<![CDATA[Indonesia, khususnya Pulau Jawa, menghadapi kompleksitas risiko bencana hidrometeorologi dan geologi yang semakin meningkat akibat perubahan iklim, urbanisasi, serta degradasi lingkungan. Penelitian ini bertujuan melakukan pemetaan kerentanan bencana pada wilayah administratif Kabupaten/Kota di Pulau Jawa menggunakan pendekatan machine learning berbasis metode unsupervised, yaitu K-Means Clustering. Penelitian memanfaatkan 17 variabel lingkungan dan dampak bencana, meliputi frekuensi kejadian bencana (gempa bumi, longsor, banjir, cuaca ekstrem, kebakaran hutan/lahan, dan kekeringan), jumlah rumah rusak, jumlah korban terdampak, serta indikator pengelolaan lingkungan berupa timbulan sampah harian dan tahunan. Dataset awal terdiri dari seluruh Kabupaten/Kota di Pulau Jawa, namun dilakukan proses penyaringan data (preprocessing) termasuk normalisasi, handling missing values, dan data consistency check. Sebanyak 17 Kabupaten/Kota dikeluarkan dari analisis karena tidak memenuhi kelengkapan data. Melalui Elbow Method, ditentukan jumlah cluster optimal yaitu k=3, kemudian divalidasi menggunakan Silhouette Score, PCA Visualization, dan hierarchical clustering. Hasil clustering mengelompokkan wilayah menjadi tiga profil kerentanan: (0) Risiko Rendah (69 Kabupaten/Kota), dengan karakteristik intensitas bencana minimal dan timbulan sampah terendah (±407 ton/hari); (1) Risiko Sedang (10 Kabupaten/Kota), yang memiliki fluktuasi ekstrem pada indikator korban jiwa (±2.132 jiwa) terutama akibat cuaca ekstrem; serta (2) Risiko Tinggi (23 Kabupaten/Kota), yang ditandai dengan tekanan lingkungan masif berupa rata-rata timbulan sampah harian mencapai >1.200 ton dan frekuensi banjir tertinggi. Temuan ini memberikan dasar segmentasi risiko kebencanaan berbasis data sebagai rekomendasi prioritas mitigasi kebencanaan daerah]]>
Copyrights © 2026
