LOMBA KARYA TULIS ILMIAH

EPSILON 2023
[JUDUL KARYA TULIS]

[SUB TEMA YANG DIPILIH]

[LOGO INSTANSI]

Disusun oleh:
[Nama] [NIM/NIS]
[Nama] [NIM/NIS]
[Nama] [NIM/NIS]

[NAMA INSTITUSI]
[KOTA]
2023

1
LEMBAR PENGESAHAN
[scan Lembar Pengesahan]

2
 SURAT PERNYATAAN ORISINALITAS
[Surat Pernyataan Orisinalitas di print lalu di bubuhi tanda tangan dan di scan]

3
KATA PENGANTAR
[konten Kata Pengantar]

[kota, tanggal-bulan-2023]
Penulis

4
 DAFTAR ISI
[konten Daftar Isi] [halaman]
DAFTAR GAMBAR
Jika dalam karya ilmiah terdapat gambar, perlu ada daftar gambar yang memuat urutan
gambar beserta nomor halamannya
DAFTAR TABEL
Jika dalam karya ilmiah terdapat tabel, perlu ada daftar tabel yang memuat urutan judul tabel
beserta nomor halamannya.

5
 [Judul]
[Nama Penulis]
[Institusi]
E-mail: [e-mail Ketua Tim]

ABSTRAK
Pulau Jawa merupakan pulau dengan populasi penduduk lebih dari 154 juta jiwa. Hal
ini membuat mitigasi bencana alam menjadi prioritas yang harus segera digalakkan guna
mengurangi risiko dampak yang terjadi. Gempa bumi termasuk ke dalam kategori bencana
alam yang sering melanda pulau Jawa sebab akibat adanya zona subduksi di sepanjang
selatan pulau Jawa. Berdasarkan data dari Badan Nasional Penanggulangan Bencana
(BNBP) yang tercatat pada periode tahun 1972-2023, gempa bumi di Pulau Jawa memiliki
nilai yang tidak signifikan tiap tahunnya. Hal ini disebabkan salah satunya akibat pergeseran
lempeng bumi dari tahun ke tahun. Adanya riset ini bertujuan untuk menerapkan data mining
pada data gempa bumi tahun 1972 hingga 2023, guna menjadi terobosan dalam
memprediksi kejadian gempa bumi pada tahun 2024 di Pulau Jawa. Data yang telah
diperoleh, diklasifikasikan menggunakan dua algoritma, yaitu Algoritma K-Means dan
Louvain secara otomatis melalui software Orange. Masing-masing algoritma menunujukan
data yang diperoleh terbagi ke dalam dua cluster atau kelompok. Berdasarkan hasil
clustering K-Means, cluster pertama merupakan data yang memiliki nilai probabilitas
dibawah 0,523096. Sedangkan cluster kedua merupakan data yang memiliki rentang nilai
probabilitas dari 0,544438 hingga 0,72502. Sementara itu, clustering Louvain memberikan
hasil bahwa cluster pertama merupakan data gempa pada tahun 1972 hingga 2003.
Sedangkan cluster kedua merupakan data gempa dari tahun 2004 hingga 2023. Selanjutnya
dilakukan peramalan pada data gempa bumi menggunakan tiga metode peramalan. Dari
metode peramalan yang paling sesuai, diperoleh nilai peramalan (forecast) akan terjadi 13
bencana gempa bumi pada tahun 2024 mendatang. Dengan mengetahui prediksi gempa
bumi di masa mendatang, diharapkan masyarakat akan lebih meningkatkan kesiapsiagaan
dengan gempa bumi yang kemungkinan akan terjadi.

Kata Kunci: Gempa Bumi, K-means, Louvain, Cluster, Prediksi

BAB 1

PENDAHULUAN

1.1. Latar
Belakang
Indonesia merupakan negara dengan tingkat kerawanan gempa yang cukup tinggi, hal
ini didasarkan kepulauan Indonesia terletak pada pertemuan 3 lempeng utama dunia yaitu
Lempeng Indo Australia, Eurasia, dan Pasifik(matriks Teknik sipil). Wilayah yang rawan
bencana gempa adalah wilayah Jawa, Bali, dan Nusa Tenggara Barat (NTB). Tektonik
1
 Wilayah Jawa dan sekitarnya diduga dipengaruhi oleh jarak lokasi gempa dengan gunung
berapi. Selain itu dipengarui oleh subduksi Lempeng Indo-Australia terhadap Lempeng
Eurasia yang membentuk sistim Busur Sunda di daerah offshore yang terdiri dari palung
Jawa, pungguan Jawa, dan cekungan busur.
Beberapa karakteristik tektonik selain subduksi Sunda yang juga mempengaruhi
seismisitas regional Jawa adalah sesar-sesar dan normal faulting di laut Jawa. (Hazard
gempa).
Dampak dari kondisi tektonik tersebut mengakibatkan daerah-daerah di sepanjang
busur Sunda seperti Pulau Jawa, Bali dan Nusa Tenggara Barat (NTB) menjadi daerah
dengan tingkat kerawanan gempa yang relatif tinggi. Selama 50 tahun terakhir, wilayah
Jawa setidaknya pernah diguncang sebanyak 225 kejadian gempa (sumber data gempa).
Dari data tersebut tampak bahwa wilayah Jawa merupakan wilayah yang memiliki
kerawanan yang cukup tinggi terhadap bencana gempa. Dengan demikian bencana gempa
memiliki potensi menimbulkan korban, kerusakan, dan kerugian dalam jumlah yang
besar. Untuk meminimalir dampak bencana gempa tersebut, upaya mitigasi perlu
dilakukan secara dini dan optimal. Salah satu upaya mitigasi yang perlu dilakukan adalah
dengan melakukan prediksi atau peramalan terhadap frekuensi gempa yang akan terjadi di
masa yang akan mendatang.Latar belakang masalah menjelaskan secara ringkas beberapa
teori pengalaman, dan pengamatan pribadi yang terkait dengan pokok masalah yang
diteliti. Pernyataan mengenai alasan-alasan mengapa masalah yang dikemukakan dalam
penelitian merupakan hal yang penting, menarik, dan perlu untuk diteliti harus dijabarkan
dengan jelas di latar belakang masalah.

1.2. Rumusan
Masalah

1. Berapa banyak cluster yang terbentuk pada hasil klasifikasi Algoritma K-Means dan
Algoritma Louvain pada data gempa tahun 1972-2023?
2. Berapa nilai peramalan (forecast) gempa bumi pada tahun 2024 mendatang di Pulau
Jawa?
3 Apa dampak yang diberikan dari hasil peramalan prediksi gempa bumi di Pulau Jawa
pada tahun 2024 mendatang bagi masyarakat?

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah mengetahui cluster dari data gempa bumi yang terjadi
di pulau jawa periode 1972-2023 serta menerapkan data mining pada data gempa sebagai cara
untuk membangun system dalam memperoleh prediksi gempa yang akan terjadi di tahun
2024. Hasil prediksi dari penerapan data mining ini juga ditujukan sebagai informasi kepada

2
pembaca dan untuk dijadikan sebagai upaya mitigasi bencana gempa bumi yang akan terjadi
pada masa mendatang.

1.4. Manfaat Penelitian

Hasil dari riset ini Sementara itu, penerapan serta runtutan metode yang digunakan dapat
menjadi referensi untuk mengetahui serta membangun sistem untuk memprediksi gempa.

BAB 2

TINJAUAN PUSTAKA
Clustering menjadi salah satu metode penelitian yang digunakan untuk mengatasi
permasalahan di berbagai bidang diantaranya penelitian terkait kemiskinan. Penelitian ini
menerapkan metode clustering dalam mengelompokkan tingkat pengeluaran rumah tangga
per kapita, banyaknya pengangguran yang tersebar tiap wilayah, persentase lamanya waktu
sekolah serta persebaran rumah tangga yang bekerja di ladang pertanian tiap Kabupaten atau
Kota di Pulau Jawa. Adanya clustering ini bertujuan untuk menggolongkan kabupaten/kota di
Pulau Jawa menurut aspek penyebab kemiskinan pada tahun 2017 dengan pendekatan average
linkage hierarchical clustering. Hasil analisis deskriptif dan clustering menunjukkan terdapat
dua cluster kabupaten/kota di Pulau Jawa, dimana cluster pertama memiliki karakter wilayah
metropolitan dengan tingkat kemiskinan rendah di Indonesia, sedangkan cluster kedua
mayoritas memiliki karakteristik wilayah perdesaan dengan tingkat kemiskinannya tinggi
(Wahyuni & Jatmiko, 2018).
Clustering juga dapat diaplikasikan dalam konteks prediksi. Dalam upaya untuk
memprediksi banyaknya penduduk miskin di Indonesia akibat pandemi Covid-19, mampu
diprediksi menggunakan metode peramalan. Penelitian ini memadukan teknik clustering
dengan metode peramalan yaitu Double Exponential Smoothing (DES). Pengolahan data time
series dilakukan dengan menggunakan dataset yang mencakup jumlah penduduk miskin dari
tahun 2006 hingga 2020. Penelitian ini mengindikasikan bahwa akan terjadi peningkatan
jumlah penduduk miskin setiap tahun sebagai dampak dari pandemi Covid-19 (Sudibyo,
2020).
Selain penelitian yang telah disebutkan sebelumnya, clustering juga diterapkan dalam
upaya meramalkan daerah yang rentan terhadap bencana alam di Jawa Barat dengan
menggunakan teknik data mining yang memanfaatkan algoritma K-Means clustering. Data
mining telah menjadi metode umum yang digunakan dalam mengolah data terkait bencana
alam sebab, dianggap efektif dalam mengatasi permasalahan penanggulangan bencana alam.
Riset ini mempertimbangkan berbagai variabel terkait bencana alam, termasuk gempa bumi,
tanah longsor, banjir, kebakaran, dan angin puting beliung. Hasil dari analisis K-Means
Clustering yang dilakukan dengan menggunakan aplikasi RapidMiner, didapatkan tiga
kelompok berbeda yaitu cluster dengan tingkat kerentan rendah (C0), cluster dengan tingkat
kerentanan sedang (C1), dan cluster dengan tingkat kerentanan tinggi (C2) (Al Halik, 2022).
Dalam penelitian ini, algoritma Louvain digunakan sebagai metode clustering karena,
dikenal kinerjanya yang unggul, salah satunya adalah kemampuannya dalam mendeteksi
komunitas dengan tingkat modularity maksimal, dan kecepatannya yang lebih tinggi
dibandingkan dengan algoritma-algoritma lainnya. Seperti yang telah ditunjukkan dalam
penelitian sebelumnya (Setiadi, Sudaryanti, & Pujiastuti, 2022), algoritma louvain telah
3
berhasil diterapkan dalam analisis jejaring sosial dan deteksi komunitas terkait peminjaman
buku di Perpustakaan dengan algoritma Eva. Hasil eksperimen menunjukkan bahwa dalam
deteksi algoritma terhadap graf buku, umumnya tidak ada algoritma yang dominan unggul
dalam berbagai nilai metriks. Namun, secara spesifik, algoritma Louvain menunjukkan hasil
terbaik dalam hal nilai modularitas, ukuran komunitas, dan nilai entropy. Di sisi lain, dalam
deteksi komunitas pada graf peminjam, algoritma Eva mendominasi dalam semua metriks
seperti modularity, performance score, coverage, density, dan entropy. Berdasarkan hasil
evaluasi metrik tersebut, algoritma Louvain dan algoritma Eva dipilih untuk melakukan
klasterisasi terhadap buku dan peminjam buku selanjutnya.

Al Halik, M. F. (2022). Analisa Data untuk Prediksi Daerah Rawan Bencana Alam Menggunakan
Algoritma K-Means Clustering. Journal of Information System, Applied, Management, Accounting and
Research, 6(4), 856-870.

Setiadi, T., Sudaryanti, R. R. S., & Pujiastuti, A. (2022). Klasterisasi Buku dan Peminjam Buku di
Perpustakaan dengan Metode Analisis Jejaring Sosial dan Deteksi Komunitas. Jurnal Inovtek Polbeng
– Seri Informatika, 7(2), 256-266.

Wahyuni, S., & Jatmiko, Y. A. (2018). Pengelompokan Kabupaten/Kota di Pulau Jawa Berdasarkan
Faktor-Faktor Kemiskinan dengan Pendekatan Average Linkage Hierarchical Clustering. Jurnal
Aplikasi Statistika & Komputasi Statistik, 10(1), 1-8.

4
 BAB 3

METODE PENELITIAN

Berisi uraian tentang bahan atau materi penelitian, alat penelitian, variabel, dan data yang
dikumpulkan. Tujuan dari bagian ini adalah untuk memberikan informasi kepada pembaca
mengenai metode yang digunakan dalam proses mengumpulkan dan menganalisis data.

5
 BAB 4

HASIL DAN PEMBAHASAN

4.1. Hasil
Orange Data Mining, juga dikenal sebagai Orange, adalah sebuah software open
source yang memanfaatkan pemrograman visual untuk melakukan analisis data atau data
mining. Dari dua algoritma yang digunakan dalam software tersebut, yaitu K-Means dan juga
Louvain, menunujukan data gempa yang diperoleh dan diinput kedalam software terbagi ke
dalam dua cluster atau kelompok data.
Adapun hasil cluster (silhouette score) dapat dilihat pada gambar berikut.

Berdasarkan hasil clustering K-Means, cluster pertama (C1) merupakan data yang
memiliki nilai probabilitas dibawah 0,523096. Sedangkan cluster kedua (C2) merupakan data

yang memiliki rentang nilai probabilitas dari 0,544438 hingga 0,72502. Selain itu, C1
merupakan cluster yang hanya terdiri dari data gempa tahun 2009, 2017, 2018 dan 2019,
sedangkan C2 merupakan data gempa pada tahun 1972-2008, 2010-2016, 2020, 2021,
2022, dan 2023. Algoritma yang selanjutnya yaitu clustering Louvain memberikan hasil
bahwa cluster pertama merupakan data gempa pada tahun 1972 hingga 2003, sedangkan
cluster kedua merupakan data gempa dari tahun 2004 hingga 2023. Dengan kata lain C1
6
merupakan data gempa tahun terlama, sedangkan C2 merupakan data gempa tahun
terbaru. Hasil
Seusai melakukan cluster, kemudian dilakukan peramalan pada data frekuensi
gempa periode tahun 1972 hingga 2023. Metode peramalan yang digunakan adalah Single
Exponential Smoothing (SES), Double Exponential Smoothing (DES), dan Moving Average
(MA). Dari ketiga metode tersebut, hasil prediksi yang akan digunakan adalah hasil dari
metode yang telah disesuaikan berdasarkan data yang dimiliki. Sebagai ukuran dalam
menilai ketepatan hasil peramalan (forecast), maka perlu ditinjau error atau kesalahan
terkecil dari tiap-tiap metode. Beberapa metrik yang digunakan untuk mengukur kesalahan
meliputi MAPE (Mean Absolute Percentage Error), MAD (Mean Absolute Deviation), dan
juga MSD (Mean Squared Deviation).
Metode yang pertama yaitu Single Exponential Smoothing (SES) memberikan nilai
Alpha sebesar 0,235 dengan nilai MAPE sebesar 60,6204, MAD 3,0492, dan nilai MSD
sebesar 81,8232. Output visualisasi dari metode SES ditampilkan sebagai berikut.

Hal berbeda tentunya ditunjukan oleh Double Exponential Smoothing (DES). Metode ini
memberikan nilai MAPE, MAD, dan MSD berturut-turut yaitu 80,8198 ; 3,5521; 38,1881.
Kemudian nilai Alpha yang dihasilkan adalah 0,551 ; serta nilai Gamma sebesar 0,078.
Grafik visualisasi yang dimunculkan adalah sebagai berikut.

Metode yang terakhir yaitu Moving Average (MA) memberikan nilai MAPE sebesar 73,2174 ;
MAD 3,3810 ; dan nilai MSD sebesar 34,8095. Adapun hasil visualisasi metode ini
ditampilkan pada gambar berikut.

7
 Berdasarkan proses peramalan yang telah dilakukan dengan ketiga metode, data
dibandingkan dengan dibuat tabel perbandingan.

Analisa menunjukan bahwa Single Exponential Smoothing (SES) merupakan metode yang
paling sesuai. Hal ini dikarenakan metode SES memberikan tingkat error yang lebih rendah
(nilai MAPE yang lebih kecil) dan akurasi peramalan yang lebih baik (nilai MAD dan MSD
yang lebih rendah) dibandingkan dengan metode yang lainnya.
Nilai peramalan (forecast) yang diperoleh dari metode Single Exponential Smoothing
(SES) adalah 12,7439, yang artinya apabila dibulatkan diramalkan akan terjadi sebanyak 13
bencana gempa bumi pada tahun 2024 mendatang.

Dalam beberapa tahun terakhir, kita telah mencatat sejumlah kejadian gempa bumi yang
signifikan. Pada tahun 2022 terjadi 5 gempa bumi, 4 diantaranya terjadi di Jawa Barat. Pada
tahun 2023, terjadi juga 5 bencana gempa bumi, dan 4 diantaranya terjadi di Jawa Tengah.
Dengan mempertimbangkan tren ini, data prediksi menunjukkan bahwa tahun 2024 mungkin
akan menghadirkan tantangan yang lebih besar, dengan perkiraan sebanyak 13 bencana
gempa bumi yang mungkin terjadi. Hal ini menunjukkan pentingnya persiapan dan mitigasi
risiko di wilayah-wilayah yang rentan terhadap gempa bumi.

4.2. Pembahasan
8
Membahas kembali hasil penelitian yang diperoleh, menjawab dari rumusan masalah yang
ada

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Hasil penelitian dijelaskan dengan singkat, tepat, dan terkait langsung dengan rumusan
masalah dan tujuan penelitian. Kesimpulan menjawab tujuan penelitian dan merupakan
ringkasan temuan penelitian.

5.2. Saran

9
Berisi saran yang akan ditujukan pada pihak yang akan terlibat, pembaca atau mungkin
peneliti sendiri

DAFTAR PUSTAKA

Berisi referensi-referensi yang digunakan dalam penelitian ditulis dengan format APA Style

Panduan sitiran bisa diunduh pada laman berikut.

https://lib.ugm.ac.id/?file=panduan-penulisan-sitiran

10
 LAMPIRAN

Lampiran 1. Biodata Ketua dan Anggota

1.1 Biodata Ketua Tim
1 Nama Lengkap
2 Jenis Kelamin
3 Program Studi/Jurusan*
4 NIM/NIS*
5 Tempat tanggal lahir

11
 6 E-mail
7 Nomor telpon/HP

1.2 Biodata Anggota 1

1 Nama Lengkap
2 Jenis Kelamin
3 Program Studi/Jurusan*
4 NIM/NIS*
5 Tempat tanggal lahir
6 E-mail
7 Nomor telpon/HP

1.3 Biodata Anggota 2

1 Nama Lengkap
2 Jenis Kelamin
3 Program Studi/Jurusan*
4 NIM/NIS*
5 Tempat tanggal lahir
6 E-mail
7 Nomor telpon/HP

Semua data yang saya isikan dan tercantum dalam biodata ini benar dan dapat
dipertanggungjawakan secara hukum. Apabila di kemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini
kami buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan
Lomba Karya Tulis Ilmiah EPSILON 2023.

[kota, tanggal-bulan-2023]
Ketua Tim Anggota I Anggota II*

(____________________) (____________________) (____________________)

NIM/NIS*. NIM/NIS*. NIM/NIS*.

[konten Lampiran lain yang perlu dicantumkan]

12
13