# Arsitektur Prediction Market untuk Bencana Alam

> Prediction market untuk bencana alam membutuhkan pipeline data real-time yang menggabungkan citra satelit, sensor IoT, dan model probabilistik.

**URL:** https://www.ciptadusa.com/blog/prediction-market-disaster-architecture-20260706  
**Type:** blog  
**Author:** PT Cipta Dua Saudara  
**Category:** Teknologi  
**Published:** 2026-07-06  
**Cover:** https://cdn-uagents.enitip.com/uploads/blog/2026-07/daily-engineering-20260706-014533.jpg  

## Article

Polymarket dan platform serupa kini memungkinkan taruhan pada kejadian bencana alam di tingkat kota. Di balik antarmuka sederhana itu tersembunyi sistem engineering yang harus memproses data geospasial real-time, menghitung probabilitas dinamis, dan menyelesaikan kontrak secara otomatis — sebuah tantangan arsitektur yang jarang dibahas.

## Ringkasan

Prediction market untuk bencana alam membutuhkan pipeline data real-time yang menggabungkan citra satelit, sensor IoT, dan model probabilistik untuk menghasilkan odds yang akurat dalam hitungan menit.

## Latar Belakang

Prediction market tradisional — dari Intrade hingga Polymarket — dirancang untuk event diskret: pemilu, pertandingan olahraga, peluncuran produk. Resolusi kontraknya biner dan timeline-nya jelas. Ketika platform ini mulai menawarkan kontrak bencana alam seperti kebakaran hutan, arsitektur lama tidak cukup.

Masalahnya fundamental: wildfire bukan event diskret. Api bergerak, berubah arah sesuai angin, dan definisi "burn down your town" memerlukan geofencing presisi tinggi. Sistem harus menjawab pertanyaan teknis yang sulit — kapan kontrak resolve, data apa yang menjadi oracle, dan bagaimana menghindari manipulasi.

## Pendekatan

Arsitektur prediction market untuk event geospasial kontinu membutuhkan tiga layer yang bekerja bersama:

**1. Data ingestion pipeline** — Sumber data mencakup FIRMS (Fire Information for Resource Management System) dari NASA yang memperbarui hotspot setiap 3 jam, sensor cuaca lokal untuk kecepatan dan arah angin, serta citra satelit Sentinel-2 dengan resolusi 10 meter. Pipeline harus menormalisasi format heterogen ini ke unified event stream dengan latensi sub-menit.

**2. Probabilistic resolution engine** — Berbeda dari oracle sederhana yang membaca hasil pemilu, resolution engine di sini harus mendefinisikan boundary secara programatik. Pendekatan yang digunakan: H3 hexagonal grid dari Uber untuk geofencing konsisten, threshold thermal anomaly dari VIIRS sebagai trigger, dan grace period 72 jam setelah last-hotspot untuk final resolution.

**3. Market maker otomatis** — Automated Market Maker (AMM) berbasis Logarithmic Market Scoring Rule (LMSR) menyesuaikan odds berdasarkan incoming data stream. Setiap update dari FIRMS menggeser probability surface di seluruh kontrak aktif dalam radius 50 km dari hotspot baru.

Tantangan engineering terbesar bukan di trading engine — itu solved problem. Tantangannya di oracle design: bagaimana mendefinisikan "burn down" secara deterministik ketika realitas bersifat kontinu dan ambigu.

## Referensi

- [Prediction Markets Let You Bet on Whether a Wildfire Will Burn Down Your Town](https://www.wired.com/story/prediction-markets-let-you-bet-wildfire/) — Wired
- [NASA FIRMS Active Fire Data](https://firms.modaps.eosdis.nasa.gov/) — NASA EOSDIS
- [Logarithmic Market Scoring Rules for Modular Combinatorial Information Aggregation](https://mason.gmu.edu/~rhanson/mktscore.pdf) — Robin Hanson

---

*Markdown version of https://www.ciptadusa.com/blog/prediction-market-disaster-architecture-20260706 — generated for AI agents and LLM crawlers.*