Pada hari keempat rangkaian kegiatan Track AI MIDSEA Summer School 2025, peserta mendalami penerapan Reinforcement Learning (RL) dalam konteks intervensi penyakit menular. Sesi pertama dimulai dengan pengantar konsep dasar RL, di mana peserta mempelajari struktur utama dari agen RL, termasuk komponen state, action, reward, dan policy. Penjelasan ini disampaikan secara visual menggunakan simulasi interaktif yang memudahkan pemahaman.
Materi dilanjutkan dengan paparan mendalam berjudul “Reinforcement Learning for Infectious Disease Interventions”. Dalam sesi ini, peserta diperkenalkan pada pemodelan sistem intervensi sebagai Proses Keputusan Markov (Markov Decision Process/MDP), di mana agen RL menyusun kebijakan intervensi melalui interaksi berulang dengan lingkungan simulasi yang merepresentasikan dinamika penyebaran penyakit. Tujuannya adalah meminimalkan jumlah infeksi sekaligus mempertimbangkan dampak sosial-ekonomi dari kebijakan tersebut.
Pemateri menampilkan implementasi Deep Q-Learning dan Policy Gradient dalam skenario epidemiologis, serta membahas tantangan utama seperti rendahnya efisiensi sampel (sample inefficiency) dan ketidakpastian dalam model epidemi. Diskusi juga menyoroti pentingnya integrasi data dunia nyata dan keterjelasan interpretasi hasil (interpretability) dalam penerapan RL untuk pengambilan kebijakan publik.
Selain memperoleh pemahaman teoretis, peserta juga mendapat kesempatan langsung untuk menyimulasikan algoritma RL menggunakan notebook Python, sehingga mampu mengeksplorasi dinamika pembelajaran agen dalam konteks pengendalian wabah.
Kegiatan hari keempat ditutup dengan sesi diskusi terbuka dan tanya-jawab, di mana peserta dan pemateri berdialog mengenai potensi kolaborasi riset lanjutan serta aplikasi lebih luas dari pembelajaran penguatan dalam sektor kesehatan masyarakat.
Kata Kuci: MIDSEA, Modelling, Infectious Diseases Modelling
Penulis: Chyntia Meininda Anjanni
Foto: Lucetta Amarakamini