<![CDATA[Perubahan iklim saat ini menjadi ancaman dan tantangan utama bagi kesejahteraan manusia secara global serta juga kesehatan dari planet. Faktor utama yang berkontribusi terhadap fenomena ini adalah aktivitas dari manusia, khususnya melalui emisi gas rumah kaca secara gamblang yang menyebabkan pemanasan suhu secara global. Penelitian bertujuan untuk membandingkan model AutoRegressive Integrated Moving Average (ARIMA), Seasonal AutoRegressive Integrated Moving Average (SARIMA), dan Long Short-Term Memory (LSTM) dalam meramalkan konsentrasi CO₂ atmosfer sebagai rekomendasi dalam pemilihan metode peramalan untuk mendukung pengambilan keputusan berbasis data dalam mitigasi perubahan iklim. Model TimeSeries dan Machine Learning digunakan dalam meramalkan konsentrasi CO₂ atmosfer dengan pendekatan dua skenario data yang berasal dari National Oceanic and Atmospheric Administration: data original (18.502 baris) dan data yang di filter berdasarkan beberapa hari terakhir (380 baris) saja. Hasil penelitian menunjukkan bahwa LSTM memiliki performa terbaik pada data lengkap dengan MSE: 1.823, RMSE: 1.350, MAE: 1.201, dan MAPE: 0.29%, sedangkan SARIMA lebih unggul pada data terbatas dengan MSE: 1.317, RMSE: 1.148, MAE: 0.894, dan MAPE: 0.21%. Temuan ini menegaskan bahwa LSTM lebih cocok untuk dataset banyak dan kompleks, sementara SARIMA lebih efektif untuk data sedikit dan terbatas.]]>
Copyrights © 2025
