Manahan Lubis 190155201006 Teknik Informatika1

(1)

Online ISSN 2746-8461

VOL:7,NO:1,TAHUN:2023 1

PREDIKSI KECEPATAN ANGIN MAKSIMUM DAN RATA-RATA PADA WILAYAH PESISIR MENGGUNAKAN GATED RECURRENT UNIT

Manahan Lubis¹, Tekad Matulatan², Muhamad Radzi Rathomi³ [email protected]

Program studi Teknik Informatika, Fakultas Teknik dan Teknologi Kemaritiman, Universitas Maritim Raja Ali Haji

Abstract

Wind speed is an important factor to be aware of as it significantly affects maritime and air transportation operations in coastal areas. Additionally, wind speed also impacts sea conditions such as ocean currents, waves, and weather conditions. This research delves into the implementation of the Gated Recurrent Unit (GRU) model for wind speed prediction, focusing on two distinct measurement locations: Tanjungpinang and Anambas. Various parameter configurations, such as batch size and epoch, were examined to assess the GRU model's performance. The experiments revealed intriguing findings regarding the variation in model performance based on location and parameter settings. Specifically, the GRU model for the average wind speed in Tanjungpinang, with a batch size of 64 and 80 epochs, exhibited optimal performance with an RMSE of 0.0743 and MAE of 0.0547. These results illustrate the applicative potential of the GRU model in forecasting local weather conditions with a significant level of accuracy. The implications extend to practical benefits in disaster risk mitigation planning and the development of more precise weather forecasts. This research not only contributes a detailed understanding of the GRU model's performance in wind speed prediction but also lays the groundwork for the advancement of more sophisticated and reliable weather prediction models.

Keywords: wind speed, data driven wheater predictions, gated recurrent unit, rmse

I. Pendahuluan

Prediksi kecepatan angin dengan akurasi yang tepat dapat membantu para pelaut untuk mengatur jadwal pelayaran mereka dan mengambil tindakan yang tepat untuk antisipasi dan menghindari kemungkinan cuaca buruk yang 2 dipengaruhi oleh kecepatan angin. Prediksi kecepatan angin yang lebih baik dapat membantu dalam perencanaan mitigasi risiko dan respons terhadap cuaca ekstrem.

Saat ini berbagai metode prediksi telah banyak dikembangkan seperti ANN, LSTM, ARIMA, dan lainnya. Peneliti memilih metode GRU untuk digunakan pada prediksi kecepatan angin karena merupakan salah satu metode yang sesuai untuk melakukan prediksi data time series yang dimana sesuai dengan jenis data yang akan digunakan. Dalam melakukan prediksi kecepatan angin maksimum dan rata-rata di Tanjungpinang dan Kepulauan Anambas, penulis menggunakan metode Gated Recurrent Unit (GRU) yang merupakan cabang dari Recurrent Neural Network (RNN) dalam melakukan prediksi. Beberapa penelitian menggunakan RNN, diantaranya Yadi, K. & Handri S., (2022) menggunakan metoda deep learning yang merupakan bagian dari Recurrent Neural network yaitu LSTM, Bidirectional LSTM, dan GRU dalam memprediksi kualitas udara. Nilai RMSE untuk metoda LSTM yaitu train score RMSE = 1.87 dan test score RMSE = 1.84, LSTM bidirectional

(2)

training score RMSE: 1.88 dan testing score RMSE: 1.86, dan GRU training score RMSE: 1.89 dan testing score RMSE: 1.85. Penelitian lain yang berhubungan dengan prediksi kecepatan angin dilakukan oleh Syukri & Samsuddin (2018) menggunakan algoritma ANN Backpropagation menghasilkan tingkat akurasi rata-rata yang baik yaitu sebesar 96%.

Berdasarkan latar belakang yang diangkat penulis di atas, penulis mengajukan penelitian yang berjudul "Prediksi Kecepatan Angin Maksimum dan Rata-rata pada Wilayah Pesisir Menggunakan Gated Recurrent Unit (Studi Kasus : UPT Tanjungpinang dan UPT Kepualauan Anambas)” yang diharapkan dapat menghasilkan tingkat akurasi yang baik dan nilai error seminimal mungkin.

II. Metode Penelitian

2.1. Data Driven Wheater Prediction

Data Driven Wheater Prediction adalah kerangka kerja di mana model berbasis data/data driven dilatih berdasarkan sejarah data cuaca dan memprediksi cuaca masa depan tanpa menyelesaikan persamaan fisik atmosfer (Chattopadhyay, A., et al., 2021). Ada beberapa teori yang dikemukakan oleh para ahli di bidang data driven wheater prediction. Beberapa teori tersebut adalah:

a. Teori Chaos b. Teori Informasi c. Analisis Deret Waktu

d. Pemodelan Ansambel e. Pemodelan Bayesian

Teori-teori tersebut antara lain telah diajukan oleh para ahli di bidang data driven wheater prediction, dan telah digunakan untuk mengembangkan model yang dapat secara akurat memprediksi pola cuaca masa depan berdasarkan data historis.

2.2. Kecepatan Angin

Ulinnuha (2018) berpendapat bahwa angin merupakan pergerakan udara yang berasal dari daerah bertekanan tinggi menuju wilayah bertekanan rendah. Tiga faktor utama yang memengaruhi karakteristik angin meliputi kekuatan, arah, dan kecepatan. Pembentukan angin disebabkan oleh perbedaan tekanan, di mana kecepatan angin merupakan hasil dari gradien tekanan. Apabila perbedaan tekanan kecil, kecepatan angin cenderung melemah, sebaliknya, perbedaan tekanan yang besar akan menghasilkan peningkatan kecepatan angin. Kecepatan angin diklasifikasikan dalam 12 skala, dengan skala terendah pada kecepatan 0 knot, yang dicirikan oleh kondisi udara yang tenang dan asap yang bergerak vertikal ke atas. Skala tertinggi mencapai kecepatan angin 103-117 km/jam atau 56-63 knot, menandai keadaan angin topan. Dalam konteks pemanfaatan energi angin, kecepatan angin yang ideal berada dalam kisaran 1-18 km/jam atau 1-10 knot.

2.3. Data Time Series

Time Series Data adalah sekumpulan data yang umumnya membentuk pola atau tren tertentu (Fahlevi, dkk. 2018). Beberapa definisi lain menyebutkan sebagai rangkaian data dalam dimensi waktu atau dimensi lain (Lamusa, 2017). Ketika melakukan prediksi masa depan menggunakan time series, metode tersebut umumnya bergantung pada nilai masa lalu, dengan mengabaikan variabel lain, meskipun variabel-variabel tersebut pada akhirnya dapat memberikan kontribusi yang bermanfaat (Lisjiyanti, 2011). (Pramesthi Utomo,2020)Berikut pola data time series dapat dilihat pada gambar di bawah ini.

(3)

VOL:7,NO:1,TAHUN:2023 2 Gambar 2. 1 Pola Time Series

a) Pola Horizontal jika suatu data terdapat nilai fluktuasi di sekitar nilai rata-rata dengan posisi yang tidak berubah. Misalnya, nilai barang turun secara drastis pada waktu tertentu

b) Pola Musiman terjadi apabila suatu data dipengaruhi oleh faktor yang bersifat musiman.

Misalnya data penjualan tahunan, bulanan, atau hari-hari teretentu.

c) Pola Siklus terjadi akibat naik turunnya ekonomi (fluktuasi) dalam rentang waktu yang panjang. Misalnya penjualan motor, mobil, dan handphone.

d) Pola Trend terjadi ketika kenaikan atau penurunan sekuler dalam jangka waktu yang panjang dalam suatu data. Misalnya jumlah penduduk (sensus) dan Gross National Product (GNP).

2.4. Normalisasi

Dalam upaya mengurangi kesalahan, normalisasi menjadi suatu prosedur yang esensial.

Normalisasi berperan dalam mencegah berbagai anomali data dan menjaga konsistensi data.

Tujuan normalisasi ini melibatkan pengubahan ukuran data tanpa mengubah nilai aslinya. Salah satu teknik normalisasi yang diterapkan adalah min-max scaling, yang dipilih untuk menangani mengatasi perbedaan nilai yang signifikan antar dataset. Proses ini melibatkan penyesuaian nilai pada data aktual sehingga nilainya berada dalam skala (0-1), tanpa mengorbankan informasi yang terkandung dalam data tersebut. Teknik normalisasi dengan min-max scaling memiliki persamaan sebagai berikut (Aldi, dkk., 2018):

𝑋′ = 𝑋 − 𝑋𝑚𝑖𝑛 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛

( 1 )

dimana:

x’ = Data hasil normalisasi x = data asli

xmin =nilai minimum dari data x xmax =nilai maximum dari data x 2.5. Recurrent Neural Network (RNN)

Recurrent Neural Network (RNN) merupakan suatu jenis Artificial Neural Network yang dirancang khusus untuk memproses data sekuensial dengan memanfaatkan informasi dari masa lalu dalam proses pembelajarannya. Keunggulan RNN terletak pada kemampuannya dalam mengelola data time series, mengingat kemampuannya dalam memproses data sekuensial.

Struktur RNN terdiri dari input layer, hidden layer, dan output layer. Aliran informasi dalam RNN bersifat satu arah, yaitu dari input layer ke hidden layer, dan dari hidden layer sebelumnya

(4)

ke hidden layer saat ini. Dengan demikian, output dari hidden layer berfungsi sebagai input untuk proses berikutnya (Larasati, 2020).

Gambar 2. 2. Arsitektur RNN

2.6. Gated Recurrent Unit (GRU)

Gated Recurrent Unit (GRU) merupakan derivatif dari jaringan saraf rekuren yang diperkenalkan pertama kali oleh Chung, dkk pada tahun 2014. GRU merupakan versi yang disederhanakan dari Long Short-Term Memory (LSTM), yang memungkinkan pelatihan jaringan dengan waktu yang lebih efisien dan kinerja jaringan yang lebih unggul. Proses sel GRU mirip dengan operasi sel LSTM, namun sel GRU hanya menggunakan satu sel tersembunyi yang mengintegrasikan forget gate dan input gate ke dalam satu gerbang pembaruan. Struktur arsitektur GRU dapat dilihat pada gambar berikut.

Gambar 2. 3. Arsitektur Gated Recurrent Unit

Pada Gambar 3 diatas adalah perulangan pada RNN yang hanya terdiri dari satu layer yakni tanh layer yang akan dijabarkan pada Persamaan 1 berikut.

tanh(𝑥) = 2𝜎(2𝑥) − 1

(2) dimana:

𝜎 = fungsi sigmoid x = data input

Didalam GRU komponen pengatur alur informasi disebut dengan gate, yang terdiri dari reset gate dan update gate (Chung, dkk., 2014).

1. Update gate digunakan untuk menentukan seberapa banyak informasi masa lalu yang tetap disimpan dengan persamaan berikut:

𝑧_𝑡 = 𝜎(𝑊_𝑧∗ [ℎ_𝑡−1, 𝑥_𝑡] + 𝑏_𝑧)

(5)

(3) dengan:

𝑧𝑡 = update gate 𝜎 = fungsi sigmoid

𝑊𝑧 = nilai weight untuk update gate ℎ𝑡−1 = nilai output sebelum orde ke t 𝑥𝑡 = nilai input pada orde ke t 𝑏𝑧 = nilai bias pada update gate

2. Reset gate digunakan untuk menentukan bagaimana akan menggabungkan informasi input baru dengan informasi masa lalu dengan persamaan berikut:

𝑟_𝑡 = 𝜎(𝑊_𝑟∗ [ℎ_𝑡−1, 𝑥_𝑡] + 𝑏_𝑟)

(4) dengan:

r𝑡 = update gate 𝜎 = fungsi sigmoid

𝑊r = nilai weight untuk update gate ℎ𝑡−1 = nilai output sebelum orde ke t 𝑥𝑡 = nilai input pada orde ke t

𝑏r = nilai bias pada update gate

Penentuan kandidat hidden state pada time step saat ini (𝑡) dan informasi pada masa lalu (𝑡

− 1) menggunakan fungsi aktivasi 𝑡𝑎𝑛ℎ dengan persamaan sebagai berikut.

ℎ̃_𝑡 = tanh⁡(𝑊 ∗ 𝑥_𝑡+ (𝑟_𝑡∗ ℎ_𝑡−1) ∗ 𝑊 + 𝑏_ℎ)

(5) dengan:

ℎ ̃ 𝑡 = kandidat hidden state 𝑡𝑎𝑛ℎ = fungsi tangen hiperbolik 𝑊 = nilai parameter weight 𝑥𝑡 = nilai input pada orde ke t 𝑟𝑡 = reset gate

ℎ𝑡−1 = nilai output sebelum orde ke t 𝑏ℎ = nilai bias pada hidden state

Proses perhitungan output terakhir dengan persamaan sebagai berikut.

ℎ_𝑡 = (1 − 𝑧_𝑡) ∗ ℎ̃_𝑡+ 𝑧_𝑡∗ ℎ_𝑡−1

(6)

dengan:

ℎ𝑡 = output

ℎ𝑡−1 = hidden state sebelum orde ke t 𝑧𝑡 = output pada update gate

h̃𝑡 = kandidat hidden state 2.7. Denormalisasi Data

Setelah didapatkan hasil prediksi maka sebelum dilakukan perhitungan akurasi hasil prediksi perlu dilakukan denormalisasi, yaitu data diubah menjadi bentuk awal kembali dikarenakan data hasil prediksi masih kedalam bentuk interval pada saat normalisasi data (Ashar, dkk., 2018). Berikut persamaan untuk denormalisasi.

(6)

VOL:7,NO:1,TAHUN:2023 5 𝑋𝑡 = 𝑥(𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛^{) +}𝑋𝑚𝑖𝑛

(7)

dengan:

𝑋𝑡 = nilai hasil denormalisai

𝑥′ = nilai output data setelah dihasilkan 𝑋𝑚𝑎𝑥 = nilai maksimal pada data aktual 𝑋𝑚𝑖𝑛 = nilai minimal pada data aktual 2.8. Ketetapan Model Terbaik

Ketepatan metode adalah hal yang penting dalam peramalan, hal ini dikarenakan ketepatan metode berguna untuk mengevaluasi hasil dari peramalan yang telah dilakukan. Banyak cara untuk menghitung ketepatan metode, contohnya adalah Mean Absolute Percentage Error (MAPE), Root Mean Square Error (MSE), Mean Absolute Error (MAE) dan Mean Square Deviasion (MSD). Pada penelitian kali ini menggunakan MAPE dan RMSE untuk menentukan model terbaik.

Tabel 2. 1. Ketepatan Mode Terbaik

MAPE < 10% Peramalan Sangat Baik MAPE 10% − 20% Peramalan Baik

MAPE 20% − 50% Peramalan Cukup MAPE > 50% Peramalan Tidak Baik

𝑀𝐴𝑃𝐸 =∑^𝑛_𝑡=1𝑌_𝑡− ⁡ 𝑌̂_𝑡

𝑛 100

(8) (Munawaroh, 2010)

Root Mean Square Error digunakan sebagai parameter akurasi dan efisiensi dari setiap algoritma. RMSE digunakan untuk menghitung nilai kesalahan atau perbedaan antara data prediksi dengan aktual. Dengan persamaan sebagai berikut.

𝑅𝑀𝑆𝐸 = √∑^𝑛_𝑡=1(𝑌𝑡− 𝑌̂𝑡)² 𝑛

(9) Keterangan:

𝑛 = banyak data 𝑦̂𝑖= nilai hasil prediksi 𝑦𝑖 = nilai data sebenarnya (Tantika, 2018)

III. Hasil dan Pembahasan Analisis Data

Data yang digunakan merupakan data sekunder yaitu data harian kecepatan angin maksimum dan rata-rata di UPT Tanjungpinang dan Anambas dengan waktu mulai Januari 2022 sampai Desember 2022 dengan total 365 hari. Data yang digunakan dibagi menjadi 2 bagian yaitu untuk pelatihan 70%

dan untuk pengujian 30%. Pada tahap perhitungan manual penelitian ini akan menggunakan sample data tanggal 1 januari 2022 sampai dengan 31 januari 2022 seperti yang tertera pada table 3.1.

(7)

Tanggal Bulan Tahun Kecepatan angin maks.

Kecepatan angin rata-rata

1 Januari 2022 4 1

2 Januari 2022 3 1

3 Januari 2022 3 1

4 Januari 2022 6 2

5 Januari 2022 7 2

6 Januari 2022 8 3

7 Januari 2022 6 3

8 Januari 2022 6 3

9 Januari 2022 8 4

10 Januari 2022 9 4

11 Januari 2022 8 4

12 Januari 2022 7 4

13 Januari 2022 7 4

14 Januari 2022 9 4

15 Januari 2022 8 4

16 Januari 2022 8 4

17 Januari 2022 6 4

18 Januari 2022 8 4

… … ^… ^… ^…

31 Januari 2022 6 3

Flowchart dan Perhitungan Manual Gated Recurrent Unit

Proses berikut ini merupakan penjabaran flowchart Gated Recurrent Unit yang dapat dilihat pada Gambar 3.2 :

(8)

VOL:7,NO:1,TAHUN:2023 7 Gambar 3. 1 Diagram alir metode GRU

Tahapan penelitian sesuai dengan diagram alir pada gambar diatas adalah sebagai berikut:

1. Input data yang dibutuhkan.

2. Setelah data di inputkan kemudian dilakukan preprocessing data dengan tahapan seperti berikut:

(9)

VOL:7,NO:1,TAHUN:2023 8 Gambar 3. 2 Diagram alir preprocessing

3. Tahapan-tahapan preprocessing adalah sebagai berikut:

a. Normalisasi data menggunakan Persamaan 1 dengan range [0,1].

b. Pembagian data dibagi menjadi dua, yakni data training dan data testing dengan perbandingan pembagian data sebesar 70% : 30%. Perbandingan ditetapkan sebesar 70%:30% yang merujuk pada penelitian dari (Aldi, jondri, dan annisa, 2018).

c. Proses pembentukan data time series atau rekonstruksi data dengan beberapa kali percobaan yaitu satu hingga lima pola time series. Pembentukan pola tersebut merujuk pada penelitian dari (Aldi dkk, 2018). Dilakukan beberapa uji coba dalam proses pembentukan data deret waktu. Skenario percobaan dilakukan dengan membentuk pola data dari data per harian kecepatan angin dengan urutan {xt, xt+1}, {xt-1, xt, xt+1}, {xt-2, xt-1, xt, xt+1}, {xt-3, xt-2, xt-1, xt, xt+1}, {xt-4, xt-3, xt-2, xt-1, xt, xt+1}. Dimana xt+1berperan sebagai target atau output sedangkan yang lainnya adalah variabel input. Berikut adalah ilustrasi dari pola time series.

Gambar 3. 3 Ilustrasi pola time series

(10)

d. Ilustrasi pola time series diatas adalah ilustrasi untuk inputan data dan targetnya dengan jumlah pola time series sebanyak lima. Artinya data input yang digunakan sebanyak lima inputan dan data setelah data kelima adalah target yang dicari. Dengan X adalah data kecepatan angin.

Gambar 3. 4 Alur Pelatihan prediksi kecepatan angin menggunakan GRU

4. Tahapan-tahapan pelatihan GRU adalah sebagai berikut:

a) Memproses data latih dari data yang telah didapat pada tahap diatas.

b) Selanjutnya dilakukan inisialisasi bobot (Wh , Wy) dan bias (bh , by).

c) Proses data latih menggunakan GRU dilakukan dengan menghitung semua fungsi gates unit pada setiap neurons.

d) Hingga didapatkan nilai model optimal dilihat dari nilai ht dan Ct optimal

(11)

VOL:7,NO:1,TAHUN:2023 10 Gambar 3. 5 Alur pengujian prediksi kecepatan angin menggunakan GRU

5. Tahapan-tahapan pengujian GRU adalah sebagai berikut:

a) Pertama masukkan data uji. Proses pengujian dilakukan dengan menggunakan model optimal yang didapat dari proses pelatihan. Proses pengujian dilakukan dengan tujuan mengetahui nilai error pada jaringan yang dihasilkan dari proses pelatihan. Nilai error yang kecil menandakan jaringan dapat diimplementasikan pada proses peramalan.

b) Proses pengujian dengan data uji dengan menggunakan nilai ht dan Ct optimal yang didapatkan dari proses pelatihan kemudian diuji dengan proses data latih menggunakan RNN dilakukan dengan menghitung semua fungsi gates unit pada setiap neurons.

c) Selanjutnya dilakukan denormalisasi untuk mengembalikan nilai data menjadi hasil nilai prediksi.

d) Evaluasi hasil prediksi. Pada tahap ini dilakukan akurasi peramalan dengan menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE).

(12)

VOL:7,NO:1,TAHUN:2023 11 Gambar 3. 6. Arsitektur GRU Prediksi Kecepatan Angin

Gambar 3. 8. Arsitektur model GRU

Arsitektur model ini terdiri dari empat lapisan yang berbeda dan dilanjutkan dengan informasi tentang jumlah parameter dalam model. Berikut adalah penjelasan untuk setiap bagian:

a) gru (GRU): Lapisan GRU pertama memiliki output shape (None, 1, 75), yang berarti lapisan ini menghasilkan keluaran dengan dimensi (batch_size, sequence_length, 75). Lapisan GRU ini memiliki 17.550 parameter. Jumlah neuron dalam lapisan GRU pertama adalah 75.

b) gru_1 (GRU): Lapisan GRU kedua memiliki output shape (None, 1, 30), yang berarti lapisan ini menghasilkan keluaran dengan dimensi (batch_size, sequence_length, 30).

Lapisan GRU ini memiliki 9.630 parameter. Jumlah neuron dalam lapisan GRU kedua adalah 30.

c) gru_2 (GRU): Lapisan GRU ketiga memiliki output shape (None, 30), yang berarti lapisan ini menghasilkan keluaran dengan dimensi (batch_size, 30). Lapisan GRU ini memiliki 5.580 parameter. Jumlah neuron dalam lapisan GRU ketiga juga adalah 30.

(13)

d) dense (Dense): Lapisan Dense memiliki output shape (None, 1), yang berarti lapisan ini menghasilkan keluaran dengan dimensi (batch_size, 1). Lapisan Dense ini memiliki 31 parameter. Jumlah neuron dalam lapisan Dense adalah 1.

Dalam konteks ini, "neuron" mengacu pada unit pemrosesan dalam setiap lapisan. Jumlah neuron menunjukkan seberapa kompleks dan berapa banyak informasi yang dapat dicakup oleh lapisan tersebut. Perhatikan bahwa jumlah parameter dalam sebuah lapisan ditentukan oleh ukuran output shape dan jumlah neuron yang ada dalam lapisan tersebut. Semakin banyak neuron, semakin besar kapasitas lapisan untuk mempelajari pola dan representasi yang lebih kompleks.

Perhitungan Manual GRU

Proses berikut ini merupakan penjabaran flowchart Perhitungan manual Gated Recurrent Unit yang dapat dilihat pada Gambar 3.9 :

Gambar 3. 9 Perhitungan Manual GRU

Normalisasi

Dalam analisis GRU perlu dilakukan normalisasi dikarenakan pada jaringan GRU menggunakan fungsi sigmoid yang memiliki range [0,1] sehingga normalisasi perlu dilakukan untuk meminimalisir error. Pada tahap normalisasi ini data aktual akan diubah menjadi nilai dengan range interval [0,1]

menggunakan rumus min-max scaling. Rumus min-max scaling yang digunakan pada tahap ini terdapat pada Persamaan 1.

(14)

Pembagian Data Latih dan Uji

Tahapan dari prediksi ini adalah membagi data menjadi dua bagian. Data pertama akan digunakan untuk pembentukan model. Kemudian data kedua akan digunakan dalam pengujian. Data hasil dari normalisasi di atas kemudian dibagi menjadi data uji dan data latih. Pembagian data yang digunakan adalah 70:30. Dimana 70% untuk data untuk data latih dan 30% untuk data uji.

Pembagian data latih dan data uji diatas bertujuan agar algoritma pembelajaran dari pola yang telah didapatkan dari hasil training akan diimplementasikan pada data testing. Proses training dan testing dengan menggunakan metode GRU ini akan terus berlangsung hingga didapatkan model yang optimal.

Pembentukan Struktur Pola Time Series

Pembentukan struktur pada pola time series ini mengacu pada ilustrasi Gambar 3.4. Dimana pada sub bab ini diambil contoh dengan lima inputan dan 1 target. Berikut adalah tabel dari pola time series.

Table 3. 4 Data time series kecepatan angin

𝑋₁ 𝑋₂ 𝑋₃ 𝑋₄ 𝑋₅ Target(y)

0.125 0 0 0.375 0.5 0.35

… … … …

0.625 0.5 0.375 0.375 0.625 0.375

Tabel 3.4 diatas merupakan contoh dari data time series dengan variabel masukan sebanyak lima variabel yang akan digunakan dalam prediksi jumlah kecepatan angin menggunakan metode GRU.

Pengujian Metode GRU

Setelah data diinputkan, kemudian dilakukan normalisasi pada Tabel 3.2 menggunakan Persamaan 1. Kemudian dibagi menjadi data training dan testing. Data training dihitung terlebih dahulu untuk mencari fungsi optimal untuk digunakan di data testing seperti yang dijelaskan pada Tabel 3.3.

Dalam perhitungan manual GRU, pertama yakni menentukan bobot yang digunakan dalam perhitungan, kemudian menghitung update gate, reset gate, kandidat hidden state dan hidden state dilakukan secara berurutan hingga didapatkan nilai hidden state setiap waktu/hari yang ingin dihitung.

Perhitungan tersebut dilakukan sesuai bobot atau waktu/hari yang ingin di hitung.

Table 3. 1 Perhitungan manual ht

Tanggal Kecepatan angin maks.

Normalisasi ht

01/01/2022 4 0.125 0.146

02/01/2022 3 0 0.122

03/01/2022 3 0 0.122

04/01/2022 ⁶ ^0.375 ^0.151

(15)

Setelah data kecepatan angin melalui proses GRU diatas, kemudian dilakukan denormalisasi pada data agar dapat dibandingkan dengan data aktual dengan persamaan (7).

Table 3. 2 Perhitungan Manual denormalisasi

Tanggal Kecepatan angin maks.

Normalisasi ht Denormalisasi

01/01/2022 4 0.125 0.146 4,168

02/01/2022 3 0 0.122 3

03/01/2022 3 0 0.122 3

04/01/2022 6 0.375 0.151 6

05/01/2022 7 0.5 0.168 7

Dari perhitungan diatas didapatkan tabel seperti berikut:

Table 3. 3 Perhitungan manual time series

𝑋₁ 𝑋₂ 𝑋₃ 𝑋₄ 𝑋₅ Target(y)

4,168 3 3 6 7 8

Dari Tabel 3.7 diatas dilihat dari pola time series sebanyak lima maka hasil akhir yang akan digunakan dalam memprediksi kemudian dibandingkan dengan nilai targetnya adalah data yang terakhir (𝑋₅). Perhitungan diatas adalah contoh untuk menghitung dengan satu kali iterasi pada data pertama.

Evaluasi Hasil

Evaluasi hasil berfungsi untuk mengetahui apakah nilai dari prediksi yang telah dilakukan dengan cara diatas mendapatkan hasil yang optimal. Contoh perhitungan diatas menggunakan data dari hari pertama sampai hari ke lima. Hasil denormalisasi pada data kelima yang akan dilakukan pengujian untuk memprediksi pada jam berikutnya. Pada penelitian ini penulis menggunakan RMSE serta MAPE untuk melihat keakuratan hasil prediksi. Didapatkan nilai RMSE sebesar 1, nilai MAPE sebesar 14%, dan nilai akurasi sebesar 86%. Hal ini masuk dalam kategori peramalan yang sangat baik.

Implementasi Gated Recurrent Unit

Implementasi Gated Recurrent Unit menggunakan platform streamlit sebagai framework, dilakukan proses install package streamlit. Lalu dilanjutkan dengan mengimport library yang diperlukan untuk menjalankan program. Setelah install package dan import library, dilakukan proses pembacaan pada dataset.

05/01/2022 7 0.5 0.168

(16)

Proses selanjutnya adalah normalisasi data kedalam bentuk yang dapat digunakan untuk mengimplementasikan algoritma yang akan dijalankan. Lalu membuat model gru dengan 3 lapisan gru, lapisan GRU pertama memiliki 75 unit dan mengembalikan urutan keluaran, diikuti oleh dua lapisan GRU lainnya dengan masing-masing 30 unit dan parameter return_sequences=True untuk mempertahankan dimensi urutan. Lapisan terakhir adalah lapisan dense dengan satu unit yang bertanggung jawab untuk menghasilkan prediksi akhir. Model menggunakan mean absolute error sebagai fungsi kerugian(loss) dan optimizer Adam untuk proses pelatihan.

Kemudian kode yang dibuat untuk fungsi main dari aplikasi prediksi GRU berisikan title/nama aplikasi, tombol dan ui, logika proses gru dengan pengaturan parameter yang bisa diatur sehingga proses prediksi bisa terus dilakukan atau dinamis. Hasil yang diberikan juga berupa visualisasi dengan plot dan hasil prediksi dengan tambahan nilai rmse-nya.

Tahap Perancangan Prediksi

Use case diagram merupakan gambaran atau representasi dari interaksi yang terjadi antara sistem dan lingkungannya. Diagram ini digunakan untuk menggambarkan secara ringkas siapa saja yang dapat menggunakan sistem dan apa saja yang dilakukannya. Berikut ini merupakan use case diagram antara user dengan sistem yang dapat dilihat pada gambar 3.10

Gambar 3.10 Use Case Diagram

Activity diagram menggambarkan seluruh proses dan aktivitas apa saja yang dapat dilakukan oleh aktor didalam sistem. Adapun activity diagram dari prediksi ini dapat dilihat pada gambar 3.11

(17)

VOL:7,NO:1,TAHUN:2023 16 Gambar 3.11 Activity Diagram

Implementasi Sistem

Implementasi sistem dirancang dengan menggunakan bahasa pemrograman python dan memakai framework streamlit. aplikasi prediksi dapat melakukan pengaturan konfigurasi parameter yang dapat diatur sesuai keinginan user, user dapat menjalankan prediksi dengan menekan tombol run. Aplikasi diberi nama APRETIS GRU (Aplikasi Prediksi Time Series GRU).

Gambar 3.12 Konfigurasi Parameter

(18)

VOL:7,NO:1,TAHUN:2023 17 Gambar 3.13 Hasil Prediksi

Gambar 3.14 Visualisasi dengan plot

Hasil Pengujian

Dalam penelitian ini, dilakukan implementasi empat model GRU untuk memprediksi kecepatan angin pada 2 lokasi yang berbeda. Eksperimen difokuskan pada penentuan parameter terbaik, yaitu batch size dan jumlah epoch, serta evaluasi kinerja model menggunakan beberapa metrik, termasuk RMSE, MAE, Loss, dan Validation Loss. Dari kedua lokasi yang diuji, model yang menunjukkan kinerja terbaik adalah pada pengujian kecepatan angin rata-rata Tanjungpinang dengan batch size 64 dan epoch 80.

Table 4. 5. Hasil Implementasi Model Terbaik

No. Data Eksperimen

Batch

Size Epoch RMSE MAE Loss Validation Loss 1

Kec. Angin

Maksimum TPI 150 50 0.1654 0.1231 0.1099 0.1231

2

Kec. Angin Rata-

rata TPI 64 80 0.0743 0.0547 0.0611 0.0547

3

Kec. Angin

Maksimum ANB 128 80 0.1264 0.0851 0.0664 0.0852

4

Kec. Angin Rata-

rata ANB 150 50 0.1770 0.1208 0.0822 0.1209

Hasil analisis menunjukkan bahwa model ini memiliki tingkat kesalahan prediksi yang rendah, terbukti dengan RMSE sebesar 0.0743 dan MAE sebesar 0.0547. Selain itu, nilai Loss dan Validation Loss pada data training dan validasi juga rendah, masing-masing sebesar 0.0611 dan 0.0547. Dengan

(19)

konfigurasi tersebut, model ini dapat dianggap mampu secara efektif memodelkan pola kecepatan angin.

Penelitian ini menyoroti pentingnya penentuan parameter yang tepat dalam pengembangan model serta memilih model dengan tingkat akurasi yang sesuai dengan kebutuhan aplikasi. Model GRU pada Kecepatan angin rata-rata Tanjungpinang menonjol sebagai model terbaik untuk memprediksi kecepatan angin, dan keputusan ini dapat memberikan kontribusi positif pada aplikasi atau pemahaman lebih lanjut tentang variabilitas angin di lokasi tersebut.

Gambar 4.8 Plot nilai testing prediksi vs aktual

Gambar 4.9 Plot dengan data full

Berikut tabel nilai perbandingan data aktual dan data prediksi dari model terbaik kecepatan angin rata-rata tanjungpinang.

Table 4. 6. Nilai Perbandingan Data Aktual dan Data Prediksi

No. Data Prediksi Data Aktual

1 2 2

2 2 2

3 2 2

4 2 2

5 2 2

6 2 2

7 2 1

8 1 2

9 2 2

(20)

10 2 2

11 2 3

… … …

100 3 4

101 4 3

102 3 4

103 4 5

104 5 4

105 4 3

106 3 3

107 3 4

108 4 4

109 4 6

Hasil evaluasi kinerja model GRU mengungkapkan bahwa Mean Absolute Percentage Error (MAPE) mencapai 34.28%, sementara tingkat akurasi model GRU mencapai 65.72%. Penemuan ini menunjukkan bahwa semakin tinggi tingkat akurasi, semakin baik kinerja model dalam konteks prediksi yang diuji.

IV. Kesimpulan

Dalam penelitian ini, implementasi model GRU telah dilakukan untuk memprediksi kecepatan angin pada 2 lokasi berbeda. Dari hasil eksperimen, terdapat variasi performa model berdasarkan lokasi dan konfigurasi parameter. Ditemukan bahwa model GRU pada Kecepatan angin rata-rata Tanjungpinang dengan batch size 64 dan epoch 80 menghasilkan kinerja terbaik dengan nilai RMSE sebesar 0.0743 dan MAE sebesar 0.0547. Kemudian ditemukan nilai MAPE dari model GRU tersebut sebesar 34.28% dan nilai akurasi GRU sebesar 65.72%. Semakin tinggi nilai akurasi, semakin baik kinerja model prediksi

V. Daftar Pustaka

Ahmad, T., & Zhang, D. (2022). A data-driven deep sequence-to-sequence long-short memory method along with a gated recurrent neural network for wind power forecasting. Energy, 239, 122109.

Aldi, dkk., 2018, Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin, eProceedings of Engineering, 5(2).

Andiyantama, M. Q., Zahira, I., & Irawan, A. (2021). Prediksi energi listrik kincir angin berdasarkan data kecepatan angin menggunakan LSTM. JITCE (Journal of Information Technology and Computer Engineering), 5(01), 1-7.

Chattopadhyay, A., Mustafa, M., Hassanzadeh, P., Bach, E., & Kashinath, K. (2021). Towards physically consistent data-driven weather forecasting: Integrating data assimilation with equivariance-preserving deep spatial transformers. arXiv preprint arXiv:2103.09360.

Bengio et al., (2014) Empirical evaluation of gated recurrent neural networks on sequence modeling.

arXiv preprint arXiv:1412.3555.

Fahlevi, dkk., (2018) Perbandingan Holt’s dan Winter’s Exponential Smoothing untuk Peramalan Indeks Harga Konsumen Kelompok Transportasi, Komunikasi dan Jasa Keuangan, Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN, 2548, 964X.

(21)

Karyadi, Y. (2022). Prediksi Kualitas Udara Dengan Metoda LSTM, Bidirectional LSTM, dan GRU. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(1), 671-684.

Kisvari, A., Lin, Z., & Liu, X. (2021). Wind power forecasting–A data-driven method along with gated recurrent neural network. Renewable Energy, 163, 1895-1909.

Kong, J. L., Fan, X. M., Jin, X. B., Su, T. L., Bai, Y. T., Ma, H. J., & Zuo, M. (2023). BMAE-Net:

A data-driven weather prediction network for smart agriculture. Agronomy, 13(3), 625.

Krivec, T., Kocijan, J., Perne, M., Grašic, B., Božnar, M. Z., & Mlakar, P. (2021). Data-driven method for the improving forecasts of local weather dynamics. Engineering Applications of Artificial Intelligence, 105, 104423.

Lian, J., Dong, P., Zhang, Y., & Pan, J. (2020). A novel deep learning approach for tropical cyclone track prediction based on auto-encoder and gated recurrent unit networks. Applied Sciences, 10(11), 3965.

Lisjiyanti, A. D., (2011) Analisis Peramalan Penjualan Tahu Kita Pada PT. Kitagama, Jakarta.

Puspita Sari, A., Suzuki, H., Kitajima, T., Yasuno, T., Arman Prasetya, D., & Rabi', A. (2021). Deep convolutional long short-term memory for forecasting wind speed and direction. SICE Journal of Control, Measurement, and System Integration, 14(2), 30-38.

Rasp, S., Dueben, P. D., Scher, S., Weyn, J. A., Mouatadid, S., & Thuerey, N. (2020).

WeatherBench: a benchmark data set for data‐driven weather forecasting. Journal of Advances in Modeling Earth Systems, 12(11), e2020MS002203.

Rio, E. N., (2022) Upaya Meningkatkan Kerjasama Awak Kapal Dalam Kegiatan Olah Gerak KT.Muarajati Milik PT. Pelindo II Cirebon, Karya Tulis.

Syukri, S., & Samsuddin, S. (2019). Pengujian Algoritma Artificial Neural Network (ANN) Untuk Prediksi Kecepatan Angin. Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), 2(1), 43-47.

Talamanova, I., & Pllana, S. (2022). Data-driven Real-time Short-term Prediction of Air Quality:

Comparison of ES, ARIMA, and LSTM. arXiv preprint arXiv:2211.09814.

Wei, D., Wang, J., Niu, X., & Li, Z. (2021). Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks. Applied Energy, 292, 116842.

Wu, J., Li, N., Zhao, Y., & Wang, J. (2022). Usage of correlation analysis and hypothesis test in optimizing the gated recurrent unit network for wind speed forecasting. Energy, 242, 122960.

Zhang, A., Lipton, Z., Li, M., Smola, A., (2021). Dive into Deep Learning (Online) https://d21.ai/