ALGORITMA K-NEAREST NEIGHBOR SPASIO TEMPORAL DENSITY BASED CLUSTERING KASUS GEMPA BUMI DI PULAU SULAWESI

MAHRANI. Algortima K-Nearest Neighbor Spasio Temporal Density Based Clustering Kasus Gempa Bumi Di Pulau Sulawesi (dibimbing oleh Dr. Anna Islamiyati, S.Si.,M.Si. dan Prof Dr. Dr Georgina Maria Tinungki M.Si.)
Latar Belakang. Pulau Sulawesi merupakan salah satu kawasan seismik aktif di Indonesia yang mengakibatakan wilayah ini tergolong rawan terjadi gempa bumi. Pulau Sulawesi memiliki aktivitas kegempaan yang tinggi dikarenakan lokasinya terletak pada zona benturan ketiga lempeng tektonik dunia yaitu lempeng Indo-Australia, lempeng Eurasia dan lempeng Pasifik. Ketiga lempeng ini memiliki pertemuan yang konvergen dan bertumbukan secara relative sehingga menyebabkan intensitas gempa yang tinggi sehingga perlu dilakukan klaster untuk melihat wilayah yang rentan terjadi gempa. Salah satu metode klastering dalam kasus kepadatan yang dapat mendeteksi outlier yaitu DBSCAN yang dikembangkan menjadi metode ST-DBSCAN. Dalam melakukan klastering dengan metode ST-DBSCAN penentuan parameter sangatlah krusial karena mempengaruhi hasil klaster yang terbentuk, sehingga metode ini akan di optimasi menggunakan algoritma K-Nearest Neighbord. Tujuan. Penelitian ini bertujuan untuk melakukan klastering serta menganalisis pola spasio temporal pada data kejadian gempa bumi di Pulau Sulawesi tahun 2021-2023. Metode. Adapun metode yang digunakan pada penelitian ini adalah Algoritma K-Nearest Neighbord Spasio Temporal Density Based Klastering. Hasil. Hasil penelitian menunjukkan bahwa Algoritma K-Nearest Neighbord Spasio Temporal Density Based Klastering memiliki nilai parameter terbaik yang didapatkan yaitu ε_1=10, ε_2=7 dan MinPts=3 mendapatkan nilai dengan nilai silhouette coefficient =0.440, DBI = 1,303, calinski harabahz = 2.155,773 dan average score = 0,952 menghasilkan 12 klaster, 6 diantaranya klaster besar meliputi klaster ke-1 dengan 74 jumlah titik gempa, klaster ke-2 dengan 55 jumlah titik gempa, klaster ke-6 dengan 93 jumlah titik gempa, klaster ke-7 dengan 42 jumlah titik gempa, klaster ke-9 dengan 30 jumlah titik gempa dan klaster ke-11 dengan 53 jumlah titik gempa Kesimpulan. Dari hasil penelitian, penggunaan Algoritma K-Nearest Neighbord Spasio Temporal Density Based Klastering mampu melakukan klastering serta mendeteksi adanya outlier.