Perpustakaan Digital ITB

Kementerian ESDM mengumumkan bahwa perdagangan karbon pada fase pertama akan dilaksanakan pada tahun 2023 yang dimulai dari PLTU batubara. Oleh karena itu, setiap unit pembangkit listrik memiliki kewajiban untuk menghitung emisi GRK. Selanjutnya, setiap instansi perlu melaksanakan upaya optimasi emisi karbon. PLTU Paiton Energy merupakan salah satu PLTU batubara yang wajib mengikuti mekanisme perdagangan karbon sesuai regulasi pemerintah. Saat ini, PLTU Paiton Energy telah mengidentifikasi emisi GRK secara manual. Namun, belum menyediakan informasi yang dapat mendukung efisiensi kegiatan perdagangan karbon di masa yang akan datang. Dalam mendukung efisiensi kegiatan perdagangan karbon, prediksi emisi dapat dimanfaatkan sebagai implementasi strategi pengurangan emisi. Berdasarkan hal tersebut, penelitian ini berfokus pada pengembangan model prediktif yang dapat memberikan informasi prediksi emisi karbon, konsumsi bahan bakar batubara, dan gross electricity sebagai upaya optimasi emisi karbon, serta mendukung pengambilan keputusan dalam kegiatan perdagangan karbon menggunakan metodologi CRISP-DM (The Cross Industry Standard Process for Data Mining). Evaluasi dilakukan dengan mengukur performa model yang telah dibangun menggunakan metrik MAE, RMSE, dan MAPE. Pelatihan model menggunakan lima model machine learning, yaitu Linear Regression, Support Vector Regression, Decision Tree Regression, Random Forest Regression, dan LightGBM. Pengembangan model prediktif menggunakan pendekatan machine learning dengan menggabungkan model time series dan model regresi. Model time series akan memprediksi setiap feature atau variable sebagai input pada model regresi untuk melakukan prediksi emisi karbon. Kemudian, informasi keputusan perdagangan karbon menerapkan rule-oriented decision support systems. Hasil pengujian untuk setiap model pada PLTU Paiton Energy Unit 3, Unit 7, dan Unit 8 menghasilkan Model Decision Tree Regression sebagai model terbaik pada model time series Metode 1 dan Metode CEMS. Selanjutnya, Model Linear Regression menjadi model terbaik pada model regresi dalam memprediksi emisi CO2e Metode 1. Kemudian, Model Random Forest Regression menjadi model terbaik pada prediksi emisi CO2 Metode CEMS menggunakan model regresi. Analisis hasil pengujian pada setiap model yang telah dikembangkan di PLTU Paiton Energy menghasilkan insight bahwa kualitas model sangat bergantung pada karakteristik data dan pemilihan model yang sesuai. Unit dengan data yang memiliki hubungan linear dengan target prediksi menunjukkan hasil prediksi yang lebih akurat menggunakan Model Linear Regression, sedangkan unit dengan data non-linear memerlukan model yang lebih kompleks, seperti Model Decision Tree Regression, Model Random Forest Regression, Model LightGBM, dan Model Support Vector Regression untuk mengatasi volatilitas dan outlier. Implementasi model prediksi emisi karbon untuk tahun 2024 menghasilkan keputusan perdagangan karbon yang berbeda antara Metode 1 dan Metode CEMS. Hasil keputusan pada Metode 1 dan Metode CEMS untuk Unit 3 adalah “menjual emisi”. Namun, hasil keputusan pada Metode 1 untuk Unit 7 dan Unit 8 menghasilkan keputusan untuk “membeli emisi”. Di sisi lain, hasil keputusan pada Metode CEMS untuk Unit 7 dan Unit 8 adalah “menjual emisi”. Hasil keputusan perdagangan karbon menunjukkan dampak yang signifikan dari perbedaan jumlah emisi aktual dan fluktuasi data pada setiap metode saat pelatihan model sehingga mempengaruhi hasil prediksi emisi. Dengan dikembangkannya model prediktif pada penelitian ini, PLTU Paiton Energy dapat mengetahui keputusan perdagangan karbon pada periode yang akan datang berdasarkan hasil prediksi emisi karbon. PLTU Paiton Energy juga dapat menyusun strategi dalam kegiatan perdagangan karbon dengan mengestimasi hasil energi listrik yang dihasilkan serta mempertimbangkan hasil prediksi konsumsi bahan bakar batubara dan prediksi emisi sehingga PLTU Paiton Energy dapat mengindentifikasi dampak dari sisi lingkungan dan finansial di masa yang akan datang.