Meningkatnya Akurasi Prakiraan Cuaca

• Prakiraan cuaca telah melampaui kenyamanan sehari-hari dan menjadi infrastruktur manajemen risiko untuk merespons badai dan gelombang panas, pertanian, jaringan listrik, serta transportasi udara dan laut
• Akurasinya meningkat pesat dalam beberapa dekade; prakiraan 4 hari Met Office saat ini sama akuratnya dengan prakiraan 1 hari 30 tahun lalu, dan galat lintasan badai 48 jam di AS juga turun dari 200–400 mil laut pada 1970-an menjadi sekitar 50 mil laut saat ini
• Jaringan observasi yang lebih rapat, komputer yang lebih cepat, model prakiraan numerik yang canggih, serta penyampaian melalui smartphone dan online bersama-sama meningkatkan kualitas prakiraan dan kecepatan pemanfaatannya
• Negara berpendapatan rendah memiliki kesenjangan besar karena kurangnya peralatan observasi dan frekuensi pelaporan; prakiraan 7 hari di negara kaya bisa lebih akurat daripada prakiraan 1 hari di sebagian negara berpendapatan rendah
• Prakiraan yang akurat pun dampaknya terbatas jika tidak disampaikan kepada masyarakat tepat waktu; sistem peringatan dini serta teknologi AI, drone, dan mobile menjadi kunci untuk memperkecil kesenjangan akses

---

Prakiraan cuaca yang melampaui informasi sehari-hari

• Prakiraan cuaca tidak lagi hanya membantu menyiapkan barbeku atau payung, tetapi terhubung langsung dengan nyawa dan mata pencaharian
• Peringatan dini tentang badai, gelombang panas, dan bencana memberi komunitas waktu untuk mengurangi kerusakan
• Petani mengandalkan prakiraan saat memutuskan penanaman, irigasi, penggunaan pupuk, serta respons terhadap hama dan penyakit
• Operator jaringan listrik memanfaatkan informasi cuaca untuk memprediksi permintaan pemanasan dan pendinginan serta produksi listrik tenaga angin dan surya
• Bagi pilot dan pelaut, ini menjadi informasi penting untuk menjaga keselamatan transportasi udara dan laut

Akurasi prakiraan yang meningkat pesat selama beberapa dekade

• Prediksi cuaca telah dicoba sejak lama, tetapi titik balik besar terjadi setelah 1960-an dengan diperkenalkannya pemodelan numerik berbasis komputer
• UK Met Office menerbitkan prakiraan cuaca pertama untuk kapal pada 1859, lalu menyiarkan prakiraan cuaca publik pertama dua tahun kemudian
• Saat ini, prakiraan 4 hari Met Office sama akuratnya dengan prakiraan 1 hari 30 tahun lalu
• Data galat lintasan badai dan siklon dari National Hurricane Center AS juga menunjukkan peningkatan besar
  • Pada 1970-an, galat lintasan untuk prakiraan 48 jam adalah 200–400 mil laut
  • Saat ini, galat lintasan untuk prakiraan 48 jam sekitar 50 mil laut
  • Pada 1960–70-an, galat prakiraan 72 jam melebihi 400 mil laut, tetapi kini turun menjadi kurang dari 80 mil
• Dengan kemampuan memprediksi titik pendaratan badai 3–4 hari sebelumnya secara lebih akurat, kota dan komunitas dapat bersiap, sekaligus mengurangi evakuasi yang tidak perlu yang mungkin dilakukan pada masa lalu

Peningkatan prakiraan jangka panjang pada model global

• European Centre for Medium-Range Weather Forecasts membuat model cuaca numerik global
• Badan meteorologi nasional menggunakan pemrosesan beresolusi lebih tinggi untuk prakiraan regional, tetapi model global menjadi input penting bagi sistem tersebut
• Analisis galat ECMWF membandingkan perbedaan antara prakiraan 3 hari, 5 hari, 7 hari, dan 10 hari sebelumnya dengan hasil cuaca aktual
• Indikator analisis yang digunakan adalah ketinggian geopotensial 500 hPa, indikator meteorologi terkait tekanan udara yang memengaruhi pola cuaca
• Prakiraan 3 hari sudah cukup akurat sejak 1980-an, dan akurasinya saat ini sekitar 97%
• Besarnya peningkatan makin menonjol ketika rentang prakiraan makin panjang
  • Pada awal 2000-an, prakiraan 5 hari mencapai tingkat “sangat akurat”
  • Prakiraan 7 hari kini mendekati standar tersebut
  • Prakiraan 10 hari belum mencapai tingkat yang sama, tetapi terus membaik

Faktor teknis yang membuat akurasi meningkat

• Data observasi kini mencakup wilayah yang lebih luas dengan resolusi lebih tinggi
  • Data satelit yang lebih banyak dan lebih baik digunakan
  • Stasiun observasi darat mencakup lebih banyak wilayah dengan kerapatan lebih tinggi
  • Presisi peralatan observasi juga meningkat
• Model prakiraan numerik menerima observasi ini sebagai input untuk memprediksi cuaca
• Peningkatan kinerja komputer memungkinkan perhitungan grid yang lebih rinci
  • Dahulu Met Office memodelkan dunia dengan grid selebar 90 km
  • Kini resolusinya turun hingga grid 1,5 km
  • Semakin tinggi resolusinya, semakin besar pula kebutuhan komputasinya
• Cara mengubah observasi menjadi keluaran model juga berkembang, sehingga sistem cuaca yang kompleks dapat ditangkap lebih rinci daripada dalam pandangan dunia yang disederhanakan
• Perubahan cara penyampaian juga meningkatkan kegunaan praktis prakiraan
  • Dahulu pembaruan diterima sekali sehari melalui surat kabar harian
  • Setelah radio dan TV menyebar, pemberitahuan bisa diterima beberapa kali sehari
  • Kini pembaruan per menit dapat dilihat secara online dan melalui smartphone

Kesenjangan prakiraan yang masih ada di negara berpendapatan rendah

• Di Skotlandia, aplikasi smartphone dapat menampilkan prakiraan 5 hari yang cukup akurat dalam hitungan detik, tetapi informasi dengan kualitas yang sama tidak tersedia bagi semua orang
• Menurut makalah terbaru Manuel Linsenmeier dan Jeffrey Shrader, prakiraan 7 hari di negara kaya bisa lebih akurat daripada prakiraan 1 hari di sebagian negara berpendapatan rendah
• Di semua tingkat pendapatan, prakiraan per negara telah membaik seiring waktu, tetapi kesenjangan kualitas saat ini masih besar dan hampir sama seperti pada 1980-an
• Inti kesenjangan ini adalah infrastruktur observasi dan frekuensi pelaporan
  • Negara yang lebih miskin memiliki jauh lebih sedikit peralatan observasi darat dan radiosonde
  • Frekuensi pelaporan data cuaca juga jauh lebih rendah
• Terdapat pula perbedaan besar dalam belanja untuk informasi cuaca dan iklim
  • Negara berpendapatan rendah membelanjakan 15–20 kali lebih sedikit per kapita dibandingkan negara berpendapatan tinggi
  • Namun jika mempertimbangkan ukuran ekonomi, porsi belanja terhadap PDB justru lebih besar di negara berpendapatan rendah

Prakiraan yang lebih mendesak bagi kelompok paling rentan

• 60% pekerja di negara berpendapatan rendah bekerja di pertanian, sektor yang sangat bergantung pada cuaca
• Banyak dari mereka adalah petani kecil dan sering kali sangat miskin
• Prakiraan yang akurat membantu langsung pengambilan keputusan petani
  • Mereka dapat mengetahui waktu terbaik untuk menanam tanaman
  • Mereka dapat memperkirakan kapan irigasi paling dibutuhkan atau kapan risiko pupuk tersapu air paling besar
  • Jika menerima peringatan hama dan penyakit, mereka dapat melindungi tanaman saat serangan sudah dekat, dan mengurangi penggunaan insektisida ketika risikonya rendah
• Akses yang lebih baik ke prakiraan memungkinkan sumber daya berharga seperti air, pupuk, dan tenaga kerja digunakan lebih efisien
• Prakiraan cuaca yang baik membuat perbedaan sangat besar terutama bagi orang-orang termiskin di dunia

Prakiraan yang akurat saja tidak cukup

• Untuk bersiap menghadapi siklon, gelombang panas, banjir, dan gelombang badai, diperlukan sistem penyampaian selain akurasi prakiraan
• Jika prakiraan akurat diterima beberapa hari sebelumnya, kota dan komunitas dapat bersiap
  • Rumah dapat dilindungi
  • Layanan darurat dapat bersiaga untuk membantu pemulihan
• Banyak bencana paling mematikan dalam beberapa dekade terakhir telah diprediksi secara akurat sebelumnya, tetapi titik kegagalan yang sama adalah penyampaian yang buruk
• Prakiraan menjadi bernilai ketika disampaikan dengan cara yang benar-benar memungkinkan orang untuk merespons
• World Meteorological Organization memperkirakan sekitar sepertiga dunia, terutama negara-negara termiskin, belum memiliki sistem peringatan dini

Peran investasi dan teknologi baru

• Di sebagian wilayah, prakiraan yang baik dan penyampaian yang cepat dianggap wajar, tetapi menyediakan keduanya untuk semua orang saja sudah dapat membuat perbedaan besar
• Di tengah meningkatnya risiko bencana terkait cuaca akibat perubahan iklim, prakiraan yang lebih baik merupakan sarana penting untuk adaptasi perubahan iklim
• Untuk memperkecil kesenjangan, investasi dan dukungan pendanaan yang tepat sangat penting
• Teknologi baru dapat mempercepat perbaikan
  • Makalah terbaru di Nature mencatat bahwa sistem AI Pangu-Weather dapat melakukan prakiraan yang sama akuratnya atau lebih akurat daripada lembaga meteorologi terdepan, hingga 10.000 kali lebih cepat
  • Pangu-Weather dilatih dengan data historis selama 39 tahun
  • Jika prakiraan menjadi lebih cepat, biaya operasional turun dan hasil yang lebih baik dapat diberikan bahkan kepada negara dengan anggaran terbatas
• Teknologi yang lebih cepat dan efisien dapat mengurangi kekosongan di wilayah tanpa stasiun observasi cuaca darat
  • Drone yang dilengkapi sensor dapat mensurvei wilayah tertentu dan membuat peta beresolusi lebih tinggi
  • Jika metode pembuatan prakiraan yang murah dan efisien digabungkan dengan teknologi mobile, informasi dapat disampaikan dengan cepat
  • Beberapa perusahaan sudah mengirimkan pesan kepada petani di negara berpendapatan rendah untuk memberi saran tentang waktu menanam tanaman
• Inovasi semacam ini akan membuat negara lebih tangguh terhadap cuaca saat ini, dan juga penting di dunia tempat cuaca kemungkinan menjadi semakin ekstrem

[GN⁺]

Komentar Hacker News

• Seberapa bagus prakiraan tampaknya bergantung pada model cuaca apa yang digunakan. Cuaca di Apple Watch terlihat hampir persis cocok dengan GFS; GFS cukup baik untuk prakiraan jangka menengah, tetapi tidak terlalu berguna untuk jangka pendek. Untuk satu-dua hari ke depan, NAM menurut saya lebih baik, dan untuk beberapa jam ke depan HRRR lebih baik
  Daripada menyerahkan semuanya pada layanan agregator yang menyederhanakan cuaca, kita juga bisa melihat data mentahnya langsung: https://weather.cod.edu/forecast/
  Saat ada peristiwa besar, briefing media dari National Weather Service bagus, tetapi terkadang pembaruannya berhenti terlalu dini. Beberapa minggu lalu ada peluang besar salju lebat di New York, tetapi pembaruan berhenti sekitar pukul 9 pagi, padahal salju diprakirakan mulai sekitar pukul 1 siang. Saat melihat model jangka pendek, probabilitas salju ternyata sedang menurun, dan kenyataannya hampir tidak ada yang menumpuk. Semakin dekat ke peristiwanya, prakiraan semakin akurat, jadi jika mau kita bisa melihat lebih banyak data sendiri kapan saja
  Entah ada yang menonton Skip Talbot atau tidak, tetapi ia pernah melihat helicity swath HRRR beberapa jam sebelumnya dan menemukan nilai yang besar; jalur yang diprediksi HRRR memiliki rotasi kuat hampir berimpit dengan jalur tornado besar yang sebenarnya

  • Penyiar cuaca TV lokal setiap pagi meninjau HRRR, NAM, GFS, citra satelit, dan lainnya di kanal YouTube-nya, dengan penjelasan yang jauh lebih mendetail daripada berita TV. Ini kompromi yang bagus saat data mentah terasa terlalu berat
    https://www.youtube.com/@markfinanweather
  • Menurut saya informasi yang bisa ditindaklanjuti lebih penting daripada model apa yang digunakan. Kuncinya adalah presisi dan probabilitas
    Daripada sekadar peluang hujan besok 50%, informasi per jam seperti peluang presipitasi 10% pada pukul 9 pagi saat saya berangkat kerja dan 90% pada tengah hari jauh lebih penting. Jika hujan turun, angin dan suhu juga harus dilihat bersama, dan informasi semacam ini perlu disajikan seperti mosaik
    Untuk tujuan ini, prakiraan lokal per jam dari NOAA terasa tak tertandingi: buka https://www.weather.gov/okx/, masukkan kode pos, lalu masuk ke prakiraan lokal per jam
    Contoh: https://forecast.weather.gov/MapClick.php?lat=33.797&lon=-11...
    Saya berharap ada aplikasi Android yang memberikan detail sebanyak ini, dan kalau bisa aplikasi yang tidak diam-diam menguping mikrofon
  • Untuk prakiraan cuaca, saya terutama memakai Windy. Bisa membandingkan beberapa model dan ada berbagai overlay, sehingga untuk keperluan terkait cuaca hampir terasa seperti alat wajib
    https://windy.com
  • Cerita tentang prakiraan cuaca Apple menarik dan cocok dengan pengalaman saya. Khususnya prakiraan jangka pendek yang luar biasa tidak akurat, sampai sekarang hampir jadi bahan lelucon
  • Saya memakai weather.gov dengan cara yang sama. Jika melihat prakiraan per jam untuk wilayah setempat, kita bisa mendapatkan informasi yang sangat rinci, berguna, dan akurat
    Ibu mertua saya selalu menyampaikan cuaca yang ia tanyakan ke Google atau lihat di TV, dan biasanya salah. Informasi yang tidak diagregasi itu sangat bagus dan hampir selalu lebih akurat daripada yang diberitakan sumber lain

• Saya merekomendasikan The Weather Machine karya Andrew Blum. Buku ini membahas sejarah prakiraan dan apa yang terjadi di balik layar saat ini
  Buku ini menelusuri stasiun cuaca lama dan peluncuran satelit baru, upaya para ilmuwan membangun model superkomputer atmosfer, hingga sejarah algoritmanya; juga membahas bahwa kita telah memasuki masa keemasan meteorologi, tetapi masih belum cukup memercayai alat-alatnya dan juga belum bisa menjamin kerja sama internasional yang rapuh yang memungkinkan sistem cuaca modern berjalan
  https://www.andrewblum.net/the-weather-machine-2
  https://www.goodreads.com/en/book/show/42079139
  Untuk sejarah paling awal meteorologi, The Invention of Clouds tentang Luke Howard juga layak dibaca
  https://www.goodreads.com/book/show/1148768.The_Invention_of...
  https://en.wikipedia.org/wiki/Luke_Howard

• Dari yang saya ingat membaca The Signal and The Noise, orang cenderung merasa prakiraan cuaca itu buruk jika dikatakan peluang hujan di bawah 50% tetapi ternyata hujan turun.
  Menyebalkan kalau dikatakan sepertinya tidak akan hujan tetapi ternyata hujan, sedangkan jika dikatakan sepertinya akan hujan tetapi hari ternyata cerah, itu kejutan yang menyenangkan. Jadi, isinya mengatakan bahwa agar orang menilai sebuah prakiraan sebagai “prakiraan yang baik”, probabilitas presipitasi harus dinaikkan secara tidak masuk akal, dan layanan prakiraan untuk konsumen memang melakukan itu.
  https://en.wikipedia.org/wiki/The_Signal_and_the_Noise

  • Di Belanda, orang lebih banyak memakai radar hujan real-time daripada prakiraan prediktif yang sebenarnya. Sebab, di wilayah perkotaan, pertanyaan “apakah akan hujan?” biasanya adalah keputusan jangka pendek seperti apakah boleh pulang naik sepeda sekarang, atau lebih baik 30 menit lagi.
    Di Belanda, hujan cenderung sangat lokal, jadi meskipun peluang hujan hari ini 100%, hujan itu tersebar dalam 1–2 jam sepanjang hari, dan kadang turun sangat deras lalu langsung berhenti. Kasus meleset biasanya hanya ketika awan hujan yang sedang bergerak nyaris melenceng karena perubahan angin.
  • Kadang saya bertanya-tanya apakah alasan orang merasa prakiraan itu buruk adalah karena mereka berpikir seperti, “prakiraan cuma bisa salah atau benar, jadi peramal cuaca setidaknya harus benar separuh waktu.”
    Padahal kenyataannya, ada tak terhitung banyaknya cara sebuah prakiraan bisa salah, dan hanya beberapa cara untuk benar.
  • Saya jadi menganggap “peluang hujan 50%” sebagai “akan hujan selama 50% waktu.” Saya tidak tahu apakah makna sebenarnya memang begitu, tetapi rasanya cukup cocok.
    Secara umum, menurut saya prakiraan cuaca sangat akurat. Di Midwest, khususnya area pasar Chicago, itu karena cuaca melewati wilayah luas Amerika Serikat atau Kanada sebelum sampai kepada kami; daerah pesisir yang volatilitasnya lebih tinggi dan lebih sulit diprediksi mungkin berbeda.
  • Di Florida, rasanya kekeringan mulai terjadi kalau baru 4 menit hujan berhenti, jadi prakiraan hujan yang meleset dan berubah menjadi hari cerah tidak selalu menyenangkan. Dalam musim panas yang tanpa akhir, orang jadi berharap ada hari tanpa matahari yang memicu migrain.
  • Menariknya, Nate Silver sebenarnya tanpa sadar sedang menulis masa depannya sendiri. Prediksi final 538 untuk 2016 memberi peluang kemenangan Trump sekitar 30%, tetapi orang-orang sampai sekarang masih mengejek Silver dengan mengatakan itu “salah”.

• Kalau tinggal di daerah yang sering mengalami badai hurikan seperti Florida, kita tahu prakiraan sudah jauh membaik, tetapi juga merasa masih ada ruang perbaikan yang sangat besar.
  Tidak ada afiliasi, tetapi untuk melihat prakiraan mana yang paling baik di kota Anda, saya merekomendasikan https://www.forecastadvisor.com/. Setelah melihat ini, saya sepenuhnya mengganti penyedia cuaca saya dan sekarang tampaknya jauh lebih baik.
  Jika Anda tertarik membaca cuaca tanpa prakiraan, atau untuk melengkapi prakiraan, The Secret World of Weather: How to Read Signs in Every Cloud, Breeze, Hill, Street, Plant, Animal, and Dewdrop karya Gooley juga menyenangkan untuk dibaca.

  • Rekomendasi https://www.forecastadvisor.com/ sangat bagus, tetapi sayangnya hanya untuk AS. Dulu saya memakai aplikasi bernama Climendo, yang mengklaim memproses lebih dari 15.000 prakiraan dan menggunakan prakiraan paling akurat untuk kota saya.
  • Sayang sekali tampaknya tidak ada layanan seperti ini secara internasional. Saya tinggal di Jepang dan sama sekali tidak tahu sumber mana yang bagus atau buruk.
    Aplikasi lokal mengambil data Japan Meteorological Agency, Apple Weather juga begitu, dan setelah pembaruan terbaru Carrot Weather juga begitu. Namun Apple Weather dan Carrot Weather masih memberikan hasil yang berbeda satu sama lain.
    Saat bepergian ke luar Jepang, saya makin tidak tahu, jadi saya menetapkan sumber Carrot Weather ke Apple Weather. Setidaknya, jika memungkinkan, ia mengambil data dari layanan cuaca lokal: https://developer.apple.com/weatherkit/data-source-attributi...

• Artikel ini terutama membahas prakiraan jangka panjang, tetapi saya juga kagum pada kualitas dan keandalan peringatan badai yang sudah dekat. Peringatan itu pernah membantu saya menghindari basah kuyup oleh hujan deras, atau menepi dan beristirahat sebelum hujan besar datang.
  Ini tidak banyak mendapat sorotan, tetapi seperti dikatakan artikel tersebut, kemajuannya terus berlanjut secara stabil dan bermakna.
  Disebutkan bahwa peningkatan prakiraan di negara-negara berpendapatan rendah kurang dihargai; saya penasaran apakah ada studi yang memprediksi dampak dari prakiraan yang lebih baik. Membantu orang miskin dengan teknologi adalah proyek yang mungkin menarik minat banyak filantropis, dan saya berharap itu lebih efektif daripada hal seperti gravity light.

  • Sebagai orang yang hampir sepanjang musim panas mengemudikan Jeep tanpa atap, Dark Sky benar-benar seperti dunia baru. Suatu malam, jauh dari rumah, tanpa atap dan tanpa pintu, saya pernah memakai radar untuk menemukan rute di antara dua deretan badai petir kuat yang bahkan disertai peringatan tornado.
    Teknologi modern itu menakjubkan.

• Saya pembuat API cuaca open source open-meteo.com.
  Masa depan prakiraan cuaca kemungkinan besar akan sangat bergantung pada model AI. Artikel ini membahas Pangu Weather, dan di komentar HN GraphCast juga disebut sebagai contoh. Menariknya, pada 1 Maret European Centre for Medium-Range Weather Forecasts (ECMWF) merilis model cuaca AI baru AIFS sebagai data terbuka.
  Model ini bukan hanya lebih akurat daripada model numerik yang ada, tetapi juga membutuhkan daya komputasi yang jauh lebih kecil untuk dijalankan. ECMWF juga menerbitkan perbandingan yang menunjukkan AIFS mengungguli model lain dalam akurasi prakiraan: https://www.ecmwf.int/en/about/media-centre/aifs-blog/2024/f...

  • Richard Turner mempresentasikan ringkasan prakiraan cuaca AI di Cambridge Philosophical Society akhir tahun lalu. Rekamannya bisa dilihat di sini: https://www.youtube.com/watch?v=JGn18WH0d6s

• Hal yang disebutkan dalam tulisan itu secara umum benar. Data mentah yang lebih baik, komputer yang lebih cepat, grid yang lebih kecil, algoritma prediksi yang lebih baik, dan sebagainya kini secara keseluruhan menghasilkan informasi cuaca yang jauh lebih baik.
  Namun itu juga berarti diperlukan lebih banyak upaya untuk mendapatkan hasil yang lebih baik bagi individu. Kita perlu mempertimbangkan hal-hal seperti algoritma apa yang dipakai aplikasi, apakah dilokalkan hingga tingkat lingkungan atau jalan, seberapa sering diperbarui, dan apakah GPS akurat. Biasanya kita tidak memikirkan hal-hal ini, tetapi sedikit penyesuaian saja bisa sangat meningkatkan hasilnya.

• Memang benar prakiraan sudah membaik, tetapi saya pernah mengalami aplikasi cuaca tetap hanya menampilkan berawan dan tidak mengakui bahwa saat itu sedang hujan, padahal hujan cukup deras turun di seluruh kota selama lebih dari 30 menit. Sampai sekarang saya masih tidak tahu bagaimana hal seperti itu bisa terjadi.

  • Jarak dari radar cuaca terdekat atau bandara yang memiliki pengamatan cuaca otomatis bisa menjadi salah satu faktor. Prediksi semacam ini sangat bergantung pada apakah presipitasi tertangkap oleh sensor deteksi.
    Di Minnesota, saya juga pernah melihat kejadian serupa: mengemudi di tengah badai salju, tetapi radar tidak menunjukkan apa pun.
  • Tergantung apakah yang dimaksud adalah probabilitas hujan dikatakan 0%, atau tidak diperbarui menjadi 100% meskipun kita benar-benar sedang kehujanan.
    Yang terakhir cukup umum. Model menggunakan estimasi probabilistik di mana berbagai kondisi awal menghasilkan hasil yang berbeda, dan jumlah “hasil yang hujan” menentukan probabilitas presipitasi, sehingga tidak selalu diperbarui berdasarkan kondisi pengamatan aktual.
  • Kemungkinan besar cakupan sensor kurang atau prakiraannya sudah usang. Banyak layanan cuaca tidak mengeluarkan nowcast prakiraan sangat jangka pendek yang terus diperbarui dengan pengamatan terbaru, melainkan mengeluarkan satu prakiraan sekitar 4 kali sehari saat eksekusi model prakiraan numerik terbaru tersedia.
    Meski begitu, saya sepakat dengan rasa bingung dan sinisme seperti itu. Itu belum cukup baik. Saya mengatakan ini karena dulu pernah berperan dalam menghasilkan prakiraan semacam ini yang “selalu kedaluwarsa”.
  • Tergantung sumber yang dipakai, bisa saja itu hanya diinterpolasi secara sederhana di atas grid yang sangat kasar.

• Saat SMA saya mengambil meteorologi, dan guru kami menyuruh kami berlatih membuat prediksi setiap hari; menurut saya ini bisa membantu terutama bagi orang yang memberi bobot berlebihan pada anekdot pribadi mereka.
  Kami hanya perlu memprediksi cuaca hari berikutnya sendiri, lalu membandingkannya dengan prakiraan yang diumumkan. Yang penting untuk nilai bukan seberapa akurat prediksinya, melainkan apakah latihan ini dilakukan secara sistematis.
  Jika melakukan ini, kita akan sangat menghargai kualitas prakiraan, dan menyadari bahwa ucapan “peramal cuaca selalu salah” sama sekali tidak benar. Banyak keluhan muncul dari kurangnya ketelitian dalam pengamatan. Untuk membantah akurasi prakiraan cuaca, atau prediksi apa pun, harus ada bukti yang kuat.

• Saya pernah mendengarkan podcast yang mewawancarai beberapa ilmuwan ECMWF (European Centre for Medium-Range Weather Forecasts).
  Sepertinya dalam episode itu ada yang mengatakan bahwa “setiap 10 tahun, prakiraan membaik satu hari.”
  Karena direkam pada 2019, AI belum menjadi topik besar seperti sekarang. Apalagi mengingat Google merilis model cuaca AI pada November tahun lalu.
  https://omegataupodcast.net/326-weather-forecasting-at-the-e...
  https://deepmind.google/discover/blog/graphcast-ai-model-for...