Pemetaan Daerah Rawan Bencana di Pulau Sulawesi menggunakan Metode Density-Based Spatial Clustering of Applications with Noise (DBSCAN)

Havinka Angel Salsabilla, Nandini Lova Diani, Abimanyu Arya Ramadhan, M. Al Haris

Abstract

Indonesia terletak pada pertemuan tiga lempeng tektonik aktif sehingga memiliki tingkat kerawanan yang tinggi terhadap bencana alam seperti gempa bumi, banjir, letusan gunung api, dan tanah longsor. Pulau Sulawesi merupakan salah satu wilayah dengan aktivitas seismik dan hidrometeorologi yang tinggi, sehingga identifikasi daerah rawan bencana menjadi penting dalam upaya pengurangan risiko dan perencanaan mitigasi yang efektif. Penelitian ini bertujuan untuk memetakan daerah rawan bencana di Pulau Sulawesi menggunakan algoritma Density-Based Spatial Clustering of Applications with Noise (DBSCAN). DBSCAN merupakan metode klasterisasi berbasis kepadatan yang mampu mengidentifikasi pola spasial tanpa harus menentukan jumlah klaster di awal serta dapat mendeteksi data pencilan (outlier). Data yang digunakan adalah data sekunder dari Badan Nasional Penanggulangan Bencana (BNPB) tahun 2020–2024 yang mencakup kejadian bencana di seluruh kabupaten/kota di Pulau Sulawesi. Variabel yang dianalisis meliputi frekuensi kejadian banjir, tanah longsor, cuaca ekstrem, kekeringan, gempa bumi, letusan gunung api, dan gelombang pasang. Sebelum proses klasterisasi, data dinormalisasi menggunakan metode Min–Max. Hasil terbaik diperoleh pada parameter ε = 0,28 dan MinPts = 5, yang menghasilkan dua klaster utama dan satu kelompok noise. Klaster 1 menunjukkan wilayah dengan tingkat kejadian bencana tertinggi, terutama banjir, tanah longsor, dan cuaca ekstrem. Klaster 0 mencakup wilayah dengan intensitas bencana sedang, sedangkan kelompok noise terdiri atas wilayah dengan tingkat kejadian bencana yang rendah atau pola bencana yang tidak jelas. Penerapan algoritma DBSCAN terbukti efektif dalam pemetaan kerawanan bencana karena mampu menangani distribusi spasial yang tidak merata serta mengungkap pola tersembunyi. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pengembangan strategi mitigasi bencana yang lebih terarah. Penelitian selanjutnya disarankan untuk menambahkan indikator kerentanan sosial-ekonomi serta memperluas cakupan data.

Kata kunci: DBSCAN; Sulawesi; Klasterisasi Spasial; Pemetaan Bencana; Mitigasi Risiko

Indonesia is located at the confluence of three active tectonic plates, making it highly vulnerable to natural disasters such as earthquakes, floods, volcanic eruptions, and landslides. Sulawesi Island is one of the regions with the highest seismic and hydro-meteorological activity in Indonesia, so identifying its disaster-prone areas is crucial for effective risk reduction and mitigation planning. This study aims to map disaster-prone areas in Sulawesi Island using the Density-Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm. DBSCAN is a density-based clustering method that is able to identify spatial patterns without determining the number of clusters from the start, as well as detect outlier data. The data used is secondary data from National Disaster Management Authority (BNPB) for 2020–2024 covering disaster events in all districts/cities in Sulawesi. The variables analyzed include the frequency of floods, landslides, extreme weather, droughts, earthquakes, volcanic eruptions, and tidal waves. The data was normalized using the Min-Max method before the clustering process. The best results were obtained at parameters ε = 0.28 and MinPts = 5, resulting in two main clusters and one noise group. Cluster 1 shows areas with the highest disaster occurrences, especially floods, landslides, and extreme weather. Cluster 0 includes areas with moderate disaster intensity, while the noise group consists of areas with low or unclear disaster patterns. The application of DBSCAN has proven effective for disaster vulnerability because it is able to handle uneven spatial distribution and reveal hidden patterns. These results are expected to be the basis for developing more targeted disaster mitigation strategies. Further research is recommended to add socio-economic vulnerability indicators and expand data coverage.


Keywords: DBSCAN; Sulawesi; Spatial Clustering; Disaster Mapping; Risk Mitigation

 

References

F. D. Cahyo, F. Ihsan, Roulita, N. Wijayanti, and R. Mirwanti, “Kesiapsiagaan bencana gempa bumi dalam keperawatan: tinjauan penelitian,” Jurnal Kesehatan Poltekkes Palembang, vol. 18, no. 1, pp. 87–97, 2023, doi: 10.36086/jpp.v18i1.1525.

R. B. Sippan and N. Setiyawati, “Pemetaan dan klasterisasi daerah rawan bencana alam di Provinsi Sulawesi Tengah menggunakan k-means,” Jurnal Ilmiah Penelitian dan Pembelajaran Informatika, vol. 10, no. 2, pp. 1031–1045, 2025, doi: 10.29100/jipi.v10i2.6161.

O. O. Wijaya and Rushendra, “Analysis of Sulawesi earthquake data from 2019 to 2023 using DBSCAN clustering,” Jurnal Rekayasa Sistem dan Teknologi Informasi, vol. 8, no. 4, pp. 454–465, 2024, doi: 10.29207/resti.v8i4.5819.

T. W. Wibowo, E. A. W. Putri, and H. Y. Loekman, “Evaluasi multi-kriteria keruangan untuk pemetaan kerentanan terhadap bahaya tsunami di pesisir Kabupaten Bantul,” in Prosiding Seminar Nasional Geografi UMS 2015, 2015. doi: 10.13140/RG.2.1.5152.2723.

H. Saputra, M. Arsyad, and Sulistiawaty, “Studi analisis parameter gempa dan pola sebarannya berdasarkan data multi-station (studi kasus kejadian gempa Pulau Sulawesi tahun 2000 - 2014),” Jurnal Sains dan Pendidikan Fisika, vol. 12, no. 1, pp. 83–87, 2016, https://doi.org/10.35580/jspf.v12i1.2036.

D. Safitri, T. Wuryandari, and R. Rahmawati, “Metode DBSCAN untuk pengelompokan kabupaten/kota di Provinsi Jawa Tengah berdasarkan produksi padi sawah dan padi ladang,” Jurnal Statistika Universitas Muhammadiyah Semarang, vol. 5, no. 1, pp. 8–13, 2017, doi: https://doi.org/10.26714/jsunimus.5.1.2017.%25p.

R. Anggara and A. Rahman, “Implementasi algoritma DBSCAN dalam mengelompokan data pasien terdiagnosa penyakit ginjal kronis (PGK),” Algoritme Jurnal Mahasiswa Teknik Informatika, vol. 3, no. 1, pp. 114–123, 2022, doi: https://doi.org/10.35957/algoritme.v3i1.3593.

A. N. Lumowa, “Zonasi wilayah rawan gempa di Sulawesi menggunakan metode k-means clustring terhadap data historis USGS (1974-2024),” Technologica, vol. 4, no. 2, pp. 119–131, 2025, https://doi.org/10.55043/technologica.v4i2.311.

I. N. Setiawan, D. Krismawati, S. Pramana, and E. Tanur, “Klasterisasi wilayah rentan bencana alam berupa gerakan tanah dan gempa bumi di Indonesia,” in Seminar Nasional Official Statistics, pp. 669–676, 2022. doi: https://doi.org/10.34123/semnasoffstat.v2022i1.1538.

Badan Nasional Penanggulangan Bencana, “Statistik kejadian bencana menurut wilayah.”

D. A. Nasution, H. H. Khotimah, and N. Chamidah, “Perbandingan normalisasi data untuk klasifikasi wine menggunakan algoritma K-NN,” Journal of Computer Engineering System and Science, vol. 4, no. 1, pp. 78–82, 2019, doi: https://doi.org/10.24114/cess.v4i1.11458.

R. Adha, N. Nurhaliza, U. Soleha, and Mustakim, “Perbandingan algoritma DBSCAN dan k-means clustering untuk pengelompokan kasus covid-19 di dunia,” Jurnal Sains, Teknologi dan Industri, vol. 18, no. 2, pp. 206–211, 2021, http://dx.doi.org/10.24014/sitekin.v18i2.12469.

F. W. Saputri and D. B. Arianto, “Perbandingan performa algoritma k-means, k-medoids, dan DBSCAN dalam penggerombolan provinsi di Indonesia berdasarkan indikator kesejahteraan masyarakat,” Jurnal Teknologi Informasi, vol. 17, no. 2, pp. 138–151, 2023, doi: https://doi.org/10.47111/jti.v7i2.9558.

Z. Falahiazar, A. Bagheri, and M. Reshadi, “Determining the parameters of DBSCAN automatically using the multi-objective genetic algorithm,” Journal of Information Science and Engineering, vol. 37, no. 1, pp. 157–183, 2021, doi: 10.6688/JISE.202101_37(1).0011.

M. A. Idris, Rahmawati, and Apriyanto, “Pemetaan produksi perikanan tangkap di Indonesia dengan menggunakan metode DBSCAN,” Journal of Mathematics: Theory and Applications, vol. 5, no. 2, pp. 80–86, 2023, doi: 10.31605/jomta.v5i2.2930.

H. S. Ramadan, H. A. Maghawry, M. El-Eleamy, and K. El-Bahnasy, “A heuristic novel approach for determination of optimal epsilon for DBSCAN clustering algorithm,” J Theor Appl Inf Technol, vol. 15, no. 7, 2022, Accessed: May 05, 2025. [Online]. Available: https://www.jatit.org/volumes/Vol100No7/22Vol100No7.

T. Rahmawati, Y. Wilandari, and P. Kartikasari, “Analisis perbandingan silhouette coefficient dan metode elbow pada pengelompokkan provinsi di Indonesia berdasarkan indikator IPM dengan k-medoids,” Jurnal Gaussian, vol. 13, no. 1, pp. 13–24, 2024, doi: 10.14710/j.gauss.13.1.13-24.

A. F. Boer, M. Al Haris, and R. Wasono, “Pengelompokan daerah rawan bencana di Pulau Sumatera dengan metode density based spatial clustering of applications with noise (DBSCAN),” 2023. Accessed: May 28, 2025. [Online]. Available: https://prosiding.unimus.ac.id/index.php/semnas/article/download/1481/1485.

DOI: https://doi.org/10.13057/ijas.v8i2.106040

Refbacks

  • There are currently no refbacks.