Pusat Inovasi Data baru-baru ini berbicara dengan Fernando Yu, salah satu pendiri Harapansebuah perusahaan berbasis di Massachusetts yang menggunakan citra satelit dan model pembelajaran mesin untuk menyediakan asuransi risiko iklim. Yu menjelaskan bagaimana model Suyana mengidentifikasi pola iklim, menilai kemungkinan dan tingkat keparahan peristiwa yang merusak, dan menerjemahkan temuan tersebut ke dalam produk asuransi yang sesuai untuk wilayah tertentu.
David Kertai: Tantangan apa yang Suyana selesaikan dalam industri asuransi berbasis iklim?
Fernando Yu: Biasanya, ketika petani atau pelaku usaha mencari asuransi iklim untuk menghadapi risiko, seperti kekeringan atau banjir, mereka bekerja sama dengan perusahaan asuransi yang mengandalkan pengatur kerugian, pengawas lapangan, dan lembaga pelapor untuk mengevaluasi paparan bencana. Tim-tim ini melakukan kunjungan lokasi secara manual, meninjau klaim historis, dan mengandalkan data stasiun cuaca yang terbatas. Mengumpulkan informasi ini membutuhkan waktu, biaya, dan sering kali meninggalkan kesenjangan yang kritis, sehingga perusahaan asuransi menentukan harga kebijakan dengan menggunakan rata-rata regional yang luas dan bukan berdasarkan kondisi riil pada bidang tanah tertentu. Sebaliknya, klaim bergerak lambat, biaya meningkat, dan risiko sering kali disalahartikan.
Suyana mengambil pendekatan berbeda dengan menggabungkan citra satelit resolusi tinggi dari penyedia seperti Planet Labs dengan data di lapangan seperti kelembaban tanah, curah hujan, pengukuran permukaan laut, dan keluaran model iklim global. Model pembelajaran mesin kami menggabungkan masukan ini untuk menghasilkan penilaian risiko yang sangat spesifik pada resolusi 1 km kali 1 km, yang merupakan peningkatan sekitar 400 kali lipat dibandingkan jaringan listrik berukuran 20 km kali 20 km yang umum saat ini. Tingkat kerincian ini memungkinkan kita menilai risiko iklim pada skala masing-masing plot dibandingkan skala wilayah secara keseluruhan, sehingga menghasilkan cakupan yang lebih akurat.
Waktu: Bagaimana model Anda mengubah data iklim menjadi prediksi risiko dan pemicu asuransi?
Yu: Kami menggunakan model pembelajaran mesin untuk memprediksi kemungkinan dan tingkat keparahan bahaya iklim tertentu di lokasi tertentu, termasuk kekeringan, banjir, dan gelombang badai pesisir. Model tersebut memperkirakan seberapa sering kondisi merusak mungkin terjadi dan seberapa parah kondisi tersebut di setiap tempat di peta.
Untuk melakukan hal ini, pertama-tama kami mengelompokkan lokasi-lokasi yang berperilaku serupa dari perspektif iklim—berdasarkan faktor-faktor seperti pola curah hujan, karakteristik tanah, variabilitas suhu, dan paparan pantai. Langkah ini, yang dikenal sebagai pengelompokan, membantu kita mengidentifikasi area yang cenderung mengalami stres serupa. Dalam setiap kelompok, kami kemudian membuat model parametrik yang melacak indikator lingkungan tertentu, seperti kelembaban tanah atau tinggi gelombang, dan memperkirakan seberapa sering indikator tersebut melewati ambang batas kerusakan. Prediksi inilah yang pada akhirnya menentukan harga dan pembayaran asuransi untuk masing-masing bidang tanah.
Waktu: Bagaimana Anda membangun model risiko iklim spesifik lokasi ketika beberapa tempat hanya mempunyai sedikit data historis iklim?
Yu: Dalam asuransi iklim, kami menyebutnya kesenjangan data—pengukuran lokal yang hilang atau tidak dapat diandalkan, seperti curah hujan, kelembaban tanah, atau paparan badai, terutama di wilayah yang tidak memiliki jaringan stasiun cuaca yang padat. Kesenjangan ini menyulitkan estimasi risiko secara akurat di tingkat pertanian atau masyarakat.
Kami menutup kesenjangan data tersebut melalui jangkauan satelit, pembelajaran transfer, dan validasi lokal. Arsip satelit global memberi kita catatan yang konsisten selama puluhan tahun mengenai kelembapan tanah, kesehatan vegetasi, dan curah hujan, bahkan di wilayah yang tidak memiliki stasiun cuaca.
Kami juga menggunakan pembelajaran transfer, yang memungkinkan model yang dilatih di satu wilayah menerapkan pola yang dipelajari ke wilayah serupa. Misalnya, kami mengidentifikasi zona agroklimat yang sebanding dan mengadaptasi model yang tervalidasi dari wilayah seperti Brasil hingga wilayah di Bolivia atau Paraguay, lalu mengkalibrasinya untuk kondisi lokal.
Terakhir, kami berinvestasi besar-besaran dalam validasi kebenaran dasar. Kami bekerja sama dengan organisasi pembangunan untuk membandingkan indikator yang diperoleh dari satelit dengan kondisi lapangan yang sebenarnya. Saat terjadi kekeringan di Bolivia, misalnya, kami berkolaborasi dengan para petani dan ahli agronomi untuk memastikan bahwa indikator kami sesuai dengan apa yang mereka amati di lapangan. Pendekatan human‑in‑the‑loop ini memperkuat akurasi model dan memastikan kami merancang produk asuransi yang tepat bagi pengguna.
Waktu: Bagaimana Anda menjaga keandalan model dalam menghadapi perubahan iklim?
Yu: Perubahan iklim mengubah pola cuaca historis, sehingga model kita harus terus berkembang. Kami lebih mengutamakan observasi satelit dan observasi lapangan terkini untuk menangkap tren yang muncul dibandingkan hanya mengandalkan data historis.
Kami juga mengintegrasikan keluaran berwawasan ke depan dari model iklim global dan memasukkan penelitian ilmu iklim terkini ke dalam pembaruan kami. Hal ini membantu kita menilai risiko yang semakin besar, seperti peningkatan tingkat gelombang badai atau kekeringan berkepanjangan yang disebabkan oleh perubahan pola curah hujan. Kami memadukan pembaruan ini dengan strategi penetapan harga yang konservatif untuk memperhitungkan ketidakpastian dan memprioritaskan ketahanan jangka panjang.
Waktu: Bisakah Anda menceritakan bagaimana Suyana mulai menerapkan produknya di pasar dunia nyata?
Yu: Di Bolivia, kami bekerja sama dengan empat dari lima bank pertanian terbesar dan pedagang grosir biji-bijian terbesar di negara tersebut untuk menyediakan asuransi kekeringan yang mencakup 400.000 hektar. Musim tanam pada tahun 2023-2024 menyebabkan kekeringan terburuk di Bolivia dalam 30 tahun terakhir, menghancurkan para petani yang tidak memiliki asuransi dan menyebabkan gagal bayar pinjaman dalam jumlah besar. Model tertanam kami menggabungkan asuransi secara langsung dengan kredit pertanian, sehingga perlindungan diberikan secara otomatis dengan pinjaman yang diambil petani untuk benih, pupuk, atau peralatan. Hal ini menghilangkan kebutuhan untuk mencari penyedia layanan terpisah atau mengurus dokumen yang rumit, yang merupakan hambatan yang sering kali menghalangi petani kecil untuk mengakses perlindungan.
Di Peru, kami sedang menguji coba asuransi gelombang badai bagi para nelayan yang saat ini bergantung pada subsidi pemerintah yang lambat dan tidak konsisten ketika cuaca ekstrem menutup pelabuhan. Ketika pelabuhan ditutup, nelayan kehilangan satu-satunya sumber pendapatan mereka, dan subsidi sering kali memerlukan waktu berminggu-minggu atau berbulan-bulan untuk sampai. Produk parametrik kami melacak ketinggian gelombang dan memicu pembayaran secara otomatis ketika kondisi memaksa penutupan, menawarkan kecepatan dan keandalan yang tidak dapat ditandingi oleh sistem subsidi.
