Alat AI Baru Tingkatkan Akurasi Prediksi Cuaca Jangka Panjang

Pengembangan teknologi kecerdasan buatan (AI) membuka peluang untuk meningkatkan ketepatan prakiraan cuaca hingga beberapa minggu ke depan. Sebuah metode koreksi tambahan yang dikembangkan para peneliti dilaporkan mampu memperbaiki hasil prediksi pada sekitar sembilan dari setiap sepuluh kotak grid peta cuaca, sebagaimana dilansir dari Detikcom.

Teknologi tersebut dirancang untuk melengkapi model prakiraan cuaca berbasis AI. Ketika dibandingkan dengan sistem dari pusat prakiraan cuaca Eropa (ECMWF), metode baru ini menunjukkan peningkatan performa pada berbagai parameter atmosfer.

Mengapa Prediksi Cuaca Lebih dari Dua Minggu Sulit Dilakukan?

Prakiraan cuaca konvensional menghadapi keterbatasan ketika digunakan untuk memperkirakan kondisi atmosfer dalam jangka waktu lebih dari dua minggu. Penyebab utamanya adalah akumulasi kesalahan kecil dalam perhitungan kondisi udara. Setiap proses simulasi menggunakan data atmosfer sebagai dasar perhitungan.

Namun, ketidaktepatan sekecil apa pun dapat bertambah seiring berjalannya waktu sehingga hasil perkiraan untuk beberapa minggu berikutnya semakin menyimpang dari kondisi sebenarnya. Persoalan tersebut telah dijelaskan lebih dari 50 tahun yang lalu oleh Edward Lorenz dari Massachusetts Institute of Technology (MIT). Ia mengungkapkan bahwa sifat atmosfer yang kacau membuat prediksi cuaca menjadi sangat sulit dilakukan setelah melewati rentang dua minggu.

Padahal, informasi mengenai kondisi cuaca tiga hingga empat minggu mendatang memiliki manfaat penting untuk mengantisipasi kejadian ekstrem. Peringatan lebih awal dapat memberikan kesempatan kepada masyarakat dan pihak terkait untuk mempersiapkan diri.

Salah satu contoh dampak keterbatasan informasi tersebut terlihat dalam badai musim dingin di Texas pada Februari 2021. Peristiwa itu menyebabkan pemadaman listrik dan menewaskan 246 jiwa. Apabila indikasi badai dapat diketahui lebih awal, masyarakat setempat berpeluang memperoleh waktu tambahan untuk mempersiapkan kebutuhan serta fasilitas pendukung menghadapi kondisi tersebut.

Probabilistic Bias Correction Memperbaiki Kesalahan Model

Metode yang dikembangkan para peneliti bernama probabilistic bias correction. Sistem ini bukan mesin peramal cuaca mandiri, melainkan perangkat tambahan yang mengoreksi probabilitas hasil prakiraan dari model cuaca. Informasi yang diproses mencakup kemungkinan suatu pekan mengalami suhu lebih tinggi, suhu lebih rendah, curah hujan lebih besar, atau kondisi lebih kering dibandingkan keadaan normal.

Proses koreksinya menggunakan dua pendekatan. Pertama, sistem mencocokkan data prakiraan selama 20 tahun dengan kejadian cuaca yang benar-benar berlangsung berdasarkan lokasi dan musim. Perbandingan tersebut digunakan untuk mengenali pola kesalahan yang berulang, kemudian mengurangi penyimpangan yang ditemukan.

Dengan demikian, bias yang terus muncul dalam hasil prediksi dapat diperbaiki. Pendekatan kedua menggabungkan hasil prakiraan dengan kondisi cuaca selama beberapa minggu sebelumnya serta nilai rata-rata jangka panjang. Hasil dari kedua proses koreksi tersebut kemudian dirata-ratakan.

Keunggulan lainnya terletak pada kemampuan pembaruan data secara berkelanjutan. Sistem ini melakukan pelatihan ulang setiap hari ketika informasi baru tersedia dan dapat dijalankan tanpa memerlukan superkomputer.

Judah Cohen dari MIT, salah satu penulis penelitian, menjelaskan alasan pengembangan teknologi tersebut. "Kami mengetahui bahwa model AI memiliki banyak kesalahan, sehingga kami berpikir mungkin dapat mengukur kesalahan-kesalahan tersebut dan menghilangkannya," kata Judah Cohen.

Hasil Pengujian Menunjukkan Peningkatan Akurasi

Penelitian berjudul 'Advancing subseasonal forecasting with machine learning' melibatkan sejumlah peneliti dari berbagai perguruan tinggi. Hannah Guan dari Harvard College tercatat sebagai penulis utama studi tersebut.

Pengujian dilakukan terhadap tiga sistem prakiraan dari European Centre for Medium-Range Weather Forecasts (ECMWF). Ketiganya meliputi model ensemble berbasis fisika, model AI baru, serta model hibrida yang memanfaatkan AI untuk menyempurnakan hasil ensemble. Hasil evaluasi memperlihatkan peningkatan kemampuan model AI hingga dua kali lipat setelah mendapatkan koreksi tambahan. Sementara itu, kemampuan model hibrida dalam memperkirakan hujan meningkat antara 68 persen sampai 98 persen.

Pada model ensemble, kemampuan prediksi curah hujan yang sebelumnya rendah meningkat hingga tiga kali lipat. Perkiraan suhu dan tekanan udara yang semula berada di bawah rata-rata juga mengalami perbaikan sehingga menjadi lebih baik. Curah hujan menjadi variabel dengan peningkatan paling menonjol. Parameter ini memang termasuk aspek yang sulit diperkirakan secara akurat oleh berbagai model cuaca.

Kemampuan Mendeteksi Cuaca Ekstrem dan Banjir

Selain memperbaiki prakiraan rutin, metode tersebut diuji untuk mengenali kemungkinan terjadinya kondisi cuaca ekstrem. Penilaiannya menggunakan catatan cuaca sebelumnya dengan menandai periode yang masuk dalam kelompok 5 persen paling panas, paling basah, paling dingin, dan paling kering pada setiap lokasi. Dalam pengujian tersebut, kemampuan sistem Eropa untuk mendeteksi panas ekstrem meningkat 51% dibandingkan metode koreksi standar yang digunakan pusat prakiraan tersebut.

Perbaikan juga terlihat pada sebagian besar wilayah dalam peta pengujian. Untuk kejadian banjir, kemampuan memperkirakan hujan di sekitar periode terjadinya bencana meningkat antara 76% sampai 92%. Sebaliknya, metode koreksi standar hampir tidak memberikan peningkatan berarti.

Pengujian yang melibatkan 88 peristiwa banjir parah juga memperlihatkan peningkatan kemampuan prediksi. Kategori banjir yang dianalisis mencakup kejadian dengan korban lebih dari 100 jiwa atau menyebabkan 80.000 orang mengungsi.

Pengujian Nyata pada Gelombang Dingin Amerika Serikat

Teknologi tersebut tidak hanya dievaluasi melalui data historis, tetapi juga dicoba untuk memperkirakan kejadian cuaca yang akan datang. Salah satu pengujian dilakukan pada November 2025 ketika para peneliti memperkirakan gelombang dingin akan melanda Amerika Serikat pada pertengahan Desember tahun yang sama. Perkiraan tersebut kemudian terbukti terjadi.

Sementara itu, model prakiraan cuaca Eropa tidak menunjukkan adanya kemungkinan gelombang dingin tersebut dalam hasil prediksinya. Meski menunjukkan hasil yang menjanjikan, probabilistic bias correction tetap memiliki batas kemampuan. Teknologi ini bekerja dengan memperbaiki informasi yang sudah tersedia, bukan menciptakan indikasi cuaca baru yang sama sekali tidak terekam dalam data awal.

Artinya, ketepatan hasil akhirnya tetap bergantung pada sinyal yang berhasil ditangkap oleh model prakiraan sebelumnya. Metode koreksi ini membantu mengurangi kesalahan prediksi, tetapi tidak dapat mengungkap kejadian yang tidak memiliki petunjuk dalam data masukan.