Ketika bencana alam melanda, waktu menjadi faktor yang sangat menentukan. Gempa bumi, banjir, hingga badai besar bisa menghancurkan ribuan bangunan hanya dalam hitungan menit. Petugas penyelamat di lapangan harus bergerak cepat untuk menentukan lokasi yang paling membutuhkan bantuan. Sayangnya, di banyak negara penilaian kerusakan bangunan masih dilakukan secara manual. Para ahli harus turun langsung ke lokasi, mendokumentasikan kerusakan, dan menyusun laporan. Proses ini bukan hanya memakan waktu tetapi juga berbahaya bagi para petugas.
Sebuah penelitian terbaru yang diterbitkan di Progress in Disaster Science pada tahun 2025 menunjukkan cara baru yang lebih cepat, lebih akurat, dan jauh lebih efisien untuk menilai kerusakan bangunan setelah bencana. Tim peneliti yang dipimpin Julia Kohns menggabungkan pengetahuan ahli, kecerdasan buatan berbasis pemodelan 3D, dan partisipasi publik melalui crowdsourcing. Pendekatan ini berhasil menghasilkan penilaian kerusakan yang dapat digunakan lebih awal dalam fase darurat.
Baca juga artikel tentang: Bumi Terancam! Asteroid Bennu Bisa Sebabkan Bencana Global seperti Kiamat
Para peneliti berangkat dari satu kenyataan penting. Masyarakat dunia saat ini bergantung pada teknologi dalam berbagai aspek kehidupan. Namun dalam penanganan bencana, teknologi masih belum digunakan secara maksimal. Padahal bencana semakin sering terjadi dan dampaknya semakin besar akibat perubahan iklim dan urbanisasi yang pesat. Dalam situasi seperti ini, informasi yang cepat dan akurat mengenai kondisi bangunan sangat dibutuhkan untuk menyelamatkan nyawa dan mendistribusikan bantuan secara tepat.
Penelitian ini memfokuskan perhatian pada kombinasi tiga kekuatan teknologi dan manusia. Kekuatan pertama adalah domain knowledge atau pengetahuan khusus para ahli bangunan dan kebencanaan. Pengetahuan ini mencakup pemahaman mendalam tentang struktur bangunan, pola kerusakan, dan cara mengevaluasi risiko setelah bencana. Kekuatan kedua adalah pemodelan komputer modern termasuk machine learning tiga dimensi yang mampu membaca citra bangunan dari udara atau dari berbagai sumber visual lain untuk memprediksi tingkat kerusakan. Kekuatan ketiga adalah crowdsourcing atau kontribusi masyarakat melalui platform digital.
Ketiga kekuatan ini digabungkan menjadi satu kerangka kerja yang saling terhubung. Hasilnya adalah sistem penilaian kerusakan yang dapat berjalan secara otomatis sejak awal sampai akhir. Para peneliti menyebut sistem ini sebagai pendekatan trans dan interdisipliner karena melibatkan banyak bidang ilmu dan memadukannya ke dalam satu alur kerja.
Salah satu studi kasus dalam penelitian ini adalah kerusakan akibat gempa bumi. Gempa menjadi contoh ideal karena kerusakan bangunan bisa sangat luas dan beragam. Pada tahap pertama, tim mengembangkan metode baru untuk membaca kerusakan melalui data visual. Data ini dapat berupa foto udara dari drone, pemindaian lidar tiga dimensi, atau citra satelit. Machine learning memainkan peran besar dengan mempelajari ribuan contoh kerusakan untuk mengenali pola yang sulit dilihat oleh mata manusia.
Tahap berikutnya adalah menggabungkan informasi dari berbagai metode ini untuk menghasilkan laporan kerusakan yang lebih lengkap dan lebih akurat. Kombinasi ini penting karena setiap metode punya kelebihan dan kekurangan. Foto drone bisa memberikan detail tinggi tetapi cakupannya terbatas. Citra satelit mencakup area luas tetapi resolusinya lebih rendah. Pemindaian lidar sangat akurat tetapi mahal dan tidak selalu tersedia. Dengan menggabungkannya, tim peneliti berhasil menciptakan sistem yang lebih tangguh.
Keuntungan lain dari pendekatan ini terletak pada desain arsitektur sistem yang memungkinkan alur data mengalir otomatis. Setiap komponen saling terhubung melalui antarmuka yang didefinisikan secara jelas. Data masuk dari berbagai sumber lalu diproses, dianalisis, dan diubah menjadi informasi yang siap digunakan oleh petugas kebencanaan tanpa jeda panjang. Dengan cara ini, penilaian kerusakan tidak lagi terhambat oleh proses manual.
Sisi inovatif lainnya adalah penggunaan crowdsourcing. Peneliti membuka ruang bagi masyarakat umum untuk mengunggah foto dan informasi dari lapangan. Masyarakat bisa berperan sebagai mata tambahan yang membantu mengisi kekosongan data yang tidak tertangkap oleh drone atau satelit. Kontribusi ini sangat berharga terutama dalam kondisi ketika akses ke lokasi bencana terbatas.
Untuk memastikan sistem ini dapat digunakan secara global, para peneliti memilih membuatnya berbasis open source. Keputusan ini membuat sistem dapat dikembangkan, dimodifikasi, dan digunakan oleh negara mana pun tanpa biaya lisensi. Setiap wilayah dapat menyesuaikan modul sistem dengan kondisi lokal termasuk jenis bangunan, aturan keselamatan, dan karakteristik bencana yang sering terjadi di daerah mereka.
Keunggulan nyata dari pendekatan ini terlihat ketika peneliti membandingkannya dengan metode konvensional. Proses penilaian yang biasanya memakan waktu berhari-hari kini dapat dilakukan dalam hitungan jam. Informasi kerusakan dapat mencakup area yang jauh lebih luas. Laporan yang dihasilkan juga lebih konsisten karena standar analisis ditetapkan dalam sistem sehingga tidak bergantung pada subjektivitas individu.
Lebih penting lagi, pendekatan ini berpotensi menyelamatkan lebih banyak nyawa. Informasi kerusakan yang cepat memungkinkan tim penyelamat menentukan prioritas secara tepat. Bangunan yang paling rusak dan paling berisiko dapat dikunjungi lebih dulu. Sumber daya yang terbatas seperti ambulans, petugas, dan peralatan berat dapat diarahkan dengan efisien.
Para peneliti juga menekankan bahwa sistem ini dapat digunakan dalam berbagai jenis bencana. Tidak hanya gempa bumi tetapi juga banjir, badai, kebakaran hutan, dan bahkan longsor. Fleksibilitas sistem memungkinkan modul baru ditambahkan sesuai kebutuhan. Di masa depan masyarakat dapat memiliki satu platform terpadu yang siap digunakan kapan saja bencana terjadi.
Penelitian ini menunjukkan bahwa kekuatan terbesar dalam penanggulangan bencana muncul dari perpaduan antara teknologi dan manusia. Machine learning mampu memproses data dalam skala besar, pengetahuan ahli memastikan hasil analisis tetap akurat, dan masyarakat berperan mengumpulkan informasi di lapangan. Kombinasi ini menciptakan sistem yang jauh lebih kuat dibandingkan jika masing-masing bekerja sendiri.
Masa depan penanganan bencana sangat bergantung pada kemampuan kita memanfaatkan teknologi ini. Dengan sistem penilaian kerusakan yang cepat, terbuka, dan terpadu, dunia dapat bergerak dari respons lambat menuju tindakan yang lebih proaktif dan efektif. Pendekatan ini membuka jalan baru dalam menyelamatkan kehidupan dan memperkuat kesiapsiagaan global menghadapi bencana alam.
Baca juga artikel tentang: Farmasi dalam Bencana: Peran Apoteker saat Krisis Kesehatan Global
REFERENSI:
Kohns, Julia dkk. 2025. Building damage assessment in natural disasters: A trans-and interdisciplinary approach combining domain knowledge, 3D machine learning, and crowdsourcing. Progress in Disaster Science, 100427.
