Pendahuluan
Kecerdasan buatan atau AI kini hadir di mana-mana, mulai dari asisten digital yang memotong setiap kalimat yang kita ketik hingga perangkat rumah tangga yang seolah membutuhkan koneksi WiFi untuk fungsi dasarnya. Masyarakat mungkin bertanya-tanya apakah kita benar-benar menghadapi lompatan teknologi kuantum, atau hanya pemasaran berlebihan dari teknologi yang sebenarnya biasa saja. Lalu bagaimana dengan penggunaan AI dalam pemodelan cuaca dan iklim yang belakangan ini semakin marak dibicarakan?
Percakapan sebetulnya tidak dimulai dengan baik awal tahun ini ketika sebuah kantor National Weather Service di Amerika Serikat memposting peta prakiraan yang menampilkan nama-nama kota fiktif di Idaho seperti “Whata Bod” dan “Orangeotild.” Untungnya, gambar tersebut hanyalah ilustrasi yang dihasilkan AI untuk kebutuhan media sosial, bukan merupakan model prakiraan yang sesungguhnya. Para meteorolog dan ilmuwan iklim masih belum digantikan oleh para insinyur prompt model bahasa besar.
Namun kenyataannya, AI memang sudah digunakan secara aktif dalam bidang-bidang ini melalui teknik-teknik yang telah dipelajari para peneliti selama bertahun-tahun. Kekuatan dan kelemahannya pun sudah dipahami dengan baik oleh komunitas ilmiah. Yang penting untuk dicatat, teknik-teknik tersebut berbeda antara model simulasi cuaca dan model simulasi iklim.
Mesin Pembelajaran, Bukan Model Bahasa Besar
Dalam semua model pemodelan cuaca dan iklim, istilah “AI” merujuk pada machine learning atau pembelajaran mesin. Konsep dasarnya cukup sederhana, yaitu menggunakan komputer untuk mengidentifikasi pola-pola dalam data dalam jumlah besar. Memasang garis tren lurus pada data atau yang dikenal sebagai regresi linear adalah cara yang sangat sederhana untuk mengidentifikasi pola. Kita juga bisa melakukan regresi dengan kurva dan persamaan yang lebih rumit. Kekuatan sekaligus potensi kelemahan pembelajaran mesin terletak pada kemampuan algoritma dalam menangani tingkat kompleksitas yang jauh lebih tinggi.
Pembelajaran mesin dimulai dengan melatih model dari nol. Model diberi struktur tertentu seperti jaringan saraf tiruan yang memiliki sejumlah parameter yang bisa diatur secara independen untuk menyempurnakan perilaku algoritma. Model kemudian diberikan data dalam jumlah sangat besar, seringkali beserta jawabannya. Sebagai contoh, ribuan foto burung yang telah diberi label spesies. Model secara iteratif menentukan nilai parameter terbaik untuk menghubungkan isi foto dengan spesies yang benar.
Beberapa keterbatasan sudah jelas terlihat. Algoritma ini tidak akan mengidentifikasi spesies yang tidak ada dalam data pelatihan atau subpopulasi yang berbeda terlalu jauh dari contoh yang diberikan. Kualitas data pelatihan juga sangat berpengaruh besar. Jika kita hanya menggunakan foto burung di pohon pinus, model bisa memasukkan jarum pinus sebagai bagian dari definisi karakteristik burung tersebut. Tanpa upaya ekstra, mekanisme internal model pada dasarnya merupakan kotak hitam yang sulit diinterpretasikan. Meskipun demikian, algoritma pembelajaran mesin sering kali mengungguli algoritma terbaik buatan manusia, setidaknya dalam hal efisiensi komputasi jika bukan juga dalam hal akurasi.
Revolusi Komputasi untuk Prakiraan Cuaca
Untuk model prakiraan cuaca, prosesnya tidak terlalu berbeda dari contoh identifikasi burung tersebut. Model-model ini dilatih menggunakan dua set data cuaca yang diperoleh dalam selang waktu singkat. Karena tidak perlu menyelesaikan banyak persamaan fisika di setiap lokasi, model-model ini berjalan jauh lebih cepat dibandingkan model cuaca tradisional yang berbasis fisika murni.
Sejumlah perusahaan teknologi besar, termasuk Google, Nvidia, Huawei, dan Microsoft, telah mengembangkan model-model awal yang mampu bersaing dengan model prakiraan konvensional. Setelah keunggulan dan kelemahan model-model ini mulai dipahami, beberapa pusat prakiraan cuaca utama dunia mulai mengembangkan versi mereka sendiri. European Centre for Medium-Range Weather Forecasts atau ECMWF meluncurkan model berbasis pembelajaran mesin pertamanya pada Februari 2025 dengan nama AIFS, yang dijalankan berdampingan dengan model Integrated Forecasting System yang sudah lama digunakan.
Model AIFS dilatih menggunakan data reanalisis yang dibangun dari seluruh observasi cuaca yang tersedia, kemudian dilengkapi menjadi gambaran yang konsisten secara fisik. Setiap snapshot berisi informasi suhu, tekanan udara, angin, uap air, tutupan awan, curah hujan, radiasi matahari, dan kelembaban tanah. Alih-alih menerapkan hukum fisika yang menghubungkan semua elemen tersebut, model cukup menyaring pola spasial dari perubahan yang terjadi di masa lalu. Implikasinya, hal-hal aneh bisa saja terjadi. Model pembelajaran mesin tidak mengetahui bahwa curah hujan tidak boleh bernilai negatif, atau bahwa angin yang keluar dari satu bagian grid harus diimbangi oleh angin yang masuk ke bagian tetangga karena hukum kekekalan massa dan energi.
ECMWF menyatakan bahwa satu kali proses prakiraan model IFS menggunakan energi sekitar seribu kali lebih banyak dibandingkan AIFS dan membutuhkan waktu sekitar tiga puluh menit versus hanya tiga menit. Penghematan ini sangat signifikan, terutama untuk versi ensemble yang menjalankan lima puluh simulasi sekaligus guna menangkap rentang kemungkinan hasil yang bisa terjadi.
Keterbatasan pada Prakiraan Cuaca Ekstrem
Prakiraan kondisi cuaca biasa memiliki nilai praktis yang besar, tetapi ada nilai yang menyangkut keselamatan jiwa dalam prakiraan cuaca ekstrem yang akurat. Semakin ekstrem peristiwanya, semakin besar nilainya bagi masyarakat. Sama seperti algoritma identifikasi burung yang tidak bisa mengenali spesies yang belum pernah dilihat selama pelatihan, model cuaca berbasis AI bisa gagal memprediksi cuaca ekstrem yang tidak tercakup dalam dataset pelatihan.
Karena kejadian ekstrem bersifat langka, bahkan dataset pelatihan yang sangat besar mungkin tidak memiliki contoh peristiwa tertentu, atau setidaknya tidak ada contoh yang seekstrem apa yang mungkin terjadi di dunia nyata. Jika perubahan iklim memengaruhi pola cuaca tertentu, maka masa lalu menjadi panduan yang buruk untuk masa depan. Sebuah studi terbaru menemukan bahwa model-model pembelajaran mesin yang umum cenderung meremehkan frekuensi dan intensitas peristiwa pemecah rekor, dengan kesalahan yang meningkat untuk penyimpangan yang lebih besar. Karena model-model ini tidak akan melampaui apa yang pernah mereka lihat dalam pelatihan, mereka cenderung menghaluskan peristiwa ekstrem sehingga tetap dalam batas kondisi normal.
Pendekatan Hibrida untuk Pemodelan Iklim
Prakiraan cuaca melibatkan proyeksi keadaan atmosfer saat ini ke beberapa jam atau hari ke depan. Pemodelan iklim melakukan sesuatu yang sangat berbeda. Sains iklim mengajukan pertanyaan luas tentang efek perubahan jumlah energi di atmosfer dan faktor-faktor yang mengendalikan kondisi atmosfer saat ini. Hukum fisika sangat indispensable untuk jenis sains ini, sehingga meninggalkan semua perhitungan berbasis fisika sama sekali bukan pilihan yang viable.
Para peneliti dari Climate Modeling Alliance atau CliMA di Caltech sedang membangun model iklim baru dari nol dengan arsitektur cloud-native yang memanfaatkan GPU secara optimal. Tapio Schneider dari CliMA menjelaskan bahwa pendekatan esensial mereka adalah mempertahankan penjaga fisik agar bisa memprediksi iklim yang datanya belum tersedia dengan tingkat kepercayaan tinggi. Model mereka mengganti beberapa parameterisasi seperti pemodelan tutupan salju dengan algoritma pembelajaran mesin yang dilengkapi syarat keseimbangan air masuk dan keluar.
Secara keseluruhan, tim CliMA bertujuan menggabungkan pembelajaran mesin di area-area yang menunjukkan keuntungan jelas dalam efisiensi komputasi dan kualitas ilmiah, sambil tetap mempertahankan metode konvensional yang bekerja lebih baik di tempat lain. Sebuah studi dari NASA Goddard Institute for Space Studies bahkan telah menggunakan pembelajaran mesin untuk mengoptimalkan proses kalibrasi model iklim, yaitu menemukan kombinasi nilai parameter terbaik melalui ratusan simulasi yang sebelumnya hampir mustahil dilakukan secara manual.
