Banjir merupakan bencana hidrometeorologi dominan di DKI Jakarta yang penanganannya seringkali bersifat reaktif dan kurang bertarget akibat belum adanya pemahaman mendalam terhadap karakteristik kejadian yang beragam. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan menerapkan teknik data mining untuk mengelompokkan kejadian banjir, sehingga dapat menghasilkan segmen-segmen risiko yang dapat ditindaklanjuti sebagai dasar rekomendasi kebijakan. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan menerapkan dan membandingkan dua algoritma clustering, yaitu K-Means dan DBSCAN, pada data kejadian banjir publik tahun 2023-2024. Analisis difokuskan pada dua fitur utama: jumlah_rw_terdampak yang merepresentasikan luas dampak dan jumlah_kejadian yang merepresentasikan frekuensi. Hasil penelitian menunjukkan bahwa K-Means dengan k=3 adalah model yang paling efektif untuk tujuan segmentasi strategis, yang berhasil mengidentifikasi tiga tipe karakteristik banjir yang berbeda: 'Risiko Rendah' (mencakup 92% dari total 452 kejadian), 'Dampak Luas' (kejadian dengan cakupan wilayah terbesar), dan 'Frekuensi Tinggi' (kejadian kronis yang berulang). Analisis komparatif menggunakan DBSCAN memberikan validasi penting dengan menunjukkan bahwa struktur alami data cenderung sangat homogen (satu klaster inti) dan berhasil mengonfirmasi adanya satu anomali signifikan (outlier). Kesimpulannya, penelitian ini berhasil membangun sebuah model segmentasi berbasis data yang valid, menyediakan kerangka kerja bagi pemangku kepentingan untuk merancang strategi penanganan banjir yang lebih efisien dan bertarget dengan membedakan intervensi berdasarkan tipe risiko yang dihadapi setiap wilayah.

Flooding is a dominant hydrometeorological disaster in DKI Jakarta, where management is often reactive and untargeted due to a lack of in-depth understanding of its diverse event characteristics. This research aims to address this problem by applying data mining techniques to clustering flood events, thereby producing actionable risk segments as a basis for policy recommendations. The methodology used is the Cross-Industry Standard Process for Data Mining (CRISP-DM), applying and comparing two clustering algorithms, K-Means and DBSCAN, on public flood event data from 2023-2024. The analysis focuses on two main features: jumlah_rw_terdampak (number of affected community units) representing the extent of impact, and jumlah_kejadian (number of events) representing frequency. The results show that K-Means with k=3 is the most effective model for strategic segmentation, successfully identifying three different types of flood characteristics: 'Low Risk' (covering 92% of 452 total events), 'Widespread Impact' (events with the largest area coverage), and 'High Frequency' (chronic, recurring events). Comparative analysis using DBSCAN provides crucial validation, showing that the natural data structure tends to be highly homogeneous (one core cluster) and confirming the presence of a significant anomaly (outlier). In conclusion, this research successfully developed a valid, data-driven segmentation model, providing a framework for stakeholders to design more efficient and targeted flood management strategies by differentiating interventions based on the type of risk faced by each area.