PENGELOMPOKAN DATA GEMPA BUMI MENGGUNAKAN ALGORITMA DBSCAN

Raisa Rizky Amelia Rahman; Arie Wahyu Wijayanto

doi:10.31172/jmg.v22i1.738

PENGELOMPOKAN DATA GEMPA BUMI MENGGUNAKAN ALGORITMA DBSCAN

Raisa Rizky Amelia Rahman, Arie Wahyu Wijayanto

Abstract

Gempa bumi merupakan bencana alam yang tidak dapat dicegah maupun dihindari. Oleh sebab itu, perlu dilakukan pemetaan dan pengelompokan wilayah gempa untuk mendukung upaya minimalisasi dampak yang ditimbulkan. Data yang digunakan dalam penelitian ini adalah data gempa bumi di Indonesia yang bersumber dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Penelitian ini menggunakan algoritma DBSCAN dalam mengelompokkan data ke dalam beberapa cluster. Metode untuk menguji validitas hasil cluster adalah dengan menggunakan Silhouette Coefficient dan Gamma Index. Hasil clustering pada penelitian ini memberikan kesimpulan bahwa dengan menggunakan algoritma DBSCAN diperoleh 3 cluster wilayah beresiko terjadi gempa bumi berdasarkan karakteristik parameter gempa bumi yang dihasilkan. Kombinasi nilai ε dan MinPts yaitu 0,28 dan 3 menghasilkan nilai Silhouette Coefficient sebesar 0,81091 dan Indeks Gamma sebesar 0,98104 yang menggambarkan bahwa DBSCAN mampu mengelompokan wilayah berpesiko terjadi gempa bumi dengan cukup baik. Hasil penelitian ini dapat digunakan sebagai bahan pertimbangan suatu instansi dalam pengambilan keputusan terkait penanganan (mitigasi) bencana gempa bumi.

Keywords

clustering; DBSCAN; gamma index; gempa bumi; silhouette coefficient

Full Text:

PDF (Bahasa Indonesia)

References

Pasau, G. and Tanauma, A., 2011. Pemodelan sumber gempa di Wilayah Sulawesi Utara sebagai upaya mitigasi bencana gempa bumi. Jurnal Ilmiah Sains, 11(2), pp.202-209.

Rahmi, E., 2018. Penerapan Algoritma DBSCAN untuk Pengelompokan Wilayah Gempa Bumi di Indonesia. Universitas Islam Negeri Sultan Syarif Kasim Riau).

Denpasar, P. I. B. B. W. I. B., 2017. Balai Besar Meteorologi, Klimatologi, dan Geofisika Wilayah III. [Online] Available at: http://balai3.denpasar.bmkg.go.id/tentang-gempa [Accessed 9 December 2020].

Tan, P. N., Steinbach, M., & Kumar, V. 2006. Introduction to Data Mining, Pearson Education. Inc., New Delhi.

Furqon, M. T., & Muflikhah, L. 2016. Clustering the Potential Risk of Tsunami Using Density-Based Spatial Clustering of Application with Noise (DBSCAN). Journal of Environmental Engineering and Sustainable Technology, 3(1), 1-8.

Kryszkiewicz M., Skonieczny Ł. 2005. Faster Clustering with DBSCAN. In: Kłopotek M.A., Wierzchoń S.T., Trojanowski K. (eds) Intelligent Information Processing and Web Mining. Advances in Soft Computing, vol 31. Springer, Berlin, Heidelberg.

Ali, T., Asghar, S. and Sajid, N.A., 2010, June. Critical analysis of DBSCAN variations. In 2010 International Conference on Information and Emerging Technologies (pp. 1-6). IEEE.

Schubert, E., Sander, J., Ester, M., Kriegel, H.P. and Xu, X., 2017. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Transactions on Database Systems (TODS), 42(3), pp.1-21.

Scitovski, S. 2017. A Density-Based Clustering Algorithm for Earthquake Zoning. Computers & Geosciences, 110, 90-95.

Harini, S., Fahmi, H., Dwi Mulyanto, A., & Khudzaifah, M. 2020. The Earthquake Events and Impacts Mapping in Bali and Nusa Tenggara Using A Clustering Method.

Kim, J. H., Choi, J. H., Yoo, K. H., & Nasridinov, A. 2019. AA-DBSCAN: An Approximate Adaptive DBSCAN for Finding Clusters with Varying Densities. The Journal of Supercomputing, 75(1), 142-169.

Sani, A. 2018. Penerapan Metode K-Means Clustering pada Perusahaan. Jurnal Ilmiah Teknologi Informasi, 353, 1-7.

Safitri, D., Wuryandari, T., & Rahmawati, R. 2017. Metode DBSCAN Untuk Pengelompokan Kabupaten/Kota di Provinsi Jawa Tengah Berdasarkan Produksi Padi Sawah dan Padi Ladang. Jurnal Statistika Universitas Muhammadiyah Semarang, 5(1).

Prasetyo, E. 2012. Data Mining-Konsep dan Aplikasi Menggunakan Matlab, Nikodemus WK, Ed. Yogyakarta, Indonesia: Andi Offset.

Fahamsyah, M. 2020. Metode DBSCAN Clustering untuk Analisis Pola Penyebaran Petir di Pasuruan (Doctoral Dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).

Hahsler, M., Piekenbrock, M. and Doran, D., 2019. DBSCAN: Fast density-based clustering with R. Journal of Statistical Software, 91(1), pp.1-30.

Ankerst, M., Breunig, M.M., Kriegel, H.P. and Sander, J., 1999. OPTICS: ordering points to identify the clustering structure. ACM Sigmod record, 28(2), pp.49-60.

Kanagala, H.K. and Krishnaiah, V.J.R., 2016, January. A comparative study of K-means, DBSCAN and OPTICS. In 2016 International Conference on Computer Communication and Informatics (ICCCI) (pp. 1-6). IEEE.

Larose, D. T., & Larose, C. D. 2014. Discovering Knowledge in Data: An Introduction to Data Mining (Vol. 4). John Wiley & Sons.

Simamora, D. A. S., Furqon, M. T., & Priyambadha, B. 2017. Clustering Data Kejadian Tsunami yang Disebabkan oleh Gempa Bumi dengan Menggunakan Algoritma K-Medoids. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer E-ISSN, 2548, 964x.

Kaufman, L., & Rousseeuw, P. J. 2009. Finding Groups in Data: An Introduction to Cluster Analysis (Vol. 344). John Wiley & Sons.

Yedida, R., 2019. Beginning with ML: Machine learning for beginners, by a beginner. [Online] Available at: https://beginningwithml.wordpress.com/2019/04/26/11-6-evaluating-clusters/ [Accessed 13 Januari 2021].

Desgraupes, B., 2013. Clustering indices. University of Paris Ouest-Lab Modal’X, 1, p.34.

W. M. Rand. 1971. "Objective criteria for the evaluation of clustering methods". Journal of the American Statistical Association. American Statistical Association. 66 (336): 846–850.

Lawrence Hubert and Phipps Arabie. 1985. "Comparing partitions". Journal of Classification. 2 (1): 193–218.

DOI: http://dx.doi.org/10.31172/jmg.v22i1.738