Analisis dan Peramalan Konsentrasi CO₂ Menggunakan Pendekatan SARIMA, LSTM, GRU, dan Markov Chain (Studi Kasus: Data Mauna Loa Observatory)

Abstract

Konsentrasi karbon dioksida (CO2) merupakan salah satu indikator penting dalam kajian perubahan iklim karena peningkatannya berkontribusi terhadap pemanasan global dan berbagai dampak lingkungan lainnya. Oleh karena itu, diperlukan metode yang mampu memprediksi kecenderungan konsentrasi CO2 pada periode mendatang serta menganalisis dinamika perubahannya. Penelitian ini bertujuan untuk memodelkan dan memprediksi konsentrasi CO2 menggunakan metode Seasonal Autoregressive Integrated Moving Average (SARIMA), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Markov Chain dengan menggunakan data rata-rata konsentrasi CO2 bulanan periode Maret 1958 hingga Februari 2026. Hasil penelitian menunjukkan bahwa seluruh model mampu menangkap pola tren dan musiman pada data. Berdasarkan evaluasi data pengujian, model SARIMA memberikan performa terbaik dengan nilai Mean Absolute Error sebesar 0,6219, Root Mean Square Error sebesar 0,7654, dan Mean Absolute Percentage Error sebesar 0,1469%, sedangkan pada pendekatan deep learning model LSTM menghasilkan performa yang lebih baik dibandingkan GRU. Analisis Markov Chain menunjukkan tingginya persistensi sistem dengan probabilitas bertahan pada state rendah, sedang, dan tinggi masing-masing sebesar 0,9799; 0,9637; dan 0,9844, serta kecenderungan jangka panjang untuk berada pada state tinggi dengan probabilitas steady state sebesar 0,4171. Secara keseluruhan, hasil peramalan dan analisis probabilitas menunjukkan bahwa konsentrasi CO2 masih memiliki kecenderungan meningkat dan bertahan pada kategori tinggi pada periode mendatang.