KABARINDONESIA.ID — Peneliti Badan Riset dan Inovasi Nasional (BRIN) mengembangkan model berbasis kecerdasan buatan (Artificial Intelligence/AI) yang mampu meningkatkan akurasi prediksi kedatangan badai Matahari ke Bumi.
Inovasi tersebut diharapkan memperkuat sistem peringatan dini cuaca antariksa guna melindungi satelit, jaringan komunikasi, sistem navigasi, hingga infrastruktur kelistrikan dari dampak badai Matahari.
Badai Matahari merupakan gangguan sementara pada medan magnet Bumi (magnetosfer) yang dipicu oleh aktivitas Matahari. Salah satu penyebab utamanya adalah Coronal Mass Ejection (CME), yaitu lontaran plasma dan medan magnet dalam jumlah besar dari atmosfer Matahari menuju ruang angkasa.
Ketika CME mengarah ke Bumi, para peneliti harus mampu memperkirakan waktu kedatangannya secara akurat agar langkah mitigasi dapat dilakukan lebih dini.
Peneliti Pusat Riset Antariksa, Organisasi Riset Penerbangan dan Antariksa BRIN, Tiar Dani, menjelaskan proses tersebut melalui ilustrasi sederhana.
“Bayangkan sebuah peluru ditembakkan ke dalam air. Meski awalnya melaju sangat cepat, kecepatannya akan berkurang karena adanya hambatan dari air. Fenomena serupa terjadi pada CME. Saat melesat dari Matahari menuju Bumi, CME tidak bergerak di ruang hampa yang benar-benar kosong. Ia harus menembus aliran partikel bermuatan yang terus mengalir dari Matahari, yang dikenal sebagai (solar wind) angin surya. Interaksi dengan angin surya inilah yang menghasilkan gaya (drag) hambatan sehingga kecepatan CME dapat berubah selama perjalanan,“ ujarnya kepada tim Humas BRIN dalam keterangannya, dikutip Kamis (25/6/2026).
Menurut Tiar, selama bertahun-tahun prediksi waktu kedatangan CME menjadi tantangan besar karena kondisi angin surya sangat dinamis sehingga sulit dimodelkan hanya menggunakan pendekatan fisika konvensional.
Untuk mengatasi persoalan tersebut, tim BRIN mengembangkan model hibrida yang menggabungkan hukum fisika dengan teknologi AI.
Model fisika yang digunakan adalah Drag-Based Model (DBM), yaitu model yang menggambarkan pengaruh hambatan angin surya terhadap pergerakan partikel berenergi tinggi dari CME.
Model tersebut kemudian dipadukan dengan AI berbasis Random Forest yang dilatih menggunakan data historis berbagai kejadian CME selama dua siklus aktivitas Matahari.
“Melalui proses pembelajaran dari data tersebut, AI mampu memperkirakan besarnya hambatan yang akan dialami setiap CME selama perjalanannya menuju Bumi. Dengan kata lain, sistem ini tidak hanya memahami aturan fisika yang mendasari pergerakan CME, tetapi juga belajar dari pengalaman masa lalu untuk menghasilkan prediksi kapan CME akan tiba yang lebih akurat,” Tiar menjelaskan.
Hasil penelitian menunjukkan model DBM berbasis fisika dan AI tersebut mampu memprediksi waktu tempuh CME (CME Transit Time) dengan tingkat kesalahan rata-rata sekitar 8,7 jam.
Dalam bidang cuaca antariksa, capaian tersebut dinilai sangat kompetitif dan memberikan peningkatan akurasi dibandingkan model DBM standar yang selama ini mengasumsikan hambatan angin surya bersifat konstan sepanjang perjalanan CME.
Keberhasilan ini menjadi fondasi penting dalam membangun sistem peringatan dini cuaca antariksa yang lebih andal.
Dengan prediksi yang lebih cepat dan akurat, operator satelit, penyedia layanan komunikasi, hingga pengelola infrastruktur strategis dapat melakukan langkah antisipasi sebelum badai Matahari menghantam Bumi.
“Melalui riset ini fondasi untuk pemanfaatan kecerdasan buatan dalam ranah antariksa di Indonesia akan semakin kuat. Ke depannya, inovasi ini akan menjadi bagian penting dari inisiatif Research in AI for Space yang sedang kami bangun. Tujuannya adalah menciptakan kerangka kerja peringatan dini cuaca antariksa yang sepenuhnya mandiri, tangguh, dan dapat terus dikembangkan secara otomatis untuk melindungi infrastruktur teknologi masa depan,” ujarnya.
Pengembangan model AI tersebut sekaligus menandai langkah BRIN dalam memperkuat riset antariksa berbasis teknologi digital, sekaligus mendukung kemandirian Indonesia dalam sistem pemantauan dan mitigasi cuaca antariksa di masa depan.
