Google Gunakan AI dan Berita Lawas untuk Prediksi Banjir Bandang Global

BOSTON, (12 Maret 2026)

Banjir bandang merupakan salah satu fenomena cuaca paling mematikan di dunia yang merenggut lebih dari 5,000 nyawa setiap tahunnya. Fenomena ini juga termasuk yang paling sulit diprediksi. Namun, Google mengklaim telah menemukan solusi inovatif untuk tantangan tersebut dengan cara yang tidak terduga: membaca berita lama.

Mengutip laporan dari TechCrunch, para peneliti Google menggunakan Gemini—model Large Language Model (LLM) milik perusahaan—untuk memilah 5 juta artikel berita dari seluruh dunia. Melansir data tersebut, AI berhasil mengisolasi laporan dari 2,6 juta kejadian banjir yang berbeda dan mengubahnya menjadi geo-tagged time series yang dinamakan "Groundsource".

Mengatasi Kelangkaan Data dengan Deep Learning

Selama ini, Deep Learning yang semakin mumpuni dalam memprakirakan cuaca terhambat oleh celah data banjir bandang yang bersifat lokal dan berdurasi singkat. Tidak seperti suhu atau aliran sungai yang dipantau secara komprehensif, data banjir bandang sangat langka, terutama di negara berkembang.

Dengan Groundsource sebagai landasan dunia nyata, peneliti melatih model yang dibangun di atas Long Short-Term Memory (LSTM) neural network. Model ini menelan prakiraan cuaca global dan menghasilkan probabilitas terjadinya banjir bandang di area tertentu. Gila Loike, Product Manager Google Research, menyatakan bahwa ini adalah pertama kalinya perusahaan menggunakan LLM untuk jenis pekerjaan teknis seperti ini.

Saat ini, model prakiraan banjir bandang Google telah menyoroti risiko di area perkotaan di 150 negara melalui platform Flood Hub. Data ini juga dibagikan kepada lembaga tanggap darurat di seluruh dunia. António José Beleza, pejabat tanggap darurat dari Southern African Development Community, mengonfirmasi bahwa model ini membantu organisasinya merespons bencana dengan lebih cepat.

Batasan dan Potensi Masa Depan

Meski inovatif, model ini masih memiliki keterbatasan. Resolusinya tergolong rendah, hanya mampu mengidentifikasi risiko pada area seluas 20 kilometer persegi. Selain itu, akurasinya belum menyamai sistem peringatan banjir milik National Weather Service di Amerika Serikat karena belum mengintegrasikan data radar lokal untuk pelacakan presipitasi real-time.

Namun, poin utama dari proyek ini adalah fungsionalitas di wilayah di mana pemerintah setempat tidak mampu berinvestasi pada infrastruktur sensor cuaca yang mahal. Juliet Rothenberg, Program Manager tim Resilience Google, menyatakan bahwa metode penggunaan LLM untuk membangun dataset kuantitatif dari sumber tertulis (kualitatif) ini nantinya dapat diterapkan pada fenomena lain seperti gelombang panas (heat waves) dan tanah longsor.

Dampak bagi Indonesia

Sebagai negara kepulauan yang sangat rentan terhadap banjir bandang, teknologi Google ini memiliki implikasi besar bagi manajemen bencana di Indonesia. Diperkirakan solusi berbasis perangkat lunak ini akan sangat berguna untuk wilayah di luar Pulau Jawa yang mungkin belum memiliki infrastruktur sensor fisik selengkap wilayah urban.

1. Integrasi dengan BNPB dan BMKG: Data dari Flood Hub dapat melengkapi sistem peringatan dini yang sudah ada, memberikan lapisan perlindungan ekstra berbasis Machine Learning tanpa perlu menambah ribuan sensor fisik secara instan.
2. Efisiensi Biaya: Mengingat biaya pembangunan infrastruktur fisik sensor sungai sangat mahal (mencapai miliaran Rupiah per titik), penggunaan data berbasis AI ini menjadi alternatif yang hemat biaya bagi pemerintah daerah.
3. Peningkatan Akurasi Prediksi Lokal: Dengan banyaknya arsip berita dari media lokal Indonesia mengenai banjir di masa lalu, dataset Groundsource dapat diperkaya untuk memberikan hasil yang lebih presisi khusus untuk topografi Indonesia.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.