BENGKULU — Teknologi AI spasial mulai dipakai kota-kota di Amerika Serikat untuk memprediksi titik banjir dan kerusakan infrastruktur sebelum badai ekstrem datang. Geolava, lab pengembang model AI untuk dunia fisik, mengklaim akurasi prediksi risiko banjir pada aset jalan mencapai sekitar 87 persen. Pendekatan ini menyasar celah yang tak terjangkau prakiraan cuaca konvensional.
Hantz Févry, CEO Geolava, menjelaskan bahwa AI cuaca dan AI spasial bekerja pada dua lapisan berbeda. AI cuaca memprediksi apa yang akan dilakukan atmosfer, sementara AI spasial memprediksi apa yang akan dilakukan cuaca terhadap lokasi spesifik: gorong-gorong tertentu, ruas jalan tertentu, blok tertentu.
Perbedaan itu penting karena prakiraan cuaca konvensional sudah sangat baik membaca bahaya, tetapi buta terhadap kerentanan. Model cuaca tidak mengetahui kondisi fisik dunia yang akan diterjang bencana. Di sinilah AI spasial masuk sebagai pelengkap.
Bagaimana AI Spasial Bekerja di Lapangan
Platform Geolava bernama Terra terus mengamati aset seperti jalan, trotoar, saluran drainase, dan vegetasi di sekitarnya. Sistem memberi skor kondisi, melacak kecepatan degradasi, lalu memproyeksikan apa yang terjadi bila kondisi saat ini berlanjut.
Yang ditangkap adalah perubahan lambat dan menumpuk yang tidak mungkin dipantau manusia lintas ribuan kilometer. Contohnya gorong-gorong yang perlahan tertimbun sedimen, perkerasan jalan yang mulai ambles, atau vegetasi yang merambat ke area jalan.
Févry menegaskan perencana kota tidak melewatkan hal-hal itu karena lalai. Tidak ada kota yang punya staf cukup untuk memeriksa setiap aset setiap bulan. Terra memberi gambaran prioritas tentang mana yang harus dicek lebih dulu.
Uji Nyata di Florida dan Akurasi 87 Persen
Bukti paling konkret datang dari kerja sama dengan Departemen Transportasi Florida. Geolava memprediksi risiko banjir pada aset jalan dengan akurasi sekitar 87 persen. Angka ini menjadi salah satu klaim paling terukur dari penerapan AI spasial di sektor infrastruktur publik.
Departemen Transportasi Florida kemudian menandatangani kontrak multi-tahun bernilai jutaan dolar dengan Geolava. Terra akan memberi pemantauan berkelanjutan atas aset jalan: skor kondisi, laju degradasi, serta proyeksi risiko banjir dan kegagalan aset.
Tujuannya menggeser pola kerja dari perbaikan reaktif ke perawatan proaktif. Aset diperbaiki sebelum jebol di tengah badai, bukan sesudahnya. Keberhasilan diukur dari akurasi prediksi terhadap kejadian nyata, lama waktu peringatan yang diberikan, penurunan perbaikan darurat dan penutupan jalan akibat badai, serta biaya yang dihemat per dolar belanja.
Ketika Model Salah, Apa yang Terjadi
Févry mengakui tidak ada model yang sempurna. Menurut dia, siapa pun yang mengklaim modelnya sempurna tidak layak dipercaya menangani infrastruktur publik. Cara Geolava menanganinya adalah menerbitkan ulang prakiraan setiap kali ada observasi baru, mirip prakiraan cuaca yang diperbarui seiring perkembangan badai.
Posisi Terra adalah pendukung keputusan, bukan pengambil keputusan. Insinyur dan staf kota yang memutuskan, dan setiap prakiraan disertai rentang waktu serta bukti di baliknya.
Soal risiko melewatkan permukiman rentan, Févry menilai ancaman sebenarnya justru status quo. Inspeksi hari ini sering mengikuti aduan dan tekanan politik, sehingga kawasan yang tidak pernah menelepon layanan 311 justru yang paling sering terlewat. Pemantauan sistematis seluruh kota memeriksa setiap blok dengan standar sama.
Kota Beranggaran Kecil dan Data yang Berantakan
Terra dirancang dengan asumsi catatan aset selalu tidak lengkap. Sistem bertumpu pada citra dan observasi dari udara, satelit, serta level jalan, bukan pada basis data aset yang sempurna. Di Jacksonville, Geolava memverifikasi dan mengoreksi inventaris trotoar kota terhadap kondisi sebenarnya di lapangan.
Biaya mengamati dunia fisik terus turun, dan itu yang membuat teknologi ini masuk akal bagi kota berkantong tipis. Kota tidak perlu membangun jaringan sensor sendiri.
Févry tetap menyoroti kesenjangan digital sebagai kekhawatiran nyata. Menurut dia, tanggung jawab ada pada Geolava dan mitra sektor publik agar komunitas kecil dengan sumber daya terbatas tidak menjadi yang terakhir mendapat manfaat.
Pelajaran dari Google DeepMind
Sebelum memimpin Geolava, Févry bekerja sebagai product manager di Google DeepMind. Pengalaman itu mengajarinya bahwa demo hanya menunjukkan skenario terbaik. Kepercayaan di dunia nyata lahir dari cara sistem berperilaku pada skenario terburuk dan seberapa jujur sistem menyampaikan ketidakpastiannya.
Pelajaran terbesarnya: ground truth adalah segalanya. Validasi dilakukan terhadap apa yang benar-benar terjadi di lapangan, bukan terhadap benchmark. Ketika nyawa jadi taruhan, sistem juga harus bisa dijelaskan kepada orang yang bertanggung jawab atas keputusan, yang biasanya insinyur pekerjaan umum, bukan ilmuwan data.
Karena itu Geolava memulai dari cakupan sempit: kondisi dan degradasi untuk beberapa jenis aset, sebelum melebar ke prediksi kegagalan. Prinsipnya, mengirim sesuatu yang sempit dan tepat lebih baik daripada luas dan salah.
Gambaran Kota pada 2035
Févry membayangkan sebuah kota yang dilengkapi AI spasial pada 2035. Beberapa hari sebelum badai besar mendarat, kota itu sudah tahu jalan, saluran, dan permukiman mana yang berpotensi gagal berdasarkan jalur dan curah hujan badai tersebut, bukan peta banjir generik.
Pompa, kru, dan penghalang bisa ditempatkan lebih dulu di aset paling berisiko, alih-alih menyebar sumber daya tipis-tipis. Rute evakuasi bisa dipilih berdasarkan jalan yang diprediksi tetap bisa dilalui, hal yang krusial bagi warga tanpa kendaraan.
Setelah badai lewat, penilaian kerusakan berlangsung dalam hitungan jam, bukan minggu, karena kota sudah mengetahui kondisi setiap aset sebelumnya dan bisa mengukur persis apa yang berubah. Févry merangkumnya singkat: hari ini kota bersiap menghadapi badai, pada 2035 kota bersiap menghadapi konsekuensinya, blok demi blok.
Bagi Indonesia, pendekatan ini relevan untuk kota pesisir yang rutin dilanda banjir rob dan jalan yang ambles. Selama data citra satelit dan observasi lapangan tersedia, model semacam Terra bisa dipakai memetakan aset mana yang perlu diperiksa lebih dulu sebelum musim hujan tiba.
