TASIKMALAYA, RADARTASIK.ID – Ancaman bencana hidrometeorologi yang terus berulang di Kota dan Kabupaten Tasikmalaya dinilai sudah saatnya dihadapi dengan pendekatan berbasis teknologi.
Ketika banjir, longsor, hingga kekeringan masih datang silih berganti, sistem mitigasi berbasis kecerdasan buatan (Artificial Intelligence/AI) ditawarkan sebagai langkah agar penanganan tidak lagi sekadar menunggu bencana terjadi.
Gagasan tersebut disampaikan mahasiswa Program Magister Informatika konsentrasi Data Science Universitas Islam Indonesia (UII) Yogyakarta, Khaerul Hadiswara.
Baca Juga:Hilangkan Stigma Takut Datang ke Kejaksaan, Kejari Kota Tasikmalaya Perkuat Pelayanan PublikPajak Baru 44 Persen, Wali Kota Tasikmalaya Minta Retribusi Tak Jalan di Tempat
Ia menawarkan pemanfaatan AI dan machine learning untuk memperkuat sistem deteksi dini bencana di Tasikmalaya.
Usulan itu berangkat dari tingginya intensitas bencana yang terjadi di wilayah Tasikmalaya.
Sepanjang 2025, tercatat lebih dari 400 kejadian bencana, mulai dari tanah longsor, banjir, tanah bergerak, hingga krisis air bersih saat musim kemarau.
Kondisi tersebut menunjukkan bahwa mitigasi berbasis prediksi menjadi kebutuhan yang semakin mendesak.
Menurut Khaerul, pola penanganan bencana selama ini masih didominasi pendekatan reaktif, yakni bergerak setelah bencana terjadi.
Padahal, perkembangan teknologi memungkinkan pemerintah memanfaatkan data dalam jumlah besar untuk memprediksi potensi risiko lebih awal.
“Melalui machine learning, mitigasi dapat bergeser dari pola reaktif menjadi preventif, sehingga potensi dampak bencana dapat ditekan sejak dini,” ujarnya dalam keterangan tertulis, Rabu (15/7/2026).
Baca Juga:Motor Versus Motor Lalu Terlindas Bus di Jalan Moch Hatta Kota TasikmalayaBlokir Anggaran Dibuka, Jangan Biarkan Defisit Membuat Pembangunan Kota Tasikmalaya BerhentiÂ
Dalam kajiannya, Khaerul menawarkan empat penerapan utama teknologi AI untuk mendukung mitigasi bencana di Tasikmalaya.
Pertama, sistem prediksi curah hujan presisi menggunakan kombinasi algoritma XGBoost dan Random Forest yang mengolah data cuaca secara real time.
Sistem ini diharapkan mampu memberikan peringatan lebih dini terhadap potensi banjir maupun kekeringan.
Kedua, pengembangan peta digital kerawanan longsor menggunakan algoritma Random Forest dan Support Vector Machine (SVM).
Sistem tersebut mengolah berbagai parameter, seperti intensitas curah hujan, kemiringan lereng, kondisi vegetasi, hingga karakteristik batuan. Berdasarkan hasil kajian, model tersebut mampu mencapai tingkat akurasi hingga 91 persen.
Ketiga, pemanfaatan teknologi deep learning YOLOv3 yang dipadukan dengan citra satelit Sentinel-2A untuk mendeteksi potensi longsor, termasuk di kawasan hutan maupun daerah yang sulit dijangkau petugas.
Sementara itu, pada tahap penanganan pascabencana, ia mengusulkan penerapan sistem Distribution Requirement Planning (DRP) untuk mengoptimalkan distribusi logistik bantuan.