Kualitas udara yang kita hirup setiap hari memengaruhi kesehatan, kenyamanan hidup, dan bahkan ekonomi sebuah kota. Di banyak negara, termasuk Indonesia, polusi udara menjadi isu yang terus meningkat dari tahun ke tahun. Namun, salah satu tantangan terbesar dalam menanggulangi polusi udara adalah memprediksi bagaimana kualitas udara akan berubah dalam beberapa jam atau beberapa hari ke depan.
Prediksi kualitas udara bukan sekadar menebak angka. Proses ini membutuhkan data lingkungan yang sangat kompleks, mulai dari jumlah kendaraan di jalan, arah dan kecepatan angin, aktivitas industri, hingga kondisi cuaca. Karena itu, para peneliti di seluruh dunia terus mencari cara agar prediksi kualitas udara bisa dilakukan secara lebih akurat, cepat, dan otomatis.
Salah satu terobosan terbaru datang dari sekelompok peneliti asal Tiongkok yang mengembangkan sebuah sistem berbasis kecerdasan buatan bernama Multi Granularity Spatiotemporal Fusion Transformer atau disingkat MGSFFormer. Sistem ini dirancang untuk mengolah data kualitas udara yang sangat beragam dan berasal dari banyak sumber, lalu menghasilkan prediksi yang lebih akurat dibandingkan model kecerdasan buatan sebelumnya.
Melalui penelitian yang dipublikasikan pada tahun 2025 di jurnal Information Fusion, para peneliti menjelaskan bagaimana MGSFFormer bekerja dan mengapa sistem ini mampu memberikan performa lebih baik daripada 11 model pembanding lainnya.
Baca juga artikel tentang: Dari Kutub ke Kota: Perjalanan Udara Dingin Lewat Polar Vortex
Tantangan dalam Prediksi Kualitas Udara
Untuk memahami apa yang membuat model ini penting, kita perlu mengetahui mengapa memprediksi kualitas udara begitu sulit.
Pertama, setiap stasiun pemantau kualitas udara memiliki frekuensi pengukuran yang berbeda. Ada yang mengukur setiap 5 menit, ada yang setiap 30 menit, ada pula yang setiap 1 jam. Perbedaan interval ini menyebabkan data menjadi tidak seragam atau memiliki tingkat “kerincian” yang berbeda, yang dalam riset ini disebut sebagai multi granularity.
Kedua, data kualitas udara dari satu lokasi sangat dipengaruhi oleh lokasi lain di sekitarnya. Polusi udara tidak statis. Ia bergerak, menyebar, dan berubah mengikuti angin serta aktivitas manusia. Kondisi ini menciptakan hubungan spasial dan temporal yang sangat rumit, sehingga model kecerdasan buatan tradisional kesulitan memahami pola-pola tersebut secara mendalam.
Ketiga, banyak model kecerdasan buatan cenderung mencampur data tanpa mempertimbangkan perbedaan sumber ataupun rentang waktu pengukuran. Akibatnya model tersebut bisa kehilangan informasi penting atau bahkan menghasilkan prediksi yang keliru.
MGSFFormer dikembangkan untuk menjawab ketiga tantangan utama inilah.
MGSFFormer: Cara Baru Menggabungkan Data Kompleks
Model ini bekerja dengan memadukan beberapa unit kecerdasan buatan yang masing-masing memiliki peran spesifik.
1. Blok penghilang data berulang
Unit pertama disebut residual de redundand block. Fungsinya adalah memfilter data yang dianggap berulang atau tidak penting. Dengan kata lain, sistem ini memastikan bahwa model hanya memproses informasi yang benar-benar diperlukan. Proses ini membantu mempercepat kinerja model dan mengurangi risiko kesalahan prediksi akibat “kebisingan data”.
2. Blok perhatian spasial dan temporal
Unit kedua adalah spatiotemporal attention block. Tugasnya adalah memahami hubungan ruang dan waktu dalam data kualitas udara. Misalnya, bagaimana polusi dari sebuah kawasan industri bergerak ke arah pemukiman tertentu dalam dua jam ke depan. Model ini juga belajar memahami bagaimana pola polusi berubah di jam sibuk dibandingkan dini hari.
Dengan kemampuan ini, model dapat menangkap pola penyebaran polusi dengan sangat rinci.
3. Blok penggabungan dinamis
Unit ketiga adalah dynamic fusion block. Di sinilah model memutuskan seberapa penting data dari masing-masing sumber. Misalnya, data dari stasiun pemantau A mungkin lebih penting pada waktu tertentu, sementara stasiun B lebih relevan di waktu yang lain. Sistem ini menimbang bobot informasi dan menggabungkannya dengan cara paling efisien.
Kombinasi seluruh blok inilah yang memberikan kekuatan utama pada MGSFFormer, memungkinkan model ini menghasilkan prediksi kualitas udara yang lebih tepat.
Hasil Uji Lapangan: Lebih Akurat dari 11 Model Lain
Peneliti menguji MGSFFormer menggunakan tiga dataset dunia nyata, yang mencakup kota-kota besar dengan karakter polusi berbeda. Hasilnya, model ini mengungguli 11 model pembanding lainnya dan memberikan peningkatan akurasi sekitar 5 persen.
Angka ini mungkin terlihat kecil, tetapi dalam dunia prediksi kualitas udara, peningkatan sedikit saja bisa berdampak besar pada kesehatan publik. Misalnya, peringatan dini yang lebih akurat dapat membantu sekolah mengatur kegiatan luar ruangan, rumah sakit mempersiapkan kapasitas pasien penyakit pernapasan, atau pemerintah kota mengatur kebijakan lalu lintas pada hari tertentu.
Selain itu, model ini juga lebih stabil pada data yang bising atau tidak lengkap, sebuah masalah umum yang sering ditemui dalam sistem pemantauan kualitas udara di berbagai negara berkembang.
Dampak dan Masa Depan Teknologi Prediksi Udara
Prediksi kualitas udara yang lebih akurat bukan hanya membantu masyarakat, tetapi juga menjadi alat penting bagi pemerintah dalam membuat kebijakan lingkungan. Dengan model seperti MGSFFormer, perencanaan pembangunan kota bisa menjadi lebih cerdas dan berbasis data.
Selain itu, MGSFFormer berpotensi diintegrasikan dengan sistem IoT di masa depan, seperti sensor udara portabel, kendaraan otonom, hingga drone pemantau polusi. Bila teknologi ini dikembangkan lebih lanjut, masyarakat bisa mendapatkan notifikasi kualitas udara secara real time langsung di ponsel, dengan akurasi yang jauh lebih tinggi dibanding sistem konvensional.
Model ini juga membuka peluang teknologi prediksi cuaca dan lingkungan yang semakin maju. Dengan data yang semakin kaya dan komputasi yang semakin cepat, sistem prediksi berbasis kecerdasan buatan akan menjadi bagian penting dari pembangunan kota cerdas di seluruh dunia.
MGSFFormer menunjukkan bahwa kecerdasan buatan bisa menjadi alat yang sangat kuat untuk memahami dan memprediksi pola lingkungan yang kompleks, termasuk kualitas udara. Dengan kemampuan memadukan data beragam secara cerdas dan akurat, model ini membuka jalan bagi sistem prediksi udara masa depan yang lebih andal dan membantu menjaga kesehatan masyarakat secara lebih efektif.
Jika penelitian dan pengembangan terus dilanjutkan, bukan tidak mungkin dalam beberapa tahun ke depan kita akan memiliki sistem yang mampu memprediksi polusi udara dengan tingkat akurasi yang mendekati prediksi cuaca harian. Sebuah langkah besar menuju kota yang lebih bersih, sehat, dan berkelanjutan.
Baca juga artikel tentang: Udara Sehat, Hewan Bahagia: Mengapa Air Purifier Penting untuk Pecinta Hewan
REFERENSI:
Yu, Chengqing dkk. 2025. Mgsfformer: A multi-granularity spatiotemporal fusion transformer for air quality prediction. Information Fusion 113, 102607.
