Jurnal informasi dan Komputer Vol: 13 No:2 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
IMPLEMENTASI BUSINESS INTELLIGENCE DALAM VISUALISASI DATA
BENCANA BANJIR DI INDONESIA
Tumini1.
Nyai Eti Nurhayati2.
Zaharuddin3 Universitas Panca Sakti Bekasi123 Alamat Jl.
Raya Hankam No.
Jatirahayu.
Kec.
Pd.
Melati.
Kota Bekasi E-mail : kemuningijo@gmail.
com, nyainurhayati21@gmail.
com 2, zaharuddin1964@yahoo.
ABSTRAK
Bencana banjir merupakan salah satu bencana dengan frekuensi tertinggi di Indonesia dan menimbulkan dampak signifikan terhadap masyarakat maupun infrastruktur.
Penelitian ini bertujuan mengimplementasikan Business Intelligence (BI) dengan Looker Studio untuk memvisualisasikan data banjir secara interaktif agar lebih mudah dipahami dan bermanfaat dalam pengambilan keputusan.
Metode penelitian ini menggunakan data sekunder dari BNPD periode 2020-2025.
Data diolah menggunakan Python melalui tahapan data wrangling, kemudian di visualisasikan menggunakan Looker Studio dalam bentuk dashboard interaktif.
Hasil penelitian menunjukkan bahwa tahun 2021 menjadi periode dengan kejadian banjir terbanyak dengan dampak terbesar berupa rumah terendam dan rumah rusak.
Pulau Jawa tercatat sebagai wilayah dengan frekuensi banjir tertinggi, kecuali di Daerah Istimewa Yogyakarta.
Kata kunci : Business Intelligence.
Banjir.
Python.
Looker Studio
ABSTRACTS
Floods are one of the most frequent disasters in Indonesia and have a significant impact on communities and This study aims to implement Business Intelligence (BI) with Looker Studio to interactively visualize flood data for easier understanding and useful decision-making.
The research method used secondary data from the National Disaster Management Agency (BNPB) for the period 2020Ae2025.
The data was processed using Python through the stages of gathering, assessing, cleaning, and exporting, then visualized using Looker Studio in the form of an interactive dashboard.
The results show that 2021 was the year with the highest number of floods, with the greatest impact being submerged and damaged houses.
Java Island is recorded as the region with the highest frequency of flooding, except in the Daerah Istimewa Yogyakarta Keywords: Business Intelligence.
Floods.
Looker Studio.
Python
PENDAHULUAN
Indonesia jika dilihat secara geografis sebagian besar wilayahnya berada pada kawasan rawan bencana, hal ini dikarenakan Indonesia terletak pada zona pertemuan tiga lempeng bumi serta memiliki iklim tropis basah dengan curah hujan tinggi.
Bencana banjir menjadi salah satu bagian dari bencana meteorologi yang menunjukkan peningkatan setiap tahunnya (Ferdi et al.
, 2.
banjir tidak hanya menimbulkan kerusakan infrastruktur dan lingkungan, tetapi juga menelan korban jiwa, mengganggu aktivitas sosial-ekonomi masyarakat, serta mengakibatkan kerugian ekonomi yang signifikan (Humas Jabar, 2.
Meskipun data kebencanaan di Indonesia sudah tersedia melalui berbagai sumber seperti Badan Nasional Penanggulangan Bencana (BNPB), namun penyajiannya masih bersifat konvensional dan kurang mendukung analisis yang mendalam.
Sebagian besar datanya disajikan dalam bentuk tabel atau laporan statis yang tidak interaktif, sehingga menyulitkan dalam mengidentifikasi lokasi rawan banjir, tren kejadian dan dampak yang ditimbulkan.
Berdasarkan data pada Website Geoportal Data Bencana Indonesia .
ttps://gis.
id/), dalam kurun waktu 2020 - 2025 terakhir banjir masih menjadi jenis bencana yang paling sering terjadi di Indonesia dengan jumlah kasus mencapai 8.
Melihat kondisi kejadian (BNPB, 2.
Adapun dampak dari bencana 54 LPPM ITBA Dian Cipta Cendikia Jurnal informasi dan Komputer Vol: 13 No:2 2025 memvisualisasikan data kebencanaan secara interaktif yang diharapkan dapat memudahkan pengguna dalam memahami informasi kebencanaan melalui tampilan yang lebih dinamis dan mudah diakses.
Salah satu teknologi yang dapat dimanfaatkan adalah Business Intelligence yang mampu menyajikan data dalam bentuk dashboard interaktif, grafik, peta dan visualisasi lainnya.
Business Intelligence (BI) merupakan salah satu bentuk implementasi teknologi informasi yang mampu menjawab kebutuhan untuk menganalisis masalah-masalah serta dapat digunakan dalam pengambilan keputusan nantinya (Zikri et al.
Salah satu tools yang digunakan dalam implementasi BI ini adalah Looker Studio.
Looker Studio adalah sebuah layanan gratis dari Google yang digunakan untuk membuat dashboard interaktif dan visualisasi data.
Looker Studio dapat menjadi solusi yang efektif dalam memvisualisasikan data banjir.
Dengan adanya visualisasi interaktif, analisis terhadap kebencanaan seperti lokasi rawan banjir, tren kejadian, hingga dampak yang ditimbulkan dapat dilakukan dengan lebih cepat dan efisien.
P-ISSN: 2337-8344
E-ISSN: 2623-1247
penulis melakukan tahapan pengolahan dan integrasi data dengan melakukan Data Wrangling Gathering.
Assessing.
Cleaning dan Integrasi Data.
Menyimpan Data : Setelah melalui proses data wrangling dan memastikan dataset telah bersih, penulis menyimpan data tersebut di Google Drive.
Tujuannya adalah agar dataset lebih aman dan memudahkan dalam hal mengakses.
Pelaporan dan Visualisasi : Pada tahap ini penulis melakukan pelaporan data dalam bentuk informasi yang mudah dipahami dan visualisasi data untuk menampilkan data dalam bentuk grafis sehingga pola dan tren data terlihat lebih jelas dan komunikatif.
Pengambilan Keputusan : Pada tahap ini penulis memberikan hasil visualisasi data banjir, hasil ini nantinya dapat digunakan sebagai rekomendasi dalam pengambilan keputusan terkait bencana banjir.
2 Teknik Pengumpulan Data Berdasarkan permasalahan tersebut, maka akan dilakukan penelitian mengenai implementasi BI dalam visualisasi data bencana banjir di Indonesia menggunakan Python dan Looker Studio.
Penelitian ini berfokus pada implementasi BI untuk visualisasi data banjir di Indonesia dengan memanfaatkan Python dalam tahap pengolahan data menggunakan tahapan data wrangling dan Looker Studio sebagai media Melalui pendekatan ini, diharapkan dapat menghasilkan dashboard interaktif yang mampu memberikan gambaran komprehensif mengenai tren kejadian, lokasi rawan dan dampak banjir serta mendukung proses pengambilan keputusan bagi para pemangku kepentingan.
Penelitian ini menggunakan teknik pengumpulan data sekunder berupa data bencana banjir yang tersedia secara publik melalui situs resmi BNPB.
Data yang diperoleh kemudian diolah menggunakan Pyhton di Jupyter Notebook dan dianalisis serta visualisasi data menggunakan Looker Studio.
Proses ini bertujuan untuk menghasilkan visualisasi data yang informatif dan mendukung pengambilan keputusan.
METODE PENELITIAN
1 Metode dan Tahapan Penelitian Dataset banjir tahun 2020-2025 dari BNPD diubah ke format CSV dan dimuat menggunakan Pandas.
Tahapan penelitian yang dilakukan dimulai dari:
Identifikasi Kebutuhan Bisnis : Tahapan ini penulis menetapkan tujuan strategis yang ingin dicapai serta merumuskan pertanyaan bisnis yang akan dijawab serta menemukan jenis keputusan yang didukung oleh hasil analisis 3 Analisis Data Tahap analisis data dilakukan melalui proses data wrangling yang meliputi gathering, assessing, cleaning dan exporting.
Gathering Data Gambar 2.
1 Gathering Data Dari kode tersebut, akan menghasil output seperti:
Mengumpulkan Data : Pada tahap ini penulis mengumpulkan data dari sumber resmi yaitu Badan Nasional Penanggulangan Bencana (BNPB) dari situs https://gis.
Data yang diambil oleh penulis dari 1 Januari 2020 sampai dengan 04 Maret 2025.
Pengolahan dan Integrasi : Untuk tahapan ini 55 LPPM ITBA Dian Cipta Cendikia
Jurnal informasi dan Komputer Vol: 13 No:2 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Gambar 2.
4 Format Datetime Gambar 2.
4 menunjukkan konversi kolom Tanggal Kejadian dari string ke datetime dengan to_datetime(), hasilnya ditampilkan dalam format ISO 8601 .
-MM-DD) untuk konsistensi dan kemudahan pemrosesan.
Memeriksa jumlah missing value disetiap kolom DataFrame.
Gambar 2.
2 Output Gathering Data Pada gambar diatas menampilkan 5 baris pertama dataset bencana banjir di Indonesia.
Data memuat identitas bencana, lokasi .
abupaten dan provins.
, tanggal, jenis kejadian, kronologi, penyebab, jumlah korban .
eninggal, hilang, terluk.
, serta kerusakan .
umah rusak, terendam, dan fasum terdampa.
2 Assessing Data Gambar 2.
5 Cek Missing Value Gambar 2.
5 menunjukkan kode untuk mengecek jumlah missing value di setiap kolom DataFrame.
Kode ini membantu mengidentifikasi kolom yang memiliki data hilang beserta jumlahnya.
Output yang dihasilkan adalah:
Proses Assessing Data pada penelitian ini adalah sebagai berikut:
Proses Assessing Data dilakukan menggunakan fungsi df.
info() untuk melihat struktur dataset.
Gambar 2.
6 Output Missing Value Gambar 2.
6 menunjukkan hasil perhitungan missing value tiap atribut.
Terdapat 155 pada lokasi, 1.
pada penyebab, 2.
907 pada meninggal, 3.
007 pada hilang, 2.
972 pada terluka, 1 pada rumah rusak, dan 766 pada rumah terendam.
Gambar 2.
3 Struktur DataFrame Hasil pada Gambar 2.
3 menunjukkan bahwa dataset terdiri dari 8.
293 baris dan 15 atribut dengan tipe data object, int64, dan float64.
Informasi Non-Null Count juga mengindikasikan adanya missing value pada beberapa atribut Pada tahap ini juga dilakukan perubahan format pada kolom Tanggal Kejadian menjadi datetime agar tidak terjadi kesalahan parsing.
Periksa Duplikat untuk menghindari perhitungan ganda, menjaga kualitas dan keakuratan data dengan fungsi seperti gambar dibawah ini:
Gambar 2.
7 Periksa Duplikat Pada gambar diatas, terlihat bahwa tidak adanya jumlah duplikat pada dataset.
Yang artinya tidak adanya data ganda pada dataset tersebut.
3 Cleaning Data 56 LPPM ITBA Dian Cipta Cendikia Jurnal informasi dan Komputer Vol: 13 No:2 2025 Proses Cleaning Data pada penelitian ini adalah sebagai berikut:
P-ISSN: 2337-8344
E-ISSN: 2623-1247
memudahkan pembaca dalam memahami informasi terkait bencana banjir serta membantu pihak terkait dalam melakukan analisis data.
Menghapus Missing Value.
Penanganan missing value dilakukan dengan dua cara yaitu menghapus baris pada kolom Lokasi, dan mengganti nilai hilang sesuai tipe datanya, yaitu numerik menjadi 0 dan string menjadi "Tidak Diketahui".
Kode yang digunakan adalah sebagai berikut:
Gambar 2.
8 Hapus Missing Value Gambar di atas menunjukkan penanganan missing value dengan dua langkah: menghapus baris kosong Lokasi dropna.
ubset=['Lokasi']) karena kolom ini krusial, serta mengganti nilai hilang pada kolom numerik dengan 0 dan pada kolom teks dengan "Tidak Cek Missing Value setelah dibersihkan Gambar 3.
1 Dashboard Bencana Banjir di Indonesia 2 Visualisasi Data 1 Visualisasi Jumlah Bencana Banjir Periode Visualisasi jumlah bencana banjir tiap tahun menggambarkan jumlah total banjir yang terjadi setiap tahunnya dalam rentang waktu yang diteliti .
Gambar 2.
9 Jumlah Missing Value setelah di Cleaning Gambar di atas menunjukkan bahwa setelah pembersihan, dataset tidak lagi memiliki missing value sehingga siap digunakan untuk proses selanjutnya.
4 Integrasi Data (Exportin.
Proses Exporting dilakukan untuk menyimpan dataset yang telah melalui tahap Gathering.
Assessing, dan Cleaning.
Dataset hasil olahan disimpan sebagai file baru agar dapat dihubungkan ke Looker Studio untuk visualisasi data.
PEMBAHASAN
1 Dashboard Metode Tsukamoto merupakan perluasan dari Dashboard dibawah menampilkan beberapa jenis visualisasi, yaitu Bar Chart.
Line Chart.
Time Series dan Pivot Table.
Tujuannya adalah untuk Gambar 3.
2 Jumlah Bencana Banjir 2020 Ae 2025 Pada visualisasi jumlah bencana banjir tiap tahun, menunjukkan jumlah kejadian banjir di Indonesia pada periode 2020-2025 dengan total 8.
137 kejadian.
Tren fluktuatif terlihat dari tahun ke tahun, dimana tahun 2021 mencatat jumlah tertinggi yaitu 1.
Setelah itu terjadi penurunan pada 2022 .
572 kejadia.
dan 2023 .
164 kejadia.
, kemudian kembali meningkat pada tahun 2024 509 kejadian.
Sementara itu pada kuartal pertama tahun 2025 tercatat 404 kejadian banjir.
Hal ini mengindikasi bahwa frekuensi bencana cenderung berfluktuasi setiap tahunnya.
2 Visualisasi Provinsi Banjir Tertinggi 57 LPPM ITBA Dian Cipta Cendikia Frekuensi Jurnal informasi dan Komputer Vol: 13 No:2 2025 Visualisasi Provinsi dengan frekuensi banjir tertinggi menampilkan provinsi mana saja yang terdampak banjir setiap tahunnya dalam rentang waktu yang diteliti .
P-ISSN: 2337-8344
E-ISSN: 2623-1247
Grafik Tren Kejadian Banjir periode 2020Ae2025 memperlihatkan dinamika temporal frekuensi banjir di Indonesia.
Pola yang terbentuk menunjukkan adanya peningkatan signifikan pada tahun 2021, diikuti penurunan bertahap hingga 2023, kemudian kembali meningkat pada 2024 sebelum menurun tajam pada kuartal pertama 2025.
Fluktuasi ini mengindikasikan bahwa intensitas banjir tidak bersifat konstan, memungkinkan dipengaruhi oleh faktor musiman serta kondisi lingkungan yang berbeda di setiap periode.
4 Visualisasi Tren Kategori Banjir Gambar 3.
3 Provinsi dengan Frekuensi Banjir Tertinggi Berdasarkan visualisasi frekuensi banjir provinsi periode 2020Ae2025, terlihat bahwa pada tahun 2020 Jawa Tengah mencatat kejadian banjir terbanyak dengan 263 kasus.
Pada tahun 2021, posisi tertinggi ditempati Jawa Barat dengan 303 kasus, dan tetap menjadi provinsi dengan kejadian banjir terbanyak pada tahun 2022 .
serta tahun 2023 .
Tahun 2024.
Jawa Barat kembali mengalami 145 kasus banjir.
Sementara itu, pada kuartal pertama tahun 2025.
Jawa Barat dan Jawa Tengah sama-sama mencatat 47 kasus banjir.
Grafik Provinsi dengan Frekuensi Banjir Tertinggi menunjukkan Jawa Barat sebagai wilayah dengan kejadian banjir terbanyak .
, diikuti Jawa Tengah .
Jawa Timur .
Sumatera Utara .
, dan Aceh .
Visualisasi stacked bar chart memperlihatkan kontribusi tiap tahun .
0Ae2.
terhadap total kejadian banjir di masing-masing 3 Visualisasi Tren Kejadian Banjir Periode Visualisasi tren kejadian banjir menampilkan grafik bencana banjir setiap tahunnya dalam rentang waktu yang diteliti .
Gambar 3.
4 Tren Kejadian Banjir Visualisasi tren kategori banjir menampilkan dampak banjir setiap tahunnya dalam rentang waktu yang diteliti .
Gambar 3.
5 Tren Kategori Bencana Gambar 3.
6 Jumlah Dampak Banjir Tahun 2021 Berdasarkan Gambar Tren Kategori Bencana periode 2020Ae2025, terlihat bahwa dampak banjir didominasi oleh kategori rumah terendam dan rumah rusak, dengan intensitas tertinggi pada tahun 2021 yang 246 rumah terendam dan 94.
rumah rusak.
Pasca-2021, kedua kategori ini mengalami penurunan signifikan pada 2022, kemudian menunjukkan peningkatan kembali pada 2024, sebelum akhirnya menurun tajam pada awal Sementara itu, kategori meninggal, terluka, fasilitas umum rusak, dan hilang relatif stabil dengan angka yang lebih rendah.
Pola ini menunjukkan bahwa banjir memberikan dampak yang lebih besar terhadap kerentanan infrastruktur dan pemukiman dibandingkan dengan aspek korban jiwa.
5 Visualisasi Total Dampak Banjir
58 LPPM ITBA Dian Cipta Cendikia
Jurnal informasi dan Komputer Vol: 13 No:2 2025
P-ISSN: 2337-8344
E-ISSN: 2623-1247
masa depan berdasarkan pola historis.
Fokus utama dari visualisasi ini adalah melihat total dampak dari bencana banjir di Indonesia yang sering kali memiliki dampak yang signifikan terhadap Visualisasi menampilkan tahun dan dampak yang terjadi akibat bencana banjir seperti total fasum rusak, hilang, meninggal, rumah rusak, rumah terendam dan terluka yang dapat dilihat pada gambar 4.
8 dibawah ini.
Gambar 3.
7 Jumlah Dampak Banjir Berdasarkan data 2020Ae2025, dampak banjir terbesar terjadi pada kategori rumah terendam .
737 uni.
dan rumah rusak .
089 uni.
, jauh lebih tinggi dibanding kategori lainnya.
Tahun 2021 menjadi periode dengan dampak paling signifikan pada hampir semua kategori, khususnya rumah terendam dan rumah Setelah itu, tren menunjukkan penurunan pada 2022, relatif stabil pada 2023, meningkat kembali di KESIMPULAN DAN SARAN 1 Kesimpulan Berdasarkan hasil penelitian, implementasi Business Intelligence dengan Looker Studio ini menyimpulkan bahwa dataset banjir Indonesia periode 2020Ae2025 dengan 15 atribut dan 8.
138 baris data berhasil dibersihkan menggunakan Python di Jupyter Notebook, kemudian terintegrasi ke Looker Studio untuk Hasil analisis menunjukkan tahun 2021 memiliki frekuensi dan dampak banjir tertinggi, terutama di Pulau Jawa (Jawa Barat.
Jawa Tengah, dan Jawa Timu.
sebagai wilayah paling rawan.
Dampak terbesar berupa 5.
737 rumah terendam dan 199.
rumah rusak, sedangkan jumlah korban jiwa dan kerusakan fasilitas umum relatif rendah, sehingga banjir lebih dominan memengaruhi infrastruktur permukiman dibandingkan aspek kemanusiaan.
2 Saran Penelitian ini masih memiliki beberapa keterbatasan, sehingga penulis menyarankan agar pengembangan selanjutnya dapat mengoptimalkan dashboard Business Intelligence dengan integrasi data real-time dari sistem peringatan dini agar analisis tidak hanya bersifat evaluatif tetapi juga prediktif.
Selain itu, disarankan untuk memanfaatkan metode machine learning atau analisis prediktif guna memperkirakan potensi banjir di DAFTAR PUSTAKA