Penerapan Stacking Ensemble Learning untuk Prediksi Emisi Karbon dari Perkebunan Kelapa Sawit di Indonesia
Emisi karbon dari perubahan penggunaan lahan (LUC) untuk perkebunan kelapa sawit merupakan sumber emisi gas rumah kaca yang penting di Indonesia, sedangkan penerapan stacking ensemble learning pada data emisi LUC sawit masih jarang dikaji. Penelitian ini bertujuan menerapkan stacking ensemble learning untuk memprediksi emisi kotor LUC sawit dan membandingkan kinerjanya dengan model tunggal. Data berupa deforestasi sawit, luas sawit di lahan gambut, dan luas tanam sawit pada 195 kabupaten/kota periode 2015–2024 (1.950 baris) dibagi secara temporal menjadi data latih 2015–2022 dan data uji 2023–2024, kemudian ditransformasi dengan log1p dan RobustScaler. Base learner berupa Gradient Boosting, K-Nearest Neighbors, dan Support Vector Regression yang dituning dengan GridSearchCV dan TimeSeriesSplit, dengan Ridge Regression sebagai meta learner. Pada data uji, stacking memperoleh RMSE 308.103,98 ton CO2-eq, MAE 106.606,05 ton CO2-eq, dan R² 0,7578, lebih baik daripada Gradient Boosting (318.582,83; 114.775,45; 0,7411), KNN, dan SVR. Perbaikan terhadap model tunggal terbaik relatif kecil (RMSE 3,29
URI
https://repo.itera.ac.id/depan/submission/SB2611220008
Keyword
stacking ensemble learning emisi karbon perubahan penggunaan lahan kelapa sawit regresi