Prediksi Bencana Alam di Kota Semarang Menggunakan Algoritma Markov Chains

Main Article Content

Nurtriana Hidayati
Prind Triajeng Pungkasanti
Nur Wakhidah

Abstract

Bencana alam bukan merupakan hal baru di Indonesian khususnya kota semarang.  Data tersebut dapat di lihat pada Badan Penanggulangan Bencana Daerah (BPBD). Data bencana alam yang digunakan sebagai data penelitian diambil dari tahun 2013 hingga 2020 dengan jenis bencana alam berupa banjir, banjir rob, puting beliung, tanah longsor, rumah roboh, pohon tumbang dan kebakaran yang semuanya perlu kita waspadai dan ditanggulangi untuk memperkecil kerugian bagi masyarakat. Prediksi merupakan hal yang dipakai setiap kalangan untuk mengetahui seberapa besar hal yang mungkin terjadi dimasa yang akan datang. Markov Chains adalah metode untuk menghasilkan nilai kemungkinan terhadap sesuatu dengan perhitungan probabilitas. Markov chains disini melakukan prediksi dengan nilai matrik terhadap 7 bencana alam yang terjadi di kota Semang dengan  hasil prediksi di tahun 2020 adalah banjir 35 %, rob banjir 0%, tanah longsor 22%, puting beliung 3%, rumah roboh 2%, kebakaran  30% dan pohon tumbang 8%. Sedangkan di tahun 2021 prosentase prediksi banjir 22 %, rob banjir 3%, tanah longsor 22%, puting beliung 2%, rumah roboh 8%, kebakaran  33% dan pohon tumbang  9%.

Article Details

Section
Articles

References

[1] M. I. Ramadhan and P. Prihandoko, “Penerapan Data Mining Untuk Analisis Data Bencana Milik BNPB Menggunakan Algoritma K-Means dan Linear Regression,” J. Ilm. Inform. Komput., vol. 22, no. 1, pp. 57–65, 2019.
[2] Badan Penanggulangan Bencana Daerah Kota Semarang, “Data Bencana Alam di Kota Semarang Th. 2021,” Semarang, 2021.
[3] F. A. Kurniawan, “Aplikasi Markov Chain untuk Memprediksi Tekanan Darah,” InComTech J. Telekomun. dan Komput., vol. 8, no. 2, pp. 103–120, 2018, doi: 10.22441/incomtech.v8i2.4087.
[4] S. Nawangsari, F. M. Iklima, and E. P. Wbowo, “Konsep Markov Chains untuk Menyelesaikan Prediksi Bencana Alam di Wilayah Indonesia Dengan Studi Kasus Kotamadya Jakarta Utara,” J. Skripsi Progr. Stud. Sist. Inf., 2008.
[5] M. Mustakim, I. Kamila, and A. Ramadhan, “Implementasi Algoritma Markov Chains untuk Prediksi Kejadian Bencana Alam di Provinsi Riau,” in Seminar Nasional Teknologi Informasi Komunikasi dan Industri, 2018, pp. 151–157.
[6] P. M. Melati and M. T. Jatipaningrum, “Prediksi Bencana Alam Di Wilayah Kabupaten Wonogiri Dengan Konsep Markov Chains,” J. Stat. Ind. dan Komputasi, vol. 3, no. 01, pp. 63–70, 2018.
[7] M. G. Sadewo, A. Eriza, A. P. Windarto, and D. Hartama, “Algoritma K-Means Dalam Mengelompokkan Desa / Kelurahan Menurut Keberadaan Keluarga Pengguna Listrik dan Sumber Penerangan Jalan Utama Berdasarkan Provinsi,” in Seminar Nasional Teknologi Komputer & Sains (SAINTEKS), 2019, pp. 754–761.
[8] E. Prasetyo, Data Mining: Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi, 2014.
[9] M. G. Sadewo, A. P. Windarto, and A. Wanto, “Penerapan Algoritma Clustering Dalam Mengelompokkan Banyaknya Desa/Kelurahan Menurut Upaya Antisipasi/ Mitigasi Bencana Alam Menurut Provinsi Dengan K-Means,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 2, no. 1, pp. 311–319, 2018, doi: 10.30865/komik.v2i1.943.
[10] Suyanto, Data Mining Untuk Klasifikasi dan Klustering Data. Bandung: Informatika, 2019.