PENERAPAN ALGORITMA KOHONEN SELF ORGANIZING MAP DALAM PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN DAMPAK BENCANA BANJIR

Abstract

Self Organizing Map merupakan suatu metode dalam Neural Network yang digunakan untuk membagi pola masukan atau input ke dalam beberapa kelompok atau cluster. Penelitian ini bertujuan untuk mengetahui hasil cluster provinsi di Indonesia berdasarkan indikator dampak bencana banjir dengan algoritma Self Organizing Map serta mengetahui karakteristik dari setiap cluster yang terbentuk. Tahapan pertama adalah menentukan variabel input sebagai masukan jaringan yang selanjutnya di normalisasi dengan metode Min-Max Normalization. Langkah selanjutnya adalah melakukan pembelajaran dengan algoritma Self Organizing Map terhadap variabel input. Pada penelitian ini dilakukan beberapa pembentukan cluster yaitu pembentukan cluster dengan jumlah 2 cluster, 3 cluster dan seterusnya hingga 7 cluster. Pembentukan cluster dengan nilai Davies Bouldin Index terkecil dipilih sebagai jumlah cluster terbaik. Hasil penelitian ini menunjukkan bahwa pembentukan cluster menggunakan pembelajaran Self Organizing Map memberikan jumlah cluster terbaik adalah pada pembentukan 5 cluster dengan nilai Davies Bouldin Index (DBI) 0,6413. Pada pembentukan 5 cluster diperoleh 4 anggota pada cluster 1, 1 anggota pada cluster 2, 1 anggota pada cluster 3, 1 anggota pada cluster 4, dan 27 anggota pada cluster 5.