AI & Retrofit Rumah: Kurangkan Risiko Kebakaran Hutan

Pada 18/12/2025, satu berita dari Altadena, California memberi mesej yang sangat jelas kepada industri insurans: bila kawasan baru sahaja melalui bencana, tindakan paling bernilai bukan sekadar “bayar tuntutan” — tetapi kurangkan kebarangkalian rumah terbakar kali kedua. Selepas Eaton Fire, dua organisasi, Insurance Institute for Business & Home Safety (IBHS) dan Global Emergency Relief, Recovery & Reconstruction (GER3) menjalankan program retrofit kebakaran hutan tanpa kos untuk penduduk, lengkap dengan penilaian risiko 360 darjah dan peningkatan fizikal rumah.

Bagi siri “AI dalam Insurans dan Pengurusan Risiko”, berita ini bukan kisah tempatan di Amerika semata-mata. Ia contoh hidup tentang bagaimana data + sains mitigasi + pelaksanaan di lapangan boleh menyelesaikan masalah yang kini makin kerap kita dengar: premium naik, perlindungan sukar diperoleh, dan risiko iklim semakin tidak menentu.

Yang menarik, IBHS turut menyebut mereka menganalisis lebih 30,000 struktur menggunakan gabungan penilaian lapangan dan data program pemeriksaan kerosakan (CAL FIRE). Ini tepat pada tempatnya—AI dalam insurans paling kuat apabila ia menyambung titik-titik ini: data kerosakan, ciri binaan, faktor persekitaran, dan keputusan mitigasi.

Apa yang Altadena buat dengan betul: mitigasi yang “lengkap”, bukan satu-satu

Program di Altadena menunjukkan satu prinsip yang ramai pemilik rumah dan juga organisasi tersilap faham: kebakaran hutan jarang ditewaskan oleh satu upgrade sahaja. Jika bumbung tahan api bagus tetapi ventilasi membenarkan bara masuk, rumah masih boleh terbakar.

IBHS menekankan konsep gabungan langkah—satu set mitigasi yang bekerja bersama untuk mengurangkan kebarangkalian rumah menyala, termasuk risiko dari bara berterbangan akibat angin.

Komponen retrofit yang paling “berbaloi” (dan kenapa)

Berdasarkan amalan mitigasi yang disebut dalam berita, tiga komponen ini sering menjadi asas:

• Ventilasi tahan bara (ember-resistant vents): Bara halus boleh masuk melalui bukaan kecil dan menyalakan bahan mudah terbakar di ruang bumbung.
• Zon 5 kaki tidak mudah terbakar di sekeliling rumah: Halang “jambatan api” daripada tumbuhan kering, kayu, atau storan luar yang rapat ke dinding.
• Bumbung bertaraf api Kelas A: Bumbung ialah permukaan besar yang menerima bara; rating yang baik mengurangkan risiko pencucuhan.

Ayat yang saya selalu ulang dalam kerja risiko: “Api tak perlu datang sebagai dinding api; kadang-kadang bara kecil saja sudah cukup.”

Kenapa ini berkait terus dengan ketersediaan insurans

Selepas kebakaran besar, pasaran insurans biasanya menjadi lebih ketat:

• penanggung insurans mengecilkan kapasiti,
• underwriting jadi lebih selektif,
• premium meningkat,
• sesetengah pemilik rumah sukar mendapat perlindungan.

Program seperti di Altadena cuba menyelesaikan punca: kurangkan kebarangkalian kerugian. Bila risiko turun secara nyata, insurans jadi lebih “boleh ditawarkan” dengan harga lebih munasabah.

Di sinilah AI masuk: daripada “peta risiko” kepada tindakan retrofit yang tepat

AI bukan hiasan dalam dek pembentangan. Dalam konteks kebakaran hutan, AI paling berguna untuk menjawab tiga soalan operasi yang keras:

1. Rumah mana paling perlu dikeraskan dahulu?
2. Langkah mitigasi mana memberi penurunan risiko paling besar mengikut bajet?
3. Bagaimana kita buktikan kepada underwriting bahawa risiko sudah turun?

1) AI untuk pengesanan kawasan berisiko tinggi (micro-zoning)

Banyak model risiko tradisional bekerja pada tahap kawasan luas. Masalahnya, kebakaran hutan bersifat “berpetak-petak”. Dua rumah di jalan yang sama boleh berbeza risiko kerana:

• orientasi rumah terhadap angin,
• jarak ke cerun/vegetasi,
• bahan bumbung dan dinding,
• rekabentuk garaj/beranda,
• keadaan “defensible space”.

Dengan gabungan data satelit, topografi, sejarah kebakaran, cuaca, dan imej udara, AI boleh membantu menghasilkan micro-risk scoring—skor risiko yang lebih tepat pada tahap kejiranan atau lot.

Kesan praktikal: program retrofit seperti GER3 boleh menyusun keutamaan dengan lebih adil dan lebih efektif, bukan ikut “siapa cepat dia dapat”.

2) AI untuk mengoptimumkan pakej retrofit (bukan sekadar senarai semak)

Pendekatan “checklist” ada had. AI boleh membantu mencadangkan pakej mitigasi mengikut:

• jenis rumah (usia, bahan, reka bentuk),
• pola pendedahan bara dan angin,
• titik lemah (vent, eaves, gutter, deck),
• kos tempatan (harga bahan & tenaga kerja),
• kesan risiko (risk reduction) yang dijangka.

Contoh mudah: untuk rumah tertentu, vent tahan bara + zon 5 kaki mungkin memberi impak lebih besar berbanding naik taraf lain yang mahal. Untuk rumah lain pula, bumbung Kelas A ialah “bottleneck”.

AI boleh menilai kombinasi ini menggunakan model seperti:

• predictive modeling (jangkaan kebarangkalian kerugian),
• optimization (bajet vs penurunan risiko),
• computer vision (kenal pasti ciri rumah daripada imej).

3) AI untuk bukti pasca-retrofit: “before vs after” yang boleh diaudit

Isu besar dalam insurans ialah pengesahan mitigasi. Jika retrofit dibuat, bagaimana penanggung insurans percaya ia betul-betul dilaksanakan dan kekal dipatuhi?

AI boleh memudahkan:

• pengesahan berasaskan foto (cap masa, geolokasi),
• audit rawak berasaskan risiko,
• pemantauan perubahan (contoh: pemilik rumah menambah struktur kayu baharu rapat ke dinding),
• pemodelan semula risiko selepas pembaikan.

Ini penting untuk underwriting dan pembaharuan polisi: bila bukti kuat, diskaun mitigasi dan ketersediaan perlindungan lebih mudah dipertahankan.

Pelajaran yang boleh terus dipakai di Malaysia (walaupun risiko kita berbeza)

Malaysia tak menghadapi kebakaran hutan gaya California pada skala yang sama, tetapi kita ada realiti sendiri: banjir, ribut, tanah runtuh, dan juga jerebu serta kebakaran ladang/vegetasi yang menjejaskan aset.

Model Altadena memberi rangka kerja yang boleh dipindahkan:

“Blueprint” 4 langkah untuk program mitigasi berasaskan data

1. Bina pangkalan data pendedahan (exposure) yang kemas
   • jenis binaan, lokasi, jarak ke punca bahaya, sejarah kejadian.
2. Jalankan penilaian risiko 360 darjah
   • bukan satu sumber data; gabungkan data geospatial, imej, audit lapangan.
3. Laksanakan retrofit/mitigasi yang standard dan boleh diukur
   • gunakan standard teknikal yang jelas, bukan nasihat umum.
4. Dokumentasikan dan ukur impak
   • metrik sebelum/selepas, kadar tuntutan, masa pemulihan, kos kerugian.

Bila kitaran ini hidup, insurans bergerak daripada “reaktif” kepada pengurusan risiko proaktif.

Apa yang organisasi insurans patut buat pada 2026: daripada idea ke pelan operasi

Bulan Disember selalunya masa syarikat menyusun bajet dan KPI untuk tahun baharu. Jika fokus anda ialah LEADS (dan bukan sekadar awareness), saya tegas di sini: pasaran akan lebih responsif kepada tawaran yang jelas seperti “kurangkan risiko, turunkan kos, buktikan hasil”.

Cadangan praktikal untuk insurer, broker, dan risk manager

1. Mulakan dengan 1 wilayah perintis (pilot) dan 1 bahaya utama Jangan cuba buat semuanya serentak. Pilih satu risiko dominan, contohnya banjir bandar atau kebakaran vegetasi.

2. Bangunkan ‘risk score’ yang boleh diterangkan Model AI yang bagus bukan yang paling kompleks, tetapi yang underwriting dan pelanggan boleh faham.

3. Tukar risk score kepada “senarai tindakan” Skor tanpa tindakan hanyalah laporan. Pelanggan mahu tahu: apa perlu dibuat minggu ini?

4. Rangka insentif: diskaun, perlindungan lebih luas, atau proses tuntutan lebih cepat Mitigasi perlu ada ganjaran yang jelas.

5. Bina bukti keberkesanan (evidence loop) Ukur penurunan kerugian atau sekurang-kurangnya penurunan pendedahan. Tanpa metrik, program akan mati dalam mesyuarat bajet.

Satu prinsip mudah: “Jika anda boleh ukur risiko, anda boleh urus risiko. Jika anda boleh buktikan pengurangan risiko, anda boleh runding harga dengan lebih kuat.”

Soalan lazim yang selalu muncul (dan jawapan terus terang)

Adakah AI boleh meramal kebakaran hutan dengan tepat?

AI boleh menganggar kebarangkalian dan mengenal pasti corak pendedahan. Ia bukan bola kristal. Nilainya datang bila ramalan itu diterjemah kepada tindakan mitigasi dan polisi underwriting.

Bukankah retrofit mahal dan sukar?

Jika dibuat secara ad hoc, ya. Tetapi program seperti GER3 menunjukkan pendekatan yang lebih bijak: penilaian standard + keutamaan berdasarkan risiko + pakej retrofit. Dengan skala, kos per rumah boleh menjadi lebih terkawal.

Bagaimana AI membantu pengurusan tuntutan selepas bencana?

Data sebelum bencana (mitigasi, ciri binaan) + data selepas bencana (imej udara, laporan kerosakan) boleh mempercepat triage tuntutan, mengurangkan pertikaian, dan mengesan tuntutan bermasalah.

Langkah seterusnya: jadikan mitigasi sebagai produk, bukan kempen

Berita Altadena menonjolkan satu arah yang saya percaya akan menjadi arus perdana: insurans yang semakin bergantung pada pencegahan. Bila IBHS dan GER3 boleh menyelaraskan sains mitigasi, penilaian risiko 360 darjah, dan retrofit tanpa kos kepada peserta, mesejnya jelas—model ini boleh direplikasi dalam banyak bentuk.

Jika anda sedang membangunkan strategi AI dalam insurans dan pengurusan risiko untuk 2026, tanya pasukan anda satu soalan yang betul-betul praktikal: Bahagian mana dalam rantaian nilai kita yang masih bergantung pada andaian, sedangkan ia boleh disokong oleh data?

Bila jawapan itu jelas, anda akan nampak peluang paling besar: program mitigasi berasaskan AI yang boleh dibuktikan, boleh diaudit, dan paling penting—membina keyakinan pelanggan serta memperbaiki ketersediaan perlindungan.