Abstrak
Ketidakpastian merupakan faktor kritis yang dapat menghambat kualitas dan potensi penerapan hasil penilaian siklus hidup (LCA). Sumber ketidakpastian yang menonjol berasal dari data inventaris siklus hidup (LCI). Berbagai metodologi ada untuk memperkirakan ketidakpastian yang terkait dengan data LCI, terutama berdasarkan pendekatan matriks silsilah terstruktur yang banyak digunakan atau simulasi Monte Carlo yang intensif komputasi. Tinjauan perspektif ini mengeksplorasi bagaimana teknologi baru (misalnya, algoritma komputasi dan metode pengumpulan data) dari ilmu data dan bidang terkait dapat berkontribusi untuk mengidentifikasi, mengukur, dan mengurangi ketidakpastian dalam pemodelan LCI. Tinjauan singkat tentang sumber ketidakpastian dalam pemodelan LCI dan bagaimana mereka ditangani dalam praktik LCA saat ini disediakan. Selain itu, beberapa teknologi baru diidentifikasi, dan manfaat potensial dari implementasinya dalam mengurangi ketidakpastian dalam pemodelan LCI dibahas. Tinjauan perspektif ini diakhiri dengan mengidentifikasi area potensial yang memerlukan pengembangan lebih lanjut untuk teknologi ini.
1. PENDAHULUAN
Penilaian siklus hidup (LCA) saat ini merupakan metodologi yang paling banyak digunakan untuk menilai dampak lingkungan dari suatu produk, proses, atau layanan secara holistik dalam batasan yang ditetapkan dengan baik. Metodologi LCA yang diterima secara luas didefinisikan oleh dua standar ISO, 14040 1 dan 14044, 2 yang dilengkapi oleh standar ISO lainnya, misalnya, ISO 14071, 3 yang mendefinisikan pedoman untuk melakukan tinjauan kritis terhadap studi dan analisis LCA. Standar-standar tersebut merupakan dasar dari standar ISO lainnya, seperti ISO 14064 4 dan 14067, 5 yang membahas jejak karbon dari produk, proses, dan layanan. Penilaian lain yang mempertimbangkan dampak ini, serta evaluasi risiko, bergantung pada informasi pelepasan lingkungan dan ketidakpastiannya.
Ketidakpastian dalam studi LCA dapat berasal dari berbagai sumber, 6 termasuk definisi kriteria/metodologi alokasi, 7 metodologi penilaian dampak, 8 dan data inventaris siklus hidup (LCI). 9 Penilaian dampak lingkungan bergantung pada pemodelan LCI yang akurat, yang memerlukan penghitungan akurat aliran elementer (misalnya, emisi, mineral yang diekstraksi dari Bumi), energi, material, dan limbah di dalam dan melintasi batas sistem. Akibatnya, kesetiaan studi LCA secara langsung terkait dengan ketidakpastian data LCI. 10
Ketidakpastian dalam data LCI mungkin masih ada bahkan ketika data primer yang diukur langsung dari sistem yang diminati digunakan. Salah satu contohnya adalah kesalahan pengukuran dari sensor karena gangguan lingkungan, seperti fluktuasi suhu, kelembaban, atau gangguan elektromagnetik. Ketika menggunakan data inventaris dari sumber sekunder (yaitu, yang dikumpulkan dari literatur atau dari basis data LCI khusus), tingkat ketidakpastian dalam pemodelan LCI bisa lebih tinggi, misalnya, karena kebutuhan untuk mengandalkan proksi 11 dan perkiraan, atau pemanfaatan data yang hanya sebagian sesuai.
Masalah ketidakpastian data telah diakui sejak dimulainya LCA. Standar ISO 14040 secara eksplisit mengakui perlunya menilai ketidakpastian dalam studi LCA, tetapi tidak memberikan saran atau pedoman khusus. Meskipun demikian, kontribusi signifikan telah dibuat dalam beberapa dekade terakhir untuk mengatasi ketidakpastian dalam studi LCA. 12 , 13 Meskipun ada pedoman yang tersedia untuk melakukan analisis ketidakpastian, 14 cakupannya terbatas, dan banyak studi LCA yang diterbitkan tidak menyertakan analisis ketidakpastian. Saat melakukan analisis ketidakpastian, penting untuk memulai dengan definisi tujuan dan cakupan LCA, yang merupakan langkah pertama dalam kerangka kerja LCA standar. 1 , 2 Misalnya, tujuannya mungkin untuk mengidentifikasi hotspot dalam siklus hidup suatu produk atau untuk membandingkan siklus hidup dua produk yang berbeda. Tujuannya juga dapat untuk membuat klaim berdasarkan hasil siklus hidup. Di samping mendefinisikan cakupan—apa yang termasuk dan dikecualikan dari sistem yang sedang dipelajari—penting untuk mengontekstualisasikan analisis ketidakpastian. Berbagai metode yang disajikan di sini harus dipertimbangkan berdasarkan bagaimana metode tersebut memberikan informasi mengenai hasil dan apakah ketidakpastian memberikan kesimpulan yang berbeda mengenai apakah maksud dari tujuan telah tercapai. Oleh karena itu, ada kebutuhan yang jelas untuk penelitian lebih lanjut guna menyempurnakan metodologi yang ada atau mengembangkan metodologi baru yang dapat mengatasi ketidakpastian LCA dengan lebih tepat.
Selama bertahun-tahun, telah terjadi peningkatan signifikan dalam ketersediaan daya komputasi yang terjangkau. Dengan kemajuan dalam ilmu data, pembelajaran mesin, kecerdasan buatan, dan bidang terkait, ada potensi untuk meningkatkan metodologi yang ada (misalnya, matriks silsilah dan simulasi Monte Carlo), atau bahkan mengembangkan yang baru, untuk meningkatkan penilaian ketidakpastian untuk LCI. Artikel perspektif ini membahas potensi beberapa teknologi baru tersebut dalam mengidentifikasi dan menilai ketidakpastian dalam data LCI.
2 METODE YANG BERLAKU UNTUK MENILAI KETIDAKPASTIAN DALAM LCA
Sebelum membahas beberapa metode terkini dalam menilai ketidakpastian (yaitu, kurangnya pengetahuan tentang nilai sebenarnya dari variabel, parameter, atau keluaran model), ada baiknya untuk membedakannya dari variabilitas (yaitu, kondisi yang dapat berubah yang menggambarkan contoh suatu sistem) dan untuk membahas secara singkat dua kategori ketidakpastian: epistemik dan aleatoris. Ketidakpastian epistemik (atau sistematis) muncul dari kurangnya pengetahuan yang terkait dengan dasar-dasar yang mendasarinya dan dicirikan oleh model-model alternatif dan batasan-batasan pada parameter. Hal ini secara langsung terkait dengan pilihan-pilihan yang harus dibuat seseorang ketika melakukan studi LCA, khususnya ketika memilih kumpulan data inventaris dan ketidakjelasan, ketidaktepatan, dan ambiguitas yang terkait. Dari sudut pandang statistik, jenis ketidakpastian ini dapat dijelaskan oleh perspektif probabilitas Bayesian (subjektivis) yang mungkin melibatkan evaluasi subjektif. Sebaliknya, ketidakpastian aleatoris (juga disebut acak) mengacu pada ketidakpastian inheren karena fluktuasi probabilistik parameter dan peristiwa, misalnya, kesalahan yang terkait dengan pengukuran sensor. Dari sudut pandang statistik, kerangka kerja klasik (frekuensis) dapat digunakan untuk mengkarakterisasi jenis ketidakpastian ini. Meskipun kedua jenis ketidakpastian dapat direpresentasikan oleh fungsi kepadatan probabilitas dan diperlakukan secara serupa, metodologi yang berbeda harus dipertimbangkan ketika menilai masing-masing jenis, seperti yang dijelaskan dalam bagian berikut, menjelaskan masing-masing metode secara terperinci, diikuti dengan ilustrasi penerapannya untuk menangani satu atau kedua jenis ketidakpastian.
2.1 Matriks silsilah
Metode matriks silsilah berguna untuk menggambarkan kualitas data dan dapat digunakan untuk menentukan distribusi ketidakpastian untuk data inventaris. 15 Metode ini melibatkan praktisi yang menggunakan penilaian untuk menetapkan skor kualitas data antara 1 (kualitas sangat baik, misalnya, data spesifik lokasi untuk proses yang diminati) dan 5 (kualitas sangat buruk, misalnya, data tidak mewakili teknologi yang diminati) untuk lima karakteristik kualitas data: cakupan waktu, cakupan geografis, cakupan teknologi, keandalan, dan kelengkapan. 16 Dengan demikian, matriks silsilah secara tidak langsung membahas ketidakpastian epistemik dengan mengevaluasi indikator kualitas data (DQIs) ini. Demikian pula, matriks silsilah tidak secara eksplisit memperhitungkan ketidakpastian acak. Sebaliknya, ia berfokus pada mengarahkan praktisi untuk menggunakan data yang tersedia dengan kualitas tinggi.
Penggunaan distribusi ketidakpastian berdasarkan skor kualitas data mudah dipahami. Seseorang dapat mengevaluasi karakteristik data inventaris dan menetapkan skor kualitas data yang sesuai. Secara default, metode matriks silsilah mengasumsikan bahwa ketidakpastian suatu datum mengikuti distribusi log-normal, meskipun metode telah diusulkan untuk mengakomodasi distribusi lainnya. 17 Distribusi ketidakpastian dicirikan oleh deviasi standar geometrik (GSD), yang merupakan faktor yang dapat dikalikan (atau dibagi) dengan nilai rata-rata untuk distribusi lognormal. GSD ini dapat diterapkan untuk setiap karakteristik kualitas, dikalikan (atau dibagi) dengan distribusi yang ada sejauh ini. GSD mencakup interval kepercayaan 95%; batas bawah dan batas atas interval adalah nilai rata-rata dibagi dengan GSD dan nilai rata-rata dikalikan GSD, masing-masing. 18 Pentingnya distribusi ini untuk menggambarkan ketidakpastian tidak boleh diabaikan, karena GSD tidak berdimensi dan dengan demikian berlaku untuk nilai inventaris dengan berbagai ukuran.
Metode matriks silsilah yang sudah lama ada baru-baru ini ditingkatkan dengan menggabungkan distribusi ketidakpastian yang ditetapkan untuk setiap karakteristik dan skor, dengan faktor ketidakpastian yang lebih besar diterapkan untuk skor kualitas data yang lebih besar. 17 Meskipun demikian, menggunakan kumpulan data untuk analisis memerlukan evaluasi kualitasnya yang cermat. Jika kumpulan data dianggap tidak sesuai karena ketidakakuratan atau bias, yang terbaik adalah menghindari penggunaannya sama sekali. Topik ini telah diperiksa dalam studi yang berkaitan dengan proses dan aliran. 19 , 20 Studi-studi ini menunjukkan bahwa ketika data memiliki distribusi yang luas, mereka masih dapat berbeda secara signifikan dari target. Sangat penting untuk mempertimbangkan pengembangan teknologi secara keseluruhan ketika mengidentifikasi faktor-faktor kunci 21 atau mengevaluasi representatif data, terutama ketika penyesuaian pada matriks silsilah diperlukan. 22 Selain itu, sementara matriks silsilah tidak secara langsung mengkarakterisasi ketidakpastian, ia memainkan peran penting dalam memastikan data yang andal untuk LCA. Untuk sepenuhnya memperhitungkan ketidakpastian, teknik pemodelan dan analisis tambahan diperlukan. Teknik seperti simulasi Monte Carlo atau analisis sensitivitas membantu menyebarkan ketidakpastian melalui model LCA.
2.2 Simulasi Monte Carlo
Bila ketidakpastian dapat direpresentasikan oleh fungsi distribusi probabilitas, distribusi hasil (yaitu, variabel dependen) dapat diperoleh melalui portofolio metode kombinasi probabilitas, seperti kombinasi nilai yang diharapkan dan varians, metode berbasis momen, metode transformasi, dan simulasi Monte Carlo (MC). 23 Yang terakhir lebih umum digunakan dalam praktik, 12 dan bahkan diimplementasikan dalam perangkat lunak LCA yang ada, seperti SimaPro. 24 Metode MC memungkinkan pengambilan sampel berulang dari fungsi distribusi probabilitas variabel yang tidak pasti untuk menghitung distribusi probabilitas variabel dependen. Pengambilan sampel sering kali mengasumsikan independensi antara variabel acak, bergantung pada teori probabilitas klasik, dan berlanjut hingga variasi dalam nilai rata-rata variabel dependen mendekati nilai asimtotik yang sesuai untuk analisis tertentu. Jenis analisis ketidakpastian ini cocok untuk ketidakpastian aleatoris, yang biasanya dikaitkan dengan pengukuran. Sementara simulasi MC terutama berfokus pada ketidakpastian aleatoris, secara tidak langsung ia memperhitungkan ketidakpastian epistemik dengan mempertimbangkan variasi parameter. Dampak ketidakpastian epistemik dapat dinilai dengan membandingkan hasil simulasi menggunakan nilai parameter atau model yang berbeda. 25
Prosedur standar untuk MC melibatkan pengambilan sampel data LCI untuk berbagai produk dan proses yang termasuk dalam suatu sistem dan menghitung nilai dampak lingkungan untuk setiap kasus. Metodologi ini dapat sangat menuntut komputasi, karena memerlukan pengambilan sampel yang ekstensif dari basis data LCI dan sejumlah besar simulasi untuk mengambil sampel set data LCI dengan benar, terutama dalam sistem proses yang mencakup ratusan atau ribuan masukan dan keluaran. 26 Ini dapat membatasi penerapan metodologi MC pada sistem berukuran kecil dan menengah, membuatnya berada di luar jangkauan sebagian besar praktisi karena sumber daya komputasi yang ekstensif akan diperlukan untuk proses atau sistem industri besar yang melibatkan rantai pasokan yang kompleks. Ini karena sifat komputasi dari studi LCA. Mempertimbangkan formulasi matriks, 26 , 27 setiap kali simulasi dilakukan dengan metodologi MC, perlu untuk melakukan invers matriks, operasi yang sangat intensif secara komputasi.
Pomponi et al. 28 meneliti ukuran sampel sedemikian rupa sehingga perhitungan MC tambahan tidak akan memengaruhi hasil. Perhitungan mereka menunjukkan bahwa untuk LCA bahan konstruksi, sampel sebanyak 10.000 titik sudah cukup terlepas dari fungsi kepadatan probabilitas dan ukuran set data. Kesimpulan serupa dicapai oleh Ross dan Cheah, 29 yang juga menganalisis ukuran sampel yang diperlukan untuk mengatasi ketidakpastian fase penggunaan peralatan listrik secara memadai. Hasilnya menunjukkan bahwa sampel yang lebih besar menghasilkan hasil yang lebih tepat secara statistik, namun pengembalian marjinal dalam presisi menurun dengan meningkatnya jumlah sampel. Meskipun bentuk fungsi distribusi probabilitas tidak memengaruhi ukuran sampel, nilai ketidakpastian yang diperoleh bergantung pada pemilihan yang dilakukan. Heijungs 23 juga menganalisis ukuran sampel yang diperlukan untuk memastikan hasil yang bermakna. Berdasarkan hasil studi, penulis merekomendasikan penggunaan sampel besar dari distribusi input (yaitu, data yang dikumpulkan), tetapi membatasi jumlah iterasi simulasi MC ke angka yang tidak lebih besar dari pengambilan sampel input. Masalah yang muncul akibat penggunaan sejumlah besar MC runs adalah bahwa input yang tidak akurat akan diubah menjadi hasil LCA, tetapi simulasi MC dengan terlalu banyak runs akan menggambarkannya sebagai memiliki presisi yang sangat baik. Selain itu, Heijungs 23 juga menyimpulkan bahwa jika parameter untuk distribusi input diperoleh melalui prosedur (misalnya, matriks silsilah) dan bukan melalui pengambilan sampel, maka simulasi MC tidak boleh digunakan. Seseorang dapat menganggap bahwa hasil MC tidak signifikan secara statistik karena distribusi input telah diasumsikan daripada ditentukan melalui data. Pendekatan konservatif yang diusulkan oleh Edelen dan Ingwersen 16 akan menggunakan skor matriks silsilah tertinggi yang memungkinkan untuk setiap karakteristik kualitas data, yang dapat dikombinasikan dengan sengaja menggunakan beberapa MC runs agar tidak terlalu mempersempit presisi hasil.
Sambil mempertimbangkan poin-poin yang disebutkan di atas, praktisi LCA yang memilih simulasi MC harus menyadari bahwa pedoman untuk mengembangkan penduga mean, varians, dan deskriptor statistik lainnya dapat ditemukan dalam literatur. 30 Namun, dalam banyak kasus, pendugaan langsung parameter-parameter ini mungkin tidak layak. Sebagai alternatif, praktisi sering mengandalkan fungsi kepadatan probabilitas standar, seperti distribusi normal. Distribusi ini sering kali praktis dan memadai untuk memodelkan ketidakpastian, dan parameternya dapat diestimasi dari data inventaris atau informasi yang diperoleh dari proses atau basis data. 31 Dalam banyak kasus, akan lebih bijaksana bagi praktisi untuk menyatakan asumsi dan metode yang digunakan dalam studi mereka dan memperingatkan pembaca untuk tidak menafsirkan hasil ketidakpastian secara berlebihan.
2.3 Metodologi non-probabilistik
Dalam praktik LCA, ketidakpastian data biasanya dimodelkan menggunakan teori probabilitas klasik, yang menjadi dasar MC dan metode terkait. 12 Ketika ketidakpastian disebabkan oleh keacakan alami (ketidakpastian aleatory) yang terjadi dalam pengukuran, pendekatan yang mempertimbangkan MC dan metodologi terkait sudah memadai. Namun, ketika ketidakpastian muncul dari ambiguitas inheren yang terkait dengan pilihan yang dibuat saat melakukan studi LCA (ketidakpastian epistemik), diperlukan pendekatan yang berbeda. Dalam kasus ini, ketidakpastian tidak sepenuhnya acak, karena informasi yang tidak lengkap digunakan untuk membuat pilihan.
Berbagai bentuk untuk merepresentasikan ketidakpastian epistemik telah diusulkan dalam literatur; misalnya, teori himpunan fuzzy, probabilitas Bayesian, atau teori bukti Dempster. 6 , 32 Mengikuti Tan et al., 33 jenis ketidakpastian ini sesuai dengan ketidaktepatan yang terkait dengan ambiguitas karena tindakan subjektif. Dalam konteks ini, teori kemungkinan dapat digunakan untuk menjelaskan ketidakjelasan tersebut dengan menetapkan nilai kemungkinan yang proporsional dengan ekspektasi hasil tertentu. Nilai yang ditetapkan bukanlah probabilitas dalam pengertian klasik, karena informasi yang digunakan untuk mendefinisikannya membatasi nilai yang mungkin.
Menurut Tan et al., 34 ada tiga alasan utama untuk menggunakan teori kemungkinan alih-alih metode yang didasarkan pada teori probabilitas klasik. Pertama, teori kemungkinan memungkinkan deskripsi yang lebih ketat dari jenis ketidakpastian tertentu yang digambarkan sebagai ambigu atau tidak tepat daripada acak. Kedua, teori kemungkinan lebih kompatibel dengan informasi subjektif dan/atau heuristik yang mungkin memiliki sifat non-kuantitatif atau memiliki aspek keputusan yang terkait dengan pemanfaatannya. Contohnya termasuk pemanfaatan penilaian ahli atau data pengganti, di mana penilaian subjektif biasanya terlibat, seperti halnya ketika mengubah istilah linguistik (misalnya, baik, buruk) menjadi nilai numerik. 35 Penentuan fungsi kepadatan probabilitas yang memadai untuk digunakan dalam MC dan metodologi terkait mungkin tidak mungkin dilakukan ketika data tampak kontradiktif, suatu situasi yang diatasi oleh teori kemungkinan dengan memperkenalkan asumsi subjektif dan/atau keputusan yang memungkinkan pembuatan angka fuzzy yang memadai. Akhirnya, untuk sistem proses yang kompleks, teori kemungkinan dapat secara signifikan mengurangi upaya komputasi yang terkait dengan evaluasi ketidakpastian. Meskipun kurang ketat jika dibandingkan dengan teori probabilitas klasik, teori kemungkinan lebih mudah diterapkan pada sistem proses yang kurang dijelaskan di mana informasinya terbatas.
Beberapa penelitian telah menganalisis dan menerapkan prinsip-prinsip teori kemungkinan, biasanya menggunakan teori himpunan fuzzy untuk menggambarkan dan membuat kalkulasi ketidakpastian. Benetto dan rekan kerja 36 , 37 telah menganalisis bagaimana teori kemungkinan dapat diterapkan dalam LCA sendiri atau digabungkan dengan metode pengambilan keputusan. Para penulis menyimpulkan bahwa teori kemungkinan adalah bentuk yang memadai untuk menangani ketidakpastian ketika analisis melibatkan penilaian manusia dan persepsi spesialis dan mungkin menguntungkan ketika menganalisis hasil studi LCA dan pengambilan keputusan berdasarkan pada mereka. André dan Lopes 38 telah menganalisis dasar matematika dari penerapan teori kemungkinan dan menentukan kondisi yang memadai untuk menggunakannya jika dibandingkan dengan metodologi lain, khususnya yang probabilistik. Heijungs dan Tan 39 telah menganalisis penerapan metode fuzzy dalam metodologi LCA menggunakan formulasi matriks untuk menentukan kondisi mana yang dapat diterapkan. Clavreul et al. 40 juga mencapai kesimpulan serupa; khususnya, para penulis menentukan bahwa metode berdasarkan teori kemungkinan lebih berfokus pada informasi yang tersedia daripada pada bagaimana seseorang harus mewakilinya. Dengan demikian, metode berbasis probabilitas mudah digunakan ketika informasi berlimpah dan memadai, tetapi dalam situasi lain metode berdasarkan teori kemungkinan berguna.
Namun, metodologi non-probabilistik tidak boleh hanya digunakan sebagai pengganti kurangnya data. Untuk sepenuhnya menuai manfaatnya, teori kemungkinan harus dipertimbangkan ketika ada dua atau lebih skenario yang mungkin berbeda. Alih-alih mengevaluasinya secara terpisah, idenya adalah menggunakan semua informasi yang tersedia dalam satu analisis gabungan. Selain itu, teori kemungkinan dapat digunakan untuk menetapkan bobot pada data, menerapkan faktor kualitas pada skenario daripada membuat keputusan biner tentang apakah akan memasukkan atau mengecualikan data tertentu. Beberapa contoh studi yang melibatkan teori kemungkinan, biasanya dikombinasikan dengan himpunan fuzzy, dapat ditemukan dalam literatur. Tan et al. 33 , 34 , 41 menggunakan pendekatan ini untuk membandingkan dampak siklus hidup bahan bakar alternatif. Perbandingan teori kemungkinan/himpunan fuzzy dan MC untuk menilai dampak siklus hidup biodiesel yang terbuat dari minyak kelapa menyimpulkan bahwa hasil yang serupa diperoleh oleh kedua metodologi. Para penulis menyimpulkan bahwa metodologi evaluasi ketidakpastian berdasarkan teori kemungkinan lebih cepat daripada MC. Berdasarkan fakta ini, Meng et al. 42 telah mengusulkan metodologi berbasis siklus hidup yang lebih baik untuk menilai kinerja lingkungan produk, di mana teori himpunan fuzzy dikombinasikan dengan MC untuk penilaian yang lebih cepat. Li et al. 43 menggunakan teori himpunan fuzzy untuk memasukkan ketidakpastian dalam penilaian sistem energi terbarukan yang terdistribusi, dan menyimpulkan bahwa metodologi tersebut cepat.
Reza dkk. 44 mengembangkan metodologi untuk menilai kinerja keberlanjutan sistem jalan beraspal. Meskipun bukan studi LCA yang sebenarnya, saat energi dievaluasi, ketidakpastian akibat inventaris dinilai dan disebarkan menggunakan metode berbasis fuzzy, yang lebih mudah diimplementasikan daripada ekspresi analitis yang rumit. Benetto dkk. 36 telah menerapkan himpunan fuzzy untuk menilai dampak kebisingan terhadap lingkungan, yang terkenal sulit dievaluasi. Sifat fuzzy dari teori kemungkinan memungkinkan seseorang menggunakan data dengan metrik kualitas yang diterapkan sebagai faktor, alih-alih memutuskan secara biner apakah data tersebut digunakan atau tidak.
Penerapan teori kemungkinan, yang biasanya digabungkan dengan himpunan fuzzy, 45 memerlukan informasi untuk melakukan analisis ketidakpastian. Dalam praktiknya, ini dapat dilakukan baik dengan menggunakan data dari sistem proses dan literatur atau dengan menerapkan penilaian atau konsensus spesialis. Untuk yang pertama, metodologi yang dapat digunakan untuk mendefinisikan fungsi kepadatan probabilitas yang digunakan dalam metodologi MC dapat digunakan, tetapi tanpa perlu menghitung parameter statistik, karena analisis kualitatif sudah cukup berkali-kali. Untuk yang terakhir, seseorang dapat memanfaatkan para ahli untuk mendefinisikan distribusi probabilitas, membuat penilaian hanya berdasarkan keahlian dan penilaian mereka daripada mengandalkan data. 46 Beberapa penulis telah memperoleh informasi yang diperlukan dengan cara yang lebih analitis, misalnya, Gavankar dan Suh 47 mengusulkan metodologi untuk menggabungkan data dari berbagai sumber, baik kualitatif maupun kuantitatif.
Meskipun teori kemungkinan memiliki keuntungan untuk jenis ketidakpastian tertentu, penerapannya dalam studi LCA sangat terbatas jika dibandingkan dengan metodologi berbasis probabilistik. 6 , 12 Hal ini mungkin disebabkan oleh kurangnya ketelitian yang dirasakan dalam teori kemungkinan dibandingkan dengan MC dan metode terkait, yang dapat menjelaskan mengapa tidak ada paket perangkat lunak LCA komersial dan sumber terbuka saat ini yang telah menerapkan metodologi berdasarkan teori kemungkinan 6 , 48 sejauh pengetahuan penulis. Meskipun demikian, beberapa karya menggambarkan penerapan teori kemungkinan untuk penilaian ketidakpastian. Contohnya adalah artikel Tan et al., 34 , 41 yang menerapkan metodologi dalam spreadsheet yang ditujukan untuk evaluasi bahan bakar transportasi. Contoh lain adalah karya Clavreul et al., 40 di mana teori kemungkinan diterapkan dalam MATLAB menggunakan interval fuzzy dan digunakan dalam analisis budidaya willow untuk produksi bioenergi. Mereka juga membandingkan hasil menggunakan pengambilan sampel Monte Carlo dan metodologi campuran yang menggabungkan pengambilan sampel acak dengan interval fuzzy, menyimpulkan bahwa hal ini tergantung pada ketersediaan informasi. Jika informasinya melimpah, representasi statistik sudah cukup; namun, ketika informasinya terbatas, informasi tersebut sering kali lebih efektif disampaikan melalui distribusi kemungkinan. Groen dkk. 49 membandingkan berbagai metode evaluasi ketidakpastian, khususnya metode pengambilan sampel acak dan aritmatika interval fuzzy, untuk mendefinisikan fungsi kemungkinan dengan yang terakhir. Mereka mempertimbangkan tiga studi kasus: dua mengenai pembangkitan listrik, satu yang lebih kompleks yang melibatkan perikanan pukat ikan putih, dan LCA dan ketidakpastian yang didasarkan pada perhitungan LCA berbasis matriks. Hasilnya menunjukkan bahwa metode aritmatika interval fuzzy membutuhkan lebih sedikit memori jika dibandingkan dengan metode pengambilan sampel, tetapi kesimpulannya kurang eksplisit.
3 METODE YANG DITINGKATKAN DAN BARU
3.1 Meningkatkan metode simulasi Monte Carlo
Seperti yang dinyatakan sebelumnya, aplikasi simulasi MC saat ini dalam LCA membutuhkan komputasi yang intensif, khususnya untuk sistem proses besar dengan banyak item inventaris yang memerlukan banyak operasi dan pengambilan sampel dari banyak fungsi kepadatan probabilitas. Berbagai penulis telah menganalisis MC untuk meningkatkan kinerja komputasi dan mempercepat upaya, dengan berfokus pada sifat perhitungan dan properti objek matematika yang terlibat. Peters 50 telah menunjukkan bahwa ketika matriks yang terlibat dalam evaluasi komputasi dampak lingkungan jarang (berisi sebagian besar nol), situasi yang terjadi untuk sistem proses besar dan/atau dengan banyak inventaris dan pelepasan lingkungan, pengurangan signifikan dalam waktu komputasi dimungkinkan dengan menggunakan algoritme yang dirancang khusus untuk membalikkan matriks jarang, khususnya metode iteratif. Strategi terakhir diimplementasikan dalam SimaPro Versi 8 dan versi berikutnya. 24 Saab 26 juga mempertimbangkan pertanyaan tentang alokasi memori dan cara membalikkan matriks untuk sistem proses besar dengan metode pemrograman paralel. Penulis mengeksplorasi strategi untuk menghindari pembalikan matriks dengan menyederhanakan perhitungan sebanyak mungkin.
Peneliti lain telah berfokus pada aspek-aspek yang terkait dengan pengambilan sampel fungsi distribusi probabilitas dan dampaknya pada perhitungan ketidakpastian. Qin dan Suh 51 melakukan analisis menyeluruh terhadap distribusi kepadatan probabilitas yang paling sesuai untuk merepresentasikan data inventaris, aspek penting tidak hanya untuk menyederhanakan simulasi MC dan mengurangi upaya komputasional tetapi juga untuk memastikan kredibilitas hasil. Penulis menyimpulkan bahwa distribusi log-normal sesuai untuk mendeskripsikan kumpulan data yang digunakan dari basis data Ecoinvent 3.1 LCI, 52 dengan menggunakan metode statistik berdasarkan pengambilan sampel acak dari kumpulan data. Metodologi ini dapat diperluas ke algoritme penyesuaian distribusi lainnya, seperti jaringan saraf, sehingga memperluas implikasi praktisnya.
Qin dan Suh 53 menganalisis menggunakan nilai distribusi/ketidakpastian yang telah dihitung sebelumnya yang dihitung dari pengambilan sampel acak dari basis data LCI Ecoinvent 3.1, bukan simulasi MC penuh. Hasilnya menunjukkan bahwa pemanfaatan nilai yang telah dihitung sebelumnya memadai, terutama jika nilai yang telah dihitung sebelumnya dievaluasi menggunakan sampel yang cukup besar. Lesage dkk. 54 menganalisis pemanfaatan kumpulan data agregat untuk mengurangi upaya komputasi dan waktu dalam evaluasi ketidakpastian dalam studi LCA. Mereka menyimpulkan bahwa pengambilan sampel independen tidak memungkinkan dalam sebagian besar kasus, karena sebagian besar kumpulan data dalam basis data LCI saling berhubungan. Hasil studi menunjukkan bahwa korelasi antara kumpulan data harus diperhitungkan dan tidak ada faktor koreksi tunggal yang dapat memperhitungkan efek tersebut.
Metode terkait digunakan untuk meningkatkan kinerja simulasi MC. Banyak dari metode ini bergantung pada pengambilan sampel fungsi distribusi probabilitas, dengan mempertimbangkan data dan/atau karakteristik sistem proses. Saat mengambil sampel dari sejumlah besar fungsi distribusi probabilitas (multidimensi), simulasi MC bisa jadi terlalu rumit dan memerlukan terlalu banyak upaya komputasi, 55 dan seseorang mungkin perlu bergantung pada teknik pengurangan varians. 56 Pilihan lain untuk meminimalkan kesulitan ukuran dan upaya melibatkan penerapan model Markov. Secara khusus, pengambilan sampel Markov Chain Monte Carlo (MCMC) adalah kelas algoritma untuk pengambilan sampel acak sistematis dari distribusi probabilitas berdimensi tinggi yang memungkinkan pengambilan sampel yang lebih optimal jika dibandingkan dengan simulasi MC standar. Tidak seperti metode pengambilan sampel MC yang mengambil sampel independen dari distribusi independen, dalam metode MCMC sampel saling bergantung, membentuk rantai Markov. 55 , 57 Hal ini memungkinkan pengambilan sampel yang lebih baik, khususnya ketika sejumlah besar variabel acak terlibat, seperti halnya dalam studi LCA yang melibatkan sistem besar. Metodologi ini digunakan dalam bidang ilmiah dan teknis lainnya untuk analisis ketidakpastian, seperti pemodelan air tanah, 58 geosains, 59 dan ekonomi energi. 60 Namun, pengambilan sampel MCMC tidak digunakan secara luas dalam praktik LCA. Contoh yang ada termasuk karya Jin, 61 yang menganalisis emisi siklus hidup dalam mengelola jaringan pipa saluran pembuangan; Vázquez-Rowe et al., 62 yang mempertimbangkan dampak penggunaan lahan dari rotasi tanaman di Luksemburg, di mana rantai Markov digunakan untuk memperkirakan dampak lingkungan masa depan berdasarkan data historis; Paras dan Pal, 63 yang menganalisis pakaian yang digunakan kembali di negara-negara Nordik; Tian et al., 64 yang mengevaluasi dampak lingkungan dari sistem ekonomi sirkular; dan Yue et al., 65 yang menganalisis emisi nitrogen pertanian di Tiongkok dari perspektif siklus hidup, dengan fokus pada pengaruh perdagangan tanaman. Ini merupakan peluang untuk lebih mengembangkan penerapan metodologi ini dalam konteks LCA. Selain itu, ada potensi untuk menggabungkan MCMC dengan metodologi lain, misalnya, pembelajaran mesin atau menggunakan keahlian dari bidang lain dalam menerapkan metodologi MCMC untuk evaluasi ketidakpastian, yang selanjutnya akan menyederhanakan analisis ketidakpastian berdasarkan pengambilan sampel distribusi probabilitas inventaris. Selain itu, MCMC dapat menangani interaksi dan/atau saling ketergantungan antar variabel dengan lebih baik.
3.2 Metode penilaian ketidakpastian lainnya
Analisis sensitivitas global (GSA) telah digunakan dalam banyak studi LCA untuk mengatasi ketidakpastian/variabilitas parameter input. 66 Untuk teknologi yang baru muncul, deskripsi parameter input dapat menjadi tantangan, yang memengaruhi ketahanan hasil GSA. Untuk mengatasi tantangan ini, Lacirignola et al. 67 mengembangkan metode yang menghitung beberapa GSA untuk mengidentifikasi parameter utama dan memahami bagaimana deskripsi parameter ini memengaruhi hasil GSA. Para penulis menerapkan metode tersebut pada sistem panas bumi yang disempurnakan dan menunjukkan bagaimana deskripsi setiap input memengaruhi peringkatnya dan kontribusinya terhadap varians output. Para penulis menyerukan penggunaan GSA yang cermat dalam LCA dan menekankan perlunya menyelidiki stabilitas dan keyakinan asumsi parameter. Piano dan Benini 68 meninjau ketidakpastian dalam LCA dan merupakan pendukung analisis sensitivitas Sobol untuk memperhitungkan ketidakpastian. 69 Meskipun membutuhkan komputasi yang mahal, metodologi ini dapat memberikan informasi yang berharga, khususnya kontribusi input terhadap varians output. Cucurachi et al. 70 mengembangkan metode analisis sensitivitas global yang tidak bergantung pada momen yang dapat mengakomodasi keberadaan korelasi dalam input model LCA dan output multimodal model LCA. Metode evaluasi ketidakpastian baru ini mengidentifikasi dan memberi peringkat kontributor penting terhadap ketidakpastian hasil model, dan telah diimplementasikan dalam “The Activity Browser,” perangkat lunak LCA sumber terbuka yang didasarkan pada kerangka kerja Brightway LCA. 71 – 74
Metode pembelajaran mesin (ML) juga telah digunakan untuk mengatasi ketidaklengkapan atau ketidakpastian dalam data untuk memberikan rekomendasi yang dapat ditindaklanjuti untuk LCA. 75 , 76 Dai et al. 77 mengembangkan metode pembuatan inventaris dan evaluasi ketidakpastian yang efisien yang menghasilkan nilai rata-rata dan interval ketidakpastian yang sesuai untuk data inventaris yang diinginkan. Metode ini pertama-tama mengukur korelasi di antara data yang ada di seluruh dimensi temporal, geografis, dan taksonomi, diikuti dengan menerapkan regresi proses Gaussian, algoritma pembelajaran mesin, untuk memprediksi hasil untuk data LCI yang diinginkan. Tidak ada asumsi distribusi yang telah ditentukan sebelumnya (misalnya, distribusi log-normal) untuk data LCI yang diprediksi diperlukan, karena interval ketidakpastian dihasilkan dengan langsung mengambil sampel distribusi posterior dari data LCI yang diprediksi. Metode evaluasi ketidakpastian baru ini menghindari kebutuhan untuk menentukan distribusi secara manual (yang diperlukan oleh metode matriks Silsilah 15 ), mengurangi subjektivitas dalam analisis ketidakpastian. Pergeseran ketidakpastian dari masukan pengguna berupa indikator kualitas data (DQI) dari metode matriks silsilah ke model regresi proses Gaussian yang terlatih merupakan contoh konversi ketidakpastian parameter masukan menjadi ketidakpastian model.
Metode komputasi intensif seperti Monte Carlo, yang umum digunakan dalam analisis ketidakpastian, dapat menjadi tidak praktis karena beban komputasi yang terkait, terutama karena kompleksitas model dan jumlah variabel meningkat. Model kompleks ini mungkin berbasis fisika, dimodelkan pada berbagai tingkat granularitas, dan mencakup beberapa langkah pemrosesan. Lebih jauh, model ini biasanya merupakan fungsi nonlinier dari sejumlah besar variabel yang memiliki signifikansi yang bervariasi dan berinteraksi satu sama lain. Dalam kasus yang kompleks, membebani komputasi, dan sulit diatasi tersebut, bersama dengan metode reduksi variabel, model pengganti menawarkan solusi yang praktis dan efisien. Model ini memperlakukan model simulasi mekanistik atau data pabrik sebagai kotak hitam dan mengembangkan meta-model orde rendah eksplisit dari model mekanistik kompleks implisit atau sistem SCADA (Supervisory Control and Data Acquisition) pabrik manufaktur atau pemrosesan yang bising. Misalnya, Huntington et al. 78 telah mengembangkan model pengganti jalur bioproduksi menggunakan simulator diagram alir. Neraca material dan energi, yang bergantung pada variabel proses utama seperti bahan baku, kondisi operasi, dan properti, dengan demikian dimodelkan secara empiris. Hasil dari model tersebut sesuai dengan input dan output LCI yang kemudian digunakan dalam studi LCA, mengurangi beban komputasi dan memungkinkan penggunaan hanya variabel yang paling signifikan beserta model tergabung eksplisit yang jauh lebih sederhana. Parameter yang paling sensitif digunakan sebagai variabel keputusan untuk pengoptimalan fungsi objektif saat merumuskan model pengganti, yang juga memperhitungkan interaksi antar variabel. 79
Dalam pengembangan model pengganti, idealnya, model kompleks harus akurat dan dioptimalkan. Model ini paling berguna saat perubahan desain tidak dilakukan. Jika data pabrik tersedia, data ini dapat digunakan lebih lanjut untuk menyetel model kompleks sebelum mengembangkan model pengganti. Tentu saja, kembaran digital juga dapat digunakan untuk mengembangkan model pengganti. Hubungan pemodelan pengganti eksplisit dapat dikembangkan menggunakan teknik pembelajaran mesin berbasis data seperti regresi simbolik. 80 Hubungan pemodelan LCA yang ada, sebagian, merupakan hubungan empiris tingkat tinggi dan dapat berfungsi sebagai model pengganti awal. Demikian pula, hubungan pemodelan berbasis fisika perkiraan tergabung yang digunakan dalam metode pengoptimalan seperti MINLP (Mixed Integer Non-Linear Programming) dapat berfungsi sebagai model pengganti. 81 Model siklus hidup, pustaka yang berbeda, atau paket komputasi seperti kotak peralatan pengoptimalan MATLAB dapat sangat berguna untuk memecahkan masalah pengoptimalan ini dan mengembangkan model ini. Model pengganti dapat diimplementasikan menggunakan teknik kombinasi probabilitas lain yang lebih mudah dihitung namun lebih mendekati, seperti kombinasi varians seperti yang digunakan oleh Ghosh. 82
Metode lain melibatkan kombinasi berbagai alat. Misalnya, sebuah studi yang menggabungkan simulasi proses dan basis data Ecoinvent LCI adalah karya Calvo-Serrano dan Guillén-Gosálbez. 83 Karya tersebut berfokus pada karakterisasi ketidakpastian inventaris siklus hidup bahan kimia yang digunakan dalam industri kimia, yang terbatas baik dalam hal bahan kimia yang disertakan maupun kualitas data. Ini adalah masalah yang relevan karena relevansi ekonomi dan lingkungan dari sektor kimia, di mana peningkatan signifikan dalam kinerja lingkungan diperlukan. Para penulis mengembangkan jaringan proses sektor petrokimia, yang darinya mereka memperoleh informasi yang diperlukan untuk memperoleh data inventaris. Dengan mendefinisikan skenario yang masuk akal dan distribusi statistik parameter inventaris yang relevan, para penulis dapat mengevaluasi ketidakpastian dalam memproduksi serangkaian bahan kimia tertentu.
4 TEKNOLOGI BLOCKCHAIN UNTUK MENGURANGI KETIDAKPASTIAN LCI
Teknologi Blockchain berpotensi mengurangi ketidakpastian yang muncul dari pengumpulan data. Ketersediaan data rantai pasokan yang andal sangat penting untuk mencapai hasil LCA berkualitas tinggi. Namun, globalisasi dan perluasan pasar menciptakan tantangan inventaris rantai pasokan karena semakin kompleksnya manufaktur barang dan portofolio produk. Ketersediaan dan ketidakpastian data terkait dengan asal produk, pemrosesan, dan transportasi, dengan ketertelusuran dan sistem manajemen data tetap menjadi tantangan utama. Teknologi Blockchain mampu memproses data secara real time dan memastikan ketertelusuran dan transparansi pada berbagai fase kerangka kerja LCA, yaitu analisis inventaris dan penilaian dampak terkait. 84
Meskipun demikian, penerapan sensor dan perangkat yang menghasilkan sejumlah besar data secara real time dapat memungkinkan teknologi baru ini untuk LCA. Selain itu, teknologi blockchain dapat menjadi penentu dalam menciptakan rantai penyimpanan yang tepat untuk material dan energi agregat, yang mana terdapat bukti tentang siapa yang menghasilkan data dan bagaimana data tersebut ditransfer melalui berbagai rantai pasokan atau bagian siklus hidup yang dikelola dalam sistem digital yang terdesentralisasi dan aman. Ini dapat menyediakan metadata yang diperlukan sebagai bukti untuk tinjauan kritis terhadap data atau studi LCA 12 dan memastikan bahwa informasi yang diberikan oleh label lingkungan digital, seperti yang sedang dikembangkan dan diterapkan dalam Paspor Produk Digital Uni Eropa. 85
Teknologi blockchain semakin diakui sebagai solusi yang layak untuk menciptakan dan mengembangkan sistem pertukaran informasi dan keterlacakan yang efisien yang dapat merekam data yang andal dan terkini di seluruh rantai pasokan. 86 Ada banyak manfaat menggunakan blockchain dalam LCA. Teknologi ini memungkinkan akuisisi dan pemrosesan data secara real-time, memastikan keterlacakan dan transparansinya, serta mendorong studi yang lebih objektif. Selain itu, teknologi ini menawarkan potensi untuk melindungi data sensitif, khususnya kekayaan intelektual atau rahasia bisnis, jika diperlukan.
Bahkan dengan potensi keuntungan menggunakan teknologi blockchain dalam praktik LCA, saat ini blockchain belum diadopsi secara luas. 84 , 87 , 88 Tidak ada standar atau pedoman khusus untuk mengimplementasikan teknologi blockchain dalam domain LCA. 89 , 90 Standar dan pedoman tersebut penting untuk memastikan interoperabilitas sistem blockchain antara perangkat lunak LCA dan sistem data yang berbeda. Ada masalah mengenai cara mengumpulkan data dan integrasi blockchain dengan sistem informasi perusahaan yang ada dan lintas rantai pasokan, di mana dapat terjadi heterogenitas yang signifikan antara berbagai bagian, khususnya, berbagai tingkat digitalisasi operasional antara perusahaan, bahkan di sektor yang sama.
Ketersediaan data juga menjadi perhatian, tidak hanya dalam hal memperoleh data, tetapi juga dalam memastikan kualitas, representatif, dan kesesuaiannya dengan tujuan dan sifat spesifik dari aplikasi studi LCA yang dimaksud, seperti yang dibahas oleh D’Eusanio dan Petti dalam kaitannya dengan LCA sosial. 91 Kerangka kerja kualitas data yang ada, seperti yang diusulkan oleh Henriksen et al., dapat relevan dalam hal ini. 22 Selain itu, pertanyaan tentang kekayaan intelektual dan/atau rahasia bisnis dapat menghalangi pembagian data, karena blockchain adalah teknologi yang transparan. Untuk mengatasi masalah tersebut, kemungkinan anonimisasi data dan/atau kontrak pintar antara berbagai pemangku kepentingan rantai pasokan dapat meminimalkan dampak dari kebutuhan perlindungan data. 92 , 93 Selain itu, tergantung pada kompleksitas produk dan pertanyaan rantai pasokan terkait, jumlah data yang dihasilkan mungkin signifikan, dan manajemen data yang tepat mungkin rumit dan mahal (meskipun dapat menciptakan peluang untuk mengekstraksi pengetahuan dari data yang dikumpulkan).
Pertanyaan lain menyangkut kurangnya insentif di tingkat organisasi, terutama karena kebaruan teknologi blockchain, kurangnya orang dengan keahlian yang memadai, dan potensi biaya yang terlibat, yang dapat menjadi signifikan bagi perusahaan berskala kecil. Terdapat pula kurangnya insentif, pedoman, dan peraturan untuk membingkai dan membantu perusahaan dan pemangku kepentingan lainnya dalam penerapan blockchain dan teknologi serupa dalam praktik, sebuah isu yang mungkin sangat relevan, misalnya, dalam pengembangan Paspor Produk Digital di Uni Eropa. Selain itu, tergantung pada bagaimana teknologi blockchain diterapkan, dampak lingkungan yang signifikan mungkin substansial karena sifat teknologi yang boros energi. Oleh karena itu, perhatian khusus harus diperhatikan dalam penerapan blockchain ke dalam kerangka LCA, khususnya sifat data yang ditransfer dan berbagai bagian dari rantai pasokan. 94 , 95
Meskipun ada keterbatasan saat ini, beberapa studi telah mengeksplorasi penerapan blockchain dalam LCA. Misalnya, Lin et al. 92 mengusulkan LCA berbasis blockchain di mana teknologi blockchain diadaptasi untuk mendapatkan data inventaris dari pemasok dan mitra rantai pasokan hulu lainnya, yang menunjukkan bahwa akurasi dan pembaruan data otomatis dapat ditingkatkan. Teh et al. 96 menganalisis bagaimana blockchain dapat dikombinasikan dengan LCA untuk mendukung definisi dan penyesuaian strategi perusahaan untuk mempromosikan kontribusi mereka terhadap pembangunan berkelanjutan, khususnya untuk mencapai tujuan mereka mengenai kinerja yang lebih berkelanjutan dan ramah lingkungan. Carrières et al. menilai nilai penggunaan blockchain untuk studi LCA produk tekstil, dengan fokus pada potensi keterlacakan data. 97 Hasil penelitian menunjukkan bahwa penggunaan keterlacakan data dapat meningkatkan kualitas data secara signifikan, khususnya dengan menyediakan data spesifik untuk memungkinkan penilaian yang lebih representatif.
5 IMPLEMENTASI KOMPUTASI
Implementasi komputasi yang tepat dapat secara signifikan mengurangi sumber daya dan waktu yang dibutuhkan untuk melakukan analisis ketidakpastian dalam studi LCA, meningkatkan ukuran dan kompleksitas studi yang dapat dilakukan dalam praktik. Selain itu, hal itu dapat memungkinkan otomatisasi analisis dan/atau perhitungan inventaris LCA yang lebih mudah diakses dan langsung. 98 Sebagian besar metode yang ditinjau dalam studi ini menangani karakterisasi ketidakpastian dalam prosedur mandiri (yaitu, bukan bagian dari pemodelan LCI). Implementasi metode-metode ini belum ada dalam perangkat lunak LCA umum (misalnya, openLCA, SimaPro, dan Gabi), yang menunjukkan tantangan untuk adopsi luas metode-metode baru ini oleh komunitas LCA. Di sisi lain, beberapa metode ini sebagian besar diimplementasikan menggunakan bahasa pemrograman Python, yang menunjukkan potensinya untuk diintegrasikan dengan model-model LCA. Misalnya, Jolivet dkk. 99 telah mengembangkan dan mengimplementasikan paket untuk melakukan analisis ketidakpastian dalam kerangka kerja Brightway, 100 paket perangkat lunak LCA berbasis Python dan sumber terbuka. 74 Paket ini mengimplementasikan metode simulasi MC menggunakan kalkulus simbolik untuk menyederhanakan definisi inventaris parametrik dan mempercepat kalkulasi yang diperlukan untuk analisis ketidakpastian. Paket ini mencakup kemampuan pasca-aplikasi, khususnya analisis kontribusi faktor yang digunakan untuk menghasilkan model aritmatika yang disederhanakan yang dapat membuat estimasi cepat dampak lingkungan untuk sistem proses. Cucurachi dkk. 70 telah mengimplementasikan metodologi mereka baik dalam Activity Browser 71 , 72 maupun kerangka kerja Brightway. 74
Meskipun paket sumber terbuka baru relevan, pemanfaatannya mungkin lebih rumit daripada perangkat lunak komersial yang ada, karena memerlukan keterampilan pemrograman khusus agar dapat digunakan dengan benar. Selain itu, kurangnya manual dan/atau studi kasus membatasi pemanfaatannya, sehingga lebih sulit dan memakan waktu untuk digunakan. Namun, mengubah kode membuka kemungkinan penggunaan metodologi lain dalam analisis ketidakpastian, termasuk ilmu data, pembelajaran mesin, dan metode kecerdasan buatan.
Perkembangan menarik lainnya di masa depan yang memerlukan peningkatan dalam implementasi komputasional adalah otomatisasi LCA, baik yang berdiri sendiri maupun dikombinasikan dengan perangkat lunak lain, khususnya sistem informasi internal perusahaan. Peningkatan dalam integrasi dan jaringan antara perusahaan internal dan eksternal memungkinkan untuk melakukan perhitungan LCA hampir secara real time dengan menggabungkannya ke dalam sistem informasi organisasi. Misalnya, kini dimungkinkan untuk menggabungkan data proses yang diperoleh dari sensor dengan data dari pemasok atau basis data inventaris siklus hidup, yang memungkinkan perhitungan dampak lingkungan dari produk dan proses secara real-time, identifikasi langsung aspek sistem yang perlu ditingkatkan, dan sumber utama variabilitas dan/atau ketidakpastian. 101 – 104 Hal ini juga relevan untuk pelaporan lingkungan, baik dalam bisnis-ke-bisnis maupun di tingkat perusahaan, yang memenuhi persyaratan pelaporan dan pengungkapan non-finansial di masa mendatang, misalnya, Arahan Uni Eropa tentang Pelaporan Keberlanjutan Perusahaan. 105
6 RINGKASAN DAN REKOMENDASI
Ketidakpastian merupakan faktor penting dalam LCA. Sumber utama ketidakpastian dalam LCA adalah data inventaris siklus hidup. Studi ini meninjau metode ketidakpastian umum dan perkembangan metodologi terkini dalam analisis ketidakpastian untuk pemodelan LCI. Praktisi didesak untuk mendeskripsikan ketidakpastian masukan secara memadai dan tidak menghitung ketidakpastian keluaran yang terlalu tepat. Untuk mengukur ketidakpastian yang terkait dengan data masukan, berbagai upaya telah difokuskan pada peningkatan metode matriks silsilah, metode non-probabilistik, GSA, analisis interval yang dikombinasikan dengan simulasi MC, pembelajaran mesin, dan analisis skenario. Sehubungan dengan pengurangan ketidakpastian yang terkait dengan data masukan, blockchain dapat menyediakan data inventaris beresolusi tinggi (misalnya, temporal, spasial). Beberapa metode yang disebutkan di atas dapat diimplementasikan menggunakan perangkat lunak komersial (misalnya, SimaPro, Gabi) dan akses terbuka (misalnya, OpenLCA, ActivityBrowser). Aplikasi tersebut sering kali melibatkan modifikasi konfigurasi platform perangkat lunak secara manual. Implementasi lain, meskipun biasanya memiliki keunggulan otomatisasi dan fleksibilitas yang lebih tinggi dalam menyelidiki berbagai sumber ketidakpastian, perlu diimplementasikan sebagai skrip kode, yang mengharuskan praktisi LCA memiliki tingkat keterampilan pemrograman tertentu. Terakhir, area potensial yang memerlukan pengembangan lebih lanjut meliputi pengintegrasian teknologi blockchain dengan pemodelan inventaris, standarisasi metodologi analisis ketidakpastian, pengembangan platform perangkat lunak yang mudah digunakan, dan pengintegrasian berbagai pendekatan analisis ketidakpastian. Pengembangan ini dapat meningkatkan keandalan dan kredibilitas hasil LCA serta mendorong penerapannya secara lebih luas dalam proses pengambilan keputusan.
