Professional Documents
Culture Documents
197 737 1 PB
197 737 1 PB
1,
Januari 2015
ABSTRACT
Prediction is one of the most important techniques in knowing the wind speed is generated.
Decision in predicting is very important, because the predictions can calculate the amount of
electrical energy generated by the amount of electricity needs and a good prediction is accurate
predictions. The purpose of this study is intended to predict the magnitude of wind speed using
neural network models to determine the large electric power generated. These results indicate that
the application of Neural Network algorithm is able to predict the wind speed at the level of 0.378
+/- 0.200 prediction accuracy so that with this prediction may help to know a large electric power to
be generated.
ABSTRAK
Prediksi adalah salah satu teknik yang paling penting dalam mengetahui kecepatan angin
yang dihasilkan. Keputusan dalam memprediksi adalah sangatlah penting, karena dengan prediksi
dapat menghitung jumlah energi listrik yang dihasilkan dengan jumlah kebutuhan listrik dan
prediksi yang baik adalah prediksi secara akurat. Tujuan dari penelitian ini dimaksudkan
memprediksi besarnya kecepatan angin menggunakan model neural network untuk mengetahui
besar daya listrik yang dihasilkan. Hasil penelitian ini menunjukan bahwa penerapan algoritma
Neural Network mampu untuk memprediksi besar kecepatan angin dengan tingkat akurasi prediksi
0.378 +/- 0.200 sehingga dengan prediksi ini dapat membantu mengetahui besar daya listrik yang
akan dihasilkan.
53
Jurnal DISPROTEK : Volume 6 no. 1,
Januari 2015
kecepatan angin yang dihasilkan tiap jam pengetahuan masa lalu dan sekarang dan
atau bahkan tiap menitnya, besarnya energi pengalaman. Esensi dari ramalan adalah
listrik yang dihasilkan dapat menghitung dengan memperkirakan peristiwa masa
dengan jumlah kebutuhan listrik sehingga depan berdasarkan pola-pola masa lalu dan
kebutuhan akan memprediksi atau menerapkan penilaian untuk proyeksi.
meramalkan kecepatan angin adalah sangat Prediksi sangat penting untuk perusahaan
penting. Melihat kebutuhan akan prediksi bisnis modern. Prediksi yang diperlukan
untuk mengelola sumber daya energi harus dibuat, halus dan direvisi. Perubahan
khususnya sumber daya energi angin terjadi jika tidak diantisipasi, hasilnya bisa
menjadi faktor penting untuk menghitung menjadi bencana. Suatu perusahaan
jumlah listrik yang dihasilkan dari energi mempersiapkan untuk perubahan dengan
angin ini maka mengharuskan penggunaan perencanaan, yang pada gilirannya
model-model khusus untuk dapat memerlukan pembuatan perkiraan,
memprediksi kecepatan angin baik menetapkan tujuan berdasarkan perkiraan
kecepatan angin jangka pendek maupun dan menentukan bagaimana busur tujuan
kecepatan angin jangka panjang untuk untuk dihubungi. Singkatnya, peramalan
memproduksi listrik tersebut[2][7]. merupakan bagian integral dari proses
Prediksi adalah salah satu teknik yang perencanaan [19].
paling penting dalam mengetahui kecepatan
angin yang dihasilkan. Keputusan Neural Network
memprediksi sangatlah penting, karena Artificial Neural Network (ANN)
dengan prediksi dapat menghitung jumlah sebagai cabang dari ilmu kecerdasan buatan
energi listrik yang dihasilkan dengan jumlah (artificial intelligence) merupakan salah satu
kebutuhan listrik dan prediksi yang baik sistem pemrosesan informasi yang didesain
adalah prediksi secara akurat[8]. dengan menirukan cara kerja otak manusia
Untuk melakukan prediksi secara dalam menyelesaikan suatu masalah.
akurat, diperlukan metode yang tepat pula. Alexander dan Morton dalam Suyanto
Neural network atau biasa disebut juga mendefinisikan ANN sebagai prosesor
jaringan syaraf tiruan adalah suatu metode tersebar paralel yang sangat besar yang
komputasi yang dapat digunakan untuk memiliki kecendeungan untuk menyimpan
memprediksi[7]. pengetahuan yang bersifat pengalaman dan
Berdasarkan latar belakang membuatnya untuk siap digunakan[7].
permasalahan yang telah disebutkan dalam
uraian sebelumnya, dapat dirumuskan Back Propagation
permasalahan, apakah model prediksi dapat
Metode Backpropagation
memprediksi kecepatan angin guna
mengetahui besar daya listrik yang Perambatan galat mundur
dikeluarkan. Model Neural Netwrok sebagai (Backpropagation) adalah sebuah metode
algoritma yang dapat memprediksi sistematik untuk pelatihan multiplayer
diharapkan dapat memprediksi besar jaringan saraf tiruan. Metode ini memiliki
kecepatan angin tersebut. dasar matematis yang kuat, objektif dan
Berdasarkan latar belakang dan algoritma ini mendapatkan bentuk
rumusan masalah di atas, tujuan penelitian persamaan dan nilai koefisien dalam formula
ini adalah untuk memprediksi besar dengan meminimalkan jumlah kuadrat galat
kecepatan angin yang dihasilkan error melalui model yang dikembangkan
menggunakan model neural network. (training set)[1].
1) Dimulai dengan lapisan masukan, hitung
Landasan Teoritis keluaran dari setiap elemen pemroses
Prediksi melalui lapisan luar.
2) Hitung kesalahan pada lapisan luar yang
Prediksi adalah salah satu strategi
merupakan selisih antara data aktual
yang umum digunakan di sebagian besar
dan target.
perusahaan di dunia untuk merencanakan
3) Transformasikan kesalahan tersebut
pekerjaan mereka sebelum itu benar-benar
pada kesalahan yang sesuai di sisi
terjadi. Ada banyak jenis prediksi atau
masukan elemen pemroses.
peramalan yang dihasilkan[18]. Prediksi juga
4) Propagasi balik kesalahan-kesalahan ini
merupakan suatu usaha untuk meramalkan
pada keluaran setiap elemen pemroses
masa depan dengan memeriksa masa lalu.
ke kesalahan yang terdapat pada
Ini terdiri dari menghasilkan estimasi bisa
masukan. Ulangi proses ini sampai
dari besarnya masa depan beberapa
masukan tercapai.
variabel, seperti penjualan, atas dasar
54
Jurnal DISPROTEK : Volume 6 no. 1,
Januari 2015
Langkah-langkah Algoritma
Backpropagation
voj = bias pada unit tersembunyi j aplikasikan
1) Algoritma Pelatihan
fungsi aktivasinya untuk menghitung sinyal
Pelatihan suatu jaringan dengan
keluarannya, zj = f (z_inj), dan kirimkan
algoritma backpropagation meliputi dua
sinyal ini keseluruh unit pada lapisan di
tahap : perambatan maju dan perambatan
atasnya (unit keluaran).
mundur. Selama perambatan maju, tiap unit
Langkah 5 : Tiap unit keluaran (yk, k = 1,…,
masukan (xi) menerima sebuah masukan
m) jumlahkan bobot sinyal
sinyal ini ke tiap-tiap lapisan tersembunyi
masukannya,
z1,…..,zp. Tiap unit tersembunyi ini
kemudian menghitung aktivasinya dan
mengirimkan sinyalnya (zj) ke tiap unit
keluaran. Tiap unit keluaran (yk) menghitung
wok = bias pada unit keluaran k dan
aktivasinya (yk) untuk membentuk respon
aplikasikan fungsi aktivasinya untuk
pada jaringan untuk memberikan pola
menghitung sinyal keluarannya, yk = f
masukan.
(y_ink).
Selama pelatihan, tiap unit keluaran
membandingkan perhitungan aktivasinya yk
4) Perambatan Mundur :
dengan nilai targetnya tk untuk menentukan
Langkah 6 : Tiap unit keluaran (yk , k = 1,…,
kesalahan pola tersebut dengan unit itu.
m) menerima pola target yang saling
Berdasarkan kesalahan ini, faktor δk (k =
berhubungan pada masukan pola
1,..,m) dihitung. δk digunakan untuk
pelatihan, hitung kesalahan
menyebarkan kesalahan pada unit keluaran
informasinya,
yk kembali ke semua unit pada lapisan
sebelumnya (unit-unit tersembunyi yang
dihubungkan ke yk). Juga digunakan hitung koreksi bobotnya (digunakan untuk
memperbaharui wjk nantinya),
(nantinya) untuk mengupdate bobotbobot
antara keluaran dan lapisan tersembunyi.
Dengan cara yang sama, faktor (j = 1,…,p) hitung koreksi biasnya (digunakan untuk
dihitung untuk tiap unit tersembunyi zj. Tidak memperbaharui wok nantinya), dan kirimkan
perlu untuk menyebarkan kesalahan kembali δk ke unit-unit pada lapisan di bawahnya,
ke lapisan masukan, tetapi δj digunakan Langkah 7 : Setiap unit lapisan tersembunyi
untuk mengupdate bobot antara lapisan (zj, j = 1,…, p) jumlahkan hasil
tersembunyi dan lapisan masukan.Setelah perubahan masukannya (dari unit-unit
seluruh faktor δ ditentukan, bobot untuk lapisan di atasnya),
semua lapisan diatur secara serentak.
Pengaturan bobot wjk (dari unit tersembunyi
zj ke unit keluaran yk) didasarkan pada faktor
kalikan dengan turunan fungsi aktivasinya
δk dan aktivasi zj dari unit tersembunyi zj.
untuk menghitung informasi kesalahannya,
didasarkan pada faktor δj dan dan aktivasi xi
unit masukan.
hitung koreksi bobotnya (digunakan untuk
2) Prosedur Pelatihan memperbaharui voj nanti),
Langkah 0 : Inisialisasi bobot. (sebaiknya Langkah 8 : Tiap unit keluaran (yk, k = 1,…,
diatur pada nilai acak yang kecil), m) update bias dan bobotnya (j = 0,…,
Langkah 1 : Jika kondisi tidak tercapai, p) :
lakukan langkah 2-9,
55
Jurnal DISPROTEK : Volume 6 no. 1,
Januari 2015
Tiap unit lapisan tersembunyi (zj, j = 1,…, p) Metode Evaluasi dan Validasi
update bias dan bobotnya Terdapat banyak algotrima yang dapat
(I = 0,…,n) : dipakai untuk memprediksi salah satunya
adalah model neural network. Model Neural
Langkah 9 : Tes kondisi berhenti. Network ini diharapkan dapat memprediksi
Prosedur Pengujian : besar kecepatan angin yang dihasilkan.
Setelah pelatihan, jaringan saraf Algoritma ini akan di implementasikan
backpropagation diaplikasikan dengan hanya dengan menggunakan Rapid Miner
menggunakan tahap perambatan maju dari 5.1.001x32.
algoritma pelatihan. Prosedur aplikasinya
adalah sebagai berikut : Hasil dan Pembahasan Penelitian
Langkah 0 : Inisialisasi bobot (dari algoritma a. Data Awal
pelatihan). Penelitian ini menggunakan data
Langkah 1 : Untuk tiap vektor masukan, statistik kecepatan angin yang didapat dari
lakukan langkah 2-4. badan meteorologi Jogjakarta dengan besar
Langkah 2 : for i = 1,…, n : atur aktivasi unit kecepatan angin yang terdapat pada daerah
masukan xi . pantai Gunung Kidul Jogjakarta dari tanggal
Langkah 3 : for j = 1,…, p : 1 Desember 2014 pukul 00.00 sampai
dengan tanggal 3 Desember 2014 pukul
Langkah 4 : for k = 1,…, m : 01.30 sebanyak 297 data berupa data yang
terdiri atas atribut star, high, low, end. Tiap
baris data adalah perubahan nilai besar
kecepatan angin mulai dari kecepatan awal,
kecepatan tinggi, kecepatan rendah, dan
kecepatan akhir dalam selang waktu 10
menit, 30 menit, dan 60 menit sebanyak 297
data.
b. Hasil Penelitian
Hasil penerapan menggunakan
Langkah 5 : Jika yk ≥ 0,5 maka yk = 1, else algoritma Neural Network untuk memprediksi
yk = 0. besar kecepatan angin maka didapat hasil
bahwa algoritma Neural Network mampu
Metode Penelitian memprediksi besar kecepatan angin dengan
Metode Pengumpulan data tingkat akurasi kesalahan 0.378 +/- 0.200.
Penelitian ini menggunakan data
statistik kecepatan angin yang didapat dari c. Pembahasan
badan meteorologi Jogjakarta dengan besar Pengukuran Akurasi kecepatan angin
kecepatan angin yang terdapat pada daerah menggunakan Algoritma Neural Network
pantai Gunung Kidul Jogjakarta dari tanggal Backpropagation dengan menggunakan
1 Desember 2014 pukul 00.00 sampai aplikasi rapid miner.
dengan tanggal 3 Desember 2014 pukul
01.30 sebanyak 297 data berupa data yang
terdiri atas atribut star, high, low, end. Tiap
baris data adalah perubahan nilai besar
kecepatan angin mulai dari kecepatan awal,
kecepatan tinggi, kecepatan rendah, dan
kecepatan akhir dalam selang waktu 10
menit, 30 menit, dan 60 menit.
56
Jurnal DISPROTEK : Volume 6 no. 1, Januari
2015
57
Jurnal DISPROTEK : Volume 6 no. 1, Januari
2015
4. Grafik Antara Besar Kecepatan Angin Sesungguhnya dengan Besar Kecepatan Angin Prediksi
Menggunakan Neural Network.
58
Jurnal DISPROTEK : Volume 6 no. 1, Januari
2015
59