@misc{eprints87268,
           month = {Desember},
           title = {ANALISIS PERBANDINGAN FORECASTING DATA EMISI KARBON
ANTARA METODE LONG SHORT-TERM MEMORY DENGAN
FBPROPHET},
          author = {Arya Dijaya	 	Steven },
         address = {UNIVERSITAS LAMPUNG },
       publisher = {TEKNIK},
            year = {2024},
             url = {http://digilib.unila.ac.id/87268/},
        abstract = {Emisi karbon yang terutama disebabkan oleh aktivitas manusia seperti industri,
transportasi, dan produksi energisangat berdampak signifikan terhadap pemanasan
global dan perubahan iklim. Forecasting adalah seni dan ilmu memprediksi kejadian
di masa depan. Hal ini dapat dilakukan dengan mengambil data historis dan
memproyeksikannya ke masa depan. Analisis korelasi adalah metode statistik yang
digunakan untuk menentukan besaran yang menentukan seberapa kuat hubugan
suatu variabel dengan variabel lain tanpa mempertanyakan apakah suatu variabel
tertentu bergantung pada variabel lain. Berdasarkan permasalahan, maka diterapkan
forecasting data emisi karbon pada eddy station dengan ketinggian 1 meter dan 7
meter yang terletak di belakang gedung laboratorium Teknik elektro Universitas
Lampung menggunakan metode Long Short-Term Memory (LSTM) dan
FBProphet. Lalu diterapkan evaluasi metriks dengan menggunakan Root Mean
Square Error (RMSE), Mean Absooluter Error (MAE), dan R-squared (R2
) untuk
mengevaluasi model berjalan dengan baik atau tidak. Setelah itu dilakukan validasi
data dengan menggunakan korelasi pearson dari data forecasting metode LSTM dan
FBProphet dengan data aktual selama 7 hari kedepan.
Kata kunci: Emisi Karbon, Forecasting, Long Short-Term Memory, FBProphet,
Korelasi Pearson
Carbon emissions caused mainly by human activities such as industry,
transportation, and energy production have a significant impact on global warming
and climate change. Forecasting is the art and science of predicting future events.
This can be done by taking historical data and projecting it into the future.
Correlation analysis is a statistical method used to determine quantities that
determine how strongly a variable is related to other variables without questioning
whether a particular variable depends on other variables. Based on the problem,
forecasting carbon emission data was applied at the eddy station with a height of 1
meter and 7 meters located behind the electrical engineering laboratory building of
the University of Lampung using the Long Short-Term Memory (LSTM) and
FBProphet methods. Then metric evaluation is applied using Root Mean Square
Error (RMSE), Mean Absooluter Error (MAE), and R-squared (R2) to evaluate
whether the model is running well or notAfter that, data validation was carried out
using pearson correlation from LSTM and FBProphet method forecasting data with
actual data for the next 7 days.
Keywords: Carbon Emissions, Forecasting, Long Short-Term Memory, FBProphet,
Pearson Correlation}
}