Meningkatkan Prediksi PM2.5 dengan Optimasi Hyperparameter Berbasis PSOÂ
Dalam beberapa tahun terakhir, perkembangan teknologi kecerdasan buatan (AI) telah mengalami kemajuan pesat, khususnya dalam bidang deep learning dan optimasi hyperparameter. Artikel berjudul "Optimized Three Deep Learning Models Based-PSO Hyperparameters for Beijing PM2.5 Prediction" karya Pranolo, A., Mao, Y., Wibawa, A. P., Utama, A. B. P., & Dwiyanto, F. A. (2022) menyoroti pentingnya optimasi hyperparameter dalam meningkatkan kinerja model deep learning. Studi ini menggabungkan tiga model deep learning populer---Long Short-Term Memory (LSTM), Convolutional Neural Network (CNN), dan Multilayer Perceptron (MLP)---dengan teknik optimasi Particle Swarm Optimization (PSO) untuk memprediksi konsentrasi PM2.5 di Beijing. Penelitian ini penting karena kualitas udara di kota besar seperti Beijing merupakan masalah lingkungan yang mendesak, dan prediksi akurat konsentrasi PM2.5 dapat menjadi alat yang kuat dalam upaya pencegahan dan pengendalian polusi udara.
Dengan semakin meningkatnya kebutuhan akan prediksi yang akurat dalam berbagai bidang, optimasi hyperparameter menjadi kunci untuk memaksimalkan potensi model AI. Penggunaan PSO dalam studi ini adalah contoh bagaimana teknik optimasi dapat mengurangi waktu komputasi dan meningkatkan akurasi model secara signifikan. Artikel ini juga relevan di tengah meningkatnya perhatian publik terhadap polusi udara global, di mana laporan WHO tahun 2019 menunjukkan bahwa 91% populasi dunia tinggal di tempat dengan kualitas udara di bawah standar yang ditetapkan. Oleh karena itu, penelitian yang dapat meningkatkan prediksi polusi udara melalui pendekatan AI bukan hanya penting dari perspektif akademik, tetapi juga memiliki implikasi praktis yang luas dalam kebijakan publik dan kesehatan masyarakat. Penelitian ini dapat dianggap sebagai kontribusi penting dalam upaya global untuk memerangi polusi udara dan dampaknya terhadap kesehatan manusia.
Artikel yang ditulis oleh Pranolo et al. (2022) Â menawarkan wawasan mendalam tentang bagaimana optimasi hyperparameter dengan PSO dapat meningkatkan kinerja model deep learning dalam memprediksi kualitas udara. Dalam penelitian ini, tiga model deep learning yang berbeda---LSTM, CNN, dan MLP---digunakan untuk memprediksi konsentrasi PM2.5 di Beijing, salah satu kota dengan tingkat polusi tertinggi di dunia. Penelitian ini menggunakan dataset dari UCI Machine Learning Repository, yang mencakup data polusi udara di Beijing dari tahun 2010 hingga 2014. Sebagai bagian dari proses optimasi, PSO digunakan untuk menyesuaikan parameter seperti jumlah lapisan tersembunyi, fungsi aktivasi, ukuran batch, dan jumlah epoch. Hasil penelitian menunjukkan bahwa model yang dioptimalkan dengan PSO, khususnya LSTM yang dioptimalkan (disebut M-1), memiliki kinerja terbaik dibandingkan dengan model lain.
Data dari penelitian ini menunjukkan bahwa model M-1 dengan tiga lapisan tersembunyi berhasil mencapai Mean Absolute Percentage Error (MAPE) sebesar 8,4576 untuk skenario bulanan, yang lebih rendah dibandingkan dengan model baseline LSTM yang mencapai MAPE 9,1216. Selain itu, M-1 juga menunjukkan kinerja superior dalam skenario harian dengan MAPE sebesar 5,4676, dibandingkan dengan model LSTM baseline yang memiliki MAPE 5,5329. Ini menunjukkan peningkatan akurasi prediksi yang signifikan, yang dapat diterjemahkan ke dalam kebijakan lingkungan yang lebih efektif.
Kontribusi signifikan dari penelitian ini adalah kemampuannya untuk menunjukkan bahwa optimasi hyperparameter dengan PSO tidak hanya meningkatkan akurasi model, tetapi juga mengurangi risiko overfitting dan underfitting. Dalam skenario prediksi multivariat seperti ini, di mana banyak faktor eksternal seperti suhu, kelembaban, dan kecepatan angin dapat mempengaruhi kualitas udara, kemampuan untuk menyesuaikan hyperparameter secara efisien menjadi sangat penting. Dengan mengintegrasikan PSO, penelitian ini berhasil menurunkan Root Mean Square Error (RMSE) menjadi 0,025 untuk skenario bulanan pada model M-1, dibandingkan dengan RMSE 0,0260 pada model baseline. Ini menunjukkan bahwa pendekatan yang digunakan tidak hanya lebih akurat tetapi juga lebih andal dalam menghadapi variasi data yang kompleks.
Selain itu, penelitian ini memiliki implikasi praktis yang luas, terutama dalam hal pengembangan teknologi pengendalian polusi udara dan perancangan kebijakan lingkungan. Dengan model yang lebih akurat dan andal, pemerintah dan lembaga terkait dapat membuat keputusan yang lebih tepat dalam upaya mitigasi polusi. Hasil penelitian ini juga dapat digunakan sebagai dasar untuk pengembangan lebih lanjut dalam sistem prediksi lingkungan yang lebih canggih, yang mampu menangani tantangan data yang semakin kompleks di masa depan.
Sebagai penutup, artikel oleh Pranolo et al. (2022) Â tidak hanya memberikan kontribusi yang signifikan dalam bidang AI, tetapi juga membuka peluang baru untuk penerapan teknik optimasi hyperparameter dalam berbagai konteks aplikasi yang lebih luas. Dengan menggunakan PSO untuk mengoptimalkan model deep learning, penelitian ini berhasil meningkatkan akurasi dan efisiensi prediksi konsentrasi PM2.5 di Beijing. Peningkatan ini bukan hanya berdampak pada kualitas prediksi yang lebih baik, tetapi juga pada pengambilan keputusan yang lebih tepat dalam upaya pengendalian polusi udara.
Selain itu, penelitian ini menegaskan pentingnya pengembangan model AI yang lebih adaptif dan dapat dioptimalkan secara otomatis, mengingat kompleksitas data lingkungan yang terus meningkat. Dengan hasil MAPE dan RMSE yang menunjukkan peningkatan signifikan, studi ini membuktikan bahwa pendekatan PSO dapat menjadi alat yang efektif untuk mengatasi tantangan dalam pengaturan hyperparameter, yang seringkali menjadi penghalang dalam penerapan model AI secara luas.
Secara keseluruhan, penelitian ini memberikan gambaran yang jelas tentang bagaimana integrasi teknik optimasi dengan deep learning dapat memberikan dampak positif yang signifikan. Keberhasilan penelitian ini menggarisbawahi potensi besar PSO dalam berbagai aplikasi AI lainnya, tidak hanya terbatas pada prediksi kualitas udara. Dengan demikian, penelitian ini tidak hanya relevan secara akademis tetapi juga memiliki dampak praktis yang luas, terutama dalam upaya global untuk mengatasi tantangan lingkungan yang semakin kompleks.
Referensi
Pranolo, A., Mao, Y., Wibawa, A. P., Utama, A. B. P., & Dwiyanto, F. A. (2022). Optimized three deep learning models based-PSO hyperparameters for Beijing PM2.5 prediction. Knowledge Engineering and Data Science, 5(1), 53--66. https://doi.org/10.17977/um018v5i12022p53-66
