Perbandingan Penerapan Metode Agglomerative dengan Metode K-Means pada Data Curah Hujan di Wilayah Bogor


Budi Nurani Ruchjana(1*), Hera Khoirunnisa(2), iin Irianingsih(3), Bambang Suhandi(4)

(1) Universitas Padjadjaran, Indonesia
(2) Universitas Padjadjaran, Indonesia
(3) Universitas Padjadjaran, Indonesia
(4) Lembaga Antariksa dan Penerbangan Nasional Pameungpeuk Garut, Indonesia
(*) Corresponding Author

Abstract


Bogor merupakan salah satu wilayah di Jawa Barat yang dijuluki sebagai kota hujan karena memiliki curah hujan relatif lebih besar dibandingkan dengan wilayah lain sehingga perlu diadakannya pengelompokan wilayah berdasarkan tinggi rendahnya curah hujan sebagai acuan pemerintah dalam penanganan bencana. Teknik statistika multivariat yang bertujuan untuk mengelompokan objek berdasarkan karakteristiknya adalah analisis cluster. Metode analisis cluster yang digunakan penelitian ini yaitu Agglomerative dan K-Means. Perbedaan yang signifikan dari kedua metode tersebut terdapat pada proses pembentukan cluster. Oleh karena itu, tujuan pada penelitian ini adalah membandingkan metode yang tebaik berdasarkan kerapatan cluster. Data yang digunakan dalam penelitian ini adalah data agregat curah hujan bulanan musim basah dari 24 stasiun pos hujan di wilayah Bogor. Hasil penelitian ini adalah wilayah Bogor dapat dibagi menjadi 2 cluster yaitu cluster 1 kategori curah hujan sedang dan cluster 2 kategori curah hujan tinggi dengan perbandingan nilai kerapatan cluster kedua metode menghasilkan nilai yang sama yaitu sebesar 49,4% sehingga kedua metode tersebut baik untuk digunakan dalam pembentukan cluster curah hujan di wilayah Bogor dan bisa dijadikan sebagai rekomendasi bagi instansi terkait penggunaan data curah hujan seperti LAPAN dan BMKG.


Keywords


: Curah Hujan, Analisis Cluster, Perbandingan, Agglomerative, K-Means

References


Satria, F. & Aziz, R. A., “Perbandingan Kinerja Metode Ward dan K-Means Dalam Menentukan Cluster Data Mahasiswa Pemohon Beasiswa”, Jurnal TIM Darmajaya, pp. 12-26, 2016

Zahrotun, L., “Analisis Pengelompokan Jumlah Penumpang Bus Trans Jogja Menggunakan Metode Clustering K-Means dan Agglomerative Hierarchical Clustering (AHC)”, Jurnal Informatika, Vol. 9, pp. 1039-1047, 2015

Johnson, R. A. & Wichern, D. W., “Applied Multivariate Statistical Analysis”, Penerbit Pearson, New Jersey, 2007

Putri, M. M. & Fithriasari, K., “Pengelompokan Kabupaten/Kota di Jawa Timur Berdasarkan Indikator Kesehatan Masyarakat Menggunakan Metode Kohonen SOM dan K-Means”, Jurnal Sains dan Seni ITS, Vol. 4 No. 1, pp. 13-18, 2015

Hair, J. F., Black, W. C., Babin, B. J. & Anderson, R. E., “Multivariate Data Analysis”, Penerbit Pearson Prentice Hall, New Jersey, 2010

James, G., Witten, D., Hastie, T. & Tibshirani, R., “An Introduction to Statistical Learning”, Penerbit Springer, New York, 2013

Barakbah, A. R. & Arai, K., “Determining Constraint of Moving Variance to Find Global Optimum and Make Automatic Clustering”, Industrial Electronics Seminar (IES), pp. 409-413, 2004




DOI: https://doi.org/10.15575/kubik.v5i2.7581

Refbacks

  • There are currently no refbacks.


Copyright (c) 2020 Budi Nurani Ruchjana, Hera Khoirunnisa, iin Irianingsih, Bambang Suhandi

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.


Journal KUBIK: Jurnal Publikasi Ilmiah Matematika has indexed by:

SINTA DOAJ Dimensions Google Scholar Garuda Moraref DOI Crossref

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.