Catalog Detail

Kabupaten Banyumas mengalami lonjakan signifikan dalam frekuensi kejadian bencana, dari 406 kejadian pada tahun 2023 menjadi 710 kejadian pada tahun 2024, dengan dominasi tanah longsor dan cuaca ekstrem. Kondisi ini menuntut adanya mekanisme klasifikasi prioritas kebutuhan logistik yang lebih responsif, mengingat proses demand assessment yang berjalan saat ini masih dilakukan secara manual sehingga membutuhkan waktu 1-2 hari kerja. Penelitian ini bertujuan membangun model klasifikasi prioritas distribusi logistik pasca bencana pada BPBD Kabupaten Banyumas menggunakan pendekatan semi-supervised learning yang mengintegrasikan metode unsupervised dan supervised learning. Tahap pembentukan label dilakukan melalui reduksi dimensi menggunakan Principal Component Analysis (PCA) yang dilanjutkan dengan K-Means Clustering pada 949 data historis kejadian bencana tahun 2024-2025. Hasil clustering membentuk tiga kelas operasional, yaitu Prioritas Penanganan Rendah (n=424; 44,7%), Prioritas Penanganan Sedang (n=435; 45,8%), dan Prioritas Penanganan Tinggi (n=90; 9,5%). Label tersebut kemudian digunakan sebagai target pada tahap supervised learning, di mana empat algoritma dibandingkan, yaitu Random Forest, Decision Tree, Logistic Regression, dan K-Nearest Neighbor. Hasil komparasi menunjukkan bahwa Multinomial Logistic Regression merupakan model terbaik dengan akurasi 98,95% dan F1-score sebesar 98,92%. Prediksi kelas prioritas yang dihasilkan oleh model Logistic Regression tersebut selanjutnya dijadikan pemicu (trigger) otomatis untuk menghitung estimasi kebutuhan logistik riil per Cluster berdasarkan standar Sphere Handbook 2018, sehingga estimasi kebutuhan dapat diperoleh secara langsung begitu prioritas suatu kejadian diketahui. Penelitian ini menghasilkan kerangka pengambilan keputusan berbasis data yang berpotensi memangkas latensi penentuan prioritas distribusi bantuan logistik di BPBD Kabupaten Banyumas secara signifikan.
Kata kunci: Klasifikasi Prioritas Logistik, K-Means Clustering, Logistic Regression, Machine Learning, Humanitarian Supply Chain, BPBD.