Diterbitkan di Science Advances, tim peneliti internasional yang dipimpin oleh Dr. Andre Python dari Pusat Ilmu Data di Universitas Zhejiang menyelidiki algoritme pembelajaran mesin
(Machine Learning) yang mampu memprediksi dan menjelaskan pada skala spatiotemporal halus terjadinya terorisme yang dilakukan oleh aktor non-negara di luar perang yang sah (terorisme non-negara) di seluruh dunia.
Untuk mencakup semua wilayah di seluruh dunia yang berpotensi terkena dampak terorisme selama periode waktu yang lama, penulis mempertimbangkan sekitar 21 juta sel setiap minggu, yang terdiri dari 26.551 sel jaringan pada 50 km × 50 km yang mencakup wilayah berpenghuni di dunia selama periode 795 minggu antara tahun 2002 dan 2016.
Algoritme pembelajaran mesin berbasis pohon yang dapat ditafsirkan dibandingkan dengan model prediksi benchmark alternatif untuk memprediksi dan menjelaskan kemungkinan terjadinya terorisme (respons) di setiap sel minggu di seluruh dunia.
Berdasarkan teori terorisme, model tersebut mencakup 20 fitur structural variabel time-invariant yang memperhitungkan efek. Misalnya, produk domestik bruto (PDB) per kapita dan 14 fitur procedural variabel dinamis yang menjelaskan fakta bahwa aktivitas terorisme di masa lalu mempengaruhi risiko terorisme di masa depan.
Baca Artikel Bitcoin :
Untuk memprediksi fenomena sosial yang kompleks seperti terorisme pada skala spatiotemporal yang baik, algoritme pembelajaran mesin yang diinformasikan secara teoritis cenderung mengungguli model pelit menggunakan fitur prosedural saja, kata Dr. Andre Python yang memimpin penelitian
Pilihan fitur yang termasuk dalam model prediktif sangat penting; relevansi keluaran model dan kinerja prediktif mendapat manfaat dari pemahaman konseptual yang kuat tentang mekanisme yang mendorong terorisme pada skala prediksi yang dibuat.
Bisakah Aksi Terorisme di Prediksi dengan akurat ?
Walaupun kinerja prediktif algoritme pembelajaran mesin relatif tinggi di daerah yang sangat terpengaruh oleh terorisme, tetap sulit untuk memprediksi peristiwa yang terjadi di daerah yang tidak mengalami terorisme dalam waktu yang lama.
Algoritma dapat menunjukkan akurasi keseluruhan yang relatif baik bahkan pada resolusi spasial dan temporal yang baik. Namun, hampir tidak mungkin untuk memprediksi peristiwa “Black Swan”.
Black Swan yaitu peristiwa yang hanya terjadi sekali dalam jangka waktu yang sangat lama, kata Python.
Peristiwa teroris terjadi dalam waktu kurang dari 2% dari sel-sel minggu yang dipertimbangkan dalam studi global tersebut.
Ketidakseimbangan data mengurangi ketepatan model, yaitu jumlah sel minggu yang menghadapi terorisme dan telah diprediksi dengan benar dibagi dengan jumlah total sel minggu yang diprediksi akan menghadapi terorisme.
Artinya, untuk mencegah sebagian besar peristiwa teroris di wilayah yang tidak banyak terkena dampak terorisme, diperlukan sumber daya penting untuk mensurvei wilayah yang luas di mana berpotensi terjadi terorisme.
Seiring dengan ketidaksepakatan di antara para peneliti dan pakar tentang definisi terorisme, ketersediaan,
cakupan spatiotemporal, dan kualitas data yang tersedia untuk umum tentang terorisme dan pendorong potensialnya tetap menjadi penghalang penting untuk secara akurat memprediksi terorisme secara global dan pada skala yang relevan dengan kebijakan.
Tetapi data terorisme dan penggerak sosial ekonomi menjadi lebih rinci, komprehensif, dan lebih mudah diakses.
Selain itu, pengembangan berkelanjutan dalam algoritma pembelajaran mesin yang dapat ditafsirkan sangat menjanjikan dan akan membuat alat canggih ini lebih mudah diakses oleh komunitas riset dan praktisi di tahun-tahun mendatang.
