Implementasi Algoritma XGBoost Regression dalam Memprediksi Emisi Karbon Dioksida yang dihasilkan oleh Penggunaan Listrik

Sulistyo, Willy (2024) Implementasi Algoritma XGBoost Regression dalam Memprediksi Emisi Karbon Dioksida yang dihasilkan oleh Penggunaan Listrik. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (219kB)
	PDF BAB_II.pdf Download (619kB)
	PDF BAB_III.pdf Download (364kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Download (219kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (255kB)

Abstract

Kebutuhan energi listrik yang meningkat secara signifikan seiring dengan perkembangan teknologi dan pertumbuhan populasi memunculkan tantangan besar terkait emisi karbon dioksida (CO2) dari pembangkit listrik berbahan bakar fosil. Untuk mengatasi masalah ini, pendekatan Carbon Trading telah diusulkan sebagai solusi yang mendorong pengurangan emisi karbon dengan menggunakan sistem perdagangan. Namun, untuk mengurangi emisi Karbon, prediksi jumlah emisi Karbon dari penggunaan listrik yang akurat menjadi krusial. Kemajuan dalam teknologi kecerdasan buatan, khususnya dalam machine learning telah memberikan peluang baru untuk menganalisis dan memprediksi konsumsi energi listrik dan emisi karbon, khususnya pada penelitian ini akan digunakan algoritma XGBoost Regression. Tujuan utama dari penelitian ini adalah untuk mengimplementasi dan mengevaluasi performa XGBoost Regression dalam memprediksi emisi Karbon dari penggunaan listrik. Dengan menggunakan data suhu, kelembapan, dan penggunaan lampu suatu rumah yang berada di negara Belgia, diperoleh model regresi yang dapat memprediksi emisi Karbon hasil penggunaan listrik rumah tangga dengan akurasi R-Squared yaitu 99.9% dalam data training, 75.2% dalam data testing, dan 78.6% dalam data validation.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	XGBoost Regression, Emisi Karbon, Listrik, Machine Learning
Subjects:	?? T58.5-58.64 ??
Divisions:	Faculty of Engineering & Informatics > Informatics
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	11 Nov 2024 09:01
Last Modified:	11 Nov 2024 09:01
URI:	https://kc.umn.ac.id/id/eprint/34148

Actions (login required)

View Item