Penerapan Long Short-Term Memory (Lstm) Dengan Temporal Pattern Attention Pada Prediksi Harga Karbon Berdasarkan Harga Bahan Bakar Fosil

Mujiono, Edo Priyo Utomo Putro (2024) Penerapan Long Short-Term Memory (Lstm) Dengan Temporal Pattern Attention Pada Prediksi Harga Karbon Berdasarkan Harga Bahan Bakar Fosil. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5002201017-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (16MB) | Request a copy

Abstract

Emisi gas rumah kaca (GRK) yang dihasilkan oleh aktivitas manusia memiliki dampak negatif seperti perubahan iklim, pemanasan global, ancaman terhadap ketahanan pangan, bencana alam, dan kenaikan permukaan air laut. Beberapa negara telah menerapkan langkah-langkah untuk mengurangi emisi GRK, termasuk reboisasi, industri yang ramah lingkungan, dan memberikan insentif untuk inisiatif dalam pengurangan
emisi GRK. Prediksi harga karbon dilakukan untuk mengoptimalkan insentif karbon bagi investor. Penelitian ini memuat tentang penerapan LSTM dengan Temporal Pattern
Attention (TPA-LSTM) untuk memprediksi dinamika harga karbon. Prediksi dinamika harga karbon tidak hanya memanfaatkan informasi historisnya sendiri, tetapi juga dari
prediktor-prediktor utamanya, termasuk dinamika harga bahan bakar fosil yang dimulai dari tahun 2018 hingga 2023. Metode TPA-LSTM merupakan metode gabungan yang bekerja dengan menggunakan layer LSTM sebagai input awal model. Selanjutnya, output dari layer LSTM dijadikan input dari layer TPA untuk memprediksi harga karbon hari berikutnya. Model diuji dengan melakukan prediksi pada data uji dan dihitung hasil evaluasinya. Hasil dari penelitian ini mendapatkan evaluasi yang cukup baik dengan nilai MAE sebesar 0.067, MSE sebesar 0.004, RMSE sebesar 0.067, dan MAPE sebesar 0.07% untuk prediksi satu hari kedepan.
============================================================

Greenhouse gas (GHG) emissions produced by human activities lead to negative impacts such as climate change, global warming, food security threats, natural disasters, and rising sea levels. To combat these issues, many countries have adopted measures to decrease GHG emissions. These measures include reforestation, promoting eco�friendly green industries, and offering incentives for projects that reduce GHG emissions. Predictions for carbon pricing are also provided to optimize carbon incentives for investors.
This research contains the application of LSTM with Temporal Pattern Attention (TPA�LSTM) to predict carbon price dynamics. Prediction of carbon price dynamics not only utilizes its own historical information, but also from its main predictors, including fossil fuel price dynamics starting from 2018 to 2023. The TPA-LSTM method is a
combined method that works by using the LSTM layer as the initial input of the model. Furthermore, output from the LSTM layer used as input from the TPA layer to predict
the next day’s carbon price. The model tested by predicting the test data and calculating the evaluation results. The results of this study obtained a fairly good evaluation with a value of MAE value 0.067, MSE value 0.004, RMSE value 0.067, dan MAPE value 0.07% for one day ahead prediction.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Gas rumah kaca, Harga karbon, Pasar Karbon, Long Short-Term Memory, Temporal Pattern Attention. Greenhouse gas, Carbon price, Carbon market, Long Short-Term Memory, Temporal Pattern Attention.
Subjects:	Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA76.6 Computer programming. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Edo Priyo Utomo Putro Mujiono
Date Deposited:	06 Aug 2024 04:46
Last Modified:	06 Aug 2024 04:46
URI:	http://repository.its.ac.id/id/eprint/111192

Actions (login required)

View Item