Pemodelan Mitigasi Gempabumi Berbasis Algoritma K-Means Clustering dan Pendekatan Pemangku Kepentingan di Kabupaten Bulukumba

Abstract

Kabupaten Bulukumba terletak di zona seismik aktif yang dipengaruhi oleh aktivitas Flores Back Arc Thrust dan Sesar Walanae. Letak geografis ini menjadikan Kabupaten Bulukumba sebagai wilayah yang memiliki potensi ancaman gempabumi dengan tingkat kerawanan yang signifikan. Potensi tersebut menimbulkan tantangan besar dalam proses pembangunan, karena dampaknya dapat merusak ekosistem, infrastruktur, serta mengancam keselamatan jiwa manusia. Hingga saat ini, dokumen perencanaan pembangunan di Kabupaten Bulukumba belum mengakomodasi kajian mitigasi bencana gempabumi secara khusus. Oleh karena itu, penelitian ini menjadi sangat penting untuk mengisi kekosongan tersebut melalui rancangan pemodelan mitigasi gempabumi. Kebaruan dari penelitian ini terletak pada penggunaan pendekatan multidisipliner, yaitu pendekatan statistik, spasial, machine learning, pemangku kepentingan, dan deskriptif kuantitatif. Integrasi kelima pendekatan ini memungkinkan perumusan kebijakan mitigasi yang bersifat holistik, mencakup aspek strategis, operasional, dan teknis di tingkat lapangan. Selain itu, indikator dalam analisis bahaya dan kerentanan diperluas dan disesuaikan dengan kebutuhan lokal, melampaui indikator yang dirumuskan dalam Peraturan Kepala BNPB Nomor 02 Tahun 2012. Berdasarkan data historis kejadian gempabumi dari tahun 1921 hingga 2024, percepatan getaran tanah di Kabupaten Bulukumba tercatat berkisar antara 167 hingga 651 gal. Nilai ini menunjukkan tingkat ancaman yang tergolong tinggi hingga sangat tinggi jika merujuk pada skala Modified Mercalli Intensity (MMI) yang digunakan oleh BMKG. Analisis kerentanan wilayah terhadap ancaman gempabumi menunjukkan nilai indeks antara 0,40 hingga 0,59, yang mengindikasikan bahwa Kabupaten Bulukumba berada dalam kategori tingkat kerentanan sedang terhadap gempabumi. Sementara analisis kapasitas masyarakat dan daerah dalam menghadapi ancaman gempabumi, menunjukkan nilai indeks berkisar antara 0,12 hingga 0,92. Meski terdapat variasi, hasil ini menunjukkan bahwa secara umum kapasitas wilayah masih tergolong rendah, khususnya dalam aspek kelembagaan dan edukasi masyarakat. Nilai yang dihasilkan pada analisis tingkat ancaman, kerentanan, dan kapasitas, selanjutnya dijadikan basis data untuk analisis tingkat risiko dengan pendekatan machine learning, yang menggunakan algoritma K-Means clustering. Hasil analisis menunjukkan jumlah klaster optimal, dengan menggunakan grafik elbow, menghasilkan enam klaster tingkat risiko, yakni klaster satu (ekstrim), klaster dua (sangat tinggi), klaster tiga (tinggi), klaster empat (sedang), klaster lima (rendah), dan klaster enam (sangat rendah). Klaster satu, hanya mencakup Desa Bukit Tinggi, memiliki karakteristik risiko ekstrim akibat kombinasi antara tingkat bahaya tinggi, kerentanan sangat tinggi, dan kapasitas yang sangat terbatas. Wilayah yang termasuk dalam klaster ini memerlukan intervensi mitigasi yang menyeluruh melalui program pengurangan kerentanan dan peningkatan kapasitas adaptif masyarakat. Klaster dua meliputi seluruh kelurahan yang berjumlah sembilan di Kecamatan Ujung Bulu. Karakteristik klaster ini menunjukkan dominasi tingkat bahaya tinggi, kerentanan homogen, serta variasi kapasitas. Risiko keseluruhan berada pada kategori sangat tinggi. Strategi mitigasi yang diperlukan berupa penguatan kapasitas kelembagaan dan peningkatan edukasi kebencanaan berbasis komunitas. Klaster tiga hanya mencakup Desa Borong Rappoa, yang menunjukkan nilai bahaya maksimum, kerentanan sedang, dan kapasitas rendah. Konfigurasi ini menunjukkan bahwa tingkat bahaya menjadi faktor dominan dalam penentuan risiko, meskipun kerentanan tidak berada pada level tertinggi. Klaster empat terdiri atas 48 desa, di antaranya Anrihua, Balangpesoang, dan Balibo. Karakteristik klaster ini memiliki kerentanan dan bahaya yang relatif homogen, tetapi kapasitasnya cenderung rendah. Prioritas utama mitigasi pada klaster ini adalah pemerataan program peningkatan kapasitas dasar secara merata untuk menurunkan risiko ke tingkat yang lebih aman. Klaster lima mencakup 58 desa, di antaranya Anrang, Bajiminasa, dan Balangtaroang. Karakteristik klaster ini memiliki tingkat kerentanan rendah dan kapasitas yang bervariasi. menekankan efektivitas pengurangan kerentanan dan kapasitas yang terfokus sebagai strategi mitigasi. Klaster enam terdiri dari 19 desa, di antaranya dengan karakteristik kerentanan yang relatif lebih rendah dibandingkan klaster lainnya. Meskipun menghadapi bahaya tinggi dan kapasitas rendah, rendahnya kerentanan berhasil menekan tingkat risiko. Karakteristik dari klaster enam ini memperkuat argumen bahwa investasi dalam pengurangan kerentanan merupakan langkah krusial untuk mitigasi jangka panjang di Kabupaten Bulukumba. Berdasarkan analisis risiko tersebut, rancangan pemodelan mitigasi gempabumi secara utuh disusun dengan mengacu pada prinsip-prinsip Sendai Framework for Disaster Risk Reduction 2015–2030. Pemodelan ini dirancang untuk mengintegrasikan pendekatan sistematis, partisipatif, dan berkelanjutan dalam upaya pengurangan risiko bencana. Pemodelan mitigasi yang diusulkan terdiri atas tujuh tahapan. Tahapan pertama, merupakan tahapan penyediaan basis data. Tahapan kedua merupakan tahapan pencegahan dan pengurangan. Tahapan ketiga, merupakan tahapan penguatan kesiapsiagaan. Tahapan keempat, merupakan tahapan respon efektif. Tahapan kelima, merupakan tahapan partisipasi dan kerjasama. Tahapan keenam, merupakan tahapan sosialisasi penggunaan data dan informasi. Tahapan ketujuh merupakan tahapan pendekatan ekosistem. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam penguatan kapasitas kelembagaan dan teknis pemerintah daerah dalam melakukan mitigasi gempabumi di Kabupaten Bulukumba. Selain itu, temuan dalam penelitian ini menjadi dasar penting untuk perumusan kebijakan pembangunan yang inklusif dan tangguh terhadap ancaman gempabumi.

Bulukumba Regency is located within an active seismic zone influenced by the Flores Back Arc Thrust and the Walanae Fault. This geological setting positions the region as an area with significant earthquake hazard potential and notable seismic vulnerability. Such conditions pose substantial challenges to sustainable development, as seismic events may cause serious damage to ecosystems, destroy infrastructure, and threaten human lives. Despite these risks, current regional development planning documents in Bulukumba Regency do not yet incorporate specific considerations for earthquake disaster mitigation. This study was therefore conducted to address this gap through the formulation of an earthquake mitigation model. The novelty of this research study is the integration of multiple methodological approaches, including statistical, spatial, machine learning, stakeholder-based, and quantitative descriptive analyses. The integration of these five approaches enables for the development of a holistic mitigation policy framework that includes strategic planning, operational implementation, and technical execution at the local level. In addition, the hazard and vulnerability capacity analyses were enhanced by expanding and localizing their indicators to reflect the specific conditions of Bulukumba Regency, exceeding the scope of those listed in Indonesia’s National Disaster Management Authority Regulation No. 02 of 2012. Historical seismic data from 1921 to 2024 indicate that ground acceleration in Bulukumba Regency ranges from 167 to 651 gal, reflecting high to very high threat levels when measured against the Modified Mercalli Intensity (MMI) scale applied by Indonesia’s Meteorological, Climatological, and Geophysical Agency (BMKG). Vulnerability analysis reveals index values between 0.40 and 0.59, suggesting that the region falls within a moderate level of vulnerability. Meanwhile, capacity analysis, which includes institutional systems, mitigation infrastructure, and disaster education parameters, shows index values ranging from 0.12 to 0.92. Although the capacity levels vary, the general trend indicates a relatively low capacity, particularly in institutional resilience and public disaster education. The quantified outputs of hazard, vulnerability, and capacity analyses were subsequently used as input for a risk classification model employing machine learning techniques. A K-Means clustering algorithm was applied, and the optimal number of clusters was determined using the elbow method. This process produced six risk clusters: extreme, very high, high, moderate, low, and very low. The extreme risk cluster includes only Bukit Tinggi Village, which exhibits a combination of high seismic hazard, very high vulnerability, and extremely limited capacity. This cluster requires comprehensive intervention strategies focused on reducing vulnerability and enhancing adaptive community capacity. The second cluster, categorized as very high risk, comprises all nine sub district in Ujung Bulu District. This cluster is characterized by dominant high hazard levels, relatively homogeneous vulnerability, and variations in capacity. Despite the latter, the overall risk remains elevated and necessitates targeted institutional strengthening and community-based disaster education. The third cluster includes only Borong Rappoa Village, which displays maximum hazard levels, moderate vulnerability, and low capacity. The configuration of this cluster highlights the dominant influence of seismic hazard in determining risk levels, even when vulnerability is not at its peak. The fourth cluster includes 48 villages such as Anrihua, Balangpesoang, and Balibo, where both hazard and vulnerability levels are relatively homogeneous, while capacity remains consistently low. The primary mitigation strategy for this group should focus on equitable basic capacity development programs to lower disaster risk. The fifth cluster, comprising 58 villages including Anrang, Bajiminasa, and Balangtaroang, exhibits low vulnerability levels and varied capacity. In this context, reducing vulnerability and enhancing targeted capacities should be the main priorities for mitigation efforts. The sixth cluster contains 19 villages with relatively lower vulnerability compared to other clusters. Although these areas face high hazard exposure and limited capacity, the lower vulnerability effectively mitigates their overall risk. This finding reinforces the argument that long-term investment in vulnerability reduction is a critical component of earthquake mitigation strategies for Bulukumba Regency. Based on the risk analysis, a comprehensive earthquake mitigation model was developed in accordance with the principles of the Sendai Framework for Disaster Risk Reduction 2015–2030. This model is designed to integrate systematic, participatory, and sustainable approaches tailored to the specific characteristics of the region. The first phase involves the provision of a comprehensive database. The second phase focuses on prevention and risk reduction. The third phase emphasizes the strengthening of preparedness. The fourth phase entails an effective response mechanism. The fifth phase highlights participation and collaboration. The sixth phase involves the utilization of data and information. The seventh phase adopts an ecosystem-based approach. The findings of this study are expected to make a significant contribution to enhancing the institutional and technical capacities of local governments in managing earthquake risks in Bulukumba Regency. Furthermore, the results provide a robust empirical foundation for developing inclusive, sustainable, and disaster-resilient regional development policies in the face of escalating seismic hazards.