Bagaimana Machine Learning mengatasi masalah dalam manajemen kebencanaan?
Penanggulangan bencana adalah salah satu subjek terpenting dalam implementasi Machine Learning (ML) karena berdampak langsung pada nyawa. Namun, subjek ini kurang dibahas, apalagi ketika kita berbicara tentang isu manajemen bencana yang berkaitan dengan ilmu geospasial. Menjadi lebih penting bagi saya, karena saya punya pengalaman melihat dengan mata kepala saya sendiri bagaimana duka dalam sebuah bencana, yaitu gempa Jogja 2006. Dalam tulisan ini, saya ingin berbagi sependek pengalaman saya tentang pengambilan keputusan dan cerita dalam membuat model tanggap bencana.
Seperti yang mungkin sudah kawan-kawan tahu, dalam machine learning, ada tiga jenis paradigma utama: supervised, unsupervised, dan reinforcement learning. Masing-masing paradigma ini memiliki tujuan yang berbeda dan memiliki kecocokan yang beragam untuk berbagai jenis masalah dalam penanggulangan bencana. Saya akan membahasnya satu per satu dan mengilustrasikan penggunaannya dengan contoh-contoh yang terkait dengan manajemen bencana.
Supervised Learning
Supervised learning (terselia) menggunakan pelabelan terhadap data, yang berarti setiap titik data dikaitkan dengan label yang sudah diketahui oleh si pembuat. Tujuannya adalah untuk memahami peta/hubunagn dari input (fitur) ke output (label) berdasarkan data pelatihan yang sudah diberikan label. Dalam manajemen bencana, supervised learning dapat digunakan untuk tugas-tugas seperti assessment kerusakan atau memprediksi tingkat keparahan bencana.
Contoh: Citra satelit suatu daerah sebelum dan sesudah gempa bumi, model supervised learning dapat dilatih untuk memprediksi tingkat kerusakan akibat gempa bumi. Citra diberi label dengan informasi tentang kerusakan, lalu si model belajar mengenali pola dan fitur yang berkorelasi dengan berbagai tingkat kerusakan.
Unsupervised Learning
Unsupervised learning (tak terselia) berguna untuk menemukan pola atau struktur dalam data tanpa label apa pun. Tujuannya adalah untuk menemukan struktur atau hubungan yang mendasari antara satu titik data dengan yang lain. Dalam manajemen bencana, unsupervised learning dapat digunakan untuk tugas-tugas seperti klasifikasi atau deteksi anomali.
Contoh: Dengan menggunakan data geospasial dari berbagai sumber (misalnya citra satelit, data cuaca, dan media sosial), model unsupervised learning dapat digunakan untuk mengidentifikasi kelompok atau pola aktivitas yang tidak biasa selama bencana. Model ini dapat membantu tim tanggap bencana untuk memprioritaskan upaya dan sumber daya mereka secara lebih efisien.
Reinforcement Learning
Pembelajaran reinforcement learning melibatkan pembelajaran agen untuk membuat keputusan dengan berinteraksi dengan lingkungan (environment)-nya. Agen menerima umpan balik dalam bentuk hadiah (reward) atau hukuman (penalty), tergantung pada tindakan yang diambilnya. Tujuannya adalah mempelajari kebijakan yang memaksimalkan hadiah terkumpul (kumulatif) dari waktu ke waktu. Dalam manajemen bencana, pembelajaran reinforcement learning dapat digunakan untuk skenario seperti perencanaan dan alokasi sumber daya.
Contoh: Dalam model Deep Dyna-Q yang saya buat untuk tanggap darurat bencana gempa bumi, agen (sistem manajemen bencana) berinteraksi dengan lingkungan (situasi bencana yang disimulasikan) dan belajar membuat keputusan (misalnya, mengalokasikan tim penyelamat, mengevakuasi orang) untuk meminimalkan korban dan kerugian ekonomi. Agen menerima hadiah ketika dia membuat keputusan yang secara efektif mengurangi dampak bencana, dan belajar untuk meningkatkan kebijakannya dari waktu ke waktu berdasarkan umpan balik yang diterimanya.
Supervised learning cocok untuk tugas-tugas di mana kita memiliki data berlabel, dan tujuannya adalah untuk mempelajari pemetaan dari input ke output. Unsupervised learning cocok untuk tugas yang tujuannya adalah menemukan pola atau struktur dalam data tanpa label apa pun.
Pembelajaran reinforcement learning cocok untuk tugas-tugas yang melibatkan pengambilan keputusan dan pembelajaran melalui interaksi dengan lingkungan. Masing-masing paradigma ini dapat diterapkan pada berbagai aspek manajemen bencana untuk meningkatkan efisiensi dan efektivitas upaya tanggap bencana.
Dalam Kasus Saya
Saya mencoba menerapkan Deep Dyna-Q untuk mengidentifikasi daerah rawan gempa. Namun, untuk tujuan memahami distribusi populasi serta mengidentifikasi daerah berisiko tinggi untuk bencana, pembelajaran reinforcement learning (RL) mungkin bukan pendekatan yang paling pas. RL dirancang untuk masalah pengambilan keputusan berurutan, di mana agen berinteraksi dengan lingkungan untuk mempelajari kebijakan yang optimal secara sequential. Dalam kasus saya, saya lebih fokus pada analisis data yang ada dan mengidentifikasi pola, yang lebih merupakan masalah supervised atau unsupervised learning.
Sebagai gantinya, kita mungkin bisa mempertimbangkan untuk menggunakan machine learning tradisional atau teknik deep learning untuk kasus ini. Misalnya, kita dapat menggunakan algoritma pengelompokan seperti K-means, DBSCAN, atau pengelompokan hierarkis untuk mengelompokkan area dengan karakteristik serupa, seperti kepadatan populasi dan risiko bencana. Sebagai alternatif, kita dapat menggunakan algoritma klasifikasi seperti regresi logistik, decision tree, atau SVM untuk mengklasifikasikan area ke dalam kategori risiko yang berbeda berdasarkan data yang tersedia.
Referensi yang Dapat Dibaca
Ada beberapa referensi yang bisa kita gunakan untuk lebih memahami penggunaan ML yang berhubungan dengan geospasial untuk penanggulangan bencana:
Supervised Learning
Gupta, R., & Nair, A. (2018). “Flood detection using machine learning in Sentinel-1 satellite data”. In 2018 IEEE Geoscience and Remote Sensing Letters (pp. 1–5). IEEE. https://doi.org/10.1109/LGRS.2018.2821583
Makalah ini menyajikan pendekatan supervised learning menggunakan algoritma machine learning untuk mendeteksi banjir pada citra satelit Sentinel-1.
Unsupervised Learning
Bishop, C. M., & Nasrabadi, N. M. (2006). “Pattern recognition and machine learning”. Springer. https://www.springer.com/gp/book/9780387310732
Buku ini memberikan pengantar untuk teknik machine learning, yang pastinya termasuk metode unsupervised learning seperti clustering dan dimensionality reduction. Buku ini memberikan dasar yang kuat untuk memahami dan menerapkan unsupervised learning dalam berbagai skenario manajemen bencana. Kita dapat langsung membuka halaman terkait unsupervised learning.
Reinforcement Learning
Abdulazeez, I. A., & Sadiq, S. (2020). “A review of the application of deep reinforcement learning in urban traffic management and disaster response planning”. Journal of Ambient Intelligence and Humanized Computing, 11(9), 3615–3628. https://doi.org/10.1007/s12652-019-01505-8
Makalah ini membahas tentang penerapan pembelajaran reinforcement learning dalam manajemen lalu lintas perkotaan dan perencanaan tanggap bencana. Makalah ini memberikan ringkasan tentang pendekatan terbaru dalam RL dan membahas potensi arah penelitiannya di masa depan.