ABSTRAK
Bencana geologi khususnya tanah runtuh telah dikenal pasti sebagai salah satu ancaman negara dan memberi impak serius kepada sosioekonomi. Fenomena ini mengakibatkan kehilangan nyawa, kerosakan infrastruktur dan kemusnahan harta benda serta memberi kesan ketidakselesaan kepada komuniti. Perubahan cuaca ekstrem yang membawa curahan hujan yang tinggi terutama sepanjang Monsun Timur Laut telah memberi kesan yang signifikan terhadap kejadian bencana geologi tanah runtuh. Taburan hujan merupakan faktor pencetus yang sering dikaitkan dengan kejadian tanah runtuh. Walau bagaimanapun, perkaitan antara dua elemen ini masih belum dapat difahami dengan baik. Perkembangan teknologi memuncul (Emerging Technology) seperti Artificial Intelligence (AI), Internet of Things (IoT), Blockchain dan Big Data dan pemanfaatan data dapat membantu dalam meningkatkan pemahaman punca kejadian tanah runtuh. Kementerian Sumber Asli dan Kelestarian Alam (NRES) dengan kerjasama Jabatan Mineral dan Geosains Malaysia (JMG) telah membangunkan Sistem Pengurusan Bersepadu Bencana Geologi Tanah Runtuh Negara atau GeoSlide. Enam (6) objektif utama sistem ini adalah untuk; (i) mengenal pasti lokasi zon bahaya tanah runtuh melalui pengintegrasian peta kerentanan dan data hujan; (ii) menyediakan model ramalan awal; (iii) menyediakan mekanisme amaran awal kepada komuniti dan agensi berkepentingan; (iv) menentukan fasiliti dan infrastruktur kritikal yang dijangka terjejas akibat tanah runtuh; (v) menjalankan analisis geospatial bagi tujuan evakuasi dan penyelamatan; dan (vi) menyediakan anggaran nilai kerugian akibat kejadian tanah runtuh. GeoSlide berupaya memberi amaran awal risiko bencana geologi tanah runtuh melalui tiga (3) tahap peringatan bergantung kepada intensiti hujan dan tahap kerentanan tanah runtuh iaitu Waspada, Amaran dan Bahaya.
1. PENGENALAN
Tanah runtuh merupakan ancaman bencana alam yang kedua paling serius di Malaysia selepas banjir (Matori et al., 2011). Sebanyak 6,532 insiden tanah runtuh telah direkodkan secara kumulatif sejak tahun 1961 sehingga Ogos tahun 2024. Statistik menunjukkan pola peningkatan setiap tahun yang mengakibatkan kehilangan lebih 600 nyawa dengan kerugian ekonomi dianggarkan kira-kira RM4.9 bilion bagi tempoh 1961 hingga 2023 (NaTSIS, 2024, PICN, 2019).
Mengimbau insiden tanah runtuh yang tragis di Batang Kali pada 16 Disember 2022 yang telah mengorbankan 31 nyawa. Tragedi ini menyaksikan semua agensi berkaitan menghadapi tempoh yang amat sukar untuk menjalankan kerja mencari dan menyelamat sehingga mengambil masa selama 10 hari sebelum ditamatkan pada 25 Disember 2022. Kebiasaannya, tanah runtuh di Malaysia berpunca daripada faktor hujan yang lebat dan berpanjangan terutama pada musim tengkujuh (Lee et al., 2014, Low et al., 2012, Roslan et al., 2019). Jika kita tidak mengambil iktibar daripada kegagalan dan kesilapan lampau, isu ini akan menjadi lebih meruncing. Jumlah kematian akibat tanah runtuh di Malaysia sehingga kini menunjukkan betapa seriusnya isu ini dan perlunya langkah-langkah pencegahan yang lebih ketat serta sistem amaran awal yang lebih berkesan untuk mengurangkan risiko kehilangan nyawa dan harta benda pada masa hadapan.
Bahagian Pengurusan Maklumat, Kementerian Sumber Asli dan Kelestarian Alam (NRES) dengan kerjasama strategik Jabatan Mineral dan Geosains Malaysia (JMG) telah mengambil langkah proaktif dengan melaksanakan inisiatif analitis data raya dengan membangunkan kes bisnes Pengurusan Bersepadu Bencana Geologi Tanah Runtuh Negara (GeoSlide). Analitis Data Raya (Big Data Analytics-BDA) merujuk kepada proses menganalisis pelbagai jenis data, berstruktur dan tidak berstruktur dari pelbagai sumber bagi mengenal pasti pattern atau trends sehingga menghasilkan insight yang berupaya membantu dalam pembuatan keputusan yang cepat, tepat dan pintar. Teknologi BDA berupaya memproses data secara masa nyata (real-time) daripada pelbagai sumber dan dalam pelbagai format (IBM, 2024).
Hasil analisis spatial yang diterjemahkan melalui dashboard GeoSlide membantu menyediakan maklumat awal zon bahaya tanah runtuh kepada agensi tindak balas sebagai langkah kesiapsiagaan menghadapi bencana. Tiga (3) pemakluman awal yang dikeluarkan adalah waspada, amaran dan bahaya.
Enam (6) objektif utama pembangunan GeoSlide adalah:
- Mengenal pasti lokasi zon bahaya tanah runtuh melalui pengintegrasian peta kerentanan dan
data hujan. - Menyediakan model ramalan awal (analisis prediktif).
- Menyediakan mekanisme amaran awal kepada komuniti dan agensi berkepentingan.
- Menentukan fasiliti dan infrastruktur kritikal yang dijangka terjejas akibat tanah runtuh
- Menjalankan analisis geospatial bagi tujuan evakuasi dan penyelamatan.
- Menyediakan anggaran nilai kerugian akibat kejadian tanah runtuh.
Dashboard GeoSlide boleh diakses melalui Portal BDA NRES dan memerlukan pendaftaran pengguna bagi mengakses sistem.
2. PENGUMPULAN DAN INTEGRASI DATA
GeoSlide merangkumi pelbagai jenis data termasuklah data berstruktur, separa berstruktur dan tidak berstruktur. Dua (2) Agensi Pembekal Data (APD) utama bagi pembangunan GeoSlide adalah:
- Jabatan Meteorologi Malaysia (METMalaysia) yang membekalkan data hujan harian lampau (historical), hujan harian terkini (observed), ramalan hujan forecast dan nowcast.
- JMG yang membekalkan data peta kerentanan tanah runtuh, rekod kejadian tanah runtuh dan maklumat cerun kritikal.
Pelbagai data lain (data sekunder) merentasi agensi juga digunakan seperti di jadual berikut: Jadual 1: Senarai Agensi Pembekal dan Data
Jadual 1: Senarai Agensi Pembekal dan Data
| Bil. | Agensi Pembekal | Data |
| 1 | Jabatan Perangkaan Malaysia (DOSM) | Data bancian isi rumah |
| 2 | Suruhanjaya Perkhidmatan Air Negara (SPAN) | Lokasi empanganLokasi loji rawatan air (LRA) |
| 3 | Suruhanjaya Komunikasi dan Multimedia Malaysia (SKMM) | Lokasi Radio Communication Infrastructure (RCI) |
| 4 | Jabatan Kebajikan Masyarakat (JKM) | Lokasi pusat pemindahan sementara (PPS) |
| 5 | Kementerian Pendidikan Malaysia (KPM) | Lokasi sekolah |
| 6 | Jabatan Perhutanan Semenanjung Malaysia (JPSM) | i) Hutan Simpan Kekal ii) Taman Eko Rimba |
| 7 | Jabatan Kerajaan Tempatan | Lokasi pihak berkuasa tempatan (PBT) |
| 8 | Kementerian Kesihatan Malaysia (KKM) | Lokasi hospital dan klinik |
| 9 | Polis Diraja Malaysia (PDRM) | i) Lokasi balai polis ii) Aset PDRM iii) Jumlah anggota tindak balas |
| 10 | Jabatan Bomba dan Penyelamat Malaysia (JBPM) | i) Lokasi balai bomba ii) Sempadan operasi agensi tindak balas iii) Aset JBPM iv) Maklumat jumlah anggota tindak balas |
| 11 | Angkatan Pertahanan Awam Malaysia (APM) | Lokasi pejabat APM |
| 12 | Pusat Geospatial Negara (PGN) | i) Sempadan daerah dan PBT ii) Sempadan parlimen dan Dewan Undangan Negeri (DUN) |
Proses perolehan data dibuat melalui sesi libat urus bersama APD yang telah dikenalpasti melalui beberapa siri perbincangan; serta web scrapping/data exctraction antaranya menggunakan Apify Google Maps Scraper dan GitHub. Proses transformasi koordinat data geospatial dilakukan menggunakan perisian Geospatial Information System (GIS), iaitu ArcGIS. Seterusnya, data-data tersebut diekstrak menggunakan kaedah pengaturcaraan Python. Pemerolehan data ini merujuk kepada proses mengumpul, menapis dan membersihkan data daripada pelbagai sumber sebelum data dimasukkan ke dalam storan yang melibatkan kepelbagaian sumber data seperti pangkalan data berstruktur (RDBMS), Application Programming Interface (API), fail, platform media sosial dan lain-lain.
Arkitektur pemprosesan data berbeza mengikut ciri-ciri dan klasifikasi data. Sebagai contoh, data primer daripada Sistem Maklumat Geospatial Terain dan Cerun Negara (NaTSIS), JMG dan METMalaysia dimuat naik ke sistem BDA NRES menggunakan API dan Secure File Transfer Protocol (SFTP) manakala data-data sokongan yang lain berada dalam bentuk comma separated values (CSV), Javascript Object Notation (JSON), Extensible Markup Language (XML) dan shapefile (SHP) dimuat naik ke sistem BDA NRES melalui laman platform pengurusan data mengikut format yang telah ditetapkan.
3. EXTRACT, TRANSFORM, LOAD (ETL)
Proses extract, transform and load (ETL) ialah proses asas dalam pengurusan data dan analisis untuk memindah dan menyediakan data untuk penyimpanan atau analisis. Proses ETL membolehkan integrasi, pembersihan dan penyediaan data daripada pelbagai sumber dapat digunakan untuk pelaporan, analisis atau aplikasi bisnes yang lain.
Rajah 2 : Aliran Proses ETL
Rajah 2 di atas menunjukkan aliran proses ETL yang merujuk kepada pemindahan data daripada satu sumber atau lebih ke data lake sistem GeoSlide.
Semasa pra pemprosesan, data selain data primer dimuat naik ke dalam sistem melalui modul Pentadbiran Data. Data ini kemudiannya dibersih atau digabungkan mengikut keperluan kes bisnes. Ini termasuk mengekstrapolasi data untuk mengisi mana-mana sel data yang hilang, menormalkan data dan menggabungkan daripada fail data yang lain ke dalam set data yang boleh digunakan. Data akan diproses lebih lanjut semasa peringkat pemprosesan dan kemudiannya diakses oleh perisian Tableau bagi memaparkan visualisasi analitis yang diperlukan.
3. VISUALISASI
Rajah 3: Skrin Utama Dashboard GeoSlide
Skrin Utama Dashboard GeoSlide memberi gambaran umum status kawasan bahaya tanah runtuh mengikut negeri, daerah dan kawasan parlimen. Ia turut menyenaraikan anggaran kos nilai kerugian yang dijangka terjejas sekiranya berlaku kejadian tanah runtuh di kawasan tersebut.
Analisis masa nyata dijalankan dengan pengintegrasian data tanah runtuh dan hujan. Peta kerentanan tanah runtuh sedia ada akan dilapiskan (overlay) dengan data hujan bagi menghasilkan zon bahaya tanah runtuh. Sebagai contoh, kawasan yang mempunyai tahap kerentanan tanah runtuh yang tinggi dan menerima curahan hujan pada tahap bahaya akan dikategorikan sebagai zon bahaya tanah runtuh tahap tinggi. Kawasan tersebut juga akan diberikan amaran tahap Bahaya berdasarkan kepada matriks di Rajah 4. Analisis jumlah penduduk, fasiliti dan infrastruktur kritikal yang berisiko terjejas oleh tanah runtuh dapat dikenal pasti berasaskan zon bahaya tanah runtuh yang telah dijana.
Rajah 4: Matriks Penindanan Data Tahap Kerentanan Tanah Runtuh dan Data Hujan
Rajah 5: Dashboard Zon Bahaya
Berdasarkan Dashboard Zon Bahaya di Rajah 5, garisan merah menunjukkan aras nilai ambang (threshold) yang telah ditetapkan. Pengguna boleh mendapatkan analisis yang lebih mendalam mengikut kawasan zon bahaya mengikut tahap amaran. Ia juga menyenaraikan maklumat terperinci berkenaan jumlah kumulatif hujan ramalan berbanding nilai ambang yang telah ditetapkan bagi tiga (3) hari sebelum dan enam (6) hari ke hadapan.
Rajah 6: E-mel Pemakluman Ringkasan Amaran Bahaya Tanah Runtuh
Rajah 6 menunjukkan hebahan e-mel pemakluman ringkasan amaran bahaya tanah runtuh untuk 24 jam akan datang. Sistem mengenal pasti kawasan yang berpotensi mengalami bahaya tanah runtuh berdasarkan tiga (3) tahap peringatan iaitu Waspada, Amaran dan Bahaya. Sistem akan menyenaraikan 10 lokasi yang berpotensi bahaya dan e-mel pemakluman akan dikeluarkan secara automatik kepada kumpulan pengguna yang telah ditetapkan.
Rajah 7: Dashboard Agensi Tindak Balas
Rajah 7 memaparkan maklumat setiap agensi tindak balas yang berhampiran dengan kawasan bencana geologi tanah runtuh. Maklumat agensi tindak balas dan Pusat Pemindahan Sementara (PPS) adalah dinamik dan akan berubah mengikut kawasan yang dipilih pada peta berkenaan. Peta ini diintegrasikan dengan laman web Google Maps dan membolehkan pengguna mendapat jarak serta perjalanan secara geofencing antara titik kawasan zon bahaya dengan agensi tindak balas yang dipilih dalam radius yang boleh ditetapkan oleh pengguna.
Komuniti dan Jawatankuasa Pengurusan Bencana Daerah/Negeri/Pusat boleh membuat keputusan yang cepat untuk menempatkan mangsa tanah runtuh. Agensi tindak balas seperti PDRM, JBPM dan APM juga akan mendapat manfaat untuk merancang lebih awal operasi menyelamat melalui maklumat zon bahaya tanah runtuh berdasarkan data forecast hujan tersebut.
3. CABARAN DALAM PEMBANGUNAN GEOSLIDE
Analitis data raya sangat bergantung kepada kesediaan, kualiti dan kuantiti data. Kualiti output dan dashboard yang terhasil ditentukan oleh kualiti data bagi mengelakkan garbage in, gargabe out. Beberapa isu berkaitan kualiti data telah dikenal pasti seperti berikut:
a) Data tidak konsisten
Pembangunan GeoSlide menggunakan kaedah seperti skrip Apache Nifi dan Python untuk membina proses machine learning (ML) bagi mengenal pasti data yang tidak konsisten dan menjalankan kerja-kerja pembaikan seperti menormalkan data untuk memastikan set data adalah konsisten.
b) Data tidak tepat
ML juga digunakan untuk menentukan data yang tidak tepat dengan mengenal pasti sebarang anomali yang ditemui untuk tindakan selanjutnya oleh pentadbir data GeoSlide.
c) Kehilangan Data (Missing Data)
Data yang lengkap bergantung kepada proses pengumpulan data. Sebagai contoh, data hujan tidak direkodkan untuk stesen hujan tertentu untuk beberapa tarikh kerana masalah akses atau peralatan. Data yang hilang boleh dilengkapkan dengan ML dan kecerdasan buatan (AI) untuk mengekstrapolasi data daripada tarikh lain yang bersebelahan dengan tarikh yang hilang.
d) Kuantiti Data
Pembangunan model nilai ambang tanah runtuh sangat bergantung kepada rekod tanah runtuh dan hujan lampau. Kebanyakan rekod tanah runtuh tidak mempunyai maklumat tarikh dan waktu kejadian yang tepat. Ini menyebabkan majoriti rekod tanah runtuh tidak lengkap dan tidak dapat digunakan dalam analisis. Kuantiti data yang sedikit akan memberi kesan kepada trend dan jumlah nilai ambang hujan. Oleh yang demikian, pengumpulan data yang berkaitan perlu dijalankan secara berterusan bagi memastikan model yang dibangunkan lebih tepat dan diyakini.
3. RANTAIAN KE HADAPAN
Realitinya, bencana alam ialah sesuatu yang amat sukar dijangka dan dielakkan. Justeru, analisis secara prediktif digunakan bagi meminimumkan risiko dan mengurangkan kesan akibat bencana. Isu berkaitan bencana geologi dilihat lebih mencabar dengan keadaan perubahan iklim yang kompleks. Penggunaan analitis data raya yang berkeupayaan memproses jumlah besar data lampau tanah runtuh dengan berkesan dapat membantu menghasilkan keputusan yang lebih baik untuk pengurusan risiko bencana di Malaysia. Pengadaptasian teknologi masa kini seperti ML dan AI dapat membantu pemegang taruh membuat keputusan dasar berdasarkan fakta saintifik.
Hasrat ini juga selari dengan Pelan Strategik Pendigitalan Sektor Awam 2021-2025, Strategi
3 – Pemerkasaan Penyampaian Perkhidmatan Kerajaan Berasaskan Kepintaran Data, A2-Membangunkan produk data raya berimpak tinggi Sektor Awam. (PSPSA, 2021). Pembangunan GeoSlide ini merupakan gabungan kompetensi Subject Matter Expert (SME), saintis data, pegawai geosains dan pegawai yang berkemahiran dalam penggunaan aplikasi GIS. Sinergi dari pelbagai pihak amat diperlukan bagi memperkasa dan meningkatkan keupayaan prediktif berpandukan data sains.
Agensi Kerajaan mempunyai tanggungjawab yang besar bagi memastikan keselamatan komuniti berada dalam keadaan yang baik. Diharapkan sistem yang dibangunkan ini dapat memberikan manfaat dan impak positif yang signifikan kepada keberkesanan penyampaian perkhidmatan digital Kerajaan. Inovasi dalam bidang sains data ini dapat meningkatkan tahap kesiapsiagaan agensi kerajaan terutamanya agensi tindak balas selain secara tidak langsung memperkukuh daya tahan komuniti terhadap bencana tanah runtuh ke arah Malaysia yang sejahtera dan selamat.
RUJUKAN
IBM. (2024, August 8). Big Data Analytics. IBM. https://www.ibm.com/topics/big-data-analytics
Jabatan Digital Negara. (2021). Pelan Strategik Pendigitalan Sektor Awam 2021-2025. Jabatan Digital Negara.
Lee, L., Ng, K., Huang, Y., & Li, W. C. (2014). Rainfall-induced landslides in Hulu Kelang area, Malaysia.
Natural Hazards, 70, 10.1007/s11069-013-0814-8.
Low, T., Huat, B. B. K., Ali, F. H., & Ibrahim, A. S. (2012). An investigation on one of the rainfall-induced landslides in Malaysia. ResearchGate. https://www.researchgate.net/ publication/228453390_An_Investigation_on_One_of_the_Rainfall-Induced_Landslides_ in_Malaysia
Matori, A. N., Basith, A., & Harahap, I. S. H. (2011). Study of regional monsoonal effects
on landslide hazard zonation in Cameron Highlands, Malaysia. Arabian Journal of Geosciences. https://doi.org/10.1007/s12517-011-0309-4
Mohammad Roslan, N., Othman, A. M., & Haris, H. A. (2019). Landslide disaster in Malaysia: An overview. International Journal of Innovative Research and Development, 8(6), 7-16.
NaTSIS. (2024, August 7). Dashboard Bencana Geologi Tanah Runtuh. NaTSIS. https://www.natsis.jmg.gov.my/map/
Public Works Department. (2009). Pelan Induk Cerun Negara. Ministry of Works, Malaysia.