Pemodelan CEEMDAN LSTM, CEEMDAN GRU dan Metode Dasarnya untuk Peramalan Emisi Karbon Dioksida di Indonesia

Abstract

Emisi karbon dioksida dan dampaknya bagi bumi menjadi fokus penelitian dalam beberapa tahun terakhir. Emisi ini mengalami peningkatan setiap tahun akibat kendaraan bermotor, batu bara, bahan bakar fosil, dan faktor lainnya yang dapat memicu krisis global. Untuk mencapai keseimbangan emisi dan mencegah krisis, diperlukan kompensasi emisi karbon dioksida melalui upaya net zero emissions. Oleh karena itu, penelitian ini bertujuan untuk memprediksi emisi karbon dioksida di masa mendatang menggunakan model peramalan yang tepat.

Penelitian ini mengembangkan model peramalan yang menggabungkan Long Short Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dengan Complete Ensemble Mode Decomposition with Adaptive Noise (CEEMDAN). LSTM adalah pengembangan dari Recurrent Neural Network (RNN) yang efektif dalam mengatasi ketergantungan jangka panjang pada data berurutan. GRU, sebagai varian LSTM, menawarkan implementasi yang lebih sederhana dan efisien. CEEMDAN digunakan untuk mengatasi sifat nonlinier dan nonstasioner pada data emisi karbon dioksida, sehingga meningkatkan akurasi model dengan menguraikan sinyal data yang kompleks. Kombinasi model CEEMDAN LSTM, CEEMDAN GRU, dan model dasarnya diterapkan untuk meningkatkan akurasi peramalan.

Hasil penelitian menunjukkan bahwa model EEMD LSTM dan EEMD GRU memberikan hasil peramalan emisi karbon dioksida Indonesia yang lebih baik dan efektif dibandingkan model lainnya. Hal ini dilihat dari nilai Mean Squared Error (MSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Root Mean Square Error (RMSE) yang paling baik. Hasil ini dapat menjadi dasar pengambilan keputusan untuk kebijakan lingkungan yang lebih baik.

Kata Kunci: Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Complete Ensemble Mode Decomposition with Adaptive Noise (CEEMDAN), Emisi Karbon Dioksida.