Publisher

STTMIGASSTTMIGAS

Journal PETROGAS: Journal of Energy and TechnologyPETROGAS: Journal of Energy and Technology Abstract

Faktor emisi metana (CH₄) dari pabrik kelapa sawit Palm Oil Mill (POM) di Indonesia merupakan salah satu penyebab utama peningkatan gas rumah kaca yang berkontribusi terhadap perubahan iklim. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan machine learning berbasis data satelit guna mendeteksi dan menganalisis pola emisi metana secara otomatis dan efisien. Data yang digunakan diperoleh dari GHGSat, Sentinel-5P TROPOMI, PRISMA, EnMAP, dan EMIT, yang menyediakan informasi spasial dan temporal mengenai distribusi metana di atmosfer. Data ini diproses menggunakan Google Colab, dengan tahapan pembersihan, normalisasi, transformasi variabel, dan seleksi fitur sebelum dilatih menggunakan beberapa model machine learning, yaitu Logistic Regression, XGBoost, Gradient Boosting, Decision Tree, dan K-Nearest Neighbors (KNN). Hasil evaluasi menunjukkan bahwa XGBoost memiliki performa terbaik, dengan akurasi 73.53% dan F1-score 52.28% untuk wilayah dengan emisi tinggi, diikuti oleh Decision Tree dengan akurasi 73.44% dan recall 54.90%. Dengan metode ini, deteksi emisi metana dapat dilakukan lebih cepat, akurat, dan dalam skala luas, sehingga mendukung strategi mitigasi perubahan iklim serta keberlanjutan industri kelapa sawit di Indonesia.

Conclusion

Penelitian ini membuktikan bahwa metode XGBoost adalah model terbaik dalam mendeteksi emisi metana dari pabrik kelapa sawit di Indonesia berbasis citra satelit, dengan akurasi tertinggi (73.53%) dan keseimbangan terbaik antara presisi dan recall.Decision Tree juga menunjukkan performa yang kompetitif tetapi lebih rentan terhadap overfitting.Gradient Boosting memiliki akurasi yang baik tetapi kurang efektif dalam mendeteksi wilayah dengan emisi tinggi, sementara Logistic Regression dan KNN gagal menangani ketidakseimbangan kelas dan memiliki recall yang sangat rendah untuk area dengan emisi tinggi.

Future Research

Penelitian lanjutan dapat berfokus pada pengembangan model deteksi emisi metana menggunakan data satelit dengan resolusi spasial dan temporal yang lebih tinggi, yang memungkinkan identifikasi sumber emisi yang lebih presisi dan pemantauan perubahan emisi secara dinamis. Studi lebih lanjut juga diperlukan untuk mengintegrasikan teknik deep learning, seperti convolutional neural networks (CNNs) dan recurrent neural networks (RNNs), untuk menganalisis pola spasial-temporal yang kompleks dalam data satelit. Selain itu, eksplorasi strategi balancing data yang lebih canggih menjadi esensial agar model machine learning dapat mendeteksi area dengan emisi tinggi secara lebih akurat. Hal ini dapat mencakup penggunaan teknik synthetic data augmentation atau penerapan cost-sensitive learning untuk memberikan bobot yang lebih besar pada kesalahan klasifikasi di area dengan emisi tinggi. Terakhir, penelitian mendatang dapat memperkaya model dengan menggabungkan data dari berbagai sumber satelit dengan data cuaca dan lingkungan real-time, seperti data angin, suhu, dan kelembaban, untuk meningkatkan prediksi emisi metana dan memberikan dasar yang lebih kuat untuk kebijakan mitigasi perubahan iklim yang efektif.

References

1. Browser Not SupportedGasformer: A Transformer-based Architecture for Segmenting Methane Emissions from... doi.org/10.1109/CVPRW63382.2024.00558Browser Not SupportedGasformer A Transformer based Architecture for Segmenting Methane Emissions from doi 10 1109 CVPRW63382 2024 00558

Metadata

File size	857.74 KB
Pages	12
DMCA	Report