KESAN perubahan iklim dunia telah keterlihatan dalam pelbagai bentuk bencana cuaca ekstrem. Banjir semakin kerap dan teruk. Aliran puing dan tanah runtuh saban tahun meragut harta dan nyawa serta memberi tekanan fizikal dan emosi kepada mangsa dan pasukan penyelamat.
Perubahan persekitaran dalam tempoh beberapa hari sehinggalah beberapa bulan selepas peristiwa cuaca ekstrem turut menyebabkan kejadian penyakit-penyakit bawaan air seperti kolera dan demam kepialu, dan penyakit bawaan vektor seperti demam denggi, demam malaria, dan leptospirosis.
Hubung kait cuaca dengan kejadian penyakit-penyakit tersebut tidak mudah untuk diteliti. Ini disebabkan terdapat pelbagai faktor lain yang turut mempengaruhi risiko jangkitan penyakit, misalnya, faktor individu dan persekitaran.
Justeru itu, Fakulti Kejuruteraan di Universiti Putra Malaysia (UPM), Kuliyyah Perubatan di Universiti Islam Antarabangsa Malaysia (UIAM), dan Jabatan Kejuruteraan Awam dan Alam Sekitar di Imperial College London, UK, telah melaksanakan kajian penyelidikan bersama dengan Jabatan Kesihatan di beberapa negeri untuk mengkaji hubung kait cuaca dengan kejadian kes leptospirosis menggunakan teknologi analitik data dan pembelajaran mesin (machine learning).
Leptospirosis, atau lebih dikenali umum sebagai penyakit kencing tikus, adalah disebabkan jangkitan kuman Leptospira daripada reservoir haiwan tetikus dan mamalia.
Penularan kepada manusia boleh berlaku menerusi kontak mata, hidung, mulut dan luka di kulit yang terbuka dengan air yang tercemar dengan najis haiwan yang dijangkiti.
Wabak leptospirosis sering dikaitkan dengan fenomena banjir. Namun, peranan cuaca dan air banjir dalam mekanisme penularan penyakit ini sehingga kini masih belum dapat disimpulkan sepenuhnya.
Tambahan lagi, sifat cuaca yang sukar diramal dan tidak tentu menyukarkan pengaitan antara wabak leptospirosis dan fenomena cuaca.
Pembelajaran mesin pula adalah satu teknik berpandukan data (data-driven technique) yang memimik fungsi otak yang menterjemah pencerapan deria kepada maklumat baru.
Fungsi ini diekspresikan dalam bentuk model matematik umum yang mempelajari hubung kait antara lapisan data input dengan peristiwa yang ingin diramal melalui proses latihan, sebelum digunakan untuk membuat jangkaan baru.
Teknik pembelajaran mesin mempunyai suatu kelebihan di mana ia dapat membuat abstraksi perhubungan antara data yang bersifat pelbagai.
Melalui kajian yang diterajui UPM dengan menggunakan kaedah pembelajaran mesin, data cuaca dan persekitaran telah digunakan untuk meramal kebarangkalian kejadian penyakit leptospirosis di Negeri Sembilan, Kelantan dan Pahang.
Kajian ini mendapati suhu persekitaran, paras air, dan kedalaman hujan memainkan peranan dalam meningkatkan ketepatan ramalan awal risiko kejadian kes leptospirosis.
Kejadian penyakit ini dapat diramal seawal 2 sehingga 20 minggu selepas peristiwa cuaca yang berlaku.
Kesan jangka panjang ini dapat dikaitkan dengan kebolehan bakteria Leptospira untuk bertahan di dalam tanah untuk tempoh beberapa bulan.
Susulan jangkitan pula, pesakit boleh mengambil masa antara dua hingga empat minggu sebelum menunjukkan simptom.
Dalam merungkai hubung kait antara faktor cuaca, persekitaran dan kejadian penyakit ini, pendekatan transdisiplinari yang merangkumi ilmu epidemiologi, ilmu sains persekitaran, dan ilmu kecerdasan buatan (AI) adalah sangat perlu.
Gabungan kepakaran ini penting dalam menyusun semula data dalam bentuk yang membawa lebih makna dan dapat dirumuskan oleh model.
Tambahan lagi, kemampuan dan ketepatan pembelajaran mesin dipengaruhi oleh ketersediaan data cuaca dan persekitaran. Maka, usaha harus terus digiatkan untuk memastikan cerapan data yang berterusan.
Di bawah kajian yang sama, suatu program rintis cerapan data hujan dan air sungai turut dilaksanakan menggunakan sensor kos rendah dan perisian Internet Benda (Internet of Things) di beberapa kawasan terpencil di Negeri Sembilan.
Sebagai kesimpulan, penerokaan teknologi analitik data melalui kajian ini telah membolehkan kebarangkalian penyakit leptospirosis diramalkan dan seterusnya membantu meningkatkan kesiapsiagaan terhadap jangkitan.
Namun begitu, terdapat banyak faktor yang boleh mempengaruhi ketepatan ramalan dari teknologi pembelajaran mesin ini.
Oleh yang demikian, penyelidikan harus diteruskan untuk meningkatkan pengetahuan dan menambah baik model ramalan.
Di samping itu, usaha bersama perlu dipergiatkan di peringkat komuniti untuk menjaga kebersihan persekitaran dan mengurangkan risiko bawaan jangkitan. – DagangNews.com
Prof. Madya Dr. Zed Diyana Zulkafli adalah pensyarah kanan di Jabatan Kejuruteraan Awam, Fakulti Kejuruteraan, UPM
Layari kami terus di DagangNews.com dan juga
Orang ramai yang ingin memberi pandangan atau suara hati, boleh menghantar tulisan ke [email protected] dengan menyatakan:
1. Nama Pena (Jika tidak mahu guna nama sebenar).
2. Nama Sebenar seperti dalam Kad Pengenalan (Untuk rekod kami).
3. No. Telefon (untuk kami hubungi semula).
4. Menulis mengikut 5 Prinsip Rukun Negara.
5. Tidak melebihi 1,000 patah perkataan.
6. Editor berhak untuk menyunting atau menolak artikel secara profesional.
