Profiling kerentanan bencana wilayah di Pulau Jawa Menggunakan Principal Component Analysis dan K-Means Clustering

Alfa Qorina; Fadila Novitasari; Harun Al Rosyid

doi:10.31004/riggs.v4i4.4807

Authors

Alfa Qorina Universitas Negeri Surabaya
Fadila Novitasari Universitas Negeri Surabaya
Harun Al Rosyid Universitas Negeri Surabaya

DOI:

https://doi.org/10.31004/riggs.v4i4.4807

Keywords:

Data Mining, K-Means, Kerentanan Bencana, Elbow Method, PCA, Clustering

Abstract

Indonesia, khususnya Pulau Jawa, menghadapi kompleksitas risiko bencana hidrometeorologi dan geologi yang semakin meningkat akibat perubahan iklim, urbanisasi, serta degradasi lingkungan. Penelitian ini bertujuan melakukan pemetaan kerentanan bencana pada wilayah administratif Kabupaten/Kota di Pulau Jawa menggunakan pendekatan machine learning berbasis metode unsupervised, yaitu K-Means Clustering. Penelitian memanfaatkan 17 variabel lingkungan dan dampak bencana, meliputi frekuensi kejadian bencana (gempa bumi, longsor, banjir, cuaca ekstrem, kebakaran hutan/lahan, dan kekeringan), jumlah rumah rusak, jumlah korban terdampak, serta indikator pengelolaan lingkungan berupa timbulan sampah harian dan tahunan. Dataset awal terdiri dari seluruh Kabupaten/Kota di Pulau Jawa, namun dilakukan proses penyaringan data (preprocessing) termasuk normalisasi, handling missing values, dan data consistency check. Sebanyak 17 Kabupaten/Kota dikeluarkan dari analisis karena tidak memenuhi kelengkapan data. Melalui Elbow Method, ditentukan jumlah cluster optimal yaitu k=3, kemudian divalidasi menggunakan Silhouette Score, PCA Visualization, dan hierarchical clustering. Hasil clustering mengelompokkan wilayah menjadi tiga profil kerentanan: (0) Risiko Rendah (69 Kabupaten/Kota), dengan karakteristik intensitas bencana minimal dan timbulan sampah terendah (±407 ton/hari); (1) Risiko Sedang (10 Kabupaten/Kota), yang memiliki fluktuasi ekstrem pada indikator korban jiwa (±2.132 jiwa) terutama akibat cuaca ekstrem; serta (2) Risiko Tinggi (23 Kabupaten/Kota), yang ditandai dengan tekanan lingkungan masif berupa rata-rata timbulan sampah harian mencapai >1.200 ton dan frekuensi banjir tertinggi. Temuan ini memberikan dasar segmentasi risiko kebencanaan berbasis data sebagai rekomendasi prioritas mitigasi kebencanaan daerah

Downloads

Download data is not yet available.

References

D. Setiawan and K. Oktafianto, “Clustering of Natural Disaster-Prone Areas in East Java Province using Fuzzy C-Means Method,” vol. 8, no. 2, pp. 162–174, 2025.

D. Sutrisno et al., “Rapid Evaluation of Coastal Sinking and Management Issues in Sayung, Central Java, Indonesia,” Geosci. 2025, Vol. 15, Page 455, vol. 15, no. 12, p. 455, Dec. 2025, doi: 10.3390/GEOSCIENCES15120455.

T. R. Noviandy et al., “Environmental and Economic Clustering of Indonesian Provinces: Insights from K-Means Analysis,” Leuser J. Environ. Stud., vol. 2, no. 1, pp. 41–51, Apr. 2024, doi: 10.60084/LJES.V2I1.181.

G. Gunawan, “Disaster Event, Preparedness, and Response in Indonesian Coastal Areas: Data Mining of Official Statistics,” Int. J. Comput. Digit. Syst., vol. 16, no. 1, pp. 2210–142, 2024, doi: 10.12785/ijcds/160120.

A. Wibowo, N. Rohman, Rusdah, A. H. Achadi, and I. Amri, “Clustering Indonesian Provinces by Disaster Intensity using K-Means Algorithm: a Data Mining Approach,” Disaster Adv., vol. 17, no. 12, pp. 1–8, Dec. 2024, doi: 10.25303/1712DA0108.

S. Budiman, S. Suprayogi, S. Budiman, and S. Suprayogi, “Cluster-Derived Morphological Linkages Inform Ungauged Watershed Prioritization in Tinalah, Indonesia,” Earth Syst. Environ. 2025 93, vol. 9, no. 3, pp. 2307–2333, Jun. 2025, doi: 10.1007/S41748-025-00700-4.

J. S. Mufti and A. Dhini, “Comparative Analysis of Centroid-Based and Density-Based Clustering for Indonesian Earthquake Data,” Int. Conf. Comput. Control. Informatics its Appl. IC3INA, no. 2024, pp. 464–467, 2024, doi: 10.1109/IC3INA64086.2024.10732579.

I. F. Ashari, E. D. Nugroho, R. Baraku, I. N. 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. 95–103, Jul. 2023, doi: 10.30871/JAIC.V7I1.4947.

E. W. Ambarsari, D. Fathudin, and G. Alfiani, “Utilizing K-Means Clustering to Understanding Audience Interest in SEO-Optimized Media Content,” J. Comput. Informatics Res., vol. 3, no. 2, pp. 208–214, Mar. 2024, doi: 10.47065/COMFORCH.V3I2.1207.

R. Sudrajat, A. I. Hadiana, and M. Melina, “Evaluasi Kualitas Klaster Wilayah Rawan Bencana Menggunakan K-Means dengan Silhouette dan Elbow Method,” J. Algoritm., vol. 22, no. 2, pp. 127–139, Nov. 2025, doi: 10.33364/ALGORITMA/V.22-2.2379.

P. Vania and B. N. Sari, “Perbandingan Metode Elbow dan Silhouette untuk Penentuan Jumlah Klaster yang Optimal pada Clustering Produksi Padi menggunakan Algoritma K-Means,” J. Ilm. Wahana Pendidik., vol. 9, no. 21, pp. 547–558, Nov. 2023, doi: 10.5281/ZENODO.10081332.

A. Basri et al., “PENENTUAN JUMLAH KLASTER TERBAIK PADA K-MEANS DALAM MELIHAT POLA KLASTERING DATA MAHASISWA YANG TELAH LULUS,” J. Jar. dan Teknol. Inf., vol. 2, no. 1, pp. 80–86, Jul. 2023, doi: 10.33387/JATI.V2I1.60.

I. T. Jollife and J. Cadima, “Principal component analysis: A review and recent developments,” Philos. Trans. R. Soc. A Math. Phys. Eng. Sci., vol. 374, no. 2065, Apr. 2016, doi: 10.1098/RSTA.2015.0202/115142.

R. Carniel and S. R. Guzmán, “Machine Learning for Volcanology and Volcano Monitoring,” Adv. Volcanol., vol. Part F790, pp. 421–459, 2025, doi: 10.1007/978-3-031-86841-2_14.

N. T. Hartanti, E. Seniwati, R. Pramitasari, I. R. Wulandari, and U. A. Yogyakarta, “Jumlah Cluster Optimal dalam Pengelompokan Siswa SMK dengan Metode Elbow K-Means Clustering,” JAIS - J. Account. Inf. Syst., vol. 4, no. 2, pp. 67–73, Dec. 2024, doi: 10.31294/JAIS.V4I2.7531.

A. Baldah, A. V. Duarisah, and R. A. Maulana, “Clustering Daerah Rawan Bencana Alam Di Indonesia Berdasarkan Provinsi Dengan Metode K-Means,” J. Ilm. Inform. Glob., vol. 14, no. 2, pp. 31–36, Aug. 2023, doi: 10.36982/JIIG.V14I2.3186.

O. Elok Hapsari, “Zonasi Tingkat Kerentanan Terhadap Banjir Berdasarkan Parameter Sosial,Ekonomi, Fisik, dan Lingkungan di Pesisir Pasuruan, Jawa timur,” J. Kelaut. Nas., vol. 19, no. 3, pp. 167–176, Oct. 2024, doi: 10.15578/JKN.V19I3.13129.

H. Y. Saputra et al., “Urbanisasi Dan Dampaknya Terhadap Kualitas Lingkungan: Literatur Review,” Gudang J. Multidisiplin Ilmu, vol. 2, no. 12, pp. 920–926, Dec. 2024, doi: 10.59435/GJMI.V2I12.1226.

G. F. Ibanez, G. W. Wiriasto, and Rosmaliati, “Kombinasi Principal Component Analysis dengan Algoritma K-Means untuk Klasterisasi Data Stunting,” KLIK Kaji. Ilm. Inform. dan Komput., vol. 5, no. 1, pp. 131–141, Aug. 2024, doi: 10.30865/KLIK.V5I1.1977.