Pengelompokkan Spasial Dengan Pola Angin Yang Relevan Dengan Tornado Di Indonesia Untuk Meningkatkan Kapasitas Mitigasi Risiko Bencana

Spatial Grouping of Tornado-Relevant Wind Regimes Areas in Indonesia to Enhance Disaster Risk Mitigation Capacity

Tornado merupakan ancaman cuaca utama di Indonesia, di mana variabilitas angin penting untuk menilai risiko bencana dan mendukung perencanaan energi. Studi ini melakukan analisis jangka pendek (satu tahun) dengan mengidentifikasi kesamaan pola kecepatan angin regional menggunakan pendekatan pengelompokan seri waktu, dengan menganggap rata-rata kecepatan angin bulanan pada tahun 2024 sebagai proksi untuk rezim angin yang relevan dengan tornado daripada data kejadian tornado langsung. Pengelompokan hierarkis aglomeratif diintegrasikan dengan tiga ukuran jarak—Dynamic Time Warping (DTW), Autocorrelation Function (ACF), dan Short Time Series (STS)—dan dioptimalkan menggunakan Brain Storm Optimization (BSO) untuk menentukan bobot jarak optimal dan jumlah kluster. Hasil menunjukkan bahwa DTW memberikan kinerja terbaik, menghasilkan solusi dua kluster dengan Koefisien Siluet sebesar 0,5292. Kluster pertama menunjukkan pola angin yang relatif stabil, sementara kluster kedua menunjukkan variabilitas temporal yang lebih tinggi. Kerangka kerja ini menyediakan dasar berbasis data untuk perencanaan energi angin yang spesifik wilayah dan pertimbangan infrastruktur yang adaptif terhadap tornado di Indonesia.

Tornadoes are major weather hazards in Indonesia, where wind variability is important for assessing disaster risk and supporting energy planning. This study conducts a short-term (one-year) analysis by identify similarities in regional wind speed patterns using a time-series clustering approach, treating monthly average wind speeds in 2024 as proxies for tornado-relevant wind regimes rather than direct tornado occurrence data. Agglomerative hierarchical clustering is integrated with three distance measures—Dynamic Time Warping (DTW), Autocorrelation Function (ACF), and Short Time Series (STS)—and optimized using Brain Storm Optimization (BSO) to determine optimal distance weighting and cluster numbers. The results indicate that DTW provides the best performance, yielding a two-cluster solution with a Silhouette Coefficient of 0.5292. The first cluster exhibits relatively stable wind patterns, while the second shows higher temporal variability. This framework provides a datadriven basis for region-specific wind energy planning and tornado-adaptive infrastructure considerations in Indonesia.