Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM. ......Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM.

Abstrak :
Stylometry merupakan teknik analisa terhadap kepengarangan menggunakan statistik. Melalui stylometry, identitas kepengarangan dari suatu dokumen dapat dianalisis dengan tingkat akurasi yang tinggi. Hal ini menyebabkan adanya ancaman terhadap privasi penulis. Namun terdapat salah satu jenis metode dari stylometry yaitu penghapusan identitas kepengarangan yang dapat memberikan perlindungan privasi bagi penulis. Penelitian ini menggunakan metode penghapusan identitas kepengarangan yang diterapkan pada korpus Federalist Paper. Federalist Paper merupakan korpus terkenal yang telah banyak diteliti terutama pada metode identifikasi kepengarangan karena di dalam korpus tersebut terdapat 12 artikel yang tidak diketahui identitas penulisnya, salah satu metode identifikasinya adalah menggunakan algoritma Support Vector Machine. Melalui algoritma tersebut didapatkan identitas penulis dari artikel yang tidak diketahui pengarangnya dengan tingkat akurasi sebesar 86%. Tantangan dari metode penghapusan identitas kepengarangan adalah harus mampu mengubah gaya penulisan dengan tetap mempertahankan makna. Long-Short Term Memory (LSTM) merupakan algoritma berbasis Deep Learning yang mampu melakukan prediksi kata secara baik. Melalui model yang dibentuk dari algoritma LSTM, artikel-artikel dalam Federalist Paper diubah gaya penulisannya. Hasilnya, 30% dari artikel yang diklasifikasi dapat diubah identitas kepengarangannya dari satu penulis menjadi penulis lainnya. Tingkat kemiripan dokumen hasil ubahan berkisar antara 40-57% menandakan perubahan makna yang tidak signifikan dari dokumen aslinya. Hasil tersebut menyimpulkan bahwa metode yang diajukan mampu melakukan penghapusan identitas kepengarangan dengan baik. ......Stylometry is an authorship analysis technique using statistics. Through stylometry, authorship identity of a document can be analyzed with a high degree of accuracy. This causes a threat to the privacy of the author. But there is one type of method of stylometry, namely the elimination of authorship identity which can provide privacy protection for writers. This study uses the authorship method of eliminating the method applied to the Federalist Paper corpus. Federalist Paper is a well-known corpus that has been extensively studied especially in authorship identification methods because there are 12 disputed texts in the corpus, one of the identification methods is using the Support Vector Machine algorithm. Through this algorithm the author's identity of disputed text is obtained with an accuracy of 86%. The challenge of the authorship identity elimination method is that it must be able to change the writing style while maintaining its meaning. Long-Short Term Memory (LSTM) is a Deep Learning based algorithm that is able to predict words well. Through a model formed from the LSTM algorithm, the disputed articles in the Federalist Paper are changed in their writing style. As a result, 30% of classified articles can be changed from one author identity to another identity. The level of similarity of the changed documents ranges from 40-57%, which indicates a change in meaning that is not significant from the original document. These results conclude that the proposed method is able to perform authorship identity deletion properly.

Abstrak :
Saham merupakan salah satu surat berharga yang diterbitkan dan dijual oleh perusahaan, yang telah memenuhi syarat, di Bursa Efek Indonesia. Prinsip dasar yang dimiliki oleh saham adalah High Risk High Reward, yang menggambarkan bahwa saham memang dapat memiliki hasil yang besar, namun memiliki risiko yang tinggi pula. Dengan prinsip High Risk High Reward, tentunya para investor harus lebih hati-hati dalam menentukan langkah yang akan mereka lakukan. Salah satu cara yang dapat digunakan untuk mengurangi risiko, yaitu melakukan prediksi tren harga saham menggunakan Machine Learning. Menggunakan data historis saham pada Bursa Efek Indonesia, yaitu open, high, low, dan close price, algoritma Machine Learning dapat melakukan prediksi tren harga saham yang selanjutnya akan digunakan sebagai strategi investasi para investor. Terdapat banyak metode Machine Learning yang dapat digunakan untuk melakukan prediksi, salah satu metode yang dapat digunakan adalah Recurrent Neural Network yaitu Long Short Term Memory (LSTM). Pada metode LSTM, data historis harga saham akan dibawa ke depan melalui seluruh gerbang LSTM yaitu: Forget Gate, Input Gate, dan Output Gate. Selanjutnya akan dicari nilai loss dari model, setelah didapat nilai loss, model akan ditinjau kembali setiap tahapannya, dimulai dari belakang. Langkah pengulangan tesebut dilakukan agar mendapat variabel Weight dan Bias yang optimal. Kemudian, tingkat akurasi dari metode tersebut akan ditentukan menggunakan: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Penelitian ini menggunakan data historis perusahaan yang termasuk pada Indeks LQ45 dan dapat diambil melalui website, finance.yahoo.com. Dari penelitian ini, diketahui bahwa, masing-masing masalah memiliki model terbaiknya, untuk penyelesaian masalah tersebut. ......Stock is a part of ownership of a company, that have fulfill the requirement to be sold at Bursa Efek Indonesia. The basic principal of stock market is High Risk High Reward, which describe that stock market indeed have a chance to get a great profit, but it also come with a high risk. This principal is the reason that all investor must be cautious in deciding their move. There’s many method to do this, with one of the being, forecasting the stock market trend with machine learning. With the historical data, that include open, high, low, dan close price, the machine learning algorithm, could forecast the stock market direction for the next days, which will be one of the deciding factor for investor to choose their move. Nowadays, there’s many machine learning method that can be used to forecast, one of them is the branch method of Recurrent Neural Network, which is, Long Short Term Memory (LSTM). LSTM use the historical data, and bring them forward to, Forget Gate, Input Gate, Memory State, Output Gate. Then the loss value of the model will be calculated. After all the process the model will be re-evaluated. The re-evaluation step is to update all the weights and biases in the model. Then the accuracy of the model will be evaluated with Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE). This study uses the historical data of the companys that’s included in the index LQ45, and the data is taken from the website, finance.yahoo.com. From this research, it is known that every problem has their own preference model to solve.

Abstrak :
Moda transportasi kereta merupakan transportasi umum yang cukup diminati penduduk Indonesia. Namun, Moda transportasi ini masih sedikit menggunakan energi yang bersih. Kereta Api jarak jauh Indonesia masih menggunakan diesel. Bahan bakar diesel tentunya merupakan energi konvensional yang penggunaannya ingin dikurangi oleh dunia. Salah satu solusinya adalah dengan mengurangi pengurangan diesel pada kereta api jarak jauh. Untuk mengurangi penggunaan bahan bakar dan mengurangi emisi dari mesin, maka kereta api bisa dibuat secara hibrid dengan menggabungkan mesin diesel dengan sumber energi listrik, seperti baterai. Kereta hibrid memerlukan EMS (Energy Management System) untuk mengatur energi apa yang dipakai dengan cara yang optimal. Salah satu basis dari EMS ini adalah MPC (Model Predictive Control). Salah satu hal yang menjadi pertimbangan dari Model Predictive Control adalah prediktor nya. Dengan perkembangan Deep Learning, Long Short Term Memory Neural Network (LSTM) dikenal baik untuk memodelkan data sequence. LSTM bisa membuat model prediksi kecepatan dengan data yang telah dikumpulkan. Dengan prediksi daya yang akurat, Model Predictive Control bisa menghasilkan kontrol EMS yang lebih ekonomis dengan biaya komputasi yang bisa diimplementasikan. ......The train mode of transportation is public transportation that is quite attractive to the Indonesian population. However, this mode of transportation still uses little clean energy. Indonesian long-distance trains still use diesel. Diesel fuel is of course a conventional energy whose use the world wants to reduce. One solution is to reduce diesel reduction on long-distance trains. To reduce fuel use and reduce emissions from the engine, a hybrid train can be made by combining a diesel engine with a source of electrical energy, such as a battery. Hybrid trains require an EMS (Energy Management System) to regulate what energy is used in an optimal way. One of the bases of this EMS is MPC (Model Predictive Control). One of the things to consider in the Predictive Control Model is its predictors. With the development of Deep Learning, Long Short Term Memory Network (LSTM) is well known for modeling data sequences. LSTM can create a speed prediction model with the data that has been collected. With accurate power predictions, the Predictive Control Model can produce EMS control that is more economical with computational costs that can be implemented.

Abstrak :
Indonesia merupakan negara tropis yang memiliki dua musim yaitu musim kemarau dan musim hujan. Akan tetapi, kondisi cuaca setiap harinya tidak dapat diprediksi karena pengaruh perubahan iklim yang terjadi. Hujan bisa terjadi kapan saja di musim kemarau dan begitu juga sebaliknya. Hal ini menyebabkan perbedaan suhu di setiap harinya. Penelitian ini bertujuan untuk menganalisa pengaruh perubahan suhu dan cuaca terhadap penggunaan listrik di gedung kampus pendidikan khususnya penggunaan pendingin ruangan. Untuk itu dilakukan pemilihan fitur data cuaca menggunakan Pearson Correlation Coefficient (PCC) dan user behaviour modelling dengan menggunakan dua metode yaitu Long Short Term Memory (LSTM) dan penambahan lapisan convolutional neural network (CNN) pada metode LSTM. Setelah dilakukan modelling, maka akan dilakukan prediksi dan akurasinya akan untuk menentukan metode mana yang lebih cocok untuk kasus ini. Metode gabungan CNN-LSTM mendapatkan skor tertinggi dengan skor R2 sebesar 0,83 dan MAE sebesar 136,55. Penggunaan data cuaca terbukti memiliki pengaruh terhadap akurasi model. Meskipun cuaca di Indonesia tidak menentu dan penggunaan pendingin ruangan yang tidak teratur, faktor cuaca seperti rata-rata suhu masih memiliki pengaruh terhadap penggunaan pendingin ruangan di gedung institusi pendidikan. ......Indonesia is a tropical country that has two seasons, namely the dry season and the rainy season. However, daily weather conditions cannot be predicted due to the influence of climate change. Rain can occur at any time in the dry season and vice versa. This causes temperature differences on a daily basis. This study aims to analyze the influence of temperature and weather changes on electricity use in educational campus buildings, especially the use of air conditioning. For this reason, weather data will be selected using Pearson Correlation Coefficient (PCC) and user behavior modeling using two methods, namely Long Short Term Memory (LSTM) and the addition of a convolutional neural network (CNN) layer to an LSTM method. After modeling, predictions will be made and the accuracy will be measured to determine which method is more suitable for this case. The combined CNN-LSTM method got the highest score with an R2 score of 0.83 and MAE of 136.55. The use of weather data has proven to have an influence on model accuracy. Although the weather in Indonesia is erratic and the use of air conditioning is unmonitored, weather factors such as average temperature and rain still have an influence on the use of air conditioning in educational institution buildings.

Abstrak :
Dalam perkembangan teknologi saat ini, perlindungan jaringan komputer sangat diperlukan, maka kita membutuhkan sebuah sistem untuk melindunginya jaringan dari serangan, salah satu serangan paling sering di jaringan Komputer adalah DDoS. Proteksi DDoS ini dapat dilakukan dengan cara: menggunakan Supervised Learning atau Unsupervised Learning. Diawasi Pembelajaran adalah suatu metode dimana sistem diberi label data sehingga mampu mengklasifikasikan data uji yang diberikan, dan pembelajaran tanpa pengawasan maka jika data tidak berlabel diberikan, maka sistem harus klasifikasi tanpa bantuan label, keuntungan dari sistem tanpa label apakah sistem mampu mengidentifikasi serangan yang tidak sistem pembelajaran yang aktif. Sistem untuk mendeteksi ini membutuhkan efisiensi agar dapat merespon dengan cepat terhadap serangan yang dilakukan. Maka dimungkinkan untuk membuat suatu sistem yang dapat menghilangkan data tersebut tidak ada kemampuan serangan, sistem ini dapat dikonfigurasi dengan menggunakan LSTM. Studi ini mencoba keefektifan Sistem pembelajaran tanpa pengawasan melalui implementasi sistem penghapusan data, eksperimen pada sistem kepunahan data untuk menentukan arsitektur terbaik, dan melakukan modifikasi pada sistem pembelajaran tanpa pengawasan. Hasil penelitian ini menunjukkan efek sistem data terhadap sistem deteksi DDoS dan potensi keuntungan dan kerugian dari penerapan sistem dilakukan pada kemampuan deteksi sistem DDoS ......In today's technological developments, computer network protection indispensable, then we need a system to protect it network from attacks, one of the most frequent attacks on the network Computers are DDoS. This DDoS protection can be done by: using Supervised Learning or Unsupervised Learning. Supervised Learning is a method in which the system is labeled data so that able to classify the test data given, and unsupervised learning then if unlabeled data is given, then the system must labelless classification, the advantages of the labelless system whether the system is able to identify attacks that are not active learning system. The system to detect this requires efficiency in order to be able to respond quickly to attacks carried out.Then it is possible to create a system that can eliminate data no attack capability, this system can be configured with using LSTM. This study tested the effectiveness Unsupervised learning system through system implementation data deletion, experiment on extinction system data to determine the best architecture, and make modifications to unsupervised learning system. The results of this study indicate the effect of data system against DDoS detection system and potential advantages and disadvantages of implementing the system performed on the DDoS detection capability. system

Abstrak :
Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871. ......Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871.

Abstrak :
Peramalan beban listrik, juga dikenal sebagai Probabilistic Load Forecasting (PLF), memiliki peran penting dalam industri tenaga listrik, terutama dalam merencanakan operasi sistem tenaga, menjaga stabilitas, dan memfasilitasi perdagangan energi. Di Bandar Udara Internasional Soekarno-Hatta yang merupakan sebuah entitas komersial besar, peramalan yang akurat dan andal sangat penting untuk optimalisasi layanan, kepatuhan terhadap regulasi dan meningkatkan akurasi perencanaan konsumsi energi. Tujuan penelitian ini adalah menentukan model peramalan yang akurat untuk digunakan di Bandar Udara Internasional Soekarno-Hatta. Dalam penelitian ini, empat model berbeda diuji: Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX), serta dua model berbasis neural network, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Kemudian model ini diterapkan pada data historis harian yang dikumpulkan dari perusahaan operator bandar udara dengan rentang waktu 01 Januari 2022 hingga 31 Desember 2022. Hasil penelitian menunjukkan bahwa model LSTM mencapai performa terbaik dalam melakukan peramalan, dengan Mean Absolute Error (MAE) 12.79, Root Mean Square Error (RMSE) 15.47, dan Mean Absolute Percentage Error (MAPE) 1.91%. Sehingga berdasarkan hasil penelitian, model LSTM dapat digunakan untuk meningkatkan akurasi perencanaan konsumsi listrik harian di Bandar Udara Internasional Soekarno-Hatta dan fasilitas serupa lainnya. ......Electric load forecasting, also known as Probabilistic Load Forecasting (PLF), plays a crucial role in the electricity industry, particularly in planning power system operations, maintaining stability, and facilitating energy trading. At Soekarno-Hatta International Airport, which is a large commercial entity, accurate and reliable forecasting is essential for service optimization, regulatory compliance, and improving the accuracy of energy consumption planning. The aim of this study is to identify an accurate forecasting model to be used at Soekarno-Hatta International Airport. In this study, four different models were tested: Seasonal Autoregressive Integrated Moving Average (SARIMA), SARIMA with Exogenous (SARIMAX), and two neural network-based models, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). The models were subsequently utilized on the daily historical data gathered by the airport operating firm from January 1, 2022, to December 31, 2022. The research findings demonstrated that the LSTM model was the most effective in terms of forecasting performance, with Mean Absolute Error (MAE) of 12.79, Root Mean Square Error (RMSE) of 15.47, and Mean Absolute Percentage Error (MAPE) of 1.91%. Therefore, based on the research findings, the LSTM model can be used to improve the accuracy of daily electricity consumption planning at Soekarno-Hatta International Airport and other similar facilities.

Abstrak :
Microgrid dituntut untuk dapat mendeteksi kondisi islanding dalam waktu yang cepat untuk dapat mencegah memburuknya gangguan. Dan salah satu metode deteksinya yaitu deteksi pasif yang dapat mendeteksi secara cepat dan sistemnya sederhana tapi mengorbankan akurasi deteksinya. Sehingga digunakan machine learning pada metode pasif untuk meningkatkan akurasi deteksinya. Metode deteksi yang diajukan ini membaca sinyal tegangan yang kemudian diolah dengan Variational Mode Decomposition (VMD) untuk menjadi fitur masukkan machine learning Long Short Term Memory (LSTM) yang digunakan untuk mendeteksi keadaan Islanding. Simulasi metode deteksi ini yang dilakukan pada model microgrid PV-baterai menghasilkan deteksi dengan akurasi sebesar 97.6% dengan waktu deteksi sekitar 0.04 detik ......Microgrid is required to be able to detect islanding conditions as fast as possible to prevent worsening the situation. And one of the detection methods is passive detection which can detect quickly and simple but have low detection accuracy and a non-detection zone (NDZ). Hence, machine learning is used in the passive method to improve the detection accuracy and remove NDZ. The proposed detection method reads grid voltage signal which is then processed with Variational Mode Decomposition (VMD) to become an input feature for Long Short-Term Memory (LSTM) machine learning which is used to detect the Islanding state. The simulation of this detection method on the PV-battery microgrid model resulted in detection with an accuracy of 97.6%, a detection time about 0.04 seconds and almost zero NDZ.

Abstrak :
Pembangkit Listrik Tenaga Bayu (PLTB) merupakan salah satu energi terbarukan yang cukup populer dan sudah banyak dikembangkan karena kelebihannya sebagai energi bersih, berbahan bakar murah, serta biaya investasinya yang cenderung semakin ekonomis. Tetapi di sisi lain PLTB termasuk pembangkit bersifat intermiten yang disebabkan adanya fluktuasi alami (variability) dan kesalahan prediksi (uncertainty) dari daya keluaran PLTB tersebut. Kondisi ini berpotensi menyebabkan gangguan sistem serta pemadaman listrik konsumen yang cukup besar, bahkan sampai terjadi blackout. Untuk itu diperlukan model integrasi PLTB yang tepat dalam menentukan kebutuhan tambahan cadangan operasi yang optimal sebagai antisipasi sifat intermiten PLTB tersebut, sehingga sistem tenaga listrik dapat tetap beroperasi secara andal dan ekonomis. Penelitian ini bertujuan menentukan model algoritma untuk menghitung kebutuhan tambahan cadangan operasi harian yang dinamis dan optimal pada integrasi PLTB di sistem Sulawesi bagian Selatan (Sulbagsel). Dengan menggunakan usulan algoritma Multi-Stage Statistical Approach (MSSA) maka dapat diketahui karakteristik daya keluaran PLTB pada sistem Sulbagsel. Kemudian hasil analisa tersebut diolah dengan menggunakan usulan algoritma Seasonal Daily Variability and Uncertainty (SDVU) berbasis Hybrid Artificial Intelligence (Hybrid AI) untuk memprediksi pola variability dan uncertainty dari data yang ada untuk menghitung parameter Dynamic Confidence Level (DCL). Hasil DCL tersebut kemudian digunakan untuk menghitung kebutuhan optimal tambahan cadangan operasi harian yang dibutuhkan. Dari beberapa alternatif Hybrid AI yang digunakan, diketahui bahwa kombinasi Seasonal Auto Regressive Moving Average (SARIMA) dan Long Short-Term Memory (LSTM) menghasilkan prediksi yang paling akurat dan konsisten, baik untuk data variability maupun uncertainty. Dampak signifikan dari penelitian ini ditunjukkan dengan adanya potensi penghematan biaya bahan bakar pembangkit rata-rata sekitar 250 milyar rupiah per tahun untuk kebutuhan tambahan cadangan operasi saat dibandingkan dengan metoda eksisting yang menggunakan parameter Static Confidence Level (SCL) dengan tingkat keandalan yang sama. ......Wind Power Plant (WPP) is part of renewable energy which is quite popular and has been widely developed due to its advantages as clean energy, cheap fuel, and decreasing trend of its investment cost. But on the other hand, WPP is part of Variable Renewable Energy (VRE) due to natural fluctuation (variability) and forecast errors (uncertainty) of the wind power output. This situation has the potential to cause significant system disturbance and costumer power outages, even blackouts. For this reason, a WPP integration model is needed in determining the optimum operational operating reserve to anticipate of the intermittent nature of the WPP, so that the electric power system can be operated reliably and economically. This study aims to determine the algorithm model to calculate the need for additional dynamic and optimal daily operational reserves for the integration of WPP in the Southern Sulawesi power system. By using the first proposed method, Multi-Stage Statistical Approach (MSSA) algorithm, the characteristics of the wind power output can be discovered. Then the results of the analysis are processed using the second proposed method, Seasonal Daily Variability and Uncertainty (SDVU) algorithm based on Hybrid Artificial Intelligence (Hybrid AI) to forecast variability and uncertainty patterns of the observed data in calculating Dynamic Confidence Level (DCL) parameters. The DCL results are then used to determine the optimal daily additional operating reserve. Among the Hybrid AI variants, it is concluded that the combination of Seasonal Auto Regressive Moving Average (SARIMA) and Long Short-Term Memory (LSTM) produces the most accurate and consistent forecast, both for variability and uncertainty data. The significant impact of this research is indicated by the potential cost savings of around 250 billion rupiah per year on average for additional operational reserves when compared to the existing method using Static Confidence Level (SCL) parameters with the same level of reliability.