Analisis Klasterisasi Kerawanan Gempa Bumi di Provinsi Papua Menggunakan Algoritma Invasive Weed Optimization (IWO)

Lorna Yertas Baisa, Danny Manongga, Yessica Nataliani

Abstract


Gempa bumi adalah fenomena alam yang sering terjadi di Indonesia, termasuk di Provinsi Papua. Untuk mengurangi risiko dampak gempa bumi, diperlukan analisis untuk mengidentifikasi daerah-daerah yang rawan terha  dap gempa bumi. Penelitian ini bertujuan untuk menganalisis klasterisasi kerawanan gempa di Provinsi Papua menggunakan algoritma Invasive Weed Optimization (IWO). Metode ini dipilih karena dapat menghasilkan klaster yang lebih baik dibandingkan dengan algoritma klasterisasi lainnya. Data yang digunakan adalah data kejadian gempa di Provinsi Papua yang terdiri dari atribut latitude, longitude, magnitude, dan depth mulai tahun 2018 sampai Februari 2023 yang diperoleh dari website Badan Geologi Amerika Serikat yaitu United States Geological Survey (USGS). Tahapan penelitian meliputi normalisasi data, klasterisasi menggunakan algoritma IWO, dan evaluasi hasil klasterisasi menggunakan SSE dan F-Measure. Jumlah klaster terbaik yang dihasilkan oleh metode Elbow yaitu sebanyak enam klaster kerawanan gempa di Provinsi Papua, yang diberi label Sangat Tidak Rawan, Tidak Rawan, Kurang Rawan, Cukup Rawan, Rawan dan Sangat Rawan. Dengan nilai parameter sinitial sebesar 8, algoritma IWO menghasilkan nilai SSE dan F-Measure terkecil dibanding nilai parameter sinitial lainnya, yaitu masing-masing sebesar 19.1002 dan 0.5137. Evaluasi hasil klasterisasi menggunakan SSE menunjukkan nilai yang baik dari 30 kali percobaan, dengan rata-rata SSE sebesar 19.218, lebih kecil dibanding dengan rata-rata SSE hasil metode k­-Means dan DBSCAN yaitu masing-masing sebesar 19.307 dan 59.910.


Keywords


Klasterisasi; Kerawanan Gempa; Provinsi Papua; Invasive Weed Optimization (IWO)

Full Text:

PDF

References


A. Wahyu and R. Rushendra, “Klasterisasi Dampak Bencana Gempa Bumi,” JEPIN (Jurnal Edukasi Dan Penelit. Inform., vol. 8, no. 1, pp. 175–179, 2022, doi: 10.26418/Jp.V8i1.

BMKG, “Stasiun Cuaca Jayapura.” https://www.bmkg.go.id/cuaca/prakiraan-cuaca.bmkg?Kota=Kota Jayapura&AreaID=501447&Prov=35 (accessed Feb. 18, 2023).

USGS, “United States Geological Survey.” https://www.usgs.gov/ (accessed Feb. 20, 2023).

A. Primandana, S. Adinugroho, and C. Dewi, “Optimasi Penentuan Centroid pada Algoritme K-Means Menggunakan Algoritme Pillar (Studi Kasus: Penyandang Masalah Kesejahteraan Sosial di Provinsi Jawa Timur,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 11, pp. 10678–10683, 2019.

Y. Setiawan, S. A. Suprianto, A. Wijanarko, and D. S. R. M. Yusa, “Pemetaan Kelompok Sebaran Titik Gempa Bumi Mentawai Dengan Metode K-Medoids Clustering,” J. Teknoinfo, vol. 6, no. 1, pp. 124–131, 2022, doi: 10.33365/jti.v16i1.932.

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.

S. Putriana, E. Ernawati, and D. Andreswari, “Clustering Data Titik Gempa Dengan Metode Fuzzy Possibilistic C-Means (Studi Kasus: Titik Gempa Pulau Sumatera Tahun 2013- 2018),” Rekursif J. Inform., vol. 9, no. 1, pp. 14–29, 2021, doi: 10.33369/rekursif.v9i1.14984.

M. Misaghi and M. Yaghoobi, “Improved Invasive Weed Optimization Algorithm (IWO) based on Chaos Theory for Optimal Design of PID Controller,” J. Comput. Des. Eng., vol. 6, no. 3, pp. 284–295, 2019, doi: 10.1016/j.jcde.2019.01.001.

H.-Y. Sang, P.-Y. Duan, and J.-Q. Li, “An Effective Invasive Weed Optimization Algorithm for Scheduling Semiconductor Final Testing Problem,” Swarm Evol. Comput., vol. 38, pp. 42–53, 2018, doi: 10.1016/j.swevo.2017.05.007.

G. Sun, Y. Liu, H. Li, S. Liang, A. Wang, and B. Li, “An Antenna Array Sidelobe Level Reduction Approach through Invasive Weed Optimization,” Int. J. Antennas Propag., vol. 2018, pp. 1–16, 2018, doi: 10.1155/2018/4867851.

H. Hu, L. Zhang, Y. Bai, P. Wang, and X. Tan, “A Hybrid Algorithm Based on Squirrel Search Algorithm and Invasive Weed Optimization for Optimization,” IEEE Access, vol. 7, pp. 105652–105668, 2019, doi: 10.1109/ACCESS.2019.2932198.

M. Nishom, “Perbandingan Akurasi Euclidean Distance, Minkowski Distance, dan Manhattan Distance pada Algoritma K-Means Clustering berbasis Chi-Square,” J. Inform. J. Pengemb. IT, vol. 4, no. 1, pp. 20–24, 2019, doi: 10.30591/Jpit.V4i1.1253.

W. W. Pribadi, A. Yunus, and A. S. Wiguna, “Perbandingan Metode K-Means Euclidean Distance dan Manhattan Distance Pada Penentuan Zonasi Covid-19 di Kabupaten Malang,” JATI (Jurnal Mhs. Tek. Inform., vol. 6, no. 2, pp. 493–500, 2022, doi: 10.36040/jati.v6i2.4808.

BMKG, “Skala Intensitas Gempabumi (SIG) BMKG.” https://www.bmkg.go.id/Gempabumi/Skala-Intensitas-Gempabumi.Bmkg (accessed Mar. 25, 2023).

BPBD Provinsi NTB, “Gempa Bumi.” https://bpbd.ntbprov.go.id/pages/gempa-bumi (accessed Mar. 25, 2023).




DOI: http://dx.doi.org/10.26418/jp.v9i2.65312

Refbacks

  • There are currently no refbacks.