Prediksi Kecepatan Angin Berbasis Dekomposisi Hybrid ICEEMDAN-EWT(IMF1+IMF2)-BILSTM sebagai Informasi Pendukung Sistem Peringatan Dini Angin Kencang

Hidayat, Dedi Arman Alif (2026) Prediksi Kecepatan Angin Berbasis Dekomposisi Hybrid ICEEMDAN-EWT(IMF1+IMF2)-BILSTM sebagai Informasi Pendukung Sistem Peringatan Dini Angin Kencang. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6025232004-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Peringatan dini angin kencang memiliki peranan vital dalam upaya melindungi keselamatan masyarakat, meminimalkan risiko kerusakan infrastruktur, dan mengurangi potensi dampak bencana akibat cuaca ekstrem. Informasi prediksi kecepatan angin yang akurat sangat dibutuhkan untuk mendukung sistem peringatan tersebut, sehingga masyarakat dan pemangku kepentingan dapat mengambil langkah antisipasi secara tepat waktu. Namun, prediksi kecepatan angin masih menghadapi tantangan besar karena dipengaruhi oleh dinamika atmosfer yang acak, memiliki pola yang berubah-ubah, dan sangat fluktuatif, sehingga diperlukan pendekatan khusus agar hasil prediksi dapat diandalkan.

Penelitian ini bertujuan untuk meningkatkan akurasi prediksi kecepatan angin dengan mengusulkan pendekatan yang fokus pada dekomposisi sinyal dan model deep learning. Dalam metodologi yang diusulkan, Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN) digunakan untuk mendekomposisi data kecepatan angin menjadi beberapa Intrinsic Mode Functions (IMFs), sehingga pola utama dalam data dapat diekstraksi dengan lebih baik. Selanjutnya, Empirical Wavelet Transform (EWT) diterapkan untuk menyaring noise pada komponen frekuensi tinggi, sehingga menghasilkan representasi data yang lebih halus dan relevan untuk pemodelan.

Setelah proses dekomposisi dan denoising, hasil tersebut digunakan sebagai input pada model Bidirectional Long Short-Term Memory (Bi-LSTM). Model ini dipilih karena kemampuannya dalam menangkap hubungan temporal jangka panjang pada data deret waktu serta keunggulannya dalam memproses informasi secara simultan dari arah maju dan mundur. Dengan demikian, Bi-LSTM dapat mengidentifikasi pola nonlinier yang kompleks dalam kecepatan angin, yang sulit ditangani oleh metode prediksi konvensional.

Evaluasi kinerja dalam penelitian ini mempertimbangkan dua aspek utama, yaitu akurasi prediksi dan efisiensi komputasi. Untuk mengukur akurasi, digunakan tiga metrik utama: Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), dan koefisien determinasi (R²), yang menilai kesalahan prediksi serta kemampuan model dalam menangkap pola data. Sementara itu, efisiensi komputasi dianalisis berdasarkan waktu eksekusi serta penggunaan sumber daya, meliputi konsumsi Central Processing Unit (CPU) dan Random Access Memory (RAM), guna memastikan model layak diterapkan dalam sistem real-time.

Penelitian ini diharapkan dapat menunjukkan bahwa kombinasi ICEEMDAN-EWT dengan Bi-LSTM mampu menghasilkan akurasi dan efisiensi prediksi kecepatan angin yang lebih baik dibandingkan dengan penelitian terbaru yang serupa serta memfokuskan pada penggunaan metode gabungan dekomposisi ICEEMDAN dikombinasikan dengan deep learning yang sudah ada. Selain itu, metodologi yang diusulkan dalam penelitian ini diharapkan dapat memberikan kontribusi signifikan sebagai informasi pendukung dalam sistem peringatan angin kencang. Dengan hasil prediksi kecepatan angin yang lebih akurat dan efisien, model ini dapat digunakan oleh pemangku kepentingan maupun masyarakat untuk mengambil langkah antisipasi terhadap risiko angin kencang, sehingga membantu meningkatkan kesiapsiagaan dan mengurangi potensi dampak cuaca ekstrem.

========================================================================================================================

Early warning of strong winds plays a vital role in protecting public safety, minimizing the risk of infrastructure damage, and reducing the potential impact of disasters caused by extreme weather events. Accurate wind speed prediction information is essential to support such warning systems, enabling communities and stakeholders to take timely precautionary measures. However, wind speed prediction still faces significant challenges due to the highly random, ever-changing, and highly fluctuating nature of atmospheric dynamics, thus requiring specialized approaches to ensure reliable prediction results.

This research aims to enhance the accuracy of wind speed predictions by proposing a signal decomposition-based approach utilizing deep learning models. In the proposed methodology, the Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN) is employed to decompose wind speed data into several Intrinsic Mode Functions (IMFs), thereby allowing for better extraction of principal patterns within the data. Subsequently, the Empirical Wavelet Transform (EWT) is applied to filter noise from high-frequency components, resulting in a smoother and more relevant data representation for modelling.

After the decomposition and denoising processes, the resulting data is utilized as input for the Bidirectional Long Short-Term Memory (Bi-LSTM) model. This model is selected for its ability to capture long-term temporal relationships in time series data, as well as its advantage in processing information simultaneously in both forward and backward directions. Thus, Bi-LSTM can identify complex nonlinear patterns in wind speed that are difficult for conventional forecasting methods to address.

The performance evaluation in this study considers two main aspects: prediction accuracy and computational efficiency. To assess accuracy, three primary metrics are used: Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), and the coefficient of determination (R²), which measure prediction error and the model's ability to capture data patterns. Meanwhile, computational efficiency is analysed based on execution time and resource utilization, including Central Processing Unit (CPU) and Random Access Memory (RAM) consumption, to ensure that the model is feasible for implementation in real-time systems.

This study is expected to demonstrate that the combination of ICEEMDAN-EWT and Bi-LSTM can achieve better accuracy and efficiency in wind speed prediction compared to recent similar studies that have focused on existing hybrid methods combining ICEEMDAN decomposition combined with deep learning. Furthermore, the proposed methodology in this research is anticipated to make a significant contribution as supporting information in strong wind warning systems. With more accurate and efficient wind speed predictions, this model can be utilized by stakeholders and the public to take precautionary measures against strong wind risks, thereby helping to enhance preparedness and reduce the potential impact of extreme weather events.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Bi-LSTM, EWT, ICEEMDAN
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) T Technology > T Technology (General) > T174 Technological forecasting T Technology > T Technology (General) > T57.5 Data Processing T Technology > TD Environmental technology. Sanitary engineering > TD171.75 Climate change mitigation
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Mr. Dedi Arman Alif Hidayat
Date Deposited:	24 Jan 2026 14:37
Last Modified:	24 Jan 2026 14:37
URI:	http://repository.its.ac.id/id/eprint/130289

Actions (login required)

View Item