Wait … wait … sebelum kamu membaca rahasia di balik ramalan cuaca, saya mau kasih tebak-tebakan.
Negara, negara apa yang siap menghadapi musim hujan?
Tau?
Nyerah?
Jawabannya ….
Swedia.
Swedia payung sebelum hujan. Hehehe ….
💻 Mulai Belajar Pemrograman
Belajar pemrograman di Dicoding Academy dan mulai perjalanan Anda sebagai developer profesional.
Daftar SekarangAnyway, kamu ngerasa gak sih, kalau cuaca akhir-akhir ini sering berubah? Kadang hujan, kadang panas, kadang ngilang. Sudah susun rencana, tahunya hujan, akhirnya jadi sering cek ramalan cuaca deh.
Namun, apakah kamu tahu rahasia di balik teknologi ramalan cuaca?
Yuk, kita simak!
Sebelum adanya teknologi, mungkin masyarakat Indonesia masih percaya akan pawang hujan. Sebab, ia diyakini bisa menggeserkan awan, memindahkan atau bahkan menunda hujan, demi sebuah kepentingan.
Namun, seiring berjalannya waktu, masyarakat Indonesia bahkan dunia semakin pintar terlebih saat memanfaatkan teknologi. Tidak lagi menggunakan pawang hujan, tetapi sekarang masyarakat dapat melihat ramalan cuaca yang akan terjadi dalam satu minggu, seperti yang tertera pada gambar di atas.
Tahukah kamu bagaimana cara kerjanya?
Secara umum, teknologi ini menggunakan konsep deep convolutional neural network yang merupakan salah satu bagian dari jenis algoritma deep learning. Teknologi ramalan cuaca menggunakan metode Deep Learning Weather Predictions (DLWP). Bagaimanakah cara kerja DLWP? Simak penjelasannya di bawah ini.
Perhatikan tiga analogi bumi pada gambar di atas. Gambar pertama adalah data cuaca yang telah dikumpulkan menggunakan DLWP yang akan dijadikan data acuan untuk memprediksi cuaca ke depannya.
Kemudian, gambar kedua adalah cuaca aktual yang terjadi pada tahun 2017 – 2018, dan gambar ketiga merupakan rata-rata cuaca yang digunakan untuk prediksi hari ini hingga tujuh hari ke depan.
Berikut merupakan cara kerja dari DLWP.
Tahukah kamu? Sistem koordinat yang paling banyak digunakan untuk bumi adalah koordinat polar yang memiliki komponen garis lintang dan garis bujur. Sistem koordinat tersebut bekerja mulai dari sudut 0 derajat dan langsung ke titik 180 derajat yang mengakibatkan cara kerja tersebut sulit untuk dipelajari oleh deep learning. Maka dari itu, beberapa peneliti yang bekerja sama dengan Microsoft menghasilkan sebuah penelitian yang akurat. Sebagaimana yang tertera pada gambar di bawah ini.
Gambar pertama menampilkan kisi yang berbentuk bola kubus dengan garis biru yang menjadi batasan di antara permukaan yang berbentuk “kubus” dan tiap permukaannya memiliki 48 kisi sel dengan ukuran yang presisi. Apabila bola kubus tersebut dibuka, gambar di sisi kanan merupakan hasil representasinya.
Nah, hal inilah yang membuat menarik, yakni model neural network akan bekerja di setiap permukaan kubus satu per satu dan akan mempelajari pola (perbedaan bias dan bobot) pada setiap permukaannya masing-masing.
Lalu, pendekatan selanjutnya menggunakan arsitektur U-Net seperti yang tertera di bawah ini.
U-Net merupakan jenis arsitektur neural network yang populer dalam bidang visualisasi komputer dan terutama tugas segmentasi gambar. Arsitektur tersebut merupakan gabungan dari dua convolutional neural network (CNN) yaitu komponen encoding (sebelah kiri) dan komponen decoding (sebelah kanan).
Panah merah pada gambar di atas mewakili hasil proses konvolusi yang mengekstrak fitur dari permukaan kubus melalui proses filtering (perkalian dengan sebuah filter atau kernel). Adapun panah hijau mewakili hasil dari proses average pooling yang menghasilkan ukuran gambar yang lebih kecil. Panah ungu yang terdapat pada bagian decoding mewakili hasil dari proses up-sampling yang merupakan proses kebalikan dari pooling. Selain itu, panah biru ke kuning merepresentasikan proses skip connection yang memungkinkan hasil dari segmen encoding langsung masuk ke segmen decoding.
Sebagaimana yang telah dijelaskan sebelumnya, teknologi ini menggunakan basis data cuaca sebelumnya, lalu divalidasi oleh sebuah persamaan di bawah ini untuk memberi tahu kita seberapa jauh prediksi dari keluaran yang diharapkan.
Apabila hasil prediksi dari data tahun-tahun sebelumnya cukup akurat jika dibandingkan dengan data validasi, kita bisa mengasumsi bahwa model tersebut menghasilkan ramalan cuaca yang cukup baik. Sebaliknya, jika hasil validasinya kurang akurat, kita harus mempertimbangkan kembali hasil prediksi dari model tersebut.
Lalu, seberapa pentingkah ramalan cuaca? Selain ramalan zodiak yang selalu dilihat setiap hari agar kamu tahu jalan rezekimu, ramalan cuaca juga perlu diketahui supaya tidak merusak rencanamu. Tapi … tapi … tapi ….
Di samping alasan berupa sedia payung sebelum hujan, di bawah ini merupakan beberapa manfaat teknologi ramalan cuaca yang telah digunakan oleh BMKG.
- Prakiraan cuaca tentunya akan sangat memengaruhi sektor pertanian. Apabila tidak tepat cocok tanam ketika musimnya, bisa jadi para petani mengalami kerugian. Maka dari itu, ramalan cuaca sangat diperlukan.
- Sektor transportasi yang turut menggunakan ramalan cuaca adalah transportasi udara dan air. Pesawat sangat amat bergantung pada cuaca guna memperkirakan apakah akan terjadi badai atau cuaca sedang mendukung. Selain itu, ada pula transportasi air yang akan sangat terpengaruh oleh kecepatan angin. Apabila kecepatan angin sedang tidak bersahabat, bisa jadi terjadi badai yang berisiko membahayakan juga.
Ternyata teknologi ramalan zodiak cuaca keren banget, ya?
Last but not least:
Lady Gaga nemu ulat bulu.
Semoga kamu bahagia selalu!
