Tren Riset Kecerdasan Artifisial untuk Prediksi Cuaca Ekstrem: Analisis Bibliometrik Scopus 2015–2025
DOI:
https://doi.org/10.58812/jgws.v4i01.3279Kata Kunci:
Kecerdasan Artifisial, Prediksi Cuaca, Cuaca Ekstrem, Machine Learning, Analisis BibliometrikAbstrak
Perkembangan teknologi kecerdasan artifisial telah memberikan kontribusi signifikan dalam meningkatkan kemampuan prediksi cuaca, khususnya dalam menghadapi fenomena cuaca ekstrem yang semakin meningkat akibat perubahan iklim global. Penelitian ini bertujuan untuk memetakan tren perkembangan penelitian mengenai pemanfaatan kecerdasan artifisial dalam prediksi cuaca ekstrem melalui pendekatan analisis bibliometrik. Data penelitian diperoleh dari basis data Scopus dengan rentang publikasi tahun 2015–2025, kemudian dianalisis menggunakan perangkat lunak VOSviewer untuk mengidentifikasi pola kolaborasi penulis, institusi, negara, serta hubungan antar kata kunci penelitian. Hasil analisis menunjukkan bahwa publikasi dalam bidang ini mengalami peningkatan yang signifikan dan didominasi oleh tema penelitian seperti artificial intelligence, weather forecasting, machine learning, dan extreme weather. Jaringan kolaborasi menunjukkan bahwa beberapa negara seperti Tiongkok, Amerika Serikat, dan India memiliki kontribusi yang dominan dalam pengembangan penelitian di bidang ini, dengan kolaborasi internasional yang cukup kuat. Selain itu, analisis kata kunci mengungkapkan adanya pergeseran fokus penelitian dari pengembangan algoritma kecerdasan artifisial menuju penerapan teknologi tersebut untuk memahami dampak perubahan iklim, memprediksi kejadian cuaca ekstrem, serta mendukung sistem mitigasi bencana dan manajemen risiko. Temuan penelitian ini menunjukkan bahwa kecerdasan artifisial memiliki peran strategis dalam pengembangan sistem prediksi cuaca modern yang lebih akurat dan adaptif terhadap dinamika lingkungan global.
Referensi
Bi, K., Xie, L., Zhang, H., Chen, X., Gu, X., & Tian, Q. (2023). Accurate medium-range global weather forecasting with 3D neural networks. Nature, 619(7970), 533–538.
Camps-Valls, G., Fernández-Torres, M.-Á., Cohrs, K.-H., Höhl, A., Castelletti, A., Pacal, A., Robin, C., Martinuzzi, F., Papoutsis, I., & Prapas, I. (2025). Artificial intelligence for modeling and understanding extreme weather and climate events. Nature Communications, 16(1), 1919.
Chen, R., Zhang, W., & Wang, X. (2020). Machine learning in tropical cyclone forecast modeling: A review. Atmosphere, 11(7), 676.
Conti, S. (2024). Artificial intelligence for weather forecasting. Nature Reviews Electrical Engineering, 1(1), 8.
Danandeh Mehr, A., Rikhtehgar Ghiasi, A., Yaseen, Z. M., Sorman, A. U., & Abualigah, L. (2023). A novel intelligent deep learning predictive model for meteorological drought forecasting. Journal of Ambient Intelligence and Humanized Computing, 14(8), 10441–10455.
Dewitte, S., Cornelis, J. P., Müller, R., & Munteanu, A. (2021). Artificial intelligence revolutionises weather forecast, climate monitoring and decadal prediction. Remote Sensing, 13(16), 3209.
Dharmarathne, G., Waduge, A. O., Bogahawaththa, M., Rathnayake, U., & Meddage, D. P. P. (2024). Adapting cities to the surge: A comprehensive review of climate-induced urban flooding. Results in Engineering, 22, 102123.
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285–296.
Hashemi, M. R., Spaulding, M. L., Shaw, A., Farhadi, H., & Lewis, M. (2016). An efficient artificial intelligence model for prediction of tropical storm surge. Natural Hazards, 82(1), 471–491.
Kim, N., Na, S.-I., Park, C.-W., Huh, M., Oh, J., Ha, K.-J., Cho, J., & Lee, Y.-W. (2020). An artificial intelligence approach to prediction of corn yields under extreme weather conditions using satellite and meteorological data. Applied Sciences, 10(11), 3785.
Kleine Deters, J., Zalakeviciute, R., Gonzalez, M., & Rybarczyk, Y. (2017). Modeling PM2. 5 urban pollution using machine learning and selected meteorological parameters. Journal of Electrical and Computer Engineering, 2017(1), 5106045.
Kondylatos, S., Prapas, I., Ronco, M., Papoutsis, I., Camps‐Valls, G., Piles, M., Fernández‐Torres, M., & Carvalhais, N. (2022). Wildfire danger prediction and understanding with deep learning. Geophysical Research Letters, 49(17), e2022GL099368.
Kosovic, B., Haupt, S. E., Adriaansen, D., Alessandrini, S., Wiener, G., Delle Monache, L., Liu, Y., Linden, S., Jensen, T., & Cheng, W. (2020). A comprehensive wind power forecasting system integrating artificial intelligence and numerical weather prediction. Energies, 13(6), 1372.
Lima, A. R., Cannon, A. J., & Hsieh, W. W. (2016). Forecasting daily streamflow using online sequential extreme learning machines. Journal of Hydrology, 537, 431–443.
Materia, S., García, L. P., van Straaten, C., O, S., Mamalakis, A., Cavicchia, L., Coumou, D., de Luca, P., Kretschmer, M., & Donat, M. (2024). Artificial intelligence for climate prediction of extremes: State of the art, challenges, and future perspectives. Wiley Interdisciplinary Reviews: Climate Change, 15(6), e914.
Mosavi, A., Ozturk, P., & Chau, K. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11), 1536.
Pandya, K. A. (2025). AI in Climate Prediction: Using Machine Learning to Model Extreme Weather Events. IJSAT-International Journal on Science and Technology, 16(4).
Xu, Y., Ho, H. C., Wong, M. S., Deng, C., Shi, Y., Chan, T.-C., & Knudby, A. (2018). Evaluation of machine learning techniques with multiple remote sensing datasets in estimating monthly concentrations of ground-level PM2. 5. Environmental Pollution, 242, 1417–1426.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Loso Judijanto, Hanifah Nurul Muthmainah, Siti Agus Kartini
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Facebook 
Instagram 
Twitter 
Youtube 
westscience.journals@gmail.com