Quantum Machine Learning Untuk Prediksi Emisi Gas Rumah Kaca dalam Perspektif Filsafat Sains
Quantum Machine Learning for Predicting Greenhouse Gas Emissions from a Philosophy of Science Perspective
DOI:
https://doi.org/10.23887/jfi.v7i2.72236Kata Kunci:
quantum machine learning, emisi gas rumah kaca, Thomas Kuhn, Imre LakatosAbstrak
Isu perubahan iklim akibat emisi gas rumah kaca dan lahirnya teknologi quantum machine learning memunculkan berbagai penelitian tentang pemanfaatan quantum machine learning (QML) untuk memprediksi emisi gas rumah kaca (GRK). Artikel ini bertujuan untuk menjelaskan penelitian terkait implementasi QML untuk prediksi emisi GRK dari sudut pandang filsafat sains, terutama dalam hal revolusi sains dari perspektif Thomas Kuhn, analisis research program dari perspektif Imre Lakatos, jebakan pseudosains serta potensi bias ketidakadilan, aspek etis, moralitas, dan dampaknya bagi masyarakat. Penyusunan artikel ini menggunakan metode kualitatif deskriptif. Sumber referensi berupa artikel orisinal dan artikel review dari jurnal yang dikumpulkan dari database Scopus dengan topik terkait prediksi emisi GRK. Berdasarkan telaah artikel yang dilakukan, dapat diuraikan bahwa penelitian tentang QML untuk prediksi emisi GRK merupakan progressive science yang sedang berada dalam fase eksplorasi dan pengembangan intensif di mana paradigma penelitian di area ini didominiasi oleh positivisme logis dan pragmatisme, namun seiring berjalannya waktu dan berkembangnya konteks penelitian maka paradigma baru dapat muncul sebagai tambahan atau bahkan menggeser paradigma penelitian yang telah ada sebelumnya. Artikel ini juga mengidentifikasi potensi bias ketidakadilan, aspek etis, moralitas, dan dampak penelitian di bidang ini bagi masyarakat serta merekomendasikan 5 strategi untuk menghindari jebakan pseudosains terkait dengan penelitian tentang QML untuk prediksi emisi GRK.
Referensi
Agassi, J. (2014). Lakatos on the Methodology of Scientific Research Programs. SpringerBriefs in Philosophy, 121–127. https://doi.org/10.1007/978-3-319-06587-8_15.
Emami Javanmard, M., & Ghaderi, S. F. (2022). A Hybrid Model with Applying Machine Learning Algorithms and Optimization Model to Forecast Greenhouse Gas Emissions with Energy Market Data. Sustainable Cities and Society, 82(December 2021), 103886. https://doi.org/10.1016/j.scs.2022.103886.
Houssein, E. H., Abohashima, Z., Elhoseny, M., & Mohamed, W. M. (2022). Machine learning in the quantum realm: The state-of-the-art, challenges, and future vision. Expert Systems with Applications, 194(December 2021), 116512. https://doi.org/10.1016/j.eswa.2022.116512.
Jadhav, A., Rasool, A., & Gyanchandani, M. (2023). Quantum Machine Learning: Scope for real-world problems. Procedia Computer Science, 218, 2612–2625. https://doi.org/10.1016/j.procs.2023.01.235.
Khalil, M., McGough, A. S., Pourmirza, Z., Pazhoohesh, M., & Walker, S. (2022). Machine Learning, Deep Learning and Statistical Analysis for forecasting building energy consumption — A systematic review. Engineering Applications of Artificial Intelligence, 115(June), 105287. https://doi.org/10.1016/j.engappai.2022.105287.
Kuhn, T. S. (1962). Introduction to The structure of Scientific Revolution. In The Structure of Scientific Revolutions (pp. 1–9).
Lu, C., Li, S., & Lu, Z. (2022). Building Energy Prediction Using Artificial Neural Networks: A Literature Survey. Energy and Buildings, 262, 111718. https://doi.org/10.1016/j.enbuild.2021.111718.
Mahayana, D. (2023). Filsafat Sains: Dari Newton, Einstein, hingga Sains-Data. ITB Press.
Sood, S. K., & Pooja. (2023). Quantum Computing Review: A Decade of Research. IEEE Transactions on Engineering Management. https://doi.org/10.1109/TEM.2023.3284689
Valdez, F., & Melin, P. (2023). A Review on Quantum Computing and Deep Learning Algorithms and Their Applications. Soft Computing, 27(18), 13217–13236. https://doi.org/10.1007/s00500-022-07037-4.
Wang, P., Hu, J., & Chen, W. (2023). A hybrid Machine Learning Model to Optimize Thermal Comfort and Carbon Emissions of Large-Space Public Buildings. Journal of Cleaner Production, 400(March), 136538. https://doi.org/10.1016/j.jclepro.2023.136538.
Yulianti, L. P., & Surendro, K. (2022). Implementation of Quantum Annealing: A Systematic Review. IEEE Access, 10(June), 73156–73177. https://doi.org/10.1109/ACCESS.2022.3188117.
Zhao, Y., Liu, R., Liu, Z., Liu, L., Wang, J., & Liu, W. (2023). A Review of Macroscopic Carbon Emission Prediction Model Based on Machine Learning. Sustainability (Switzerland), 15(8). https://doi.org/10.3390/su15086876.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2024 Jurnal Filsafat Indonesia
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Jurnal Filsafat Indonesia Undiksha is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
