Pendahuluan: Krisis Polusi Udara dan Pentingnya Prediksi AQI
Polusi udara telah menjadi ancaman kesehatan global yang signifikan. Menurut WHO, polusi udara menyebabkan lebih dari 7 juta kematian dini setiap tahun di seluruh dunia. Dampaknya meliputi berbagai penyakit pernapasan seperti asma, kanker paru-paru, hingga penyakit jantung. Oleh karena itu, kebutuhan akan sistem monitoring dan prediksi kualitas udara yang andal semakin mendesak.
Penelitian yang dilakukan Gogineni dan Murukonda ini berupaya memberikan solusi berbasis teknologi cerdas untuk mendeteksi dan memprediksi kualitas udara secara lebih akurat. Fokus utamanya adalah penggunaan algoritma supervised machine learning untuk memprediksi Air Quality Index (AQI) di India, sebagai salah satu negara dengan tingkat polusi tertinggi di dunia.
Tujuan Penelitian dan Konteks Global
Tujuan Utama:
- Mengembangkan model machine learning yang mampu memprediksi nilai AQI secara akurat.
- Menentukan algoritma prediksi AQI yang paling efektif dari empat model yang diuji.
- Menyediakan dasar bagi sistem peringatan dini dan pengambilan keputusan di bidang kesehatan lingkungan.
Latar Belakang:
- AQI adalah ukuran standar yang menunjukkan seberapa bersih atau tercemarnya udara pada suatu lokasi.
- Nilai AQI dihitung dari konsentrasi beberapa polutan utama, seperti PM2.5, PM10, NO2, CO, dan lainnya.
- Dalam konteks industri dan urbanisasi, prediksi AQI menjadi alat strategis untuk perencanaan kebijakan lingkungan dan kesehatan masyarakat.
Metode Penelitian: Kolaborasi Literatur dan Eksperimen Data Nyata
Penelitian ini menggabungkan studi pustaka dan eksperimen praktis. Peneliti mengkaji berbagai metode prediksi AQI dari penelitian sebelumnya, lalu mengimplementasikan dan membandingkan empat algoritma machine learning pada dataset yang diperoleh dari Central Pollution Control Board (CPCB) India.
Dataset:
- Data diambil dari pengamatan polusi udara di India selama 2015-2020.
- Dataset mencakup 29.531 entri dari berbagai kota di India.
- Fitur yang dianalisis: PM2.5, PM10, dan NO2.
Algoritma Machine Learning yang Digunakan
- Linear Regression
Metode sederhana yang mencoba menemukan hubungan linier antara polutan dan AQI.
➡️ Kelemahan: Kurang tangguh terhadap data yang tidak linier dan multikolinearitas antar variabel. - LASSO Regression
Mengurangi kompleksitas model dengan regularisasi dan menghilangkan fitur yang kurang relevan.
➡️ Kelebihan: Mengurangi risiko overfitting, cocok untuk dataset dengan banyak variabel. - Ridge Regression
Memperbaiki kelemahan Linear Regression dalam menangani multikolinearitas tanpa menghilangkan fitur.
➡️ Menjadi model terbaik dalam penelitian ini dengan akurasi tinggi dan konsistensi prediksi. - Support Vector Regression (SVR)
Umumnya unggul dalam data non-linear, tetapi di penelitian ini hasilnya kurang memuaskan.
➡️ Tantangan: Membutuhkan waktu komputasi lebih lama dan dataset yang lebih besar untuk performa optimal.
Hasil dan Analisis Eksperimen
Peneliti mengevaluasi model dengan tiga metrik utama:
- Mean Absolute Error (MAE)
- Root Mean Square Error (RMSE)
- R-squared (R²)
Temuan Utama:
- Ridge Regression dan LASSO Regression memiliki kinerja terbaik dengan nilai R² di atas 0,80, menunjukkan kemampuan prediksi yang sangat baik.
- Linear Regression memberikan hasil yang moderat dengan R² sebesar 0,74, namun masih layak digunakan.
- SVR menunjukkan performa terendah, dengan R² hanya 0,68, serta nilai MAE dan RMSE tertinggi di antara model lainnya.
Interpretasi:
Hasil ini menegaskan bahwa regresi berbasis regularisasi (LASSO dan Ridge) memberikan keseimbangan yang baik antara kompleksitas dan akurasi model, menjadikannya pilihan yang tepat untuk prediksi AQI di lingkungan dengan dataset terbatas.
Studi Kasus dan Implikasi Praktis
India: Penerapan di Kota Besar
- Di kota seperti Delhi, dengan AQI sering mencapai level Berbahaya (Maroon: 300+), penggunaan model prediksi AQI dapat membantu pemerintah menetapkan peringatan dini dan pembatasan aktivitas luar ruangan.
Indonesia: Potensi Implementasi
- Kota besar seperti Jakarta yang menghadapi polusi udara tinggi dapat memanfaatkan model serupa untuk mengatur jadwal lalu lintas berbasis kualitas udara dan pelaporan AQI real-time kepada masyarakat.
Perbandingan dengan Penelitian Terkait
Penelitian ini sejalan dengan studi Mauro Castelli et al. (2020) yang menggunakan SVR untuk prediksi AQI di California. Namun, pendekatan Gogineni dan Murukonda lebih fokus pada regresi berbasis regularisasi dibandingkan model kompleks berbasis SVR.
Penelitian lain, seperti yang dilakukan oleh Jasleen Kaur Sethi dan Mamta Mittal (2021), menggunakan Adaptive LASSO Regression, menunjukkan akurasi sekitar 70%. Penelitian Gogineni lebih unggul dengan akurasi di atas 80%, meskipun ruang pengembangan lebih lanjut tetap terbuka.
Kritik dan Analisis Tambahan
Kelebihan:
✅ Pendekatan sistematis dalam eksperimen dan evaluasi.
✅ Dataset real-world yang relevan dengan kondisi polusi saat ini di India.
✅ Penggunaan metrik evaluasi yang komprehensif untuk penilaian performa model.
Kelemahan:
❌ Data yang digunakan bersifat statis; tidak mencerminkan kondisi real-time.
❌ Tidak mengeksplorasi model Ensemble Learning seperti Random Forest atau XGBoost yang berpotensi meningkatkan akurasi.
❌ SVR menunjukkan performa buruk, kemungkinan karena ukuran dataset yang terbatas, yang bisa diatasi dengan data augmentation atau transfer learning.
Implikasi Praktis dan Arah Pengembangan di Masa Depan
- Integrasi dengan IoT dan Sensor Real-Time
Model prediksi AQI dapat dikombinasikan dengan Internet of Things (IoT) untuk sistem monitoring real-time.
➡️ Contoh: Stasiun sensor AQI berbasis IoT di area padat lalu lintas. - Prediksi Multivariat dengan Ensemble Learning
Penggunaan model ensemble seperti Random Forest dan XGBoost dapat memperbaiki prediksi di daerah urban dengan variasi polusi yang kompleks. - Cloud-Based Real-Time Analytics
Penyediaan layanan prediksi AQI berbasis cloud yang mampu menangani data streaming untuk integrasi dengan aplikasi mobile bagi masyarakat.
Kesimpulan: Ridge Regression sebagai Jawaban Masa Depan Prediksi AQI
Studi ini menyoroti kekuatan model Ridge Regression dalam memberikan prediksi AQI yang akurat, konsisten, dan andal. Bagi pemerintah, lembaga kesehatan, maupun masyarakat, solusi seperti ini bukan hanya soal teknologi, melainkan penyelamatan nyawa.
Jika diterapkan secara luas, sistem prediksi berbasis machine learning dapat mengurangi dampak polusi udara dan meningkatkan kualitas hidup masyarakat di kota-kota besar yang rawan polusi.
Sumber Referensi
📄 Penelitian lengkap dapat diakses di Blekinge Institute of Technology:
Prediction of Air Quality Index Using Supervised Machine Learning oleh Avan Chowdary Gogineni dan Vamsi Sri Naga Manikanta Murukonda, Mei 2022.
(Tautan atau DOI resmi belum tersedia secara publik)