi kejadian bencana alam di Indonesia adalah letak Indonesia yang berada di pertemuan lempeng – lempeng Eurasia, Indo-Australia dan Pasifik. Pertemuan lempeng dalam jangka panjang akan menghimpun energi yang suatu waktu akan lepas dan dapat menghasilkan bencana. Pengetahuan teknologi dan informasi pada saat ini sedang mengalami perkembangan yang pesat.Informasi tentang jumlah kejadian bencana alam dibutuhkan untuk penanggulangan bencana.Pengolahan data bencana alam yang umum dilakukan yaitu menggunakan teknik data mining, karena metode ini dianggap mampu menjadi solusi atas permasalahan penanggulangan bencana alam. Oleh karena itu, dalam penelitian ini membahas tentang pengelompokkan jumlah data bencana dan prediksi data bencana yang akan terjadi 5 tahun kedepan menggunakan teknik data mining. Algoritmadata mining yang digunakan adalah K-Means untuk clustering dan Linear Regression untuk prediksi data bencana.
Kata kunci: Clustering, Data Bencana Alam, Data Mining, Linear Regression, WEKA
THE APPLICATION OF DATA MINING TO ANALYZE THE DISASTERS BY BNPB USING K-MEANS ALGORITHM AND LINEAR REGRESSION
Abstract
There are several disasters in the history of Indonesia, such as tsunami, earthquake, landslide, drought, flood, and mount eruption. One of those potential disasters are caused by the position of Indonesia which is in the central of slabs of Euro-Asian, Indo-Australian and Pasific. Those slabs, in a long period, will gather energy that could possibly result in disaster. Nowdays, the development of information and technology is capable of detecting the center of disaster. Information about numbers of disasters will be needed to avoid them. Generally, data processing of natural disasters is done by using data mining technique.This method is considered to be able give solution to the problem of natural disaster. Therefore, this study discussesa case of grouping the numbers of disasters and predict how many disasters could happen for next 5 years using data mining Technique. The Methods that will be employed are K-Means for clustering and Linear Regression for predicting the number of disasters.
58 Ramadhan, Prihandoko, Penerapan Data…
PENDAHULUAN
Indonesia merupakan negara yang mempunyai struktur alam yang terdiri dari pertemuan lempeng-lempeng tek-tonik yaitu Eurasia, Indo-Australia dan Pasifik.Hal tersebut menjadikan kawasan Indonesia memiliki kondisi geologi yang sangat kompleks.Kondisi ini menga-kibatkan banyak daerah-daerah di Indone-sia yang sangat rawan terhadap bencana alam seperti gempa bumi, tsunami, serta letusan gunung berapi [1].Daerah-daerah rawan bencana di Indonesia hampir semuanya berada pada daerah yang tingkat penduduknya sangat tinggi [2].Selain bencana alam yang diakibatkan oleh faktor geologi, Indonesia juga sering mengalami bencana yang dipicu oleh kerusakan alam akibat perbuatan manusia seperti banjir dan tanah longsor. Ber-dasarkan data dari Badan Nasional Penanggulangan Bencana (BNPB), dalam kurun waktu 5 tahun saja yakni dari tahun 2004-2009, Indonesia harus mengalami 4.408 peristiwa bencana alam [1].
Saat ini pengetahuan teknologi dan informasi mengalami perkembangan yang sangat pesat.Teknologi yang semakin canggih membuat setiap orang mampu mengakses dan mendapat infor-masi secara cepat, tanpa mengenal batas-batas wilayah dan batas-batasan waktu.Hal ini menyebabkan informasi menjadi sesuatu yang berharga dan sangat dibutuhkan untuk pengambilan keputusan.Salah satu informasi yang dibutuhkan oleh warga negara Indonesia adalah informasi mengenai kejadian bencana alam.Akan tetapi, informasi mengenai bencana alam yang tersaji saat ini masih bersifat acak, sulit dipahami dan belum terbukti keabsahannya.Walaupun bencana alam merupakan suatu kejadian yang tidak bisa dihindari, namun dampakbencana dapat dikurangi atau dapat diminimalisir dengan mengenali penyebab bencana dan mempelajari kejadian bencana yang telah
terjadi dengan menganalisa data bencana yang ada [3]. Selain itu, perlu dilakukan prediksi bencana yang akan terjadi di masa yang akan datang agar dapat menja-di inmenja-dikator penanggulangan bencana alam yang akan terjadi. Pengolahan data menjadi sebuah informasi yang mudah dipahami sudah banyak dilakukan untuk berbagai kepentingan.Pengolahan data bencana alam yang umum dilakukan yaitu menggunakan teknik data mining.
Penggalian data (data mining) dapat didefinisikan sebagai proses menemukan pola dan tren yang tidak diketahui sebelumnya dalam basis data dan menggunakan informasi tersebut untuk membangun model prediktif [4]. Data mining berfungsiuntuk proses pengambilan keputusan dari volume data yang besar yang disimpan dalam basis data, data warehouse, atau informasi yang disimpan dalam repositori [5]. Berdasarkan polanya data mining dike-lompokkan menjadi deskripsi, estimasi, prediksi, klasifikasi, clustering, asosiasi [6].Data mining merupakan inti dari proses Knowledge Discovery in Database (KDD) [7]. KDD adalah prosester-organisir untuk mengidentifikasi pola yang valid, baru, berguna, dan dapat dimengerti dari sebuah dataset yang besar dan kompleks [7].
Dewi Setianingsih dan RB Fajriya Hakim dalam jurnal yang berjudul “Penerapan Data Mining dalam Analisis Kejadian Tanah Longsor di Indonesia dengan Menggunakan Association Rule Algoritma Apriori” menggunakan data mining denganmetode associationrule untuk mengolah data bencana tanah longsor diIndonesia karena ingin mengetahui informasi apa saja yang sering munculbersamaan pada kejadian bencana tanah longsor [3]. Penelitian yang dilakukan olehTedy Rismawan dan Sri Kusumadewi menghasilkan penge-lompokkan mahasiswa berdasarkan nilai Body Mass Index (BMI) dan ukuran
Jurnal Informatika dan Komputer Volume 22 No. 1,April 2017 59 kerangka.Pengelompokkan data dalam
penelitian ini dilakukan dengan menggunakan metode clusteringK-Means yaitu dengan mengelompokkan n buah objek ke dalam k kelas berdasarkan jaraknya dengan pusat kelas[8].Penelitian yang dilakukan oleh Mirrah Zain, Ni Ketut Dewi Ari Jayanti, Yohanes Priyo Atmojo bertujuan untuk mengetahui jumlah pembukaan kelas di STIKOM Bali diperiode berikutnya dengan cara meramalkan, dimana metode peramalan yang digunakan adalah metode Regresi Linear. Dengan mengimp-lementasikan regresi linear kedalam sistem pembukaan kelas ini memberikan kemudahan dalam melakukan perhi-tungan serta mengurangi terjadinya drop kelas[9].
Berdasarkan latar belakang masalah tersebut, pada penelitian ini diterapkan salah satu teknik data mining menggunakan algoritma K-Means dan
algoritma Linear Regressionuntuk analisis data bencana alam milik Badan Nasional Penanggulangan Bencana (BNPB) pada WEKA. Algoritma K-Means digunakan untuk melakukan pengelompokkan (clustering) data bencana alam dan algoritma Linear Regression untuk melakukan prediksi data bencana alam yang akan terjadi di masa yang akan datang.
METODE PENELITIAN
Penelitian ini bertujuan untuk mengelompokkan jumlah data bencana alam milik BPNB dan prediksi data bencana yang akan terjadi 5 tahun kedepan menggunakan teknik data mining. Adapun keseluruhan tahapan dalam penelitian ini ditunjukkanoleh bagan pada Gambar 1.
Pengumpulan Data
Pre-Processing Data Transformasi Data
Clustering Data
Prediksi Data
Analisa Hasil dan Pengujian
60 Ramadhan, Prihandoko, Penerapan Data…
Pada penelitian ini dimulai dengan melakukan pengumpulan data. Data pada penelitian ini berupa data bencana alam 34 provinsi di Indonesia dari tahun 2005 sampai tahun 2015, yang diperoleh dari BNPB. Data-data yang telah didapatkan pada tahap pengumpulan data kemudian dilakukan transformasi pada data-data yang berjenis data nominal, yaitu seperti nama provinsi dan jenis bencana alam. Sebelum dilakukan tahap clustering dilakukan pre-processing data, dimana data-data yang berjenisdata nominal tersebut diinisialisasikan ke dalam bentuk angka.
Setelah semua data ditransformasi ke dalam bentuk angka, maka data-data tersebut telah dapat dikelompokan dengan menggunakan algoritma K-Means clustering.Data bencana ini dikelom-pokkan berdasar kemiripan karakteristik dari setiap data, sehingga dapat ditemukan informasi yang tersembunyi dari data-data tersebut. Semua data yang telah dikelompokkan tadi kemudian diolah lagi untuk mendapatkan hasil prediksi databencana yang akan terjadi 5 tahun kedepan menggunakan teknik data mining. Prediksi data bencana ini menggunakan algoritmaLinier Regression.Berdasarkan analisa hasil dan pengujian data dengan menerapkan algoritma K-Means clustering dan algoritma Linier Regression ini diperoleh kesimpulan dari penelitian yang telah dilakukan.
HASIL DAN PEMBAHASAN
Pre-Process Data Bencana 34 Provinsi di Indonesia
Pada tahap dilakukan Pre-Process (Cleaning) data bencana 34 provinsi di Indonesia.Pre-Process dapat dilakukan dengan mengimport terlebih dahulu dataset bencana alam ke WEKA, kemudian setelah berhasil diimport dapat melakukan proses cleaningdengan
mengetikkan perintah berikut pada Filter chooserSectionWEKA :
Kemudian langkah selanjutnya yaitu dengan mengkonversi atribut yang ada dari numeric menjadi nominal denganmengetikkan perintah berikut pada Filter chooserSectionWEKA :
Clustering Data Bencana 34 Provinsi di Indonesia
Pada tahap ini dilakukan clustering data bencana menggunakan algoritma K-Means. Langkah yang dilakukan adalah dengan mengetikkan perintah berikut pada Clusterer chooser Section WEKA :
Prediksi Data Bencana 34 Provinsi di Indonesia
Pada tahap ini dilakukan prediksidata bencana menggunakan fitur Forecast dari WEKA yang memanfaatkan algorit-ma Linear Regression. Prediksi bencana selama 5 tahun kedepan yaitu mulai dari tahun 2016 sampai dengan tahun 2020. Hal tersebut dapat dilakukan dengan mengetikkan perintah berikut pada Base LearnerConfigurationChooser SectionWEKA : weka.filters.unsupervised.attribute .Remove– R 2, 3, 4, 6, 7, 8, 9, 10, 11, 12, 13, 14, 16, 17, 18, 19, 20 weka.filters.unsupervised.attribute. NumericToNominal -R 1 weka.Clusterers.SimpleKMeans -init 2 –max-candidates 100 -periodic – pruning 10000 mindensity 2.0 t1 -1.25 -t2 -1.0 -N 11 –A "weka.core.EuclideanDistance-R first-last" -I 500 -num-slots 1 -S 10 weka.Classifiers.functions.LinearRegressi on -S 0 -R 1.0E-8 -num-decimal-places 4.F (Jenis Bencana yang akan di prediksi) -L 1-M (Banyaknya tahun yang diprediksi)-G Tahun
Jurnal Informatika dan Komputer Volume 22 No. 1,April 2017 61 Setelah mengetikkan perintah
tersebut, maka WEKA menampilkan jumlah bencana yang akanterjadi pada provinsi dan jenis bencana yang sedang dikelompokkan selama tahun 2016 sampai dengan tahun 2020.
Analisa Hasil Pengujian Data Bencana 34 Provinsi di Indonesia
Pada tahap ini dilakukan analisa dari hasil pengujian, yaituclustering dan prediksi data bencana 34 Provinsi di Indonesia.Hasilclustering dan prediksi data bencana per Provinsi di Indonesia dapat dilihat pada Tabel 1.
Berdasarkan data yang ada dalam Tabel 1, diperoleh hasil mining data bencana di seluruh provinsi di Indonesia sebagai berikut :
1. Provinsi Jawa Tengah memiliki jumlah bencana terbesar, yaitu sebanyak 3055 kejadian dalam kurun waktu 2005-2015 dengan bencana yang paling sering terjadi adalah bencana tanah longsor sebanyak 174 kejadian.
2. Berdasarkan prediksi
menggunakan algoritma Linear Regression, Provinsi Jawa Barat
memiliki jumlah bencana
terbesar, yaitu sebanyak 3639 kejadian dengan bencana yang paling sering terjadi adalah tanah
longsor sebanyak 273 kejadian. 3. Berdasarkan hasil prediksi untuk
periode tahun 2016 – 2020, Banjir akan tetap menjadi bencana yang mendominasi 20 provinsi di Indonesia, yaitu sebesar 4375 kejadian dengan probabilitas sebesar 0.76 kali berdasarkan data bencana periode sebelumnya yaitu 5786 kejadian bencana banjir atau sama dengan 26 provinsi di Indonesia.
4. Berdasarkan hasil prediksi untuk periode tahun 2016 – 2020, akan terjadi 15023 bencana di seluruh Provinsi di Indonesia dengan probabilitas sebesar 0.99 kali berdasarkan data bencana periode sebelumnya yaitu 15133 kejadian bencana
Pada penelitian ini juga dilakukan perbandingan data bencana per Provinsi di Indonesia.Perbandingan dilakukan dengan membandingkan data bencana alam yang sejenis pada kejadian actual yaitu tahun 2005 – 2015 yang dihasilkan dari algoritma K-Means dengan data prediksi yang dihasilkan dari algoritma Linear Regression. Adapun hasil dari perbandingan ini ditunjukkan oleh Gambar 2
Tabel 1.Hasil Clustering dan Prediksi Data Bencana per Provinsi di Indonesia
No. Provinsi Jumlah Kejadian Aktual (2005- 2015) Jumlah Kejadian Prediksi (2016-2020) Probabilitas Peningkatan Terjadinya Bencana Kejadian Paling Sering Terjadi (Aktual) Kejadian Paling Sering Terjadi (Prediksi)
1 Bali 197 80 0.41 Putting Beliung Puting Beliung
2 Bangka Belitung 56 109 1.95 Putting Beliung Puting Beliung
3 Banten 329 385 1.17 Banjir Banjir
4 Bengkulu 97 45 0.46 Banjir Banjir
5 DI Yogyakarta 254 443 1.74 Putting Beliung Puting Beliung
6 DKI Jakarta 174 151 0.87 Banjir Banjir
7 Gorontalo 138 129 0.93 Banjir Banjir
8 Jambi 252 145 0.58 Banjir Banjir
9 Jawa Barat 2462 3639 1.48 Tanah Longsor Tanah Longsor
10 Jawa Tengah 3055 2816 0.92 Tanah Longsor Tanah Longsor
11 Jawa Timur 1941 1837 0.95 Banjir Tanah Longsor
12 Kalimantan Barat 132 69 0.52 Banjir Banjir
13 Kalimantan Selatan 379 286 0.75 Banjir Puting Beliung
14 Kalimantan Tengah 111 48 0.43 Banjir Banjir
15 Kalimantan Timur 328 638 1.95 Banjir Puting Beliung
16 Kalimantan Utara 8 133 16.63 Banjir Banjir
17 Kepulauan Riau 21 26 1.24 Putting Beliung Puting Beliung
18 Lampung 317 145 0.46 Banjir Banjir
19 Maluku 101 147 1.46 Banjir Banjir
20 Maluku Utara 52 32 0.62 Banjir Banjir
21 Nusa Tenggara Barat 269 250 0.93 Banjir Banjir
22 Nusa Tenggara Timur 500 301 0.60 Putting Beliung Puting Beliung
23 Papua 76 120 1.58 Banjir
Banjir dan Tanah Longsor
24 Papua Barat 19 12 0.63 Gempa Bumi Gempa Bumi
25 Pemerintah Aceh 652 391 0.60 Banjir Banjir
26 Riau 242 301 1.24 Banjir Puting Beliung
27 Sulawesi Barat 90 79 0.88 Banjir Banjir
28 Sulawesi Selatan 603 447 0.74 Banjir Banjir
29 Sulawesi Tengah 192 150 0.78 Banjir Banjir
30 Sulawesi Tenggara 437 218 0.50 Banjir Banjir
31 Sulawesi Utara 161 137 0.85 Banjir Banjir
32 Sumatera Barat 568 566 1.00 Banjir Tanah Longsor
33 Sumatera Selatan 410 364 0.89 Banjir Banjir
34 Sumatera Utara 510 384 0.75 Banjir Banjir
62 Ramadhan, Prihandoko, Penerapan Data… (a) (b) No. Provinsi Jumlah Kejadian Aktual (2005- 2015) Jumlah Kejadian Prediksi (2016-2020) Probabilitas Peningkatan Terjadinya Bencana Kejadian Paling Sering Terjadi (Aktual) Kejadian Paling Sering Terjadi (Prediksi)
1 Bali 197 80 0.41 Putting Beliung Puting Beliung
2 Bangka Belitung 56 109 1.95 Putting Beliung Puting Beliung
3 Banten 329 385 1.17 Banjir Banjir
4 Bengkulu 97 45 0.46 Banjir Banjir
5 DI Yogyakarta 254 443 1.74 Putting Beliung Puting Beliung
6 DKI Jakarta 174 151 0.87 Banjir Banjir
7 Gorontalo 138 129 0.93 Banjir Banjir
8 Jambi 252 145 0.58 Banjir Banjir
9 Jawa Barat 2462 3639 1.48 Tanah Longsor Tanah Longsor
10 Jawa Tengah 3055 2816 0.92 Tanah Longsor Tanah Longsor
11 Jawa Timur 1941 1837 0.95 Banjir Tanah Longsor
12 Kalimantan Barat 132 69 0.52 Banjir Banjir
13 Kalimantan Selatan 379 286 0.75 Banjir Puting Beliung
14 Kalimantan Tengah 111 48 0.43 Banjir Banjir
15 Kalimantan Timur 328 638 1.95 Banjir Puting Beliung
16 Kalimantan Utara 8 133 16.63 Banjir Banjir
17 Kepulauan Riau 21 26 1.24 Putting Beliung Puting Beliung
18 Lampung 317 145 0.46 Banjir Banjir
19 Maluku 101 147 1.46 Banjir Banjir
20 Maluku Utara 52 32 0.62 Banjir Banjir
21 Nusa Tenggara Barat 269 250 0.93 Banjir Banjir
22 Nusa Tenggara Timur 500 301 0.60 Putting Beliung Puting Beliung
23 Papua 76 120 1.58 Banjir
Banjir dan Tanah Longsor
24 Papua Barat 19 12 0.63 Gempa Bumi Gempa Bumi
25 Pemerintah Aceh 652 391 0.60 Banjir Banjir
26 Riau 242 301 1.24 Banjir Puting Beliung
27 Sulawesi Barat 90 79 0.88 Banjir Banjir
28 Sulawesi Selatan 603 447 0.74 Banjir Banjir
29 Sulawesi Tengah 192 150 0.78 Banjir Banjir
30 Sulawesi Tenggara 437 218 0.50 Banjir Banjir
31 Sulawesi Utara 161 137 0.85 Banjir Banjir
32 Sumatera Barat 568 566 1.00 Banjir Tanah Longsor
33 Sumatera Selatan 410 364 0.89 Banjir Banjir
34 Sumatera Utara 510 384 0.75 Banjir Banjir
Grand Total 15133 15023 0.99 38 18 14 1 46 45 14 9 94 148 67 5 766 778 84 20 3 90 19 4 8 5 16 0 24 15 10 8 158 28 6 33 6 12 2 40 26 7 12 8 178 45 19 8 20 2 289 4 37 14 7 20 41 1 28 85 65 55 8 627 595 40 90 32 20 8 13 3 8 74 25 12 82 70 15 4 25 9 55 38 22 3 10 8 80 36 131 19 2 15 3 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE L
JUMLAH KEJADIAN
AKTUAL VS PREDIKSI
BENCANA BANJIR
Aktual (2005-2015) Prediksi (2016-2020) 6 0 4 13 6 0 7 2 40 21 12 0 0 0 2 0 0 51 13 13 10 9 7 8 31 0 3 0 5 11 8 48 2 23 3 0 5 5 5 0 5 0 20 10 16 0 0 0 0 0 0 25 5 5 4 8 3 5 14 0 1 0 0 5 5 20 0 10 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE LJUMLAH KEJADIAN AKTUAL VS PREDIKSI BENCANA GEMPA BUMI
Jurnal Informatika dan Komputer Volume 22 No. 1,April 2017 63 (c) (d) (e) (f) 14 0 47 8 29 0 7 38 26 0 304 20 4 7 34 9 8 0 0 1 2 1 54 20 1 0 67 23 9 98 4 15 5 16 20 12 6 0 1 5 0 0 0 15 0 0 10 9 0 0 8 35 0 0 2 2 25 12 0 0 18 10 25 6 0 5 5 0 5 10 2 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE L
JUMLAH KEJADIAN
AKTUAL VS PREDIKSI
BENCANA
KEKERINGAN
Aktual (2005-2015) Prediksi (2016-2020) 0 0 0 0 4 0 0 0 2 14 15 0 0 0 42 0 0 0 0 8 3 4 0 0 0 0 0 0 0 0 18 1 1 6 0 0 0 0 0 0 0 0 2 8 1 4 0 0 0 51 0 0 0 0 5 66 8 0 0 0 0 0 0 0 0 31 0 0 5 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE LJUMLAH KEJADIAN
AKTUAL VS PREDIKSI
BENCANA LETUSAN
GUNUNG API
Aktual (2005-2015) Prediksi (2016-2020) 65 33 89 6 94 15 9 47 57 7 89 9 58 6 31 115 4 69 0 11 82 15 10 57 2 05 5 3 10 8 85 21 16 8 14 14 8 15 87 12 9 11 1 30 63 12 9 5 12 5 12 5 34 72 9 10 61 73 8 24 16 4 0 34 4 0 18 34 74 5 43 153 21 0 50 1 92 0 13 2 17 65 18 14 8 14 6 13 5 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE LJUMLAH KEJADIAN
AKTUAL VS PREDIKSI
BENCANA PUTING
BELIUNG
Aktual (2005-2015) Prediksi (2016-2020) 51 5 40 18 66 2 7 14 84 4 983 29 3 7 14 4 0 0 1 12 23 1 14 54 21 2 51 7 8 41 14 46 29 160 52 49 26 9 97 10 267 7 24 31 23 00 10 63 30 7 5 13 0 0 0 0 5 26 0 5 25 31 3 25 37 5 32 5 20 27 240 16 74 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. … SU L. U TA R A SU M . SE LJUMLAH KEJADIAN
AKTUAL VS
PREDIKSI BENCANA
TANAH LONGSOR
Aktual (2005-2015) Prediksi (2016-2020)64 Ramadhan, Prihandoko, Penerapan Data… (g)
Gambar 2.Perbandingan Jumlah Bencana Sejenis pada Kejadian Aktual dengan Prediksi Bencana (a) Bencana Banjir (b) Bencana Gempa Bumi (c)
Bencana Kekeringan (d) Bencana Letusan Gunung Api (e) Bencana Putting Beliung (f) Bencana Tanah Longsor (g) Bencana Tsunami
KESIMPULAN DAN SARAN
Pada penelitian ini telah berhasil dilakukan pengelompokkan jumlah data bencana seluruh provinsi di Indonesia milik BNPD dan prediksi data bencana yang akan terjadi 5 tahun kedepan menggunakan teknik data mining dengan menerapkan Algoritma K-Means dan algoritma Linear Regression. Algoritma K-Meansdigunakan untuk mengelom-pokkan data bencana per provinsi dalam kurun waktu 2005-2015.Berdasarkan algoritma ini diperoleh kesimpulan bahwa Provinsi Jawa Tengah memiliki jumlah bencana tanah longsor terbesar.Selanjutnya berdasarkan algoritma Linear Regression untuk prediksi data bencana periode tahun 2016 – 2020 diperoleh hasil bahwa Provinsi Jawa Barat memiliki jumlah
bencana tanah longsor
terbesar.Berdasarkan hasil prediksi juga diperoleh hasil bahwa bencana banjir akan tetap menjadi bencana yang mendominasi 20 provinsi di Indonesia.
Penelitian ini masih memiliki kekurangan dikarenakan dalam penelitian ini hanya berfokus pada jumlah kejadian bencana di 34 Provinsi di Indonesia, sehingga hasil prediksi belum dapat dibuktikan keabsahannya.Untuk pene-litian selanjutnya pada dataset sebaiknya dilengkapi dengan beberapa indikator seperti curah hujan ataupun tingkat kelembaban yang telah dikelompokkan dalam kelas tertentu, sehingga hasil prediksi data bencana lebih akurat.
DAFTAR PUSTAKA
[1] Indriasari, Th.D. dan Sidhi, T.A.P. 2011. Sistem Pencarian Orang Hilang Berbasis Mobile Web dengan Social Network Analysis. Seminar Nasional Informatika 2011
(semnasIF 2011), Veteran Yogyakarta. pp. E12–E19.
[2] Bachtiar, A., waktu akses Juni 2011, Bencana Nasional Gempa-Tsunami Aceh: "Tuntutan untuk lebih Serius dalam Mitigasi Bencana",
http://www.itb.ac.id/news/381.xhtml. [3] Setianingsih, D. dan Hakim, R.B.F.
2015. Penerapan Data Mining dalam Analisis Kejadian Tanah Longsor di Indonesia dengan Menggunakan Association Rule Algoritma Apriori. Prosiding Seminar Nasional
Matematika dan Pendidikan Matematika UMS. pp. 731–741. [4] Iswari, N.M.S. 2011. "Penggunaan
Teknik Data Mining untuk
Manajemen Resiko Sistem Informasi Rumah Sakit". ULTIMATICS. Vol. 3, No. 2, pp. 16–22.
[5] Han, J., dan Kamber, M. 2006. Data Mining Concept and Tehniques. San Fransisco: MorganKauffman. 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 B A LI B A N TE N D IY G O R O N TA LO JA W A B A R A T JA W A T IM U R K A L. S EL K A L. T IM K EP . R IA U M A LU K U N TB P A P U A P EM . A C EH SU L. B A R A T SU L. T EN G A H SU L. U TA R A SU M . SE L
JUMLAH KEJADIAN
AKTUAL VS PREDIKSI
BENCANA TSUNAMI
Aktual (2005-2015) Prediksi (2016-2020)Jurnal Informatika dan Komputer Volume 22 No. 1,April 2017 65 [6] Larose, D. T. 2005. Discovering
Knowledge in Data. New Jersey: John Willey & Sons, Inc.
[7] Maimon, O., dan Rokach, L. 2005. Data Mining and Knowledge Discovey Handbook. NewYork: Springer.
[8] Rismawan, T. dan Kusumadewi, S. 2008. Aplikasi K-Means untuk Pengelompokkan Mahasiswa
Berdasarkan Nilai Body Mass Index (BMI) & Ukuran Kerangka. Seminar Nasional Aplikasi Teknologi
Informasi 2008 (SNATI 2008), Yogyakarta. pp. E43–E48.
[9] Zain, M., Jayanti, D.A., dan Atmojo, Y.P. 2014. "Implementasi
Forecasting pada Perancangan Sistem Pembukaan Kelas di
STIKOM Bali dengan Megggunakan Metode Regresi Linier". EKSPLORA INFORMATIKA. Vol. 3, No. 1, pp. 17–28.
