Pernahkah Anda terjebak dalam keterlambatan penerbangan yang berantakan akibat satu titik gangguan kecil? Kisah Southwest Airlines pada Desember 2022 menjadi bukti nyata bagaimana badai lokal di Denver bisa memicu kerugian US$750 juta dan mengacaukan perjalanan 2 juta penumpang. Kini, peneliti MIT mengembangkan solusi revolusioner untuk memprediksi kegagalan sistem yang jarang terjadi namun berdampak masif.
Tim gabungan dari MIT, Harvard, dan University of Michigan menciptakan algoritma bernama CalNF yang mampu “membaca” pola kegagalan dari data terbatas. Sistem ini bekerja dengan menganalisis kombinasi data langka tentang kegagalan dan data rutin operasional normal. “Tujuannya adalah membongkar kompleksitas di balik sistem yang biasanya berjalan mulus, lalu tiba-tiba kolaps,” jelas Charles Dawson, doktor MIT yang memimpin penelitian.
Mengurai Benang Kusut Southwest Airlines
Kasus Southwest menjadi studi kasus sempurna. Algoritma CalNF berhasil melacak bagaimana badai di Denver menguras cadangan pesawat, lalu memicu efek domino ke Las Vegas—lokasi tanpa cuaca ekstrem. “Pesawat yang seharusnya bersirkulasi antara California-Denver-Las Vegas terputus rantainya,” papar Dawson. Tanpa cadangan memadai di Las Vegas, gangguan kecil berubah menjadi krisis nasional.
Chuchu Fan, profesor aeronautika MIT, menambahkan tantangan unik: “Data operasional maskapai bersifat proprietary. Kami hanya punya data publik seperti jadwal kedatangan dan keberangkatan.” Di sinilah kecerdasan CalNF bersinar—algoritma ini mampu merekonstruksi parameter tersembunyi seperti penempatan cadangan pesawat hanya dari data terbatas.
Baca Juga:
Dari Penerbangan ke Jaringan Listrik
Metode ini tidak terbatas pada industri penerbangan. Dawson kini mengaplikasikannya untuk memprediksi kegagalan jaringan listrik. “Prinsipnya sama: mengidentifikasi pola dari data normal untuk mendeteksi anomali yang berpotensi menjadi bencana,” ujarnya. Fan menekankan fleksibilitas alat ini: “CalNF dirancang untuk sistem fisik-siber apa pun di mana perangkat lunak berinteraksi dengan dunia nyata.”
Keunggulan utama CalNF terletak pada kemampuannya “menjalankan model secara terbalik”—melacak akar masalah dari gejala yang teramati. Sistem ini telah menjadi open-source, memungkinkan berbagai industri menggunakannya. “Kami ingin ini menjadi sistem monitoring real-time yang bisa mendeteksi tren menuju kegagalan sebelum terjadi,” harap Dawson.
Penelitian ini dipresentasikan di ICLR 2025—konferensi machine learning bergengsi di Singapura—dan mengingatkan kita pada pentingnya antisipasi kegagalan sistem kompleks. Seperti kasus keterbatasan AI dalam membaca jam analog, teknologi canggih pun tetap membutuhkan pendekatan manusiawi dalam interpretasi.
Di era di mana pengawasan sistem menjadi krusial, terobosan MIT ini menawarkan harapan baru. Bayangkan jika algoritma serupa bisa mencegah penundaan rilis seperti The Legend of Aang: The Last Airbender atau kegagalan produk teknologi lainnya. Masa depan prediksi kegagalan sistem telah dimulai.
