Sensor Pintar Banjir: Apa Bandar Boleh Belajar dari Chicago

AI dalam Kerajaan & Sektor Awam••By 3L3C

Bagaimana Chicago guna sensor pintar, data masa nyata dan AI untuk urus banjir bandar – dan apa yang boleh dipelajari oleh kerajaan serta PBT di Malaysia.

AI sektor awamsensor banjir pintarbandar pintarpengurusan bencanadata masa nyatainfrastruktur pintar
Share:

Bagaimana Sensor Pintar Mengubah Cara Bandar Urus Banjir

Pada tahun-tahun kebelakangan ini, beberapa bandar besar di dunia melihat hujan lebat yang dulu digelar “sekali dalam 100 tahun” berlaku setiap beberapa tahun sahaja. Chicago salah satu contohnya: ribut perlahan dengan hujan lebih 6 inci dalam masa singkat kini bukan luar biasa lagi. Bandar yang tak bersedia akan tenggelam – secara fizikal dan juga dari segi keupayaan respons.

Di sinilah bandar seperti Chicago mula bergantung kepada sensor banjir pintar, analitik data dan AI untuk bantu perancang bandar dan agensi kecemasan bertindak lebih awal, bukan sekadar menyelamat selepas musibah. Untuk agensi kerajaan di Malaysia yang sedang melaksanakan agenda Bandar Pintar, Malaysia Madani dan Rangka Tindakan Ekonomi Digital, pengalaman Chicago ini sebenarnya sangat dekat dengan cabaran kita di Kuala Lumpur, Shah Alam, Johor Bahru, Kuantan dan bandar-bandar lain yang kerap dilanda banjir kilat.

Dalam artikel ini, saya kongsikan bagaimana projek sensor banjir di Chicago berfungsi, mengapa data masa nyata dan AI semakin kritikal dalam pengurusan banjir bandar, dan apa pelajaran praktikal yang boleh diguna pakai oleh kerajaan tempatan serta agensi persekutuan di Malaysia.

Apa Sebenarnya Projek Sensor Banjir Chicago?

Inti projek Chicago mudah: pasang rangkaian sensor fizikal, kumpul data banjir masa nyata, analisis secara pintar, kemudian guna maklumat itu untuk respons dan perancangan jangka panjang.

Beberapa poin penting projek:

  • Sekitar 50 sensor banjir akan dipasang di seluruh bandar, dengan 10 pertama di kawasan Chatham di selatan Chicago – satu kawasan yang memang kerap banjir.
  • Sensor dipasang kurang 20 minit, tanpa korek jalan atau pendawaian kompleks.
  • Data dihantar masa nyata melalui rangkaian 5G.
  • Data digunakan oleh penganalisis, pengurus kecemasan dan komuniti untuk faham pola banjir, kesan kepada sekolah, hospital dan infrastruktur kritikal.
  • Projek berjalan sehingga akhir 2026, cukup lama untuk bina satu set data kukuh bagi perancangan mitigasi banjir.

“Sensor hanyalah bahagian pertama,” kata CEO Hyfi, pembangun teknologi pengesanan banjir. Nilai sebenar datang daripada analitik dan sistem amaran yang terhasil daripada data tersebut.

Projek ini bukan bersifat teknologi semata-mata. Ia melibatkan kerjasama tiga pihak utama:

  • Bandaraya Chicago – pemilik isu, pembuat dasar, penyelaras respons kecemasan
  • Syarikat teknologi (Hyfi) – reka bentuk dan operasi sensor, pemprosesan data
  • Operator komunikasi (Verizon) – infrastruktur 5G dan pembiayaan

Model ini sangat relevan untuk konteks Malaysia: gabungan kerajaan, syarikat telekom dan penyedia teknologi tempatan/antarabangsa di bawah payung dasar nasional seperti Pelan Bandar Pintar Kebangsaan dan Malaysia Digital Economy Blueprint.

Dari Sensor ke AI: Mengapa Data Banjir Masa Nyata Penting

Sensor hanya mengumpul data; AI dan analitik menjadikannya bernilai. Inilah prinsip utama dalam kebanyakan inisiatif AI dalam kerajaan dan sektor awam.

Dalam konteks banjir bandar:

  • Sensor mengukur aras air di jalan atau longkang
  • Data dihantar setiap beberapa minit atau saat
  • Sistem analitik menjejak tren: berapa cepat aras air naik, di lokasi mana paling kritikal
  • Model ramalan (AI / pembelajaran mesin) boleh mengaitkan data ini dengan ramalan cuaca, jenis hujan, masa hari dan sebagainya

Hasilnya, bandar bukan sahaja tahu “di mana banjir berlaku sekarang”, tetapi juga boleh menjawab soalan penting lain:

  • Kawasan mana yang hampir pasti akan banjir dalam 30–60 minit?
  • Jalan mana perlu ditutup dahulu untuk elak kenderaan terkandas?
  • Hospital, sekolah, depo bas mana yang akan terjejas jika aras air terus naik dalam tempoh tertentu?

Di Chicago, data sensor digabungkan dalam satu gambaran menyeluruh bandar untuk memacu enjin amaran. Konsep yang sama boleh diaplikasi di Malaysia:

  • Integrasi data sensor banjir dengan papan pemuka pusat PBT / NADMA
  • Amaran automatik kepada pegawai JKR atau PDRM untuk tutup jalan
  • Pemberitahuan terus ke aplikasi mudah alih rakyat (contoh: notifikasi push seperti amaran cuaca) berdasarkan lokasi sebenar mereka

Realitinya, banjir hari ini bukan lagi isu “air naik terlalu cepat”, tetapi “data sampai terlalu lambat”. Tanpa sensor dan AI, agensi kerajaan hanya bertindak selepas laporan manual atau viralnya video di media sosial.

Apa Pelajaran Utama Chicago untuk Bandar-Bandar di Malaysia

Projek Chicago nampak canggih, tetapi beberapa prinsip asasnya sangat praktikal dan boleh diadaptasi oleh kerajaan tempatan di Malaysia.

1. Fokus pada Kawasan Panas (Hotspot) Dulu

Chicago tidak terus menutup seluruh bandar dengan ratusan sensor. Mereka mulakan di Chatham, kawasan yang memang sering banjir. Pendekatan ini masuk akal:

  • Kos permulaan lebih rendah
  • Kesan kepada komuniti lebih cepat kelihatan
  • Data awal boleh digunakan untuk justifikasi bajet yang lebih besar

Untuk Malaysia, contoh kawasan sasaran:

  • Kuala Lumpur: kawasan sekitar Sungai Klang, terutamanya lokasi parkir bawah tanah dan jalan bertingkat
  • Shah Alam, Klang, Johor Bahru: kawasan perumahan yang terkenal dengan banjir kilat
  • Kota Bharu, Kuantan, Alor Setar: persimpangan utama yang sering ditutup waktu hujan lebat

2. Pilot Dulu, Skala Kemudian

Projek Chicago dirangka sebagai “proof of concept” sehingga 2026. Ini beri masa untuk:

  • Uji kebolehpercayaan sensor dalam pelbagai keadaan cuaca
  • Tuning model analitik AI berdasarkan data sebenar
  • Kumpul maklum balas komuniti dan agensi lapangan

Pendekatan pilot ini selari dengan cara projek AI sektor awam patut dijalankan di Malaysia: mula kecil, ukur impak, baiki, baru diperluas ke peringkat nasional.

3. Libatkan Komuniti, Bukan Infrastruktur Sahaja

The Greater Chatham Initiative, sebuah organisasi pembangunan komuniti, terlibat secara aktif. Mereka gunakan data banjir untuk:

  • Menilai kesan kepada “grey infrastructure” (jalan, longkang, sistem pembetungan)
  • Menilai “green infrastructure” (taman, kawasan tadahan, kolam takungan) yang sedang dikaji

Untuk Malaysia, data banjir masa nyata boleh dikongsi dengan:

  • Jawatankuasa penduduk / Rukun Tetangga untuk rancangan kesiapsiagaan
  • Universiti tempatan untuk kajian impak iklim bandar
  • Pemaju perumahan sebagai asas syarat tambahan pembangunan baru

Apabila komuniti nampak data yang jelas, hujah “banjir ini luar biasa, tak boleh elak” menjadi kurang meyakinkan. Mereka boleh mendesak solusi berasaskan bukti.

4. Guna Infrastruktur Digital Sedia Ada

Chicago menggunakan 5G untuk komunikasi sensor. Bagi Malaysia, sinergi dengan rangkaian 4G/5G sedia ada oleh telco tempatan sangat kritikal. Ini bermakna kerajaan tak perlu membina rangkaian komunikasi baru semata-mata untuk projek banjir.

Kuncinya:

  • Standardkan data (format, kekerapan) supaya mudah diintegrasi ke sistem sedia ada agensi
  • Wujudkan perjanjian jelas tentang pemilikan data dan akses antara kerajaan, telco dan penyedia teknologi

Di Mana AI Menambah Nilai dalam Pengurusan Banjir Kerajaan

Dalam siri AI dalam Kerajaan & Sektor Awam, kita selalu bercakap tentang analitik, bandar pintar dan automasi perkhidmatan awam. Projek Chicago ini contoh jelas bagaimana AI tak perlu “hebat” dari segi pemasaran, tapi kritikal dari segi fungsi.

Beberapa aplikasi AI yang nyata dalam konteks banjir bandar:

a) Ramalan Mikro (Hyperlocal Forecasting)

Bukan semua kawasan bandar menerima jumlah hujan yang sama. Dengan data sensor dan ramalan cuaca beresolusi tinggi, model AI boleh:

  • Meramal peluang banjir mengikut jalan atau lorong tertentu
  • Memberi skor risiko dinamik (contoh: 0–100) untuk setiap lokasi
  • Mengemas kini skor setiap beberapa minit berdasarkan data terkini

Ini jauh lebih berguna berbanding kenyataan umum seperti “hujan lebat dijangka di Lembah Klang petang ini”.

b) Pengoptimuman Respons Kecemasan

Bila banjir berlaku, sumber sentiasa terhad: trak, bot, anggota, masa.

Sistem AI boleh membantu:

  • Menyusun keutamaan kawasan mana perlu diselamatkan dahulu
  • Mengira laluan paling selamat dan terpantas untuk ambulans atau bomba
  • Mencadangkan lokasi pusat pemindahan sementara berdasarkan akses dan risiko banjir

c) Perancangan Infrastruktur Jangka Panjang

Data beberapa tahun dari sensor banjir memberi gambaran sangat kaya kepada jurutera dan perancang bandar:

  • Apakah corak sebenar banjir mengikut musim, minggu, malah masa hari
  • Sama ada projek mitigasi (contoh: kolam takungan baru) benar-benar mengurangkan insiden banjir
  • Kawasan mana yang patut dilarang pembangunan intensif kerana terlalu berisiko

Ini menyokong pendekatan “data-driven policy” yang semakin ditekankan dalam dasar nasional Malaysia.

Bagaimana Agensi Kerajaan Malaysia Boleh Mula

Kalau anda di PBT, agensi air, NADMA, ICU atau unit perancangan ekonomi negeri, berikut sebuah rangka kerja ringkas untuk memulakan projek seperti Chicago – tetapi ikut konteks tempatan.

1. Kenal Pasti “Use Case” yang Jelas

Contoh sasaran awal:

  • Kurangkan bilangan jalan utama yang perlu ditutup mendadak ketika hujan lebat
  • Kurangkan kenderaan terkandas di lokasi banjir popular
  • Kurangkan masa tindak balas pasukan penyelamat 20–30%

Tanpa sasaran jelas, projek sensor dan AI mudah jadi sekadar “projek showcase” tanpa impak sebenar.

2. Pilih Kawasan Rintis dan Rangkaian Sensor Minimum

  • Pilih 1–3 kawasan bandar yang kerap banjir dengan populasi tinggi
  • Pasang bilangan sensor yang cukup untuk “melukis” gambaran aras air kawasan itu – tidak perlu meliputi semua tempat sekaligus

3. Integrasi dengan Sistem Sedia Ada

Pastikan data banjir:

  • Terus masuk ke pusat kawalan bencana atau bilik gerakan PBT
  • Boleh dilihat dalam satu papan pemuka yang mudah difahami pegawai lapangan
  • Boleh dicapai oleh agensi lain (JKR, PDRM, JPS, hospital) melalui perkongsian data terkawal

4. Rancang Komponen AI Seawal Mungkin

Walaupun model AI mungkin hanya matang selepas setahun dua data terkumpul, reka bentuk sistem perlu sudah “AI-ready”:

  • Data distrukturkan dengan baik (timestamp, lokasi tepat, jenis sensor)
  • Ruang untuk tambah modul ramalan dan simulasi masa depan

5. Komunikasi dengan Rakyat

Kekuatan sistem seperti Chicago bukan pada sensor sahaja, tetapi juga bagaimana maklumat dikembalikan kepada rakyat:

  • Peta interaktif banjir masa nyata di portal PBT atau aplikasi mudah alih
  • Notifikasi awal bila jalan biasa mereka dijangka dinaiki air
  • Laporan berkala tentang bagaimana data digunakan untuk tingkatkan perancangan bandar

Ini membina kepercayaan dan sokongan politik untuk fasa skala lebih besar.

Banjir Bandar, AI dan Masa Depan Perkhidmatan Awam

Projek sensor banjir Chicago menunjukkan satu mesej jelas: AI dalam kerajaan bukan sekadar chatbot dan automasi kaunter, tetapi juga tentang menyelamatkan nyawa, melindungi harta, dan memastikan bandar berfungsi walaupun cuaca semakin ekstrem.

Malaysia sudah mempunyai asas dasar melalui Pelan Ekonomi Digital, agenda Bandar Pintar dan pelaburan besar dalam rangkaian 5G. Langkah seterusnya ialah menghubungkan titik-titik ini: sensor fizikal, data masa nyata, AI analitik, dan mekanisme respons yang tersusun.

Jika bandar seperti Chicago, New Orleans dan lain-lain boleh menjadikan data banjir sebagai tulang belakang perancangan infrastruktur, tiada sebab bandar di Malaysia tidak boleh melakukan perkara sama – malah dengan adaptasi yang lebih sesuai dengan realiti monsun dan geografi tempatan.

Persoalannya sekarang: adakah agensi anda masih menunggu laporan banjir melalui WhatsApp, atau sudah bersedia beralih kepada data dan AI masa nyata?