PENERAPAN SPATIO-TEMPORAL MENGGUNAKAN ALGORITMA ORDERING POINTS TO IDENTIFY THE CLUSTERING STRUCTURE PADA DATA BENCANA BANJIR DI INDONESIA TAHUN 2022-2024=IMPLEMENTATION OF SPATIO-TEMPORAL CLUSTERING USING THE ORDERING POINTS TO IDENTIFY THE CLUSTERING STRUCTURE ALGORITHM ON FLOOD DISASTER DATA IN INDONESIA 2022-2024

Analisis klaster spatio-temporal digunakan untuk mengidentifikasi pola kejadian yang memiliki kedekatan lokasi dan waktu secara simultan sehingga keterkaitan antarperistiwa dapat dipahami secara lebih mendalam. Salah satu metode yang dapat diterapkan adalah Spatio-Temporal Ordering Points to Identify the Clustering Structure (ST-OPTICS), yaitu algoritma klasterisasi berbasis densitas yang mampu mendeteksi kelompok kejadian sekaligus mengidentifikasi noise pada data spasial dan temporal. Analisis ini relevan untuk mengkaji pola pengelompokan kejadian banjir di Indonesia yang tersebar pada berbagai wilayah dan periode waktu. Penelitian ini bertujuan mengidentifikasi pola klaster spatio-temporal kejadian banjir di Indonesia tahun 2022 2024 serta menentukan parameter optimum yang menghasilkan klaster terbaik. Data kejadian banjir periode 2022-2024 direpresentasikan sebagai titik berdasarkan koordinat geografis dan waktu kejadian, kemudian dianalisis menggunakan algoritma ST-OPTICS untuk mengidentifikasi klaster spatio-temporal. Kinerja klasterisasi dievaluasi menggunakan Density-Based Clustering Validation (DBCV) dan Adjusted Rand Index (ARI) guna menilai kualitas serta kestabilan klaster yang terbentuk. Parameter terbaik diperoleh pada ε1 = 40 km, ε2 = 7 hari, dan MinPts = 4, menghasilkan 77 klaster dengan proporsi noise sebesar 8,22%. Nilai DBCV sebesar 0,5025 menunjukkan kualitas klaster cukup baik, sedangkan nilai ARI sebesar 0,9885 menunjukkan hasil klasterisasi konsisten terhadap subsampling. Pola klaster cenderung terkonsentrasi pada Indonesia bagian barat, terutama Pulau Jawa dan Pulau Sumatra. ST-OPTICS mampu mengidentifikasi pola pengelompokan kejadian banjir berdasarkan kedekatan ruang dan waktu serta menghasilkan struktur klaster yang konsisten untuk mendukung pemetaan kerawanan banjir secara spatio-temporal.