Membaca Kompleksitas di tengah Kelimpahan Data, AI dan Krisis Iklim

Oleh: Farhan Helmy *

Brojolan mungkin bukan terjemahan yang tepat untuk istilah emergence, tetapi entah kenapa saya menyukainya. Saya pertama kali tertarik dengan istilah ini ketika diperkenalkan oleh Prof. Saswinadi Sasmojo beberapa tahun lalu. Beliau adalah senior saya di ITB, seorang pakar sekaligus aktivis system thinking and dynamics (SysDyn) dan kebijakan yang mumpuni. Kata “brojolan” terdengar sederhana, bahkan sedikit jenaka, tetapi justru terasa pas untuk menggambarkan sesuatu yang muncul dari bekerjanya sebuah sistem yang kompleks dan tidak selalu dapat kita duga sebelumnya.

Emergence merupakan salah satu fenomena penting dalam complexity theory. Ketika berbagai elemen dalam suatu sistem saling berinteraksi secara non-linear, membentuk feedback, beradaptasi, dan berubah dari waktu ke waktu, interaksi tersebut dapat memunculkan pola, struktur, atau perilaku pada tingkat sistem yang tidak mudah diterangkan hanya dengan memahami masing-masing elemennya. Sesuatu yang baru dapat muncul dari keseluruhan interaksi tersebut, tidak selalu dirancang dan tidak sepenuhnya dapat diprediksi. Dalam bahasa yang saya pelajari dari Prof. Saswinadi tadi, sesuatu itu “memberojol.”

Menariknya, empat dekade setelah belajar Geodesi, saya seperti sedang menyaksikan sendiri berbagai pembrojolan tersebut. Bukan AI sendirian yang menciptakannya, tetapi interaksi panjang antara perkembangan matematika, kemampuan komputasi, sensor, data, GIS, remote sensing, pemodelan, jaringan, pengetahuan manusia, dan sekarang AI. Berbagai perkembangan yang sebelumnya berjalan pada jalurnya masing-masing semakin bertemu dan saling memperkuat, lalu menghasilkan kemungkinan-kemungkinan baru yang empat dekade lalu sulit saya bayangkan.

Ketika belajar Geodesi waktu itu, kami berhadapan dengan berbagai persamaan matematika untuk memahami bumi dan geodinamika. Persamaan-persamaan rumit diturunkan dalam bentuk kontinu maupun diskrit. Bumi secara teoritis direpresentasikan melalui model matematis, mulai dari bentuk reguler seperti bola dan ellipsoid hingga berbagai koreksi dan representasi yang semakin mendekati bentuk fisiknya melalui model geoid. Secara matematis kita dapat membayangkan dunia yang kontinu, tetapi kemampuan mesin ketika itu masih sangat terbatas sehingga banyak persoalan harus dihampiri melalui perhitungan diskrit.

Kita memilih titik, mengambil sampel, melakukan interpolasi, dan membangun pendekatan terhadap sesuatu yang sebenarnya jauh lebih kompleks. Secara teoritis pendekatan tersebut tetap konsisten, tetapi kita sadar bahwa model selalu merupakan penyederhanaan dari kenyataan. Keterbatasan komputasi pada masa itu bukan hanya menentukan seberapa cepat kita menghitung, tetapi juga seberapa jauh dunia dapat direpresentasikan, dianalisis, dan akhirnya kita pahami.

Dalam remote sensing, logika diskrit tersebut sebenarnya sudah lama digunakan. Kita memilih sample points dan training areas untuk membantu mengklasifikasikan keseluruhan citra digital. Dalam pengertian tertentu, machine learning karena itu bukan sesuatu yang sepenuhnya baru bagi dunia penginderaan jauh. Berbagai bentuk klasifikasi berbasis data telah lama dipraktikkan pada sistem penginderaan pasif maupun aktif; yang pertama memanfaatkan energi alamiah seperti sinar matahari, sementara yang terakhir memancarkan energinya sendiri untuk mengamati objek.

Empat dekade kemudian, kemampuan komputasi berubah luar biasa. Resolusi sensor semakin tinggi, data semakin melimpah, dan kemampuan memproses observasi dalam jumlah sangat besar membuat representasi diskrit terhadap dunia menjadi semakin rapat dan dinamis. Point cloud dari LiDAR, misalnya, dapat merepresentasikan permukaan dan objek melalui jutaan bahkan miliaran titik, sementara teknologi pemindaian tiga dimensi yang dahulu memerlukan perangkat sangat mahal kini tersedia dalam perangkat yang semakin kecil, portabel, dan terjangkau.

AI kemudian masuk ke dalam ekosistem tersebut dan mempercepat pertemuan berbagai perkembangan yang sebelumnya relatif terpisah. Ini tentu bukan berarti dunia diskrit tiba-tiba berubah menjadi kontinu, tetapi resolusi spasial, temporal, spektral, serta jumlah observasi yang dapat kita proses menjadi sedemikian besar sehingga representasi digital kita terhadap dunia menjadi semakin kaya. Batas antara mengamati, merepresentasikan, memodelkan, dan mensimulasikan dunia pun menjadi semakin tipis.

Implikasinya sangat besar bagi hampir semua pekerjaan yang berhubungan dengan ruang. Tata ruang, urban engineering, infrastruktur, green building, pengelolaan lingkungan, kehutanan, pertanian, kebencanaan hingga adaptasi perubahan iklim tidak lagi berhenti pada peta dua dimensi. Representasi tiga dimensi, citra satelit, point cloud, data sensor, data sosial-ekonomi, dan model sistem semakin mungkin dipertemukan untuk mempertajam analisis dan memahami hubungan yang sebelumnya sulit terlihat.

Setahun terakhir ini saya justru sedang menikmati “banjir” perangkat dan kemungkinan baru tersebut. Berbagai perangkat GIS dan remote sensing yang selama ini saya gunakan, seperti ArcGIS, QGIS, dan GRASS, sekarang berkembang bersama GeoAI, sementara Python memungkinkan analisis spasial, statistik, machine learning, dan otomasi dilakukan dalam lingkungan yang semakin terintegrasi. SQL menghubungkan analisis tersebut dengan berbagai sistem basis data, sementara CAD, system dynamics seperti Vensim, sensor, dan berbagai perangkat visualisasi dapat menjadi bagian dari rangkaian analisis yang sama.

Perubahannya bukan sekadar semakin banyak perangkat yang tersedia, tetapi semakin mudahnya berbagai perangkat tersebut saling terhubung. API (Application Programming Interface) memungkinkan berbagai sistem berkomunikasi dan bertukar data. Sekarang hadir pula lapisan baru melalui AI. Claude, Gemini, ChatGPT, dan berbagai model AI lainnya semakin dapat membantu menulis dan memeriksa code, membaca struktur basis data, membangun workflow, melakukan analisis, menghubungkan berbagai perangkat, dan membantu menjelaskan hasil model. Dengan berkembangnya MCP (Model Context Protocol) dan pendekatan agentic AI, hubungan antara manusia, AI, data, dan perangkat analisis mulai bergerak menuju ekosistem kerja yang semakin terhubung.

Dari Kelimpahan Data Menuju Kapasitas Bertindak

Gambar 1. menggambarkan kemajuan data, teknologi, pemodelan, dan AI memperbesar kemampuan kita memahami sistem yang kompleks, tetapi tidak otomatis menghasilkan keputusan dan dampak yang lebih baik. Transformasi dari data dan pengetahuan menuju analisis, keputusan, tindakan, dan dampak membutuhkan fondasi berupa integrasi pengetahuan, partisipasi dan GEDSI, kapasitas teknis dan kelembagaan jangka panjang, pembiayaan berkelanjutan, tata kelola dan akuntabilitas, serta pembelajaran adaptif. Sumber: Sintesis sederhana oleh penulis, 2026.

Di sinilah bagi saya muncul sebuah paradoks. Kita hidup pada masa ketika data dan perangkat analisis tersedia dalam jumlah yang mungkin tidak pernah terbayangkan sebelumnya, tetapi kemampuan tersebut belum sepenuhnya digunakan untuk memahami, mengantisipasi, dan merespons persoalan nyata yang justru semakin kompleks. Kelangkaan data dan keterbatasan komputasi yang menjadi persoalan empat dekade lalu perlahan digantikan oleh persoalan yang berbeda: bagaimana menghubungkan kelimpahan data dan perangkat tersebut menjadi pengetahuan, keputusan, tindakan, dan kapasitas yang bertahan.

Tiga El Niño, Sudahkah Kita Belajar?

Kebakaran hutan dan lahan di Indonesia memberikan contoh yang sangat nyata. Kita sebenarnya sudah mempunyai banyak modalitas untuk mengambil keputusan yang lebih baik: citra satelit, data hotspot, perubahan tutupan lahan, kondisi gambut, curah hujan, ENSO, arah angin, penggunaan lahan, hingga berbagai data sosial dan ekonomi. GIS, remote sensing, GeoAI, Python, basis data, system dynamics, dan AI sekarang memungkinkan berbagai lapisan tersebut dihubungkan untuk memahami bukan hanya di mana kebakaran terjadi, tetapi mengapa risiko terbentuk, bagaimana ia berkembang, siapa yang paling terdampak, dan intervensi apa yang diperlukan sebelum krisis menjadi semakin besar.

Pengalaman hampir tiga dekade sejak kebakaran besar 1997/1998, kemudian 2015, dan kembali menghadapi episode serius pada 2026 seharusnya memberi kita perspektif waktu yang cukup panjang. Pada 1997/1998, sekitar 9,7 juta hektare lahan diperkirakan terbakar, dengan kerugian ekonomi sekitar US$9,3 miliar menurut estimasi Bappenas yang dikutip Bank Dunia; WRI memperkirakan kerusakan sekitar US$10 miliar. Dampak kesehatannya juga sangat besar: kajian yang kemudian dipublikasikan oleh Kunii dan kolega mencatat 527 kematian terkait kabut asap, sekitar 298 ribu kasus asma, 58 ribu kasus bronkitis, dan lebih dari 1,4 juta kasus infeksi saluran pernapasan akut pada periode September–November 1997. [Bappenas/World Bank; WRI; Kunii et al., 2002]

Delapan belas tahun kemudian, krisis 2015 membakar sekitar 2,6 juta hektare antara Juni dan Oktober. Bank Dunia memperkirakan kerugian ekonomi Indonesia mencapai US$16,1 miliar atau sekitar Rp221 triliun, bahkan sebelum seluruh biaya regional dan global diperhitungkan. Dari sisi kesehatan, Kementerian Kesehatan ketika itu melaporkan peningkatan kasus ISPA sekitar 15–20 persen di sejumlah provinsi terdampak; laporan pada pertengahan Oktober mencatat lebih dari 425 ribu kasus ISPA di enam provinsi. Kajian epidemiologis berikutnya bahkan memperkirakan beban kematian dini akibat paparan asap jauh lebih besar daripada angka kematian langsung yang tercatat saat krisis. [World Bank, 2016; Kementerian Kesehatan RI, 2015]

Sekarang, pada 2026, ceritanya belum selesai sehingga angkanya harus dibaca sebagai angka sementara, bukan total akhir. BNPB mencatat sekitar 48.890 hektare terbakar di enam provinsi prioritas hingga 9 Agustus, sementara perkembangan berikutnya menunjukkan skala kebakaran terus bertambah. Pada akhir Agustus, laporan yang mengutip perkembangan nasional menyebut luas terdampak sepanjang 2026 telah melampaui 200 ribu hektare; kebakaran Juli saja mendekati 95 ribu hektare dan lebih dari 9.000 hotspot terdeteksi pada Agustus. Dampak kesehatan juga mulai terlihat: lebih dari 13 ribu orang dilaporkan telah mendapat perawatan untuk infeksi pernapasan dalam dua bulan terakhir, sementara jutaan orang terpapar asap di Sumatra dan Kalimantan. Angka ekonomi nasional yang dapat dibandingkan secara metodologis dengan estimasi 1997/98 dan 2015 belum tersedia secara final. [BNPB, Agustus 2026; Reuters, Agustus 2026]

Angka-angka tersebut perlu dibaca secara hati-hati karena metodologi, cakupan wilayah, periode pengamatan, dan definisi kerugian berbeda antar-kejadian. Justru di situlah pertanyaan yang lebih penting muncul. 1997/1998 → 2015 → 2026 seharusnya tidak hanya dibaca sebagai tiga episode kebakaran yang terpisah, tetapi sebagai semacam stress test terhadap sistem. Setelah hampir tiga dekade akumulasi data, teknologi, kebijakan, pembiayaan, kelembagaan, dan pengalaman, apakah tekanan iklim yang kembali datang menghasilkan kerusakan yang lebih kecil, paparan manusia yang lebih rendah, pemulihan yang lebih cepat, ekosistem yang lebih sehat, dan kapasitas kelembagaan serta masyarakat yang lebih kuat?

Menguji Kembali SIDIK dan FOLU Net Sink 2030

Pertanyaan tersebut sekaligus memberi alasan untuk terus menguji berbagai kerangka kebijakan yang telah kita bangun, termasuk Sistem Informasi Data Indeks Kerentanan (SIDIK) dan agenda Forestry and Other Land Use (FOLU) Net Sink 2030. Bukan berarti instrumen dan arah kebijakan tersebut kehilangan relevansinya. Justru pengalaman tiga episode besar tadi dapat menjadi basis untuk menguji kembali asumsi, data dasar, indikator risiko, kapasitas implementasi, dan lintasan pencapaiannya terhadap perubahan sistem yang benar-benar terjadi.

SIDIK sendiri dikembangkan untuk menyediakan informasi kerentanan perubahan iklim hingga unit desa dengan menggunakan informasi sosial-ekonomi, demografi, geografi, dan infrastruktur, serta melihat keterpaparan, sensitivitas, dan kapasitas adaptasi. Sistem tersebut juga mengakui bahwa faktor-faktor pembentuk kerentanan berubah dari waktu ke waktu. Kelimpahan data geospasial, sensor, data sosial-ekonomi, GeoAI, serta pengetahuan lokal sekarang membuka peluang untuk membawa prinsip tersebut lebih jauh menuju penilaian kerentanan yang semakin dinamis, beresolusi tinggi, dan dekat dengan proses pengambilan keputusan. [SIDIK, Direktorat Adaptasi Perubahan Iklim]

Pertanyaan serupa perlu diajukan terhadap FOLU Net Sink 2030. Secara resmi, agenda tersebut mengarah pada kondisi ketika sektor kehutanan dan penggunaan lahan lainnya mencapai serapan karbon yang setara atau lebih besar daripada emisinya; pemerintah memproyeksikan net sink sekitar -140 juta ton CO₂e pada 2030. Strateginya sendiri mencakup antara lain pengurangan deforestasi dan degradasi, rehabilitasi, restorasi gambut, perbaikan tata air gambut, serta konservasi biodiversitas. [Kementerian Kehutanan RI]

Namun target tersebut tidak cukup hanya dibaca sebagai persoalan neraca emisi dan serapan karbon. Kebakaran berulang, degradasi gambut, perubahan hidrologi, kehilangan biodiversitas, serta melemahnya fungsi pendukung ekosistem dapat memengaruhi bukan hanya emisi pada tahun terjadinya kebakaran, tetapi juga kemampuan bentang alam untuk menyimpan karbon dan menyediakan jasa ekosistem dalam jangka panjang. Keberhasilan FOLU dengan demikian bukan hanya soal mencapai angka net sink, tetapi juga memastikan resiliensi sistem ekologis yang memungkinkan net sink tersebut bertahan.

Restorasi Bukan Sekadar Memulihkan yang Terbakar

Di sinilah persoalan restorasi menjadi jauh lebih mendasar. Tiga episode kebakaran besar tersebut memperlihatkan bahwa kerugian tidak berhenti ketika api padam. Selama ini kita relatif lebih mudah menghitung luas lahan terbakar, kerugian ekonomi, emisi, gangguan kesehatan, atau jumlah manusia yang terdampak. Semua itu penting, tetapi masih merupakan sebagian dari nilai yang hilang ketika sebuah ekosistem mengalami kerusakan.

Hutan dan gambut bukan hanya asset yang mempunyai nilai ekonomi, tetapi supporting system yang memungkinkan sistem sosial, ekonomi, dan ekologis lainnya bekerja. Di dalamnya terdapat fungsi hidrologi, penyimpanan karbon, keanekaragaman hayati, pembentukan dan perlindungan tanah, pengaturan air dan iklim mikro, sumber penghidupan, hingga kapasitas bentang alam untuk menghadapi guncangan berikutnya. Loss and damage akibat kebakaran karena itu seharusnya tidak hanya dihitung dari apa yang langsung hilang saat krisis, tetapi juga dari menurunnya total ecosystem value dan kapasitas sistem menyediakan fungsi serta jasa ekologis dalam jangka panjang.

Restorasi dengan demikian bukan sekadar menanam kembali pohon atau membasahi gambut. Restorasi berarti memulihkan fungsi sistem agar ekosistem dan masyarakat kembali mempunyai kapasitas untuk bertahan dan beradaptasi. Pekerjaan seperti itu membutuhkan horizon puluhan tahun, kontinuitas ilmu pengetahuan, kapasitas teknis, keterlibatan masyarakat, pemantauan, dan pembiayaan berkelanjutan, jauh melampaui horizon sebuah proyek, periode anggaran, atau respons darurat.

Perspektif tersebut membuat berakhirnya masa tugas Badan Restorasi Gambut dan Mangrove (BRGM) menjadi menarik untuk direnungkan. Sesuai Perpres No. 120/2020, masa tugas BRGM berakhir pada 31 Desember 2024. Setelah pembahasan mengenai kemungkinan perpanjangan, fungsi restorasi kemudian dialihkan kepada Kementerian Kehutanan, Kementerian Lingkungan Hidup/BPLH, dan Kementerian Kelautan dan Perikanan sesuai kewenangannya. [Laporan Kinerja KLHK 2024]

Persoalannya bagi saya bukan semata-mata apakah BRGM sebagai sebuah badan harus dipertahankan. Kelembagaan memang dapat berubah. Pertanyaan yang jauh lebih penting adalah apakah pengetahuan, data, kapasitas teknis, sistem pemantauan, pembiayaan, jejaring masyarakat, pembelajaran lapangan, dan institutional memory yang telah dibangun benar-benar ikut terinstitusionalisasi dalam struktur yang mengambil alih fungsinya. Kalau fungsi-fungsi tersebut melemah ketika kelembagaan berubah, sementara siklus El Niño, degradasi gambut, dan risiko kebakaran terus kembali, kita menghadapi ketidaksesuaian mendasar: risikonya bersifat jangka panjang dan sistemik, tetapi sebagian respons kita masih bekerja dalam horizon kelembagaan yang pendek.

Nepal: Ketika Risiko Global Menjadi Beban Lokal

Nepal memperlihatkan dimensi lain dari persoalan yang sama. Topografi, curah hujan, kondisi DAS, gletser, jaringan sungai, permukiman, infrastruktur, kepadatan penduduk, dan kerentanan sosial semakin mungkin dipertemukan melalui data geospasial dan model. Tetapi kemampuan melihat dan memodelkan risiko tidak dengan sendirinya menghasilkan kemampuan untuk menanggung konsekuensinya.

Bencana besar yang melanda Nepal pada akhir Agustus 2026 memperlihatkan skalanya dengan sangat keras. Hingga 1 September 2026, lebih dari 1.000 orang dilaporkan meninggal dan sekitar 4.000 masih hilang, sementara lebih dari 11.000 orang telah diselamatkan. Banjir bandang yang dipicu runtuhnya gletser membawa es, batu, lumpur, dan jutaan ton material melalui lembah Himalaya, merusak jalan, jembatan, permukiman, dan fasilitas pembangkit listrik tenaga air. Karena operasi pencarian masih berlangsung, angka korban dan kerusakan tersebut masih dapat berubah.

Yang sangat relevan bagi pembicaraan tentang kapasitas adalah beban ekonominya. Menteri Keuangan Nepal memperkirakan kebutuhan rekonstruksi dapat mencapai US$4–5 miliar, mendekati 10 persen dari ukuran perekonomian negara tersebut. Kerusakan juga mengenai fasilitas pembangkit listrik tenaga air yang mempunyai peran penting dalam sistem energi Nepal. [Reuters, 29 Agustus 2026]

Di sinilah sebuah bencana lokal ternyata tidak pernah sepenuhnya lokal. Perubahan iklim bekerja melalui gletser, DAS, lereng, jalan, jembatan, permukiman, pertanian, energi, dan mata pencaharian, tetapi beban rekonstruksi akhirnya masuk ke neraca fiskal negara dan rumah tangga. Pemerintah harus membiayai tanggap darurat, rekonstruksi, perlindungan sosial, pemulihan ekonomi, sekaligus investasi untuk mengurangi risiko berikutnya.

Muncul kemudian sebuah feedback yang berbahaya. Bencana merusak aset → sumber daya dialihkan untuk rekonstruksi → ruang fiskal menyempit → investasi ketahanan tertunda → kerentanan tetap tinggi → guncangan berikutnya kembali menghasilkan kerugian besar. Negara dengan kapasitas fiskal terbatas dapat terjebak dalam siklus ketika kebutuhan membangun ketahanan justru meningkat pada saat kemampuan membiayainya semakin berkurang.

Kerugiannya pun jauh lebih besar daripada nilai aset yang rusak. Ketika sebuah jembatan putus, misalnya, kehilangan yang terjadi bukan hanya nilai fisik jembatan tersebut, tetapi juga akses terhadap sekolah, rumah sakit, pasar, pekerjaan, dan layanan publik. Sungai, DAS, hutan, lahan pertanian, energi, permukiman, kesehatan, pendidikan, mobilitas, mata pencaharian, dan jaringan sosial merupakan bagian dari satu sistem. Seperti pada kebakaran Indonesia, kita perlu bergerak dari sekadar menghitung asset loss menuju pemahaman tentang total ecosystem and societal value yang ikut hilang atau terganggu.

Perspektif GEDSI menjadi sangat penting karena beban tersebut tidak pernah terdistribusi secara merata. Rumah tangga miskin, perempuan, anak-anak, penyandang disabilitas, lansia, masyarakat adat dan lokal, serta mereka yang tinggal di wilayah terpencil atau mempunyai akses terbatas terhadap transportasi, informasi, keuangan, dan layanan publik dapat mengalami dampak yang jauh lebih besar dari kejadian yang sama. Data mengenai bahaya karena itu harus dipertemukan dengan pertanyaan yang lebih manusiawi: siapa yang terpapar, siapa yang dapat menyelamatkan diri, siapa yang mempunyai sumber daya untuk pulih, dan siapa yang berisiko tertinggal?

Dari Nepal Menuju COP31: Saatnya Loss and Damage Diimplementasikan

Nepal pada akhirnya membawa persoalan ini kembali ke tingkat global. Ketika risiko yang dihadapi negara berkembang semakin dipengaruhi oleh perubahan iklim global, sementara kapasitas fiskal mereka untuk beradaptasi dan memulihkan diri terbatas, teknologi dan data saja jelas tidak cukup. Risiko dapat diperbesar secara global, tetapi kerugian, utang pemulihan, dan beban fiskalnya terlokalisasi.

Di sinilah agenda Loss and Damage menjadi sangat konkret. Kerugian tidak cukup dihitung hanya dari aset fisik yang rusak atau biaya rekonstruksi, karena terdapat kehilangan fungsi ekosistem, mata pencaharian, akses terhadap layanan dasar, mobilitas, jaringan sosial, budaya, kesehatan, dan kesempatan pembangunan yang tidak seluruhnya mudah diterjemahkan ke dalam nilai moneter. Bagi kelompok rentan, kejadian yang sama dapat menghasilkan dampak yang lebih besar dan proses pemulihan yang jauh lebih panjang.

Karena itu, menuju COP31 di Antalya, Türkiye, 9–20 November 2026, Loss and Damage menurut saya perlu didorong menjadi salah satu seruan terkuat untuk implementasi. COP31 sendiri semakin diarahkan pada agenda aksi dan implementasi; tantangannya adalah memastikan semangat tersebut benar-benar mencapai negara dan masyarakat yang menanggung kerugian.

Pertanyaannya harus menjadi semakin konkret: apakah pembiayaan dapat diakses oleh negara dan masyarakat yang membutuhkan; apakah dapat bergerak cukup cepat ketika kerugian terjadi; apakah dapat mendukung pemulihan jangka panjang dan bukan hanya tanggap darurat; apakah dapat membantu melindungi ruang fiskal negara rentan; serta apakah kelompok yang paling terdampak mempunyai suara dalam menentukan apa yang hilang, apa yang harus dipulihkan, dan bagaimana sumber daya digunakan.

Ukuran keberhasilan Loss and Damage karena itu tidak seharusnya berhenti pada berapa besar dana yang berhasil dimobilisasi. Ukurannya juga harus mencakup seberapa cepat sumber daya mencapai mereka yang membutuhkan, seberapa jauh kapasitas fiskal negara rentan terlindungi, seberapa utuh fungsi ekosistem dan layanan dasar dipulihkan, dan apakah kelompok paling rentan benar-benar menjadi bagian dari pengambilan keputusan. Di titik inilah agenda iklim global bertemu langsung dengan GEDSI, keadilan, kapasitas fiskal, dan pembangunan berkelanjutan.

Lalu, Apa yang Sebenarnya Memberojol?

Di tengah berbagai paradoks tersebut saya justru semakin bersemangat melihat banyaknya inisiatif lokal maupun global yang mencoba membuat teknologi benar-benar berguna bagi manusia dan lingkungan, bukan sekadar membuatnya semakin canggih. Ini sangat dekat dengan pekerjaan yang selama ini saya tekuni dalam GEDSI, perubahan iklim, dan keberlanjutan, karena pertanyaan akhirnya bukan hanya what can the technology do?, tetapi untuk siapa teknologi itu bekerja, pengetahuan siapa yang ikut membentuknya, siapa yang dapat mengakses manfaatnya, dan siapa yang mungkin tetap tertinggal ketika keputusan semakin banyak dibuat berdasarkan data dan model.

Di titik ini persoalan otentisitas pengetahuan menjadi semakin penting. Kalau semua orang dapat menggunakan AI yang sama, mengakses perangkat yang sama, dan memanfaatkan sumber data yang semakin terbuka, maka nilai tambah kita tidak lagi sekadar kemampuan mengoperasikan tools. Bagi saya, otentisitas justru muncul ketika kemampuan tersebut dipertemukan dengan pengamatan sensorik, pengalaman langsung di lapangan, pengetahuan lokal, dan pengalaman warga melalui survei partisipatif. AI dan GeoAI dapat membantu menemukan pola yang sebelumnya tersembunyi, tetapi manusia tetap membawa konteks, pengalaman, pertanyaan, nilai, dan kemampuan memahami mengapa pola tersebut penting.

Sebuah model banjir mungkin dapat menunjukkan kedalaman genangan sampai tingkat yang semakin presisi, tetapi bagi pengguna kursi roda perbedaan beberapa sentimeter dapat menentukan apakah sebuah jalan masih dapat dilalui. Peta risiko kebakaran dapat menunjukkan wilayah yang terpapar, tetapi masyarakat lokal dapat menjelaskan siapa yang tidak mempunyai kendaraan untuk melakukan evakuasi, siapa yang bergantung pada sumber daya di wilayah tersebut, atau mengapa suatu intervensi yang secara teknis terlihat rasional ternyata sulit dilakukan. Di sinilah GEDSI menjadi lebih dari sekadar lapisan tambahan dalam peta atau variabel sosial dalam sebuah model, karena ia dapat mengubah pertanyaan yang kita ajukan terhadap data dan menentukan untuk siapa pengetahuan tersebut akhirnya digunakan.

Lalu, apa yang sebenarnya sedang memberojol dari semua perkembangan ini? Setidaknya saya melihat tiga kemungkinan. Pertama, pertemuan antara perangkat yang semakin kuat, sumber data yang semakin melimpah, model yang semakin terhubung, dan pengalaman manusia memungkinkan lahirnya pengetahuan yang lebih dalam; bukan sekadar data-rich, tetapi mudah-mudahan semakin knowledge-rich. Kedua, kemampuan melakukan backcasting maupun forecasting terhadap perilaku sistem semakin berkembang sehingga kita dapat memahami mengapa suatu kondisi terbentuk sekaligus mengeksplorasi berbagai kemungkinan masa depan, bukan untuk meramal dunia secara sempurna, tetapi untuk memahami struktur, ketidakpastian, dan konsekuensi dari berbagai pilihan.

Ketiga, pengambilan keputusan mempunyai peluang semakin besar untuk ditopang oleh bukti yang lebih kuat. Jika kemampuan analitik tersebut dibarengi transparansi, keterbukaan data, partisipasi warga, dan akuntabilitas, proses pengambilan keputusan seharusnya dapat menjadi semakin rasional sekaligus inklusif. Namun teknologi tidak otomatis membawa kita ke sana. Kompleksitas tidak hilang hanya karena kita mempunyai AI, model yang semakin canggih, atau data dalam jumlah yang semakin besar. Tantangannya justru bagaimana kemampuan baru tersebut dapat dilembagakan menjadi kapasitas yang bertahan, bukan kembali hilang ketika proyek selesai, pendanaan berhenti, kelembagaan berubah, atau krisis mereda.

Mungkin justru di situlah pembrojolan yang paling menarik sedang berlangsung. Bukan ketika AI menggantikan manusia atau ketika semakin banyak data menghasilkan semakin banyak dashboard, tetapi ketika data, teknologi, model, pengalaman manusia, pengetahuan lokal, kapasitas kelembagaan, pembiayaan, dan proses partisipatif saling berinteraksi dan menghasilkan cara baru untuk memahami sekaligus bertindak terhadap kompleksitas.

Pengalaman Indonesia memperlihatkan bahwa ekosistem bekerja dalam horizon yang jauh lebih panjang daripada proyek atau kelembagaan sementara. Nepal memperlihatkan bagaimana risiko yang dipengaruhi secara global dapat berubah menjadi beban sosial dan fiskal yang sangat lokal. Keduanya mengingatkan kita bahwa kemajuan teknologi dan kelimpahan data tidak otomatis sama dengan kemajuan kapasitas untuk bertindak.

Bagi kita, pertanyaannya kemudian bukan lagi apakah berbagai tools tersebut tersedia, karena hampir semuanya sudah berada di depan mata. Pertanyaannya adalah apakah kelimpahan teknologi itu hanya akan digunakan untuk memproduksi dan mereproduksi pengetahuan masa lalu, kemudian mengemasnya kembali melalui visualisasi yang semakin menarik, atau kita serius menggunakannya untuk menguji asumsi, menemukan hubungan yang sebelumnya tidak terlihat, mempertemukan data dengan pengalaman manusia, membangun kapasitas kelembagaan, dan menghasilkan pengetahuan baru yang lebih autentik.

Dunia yang kita hadapi semakin kompleks, saling terhubung, non-linear, dan terus menghasilkan berbagai emergent phenomena yang tidak selalu dapat kita prediksi. Kalau dunia di sekitar kita terus memberojol, tantangan kita bukan lagi sekadar mendapatkan lebih banyak data atau menguasai lebih banyak tools, tetapi apakah cara kita berpikir, membangun kelembagaan, membiayai pemulihan, belajar dari pengalaman, dan mengambil keputusan juga mampu ikut memberojol.

Mungkin itulah paradoks zaman ini: dunia bergerak semakin cepat, sementara cara kita berpikir dan bertindak belum tentu bergerak secepat itu.

–##–

Tentang Penulis

* Farhan Helmy adalah pendiri Advanced Systems Computing Design and Innovation (ASCODI) Lab dan aktif di Thamrin School of Climate Change and Sustainability, DILANS Indonesia, serta Asia-Africa Inclusive Nexus Network (AAINN). Kegiatannya berfokus pada systems thinking, perubahan iklim, keberlanjutan, GEDSI, tata kelola, serta pemanfaatan teknologi dan pendekatan komputasi untuk memahami persoalan pembangunan yang kompleks.

#Brojolan #Complexity #SystemsThinking #SystemDynamics #ArtificialIntelligence #GeoAI #GIS #RemoteSensing #ClimateChange #ClimateResilience #LossAndDamage #COP31 #GEDSI #FOLUNetSink2030 #PeatlandRestoration #DisasterRiskReduction #Sustainability #InclusiveDevelopment #Indonesia #Nepal