Erupsi Gunung Agung, Bali tahun 2017. (Foto: Antara/Nyoman Budhiana)
Masih banyak yang ingat September 2017. Gunung Agung mulai gelisah. Getaran demi getaran kecil terekam oleh seismograf PVMBG, angkanya merangkak naik dari hari ke hari. Pemerintah mengumumkan status Awas — level tertinggi dalam skala kebencanaan vulkanik Indonesia — dan lebih dari 140.000 warga Karangasem dan sekitarnya mengungsi dalam waktu singkat. Jalan-jalan dipenuhi truk, motor, dan manusia yang menggendong barang seadanya. Bandara Ngurah Rai sempat tutup. Bali, dalam sekejap, terasa seperti berhenti bernapas.
Yang menarik — dan jarang dibicarakan — bukan soal letusannya sendiri. Gunung Agung akhirnya memang meletus, tapi tidak pada waktu dan skala yang semula dikhawatirkan. Yang menarik adalah pertanyaan yang tersisa setelah semuanya mereda: apakah kita sudah cukup siap? Apakah peringatan yang kita terima sudah cukup jelas, cukup tepat sasaran, dan cukup memandu kita untuk bertindak dengan benar?
Sebagian warga mengungsi terlalu jauh dan terlalu lama, kehilangan panen dan pekerjaan, sementara zona bahaya yang sesungguhnya tidak selalu berkorelasi dengan tempat mereka mengungsi. Sebagian lainnya justru memilih bertahan karena tidak paham apa yang seharusnya mereka lakukan. Peringatan sudah ada. Tapi antara peringatan dan tindakan yang tepat — ada jurang yang lebar dan gelap.
Jurang inilah yang coba dijembatani oleh sebuah penelitian terbaru yang diterbitkan di International Journal of Disaster Risk Science pada tahun 2026.
Peringatan Dini yang tidak Menghasilkan Tindakan
Lu dan kawan-kawan (2026) menyebut fenomena ini dengan istilah yang tepat: “early warning without action” — peringatan dini tanpa tindakan. Ini bukan masalah baru. Selama puluhan tahun, komunitas ilmuwan dan praktisi manajemen bencana dunia sudah tahu bahwa teknologi peringatan dini yang canggih tidak secara otomatis menghasilkan respons masyarakat yang efektif.
Masalahnya bukan pada alatnya. Masalahnya ada pada cara kita merancang sistem tersebut.
Bayangkan sebuah sirine berbunyi keras di tengah kota. Semua orang mendengarnya. Tapi apakah semua orang tahu apa yang harus dilakukan? Belum tentu. Ibu yang sedang memasak di dapur — apakah ia harus mengungsi sekarang atau menunggu suaminya pulang dulu? Kepala desa — apakah ia harus menutup jalan atau justru membukanya untuk jalur evakuasi? Petugas BPBD— zona mana yang harus diprioritaskan?
Peringatan yang seragam, dikirim ke semua orang dengan cara yang sama, tidak menjawab pertanyaan-pertanyaan spesifik ini. Padahal di sinilah nyawa dipertaruhkan — bukan pada kecanggihan sensor atau kecepatan transmisi data, tapi pada kejelasan instruksi yang sampai ke tangan orang yang tepat, pada waktu yang tepat.
Penduduk membawa barang-barangnya saat dievakuasi setelah Gunung Agung meletus dan mengeluarkan abu vulkanik di Karangasem, Bali, pada 26 November 2017. AP/Firdia Lisnawati (Tempo.com)
Peringatan Dini yang Masuk Akal Sehat dengan Kecerdasan Buatan
Para peneliti dari Shanghai Normal University ini mengusulkan sebuah kerangka baru yang mereka sebut GeoAI Agents for Multi-Hazard Early Warning System (MHEWS). Namanya memang terdengar seperti judul film fiksi ilmiah. Tapi konsep dasarnya, kalau dilepas dari jargon teknisnya, sebenarnya adalah logika yang distrukturisasi dengan sangat rapi.
Idenya begini: setiap orang yang terlibat dalam situasi bencana punya peran, kebutuhan informasi, dan cara bertindak yang berbeda. Seorang kepala BPBD kabupaten tidak butuh informasi yang sama dengan ketua RT di pinggir sungai. Mereka butuh informasi yang berbeda, dalam format yang berbeda, melalui saluran yang berbeda, pada waktu yang tepat sesuai peran mereka masing-masing.
Untuk itu, sistem ini dirancang menggunakan pendekatan multi-agen — bukan satu sistem besar yang mencoba melayani semua orang sekaligus, melainkan kumpulan “agen” kecerdasan buatan yang masing-masing dikonfigurasi khusus untuk pemangku kepentingan tertentu. Di uji coba yang mereka lakukan di Shanghai, ada 28 agen yang bekerja secara paralel dan berkoordinasi satu sama lain — seperti tim yang masing-masing anggotanya punya spesialisasi, tapi tetap bicara satu bahasa.
Lima Pertanyaan yang Seharusnya Selalu Dijawab oleh Sistem Peringatan Dini
Jantung dari sistem ini adalah kerangka yang mereka sebut 4W1H, lima pertanyaan yang harus dijawab oleh setiap peringatan dini yang efektif.
When — kapan ancaman akan tiba?
Where — di zona mana yang paling terdampak?
Who — siapa yang bertanggung jawab untuk bertindak?
What — tindakan konkret apa yang harus diambil?
How — melalui saluran apa informasi itu disampaikan?
Kalau kita kembalikan ke konteks Gunung Agung 2017, sistem ideal yang diinspirasi kerangka ini tidak hanya akan berkata: “Status Awas, radius 12 kilometer harus dikosongkan.” Sistem ini akan berkata kepada Kepala BPBD Karangasem: “Berdasarkan proyeksi letusan kolom abu dan arah angin saat ini, Desa X dan Y membutuhkan evakuasi dalam 6 jam ke depan hubungi koordinator di titik pengungsian Z.” Kepada kepala desa yang bersangkutan: “Ada 47 warga lansia dan 12 ibu hamil di wilayahmu yang membutuhkan bantuan evakuasi, ini daftar namanya.” Kepada warga biasa: “Pergi sekarang melalui jalur utara. Bawa dokumen penting dan obat-obatan untuk tiga hari ke depan.”
Perbedaannya bukan hanya soal kecanggihan namun ini soal memenuhi kebutuhan informasi setiap orang. Orang tidak bisa bertindak dengan tepat jika informasi yang mereka terima tidak berbicara dalam bahasa kebutuhan mereka.
Apa yang Bisa dan Tidak Bisa Dilakukan AI
Di sini perlu kejujuran yang penting untuk disampaikan kepada pembaca.
Kecerdasan buatan tidak bisa memprediksi kapan gempa atau letusan gunung api akan terjadi. Ini bukan keterbatasan teknologi semata, ini adalah sifat dasar sistem geofisika bumi yang bersifat chaotik dan tidak linear. Tidak ada ilmuwan, superkomputer, atau algoritma terpintar di dunia yang bisa dengan pasti mengatakan: “Gunung Agung akan meletus pada pukul 14.37 hari Selasa dengan skala Volcanic Explosivity Index (VEI) 3.”
Yang bisa dilakukan AI adalah sesuatu yang berbeda tapi sama pentingnya: mendeteksi perubahan lebih cepat, mengintegrasikan lebih banyak sinyal sekaligus, dan memodelkan apa yang akan terjadi jika ancaman itu benar-benar datang.
Untuk gunung api, misalnya, AI bisa memantau secara simultan: pola dan frekuensi gempa vulkanik, deformasi tubuh gunung yang terdeteksi dari satelit, perubahan komposisi gas di kawah, anomali suhu permukaan, bahkan perubahan kadar gas radon dalam air tanah. Tidak ada satu sinyal yang cukup. Tapi kombinasi banyak sinyal lemah yang berubah secara bersamaan bisa menghasilkan estimasi peningkatan probabilitas yang jauh lebih akurat daripada pengamatan manual.
Dan ketika probabilitas itu meningkat maka di sinilah sistem GeoAI Agents bekerja maksimal. Bukan untuk mengatakan “akan terjadi letusan,” tapi untuk menjawab: “Jika terjadi letusan dengan karakteristik seperti ini, siapa yang harus melakukan apa, kapan, di mana, dan bagaimana supaya korban dan kerugian bisa diminimalkan?”
Sistem yang Belajar dari Pengalamannya Sendiri
Salah satu aspek paling menarik dari penelitian ini adalah mekanisme yang mereka sebut “Loop“ sistem yang tidak hanya bekerja, tapi juga belajar dari setiap siklus kerjanya.
Ini menggunakan teknologi yang disebut deep reinforcement learning — cara melatih AI yang mirip dengan cara manusia belajar dari pengalaman. Setiap kali sistem membuat prediksi dan rekomendasi, lalu membandingkan hasilnya dengan kenyataan, ia menyesuaikan dirinya. Semakin banyak kejadian yang ia “alami,” semakin baik ia dalam membuat keputusan berikutnya.
Di uji coba Shanghai selama Topan Bebinca dan Pulasan pada September 2024, sistem ini berhasil memprediksi kedalaman genangan banjir dengan rata-rata kesalahan hanya 1,18 sentimeter di 836 titik pengukuran secara bersamaan (Lu et al., 2026). Angka itu luar biasa untuk skala operasional nyata bukan laboratorium yang terkontrol.
Arsitektur keseluruhan dari sistem peringatan dini multi-bahaya (MHEWS) yang digerakkan oleh GeoAI dan berorientasi pada pengambilan keputusan. (Lu dkk., 2026)
Ketika Pengetahuan Lokal Masuk ke Algoritma AI
Bagian yang paling manusiawi dari kerangka ini — dan yang paling relevan bagi komunitas seperti Bali dengan kekayaan pengetahuan lokal yang luar biasa — adalah konsep Geographic Knowledge Graph (GeoKG).
GeoKG adalah cara sistem ini menyimpan dan menghubungkan pengetahuan — bukan hanya data angka dari sensor, tapi juga pengetahuan terstruktur dari dokumen rencana kontinjensi, regulasi, hasil penelitian ilmiah, bahkan pengetahuan lokal yang sudah didigitalisasi. Semua ini dihubungkan satu sama lain dalam jaringan relasi yang bisa diquery secara cerdas.
Ketika GeoKG ini dihubungkan dengan Large Language Models (LLM) — teknologi di balik asisten AI modern pengguna bisa bertanya dalam bahasa sehari-hari dan mendapat jawaban yang terstruktur, terverifikasi, dan bisa dilacak sumbernya. Bukan jawaban yang dikarang mesin, tapi jawaban yang dijangkar pada pengetahuan nyata yang sudah tersimpan dalam sistem.
Ini membuka kemungkinan yang sangat menarik: bahwa kearifan lokal masyarakat Bali tentang tanda-tanda alam, pola musim, dan respons komunitas terhadap bencana yang selama ini tersimpan dalam ingatan kolektif dan tradisi lisan bisa distrukturisasi dan diintegrasikan ke dalam sistem yang juga membaca data satelit dan sensor modern secara bersamaan.
Pekerjaan Rumah
Para peneliti ini yang membuat penelitian mereka layak dipercaya, mereka tidak menyembunyikan keterbatasan karyanya.
Sistem secanggih ini masih sangat bergantung pada ketersediaan data berkualitas tinggi. Di kawasan dengan infrastruktur monitoring yang terbatas, performanya akan menurun. Untuk ancaman yang sangat jarang terjadi, seperti letusan besar yang mungkin hanya terjadi sekali dalam seabad sistem tidak punya cukup contoh historis untuk belajar secara optimal (Lu dkk., 2026).
Ada juga persoalan yang tidak bisa diselesaikan oleh teknologi apapun: koordinasi antar lembaga. Siapa yang berwenang mengumumkan evakuasi? Bagaimana jika rekomendasi sistem AI bertentangan dengan keputusan pejabat setempat? Bagaimana membangun kepercayaan masyarakat terhadap sistem yang mereka tidak benar-benar pahami?
Ini adalah pertanyaan tata kelola dan sosial dan jawabannya tidak ada di server manapun. Jawabannya ada di meja perundingan, di balai desa, di proses demokratis yang melibatkan komunitas sebagai subjek, bukan objek dari sistem peringatan dini.
Teknologi yang Melayani Manusia, Bukan Sebaliknya
Kita kembali ke September 2017. Warga Karangasem yang mengungsi membawa serta kekhawatiran, kebingungan, dan pertanyaan yang tidak selalu terjawab oleh siapapun. Bukan karena pemerintah tidak peduli. Bukan karena ilmuwannya tidak kompeten. Tapi karena sistem yang ada dirancang untuk menghasilkan informasi bukan untuk memandu keputusan.
Penelitian Lu dan kawan-kawan (2026) menawarkan sebuah visi yang berbeda: sistem peringatan dini yang tidak hanya pintar secara teknis, tapi juga cukup rendah hati untuk mengakui bahwa kecerdasan buatan tidak bisa menggantikan kecerdasan lokal, empati antar manusia, dan kepercayaan yang dibangun bertahun-tahun di antara komunitas.
Gunung Agung masih berdiri di timur Bali. Ia akan terus bernapas dengan ritmenya sendiri, dalam skala waktu yang jauh melampaui umur teknologi apapun yang kita ciptakan hari ini. Tugas kita bukan menaklukkannya tetapi belajar hidup bersamanya dengan lebih bijak, lebih siap, dan lebih saling menjaga.
Mungkin itulah gunanya AI yang sesungguhnya: bukan untuk menghilangkan ketidakpastian, tapi untuk memberi kita sedikit lebih banyak waktu dan kejelasan ketika ketidakpastian itu datang mendekat.
Referensi
Lu, Q., Wen, J., Yan, J., Wang, Y., & Chen, H. (2026). A GeoAI-driven and decision-oriented methodology for multi-hazard early warning system development. International Journal of Disaster Risk Science. https://doi.org/10.1007/s13753-026-00715-z
Rokhideh, M., Fearnley, C., & Budimir, M. (2025). Multi-hazard early warning systems in the Sendai Framework for Disaster Risk Reduction: Achievements, gaps, and future directions. International Journal of Disaster Risk Science, 16(1), 103–116.
Tiggeloven, T., Pfeifer, S., Matanó, A., Van Den Homberg, M., Thalheimer, L., Reichstein, M., & Torresan, S. (2025). The role of artificial intelligence for early warning systems: Status, applicability, guardrails, and ways forward. iScience, 28(11), Article 113689.
Reichstein, M., Benson, V., Blunk, J., Camps-Valls, G., Creutzig, F., Fearnley, C., … & Kornhuber, K. (2025). Early warning of complex climate risk with integrated artificial intelligence. Nature Communications, 16(1), Article 2564.
Budimir, M., Trogrli?, R.Š., Almeida, C., Arestegui, M., Vásquez, O.C., Cisneros, A., … & Dia, A. (2025). Opportunities and challenges for people-centered multi-hazard early warning systems: Perspectives from the Global South. iScience, 28(5), Article 112353.
Tupper, A.C., & Fearnley, C.J. (2023). Disaster early-warning systems are “doomed to fail” — only collective action can plug the gaps. Nature, 623(7987), 478–482.
UNDRR & WMO. (2025). Global status of multi-hazard early warning systems 2025. Geneva: UNDRR.
UNISDR. (2015). Sendai framework for disaster risk reduction 2015–2030. Geneva: UNISDR.
