Pengelompokan Regu Penyelamat Non-Kebakaran di Kabupaten Cirebon dengan K-Means Clustering

Arye Fandia Kusuma, Nana Suarna, Irfan Ali, Dodi Solihudin

Abstract

Abstrak : 

Layanan darurat non kebakaran di Kabupaten Cirebon menghadapi beberapa kendala, seperti alokasi sumber daya yang tidak efisien dan terbatasnya pemanfaatan analisis data. Penelitian ini bertujuan untuk meningkatkan pengelolaan regu penyelamat dengan memanfaatkan algoritma K-Means sebagai metode pengelompokan data. Menggunakan pendekatan data mining dan penerapan Knowledge Discovery in Database (KDD), penelitian ini menganalisis 874 data layanan darurat non kebakaran yang dikumpulkan pada tahun 2023-2024. Data yang dianalisis meliputi Lokasi kejadian, jenis penyelamatan, tingkat keparahan insiden, waktu respons, dan distribusi regu penyelamat. Proses penelitian dimulai dengan konversi data kedalam format numerik. Hasil menunjukan nilai DBI terendah sebesar 0,080 dengan empat klaster optimal, yang meningkatkan efisiensi distribusi regu penyelamat

=====================================================

Abstract : 

Non-fire emergency services in Cirebon Regency face several obstacles, such as inefficient resource allocation and limited utilization of data analysis. This study aims to improve the management of rescue squads by utilizing the K-Means algorithm as a data clustering method. Using a data mining approach and the application of Knowledge Discovery in Database (KDD), this study analyzed 874 non-fire emergency service data collected in 2023-2024. The data analyzed included Location of incident, type of rescue, severity of incident, response time, and distribution of rescue squads. The research process started with converting the data into numerical format. The results showed the lowest DBI value of 0.080 with four optimal clusters, which improved the efficiency of rescue squad distribution.

Keywords

Layanan darurat, algoritma k-means, pengelompokan, Kabupaten Cirebon, davies bouildin index (DBI)

Full Text:

PDF

References

[1] Y. Bete Dos Santos et al., “Menentukan Titik Rawan Malaria Di Provinsi Nusa Tenggara Timur Menggunakan Metode K-Means Clustering,” J. Sist. Inf. dan Ilmu Komput., vol. 1, no. 4, pp. 230–236, 2023, [Online]. Available: https://doi.org/10.59581/jusiik-widyakarya.v1i4.1750

[2] Y. E. Wella, O. Okfalisa, F. Insani, F. Saeed, and A. R. C. Hussin, “Service quality dealer identification: the optimization of K-Means clustering,” Sinergi (Indonesia), vol. 27, no. 3, pp. 433–442, 2023, doi: 10.22441/sinergi.2023.3.014.

[3] I. Nabilla Audy, T. Nur Padilah, and B. Nurina Sari, “Pengelompokan Daerah Rawan Bencana Alam Di Jawa Barat Menggunakan Algoritma Fuzzy C-Means,” JATI (Jurnal Mhs. Tek. Inform., vol. 7, no. 4, pp. 2799–2803, 2024, doi: 10.36040/jati.v7i4.7205.

[4] I. S. Hidayat, S. Defit, and G. W. Nurcahyo, “Simulasi dalam Optimalisasi Pengadaan Barang menggunakan Metode K-Mean Clustering,” J. Sistim Inf. dan Teknol., vol. 3, pp. 281–286, 2021, doi: 10.37034/jsisfotek.v3i4.79.

[5] N. Hendrastuty, “Penerapan Data Mining Menggunakan Algoritma K-Means Clustering Dalam Evaluasi Hasil Pembelajaran Siswa,” J. Ilm. Inform. Dan Ilmu Komput., vol. 3, no. 1, pp. 46–56, 2024, [Online]. Available: https://doi.org/10.58602/jima-ilkom.v3i1.26

[6] R. Prasojo, Y. Retno, W. Utami, and R. T. Vulandari, “Implementasi K-Means Clustering Pada Pengelompokan,” vol. 7, no. 2, pp. 205–216, 2019.

[7] I. Saleh, G. Mandar, and J. Noh, “Analisis Data Gempa Di Maluku Utara Menggunakan Algoritma K-Means Dan Linear Regression,” Dintek, vol. 16, no. 2, pp. 12–19, 2023.

[8] A. Y. Kartini and D. Fakhriyana, “Journal of Mathematics Education PENERAPAN METODE CLUSTERING UNTUK PEMETAAN,” J. Math. Educ. Sci. Copyr., vol. 7, no. c, pp. 11–19, 2024.

[9] S. Rahmadhani and Z. Alhadi, “Efektivitas Kinerja Dinas Pemadam Kebakaran Kota Padang dalam Pencegahan Bahaya Kebakaran,” J. Manaj. dan Ilmu Adm. Publik, vol. 3, no. September, pp. 261–268, 2021, doi: 10.24036/jmiap.v3i3.277.

[10] T. K. Titus and M. Jajuli, “Clustering Data Kecelakaan Lalu Lintas di Kecamatan Cileungsi Menggunakan Metode K-Means,” Gener. J., vol. 6, no. 1, pp. 1–12, 2022, doi: 10.29407/gj.v6i1.16103.

[11] Wisnu Priyo Jatmiko, M. Gillang Ramadhani, M. Gilang Romadhon, Gilang Adhmadani, Rahmad Fardian, and Wawan Joko Pranoto, “Penerapan Metode K-Means Clustering Terhadap Bencana Kebakaran Di Kota Samarinda,” Jupiter Publ. Ilmu Keteknikan Ind. Tek. Elektro dan Inform., vol. 2, no. 1, pp. 01–08, 2024, doi: 10.61132/jupiter.v2i1.36.

[12] D. Tri Cahaya, D. Puspita, and R. Syahri, “Penerapan Metode K-Means Clustering Untuk Pengelompokan Potensi Padi Di Kota Pagar Alam,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2187–2193, 2024, doi: 10.36040/jati.v8i2.9432.

[13] S. Gymnastiar and A. Bahtiar, “Penerapan Algorima K-Means Clustering Untuk Mengelompokan Data Kejadian Kekeringan Di Kabupaten Cirebon,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 2, pp. 2325–2331, 2024, doi: 10.36040/jati.v8i2.8948.

[14] D. Rohman, R. Annisa, D. Indriyana Efendi, and D. Solahudin, “Clustering Bencana Alam Menggunakan K-Means Pada Wilayah Jawa Barat,” JATI (Jurnal Mhs. Tek. Inform., vol. 8, no. 1, pp. 493–500, 2024, doi: 10.36040/jati.v8i1.8409.

[15] R. Utami and S. Pramana, “Klasterisasi Bencana dan Dampaknya di Indonesia : Evaluasi Metode K-means dengan Integrasi PCA,” SENADA, vol. 2024, no. Senada, pp. 367–377, 2024.

DOI: https://doi.org/10.20961/ijai.v9i2.96225

Refbacks

  • There are currently no refbacks.