Perbandingan Metode Pengukuran Jarak pada Analisis Potensi Banjir Menggunakan Spatial Skyline Query
DOI:
https://doi.org/10.23969/infomatek.v27i1.24149Keywords:
Euclidean Distance, Haversine Distance, Jarak, Spatial Skyline QueryAbstract
Bencana banjir merupakan bencana yang sering terjadi pada beberapa wilayah di Indonesia. Bencana banjir dapat terjadi karena beberapa faktor diantaranya curah hujan yang tinggi, perubahan tutupan lahan, daya tampung sungai dan lain-lain. Kesiapsiagaan bencana merupakan salah cara untuk mengatasi banjir, dengan mencoba memetakan daerah yang berpotensi terdampak banjir. Pada proses rekomendasi daerah yang berpotensi banjir perlu dilakukan tahapan awal yaitu praproses data untuk mengukur kedekatan suatu daerah dengan daerah lainnya. Sehingga perlu mengidentifikasi metode terbaik dalam pengukuran jarak. Area studi penelitian ini yaitu Kabupaten Garut dimana Kabupaten Garut merupakaan salah satu kabupaten dengan tingkat bencana yang tinggi di Indonesia. Data yang digunakan dalam penelitian ini yaitu data iklim, batas administrasi daerah, data digital elevation model (DEM). Penelitian ini menerapkan algoritme skyline query dengan menambahkan aspek spasial pada pengujian dominasi. Hasil pengujian dominasi merupakan proses rekomendasi daerah yang berpotensi terdampak banjir dan daerah yang menyebabkan daerah lain terkena banjir. Dimana sebelum proses pengujian dominasi dilakukan perbandingan metode pengukuran jarak yang terbaik. Metode terbaik adalah metode yang selisihnya paling kecil dengan fungsi measure pada ArcMap. Pada penelitian haversine distance lebih baik kinerjanya dibandingkan dengan euclidean distance, dimana haversine distance memiliki selisih 0.28 km, sedangkan euclidean distance sebesar 2.41 km. Hasil pengukuran metode terbaik adalah yang digunakan untuk pengujian dominasi. Hasil pengujian dominasi menerangkan bahwa ada daerah yang direkomendasikan menjadi daerah yang berpotensi terdampak banjir dan daerah yang terindikasi penyebab banjir berdasarkan kriteria ketinggian, jarak antar daerah dan curah hujan.Downloads
References
Aidinidou, M. T., Kaparis, K., & Georgiou, A. C. (2023). Analysis, prioritization and strategic planning of flood mitigation projects based on sustainability dimensions and a spatial/value AHP-GIS system. Expert Systems with Applications, 211, 118566. https://doi.org/10.1016/j.eswa.2022.118566
Annisa, A., & Khairina, S. (2021). Location Selection Based on Surrounding Facilities in Google Maps using Sort Filter Skyline Algorithm. Khazanah Informatika : Jurnal Ilmu Komputer Dan Informatika, 7(2), 65–72. https://doi.org/10.23917/khif.v7i2.12939
Apriyeni, B. A. R. (2022). Topographic Position Indeks Analisys untuk Interpretasi Landform Pulau Lombok Berdasarkan Digital Elevation Model (DEM). Geodika: Jurnal Kajian Ilmu Dan Pendidikan Geografi, 6(2), 264–273. https://doi.org/10.29408/geodika.v6i2.7031
Folino, G., Guarascio, M., & Chiaravalloti, F. (2023). Learning ensembles of deep neural networks for extreme rainfall event detection. Neural Computing and Applications. https://doi.org/10.1007/s00521-023-08238-0
Guan, X., Xia, C., Xu, H., Liang, Q., Ma, C., & Xu, S. (2023). Flood risk analysis integrating of Bayesian-based time-varying model and expected annual damage considering non-stationarity and uncertainty in the coastal city. Journal of Hydrology, 617, 129038. https://doi.org/10.1016/j.jhydrol.2022.129038
Idowu, D., & Zhou, W. (2023). Global Megacities and Frequent Floods: Correlation between Urban Expansion Patterns and Urban Flood Hazards. Sustainability, 15(3), 2514. https://doi.org/10.3390/su15032514
Kulkarni, R. D., & Momin, B. F. (2016). Skyline computation for frequent queries in update intensive environment. Journal of King Saud University - Computer and Information Sciences, 28(4), 447–456. https://doi.org/10.1016/j.jksuci.2015.04.003
Majeed, M., Lu, L., Anwar, M. M., Tariq, A., Qin, S., El-Hefnawy, M. E., El-Sharnouby, M., Li, Q., & Alasmari, A. (2023). Prediction of flash flood susceptibility using integrating analytic hierarchy process (AHP) and frequency ratio (FR) algorithms. Frontiers in Environmental Science, 10. https://doi.org/10.3389/fenvs.2022.1037547
Miftahuddin, Y., Umaroh, S., & Karim, F. R. (2020). Perbandingan Metode Perhitungan Jarak Euclidean, Haversine, Dan Manhattan Dalam Penentuan Posisi Karyawan. Jurnal Tekno Insentif, 14(2), 69–77. https://doi.org/10.36787/jti.v14i2.270
Nabilla, V. H., Indonesia, Dony Permana, & Fadhilah Fitri. (2023). Comparison of Haversine and Euclidean Distance Formula for Calculating Distance Between Regencies in West Sumatra. UNP Journal of Statistics and Data Science, 1(3), 120–125. https://doi.org/10.24036/ujsds/vol1-iss3/39
Nurkholis, A., Muhaqiqin, & Susanto, T. (2020). Algoritme Spatial Decision Tree untuk Evaluasi Kesesuaian Lahan Padi Sawah Irigasi. Jurnal RESTI (Rekayasa Sistem Dan Teknologi Informasi), 4(5), 978–987. https://doi.org/10.29207/resti.v4i5.2476
Purwayoga, V. (2021a). Modified skyline query to measure priority region for personal protective equipment recipient of COVID-19 health workers. Jurnal Teknologi Dan Sistem Komputer, 9(3), 167–173. https://doi.org/10.14710/jtsiskom.2021.14003
Purwayoga, V. (2021b). Modified skyline query to measure priority region for personal protective equipment recipient of COVID-19 health workers. Jurnal Teknologi Dan Sistem Komputer, 9(3), 167–173. https://doi.org/10.14710/jtsiskom.2021.14003
Purwayoga, V., & Susanto, B. (2021). Rekomendasi Daerah Penyalur Tenaga Kesehatan Covid-19 Dengan Menggunakan Skyline Query. Fountain of Informatics Journal, 7(1), 22. https://doi.org/10.21111/fij.v7i1.5720
Purwayoga, V., Yuliyanti, S., Nurkholis, A., Gunawan, H., Sokid, S., & Kartini, N. (2024). Distribution Model of Personal Protective Equipment (PPE) Using the Spatial Dominance Test and Decision Tree Algorithm. JOIV : International Journal on Informatics Visualization, 8(3), 1445. https://doi.org/10.62527/joiv.8.3.2471
Rahayu, S., Ramziani, F., & Kuswara, B. (2022). Perbandingan Haversine Formula dan Euclidean Distance dalam Pencarian Jarak Terdekat Rumah Penampungan Hewan (Shelter). Jurnal Ilmiah FIFO, 14(1), 23. https://doi.org/10.22441/fifo.2022.v14i1.003
Sakti, A. D., Anggraini, T. S., Ihsan, K. T. N., Misra, P., Trang, N. T. Q., Pradhan, B., Wenten, I. G., Hadi, P. O., & Wikantika, K. (2023). Multi-air pollution risk assessment in Southeast Asia region using integrated remote sensing and socio-economic data products. Science of The Total Environment, 854, 158825. https://doi.org/10.1016/j.scitotenv.2022.158825
Shah, N. A., Shafique, M., Ishfaq, M., Faisal, K., & Van der Meijde, M. (2023). Integrated Approach for Landslide Risk Assessment Using Geoinformation Tools and Field Data in Hindukush Mountain Ranges, Northern Pakistan. Sustainability, 15(4), 3102. https://doi.org/10.3390/su15043102
Wang, J.-H., Lin, G.-F., Huang, Y.-R., Huang, I.-H., & Chen, C.-L. (2023). Application of hybrid machine learning model for flood hazard zoning assessments. Stochastic Environmental Research and Risk Assessment, 37(1), 395–412. https://doi.org/10.1007/s00477-022-02301-3
Wu, J., Li, J., Zhu, Z., & Hsu, P.-C. (2023). Factors determining the subseasonal prediction skill of summer extreme rainfall over southern China. Climate Dynamics, 60(1–2), 443–460. https://doi.org/10.1007/s00382-022-06326-w
Wulandari, K. S., Yushardi, Y., & Sudarti, S. (2023). Analisis Intensitas Curah Hujan Kecamatan Banyuwangi Menggunakan Climate Predictability TOOLS. Jurnal Kumparan Fisika, 6(2), 97–106. https://doi.org/10.33369/jkf.6.2.97-106
