ANALISIS FAKTOR DOMINAN DAN PREDIKSI EMISI KARBON DI INDONESIA MENGGUNAKAN PENDEKATAN HYBRID: RECURSIVE FEATURE ELIMINATION DAN EXTREME GRADIENT BOOSTING (XGBoost)

Santrisna, I Putu (2026) ANALISIS FAKTOR DOMINAN DAN PREDIKSI EMISI KARBON DI INDONESIA MENGGUNAKAN PENDEKATAN HYBRID: RECURSIVE FEATURE ELIMINATION DAN EXTREME GRADIENT BOOSTING (XGBoost). Masters thesis, Universitas Pendidikan Ganesha.

[img] Text (COVER)
2229101043-COVER.pdf
Download (7MB)
[img] Text (ABSTRAK)
2229101043-ABSTRAK.pdf
Download (7MB)
[img] Text (BAB 1 PENDAHULUAN)
2229101043-BAB 1 PENDAHULUAN.pdf
Download (7MB)
[img] Text (BAB 2 KAJIAN TEORI)
2229101043-BAB 2 KAJIAN TEORI.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB 3 METODELOGI PENELITIAN)
2229101043-BAB 3 METODELOGI PENELITIAN.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB 4 HASIL DAN PEMBAHASAN)
2229101043-BAB 4 HASIL DAN PEMBAHASAN.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (BAB 5 PENUTUP)
2229101043-BAB 5 PENUTUP.pdf
Restricted to Repository staff only
Download (7MB) | Request a copy
[img] Text (DAFTAR PUSTAKA)
2229101043-DAFTAR PUSTAKA.pdf
Download (7MB)
[img] Text (LAMPIRAN)
2229101043-LAMPIRAN.pdf
Download (7MB)

Abstract

Santrisna, I Putu (2026). Analisis Faktor Dominan dan Prediksi Emisi Karbon di Indonesia Menggunakan Pendekatan Hybrid: Recursive Feature Elimination dan Extreme Gradient Boosting (XGBoost). Tesis, Program Studi Ilmu Komputer, Program Pascasarjana, Universitas Pendidikan Ganesha. Tesis ini sudah disetujui dan diperiksa oleh Pembimbing I: Prof. Dr. Ir. Dewa Gede Hendra Divayana, S.Kom., M.Kom., IPU., ASEAN.Eng., APEC.Eng. dan Pembimbing II: Dr. Ir. I Made Gede Sunarya, S.Kom., M.Cs. Kata-kata kunci: ekstrapolasi, emisi karbon, Recursive Feature Elimination, seleksi fitur, XGBoost, Pembelajaran Mesin. Penelitian ini bertujuan untuk (1) mengidentifikasi variabel prediktor dengan kontribusi prediktif tertinggi terhadap emisi karbon di Indonesia melalui seleksi fitur Recursive Feature Elimination (RFE) dengan estimator Random Forest, (2) membangun dan mengevaluasi kinerja model prediksi emisi karbon berbasis XGBoost menggunakan fitur hasil seleksi RFE yang diukur dengan RMSE dan R² pada data uji, serta (3) mengevaluasi apakah penerapan seleksi fitur RFE menghasilkan RMSE yang lebih rendah dibandingkan model XGBoost baseline yang menggunakan seluruh fitur. Penelitian ini menggunakan pendekatan kuantitatif dengan data deret waktu tahunan emisi CO₂ per kapita Indonesia periode 1990–2023 (34 observasi) yang bersumber dari World Bank. Lima variabel prediktor digunakan, yaitu PDB per kapita, konsumsi energi primer, persentase energi baru terbarukan, luas hutan, dan populasi. Data dibagi secara kronologis menjadi tiga lapis: data latih (1990–2011), data validasi (2012–2016), dan data uji (2017–2023). Seleksi fitur dilakukan dengan RFECV menggunakan TimeSeriesSplit hanya pada data latih. Model dilatih pada gabungan data latih dan validasi (1990–2016), kemudian dievaluasi pada data uji menggunakan skema hold-out dan walk-forward. Multiple Linear Regression digunakan sebagai model pembanding, dan multikolinearitas antar prediktor diperiksa melalui nilai Variance Inflation Factor (VIF). Hasil penelitian menunjukkan tiga hal. Pertama, konsumsi energi primer merupakan variabel prediktor dengan kontribusi prediktif tertinggi dan menjadi satu-satunya fitur terpilih oleh RFECV. Kedua, model XGBoost dengan fitur hasil seleksi RFE menghasilkan RMSE 0,359 dan R² −2,238 pada data uji; nilai R² negatif ini bukan disebabkan kegagalan model dalam belajar (R² in-sample mencapai 1,000 dan R² walk-forward positif +0,579), melainkan keterbatasan struktural model berbasis pohon dalam melakukan ekstrapolasi, karena seluruh nilai data uji berada di atas rentang data latih. Ketiga, seleksi fitur RFE tidak menghasilkan RMSE yang lebih rendah dibandingkan model XGBoost baseline (0,357). Disimpulkan bahwa pada data deret waktu bertren monoton yang periode ujinya melampaui rentang latih, keberhasilan prediksi ditentukan oleh kemampuan ekstrapolasi model. Disarankan agar penelitian selanjutnya mempertimbangkan model dengan kemampuan ekstrapolasi sebagai pembanding utama sejak tahap perancangan, serta menerapkan skema walk-forward apabila model berbasis pohon tetap digunakan.

Item Type: Thesis (Masters)
Uncontrolled Keywords: ekstrapolasi, emisi karbon, Recursive Feature Elimination, seleksi fitur, XGBoost, Pembelajaran Mesin.
Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions: Pascasarjana > Program Studi Ilmu Komputer (S2)
Depositing User: I Putu Santrisna
Date Deposited: 11 Aug 2026 13:09
Last Modified: 11 Aug 2026 13:09
URI: http://repo.undiksha.ac.id/id/eprint/32533

Actions (login required)

View Item View Item