Sebelum Api Menyala: Forrester dan Ilmu Membaca Masa Depan
Ada satu pertanyaan sederhana yang layak kita ajukan setiap kali bencana datang: apakah fenomena alam sebenarnya tidak dapat diprediksi, atau kita yang selama ini salah cara memandangnya?
Kebakaran hutan, gunung meletus, gempa bumi, banjir, kekeringan, bahkan ledakan pertumbuhan sebuah destinasi wisata, hampir selalu kita perlakukan sebagai event — kejadian yang muncul tiba-tiba. Padahal di baliknya selalu ada sistem: ratusan variabel yang saling berhubungan, saling memengaruhi, memiliki jeda waktu, mengalami akumulasi, dan membentuk feedback loop. Api mungkin hanyalah kejadian terakhir dari sebuah rangkaian proses yang telah berlangsung jauh sebelumnya.
Warisan Jay Forrester: jangan hanya melihat kejadian
Lebih dari setengah abad lalu, Jay W. Forrester memperkenalkan cara berpikir yang kemudian berkembang menjadi System Dynamics. Gagasannya sederhana, tetapi revolusioner: jangan hanya melihat kejadian; lihatlah struktur sistem yang menghasilkannya.
Sebuah sistem terdiri atas banyak elemen yang saling berhubungan, menghasilkan reinforcing loop yang memperkuat perubahan dan balancing loop yang menyeimbangkannya. Karena itu, perilaku sebuah sistem tidak selalu bisa dipahami hanya dengan melihat komponennya satu per satu — kita harus melihat hubungan di antara komponen tersebut.
Warisan terbesar Forrester barangkali bukan sebuah perangkat lunak atau teknik pemodelan, melainkan sebuah cara pandang: lihat dunia sebagai sistem. Dan mungkin, inilah salah satu cara berpikir yang paling dibutuhkan Indonesia hari ini.
Ketika api bukan awal cerita
Ambil contoh kebakaran hutan dan lahan gambut. Sebuah penelitian oleh Bagus P. Muljadi dan tim dari ITB (2026) serta institusi lain menggabungkan data meteorologi, hidrologi, tutupan lahan, aktivitas manusia, dan riwayat kebakaran. Mereka menggunakan Convolutional Neural Network, ConvLSTM, dan isotonic regression untuk memetakan probabilitas risiko kebakaran gambut tropis secara spasial dan temporal.
Hasilnya menegaskan bahwa wilayah yang rentan berubah menurut horizon waktu, kondisi meteorologis, dan hidrologis. Curah hujan memengaruhi kelembapan tanah. Kelembapan tanah memengaruhi kondisi gambut. Kondisi gambut memengaruhi kemungkinan pembakaran. Aktivitas manusia memengaruhi peluang munculnya sumber api. Kemudian api mengubah kondisi lahan, yang pada gilirannya memengaruhi risiko kebakaran berikutnya.
Karena itu, pertanyaan yang lebih tepat bukan “Kapan hutan akan terbakar?”, melainkan “Bagaimana sistem ekologis, iklim, hidrologi, tata guna lahan, dan aktivitas manusia sedang bergerak menuju kondisi yang semakin memungkinkan terjadinya kebakaran?”
Cara paling sederhana untuk melihat struktur ini adalah dengan menggambarnya. Dalam praktik System Dynamics, hubungan sebab akibat semacam itu pertama-tama dituangkan ke dalam Causal Loop Diagram (CLD), yaitu peta hubungan dan arah pengaruh antarvariabel.
Diagram ini dilengkapi tanda (+ atau −) yang menunjukkan apakah satu variabel memperkuat atau melemahkan variabel lainnya, serta lingkaran reinforcing (R) dan balancing (B) yang terbentuk.
Begitu struktur hubungannya jelas, CLD kemudian diterjemahkan menjadi Stock and Flow Diagram (SFD), yaitu representasi kuantitatif yang membedakan stock (akumulasi, misalnya luas lahan gambut kering), inflow dan outflow (laju perubahan stock tersebut), serta converter (faktor yang memengaruhi laju itu, seperti curah hujan atau kebijakan restorasi). Pada tahap ini, model tidak lagi sekadar menjadi peta hubungan, tetapi mulai dapat disimulasikan dari waktu ke waktu.
Pariwisata juga sebuah sistem
Pola yang sama berlaku jauh dari hutan. Penelitian Shana Fatina, Tri Edhi Budhi Soesilo, dan Rudy Parluhutan Tambunan (2023) tentang pengelolaan pariwisata di Labuan Bajo menunjukkan bagaimana System Dynamics mengintegrasikan subsistem pariwisata, ekonomi, lingkungan, dan sosial, serta menghasilkan tujuh reinforcing loop dan sebelas balancing loop.
Jumlah wisatawan bukan sekadar angka: ia meningkatkan lama tinggal, konsumsi air, dan produksi sampah, sekaligus mendorong ekonomi dan lapangan kerja. Namun, begitu tekanan terhadap lingkungan melampaui kapasitasnya, pertumbuhan yang semula menguntungkan justru dapat mengancam keberlanjutan destinasi itu sendiri.
Satu perubahan menghasilkan perubahan lain, yang kemudian kembali memengaruhi perubahan pertama. Itulah inti berpikir sistem dan sebab alam, juga ekonomi, tidak pernah bergerak secara linear.
Machine learning dan system dynamics: bukan musuh
Kita sering terjebak dalam pertanyaan yang keliru: memilih antara Artificial Intelligence, Machine Learning, atau System Dynamics. Padahal, pendekatan-pendekatan ini dapat saling melengkapi.
Machine learning unggul dalam menjawab, “Apa yang kemungkinan akan terjadi berdasarkan pola data?” Sementara itu, System Dynamics menjawab pertanyaan berbeda: “Mengapa perilaku itu terjadi, bagaimana variabel saling memengaruhi, dan apa yang berubah jika kita mengintervensi salah satu bagian sistem?”
Jika digabungkan, keduanya dapat mengubah prediksi menjadi decision intelligence. Kita tidak lagi hanya bertanya “Di mana kemungkinan kebakaran tinggi?”, tetapi juga “Apa yang terjadi jika pemerintah melakukan restorasi gambut?” atau “Kebijakan mana yang paling efektif mengurangi risiko?”
Dari forecasting ke “What if?”
Prediksi konvensional bertanya, what will happen? System Dynamics mengajukan pertanyaan berbeda: What if? Bagaimana jika curah hujan turun 20 persen? Bagaimana jika jumlah wisatawan meningkat dua kali lipat? Bagaimana jika muka air gambut turun? Bagaimana jika pemerintah melakukan restorasi lebih awal?
Model semacam ini pada dasarnya adalah laboratorium virtual untuk masa depan kita, di mana kita dapat menjalankan masa depan berulang kali di dalam komputer sebelum mengambil keputusan di dunia nyata.
Kita tidak sedang mengatakan bahwa masa depan sudah pasti. Sebaliknya, kita sedang memetakan ruang kemungkinan. Pendekatan yang sama, dengan kehati-hatian lebih besar, dapat dikembangkan untuk gunung api dan gempa bumi.
Kita mungkin tidak bisa mengatakan, “Gunung akan meletus pada tanggal X” atau “Gempa akan terjadi pukul 14.32”. Namun, kita dapat memodelkan kerentanan, akumulasi risiko, dan konsekuensi ekonomi — bergeser dari event prediction menjadi system behavior prediction.
Alam tidak mengenal batas fakultas
Masalah terbesar dalam mengembangkan pendekatan ini mungkin bukan teknologi, melainkan fragmentasi ilmu pengetahuan. Kebakaran hutan dianggap masalah kehutanan, gempa masalah geologi, gunung meletus masalah vulkanologi, pariwisata masalah ekonomi. Namun sejatinya, alam tidak mengenal batas fakultas. Hutan tidak pernah mengatakan bahwa ia hanya dipengaruhi ilmu kehutanan.
Karena itu, kita membutuhkan kolaborasi yang lebih berani antara geolog, vulkanolog, klimatolog, ahli kehutanan, data scientist, ekonom, psikolog, ahli kebijakan publik, dan tentu saja ahli System Dynamics.
Kolaborasi ini bukan lagi sekadar multidisciplinary research, melainkan interdisciplinary system modelling. Bayangkan universitas yang tidak hanya memiliki laboratorium kimia atau laboratorium ekonomi, tetapi juga laboratorium sistem, tempat profesor kehutanan duduk bersama ahli AI, dan ahli geologi berdiskusi dengan ekonom.
Indonesia tidak kekurangan data
Indonesia sebenarnya memiliki modal besar berupa data satelit, sensor, stasiun cuaca, seismograf, data kependudukan, data ekonomi, hingga data pariwisata. Masalahnya, data itu hidup dalam silo: satu lembaga memegang data cuaca, lembaga lain data kehutanan, universitas memegang data penelitian, perusahaan memegang data operasional.
Pertanyaannya bukan lagi “Apakah kita mempunyai data?”, tetapi “Apakah kita mampu menghubungkan data tersebut menjadi pemahaman tentang bagaimana sistem bekerja?“
System Dynamics tidak menggantikan data, dan tidak menggantikan machine learning. Ia memberi struktur lapisan pemahaman yang membawa kita dari prediction menuju explanation, dan dari explanation menuju intervention.
Mengurangi kejutan masa depan
Pada akhirnya, tujuan kita bukan menjadi “peramal alam”. Tujuannya jauh lebih penting: mengurangi kejutan masa depan.
Jika model menunjukkan pertumbuhan wisatawan akan melampaui kapasitas air dalam lima tahun, kita dapat membangun infrastruktur hari ini. Jika model menunjukkan kombinasi kekeringan dan rendahnya muka air meningkatkan risiko kebakaran, kita dapat memperkuat pencegahan sebelum api muncul.
Indonesia membutuhkan lebih banyak ilmuwan dan pengambil kebijakan yang berani bertanya bukan hanya “Apa yang akan terjadi?”, tetapi juga “Mengapa itu terjadi?”, dan yang lebih penting: “Apa yang harus kita ubah agar hal tersebut tidak terjadi, atau setidaknya dampaknya dapat kita kurangi?”
Mungkin sudah saatnya kita berhenti melihat kebakaran hutan, gunung meletus, gempa, dan berbagai fenomena alam sebagai kejadian yang datang tiba-tiba. Mereka adalah bagian dari sistem, dan sistem dapat dipelajari, dimodelkan, disimulasikan, serta diberi intervensi.
Karena itu, masa depan tidak selalu harus ditunggu. Masa depan dapat dimodelkan. Ketika masa depan dapat dimodelkan, kita memperoleh sesuatu yang jauh lebih berharga daripada sekadar kemampuan meramal: kesempatan untuk mengubahnya.
*Tulisan ini dimuat di SWA Online
