CLUSTERING KEJADIAN GEMPA BUMI DARAT DI WILAYAH DAERAH ISTIMEWA YOGYAKARTA DAN SEKITARNYA DENGAN ALGORITMA K-MEANS
DOI:
https://doi.org/10.22437/jop.v11i3.55347Keywords:
Clustering, K-Means, gempa bumi, Yogyakarta, Silhoutte ScoreAbstract
Berdasarkan pada fakta, Daerah Istimewa Yogyakarta (DIY) dan sekitarnya merupakan salah satu wilayah di Indonesia yang rentan terhadap kejadian gempa bumi darat. Pemahaman yang lebih baik tentang pola spasial gempa bumi sangat penting untuk mitigasi bencana dan perencanaan wilayah. Data gempa bumi yang melimpah memerlukan pendekatan analitis yang canggih untuk mengidentifikasi klaster-klaster kejadian gempa bumi yang mungkin memiliki karakteristik berbeda. Penelitian terdahulu telah menggunakan berbagai algoritma clustering (pengelompokan) seperti K-Medoid, K-Means, DBSCAN, Fuzzy C-Mean, dan lain-lain dengan menggunakan dataset gempa bumi dalam cakupan yang luas misal Indonesia atau Pulau Sumatera. Penelitian ini menggunakan algoritma K-Means dengan dataset gempa bumi dalam wilayah yang lebih sempit yaitu gempa bumi darat di wilayah Yogyakarta. Tujuan dari penelitian ini adalah untuk mengidentifikasi dan menganalisis klaster-klaster kejadian gempa bumi darat di wilayah DIY dan sekitarnya menggunakan metode K-Means untuk mengungkapkan pola spasial yang tersembunyi. Metode yang akan digunakan meliputi pengumpulan data gempa bumi historis, pra-pemrosesan data, penerapan algoritma K-Means, serta interpretasi dan validasi hasil pengelompokan dengan Silhoutte Score. Dari hasil penelitian diperoleh jumlah klaster terbaik adalah k=3 dengan nilai Silhoutte Score 0.6369 yang menunjukkan klaster terpisah secara baik.Tiga klaster tersebut yaitu klaster 0 meliputi wilayah Kab. Gunungkidul bagian timur dan Kab. Klaten bagian barat; klaster 1 meliputi wilayah Kab. Bantul bagian barat, Kab. Sleman bagian tengah dan barat, Kab. Kulon Progo, dan Kab. Purworejo bagian timur; klaster 2 meliputi wilayah Kab. Bantul bagian tengah dan timur, Kab. Gunungkidul bagian barat, dan Kab. Sleman bagian timur
References
Aprilia, A., Wahidin, A. B., & Syafriadi. (2025). Seismic Activity Analysis in Indonesia: Integrating Machine Learning, Geospatial Data, and Environmental Factors for Risk Assessment. JPF (Jurnal Pendidikan Fisika) Universitas Islam Negeri Alauddin Makassar, 13(1), 12–26. https://doi.org/10.24252/jpf.v13i1.54081
Arafat, I. B. F., Hariyadi, M. A., Santoso, I. B., & Crysdian, C. (2023). Clustering Gempabumi di Wilayah Regional VII Menggunakan Pendekatan DBSCAN. Jurnal Teknologi Informasi Dan Ilmu Komputer, 10(4), 823–830. https://doi.org/10.25126/JTIIK.202410698
Dwitiyanti, N., Kumala, S. A., & Handayani, S. D. (2024). Comparative Study of Earthquake Clustering in Indonesia Using K-Medoids, K-Means, DBSCAN, Fuzzy C-Means and K-AP Algorithms. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 8(6), 768–778. https://doi.org/10.29207/RESTI.V8I6.5514
Furizal, F., Mawarni, S. S., Akbar, S. A., Yudhana, A., & Kusno, M. (2023). Analysis of the Influence of Number of Segments on Similarity Level in Wound Image Segmentation Using K-Means Clustering Algorithm. Control Systems and Optimization Letters, 1(3), 132–138. https://doi.org/10.59247/csol.v1i3.33
Ibrahim, M.,& Al-Bander, B. (2024). An integrated approach for understanding global earthquake patterns and enhancing seismic risk assessment. International Journal of Information Technology 2024 16:4, 16(4), 2001–2014. https://doi.org/10.1007/s41870-02401778-1
Karmenova, M., Tlebaldinova, A., Krak, I., Denissova, N., Popova, G., Zhantassova, Z., Ponkina, E., & Györök, G. (2022). An Approach for Clustering of Seismic Events using Unsupervised Machine Learning. Acta Polytechnica Hungarica, 19(5), 7–22. https://doi.org/10.12700/APH.19.5.2022.5.1
Lakeisyah, E. T., Tania, K. D., & Afrina, M. (2025). Komparasi Klasterisasi Data Historis Gempa Bumi Menggunakan DBSCAN, K-Means, dan Agglomerative Clustering. Building of Informatics, Technology and Science (BITS), 7(3), 1674–1683. https://doi.org/10.47065/BITS.V7I3.8426
Malviya, H. (2025). Earthquake Pattern Analysis Using Clustering, Forecasting, and Machine Learning: A Global Study (1960-2023). Quest Journals Journal of Research in Environmental and Earth Sciences, 11(6), 2348–2532. https://doi.org/10.35629/2532-11068491
Maori, N. A., & Evanita, E. (2023). Metode Elbow dalam Optimasi Jumlah Cluster pada K-Means Clustering. Simetris: Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer, 14(2), 277–288. https://doi.org/10.24176/SIMET.V14I2.9630
Muhammad, M., Sutikno, T., & Riadi, I. (2025). K-means clustering as an imputation strategy for missing values in scholarship candidate data. Jurnal Mantik, 8(4), 2685–4236. https://doi.org/10.35335/MANTIK.V8I4.5904
Muhima, R. R., Kurniawan, M., Wardhana, S. R., Yudhana, A., & Sunardi. (2022). n-Mating Effect on Genetic Algorithm-Based Clustering Performance for Hotspots Data. Proceeding - IEEE International Conference on Communication, Networks and Satellite, COMNETSAT 2022, 212–215. https://doi.org/10.1109/COMNETSAT56033.2022.9994400
Muhima, R. R., Kurniawan, M., Wardhana, S. R., Yudhana, A., & Sunardi. (2023). GA polygamy clustering on active fire data in Kalimantan Province. AIP Conference Proceedings, 2733(1). https://doi.org/10.1063/5.0140522
Praseptian M, D., Fadlil, A., & Herman, H. (2022). Penerapan Clustering K-Means untuk Pengelompokan Tingkat Kepuasan Pengguna Lulusan Perguruan Tinggi. JURNAL MEDIA INFORMATIKA BUDIDARMA, 6(3), 1693. https://doi.org/10.30865/mib.v6i3.4191
Pusat Studi Gempa Nasional. (2024). Peta Sumber dan Bahaya Gempa Indonesia tahun 2024 (pp. 1–665). https://hakipusat.com/blog-post/buku-peta-sumber-dan-bahaya-gempa-indonesia-tahun-2024/
Rosyady, P. A., Habibah, N. U., Masita, & Yudhana, A. (2025). Machine learning-based characteristic identification of MSG content in gravy foods. BIO Web of Conferences, 148. https://doi.org/10.1051/bioconf/202414804019
Rotul Muhima, R., Kurniawan, M., Rosetya Wardhana, S., Yudhana, A., & Adhimukti, M. (2023). An improved clustering based on K-means for hotspots data. Indonesian Journal of Electrical Engineering and Computer Science, 31(2), 1109–1117. https://doi.org/10.11591/ijeecs.v31.i2.pp1109-1117
Saifullah, S., Dreżewski, R., Yudhana, A., Wielgosz, M., & Caesarendra, W. (2025). Modified U-Net with attention gate for enhanced automated brain tumor segmentation. Neural Computing and Applications, 37(7), 5521–5558. https://doi.org/10.1007/s00521-024-10919-3
Sartika, D., Muhni, A., Gunarsih, D., Masrurah, Z., Oktarini, Y., Ridha Adhari, M., & Studi Teknik Geologi, P. (2026). Sosialisasi Potensi Bahaya Dan Dampak Bencana Gempabumi Di SMPN 2 Darul Imarah, Kabupaten Aceh Besar. Jurnal Pengabdian Kolaborasi Dan Inovasi IPTEKS, 4(1), 71–78. https://doi.org/10.59407/JPKI2.V4I1.3511
Tumpu, Miswar; Yusman; Azizah, Nurul; Syahrul; Apalem, Delvia Rimesye; La Ode, Al Tafakur; Herlambang, Andi Rahmadi; Israil; Gusty, Sri; Tammabela, I. R. A. (2024). Ebook Geologi Lingkungan. https://www.researchgate.net/publication/383038628_GEOLOGI_LINGKUNGAN
Ulinnuha, H., Lestari, D., Widjajanti, N., Parseno, P., Pratama, C., Heliani, L. S., & Novianti, S. T. (2022). Estimasi Potensi Gempa Tektonik di Wilayah Sesar Opak Berdasarkan Data Pengamatan GPS. Geoid, 18(1), 9–19. https://doi.org/10.12962/J24423998.V18I1.11817
Vijay, R. K., Nanda, S. J., & Sharma, A. (2025). A review on clustering algorithms for spatiotemporal seismicity analysis. Artificial Intelligence Review, 58(8). https://doi.org/10.1007/s10462-025-11229-3
Yuliansyah, H., Ardiansyah, R., & Yudhana, A. (2026). A Machine Learning Approach for Multi-Label Classification in Candidate Election Social Media Analysis. ECTI Transactions on Computer and Information Technology (ECTI-CIT), 20(1), 50–62. https://doi.org/10.37936/ECTI-CIT.2026201.263596
Yulisasih, B. N., Yulisasih, B. N., Herman, H., Sunardi, S., & Yuliansyah, H. (2024). Evaluation of K-Means Clustering Using Silhouette Score Method on Customer Segmentation. ILKOM Jurnal Ilmiah, 16(3), 330–342. https://doi.org/10.33096/ilkom.v16i3.2325.330-342
Zhang, P. ;, Li, X. ;, Chen, J., Zhang, P., Li, X., & Chen, J. (2022). Prediction Method for Mine Earthquake in Time Sequence Based on Clustering Analysis. Applied Sciences 2022, Vol. 12, Page 11101, 12(21), 11101. https://doi.org/10.3390/APP122111101
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Wiji Karyanti, Anton Yudhana, Murinto Murinto
This work is licensed under a Creative Commons Attribution 4.0 International License.
