Klasterisasi K-Means Untuk Pengelompokan Wilayah Berisiko Banjir Di Kota Padang
Article Sidebar
Main Article Content
Abstract
Banjir merupakan salah satu risiko bencana yang berulang kali dihadapi Kota Padang, dipengaruhi oleh kombinasi intensitas curah hujan, kepadatan populasi, histori kejadian banjir, dan elevasi wilayah pada 104 kelurahan yang tersebar di 11 kecamatan. Penelitian ini bertujuan menerapkan algoritma K-Means untuk mengelompokkan kelurahan di Kota Padang berdasarkan tingkat risiko banjir, sekaligus membangun sistem berbasis web bernama SIPEKAT sebagai alat bantu pemetaan dan pengambilan keputusan. Data dihimpun dari empat sumber, yaitu curah hujan dari BMKG Stasiun Teluk Bayur, data kependudukan dari Disdukcapil, histori banjir dari BNPB, dan data elevasi dari dataset geospasial. Seluruh atribut dibersihkan dan dinormalisasi menggunakan metode Min-Max sebelum diproses dengan K-Means. Proses klasterisasi diinisialisasi dari tiga kelurahan representatif sebagai centroid awal dan konvergen pada iterasi kelima, menghasilkan tiga klaster dengan 19, 80, dan 5 anggota kelurahan. Setiap klaster diberi label berdasarkan skor risiko dari rata-rata histori banjir dan elevasi, menghasilkan kategori Risiko Tinggi (19 kelurahan), Risiko Sedang (80 kelurahan), dan Risiko Rendah (5 kelurahan). Hasil clustering divalidasi menggunakan RapidMiner dan menunjukkan kesesuaian dengan perhitungan sistem. Kebaruan penelitian ini terletak pada penggunaan mekanisme pelabelan klaster berbasis skor risiko yang menggabungkan histori kejadian banjir dan elevasi wilayah untuk menghasilkan interpretasi tingkat risiko yang lebih objektif, serta implementasinya ke dalam sistem informasi berbasis web SIPEKAT. Penelitian ini membuktikan bahwa K-Means efektif digunakan untuk mengelompokkan wilayah rawan banjir dan dapat menjadi dasar bagi pemerintah daerah dalam memprioritaskan mitigasi bencana banjir.
Article Details
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
References
A. Nugroho and D. R. Putri, “Perkembangan teknologi informasi dan dampaknya terhadap masyarakat di Indonesia,” Jurnal Teknologi Informasi dan Komunikasi, vol. 8, no. 2, pp. 45–56, 2021.
M. P. Sari and R. A. Wibowo, “Transformasi digital dan peran teknologi informasi dalam pembangunan ekonomi Indonesia,” Jurnal Sistem Informasi Nasional, vol. 12, no. 1, pp. 23–34, 2023.
E. Prasetyo and F. Nugraha, “Penerapan data mining dalam pengolahan data untuk mendukung pengambilan keputusan,” Jurnal Informatika dan Komputer, vol. 5, no. 1, pp. 11–20, 2020.
L. Hakim, A. Peryanto, D. Susanto, and Y. F. Widodo, “Meninjau peranan text mining sebagai alat strategis dalam industri kreatif melalui sajian webinar,” Jurnal Pengabdian Masyarakat (PIMAS), vol. 4, no. 3, pp. 225–233, 2025, doi: 10.35960/pimas.v1i2.1868.
E. Saputri, “Teknik dan aplikasi data mining di Indonesia: Tinjauan literatur satu dekade (2015–2024),” IT-Explore: Jurnal Penerapan Teknologi Informasi dan Komunikasi, vol. 4, no. 2, pp. 138–149, 2025, doi: 10.24246/itexplore.v4i2.2025.pp138-149.
E. Prasetyo and F. Nugraha, “Analisis penerapan algoritma K-Means dalam pengelompokan data,” Jurnal Informatika dan Komputer, vol. 5, no. 2, pp. 34–42, 2020.
A. Ramadhan and H. Susanto, “Implementasi algoritma K-Means untuk clustering data pada berbagai bidang,” Jurnal Sistem Informasi, vol. 9, no. 1, pp. 15–25, 2021.
D. Lestari and R. Wahyudi, “Evaluasi algoritma K-Means dalam data mining dan permasalahannya,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 10, no. 3, pp. 201–210, 2023.
R. Hidayat and A. Pramudita, “Analisis klasterisasi data menggunakan algoritma K-Means untuk mendukung pengambilan keputusan,” Jurnal Ilmiah Teknologi Informasi, vol. 7, no. 2, pp. 101–110, 2021.
S. Yuliana and B. Setiawan, “Penerapan algoritma K-Means dalam analisis pola data sebagai dasar prediksi informasi,” Jurnal Informatika dan Sistem Informasi, vol. 13, no. 1, pp. 55–64, 2024.
F. Rahman and A. Fauzi, “Penerapan algoritma K-Means untuk pemetaan daerah rawan banjir,” Jurnal Geoinformatika Indonesia, vol. 5, no. 2, pp. 67–76, 2020.
D. R. Utami and E. Prasetya, “Analisis klasterisasi wilayah rawan banjir menggunakan metode K-Means,” Jurnal Sistem Informasi Geografis, vol. 11, no. 1, pp. 45–54, 2022.
R. Maulana and S. Hartono, “Pemanfaatan data mining algoritma K-Means dalam mitigasi bencana banjir,” Jurnal Teknologi Informasi dan Kebencanaan, vol. 4, no. 1, pp. 1–10, 2024.
R. S. Nurhalizah, R. Ardianto, and Purwono, “Analisis supervised dan unsupervised learning pada machine learning: Systematic literature review,” Jurnal Ilmu Komputer dan Informatika (JIKI), vol. 4, no. 1, pp. 61–72, 2024, doi: 10.54082/jiki.168.
H. Abijono, P. Santoso, and N. L. Anggreini, “Supervised learning and unsupervised learning algorithm in data processing,” G-Tech: Jurnal Teknologi Terapan, vol. 4, no. 2, pp. 315–318, 2021, doi: 10.33379/gtech.v4i2.635.
A. Dari and I. Fajri, “Penerapan algoritma K-Nearest Neighbor (KNN) untuk klasifikasi resiko penyakit jantung,” Journal of Information System Research (JOSH), vol. 6, no. 1, pp. 428–436, 2024, doi: 10.47065/josh.v6i1.6038.
Z. Hadiansyah, Z. Rozikin, and M. Fatchan, “Implementasi algoritma K-Nearest Neighbor dalam klasifikasi penyakit kanker paru-paru,” Journal of Computer System and Informatics (JoSYC), vol. 6, no. 1, pp. 96–106, 2024, doi: 10.47065/josyc.v6i1.6195.
I. Permata Sari, W. Kurnia, and N. Hendrastuty, “Deep reinforcement learning: Perkembangan dan aplikasi terkini,” Jurnal Teknologi Pintar, vol. 4, no. 1, 2024.
A. F. Masruriyah, H. Y. Novita, C. E. Sukmawati, A. R. Ramadhan, S. N. N. Arif, and B. A. Dermawan, “Pengukuran kinerja model klasifikasi dengan data oversampling pada algoritma supervised learning untuk penyakit jantung,” Computer Science (CO-SCIENCE), vol. 4, no. 1, pp. 62–70, 2024, doi: 10.31294/coscience.v4i1.2389.
N. A. Maori and E. Evanita, “Metode Elbow dalam optimasi jumlah cluster pada K-Means clustering,” Simetris: Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 14, no. 2, pp. 277–288, 2023, doi: 10.24176/simet.v14i2.9630.
M. R. Syahkur, D. Hartama, and S. Solikhun, “Evaluasi jumlah cluster pada algoritma K-Means++ menggunakan Silhouette dan Elbow dengan validasi nilai DBI dalam mengelompokkan gizi balita,” JST (Jurnal Sains dan Teknologi), vol. 13, no. 3, pp. 487–496, 2024, doi: 10.23887/jstundiksha.v13i3.86419.
A. A. A. Daniswara and I. K. D. Nuryana, “Data preprocessing pola pada penilaian mahasiswa program profesi guru,” JINACS: Journal of Informatics and Computer Science, vol. 5, no. 1, pp. 97–100, 2023, doi: 10.26740/jinacs.v5n01.p97-100.
T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing data dan klasifikasi untuk prediksi kinerja akademik siswa,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 1, pp. 215–224, 2024, doi: 10.25126/jtiik.20241118074.
M. R. A. Prasetyo, A. M. Priyatno, and Nurhaeni, “Penanganan imputasi missing values pada data time series dengan menggunakan metode data mining,” Jurnal Informasi dan Teknologi, vol. 5, no. 2, pp. 52–62, 2023, doi: 10.37034/jidt.v5i2.324.
A. Sifaunajah and R. D. Wahyuningtyas, “The classification of prospective students with RapidMiner,” NEWTON: Networking and Information Technology, vol. 2, no. 2, pp. 72–78, 2022, doi: 10.32764/newton.v2i2.2681.
M. Sahira, A. Salsabila, S. Salsabila, A. N. Putri, K. D. Tania, and W. K. Sari, “Penerapan metode K-Means clustering untuk segmentasi performa pembalap F1 season 2024,” Infomatek, vol. 27, no. 1, pp. 113–122, 2025, doi: 10.23969/infomatek.v27i1.24297.
R. D. Nugraha, D. D. Adelia, and D. Rivaldi, “Segmentasi pelanggan retail berbasis perilaku menggunakan algoritma K-Means clustering,” Digital Transformation Technology (Digitech), vol. 5, no. 2, pp. 141–148, 2025, doi: 10.47709/digitech.v5i2.6340.
A. A. R. Mulyana, A. R. Juwita, A. M. Siregar, and A. Fauzi, “Penerapan algoritma K-means clustering dan hierarchical clustering dalam mengelompokkan data pengangguran di Karawang,” Jurnal Algoritma, vol. 21, no. 2, pp. 209–220, 2024.
M. R. P. Pratama, M. I. Fieldi, M. S. Albani, M. Al Fachrozi, F. R. Aderiyana, K. D. Tania, and A. Meiriza, “Perbandingan algoritma K-Means, K-Medoid, dan DBSCAN untuk clustering kualitas hidup Indonesia dalam perspektif knowledge management dan data discovery,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 4, pp. 5903–5910, 2025, doi: 10.36040/jati.v9i4.13916.
R. Revina, F. Helmiah, and A. K. Syahputra, “Penerapan K-Means clustering kesiapan siswa SMA dalam pemilihan jurusan kuliah,” Jurnal Algoritma, vol. 23, no. 1, pp. 595–604, 2026.