Google DeepMind Rilis Open Source Model AI WeatherNext Untuk Prediksi Siklon
Google DeepMind dan Google Research baru saja merilis kode sumber dan bobot model kecerdasan buatan WeatherNext secara terbuka di GitHub, menandai terobosan baru dalam prediksi siklon tropis. Jurnal ilmiah Nature menerbitkan riset ini pada 6 Agustus 2026, memperlihatkan bagaimana model AI dapat memprediksi jalur, intensitas, dan struktur angin badai dengan akurasi yang belum pernah dicapai sebelumnya. Menariknya, WeatherNext mampu memberikan peringatan dini satu hari lebih awal dibanding model konvensional — sebuah pencapaian yang setara dengan kemajuan meteorologi selama satu dekade terakhir.
Prediksi Tiga Hari Setara Akurasi Dua Hari Model Lama
Keunggulan utama WeatherNext terletak pada kemampuannya menghasilkan prediksi 15 hari ke depan dalam waktu kurang dari satu menit menggunakan Tensor Processing Unit (TPU). Rata-rata, prediksi tiga hari yang dihasilkan model ini memiliki tingkat akurasi yang sama dengan prediksi dua hari dari model sebelumnya. Seperti diungkapkan Mike Brennan, Direktur National Hurricane Center (NHC) Amerika Serikat, tambahan waktu ini sangat berharga dalam konteks kesiapsiagaan bencana. “Bahkan beberapa jam saja bisa membuat perbedaan besar,” jelasnya, mengingat betapa krusialnya waktu untuk mengatur evakuasi, menyiapkan logistik, dan memindahkan sumber daya darurat.
Secara historis, memajukan akurasi prakiraan cuaca sebesar satu hari membutuhkan kerja keras selama satu dekade, sehingga pencapaian WeatherNext ini dianggap sebagai lompatan signifikan dalam bidang meteorologi. Brennan menekankan bahwa kemampuan mendorong akurasi prakiraan hingga sejauh satu hari melampaui kemampuan sebelumnya benar-benar sangat bernilai, terutama saat harus membuat keputusan penting yang salah langkah bisa berakibat fatal.
Menggabungkan Analisis Global dan Lokal dalam Satu Model
Memprediksi siklon tropis — yang di berbagai belahan dunia disebut sebagai badai atau topan — selama ini menjadi tantangan tersendiri karena fenomena ini beroperasi pada skala spasial yang berbeda-beda. Kate Musgrave, pemimpin kelompok siklon tropis di Cooperative Institute for Research in the Atmosphere (CIRA) dan salah satu penulis riset, menjelaskan bahwa prediksi jalur badai memerlukan data cuaca skala global seperti lokasi front dingin dan arah angin dominan. Sementara itu, prediksi intensitas badai justru membutuhkan data skala kecil yang fokus pada kondisi atmosfer dan laut lokal di sekitar pusat siklon.
Musgrave menambahkan bahwa model global tradisional tidak mampu memberikan data skala kecil yang diperlukan untuk prediksi intensitas. “Itulah sesuatu yang tidak kita dapatkan dari model global ini,” ujarnya. Model AI sebelumnya memang berhasil memprediksi jalur badai dengan baik, “tetapi intensitas sama sekali tidak bisa mereka prediksi dengan baik.” Perubahan intensitas bisa berarti perbedaan antara badai yang relatif lemah dan badai besar yang destruktif.
WeatherNext berhasil mengatasi dilema ini dengan mengintegrasikan kedua pendekatan dalam satu sistem. Ferran Alet, peneliti di Google DeepMind dan salah satu penulis utama paper ini, mengungkapkan bahwa tim melatih model menggunakan hampir 20 terabita data atmosfer global serta arsip historis dari International Best Track Archive for Climate Stewardship (IBTrACS). “Kami tidak punya banyak data siklon, tapi kami punya banyak data cuaca,” ujarnya. “Jadi yang kami lakukan adalah melatih model agar pandai dalam memprediksi cuaca sekaligus siklon.”
Pemodelan kejadian ekstrem memang menantang bagi AI karena machine learning memerlukan data pelatihan yang melimpah untuk membuat prediksi masa depan, sementara kejadian ekstrem secara alamiah merupakan peristiwa langka. Pendekatan WeatherNext yang melatih model untuk mahir dalam kedua aspek — cuaca umum dan siklon — menjadi kunci keberhasilannya.
Uji Coba Nyata Saat Badai Melissa
Dampak nyata WeatherNext sudah terlihat selama musim badai 2025. Saat Badai Melissa terbentuk di atas Laut Karibia pada Oktober 2025, berbagai model cuaca konvensional memberikan proyeksi yang berbeda-beda — apakah badai akan tetap lemah dan berakhir di Haiti, atau akan menguat dan menuju Jamaika. WeatherNext memilih skenario kedua dengan keyakinan 80 persen, memprediksi lima hari sebelum kejadian bahwa sistem badai tersebut akan menghantam Jamaika sebagai badai Kategori 5. Berkat prediksi tersebut, NHC berhasil mengeluarkan peringatan dini yang memungkinkan tim lapangan mengatur evakuasi dan menyiapkan pasokan darurat lebih cepat.
Badai Melissa akhirnya memang menerjang Jamaika dengan dahsyat, menyebabkan banjir dan tanah longsor di berbagai wilayah. Namun, waktu ekstra yang diberikan model AI ini terbukti sangat membantu dalam upaya mitigasi bencana. NHC menyebutnya sebagai prakiraan bersejarah yang dimungkinkan oleh kemampuan model memprediksi intensifikasi cepat dan lokasi pendaratan badai.
Sistem Probabilistik untuk Evaluasi Risiko Ekstrem
Tahun ini, tim WeatherNext terus berkolaborasi dengan lembaga cuaca global dengan menghasilkan 1.000 skenario probabilitas untuk setiap siklon yang dipantau. Prakirawan dapat menggunakan distribusi probabilitas ini untuk mengevaluasi risiko ekor (tail-risk) yang berpotensi devastatif dengan lebih cepat dan akurat. Model ini bahkan dapat menghasilkan peta probabilitas terlokalisasi untuk angin berkekuatan badai tropis hingga badai kategori tinggi, memberikan gambaran visual yang membantu pengambilan keputusan.
Proyek ini melibatkan kolaborasi erat antara peneliti AI di Google DeepMind dan Google Research dengan para ahli prakiraan cuaca dari NHC, CIRA, UK Met Office, serta badan cuaca di seluruh dunia. Selain untuk prediksi siklon, Google juga mengembangkan teknologi AI serupa untuk memprediksi banjir bandang, memperluas jangkauan pemanfaatan kecerdasan buatan dalam mitigasi bencana alam.
Dengan merilis WeatherNext 2 dan WeatherNext Cyclones secara open source, Google berharap teknologi ini dapat dimanfaatkan lebih luas oleh komunitas peneliti dan lembaga cuaca lokal di seluruh dunia. Langkah ini diharapkan dapat memperkuat ketahanan masyarakat menghadapi bencana alam, mendukung pertumbuhan energi terbarukan yang bergantung pada prediksi cuaca akurat, serta membantu antisipasi cuaca ekstrem di berbagai belahan dunia. Cuaca mempengaruhi semua orang, dan dengan dampak yang begitu luas, pembukaan akses teknologi ini diharapkan dapat memberdayakan prakirawan lokal dengan alat yang mereka butuhkan untuk mempersiapkan diri menghadapi bencana alam.
