<![CDATA[Pencapaian target Nationally Determined Contribution (NDC) Indonesia memerlukan pemahaman mendalam terhadap pola historis emisi karbon dioksida (CO₂) dan proyeksi akurat menggunakan pendekatan komputasional. Penelitian ini bertujuan mengembangkan model prediktif emisi CO₂ Indonesia berbasis machine learning untuk menganalisis tren 1975-2017 dan memproyeksikan pencapaian target NDC 2030. Data sekunder emisi CO₂ total dan per kapita periode 1975-2017 dari Carbon Dioxide Emission Estimates diolah menggunakan Python dengan library Pandas, NumPy, Scikitlearn, dan Statsmodels. Tiga model machine learning dikembangkan dan dievaluasi: Exponential Growth Model, Polynomial Regression, dan Linear Regression. Hasil menunjukkan emisi Indonesia meningkat eksponensial dari 37,84 juta ton (1975) menjadi 496,41 juta ton (2017) dengan CAGR 6,30% per tahun. Model Polynomial Regression memberikan performa terbaik (R²=0,995, RMSE=8,94 Mt, MAE=6,72 Mt) dalam memprediksi pola non-linear emisi. Proyeksi business-as-usual menunjukkan emisi 2030 mencapai 873 juta ton—48% di atas target NDC 592 juta ton. Monte Carlo simulation dengan 10.000 iterasi memberikan 95% confidence interval [831-916 Mt] dengan probabilitas mencapai target NDC hanya 0,01%. Model mengidentifikasi periode 1985-1995 sebagai fase akselerasi tertinggi (CAGR 9,24%) yang berkorelasi dengan industrialisasi masif. Cross-validation K-Fold menunjukkan model robust dengan konsistensi tinggi (std error <10%). Penelitian ini mengkonfirmasi pentingnya pendekatan computational environmental science dalam policy planning, dengan rekomendasi implementasi real-time monitoring system berbasis machine learning untuk tracking progress NDC Indonesia.]]>
