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

Pengambilan Data

Plot Data

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

Training ELM

Testing ELM

Jumlah Node MSE TestingLearning Speed

Testing(Detik)

400 5,88E-14 0,0156

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.