Volume 19 Nomor 2 .
E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676
Jurnal Teknik Elektro dan Informatika
PENERAPAN DATA MINING DALAM MENGELOMPOKKAN JUMLAH
PENYELAMATAN KEBAKARAN DI KABUPATEN SITUBONDO
Irma Yunita .
Ahmad Homaidi .
Ahmad Lutfi .
1,2,.
Jurusan Teknologi Informasi.
Fakultas Sains dan Teknologi.
Universitas Ibrahimy Jl.
KHR.
Syamsul Arifin No.
Sukorejo.
Situbondo 68374.
Jawa Timur.
Indonesia E-mail : .
irmayunita601@gmail.
com, .
ahmadhomaidi@ibrahimy.
14@gmail.
ABSTRAK
Penyelamatan kebakaran merupakan salah satu pelayanan yang menjadi tanggung jawab pada Satuan Polisi Pamong Praja Kabupaten Situbondo.
Letak geografis serta panjangnya musim kemarau merupakan salah satu penyebab tingginya tingkat bencana kebakaran di Kabupaten Situbondo.
Selain itu beberapa penyebab lain yang menyebabkan bencana kebakaran yaitu gas meledak, konsletin listrik, pembakaran sampah dan lain-lain, akibat yang ditimbulkan dari bencana kebakaran bisa berupa korban jiwa, kerugian materi, serta dampak asap bisa membuat orang di sekitar lokasi kebakaran menderita infeksi pernapasan.
Dalam mengelompokkan jumlah penyelamatan kebakaran dengan memakai cara yaitu data mining menggunakan sebuah metode yaitu K-Means Clustering.
Kelompok data yang akan digunakan yaitu data dari penyelamatan kebakaran pada seksi pemadam kebakaran dan penyelamatan di Satuan Polisi Pamong Praja Kabupaten Situbondo.
Hasil penelitian ini yaitu cluster jumlah penyelamatan kebakaran menjadi 3 cluster.
Terdapat 2 kecamatan yang masuk dalam cluster tinggi yaitu : panarukan dan situbondo.
Tingkat sedang 2 kecamatan yaitu:Mangaran dan Panji, dan tingkat cluster rendah adalah beberapa kecamatan lainnya di Kabupaten Situbondo.
Kata Kunci: Penyelamatan kebakaran.
Data mining.
Clustering.
K-Means.
ABSTRACT
Fire rescue is one of the services that is the responsibility of the Situbondo Regency Civil Service Police Unit.
Geographical location and the length of the dry season are one of the causes of the high level of fire disasters in Situbondo Regency.
Apart from that, there are several other causes that cause fire disasters, namely gas explosions, electrical short circuits, burning of rubbish and others.
The consequences of fire disasters can include loss of life, material loss, and the impact of smoke can make people around the fire location suffer from respiratory infections.
In grouping the number of fire rescues using data mining, a method is used, namely KMeans Clustering.
The data group that will be used is data from fire rescue in the fire and rescue section of the Situbondo Regency Civil Service Police Unit.
The results of this research are that the number of fire rescue clusters has become 3 clusters.
There are 2 sub-districts that are included in the high cluster, namely:
Panarukan and Situbondo.
The medium level is 2 sub-districts, namely: Mangaran and Panji, and the low cluster level is several other sub-districts in Situbondo Regency.
Keywords: Fire rescue.
Data mining.
Clustering.
K-Means.
PENDAHULUAN
Latar Belakang Penelitian Diterima Redaksi :24 Juli 2024 | Selesai Revisi : 23 September 2024 | Diterbitkan Online : 15 Oktober 2024 Volume 19 Nomor 2 .
180-185 E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676 Jurnal Teknik Elektro dan Informatika Dalam usaha menangani serta menciptakan ketentraman serta ketertiban umum.
Pemerintah Kabupaten Situbondo menunjuk Satuan Polisi Pamong Praja lewat Perda Kabupaten Situbondo tentang Ketertiban Umum dan Ketenteraman Masyarakat Kabupaten Situbondo menegakkan Perda sebagaimana sudah diatur dalam sebuah Peraturan Bupati Nomor 44 Tahun 2016 tentang aturan Pembentukan dan Susunan Organisasi Perangkat Daerah.
Satuan Polisi Pamong Praja adalah unsur yang menjadi pembantu Bupati dalam bidang urusan penyelenggaraan Pemerintahan pada bidang ketenteraman dan ketertiban umum serta ketenteraman dan ketertiban umum.
Terdapat beberapa program di Satuan polisi Pamong Praja Kabupaten Situbondo salah satunya yaitu penyelamatan kebakaran serta penyelamatan non kebakaran.
Letak geografis Kabupaten Situbondo yang cenderung rendah curah hujan, maka kemungkinan bencana kebakaran cukup Dalam hal ini, penggunaan teknologi data mining yang memakai meode k-means clustering bisa digunakan sebagai media untuk membuat kelompok kecamatan yang ada di Kabupaten Situbondo.
Clustering merupakan Teknik efektif dalam penggunaan data mining yang menjelajah dari Kumpulan sebuah data.
Sehingga nantinya akan ditemukan cluster tertinggi, sedang dan Fokus pada penelitian ini adalah untuk mengetahui cluster atau kelompok kecamatan sehingga bisa ditemukan kecamatan mana yang memiliki resiko tinggi kebakaran agar petugas bisa mengevaluasi bagaimana upaya pencegahan yang bisa di lakukan pada kecamatan yang masuk cluster tinggi pada tahun selanjutnya.
Tinjauan Penelitian Kabupaten Situbondo.
Dengan adanya penelitian ini diharapkan pihak yang menangani tentang bencana kebakaran yaitu seksi penyelamatan kebakaran pada Satuan Polisi Pamong Praja Kabupaten Situbondo dapat terbantu untuk melakukan pencegahan sehingga meminimalsasi terjadinya bencana kebakaran Landasan Teori Data Mining Proses penggalian data yang menggunakan kecerdasan buatan, matematika, dan statistika untuk menemukan pola, tren, atau anomali dalam data dikenal sebagai data mining.
K-Means Data K-Means adalah algoritma berulang.
Algoritma K-Means pemilihan secara random K.
K disini merupakan banyaknya kelompok yang ingin Kemudian tetapkan nilai-nilai K secara random, nilai akan menjadi titik pusat dari cluster AumeansAy.
Aplikasi RapidMiner Model RapidMiner merupakan aplikasi yang memiliki fungsi sebagai alat pembelajaran dalam ilmu data mining.
RapidMiner mempunyai kurang lebih 100 solusi klasifikasi dan analisis regresi.
II.
METODE PENELITIAN
1 Tahapan Penelitian Alur Metode Alur penelitian ini diawali pengumpulan data kebakaran di seluruh wilayah Kabupaten Situbondo.
Data diolah menggunakan metode k-means clustering kemudian data konvensional tersebut akan diolah dengan menggunakan rapid mining.
Tujuan dari penelitian ini yaitu untuk mengetahui kelompok-kelompok kecamatan yang paling sering terjadi bencana kebakaran di Diterima Redaksi :24 Juli 2024 | Selesai Revisi : 23 September 2024 | Diterbitkan Online : 15 Oktober 2024 Volume 19 Nomor 2 .
180-185 E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676 Jurnal Teknik Elektro dan Informatika aplikasi.
HASIL DAN PEMBAHASAN
1 Analisis Data Gambar 1.
Kerangka Penelitian Proses alur penelitian :
C Identifikasi Masalah Identifikasi pada masalah yang akan menjadi tahap permulaan dalam proses sebuah penelitian.
Mengelompokkan bencana kebakaran yang tertangani di Kabupaten Situbondo.
C Teknik Pengumpulan Data Data kelompok yang akan digunakan untuk melakukan penelitian ini didapat dari seksi pemadam kebakaran di Satuan Polisi Pamong Praja Kabupaten Situbondo.
C Pengolahan Data Data akan digunakan untuk memperoleh hasil kelompok yang nantinya dapat dikelola sebahai data di tahap berikutnya, kemudian bisa mengghasilkan sebuah informasi yang akurat.
C Transformasi data menggunakan sebuah metode K-Means Clustering, data jenis huruf seperti nama kecamatan harus melewati proses pengelompokan data menjadi jenis angka.
Selanjutnya data akan dibagi menjadi tiga tingkatan kelompok yaitu data kelompok tinggi, data kelompok sedang, serta data kelompok rendah dengan cara menggunakan sebuah metode kmeans.
C Olah Data RapidMiner Mengolah data dengan menggunakan aplikasi yaitu RapidMiner.
Penggunaan aplikasi RapidMiner selanjutnya kita akan melakukan perbandingan hasil dari pengolahan kelompok data yang secara Analisis sebuah data adalah langkah yang dipakai untuk mengetahui masalah suatu penelitian lewat metode pengelolahan data utamanya yang berhubungan dengan sebuah Data kebakaran yang dipakai untuk penelitian ini merupakan data penyelamatan kebakaran oleh seksi pemadam kebakaran di seluruh kecamatan se-Kabupaten Situbondo.
Tabel 1 adalah berisi data penyelamatan Tabel 1.
Angka penyelamatan kebakaran di setiap kecamatan Kecamatan Total Penyelamatan Panarukan Asembagus 3 Banyu glugur Banyuputih Suboh Bungatan Jangkar Jati banteng Kapongan Kendit Mangaran 12 Mlandingan Arjasa Panji Situbondo Besuki 17 Sumber malang Pada Tabel 1, terlihat bahwa terdapat 16 variabel dalam dataset serta 1 variabel yang berfungsi untuk menentukan klasifikasi.
2 Perhitungan Manual K-Means Clustering Diterima Redaksi :24 Juli 2024 | Selesai Revisi : 23 September 2024 | Diterbitkan Online : 15 Oktober 2024 Volume 19 Nomor 2 .
180-185 E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676 Jurnal Teknik Elektro dan Informatika Pada perhitungan manual k-means clustering yang dilakukan adalah pertama penentuan jumlah data yang akan di cluster.
Data yang digunakan yaitu dengan sampel data Kabupaten Situbondo dengan data sebanyak 17 Kecamatan.
Kemudian menentukan berap nilai centroid awal secara acak yaitu c1=45, c2=34 dan c3=1.
Setelah nilai dari data pusat sebuah cluster sudah ditentukan, kemudian menghitung berapa jarak semua data terhadap nilai pusat cluster.
Berikut C1 = Oo.
Oe .
2 = 18 Perhitungan dilakukan pada data pertama sampai data terakhir.
Kemudian perhitunggan data pada cluster 2 menggunakan titik pusat C2 = Oo.
Oe .
2 = 29 jati banteng Setelah ditemukan data C1.
C2 dan C3 maka selanjutnya menentukan jarak terdekat setiap data untuk mengetahui data tersebut masuk ke cluster C1.
C2 dan C3.
Tabel 3.
Hasil perhitungan Cluster (Iterasi .
Perhitungan dilakukan pada data pertama sampai data terakhir.
Kemudian perhitunggan data pada cluster 3 menggunakan titik pusat C3 = Oo.
Oe .
2 = 62 Perhitungan akan dilakukan pada data pertama sampai data terakhir.
Sehingga akan menggunakan titik pada centroid setiap cluster.
Setelah ditemukan data C1.
C2 dan C3 maka selanjutnya menentukan jarak terdekat setiap data untuk mengetahui data tersebut masuk ke cluster C1.
C2 dan C3.
Tabel 2.
Perhitungan centeroid pada setiap Cluster (Iterasi .
Kecamatan banyu glugur Data c2 c3 cluster Dari tabel diatas diketahui hasil dari perhitungan cluster yaitu kelompok data c1 Diterima Redaksi :24 Juli 2024 | Selesai Revisi : 23 September 2024 | Diterbitkan Online : 15 Oktober 2024 Volume 19 Nomor 2 .
180-185 E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676 Jurnal Teknik Elektro dan Informatika sebanyak 2 data, c2 dua data dan c3 ada tiga belas Setelah mengetahui cluster masing-masing data maka selanjutnya akan dilakukan perhitungan untuk centeroid iterasi 1.
Berikut selesai dan hasil dari perhitungan tersebut sudah Hasil dari perhitungan tersebut yaitu ditemukan bahwa kelompok data c1 sebanyak 2 data, c2 dua data dan c3 ada tiga belas data.
3 Penggunaan RapidMiner 63 45
= 54
Metode Rapid miner merupakan salah satu solusi untuk menganalisis data mining.
Dari data manual k-means clustering yang telah dibuat, 27 18 selanjutnya akan di masukkan kedalam aplikasi yca2 = = 22,5 rapid miner.
Setelah data berhasil dimasukkan atur jumlah cluster yang ingin dicari kemudian yca3 8 7 13 9 8 10 8 0 2 1 1 5 1 klik tombol mulai.
Gambar 2 menunjukkan proses clustering data dengan rapid miner.
Pada = 5,615385 Setelah ditemukan centeroid baru maka centeroid pengelompokan atau clustering pada data yang yang akan digunakan untung iterasi selanjutnya yaitu diinginkan.
Jumlah pengelompokan atau cluster c1= 54, c2=22,5 dan c3=5,615385.
yang dipakai dalam penelitian kali ini adalah 3 Tabel 4.
Hasil perhitungan centeroid pada Cluster (Iterasi .
yca1 = Data Gambar 2.
Proses penentuan jumlah cluster Gambar 3 menunjukkan hasil dari proses clustering jumlah penyelamatan kebakaran yang ada di Kabupaten Situbondo.
Diketahui dari data tersebut yaitu cluster 1 sebagai cluster tertinggi sejumlah 2 kecamatan, cluster 2 sebagai cluster sedang sejumlah 2 kecamatan dan cluster 0 sebagai cluster terendah sejumlah 13 kecamatan.
Setelah dilakukan perhitungan data manual dengan menggunakan k-means clustering telah diketahui bahwa iterasi 0 dan iterasi 1 jumlahnya Maka dari itu penghitungan dianggap Diterima Redaksi :24 Juli 2024 | Selesai Revisi : 23 September 2024 | Diterbitkan Online : 15 Oktober 2024 Volume 19 Nomor 2 .
180-185 E Ae Link P-ISSN 1858-2109 E-ISSN 2656-5676 Jurnal Teknik Elektro dan Informatika Tukar Rupiah Terhadap US Dollar Dengan Metode Regresi Linier,Ay vol.
01, pp.
8Ae17.
Gambar 3.
Hasil clustering menggunakan IV.
KESIMPULAN DAN SARAN
1 KESIMPULAN
Kesimpulan dari penerapan data mining ini yaitu algoritma k-means clustering bisa kebakaran berdasarkan kecamatan di Kabupaten Situbondo.
Darti data yang tersebut diketahui ada 2 kecamatan dengan cluster tinggi .
yaitu Kecamatan Panarukan Kecamatan Situbondo, kemudian 2 kecamatan masuk ke cluster sedang .
yaitu Kecamatan Panji dan Kecamatan Mangaran.
Dan 13 kecamatan lainnya berada di cluster 3 .
Data manual yang sudah ditemukan clusternya kemudian akan diaplikasikan dengan aplikasi rapidminer sehingga mendapatkan hasil yang sama dengan manual serta visualisasi yang menarik.
Zaki.
Irwan, and I.
Sembe.
AuPenerapan K-Means Clustering dalam Pengelompokan Data (Studi Kasus Profil Mahasiswa Matematika FMIPA UNM),Ay J.
Math.
Comput.
Stat.
, vol.
5, no.
2, p.
2022, doi: 10.
35580/jmathcos.
Nugraha et al.
AuPENERAPAN DATA
MINING METODE K-MEANS
CLUSTERING UNTUK,Ay vol.
6, no.
2, pp.
849Ae855, 2022.
Padmo and A.
Masa.
AuPenerapan Data Mining Menggunakan Metode K-Means Clustering Pada Data Ekspor Batubara,Ay vol.
2, no.
1, pp.
35Ae42, 2023.
Kasus.
Dehasen.
Haryati.
Sudarsono, and E.
Suryana.
AuIMPLEMENTASI DATA MINING
UNTUK MEMPREDIKSI MASA STUDI
MAHASISWA MENGGUNAKAN
ALGORITMA C4 .
5,Ay pp.
130Ae138, 2015.
Saputra and Y.
Nataliani.
AuAnalisis Pengelompokan Data Nilai Siswa untuk Menentukan Siswa Berprestasi Menggunakan Metode Clustering K-Means,Ay Inf.
Syst.
Informatics, vol.
3, no.
3, pp.
424Ae439, 2021, doi:
51519/journalisi.
Aprilla Dennis.
AuBelajar Data Mining dengan RapidMiner,Ay Innov.
Knowl.
Manag.
Bus.
Glob.
Theory Pract.
Vols 1 2, vol.
5, no.
1Ae5, 2013, [Onlin.
Available:
http://esjournals.
org/journaloftechnology/arc hive/vol1no6/vol1no6_6.
pdf\nhttp://ww org/journal/nsa/5413nsa02.
Ilmiah and W.
Pendidikan.
AuMetode KMeans Clustering Dalam Pengelompokan Penjualan Produk Frozen Food Tifani Amalina 1 .
Danendra Bima Adhi Pramana 2 .
Betha Nurina Sari 3 Teknik Informatika.
Universitas Singaperbangsa Karawang,Ay vol.
8, no.
September, pp.
574Ae583, 2022.
2 SARAN
Untuk mendapatkan hasil pengelompokan jumlah penyelamatan maka perlu dilakukan perhitungan data penyelamatan kebakaran agar menjadi evaluasi di tahun-tahun selanjutnya.
REFERENSI