Menyala Diam-diam, Fenomena Smoldering Bikin Kebakaran Gambut Tahan Lama

Fenomena ini dijelaskan dalam penelitian Eko Widi Santoso, Hammam Riza, Agus Kristijono, Dian Nuraini Melati, dan Firman Prawiradisastra yang diterbitkan di Majalah Ilmiah Pengkajian Industri Badan Riset Inovasi Nasional (BRIN). Riset tersebut khusus membahas peat smouldering dan upaya deteksi dini karhutla menggunakan machine learning.

Peat smouldering adalah proses pembakaran lambat tanpa nyala api (flameless) yang terjadi di dalam lapisan tanah gambut di bawah permukaan. Para peneliti menjelaskan bahwa ketika gambut terbakar, kebakaran smouldering dapat mengonsumsi biomassa dalam jumlah besar.

Berbeda dengan api permukaan yang mudah terlihat, proses pembakaran ini berlangsung perlahan sehingga jauh lebih sulit dideteksi sekaligus dipadamkan. Yang membuatnya lebih berbahaya, kebakaran tersebut dapat terus berlangsung selama berminggu-minggu bahkan berbulan-bulan.

Secara sederhana, smouldering merupakan pembakaran yang berlangsung perlahan dan tidak selalu menghasilkan nyala api yang jelas. Pada gambut, proses ini terjadi karena tanah tersebut sebenarnya menyimpan tumpukan material organik dari vegetasi yang telah terakumulasi selama waktu yang sangat lama.

Dalam kondisi tertentu, material organik tersebut dapat menjadi bahan bakar ketika mengering. Ketika terbakar, api dapat merambat melalui lapisan gambut di bawah permukaan.

Itulah sebabnya pemadaman karhutla gambut memiliki tantangan berbeda. Petugas mungkin sudah tidak melihat kobaran api di permukaan, tetapi bagian bawah tanah masih menyimpan panas dan terus mengalami pembakaran. Kondisi tersebut juga membuat api berpotensi muncul kembali ke permukaan ketika kondisi mendukung.

Mengapa Gambut Sulit Dipadamkan?

Masalahnya terletak pada lokasi api. Pada kebakaran permukaan, petugas dapat melihat sumber api dan mengarahkan upaya pemadaman secara langsung. Pada smouldering, sumber panas dapat berada di dalam lapisan gambut sehingga tidak mudah diketahui dari permukaan.

Penelitian BRIN menyebut kebakaran smouldering gambut sebagai jenis kebakaran yang sulit dipadamkan dan dapat berlangsung dalam waktu lama. Karena itu, para ahli dan praktisi yang dikutip dalam penelitian tersebut merekomendasikan pendekatan pencegahan sebelum kebakaran terjadi.

Strateginya dirangkum dalam tiga tahap, deteksi sejak dini, temukan lokasi kebakaran, lalu gunakan teknologi yang paling tepat. Pendekatan ini menunjukkan bahwa pada gambut, penanganan tidak cukup hanya mengandalkan pemadaman setelah api terlihat.

Indonesia sebenarnya sudah menggunakan berbagai metode untuk memantau dan mendeteksi dini karhutla, termasuk data hotspot, Fire Weather Index (FWI) dan Fire Danger Rating System (FDRS).

Namun, para peneliti BRIN menilai metode berbasis simulasi fisik tersebut memiliki sejumlah kelemahan. Karena itu, mereka mengeksplorasi penggunaan machine learning untuk meningkatkan kemampuan sistem pengurangan risiko bencana karhutla, khususnya smouldering pada gambut.

Gagasan yang ditawarkan penelitian tersebut adalah impact-based learning, yakni pendekatan pembelajaran mesin yang diarahkan untuk mendukung pengurangan risiko bencana.

Dengan memanfaatkan data dan pola yang tersedia, sistem berbasis machine learning diharapkan dapat membantu memberikan informasi mengenai potensi dan dampak kebakaran secara lebih dini.

Namun, penelitian ini merupakan konsep pengembangan, bukan bukti bahwa AI saat ini sudah mampu mendeteksi seluruh kebakaran gambut bawah permukaan secara otomatis. Peneliti justru mengusulkan desain konseptual untuk pengembangan sistem tersebut.

Fenomena smouldering membuat penanganan karhutla gambut tidak sesederhana memadamkan api yang terlihat. Ada kemungkinan permukaan sudah tampak aman, sementara proses pembakaran masih berlangsung di bawahnya.

Karena itu, pemantauan setelah pemadaman menjadi penting. Petugas perlu memastikan bahwa sumber panas benar-benar telah hilang, terutama di area gambut yang mengalami kebakaran.

Temuan ini juga menjelaskan mengapa karhutla di lahan gambut dapat menjadi persoalan berkepanjangan. Kebakaran tidak hanya berlangsung secara horizontal di permukaan, tetapi dapat bergerak melalui lapisan material organik di bawah tanah.

Sumber: Eko Widi Santoso, Hammam Riza, Agus Kristijono, Dian Nuraini Melati, dan Firman Prawiradisastra, “Machine Learning Application in Response to Disaster Risk Reduction of Forest and Peatland Fire: Impact-Based Learning of DRR for Forest, Land Fire and Peat Smouldering,” Majalah Ilmiah Pengkajian Industri, Vol. 14 No. 3, hlm. 183-196. Artikel diterbitkan 13 September 2023 dan memiliki DOI 10.29122/mipi.v14i3.4426