Kanada KurniawanKanada Kurniawan

Pengantar Deep Learning untuk Meteorologi

Deep learning untuk meteorologi, dari praktisi untuk praktisi di Indonesia.

Buku pengenalan open-source berbahasa Indonesia yang saya tulis untuk praktisi dan mahasiswa kebumian. Buku ini membahas posisi deep learning dalam AI/ML, serta penerapannya pada data meteorologi Indonesia (cuaca, pasang surut, hidrologi) menggunakan TensorFlow/Keras di Google Colab.

Buku ini dirancang sebagai materi pengantar, bukan hasil riset baru. Isinya ringkasan dan penyusunan ulang literatur klasik machine learning, dengan contoh-contoh yang dekat dengan dunia meteorologi Indonesia. Satu buku = satu DOI Zenodo; versi terbaru buku utuh (PDF + DOCX) dipublikasikan per milestone rilis (saat ini 1.0.0).

10 dari 10 bab sudah dipublikasikan. Daftar bab yang masih dalam penulisan tidak ditampilkan di sini sampai bab tersebut rilis.

  1. Bab 1Pengantar Deep Learning untuk Meteorologi

    Bab pertama, memahami posisi deep learning dalam machine learning dan kebumian, peta aplikasi meteo yang dibahas di buku ini, kapan DL layak dipakai, serta panduan menyiapkan lingkungan Google Colab + TensorFlow.

  2. Bab 2Regresi: Perceptron dan Jaringan Saraf untuk Prediksi Besaran

    Bab 2 - membangun model regresi pertama untuk prediksi besaran meteorologi: anatomi neuron (bobot, bias, fungsi aktivasi), regresi linear sebagai kasus khusus, kebutuhan non-linearitas (ReLU), mini-kasus pasang surut, perbandingan MAE vs MSE, dan alasan split berbasis waktu.

  3. Bab 3Klasifikasi: Mengenali Kategori Fenomena Cuaca

    Bab 3 - membangun model klasifikasi biner dan multi-kelas untuk fenomena cuaca: sigmoid/softmax, cross-entropy, class imbalance, precision/recall/F1, dan trade-off threshold untuk kejadian langka.

  4. Bab 4Backpropagation, Optimasi dan Pelatihan

    Bab 4 - memahami bagaimana neural network belajar: intuisi gradient descent dan backpropagation, fungsi aktivasi dari sisi gradien (vanishing gradient), learning rate & scheduler, SGD vs Adam, dan callback untuk pelatihan yang sehat.

  5. Bab 5Overfitting, Regularisasi dan Evaluasi untuk Data Iklim

    Bab 5 - mendiagnosa dan mencegah overfit (bias-variance, L2, dropout, early stopping), memilih metrik operasional yang tepat (MAE/RMSE/R²/Willmott/KGE dan CSI/FAR/POD/TS), serta cross-validation deret waktu (walk-forward) untuk data iklim.

  6. Bab 6Data Meteorologi: Sumber, Kualitas dan Persiapan

    Bab 6 - sumber data meteorologi Indonesia (stasiun/pelengkap terbuka, reanalysis ERA5, pasang surut, satelit), format berkas (CSV/NetCDF/GRIB), penanganan nilai hilang dan pencilan, eksplorasi, feature engineering, serta normalisasi dan split berbasis waktu yang bebas kebocoran.

  7. Bab 7Deret Waktu dan Model Sekuensial: RNN, LSTM, GRU

    Bab 7 - menyusun deret waktu menjadi data machine learning (windowing & horizon), membangun baseline (persistence, mean, AR), memahami RNN dan keterbatasannya, lalu LSTM dan GRU (intuisi gate), arsitektur praktis univariate/multivariate, serta strategi prediksi multi-langkah.

  8. Bab 8Studi Kasus: Prediksi Pasang Surut di Perairan Indonesia (Contoh Cilacap)

    Bab 8 - proyek end-to-end pertama: prediksi pasang surut di perairan Indonesia dengan studi kasus Cilacap (GLOSS #291). Latar belakang banjir rob pesisir, data nyata (IOC/UHSLC/PSMSL), pipeline Bab 7 (baseline vs MLP vs LSTM/GRU), walk-forward, dan evaluasi MAE/RMSE terhadap toleransi tinggi pasang.

  9. Bab 9Studi Kasus: Prediksi Curah Hujan dengan Data Terbuka

    Bab 9 - proyek end-to-end prediksi curah hujan harian dengan data terbuka (CHIRPS + ERA5-Land + indeks ENSO/MJO): dua lintasan (regresi jumlah hujan dan klasifikasi kategori intensitas), fitur regional + indeks iklim, verifikasi operasional CSI/POD/FAR, trade-off threshold, interpretasi awal (permutation importance), dan tabel verifikasi per kategori.

  10. Bab 10Dari Riset ke Praktik: Operasional, Interpretasi, dan Arah ke Depan

    Bab 10 - menjembatani model ke operasional: monitoring drift dan retraining, ketidakpastian (interval/quantile, ensembel), interpretasi (SHAP) dan tautan ke pengetahuan atmosfer, keterbatasan serta etika (anti-overhype), dan peta arah riset lanjut (CNN, nowcasting, downscaling, generative).

Kode sumber buku, notebook, dan rencana lengkap ada di repositoribuku. Pelacakan rilis dan bundel PDF/DOCX utuh mengikuti milestone dihalaman rilis.