Memprediksi harga emisi karbon merupakan tantangan signifikan akibat data yang sangat volatil dan non-stasioner. Penelitian ini mengusulkan dan mengevaluasi sebuah model hibrida deep learning yang mengintegrasikan Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (CEEMDAN) dengan jaringan Long Short-Term Memory (LSTM). Metodologi yang digunakan membandingkan kinerja model LSTM-Baseline, model Gated Recurrent Unit (GRU), dan dua konfigurasi model hibrida: satu dengan strategi klasifikasi IMF berbasis Fuzzy Entropy dan satu lagi (dalam ablation study) yang memodelkan setiap komponen secara individual. Hasil pengujian menunjukkan bahwa pendekatan dekomposisi secara signifikan lebih unggul, di mana model CEEMDAN-LSTM tanpa klasifikasi IMF mencapai akurasi tertinggi. Model ini menghasilkan MAPE sebesar 0.78% pada data uji, sebuah peningkatan drastis dibandingkan dengan MAPE 8.62% dari model LSTM-Baseline, dan keunggulannya telah divalidasi sebagai signifikan secara statistik melalui Uji Diebold-Mariano. Penelitian ini menunjukkan bahwa meskipun dekomposisi sinyal merupakan langkah pra-pemrosesan yang sangat kuat, menjaga keutuhan informasi dari setiap komponen individual adalah kunci untuk mencapai akurasi peramalan yang maksimal.