Abstract
The research aimed to analyze the relationships between different types of disasters, assess the likelihood of disaster occurrences, and enhance knowledge and understanding of disaster patterns in Bojonegoro Regency. The goal was to enable better disaster prediction and preparedness in the future. The methods applied included mapping, clustering using the K-means algorithm, and association rule mining with the Apriori algorithm. Secondary data were obtained from the National Disaster Management Agency and the Bojonegoro Regency Regional Disaster Management Agency Office, covering eight types of disasters. The results reveal that the K-means model groups the data into 5 clusters from 28 sub-districts in Bojonegoro. There are 13 sub-districts in Cluster 0, 1 sub-district in Cluster 1, 4 sub-districts in Cluster 2, 6 sub-districts in Cluster 3, and 4 sub-districts in Cluster 4. The association rule analysis produces four association rules using a minimum support of 10% and a minimum confidence of 50%. The findings highlight that the Ngasem and Bojonegoro sub-districts require more focused disaster management. The fourth association rule has the highest confidence level at 78.79%, indicating that forest and land fires are likely to follow when drought occurs. The research implies that it can support more targeted disaster management focusing on high-risk sub-districts such as Ngasem and Bojonegoro. The originality of the research lies in its novel application of clustering and association rules to analyze disaster patterns in the region, with implications for more targeted disaster mitigation strategies.
Keywords
Clustering and Association, Cearly Warning, Disasters, Bojonegoro Regency.
Judul
Implementasi Clustering dan Asosiasi untuk Peringatan Dini Bencana di Kabupaten Bojonegoro
Abstrak
Penelitian ini bertujuan untuk menganalisis hubungan antara berbagai jenis bencana, menilai kemungkinan terjadinya bencana, dan meningkatkan pengetahuan dan pemahaman tentang pola bencana di Kabupaten Bojonegoro. Tujuannya adalah untuk memungkinkan prediksi dan kesiapsiagaan bencana yang lebih baik di masa depan. Metode yang digunakan antara lain pemetaan, pengelompokan menggunakan algoritma K-means, dan association rule mining dengan algoritma Apriori. Data sekunder diperoleh dari Badan Nasional Penanggulangan Bencana dan Kantor Badan Penanggulangan Bencana Daerah Kabupaten Bojonegoro, yang mencakup delapan jenis bencana. Hasil penelitian menunjukkan bahwa model K-means mengelompokkan data ke dalam 5 cluster dari 28 kecamatan di Bojonegoro. Terdapat 13 kecamatan di Cluster 0, 1 kecamatan di Cluster 1, 4 kecamatan di Cluster 2, 6 kecamatan di Cluster 3, dan 4 kecamatan di Cluster 4. Analisis aturan asosiasi menghasilkan empat aturan asosiasi dengan menggunakan minimum support 10% dan minimum confidence 50%. Temuan ini menyoroti bahwa kecamatan Ngasem dan Bojonegoro membutuhkan penanganan bencana yang lebih terfokus. Aturan asosiasi keempat memiliki tingkat kepercayaan tertinggi yaitu 78,79%, yang mengindikasikan bahwa kebakaran hutan dan lahan kemungkinan besar akan terjadi ketika kekeringan terjadi. Penelitian ini mengimplikasikan bahwa penelitian ini dapat mendukung penanganan bencana yang lebih terarah dengan fokus pada kecamatan-kecamatan yang berisiko tinggi seperti Ngasem dan Bojonegoro. Keaslian penelitian ini terletak pada aplikasi baru dari pengelompokan dan aturan asosiasi untuk menganalisis pola bencana di wilayah tersebut, dengan implikasi untuk strategi mitigasi bencana yang lebih tepat sasaran.
Kata Kunci
Pengelompokan dan Asosiasi, Peringatan Dini, Bencana, Kabupaten Bojonegoro.
Reference
Nurdiansyah, D., Hayati, E., Purnamasari, I., Hidayanti, A.A., and Rahayu, Y.F. (2024). Implementation of Clustering and Association for Early Warning of Disasters in Bojonegoro Regency. COMTECH: Computer, Mathematics And Engineering Applications, 15(2), 119-127.doi.org/10.21512/comtech.v15i2.11933
Tidak ada komentar:
Posting Komentar