http://research.pps.dinus.ac.id , 31
PREDIKSI KECEPATAN ANGIN MENGGUNAKAN MODEL ARTIFICIAL
NEURAL NETWORK BERBASIS ADABOOST
Abdul Syukur1, Catur Supriyanto2, Akhmad Khanif Zyen3123Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro
ABSTRACT
Prediction is an attempt to predict the future by examining the past. This prediction consists of the bias estimation of the magnitude of future several variables, such as sales, on the basis of knowledge of the past, present, and experience. Adaboost is one of the optimization algorithm which can improve the accuracy of a predictive value. Previous research examines the exchange rate prediction of wind speed using back propagation Artificial Neural Network algorithm. The purpose of this study is intended to improve the accuracy of prediction of wind speed previously predicted using Artificial Neural Network Backpropagation algorithm then improved the prediction accuracy using adaboost algorithm during the process of training and added back propagation Artificial Neural Network algorithm in the learning process.The results showed that the prediction accuracy of the wind speed values previously predicted using Artificial Neural Network back propagation algorithm with an accuracy of prediction error at sample time per 10 minute predictions of 0.31576596 managed to reduce the value of the accuracy of the prediction error using adaboost algorithm during training and coupled Artificial Neural Network algorithm Backpropagation learning process with an accuracy of prediction error amounting to 0.15945762.
Keywords : Prediction, Wind Speed, Backpropagation Artificial Neural Network , Adaboost.
1. LATAR BELAKANG
Ada banyak energi sumber daya alam yang digunakan untuk menghasilkan listrik diantaranya Air, Uap, Gas, Panas Bumi, Surya, Ombak Laut, Sampah, Nuklir dan Angin. Salah satu energi sumber daya alam yang banyak dikembangkan secara signifikan di seluruh dunia saat ini adalah energi angin [1].
Angin merupakan sumber energi yang bebas polusi dan layak secara ekonomis untuk mengeksplorasi dalam hal memproduksi energi listrik secara besar-besaran, sehingga energi angin ini tak kalah kompetitifnya dengan sumber energi lain [2][3]. Energi angin juga berdampak aman pada lingkungan karena sesuai dengan proses produksinya energi ini tidak memancarkan gas polusi. Karena banyak nilai positif yang dihasilkan pada energi angin yang diproduksi menjadi energi listrik saat ini,
Prediksi adalah salah satu teknik yang paling penting dalam mengetahui kecepatan angin yang dihasilkan. Keputusan dalam prediksi adalah sangatlah penting, karena dengan prediksi dapat dihitung jumlah energi listrik yang dihasilkan dengan jumlah kebutuhan listrik. dan prediksi yang baik adalah prediksi secara akurat[4].
Untuk melakukan prediksi secara akurat maka diperlukan metode yang tepat pula. Artificial Neural
Network atau biasa disebut juga jaringan syaraf tiruan adalah suatu metode komputasi yang meniru sistem
jaringan saraf biologi. Metode ini menggunakan elemen perhitungan non-linier dasar yang disebut neuron yang diorganisasikan sebagai jaringan yang saling berhubungan, sehingga mirip dengan jaringan saraf
32 http://research.pps.dinus.ac.id manusia[5]. Jaringan saraf tiruan ini dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran[6].
Ada beberapa kelemahan dan kekurangan dari algoritma Backpropagation yang pertama dikemukakan oleh H. Selcuk Nogay, dkk menemukan masalah dalam melaksanakan Artificial
Neural Network dalam prediksi kecepatan angin ketika hasil pelatihan dan pengujian tidak
seperti apa yang diharapkan. Hal ini terjadi karena masalah utama saat ini informasi yang tidak dapat ditangkap oleh komputer telah mengubah pola Artificial Neural Network di antara pelatihan dan data pengujian fase [7].
Boosting merupakan teknik yang ampuh untuk mengkombinasikan banyak classifier untuk
membentuk suatu gabungan yang perfomanya lebih baik dibanding performa tiap classifier dasar tersebut. Pada penelitian ini akan dilakukan peningkatkan akurasi algoritma Artificial Neural
Network Backpropagation dalam memprediksi atau meramalkan tingkat akurasi eror dalam
memprediksi kecepatan angin untuk menghasilkan energi listrik dengan menggunakan data time
series dan algoritma Adaboost sebagai proses training sehingga diharapkan dapat memiliki akurasi yang tinggi yaitu dengan melihat rendahnya tingkat error dalam memprediksi besarnya kecepatan angin yang dihasilkan.
Berdasarkan latar belakang permasalahan yang telah disebutkan dalam uraian sebelumnya maka dapat dirumuskan permasalahan sebagai berikut : tingkat akurasi yang dihitung menggunakan data time series dengan algoritma Backpropagation tidak sesuai dengan yang diharapkan [8]. Adaboost sebagai algoritma yang dapat memprediksi sangat akurat diharapkan dapat meningkatkan akurasi prediksi dengan melihat tingkat error dalam memprediksi besarnya kecepatan angin.
Berdasarkan latar belakang dan rumusan masalah diatas, maka tujuan penelitian ini adalah untuk meningkatkan akurasi prediksi kecepatan angin dengan melihat tingkat error dalam memprediksi besarnya kecepatan angin yang dihasilkan dengan menggunakan model adaboost sebagai proses training dan di dalamnya menggunakan Artificial Neural Network
Backpropagation sebagai proses learningnya
Manfaat hasil penelitian ini adalah agar para pengguna kecepatan angin untuk menghasilkan listrik dapat menggunakan model Artificial Neural Network berbasis Adaboost sebagai alat untuk menganalisis dan memprediksi besarnya kecepatan angin dalam waktu-waktu tertentu guna menghitung antara besarnya kebutuhan listrik dengan jumlah energi listrik yang dihasilkan dari kecepatan angin dengan akurasi yang tinggi.
2. LANDASAN TEORI 2.1. Data mining
Data adalah sumber daya yang berharga karena dapat menghasilkan wawasan yang baru dan dapat membuat pengaturan komersial untuk keunggulan yang kompetitif, sedangkan data mining adalah tentang memecahkan masalah dengan cara menganalisis data yang sudah ada dalam database [9]. Misalnya dengan proses menemukan pola-pola dalam data. Proses ini otomatis atau seringnya semiotomatis. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar[10].
2.2. Prediksi
Prediksi adalah salah satu strategi yang umum digunakan di sebagian besar perusahaan di sekitar dunia untuk merencanakan pekerjaan mereka sebelum itu benar-benar terjadi. Ada banyak jenis prediksi atau
http://research.pps.dinus.ac.id , 33 peramalan yang dihasilkan[11]. Prediksi juga merupakan suatu usaha untuk meramalkan masa depan dengan memeriksa masa lalu. Ini terdiri dari menghasilkan estimasi bias dari besarnya masa depan beberapa variabel, seperti penjualan, atas dasar pengetahuan masa lalu dan sekarang dan pengalaman.
2.3. Artificial Neural Network
Salah satu produk terbaru dari upaya manusia tentang penelitian dan imitasi dari alam adalah jaringan syaraf tiruan teknologi. Artificial Neural Network s adalah program yang dirancang untuk mensimulasikan perilaku sistem saraf biologi sederhana. Artificial Neural Network dibentuk oleh penataan yang diramalkan suatu jumlah sel syaraf tiruan dalam arsitektur tertentu untuk memproses data. Struktur ini biasanya terdiri dari beberapa lapisan, yang diberi nomor[8][7].
Lebih lanjut dijelaskan bahwa ANN dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi: pemrosesan informasi terjadi pada banyak elemen sederhana (neuron); sinyal dikirimkan diantara neuron-neron melalui penghubung-penghubung; penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal; dan untuk menentukan output setiap neuron menggunakan fungsi aktivasi yang dikenakan pada jumlahan input yang diterima, besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. Dengan demikian ANN ditentukan oleh tiga hal, yaitu: pola hubungan antar neuron (disebut arsitektur jaringan); metode untuk menentukan bobot penghubung (disebut metode training/ learning/ algoritma); dan fungsi aktivasi[12][13].
ANN telah banyak diaplikasikan dan sangat sukses digunakan untuk memecahkan berbagai masalah dalam berbagai disiplin ilmu seperti bidang komputer, teknik, ilmu murni, perdagangan, financial dan lain-lain[4].
2.4. Backpropagation
Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model yang dikembangkan (training set)[8].
a. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar. b. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target.
c. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses. d. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang
terdapat pada masukan. Ulangi proses ini sampai masukan tercapai.
Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung[2].
Langkah berikutnya adalah menghitung nilai Mean Square Error (MS Error). Dihitung sebagai berikut :
……….2.1 MSE = Mean Square Error
Dt = Close Ft = Prediksi
N = Total jumlah periode
34 http://research.pps.dinus.ac.id a. Algoritma Pelatihan
Pelatihan suatu jaringan dengan algoritma Backpropagation meliputi dua tahap : perambatan maju dan perambatan mundur.
Selama perambatan maju, tiap unit masukan (xi) menerima sebuah masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1,…..,zp. Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya (yk) untuk membentuk respon pada jaringan untuk memberikan pola masukan.
Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan unit itu. Berdasarkan kesalahan ini, faktor δk (k = 1,..,m) dihitung. δk digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke yk). Juga digunakan (nantinya) untuk mengupdate bobotbobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi zj. Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi δj digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan masukan.Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot wjk (dari unit tersembunyi zj ke unit keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit tersembunyi zj. didasarkan pada faktor δj dan dan aktivasi xi unit masukan.
b. Prosedur Pelatihan
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil), Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
c. Perambatan Maju :
Langkah 3 : Tiap unit masukan (xi, i = 1,…, n) menerima sinyal xi dan menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
Langkah 4 : Setiap unit tersembunyi (xi, i = 1,…, p) jumlahkan bobot sinyal masukannya, y
………..2.2
voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal
keluarannya, zj = f (z_inj), dan kirimkan sinyal ini keseluruh unit pada lapisan di atasnya (unit keluaran).
Langkah 5 : Tiap unit keluaran (yk, k = 1,…, m) jumlahkan bobot sinyal masukannya, y
………2.3
wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung
http://research.pps.dinus.ac.id , 35 d. Perambatan Mundur
Langkah 6 : Tiap unit keluaran (yk , k = 1,…, m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
p p p
………..2.4 hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),
………..2.5
hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya), dan kirimkan δk ke unit-unit pada lapisan dibawahnya,
Langkah 7 : Setiap unit lapisan tersembunyi (zj, j = 1,…, p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan diatasnya),
( p
………..2.6 kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya, g
………..2.7 hitung koreksi bobotnya (digunakan untuk memperbaharui voj nanti),
Langkah 8 : Tiap unit keluaran (yk, k = 1,…, m) update bias dan bobotnya (j = 0,…, p) :
………..2.8 Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias dan bobotnya
(I = 0,…,n) :
………..2.9 Langkah 9 : Test kondisi berhenti.
e. Prosedur Pengujian :
Setelah pelatihan, jaringan saraf Backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya adalah sebagai berikut :
Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan). Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4. Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi . Langkah 3 : for j = 1,…, p :
………..2.10
Langkah 4 : for k = 1,…, m :
………..2.11
36 http://research.pps.dinus.ac.id 2.5. AdaBoost
Boosting merupakan teknik yang ampuh untuk mengkombinasikan banyak classifier untuk membentuk
suatu gabungan yang perfomanya lebih baik dibanding performa tiap classifier dasar tersebut. Bentuk
boosting yang banyak digunakan adalah Adaboost, singkatan dari adaptive boosting, yang dikembangkan
oleh Freund dan Schapire. Performa boosting dapat menghasilkan klasifikasi yang bagus, meskipun tiap
classifier dasar-nya hanya sedikit lebih bagus daripada algoritma random. Satuan classifier ini dapat
disebut weak learner.
Salah satu algoritma boosting yang populer adalah Adaboost. Pada algoritma Adaboost ini, pertama-tama nilai bobot untuk setiap tuple pada himpunan D diinisialisasi sebesar 1/d (d=jumlah anggota himpunan D). Setelah suatu model Mi dibangkitkan, kemudian dihitung tingkat kesalahannya (error rate), dengan cara menjumlahkan nilai bobot dari setiap tuple yang misclassified (salah klasifikasi) pada Mi.
Error rate ini dapat dihitung menggunakan rumus:
Berikut ini adalah langkah-langkah dari algoritma Adaboost: Input:
a. D, suatu himpunan yang terdiri dari sebanyak d class-labeled training tuple b. K, banyaknya classifier yang akan dibangkitkan
c. Suatu classification learning scheme
Output:
a. Inisialisasi nilai bobot untuk setiap tuple pada himpunan D sebesar 1/d; b. For i=1 to k do
c. Lakukan sampling pada himpunan D untuk mendapatkan Di; d. Gunakan Di untuk menurunkan sebuah model Mi;
e. Hitung tingkat kesalahan (error rate) Mi; f. If error(Mi)>0,5 then
g. Inisialisasi lagi nilai bobot sebesar 1/d; h. Kembali ke langkah nomor 3 dan coba lagi; i. Endif;
j. For (setiap tuple pada Di yang sudah terklasifikasi dengan benar) do k. Kalikan nilai bobot pada tuple dengan (error(Mi)/(1-error(Mi))); l. Normalisasi nilai bobot pada setiap tuple;
m. Endfor
3. METODE PREDIKSI KECEPATAN ANGIN MENGGUNAKAN MODEL ARTIFICIAL
NEURAL NETWORK BERBASIS ADABOOST
Proses pertama atribut akan di training terlebih dahulu menggunakan algoritma Adaboost karena
Adaboost sebagai algoritma yang dapat memprediksi sangat akurat diharapkan mampu memprediksi
secara akurat, kemudian dilanjutkan dengan proses learning menggunakan algoritma Artificial Neural
Network dan kemudian ditesting yaitu proses pengetasan hasil pengolahan dari training menggunakan Adaboost dan di Learning menggunakan Artificial Neural Network , dari hasil testing ini kemudian akan
dianalisis tingkat akurasinya menggunakan MSE (Mean Sequare Error) dan diharapkan menghasilkan nilai akurasi prediksi kecepatan angin yang lebih akurat dan nilai RMSE yang lebih kecil daripada penelitian sebelumnya.
http://research.pps.dinus.ac.id , 37 Gambar 1. Diagram Alir Metode Penelitian
3.1. Metode Pengumpulan Data
Penelitian ini menggunakan data statistik kecepatan angin yang didapat dari badan meteorologi Jepara dari tanggal 1 Januari 2014 pukul 00.00 sampai dengan tanggal 8 Januari 2014 pukul 01.30 sebanyak 297 menggunakan alat pengukur kecepatan angin yang disebut dengan Anemometer, alat ini terdiri dari tiga buah mangkuk yang dipasang simetris pada sumbu vertikal. Pada bagian bawah dari sumbu vertical dipasang generator, yang terputar oleh ketiga mangkuk. Tegangan dari generator sebanding dengan kecepatan berputar dari mangkuk - mangkuk. Wind Vane atau alat penunjuk arah angin adalah sebuah instrumen yang digunakan untuk mengetahui arah horizontal pergerakan angin (angin permukaan). Data ini 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.
EVALUATION AND VALIDATION
Analisis dan Akurasi Prediksi Menggunakan MSE (Mean Sequare Error)
TRAINING PROCESS WITH ADA BOOST
Data kecepatan angin ditraining menggunakan adaboost
DATA GATHERING AND PRE-PROCESSING
Data Kecepatan Angin didapat dari Badan Meteorologi Jepara. Direkapitulasi dengan
antribut : Start, High, Low, End
RESULT
Diketahui bahwa Algoritma Adaboost dapat meningkat akurasi prediksi Kecepatan
Angin
LEARNING PROCESS WITH ARTIFICIAL NEURAL NETWORK
Proses pembelajaran prediksi menggukanan Artificial Neural Network
TESTING
Proses pengetesan hasil pengolahan dari training menggunakan adaboost dan di learning menggunakan Artificial Neural
Network
PROBLEMS
Apakah algoritma Backpropagation dapat ditingkatkan akurasinya pada data time series
38 http://research.pps.dinus.ac.id 3.2. Metode Training Menggunakan Ada Boost
Penelitian ini menggunakan model Adaboost sebagai proses training dari hasil pengumpulan data. Dalam proses training data statistik kecepatan anginakan diproses terlebih dahulu untuk mengubah nilai nominal menjadi numerik, karena Adaboost tidak dapat membaca nilai nominal. Dari hasil data numerik tersebut kemudian data di training menggunakan adaboost.
3.3. Metode Learning Menggunakan Model Artificial Neural Network
Penelitian ini menggunakan model Artificial Neural Network (Backpropagation) dalam proses learning, sebelum proses learning data statistik kecepatan angin akan diproses terlebih dahulu untuk mengubah nilai nominal menjadi numerik.
3.4. Metode Testing
Pada tahap ini data hasil pengolahan antara training menggunakan model adaboost dan learning menggunakan model Artificial Neural Network (Backpropagation) di testing guna mengukur berapa akurasi trend dari prediksi.
3.5. Metode Evaluasi dan Validasi
Terdapat banyak algotrima yang dapat dipakai untuk memprediksi besar kecepatan angin namun belum diketahui apakah model Artificial Neural Network berbasis Adaboost memiliki kinerja lebih akurat. Sehingga perlu diuji untuk mengetahuinya. Model yang diusulkan adalah model analisis tingkat akurasi dari algoritma Backpropagation berbasis Adaboost untuk memprediksi besar kecepatan angin. Algoritma ini akan di implementasikan dengan menggunakan Rapid Miner 5.1.001x32.
4. HASIL DAN PEMBAHASAN
Data awal dalam penelitian ini memakai data nilai kecepatan angin yang didapatkan dari badan meteorologi Jepara sudah berupa data yang terdiri dari atribut star, high, low, end. Tiap baris data adalah nilai kecepatan angin mulai dari awal mula kecepatan angin, nilai kecepatan angin tertinggi, nilai kecepatan angin terendah, dan nilai akhir kecepatan angin dalam selang waktu 10 menit, 30 menit, dan 60 menit
Penelitian ini memakai data nilai kecepatan angin yang berada di daerah Jepara dengan kurun waktu setiap 10 menit, 30 menit, dan 60 menit dari tanggal 1 Januari 2014 pukul 00.00 hingga tanggal 8 januari 2014 pukul 01:30 sebanyak 297 data. (data awal terlampir).
4.1. Hasil Penelitian
Dari hasil penerapan menggunakan algoritma optimasi Adaboost untuk meningkatkan akurasi prediksi kecepatan angin dengan menggunakan data nilai kecepatan angin yang berada di daerah Jepara yang di dapat dari badan meteorologi Jepara dengan menggunakan Rapid Miner 5.1. maka didapat hasil bahwa algoritma Adaboost mampu meningkatkan akurasi prediksi dari algoritma Artificial Neural Network dalam memprediksi kecepatan angin per 10 menit sebesar 15 persen didapat dari besar nilai error prediksi kecepatan angin per 10 menit menggunakan algoritma Artificial Neural Network sebesar 0.31576596 dikurangi besar nilai error prediksi kecepatan angin per 10 menit menggunakan model Artificial Neural
Network berbasis adaboost yaitu 0.15945762.
4.2. Pembahasan
Nilai akurasi prediksi dikatakan tinggi apabila nilai MSEnya rendah maka untuk mengukur keandalan prediksi dalam penelitian ini menggunakan MSE (Mean Sequare Error). Dari hasil percobaan prediksi yang telah dilakukan maka didapat :
http://research.pps.dinus.ac.id , 39 Tabel 2. Keandalan Prediksi Menggunakan MSE
No Waktu Prediksi
MSE (Mean Sequare Error)
Artificial Neural Network Adaboost + NN
1. Per 10 menit 0.31576596 0.15945762 2. Per 30 menit 0.10049590 0.02484567 3. Per 60 menit 0.07208634 0.00994708
Gambar 2. Keandalan Prediksi Menggunakan MSE
Dari Tabel dan Grafik Keandalan prediksi menggunakan MSE di atas didapat nilai kesalahan error prediksi per 10 menit menggunakan Artificial Neural Network sebesar 0.31576596 sedangkan nilai kesalahan error Adaboost lebih rendah yaitu sebesar 0.15945762, nilai kesalahan error prediksi per 30 menit menggunakan Artificial Neural Network sebesar 0.10049590 sedangkan nilai kesalahan error
Adaboost lebih rendah yaitu sebesar 0.02484567, nilai kesalahan error prediksi per 60 menit
menggunakan Artificial Neural Network sebesar 0.07208634 sedangkan nilai kesalahan error Adaboost lebih rendah yaitu sebesar 0.00994708. Sehingga dapat disimpulkan bahwa nilai MSE Adaboost + NN dalam memprediksi lebih kecil dibandingkan Artificial Neural Network maka nilai prediksi menggunakan
40 http://research.pps.dinus.ac.id 5. KESIMPULAN DAN SARAN
5.1. Kesimpulan
Hasil penelitian pertama yang telah dilakukan dengan menggunakan Algoritma Artificial Neural Network Backpropagatioan menunjungkan tingkat akurasi error prediksi pada waktu prediksi per 10 menit sebesar 0.31576596, per 30 menit sebesar 0.10049590, per 60 menit sebesar 0.07208634 dan hasil penelitian kedua yang telah dilakukan menggunakan Algoritma Optimasi Adaboost pada proses training dan ditambah Artificial Neural Network Backpropagation pada proses learning menunjukkan tingkat akurasi
error prediksi pada waktu prediksi per 10 menit sebesar 0.15945762, per 30 menit sebesar 0.02484567,
per 60 menit sebesar 0.00994708
Berdasarkan hasil penelitian, dapat disimpulkan bahwa Algoritma Optimasi Adaboost pada proses
training ditambah dengan Artificial Neural Network Backpropagation pada proses learning memiliki
tingkat akurasi error yang lebih rendah dibandingan dengan tingkat akurasi error pada Artificial Neural
Network Backpropagation sehingga berhasil meningkatkan akurasi prediksi kecepatan angin.
5.2. Saran
Berdasarkan hasil penelitian, penerapan perhitungan nilai akurasi error pada prediksi bisnis kecepatan angin menggunakan algoritma Adaboost dapat berguna dalam memprediksi nilai Kecepatan Angin Pada Prediksi Kecepatan Angin, namun terdapat beberapa hal yang perlu penulis sarankan antara lain algoritma optimasi prediksi ini akan menghasilkan hasil yang optimal jika menggunakan data dan atribut lebih banyak.
DAFTAR PUSTAKA
[1] A. J. Deppe, W. a. Gallus, and E. S. Takle, “A WRF Ensemble for Improved Wind Speed Forecasts at Turbine Height,” Journal American Meteorological Society., vol. 28, no. 1, pp. 212 - 228, May. 2013.
[2] S. M. Giebel, M. Rainer, and N. S. Aydın, “Simulation and Prediction of Wind Speeds : A Artificial
Neural Network for Weibull,” JIRSS. vol. 12, no. 2, pp. 293–319, June. 2013.
[3] U. Cali, B. Lange, J. Dobschinski, M. Kurt, C. Moehrlen, and B. Ernst, “Artificial Neural Network based wind power forecasting using a multi-model approach,”. Journal WEBPROG. pp. 1–6, May. 2012
[4] S. Kalogirou, C. Neocleous, S. Pashiardis, C. Schizas, and P. O. Box, “Wind Speed Prediction Using Artificial Neural Network s * Ministry of Agriculture , Natural Resources and Environment,”
University of Cyprus Department Of Computer Science".University Of Cyprus. 2010.
[5] O. Ohashi, “Wind speed forecasting using spatio-temporal indicators,” 2009.
[6] J. J. G. De Rosa, J. G. Ramiro, J. Melgar, A. Agüera, and A. Moreno, “Comparison of Models for Wind Speed Forecasting.” PAIDI TIC no.168, pp. 1 - 6. Mar. 2011.
[7] H. S. Nogay, “Application of Artificial Neural Network s for short term wind speed forecasting in Mardin , Turkey,” Journal Of Energy in Shouthern Africa. vol. 23, no. 4, pp. 2–7, Mar. 2012. [8] P. Gomes, “Wind Speed and Wind Power Forecasting using Statistical Models : AutoRegressive
Moving Average ( ARMA ) and Artificial Neural Network s ( ANN ),” International Journal of
Sustainable Energy Development (USED). vol. 1, no. June, pp. 36–45, 2012.
[9] W. H. Ian, F. Eibe, "Data mining, Practical Machine Learning Tools and Techniques“, second edition QA76.9.D343W58, 2010.
[10] W. H. Ian, F. Eibe, "Data mining, Practical Machine Learning Tools and Techniques“, third edition QA76.9.D343W58, 2011..
[11] D. Lugt, “Improving GLAMEPS wind speed forecasts by statistical postprocessing,” Royal
http://research.pps.dinus.ac.id , 41 [12] J. Lari, “Production Planning of a Wind Farm Based on Wind Speed Forecasting”, ESPOO, AS-74
April 2010.
[13] J. M. Sloughter, T. Gneiting, and A. E. Raftery, “Probabilistic Wind Speed Forecasting Using Ensembles and Bayesian Model Averaging,” Journal Of The American Statistical Association, vol. 105, no. 489, pp. 25–35, Mar. 2010.
