ESTIMASI RADIASI MATAHARI PERJAM PADA PERMUKAAN …digilib.its.ac.id/public/ITS-paper-35516-2410100057-presentation.pdf · BIDANG MINAT REKAYASA INSTRUMENTASI ESTIMASI RADIASI MATAHARI
Post on 03-Aug-2019
232 Views
Preview:
Transcript
Oleh :
Nur Ulfa Hidayatullah NRP. 2410.100.057
Pembimbing :
Ir. Yaumar, MT NIP. 195404061981031003
PROGRES TUGAS AKHIR
BIDANG MINAT REKAYASA INSTRUMENTASI
ESTIMASI RADIASI MATAHARI PERJAM PADA PERMUKAAN
HORIZONTAL DENGAN METODE EXTREME LEARNING MACHINE (STUDI KASUS DI SURABAYA)
Rabu, 14 Mei 2014
Program Studi S-1 Jurusan Teknik Fisika - Fakultas Teknologi Industri - ITS
Latar Belakang
Estimasi Radiasi Matahari Perjam Pada
Permukaan Horizontal dengan Metode
Extreme Learning Machine (Studi Kasus
di Surabaya)
Huang, et al (2006)
Maher, (2013)
Rumusan Masalah
Bagaimana pemodelan radiasi matahari perjam pada permukaan
horizontal dengan metode Extrime Learning Machine.
Bagaimana perbandingan hasil estimasi radiasi matahari perjam pada
permukaan horizontal dengan menggunakan metode Artificial Neural
Network dan Extreme Learning Machine.
Tujuan
Mendapatkan pemodelan radiasi matahari perjam pada permukaan
horizontal dengan metode Extreme Learning Machine .
Hasil penelitian ini diharapkan dapat digunakan sebagai rekomendasi
dalam melakukan perancangan sistem energi solar.
Mendapatkan perbandingan hasil estimasi radiasi matahari perjam pada
permukaan horizontal dengan menggunakan metode Artificial Neural
Network dan Extreme Learning Machine.
Batasan Masalah
Data yang diambil merupakan data sekunder yang didapat dari Badan
Meteorologi Klimatologi dan Geofisika (BMKG) Perak I Surabaya.
Pengambilan data dilakukan selama 6 bulan mulai dari bulan Mei 2013
sampai dengan bulan Oktober 2013 mulai pukul 05.00 sampai dengan pukul
18.00
Variabel input yang digunakan yaitu temperatur udara (oC), kelembapan
relatif (%), arah angin (o), dan kecepatan angin (m/s).
Variabel output yang digunakan yaitu intensitas radiasi matahari perjam
(W/m2).
Metodologi Penelitian
Mulai
Studi Literatur
Pengambilan Data Radiasi Matahari Perjam, Kelembapan
Relatif, Temperatur Udara, Arah Angin, dan Kecepatan
Angin
Pembagian Data
Pelatihan (Training) Extreme Learning Machine
MSE dan MAPE <= target
Tidak
Normalisasi Data
A
Ya
Uji Coba (Testing)Extreme Learning Machine
Denormalisasi Data
Penyusunan Laporan
Selesai
Analisa Hasil Estimasi
A
Normalisasi Data
Pembagian Data :
Data training sebanyak 80%
dari total data (292 untuk
training)
Data testing sebanyak 20%
dari total data (72 data)
( ) ( ) 1minmax/min2 −−−= pppp XXXXX
Training Data dengan ELM
Mulai
Normalisasi data training
Set fungsi aktivasi dan jumlah hidden neuron
Hitung inputt weight, bias of hidden, dan output weight
MSE <= 0,01 dan MAPE <= 1%
Tidak
Ya
Denormalisasi output
Selesai
( ) ( ) pppp XXXxXxX minminmax15.0 +−+=
Denormalisasi Data
Penentuan Arsitektur Jaringan
Node Percobaan 1 Percobaan 2 Percobaan 3 Percobaan4
Percobaan5
40 0,076802 0,076696 0,075571 0,070835 0,07621580 0,05699 0,056608 0,057101 0,06021 0,058746120 0,046895 0,046316 0,044773 0,042989 0,042692160 0,028614 0,032524 0,033925 0,033413 0,032598200 0,022109 0,0226 0,020581 0,023156 0,020813240 0,008797 0,009577 0,014604 0,012405 0,012545280 0,000124 0,000737 0,000104 0,0004 0,000321320 1,44E-13 5,37E-13 1,2E-12 4,84E-14 4,57E-13360 1,04E-13 1,84E-13 1,86E-13 1,33E-14 1,06E-14400 2,5E-15 2,39E-13 3,24E-14 3,22E-14 2,42E-14
Nilai MSE pada Training Data
Penentuan Arsitektur Jaringan
Rata-Rata Nilai MSE pada Training Data
Node Rata-Rata MSE
40 0,075224
80 0,057931
120 0,044733
160 0,032215
200 0,021852
240 0,011586
280 0,000337
320 4,77E-13
360 9,96E-14
400 6,6E-14
Penentuan Arsitektur Jaringan
Nilai Learning Time pada Training Data
Node Percobaan 1(Detik)
Percobaan 2(Detik)
Percobaan 3(Detik)
Percobaan4
(Detik)
Percobaan5
(Detik)
40 0,0468 0,0468 0,0468 0,0468 0,046880 0,0468 0,0468 0,0468 0,0468 0,0468120 0,078 0,078 0,078001 0,078001 0,078001160 0,109201 0,109201 0,109201 0,109201 0,109201200 0,124801 0,124801 0,124801 0,124801 0,124801240 0,218401 0,218401 0,218401 0,218401 0,218401280 0,265202 0,265202 0,265202 0,265202 0,265202320 0,296402 0,296402 0,296402 0,296402 0,296402360 0,312002 0,312002 0,312002 0,312002 0,312002400 0,358802 0,358802 0,358802 0,358802 0,358802
Penentuan Arsitektur Jaringan
Rata-Rata Nilai Learning Time pada Training Data
Node Rata-Rata Learning Time(Detik)
40 0,0468
80 0,0468
120 0,07488
160 0,109201
200 0,124801
240 0,218401
280 0,265202
320 0,296402
360 0,312002
400 0,358802
Perbandingan Estimasi Backpropagation dan ELM
Metode MSE MAPELearning
Speed(detik)
Backpropagation 0,3378 29,17768 0,2171ELM 5,88E-14 19,72625 0,0156
Kesimpulan
Penentuan arsitektur ELM agar didapatkan hasil estimasi yang optimal adalah
dengan kriteria MSE yang terkecil untuk yaitu dengan 4 input, hidden node
sebanyak 400 buah, dan 1 output.
Dari hasil perbandingan antara estimasi dengan menggunakan metode
backpropagation dan ELM, ELM memiliki MSE yang lebih kecil dan learning speed
yang lebih cepat dibandingkan dengan ANN. Nilai MSE terkecil yaitu sebesar 5,88E-
14 dan learning speed tercepat sebesar 0,0156 detik. Hal ini menunjukkan pada
kasus ini metode ELM memiliki learning speed yang lebih cepat dibandingkan
dengan menggunakan backpropagation.
top related