Deteksi dini berbasis IoT dan AI: dari konsep ke kebutuhan nyata
Deteksi dini berbasis AI adalah pendekatan keselamatan yang menggabungkan sensor fisik, konektivitas IoT, dan algoritma analitik prediktif untuk memantau gejala awal risiko, mengubah data lapangan menjadi peringatan yang dapat ditindaklanjuti sebelum terjadi kegagalan infrastruktur atau kecelakaan di lingkungan industri maupun perkotaan. Di titik ini, teknologi bukan lagi pelengkap, tetapi fondasi keamanan infrastruktur pintar yang menuntut respons cepat, akurat, dan otomatis. Dua contoh menarik muncul dari kolaborasi kampus dan industri: sistem sensor petir otomatis untuk kilang minyak, serta alat prediksi risiko pohon yang menyasar dahan rapuh di area kampus dan ruang publik. Keduanya memperlihatkan perubahan paradigma: keselamatan tidak menunggu insiden, tetapi dibangun melalui data real-time dan sistem monitoring IoT yang terus belajar.
Sensor petir otomatis di kilang: keamanan industri yang tidak bisa ditawar
Ketika kilang minyak beroperasi di bawah risiko sambaran petir, setiap detik keterlambatan informasi bisa berharga nyawa dan kerusakan fasilitas. Universitas Andalas, melalui Departemen Teknik Elektro, melaksanakan studi kelayakan bersama di kilang Pertamina RU Dumai untuk mengembangkan Sistem Monitoring Petir yang menyasar langsung persoalan ini. Sistem tersebut dirancang mendeteksi aktivitas petir secara real-time dan memetakan lokasi sambaran dalam radius hingga ±7 km, memanfaatkan kombinasi sensor medan listrik, medan magnet, dan mikrofon. Dengan pencatatan harian, bulanan, hingga tahunan, kilang mendapat basis data kuat untuk analitik prediktif—bukan sekadar alarm sesaat. "Teknologi ini dinilai memiliki potensi besar untuk diterapkan di kawasan industri energi seperti kilang Pertamina", yang artinya keputusan operasional dapat diambil lebih cepat: menghentikan proses berisiko, mengamankan pekerja, dan mengurangi downtime akibat gangguan cuaca ekstrem.
Monstree: mengubah pohon tua menjadi objek data, bukan sekadar ancaman
Di kampus dan kota, pohon besar sering dianggap aset hijau hingga dahan rapuhnya tiba-tiba menimpa kendaraan atau fasilitas. Tim mahasiswa Teknik Elektro ITB angkatan 2022—Alghoza Hamdani, Avila Khadhibyan, dan Felix Eduardo Sihaloho—menginisiasi Monstree untuk memutus siklus kejutan berbiaya mahal ini. Avila menegaskan bahwa insiden dahan patah menimpa kendaraan dan fasilitas kampus memicu kerugian finansial signifikan bagi pemilik dan pengelola. Monstree memantau dahan secara konstan dengan dua sensor utama: IMU non-intrusif untuk dinamika pergerakan dan kelengkungan, serta sensor emisi akustik untuk menangkap suara retakan mikro kayu sebelum patah total. Data dua lapis ini diolah untuk prediksi risiko pohon secara lebih presisi, lalu dikirim sebagai notifikasi otomatis bila ada indikasi kerusakan struktural pada dahan. Pendekatan ini mengubah pohon tua dari sekadar obyek inspeksi manual menjadi bagian dari jaringan keamanan infrastruktur pintar.
Analitik prediktif: menyatukan kilang energi dan ruang kota dalam satu bahasa data
Sekilas, sensor petir otomatis di kilang dan sistem prediksi risiko pohon di kampus tampak berada di dua dunia berbeda. Namun keduanya menggunakan bahasa yang sama: sensor, data, dan analitik prediktif untuk deteksi dini berbasis AI. Sistem monitoring petir tidak hanya memberi alarm saat sambaran terjadi, tetapi juga membangun histori untuk melihat pola aktivitas petir di sekitar kilang, sehingga strategi proteksi dapat disesuaikan dengan karakter cuaca lokal. Monstree mengumpulkan big data dinamika dahan dan sinyal akustik untuk melatih algoritma machine learning, menjadikan sistem deteksi kegagalan dahan di masa depan semakin responsif dan terintegrasi. Dalam dua proyek ini, teknologi mengurangi waktu respons: operator kilang bisa segera menyesuaikan operasi saat sensor memprediksi intensifikasi badai, sementara pengelola kampus dapat menjadwalkan pemangkasan sebelum dahan jatuh. Poin pentingnya, pencegahan kecelakaan tidak lagi bergantung pada intuisi, tetapi pada bukti statistik yang terus diperbarui.
Menuju ekosistem keselamatan publik yang saling terhubung
Kunjungan tim peneliti Universitas Andalas ke Pertamina RU Dumai hanyalah langkah awal sebelum implementasi penuh sistem monitoring petir di lingkungan industri. Sementara itu, tim Monstree merencanakan pemanfaatan data kuantitatif yang terkumpul untuk mengembangkan model kecerdasan buatan dan algoritma machine learning, agar deteksi risiko patah dahan menjadi semakin cerdas dan terintegrasi. Kedua inisiatif menunjukkan arah yang sama: keselamatan publik dan keamanan infrastruktur pintar akan bergantung pada jaringan sistem monitoring IoT dengan analitik prediktif di lapisan atas. Pertanyaannya bukan lagi apakah teknologi ini diperlukan, melainkan seberapa cepat pengelola kilang, kampus, dan kota bersedia mengadopsinya, menghubungkan sensor petir otomatis, pemantau pohon, dan sistem peringatan lainnya dalam satu ekosistem. Kesimpulannya, investasi terbesar bukan pada perangkat keras, tetapi pada keberanian budaya pengelolaan risiko yang mau mempercayakan keputusan penting pada data real-time.
