机器学习方法来预测制造业管理排放

Widi Hastomo, Nur aini, Adhitio Satyo Bayangkari Karno, L.M. Rasdi Rere
{"title":"机器学习方法来预测制造业管理排放","authors":"Widi Hastomo, Nur aini, Adhitio Satyo Bayangkari Karno, L.M. Rasdi Rere","doi":"10.22146/jnteti.v11i2.2586","DOIUrl":null,"url":null,"abstract":"Indonesia berkomitmen menurunkan emisi gas rumah kaca (GRK) melalui skema nationally determined contribution (NDC). Target yang hendak dicapai untuk menurunkan emisi GRK yaitu 29% melalui skema business as usual (BAU) atau 41% dengan bantuan internasional. Target ambisius ini membutuhkan transformasi, baik dalam sistem energi maupun sistem pangan dan tata guna lahan, yang perlu mengatasi potensi pertukaran di antara sejumlah besar target, seperti ketahanan pangan, ketahanan energi, menghindari deforestasi, konservasi keanekaragaman hayati, persaingan penggunaan lahan, serta penggunaan air tawar. Mitigasi dan adaptasi memiliki peran yang saling melengkapi dalam merespons perubahan iklim yang dilakukan pada skala temporal dan spasial. Makalah ini bertujuan untuk melakukan simulasi dan prediksi pada emisi manure management penghasil CO2eq dengan menggunakan metode pembelajaran mesin long short-term memory (LSTM) dan gated recurrent unit (GRU). Arsitektur lapisan tersembunyi yang digunakan berjumlah enam kombinasi, sedangkan dataset diperoleh dari repositori fao.org. Optimizer yang digunakan dalam makalah ini yaitu RMSprop, dengan graphical user interface menggunakan dashboard Streamlit. Hasil dari penelitian ini yaitu; (a) cattle dengan lima belas epoch menggunakan lapisan tersembunyi empat kombinasi (LSTM, GRU, LSTM, GRU) menghasilkan RMSE 450,601; (b) non-dairy cattle dengan lima belas epoch dan satu lapisan tersembunyi (GRU, GRU, GRU, GRU) menghasilkan nilai RMSE 361,421; (c) poultry birds dengan nilai dua belas epoch dan tiga lapisan tersembunyi (GRU, GRU, LSTM, LSTM) menghasilkan nilai RMSE 341,429. Tantangan yang dihadapi adalah penentuan epoch, kombinasi lapisan tersembunyi, serta karakteristik dataset yang berjumlah relatif sedikit. Hasil dari penelitian ini diharapkan dapat memberikan nilai tambah untuk mengembangkan alat dan model pendukung keputusan yang lebih baik untuk menilai tren emisi di sektor peternakan serta untuk mengembangkan strategi mitigasi emisi CO2eq yang mengarah pada praktik pengelolaan pupuk yang berkelanjutan.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"1 1","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"2","resultStr":"{\"title\":\"Metode Pembelajaran Mesin untuk Memprediksi Emisi Manure Management\",\"authors\":\"Widi Hastomo, Nur aini, Adhitio Satyo Bayangkari Karno, L.M. Rasdi Rere\",\"doi\":\"10.22146/jnteti.v11i2.2586\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Indonesia berkomitmen menurunkan emisi gas rumah kaca (GRK) melalui skema nationally determined contribution (NDC). Target yang hendak dicapai untuk menurunkan emisi GRK yaitu 29% melalui skema business as usual (BAU) atau 41% dengan bantuan internasional. Target ambisius ini membutuhkan transformasi, baik dalam sistem energi maupun sistem pangan dan tata guna lahan, yang perlu mengatasi potensi pertukaran di antara sejumlah besar target, seperti ketahanan pangan, ketahanan energi, menghindari deforestasi, konservasi keanekaragaman hayati, persaingan penggunaan lahan, serta penggunaan air tawar. Mitigasi dan adaptasi memiliki peran yang saling melengkapi dalam merespons perubahan iklim yang dilakukan pada skala temporal dan spasial. Makalah ini bertujuan untuk melakukan simulasi dan prediksi pada emisi manure management penghasil CO2eq dengan menggunakan metode pembelajaran mesin long short-term memory (LSTM) dan gated recurrent unit (GRU). Arsitektur lapisan tersembunyi yang digunakan berjumlah enam kombinasi, sedangkan dataset diperoleh dari repositori fao.org. Optimizer yang digunakan dalam makalah ini yaitu RMSprop, dengan graphical user interface menggunakan dashboard Streamlit. Hasil dari penelitian ini yaitu; (a) cattle dengan lima belas epoch menggunakan lapisan tersembunyi empat kombinasi (LSTM, GRU, LSTM, GRU) menghasilkan RMSE 450,601; (b) non-dairy cattle dengan lima belas epoch dan satu lapisan tersembunyi (GRU, GRU, GRU, GRU) menghasilkan nilai RMSE 361,421; (c) poultry birds dengan nilai dua belas epoch dan tiga lapisan tersembunyi (GRU, GRU, LSTM, LSTM) menghasilkan nilai RMSE 341,429. Tantangan yang dihadapi adalah penentuan epoch, kombinasi lapisan tersembunyi, serta karakteristik dataset yang berjumlah relatif sedikit. Hasil dari penelitian ini diharapkan dapat memberikan nilai tambah untuk mengembangkan alat dan model pendukung keputusan yang lebih baik untuk menilai tren emisi di sektor peternakan serta untuk mengembangkan strategi mitigasi emisi CO2eq yang mengarah pada praktik pengelolaan pupuk yang berkelanjutan.\",\"PeriodicalId\":31477,\"journal\":{\"name\":\"Jurnal Nasional Teknik Elektro dan Teknologi Informasi\",\"volume\":\"1 1\",\"pages\":\"\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2022-05-30\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"2\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Jurnal Nasional Teknik Elektro dan Teknologi Informasi\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.22146/jnteti.v11i2.2586\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.22146/jnteti.v11i2.2586","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 2

摘要

印度尼西亚承诺通过国家确定方案(NDC)降低温室气体排放(GRK)。在国际援助下,减少GRK排放量的目标为29%,即41%。这一雄心勃勃的目标需要在能源系统和粮食系统和土地规划方面的变革,这需要解决许多目标之间的潜在交换,例如粮食安全、能源安全、避免森林砍伐、保护生物多样性、竞争土地利用和淡水使用等。缓和和适应在对气候变化的反应中起着互补的作用,这些变化发生在时间和空间尺度上。本论文的目的是利用快速记忆引擎(LSTM)和gated recurrent单位(ge)的学习方法,对CO2eq - manual management排放进行模拟和预测。使用的隐藏层的架构有六种组合,而数据组则是从fao.org存储库中获得的。Optimizer在本文中使用的是RMSprop,图形用户界面使用仪表盘Streamlit。这项研究的结果是;(a)捕获15个epoch,使用四种组合层(LSTM, GRU, LSTM, GRU)提供RMSE 450,601;(b)非乳制品产品,有15种epoch和一种隐藏的涂层(GRU, GRU, GRU),价值RMSE 361,421;(c)十二埃波奇值的山雀鸟和三层隐藏的层(GRU, GRU, LSTM, LSTM)生成RMSE 341429值。所面临的挑战是对epoch、隐藏层的组合以及相对较少的数据集特征的确定。本研究的结果将为开发更好的工具和支持决策模式,评估农场的排放趋势,并制定新的CO2eq减排战略,从而实现可持续管理化肥的实践,提供额外的价值。
本文章由计算机程序翻译,如有差异,请以英文原文为准。
Metode Pembelajaran Mesin untuk Memprediksi Emisi Manure Management
Indonesia berkomitmen menurunkan emisi gas rumah kaca (GRK) melalui skema nationally determined contribution (NDC). Target yang hendak dicapai untuk menurunkan emisi GRK yaitu 29% melalui skema business as usual (BAU) atau 41% dengan bantuan internasional. Target ambisius ini membutuhkan transformasi, baik dalam sistem energi maupun sistem pangan dan tata guna lahan, yang perlu mengatasi potensi pertukaran di antara sejumlah besar target, seperti ketahanan pangan, ketahanan energi, menghindari deforestasi, konservasi keanekaragaman hayati, persaingan penggunaan lahan, serta penggunaan air tawar. Mitigasi dan adaptasi memiliki peran yang saling melengkapi dalam merespons perubahan iklim yang dilakukan pada skala temporal dan spasial. Makalah ini bertujuan untuk melakukan simulasi dan prediksi pada emisi manure management penghasil CO2eq dengan menggunakan metode pembelajaran mesin long short-term memory (LSTM) dan gated recurrent unit (GRU). Arsitektur lapisan tersembunyi yang digunakan berjumlah enam kombinasi, sedangkan dataset diperoleh dari repositori fao.org. Optimizer yang digunakan dalam makalah ini yaitu RMSprop, dengan graphical user interface menggunakan dashboard Streamlit. Hasil dari penelitian ini yaitu; (a) cattle dengan lima belas epoch menggunakan lapisan tersembunyi empat kombinasi (LSTM, GRU, LSTM, GRU) menghasilkan RMSE 450,601; (b) non-dairy cattle dengan lima belas epoch dan satu lapisan tersembunyi (GRU, GRU, GRU, GRU) menghasilkan nilai RMSE 361,421; (c) poultry birds dengan nilai dua belas epoch dan tiga lapisan tersembunyi (GRU, GRU, LSTM, LSTM) menghasilkan nilai RMSE 341,429. Tantangan yang dihadapi adalah penentuan epoch, kombinasi lapisan tersembunyi, serta karakteristik dataset yang berjumlah relatif sedikit. Hasil dari penelitian ini diharapkan dapat memberikan nilai tambah untuk mengembangkan alat dan model pendukung keputusan yang lebih baik untuk menilai tren emisi di sektor peternakan serta untuk mengembangkan strategi mitigasi emisi CO2eq yang mengarah pada praktik pengelolaan pupuk yang berkelanjutan.
求助全文
通过发布文献求助,成功后即可免费获取论文全文。 去求助
来源期刊
自引率
0.00%
发文量
0
审稿时长
24 weeks
×
引用
GB/T 7714-2015
复制
MLA
复制
APA
复制
导出至
BibTeX EndNote RefMan NoteFirst NoteExpress
×
提示
您的信息不完整,为了账户安全,请先补充。
现在去补充
×
提示
您因"违规操作"
具体请查看互助需知
我知道了
×
提示
确定
请完成安全验证×
copy
已复制链接
快去分享给好友吧!
我知道了
右上角分享
点击右上角分享
0
联系我们:info@booksci.cn Book学术提供免费学术资源搜索服务,方便国内外学者检索中英文文献。致力于提供最便捷和优质的服务体验。 Copyright © 2023 布克学术 All rights reserved.
京ICP备2023020795号-1
ghs 京公网安备 11010802042870号
Book学术文献互助
Book学术文献互助群
群 号:481959085
Book学术官方微信