Melola Discovery

← Melola Discovery

Akses terbuka Jurnal Tanpa peringkat SINTA

Measuring and Profiling Social Vulnerability to Natural Disaster in Indonesia in 2019

Pengukuran dan Profiling Kerentanan Sosial Terhadap Bencana Alam di Indonesia Tahun 2019

Jurnal Matematika, Statistika dan Komputasi · Vol. 19 No. 1 (2022) · hlm. 183–194

DOI
10.20956/j.v19i1.21686
ISSN
2614-8811, 1858-1382
Terbit
2022-09-07
Penerbit
Department of Mathematics, Hasanuddin University
Bahasa
en
Lisensi
creativecommons.org/licenses/by/4.0

Abstrak

Inggris

Nowadays, natural hazards are often seen from the nature perspective only. However, it is necessary to know not only about the hazards, but also the community resilience to prepare for, respond to, and recover from disasters based on the social characteristics which are called social vulnerability. This study provides the identification of social vulnerability to natural hazards condition and characterization of the dominant factors at the district level in Indonesia using secondary data. The principal component analysis (PCA) is used to reduce 13 district-level variables into 4 components that represents the driving factors of social vulnerability. The results of PCA are used to quantify the social vulnerability level of the districts in Indonesia using social vulnerability index (SoVI), followed by the deeper exploration of social vulnerability problem using K-Means Clustering. The SoVI and cluster results were mapped by using QGIS to identify the social vulnerability at districts level. The research shows that most districts in Indonesia are at a low-level vulnerability. The districts with low vulnerability are spread in the Sumatera and Kalimantan area. However, there are 43 Districts in Eastern Indonesia are in a high-level vulnerability. These districts also suffer many problems, such low sosioeconomic status. The results of this study support not only the previous social vulnerability studies but also the government as the policymakers by setting priority regions and allocating the policies according to main social vulnerability problem of each district, especially in the most vulnerable regions.

Bahasa Indonesia

Hingga saat ini, bencana alam masih sering dilihat dari perspektif alam saja. Namun, perlu diketahui bahwa bencana alam tidak hanya tentang bahaya, tetapi juga ketahanan masyarakat untuk mempersiapkan, merespons, dan pulih dari bencana berdasarkan karakteristik sosial yang disebut sebagai kerentanan sosial. Penelitian ini memberikan identifikasi kerentanan sosial terhadap bencana alam dan karakteristik dari faktor-faktor yang dominan mempengaruhi kerentanan pada tingkat kabupaten/kota di Indonesia menggunakan data sekunder. Principal Component Analysis (PCA) digunakan untuk mereduksi 13 variabel ditingkat kabupaten/kota menjadi 4 komponen yang mewakili faktor pendorong kerentanan sosial di Indonesia. Hasil dari PCA digunakan untuk mengidentifikasi tingkat kerentanan sosial di Indonesia dengan menggunakan Social Vulnerability Indeks (SoVI). Kemudian dilanjutkan dengan analisis yang lebih dalam menggunakan K-Means Clustering. Hasil SoVI dan Cluster kemudian dipetakan dengan menggunakan QGIS untuk mengindentifikasi kerentanan sosial ditingkat kabupaten/kota di Indonesia. Hasil penelitian menunjukkan bahwa sebagian besar kabupaten/kota di Indonesia berada pada level tingkat kerentanan yang rendah. Kabupaten/kota dengan tingkat kerentanan yang rendah tersebar di wilayah Sumatera dan Kalimantan. Namun, terdapat 43 kabupaten/kota di Indonesia timur yang memiliki tingkat kerentanan sosial sangat tinggi terhadap bencana alam. Kabupaten/kota ini juga mengalami beberapa masalah seperti rendahnya status sosial ekonomi. Hasil penelitian ini tidak hanya mendukung studi kerentanan sosial sebelumnya tetapi juga pemerintah sebagai pembuat kebijakan dengan menetapkan wilayah prioritas dan mengalokasikan kebijakan sesuai dengan masalah kerentanan sosial utama pada setiap kabupaten/kota, terutama wilayah yang paling rentan.

Kata kunci

Jaringan kolaborasi para penulis

2 penulis · 1 tautan kepenulisan bersama · 1 lintas organisasi

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • Politeknik Statistika STIS
  • Badan Pusat Statistik
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unhas.ac.id/index.php/jmsk/oai, pertama di-harvest 5 Nov 2026, terakhir terlihat 15 Nov 2026.
Metadata asli (oai_dc)
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en">Measuring and Profiling Social Vulnerability to Natural Disaster in Indonesia in 2019</dc:title>
	<dc:title xml:lang="id">Pengukuran dan Profiling Kerentanan Sosial Terhadap Bencana Alam di Indonesia Tahun 2019</dc:title>
	<dc:creator xml:lang="en">Wijaya, Yuliagnis Transver</dc:creator>
	<dc:creator xml:lang="en">Halim, Ian Tryaldi </dc:creator>
	<dc:subject xml:lang="en">Indonesia</dc:subject>
	<dc:subject xml:lang="en">K-Means Clustering</dc:subject>
	<dc:subject xml:lang="en">Natural Disasters</dc:subject>
	<dc:subject xml:lang="en">Social Vulnerability</dc:subject>
	<dc:subject xml:lang="en">SoVI</dc:subject>
	<dc:description xml:lang="en">Nowadays, natural hazards are often seen from the nature perspective only. However, it is necessary to know not only about the hazards, but also the community resilience to prepare for, respond to, and recover from disasters based on the social characteristics which are called social vulnerability. This study provides the identification of social vulnerability to natural hazards condition and characterization of the dominant factors at the district level in Indonesia using secondary data. The principal component analysis (PCA) is used to reduce 13 district-level variables into 4 components that represents the driving factors of social vulnerability. The results of PCA are used to quantify the social vulnerability level of the districts in Indonesia using social vulnerability index (SoVI), followed by the deeper exploration of social vulnerability problem using K-Means Clustering. The SoVI and cluster results were mapped by using QGIS to identify the social vulnerability at districts level. The research shows that most districts in Indonesia are at a low-level vulnerability. The districts with low vulnerability are spread in the Sumatera and Kalimantan area. However, there are 43 Districts in Eastern Indonesia are in a high-level vulnerability. These districts also suffer many problems, such low sosioeconomic status. The results of this study support not only the previous social vulnerability studies but also the government as the policymakers by setting priority regions and allocating the policies according to main social vulnerability problem of each district, especially in the most vulnerable regions.</dc:description>
	<dc:description xml:lang="id">Hingga saat ini, bencana alam masih sering dilihat dari perspektif alam saja. Namun, perlu diketahui bahwa bencana alam tidak hanya tentang bahaya, tetapi juga ketahanan masyarakat untuk mempersiapkan, merespons, dan pulih dari bencana berdasarkan karakteristik sosial yang disebut sebagai kerentanan sosial. Penelitian ini memberikan identifikasi kerentanan sosial terhadap bencana alam dan karakteristik dari faktor-faktor yang dominan mempengaruhi kerentanan pada tingkat kabupaten/kota di Indonesia menggunakan data sekunder. Principal Component Analysis (PCA) digunakan untuk mereduksi 13 variabel ditingkat kabupaten/kota menjadi 4 komponen yang mewakili faktor pendorong kerentanan sosial di Indonesia. Hasil dari PCA digunakan untuk mengidentifikasi tingkat kerentanan sosial di Indonesia dengan menggunakan Social Vulnerability Indeks (SoVI). Kemudian dilanjutkan dengan analisis yang lebih dalam menggunakan K-Means Clustering. Hasil SoVI dan Cluster kemudian dipetakan dengan menggunakan QGIS untuk mengindentifikasi kerentanan sosial ditingkat kabupaten/kota di Indonesia. Hasil penelitian menunjukkan bahwa sebagian besar kabupaten/kota di Indonesia berada pada level tingkat kerentanan yang rendah. Kabupaten/kota dengan tingkat kerentanan yang rendah tersebar di wilayah Sumatera dan Kalimantan. Namun, terdapat 43 kabupaten/kota di Indonesia timur yang memiliki tingkat kerentanan sosial sangat tinggi terhadap bencana alam. Kabupaten/kota ini juga mengalami beberapa masalah seperti rendahnya status sosial ekonomi. Hasil penelitian ini tidak hanya mendukung studi kerentanan sosial sebelumnya tetapi juga pemerintah sebagai pembuat kebijakan dengan menetapkan wilayah prioritas dan mengalokasikan kebijakan sesuai dengan masalah kerentanan sosial utama pada setiap kabupaten/kota, terutama wilayah yang paling rentan.</dc:description>
	<dc:publisher xml:lang="en">Department of Mathematics, Hasanuddin University</dc:publisher>
	<dc:date>2022-09-07</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unhas.ac.id/index.php/jmsk/article/view/21686</dc:identifier>
	<dc:identifier>10.20956/j.v19i1.21686</dc:identifier>
	<dc:source xml:lang="en">Jurnal Matematika, Statistika dan Komputasi; Vol. 19 No. 1 (2022): SEPTEMBER, 2022; 183-194</dc:source>
	<dc:source>2614-8811</dc:source>
	<dc:source>1858-1382</dc:source>
	<dc:language>en</dc:language>
	<dc:relation>https://journal.unhas.ac.id/index.php/jmsk/article/view/21686/8620</dc:relation>
	<dc:relation>10.20956/j.v19i1.21686.g8620</dc:relation>
	<dc:rights xml:lang="en">Copyright (c) 2022 Author and publisher</dc:rights>
	<dc:rights xml:lang="en">https://creativecommons.org/licenses/by/4.0</dc:rights>
</oai_dc:dc>