SAN FRANSISCO – Ilmuwan IBM telah menciptakan
algoritme matematika yang dirancang khusus untuk
membantu membuat model dan menangani bencana alam
seperti kebakaran hutan, banjir, penyakit dan
sebagainya.
“Model optimalisasi stokastis? (stochastic
optimization model) IBM dikembangkan oleh ilmuwan
matematika IBM di Lab Penelitian IBM di New York dan
India yang bekerjasama dengan pakar-pakar bisnis dari
IBM Global Business Services dan dengan klien-klien.
Tujuannya adalah agar dapat memberikan lembaga-lembaga
pemerintah, badan-badan pemulihan bencana dan
peruahaan-perusahaan, alat-alat untuk secara strategis
merencanakan alokasi sumber daya secara lebih efektif
dalam menangani dan memitigasikan bencana alam.
Tim matematika IBM bekerja untuk mengatasi
masalah-masalah bisnis, pemerintah dan masyarakat yang
tidak dapat diselesaikan. Matematika melandasi hampir
semua kejadian di dunia ini, dan banyak sekali
permasalahan sosial dan bisnis dapat diatasi dengan
memahami matematika dan menggunakannya untuk
mendapatkan wawasan yang lebih mendalam tentang
berbagai jenis data. Ramuan ajaib yang dimiliki para
ahli matematika dikemas dalam algoritme yang unik -
persamaan matematis penting yang dapat membantu
mempercepat dan menyederhanakan pekerjaan-pekerjaan
rumit ke dalam kehidupan sehari-hari ? seperti
menentukan rute tercepat untuk mengantarkan barang,
mendeteksi pemalsuan klaim asuransi kesehatan,
mengotomatisasikan pengambilan resiko yang rumit untuk
lembaga-lembaga keuangan internasional, membuat jadwal
rantai suplai dan produksi di pabrik pemanufakturan
untuk mengoptimalkan efisiensi atau mendeteksi pola
dalam data medis untuk mendapatkan pandangan dan
terobosan baru.
“Tantangannya terletak pada pencocokan teknologi
pemrograman matematis high-end, dengan masalah sosial
dan bisnis yang berdampak besar, yang menggunakan
standar dan platform terbuka. Para peneliti kami telah
mengembangkan solusi-solusi optimalisasi inovatif yang
dirancang untuk menciptakan sebuah peta perjalanan
untuk pengurangan resiko bencana yang responsif,?
tutur Dr. Daniel Dias, Direktur, Lab Penelitian IBM
India.
Penyebaran sumber daya ketika terjadi bencana alam,
seperti air, makanan, mesin-mesin, manusia membutuhkan
perencanaan dan penjadwalan yang rumit. Dan kebutuhan
untuk beradaptasi dengan skenario yang berubah-ubah
seringkali melibatkan sejumlah besar sumber daya,
persyaratan unik yang berdasarkan lokasi, dan
pengerahan SDM yang berbeda-beda untuk masing-masing
sumber daya. Lembaga-lembaga pemerintah menggunakan
sistem yang berbeda-beda untuk mengestimasikan
kebutuhan program mereka, termasuk perencanaan sumber
daya siaga. Namun demikian, belum ada sistem yang
dapat mengatasi kerumitan dalam mengelola bencana
alam.
Semua tantangan ini mendorong IBM untuk mengembangkan
sebuah kerangka kerja penganggaran strategis yang
berskala besar untuk mengelola bencana alam dengan
fokus agar lebih siap menghadapi skenario bencana yang
tidak pasti di waktu mendatang. Algoritme-algoritme
dan model-model optimalisasi yang melandasinya
diprototipekan dalam sebuah program Pemerintah AS,
dimana masalah utamanya adalah bagaimana menyebarkan
sejumlah besar sumber daya penting ke dalam berbagai
skenario bencana. Sistem ini menciptakan sebuah solusi
untuk setiap skenario. Pencanggihan sistem
penganggaran yang ada saat ini meliputi pengembangan
model-model simulasi untuk menilai dan mengevaluasi
dampak berbagai strategi berdasarkan kriteria yang
dipilih klien. Optimalisasi memungkinkan klien untuk
beralih dari satu prioritas ke prioritas yang lain
guna memahami dampak terhadap suatu tindakan performa
tertentu.
Model yang sama dapat dikembangkan untuk mengelola
bencana banjir dan kelaparan di India, atau bencana
alam lainnya di belahan dunia manapun. Sebuah model
yang telah dikembangkan, dikostumisasikan dan
diimplementasikan secara penuh dapat secara signifikan
membantu pendekatan yang diambil sebuah negara untuk
mengurangi resiko bencana dan pengelolaan bencana.
?Kami menciptakan serangkaian aset piranti lunak dan
kepemilikan intelektual yang dapat diterapkan untuk
mengukur dan meningkatkan tingkat kesiagaan dalam
menghadapi bencana alam yang tidak terduga,? jelas Dr.
Gyana Parija, periset senior dan ahli optimalisasi di
Lab Penelitian IBM India di New Delhi. “Sebagian besar
masalah dunia nyata terkait dengan ketidak-pastian,
dan ini menginspirasikan kami untuk mengatasi
tantangan-tantangan dalam pengelolaan bencana alam.”
Sebagai contoh, jika banjir melanda, model pemrograman
stokastis ini akan menggunakan berbagai skenario
banjir, kemampuan mensuplai sumber daya ke berbagai
lokasi terpisah, serta biaya tetap dan variabel yang
terkait dengan penyebaran berbagai sumber daya
pengelolaan banjir untuk mengelola beragam tindakan
resiko. Dengan menggunakan probabilitas-probabilitas
untuk faktor-faktor yang mempengaruhi hasilnya, model
ini menggambarkan bagaimana sumber daya yang terbatas
dapat memenuhi kebutuhan atau kekurangan di waktu
mendatang. Dengan demikian, resiko dan manfaat dari
berbagai kemungkinan dapat ditelusuri.
Pemrograman stokastis menawarkan kekuatan dan
fleksibilitas pemodelan yang lebih besar, tetapi
membutuhkan waktu pemrosesan yang berbiaya tinggi.
Namun demikian, baru-baru ini pemrograman stokastis
mengalami kemajuan berkat pengembangan algoritme yang
lebih efisien dan prosesor komputer yang lebih cepat.
Artinya, kita tidak memprediksi masa depan dengan
peramalan, tetapi kita mengambil keputusan yang
mendukung berbagai skenario yang mungkin. Model ini
memungkinkan kita untuk mengatasi semua tantangan yang
tak terduga, biasanya hanya dalam waktu satu jam, dan
memiliki skalabilitas yang baik sehingga dapat secara
mudah mengelola model yang lebih besar di waktu
mendatang.
“Yang telah kita capai adalah membuat solusi-solusi
optimalisasi seperti ini dapat diakses dan terjangkau
oleh berbagai jenis klien yang beroperasi di
lingkungan sosial-ekonomi yang berbeda,? jelas Tarun
Kumar, seorang periset optimalisasi di Pusat
Penelitian T.J. Watson milik IBM di Yorktown Heights,
New York.
Karena model stokastis kini semakin canggih,
periset-periset seperti Dr. Gyana Parija dari IBM
dapat memasukkan model-model dengan faktor ?manusia?
seperti politik, kebiasaan dan budaya. Dengan masuknya
perilaku manusia ke dalam model, hasilnya semakin
pasti serta lebih akurat dan dapat diterima. (srn)
