jurnalistik.co.id – Sebuah riset berbasis kecerdasan buatan mengungkap kemampuan model untuk mengenali tanda-tanda awal “titik kritis” perubahan iklim jauh sebelum peristiwa tersebut terjadi. Dalam pengujian, model mampu memetakan momen tipping point dengan selisih sekitar 11 hari dari waktu kejadian yang sebenarnya, meski prediksinya melampaui dua tahun sebelumnya.
Peneliti mengembangkan sebuah model bernama recurrent neural operator (RNO) yang dirancang untuk mempelajari perubahan perilaku sistem fisik dari waktu ke waktu. Riset ini melibatkan ilmuwan dari California Institute of Technology (Caltech), University of Colorado Boulder, serta NVIDIA.
Dalam konteks ilmu iklim, tipping point merujuk pada ambang ketika suatu sistem mengalami pergeseran drastis. Setelah ambang itu terlewati, sistem sering kali sulit atau bahkan tidak mungkin kembali ke kondisi semula.
Penjelasan riset menempatkan tipping point sebagai konsep kunci untuk memahami risiko perubahan yang tiba-tiba. Terutama dalam sistem iklim, ambang tersebut dapat mencakup kemungkinan hilangnya awan laut secara mendadak, runtuhnya sirkulasi laut, hingga ketidakstabilan lapisan es di kutub.
Untuk menilai kemampuan RNO, tim mengujinya menggunakan simulasi awan stratokumulus. Stratokumulus adalah awan rendah di atas laut yang memantulkan sinar matahari, sehingga berperan dalam membantu mendinginkan Bumi.
Riset ini berangkat dari gagasan bahwa kondisi awan dapat berubah secara tidak linier ketika komposisi atmosfer melewati ambang tertentu. Dalam simulasi, model mengaitkan potensi hilangnya awan stratokumulus dengan konsentrasi karbon dioksida (CO2) yang melampaui batas tertentu.
Ketika simulasi berjalan, RNO kemudian diuji untuk melihat apakah model bisa “menangkap” momen transisi sebelum perubahan terjadi sepenuhnya. Hasil pengujian menunjukkan model dapat memprediksi titik hilangnya awan stratokumulus lebih dari dua tahun sebelumnya.
Keakuratan temporalnya tidak berhenti pada prediksi jarak jauh. Dalam pengujian yang dilakukan, selisih prediksi RNO terhadap waktu kejadian sebenarnya hanya sekitar 11 hari.
Selain mempelajari dinamika awan, para peneliti juga memperluas pengujian RNO ke bidang lain yang memiliki sistem kompleks. Model yang sama diuji untuk memprediksi fenomena aerodynamic stall, yakni kondisi ketika aliran udara tidak lagi mampu mempertahankan karakteristik angkat pada sayap pesawat.
Berita Terkait
Dalam pengujian tersebut, tim menilai apakah RNO sanggup mendeteksi perubahan drastis yang biasanya muncul menjelang kondisi kritis. Hasilnya menunjukkan RNO berpotensi membantu mendeteksi perubahan kualitatif pada sistem kompleks sebelum sistem mencapai titik kritisnya.
Jane Bae, salah satu penulis penelitian dari Caltech, menyampaikan bahwa model tersebut mampu mengenali kapan hukum fisika yang dipelajari tidak lagi cukup untuk menjelaskan keadaan yang sedang berlangsung. Pernyataan itu merujuk pada kemampuan model untuk menangkap perubahan kualitatif yang menandai transisi sistem.
“Kemampuan untuk mengantisipasi perubahan kualitatif ini sebelum terjadi dapat sangat berguna untuk prediksi dan desain aerodinamika,” kata Bae, dikutip dari laman Earth, Senin (19/10/2026).
Gagasan di balik kutipan tersebut menekankan nilai prediksi dini dalam pengembangan sistem teknik maupun pemahaman fenomena alam. Dengan mengantisipasi transisi sebelum benar-benar terjadi, ilmuwan dapat menyiapkan langkah mitigasi, perencanaan, atau desain yang lebih tepat.
Penelitian juga memberi ruang pada aspek metodologis: RNO diposisikan sebagai alat untuk belajar pola perubahan dalam dinamika sistem dari waktu ke waktu. Alih-alih hanya mengandalkan pemodelan statis, pendekatan ini menekankan pembelajaran temporal yang memungkinkan model menangkap sinyal menuju tipping point.
Namun, meski hasilnya tampak menjanjikan, penelitian ini masih menempatkan pengujian terutama pada lingkungan simulasi. Karena proses prediksi diuji dalam model numerik, kemampuan RNO untuk meramal kejadian nyata di dunia tetap perlu kajian lanjutan.
Dengan kata lain, temuan ini memberi indikasi tentang arah riset yang dapat memperkaya alat prediksi dalam studi sistem kompleks. Meski demikian, transisi dari simulasi ke kondisi lapangan menuntut evaluasi tambahan agar keandalan prediksi terhadap peristiwa nyata dapat dipastikan.
Penelitian ini pada akhirnya menyoroti satu poin penting: titik kritis dalam sistem fisik dapat ditandai oleh perubahan yang muncul lebih dulu sebelum dampak penuh terjadi. Ketika model mampu mengenali tanda-tanda awal tersebut secara konsisten, peluang untuk melakukan antisipasi menjadi semakin besar.
Dalam kasus simulasi stratokumulus, RNO menunjukkan potensi besar memprediksi hilangnya awan laut jauh di muka, dengan selisih hanya sekitar 11 hari. Pada saat yang sama, pengujian untuk aerodynamic stall memperlihatkan bahwa pendekatan serupa juga dapat diterapkan pada dinamika yang memiliki karakter transisional.
Meski hasilnya masih berupa bukti dari simulasi, riset ini memperkuat wacana bahwa kecerdasan buatan dapat menjadi mitra analitis untuk memahami momen-momen kritis. Tantangan berikutnya adalah menguji kemampuan model pada data dunia nyata dan memastikan prediksi tipping point dapat dipakai secara lebih luas oleh komunitas ilmiah.
