AIRAAIRA

Journal of Information Systems and Technology ResearchJournal of Information Systems and Technology Research

Peramalan kecepatan angin memiliki peran penting dalam berbagai sektor, termasuk manajemen energi terbarukan dan persiapan bencana untuk cuaca ekstrem. Model prediksi yang akurat diperlukan untuk mendukung proses pengambilan keputusan, terutama di daerah dengan pola musim dinamis. Studi ini membandingkan kinerja tiga model prediksi deret waktu, Long Short-Term Memory (LSTM), Temporal Convolutional Network (TCN), dan Radial Basis Function Neural Network (RBFNN) untuk memprediksi kecepatan angin harian. Dataset terdiri dari data historis kecepatan angin yang telah melalui langkah preprocessing seperti imputasi nilai hilang berbasis musim, uji stasioneritas, transformasi terawasi, normalisasi, dan tuning hyperparameter untuk mengoptimalkan kinerja model. Model dievaluasi menggunakan empat metrik regresi standar: Mean Absolute Error (MAE), Root Mean Square Error (RMSE), R-Squared (R²), dan Mean Absolute Percentage Error (MAPE). Hasil menunjukkan bahwa model TCN unggul dibandingkan yang lain, mencapai MAE 1.117, RMSE 1.524, R² 0.120, dan MAPE 20.95%. Model LSTM menduduki peringkat kedua dengan kinerja kompetitif, sementara model RBFNN menghasilkan akurasi yang konsisten tetapi sedikit lebih rendah. Temuan ini menyoroti keunggulan TCN dalam menangkap pola urutan dan musiman yang kompleks dalam data kecepatan angin. Kontribusi unik penelitian ini terletak pada integrasi preprocessing berbasis musim dengan evaluasi komparatif tiga model canggih di bawah kondisi yang berbeda, termasuk skenario cuaca ekstrem. Studi ini menjadi dasar untuk mengembangkan sistem prediksi kecepatan angin yang lebih akurat dan dapat diandalkan untuk mendukung perencanaan energi terbarukan dan meningkatkan strategi mitigasi risiko bencana.

Studi ini menunjukkan bahwa model TCN memiliki kinerja terbaik dalam memprediksi kecepatan angin harian dibandingkan LSTM dan RBFNN.Hasil penelitian menunjukkan bahwa model TCN mampu menangkap pola urutan dan musiman yang kompleks dengan akurasi tinggi.Meskipun LSTM menunjukkan kinerja kompetitif, model RBFNN menghasilkan akurasi yang lebih rendah.Temuan ini menekankan pentingnya pendekatan preprocessing berbasis musim untuk meningkatkan akurasi prediksi.Penelitian lanjutan diperlukan untuk menguji model-model ini di bawah kondisi cuaca ekstrem dan mengintegrasikan data multivariat seperti suhu dan kelembapan untuk meningkatkan akurasi prediksi.

Pertama, penelitian lanjutan dapat mengembangkan model prediksi yang lebih efektif dengan mengintegrasikan data multivariat seperti suhu dan kelembapan untuk meningkatkan akurasi. Kedua, penelitian perlu menguji kinerja model TCN, LSTM, dan RBFNN di bawah kondisi cuaca ekstrem yang berbeda untuk memahami batasan dan potensi aplikasi mereka. Ketiga, penelitian dapat mengeksplorasi penerapan model prediksi ini di wilayah dengan pola cuaca yang berbeda untuk mengevaluasi generalisasi hasil. Saran-saran ini bertujuan untuk memperluas cakupan penelitian dan meningkatkan relevansi praktis model-model yang dikembangkan.

Read online
File size1.18 MB
Pages14
DMCAReport

Related /

ads-block-test