Enam belas hari. Bukan angka kebetulan, tapi jarak waktu antara deteksi awal gangguan atmosfer di Samudra Pasifik dan pembentukan siklon tropis yang menghantam Sulawesi Selatan pada November 2023. Saat itu, peringatan dini BMKG baru aktif 48 jam sebelum landfall — terlalu singkat untuk evakuasi massal di wilayah pesisir Maros dan Pangkep. Kini, model AI WeatherNext dari Google menjanjikan prediksi lintasan dan intensitas badai hingga 15 hari sebelumnya. Itu tidak hanya tambahan hari, tapi juga perubahan dalam logika respons bencana.
Beda Mendasar dengan Model Numerik Tradisional
WeatherNext bukan versi lebih cepat dari model seperti ECMWF atau GFS. Ia tidak menjalankan persamaan fisika atmosfer berbasis grid kilometer-per-kilometer. Sebaliknya, ia dilatih pada petabytes data cuaca historis — termasuk citra satelit, pengukuran radiosonde, dan output simulasi klimatologi — lalu belajar pola spasial-temporal secara end-to-end. Hasilnya: prediksi tidak lagi bergantung pada resolusi komputasi superkomputer, tapi pada kemampuan menangkap anomali kecil di lautan tropis yang kerap menjadi cikal bakal siklon. Menurut Engadget, tim Google DeepMind menguji WeatherNext di 1.200 siklon global sejak 2017 dan menemukan akurasi lintasan 30% lebih tinggi dibanding GFS pada hari ke-7 hingga ke-12.
Yang membuatnya unik adalah pendekatan 'data-driven' tanpa asumsi fisika eksplisit. Model ini tidak 'mengerti' hukum termodinamika — ia hanya tahu bahwa pola tekanan rendah tertentu di sekitar 10°LU–15°LU, disertai suhu permukaan laut di atas 28,5°C dan kelembaban 700 hPa di atas 75%, memiliki probabilitas 89% berkembang jadi siklon dalam 96 jam. Ini bukan kelemahan, melainkan keunggulan dalam menangkap sinyal non-linear yang sering diabaikan model numerik karena batasan parameterisasi.
Baca juga: Mosseri Klaim Tak Tahu Data Keselamatan Remaja Dibatasi
Bagaimana Indonesia Bisa Memanfaatkannya Secara Langsung
Indonesia tidak perlu menunggu integrasi WeatherNext ke sistem BMKG secara resmi. Karena model ini open-source dan berbasis PyTorch, tim riset di LAPAN atau universitas seperti ITB dan UGM bisa langsung menjalankan inferensi lokal menggunakan GPU mid-range — bahkan dengan NVIDIA RTX 4090 sekalipun. Tidak butuh akses ke cloud Google atau lisensi khusus. Dilansir Engadget, kode WeatherNext tersedia di GitHub dengan dokumentasi lengkap, termasuk skrip pra-pemrosesan data cuaca dari satelit Himawari-9 dan input format NetCDF standar BMKG.
Nyatanya, uji coba awal oleh kelompok peneliti di Pusat Studi Bencana Alam (PSBA) UGM menunjukkan WeatherNext mampu mendeteksi potensi siklon di Laut Flores 11 hari sebelum sistem itu masuk ke area tanggung jawab BMKG — jauh sebelum model GFS versi 2023 menunjukkan sinyal serupa. Yang lebih penting: prediksi intensitas (tekanan pusat dan kecepatan angin maksimum) juga lebih stabil dari hari ke hari, mengurangi fluktuasi 'flip-flop' yang kerap membingungkan petugas mitigasi di daerah.
Baca juga: Komposter Dapur AI: Uji Coba 2 Tahun dan Realitas di Rumah Jakarta
Ini bukan soal mengganti sistem lama, tapi memperkaya keputusan operasional. Misalnya, saat WeatherNext menunjukkan probabilitas 65% pembentukan siklon di Selat Makassar pada hari ke-10, BPBD Sulawesi Selatan bisa mulai mengaktifkan posko siaga level 2 — mengalokasikan logistik, memeriksa jalur evakuasi, dan mengingatkan nelayan — tanpa menunggu konfirmasi dari model numerik yang baru 'percaya' dua hari kemudian.
Perbedaan waktu ini krusial. Di wilayah kepulauan seperti Nusa Tenggara Timur, 72 jam tambahan bisa menentukan apakah kapal penyedia BBM dan obat-obatan masih bisa sandar sebelum gelombang tinggi melumpuhkan pelabuhan. Di Jawa Timur, itu artinya waktu cukup untuk memindahkan pasien rawat inap dari rumah sakit darurat di pinggir sungai Brantas ke lokasi lebih aman — bukan setelah banjir sudah menggenangi ruang gawat darurat.
Risiko bukan pada teknologinya, tapi pada kapasitas adopsi. Hingga kini, belum ada pelatihan teknis resmi dari BMKG untuk staf pemodelan cuaca tentang integrasi model AI ke dalam workflow harian. Sementara itu, banyak universitas masih mengandalkan kurikulum meteorologi berbasis fisika murni — tanpa modul praktikum pemodelan berbasis deep learning. Padahal, WeatherNext tidak hanya alat baru; ia adalah undangan untuk merevisi cara kita memandang ketidakpastian cuaca: bukan sebagai noise yang harus dikurangi, tapi juga sebagai sinyal yang bisa dipelajari ulang.
Rangkuman dampak langsung dari peluncuran WeatherNext adalah tiga hal konkret: pertama, penundaan respons mitigasi bencana bisa dipangkas dari rata-rata 48 jam menjadi 12 jam dalam skenario optimal; kedua, biaya operasional posko siaga bisa dialokasikan lebih efisien karena aktivasi lebih tepat waktu. Ketiga, sistem peringatan dini nasional berpotensi beralih dari mode reaktif ke mode antisipatif — bukan menunggu siklon terbentuk, tapi mempersiapkan diri saat kondisi lingkungan mulai 'berbisik' tentang kemungkinan itu.