| dc.description.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. | en_US |
