Estimasi Kecepatan Angin Permukaan pada Jaringan Anemometer Menggunakan Temporal Convolutional Network

https://doi.org/10.5614/joki.2024.16.1.5

Penulis

  • Haryas Wicaksana (1) Program Studi Instrumentasi dan Kontrol, Fakultas Teknologi Industri, Institut Teknologi Bandung; (2) Pusat Instrumentasi, Kalibrasi dan Rekayasa, Badan Meteorologi Klimatologi dan Geofisika
  • Faqihza Mukhlish Kelompok Keahlian Fisika Teknik, Fakultas Teknologi Industri, Institut Teknologi Bandung
  • Naufal Ananda (1) Program Studi Instrumentasi dan Kontrol, Fakultas Teknologi Industri, Institut Teknologi Bandung; (2) Pusat Instrumentasi, Kalibrasi dan Rekayasa, Badan Meteorologi Klimatologi dan Geofisika
  • Irvan Budiawan Program Doktor Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Bandung
  • Arif Nur Khamdi Stasiun Meteorologi Kelas I Juanda Surabaya, Badan Meteorologi Klimatologi dan Geofisika
  • Abdul Hamid Al Habib Program Studi Sains Kebumian, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung

Kata Kunci:

estimasi, anemometer, kecepatan angin, Temporal Convolutional Network

Abstrak

Parameter angin permukaan di berbagai lokasi diukur menggunakan jaringan anemometer. Jaringan ini sering mengalami kegagalan sistem yang disebabkan oleh kerusakan sensor. Hal ini menyebabkan adanya gap data pada jeda waktu antara pelepasan dan pemasangan sensor. Penelitian ini berupaya mengembangkan model estimasi kecepatan angin pada jaringan anemometer menggunakan algoritma Temporal Convolutional Network (TCN). TCN memproses sinyal domain waktu secara paralel, sehingga mempersingkat komputasi secara signifikan. Dataset kecepatan angin per menit diperoleh dari empat anemometer di Bandara Internasional Juanda Surabaya periode 1 Januari 2022 – 24 Desember 2023. Desain model estimasi meliputi pra-pemrosesan data, analisis arah angin dominan, penentuan hyperparameter, training dan pengujian terhadap data aktual. Model estimasi TCN dibagi menjadi model timuran, baratan, peralihan dan semua arah. Model estimasi kecepatan angin timuran, peralihan dan semua arah memiliki korelasi kuat terhadap data aktual dengan nilai koefisien korelasi berturut-turut yaitu 0,70; 0,77 dan 0,87. Secara keseluruhan, akurasi model estimasi berbasis TCN sudah memenuhi persyaratan WMO untuk pengukuran kecepatan angin yaitu capaian RMSE<5 m/s dan MAE<3 m/s. TCN mampu memproses pelatihan 87 detik per epoch dan menyelesaikan estimasi dalam 37 detik, jauh lebih cepat dari CNN-BiDLSTM dengan durasi pelatihan 2206 detik per epoch dan estimasi dalam 548 detik.

Referensi

R. V. Rohli and A. J. Vega, Climatology. Jones & Bartlet Learning, 2018.

P. P. Battista, G. Maracchi, F. Sabatini, M. V. K. Sivakumar & A. Zaldei. Training Center Manual on Instrumentation and Operations for Automatic Weather Stations for Agrometeorological Application. 2000.

Badan Meteorologi Klimatologi dan Geofisika. Peraturan Kepala BMKG Nomor 7 Tahun 2014 tentang Standar Teknis dan Operasional Pemeliharaan Peralatan Pengamatan Meteorologi, Klimatologi dan Geofisika. 2014.

Badan Meteorologi Klimatologi dan Geofisika. Peraturan Kepala BMKG Nomor 23 Tahun 2015 tentang Tata Cara Tetap Pelaksanaan Kalibrasi Peralatan Pengamatan Meteorologi, Klimatologi dan Geofisika. 2015.

Y. Li, & X. Shen, “A Novel Wind Speed-Sensing Methodology for Wind Turbines Based on Digital Twin Technology.” IEEE Transactions on Instrumentation and Measurement, 71, 2022. https://doi.org/10.1109/TIM.2021.3139698.

S. Bai, J. Z. Kolter, & V. Koltun, An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling. 2018. [Online]. Available: http://arxiv.org/abs/1803.01271.

P. Hewage, A. Behera, M. Trovati, E. Pereira, M. Ghahremani, F. Palmieri, & Y. Liu, “Temporal convolutional neural (TCN) network for an effective weather forecasting using time-series data from the local weather station.” Soft Computing, 24(21), 16453–16482, 2020. https://doi.org/10.1007/s00500-020-04954-0.

International Civil Aviation Organization. Manual on Low-level Wind Shear (1st ed., Vol. 1). ICAO. 2005. [Online]. Available: http://www.icao.int.

Tim Bidang Analisis Variabilitas Iklim Pusat Informasi Perubahan Iklim Kedeputian Klimatologi. Pemutakhiran Zona Musim Indonesia Periode 1991-2020. 2022.

T. B. Pepinsky, “A Note on Listwise Deletion versus Multiple Imputation.” Political Analysis, 26(4), 480–488, 2018. https://doi.org/10.1017/pan.2018.18.

T. Emmanuel, T. Maupong, D. Mpoeleng, T. Semong, B. Mphago, & O. Tabona, “A survey on missing data in machine learning.” Journal of Big Data, 8(1). 2021. https://doi.org/10.1186/s40537-021-00516-9.

S. van Buuren, & K. Groothuis-Oudshoorn, “MICE: Multivariate Imputation by Chained Equations in R,”. Journal of Statistical Software, 45(3), 1–67, 2011. https://doi.org/10.18637/jss.v045.i03.

A. Adib, S. S. O. Kalantarzadeh, M. M. Shoushtari, M. Lotfirad, A. Liaghat, & M. Oulapour, “Sensitive analysis of meteorological data and selecting appropriate machine learning model for estimation of reference evapotranspiration.” Applied Water Science, 13(3). 2023. https://doi.org/10.1007/s13201-023-01895-5.

Y. Lin, I. Koprinska & M. Rana, “Temporal Convolutional Attention Neural Networks for Time Series Forecasting,” Proceedings of the International Joint Conference on Neural Networks, 2021-July. https://doi.org/10.1109/IJCNN52387.2021.9534351.

R. Wan, S. Mei, J. Wang, M. Liu, & F. Yang, “Multivariate temporal convolutional network: A deep neural networks approach for multivariate time series forecasting,” Electronics (Switzerland), 8(8), 2019. https://doi.org/10.3390/electronics8080876.

P. Lara-Benítez, M. Carranza-García, J. M. Luna-Romera & J. C. Riquelme, “Temporal convolutional networks applied to energy-related time series forecasting.” Applied Sciences (Switzerland), 10(7), 2020. https://doi.org/10.3390/app10072322.

F. Yu, & V. Koltun, “Multi-Scale Context Aggregation by Dilated Convolutions,”. ICLR, 2016, November 23. [Online]. Available: http://arxiv.org/abs/1511.07122.

K. He, X. Zhang, S. Ren & J. Sun, “Deep Residual Learning for Image Recognition,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016, December 10. [Online]. Available: http://arxiv.org/abs/1512.03385.

A. Botchkarev, “A new typology design of performance metrics to measure errors in machine learning regression algorithms,” Interdisciplinary Journal of Information, Knowledge, and Management, 14, 45–76, 2019. https://doi.org/10.28945/4184.

P. Schober, & L. A. Schwarte, “Correlation coefficients: Appropriate use and interpretation,” Anesthesia and Analgesia, 126(5), 1763–1768, 2018. https://doi.org/10.1213/ANE.0000000000002864.

W. Meteorological Organization, Technical Guidelines for Regional WIGOS Centres on the WIGOS Data Quality Monitoring System. 2018. [Online]. Available: http://public.wmo.int/en/.

C. A. Fiebrich, Y. R. Morgan, A. G. McCombs, P. K. Hall & R. A. McPherson, “Quality assurance procedures for mesoscale meteorological data,” Journal of Atmospheric and Oceanic Technology, 27(10), 1565–1582. 2010. https://doi.org/10.1175/2010JTECHA1433.1.

Diterbitkan

2024-04-30

Cara Mengutip

[1]
H. Wicaksana, F. . Mukhlish, N. . Ananda, I. . Budiawan, A. N. . Khamdi, dan . A. H. A. . Habib, “Estimasi Kecepatan Angin Permukaan pada Jaringan Anemometer Menggunakan Temporal Convolutional Network ”, JOKI, vol. 16, no. 1, hlm. 44-52, Apr 2024.