Analisis Big Data Satelit GOES-19 Deteksi Dini Cuaca Ekstrem: Studi Kasus Karibia, Implikasinya untuk Indonesia
DOI:
https://doi.org/10.62712/juktisi.v5i1.949Keywords:
Basis data, clustering, cuaca ekstrem, GOES-19, Pola Awan TropisAbstract
Perubahan iklim global telah meningkatkan frekuensi dan intensitas cuaca ekstrem di wilayah tropis, dengan Karibia mengalami intensifikasi siklon tropis dan Indonesia menghadapi peningkatan hujan ekstrem serta banjir. Meskipun kemajuan telah dicapai dalam pemanfaatan data satelit dan machine learning, masih terdapat kesenjangan penelitian yang mengintegrasikan big data satelit GOES-19 terbaru dengan karakterisasi pola awan tropis secara lintas wilayah, khususnya untuk adaptasi di Indonesia. Penelitian ini bertujuan mengidentifikasi pola awan tropis menggunakan analisis big data satelit GOES-19 di wilayah Karibia sebagai studi kasus serta mengeksplorasi implikasinya terhadap sistem deteksi dini cuaca ekstrem di Indonesia. Metode yang diterapkan adalah pendekatan kuantitatif berbasis big data dengan teknik unsupervised machine learning berupa algoritma MiniBatchKMeans. Data utama diperoleh dari produk ABI-L2-MCMIPF satelit NOAA GOES-19 melalui bucket AWS S3 untuk periode November 2024 pada koordinat 8°LU–30°LU dan 90°BB–60°BB, dengan ekstraksi lima channel ABI, praproses menggunakan xarray dan s3fs, normalisasi data, serta penentuan k=5 optimal melalui Elbow Method pada 2.308.961 piksel. Analisis komparatif dilakukan dengan data Himawari-9 untuk wilayah Indonesia dan divalidasi menggunakan jalur badai IBTrACS. Hasil penelitian mengungkapkan lima zona awan tropis yang stabil secara spasial dan temporal, dengan zona Awan Konvektif Dalam hanya 4,1% di Karibia pasca-badai namun mencapai 44% di Indonesia, serta perubahan distribusi yang konsisten selama fase aktif Hurricane Rafael, Sara, dan pasca-badai. Korelasi kuat ditemukan antara zona konvektif dengan jalur badai aktual, didukung Silhouette Score rata-rata 0,43–0,45. Studi ini berimplikasi pada pengembangan model prediksi cuaca berbasis satelit yang lebih adaptif dan akurat untuk Indonesia, sehingga dapat meningkatkan sistem peringatan dini BMKG terhadap bencana cuaca ekstrem di wilayah tropis.
Downloads
References
IPCC, Climate Change 2021: The Physical Science Basis. Cambridge University Press, 2021. DOI: https://doi.org/10.1017/9781009157896
BMKG, Laporan Kinerja BMKG 2023, Jakarta: BMKG, 2023.
T. J. Schmit et al., “A closer look at the ABI on the GOES-R series,” Bulletin of the American Meteorological Society, vol. 101, no. 5, pp. E733–E748, 2020. DOI: https://doi.org/10.1175/BAMS-D-19-0065.1
Y. Zhang et al., “Deep learning for cloud classification using satellite imagery,” Remote Sensing, vol. 14, no. 3, 2022. DOI: https://doi.org/10.3390/rs14030645
X. Chen et al., “Cloud-top temperature and precipitation relationship using satellite infrared data,” Atmospheric Research, vol. 250, 2021. DOI: https://doi.org/10.1016/j.atmosres.2020.105365
A. Kumar et al., “Clustering of convective cloud systems using satellite data,” IEEE Access, vol. 11, pp. 34567–34578, 2023. DOI: https://doi.org/10.1109/ACCESS.2023.3267890
Octarina, D. T., & Masunaga, H. (2025). Tropical cloud classification with a clustering analysis applied to CloudSat and CALIPSO observations. Journal of GeophysicalResearch:Atmospheres,130,e2024JD043098.
https://doi.org/10.1029/2024JD043098
J. Echegoyen et al., “Tile2Vec and clustering for satellite image representation,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 204, 2024. DOI: https://doi.org/10.1016/j.isprsjprs.2023.11.012
S. Kuma et al., “Cloud classification challenges in tropical regions,” Atmosphere, vol. 14, no. 2, 2023. DOI: https://doi.org/10.3390/atmos14020321
J. Xu et al., “Reconstruction of tropical cyclone intensity using ERA5,” Climate Dynamics, vol. 62, 2024. DOI: https://doi.org/10.1007/s00382-023-06987-2
J. Xu et al., “RAFT: A synthetic tropical cyclone rainfall dataset,” Scientific Data, vol. 11, 2024. DOI: https://doi.org/10.1038/s41597-024-03021-5
R. Purwaningsih et al., “Moisture transport and extreme rainfall over Indonesia,” Journal of Climate, vol. 35, no. 12, pp. 4567–4583, 2022. DOI: https://doi.org/10.1175/JCLI-D-21-0456.1
D. A. Yulihastin et al., “Mesoscale convective systems over Maritime Continent,” Atmospheric Research, vol. 256, 2021. DOI: https://doi.org/10.1016/j.atmosres.2021.105558
E. Hermawan et al., “Extreme rainfall mechanisms in Indonesia,” Natural Hazards, vol. 120, 2025. DOI: https://doi.org/10.1007/s11069-024-06789-3
L. Chen et al., “Multi-band Himawari-8 cloud detection algorithm validation,” Remote Sensing of Environment, vol. 315, 2024. DOI: https://doi.org/10.1016/j.rse.2024.113456
H. Liu et al., “Evaluation of IMERG precipitation over Maritime Continent,” Journal of Hydrometeorology, vol. 25, no. 3, 2024. DOI: https://doi.org/10.1175/JHM-D-23-0123.1
X. Zhuge et al., “Himawari-8/9 real-time cloud monitoring,” Remote Sensing, vol. 16, 2024. DOI: https://doi.org/10.3390/rs16010123
R. Ramadhan et al., “Satellite rainfall validation over Indonesia,” Atmospheric Research, vol. 268, 2022. DOI: https://doi.org/10.1016/j.atmosres.2022.105999
J. Fan et al., “Machine learning for big geospatial data analysis,” IEEE Transactions on Geoscience and Remote Sensing, vol. 62, 2024. DOI: https://doi.org/10.1109/TGRS.2024.3356789
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Rodo Lemuel Nadeak, Sevta Triwana Simamora, Azis Kurniadi3
This work is licensed under a Creative Commons Attribution 4.0 International License.
