IMPLEMENTASI MODEL LONG SHORT-TERM MEMORY UNTUK PREDIKSI JUMLAH SAMPAH DAN ESTIMASI EMISI GAS METANA DI MASA MENDATANG

Pengelolaan sampah yang tidak optimal berkontribusi signifikan terhadap emisi metana (CH₄), yaitu gas rumah kaca dengan potensi pemanasan global 28 kali lebih besar dibandingkan karbon dioksida. Penelitian ini bertujuan untuk menerapkan model Long Short-Term Memory (LSTM) dalam memprediksi timbulan sampah perkotaan serta mengestimasi emisi metana di masa mendatang. Data historis timbulan sampah tahun 2018–2024 diperoleh dari Sistem Informasi Pengelolaan Sampah Nasional (SIPSN), terdiri dari 1.699 entri dari 317 kabupaten/kota. Tahapan pra-pemrosesan data meliputi imputasi nilai hilang, normalisasi Min-Max, deteksi outlier, dan transformasi sliding window untuk meningkatkan kualitas data. Model LSTM dibangun menggunakan dua lapisan (masing-masing 50 unit), lapisan dropout 0.2, serta optimizer RMSProp dengan learning rate 0.001. Kinerja model dievaluasi menggunakan MAE, MSE, RMSE, dan R². Hasil menunjukkan nilai MAE = 8.48, MSE = 116.86, RMSE = 10.81, dan R² = 0.90, yang mengindikasikan akurasi prediksi yang sangat baik. Berdasarkan prediksi model untuk tahun 2025, total timbulan sampah diperkirakan mencapai 42.399,7 ton, yang setelah dikonversi menggunakan faktor emisi IPCC (1 ton = 50 kg CH₄), menghasilkan estimasi emisi metana tahunan sebesar 2.119.983,0 kg, atau setara 5.808,2 kg CH₄ per hari.

Kata Kunci: Long Short-Term Memory (LSTM), Prediksi Timbulan Sampah, Emisi Metana, Analisis Time Series, Mitigasi Perubahan Iklim.