Peran AI dalam Pemantauan dan Peringatan Dini Bencana

Pemantauan lingkungan menghasilkan banyak jenis informasi: pengamatan cuaca, kondisi sungai, citra wilayah, hingga catatan kejadian terdahulu. Tantangannya adalah membaca hubungan di antara informasi tersebut. Kecerdasan buatan atau AI dapat membantu analisis, dengan hasil yang tetap perlu ditempatkan dalam konteks kerja petugas dan kondisi wilayah.

Membaca pola dari data lingkungan

WMO menjelaskan penggunaan AI untuk mengolah data pengamatan, mengenali pola, dan mendukung prakiraan. Sumber datanya dapat mencakup satelit, radar, pengamatan permukaan, dan catatan sungai. Dalam pemantauan bencana, hasil analisis menjadi bahan pendukung untuk memahami perubahan kondisi dan menyusun informasi yang lebih berguna.

AI tidak memiliki satu bentuk penerapan untuk semua kebutuhan. Membaca citra wilayah berbeda dengan memperkirakan aliran sungai atau mengelompokkan laporan tertulis. Tujuan yang jelas membantu tim menentukan data apa yang dibutuhkan, hasil apa yang ingin diperoleh, dan bagaimana hasil tersebut nantinya diperiksa.

Contoh penelitian pada prakiraan banjir

Salah satu contoh dapat dilihat pada penelitian prakiraan banjir Google Research. Tim peneliti melatih model menggunakan data sungai yang tersedia dari banyak wilayah, kemudian mengevaluasi kemampuannya untuk wilayah yang tidak memiliki pengukuran aliran setempat. Pendekatan ini menunjukkan bagaimana pembelajaran dari kumpulan data dapat membantu menjawab keterbatasan pengamatan.

Penelitian tersebut juga membandingkan hasil model dengan sistem prakiraan pembanding. Jadi, penilaian tidak berhenti pada apakah peta atau grafik terlihat meyakinkan. Yang diperiksa adalah kemampuan hasil prakiraan dalam pengujian. Hasil sebuah penelitian tetap perlu dibaca sesuai jenis bencana, data, dan cakupan evaluasinya; tidak otomatis berlaku untuk semua lokasi.

Kualitas data dan pemeriksaan tetap menentukan

Menurut WMO, kemampuan model dapat menurun ketika data pengamatan terbatas, kejadian jarang terjadi, atau kondisi berbeda dari data pelatihan. Karena itu, AI tetap menjadi bagian dari sistem yang mencakup pengamatan, pengetahuan fisik, dan keahlian manusia. Kecepatan pengolahan saja belum cukup untuk menilai kelayakan suatu hasil.

Dalam contoh rancangan dashboard, pembaca perlu dapat menemukan sumber data, waktu pembaruan, serta keterangan apakah hasil masih menunggu pemeriksaan. Bayangkan petugas menerima dua hasil analisis yang berbeda: keterangan tersebut membantu mereka menentukan apa yang perlu diperiksa, bukan sekadar memilih warna indikator yang paling mencolok.

Mulai dari pertanyaan yang terbatas

Organisasi dapat memulai pembahasan dengan satu pertanyaan yang konkret, misalnya informasi apa yang paling sulit diperiksa secara rutin. Setelah itu, susun contoh masukan dan keluaran yang diharapkan. Apakah tim memerlukan ringkasan perubahan, penandaan data yang perlu diperiksa, atau dukungan membaca riwayat? Pertanyaan ini membantu membatasi tujuan sebelum memilih teknologi.

Pada tahap percobaan, catat hasil yang membantu maupun yang keliru. Sertakan pengguna lapangan dalam penilaian agar keluaran mudah dipahami dalam pekerjaan sehari-hari. Percobaan semacam ini dapat menjadi dasar diskusi pengembangan, tanpa langsung menganggap model sudah siap menjadi sumber peringatan bagi masyarakat.

Jika organisasi ingin membahas kebutuhan pemantauan berbasis data, hubungi LNT untuk menyusun ruang lingkupnya. Informasi peringatan resmi tetap mengikuti instansi yang berwenang.