Banjir bandang merenggut lebih dari 5.000 nyawa setiap tahunnya, menjadikannya salah satu fenomena cuaca paling mematikan di seluruh dunia. Ketidakpastian cuaca berasal dari serangannya yang cepat dan sifatnya yang terlokalisasi, yang sulit ditangkap oleh sistem pemantauan cuaca tradisional. Kini, Google memelopori solusi baru: memanfaatkan kecerdasan buatan dan jutaan laporan berita untuk memperkirakan banjir bandang secara real-time.
Masalah Peramalan Tradisional
Data cuaca konvensional sering kali tidak memperhitungkan banjir bandang karena banjir terjadi terlalu cepat dan wilayahnya terlalu kecil. Meskipun suhu dan aliran sungai terus dilacak, kejadian-kejadian ini sering kali terjadi dalam waktu singkat untuk diukur secara akurat. Kesenjangan data ini menghambat efektivitas model pembelajaran mendalam, yang unggul dalam prediksi cuaca namun memerlukan catatan sejarah yang komprehensif.
Sumber Dasar: Mengubah Berita menjadi Data yang Dapat Ditindaklanjuti
Untuk mengatasi tantangan ini, peneliti Google menggunakan model bahasa besar Gemini untuk menganalisis sekitar 5 juta artikel berita. Proses ini mengekstraksi informasi tentang 2,6 juta kejadian banjir, sehingga menghasilkan kumpulan data deret waktu yang diberi tag geografis yang disebut “Groundsource”. Ini pertama kalinya Google menerapkan model bahasa untuk menghasilkan data prakiraan cuaca penting. Dengan menambang laporan dari seluruh dunia, Groundsource secara efektif mengisi kesenjangan dalam data konvensional, terutama di wilayah yang tidak memiliki infrastruktur cuaca canggih.
Cara Kerja Model
Kumpulan data Groundsource kemudian digunakan untuk melatih jaringan saraf Long Short-Term Memory (LSTM). Model ini menyerap prakiraan cuaca global dan menghasilkan kemungkinan banjir bandang di wilayah tertentu. Hasilnya adalah alat prediksi yang diterapkan pada platform Flood Hub Google, yang memberikan penilaian risiko untuk wilayah perkotaan di 150 negara. Data tersebut juga dibagikan kepada lembaga tanggap darurat di seluruh dunia, sehingga meningkatkan kemampuan mereka untuk bereaksi cepat terhadap bencana yang akan datang.
Keterbatasan dan Implikasi yang Lebih Luas
Meskipun merupakan terobosan, model ini bukannya tanpa keterbatasan. Resolusi yang ada saat ini mencakup area seluas 20 kilometer persegi, yang kurang tepat dibandingkan sistem seperti Layanan Cuaca Nasional AS yang menggabungkan data radar lokal. Namun, kekuatan sebenarnya dari proyek ini terletak pada penerapannya di wilayah dimana pemerintah kekurangan sumber daya untuk infrastruktur penginderaan cuaca yang mahal.
“Karena kami mengumpulkan jutaan laporan, kumpulan data Groundsource sebenarnya membantu menyeimbangkan kembali peta. Hal ini memungkinkan kami melakukan ekstrapolasi ke wilayah lain yang tidak memiliki banyak informasi.”
— Juliet Rothenberg, Manajer Program di tim Ketahanan Google
Google berencana memperluas pendekatan ini pada fenomena lain yang sulit diperkirakan seperti gelombang panas dan tanah longsor. Keberhasilan Groundsource menunjukkan potensi model bahasa besar untuk mengubah data kualitatif – laporan berita, laporan saksi mata – menjadi wawasan kuantitatif yang mendorong tindakan di dunia nyata. Proyek ini menyoroti tren penggunaan AI untuk mengisi kesenjangan data penting dalam geofisika, di mana kelangkaan masih menjadi kendala utama dalam pemodelan yang akurat.
Inisiatif ini menggarisbawahi sebuah poin penting: di era informasi yang berlebihan, nilai sebenarnya tidak terletak pada pengumpulan lebih banyak data, namun pada penggalian makna dari apa yang sudah ada.
