Perkembangan kecerdasan buatan (Artificial Intelligence/AI) kian dimanfaatkan untuk menjawab berbagai kebutuhan, termasuk dalam upaya menjaga kelestarian lingkungan. Badan Riset dan Inovasi Nasional (BRIN) meluncurkan teknologi pemetaan pesisir berbasis AI dengan memanfaatkan citra satelit Sentinel-2 dan model deep learning U-Net untuk memetakan garis pantai utara Jawa (Pantura) secara otomatis.
Menurut BRIN, pendekatan ini dipilih untuk mengatasi keterbatasan metode konvensional yang dinilai kurang memadai menghadapi dinamika pesisir yang berubah cepat akibat faktor alam maupun aktivitas manusia. Kondisi Pantura yang disebut berada dalam situasi kritis turut memperkuat urgensi penggunaan teknologi ini.
Berdasarkan kajian Pusat Air Tanah dan Geologi Tata Lingkungan (PATGL), Badan Geologi Kementerian Energi dan Sumber Daya Mineral (ESDM), wilayah pesisir utara mengalami penurunan muka tanah sekitar 6 hingga 10 sentimeter per tahun. Di saat yang sama, data Kementerian Bappenas/PPN mencatat kenaikan permukaan air laut Indonesia sebesar 0,6 hingga 1,2 sentimeter per tahun. Kombinasi kedua faktor tersebut dinilai dapat meningkatkan kemungkinan terjadinya banjir rob.
BRIN menilai, tanpa inovasi seperti model U-Net, pemerintah berpotensi kesulitan menentukan garis batas evakuasi maupun merencanakan pembangunan tanggul laut untuk menahan banjir rob. Dengan pemetaan yang lebih cepat, informasi kondisi pesisir dapat diperbarui lebih rutin dan menjadi dasar kebijakan yang lebih sesuai dengan situasi terkini.
Peneliti Pusat Riset Teknologi Hidrodinamika BRIN, Edwin Adi Wiguna, menyebut penggunaan model U-Net berpotensi mendukung penentuan garis pantai secara rutin dan efisien. “Pendekatan ini dapat dimanfaatkan untuk observasi garis pantai secara berkala dengan biaya yang lebih rendah, sehingga membantu pemerintah dalam pengambilan kebijakan berbasis data, khususnya terkait mitigasi abrasi, banjir rob, dan perubahan garis pantai,” ujarnya.
Dari sisi ketelitian, BRIN melaporkan hasil pengujian menunjukkan tingkat akurasi yang tinggi. Edwin mengatakan nilai Intersection over Union (IoU) mencapai sekitar 92 persen, yang mengindikasikan kemampuan model dalam mengidentifikasi batas darat dan laut secara presisi. “Pemanfaatan model U-Net memungkinkan identifikasi batas darat dan laut secara lebih presisi. Hasil pengujian menunjukkan tingkat akurasi yang tinggi dengan nilai Intersection over Union mencapai sekitar 92 persen,” kata Edwin.
Meski demikian, penelitian juga mencatat adanya tantangan dalam penerapan model tersebut. Performa U-Net dilaporkan sangat baik di wilayah berpasir dan berkerikil, tetapi kurang optimal di kawasan berlumpur karena memiliki kemiripan visual dengan perairan dangkal.
Secara keseluruhan, BRIN menilai model U-Net tetap efektif untuk pemetaan pesisir Pantura. Dengan data yang lebih akurat, pengambilan keputusan terkait infrastruktur pesisir diharapkan dapat dilakukan lebih terukur guna mendukung keberlanjutan lingkungan pada masa mendatang.
