Udara bersih adalah kebutuhan dasar manusia. Namun, di kota-kota besar, kualitas udara semakin tertekan oleh pertumbuhan jumlah kendaraan bermotor, aktivitas industri, dan kepadatan penduduk. Polusi udara tidak hanya mengganggu kenyamanan hidup, tetapi juga berdampak serius pada kesehatan masyarakat. Paparan polutan seperti ozon (O₃), karbon monoksida (CO), nitrogen dioksida (NO₂), dan partikulat halus (PM10/PM2.5) berkontribusi pada penyakit pernapasan, gangguan kardiovaskular, hingga penurunan harapan hidup.
Di Indonesia, persoalan kualitas udara menjadi isu penting, terutama di kawasan perkotaan. Kota Surabaya, sebagai salah satu kota metropolitan terbesar, menghadapi tantangan serupa. Pemerintah kota telah memasang alat pemantau kualitas udara di sejumlah titik untuk memantau kondisi harian. Data ini sangat berharga, tetapi tantangan berikutnya adalah bagaimana mengubah data menjadi informasi prediktif yang dapat membantu pengambilan kebijakan secara cepat dan tepat. Di sinilah peran kecerdasan buatan (Artificial Intelligence/AI) menjadi relevan.
Dari Data Menjadi Prediksi: Peran Machine Learning
Kecerdasan buatan memiliki cabang penting yang disebut machine learning (ML)”metode komputasi yang memungkinkan sistem belajar dari data historis untuk memprediksi kondisi di masa depan. Dalam konteks kualitas udara, ML dapat mempelajari pola fluktuasi polutan harian, musiman, hingga pengaruh faktor tertentu, lalu menghasilkan prediksi tingkat polusi pada waktu berikutnya.
Dua algoritma ML yang banyak digunakan untuk masalah prediksi berbasis data nonlinier adalah XGBoost (Extreme Gradient Boosting) dan Random Forest. Keduanya termasuk metode ensemble learning, yaitu menggabungkan banyak model pohon keputusan (decision trees) untuk menghasilkan prediksi yang lebih stabil dan akurat dibandingkan satu model tunggal.
- XGBoost unggul dalam efisiensi komputasi dan kemampuan meminimalkan kesalahan prediksi melalui proses boosting bertahap.
- Random Forest kuat dalam menangani data bervariasi dan cenderung lebih tahan terhadap overfitting karena memanfaatkan banyak pohon keputusan yang dibangun dari subset data acak.
Dengan memanfaatkan data kualitas udara harian (misalnya konsentrasi O₃ sepanjang tahun), kedua algoritma ini dapat dilatih untuk memprediksi tingkat polusi pada hari-hari berikutnya.
Mengapa Ozon (O₃) Penting Dipantau?
Ozon di lapisan troposfer (dekat permukaan bumi) berbeda dengan ozon di stratosfer yang melindungi bumi dari radiasi UV. Ozon troposfer bersifat polutan yang dapat mengiritasi saluran pernapasan, memperburuk asma, dan menurunkan fungsi paru-paru. Konsentrasi O₃ juga dipengaruhi oleh reaksi kimia antara emisi kendaraan, radiasi matahari, dan kondisi atmosfer.
Dengan memprediksi kadar O₃, pemerintah kota dan masyarakat dapat:
- Menerapkan peringatan dini (early warning) saat kualitas udara diperkirakan memburuk.
- Menyesuaikan aktivitas luar ruang, khususnya bagi kelompok rentan (anak-anak, lansia, penderita asma).
- Merancang kebijakan lalu lintas dan industri pada hari-hari dengan risiko polusi tinggi.
Dampak Nyata bagi Kesehatan Publik
Prediksi kualitas udara bukan sekadar capaian teknis. Nilai strategisnya terletak pada perlindungan kesehatan masyarakat, sejalan dengan SDG 3 “ Good Health and Well-Being. Dengan informasi prediktif, pemangku kepentingan dapat beralih dari pendekatan reaktif (bertindak setelah polusi tinggi terjadi) menjadi pendekatan preventif (mencegah dampak sebelum terjadi).
Contoh implementasi kebijakan berbasis prediksi antara lain:
- Pengaturan jam operasional kendaraan berat pada hari berisiko polusi tinggi.
- Penyesuaian jadwal kegiatan luar ruang sekolah.
- Kampanye kesehatan publik untuk mengurangi paparan polusi (masker, pembatasan aktivitas berat di luar ruangan).
Menuju Kota Cerdas yang Berkelanjutan
Integrasi AI dalam pengelolaan kualitas udara juga mendukung visi kota cerdas (smart city). Data sensor kualitas udara, jika dipadukan dengan analitik prediktif, dapat menjadi dasar dashboard pengambilan keputusan bagi pemerintah daerah. Hal ini memperkuat tata kelola berbasis bukti (evidence-based policy) dan mendorong perencanaan kota yang lebih berkelanjutan.
Ke depan, pengembangan dapat diarahkan pada:
- Integrasi data meteorologi (suhu, kelembapan, kecepatan angin) untuk meningkatkan akurasi prediksi.
- Implementasi model AI pada sistem tersemat (edge computing) untuk pemantauan real-time berbiaya rendah.
- Keterbukaan data kepada publik agar masyarakat dapat memantau kualitas udara lingkungannya secara mandiri.
Tantangan dan Etika Pemanfaatan AI
Meski menjanjikan, penerapan AI dalam kebijakan publik perlu memperhatikan beberapa tantangan:
- Kualitas data: Sensor harus terkalibrasi dengan baik agar prediksi tidak bias.
- Transparansi model: Model AI perlu dijelaskan secara sederhana kepada pembuat kebijakan agar hasilnya dipercaya.
- Keadilan lingkungan: Data dan kebijakan harus memastikan perlindungan merata bagi wilayah dengan risiko polusi tinggi, termasuk kawasan padat penduduk.
Penutup
Pemanfaatan machine learning untuk memprediksi polusi udara menunjukkan bagaimana teknologi dapat berkontribusi langsung pada kesejahteraan masyarakat. Dengan mengubah data lingkungan menjadi informasi prediktif, kota-kota besar seperti Surabaya memiliki peluang lebih besar untuk melindungi kesehatan warganya secara preventif. Pendekatan ini bukan hanya inovasi teknis, tetapi juga langkah strategis menuju kota yang lebih sehat, cerdas, dan berkelanjutan”selaras dengan tujuan pembangunan berkelanjutan (SDGs)
PENULIS: Rachman Sinatriya Marjianto
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
https://www.scopus.com/pages/publications/105024766226?origin=resultslist Top of Form
Bottom of Form
Asih, Akas Yekti Pulih, Yudianto, Firman, Triwinanto, Puguh, Marjianto, Rachman Sinatriya, Herlambang, Teguh, Arof, Hamzah: COMPARISON OF XGBOOST AND RANDOM FOREST METHODS IN PREDICTING AIR POLLUTION LEVELS. Barekeng, Volume 20, Issue 1, Pages 785 – 796, 2026
ISSN: 19787227 Top of FormBottom of Form
