Penerapan Metode Self-Organizing Maps dalam Pengelompokan Provinsi di Indonesia Berdasarkan Dampak Bencana Banjir

Fera Martika Zahra; Nonong Amalita; Yenni Kurniawati; Admi Salma

doi:10.55681/primer.v4i4.549

Authors

Fera Martika Zahra Universitas Negeri Padang
Nonong Amalita
Yenni Kurniawati Universitas Negeri Padang
Admi Salma Universitas Negeri Padang

DOI:

https://doi.org/10.55681/primer.v4i4.549

Keywords:

Cluster, Dampak Banjir, Self-Organizing Maps

Abstract

: Banjir merupakan bencana hidrometeorologi yang paling sering terjadi di Indonesia dan menimbulkan dampak yang bervariasi pada setiap provinsi, meliputi korban jiwa, kerusakan permukiman, serta kerusakan fasilitas umum. Perbedaan karakteristik dampak tersebut memerlukan pengelompokan provinsi sebagai dasar dalam penyusunan strategi mitigasi dan penentuan prioritas penanggulangan bencana. Penelitian ini bertujuan mengelompokkan provinsi di Indonesia berdasarkan dampak bencana banjir menggunakan metode Self-Organizing Maps (SOM). Data yang digunakan merupakan data sekunder dari website resmi Data Informasi Bencana Indonesia (DIBI) yang mencakup 12 variabel dampak banjir pada 38 provinsi di Indonesia tahun 2020 hingga 2024. Hasil penelitian menunjukkan bahwa jumlah klaster optimal yang terbentuk adalah 3 klaster. Klaster 1 terdiri dari 28 provinsi dengan karakteristik dampak banjir rendah, klaster 2 terdiri dari 7 provinsi dengan karakteristik dampak banjir sedang, sedangkan klaster 3 terdiri dari 3 provinsi dengan karakteristik dampak banjir tinggi. Hasil pengelompokan menunjukkan bahwa metode SOM mampu mengelompokkan provinsi berdasarkan kemiripan karakteristik dampak banjir, sehingga dapat menjadi dasar dalam penyusunan kebijakan mitigasi dan penanggulangan bencana yang lebih tepat sasaran.

References

BPS. (2025). Cerita Data Statistik Untuk Indonesia: Menakar Dampak Ekonomi Akibat Bencana di Indonesia. Jakarta: Badan Pusat Statistik.

Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster Analysis. London: John Wiley & Sons.

Findayani, A. (2015). Kesiapsiagaan Masyarakat dalam Penanggulangan Banjir di Kota Semarang. Jurnal Geografi : Media Informasi Pengembangan Dan Profesi Kegeografian, 12(1), 102–114.

Halim, N. N., & Widodo, E. (2017). Clustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps. Prosiding SI MaNIS (Seminar Nasional Integrasi Matematika Dan Nilai Islami), 1(1), 188–194. http://conferences.uin-malang.ac.id/index.php/SIMANIS/article/view/62

Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (Third Edit). Waltham, Massachusetts: Elsevier.

Hidayat, Y. (2022). Menakar Solusi Kebijakan Pengendalian Banjir Di Indonesia. 4(4), 398–403.

Irwansyah, E., & Faisal, M. (2019). Advanced Clustering: Teori dan Aplikasi. Yogyakarta: Deepublish.

Islamy, U., Nursidah, D. R., Narendra, I. S., Anshori, M. L., Intisari, & Edy, W. (2022). Pengelompokkan Provinsi di Indonesia Berdasarkan Indikator Dampak Bencana Banjir Tahun 2017-2020 Menggunakan K-Medoids. Buletin Ilmiah Math. Stat. Dan Terapannya (Bimaster), 11(2), 381–388. https://doi.org/10.26418/bbimst.v11i02.53781

Kohonen, T. (2001). Self-Organizing Maps (3rd Editio). New York: Springer Press.

Shi, C., Wei, B., Wei, S., Wang, W., Liu, H., & Liu, J. (2021). A quantitative discriminant method of elbow point for the optimal number of clusters in clustering algorithm. EURASIP Journal on Wireless Communications and Networking. https://doi.org/10.1186/s13638-021-01910-w

Vasento, J., & Alhoniemi, E. (2000). Clustering of the Self-Organizing Map. IEEE Transactions on Neural Networks, 11(3), 586–600. https://doi.org/10.1109/72.846731

Yahya, L. M., Kertanah, K., & Hidayaturrohman, U. (2024). Penerapan Algoritma Self Organizing Maps (SOM) Dan K-Means Untuk Mengelompokkan Akseptor KB Di NTB. Jurnal Statistika Dan Komputasi, 3(1), 32–41. https://doi.org/10.32665/statkom.v3i1.2960