Dari Banjir ke Banjir, Mengapa Kita Masih Gagap Menghadapi bencana?

Metode ini bisa disebut “simulasi banjir” yang mencoba memahami bagaimana air bergerak di permukaan. Model yang sering digunakan untuk simulasi hidrologi, di antaranya Rainfall-Runoff-Inundation (RRI), Soil and Water Assessment Tools (SWAT), serta Hydrologic Engineering Center - Hydrologic Modeling System (HEC-HMS).

Adapun simulasi hidrodinamika memakai 1D/2D Hydrodynamic Modeling (HEC-RAS, TELEMAC-2D, LISFLOOD-FP) dan Storm Water Management Model (SWMM).

Pendekatan ini memiliki akurasi yang tinggi mencapai 98%. Model ini juga bisa digunakan untuk mensimulasikan berbagai skenario perubahan iklim dan perubahan penggunaan lahan. Namun, kelemahan utama pendekatan ini adalah butuh data input yang sangat spesifik dan waktu komputasi yang lebih lama. Selain itu, model ini memerlukan kalibrasi dan validasi agar hasil yang diperoleh benar-benar menyerupai kondisi lapangan.

4. Statistik dan Non-Stationary

Pendekatan ini mirip dengan melihat pola di masa lalu untuk memperkirakan risiko di masa depan. Dengan memakai teknik, seperti Flood Frequency Analysis (FFA), Log-Pearson Type III Distribution, dan Bayesian Statistical Methods, para peneliti bisa menganalisis data historis banjir untuk memprediksi kemungkinan kejadian ekstrem berikutnya.

Keunggulan pendekatan ini terletak pada kemampuannya menganalisis tren jangka panjang dan memprediksi kemungkinan terjadinya banjir. Namun, tingkat kesalahan cukup besar, 37-47%.

Selain itu, metode ini memiliki kelemahan tidak bisa menangkap aspek spasial serta kurang mempertimbangkan perubahan hidrologi yang terjadi akibat perubahan lingkungan dari waktu ke waktu.

Optimasi langkah untuk prediksi banjir akurat

Jepang adalah salah satu negara yang patut di contoh sebagai “laboratorium hidup” dalam mengatasi banjir. Meski sering mengalami cuaca ekstrem, mereka cepat tanggap dan memiliki sistem mitigasi yang baik.

Pemerintah Jepang memanfaatkan studi-studi ilmiah yang dilakukan oleh universitas atau lembaga penelitian dengan baik. Misalnya dalam dokumen Tokyo Climate Change Adaptation Plan, pemerintah Jepang memperhitungkan skenario banjir paling ekstrem untuk membangun infrastruktur drainase secara bertahap pada lokasi-lokasi yang telah diidentifikasi berdasarkan riset.

Mereka juga mengembangkan sistem peringatan dini untuk memperingatkan masyarakat sebelum banjir terjadi, menerapkan aturan pembangunan rumah yang lebih tahan banjir, dan membangun lebih banyak area hijau dan resapan air dalam tata ruang wilayah.

Di Indonesia, biang banjir yang kompleks memerlukan pendekatan sistem prediksi yang lebih canggih. Salah satu model yang bisa dipakai adalah model hybrid—kombinasi model hidrologi-hidrodinamika dan machine learning.

Model hidrologi-hidrodinamika penting untuk menganalisis faktor-faktor fisik yang memengaruhi banjir, seperti perubahan lahan dan iklim, sedangkan machine learning bisa mempelajari pola banjir dari data historis.