Kridanto Surendro
STE-ITB
Neng Ayu Herawati
STE-ITB
Abstrak
Pemerintah Indonesia berkomitmen melakukan penurunan emisi Gas Rumah Kaca sebesar 29% atau setara dengan 834 juta ton CO2e pada tahun 2030. Dimana sektor energi menjadi prioritas utama penurunan emisi dengan target penurunan sebesar 314 juta ton CO2e. Salah satu metode penurunan emisi adalah melalui perdagangan karbon dan pemberlakuan skema pajak karbon di sektor perdagangan karbon pada PLTU batubara sejak tahun 2022. Beberapa penelitian emisi GRK hanya berfokus pada penghitungan emisi karbon dan belum menerapkan model prediksi. Sedangkan prediksi emisi karbon yang dilakukan oleh Zhu et al. hanya menggunakan model regresi, sehingga hasil prediksinya akan bergantung pada variabel independen yang belum dapat melakukan prediksi jangka panjang. Dalam penelitian ini akan melibatkan model prediksi emisi karbon untuk memberikan informasi bagi pengambil keputusan dalam optimasi prediksi emisi karbon.
Keyword: Model Prediksi, Emisi Karbon, Machine Learning
Pendahuluan
Dalam penelitian ini dikembangkan sebuah model prediktif menggunakan machine learning dengan menggunakan model time series dan model regresi pada sebuah Pembangkit Listrik Tenaga Uap (PLTU). Model time series digunakan dalam melakukan prediksi setiap feature atau variabel sebagai input pada model regresi untuk melakukan prediksi emisi karbon.
Kemudian, informasi keputusan perdagangan karbon menggunakan rule-oriented decision support systems. Hasil prediksi emisi karbon digunakan untuk mendukung informasi keputusan perdagangan karbon pada periode selanjutnya. Dalam penelitian ini akan melibatkan data spesifik berdasarkan data aktivitas di PLTU dan menggunakan data dengan granularity per hari sehingga lebih akurat dan menghasilkan lebih banyak data untuk dapat meningkatkan performa model.
Pemodelan prediksi emisi karbon akan membandingkan hasil model dengan metode linear regression dan Metode 4 atau CEMS. Data yang digunakan pada Metode CEMS yaitu data riil dari operational time setiap unit dan electricity gross. Selanjutnya, data yang digunakan pada Metode 1 terdiri dari riwayat aktivitas yang sudah dikonversi ke emisi CO2e, yaitu emisi CO2, emisi CH4, dan emisi N2O yang sudah dihitung menggunakan nilai Global Warming Potential (GWP), dan data electricity gross.
Metodologi Penelitian
Metodologi yang digunakan dalam penelitian ini adalah Design Science Research Methodology (DSRM). Tahapan penelitian dalam DSRM dapat dilihat pada Gambar 1. DSRM memiliki enam tahap penelitian dimulai dari identifikasi masalah, mendefinisikan tujuan penelitian, perancangan, pembuatan, demonstrasi, evaluasi, dan komunikasi.
Diskusi dan Hasil
Berdasarkan hasil perolehan nilai pengujian model terbaik adalah:
a. Linear Regression:
Linear Regression menjadi model terbaik karena data pada unit memiliki hubungan yang linier antar fitur dan prediksi linear menjadi lebih baik.
Keefektifan Linear Regression menjadi best model menunjukkan bahwa data memiliki hubungan linier yang kuat sehingga memudahkan model untuk melakukan prediksi yang lebih akurat.
b. Random Forest Regression:
Random Forest Regression merupakan model terbaik pada Unit 8, hal tersebut karena karakteristik data pada Unit 8 memiliki hubungan yang lebih kompleks.
Keberhasilan Random Forest Regression menjadi model pada Unit 8 menunjukkan bahwa data di unit ini lebih kompleks atau non-linear sehingga Random Forest Regression dapat menangkap hubungan ini lebih baik dibandingkan dengan model lainnya.
Kesimpulan
Penelitian ini menghasilkan model prediktif yang dapat memberikan informasi prediksi emisi karbon, konsumsi bahan bakar batubara, dan gross electricity sebagai upaya optimasi emisi karbon, serta informasi yang dapat mendukung pengambilan keputusan dalam kegiatan perdagangan karbon. Hasil penelitian dapat digunakan sebagai informasi bagi PLTU dalam merencanakan strategi perdagangan karbon yang lebih efektif dengan mempertimbangkan faktor lingkungan dan finansial secara komprehensif.
English 
Indonesian