Implementasi Metode ST-DBSCAN untuk Pengelompokan Pola Penyebaran Petir di Kota Malang

Hanifatul Mufidah

Abstract


Petir merupakan fenomena alam tak terelakkan yang terjadi di atmosfer bumi. Terjadinya fenomena petir ini sangat berbahaya karena energi yang dikeluarkan sangat besar hingga mencapai tiga jutaan volt. Sulit untuk memperkirakan waktu, lokasi, dan intensitasnya, sehingga sambaran petir dapat menimbulkan kerugian fisik karena sering mengakibatkan jatuhnya korban jiwa. Salah satu metode yang dapat digunakan untuk mengidentifikasi suatu kawasan dan waktu yang rawan terjadinya petir adalah dengan teknik clustering. Dalam penelitian ini metode clustering yang digunakan adalah algoritma ST-DBSCAN (Spatio Temporal-Density Based Spatial Clustering Application with Noise), yaitu algoritma clustering yang mengelompokkan data berdasarkan aspek spasial dan temporal. Dataset yang digunakan dalam penelitian ini adalah titik-titik petir di Kota Malang pada periode 1 Januari hingga 31 Desember 2022 dengan jumlah 16.800 data. Penelitian ini menghasilkan empat cluster dan terdapat 26 terdapat noise, memberikan nilai Koefisien Silhouette sebesar 0,104 yang menggunakan parameter seperti jarak spasial (Eps1 = 0,2), jarak temporal (Eps2 = 7), dan titik minimum anggota dalam kelompok (MinPts = 7). Sambaran Petir di Kota Malang pada tahun 2022 ini banyak terjadi di bulan Januari hingga Juli pada cluster pertama dengan jumlah 13.337 titik dan paling sedikit terjadi pada bulan Agustus dengan jumlah 110 titik.

Keywords


Petir; Data Mining; Clustering; ST-DBSCAN

Full Text:

XML

References


[1] Birant, D., & Kut, A. (2007). ST-DBSCAN: An algorithm for clustering spatial–temporal data. Data & knowledge engineering, 60(1), 208-221.

[2] BMKG. (2021). KAJIAN GEOFISIKA. https://statgeof_bandung.bmkg.go.id/. Diakses pada tanggal 2 Oktober 2023.

[3] BPS Kota Malang. (2023). Jumlah Curah hujan di Kota Malang (milimeter(mm)), 2022. https://malangkota.beta.bps.go.id/id/statistics-table/2/NTA4IzI=/jumlah-curah-hujan-di-kota-malang.html. Diakses pada tanggal 29 Mei 2023.

[4] Fahamsyah, M. (2020). Metode DBSCAN clustering untuk analisis pola penyebaran petir di Pasuruan (Undergraduate thesis, Universitas Islam Negeri Maulana Malik Ibrahim).

[5] Han, J., Kamber, M., & Pei, J. (2012). Data mining: concepts and techniques, Waltham, MA. Morgan Kaufman Publishers, 10, 978-1.

[6] Johar, A., Vatresia, A., & Donny, I. A. (2023). Implementasi Metode Spatio Temporal Clustering Dengan Algoritma ST-DBSCAN Pada Titik Api Kebakaran Hutan Indonesia (2015-2020). Rekursif: Jurnal Informatika, 11(1), 1-9.

[7] Karta, A., Agung, A. I., & Widyartono, M. (2020). Analisis Kebutuhan Sistem Proteksi Sambaran Petir Pada Gedung Bertingkat. Jurnal Teknik Elektro, 9(3), 773-780.

[8] Rus, A. M. M., Othman, Z. A., Bakar, A. A., & Zainudin, S. (2022). A Hierarchical ST-DBSCAN with Three Neighborhood Boundary Clustering Algorithm for Clustering Spatio–temporal Data. International Journal of Advanced Computer Science and Applications, 13(12).

[9] Sinaga, K. P., & Yang, M. S. (2020). Unsupervised K-means clustering algorithm. IEEE access, 8, 80716-80727.

[10] Suyanto, D. (2019). Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Penerbit Informatika.

[11] Tan, P. N., Steinbach, M., & Kumar, V. (2013). Data mining cluster analysis: basic concepts and algorithms. Introduction to data mining, 487, 533.




DOI: https://doi.org/10.18860/jrmm.v3i5.27313

Refbacks

  • There are currently no refbacks.