Electronic Theses and Dissertation

ABSTRAK


Salah satu tantangan dalam pengembangan energi angin menjadi pembangkit listrik tenaga angin adalah bagaimana menghasilkan model prediksi kecepatan angin yang akurat. Penelitian ini bertujuan untuk membangun model prediksi kecepatan angin yang akurat dengan menerapkan algoritma long short term memory (LSTM). Dibandingkan dengan metode lainnya, algoritma LSTM memiliki keunggulan dalam menangkap pola yang kompleks pada model data deret waktu. Dataset yang digunakan pada penelitian ini terdiri atas data kecepatan angin yang diperoleh dari dataset energi terbarukan pada NASA Power sistem satelit. Data kecepatan angin tersebut dikumpulkan dari periode tahun 1981 hingga tahun 2022 setiap bulannya. Penelitian ini mencakup tahapan normalisasi data, pembagian dataset menjadi data latih dan data uji, pelatihan model prediksi menggunakan algoritma LSTM serta mengukur tingkat evaluasi model prediksi pada tahapan pengujian. Evaluasi pengujian model menggunakan instrumen RMSE, MSE, MAE dan MAPE. Hasil penelitian menunjukkan bahwa algoritma LSTM mampu menghasilkan model prediksi kecepatan angin dengan tingkat akurasi yang maksimal berdasarkan nilai RMSE, MSE, MAE dan MAPE yang dihasilkan.

Kata kunci: model prediksi kecepatan angin, LSTM, RMSE, MSE, MAE, MAPE

ABSTRACT One of the challenges in developing wind energy into wind power plants is how to produce an accurate wind speed prediction model. This research aims to build an accurate wind speed prediction model by applying the long short term memory (LSTM) algorithm. Compared with other methods, the LSTM algorithm has the advantage of capturing complex patterns in time series data models. The dataset used in this research consists of wind speed data obtained from the renewable energy dataset on the NASA Power satellite system. Wind speed data is collected from 1981 to 2022 every month. This research includes the stages of data normalization, dividing the dataset into training data and test data, training the prediction model using the LSTM algorithm and measuring the level of evaluation of the prediction model at the testing stage. Evaluation of model testing using RMSE, MSE, MAE and MAPE instruments. The research results show that the LSTM algorithm is able to produce a wind speed prediction model with the maximum level of accuracy based on the resulting RMSE, MSE, MAE and MAPE values. Key words: wind speed prediction model, LSTM, RMSE, MSE, MAE, MAPE