Klasifikasi Tingkat Dampak Banjir Di Provinsi Sumatra Utara Menggunakan Algoritma K-Nearest Neighbor(Knn)
DOI:
https://doi.org/10.64803/juikti.v2i1.103Kata Kunci:
Banjir, Dampak Banjir, Klasifikasi, Data Mining, K-Nearest NeighborAbstrak
Banjir merupakan salah satu bencana alam yang perlu diwaspadai karena dapat menimbulkan dampak yang signifikan terhadap masyarakat, baik berupa kerusakan infrastruktur maupun korban jiwa. Badan Nasional Penanggulangan Bencana (BNPB) dan Badan Penanggulangan Bencana Daerah (BPBD) berperan dalam menghimpun dan menyediakan data kejadian banjir sebagai dasar pengambilan keputusan dalam penanggulangan bencana. Penelitian ini bertujuan untuk mengklasifikasikan tingkat dampak banjir di Provinsi Sumatera Utara menggunakan metode data mining dengan pendekatan klasifikasi. Dataset yang digunakan merupakan data dampak banjir yang diperoleh dari BNPB dan BPBD Provinsi Sumatera Utara, yang meliputi jumlah rumah rusak, jumlah pengungsi, jumlah korban meninggal, jumlah korban hilang, serta jumlah fasilitas umum yang mengalami kerusakan. Proses data mining dilakukan mengikuti tahapan Knowledge Discovery in Databases (KDD), yang meliputi seleksi data, praproses data, normalisasi, proses klasifikasi, dan evaluasi hasil. Algoritma yang digunakan dalam penelitian ini adalah K-Nearest Neighbor (KNN). Pengolahan dan pengujian data dilakukan menggunakan perangkat lunak RapidMiner. Hasil pengujian menunjukkan bahwa algoritma KNN mampu mengklasifikasikan tingkat dampak banjir ke dalam tiga kelas, yaitu rendah, sedang, dan tinggi, dengan tingkat akurasi terbaik sebesar 89,47%. Hasil penelitian ini menunjukkan bahwa algoritma KNN cukup efektif digunakan dalam klasifikasi tingkat dampak banjir di Provinsi Sumatera Utara berdasarkan data dampak bencana.
Referensi
[1] F. Seftiani and R. Handawati, “Pemetaan Tingkat Bahaya Banjir Menggunakan Metode Penginderaan Jauh Di Kecamatan Jatinegara Kota Administrasi Jakarta Timur,” vol. 2, no. 2, pp. 48–55, 2023.
[2] B. Mufarida, “BNPB Catat 74 Bencana Landa Tanah Air di Awal 2025, Banjir Mendominasi.” Accessed: Jan. 19, 2026. [Online]. Available: https://nasional.sindonews.com/read/1516047/15/bnpb-catat-74-bencana-landa-tanah-air-di-awal-2025-banjir-mendominasi-1736820077?
[3] Z. Sembiring et al., “Didaktik : Jurnal Ilmiah PGSD FKIP UNIVERSITAS MANDIRI ISSN Cetak : 2477-5673 ISSN Online : 2614-722X Volume 11 Nomor 02 , Juni 2025 Didaktik : Jurnal Ilmiah PGSD FKIP UNIVERSITAS MANDIRI ISSN Cetak : 2477-5673 ISSN Online : 2614-722X Volume 11 Nomor 02 , Juni 2025,” vol. 11, pp. 366–371, 2025.
[4] A. Penyebab, D. A. N. Dampak, B. Di, and K. Anggrung, “terjadi di Indonesia, termasuk di Kelurahan Anggrung,” vol. 5, no. 6, 2024.
[5] Elfa Harahap, “Kabupaten-Kota yang Terdampak Banjir Longsor di Sumut Bertambah,” Mistar.ID. Accessed: Jan. 19, 2026. [Online]. Available: https://mistar.id/news/medan/kabupatenkota-yang-terdampak-banjir-longsor-di-sumut-bertambah
[6] N. Anggraini, B. Pangaribuan, A. P. Siregar, and G. Sintampalam, “ANALISIS PEMETAAN DAERAH RAWAN BANJIR DI KOTA MEDAN TAHUN 2020,” vol. 4, no. 2, pp. 27–33, 2021.
[7] N. Bayes et al., “Pеrbаndіngаn Tеknіk Klаsifikаsi Dаtа Mining untuk Pеnеntuаn Jеnіѕ Jаmur Bеrаcun,” vol. 5, no. 3, pp. 23–31, 2024.
[8] S. Setyaningtyas, B. I. Nugroho, and Z. Arif, “TINJAUAN PUSTAKA SISTEMATIS PADA DATA MINING : STUDI KASUS ALGORITMA K-MEANS CLUSTERING,” vol. 10, no. 2, pp. 52–61, 2022.
[9] N. A. Ramadhani and H. A. Rosyid, “Algoritma – Algoritma Data Mining untuk Klasifikasi Data,” vol. 2, no. 12, pp. 550–556, 2022, doi: 10.17977/um068v2i122022pxxx-xxx.
[10] J. M. Informatika, S. I. Misi, C. P. Inayati, S. Lestanti, and S. Budiman, “RANCANG BANGUN APLIKASI PENGENALAN WAJAH,” vol. 8, pp. 1–12, 2025.
[11] P. Data et al., “Jurnal PIPA: Pendidikan Ilmu Pengetahuan Alam,” vol. 05, no. 01, pp. 42–45, 2024.
[12] A. Naïve, “Comparison of Data Mining Methods for Predition of Floods with Naïve Bayes and KNN Algorithm Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan,” pp. 40–48, 2022.
[13] P. E. Putra, M. A. Amrullah, Y. H. Fauzi, and R. F. Saputri, “Penerapan Algoritma C4 . 5 untuk Klasifikasi Tingkat Korban Banjir di Indonesia,” vol. 3, no. c, pp. 1–7, 2025.
[14] S. M. Natzir, “Perbandingan Kinerja Model Pembelajaran Mesin dalam Prediksi Banjir menggunakan KNN , Naive Bayes , dan Random Forest,” vol. 14, no. c, pp. 59–64, 2023.
[15] J. Akbar, M. Ali, and S. Yudono, “Water Level Classification for Detect Flood Disaster Status using KNN and SVM,” vol. 13, pp. 298–302, 2024.
[16] A. Khusaeri, S. Ilham, D. Nurhasanah, D. Delpidat, and B. N. Sari, “Algoritma c4.5 untuk pemodelan daerah rawan banjir studi kasus kabupaten karawang jawa barat,” vol. 9, pp. 132–136, 2017.
[17] M. W. Martadiansyah, A. Ghufron, R. A. Hidayah, and D. Salzabila, “Perbandingan Algoritma C4 . 5 dengan Naive Bayes Untuk Klasifikasi Curah Hujan,” vol. 3, no. c, pp. 8–17, 2025.
[18] P. P. Haryoto, H. Okprana, and I. S. Saragih, “Algoritma C4 . 5 Dalam Data Mining Untuk Menentukan Klasifikasi Penerimaan Calon Mahasiswa Baru,” vol. 2, no. 5, pp. 358–364, 2021.
[19] E. Pitaloka et al., “Penerapan Machine Learning untuk Prediksi Bencana Banjir,” vol. 01, 2024, doi: 10.21456/vol14iss1pp62-76.
[20] A. Rizky, S. Achmadi, A. F. Setiawan, and T. Informatika, “PENERAPAN DATA MINING DENGAN ALGORITMA KNN UNTUK MENENTUKAN TINGKAT KERUSAKAN DRAINASE KOTA JOMBANG,” vol. 8, no. 5, pp. 8471–8478, 2024.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Maria Afri Yani, Dia Alemisa br Sembiiring, Sardo Pardingotan Sipayung (Author)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
