Penerapan K-Means Clustering untuk Identifikasi Pola Iklim Stasiun Cuaca Indonesia Menggunakan Data NOAA Global Surface Summary of the Day (GSOD)
DOI:
https://doi.org/10.62712/juktisi.v5i1.941Keywords:
K-Means Clustering, NOAA GSOD, Pola Iklim, Stasiun Cuaca Indonesia, Elbow Method, Big Data APIAbstract
Perubahan iklim yang terjadi secara global menuntut adanya analisis data cuaca yang lebih sistematis dan terstruktur, khususnya untuk wilayah Indonesia yang memiliki keragaman iklim tinggi akibat pengaruh geografis kepulauan. Penelitian ini menerapkan algoritma K-Means Clustering untuk mengidentifikasi pola iklim stasiun cuaca di Indonesia menggunakan dataset NOAA Global Surface Summary of the Day (GSOD) yang diakses secara langsung melalui Application Programming Interface (API) resmi NOAA NCEI. Sebanyak 87 stasiun cuaca aktif di seluruh Indonesia digunakan sebagai objek penelitian dengan periode pengamatan tahun 2023, menghasilkan 50.232 records data mentah. Variabel yang digunakan mencakup suhu maksimum, suhu minimum, suhu rata-rata harian, dan curah hujan. Normalisasi data dilakukan menggunakan metode StandardScaler sebelum proses clustering. Penentuan jumlah cluster optimal menggunakan Elbow Method menghasilkan nilai K=4, ditandai dengan penurunan inertia (WCSS) yang signifikan dari 72.33 (K=4) dibanding 132.02 (K=3). Hasil clustering mengelompokkan 87 stasiun ke dalam empat cluster: Cluster 0-Tropis Basah Sedang (38 stasiun, 43.7%), Cluster 1-Dataran Tinggi Sejuk (4 stasiun, 4.6%), Cluster 2-Tropis Panas Basah (43 stasiun, 49.4%), dan Cluster 3-Tropis Curah Hujan Ekstrem (2 stasiun, 2.3%). Hasil penelitian divisualisasikan dalam peta interaktif berbasis Folium yang menampilkan distribusi spasial cluster secara geografis. Pendekatan berbasis API ini membuktikan efisiensi akses big data skala petabyte tanpa proses unduhan massal.
Downloads
References
A. Kurniadi, E. Weller, Y. H. Kim, dan S. K. Min, "Evaluation of Coupled Model Intercomparison Project Phase 6 model-simulated extreme precipitation over Indonesia," International Journal of Climatology, vol. 43, no. 1, pp. 174-196, Jan. 2023. DOI: 10.1002/joc.7744
NOAA National Centers for Environmental Information, "Global Surface Summary of the Day (GSOD)," NOAA NCEI, 2023. [Online]. Available: https://www.ncei.noaa.gov/access/metadata/landing-page/bin/iso?id=gov.noaa.ncdc:C00516
E. Manalu, E. Surbakti, dan S. P. Sipayung, "Analisis Pola Cuaca di Provinsi Sumatera Utara Menggunakan Metode Clustering K-Means," Jurnal Ilmu Komputer dan Informatika, vol. 2, no. 3, pp. 81-89, Jan. 2026.
I. Lewenusa dan T. Handhayani, "Clustering Data Meteorologi Kota-Kota di Indonesia Timur Menggunakan Metode K-Means dan Fuzzy C-Means," INTI Nusa Mandiri, vol. 18, no. 2, pp. 100-106, Feb. 2024. DOI: 10.33480/inti.v18i2.5039
F. D. Rahman, "Penerapan Algoritma K-Means untuk Klasterisasi Pola Iklim di Provinsi Jambi Menggunakan Elbow Method," DJTechno, vol. 6, no. 3, Des. 2025. DOI: 10.46576/djtechno
A. Chusyairi, "Clustering Data Cuaca Ekstrim Indonesia dengan K-Means dan Entropi," Journal of Informatics and Communication Technology (JICT), 2023. DOI: 10.ejournal.akademitelkom
F. D. Rahman, M. I. Z. Mulki, dan A. Taryana, "Clustering dan Klasifikasi Data Cuaca Cilacap dengan Menggunakan Metode K-Means dan Random Forest," Jurnal SINTA: Sistem Informasi dan Teknologi Komputasi, 2024.
J. MacQueen, "Some Methods for Classification and Analysis of Multivariate Observations," Proceedings of 5th Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, pp. 281-297, 1967.
F. Pedregosa et al., "Scikit-learn: Machine Learning in Python," Journal of Machine Learning Research, vol. 12, pp. 2825-2830, 2011. DOI: 10.5555/1953048.2078195
A. K. Jain, "Data Clustering: 50 Years Beyond K-Means," Pattern Recognition Letters, vol. 31, no. 8, pp. 651-666, 2010. DOI: 10.1016/j.patrec.2009.09.011
K. P. Sinaga dan M. Yang, "Unsupervised K-Means Clustering Algorithm," IEEE Access, vol. 8, pp. 80716-80727, 2020. DOI: 10.1109/ACCESS.2020.2988796
E. Umargono, J. E. Suseno, dan V. Gunawan, "K-Means Clustering Optimization Using the Elbow Method and Early Centroid Determination Based on Mean and Median Formula," Advances in Social Science, Educational and Humanities Research, vol. 474, pp. 121-129, 2020.
M. A. Syakur, B. K. Khotimah, E. M. S. Rochman, dan B. D. Satoto, "Integration K-Means Clustering Method and Elbow Method for Identification of the Best Customer Profile Cluster," IOP Conference Series, vol. 336, 2018. DOI: 10.1088/1757-899X/336/1/012017
M. Fathi, M. Haghi Kashani, S. M. Jameii, dan E. Mahdipour, "Big Data Analytics in Weather Forecasting: A Systematic Review," Archives of Computational Methods in Engineering, 2021. DOI: 10.1007/s11831-021-09616-4
W. McKinney, "Data Structures for Statistical Computing in Python," Proceedings of 9th Python in Science Conference, vol. 445, pp. 51-56, 2010. DOI: 10.25080/Majora-92bf1922-00a
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Andly Sofian Hasugian, Jatmiko Althaf Aziz, Nayla Anjani Nasution
This work is licensed under a Creative Commons Attribution 4.0 International License.
