Clustering Analysis and Heavy Thunderstorm Prediction Using K-Means, Probit, dan Logit

Analisis Klasterisasi dan Prediksi Hujan Lebat Petir Menggunakan Model K-Means, Probit, Logit

Abstract

Weather in Indonesia is often influenced by seasonal phenomena, such as the peak of the rainy season, which exhibits highly dynamic patterns. These conditions frequently lead to extreme weather events, such as heavy rain accompanied by thunderstorms, affecting daily community activities. Therefore, it is essential to identify weather patterns and accurately predict the potential for thunderstorms, both for risk mitigation and activity planning. This study aims to predict thunderstorms on the 8th day and over the following seven days. Furthermore, it seeks to identify which provinces are likely to experience thunderstorms during this period. The method employed is K-Means clustering with the Elbow technique to determine the optimal number of clusters. Weather prediction is then performed using logit and probit models with a threshold of 0.2. The results indicate that the optimal number of clusters is five. Predictions for the 8th day show that two clusters have the potential to experience thunderstorms, with probabilities of 0.2 and 0.3, respectively. Forecasts for the next seven days reveal that 14 provinces are likely to experience thunderstorms, with probabilities ranging from 0.01 to 0.11. This study provides a clear overview of thunderstorm potential across various regions in Indonesia. By understanding these weather patterns, communities are expected to better prepare and reduce risks associated with extreme weather conditions.

ABSTRAK (Bahasa Indonesia)

Cuaca di Indonesia sering dipengaruhi oleh fenomena musiman, seperti puncak musim hujan, yang memiliki pola sangat dinamis. Kondisi tersebut kerap menimbulkan cuaca ekstrem, seperti hujan lebat disertai petir, yang berdampak pada aktivitas masyarakat sehari-hari. Oleh karena itu, penting untuk mengidentifikasi pola cuaca dan memprediksi potensi hujan petir secara akurat, baik untuk mitigasi risiko maupun perencanaan aktivitas masyarakat. Penelitian ini bertujuan memprediksi hujan petir pada hari ke-8 serta selama tujuh hari ke depan. Selain itu, penelitian juga bertujuan mengidentifikasi provinsi yang berpotensi mengalami hujan petir pada periode tersebut. Metode yang digunakan adalah klasterisasi K-Means dengan teknik Elbow untuk menentukan jumlah klaster optimal. Prediksi cuaca dilakukan menggunakan model logit dan probit dengan ambang batas (threshold) 0,2. Hasil penelitian menunjukkan jumlah klaster optimal adalah lima. Prediksi untuk hari ke-8 mengindikasikan terdapat dua klaster yang berpotensi mengalami hujan petir dengan probabilitas masing-masing sebesar 0,2 dan 0,3. Prediksi selama tujuh hari ke depan menunjukkan sebanyak 14 provinsi berpotensi mengalami hujan petir dengan tingkat probabilitas bervariasi antara 0,01 hingga 0,11. Penelitian ini memberikan gambaran yang jelas mengenai potensi hujan petir di berbagai wilayah Indonesia. Dengan memahami pola cuaca ini, diharapkan masyarakat dapat mempersiapkan diri dengan lebih baik dan mengurangi risiko yang mungkin timbul akibat cuaca ekstrem.