Pada tanggal 12 November 1970, siklon Bhola menerjang pantai yang saat itu merupakan wilayah Pakistan Timur. Badai tersebut membawa kecepatan angin maksimum 130 mil per jam (205 kilometer per jam) dan gelombang badai setinggi 35 kaki (10,5 meter), menewaskan sekitar 300.000 hingga 500.000 orang.
Hingga kini, siklon Bhola masih tercatat sebagai badai tropis paling mematikan dalam sejarah. Namun, jika terjadi satu dekade kemudian, dampaknya mungkin tidak akan separah itu. Prakiraan cuaca berubah secara dramatis pada tahun 1970-an saat para meteorolog mengadopsi model komputer berbasis fisika yang meningkatkan prediksi badai. Seiring munculnya kecerdasan buatan (AI), prakiraan cuaca kembali berevolusi—kali ini, para ahli khawatir bahwa model baru ini mungkin kurang dapat diandalkan dalam memprediksi peristiwa cuaca yang belum pernah terjadi sebelumnya.
Para peneliti menyebutnya sebagai masalah "angsa abu-abu." Ekstremitas cuaca jenis angsa abu-abu secara fisis masuk akal, tetapi sangat langka sehingga kurang terwakili dalam kumpulan data pelatihan. Masalahnya, perubahan iklim kini memicu semakin banyak peristiwa cuaca ekstrem yang belum pernah terjadi sebelumnya. Contohnya: gelombang panas di Pasifik Barat Laut tahun 2021. Peristiwa ini begitu ekstrem sehingga hampir mustahil terjadi tanpa adanya perubahan iklim.
Model prakiraan fisik dapat mensimulasikan kejadian angsa abu-abu seperti gelombang panas tersebut, meskipun mereka tetap melabelinya sebagai sangat langka. Mereka mampu melakukannya karena dibangun di atas hukum-hukum fisika. Sebaliknya, model AI dilatih berdasarkan data cuaca masa lalu, di mana angsa abu-abu hampir tidak ada sama sekali.
"Mereka gagal menghadapi angsa abu-abu," kata Pedram Hassanzadeh, profesor asosiasi ilmu geofisika di University of Chicago, kepada Gizmodo. Dia dan rekannya menerbitkan sebuah studi pada April lalu yang menghapus semua badai Kategori 3 hingga 5 dari kumpulan data pelatihan model AI, lalu mengujinya pada badai Kategori 5. Hasilnya menunjukkan bahwa model AI tidak dapat meramalkan peristiwa yang belum pernah terlihat sebelumnya secara akurat, karena hal itu membutuhkan ekstrapolasi.
"Yang menjadi perhatian bukan hanya sekadar kesalahan sesekali. Masalahnya adalah model AI bisa gagal secara diam-diam: mereka menghasilkan prakiraan percaya diri tentang cuaca biasa-biasa saja sementara peristiwa pemecah rekor sedang terjadi," kata Rose Yu, profesor asosiasi ilmu komputer dan teknik di University of California San Diego, kepada Gizmodo melalui surel.
"Risiko lainnya juga penting," ujarnya. "Model AI dapat melanggar hukum konservasi dengan cara-cara halus yang tidak terlihat dalam metrik standar. Ketika mereka membuat prakiraan meleset, sulit untuk mendiagnosis penyebabnya. Mereka sangat bergantung pada sistem observasi yang stabil, ini kekhawatiran nyata mengingat tekanan saat ini pada program satelit. Dan secara institusional, jika kita terlalu cepat beralih ke AI dan membiarkan infrastruktur berbasis fisika melemah, kita kehilangan redundansi yang selama ini menangkap kegagalan AI."
Kasus untuk Prakiraan dengan AI
Meskipun memiliki kelemahan, para meteorolog semakin cepat mengadopsi model prakiraan AI—dan alasannya mudah dipahami. AI lebih cepat, lebih murah, dan membutuhkan infrastruktur komputasi yang jauh lebih sedikit dibanding model fisik. Dalam hal memprakirakan pola dan peristiwa cuaca yang umum (bukan angsa abu-abu), akurasinya sebanding dan terus meningkat tajam.
"Tingkat kemajuan khas untuk sebagian besar model fisik mutakhir adalah sekitar satu hari lebih akurat per dekade. Itu mungkin tidak terdengar banyak, tetapi dampaknya signifikan," kata Andrew Charlton-Perez, profesor meteorologi dan kepala Sekolah Ilmu Matematika, Fisika, dan Komputasi di University of Reading, kepada Gizmodo.
"Tingkat pertumbuhan akurasi model machine learning jauh melampaui itu," jelasnya. "Mereka kini sudah kompetitif, padahal dua hingga tiga tahun lalu mereka bahkan tidak berada di level yang sama."
Sebagai contoh, selama musim badai Atlantik 2025, model Google DeepMind mengungguli hampir semua model fisik dalam hal lintasan dan intensitas badai. Kenyataannya, sejak 2023, model AI terkemuka seperti GraphCast, Pangu-Weather, dan AIFS milik ECMWF telah menyamai atau melampaui model fisik terbaik dalam metrik prakiraan jangka menengah, menurut Yu.
Model人工智能 terbukti sangat berharga di bagian dunia yang kekurangan sumber daya prakiraan tradisional—wilayah yang sering berada di garis depan perubahan iklim. Hassanzaleigh memimpin sebuah inisiatif yang menyediakan prakiraan muson berbasis AI kepada 38 juta petani di India, memberikan mereka peringatan hingga empat minggu lebih awal tentang datangnya musim hujan.
"Banyak negara tertinggal dalam revolusi pertama prakiraan cuaca karena prakiraan cuaca tradisional membutuhkan superkomputer, ratusan juta dolar, serta berbagai bidang keahlian dan tenaga kerja," ungkap Hassanzadeh. Sebaliknya, model AI jauh lebih mudah diakses oleh negara-negara berpenghasilan rendah.
Mengisi Kesenjangan Pengetahuan
Tetap saja, mengadopsi model-model ini tanpa mengatasi risikonya akan berbahaya, terutama di wilayah yang sangat rentan terhadap dampak perubahan iklim. Shruti Nath, seorang rekan riset pascadoktoral di University of Oxford, baru-baru ini menjadi rekan penulis sebuah tajuk rencana yang menyerukan pengujian model AI yang lebih ketat sebelum lembaga publik mengadopsinya secara luas.
"Masih banyak pekerjaan yang perlu dilakukan untuk memahami batasan model ini, serta melihat di mana mereka bisa melengkapi model fisik dan mengapa," katanya kepada Gizmododalam surel.
Tajuk rencana Nath, megauraikan kerangka kerja untuk menguji model AI yang sengaja menyembunyikan serangkaian peristiwa ekstrem "ikonik" (misalnya gelombang panas Pasifik Barat Laut) dari kumpulan data pelatihan. Peristiwa-peristiwa ini disisihkan khusus untuk pengujian guna menilai kemampuan model dalam-memprediksi ekstrem cuaca yang belum pernah terjadi, atau angsa abu-abu.
"Menerapkan secara nyata protokol AIRWIE (AI Retraining Without Iconic Events) ían semua pihak di bidang meteorologi harus menyepakit peristiwa berdampak tinggi apa yang menadi tolok ukur ketat," demikian tertulis dalam tajuk rencana tersebut. Ini tentu butuhkerjabesar, namun Nath yakin ianias kebengaman resear lebih setujuan but segerannyampengujiyient danagan inc.
"Ksitarmatickatu poresa kita ble ihtiarlebi tororganus",.9 bilung for megita," je;;** Ia dan sejawatnya tengah menyelidiki apakah penggabungan sistem AI dengan metode "pengambilan sampel relevan"—yang memungkinkan mereka menghasilkan sampel peristiwa angsa abu-abu—dapat memperbaiki kemampuan model-model tersebut untuk melakukan ekstrapolasi terhadap kejadian ekstrem yang belum pernah terjadi sebelumnya.
Upaya untuk memahami dan mengatasi keterbatasan prediksi AI akan sangat krusial, sebab tidak ada jalan untuk mundur sekarang. AI telah mengubah cara kita memperkirakan cuaca, dan seiring dengan meningkatnya volatilitas iklim, para ahli meteorologi akan memerlukan setiap alat yang mereka miliki agar tetap tajam dan andal. Terlepas dari keterbatasan yang ada saat in, masih banyak hal yang bisa diperoleh dengan terus mendorong sistem ini ke depan dan mencari cara terbaik untuk mengintegrasikannya dengan prakiraan fisik.
“Agenda risetnya adalah membuat model-model AI konsisten secara fisik, terkalibrasi dengan baik, dan tegar terhadap pergeseran distribusi,” kata Yu. “Meninggalkan pendekatan ini karena masalah angsa abu-abu berarti menyerahkan perbaikan terbesar dalam prakiraan cuaca dalam satu generasi.”