Mendeteksi Curah Hujan Ekstrem sebagai Upaya Mitigasi Banjir Menggunakan Algoritma K-Means

Rendi Aldiansyah (Universitas Ibrahimy)
Zaehol fatah (Universitas Ibrahimy)

"JAMASTIKA" Jurnal Mahasiswa Teknik Informatika
Vol. 5 No. 1 (2026): Volume 5 Nomor 1 April 2026

Pengelompokan informasi cuaca berdasarkan variasi suhu dan curah hujan melalui pendekatan K-Means Clustering merupakan suatu langkah krusial untuk memahami perubahan iklim di daerah Bogor. Dalam konteks perubahan iklim dan peningkatan risiko bencana hidro-meteorologi, identifikasi pola iklim menjadi sangat diperlukan untuk mendukung perencanaan mitigasi dan adaptasi. Dataset yang digunakan dalam penelitian ini mencakup atribut-atribut seperti suhu maksimum, suhu minimum, curah hujan harian, jumlah hari hujan, serta parameter temporal seperti bulan dan tahun pengamatan. Data tersebut melalui proses pembersihan, normalisasi, dan transformasi agar siap dianalisis menggunakan algoritma K-Means. Hasil pengelompokan menunjukkan adanya dua kelompok utama kondisi iklim dengan karakteristik yang berbeda. Kelompok pertama menggambarkan periode dengan curah hujan tinggi dan suhu relatif rendah, sedangkan kelompok kedua menunjukkan pola curah hujan lebih rendah disertai suhu udara yang lebih hangat. Temuan ini memberikan wawasan penting mengenai variasi iklim lokal, serta dapat dimanfaatkan oleh pihak terkait untuk menyusun strategi mitigasi bencana, pengelolaan ruang terbuka hijau. Dengan adanya pengelompokan ini, diharapkan pemerintah daerah maupun lembaga terkait dapat memahami struktur pola iklim secara lebih komprehensif dan meningkatkan kesiapsiagaan terhadap potensi kejadian iklim ekstrem. Kata Kunci: Algoritma K-Means Clustering, RapidMiner, Curah Hujan, Pembelajaran Mesin.   Clustering climate data based on air temperature and rainfall variation patterns using the K-Means Clustering method is a crucial step in understanding climate dynamics in the Bogor region. Regarding climate change and the increasing risk of hydro-meteorological disasters, identifying climate patterns is crucial to support mitigation and adaptation planning. The dataset used in this study includes attributes such as maximum temperature, minimum temperature, daily rainfall, number of rainy days, and temporal parameters such as month and year of observation. The data underwent a cleaning, normalization, and transformation process to prepare it for analysis using the K-Means algorithm. The clustering results indicate two main clusters of climate conditions with distinct characteristics. The first cluster describes periods with high rainfall and relatively low temperatures, while the second cluster shows a pattern of lower rainfall accompanied by warmer air temperatures. These findings provide important insights into local climate variations and can be utilized by relevant parties to develop disaster mitigation strategies, manage green open spaces, and develop More climate-adaptive spatial planning. With this clustering, it is hoped that local governments and related institutions can understand the structure of climate patterns more comprehensively and improve preparedness for potential extreme climate events.  Keywords: K-Means Algorithm, RapidMiner, rainfall, Machine learning.