<![CDATA[Gempa bumi merupakan fenomena alam yang terjadi akibat pergeseran lempeng bumi, aktivitas fluida, vulkanik, maupun sesar aktif, dan bersifat destruktif karena sering menimbulkan kerugian besar. Dampaknya mencakup kerusakan infrastruktur, kerugian ekonomi, dan korban jiwa. Oleh karena itu, identifikasi kawasan rawan gempa menjadi langkah penting dalam meningkatkan kewaspadaan. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan performa algoritma clustering BIRCH dan DBSCAN dalam menganalisis data gempa bumi di Indonesia hingga tahun 2025. BIRCH dipilih karena efisien untuk data besar, sedangkan DBSCAN unggul dalam mendeteksi noise dan pola yang tidak beraturan. Hasil evaluasi menunjukkan bahwa BIRCH dengan dua kelompok mampu memberikan pemetaan yang lebih jelas dan stabil dibandingkan DBSCAN. Pada BIRCH, nilai pemisahan antar kelompok lebih tinggi (Silhouette 0,8910; Calinski-Harabasz 1009,83) dan tingkat kesalahannya lebih rendah (Davies-Bouldin 0,3580). Sebaliknya, DBSCAN menghasilkan pemisahan yang kurang optimal dengan skor yang lebih rendah (Silhouette 0,8726; Calinski-Harabasz 554,37; Davies-Bouldin 0,5017). BIRCH terbukti lebih stabil dan representatif dalam menggambarkan distribusi risiko gempa bumi. Keunggulan dari penelitian ini membuka peluang untuk dilakukan pengembangan lanjutan, seperti penambahan atribut analisis dan pendekatan evaluasi guna meningkatkan akurasi dalam pengelompokan wilayah rawan gempa di Indonesia.]]>
Copyrights © 2025
