TINJAUAN PUSTAKA
2.1 Bencana
UU No. 24 tahun 2007 mendefinisikan bencana sebagai peristiwa atau
rangkaian peristiwa yang mengancam dan mengganggu kehidupan dan penghidupan
masyarakat yang disebabkan, baik oleh faktor atau faktor non alam maupun faktor
manusia sehingga mengakibatkan timbulnya korban jiwa manusia, kerusakan
lingkungan, kerusakan harta benda, dan dampak psikologis.
Berdasarkan penyebabnya bencana alam dibedakan menjadi tiga jenis, yaitu :
a. bencana alam geologis
Bencana alam ini disebabkan oleh gaya-gaya yang berasal dari dalam
bumi (gaya endogen). Yang termasuk dalam bencana alam geologis adalah
gempa bumi, letusan gunung berapi, dan tsunami;
b. bencana alam klimatologis
Bencana alam klimatologis merupakan bencana alam yang disebabkan
oleh faktor angin dan hujan. Contoh bencana alam klimatologis adalah banjir,
badai, banjir bandang, angin puting beliung, kekeringan, dan kebakaran alami
hutan (bukan oleh manusia). Gerakan tanah (longsor) termasuk juga bencana
alam, walaupun pemicu utamanya adalah faktor klimatologis (hujan), tetapi
gejala awalnya dimulai dari kondisi geologis (jenis dan karakteristik tanah
serta batuan dan sebagainya);
c. bencana alam ekstra-terestrial
Bencana alam ekstra-terestrial adalah bencana alam yang terjadi di luar
angkasa, contoh: hantaman/impact meteor. Bila hantaman bendabenda langit
mengenai permukaan bumi maka akan menimbulkan bencana alam yang
dahsyat bagi penduduk bumi (Eko, 2012).
5
Banjir adalah tinggi muka air melebihi normal pada sungai dan biasanya
mengalir meluap melebihi tebing sungai dan luapan airnya menggenang pada suatu
daerah genangan (Hadisusanto, 2011). Selain itu, banjir merupakan peristiwa alam
yang dapat menimbulkan kerugian harta benda penduduk serta dapat pula
menimbulkan korban jiwa.
Banjir dapat di klasifikasikan kedalam dua kategori, yaitu banjir yang
disebabkan karena faktor alam dan banjir yang disebabkan faktor manusia (kodoatei
dan sugiyanto, 2002).
Banjir yang disebabkan oleh faktor alam, seperti
1. Curah hujan : curah hujan yang tinggi dapat mengakibatkan banjir disungai
dan bila melebihi tebing sungai maka akan terjadi banjir atau genangan.
2. Pengaruh fisiografi : atau disebut geografi fisik sungai seperti bentuk, dan
kemiringan daerah aliran sungai
3. Erosi dan Sedimen : erosi didaerah pengaliran sungai berpengaruh terhadap
kapasitas penampang sungai. Besarnya sedimentasi akan sangat berpengaruh
terhadap berkurangnya kapasitas saluran.
4. Kapasitas sungai : pengurangan kapasitas aliran banjir pada sungai dapat
disebabkan oleh pengendapatan yang berasal dari erosi DAS dan erosi tanggul
sungai yang berlebihan serta sedimentasi disungai.
5. Kapasitas drainase : kapasits drainase di suatu daerah dapat menyebabkan
banjir.
6. Pengaruh air pasang : air pasang laut dapat memperlambat aliran sungai
kelaut. Pada waktu banjir bersamaan dengan air pasang yang tinggi maka
tinggi genangan menjadi tinggi karena adanya arus balik (back water).
Banjir disebabkan oleh faktor manusia, seperti
1. Perubahan kondisi Derah Aliran Sungai (DAS) : seperti pengundulan hutan,
penggunaan lahan yang kurang tepat, perluasan kota, dan tata letak yang
kurang tepat
2. Wilayah kumuh : perumahan kumuh yang berada di daerah aliran sungai
dapat menghambat aliran.
3. Sampah : sampah dapat menghambat kelancaran air.
berdasarkan
kemiripannya
dengan
tujuan
mendapatkan
dan tingkat kemiripan antar cluster sangat rendah. Sedangkan kualitas suatu cluster
dapat diukur melalui kemampuannya dalam menemukan pola-pola yang tersembunyi.
2.2.3. Klasifikasi algoritma clustering
Algoritma clustering secara luas diklasifikasikan menjadi dua algoritma,
yaitu hierarchical clustering, dan non-hierarchical clustering (Henjaya, 2010). Han
and Kamber (2006) menyatakan bahwa hierarchical clustering adalah sebuah metode
hierarkis yang menciptakan komposisi hierarkis yang diterapkan pada objek data,
sehingga akan menghasilkan cluster-cluster yang bersarang. Algoritma hierarchical
clustering mengatur seluruh objek dalam sebuah pohon untuk melihat hubungan
antara setiap objek (Henjaya, 2010). Contoh algoritma Hierarchical clustering
adalah HAC (Hierarchical Agglomerative Clustering) (Karhendana, 2008).
Non-hierarchical clustering, pada umumnya disebut algoritma partitional
clustering, memberikan sejumlah n objek dan k yang merupakan jumlah dari cluster
yang terbentuk. Algoritma partitional clustering mengolah objek ke dalam kkelompok berdasarkan kriteria optimasi tertentu, dimana setiap kelompok merupakan
representasi sebuah cluster. Han and Kamber (2006) menyatakan bahwa contoh
algoritma partitional clustering antara lain K-Means.
2.3 Algoritma K-Means
Algoritma k-means merupakan algoritma yang membutuhkan parameter input
sebanyak k dan membagi sekumpulan n objek kedalam k cluster sehingga tingkat
kemiripan antar anggota dalam satu cluster tinggi sedangkan tingkat kemiripan
dengan anggota pada cluster lain sangat rendah. Kemiripan anggota terhadap cluster
diukur dengan kedekatan objek terhadap nilai mean pada cluster atau dapat disebut
sebagai centroid cluster atau pusat massa (Widyawati, 2010).
Agusta (2007) menyatakan bahwa K-Means merupakan salah satu metode
data clustering nonhirarki yang berusaha mempartisi data yang ada ke dalam bentuk
satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam
9
d ( x , y ) =x y =
( xi yi)2
.(1)
i=1
(2)
Keterangan :
d = titik dokumen
x = data record
y = data centroid
Jarak yang terpendek antara centroid dengan dokumen menentukan posisi cluster
suatu dokumen. Misalnya dokumen A mempunyai jarak yang paling pendek ke
centroid 1 dibanding ke yang lain, maka dokumen A masuk ke group 1. Hitung
C
kembali posisi centroid baru untuk tiap-tiap centroid ( i , j ) dengan mengambil rataG
rata dokumen yang masuk pada cluster awal ( i , j ) . Iterasi dilakukan terus hingga
posisi group tidak berubah. Berikut rumus dari penentuan centroid.
C ( i )=
d x
|Gi| x C
(3)
x1 + x 2 +x ..+ x ..
(4)
Keterangan :
10
x1
x2
m1
,...,
,...,
xn
mk
dikelompokkan kedalam k
. Nilai SSE tergantung pada
...(5)
Keterangan :
Ci
= nilai centroid
11
Jumlah Cluster K
Jarak Objek
dengan Titik Pusat
12
+
Mengelompokkan data
berdasarkan jarak
End
minimum.
13