<![CDATA[Prediksi kualitas udara sangat penting untuk mengurangi dampak polusi terhadap kesehatan masyarakat dan lingkungan di kota pintar. Tinjauan literatur sistematis ini, yang dilakukan dengan menggunakan metodologi berbasis PRISMA, mengidentifikasi dan mengkategorikan model pembelajaran mesin dan pembelajaran mendalam untuk prediksi kualitas udara dari 40 artikel terpilih, menganalisis efektivitasnya dalam menangani nilai yang hilang, anomali, dan kebisingan sensor. Temuan mengungkapkan bahwa sementara model ML tradisional menawarkan interpretabilitas dan efisiensi, model pembelajaran mendalam khususnya LSTM dan GNN secara superior menangkap dependensi temporal dan spasial dengan pendekatan hibrida yang semakin meningkatkan ketahanan. Namun, kesenjangan penerapan kritis tetap ada: sebagian besar penelitian memprioritaskan akurasi daripada latensi, energi dan memori, validasi tepi terbatas dan kalibrasi sensor, deteksi anomali, dan estimasi ketidakpastian tetap terfragmentasi. Tinjauan ini menyumbangkan taksonomi model yang komprehensif, sintesis tantangan AI edge, dan arah penelitian tertentu. Pekerjaan di masa depan harus mengembangkan model ringan untuk IoT real-time, mengintegrasikan kalibrasi dengan prediksi, menetapkan metrik penyebaran, dan menghubungkan prediksi ke infrastruktur kota pintar untuk pengelolaan lingkungan yang dapat ditindaklanjuti.]]>
Copyrights © 2026
