MIT Bikin AI untuk Prediksi Bencana Ekstrem Tanpa Data Historis

Bayangkan sebuah kota harus bersiap menghadapi badai yang kekuatannya belum pernah tercatat sebelumnya. Tanggul laut harus menahan gelombang lebih tinggi dari rekor sebelumnya, jaringan listrik dituntut tetap menyala saat gelombang panas mencapai tingkat ekstrem, sementara petugas pemadam kebakaran harus menghadapi kebakaran hutan yang berpotensi menyebar jauh lebih luas.

Masalahnya, bagaimana pemerintah dan pengelola infrastruktur bisa mempersiapkan diri menghadapi bencana yang belum pernah terjadi?

Pertanyaan inilah yang coba dijawab para peneliti Massachusetts Institute of Technology (MIT). Mereka mengembangkan metode berbasis kecerdasan buatan (AI) yang mampu menghasilkan berbagai skenario peristiwa ekstrem, termasuk kejadian yang belum pernah muncul dalam data historis.

Teknologi tersebut dirancang untuk membantu perencana kota, pembuat kebijakan, perusahaan asuransi, hingga pengelola infrastruktur memahami kemungkinan skenario terburuk sebelum bencana benar-benar terjadi. Yang menarik, metode ini tidak harus dilatih menggunakan data bencana ekstrem yang pernah terjadi.

Memprediksi Bencana yang Belum Pernah Terjadi

Peristiwa ekstrem memiliki satu karakteristik yang membuatnya sulit diprediksi: sangat jarang terjadi. Badai dahsyat, gelombang panas dengan suhu yang memecahkan rekor, hujan ekstrem, banjir besar, dan kebakaran hutan berskala luas merupakan kejadian yang biasanya hanya muncul sesekali. Karena jumlah datanya terbatas, para peneliti dan perencana sering menghadapi kesulitan ketika ingin memperkirakan kejadian yang lebih ekstrem daripada catatan sebelumnya.

Selama ini, salah satu pendekatan yang digunakan untuk menilai risiko adalah mempelajari peristiwa ekstrem yang pernah terjadi. Data historis kemudian dimasukkan ke dalam model komputer untuk memperkirakan kemungkinan kejadian serupa atau lebih parah di masa depan.

Namun, pendekatan tersebut memiliki keterbatasan. Jika sebuah peristiwa belum pernah terjadi dan tidak terdapat dalam dataset, model akan kesulitan mempelajarinya secara langsung.

Tim MIT mencoba memecahkan persoalan tersebut dengan pendekatan berbeda.

Mereka mengembangkan metode pembelajaran mesin yang mampu mempelajari pola statistik dari data yang tersedia, kemudian menghasilkan skenario ekstrem yang secara statistik masih masuk akal meskipun belum pernah terjadi.

Kai Chang, mahasiswa pascasarjana MIT di bidang teknik mesin sekaligus anggota MIT Center for Computational Science and Engineering, mengatakan timnya ingin memodelkan peristiwa ekstrem yang belum pernah dilihat manusia dan tidak terdapat dalam dataset.

Dengan kata lain, AI tersebut tidak sekadar belajar mengulang kejadian masa lalu. Sistem dirancang untuk mengeksplorasi kemungkinan kejadian baru yang berada di luar catatan historis, tetapi tetap masuk akal secara statistik.

Mencari "Katrina" Berikutnya

Untuk menggambarkan pentingnya metode ini, peneliti menggunakan contoh Badai Katrina yang menghantam Amerika Serikat. Themis Sapsis, William I. Koch Professor of Mechanical and Ocean Engineering di MIT, mengatakan kejadian seperti Katrina dapat berlangsung dalam rentang beberapa dekade.

Pertanyaan berikutnya adalah: jika badai seperti Katrina dapat terjadi setiap 30 hingga 40 tahun, seperti apa badai yang kemungkinan terjadi sekali dalam 100 tahun? Apakah badai tersebut akan memiliki curah hujan lebih tinggi? Apakah wilayah terdampaknya lebih luas? Apakah durasinya lebih panjang? Atau kombinasi dari berbagai faktor tersebut?

Inilah jenis pertanyaan yang ingin dijawab metode baru MIT. Alih-alih hanya mencari kembali kejadian yang sudah tercatat, sistem mencoba menghasilkan ribuan kemungkinan skenario berdasarkan karakteristik wilayah dan probabilitas statistik.

Bagi pemerintah kota, informasi semacam ini sangat penting. Infrastruktur tidak hanya perlu dirancang agar mampu menghadapi kondisi yang biasa terjadi, tetapi juga perlu mempertimbangkan kejadian yang jarang namun memiliki dampak sangat besar.

Misalnya, sebuah kota mengetahui bahwa curah hujan tertinggi yang pernah tercatat adalah 200 milimeter. Perencana kemudian ingin mengetahui seperti apa dampaknya jika terjadi hujan ekstrem hingga 300 milimeter.

Badai dengan curah hujan 300 milimeter tersebut mungkin belum pernah tercatat. Namun, jika secara statistik masih memungkinkan, simulasi dapat membantu memperkirakan wilayah yang akan terdampak, luas cakupan hujan, hingga tingkat intensitasnya.

Informasi itu kemudian dapat digunakan untuk menentukan apakah sistem drainase, tanggul, jalan, jembatan, dan infrastruktur lainnya perlu diperkuat.

AI Belajar dari Data Cuaca Biasa

Metode yang dikembangkan MIT disebut Extreme Event Aware, atau η-learning.

Cara kerjanya cukup menarik. AI tidak harus memiliki banyak contoh bencana ekstrem untuk menghasilkan skenario ekstrem. Sebaliknya, algoritma mempelajari hubungan antara statistik suatu kejadian dan pola spasial yang muncul di wilayah tertentu.

Peneliti membagi informasi tersebut menjadi dua jenis data utama, yaitu statistik titik dan peta spasial. Statistik titik digunakan untuk mengetahui seberapa sering suatu tingkat ekstrem terjadi. Sementara itu, peta spasial memberikan gambaran mengenai bagaimana sebuah fenomena tersebar di suatu wilayah.

Untuk menguji metode tersebut, peneliti menggunakan data curah hujan di wilayah daratan Amerika Serikat. Dataset yang digunakan mencakup peta curah hujan setiap jam selama 25 tahun. Data tersebut kemudian diolah menjadi peta harian. Dari keseluruhan data, peneliti menghitung statistik yang menunjukkan seberapa sering curah hujan maksimum mencapai tingkat tertentu.

Kemudian, untuk melatih algoritma mengenai pola spasial, peneliti hanya menggunakan data enam bulan pertama. Periode tersebut memiliki sedikit atau bahkan tidak memiliki contoh curah hujan pada tingkat paling ekstrem.

Dengan demikian, algoritma tidak mendapatkan banyak contoh langsung mengenai kejadian ekstrem yang ingin diprediksi.

Namun, sistem tetap dapat mempelajari hubungan antara pola curah hujan pada peta beresolusi rendah dan peta beresolusi tinggi yang lebih detail. 

Setelah itu, informasi statistik digunakan sebagai batas agar skenario yang dihasilkan tidak menjadi sesuatu yang tidak masuk akal. Kombinasi kedua jenis informasi tersebut memungkinkan AI menghasilkan berbagai kemungkinan pola hujan yang lebih ekstrem daripada kejadian yang terdapat dalam data pelatihan.

Menghasilkan Ribuan Skenario

Keunggulan lain dari pendekatan ini adalah kemampuannya menghasilkan banyak kemungkinan. Pengguna dapat mengajukan pertanyaan seperti, "Seperti apa badai yang kemungkinan terjadi sekali dalam 100 tahun di New York City?"

Sistem kemudian dapat menghasilkan berbagai peta yang menggambarkan badai dengan probabilitas tersebut. Peta tersebut tidak hanya menunjukkan bahwa badai akan terjadi, tetapi juga memberikan gambaran mengenai karakteristiknya. Misalnya, seberapa luas wilayah yang mungkin terkena dampak, seberapa besar intensitas hujan, dan seperti apa pola penyebarannya.

Chang menjelaskan, jika seseorang ingin membangun infrastruktur yang mampu menghadapi risiko kejadian yang hanya muncul sekali dalam 100 tahun, metode tersebut dapat menghasilkan ribuan kemungkinan skenario.

Pendekatan ini penting karena satu jenis bencana sebenarnya tidak selalu memiliki bentuk yang sama. Dua badai dengan intensitas serupa dapat memiliki wilayah dampak berbeda. Demikian pula dua kebakaran hutan dapat menyebar dengan pola berbeda tergantung kondisi lingkungan.

Dengan menghasilkan banyak kemungkinan, perencana tidak perlu hanya mengandalkan satu skenario terburuk. Mereka dapat melihat rentang kemungkinan dan mempersiapkan infrastruktur menghadapi berbagai bentuk ancaman.

Tidak Hanya untuk Badai dan Hujan

Potensi metode ini juga tidak terbatas pada cuaca ekstrem. Selama tersedia data statistik dan informasi spasial yang relevan, teknologi tersebut dapat digunakan untuk mempelajari berbagai jenis peristiwa ekstrem lainnya. Banjir dan kebakaran hutan merupakan contoh yang dapat menjadi sasaran penerapan berikutnya.

Namun, bidang yang dapat memanfaatkan metode tersebut bahkan bisa melampaui persoalan lingkungan. Tim MIT menyebut metode η-learning juga berpotensi digunakan untuk navigasi robot dan pasar keuangan.

Di pasar keuangan, misalnya, kejatuhan pasar merupakan peristiwa ekstrem yang biasanya muncul akibat kombinasi berbagai faktor. Pergerakan di satu sektor dapat memengaruhi sektor lain dan akhirnya menciptakan efek berantai.

Pertanyaannya adalah bagaimana berbagai faktor tersebut berinteraksi hingga menghasilkan keruntuhan pasar.

Menurut Chang, metode yang dikembangkan timnya dapat digunakan untuk mengeksplorasi pola interaksi tersebut. Artinya, prinsip yang sama untuk memprediksi badai ekstrem berpotensi diterapkan pada sistem kompleks lainnya yang memiliki banyak variabel dan kemungkinan kejadian langka.

Risiko Ekstrem Kini Menjadi Persoalan Strategis

Bagi Sapsis, persoalan terbesar bukan hanya bagaimana memprediksi badai atau banjir. Peristiwa ekstrem kini memiliki dampak yang jauh lebih luas karena dunia semakin terhubung. Rantai pasok global, sistem energi, industri manufaktur, distribusi pangan, dan pasar keuangan saling bergantung. Gangguan besar pada satu bagian dapat merambat ke bagian lain dalam waktu relatif singkat.

Selama beberapa dekade, berbagai sistem global juga dirancang dengan fokus pada efisiensi. Tujuannya adalah mengurangi biaya, mengoptimalkan penggunaan sumber daya, dan mempercepat distribusi.

Namun, efisiensi memiliki konsekuensi. Sistem yang terlalu efisien bisa memiliki sedikit ruang cadangan ketika terjadi gangguan besar. Ketika sebuah peristiwa ekstrem terjadi, dampaknya dapat merambat melalui rantai pasok, pasar energi, dan sistem pangan dalam hitungan minggu.

Karena itu, kemampuan untuk memperkirakan kemungkinan terjadinya peristiwa yang belum pernah terjadi menjadi semakin penting. Bagi pemerintah dan pelaku industri, persoalannya bukan sekadar mengetahui apakah bencana akan terjadi. Mereka perlu memahami seberapa besar kemungkinan bencana tersebut, seberapa parah dampaknya, dan bagaimana bentuk skenarionya.

Membantu Dunia Bersiap Menghadapi Hal yang Belum Terjadi

Metode yang dikembangkan MIT menawarkan cara baru untuk melihat risiko. Alih-alih hanya bertanya apa yang pernah terjadi, pendekatan ini mengajak perencana bertanya: apa yang belum pernah terjadi, tetapi masih mungkin terjadi?

Perbedaan tersebut sangat penting.

Data historis tetap menjadi dasar untuk memahami karakteristik suatu wilayah. Namun, data masa lalu tidak selalu mampu menggambarkan batas terburuk dari apa yang mungkin terjadi di masa depan. Dengan menggabungkan pembelajaran mesin, statistik, dan informasi spasial, peneliti MIT mencoba mengisi celah tersebut.

Teknologi ini belum berarti manusia dapat mengetahui secara pasti kapan dan di mana bencana ekstrem akan terjadi. Sebaliknya, fungsinya adalah menghasilkan berbagai skenario yang masuk akal berdasarkan probabilitas. Dengan ribuan kemungkinan skenario tersebut, pemerintah dapat menguji ketahanan infrastruktur, perusahaan dapat mengevaluasi rantai pasok, dan pembuat kebijakan dapat menyusun strategi mitigasi yang lebih baik.

Pada akhirnya, nilai terbesar teknologi ini mungkin bukan pada kemampuannya "meramal" bencana, melainkan membantu manusia mempersiapkan diri terhadap kejadian yang belum pernah dilihat sebelumnya.