Campusnesia.co.id - Dalam era kemajuan teknologi dan urbanisasi yang pesat, konsep smart cities telah menjadi visi utama untuk membentuk perkotaan yang berkelanjutan dan cerdas. Salah satu elemen krusial dalam mewujudkan visi ini adalah integrasi data sains sebagai solusi proaktif dalam menghadapi tantangan bencana.
Smart cities menawarkan panggung inovatif untuk memanfaatkan informasi terkini dan analisis mendalam guna meningkatkan kapasitas kota dalam menghadapi risiko bencana. Artikel ini akan membahas penerapan sistem peringatan dini yang berbasis data sains sebagai langkah konkret untuk memitigasi dampak bencana.
Indonesia, sebagai negara dengan sejarah bencana alam yang signifikan, menghadapi risiko yang tinggi terkait gempa bumi, banjir, dan letusan gunung berapi. Integrasi data sains dalam konteks mitigasi dan manajemen bencana menjadi senjata utama untuk memahami pola, memprediksi, dan merespons bencana secara cepat. Didukung dari argumen Menteri Pekerjaan Umum dan Perumahan Rakyat (PUPR) Basuki Hadimuljono yang menyatakan bahwa integrasi data sains adalah fondasi keberlanjutan smart cities.
Pemanfaataan data secara efisien, dapat menciptakan lingkungan yang aman, nyaman, dan berkelanjutan bagi penduduk. Kaitannya dengan data terletak pada prediksi, salah satunya pada bencana banjir. Dengan menggunakan metode Time Variant Inertia Weight Particle Swarm Optimization (TVIWPSO) dan Support Vector Regression (SVR) kecerdasan buatan mampu memprediksi banjir serta untuk prediksi curah hujan, debit dan juga banjir dengan metode Backpropagation Neural Network (BP-NN) dan Support Vector Machine (SVM) (Riza dkk., 2020).
Umumnya, model-model ini dibuat berlandaskan kumpulan data curah hujan dan ketinggian muka air sungai sehingga menghasilkan model yang cukup efektif dan akurat dalam memprediksi indundasi pada daerah tersebut. Melihat Korea yang melahirkan peringatan dini dan mampu memprediksi kriteria hujan lebat dalam 3 jam berikutnya dengan penerapan variable input selektif, PCA (Principal Component Analyses), serta regresi logistik (Moon et al., 2019).
Selain itu, algoritma Markov Chains yang seringkali digunakan dalam penelitian untuk prediksi kejadian bencana alam. Langkah awalnya juga dilandaskan dengan pengumpulan data dengan implementasi data mining. Untuk metode Markov Chains singkatnya menggunakan probabilitas untuk tiap matrix frekuensi kejadian bencana alam (Mustakim dkk., 2018). Selain itu, sistem informasi geografis (GIS) dan analisis spasial memungkinkan identifikasi area yang rentan, rute evakuasi yang optimal, dan lokasi tempat pengungsian yang strategis.
Dengan keberadaan data sains dan bantuan AI memungkinkan pemerintah dan lembaga terkait untuk memberikan peringatan dini dan merencanakan tanggapan bencana. Integrasi teknologi bukan hanya tentang meningkatkan efisiensi, tetapi juga tentang melindungi dan meningkatkan kualitas hidup penduduk Indonesia untuk masa depan yang lebih cerdas dan lebih aman untuk generasi mendatang.
Penulis
Rashiqa Dewi Nariswari
Mahasiswi Semester 3
Jurusan Sains Data
Universitas Airlangga
Daftar Pustaka:
Moon, S-H., Y-H. Kim, Y.H. Lee, B-R. Moon. 2019. Application of Machine Learning to An Early Warning System for Very ShortTerm Heavy Rainfall. Journal of Hydrology 568: 1042-1054.
Mustakim, M., Kamila, I., & Ramadhan, A. (2018). Implementasi Algoritma Markov Chains untuk Prediksi Kejadian Bencana Alam di Provinsi Riau. In Seminar Nasional Teknologi Informasi Komunikasi dan Industri (pp. 151-157).
Riza, H., Santoso, E. W., & Tejakusuma, I. G. (2020). UTILIZATION OF ARTIFICIAL INTELLIGENCE TO IMPROVE FLOOD DISASTER MITIGATION PEMANFAATAN KECERDASAN ARTIFISIAL UNTUK MENINGKATKAN MITIGASI BENCANA BANJIR. Jurnal Sains dan Teknologi Mitigasi Bencana, 15(1).
Kata-kata Menteri PUPR Basuki Hadimuljono dapat ditemukan dalam wawancara resmi pada acara Konferensi Smart City Indonesia, 2023. [Sumber Resmi Konferensi](https://www.smartcityindonesia.com/interviews/basuki-hadimuljono)
