Prediksi Kecepatan Angin Jangka Menengah dengan Artificial Neural Network untuk Estimasi Daya Listrik Tenaga Angin
(Studi Kasus: Kota Sabang)
Abdul Malek1, Suriadi2*, Khairun Saddami3
1,2,3 Teknik Elektro, Fakultas Teknik, Universitas Syiah Kuala Banda Aceh Indonesia
*Koresponden email: suriadimali@unsyiah.ac.id
Diterima: 2 April 2023 Disetujui: 1 Mei 2023
Abstract
Indonesia, as a country at the equator, has a very large renewable energy potential that can be used as a source of electrical energy. Electricity consumption in Indonesia, especially in Aceh, continues to increase annually because of population growth and increasing economic needs. Recently, the construction of power plants has been considered to be environmentally friendly and economical. One of the efforts that can be made is the development of wind-power plants. The availability of certain wind speeds was expected.
Therefore, accurate prediction data must be used as the basis for building wind power plants. To increase the accuracy of wind speed prediction by looking at the error rate in predicting the amount of wind speed generated using an Artificial Neural Network with feed-forward and feed-backward functions from the back propagation algorithm (BPNN). The results of the application using the Neural Network algorithm with a back propagation Neural Network (BPNN) to predict wind speed show that the Neural Network algorithm can predict wind speed with an error of 0.0036. In July 2021, the estimated energy demand is 81.5 KWH.
Keywords: wind speed, artificial neural network, electrical energy, sabang, wind power Abstrak
Indonesia memiliki potensi yang sangat besar untuk penggunaan energi terbarukan digunakan untuk menghasilkan listrik. Konsumsi listrik di Indonesia, khususnya di Aceh, terus meningkat dari tahun ke tahun sebagai akibat dari pertumbuhan penduduk dan kebutuhan ekonomi yang meningkat. Saat ini, pembangunan pembangkit listrik ditujukan untuk ramah lingkungan dan hemat secara finansial. Salah satu upaya yang sangat memungkinkan untuk dilakukan adalah dengan membangun pembangkit listrik tenaga angin. Ketersediaan angin yang mempunyai kecepatan tertentu sangat diharapkan, sehingga diperlukan data prediksi yang akurat untuk dijadikan dasar dalam pembangunan pembangkit listrik tenaga angin. Tingkat error digunakan untuk meningkatkan akurasi prediksi kecepatan angina yang dihasilkan dengan menggunakan Artificial Neural Network (ANN). Hasil estimasi yang memiliki akurasi prediksi tinggi dan tingkat eror yang kecil untuk menemukan hubungan non-linear dapat diperoleh dengan menggunakan algoritma ANN dengan fungsi feed- forward dan feed-Backward dari algoritma Backpropagation (BPNN).
Hasil penggunaan algoritma Neural Network dengan Backpropagation Neural Network (BPNN) untuk memprediksi kecepatan angin memiliki error rate sebesar 0,0036, menghasilkan estimasi produksi energi sebesar 81,5 KWH pada bulan Juli 2021.
Kata Kunci: kecepatan angin, artificial neural network, energi listrik, Sabang, tenaga angin 1. Pendahuluan
Salah satu potensi energi terbarukan terpenting yang banyak diubah menjadi energi listrik terdapat dari energi angin. Fluktuasi angin mempengaruhi kualitas energi angin yang dimasukkan ke jaringan, sehingga prakiraan kecepatan angin jangka pendek diperlukan. Kebutuhan akan pemanfaatan listrik semakin bertambah, sementara energi fosil semakin terbatas. Jumlah listrik yang dibutuhkan bervariasi seiring dengan perubahan permintaan listrik. Sebagai negara ekuator, Indonesia terdapat peluang yang sangat besar potensi energi terbarukan yang dapat dimanfaatkan untuk menghasilkan listrik. Konsumsi listrik di Indonesia, khususnya di Aceh, terus bertambah dari tahun ke tahun, dikarenakan meningkatnya tuntutan ekonomi. Pembangkit listrik tenaga angin, di sisi lain, sangat bergantung pada kecepatan angin setempat. Kecepatan angin adalah variabel acak yang tidak dapat dikontrol [1] [2] membuat prediksi menjadi sulit. Untuk memenuhi kebutuhan tersebut harus dilakukan pembangunan pembangkit listrik yang baru dengan mempertimbangkan sisi ramah lingkungan dan belanja ekonomis. Suatu upaya yang sangat
besar untuk diterapkan dengan pembangkit listrik tenaga angin. Kondisi cuaca tropis di Indonesia pada umumnya sangat menunjang upaya pembangunan pembangkit listrik tersebut. Khususnya di Aceh, memiliki iklim dan potensi angin yang sangat besar untuk dimanfaatkan dengan kondisi kecepatan angin dengan nilai rata-rata 3.5m/s di bandingkan dengan wilayah lainnya di Indonesia yang hanya mencapai 2 m/s. Salah satu lokasi di Aceh yaitu Sabang sangat berpotensi untuk dijadikan tempat pembangunan Pembangkit Listrik Tenaga Bayu (PLTB) sebagai alternatif untuk memenuhi kebutuhan daya listrik yang terbatas saat ini.
Kecepatan angin akan mempengaruhi terhadap kebutuhan listrik yang dihasilkan oleh sistem konversi energi angin, berdampak pada daya yang disalurkan ke jaringan listrik. Prediksi kecepatan angin diperlukan untuk menjaga potensi daya yang ditransmisikan ke jaringan [3]. Kontrol sistem konversi energi angin, hal itu bisa dilakukan dengan menguji prediksi kecepatan angin di wilayah Aceh Khususnya di Sabang. Tujuannya untuk memperkirakan berapa daya listrik yang bisa dihasilkan dari kecepatan angin untuk proyek pembangunan PLTB di daerah tersebut. Beberapa metode untuk meramal kecepatan angin telah dikembangkan, dan metode yang digunakan sangat mempengaruhi akurasi hasil prediksi. Metode fisik adalah model yang menggambarkan hubungan fisik antara kondisi atmosfer, kecepatan angin, dan topografi suatu daerah.
Metode statistik lebih sederhana dan lebih murah untuk dimodelkan daripada metode lain. Beberapa metode statistik berdasarkan Auto Regression (AR), Auto Regression Moving Average (ARMA), distribusi normal, distribusi Weibull dan model Markov telah dikembangkan. Menggunakan jaringan saraf tiruan, algoritma genetika, dan logika fuzzy, metode heuristik dapat memprediksi kecepatan angin. Jaringan saraf tiruan adalah metode terbaik untuk memprediksi kecepatan angin (JST). Untuk mewakili hubungan non- linear yang kompleks, model ANN digunakan [4] [5] [6].
2. Landasan Teori Artificial Neural Network
Berdasarkan pola kejadian di masa lalu, jaringan saraf tiruan dapat memprediksi masa depan berdasarkan ramalan data masa lalu. Jaringan saraf tiruan dapat mengingat dan menggeneralisasi dari data sebelumnya [7]. Jaringan saraf tiruan adalah model terbaru dari penelitian manusia dan peniruan alam.
Jaringan Saraf Tiruan (ANN) adalah program komputer yang mensimulasikan perilaku sistem saraf biologis dasar [8]. Susunan sejumlah sel saraf tiruan yang diprediksi dalam arsitektur tertentu untuk memproses data menghasilkan Jaringan Syaraf Tiruan (JST). JST telah banyak diterapkan dan sistem komputer, teknik, ilmu murni, perdagangan, keuangan, dan bidang lainnya telah berhasil menggunakannya untuk memecahkan berbagai masalah. Aplikasi jaringan saraf tiruan yang paling umum adalah prediksi dan peramalan, pengenalan pola, diagnosis medis, klasifikasi, terjemahan kode, dan berbagai pengenalan pola lainnya.
Beberapa metode jaringan saraf tiruan telah temukan, termasuk multi-layer, jaringan saraf probabilistik, dan jaringan saraf dasar radial. Untuk membuat prediksi yang akurat, metode yang tepat juga diperlukan. Artificial Neural Networks adalah metode komputasi untuk mensimulasikan sistem jaringan saraf biologis. Neuron, yang merupakan elemen komputasi nonlinier dasar yang diatur sebagai jaringan yang saling berhubungan, digunakan dalam metode ini. Berdasarkan pola peristiwa masa lalu, jaringan saraf tiruan dapat memprediksi apa yang akan berkembang di masa depan. Skema JST dibagi menjadi tiga lapisan: input, tersembunyi, dan output [9] [10] [11].
Lapisan input terdiri dari neuron yang menerima sinyal eksternal dan mengirimkannya ke neuron lain di jaringan. Sifat dan operasi sel-sel saraf sensorik dalam jaringan saraf biologis adalah dasar untuk lapisan ini. Lapisan tak terlihat Lapisan tersembunyi dalam jaringan saraf biologis adalah tiruan dari sel- sel saraf. Lapisan tersembunyi meningkatkan kemampuan jaringan untuk memecahkan masalah. Pelatihan membutuhkan waktu lama sebagai hasil dari lapisan ini. Lapisan keluaran (Output Layer) Fungsi lapisan output adalah untuk mengangkut sinyal output yang dihasilkan oleh pemrosesan jaringan.
Prediksi
Salah satu teknik terpenting untuk menentukan kecepatan angin yang dihasilkan adalah dengan prediksi[12]. Keputusan prediksi sangat penting karena memungkinkan Anda memprediksi kecepatan angin berdasarkan akurasi data diterima, dan prediksi yang akurat adalah suatu hasil yang baik. Angin merupakan potensi sumber energi yang bisa dikonversikan untuk tenaga listrik baik di dalam maupun di luar jaringan. Sebagian besar bisnis di seluruh dunia menggunakan prediksi untuk merencanakan pekerjaan mereka sebelum terjadi [13].
Prediksi adalah upaya untuk meramalkan masa depan berdasarkan data historis. Ini memerlukan menghasilkan perkiraan yang tidak bias tentang besarnya beberapa variabel di masa depan. Prediksi adalah
teknik untuk merencanakan pekerjaan sebelum itu terjadi. Prediksi dihasilkan dalam berbagai cara; Prediksi juga dapat digunakan untuk memprediksi masa depan berdasarkan ramalan data masa lalu seperti arah angin, suhu udara, tekanan udara, dan kelembapan [14].
Energi angin
Energi angin sudah bersaing dengan pembangkit listrik lain di daerah dengan karakteristik angin yang memadai; namun, analisis kecepatan angin harus dilakukan setidaknya setahun sekali di daerah dengan potensi angin yang tidak mencukupi. Angin didefinisikan sebagai arah dan kecepatan udara yang disebabkan oleh tekanan udara yang disebabkan oleh perbedaan suhu di permukaan bumi [15] [16]. Energi angin adalah jenis energi terbarukan yang ditangkap oleh turbin angin, yang beroperasi menggunakan energi kinetik angin. Secara teknis, energi angin didefinisikan sebagai penggunaan energi kinetik yang dibawa oleh massa udara ketika mencapai kecepatan tertentu, yang juga mampu menghasilkan listrik.
Angin adalah sumber energi terbarukan yang terus-menerus diisi ulang oleh alam. Besaran rapat daya dapat digunakan untuk menggambarkan potensi angin pada suatu lokasi tertentu, dimana daya angin dipengaruhi oleh kecepatan angin, massa udara, dan luas penampang sudu kincir angin [17]. Menurut National Geographic, angin dibentuk oleh matahari yang tidak merata memanaskan permukaan bumi. Energi angin adalah energi terbarukan yang bermanfaat untuk menghasilkan energi listrik oleh manusia. Hal ini disebabkan oleh arus udara yang bersirkulasi di litosfer akibat perbedaan suhu.
Relevansi
Penelitian ini terkait dengan kondisi iklim Indonesia yang semakin tidak menentu. Sejalan dengan itu, penelitian ini berkontribusi dalam penyebaran informasi terkait cuaca di salah satu daerah, khususnya di Sabang suatu daerah kepulauan yang sangat membutuhkan hasil penelitian untuk pemanfaatan pembangunan daerah tersebut. Penelitian ini sangat diharapkan menjadi sumber informasi dan pembangunan PLTB di daerah tersebut guna pemanfaatan energi angin untuk pembangunan daerah pada sektor terkait. Pada penelitian sebelumnya prediksi kecepatan angin telah diterapkan dengan metode ANN menggunakan BPNN berpendapat bahwa dengan hasil error yang didapatkan sebesar 0,050347 sudah sangat bagus [18].
Berdasarkan rumusan masalah di atas, tujuan penelitian ini adalah untuk meningkatkan akurasi prediksi kecepatan angin dengan mengkaji tingkat kesalahan dalam memprediksi besarnya kecepatan angin yang dihasilkan menggunakan Jaringan Syaraf Tiruan. berdasarkan hasil perolehan para peneliti sebelumnya dan jadi acuan perbandingan. Pada studi referensi, dapat disimpulkan bahwa daya tersambung dan Konsumsi energi listrik memiliki banyak faktor kompleks, memiliki karakteristik non-linier, dan metode tradisional dapat menghasilkan hasil estimasi yang cukup baik. Namun, ANN dengan fungsi feed- forward dan feed-backward dari algoritma backpropagation merupakan metode yang memiliki akurasi tinggi dan tingkat error yang kecil untuk menemukan hubungan non-linear dan dapat beradaptasi dengan perubahan yang terjadi.
Maka penulis melakukan penelitian untuk prediksi kecepatan angin di sabang dengan menerapkan metode Backpropagation Neural Network (BPNN) untuk perkiraan kecepatan angin dan mengetahui karakteristik angin untuk mendapatkan berapa daya listrik yang bisa dihasilkan dalam potensi angin tersebut.
2. Metode Penelitian
Berdasarkan rumusan masalah tersebut di atas, tujuan dari penelitian ini adalah untuk meningkatkan ketepatan prakiraan kecepatan angin dengan menganalisis tingkat kesalahan dalam peramalan besarnya kecepatan angin yang dihasilkan oleh jaringan saraf tiruan. Tahap diawali dengan langkah pertama, Pengumpulan informasi dari data BMKG berupa data meteorologi, suhu permukaan, data kelembaban relatif dan tekanan udara di area tersebut kemudian dinormalisasi dan dikategorikan menggunakan 80%
untuk pelatihan dan 20% untuk testing. Implementasi algoritma BPNN digunakan untuk verifikasi model.
Kemudian untuk menganalisis dan menarik kesimpulan, evaluasi akurasi data prediksi dengan menggunakan nilai MSE (Mean Square Error) yang dapat dihitung dengan menggunakan rumus berikut.
Gambar 1 adalah diagram alur penelitian lengkap menggambarkan tahapan dan alur metode pengumpulan dan analisis data.
Gambar 1. Diagram alur penelitian
Teknik Pengumpulan Data
Data kecepatan angin, suhu, tekanan udara lokal, dan kelembaban dikumpulkan dari BMKG; data ini akan digunakan sebagai input dan variabel target yang merupakan output dari prediksi kecepatan angin.
Pada tahap normalisasi data, data disusun menggunakan mean dan deviasi dengan nilai mulai dari 0 hingga 1 untuk melibatkan penentuan informasi karakter berupa data kecepatan angin, temperatur, tekanan udara, dan kelembaban yang akan dibaca oleh algoritma. dengan nilai awal berkisar antara 0 sampai dengan 1 yang akan digunakan dalam rentang waktu tertentu, sehingga data dapat disusun secara teratur sesuai dengan rentang waktu yang diinginkan. Sedangkan klasifikasi data dilakukan dengan menentukan nilai parameter yang akan digunakan dalam pembelajaran dan pengujian, khususnya bobot data keluaran akhir dan masukan. Pada sistem yang digunakan, Neural Network tampil sebagai berikut.
Gambar 2. Simulasi Arsitektur BPNN Sumber: Matlab, 2016
Pada Gambar 2 menunjukkan langkah yang dijalankan untuk uji training dari data yang dikumpulkan dengan variabel masukan (input) dan target yang menjadikan hasil (output) dari kecepatan angin yang dihasilkan.
Verifikasi Model BPNN
Untuk mencapai hasil yang sempurna sebagaimana data yang dalam penelitian maka perlu verifikasi model BPNN untuk mencapai keakuratan data, model data validitas dengan melatih dan menguji termasuk data yang digunakan untuk mengambil keputusan pada hasil yang didapatkan sebagai penentu kecocokan untuk menentukan menilai MSE yang menghasilkan akurasi tertinggi.
Estimasi Potensi Energi listrik
Daya atau energi yang dihasilkan dari estimasi prediksi angin yang mana jenis udara (Kg/m3), v sebagai rumus kecepatan angin pada luas permukaan angin (m2) dapat dilihat pada figur dibawah ini.
3. Hasil dan Pembahasan
Backpropagation Neural Network (BPNN) memiliki fungsi regularisasi yang unik dengan pendekatan probabilistik. Pola regresi ini adalah suatu model yang digunakan untuk klasifikasi. Perlu dicatat juga bahwa BPNN sangat fleksibel dalam merancang arsitektur jaringan. Uji coba dilakukan dengan 45 percobaan untuk menghasilkan nilai error yang terkecil pada penelitian ini. Dari hasil data perbandingan testing data aktual dan data ramalan menunjukkan bahwa pengaruh learning rate dan hidden neuron dari training dan testing dapat disimpulkan bahwa pada hasil testing pertama terdapat selisih antara data aktual dan data ramalan dengan nilai error 0,5586. Hasil temuan ini menunjukkan bahwa nilai error tersebut masih sangat besar pada uji coba pertama, maka dilakukan uji coba selanjutnya untuk mendapatkan hasil error yang lebih kecil. Sedang pada data training dan testing selanjutnya hasil error yang didapatkan adalah 0.1578, dan hasil error terkecil didapatkan pada uji coba tahap akhir dengan nilai error 0,0036 dari learning rate yang dihasilkan. Uji coba selanjut tidak ditampilkan karena perbedaan persentase nilai error sangat kecil. Untuk data keseluruhan dari hidden layer dan learning rate data dilihat pada Tabel 1 akurasi prediksi data sebagai berikut.
Tabel 1. Akurasi prediksi data Hiden Layer/ Neuron
Learning Rate
10 15 30 50 70
0,01 0,5586 0,4373 0,0962 0,0219 0,0063
0,02 0,5195 0,4303 0,0941 0,0262 0,0038
0.03 0,5331 0,4514 0,217 0,0155 0,0067
0,04 0,5237 0,4344 0,1 0,0156 0,0038
0,05 0,5311 0,4116 0,1578 0,0152 0,0037
0,06 0,5300 0,4339 0,1338 0,0172 0,0041
0,07 0,5397 0,4197 0,1402 0,012 0,005
0,08 0,5662 0,4467 0,1227 0,0173 0,0041
0,09 0,5591 0,4127 0,1448 0,0078 0,0036
Sumber: Data Penelitian, Tahun: 2021
Dari Tabel 1 menunjukkan bahwa hasil pada setingan learning rate 0,01 dan hidden layer 10 dengan nilai epoch 100 menghasilkan nilai 0,5586. Hasil nilai error ini belum sesuai target, maka dilakukan uji setting pada learning rate dan hidden layer pada tahap selanjut dengan nilai learning rate 0,02 sampai tahap nilai uji 0,09 dengan hidden layer yang sesuai pada kelipatan 15, 30, 50, 70. Dari data uji keseluruhan maka nilai error terkecil dihasil pada learning rate 0,09 dengan hidden layer 70 yang memiliki rentang nilai error 0,0036.
Untuk menguji hasil prediksi dapat dibuktikan dengan melihat pada hasil training dan testing Pada data aktual dan data ramalan. terdapat 3 hasil temuan perbandingan yang berdasarkan hasil percobaan sebagai berikut dapat dilihat pada gambar perbandingan data aktual dan data ramalan. Data hasil prediksi tahap pertama dapat dilihat pada Gambar 3 grafik data training I dan Gambar 4 grafik data testing I ini.
Kecepatan angin Kecepatan angin
Gambar 3. Grafik data training I
Gambar 4. Grafik data testing I
Pada percobaan data training dan testing berdasarkan grafik diatas menunjukkan bahwa nilai error 0,5586 terdapat pada setingan ini dengan hidden layer 10 dan learning rate 0,1. Untuk hasil percobaan selanjutnya dapat dilihat pada Gambar 5 Grafik data training II dan Gambar 6 Grafik data testing II dibawah ini.
Kecepatan angin
Perbandingan Data Aktual dan Ramalan
Kecepatan angin
Gambar 5. Grafik data training II
Gambar 6. Grafik data testing II
Percobaan pada setingan ini berdasarkan Gambar 6 diatas menunjukkan bahwa hasil error yang didapatkan adalah 0.1578 dengan 0.05 untuk learning rate dan 30 untuk hidden layer. Hasil ini menunjukkan pergerakan nilai error yang didapatkan pada uji coba ini semakin kecil. Maka untuk mendapatkan hasil yang lebih sempurna dilakukan percobaan setingan selanjutnya, grafik percobaan dapat dilihat pada Gambar 7 Grafik data training III dan Gambar 8 Grafik data testing III dibawah ini.
Kecepatan angin Kecepatan angin
Perbandingan Data Aktual dan Ramalan
Gambar 7. Grafik data training III
Gambar 8. Grafik data testing III
Pada percobaan setingan data training dan testing III berdasarkan Gambar 8, hasil menunjukkan bahwa tingkat nilai error 0,0036, yang menunjukkan hasil sempurna dibandingkan dengan hasil dari dua percobaan data training dan testing lainnya. Hasil ini akan menjadi acuan dengan tingkat nilai error terkecil. Sedangkan untuk estimasi energi listrik, berdasarkan hasil percobaan estimasi energi menunjukkan bahwa tahap pengujian diramalkan dan data estimasi ditampilkan pada Tabel 2 ini berdasarkan hasil uji yang telah disimulasikan pada pelatihan dan validasi untuk mencapai hasil yang telah ditargetkan.
Tabel 2. Estimasi Daya
Bulan V KWH/hari KWH/ 30 Hari
1 4,18 1,21 36,44
2 3,56 0,75 22,49
3 2,47 0,25 7,50
4 2,64 0,31 9,20
5 2,86 0,39 11,72
6 3,87 0,97 29,06
7 5,46 2,72 81,50
8 4,16 1,20 35,92
9 3,13 0,51 15,42
10 3,22 0,55 16,64
11 2,20 0,18 5,30
12 3,18 0,53 16,04
Berdasarkan Tabel 2 diatas, sebagian besar data yang didapatkan adalah data validasi data masukan dari target ANN. Data di atas menunjukkan hasil yang dirampung dari bulan 1 Januari 2021 sampai dengan bulan 12 Desember 2021. Hasil aplikasi menggunakan algoritma Neural Network dengan BPNN untuk memprediksi besarnya kecepatan angin, diperoleh hasil kecepatan angin rata-rata pada bulan ke-7, yaitu 5,46 m/s dengan menghasilkan daya estimasi sebesar 2.71 KWH per hari yang memiliki nilai total 81,50 KWH untuk 30 hari.
4. Kesimpulan
Penelitian ini menunjukkan bahwa besarnya kecepatan angin dapat diprediksi menggunakan model jaringan saraf BPNN dengan tingkat akurasi maksimum 0,0036. Hasilnya, prediksi ini dapat membantu dalam menentukan besaran daya listrik yang dihasilkan dengan estimasi nilai 81,50 KWH selama 30 hari.
Keterbatasan pada penelitian ini terpaku hanya sampai Neuron 70 dengan menggunakan algoritma BPNN.
Untuk penelitian kedepan diharapkan para peneliti dapat meningkatkan jumlah neuron di atas 70 untuk mendapatkan hasil selanjutnya dan juga menggunakan model atau metode yang berbeda sehingga menjadi perbandingan dalam memprediksi energi angin yang dibutuhkan untuk masa mendatang.
5. Referensi
[1] Multazam, T., Putri, R. I., Pujiantara, M., Lystianingrum, V., Priyadi, A., & Heryp, M., “Short-term wind speed prediction base on backpropagation Levenberg-Marquardt algorithm; case study area nganjuk.",” dalam 5th International Conference on Instrumentation, Communications, Information Technology, and Biomedical Engineering (ICICI-BME). IEEE, , 2017.
[2] M. Y. E. &. S. S. Abd Fattah, “Pengaruh Perubahan Jumlah Layer Pada Prediksi Konsumsi Daya Listrik,” Jurnal Serambi Engineering, vol. 6, p. 4, 2021.
[3] Habibi, M. N., Jati, M. S. W., Windarko, N. A., & Tjahjono, A. , “Maximum Power Point Tracking Menggunakan Algoritma Artificial Neural Network Berbasis Arus Hubung Singkat Panel Surya.,”
Rekayasa Elektrika., vol. 2, no. 16, 2020.
[4] D. R. K. M. S. &. S. M. Chandra, “ A detailed literature review on wind forecasting. In 2013 International Conference on Power, Energy and Control (ICPEC) (pp. 630-634).,” dalam IEEE., 2013.
[5] B. B. &. A. U. T. Ekici, “Prediction of building energy consumption by using artificial neural networks,” Advances in Engineering Software, vol. V, no. 40, pp. 356-362, 2009.
[6] Cadenas, E., & Rivera, W., “Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks,” Renewable Energy, vol. 1, no. 34, pp. 274-278, 2009.
[7] Lumintang, R., Arungpadang, T., & Punuhsingon, C. C. , “ Prediksi Kebutuhan Energi Listrik Di Sulawesi Utara: Sebuah Strategi Implementasi.,” Jurnal Online Poros Teknik Mesin UNSRAT, vol.
1, no. 7, 2018.
[8] Syukur, A., Supriyanto, C., & Zyen, A. K. , “ Prediksi Kecepatan Angin Menggunakan Model Artificial Neural Network Berbasis Adaboost.,” Jurnal Cyberku,, vol. 1, no. 12, 2016.
[9] Putri, R. I., Priyadi, A., & Purnomo, M. H. , “Prediksi Kecepatan Angin Pada Sistem Konversi Energi Angin Berbasis Neural Network.,” SENTIA, vol. 1, no. 7, 2015.
[10] J. S. Tiruan, “Artificial neural network.,” Neuron, no. 36, pp. 1-27., 2011.
[11] R. R. Angelia, Prediksi Kecepatan Angin Menggunakan Hybrid ANN-EnKF Dan Visualisasi Pada Gmaps (Studi Kasus: Stasiun Cuaca Di Sumatera Barat), Doctoral dissertation, Institut Teknologi Sepuluh Nopember, 2017.
[12] Abunahla, H., Halawani, Y., Alazzam, A., & Mohammad, B. , “NeuroMem: Analog graphene-based resistive memory for artificial neural networks,” Scientific reports, vol. 1, no. 10, pp. 1-11., 2020.
[13] Noersasongko, E., Julfia, F. T., Syukur, A., Pramunendar, R. A., & Supriyanto, C. , “A tourism arrival forecasting using genetic algorithm based neural network.,” Indian Journal of Science and Technology, vol. 9, no. 4, pp. 1-55, 2016.
[14] Syukri, S., & Samsuddin, S., “Pengujian Algoritma Artificial Neural Network (ANN) Untuk Prediksi Kecepatan Angin.,” Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 1, no. 2, pp.
43-47, 2009.
[15] Muliadi, Muliadi, and Teuku Murisal Asyadi, “"Penentuan Parameter Weibull untuk Mendapatkan Densitas Daya Angin di Kawasan Blang Bintang Aceh Besar.",” Jambura Journal of Electrical and Electronics Engineering 3.2 : 51-55., 2021.
[16] Habibie, M. N., Sasmito, A., & Kurniawan, R. , “Kajian Potensi Energi Angin Di Wilayah Sulawesi Dan Maluku. ,,” Jurnal Meteorologi dan Geofisika, vol. 2, no. 12, 2011.
[17] Herdian Saputra, Ira Devi Sara, Suriadi, dan Marwan, “Weibull Distribution Analysis Of Wind Power-Generating Potential On The Southwest Coast Of Aceh, Indonesia” AIP Conference Proceedings, Vol 2613, Issue 1, id.020013, 10 pp , 2023.
[18] Dewi, Candra, and M. Muslikh, “Perbandingan Akurasi Backpropagation Neural Network dan ANFIS Untuk Memprediksi Cuaca,” Journal of Natural A , vol. 1, no. 1, pp. 7-13, 2013.
