Aceh Extreme Climate Dashboard
Dashboard memanfaatkan data iklim historis Provinsi Aceh periode 1985–2025 yang terdiri atas berbagai parameter meteorologi dan klimatologi, meliputi curah hujan (Rainfall), suhu maksimum (Tmax), suhu minimum (Tmin), kelembapan udara (Humidity), tekanan udara (Pressure), kecepatan angin (Wind), radiasi matahari (Solar Radiation), indeks El Niño Southern Oscillation (ENSO), Indian Ocean Dipole (IOD), Normalized Difference Vegetation Index (NDVI), dan Standardized Precipitation Index (SPI). Variabel-variabel tersebut digunakan sebagai prediktor dalam membangun model klasifikasi kejadian hidrometeorologi, seperti Flood, Drought, Landslide, Strong Wind, Coastal Flood, serta Normal Condition berdasarkan integrasi data klimatologi dan data kejadian bencana.
Dashboard ini dirancang dalam sembilan modul utama yang saling terintegrasi. Modul Dashboard menyajikan ringkasan kondisi iklim, indikator utama, distribusi spasial, dan statistik deskriptif. Modul Correlation Analysis digunakan untuk menganalisis hubungan antarvariabel iklim sebagai dasar pemilihan fitur (feature selection) sebelum proses pemodelan Machine Learning. Modul Climate Disaster Risk Score (CDRS) menghitung tingkat risiko iklim berdasarkan kombinasi beberapa indikator meteorologi, sedangkan Climate Cube menyajikan eksplorasi data iklim dalam bentuk visualisasi multidimensi sehingga pola perubahan iklim dapat diamati secara lebih komprehensif.
Sebagai inti analisis, dashboard mengimplementasikan dua algoritma Machine Learning, yaitu Random Forest dan Extreme Gradient Boosting (XGBoost). Model Random Forest digunakan sebagai model pembanding (baseline model), sedangkan XGBoost dipilih sebagai model utama karena memiliki kemampuan yang tinggi dalam menangani hubungan nonlinier antarvariabel, mengurangi risiko overfitting, serta memberikan akurasi klasifikasi yang baik pada permasalahan prediksi bencana hidrometeorologi. Hasil prediksi kemudian dijelaskan menggunakan pendekatan SHapley Additive exPlanations (SHAP) sehingga setiap keputusan model dapat diinterpretasikan melalui kontribusi masing-masing variabel iklim terhadap hasil prediksi. Pendekatan ini meningkatkan transparansi model dan membantu pengguna memahami faktor-faktor dominan yang memengaruhi kejadian bencana.
Selain melakukan analisis historis, dashboard juga menyediakan Prediction Dashboard yang memungkinkan pengguna memasukkan parameter iklim secara interaktif untuk memperoleh prediksi jenis bencana hidrometeorologi beserta tingkat probabilitas dan tingkat keyakinan (confidence level) model. Selanjutnya, Executive Report Dashboard menyajikan ringkasan analisis, indikator risiko, rekomendasi mitigasi, serta laporan eksekutif yang dapat dimanfaatkan sebagai bahan pengambilan keputusan oleh berbagai pemangku kepentingan.
Sebagai sebuah Decision Support System (DSS), dashboard ini dirancang untuk membantu BMKG, Badan Penanggulangan Bencana Aceh (BPBA), pemerintah daerah, peneliti, akademisi, maupun masyarakat dalam melakukan pemantauan kondisi iklim, identifikasi dini potensi kejadian hidrometeorologi, analisis faktor penyebab bencana, serta penyusunan strategi mitigasi dan adaptasi perubahan iklim secara berbasis data. Integrasi antara Climate Big Data, Machine Learning, Explainable AI, dan visualisasi interaktif menjadikan dashboard ini tidak hanya sebagai alat analisis, tetapi juga sebagai media komunikasi informasi iklim yang mudah dipahami oleh pengguna dari berbagai latar belakang.
Pengembangan Aceh Extreme Climate Dashboard diharapkan dapat mendukung implementasi sistem peringatan dini (Early Warning System), meningkatkan kualitas pengambilan keputusan dalam manajemen risiko bencana, serta memperkuat pemanfaatan teknologi Artificial Intelligence dalam bidang klimatologi dan kebencanaan di Indonesia. Dashboard ini juga memiliki potensi untuk dikembangkan menjadi platform analitik nasional yang dapat diadaptasi pada provinsi lain sebagai bagian dari transformasi digital dalam pengelolaan informasi iklim dan mitigasi bencana hidrometeorologi.