Tanah longsor merupakan salah satu bencana alam yang memberikan dampak besar pada kehidupan manusia, infrastruktur, dan lingkungan. Untuk meminimalkan risiko dan dampak dari bencana ini, diperlukan upaya pemetaan wilayah rawan tanah longsor atau yang dikenal sebagai landslide susceptibility mapping. Namun, metode yang digunakan dalam pemetaan ini sering kali bervariasi, dan belum ada dataset standar yang memungkinkan perbandingan efektivitas berbagai metode. Melalui kolaborasi internasional yang melibatkan 23 institusi dari 12 negara, sebuah penelitian berhasil menciptakan benchmark dataset pertama untuk penelitian di bidang ini.
Penelitian ini membuktikan bagaimana kolaborasi internasional dapat memberikan dampak yang besar. Dengan partisipasi institusi dari Italia, Indonesia, Norwegia, Amerika Serikat, dan negara lainnya, studi ini menyatukan para ahli dari berbagai disiplin ilmu yang memberikan perspektif unik. Universitas Gadjah Mada, salah satu institusi yang terlibat, menunjukkan pentingnya peran Indonesia dalam penelitian global seperti ini. Keberagaman latar belakang para peneliti membantu memastikan pendekatan yang inklusif dan komprehensif, yang sangat penting untuk isu lintas batas seperti mitigasi bencana alam.
Hasil utama dari penelitian ini adalah dataset referensi yang mencakup 7.360 unit lereng di wilayah Italia Tengah. Dataset ini dirancang untuk memetakan potensi tanah longsor dengan menggunakan data topografi, geomorfologi, dan lingkungan. Selain itu, penelitian ini menyediakan workflow yang memastikan hasil analisis dapat dibandingkan secara adil dan direproduksi oleh komunitas ilmiah. Dengan pendekatan ini, dataset tersebut menciptakan standar baru yang sebanding dengan peran benchmark datasets dalam aplikasi pembelajaran mesin seperti pengenalan gambar atau analisis linguistik.
Sebanyak 11 kelompok penelitian menggunakan dataset ini dengan berbagai metode, mulai dari pendekatan statistik seperti generalized additive models (GAMs) hingga teknik pembelajaran mesin seperti random forest dan neural networks. Meskipun nilai area under the curve (AUC) dari model-model tersebut relatif serupa karena adanya standarisasi proses validasi data, skor Brier menunjukkan adanya perbedaan signifikan dalam kemampuan prediktif masing-masing metode. Temuan ini memberikan wawasan yang penting tentang kelebihan dan keterbatasan pendekatan yang digunakan.
Penelitian ini tidak bertujuan untuk memilih metode terbaik, tetapi lebih menekankan pentingnya standar global untuk dataset dan panduan kerja. Dengan standar ini, peneliti masa depan dapat dengan mudah membandingkan hasil metode mereka dengan penelitian sebelumnya, sehingga mempercepat perkembangan di bidang pemetaan risiko tanah longsor. Pendekatan ini sangat relevan untuk diterapkan di wilayah lain di dunia, khususnya negara rawan bencana seperti Indonesia, di mana mitigasi risiko tanah longsor sangat penting untuk melindungi masyarakat dan infrastruktur.
Relevansi penelitian ini terhadap Sustainable Development Goals (SDGs) sangat signifikan. Penelitian ini mendukung SDG 13 (Climate Action) dengan menyediakan alat untuk mitigasi risiko bencana yang terkait dengan perubahan iklim. Selain itu, penelitian ini juga berkontribusi pada SDG 11 (Sustainable Cities and Communities) dengan mempromosikan kesiapan kota dan masyarakat dalam menghadapi bencana tanah longsor. Kolaborasi internasional yang melibatkan banyak negara mencerminkan semangat SDG 17 (Partnerships for the Goals), yang menekankan pentingnya kerja sama global untuk mencapai tujuan pembangunan berkelanjutan.
Keberhasilan penelitian ini menjadi contoh nyata bagaimana kerja sama internasional dapat mengatasi tantangan global. Dengan menyatukan peneliti dari berbagai negara dan institusi, studi ini memberikan model kerja sama yang dapat diterapkan untuk isu-isu lainnya, seperti mitigasi perubahan iklim atau pemetaan risiko bencana lainnya. Pendekatan ini menjadikan sains lebih inklusif, relevan, dan memiliki dampak yang nyata bagi masyarakat global.
Kata Kunci: Bencana Alam, Penelitian, Kolaborasi
Referensi:
Massimiliano Alvioli, Marco Loche, Liesbet Jacobs, Carlos H. Grohmann, Minu Treesa Abraham, Kunal Gupta, Neelima Satyam, Gianvito Scaringi, Txomin Bornaetxea, Mauro Rossi, Ivan Marchesini, Luigi Lombardo, Mateo Moreno, Stefan Steger, Corrado A.S. Camera, Greta Bajni, Guruh Samodra, Erwin Eko Wahyudi, Nanang Susyanto, Marko Sinčić, Sanja Bernat Gazibara, Flavius Sirbu, Jewgenij Torizin, Nick Schüssler, Benjamin B. Mirus, Jacob B. Woodard, Héctor Aguilera, Jhonatan Rivera-Rivera. “A benchmark dataset and workflow for landslide susceptibility zonation.” Earth-Science Reviews, 258 (2024): 104927.
Penulis: Nanang Susyanto