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

Munajat Nursaputra, Universitas Hasanuddin

Banjir sering datang tiba-tiba di berbagai daerah di Indonesia. Baru-baru ini, bah dengan ketinggian mencapai tiga meter menggenangi permukiman warga hingga pusat perbelanjaan di Bekasi, Jawa Barat dan meluas ke berbagai wilayah Jabodetabek.

Bulan lalu, banjir juga melanda Kota Makassar, Sulawesi Selatan. Air tak surut-surut selama lima hari. Area rawa sampai perumahan elite di daerah tinggi yang diklaim bebas banjir pun ikut terendam.

Mayoritas wilayah gagap menghadapi banjir. Sistem prediksi banjir yang kurang akurat membuat langkah mitigasi selalu telat dilakukan. Imbasnya, “wilayah langganan banjir” terus menjadi korban, kerugian yang dialami masyarakat pun semakin besar.

Akurasi prediksi banjir dan strategi mitigasi bencana harus segera diperkuat agar kita tidak selalu waswas setiap kali musim hujan datang.

Tren banjir kian mengkhawatirkan

Dalam 20 tahun terakhir, tren banjir di Indonesia terus naik. Pada awal 2000-an, proporsi banjir masih sekitar 20–30% dari total bencana setiap tahun.

Angka ini kemudian meroket menjadi 54,5% pada 2012, lalu naik menjadi 55,1% pada 2024. Artinya, lebih dari separuh bencana di Indonesia dalam dua dekade terakhir adalah banjir.

Penyebab utama luapan banjir, yaitu kombinasi curah hujan ekstrem akibat perubahan iklim, buruknya sistem drainase, serta perubahan fungsi lahan yang semakin tak terkendali.

Area-area resapan dipenuhi beton dan aspal. Hujan deras yang mestinya bisa terserap tanah, kini mengalir mencari tempat baru—dan sayangnya, tempat itu adalah rumah-rumah warga.

Meski kejadian banjir makin sering, sistem prediksi dan mitigasi kita masih tertinggal. Dokumen perencanaan daerah, seperti Rencana Tata Ruang Wilayah (RTRW), Rencana Detail Tata Ruang (RDTR), Rencana Perlindungan dan Pengelolaan Lingkungan Hidup (RPPLH), serta Kajian Lingkungan Hidup Strategis (KLHS) hanya mengandalkan data dari InaRISK Badan Nasional Penanggulangan Bencana (BNPB), yang bersifat kualitatif.

Data ini hanya memberi gambaran umum mengenai tingkat bahaya banjir (rendah, sedang, tinggi), tanpa memberikan detail, seperti luas area terdampak, kedalaman genangan, serta pola dan kecepatan aliran air.

Kajian Risiko Bencana (KRB) yang digunakan untuk memetakan risiko banjir juga masih berbasis pada kondisi morfologi (bentuk dan karakteristik lahan), tanpa mempertimbangkan dampak dari perubahan fungsi lahan dan perubahan iklim. Ibarat membaca peta, tanpa melihat kondisi jalan terkini, sistem ini membuat langkah kita selalu tertinggal dalam mengatasi banjir.

Pendekatan sistem prediksi banjir

Sistem prediksi banjir yang akurat mendapat perhatian serius dalam berbagai studi ilmiah. Berdasarkan basis data jurnal internasional SCOPUS, ada sekitar 472 artikel (1970-2025) yang membahas metode pemetaan dan prediksi banjir.

Dari berbagai studi tersebut, setidaknya ada empat metode pendekatan utama yang bisa digunakan dengan kelebihan dan keterbatasan masing-masing, antara lain:

1. Machine learning (ML) dan artificial intelligence (AI)

Machine learning (ML) dan artificial intelligence (AI) bisa memprediksi dan memetakan risiko banjir lebih akurat dengan tingkat akurasi 87%.

Model yang bisa digunakan, seperti Random Forest, Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), dan Spatio-Temporal Attention Gated Recurrent Unit (STA-GRU).

Pendekatan ini memiliki kemampuan analisis big data dan bisa memahami pola yang sulit dilihat manusia. Modelnya juga bisa diperbarui secara real-time, jadi lebih adaptif terhadap perubahan iklim.

Kekurangannya, metode ini butuh data dan daya komputasi berkualitas tinggi untuk melatih model. Selain itu, beberapa model sering dianggap sebagai black box—yang hasilnya sulit untuk ditafsirkan secara langsung.

2. Pendekatan spasial multi kriteria

Metode ini membuat peta risiko banjir berdasarkan berbagai faktor, seperti curah hujan, topografi (bentuk dan unsur permukaan tanah), serta jenis tanah. Dengan menggunakan alat berupa Analytic Hierarchy Process (AHP) dan Multi-Criteria Decision-Making (MCDM), data-data ini diberi bobot dan di-overlay untuk menentukan wilayah mana yang paling rawan banjir.

Kelebihan pendekatan ini, mudah dipahami karena divisualisasikan dalam peta spasial dan tidak perlu komputer atau sistem canggih untuk mengoperasikannya. Sementara kelemahan utamanya adalah cenderung subjektif karena mengandalkan penilaian pembobotan manusia.

Metode ini juga kurang bisa menangkap dinamika perkembangan banjir dari waktu ke waktu. Beberapa penelitian menunjukkan metode ini memiliki tingkat akurasi sekitar 78%.

3. Pemodelan hidrologi dan hidrodinamika

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.

Dengan metode ini, BMKG misalnya, bisa memberikan perkiraan yang lebih detail dan akurat soal area yang akan tergenang dan seberapa dalam genangannya saat banjir melanda.

Berbagai universitas di Indonesia sebenarnya sudah banyak melakukan riset soal banjir, termasuk mengenai sistem prediksi. Masalahnya, hasil riset kampus kurang dilirik dalam pengambilan kebijakan. Seharusnya, kajian ilmiah lebih sering masuk dalam dokumen perencanaan pembangunan, agar kebijakan yang diambil benar-benar berbasis data, bukan sekadar reaktif setiap kali banjir datang.

Sudah saatnya kita berinvestasi dalam sistem prediksi berbasis data yang lebih akurat dan strategi mitigasi yang lebih proaktif. Jangan sampai banjir terus menjadi “tamu tak diundang” yang datang tanpa peringatan, sementara kita hanya bisa pasrah dan menunggu air surut.

Munajat Nursaputra, Lecturer and Researcher in Geospatial Information Systems for Forestry and Environment, Universitas Hasanuddin

Artikel ini terbit pertama kali di The Conversation. Baca artikel sumber.