Deteksi Emisi Metana dari Pabrik Kelapa Sawit di Indonesia Menggunakan Data Satelit Dengan Menggunakan Metode Machine Learning

Abstract

Faktor emisi metana (CH₄) dari pabrik kelapa sawit (POM) di Indonesia merupakan salah satu penyebab utama peningkatan gas rumah kaca yang berkontribusi terhadap perubahan iklim. Untuk mengatasi permasalahan ini, 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%. Model lainnya, seperti Logistic Regression dan KNN, menunjukkan hasil kurang optimal dengan recall rendah, yang menyebabkan banyak sumber emisi tidak terdeteksi. 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.