Perpustakaan Digital ITB

Dalam pengelolaan kota cerdas (smart city), kemampuan untuk merespons permasalahan lingkungan secara cepat dan adaptif menjadi kebutuhan mendesak. Banyak platform smart city di Indonesia, termasuk Integrated Smart System Platform (ISSP), telah menyediakan fungsi pemantauan dan prediksi, namun masih belum dilengkapi dengan sistem preskriptif yang mampu merekomendasikan tindakan secara otomatis berdasarkan data. Penelitian ini mengusulkan pendekatan prescriptive analytics yang mengintegrasikan Large Language Model (LLM) dan Deep Reinforcement Learning (DRL) ke dalam platform ISSP untuk mendukung pengambilan keputusan berbasis data. Tiga model LLM—ChatGPT, Gemini, dan DeepSeek—digunakan untuk menghasilkan rekomendasi kebijakan teknokratik berdasarkan deskripsi anomali kota dalam tiga domain utama: pengelolaan sampah, polusi udara, dan banjir. Rekomendasi dievaluasi melalui pengukuran semantic similarity terhadap jawaban ideal yang diperoleh dari evaluator kebijakan di Kota Semarang. Untuk meningkatkan kualitas rekomendasi secara adaptif, digunakan algoritma DRL Proximal Policy Optimization (PPO) yang dilatih dalam lingkungan simulasi berbasis reward. Hasil evaluasi menunjukkan bahwa pendekatan ini mampu menghasilkan rekomendasi yang relevan (similarity ? 0.5) serta reward kumulatif yang lebih tinggi dibandingkan baseline acak. Studi ini membuktikan bahwa integrasi LLM dan DRL dapat memperkuat kapabilitas pengambilan keputusan dalam sistem smart city menuju tata kelola kota yang lebih tanggap, adaptif, dan berkelanjutan.