Jurnal Ilmu Komputer STIKOM Ambon

ANALISIS KLASTER WILAYAH RAWAN BENCANA DI KOTA AMBON MENGGUNAKAN K-MEDOIDS BERBASIS DATA GEOSPASIAL BNPB

Sanusi Amir — 2025-04-15

Kota Ambon merupakan salah satu wilayah di Indonesia Timur yang memiliki tingkat kerawanan bencana yang tinggi, meliputi banjir, tanah longsor, gempa bumi, dan gelombang pasang/abrasi. Pengelolaan risiko bencana yang efektif memerlukan pemetaan wilayah rawan bencana secara sistematis dan berbasis data. Penelitian ini bertujuan untuk menganalisis klaster wilayah rawan bencana di Kota Ambon menggunakan algoritma K-Medoids yang diintegrasikan dengan data geospasial dari Badan Nasional Penanggulangan Bencana (BNPB) periode 2020–2024. Kebaruan penelitian ini terletak pada penerapan algoritma K-Medoids berbasis data geospasial multivariat BNPB yang dikombinasikan dengan validasi menggunakan Silhouette Coefficient dan Davies-Bouldin Index (DBI) secara simultan untuk klasifikasi tingkat kerawanan bencana di tingkat kecamatan di Kota Ambon, sebuah pendekatan yang belum pernah diterapkan secara spesifik pada wilayah Kota Ambon sebelumnya. Data yang digunakan mencakup enam variabel kebencanaan: frekuensi kejadian bencana, jumlah korban jiwa, jumlah rumah rusak, luas area terdampak, intensitas curah hujan, dan indeks bahaya geologi. Proses klasterisasi menghasilkan tiga klaster optimal (k=3) dengan nilai Silhouette Coefficient sebesar 0,672 dan DBI sebesar 0,841, yang menunjukkan kualitas klaster yang baik. Hasil analisis mengidentifikasi Klaster I (Kerawanan Tinggi) mencakup Kecamatan Nusaniwe dan Sirimau, Klaster II (Kerawanan Sedang) mencakup Kecamatan Teluk Ambon Baguala dan Baguala, serta Klaster III (Kerawanan Rendah) mencakup Kecamatan Leitimur Selatan dan Teluk Ambon. Visualisasi geospasial hasil klasterisasi menghasilkan peta sebaran kerawanan bencana yang dapat dimanfaatkan sebagai acuan perencanaan mitigasi bencana berbasis kecamatan di Kota Ambon.

PENGARUH DESAIN PERSUASIF DALAM UI/UX PLATFORM BELANJA ONLINE TERHADAP KONSUMSI BERLEBIH (STUDI KASUS MAHASISWA ITB STIKOM AMBON)

Sanusi Amir — 2025-04-15

Penelitian ini bertujuan untuk menguji dan membuktikan secara empiris
pengaruh desain persuasif dalam antarmuka pengguna (UI) dan pengalaman
pengguna (UX) platform belanja online terhadap perilaku konsumsi berlebih
pada mahasiswa. Dengan landasan Teori Stimulus-Organism-Response
(SOR) dan Elaboration Likelihood Model (ELM), penelitian ini menyoroti
bagaimana arsitektur digital mengintervensi regulasi kognitif dan emosional
konsumen. Metode yang digunakan adalah kuantitatif kausal-asosiatif
dengan teknik purposive sampling terhadap 111 mahasiswa aktif ITB
STIKOM Ambon pengguna aktif e-commerce. TikTok Shop ditemukan
sebagai platform paling dominan (72,1%). Data dianalisis dengan IBM
SPSS melalui uji validitas, reliabilitas, dan regresi linear sederhana.
Indikator bukti sosial (social proof) berupa rating dan ulasan instan memiliki
rata-rata skor tertinggi (4,14). Uji t membuktikan Desain Persuasif UI/UX
berpengaruh positif dan signifikan terhadap Konsumsi Berlebih, dengan t
hitung 12,689 > t tabel 1,982 pada taraf signifikansi <0,001. Model regresi
yang dihasilkan adalah Y = 2,712 + 0,605X, dengan R Square sebesar 0,596
yang berarti kontribusi desain persuasif terhadap konsumsi berlebih sebesar
59,6%, sedangkan 40,4% dijelaskan oleh variabel lain di luar model.
Direkomendasikan bagi mahasiswa untuk meningkatkan literasi keuangan
dan kontrol diri digital melalui taktik penundaan waktu guna menekan
keputusan belanja spontan yang dipicu stimulasi visual aplikasi

SEGMENTASI PELANGGAN PADA PLATFORM MARKETPLACE MENGGUNAKAN K-MEANS DAN DBSCAN BERBASIS PERILAKU TRANSAKSI RFM

Sanusi Amir — 2025-04-15

Segmentasi pelanggan berbasis Recency–Frequency–Monetary (RFM) umumnya dilakukan dengan K-Means, tetapi pada marketplace dengan pembeli sekali transaksi yang sangat dominan, frekuensi pembelian menjadi terdegenerasi dan pelanggan ekstrem dapat mendistorsi centroid. Penelitian ini membandingkan K-Means dan DBSCAN serta mengusulkan pendekatan hibrida DBSCAN→K-Means pada 93.357 pelanggan unik dari 96.477 pesanan terkirim pada marketplace Olist (September 2016–Agustus 2018). Fitur RFM ditransformasi logaritmik (F dan M) dan distandardisasi. Jumlah klaster K-Means ditentukan dengan Elbow, Silhouette, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI), sedangkan parameter DBSCAN ditentukan dari titik lutut grafik k-distance dan pencarian grid. Evaluasi mencakup validitas internal, stabilitas (Adjusted Rand Index/ARI pada 20 subsampel 80%), keseimbangan segmen, dan kontribusi pendapatan. K-Means dengan k = 4 dipilih (CHI tertinggi; Silhouette tertinggi untuk k ≥ 3). DBSCAN (ε = 0,264; minPts = 20) menghasilkan satu klaster dominan berisi 96,7% pelanggan sehingga tidak diskriminatif, meskipun DBI-nya rendah (0,576). Pendekatan hibrida mengisolasi 509 pelanggan ekstrem (0,55%) dan membentuk lima segmen dengan validitas setara K-Means (Silhouette 0,375; DBI 0,770), namun lebih stabil (ARI rerata 0,994 vs 0,988; p = 0,0096) dan menghindari kontaminasi centroid: rerata monetary klaster pelanggan berulang pada K-Means terlalu tinggi 20,2%. Segmen pembeli tunggal bernilai tinggi (29,7% pelanggan) menyumbang 56,0% pendapatan sehingga menjadi prioritas konversi ke pembelian kedua. DBSCAN lebih tepat berperan sebagai penyaring pelanggan ekstrem daripada pengganti K-Means.