Andronikos Weather Intelligence — Enterprise Documentation

Asal-Usul: Menara Angin dan Nalar Andronikos

Setiap sistem prakiraan pada akhirnya menjawab pertanyaan yang lebih tua daripada komputasi: bagaimana manusia menempatkan diri di antara langit dan tanah. Menara Angin di Athena adalah jawaban paling awal yang masih berdiri; Andronikos adalah upaya menuliskan kembali jawaban itu dengan mesin hari ini.

Sebuah Bangunan yang Menolak Punah

Di Agora Romawi, Athena, berdiri menara segi delapan dari marmer Pentelik: tingginya sekitar 12 meter, garis tengahnya sekitar 8 meter, dan di sekeliling puncaknya terpahat delapan relief dewa angin. Penanggalannya tidak pasti. Ia selesai paling lambat sekitar 50 SM, sebab Varro sudah menyebutnya sekitar 37 SM, dan perancangnya lazim disebut astronom Andronikos dari Kyrrhos, sosok yang nyaris tak meninggalkan biografi. Menara ini termasuk segelintir bangunan klasik yang nyaris utuh hingga kini, dan sebabnya paradoksal: ia tidak dibekukan menjadi monumen, melainkan terus dipakai untuk fungsi yang berganti-ganti. Salah satu sebutan lamanya, Jam Andronikos, adalah asal nama platform ini.

Satu Bangunan, Empat Instrumen

Yang istimewa dari menara ini bukan marmernya, melainkan integrasinya. Dalam satu badan ia menghimpun relief delapan angin, baling-baling perunggu berbentuk Triton di puncak (menurut Vitruvius; kini hilang), delapan jam matahari pada sisi luar, dan jam air di dalam yang dialiri dari mata air di Akropolis. Arsitektur, pahatan, dan sains baru dileburkan agar warga dapat mengorientasikan diri dalam ruang dan waktu. Kata kuncinya orientasi, bukan ramalan: menara tidak memutuskan apa yang harus dilakukan orang Athena, ia memberi mereka bahasa bersama untuk membaca langit.

Delapan anemoi pada friz menara, dibaca ulang sebagai peta ringkas bahaya. Arah menunjukkan asal angin: U utara, TL timur laut, T timur, TG tenggara, S selatan, BD barat daya, B barat, BL barat laut. Ciri mengikuti pemerian Stuart dan Revett (1762) sebagaimana dirangkum Wikipedia.

Peta Gagasan: dari Menara ke Mesin

Tabel berikut memetakan bukti tentang menara ke keputusan desain yang dapat ditelusuri di dokumentasi ini. Pemetaannya argumen analogis, bukan klaim silsilah.

Bukti dari menara	Gagasan	Wujud di Andronikos
Delapan relief angin, masing-masing dicirikan lewat atribut: hujan, dingin, kering, subur	Bahaya diberi nama dan wajah sebelum diukur	Katalog 17 `WeatherVariable` dan modul risiko `longsor`, `banjir`, `asap`. Skiron, pembawa abu dan bara yang mungkin merujuk kebakaran hutan, menjadi pendahulu simbolik modul asap dan titik panas (`fire.firms`, `fire.sipongi`)
Baling-baling Triton di puncak	Pengamatan mendahului prediksi	`obs.bmkg_stn` dan `obs.isd` (setelah QC) menjadi acuan verifikasi; `ref.era5` tidak
Delapan jam matahari, masing-masing disetel menurut lamanya sisi itu disinari (timur dan barat hanya empat garis jam, selatan delapan)	Kalibrasi lokal: satu prinsip, banyak sisi	Koreksi bias per variabel, lead, siklus, dan stasiun; semua anggota ensemble memakai `b` yang sama
Jam air yang mekanismenya hilang; rekonstruksinya tetap tak pasti	Kejujuran epistemik: yang tak diketahui tidak ditambal tebakan	`WIError::BelumDiputuskan`, daftar “Undecided (JANGAN diisi tebakan)”, bobot fusi dan ambang siaga yang sengaja belum ditetapkan
Menara dibuat tinggi agar jam matahari dan baling-baling terlihat dari Agora; belum jelas bagaimana bacaan jam air di dalam sampai ke orang di luar	Informasi harus tiba di tempat keputusan diambil, dengan takaran yang jujur	Peta Leptos + MapLibre, panel risiko, endpoint keputusan CoalForge; `label_istilah`, `atribusi`, dan bahasa probabilitas tanpa klaim “memprediksi pasti”
Atap batu asli dari 24 lempeng trapesium yang dikunci satu batu kunci melingkar	Kekokohan lahir dari sambungan yang saling mengunci	Delapan crate dengan batas tanggung jawab jelas; tanpa `unwrap()` atau `panic!` di kode non-test
Berganti fungsi berabad-abad, sempat terkubur separuh tinggi, digali pada abad ke-19, dipugar 2014–2016	Ketahanan lewat kemampuan beralih guna	Single VPS ke Three VPS; jalur ganda Burn GraphCast dan ONNX; “Python melatih, Rust menyajikan”
Gambar ukur Stuart dan Revett (1762) yang “merapikan” relief aus	Dokumentasi berisiko mengidealkan yang didokumentasikan	Status apa adanya: `Skeleton`, `Perlu GPU`, persentase kematangan per crate. Dokumen ini tidak merapikan yang belum rapi
Bab tata kota Vitruvius: orientasi jalan untuk memaksimalkan manfaat dan meminimalkan bahaya angin	Pengetahuan angin sebagai alat tata ruang	`unit_id` (sub-DAS, unit lereng, kelurahan): informasi risiko turun hingga unit yang dapat diputuskan

Mengapa Nusantara, Mengapa Sekarang

Indonesia adalah kepulauan tropis yang bentang petanya, sebagaimana dikunci pada antarmuka ini, membentang sekitar 11,15°LS hingga 6,25°LU dan 94,95°BT hingga 141,25°BT, dengan hujan dan angin muson yang membentuk risiko longsor, banjir, dan asap. Persoalan hari ini bukan kelangkaan data: tujuh adapter ingesti, beberapa model global, dan jaringan pengamatan sudah tersedia. Yang langka adalah orientasi, yakni cara menggabungkan banyak sumber tanpa menghitung satu sensor dua kali, tanpa menyembunyikan ketidakpastian, dan tanpa mengaku memiliki otoritas yang bukan miliknya.

Menara itu sendiri lahir dalam suasana pemulihan. Jika penanggalan lazim benar, ia bagian dari pembangunan kembali Athena setelah kota itu hampir rata akibat legiun Sulla pada 86 SM: pengetahuan tentang angin dan waktu dijadikan infrastruktur sipil, bukan rahasia segelintir orang. Andronikos mengambil sikap serupa dengan satu penegasan modern. Ia menyebut dirinya penyedia “informasi risiko” dan “analisis pendukung”, bukan peringatan resmi, karena UU 31/2009 menempatkan informasi meteorologi pada BMKG. Menara boleh mengorientasikan; yang berwenang memerintahkan tetaplah otoritas.

Lima Prinsip Menara

Orientasi, bukan ramalan

Probabilitas adalah proporsi anggota ensemble yang melewati ambang, bukan kepastian.

Kalibrasi per sisi

Bias dikoreksi menurut variabel, lead, siklus, dan stasiun, dengan pengamatan sebagai acuan.

Kejujuran epistemik

Yang belum diputuskan ditandai terang-terangan, tidak diisi tebakan.

Terlihat di tempat keputusan

Peta, tingkat siaga, atribusi, dan unit keputusan dirancang untuk dibaca, bukan sekadar disimpan.

Hidup lewat beralih guna

Modular: delapan crate, dua topologi deployment, dua jalur ML, siap berganti fungsi.

Batas analogi

Menara adalah analogi disiplin, bukan klaim genealogi. Penanggalannya sendiri diperdebatkan (ada dugaan lebih awal, terkait kedermawanan Attalus III dari Pergamon), asal Andronikos dari Kyrrhos di Makedonia atau di tepi Efrat tidak pasti, dan cara kerja persis jam airnya belum terpulihkan.

Rujukan

Wikipedia, “Tower of the Winds”: sumber utama narasi ini.
Noble, J. V. dan de Solla Price, D. J. (1968). “The Water Clock in the Tower of the Winds”, American Journal of Archaeology 72(4): 345–355. doi:10.2307/503828
Webb, P. A. (2017). The Tower of the Winds in Athens: Greeks, Romans, Christians, and Muslims. Memoirs of the American Philosophical Society 270.
Lawrence, A. W. (1957). Greek Architecture. Pelican History of Art, Penguin.
Wallace-Hadrill, A. (2022), dalam Rome and the Colonial City: Rethinking the Grid. Oxbow Books.

Butir 2–5 dirujuk sebagaimana dikutip artikel Wikipedia tersebut, bukan dibaca langsung.

Engine 1-Minuten Capability

Operasi	Waktu	1 Menit?	Catatan
`predict_point` (1 titik)	10-50 ms	Ya	Single cell batch forward
`predict_grid` (≤10.000 cell)	< 10 ms	Ya	Batch inference dalam satu forward() call
`predict_grid_batch` (multi-area)	< 1 menit	Ya	Banyak area, spatial tiling otomatis
`infer_area_distributed` (38,9M cell)	< 1 menit*	Ya	*Dengan GPU + spatial tiling + multiple concurrent tile requests
`predict_grid` 0.5km penuh (38,9M cell)	> 1 menit	Perlu GPU	Perlu multi-request via tiling
ONNX downscale (1 titik)	< 5 ms	Ya	4 intra-threads, Level3

Re-arsitektur yang Diimplementasi

Batch Inference

create_batch_input() membangun tensor [N, features] untuk N cell sekaligus, satu forward() call untuk semua cell. Tidak lagi per-cell sequential.

Mesh Graph

build_mesh_edges() membangun edge_index [2, E] dengan 4-connectivity untuk GNN message passing.

Spatial Tiling

TilingManager::split_area_into_tiles() bagi area besar menjadi tile (default 2,5M cell/tile) dengan overlap untuk konsistensi GNN di batas tile.

Multi-Area Coordinator

TileCoordinator::infer_area_distributed() otomatis split ke tiles, process secara concurrent via futures::future::join_all.

Device Selection

DeviceType (CPU/CUDA/WGPU/Metal) via create_burn_device().

Lead Time Cap

MAX_LEAD_SECONDS = 168 * 3600 enforced di semua entry point.

No unwrap/panic/race

Semua operasi via Result, tidak ada unwrap()/expect()/panic! di non-test code.

Rust

          // predict_grid_batch untuk banyak area
let areas = vec![
    AreaPredictRequest {
        area_id: "jakarta".to_string(),
        bbox: Bbox::new(106.5, -6.5, 107.0, -6.0),
        resolution: 0, // 0.5km
        lead_seconds: 3600,
        variables: WeatherVariable::surface_variables(),
        max_cells: Some(5000),
    },
];

let request = BatchGridPredictRequest::new(areas)
    .with_device(DeviceType::Cpu)
    .with_max_total_cells(10_000);

let output = forecaster.predict_grid_batch(request).await?;
          
        

Rust

          // Distributed Inference untuk Area Besar (38.9M cell)
let result = coordinator.infer_area_distributed(
    "indonesia_full",
    &Bbox::new(95.0, -11.0, 141.1, 6.1),
    0,
    3600,
    &WeatherVariable::surface_variables(),
).await?;
// result.total_cells = 38.900.000
// result.total_inference_ms < 60.000 (dengan GPU + tiling)
// result.completed_within_target = true
          
        

Data Fusion (Anti-Double Counting)

SourceRegistry mencegah double-counting saat runtime:

Sumber	Role	Dependency Group	Eligible?	Alasan
`met.gfs`	BasePhysics	Independent	Ya	Dasar fisika deterministik
`met.gefs`	BaseEnsemble	NoaaGefsFamily	Ya	Dasar ensemble probabilistik
`met.aigfs`	AiMember	NoaaGefsFamily	Ya	Anggota AI tambahan
`met.aigefs`	AiMember	NoaaGefsFamily	Ya	Anggota ensemble AI
`met.hgefs`	Excluded	NoaaGefsFamily	Tidak	Gabungan AIGEFS+GEFSv12, tidak independen
`met.bmkg_fc`	LocalMember	Independent	Ya	Anggota gabungan lokal
`met.graphcast`	Excluded	GraphCastNonCommercial	Tidak	CC BY-NC-SA, tidak komersial
`met.openmeteo`	ComparatorOnly	OpenMeteoAggregator	Tidak	Agregasi, tidak independen
`ref.era5`	TrainingOnly	Era5Reanalysis	Tidak	Training + bias correction only
`fire.firms`	ModuleSpecific	FireHotspotFamily	Ya	Titik panas
`fire.sipongi`	ModuleSpecific	FireHotspotFamily	Ya	Sensor sama dengan FIRMS, hitung sekali

Atur Aturan Double-Counting:

met.hgefs tidak dapat bobot terpisah dari met.gefs+met.aigefs (dependensi NoaaGefsFamily)
met.openmeteo = bobot 0 dalam fusion (hanya pembanding)
ref.era5 = bobot 0 real-time (training only)
fire.firms + fire.sipongi = satu sensor, hitung sekali
can_have_separate_weight() mencegah dua sumber dalam group yang sama sama-sama menerima bobot non-nol

Alur Penggabungan (5 Langkah)

Ingest mentah dengan metadata: sumber, lisensi, waktu terbit, waktu berlaku.
Selaraskan grid, satuan, zona waktu (UTC), nama variabel.
Saring pengamatan (QC): rentang nilai, konsistensi antar stasiun, data ganda.
Gabungkan: fisika (GFS/GEFS) sebagai dasar, AI (AIGFS/AIGEFS/BMKG_fc) sebagai anggota tambahan. Bobot dipelajari dari data historis.
Verifikasi terhadap pengamatan, bukan ERA5.

Pola Pembobotan (Weighting Pattern)

A. Bias Correction (Additive)

          x_koreksi = x_prakiraan - b
b_baru = (1 - α) * b_lama + α * (prakiraan - pengamatan)
        

α dan panjang jendela BELUM DIPUTUSKAN → WIError::BelumDiputuskan
Variabel aditif: suhu 2m, tekanan permukaan laut, angin (u,v), kelembapan (clamp 0-100%)
Hujan: BUKAN aditif — pakai rasio, clamp ≥ 0
Semua anggota ensemble pakai b yang sama
Acuan: obs.bmkg_stn, obs.isd (setelah QC), BUKAN ref.era5

B. Ensemble Probability

p = (1/M) * Σ(1[x_m > T])

Hazard function dijalankan pada SETIAP anggota ensemble, baru proporsi dihitung
M kecil → probabilitas kasar (0 atau 1)

C. Fusion Weight (constraint: Σw = 1, w ≥ 0)

          Fusion = w_physics * Base(GFS, GEFS)
       + w_ai * Σ(w_member_i * Member_i)   [AIGFS, AIGEFS, BMKG_fc]
       + BiasCorrection(...)
       → Calibrated Probability via Ensemble CDF
        

Σ w = 1, w ≥ 0, divalidasi oleh FusionEngine::validate_weights()
Nilai konkret bobot belum ditetapkan — harus diturunkan dari verifikasi historis
Fisika (GFS, GEFS) = baseline weight tinggi
AI members (AIGFS, AIGEFS) = weight tambahan, bukan pengganti fisika

API REST + gRPC

Endpoint	Method	Deskripsi	Status
`GET /health`	GET	Health check	Working
`POST /v1/predict`	POST	Prediksi titik tunggal → FusionOutput	Working
`POST /v1/predict/grid`	POST	Prediksi grid tunggal	Working
`POST /v1/predict/grid/batch`	POST	Prediksi grid batch multi-area	Working
`POST /v1/predict/grid/distributed`	POST	Prediksi distributed 38.9M cell	Working
`GET /v1/model/info`	GET	Model metadata	Working
`GET /v1/variables`	GET	List 17 WeatherVariable	Working

gRPC Services

Service	Type	Deskripsi	Status
Predict	Unary	Prediksi titik tunggal	Working
PredictGrid	Unary	Prediksi grid tunggal	Working
StreamPredict	Server Streaming	Stream prediksi multi-lead	Working

Request/Response Schema

          // POST /v1/predict Request
{
  "latitude": -6.595,
  "longitude": 106.806,
  "lead_seconds": 3600,
  "variables": ["Temperature", "RelativeHumidity", "Precipitation"]
}

// POST /v1/predict Response (FusionOutput)
{
  "unit_id": null,
  "jenis_unit": null,
  "modul": "cuaca",
  "terbit": "2026-10-17T00:00:00Z",
  "berlaku_dari": "2026-10-17T01:00:00Z",
  "berlaku_sampai": "2026-10-17T02:00:00Z",
  "lead_seconds": 3600,
  "probabilitas": null,
  "tingkat_siaga": null,
  "anggota": 1,
  "versi_model": "GraphCast-1.0.0",
  "koreksi_bias": false,
  "sumber_id": ["met.graphcast"],
  "atribusi": ["DeepMind GraphCast (lokal, dilatih sendiri)"],
  "label_istilah": "analisis pendukung",
  "klaim": [],
  "variables": {
    "Temperature": { "weighted_mean": 298.15, "exceedance_probability": null, "member_count": 1, "bias_applied": false }
  }
}
          
        

Middleware

JWT RS256 Authentication - scope-based authorization
Rate Limiting - sliding window, Redis-backed
CORS - configurable origins
Request Validation - lat/lon bounds, lead time max (168h), variable names
Redis Cache - TTL (1hr point, 30min grid), pattern invalidation
Tracing - structured JSON with cell, model_run, latency

CLI Commands

Command	Deskripsi	Status
`wi sync --hours 24`	Real data sync dengan ParquetSyncEngine	Working
`wi train`	GraphCast model initialization + Python training pipeline	Working
`wi predict --latitude -6.595 --longitude 106.806 --lead-seconds 3600`	Real inference dengan GraphCastForecaster	Working
`wi serve --host 0.0.0.0 --port 8080`	API server dengan axum, rate limiting, CORS	Working
`wi verify --model model.bin --data test.parquet`	Dashboard generation + Python verification pipeline	Working
`wi export --model model.bin --format onnx --output model.onnx`	Export guidance ONNX, TorchScript, TensorRT	Working
`wi info`	Model architecture info	Working
`wi ingest`	Source registry listing	Working

Frontend UI (Leptos + MapLibre)

Frontend dibuat di folder andronikos/:

MapLibre GL JS

Bounds dibatasi ke wilayah Indonesia: lat -11.15° to 6.25°, lon 94.95° to 141.25°. maxBounds mencegah panning keluar. maxZoom 10, minZoom 4.

Panel Kiri

Prakiraan cuaca (suhu, kelembapan, curah hujan, angin, tekanan) + Risiko Dampak (longsor/banjir/asap dengan tingkat siaga + probabilitas).

Badge Atribusi

BMKG (terverifikasi), NOAA (terverifikasi), ERA5 (training only), Open-Meteo (dikecualikan dari fusion).

Istilah Baku

"Informasi risiko" / "analisis pendukung", bukan "peringatan resmi" (compliance gate UU 31/2009).

          cargo install trunk
cd andronikos/leptos
trunk serve
# Buka http://127.0.0.1:8080
        

Arsitektur Lengkap (8 Crates)

Crate	Deskripsi	Status	Key Tech
`wi-core`	Types, errors, units, config, DeviceType, SourceRegistry	95%	thiserror, serde, chrono
`wi-grid`	Geospatial (H3 + FixedGrid 0.5km)	95%	h3o, geo
`wi-ingest`	Data ingestion (7 adapters + bias_correction)	85%	reqwest, quick-xml, parquet
`wi-storage`	Storage (Parquet, PostgreSQL/PostGIS, Redis, .atd)	80%	sqlx, redis, arrow
`wi-model`	ML Inference — DUAL PATH (Burn GraphCast + ONNX + Tiling)	65%	burn 0.22, ort, rayon
`wi-verify`	Verification metrics (MAE, RMSE, Brier, CRPS)	95%	statrs, ndarray
`wi-api`	REST + gRPC (axum + tonic), Redis cache, JWT auth	75%	axum, tonic, tower-http
`wi-cli`	CLI commands (sync, train, predict, serve, verify, export, info)	80%	clap, tokio

Data Flow Architecture

          SOURCES (7 APIs)
    → wi-ingest (SyncEngine + validation + gap fill)
    → wi-storage (Parquet + PostgreSQL + Redis + .atd)
    → wi-model (Burn GraphCast global + ONNX downscaler + Tiling Coordinator)
    → wi-verify (metrics + baselines)
    → wi-api (REST + gRPC + Redis cache)
           │
           ▼
    CONSUMERS: wi-cli, wi-ui (Leptos+Deck.gl), CoalForge (REST+Kafka), External APIs
        

ML Pipeline — Dual Path

Path 1: Global Model (Burn GraphCast)

12 GNN layers, 8 heads, hidden_dim=256, ~40-60M params. SwiGLU MLP, O(N) Linear Attention (Performer). 17 output heads.

Path 2: Regional Downscaler (ONNX)

Input 14 features → Output 6 vars × 4 quantiles = 24 outputs. ort crate Level3, 4 intra-threads.

Training

Python melatih, Rust menyajikan. PyTorch/Lightning → ONNX/Burn → serve in Rust.

Ingestion Adapters (7 Sources)

Adapter	Status	Rate Limit	Notes
Open-Meteo	Complete	10 req/s	Arsip + Forecast
NOAA (ISD/GHCN)	Complete	5 req/s	Token bucket
BMKG	Complete	60 req/min	UU 31/2009 attribution
ERA5	Complete	1 req/s	CDS API, NetCDF
GFS	Complete	120 req/min	NOMADS, GRIB2
Himawari	Complete	30 req/min	JAXA/AWS, NetCDF
WeatherNext	Complete	10 req/min	DeepMind allowlist

Storage Backends (4)

Backend	Status	Notes
Parquet	Complete + Wired	Hive partitioning, ZSTD
PostgreSQL/PostGIS	Complete	Full schema, spatial queries
ATD (custom binary)	Skeleton	bincode+zstd
Redis	Skeleton	moka + redis, TTL

Verification Metrics

Category	Metrics	Baseline
Deterministic	MAE, RMSE, Bias, Correlation	Persistence, Climatology, Raw Model
Probabilistic	Brier Score, Reliability Diagram, ROC AUC	—
Ensemble	CRPS (fair), Spread, Spread-Skill Ratio	—
Splits	Temporal, Spatial, Cross-Validation	—

Grid Systems

Grid Type	Resolution	Cells (Indonesia)	Status
H3 res 7	1.22 km / 5.16 km²	~7,500	Siap
H3 res 8	454 m / 0.74 km²	~52,000	Siap
FixedGrid 0.0045°	500 m / 0.25 km²	38.9M	VERIFIED

Output Contract (16 Field: 15 Wajib, 1 Opsional)

Bidang	Isi
`unit_id`, `jenis_unit`	Sub-DAS, unit lereng, atau kelurahan
`modul`	longsor, banjir, atau asap
`terbit`, `berlaku_dari`, `berlaku_sampai`	Waktu UTC
`lead`	Jangka waktu prakiraan
`probabilitas`	Proporsi anggota ensemble yang melewati ambang
`tingkat_siaga`	Hasil gabungan ambang hujan dan kelas kerentanan
`anggota`	Jumlah anggota ensemble
`versi_model`	Versi model per sumber
`koreksi_bias`	Apakah koreksi dipakai atau dikembalikan ke mentah
`sumber_id`	Daftar ID dari katalog variabel
`atribusi`	Teks atribusi yang wajib
`label_istilah`	"Informasi risiko" atau "analisis pendukung"
`klaim`	Daftar kode pembeda (D1-D4) yang lulus verifikasi opsional

Compliance (Wajib)

UU 31/2009 Pasal 36 ayat 1 + PP 11/2016 Pasal 4: Info meteorologi hanya oleh BMKG, kecuali UU lain.
Istilah: "informasi risiko" atau "analisis pendukung", bukan "peringatan dini" sebelum izin BMKG.
Atribusi: BMKG wajib, FIRMS acknowledgment, Copernicus/Open-Meteo atribusi, NOAA tidak boleh disiratkan didukung NOAA.
Open-Meteo: gratis hanya non-komersial, <10.000 panggilan/hari.
BMKG: 60 req/min/IP, izin tertulis untuk komersial.
NOMADS: ~120 hit/min/user, pusatkan unduhan pada satu node dengan rate limiter.
GraphCast/GenCast bobot: CC BY-NC-SA 4.0 → dikecualikan untuk produk komersial.

Gerbang Sebelum Penyajian

Istilah keluaran sesuai dan tidak menyebut "peringatan dini" tanpa izin.
Atribusi lengkap: BMKG wajib, FIRMS acknowledgment, Copernicus/Open-Meteo atribusi.
Tidak ada sumber berstatus belum dan tidak ada sumber tidak independen yang terhitung dua kali.
Bahasa probabilitas dan tingkat risiko, tanpa klaim "memprediksi pasti".
Skor verifikasi pilot sudah melewati ambang kelulusan.

Undecided (JANGAN diisi tebakan)

α dan panjang jendela koreksi bias → BelumDiputuskan error
Ambang tingkat siaga (longsor/banjir/asap)
Model sebaran asap
Indeks kekeringan
Sumber sungai, tanah, tutupan lahan, drainase, dll.
BMKG PNBP tariff, PVMBG download rights, GPM/GSMaP licenses
Commercial product decision

Arsitektur Deployment — Three VPS Topology

Engine didesain untuk berjalan dalam tiga VPS terpisah untuk memisahkan tanggung jawab ingestion, inference, dan API. Untuk development/prototype, semua dapat dijalankan dalam satu VPS.

VPS-1: Data Pipeline

Tugas: Ingest, validasi, penyimpanan, koreksi bias

wi-ingest (7 adapters)
wi-storage (Parquet, PostGIS, Redis)
BiasCorrectionEngine
Checkpoint sync (SHA256)

VPS-2: ML Engine (GPU)

Tugas: Inferensi GraphCast, tiling, distributed

wi-model (Burn, ONNX)
TilingManager + TileCoordinator
CUDA/WGPU device
38.9M cell inference

VPS-3: API + Frontend

Tugas: API gateway, UI, CoalForge integration

wi-api (REST + gRPC)
JWT auth, rate limiting
Leptos + MapLibre UI
CoalForge decision endpoints

          VPS-1 (Data Pipeline) ──┬──────────────┐
                        │              ▼
                        └──► [Kafka/Avro Events] ──► VPS-2 (ML Engine GPU) ──► [Kafka] ──► VPS-3 (API + UI)
                                                   │                     │                    │
                                                   ▼                    ▼                    ▼
                                              [GraphCast Burn]  [ONNX Downscaler]    [REST + gRPC + Leptos UI]
                                                   │                     │                    │
                                                   ▼                    ▼                    ▼
                                              [Parquet Storage]   [Redis Cache]     [CoalForge Events]
          
        

Single VPS vs Distributed (Three VPS)

Aspek	Single VPS (Development)	Three VPS (Production)
Ingestion	Lokal, satu proses	VPS-1 dedicated, 7 adapters parallel
Model Inference	CPU only, batch kecil	VPS-2 GPU (CUDA/WGPU), tiling 38.9M cell
API Layer	Lokal, axum + tonic	VPS-3 dedicated, JWT + rate limit
Storage	Lokal disk	VPS-1 Parquet + PostgreSQL/PostGIS
Komunikasi	In-memory function call	Kafka/Avro event streaming
Frontend	Trunk serve lokal	VPS-3, built static + API proxy

Perintah jalan per VPS:

            # VPS-1: Data Pipeline (Ingestion + Storage)
cargo run --bin wi -- sync --hours 24
cargo run --bin wi -- ingest

# VPS-2: ML Engine (dengan GPU support)
cargo run --bin wi-serve --features cuda -- --port 8081

# VPS-3: API + Frontend
cargo run --bin wi-serve -- --port 8080
# Frontend: trunk serve --public-url https://api.andronikos.id
          

Catatan: Untuk 38.9M cell Indonesia 0.5km dalam 1 menit, VPS-2 membutuhkan GPU (CUDA/WGPU) dengan spatial tiling otomatis. Single VPS CPU hanya cocok untuk development dengan area pilot kecil (≤10.000 cell).

Diagram Arsitektur

Semua diagram ditulis sebagai teks monospace, jadi tampil identik di setiap browser dan bisa disalin ke dokumen lain.

Data Flow Architecture

╔═════════════════════════════════╗
║             SOURCES             ║
║             7 APIs              ║
╚═════════════════════════════════╝
                 │
                 ▼
┌─────────────────────────────────┐
│            wi-ingest            │
│         SyncEngine + QC         │
└─────────────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────┐
│           wi-storage            │
│     Parquet, PostGIS, Redis     │
└─────────────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────┐
│            wi-model             │
│      Burn GraphCast + ONNX      │
└─────────────────────────────────┘
                 │
                 ▼
┌─────────────────────────────────┐
│            wi-verify            │
│       Metrics + Baselines       │
└─────────────────────────────────┘
                 │
                 ▼
╔═════════════════════════════════╗
║             wi-api              ║
║           REST + gRPC           ║
╚═════════════════════════════════╝
                 │
                 ▼
╔═════════════════════════════════╗
║            CONSUMERS            ║
║       CLI, UI, CoalForge        ║
╚═════════════════════════════════╝

ML Pipeline — Dual Path

                                ┌─────────────────────────┐
                                │         Sources         │
                                │    (GFS, GEFS, ERA5)    │
                                └─────────────────────────┘
                                             │
                     ┌───────────────────────┴───────────────────────┐
                     ▼                                               ▼
┌─ PATH 1: Global Model (Burn GraphCast) ─┐     ┌─ PATH 2: Regional Downscaler (ONNX) ────┐
│                                         │     │                                         │
│    ┌───────────────────────────────┐    │     │    ┌───────────────────────────────┐    │
│    │            Encoder            │    │     │    │       Coarse Forecast +       │    │
│    │     surface + atmosphere      │    │     │    │        DEM + Land Mask        │    │
│    └───────────────────────────────┘    │     │    └───────────────────────────────┘    │
│                    │                    │     │                    │                    │
│                    ▼                    │     │                    ▼                    │
│    ┌───────────────────────────────┐    │     │    ┌───────────────────────────────┐    │
│    │        12x GNN Layers         │    │     │    │            Feature            │    │
│    │        message passing        │    │     │    │          Engineering          │    │
│    └───────────────────────────────┘    │     │    └───────────────────────────────┘    │
│                    │                    │     │                    │                    │
│                    ▼                    │     │                    ▼                    │
│    ┌───────────────────────────────┐    │     │    ┌───────────────────────────────┐    │
│    │     3x Temporal Attention     │    │     │    │         ONNX Runtime          │    │
│    │           Performer           │    │     │    │       Level3, 4 threads       │    │
│    └───────────────────────────────┘    │     │    └───────────────────────────────┘    │
│                    │                    │     │                    │                    │
│                    ▼                    │     │                    ▼                    │
│    ┌───────────────────────────────┐    │     │    ╔═══════════════════════════════╗    │
│    │      Multi-Task Decoder       │    │     │    ║     6 vars x 4 quantiles      ║    │
│    │           17 heads            │    │     │    ║           + P(rain)           ║    │
│    └───────────────────────────────┘    │     │    ╚═══════════════════════════════╝    │
│                                         │     │                                         │
└─────────────────────────────────────────┘     └─────────────────────────────────────────┘

Three VPS Deployment Topology

┌─ VPS-1: Data Pipeline (Ingestion + Storage) ──────────────────────────────┐
│                                                                           │
│  ┌────────────┐     ┌───────────┐     ┌─────────────────────────┐         │
│  │ 7 Adapters │────►│ wi-ingest │────►│       wi-storage        │         │
│  └────────────┘     └───────────┘     │ Parquet, PostGIS, Redis │         │
│                                       └─────────────────────────┘         │
│                                                    ┆                      │
│                                                    ▲                      │
│                                           ┌─────────────────┐             │
│                                           │ BiasCorrection  │             │
│                                           └─────────────────┘             │
│                                                                           │
└───────────────────────────────────────────────────────────────────────────┘
                                      │ Kafka/Avro
                                      ▼
┌─ VPS-2: ML Engine (GPU, CUDA/WGPU) ───────────────────────────────────────┐
│                                                                           │
│  ┌────────────────┐     ┌─────────────────┐                               │
│  │ Burn GraphCast │────►│ ONNX Downscaler │                               │
│  └────────────────┘     └─────────────────┘                               │
│                                                                           │
│  ┌────────────────┐     ┌─────────────────┐                               │
│  │ TilingManager  │────►│ TileCoordinator │                               │
│  └────────────────┘     └─────────────────┘                               │
│                                                                           │
└───────────────────────────────────────────────────────────────────────────┘
                                      │ Kafka/Avro
                                      ▼
┌─ VPS-3: API + Frontend ───────────────────────────────────────────────────┐
│                                                                           │
│  ┌─────────────┐     ┌──────────────────┐                                 │
│  │   wi-api    │────►│ JWT + Rate Limit │                                 │
│  │ REST + gRPC │     └──────────────────┘                                 │
│  └─────────────┘               │                                          │
│                                │                                          │
│            ┌───────────────────┘                                          │
│            ▼                                                              │
│  ┌───────────────────┐     ╔══════════════════╗                           │
│  │ Leptos + MapLibre │────►║ CoalForge Events ║                           │
│  └───────────────────┘     ╚══════════════════╝                           │
│                                                                           │
└───────────────────────────────────────────────────────────────────────────┘

Anti-Double Counting — Source Registry

met.gfs       Base Physics  ──────────────────────────┐   ┌────────────────────────────┐
met.gefs      Base Ensemble ──────────────────────────┤   │                            │
met.aigfs     AI Member     ──────────────────────────┼──►│                            │
met.aigefs    AI Member     ──────────────────────────┤   │      Source Registry       │
met.bmkg_fc   Local Member  ──────────────────────────┘   │ can_have_separate_weight() │
                                                          │                            │
met.hgefs     Excluded      ┄┄ Blocked: Dependency ┄┄┄┐   │                            │
met.openmeteo Excluded      ┄┄ Blocked: Aggregator ┄┄┄┼┄┄►│                            │
ref.era5      Training Only ┄┄ Blocked: Training ┄┄┄┄┄┘   └────────────────────────────┘

───►  masuk fusion (bobot terpisah)      ┄┄►  diblokir

Bias Correction & Ensemble Probability

    ┌─ Bias Correction (Additive) ────────────────────────────────────────────┐
    │                                                                         │
    │ ┌───────────────────────────────┐                                       │
    │ │          x_prakiraan          │                                       │
    │ └───────────────────────────────┘                                       │
    │                 │                                                       │
    │                 ▼                                                       │
    │ ┌───────────────────────────────┐     ┌───────────────────────────────┐ │
    │ │    b (bias per variabel x     │┄┄┄┄►│    b_baru = (1-α)·b_lama +    │ │
    │ │   lead x siklus x stasiun)    │     │  α·(prakiraan - pengamatan)   │ │
    │ └───────────────────────────────┘     └───────────────────────────────┘ │
    │                 │                                                       │
    │                 ▼                                                       │
    │ ┌───────────────────────────────┐                                       │
 ┌──┼─┤  x_koreksi = x_prakiraan - b  │                                       │
 │  │ └───────────────────────────────┘                                       │
 │  │                                                                         │
 │  └─────────────────────────────────────────────────────────────────────────┘
 │
 │  ┌─ Ensemble Probability ──────────────────────────────────────────────────┐
 │  │                                                                         │
 │  │ ┌───────────────────────────────┐                                       │
 │  │ │      M anggota ensemble       │                                       │
 │  │ └───────────────────────────────┘                                       │
 │  │                 │                                                       │
 │  │                 ▼                                                       │
 │  │ ┌───────────────────────────────┐                                       │
 │  │ │  Hazard pada setiap anggota   │                                       │
 │  │ └───────────────────────────────┘                                       │
 │  │                 │                                                       │
 │  │                 ▼                                                       │
 │  │ ┌───────────────────────────────┐                                       │
 │  │ │   p = (1/M) · Σ(1[x_m > T])   │                                       │
 │  │ └───────────────────────────────┘                                       │
 │  │                 │                                                       │
 │  └─────────────────┼───────────────────────────────────────────────────────┘
 │                    │
 │                    ▼
 │         ╔═════════════════════╗
 └────────►║    Fusion Output    ║
           ║    FusedVariable    ║
           ╚═════════════════════╝

Output Contract — 16 Fields

╔═══════════════════════╗
║ FusionOutput Contract ║
╚══╤════════════════════╝
   │
   ├── unit_id / jenis_unit                    [wajib]
   ├── modul                                   [wajib]
   ├── terbit / berlaku_dari / berlaku_sampai  [wajib]
   ├── lead                                    [wajib]
   ├── probabilitas                            [wajib]
   ├── tingkat_siaga                           [wajib]
   ├── anggota / versi_model                   [wajib]
   ├── koreksi_bias                            [wajib]
   ├── sumber_id / atribusi                    [wajib]
   ├── label_istilah                           [wajib]
   └── klaim (D1-D4)                           [opsional]