PREDIKSI EMISI KARBON CO₂ MENGGUNAKAN LSTM

Peningkatan emisi karbon dioksida (CO₂) perlu dipantau karena berkaitan dengan perubahan iklim dan keberlanjutan lingkungan. Penelitian ini bertujuan membangun model Long Short-Term Memory (LSTM) untuk memprediksi emisi karbon CO₂ berdasarkan pola data historis. Data diperoleh dari Our World in Data dan dibatasi pada periode 1970–2024. Setelah proses penyaringan, data yang digunakan berjumlah 11.586 baris dari 216 entitas. Delapan fitur dipilih menggunakan Recursive Feature Elimination (RFE), kemudian model menggunakan sepuluh pengamatan sebelumnya untuk memprediksi satu nilai CO₂ berikutnya. Pengujian dilakukan menggunakan skema pembagian data 70:30 dan 80:20 serta sembilan kombinasi epoch dan batch size. Kombinasi terbaik adalah 20 epoch dan batch size 32. Setelah koreksi bias, skema 80:20 memberikan hasil yang lebih konsisten dengan MAE 31,486, RMSE 216,885, R² 0,993112, dan MAPE 17,642%. Pada entitas World tahun 2015–2024, skema tersebut menghasilkan MAPE 4,225%, sedangkan recursive backtesting menghasilkan MAPE 7,455%. Proyeksi World menunjukkan penurunan emisi sekitar 5,6% dari tahun 2025 hingga 2034. Hasil ini menunjukkan bahwa LSTM dapat menggambarkan pola emisi historis, tetapi proyeksi tetap perlu dipahami sesuai asumsi dan keterbatasan model.