Perubahan iklim membuat cuaca semakin tidak dapat diprediksi, dan bencana langka menjadi begitu jarang sehingga statistik yang terkumpul sering kali tidak cukup untuk menilai risiko. Para insinyur dari Massachusetts Institute of Technology (MIT) mengusulkan pendekatan yang membalikkan logika umum: algoritme mereka tidak belajar dari bencana masa lalu, melainkan menghasilkan skenario peristiwa yang belum pernah terjadi dalam sejarah suatu wilayah. Para pengembang — mahasiswa pascasarjana Kai Chang dan Profesor Themis Sapsis — mempresentasikan metode yang membangun peta potensi bencana berdasarkan probabilitas statistik, bukan pengulangan dari apa yang sudah terjadi.
Mengapa model risiko tradisional buta terhadap ancaman baru
Perusahaan asuransi, perencana kota, dan operator jaringan listrik biasanya menilai risiko melalui simulasi yang bergantung pada peristiwa ekstrem yang sudah terjadi. Dalam model seperti ini, data badai, banjir, atau kekeringan masa lalu dimasukkan, lalu pola-pola tersebut diproyeksikan ke masa depan. Logikanya sederhana: jika bencana berulang dengan periode tertentu, bencana itu dapat diprediksi dengan analogi.
Namun, pendekatan ini memiliki cacat mendasar, yang dijelaskan oleh para peneliti MIT menggunakan contoh Badai Katrina. Peristiwa sebesar itu terjadi kira-kira sekali dalam 30–40 tahun, sementara perusahaan asuransi dan insinyur membutuhkan penilaian untuk fenomena yang jauh lebih jarang — yang terjadi sekali dalam satu abad atau lebih. Data tentang bencana semacam itu hampir tidak ada, sehingga algoritme klasik cenderung meremehkan risiko atau sekadar memprediksi apa yang sudah terjadi. Pengembangan baru ini berupaya menutup celah tersebut dengan menjawab pertanyaan: seperti apa peristiwa dengan probabilitas satu persen per tahun, meskipun hal serupa tidak pernah tercatat.
Bagaimana algoritme belajar dari hal yang "mustahil"
Alih-alih mencari jejak bencana dalam data historis, metode Extreme Event Aware (η-learning) bekerja dengan dua jenis data masukan. Jenis pertama adalah statistik titik: statistik ini menunjukkan seberapa sering tingkat intensitas tertentu muncul dalam kumpulan data, misalnya jumlah curah hujan maksimum pada peta dalam satu hari. Jenis kedua adalah peta spasial yang menggambarkan bagaimana kekuatan dampak tersebar di seluruh wilayah.
Ide utamanya adalah mempelajari hubungan statistik antara kedua representasi ini. Algoritme melihat bagaimana pola spasial resolusi rendah berhubungan dengan peta detail resolusi tinggi, dan menggunakan statistik titik dari seluruh periode sebagai pembatas. Berkat ini, algoritme mampu menciptakan skenario spasial yang realistis untuk peristiwa yang jauh melampaui contoh mana pun dalam data pelatihan. Pada dasarnya, jaringan ini tidak memprediksi "apa yang akan terjadi", melainkan menyusun "apa yang mungkin terjadi" — tetapi dengan probabilitas yang dapat dipertanggungjawabkan secara matematis.
Uji coba pada data curah hujan Amerika
Metode ini diuji menggunakan data curah hujan di wilayah kontinental Amerika Serikat. Untuk eksperimen, diambil 25 tahun pengamatan per jam, digabungkan menjadi peta harian, dan dihitung statistik titiknya — seberapa sering curah hujan maksimum pada peta mencapai tingkat tertentu selama periode tersebut. Model spasial dilatih dengan materi yang jauh lebih sederhana: hanya enam bulan peta berpasangan resolusi rendah dan tinggi. Enam bulan pertama dari periode 25 tahun dipilih — rentang waktu di mana hujan lebat hampir tidak ada atau tidak ada sama sekali.
Kemudian algoritme menghubungkan bagaimana pola resolusi rendah berubah menjadi detail resolusi tinggi, dan menerapkan statistik titik penuh dari seperempat abad tersebut untuk membatasi rentang pembuatan skenario. Hasilnya cukup signifikan: curah hujan maksimum yang tercatat di New York mencapai 200 milimeter, sementara metode ini mampu menghasilkan peta badai yang masuk akal dengan 300 milimeter — tingkat yang tidak memiliki padanan dalam pengamatan. Pengguna dapat menentukan kota pada algoritme dan meminta "badai sekali dalam 100 tahun", lalu mendapatkan serangkaian peta dengan ukuran, luas cakupan, dan intensitas curah hujan yang berbeda-beda. Selain itu, pembuatan skenario semacam ini tidak membutuhkan sumber daya komputasi besar: jaringan dapat menghasilkan banyak varian sekaligus dalam satu kali proses.
Untuk siapa bencana yang dihasilkan ini berguna
Kemampuan untuk melihat lebih awal bencana yang belum pernah terjadi membuka prospek praktis bagi berbagai solusi infrastruktur. Pemerintah kota dapat memeriksa apakah tanggul mampu menahan gelombang badai yang melebihi semua yang pernah tercatat. Perusahaan energi mendapatkan skenario panas yang lebih lama dan lebih intens untuk menilai apakah jaringan listrik mampu menangani beban puncak. Sementara dinas pemadam kebakaran dapat berlatih memadamkan kebakaran hutan yang lebih luas dari kebakaran mana pun yang pernah terjadi di wilayah mereka.
Keterbatasan dan pandangan ke depan
Sejauh ini, metode ini baru didemonstrasikan pada curah hujan, dan untuk diterapkan pada jenis bencana lain, diperlukan penyiapan data yang sesuai: baik statistik titik maupun peta spasial untuk bahaya tertentu. Ke depannya, para penulis melihat perluasan ke banjir besar dan kebakaran hutan yang tidak memiliki padanan dalam arsip historis.
Themis Sapsis menekankan konteks yang lebih luas: infrastruktur global modern dioptimalkan untuk efisiensi dan menyisakan sangat sedikit ruang aman. Satu peristiwa ekstrem dapat menyebar dalam hitungan minggu melalui rantai pasokan, pasar energi, dan sistem pangan. Oleh karena itu, kemampuan untuk menetapkan probabilitas pada peristiwa yang belum pernah terjadi bukan hanya soal keingintahuan ilmiah, tetapi juga ketahanan nasional dan ekonomi. Algoritme baru MIT mengambil langkah ini: algoritme ini tidak memprediksi masa depan berdasarkan masa lalu, melainkan membantu mempersiapkan diri terhadap apa yang mungkin terjadi secara statistik, meskipun belum pernah terjadi.
