Prediksi Kadar Emisi Co2 di Indonesia Menggunakan Metode Long Short Term Memory (LSTM)

Rohilah, Siti (2025) Prediksi Kadar Emisi Co2 di Indonesia Menggunakan Metode Long Short Term Memory (LSTM). Undergraduate thesis, Politeknik Negeri Jember.

	Text (Abstract) ABSTRAK.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (249kB)
	Text (Bab 1 Pendahuluan) BAB 1 PENDAHULUAN.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (1MB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA.pdf - Submitted Version Available under License Creative Commons Attribution Share Alike. Download (895kB)
	Text (Laporan Lengkap) Skripsi rohil.pdf Restricted to Registered users only Download (2MB) | Request a copy

Abstract

Perubahan iklim dan pemanasan global merupakan isu global yang menjadi perhatian utama banyak negara, termasuk Indonesia. Salah satu penyebab utama dari fenomena ini adalah peningkatan emisi CO2. Emisi karbon menjadi salah satu kontributor utama yang menyebabkan perubahan iklim bersama dengan emisi gas rumah kaca. Emisi co2 yang berlebihan bisa menimbulkan naiknya suhu permukaan bumi secara signifikan. Penelitian ini bertujuan untuk memprediksi kadar emisi CO2 di Indonesia menggunakan metode Long Short Term Memory (LSTM), sebuah jenis jaringan saraf tiruan yang dirancang untuk menangani data deret waktu dengan dependencies jangka panjang. Data yang digunakan adalah data historis emisi CO2 di Indonesia dari tahun 1889 hingga 2023. Model dikembangkan melalui tahap persiapan data, pembersihan data, pemodellan, pengujian, dan evaluasi menggunakan MAE, RMSE dan MAPE. Dari hasil beberapa uji coba menggunakan parameter yang berbeda, hasil terbaik diperoleh dengan perbanding 80% data training 20% data testing, serta dikombinasikan dengan time step 10, epoch 50 menghasilkan nilai MAE sebesar 202411114.04, RMSE sebesar 227687452.87, dan MAPE sebesar 16.41%, sehingga hasil dari prediksi emisi co2 menggunakan metode LSTM emiliki akurasi yang cukup baik.

Actions (login required)

View Item