Kiram, Muhammad Ramadhan (2020) Peramalan Kecepatan Angin Di Kabupaten Banyuwangi Dengan Menggunakan Metode Hybrid Ensemble Empirical Mode Decomposition-Autoregressive Integrated Moving Average (EEMD-ARIMA). Other thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
05211640000061-Undergraduate_Thesis.pdf Download (9MB) | Preview |
Abstract
Angin dipengaruhi oleh tekanan yang ada pada dataran bumi, perbedaan tekanan yang terjadi adalah sebab dari angin berhembus dari dataran yang memiliki tekanan tinggi ke dataran yang memiliki tekanan yang rendah. Besar selisih dari kedua tekanan ini merupakan besar dari kecepatan angin. Angin dan kecepatannya memiliki banyak pengaruh kepada beberapa fenomena alam, seperti: pergeseran iklim, proyeksi lintasan asap gunung merapi, perpecahan ombak, dan lain – lain. Selain fenomena alam, kecepatan angin juga mempengaruhi kinerja Pembangkit Listrik Tenaga Bayu (PLTB). Peramalan kecepatan angin bisa membantu meramalkan fenomena-fenomena alam tersebut serta hal yang bersangkut paut dengan PLTB seperti kinerja dan perkiraan harga dari penggunaan PLTB, karena itu peramalan angin yang memiliki akurasi tinggi memiliki banyak manfaat.
Peramalan kecepatan angin sudah banyak dilakukan dengan berbagai macam pendekatan, seperti: Support Vector Machine, Chaotic Time Series, Neural Network Model, ARIMA, dan lain – lain. Namun, pendekatan yang pernah digunakan untuk meramalkan kecepatan angin masih memiliki kekurangannya masing – masing. Secara garis besar kekurangan ini ditimbulkan karena kecepatan angin tidak memiliki siklus atau tren atau musiman dan data kecepatan angin memiliki jenis variasi random.
Karena data kecepatan angin memiliki sifat acak atau random, data tersebut harus diolah terlebih dahulu agar bisa memiliki pola untuk meningkatkan hasil peramalan. Pendekatan yang bisa dilakukan untuk merubah data random menjadi data yang berpola adalah dengan cara mengubah data kecepatan angin menjadi data sinyal menggunakan pendekatan Empirical Mode Decomposition. Namun, pendekatan EMD masih memiliki kekurangan, karena itu pendekatan tersebut dikembangkan teknik penggunaannya, sehingga terbentuklah pendekatan Ensemble Empirical Mode Decomposition (EEMD). Pendekatan EEMD digunakan untuk mengubah data kecepatan angin menjadi data sinyal, EEMD juga memberikan kesensitifan lebih pada data sehingga hasil peramalan bisa menjadi lebih baik.
Data yang sudah menjadi data sinyal akan diramalkan menggunakan pendekatan ARIMA. Pendekatan ARIMA dipilih karena kredibilitasnya dalam teknik peramalan cukup tinggi, pendekatan ini telah digunakan oleh banyak penelitian peramalan yang menggunakan data kecepatan angin maupun bukan.
Peramalan akan dilakukan dengan menggunakan data time-series dari variabel kecepatan angin pada Kabupaten Banyuwangi rata-rata perhari.
Hasil penelitian menunjukkan bahwa pendekatan terbaik untuk meramalkan data kecepatan angin adalah EEMD-ARIMA memiliki nilai MAPE sebesar 14%.
===================================================================
The wind is influenced by the pressure that is on the earth's plains, the difference in pressure that occurs is the cause of the wind blowing from the plains that have high pressure to the plains that have low pressure. The difference between these two pressures is the magnitude of the wind speed. The wind and its speed have a lot of influence on several natural phenomena, such as: climate shifts, the projection of the volcano's smoke trajectory, wave splits, and others. In addition to natural phenomena, wind speed also affects the performance of Wind Power Plants. Forecasting wind speed can help predict these natural phenomena as well as matters relating to Wind Power Plants such as performance and price estimates from the use of Wind Power Plants, therefore wind forecasting that has high accuracy has many benefits.
Forecasting wind speed has been done with a variety of approaches, such as: Support Vector Machines, Chaotic Time Series, Neural Network Models, ARIMA, and others. However, the approaches used to predict wind speed still have their disadvantages. Broadly speaking, this deficiency is caused because the wind speed does not have cycles or trends or seasonality and the wind speed data has a type of random variation.
Because wind speed data has random variation, the data must be processed first so that it wil be more stable in order to improve forecasting results. The approach that can be done to convert random data into patterned data is by changing wind speed data into signal data using the Empirical Mode Decomposition approach. However, the EMD approach still has disadvantages, so the approach was developed for its use, so an Ensemble Empirical Mode Decomposition (EEMD) approach was formed. The EEMD approach is used to convert wind speed data into signal data, EEMD also gives more physical meaning to the data so that forecasting results can be improved.
Data that has become subseries of the original data will be predicted using the ARIMA approach. The ARIMA approach was chosen because its credibility in forecasting techniques is quite high, this approach has been used by many forecasting studies either for wind speed forecasting or else.
Forecasting will be done using time-series wind speed data from Banyuwangi District on average per day.
Results from this research shows that the best method for predicting wind speed data is EEMD-ARIMA, this method has a MAPE value of 14%
| Item Type: | Thesis (Other) |
|---|---|
| Uncontrolled Keywords: | Peramalan, Kecepatan Angin, EEMD, Ensemble Empirical Mode Decomposition, ARIMA, Autoregressive Integrated Moving Average, Forecasting, Wind Speed, Ensemble Empirical Mode Decomposition, EEMD, Autoregressive Integrated Moving Average, ARIMA |
| Subjects: | T Technology > T Technology (General) > T174 Technological forecasting |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Information System > 57201-(S1) Undergraduate Thesis |
| Depositing User: | Muhammad Ramadhan Kiram |
| Date Deposited: | 26 Aug 2020 06:36 |
| Last Modified: | 29 Aug 2023 14:37 |
| URI: | http://repository.its.ac.id/id/eprint/79550 |
Actions (login required)
 |
View Item |