Artificial Intelligence dalam Prediksi dan Manajemen Bencana: Tinjauan Literatur Komprehensif

Andi Wafda

doi:10.54065/artificial.542

Authors

Andi Wafda Universitas Islam Indonesia

DOI:

https://doi.org/10.54065/artificial.542

Keywords:

Artificial Intelligence, Prediksi, Manajemen Bencana, Tinjauan Literatur

Abstract

Peningkatan frekuensi dan intensitas bencana alam seperti banjir, gempa bumi, dan tsunami menuntut pengembangan sistem yang lebih baik untuk prediksi dan manajemen bencana. Artificial Intelligence (AI) menawarkan potensi besar dalam meningkatkan akurasi dan efektivitas prediksi bencana dengan menganalisis data besar dan kompleks. Namun, penerapannya menghadapi tantangan seperti keterbatasan data dan kebutuhan sumber daya komputasi. Penelitian ini bertujuan untuk mengeksplorasi aplikasi AI dalam prediksi dan manajemen bencana dengan menilai algoritma Machine Learning (ML) dan Deep Learning (DL), serta mengidentifikasi kekuatan dan kelemahan metode yang digunakan. Penelitian ini menggunakan metode tinjauan literatur sistematis dengan beberapa langkah utama. Pencarian literatur dilakukan melalui basis data akademis seperti IEEE Xplore, ScienceDirect, dan ArXiv, dengan kata kunci terkait penerapan AI dalam manajemen bencana. Artikel yang memenuhi kriteria inklusi dan eksklusi dipilih, kemudian melalui seleksi awal berdasarkan judul dan abstrak serta tinjauan teks penuh. Data dari artikel yang relevan diekstraksi, dikategorikan, dan disintesis untuk mengidentifikasi pola dan tren. Penelitian ini menemukan bahwa penerapan AI dalam prediksi bencana alam, seperti banjir, gempa bumi, dan tsunami, telah meningkatkan akurasi dan efektivitas sistem peringatan dini. Teknik deep learning seperti LSTM dan model hibrida efektif dalam prediksi banjir. Untuk gempa bumi, model seperti ELM dan 3D CNN meningkatkan akurasi prediksi. Teknik seperti CNN dan autoencoder menunjukkan hasil menjanjikan dalam memprediksi dan merekonstruksi tsunami. Meskipun demikian, tantangan terkait keterbatasan data dan kebutuhan sumber daya komputasi masih ada, mempengaruhi penerapan praktis AI dalam sistem manajemen bencana. Penerapan AI menunjukkan kemajuan signifikan dalam prediksi bencana, namun beberapa tantangan harus diatasi untuk meningkatkan efektivitasnya. Penelitian lebih lanjut dianjurkan untuk mengeksplorasi integrasi AI dengan sistem respons bencana yang ada dan memperbaiki teknik AI untuk menangani data yang tidak lengkap dan tidak seimbang.

References

Ali, M. H. M., Asmai, S. A., Abidin, Z. Z., Abas, Z. A., & Emran, N. A. (2022). Flood prediction using deep learning models. International Journal of Advanced Computer Science and Applications, 13(9), 972-981.

Cesario, E., Giampá, S., Baglione, E., Cordrie, L., Selva, J., & Talia, D. (2024). Pembelajaran mesin untuk peramalan gelombang tsunami menggunakan pohon regresi. Penelitian Data Besar, 36, 100452. Retrieved from https://www.sciencedirect.com/science/article/pii/S0957417424001009

Chandra, R., & Lakshmi, D. (2024). Application of artificial intelligence in disaster management and their challenges. In Internet of Things and AI for Natural Disaster Management and Prediction (pp. 1-27).

Fauzi, A., & Mizutani, N. (2020). Algoritma pembelajaran mesin untuk peramalan banjir tsunami secara real-time: Studi kasus di wilayah Nankai. Geofisika Murni dan Terapan, 177(3), 1437-1450. Retrieved from https://link.springer.com/article/10.1007/s00024-019-02364-4

Hu, R., Fang, F., Pain, C. C., & Navon, I. M. (2019). Rapid spatio-temporal flood prediction and uncertainty quantification using a deep learning method. Journal of Hydrology, 575, 911-920. Retrieved from https://www.sciencedirect.com/science/article/abs/pii/S0022169419305323

Kappi, M., & Mallikarjuna, B. (2024). Artificial intelligence and machine learning for disaster prediction: A scientometric analysis of highly cited papers. Natural Hazards. Retrieved from https://link.springer.com/article/10.1007/s11069-024-06616-y

Keum, H. J., Han, K. Y., & Kim, H. I. (2020). Real-time flood disaster prediction system by applying machine learning technique. KSCE Journal of Civil Engineering, 24(9), 2835-2848. Retrieved from https://link.springer.com/article/10.1007/s12205-020-1677-7

Lei, X., Chen, W., Panahi, M., Falah, F., Rahmati, O., & Uuemaa, E. (2021). Urban flood modeling using deep-learning approaches in Seoul, South Korea. Journal of Hydrology, 601, 126684. Retrieved from https://www.sciencedirect.com/science/article/pii/S0022169421007320

Liu, C. M., Rim, D., Baraldi, R., & LeVeque, R. J. (2021). Perbandingan pendekatan pembelajaran mesin untuk peramalan tsunami dari pengamatan yang jarang. Geofisika Murni dan Terapan, 178(12), 5129-5153. Retrieved from https://ieeexplore.ieee.org/abstract/document/9068095

Liu, D., Jiang, W., Mu, L., & Wang, S. (2020). Streamflow prediction using deep learning neural network: Case study of Yangtze River. IEEE Access, 8, 90069-90086. Retrieved from https://ieeexplore.ieee.org/abstract/document/9091176

Mallouhy, R., Abou Jaoude, C., Guyeux, C., & Makhoul, A. (2019). Major earthquake event prediction using various machine learning algorithms. In 2019 International Conference on Information and Communication Technologies for Disaster Management (ICT-DM) (pp. 1-7). IEEE. Retrieved from https://ieeexplore.ieee.org/abstract/document/9032983

Mitra, R., Naruse, H., & Abe, T. (2020). Estimasi karakteristik tsunami dari endapan: Pemodelan terbalik menggunakan jaringan saraf pembelajaran mendalam. Jurnal Penelitian Geofisika: Permukaan Bumi, 125(9), e2020JF005583. Retrieved from https://agupubs.onlinelibrary.wiley.com/doi/epdf/10.1029/2020JF005583

Motta, M., de Castro Neto, M., & Sarmento, P. (2021). A mixed approach for urban flood prediction using machine learning and GIS. International Journal of Disaster Risk Reduction, 56, 102154. Retrieved from https://www.sciencedirect.com/science/article/abs/pii/S2212420921001205

Oktaviani, N. (2020). Kajian tentang dampak bencana banjir terhadap perekonomian di sekitaran masyarakat pinggiran Sungai Cimanuk. Jurnal Tasyri': Jurnal Muamalah dan Ekonomi Syariah, 2(1), 1-16.

Qian, K., Mohamed, A., & Claudel, C. (2019). Physics informed data driven model for flood prediction: Application of deep learning in prediction of urban flood development. arXiv preprint arXiv:1908.10312. Retrieved from https://arxiv.org/pdf/1908.10312

Retno, P. A. L. U. P. I. I., Wiji, R., & Oktavia Dewi Alfiani, O. D. A. (2020). Analisis guncangan gempa bumi Lombok dan Palu tahun 2018. Jurnal Lingkungan dan Bencana Geologi, 11(2), 87-96.

Salam, M. A., Ibrahim, L., & Abdelminaam, D. S. (2021). Earthquake prediction using hybrid machine learning techniques. International Journal of Advanced Computer Science and Applications, 12(5), 654-665.

Shakeel, M., Itoyama, K., Nishida, K., & Nakadai, K. (2021). Detecting earthquakes: A novel deep learning-based approach for effective disaster response. Applied Intelligence, 51(11), 8305-8315. Retrieved from https://link.springer.com/article/10.1007/s10489-021-02285-7

Sit, M., & Demir, I. (2019). Decentralized flood forecasting using deep neural networks. arXiv preprint arXiv:1902.02308. Retrieved from https://arxiv.org/pdf/1902.02308

Velev, D., & Zlateva, P. (2023). Challenges of artificial intelligence application for disaster risk management. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 48, 387-394.

Xing, H., Junyi, J., & Jin, H. (2020). The casualty prediction of earthquake disaster based on Extreme Learning Machine method. Natural Hazards, 102(3), 873-886. Retrieved from https://link.springer.com/article/10.1007/s11069-020-03937-6