Penerapan Temporal Fusion Transformer untuk Prediksi Emisi Karbon Indonesia
Keywords:
Temporal Fusion Transformer, prediksi emisi karbon, deret waktu, deep learning, Indonesia.Abstract
Peningkatan emisi karbon dioksida (CO?) menjadi salah satu penyebab utama perubahan iklim global sehingga diperlukan pendekatan yang bisa menghasilkan prediksi emisi karbon secara akurat sebagai dasar dalam mendukung pengambilan keputusan. Penelitian ini bertujuan menerapkan model TFT untuk memprediksi emisi karbon Indonesia menggunakan data historis periode 1970–2024 yang diperoleh dari Our World in Data. Variabel masukan yang digunakan meliputi coal_co2, oil_co2, dan gas_co2, sedangkan emisi karbon (CO?) digunakan sebagai variabel target. Proses penelitian meliputi preprocessing data, pembangunan model TFT, pelatihan model, serta evaluasi menggunakan metrik MAE, MAPE, dan sMAPE. Hasil penelitian menunjukkan bahwa model menghasilkan nilai MAE sebesar 62,0155, MAPE sebesar 8,40%, dan sMAPE sebesar 8,90%. Selain itu, hasil prediksi berhasil mengikuti pola perubahan emisi karbon pada data aktual sehingga menunjukkan kemampuan model dalam mempelajari karakteristik temporal data. Berdasarkan hasil tersebut, TFT dapat diterapkan sebagai salah satu pendekatan yang efektif untuk prediksi emisi karbon Indonesia.
References
[1] . Proses preprocessing meliputi feature selection, data cleaning, serta pembagian dataset menjadi data training, validation, dan testing. Gambar 2. Diagram Alur Preprocessing Data Gambar 2 menunjukkan alur preprocessing data yang diterapkan dalam penelitian ini. Tahapan tersebut meliputi seleksi fitur, pembersihan data, dan pembagian dataset, yang tiap tahapannya akan dijelaskan sebagai berikut. 1. Seleksi Fitur Tahap seleksi fitur bertujuan untuk menentukan variabel yang digunakan dalam prediksi emisi karbon. Pemilihan variabel dilakukan berdasarkan keterkaitannya dengan emisi karbon, ketersediaan data, serta mengacu pada penelitian terdahulu. Variabel yang digunakan dalam penelitian ini ditampilkan pada tabel berikut. Tabel 1. Tabel Variabel Penelitian Berdasarkan Tabel 1, penelitian ini menggunakan emisi karbon (CO2) sebagai variabel target, serta coal_co2, gas_co2, dan oil_co2 sebagai variabel masukan. Seluruh variabel tersebut digunakan sebagai input pada model TFT untuk mempelajari hubungan antarvariabel dalam memprediksi emisi karbon. 2. Pembersihan Data Tahap data cleaning dilakukan untuk meningkatkan kualitas dataset sebelum digunakan pada proses pelatihan model. Pada tahap ini, data diperiksa untuk memastikan konsistensi, kelengkapan, dan kesesuaian format sehingga siap digunakan dalam proses pemodelan. Diagram alur data cleaning pada penelitian ini ditunjukkan pada Gambar 3. Gambar 3. Diagram Pembersihan Data Berdasarkan Gambar 3, proses data cleaning meliputi penanganan nilai hilang, penyamaan format data, serta pengurutan waktu. Penanganan nilai hilang dilakukan untuk menangani data yang kosong, sedangkan penyamaan format bertujuan menjaga konsistensi data. Selanjutnya, data diurutkan berdasarkan waktu agar sesuai dengan karakteristik data deret waktu sebelum digunakan pada proses pelatihan model. 3. Pembagian Dataset Tahap pembagian dataset bertujuan untuk membagi data menjadi data training, validation, dan testing yang digunakan pada proses pelatihan, validasi, dan evaluasi model. Diagram alur pembagian dataset ditunjukkan sebagai berikut. Tabel 2. Tabel Pembagian Dataset Berdasarkan Tabel 2, data training digunakan untuk melatih model, data validation digunakan untuk mengevaluasi performa model selama proses pelatihan, sedangkan data testing difokuskan pada periode pengamatan emisi karbon Indonesia yang belum pernah digunakan sebelumnya untuk mengukur kompetensi model dalam melakukan prediksi serta mengevaluasi kemampuan generalisasi model terhadap data baru. Pembagian dilakukan berdasarkan urutan waktu agar karakteristik data deret waktu tetap terjaga. D. Pembangunan Model Tahap pembangunan model dilakukan untuk membangun model TFT menggunakan dataset hasil preprocessing. Pada tahap ini dilakukan penentuan konfigurasi model dan proses pelatihan menggunakan data training serta validation. Konfigurasi model yang digunakan pada penelitian ini disajikan pada Tabel 3. Tabel 3. Konfigurasi Parameter Model Berdasarkan Tabel 3, konfigurasi model TFT menggunakan learning rate sebesar 0,0007, hidden units sebanyak 64, dropout rate sebesar 0,4, dan batch size sebesar 64. Konfigurasi tersebut digunakan selama proses pelatihan model untuk mempelajari pola historis emisi karbon dan menghasilkan prediksi yang optimal. Selanjutnya, model dilatih menggunakan data training, sedangkan data validation digunakan untuk memantau performa model selama proses pelatihan. Melalui proses ini, model mempelajari pola historis emisi karbon berdasarkan variabel masukan sehingga bisa menghasilkan prediksi terhadap data yang akan datang. E. Evaluasi Model Tahap evaluasi model dilakukan untuk mengukur kemampuan TFT dalam memprediksi emisi karbon menggunakan data testing. Evaluasi dilakukan dengan membandingkan nilai hasil prediksi terhadap data aktual menggunakan metrik Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Symmetric Mean Absolute Percentage Error (sMAPE) sebagai berikut. (1) Pada Persamaan MAE (1), menyatakan nilai aktual, merupakan nilai prediksi, adalah jumlah data observasi, sedangkan menunjukkan nilai absolut selisih antara nilai aktual dan prediksi. (2) Kemudian pada Persamaan MAPE (2), menunjukkan nilai aktual dan merupakan nilai prediksi pada observasi ke-. Nilai digunakan untuk menghitung besar kesalahan relatif terhadap nilai aktual, sedangkan menyatakan jumlah data observasi. Symmetric Mean Absolute Percentage Error (sMAPE) (3) Selanjutnya pada Persamaan sMAPE (3), nilai kesalahan dihitung berdasarkan selisih antara hasil prediksi () dan nilai aktual () yang kemudian dinormalisasi menggunakan rata-rata nilai absolut keduanya. Pendekatan tersebut menghasilkan ukuran kesalahan yang bersifat simetris, sedangkan menyatakan jumlah observasi yang digunakan dalam proses evaluasi. MAE digunakan untuk mengukur rata-rata selisih absolut antara nilai aktual dan hasil prediksi. MAPE mengukur tingkat kesalahan prediksi dalam bentuk persentase terhadap nilai aktual, sedangkan sMAPE digunakan untuk mengurangi sensitivitas terhadap nilai aktual yang sangat kecil sehingga menghasilkan evaluasi yang lebih seimbang. Semakin kecil nilai MAE, MAPE, dan sMAPE, maka semakin baik performa model dalam melakukan prediksi. Hasil dan Pembahasan Bab ini menyajikan hasil penelitian mengenai penerapan Temporal Fusion Transformer (TFT) untuk memprediksi emisi karbon Indonesia. Hasil yang diperoleh meliputi proses pelatihan model, evaluasi performa, serta hasil prediksi yang selanjutnya dianalisis untuk menilai kemampuan model dalam memprediksi emisi karbon berdasarkan data historis. A. Hasil Pelatihan Model Model TFT dibangun menggunakan konfigurasi parameter yang telah ditentukan pada tahap metodologi. Proses pelatihan dilakukan menggunakan data training, sedangkan data validation digunakan untuk memantau performa model selama proses pembelajaran sekaligus mencegah terjadinya overfitting. Selama pelatihan, model mempelajari hubungan temporal antarvariabel serta pola historis emisi karbon pada setiap periode untuk membentuk representasi yang digunakan dalam memprediksi emisi karbon pada periode berikutnya. Performa model dievaluasi secara bertahap berdasarkan nilai validation loss pada setiap epoch, sehingga proses pelatihan dapat menghasilkan model dengan nilai prediksi yang lebih optimal sebelum dilakukan pengujian menggunakan data testing. Gambar 4. Grafik Pelatihan Model Berdasarkan Gambar 4, nilai training loss dan validation loss menunjukkan tren penurunan hingga mencapai kondisi yang stabil. Hal tersebut menunjukkan bahwa model bisa mempelajari pola historis pada data emisi karbon secara bertahap. Selain itu, tidak terlihat adanya perbedaan yang terlalu besar antara training loss dan validation loss, sehingga mengindikasikan bahwa model berhasil melakukan generalisasi yang baik terhadap data validasi. Stabilnya proses pelatihan menunjukkan bahwa konfigurasi parameter yang digunakan bisa mendukung proses pembelajaran model secara optimal. Dengan demikian, model TFT telah siap digunakan pada tahap evaluasi menggunakan data testing. B. Hasil Evaluasi Model Setelah proses pelatihan selesai, model TFT dievaluasi menggunakan data testing untuk mengukur kemampuan model dalam memprediksi emisi karbon. Evaluasi dilakukan menggunakan metrik Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Symmetric Mean Absolute Percentage Error (sMAPE). Hasil evaluasi model disajikan pada Tabel 3. Tabel 4. Hasil Evaluasi Model Berdasarkan Tabel 3, model TFT menghasilkan nilai MAE sebesar 62,0155, MAPE sebesar 8,40%, dan sMAPE sebesar 8,90%. Nilai MAPE dan sMAPE yang berada di bawah 10% menunjukkan bahwa model menghasilkan prediksi dengan tingkat kesalahan yang relatif rendah terhadap data aktual. Sementara itu, nilai MAE menunjukkan rata-rata selisih absolut antara hasil prediksi dan nilai aktual sebesar 62,0155 juta ton emisi karbon. Secara keseluruhan, hasil evaluasi tersebut menunjukkan bahwa model berhasil mempelajari pola historis emisi karbon Indonesia dengan baik sehingga menghasilkan prediksi yang mendekati nilai aktual. C. Visualisasi Hasil Prediksi Visualisasi hasil prediksi dilakukan untuk membandingkan nilai aktual dengan hasil prediksi yang dihasilkan oleh model TFT pada data testing. Perbandingan ini bertujuan untuk memberikan gambaran mengenai kinerja model dalam mengikuti pola perubahan emisi karbon Indonesia dari waktu ke waktu. Gambar 5. Grafik Perbandingan Data Aktual dan Hasil Prediksi Emisi Karbon Indonesia Berdasarkan Gambar 5, hasil prediksi model secara umum dapat mengikuti tren perubahan emisi karbon pada data aktual. Model berhasil merepresentasikan pola kenaikan emisi dari tahun 2021 hingga 2024, meskipun masih ada selisih prediksi pada beberapa periode. Selisih yang paling terlihat terjadi pada tahun 2022 dan 2023, di mana nilai prediksi berada di bawah data aktual, sedangkan pada tahun 2024 hasil prediksi semakin mendekati nilai sebenarnya. Kondisi tersebut menunjukkan bahwa model berhasil menangkap pola historis emisi karbon meskipun belum sepenuhnya merepresentasikan besarnya perubahan pada setiap periode. Gambar 6. Grafik Error Pertahun Berdasarkan Gambar 6, besarnya kesalahan prediksi (absolute prediction error) menunjukkan variasi pada setiap tahun pengujian. Nilai kesalahan terkecil diperoleh pada tahun 2021 sebesar 20,0, diikuti tahun 2020 sebesar 34,1 dan tahun 2024 sebesar 35,6. Sementara itu, kesalahan prediksi terbesar terjadi pada tahun 2022 dengan nilai 140,3, kemudian diikuti tahun 2023 sebesar 80,1. Hasil tersebut menunjukkan bahwa model bisa menghasilkan prediksi yang relatif akurat pada sebagian besar periode pengujian, meskipun masih mengalami peningkatan kesalahan pada tahun 2022 dan 2023. Kondisi ini mengindikasikan bahwa perubahan pola emisi karbon pada kedua tahun tersebut lebih sulit dipelajari oleh model dibandingkan periode lainnya. Meskipun masih diperoleh selisih prediksi pada beberapa periode, model tetap mampu mengikuti arah perubahan emisi karbon dari waktu ke waktu. Hal ini menunjukkan bahwa TFT bisa mempelajari hubungan temporal pada data historis sehingga dapat merepresentasikan pola perubahan emisi karbon Indonesia dengan baik. D. Pembahasan Berdasarkan hasil pelatihan, evaluasi, dan visualisasi prediksi yang telah dilakukan, model TFT mampu menghasilkan prediksi emisi karbon Indonesia yang mendekati data aktual. Hal tersebut ditunjukkan melalui nilai kesalahan prediksi yang relatif rendah serta kinerja model dalam mengikuti tren perubahan emisi karbon pada periode pengujian. Meskipun masih terdapat selisih prediksi pada beberapa titik pengamatan, secara umum model berhasil untuk merepresentasikan pola historis emisi karbon dengan baik. Kemampuan tersebut didukung oleh karakteristik TFT yang dirancang untuk menangani data deret waktu multivariat dengan ketergantungan temporal yang kompleks. Kombinasi arsitektur LSTM dan attention mechanism memungkinkan model memanfaatkan informasi historis sekaligus menangkap hubungan antarvariabel masukan, yaitu coal_co2, oil_co2, dan gas_co2. Dengan mekanisme tersebut, model dapat mengenali pola perubahan emisi karbon dari waktu ke waktu sehingga menghasilkan prediksi yang mengikuti tren data aktual. Hasil penelitian ini sejalan dengan penelitian terdahulu yang menyatakan bahwa TFT memiliki performa yang baik dalam berbagai permasalahan prediksi deret waktu karena bisa memodelkan hubungan temporal dan multivariat secara efektif. Oleh karena itu, penerapan TFT pada penelitian ini menunjukkan bahwa model tersebut layak digunakan sebagai salah satu pendekatan dalam memprediksi emisi karbon Indonesia. Informasi yang dihasilkan dari model ini dapat dimanfaatkan sebagai pendukung dalam memantau tren emisi karbon, mengevaluasi efektivitas kebijakan yang telah diterapkan, serta membantu pemerintah dalam menyusun strategi pengendalian emisi dan perencanaan transisi menuju energi yang lebih berkelanjutan berbasis data. Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan, penerapan Temporal Fusion Transformer (TFT) berhasil memprediksi emisi karbon Indonesia dengan performa yang baik. Model menghasilkan nilai MAE sebesar 62,0155, MAPE sebesar 8,40%, dan sMAPE sebesar 8,90%, yang menunjukkan tingkat kesalahan prediksi relatif rendah. Selain itu, visualisasi hasil prediksi memperlihatkan bahwa model mampu mengikuti pola perubahan emisi karbon pada data aktual sehingga dapat merepresentasikan tren historis secara efektif. Hasil tersebut menunjukkan bahwa tujuan penelitian untuk menerapkan TFT dalam prediksi emisi karbon Indonesia telah tercapai. Dengan kemampuannya dalam mempelajari hubungan temporal dan multivariat, TFT berpotensi menjadi salah satu pendekatan untuk prediksi emisi karbon Indonesia. Temuan penelitian ini diharapkan dapat mendukung pengembangan penelitian di bidang prediksi emisi karbon serta menjadi referensi dalam upaya pencapaian target Net Zero Emissions Indonesia. Penelitian ini masih memiliki beberapa keterbatasan. Proses evaluasi model dilakukan menggunakan lima observasi pada data testing sehingga kemampuan generalisasi model masih perlu dikaji pada data dengan periode pengamatan yang lebih panjang. Selain itu, variabel yang digunakan masih terbatas pada coal_co2, oil_co2, dan gas_co2, serta penelitian ini belum membandingkan performa TFT dengan metode prediksi lainnya. Penelitian selanjutnya diharapkan dapat memanfaatkan data dengan cakupan yang lebih luas, menambahkan variabel yang lebih beragam, serta membandingkan performa TFT dengan berbagai metode prediksi untuk memperoleh evaluasi yang lebih komprehensif. Referensi
[2] S. Elmi, R. Yanti, H. Asnal Prediksi Emisi Co, D. Indonesia Menggunakan Pendekatan, and H. Asnal, “Hybrid Arima Dan LSTM.”
[3] Parid Pakaya, Fitryane Lihawa, and Dewi Wahyuni K. Baderan, “Efektivitas Ruang Terbuka Hijau Publik dalam Menyerap Emisi Karbon Dioksida untuk Mendukung Keberlanjutan Lingkungan Perkotaan,” Hidroponik J. Ilmu Pertan. Dan Teknol. Dalam Ilmu Tanam., vol. 1, no. 3, pp. 54–75, Nov. 2024, doi: 10.62951/hidroponik.v1i3.199.
[4] G. Justice, G. Nyantakyi, and S. Hayford, “Heliyon The effect of renewable energy on carbon emissions through globalization,” Heliyon, vol. 10, no. 5, p. e26894, 2024, doi: 10.1016/j.heliyon.2024.e26894.
[5] Regina Citra Kurnia Pangestu and Anak Agung Ketut Ayuningsasi, “Pengaruh Konsumsi Energi Sektor Industri, Rumah Tangga, dan Transportasi terhadap Emisi Karbon di Indonesia,” Inisiat. J. Ekon. Akunt. dan Manaj., vol. 3, no. 4, pp. 297–311, 2024, doi: 10.30640/inisiatif.v3i4.3154.
[6] I. Salsabila Nur Amalina, H. Wahyudi, and U. Ciptawaty, “Pengaruh GDP Per Kapita, dan Konsumsi Energi Terhadap Emisi CO2 di Indonesia,” J. Educ., vol. 6, no. 1, pp. 6508–6517, 2023, doi: 10.31004/joe.v6i1.3872.
[7] “An Energy Sector Roadmap to Net Zero Emissions in Indonesia.” [Online]. Available: www.iea.org/t&c/
[8] Y. V. Via, “OPTIMASI PENCAPAIAN TARGET PADA SIMULASI PERENCANAAN JALUR ROBOT BERGERAK DI LINGKUNGAN DINAMIS”.
[9] E. Pitaloka et al., “Penerapan Machine Learning untuk Prediksi Bencana Banjir,” vol. 01, 2024, doi: 10.21456/vol14iss1pp62-76.
[10] A. Zeng, M. Chen, L. Zhang, and Q. Xu, “Are Transformers Effective for Time Series Forecasting?,” Proc. 37th AAAI Conf. Artif. Intell. AAAI 2023, vol. 37, pp. 11121–11128, 2023, doi: 10.1609/aaai.v37i9.26317.
[11] D. Muchlinski, “Machine learning and deep learning,” Elgar Encycl. Technol. Polit., pp. 114–118, 2022, doi: 10.4337/9781800374263.machine.learning.deep.
[12] B. Lim, S. Arık, N. Loeff, and T. Pfister, “Temporal Fusion Transformers for interpretable multi-horizon time series forecasting,” Int. J. Forecast., vol. 37, no. 4, pp. 1748–1764, 2021, doi: 10.1016/j.ijforecast.2021.03.012.
[13] F. Falchi, M. Girardi, G. Gurioli, N. Messina, C. Padovani, and D. Pellegrini, “Deep learning and structural health monitoring: Temporal Fusion Transformers for anomaly detection in masonry towers,” Mech. Syst. Signal Process., vol. 215, Jun. 2024, doi: 10.1016/j.ymssp.2024.111382.
[14] A. A. Alhussan and M. Metwally, “Enhanced CO2 Emissions Prediction Using Temporal Fusion Transformer Optimized by Football Optimization Algorithm,” Mathematics, vol. 13, no. 10, pp. 1–47, 2025, doi: 10.3390/math13101627.
[15] F. Muttaqin, L. Rahmadi, and D. Januarita, “Implementation of CLAHE and CLAGAMTWO in Medical Images,” vol. 8106, pp. 22–27, 2025.
