IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI EMISI CO2 DI KANADA

Miqoilla, Muhammad Daffa (2025) IMPLEMENTASI MACHINE LEARNING UNTUK PREDIKSI EMISI CO2 DI KANADA. D3 - Diploma thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (228kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (672kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (418kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (681kB)
	Text (BAB V) BAB V.pdf Download (89kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (234kB)
	Archive (SOURCE CODE) Sourcecode - 22.01.4857.zip Restricted to Repository staff only Download (8MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (5MB)

Abstract

Perubahan iklim menjadi masalah lingkungan yang serius akibat peningkatan gas rumah kaca, terutama karbon dioksida (CO₂). Pada tahun 2023, sektor transportasi di Kanada menyumbang sekitar 23% dari total emisi gas rumah kaca nasional, yaitu sekitar 157 megaton CO₂ ekuivalen. Emisi ini banyak berasal dari kendaraan berbahan bakar fosil dan berdampak langsung pada pemanasan global serta kerusakan lingkungan. Karena itu, diperlukan sistem yang dapat membantu memprediksi emisi kendaraan agar dapat digunakan untuk mendukung pengambilan keputusan dan kebijakan pengurangan emisi karbon. Penelitian ini menggunakan pendekatan CRISP-DM untuk membangun model prediksi emisi CO₂ kendaraan berbasis machine learning. Tujuh algoritma regresi yang digunakan adalah Linear Regression, Ridge Regression, Random Forest, Gradient Boosting, Support Vector Regression (SVR), K-Nearest Neighbor (KNN), dan Neural Network. Dataset diperoleh dari Open Government Canada melalui Kaggle, terdiri dari 7.385 data kendaraan. Proses penelitian meliputi preprocessing data, eksplorasi fitur, pelatihan model, evaluasi menggunakan metrik R², MAE, RMSE, dan MAPE, serta tuning hyperparameter untuk meningkatkan performa. Hasil penelitian menunjukkan bahwa algoritma Random Forest menghasilkan performa terbaik dengan nilai R² sebesar 0,9982 dan RMSE sebesar 2,49 g/km. Fitur paling berpengaruh adalah konsumsi bahan bakar kombinasi (L/100 km). Model ini diimplementasikan dalam aplikasi web berbasis Streamlit yang dapat dimanfaatkan oleh konsumen, produsen kendaraan, dan pembuat kebijakan. Ke depan, sistem ini bisa dikembangkan dengan data kendaraan listrik, hybrid, dan hidrogen, serta mempertimbangkan pola berkendara dan kondisi cuaca.

Actions (login required)

View Item