Algoritma Long Short Term Memory Untuk Peramalan Kecepatan Angin Wilayah Surabaya Dan Sekitarnya
Tahun 2024 · Penulis: Rahillailia Khoirunnisa
Faculty of Mathematics and Natural Sciences, Universitas Jember
Abstrak
Teks yang dipakai untuk pengindeksan BM25 dan IndoSBERT
Konsumsi energi fosil dalam pemenuhan kebutuhan listrik yang semakin meningkat mengakibatkan banyak negara memanfaatkan energi alternatif untuk mengembangkan beberapa pembangkit listrik, salah satunya yaitu PLTB. Pembangkit ini akan mengkonversi energi angin menjadi energi listrik menggunakan turbin angin. Jika kecepatan angin meningkat, maka energi yang dihasilkan juga akan meningkat. Surabaya merupakan kota besar yang mayoritas daerahnya berada di dalam dataran rendah, namun masih terdapat daerah pesisir yang memiliki kecepatan angin lebih besar, sehingga pada daerah ini perlu dilakukan peramalan untuk mengetahui kondisi angin ke depan. Salah satu algoritma yang sering digunakan untuk peramalan adalah LSTM. Algoritma ini memiliki memory cell untuk menyimpan informasi dalam jangka waktu yang lama. Komponen LSTM berupa forget gate, input gate, dan output gate yang berfungsi untuk mengontrol aliran informasi dalam jangka waktu yang berbeda. Penelitian dengan algoritma LSTM ini memiliki data sebanyak 1.464 yang akan dibagi menjadi data training dan data testing dengan perbandingan 90% : 10% dan 80% : 20%. Parameter-parameter yang digunakan meliputi timesteps (7, 14, 21, 31), batch size (8, 16, 32), epoch (50, 100, 150), dan neuron (64), yang kemudian akan dievaluasi menggunakan RMSE dan MAPE. Kombinasi parameter dengan nilai RMSE dan MAPE terkecil yaitu menggunakan input dari jumlah langkah waktu sebelumnya (timesteps) sebesar 31 atau 𝑡 − 31, nilai epoch sebesar 150, batch size sebesar 32, dan neurons sebesar 64, dengan splitting data sebesar 90% : 10%. Kombinasi tersebut dapat dikatakan sebagai parameter terbaik dengan nilai RMSE dan MAPE terkecil, yaitu sebesar 2,57 dan 46,69%. Berdasarkan hasil parameter yang telah diperoleh, dilanjutkan peramalan selama 10 hari ke depan, yaitu sebanyak 120 data dari tanggal 01 Desember 2023 hingga 10 Desember 2023. Grafik hasil peramalan tersebut cenderung berfluktuasi secara stasioner tanpa menunjukkan adanya tren kenaikan atau penurunan
Dokumen Serupa
Berdasarkan kemiripan vektor embedding IndoSBERT (cosine similarity).
- Cosine 0,858
Tahun 2026 · Penulis: Nurrisa Qurrotul Aini
PERAMALAN CURAH HUJAN DI KABUPATEN JEMBER BERBASIS DATA SATELIT HIMAWARI-9 DENGAN METODE LONG SHORT-TERM MEMORY (LSTM)
Kabupaten Jember merupakan wilayah pertanian di Provinsi Jawa Timur yang sangat bergantung pada kondisi curah hujan, namun data dari stasiun pengamatan konvensional masih terbatas, sehingga mendorong pemanfaatan teknologi penginderaan jauh. Penelitian ini bert
- Cosine 0,828
Tahun 2024 · Penulis: Anggit Fathurrozi
Peramalan Jangka Panjang pada Gardu Induk Bangil Menggunakan Metode Generalized Regression Neural Network
Peningkatan penggunaan energi listrik memiliki beberapa masalah salah satunya adalah karena energi tersebut merupakan sumber energi yang sulit disimpan sehingga jumlah energi yang diproduksi harus sesuai dengan jumlah yang dikonsumsi. Sedangkan penambahan kapa
- Cosine 0,827
Tahun 2025 · Penulis: Ismiasih
Perbandingan Model ARIMAX dan LSTM dengan Variabel Eksogen dalam Meramalkan Suhu di Kabupaten Jember
Suhu merupakan salah satu indikator penting untuk mengukur kondisi lingkungan, baik yang berkaitan dengan panas maupun dingin dan umumnya diukur menggunakan satuan derajat Celcius (℃). Kenaikan suhu meskipun kecil berdampak pada peningkatan risiko bencana alam