CLUSTERING DAERAH RAWAN BANJIR DI KABUPATEN TUBAN DENGAN K-MEANS DISERTAI VISUALISASI SISTEM INFORMASI GEOGRAFIS

Penulis

  • Ratih Aprilina Universitas PGRI Ronggolawe
  • Alfian Nurlifa Universitas PGRI Ronggolawe
  • Andy Haryoko Universitas PGRI Ronggolawe
  • Rizki Eka Putri Universitas PGRI Ronggolawe
  • Alfa Nurfahma Rosalita Universitas PGRI Ronggolawe

DOI:

https://doi.org/10.55719/curtina.v3i1.441

Kata Kunci:

Data Mining, Clustering, Daerah Rawan Banjir, K-Means, Visualisasi SIG

Abstrak

Pada penelitian ini telah dilakukan pengelompokkan daerah rawan banjir di Kabupaten Tuban dengan menggunakan teknik data mining. Penelitian ini didasarkan adanya kurangnya informasi untuk mengetahui dan mengantisipasi daerah mana yang berpotensi banjir. Sehingga penanganan akibat banjir di daerah-daerah yang tergenang banjir masih kurang maksimal. Oleh karena itu dalam mengoptimalkan pengetahuan informasi dan antisipasi dengan memetakan atau mengelompokkan daerah yang berpotensi rawan banjir atau tidak di daerah Kabupaten Tuban dengan metode clustering, dengan memanfaatkan data yang diperoleh dari katalog BPS “Kabupaten Tuban Dalam Angka (Tuban Regency In Figure)” dari tahun 2014 hingga 2017. Algoritma k-means adalah metode yang akan diimplementasikan untuk menggali informasi analisa dalam mengelompokkan daerah rawan banjir dengan atribut data yang digunakan adalah curah hujan, jenis tanah dan keteinggian tanah di setiap kecamatan di Kabupaten Tuban. Hasilnya diperoleh  suatu  sistem  untuk  mengelompokkan  daerah rawan banjir dengan menghasilkan 3 kelompok kategori, yakni rawan, kurang rawan dan tidak rawan. Hasil visualisasi peta dengan hasil tahun 2013 sebanyak tiga warna yaitu oranye, kuning dan hijau, tahun 2014 sebanyak dua warna yaitu kuning dan hijau, tahun 2015 tiga warna yaitu oranye, kuning dan hijau serta tahun 2016 tiga warna yaitu oranye, kuning dan hijau. Dari penelitian yang telah dilakukan pada 20 data kecamaan mampu menghasilkan akurasi pengujian sebesar 45% untuk tahun 2013, 40% untuk tahun 2014, 40% untuk tahun 2015 dan 60% untuk tahun 2016. Perangkat ini dapat dikembangkan untuk membantu daerah lain dalam mengelompokkan daerah rawan banjir. Metode penelitian ini dapat dikembangkan untuk objek penelitian yang berbeda.

 

Unduhan

Data unduhan belum tersedia.

Referensi

Atmajaya, Dedy., dan Azis, W.S. 2016, Pengelompokan Minat Baca Mahasiswa Menggunakan Metode K-Means, Fakultas Ilmu Komputer, UMI, 8 Agustus.

De Bay, 1999. Prinsiples of Geographic Information Systems. ITC Core Modules Textbook, Nedherlands: ITC.

Fahmi Muhammad, Farid., Suprapto, Yoyon K. 2013, Penentuan Prioritas Rehabilitasi DAS Menggunakan Algoritma K-Means Clustering JAVA Journal of Electrical and Electronics Engineering Volume 11, Nomor 2, Oktober 2013.

Han, J. and Kamber, M. “Data mining: Concepts and Techniques”, Second edition. The Morgan Kaufmann series in Data Management System, Jim Grey, series Editor. 2006.

Handoko, Slamet., Sediono, Eko., dan Suhartono, 2011, Sistem Informasi Geografis Berbasis Web untuk Pemetaan Sebaran Alumni Menggunakan Metode K-Means, Jurnal Sistem Informasi Bisnis 02 (SINBIS), Semarang, agustus 2011, ISSN- 2088 3587.

Haviluddin, 2009, Memahami Penggunaan Diagram Arus Data, Samarinda, Jurnal Informatika Mulawarman, Vol 4, No. 3, September.

Ika Wardati Dian, Prabawani. 2010. Aplikasi Penginderaan Jauh dan Sistem Infomasi Geografi Untuk Pemodelan Genangan Banjir di Kecamatan Jebres Kota Surakarta. Yogyakarta: Fakultas Geografi UGM.

Kang-Tsung, Chang. 2002. Introduction to Geographic Information System, Mc.Graw-Hill.

Katalog BPS. 1102001.3523, 2014, Kabupaten Tuban Dalam Angka (Tuban Regency In Figures) 2014 bagian Geografi (Geographycal) 3-18.

Katalog BPS. 1102001.3523, 2015, Kabupaten Tuban Dalam Angka (Tuban Regency In Figures) 2015 bagian Geografi (Geographycal) 3-18.

Katalog BPS. 1102001.3523, 2016, Kabupaten Tuban Dalam Angka (Tuban Regency In Figures) 2016 bagian Geografi (Geographycal) 3-18.

Katalog BPS. 1102001.3523, 2017, Kabupaten Tuban Dalam Angka (Tuban Regency In Figures) 2017 bagian Geografi (Geographycal) 3-18.

Kodoatie Robert J. dan Sugiyanto. 2002. Banjir: Beberapa Penyebab dan Metode Pengdaliaannya Dalam Perspektif Lingkungan. Yogyakarta: Gadjah Mada University Press.

Larose D, T. 2005, Discovering knowledge in data: an introduction to data mining, Jhon Wiley & Sons Inc.

File Tambahan

Diterbitkan

2022-07-31

Cara Mengutip

Aprilina, R., Nurlifa, A., Haryoko, A., Putri, R. E., & Rosalita, A. N. (2022). CLUSTERING DAERAH RAWAN BANJIR DI KABUPATEN TUBAN DENGAN K-MEANS DISERTAI VISUALISASI SISTEM INFORMASI GEOGRAFIS. Curtina, 3(1), 40–51. https://doi.org/10.55719/curtina.v3i1.441

Terbitan

Bagian

Articles

Artikel paling banyak dibaca berdasarkan penulis yang sama