Sensor Banjir & AI: Apa Bandar Boleh Belajar dari Chicago

AI dalam Kerajaan & Sektor Awam••By 3L3C

Chicago guna sensor banjir pintar, data masa nyata dan AI untuk urus banjir bandar. Apa yang Malaysia boleh tiru, dan bagaimana kerajaan patut mula?

AI sektor awamsensor banjir pintarbandar pintarIoT kerajaanpengurusan bencanaMalaysia Digital Economy Blueprint
Share:

Sensor Banjir & AI: Apa Bandar Boleh Belajar dari Chicago

Pada tahun 2023, Jabatan Pengairan dan Saliran (JPS) melaporkan lebih 5 juta rakyat Malaysia terkesan oleh insiden banjir dalam tempoh kurang sedekad. Setiap kali hujan lebat berterusan, warga Lembah Klang, Kota Bharu, Kuantan dan banyak lagi bandar sudah mula bersedia untuk kemungkinan jalan ditutup, rumah dinaiki air dan kerosakan harta.

Masalahnya, kebanyakan bandar masih “buta data”. Mereka hanya tahu paras air meningkat bila longkang melimpah, bila gambar tular di media sosial, atau bila panggilan kecemasan sudah terlalu banyak. Pada masa itu, sudah terlambat untuk mencegah — hanya tinggal ruang untuk menyelamat dan memulihkan.

Di Chicago, Amerika Syarikat, pihak berkuasa mengambil pendekatan berbeza: memasang rangkaian sensor banjir pintar yang menghantar data masa nyata dan digabungkan dengan analitik serta kecerdasan buatan (AI) untuk membantu perancang bandar dan pasukan kecemasan membuat keputusan lebih awal dan lebih tepat. Pendekatan seperti inilah yang sebenarnya digariskan dalam pelan Malaysia Digital Economy Blueprint: infrastruktur digital pintar, analitik masa nyata, dan penggunaan AI dalam sektor awam.

Artikel ini kupas bagaimana projek sensor banjir Chicago berfungsi, mengapa ia relevan untuk Malaysia, dan langkah praktikal yang boleh diambil oleh kerajaan negeri, PBT, serta agensi persekutuan yang serius mahu gunakan AI dalam pengurusan bencana bandar.

Bagaimana Chicago Guna Sensor Pintar untuk Pantau Banjir

Chicago memulakan projek rintis di kawasan selatan bandar, termasuk kejiranan Chatham yang kerap dilanda banjir. Matlamatnya mudah tapi kritikal: tahu dengan tepat di mana air sedang naik, seberapa cepat ia naik, dan apa yang terjejas, dalam masa nyata.

Komponen utama projek Chicago

Beberapa elemen penting projek ini:

  • Lebih kurang 50 sensor banjir dirancang, dengan 10 pertama dipasang di kawasan berisiko tinggi
  • Pemasangan kurang 20 minit setiap unit tanpa perlu korek jalan atau pendawaian berat
  • Data dihantar masa nyata melalui rangkaian 5G
  • Data diintegrasikan dengan analitik dan enjin amaran untuk pihak berkuasa dan komuniti

Seperti yang disebut CEO Hyfi, pembuat teknologi sensor tersebut, “sensor hanyalah langkah pertama”. Nilai sebenar datang bila data sensor digabung dengan analitik dan ramalan cuaca untuk menjawab soalan lebih mendalam:

  • Adakah kejadian ini luar biasa atau kerap berlaku di lokasi sama?
  • Bagaimana corak hujan, kelajuan aliran air dan masa takungan berubah dari tahun ke tahun?
  • Bangunan kritikal apa yang bakal terjejas: hospital, sekolah, stesen LRT, pusat komersial?

Di Chicago, data ini bukan hanya digunakan oleh jabatan perparitan. Ia dikongsikan dengan organisasi komuniti seperti Greater Chatham Initiative dan rakan universiti untuk mengkaji kesan banjir ke atas grey infrastructure (jalan, pembetung, bangunan) dan green infrastructure (taman serapan air, kolam takungan, sebagainya).

Realitinya, projek seperti ini bukan sekadar projek sensor. Ia adalah projek AI bandar pintar: data besar (big data) + rangkaian IoT + analitik pintar + automasi amaran.

Dari Data ke Tindakan: Di Sini AI Bermain Peranan

Sensor hanya mengukur. AI dan analitik yang mengubah ukuran itu menjadi tindakan.

Apa yang AI boleh buat dengan data banjir

Dalam konteks bandar pintar dan sektor awam, beberapa aplikasi utama ialah:

  1. Pengesanan awal & amaran automatik
    Sistem boleh dilatih dengan machine learning untuk mengesan corak yang biasanya membawa kepada banjir kilat. Bila paras air naik dengan kadar tertentu + ramalan hujan tambahan dari model cuaca, AI boleh:

    • Hantar amaran SMS/push notification kepada penduduk di kawasan terjejas
    • Maklumkan pasukan kecemasan untuk praposisi bot, trak dan aset lain
    • Cadangkan lencongan trafik secara automatik kepada pusat kawalan trafik bandar

  2. Perancangan infrastruktur berdasarkan bukti
    Selepas beberapa musim hujan, bandar akan ada peta risiko banjir berasaskan data, bukan hanya pengalaman lalu. Daripada situ, kerajaan boleh buat keputusan:

    • Mana parit perlu dilebarkan, mana pembetung perlu dinaik taraf
    • Di mana kolam takungan baharu paling memberi impak
    • Di kawasan mana dasar guna tanah perlu diubah (contoh: hadkan pembangunan padat di zon tertentu)

  3. Simulasi senario (digital twin bandar)
    Dengan cukup data, bandar boleh bina digital twin asas untuk sistem air bandar: “kalau hujan 150mm dalam 3 jam, apa yang terjadi?”
    AI boleh jalankan ratusan simulasi untuk menguji:

    • Bagaimana kesan jika satu stesen pam gagal
    • Apa yang terjadi jika satu kawasan dilitupi lebih banyak permukaan berturap
    • Faedah sebenar jika kolam takungan baharu dibina di lokasi tertentu

  4. Keutamaan bajet yang lebih tepat
    Dalam sektor awam, isu paling sensitif ialah bajet. Bila data dan analitik jelas, sukar untuk mempertahankan projek yang “tak kritikal”. AI membantu:

    • Memberi pemeringkatan risiko setiap kawasan
    • Mengira return on mitigation – berapa kerosakan boleh dielak jika projek tertentu dilaksanakan

Chicago gunakan rangkaian sensor + analitik ini untuk membina gambaran menyeluruh keadaan banjir di seluruh bandar dan memacu enjin amaran mereka. Ini lebih dekat dengan konsep automasi perkhidmatan awam yang ditekankan dalam Malaysia Digital Economy Blueprint.

Apa Relevannya untuk Malaysia: Dari Kuala Lumpur ke Kota Bharu

Bagi Malaysia, projek seperti di Chicago sebenarnya sangat dekat dengan realiti kita. Banjir kita lebih kerap, lebih besar, dan kerosakan ekonomi jauh lebih tinggi.

Kenapa bandar-bandar Malaysia perlu sistem serupa

Beberapa sebab jelas:

  • Banjir kilat di bandar besar semakin kerap – Lembah Klang sendiri sudah ada beberapa episod besar dalam 5 tahun kebelakangan ini
  • Perubahan iklim menjadikan hujan lebat luar biasa (1% event) semakin biasa, sama seperti yang disebut jurutera pembetung Chicago
  • Data sedia ada terpecah-pecah – JPS, PBT, syarikat konsesi, PLUS, polis trafik, APM, semua ada sedikit data, tapi jarang disatukan masa nyata

Sistem sensor banjir berasaskan IoT yang disokong AI boleh dijadikan tulang belakang pengurusan bencana bandar:

  • PBT pantau longkang utama, kolam takungan, dan kawasan titik panas banjir
  • Negeri dan agensi pusat pantau sungai utama dan kawasan hilir
  • Data digabungkan dalam satu pusat kawalan pintar negeri atau serantau

Selari dengan Malaysia Digital Economy Blueprint

Blueprint nasional memang sudah menekankan:

  • Infrastruktur digital pintar dan menyeluruh
  • Penggunaan AI dalam sektor awam untuk kecekapan perkhidmatan
  • Pembangunan bandar pintar yang berpaksikan data

Projek seperti Chicago adalah contoh praktikal bagaimana polisi tinggi peringkat nasional boleh diterjemah menjadi projek sebenar di lapangan:

  • IoT + 5G untuk pemantauan infrastruktur
  • Analitik dan AI untuk membuat keputusan masa nyata
  • Pembabitan komuniti dan universiti untuk penyelidikan dan pemulihan

Jika kita serius dengan AI dalam sektor awam, projek pengurusan banjir bandar sebegini sepatutnya antara projek mercu tanda yang diberi keutamaan.

Rangka Kerja Praktikal untuk Kerajaan Negeri & PBT

Soalannya bukan lagi “perlu ke tak?”, tetapi “bagaimana nak mula dengan betul?”. Berikut satu rangka kerja praktikal yang saya lihat paling realistik untuk Malaysia.

1. Pilih kawasan rintis yang betul

Jangan cuba liputi seluruh negeri pada peringkat awal. Mulakan dengan:

  • Satu bandar atau daerah yang kerap banjir (contoh: Shah Alam, Kota Bharu, Kuantan, Alor Setar)
  • Fokus kepada titik panas: persimpangan utama, kawasan perumahan padat, hospital, sekolah

Contoh Chicago: mereka mulakan di kejiranan Chatham yang memang sinonim dengan banjir.

2. Bina rangkaian sensor banjir IoT

Sensor tak perlu mewah, tapi perlu:

  • Boleh dipasang pantas (kurang 30 minit) di jambatan kecil, tebing sungai, longkang besar
  • Guna bateri jangka panjang dan komunikasi NB-IoT/4G/5G
  • Hantar data kekerapan tinggi (contoh: setiap 1–5 minit semasa hujan lebat)

Tip penting: gabungkan sensor banjir dengan sensor lain seperti hujan setempat dan kualiti air – kos marginal bertambah sedikit, tapi nilai data jauh lebih tinggi.

3. Wujudkan platform analitik dan AI di peringkat negeri

Di sinilah komponen AI dalam sektor awam jadi nyata:

  • Data sensor digabung dengan data sejarah banjir, GIS, dan data cuaca
  • Model machine learning dilatih untuk:
    • Meramal lokasi bakal banjir 1–2 jam awal
    • Menentukan kawasan mana perlu amaran awal
    • Mengira impak potensi kepada populasi dan aset kritikal

Penting: platform ini sebaiknya dihoskan secara berpusat di peringkat negeri atau nasional, bukan berlainan vendor terpisah di setiap PBT tanpa koordinasi.

4. Integrasi dengan operasi sebenar

Kalau data cantik tapi tak tukar cara kerja, projek akan mati perlahan-lahan.

Pastikan integrasi dengan:

  • Pusat Kawalan Operasi Bencana (PKOB) di daerah/negeri
  • Unit trafik polis dan pihak berkuasa jalan raya
  • Agensi penyelamat (Bomba, APM, RELA)
  • Saluran komunikasi kepada rakyat (SMS, aplikasi mudah alih, paparan jalan raya elektronik)

Chicago jadikan data sensor sebagai input kepada enjin amaran mereka. Malaysia juga boleh melakukan perkara sama, khususnya bila rangkaian 5G semakin meluas.

5. Ukur impak dan skalakan

Selepas satu atau dua musim tengkujuh:

  • Bandingkan masa respons sebelum dan selepas sistem dipasang
  • Anggar kerosakan harta dan infrastruktur yang dikurangkan
  • Kumpul maklum balas komuniti dan pasukan barisan hadapan

Jika impaknya jelas, lebih mudah untuk:

  • Memohon bajet tambahan di peringkat negeri/persekutuan
  • Menarik kerjasama sektor swasta (telco, syarikat insurans, pemaju)
  • Menjadikan projek ini model untuk bandar lain

Cabaran Nyata yang Perlu Diuruskan

Tak ada projek AI sektor awam yang bebas cabaran. Tapi kebanyakannya boleh diuruskan jika dirancang dari awal.

Isu data, tadbir urus dan privasi

Walaupun sensor banjir sendiri tak mengumpul data peribadi, integrasi dengan data lain (contoh: lokasi rumah, nombor telefon untuk amaran) memerlukan:

  • Polisi perkongsian data antara agensi yang jelas
  • Perlindungan privasi dan pematuhan undang-undang data
  • Garis panduan etika penggunaan AI dalam sektor awam

Kapasiti teknikal dalam kerajaan

Bukan semua PBT ada pasukan data saintis dan jurutera AI. Dua pendekatan realistik:

  • Bentuk pusat kecemerlangan AI sektor awam di peringkat negeri/persekutuan yang menyokong beberapa PBT serentak
  • Gunakan model public–private partnership dengan syarat knowledge transfer yang jelas, supaya keupayaan dalaman meningkat dari masa ke masa

Menjaga kepercayaan awam

Rakyat akan bertanya: “Data ini betul-betul bantu kami atau hanya projek besar untuk tender?”. Cara terbaik membina kepercayaan:

  • Tunjuk hasil nyata: masa amaran lebih awal, jumlah jalan ditutup lebih sedikit, masa pemulihan lebih cepat
  • Libatkan komuniti dan NGO tempatan sejak awal, bukan hanya di fasa pelancaran

Langkah Seterusnya untuk Malaysia: Dari Pilot ke Dasar Nasional

Chicago sedang jalankan projek ini sehingga akhir 2026 untuk mengumpul data dan membentuk strategi mitigasi jangka panjang. Malaysia tak perlu tunggu siap projek itu untuk bertindak.

Dalam siri AI in Government & Public Sector, saya sentiasa tekankan satu perkara: AI dalam kerajaan mesti berkait terus dengan masalah sebenar rakyat — bukan hanya projek peragaan teknologi. Pengurusan banjir bandar ialah contoh paling jelas di mana AI, IoT dan analitik data boleh menyelamatkan nyawa, mengurangkan kerosakan ekonomi, dan menaikkan kepercayaan kepada kerajaan.

Beberapa langkah praktikal yang boleh dimulakan dalam 6–12 bulan:

  • Satu atau dua negeri memilih kawasan rintis sensor banjir pintar
  • Menubuhkan task force AI & banjir bandar merentasi agensi (JPS, NADMA, MAMPU, PBT)
  • Merangka garis panduan nasional untuk data banjir pintar, perkongsian data dan etika AI

Kalau kita serius mahu jadikan Malaysia sebagai peneraju bandar pintar serantau seperti yang disasarkan dalam Malaysia Digital Economy Blueprint, projek konkrit seperti ini perlu digerakkan sekarang, bukan hanya kekal di kertas dasar.

Akhirnya, soalan sebenar untuk pembuat dasar ialah: adakah kita sanggup terus bergantung pada laporan gambar banjir di WhatsApp dan media sosial, atau kita mahu rangkaian sensor, analitik dan AI yang memberi kita gambaran tepat sebelum air mula naik?

Pilihan itu ada di tangan kerajaan hari ini — dan rakyat akan rasa bezanya pada musim hujan yang seterusnya.