Denpasar – Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) semakin memperluas peluang mitigasi bencana, termasuk dalam pemantauan risiko banjir. Melalui integrasi data hidrologi, prakiraan cuaca, dan indikator iklim global, sebuah sistem pemantauan otomatis dikembangkan untuk membaca potensi banjir di 10 negara Asia Selatan dan Asia Tenggara.
Inisiatif tersebut dibahas oleh Adi Jufriansah, dosen dan peneliti Fakultas Informatika dan Sains Teknologi Terapan, Universitas Bali Internasional Muhammadiyah (BIM University), yang juga merupakan AI Engineer bidang geosains dan iklim, bersama Dhihram Tenrisau, Data Consultant Public Health Intelligence di World Health Organization (WHO) South-East Asia, pada 11 November 2026.
Sistem yang dikembangkan mengintegrasikan tiga sumber informasi utama, yakni Google Flood Hub untuk pemantauan risiko hidrologi, Open-Meteo untuk prakiraan cuaca, serta indikator iklim El Niño dan Indian Ocean Dipole (IOD). Integrasi tersebut bertujuan menghasilkan informasi peringatan risiko banjir secara otomatis pada tingkat provinsi dengan empat kategori, yaitu GREEN, YELLOW, ORANGE, dan RED.
Dalam sistem ini, Google Flood Hub digunakan untuk mengidentifikasi potensi luapan sungai berdasarkan ambang kejadian banjir dengan periode ulang 2, 5, dan 20 tahun. Sementara itu, Open-Meteo menyediakan informasi prakiraan curah hujan di berbagai kota. Kedua sumber tersebut dianalisis secara terpisah sebelum dipadukan dalam matriks pengambilan keputusan.
Dhihram menjelaskan bahwa data sungai dan prakiraan hujan tidak dapat disederhanakan dengan menghitung rata-rata skor. Keduanya memiliki karakteristik dan fungsi yang berbeda dalam menggambarkan potensi banjir.
“Kesalahan paling umum adalah merata-ratakan skor dari sumber yang berbeda. Kami memperlakukan keduanya sebagai dua saksi yang terpisah. Kalau kesaksiannya cocok, kita yakin. Kalau berbeda, perbedaan itu sendiri adalah informasi,” ujar Dhihram.
Mengutamakan Data Sungai dan Akurasi Peringatan
Salah satu prinsip utama sistem ini adalah menempatkan indikator hidrologi sebagai dasar penentuan tingkat risiko. Hal tersebut karena model Flood Hub telah memperhitungkan kondisi curah hujan pada keseluruhan daerah aliran sungai.
Sementara itu, prakiraan hujan digunakan sebagai indikator pendukung. Curah hujan tinggi tidak secara otomatis menghasilkan status RED karena hujan di suatu kota belum tentu menyebabkan sungai meluap. Sebaliknya, banjir sungai dapat terjadi meskipun kondisi cuaca di wilayah hilir sedang cerah akibat akumulasi hujan di wilayah hulu.
Sistem juga menerapkan mekanisme perubahan status yang adaptif. Peringatan dapat meningkat secara langsung ketika risiko bertambah, tetapi penurunan status dilakukan secara bertahap. Status baru dapat turun satu tingkat setelah dua kali pemantauan berturut-turut menunjukkan kondisi membaik.
Setiap hasil pemantauan dilengkapi tingkat keyakinan (confidence level) berupa High, Medium, atau Low. Penilaian dilakukan pada tingkat provinsi atau distrik agar peringatan lebih spesifik dan tidak menggeneralisasi kondisi seluruh negara.
Tantangan Validasi Data dan Pengaruh El Niño
Dalam pengembangan sistem, kualitas data menjadi salah satu tantangan penting. Berdasarkan analisis yang dilakukan, hanya sekitar 2,5 persen titik pantau Google Flood Hub di Myanmar dan 3 persen di Sri Lanka yang telah terverifikasi. Sebagian besar lainnya merupakan virtual gauge, yaitu titik prakiraan berbasis model yang belum dapat diuji secara langsung menggunakan data pengamatan.
Untuk mengantisipasi potensi kesalahan pembacaan, sistem menerapkan pendekatan klaster. Satu atau dua titik virtual yang menunjukkan potensi bahaya belum cukup untuk meningkatkan kewaspadaan. Namun, apabila terdapat tiga titik atau lebih dalam satu provinsi yang menunjukkan indikasi bahaya, kondisi tersebut diperlakukan sebagai sinyal yang perlu diperhatikan.
Selain data hidrologi dan meteorologi, sistem juga mempertimbangkan dinamika iklim global, termasuk El Niño dan Indian Ocean Dipole. Namun, kedua fenomena tersebut tidak digunakan sebagai pemicu langsung peringatan banjir.
Analisis data iklim ERA5 selama 20 tahun pada 13 kota menunjukkan bahwa pengaruh El Niño terhadap curah hujan berbeda-beda menurut lokasi dan musim. Dari 156 kombinasi kota dan musim yang dianalisis, hanya 30 yang memperlihatkan hubungan kuat.
Sebagai contoh, Bangkok cenderung mengalami kondisi lebih kering pada Februari hingga April saat El Niño. Sebaliknya, Colombo dan Malé menunjukkan kecenderungan lebih basah pada Oktober hingga Desember. Adapun pola hujan monsun di Dhaka, Kolkata, dan New Delhi relatif tidak menunjukkan hubungan kuat dengan fenomena tersebut.
Oleh karena itu, informasi El Niño dan IOD ditempatkan sebagai konteks iklim musiman, bukan sebagai dasar untuk menaikkan status peringatan banjir.
Uji Coba Menjangkau 232 Wilayah di 10 Negara
Sistem tersebut telah menjalani uji coba awal pada 10 November 2026 dengan memproses data dari 10 negara dalam waktu sekitar 2,5 menit. Hasil pemrosesan menghasilkan laporan harian dalam format Word serta tujuh visualisasi berupa peta dan grafik.
Dari total 232 provinsi dan distrik yang dipantau, dua wilayah masuk kategori ORANGE, yaitu Mandalay di Myanmar dan Kurunegala di Sri Lanka. Keduanya menunjukkan indikasi risiko berdasarkan klaster titik sungai berstatus bahaya. Selain itu, sebanyak 43 wilayah lainnya berada pada kategori YELLOW.
Hasil tersebut menunjukkan potensi pemanfaatan integrasi data dan kecerdasan buatan untuk mempercepat penyediaan informasi risiko bencana lintas negara. Informasi yang sebelumnya tersebar dalam berbagai sumber dapat dirangkum menjadi indikator yang lebih mudah dipahami dan digunakan sebagai bahan pertimbangan pengambilan keputusan.
Ke depan, pengembangan sistem akan diarahkan pada pengujian hasil peringatan terhadap kejadian banjir aktual. Langkah ini diperlukan untuk mengukur ketepatan status ORANGE dan RED sekaligus mengidentifikasi kemungkinan munculnya peringatan palsu (false alarm).
Selain itu, ambang batas curah hujan akan dikalibrasi menggunakan data historis selama 30 tahun pada setiap lokasi. Pengembangan berikutnya juga mencakup pemetaan sinyal potensi banjir bandang perkotaan dari Google Flood Hub hingga tingkat provinsi.
Adi Jufriansah menegaskan bahwa tantangan utama bukan sekadar menyediakan teknologi, melainkan mengubah data hidrologi dan iklim yang kompleks menjadi informasi yang dapat segera ditindaklanjuti.
“Teknologinya sudah tersedia. Tantangan sebenarnya adalah menerjemahkan model hidrologi dan iklim menjadi satu warna yang bisa ditindaklanjuti dalam lima menit pertama hari kerja,” ungkap Adi.
Sistem ini dirancang sebagai alat bantu pengambilan keputusan untuk mendukung pemantauan kesehatan masyarakat dan kesiapsiagaan bencana. Sistem tersebut bukan pengganti peringatan resmi. Penerbitan peringatan banjir tetap menjadi kewenangan lembaga meteorologi dan hidrologi nasional di masing-masing negara.
Melalui inisiatif ini, kontribusi akademisi BIM University dalam pengembangan teknologi berbasis AI diharapkan dapat memperkuat pemanfaatan data geospasial dan iklim untuk mendukung mitigasi bencana serta perlindungan masyarakat di kawasan Asia Selatan dan Asia Tenggara.
