Analisis Klaterisasi Perubahan Iklim di Indonesia Menggunakan K-Means Tahun 2023
DOI:
10.29303/jm.v8i2.11817Published:
2026-06-22Downloads
Abstract
Perubahan iklim global memberikan dampak signifikan terhadap pola cuaca di Indonesia, memengaruhi sektor penting seperti pertanian, perikanan, kesehatan, dan ekonomi. Untuk menganalisis data iklim yang kompleks, metode klasterisasi K-Means digunakan guna mengidentifikasi pola cuaca serupa, yang bermanfaat bagi mitigasi bencana, perencanaan sumber daya, dan pengelolaan iklim secara lebih efektif. Data yang digunakan mencakup kecepatan angin, Kelembapan, dan curah hujan dari 34 provinsi di Indonesia pada tahun 2023. Berdasarkan analisis metode silhouette, ditemukan bahwa jumlah klaster optimal adalah dua. Klaster pertama meliputi 15 provinsi seperti Sumatera Utara, Jambi, Papua Barat dan lainnya. Karakteristik kluster pertama yaitu kecepatan angin rendah, Kelembapan tinggi, dan curah hujan tinggi. Kondisi ini dipengaruhi oleh lokasi geografis tropis, pola angin muson stabil, topografi (lembah, hutan, atau pegunungan), serta kedekatan dengan sumber uap air. Klaster kedua Terdiri dari 19 provinsi seperti Aceh, Jawa Timur, Nusa Tenggara Barat dan lainnya. Karakteristik klister kedua yaitu memiliki kecepatan angin tinggi, Kelembapan rendah, dan curah hujan rendah. Faktor geografis seperti wilayah terbuka, angin muson kering, dan jarak dari sumber Kelembapan utama. Hasil penelitian ini diharapkan dapat membantu perencanaan dan mitigasi bencana terkait pola cuaca di Indonesia.
Keywords:
clustering pola cuaca K-MeansReferences
Almadya, A., & Saepudin, S. (2021). Penerapan data mining Clustering K-Means untuk mengelompokkan berbagai jenis merk smartphone. Seminar Nasional Sistem Informasi dan Manajemen Informatika (SISMATIK), 1, 241–249.
Badan Meteorologi, Klimatologi, dan Geofisika. (2026). Data klimatologi Indonesia. https://www.bmkg.go.id
Han, J., Pei, J., & Tong, H. (2022). Data mining: Concepts and techniques (4th ed.). Morgan Kaufmann.
Iskandar, D. (2019). Ensiklopedia seri cuaca dan iklim. Jawa Tengah: Alprin.
Kaufman, L., Rousseeuw, P. (1990). Finding Groups in Data: An Introduction to Cluster Analysis. Wiley.
Kim, H. (2020). Performance analysis of Clustering K-Means algorithms for mMTC systems. In 2020 International Conference on Information and Communication Technology Convergence (ICTC) (pp. 30–35). IEEE. https://doi.org/10.1109/ICTC49870.2020.9289287
Kotz, M., Levermann, A., & Wenz, L. (2022). The effect of rainfall changes on economic production. Nature, 601(7892), 223–227.
Mujahidin, I., & Hasanah, S. H. (2025). Comparative analysis of K-means, K-medoids, and fuzzy C-means for Klasterisasi provinces in Indonesia based on rice production in 2024. Jurnal Gaussian, 14(2), 356–365. https://doi.org/10.14710/j.gauss.14.2.356-365.
Mulsandi, A., Koesmaryono, Y., Hidayat, R., Faqih, A., & Sopaheluwakan, A. (2024). On the interannual variability of Indonesian monsoon rainfall (IMR): A literature review of the role of its external forcing. Jurnal Meteorologi dan Geofisika, 24(2), 115–127. https://doi.org/10.31172/jmg.v24i2.1049
Nur’utami, M. N., & Hayasaka, T. (2022). Interannual variability of the Indonesian rainfall and air–sea interaction over the Indo–Pacific associated with interdecadal Pacific oscillation phases in the dry season. Journal of the Meteorological Society of Japan. Series II, 100(1), 77–97. https://doi.org/10.2151/jmsj.2022-004
Nurfathullah, M., & Purnamasari, I. (2024). Implementasi K-Means untuk mengelompokkan provinsi di Indonesia berdasarkan indeks jumlah pengangguran terbuka. Jurnal Mahasiswa Teknik Informatika, 8(2), 2279–2282. https://doi.org/10.36040/jati.v8i2.9466
Rosni, R., Fredella, E., & Rivai, M. (2026). Segmentasi kecamatan di Kota Bandung berdasarkan statistik penyandang disabilitas menggunakan algoritma Clustering K-Means. Mandalika Mathematics and Education Journal, 8(1), 227–238.
Sari, R. W., Wanto, A., & Windarto, A. P. (2018). Implementasi RapidMiner dengan metode K-means (Studi kasus: Imunisasi campak pada balita berdasarkan provinsi). KOMIK: Konferensi Nasional Teknologi Informasi dan Komputer, 2(1), https://doi.org/10.30865/komik.v2i1.930.
Suhardi, B., Adiputra, A., & Avrian, R. (2020). Kajian dampak cuaca ekstrem saat siklon tropis Cempaka dan Dahlia di wilayah Jawa Barat. Jurnal Geografi, Edukasi dan Lingkungan (JGEL), 4(2), 61–67.
Suharyanto, A., Maulana, A., Suprayogo, D., Devia, Y. P., & Kurniawan, S. (2023). Land surface temperature changes caused by land cover/land use properties and their impact on rainfall characteristics. Global Journal of Environmental Science and Management, 9(3), 353–372. https://doi.org/10.22034/gjesm.2023.03.01
Wani, A. A. (2024). Comprehensive analysis of Clustering algorithms: Exploring limitations and innovative solutions. PeerJ Computer Science, pp. 1-45. https://doi.org/10.7717/peerj-cs.2286
Yanto, V. D., & Handayani, I. (2024). Implementation of the Clustering K-Means algorithm in determining the rate of Indramayu mango fruit. Journal of Scientific Research, Education, and Technology (JSRET), 3(4), 1929–1938. https://doi.org/10.58526/jsret.v3i4.609
License
Copyright (c) 2026 Muklas Rivai, Rosni Rosni, Nasrullah Bachtiar
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
