Electronic Theses and Dissertation

Bencana alam merupakan tantangan yang signifikan bagi negara-negara beriklim tropis, termasuk Indonesia, yang memiliki kerentanan tinggi terhadap berbagai jenis bencana. Dengan posisi geografis yang unik, Aceh menjadi salah satu provinsi di Indonesia yang rentan terhadap bencana alam akibat musim hujan dan kemarau yang panjang. Penelitian ini bertujuan untuk mengelompokkan kabupaten/kota di Provinsi Aceh berdasarkan faktor-faktor yang berkontribusi terhadap kerentanan bencana alam. Data yang digunakan dalam penelitian ini mencakup indikator-indikator bencana alam, seperti jenis, penyebab, dan dampak bencana pada tahun 2023. Hasil analisis PCA Biplot menunjukkan bahwa terdapat dua komponen utama yang terbentuk, yang kemudian digunakan untuk pengelompokan menggunakan metode agglomerative clustering. Indikator bencana yang menunjukkan keragaman signifikan dan korelasi kuat termasuk frekuensi tanah longsor (X2), karhutla (X3), angin puting beliung (X4), banjir bandang (X6), cuaca ekstrem (X7), luas tutupan hutan (Y1), luas daerah (Y2), IKU (Y4), IKL (Y5), panjang musim hujan dalam hari (Y8), dan total kerugian bencana (Z2). Metode average linkage terbukti paling efektif dalam clustering karena memiliki koefisien korelasi cophenetic yang paling tinggi yaitu 0,731 dan menghasilkan lima cluster optimal. Kabupaten/kota yang berada pada cluster 1 dan cluster 2 menunjukkan kerentanan tinggi terhadap tanah longsor (X2), karhutla (X3), angin puting beliung (X4), cuaca ekstrem (X7), hal ini dipengaruhi oleh musim hujan yang berkepanjangan (Y8). Kabupaten/kota yang berada pada cluster 3 rentan terhadap abrasi (X5) dan banjir bandang (X6) yang dipengaruhi oleh luas tutupan hutan (Y1), luas daerah (Y2), IKLH (Y3), IKU (Y4), IKL (Y5), luas lahan pertanian (Y6), serta IRB (Y7). Sementara itu, kabupaten/kota yang berada di cluster 4 dan 5 menunjukkan risiko bencana yang relatif rendah.

Kata kunci: Indikator Bencana, PCA Biplot, Agglomerative Clustering, Kerentanan

Natural disasters are a significant challenge for tropical countries, including Indonesia, which has a high vulnerability to various types of disasters. With its unique geographical position, Aceh is one of the regions in Indonesia that is vulnerable to natural disasters due to its long rainy and dry seasons. This study aims to categorize districts/cities in Aceh Province based on factors that contribute to natural disaster vulnerability. The data used in this study includes indicators of natural disasters, such as types, causes, and impacts of disasters in 2023. The results of the PCA Biplot analysis showed that two principal components were formed, which were then used for clustering using the agglomerative clustering method. Disaster indicators that showed significant diversity and strong correlation included the frequency of landslides (X2), forest fires (X3), tornadoes (X4), flash floods (X5), extreme weather (X7), forest cover area (Y1), area (Y2), AQI (Y4), LQI (Y5), length of rainy season in days (Y8), and total disaster losses (Z2). The average linkage method proved to be the most effective in clustering as it had the highest cophenetic correlation coefficient of 0.731 and produced five optimal clusters. Districts in cluster 1 and cluster 2 showed high vulnerability to landslides (X2), forest and land fires (X3), tornadoes (X4), and extreme weather (X7), influenced by the prolonged rainy season (Y8). Districts/cities in cluster 3 are vulnerable to abrasion (X5) and flash floods (X6), which are influenced by the area of forest cover (Y1), area (Y2), EQI (Y3), AQI (Y4), LQI (Y5), area of agricultural land (Y6), and IRB (Y7). Meanwhile, districts/cities in clusters 4 and 5 show relatively low disaster risk. Keywords: Disaster Indicators, PCA Biplot, Agglomerative Clustering, Vulnerability