PENERAPAN ALGORITMA CLUSTERING BIRCH DAN DBSCAN DALAM ANALISIS GEMPA BUMI DI INDONESIA
DOI:
https://doi.org/10.36595/jire.v8i2.1705Keywords:
earthquake, data mining, clustering, BIRCH, DBSCANAbstract
Gempa bumi merupakan fenomena alam yang terjadi akibat pergeseran lempeng bumi, aktivitas fluida, vulkanik, maupun sesar aktif, dan bersifat destruktif karena sering menimbulkan kerugian besar. Dampaknya mencakup kerusakan infrastruktur, kerugian ekonomi, dan korban jiwa. Oleh karena itu, identifikasi kawasan rawan gempa menjadi langkah penting dalam meningkatkan kewaspadaan. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan performa algoritma clustering BIRCH dan DBSCAN dalam menganalisis data gempa bumi di Indonesia hingga tahun 2025. BIRCH dipilih karena efisien untuk data besar, sedangkan DBSCAN unggul dalam mendeteksi noise dan pola yang tidak beraturan. Hasil evaluasi menunjukkan bahwa BIRCH dengan dua kelompok mampu memberikan pemetaan yang lebih jelas dan stabil dibandingkan DBSCAN. Pada BIRCH, nilai pemisahan antar kelompok lebih tinggi (Silhouette 0,8910; Calinski-Harabasz 1009,83) dan tingkat kesalahannya lebih rendah (Davies-Bouldin 0,3580). Sebaliknya, DBSCAN menghasilkan pemisahan yang kurang optimal dengan skor yang lebih rendah (Silhouette 0,8726; Calinski-Harabasz 554,37; Davies-Bouldin 0,5017). BIRCH terbukti lebih stabil dan representatif dalam menggambarkan distribusi risiko gempa bumi. Keunggulan dari penelitian ini membuka peluang untuk dilakukan pengembangan lanjutan, seperti penambahan atribut analisis dan pendekatan evaluasi guna meningkatkan akurasi dalam pengelompokan wilayah rawan gempa di Indonesia.
Downloads
References
[1] A. Prasetio, M. M. Effendi, and M. N. Dwi M, “Analisis Gempa Bumi Di Indonesia Dengan Metode Clustering,” Bull. Inf. Technol., vol. 4, no. 3, pp. 338–343, 2023, doi: 10.47065/bit.v4i3.820.
[2] M. Aviedo Murel, M. Febri Yoga Saputra, E. Kristian, F. Andrea Micelle, and N. Kristianti, “Analisis Kawasan Rawan Bencana Gempa Bumi Di Aceh, Yogyakarta, Dan Sulawesi Tengah Menggunakan Metode Polygon Pada Aplikasi Qgis,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 3, pp. 4194–4199, 2024, doi: 10.36040/jati.v8i3.9882.
[3] B. Putra Aryadi and N. Hendrastuty, “Penerapan Algoritma K-Means Untuk Melakukan Klasterisasi Pada Varietas Padi,” J. Inform. Rekayasa Elektron., vol. 7, no. 1, pp. 124–129, 2024, [Online]. Available: http://e-journal.stmiklombok.ac.id/index.php/jireISSN.2620-6900
[4] I. H. Rifa, H. Pratiwi, and R. Respatiwulan, “Clustering of Earthquake Risk in Indonesia Using K-Medoids and K-Means Algorithms,” Media Stat., vol. 13, no. 2, pp. 194–205, 2020, doi: 10.14710/medstat.13.2.194-205.
[5] A. P. W. Hadi, H. Pratiwi, and I. Slamet, “Pengelompokan Data Gempa Bumi di Indonesia dengan Algoritma K-Means dan DBSCAN,” Semin. Nas. Pendidik., pp. 52–60, 2023, [Online]. Available: http://seminar.uad.ac.id/index.php/sendikmad/article/view/12512
[6] J. Inayah, A. Fanani, and W. D. Utami, “Klasterisasi Data Kejadian Gempa Bumi di Indonesia Menggunakan Metode K-Medoids,” J. Sist. dan Teknol. Inf., vol. 12, no. 2, p. 271, 2024, doi: 10.26418/justin.v12i2.73594.
[7] F. Reviantika, C. N. Harahap, and Y. Azhar, “Analisis Gempa Bumi pada Pulau Jawa menggunakan Clustering Algoritma K-Means,” J. Din. Inform., vol. 9, no. 1, pp. 51–60, 2020, [Online]. Available: https://twitter.com/infobmkg
[8] I. N. Rizki, D. Prayoga, M. L. Puspita, and M. Q. Huda, “Implementasi Exploratory Data Analysis Untuk Analisis Dan Visualisasi Data Penderita Stroke Kalimantan Selatan Menggunakan Platform Tableau,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 1, 2024, doi: 10.23960/jitet.v12i1.3856.
[9] J. E. Widyaya and S. Budi, “Pengaruh Preprocessing Terhadap Klasifikasi Diabetic Retinopathy dengan Pendekatan Transfer Learning Convolutional Neural Network,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 1, pp. 110–124, 2021, doi: 10.28932/jutisi.v7i1.3327.
[10] F. Alghifari and D. Juardi, “Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes,” J. Ilm. Inform., vol. 9, no. 02, pp. 75–81, 2021, doi: 10.33884/jif.v9i02.3755.
[11] Gde Agung Brahmana Suryanegara, Adiwijaya, and Mahendra Dwifebri Purbolaksono, “Peningkatan Hasil Klasifikasi pada Algoritma Random Forest untuk Deteksi Pasien Penderita Diabetes Menggunakan Metode Normalisasi,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 5, no. 1, pp. 114–122, 2021, doi: 10.29207/resti.v5i1.2880.
[12] Agung Nugraha, Odi Nurdiawan, and Gifthera Dwilestari, “Penerapan Data Mining Metode K-Means Clustering Untuk Analisa Penjualan Pada Toko Yana Sport,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 1–7, 2022.
[13] Abdussalam Amrullah, Intam Purnamasari, Betha Nurina Sari, Garno, and Apriade Voutama, “Analisis Cluster Faktor Penunjang Pendidikan Menggunakan Algoritma K-Means (Studi Kasus: Kabupaten Karawang),” J. Inform. dan Rekayasa Elektron., vol. 5, no. 2, pp. 244–252, 2022, doi: 10.36595/jire.v5i2.701.
[14] F. Artamevia, P. Ristiawan, A. Purno, and W. Wibowo, “Analysis and Clustering of Poverty Levels by Education in Cimahi City Using the BIRCH Method ( Balanced Iterative Reducing and Clustering using Hierarchies ),” Brill. Res. Artif. Intell., vol. 5, no. 1, pp. 12–20, 2025.
[15] I. N. Simbolon and P. D. Friskila, “Analisis Dan Evaluasi Algoritma Dbscan (Density-Based Spatial Clustering of Applications With Noise) Pada Tuberkulosis,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3S1, 2024, doi: 10.23960/jitet.v12i3s1.5206.
[16] A. S. Devi, I. K. G. D. Putra, and I. M. Sukarsa, “Implementasi Metode Clustering DBSCAN pada Proses Pengambilan Keputusan,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 6, no. 3, p. 185, 2015, doi: 10.24843/lkjiti.2015.v06.i03.p05.
[17] Y. Hasan, “Pengukuran Silhouette Score Dan Davies-Bouldin Index Pada Hasil Cluster K-Means Dan Dbscan,” J. Inform. dan Tek. Elektro Terap., vol. 12, no. 3S1, pp. 60–74, 2024, doi: 10.23960/jitet.v12i3s1.5001.
[18] I. F. Fauzi, M. G. Resmi, and T. I. Hermanto, “Penentuan Jumlah Cluster Optimal Menggunakan Davies Bouldin Index pada Algoritma K-Means untuk Menentukan Kelompok Penyakit,” JUMANJI (Jurnal Masy. Inform. Unjani), vol. 7, no. 2, pp. 1–15, 2023, [Online]. Available: https://jumanji.unjani.ac.id/index.php/jumanji/article/view/321
[19] I. F. Ashari, E. Dwi Nugroho, R. Baraku, I. Novri Yanda, and R. Liwardana, “Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta,” J. Appl. Informatics Comput., vol. 7, no. 1, pp. 89–97, 2023, doi: 10.30871/jaic.v7i1.4947.
[20] T. Carneiro, R. V. M. Da Nobrega, T. Nepomuceno, G. Bin Bian, V. H. C. De Albuquerque, and P. P. R. Filho, “Performance Analysis of Google Colaboratory as a Tool for Accelerating Deep Learning Applications,” IEEE Access, vol. 6, pp. 61677–61685, 2018, doi: 10.1109/ACCESS.2018.2874767.
Downloads
Published
How to Cite
Issue
Section
License
Semua tulisan pada jurnal ini menjadi tanggungjawab penuh penulis.
