Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Automatic Weather Station (AWS) mengalami kendala berupa kerusakan komponen dan kegagalan sistem komunikasi, sehingga menyebabkan data parameter tidak lengkap. Kerusakan komponen juga terjadi pada pyranometer. Penurunan kinerja pyranometer menghasilkan penyimpangan, ketidakpastian pengukuran intensitas radiasi matahari, serta gap data. Imputasi data menjadi salah satu solusi dalam meminimalisir penyimpangan pengukuran dan terjadinya missing data pyranometer AWS. Penelitian ini bertujuan mendesain serta menganalisis performa akurasi model imputasi data intensitas radiasi matahari pyranometer AWS multisite ketika terjadi gap data. Penelitian ini berupaya memanfaatkan kaitan spasio-temporal intensitasi radiasi matahari AWS multisite di dalam model imputasi. Algoritma Long-Short Term Memory (LSTM) digunakan sebagai estimator pada jaringan pyranometer AWS multisite. Tahap pemodelan imputasi data meliputi pengumpulan data, pra-pemrosesan data, pembuatan skenario missing data, desain LSTM dan pengujian model. Metode berbasis machine learning ini diharapkan mampu mengimputasi data AWS pada missing data dalam jangka menit maupun jam, jika AWS mengalami kerusakan sistem atau gangguan jaringan komunikasi. Nilai MAPE model LSTM untuk imputasi pyranometer AWS Cikancung untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 1,81% ; 2,72% ; dan 5,07%. Nilai MAPE model LSTM untuk AWS Cimalaka untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 0,46% ; 1,25% ; dan 3,24%. Nilai MAPE model LSTM untuk AWS Cipasung untuk missing data 30 menit, 1 jam dan 3 jam berturut-turut yaitu 2,30% ; 1,67% ; dan 0,94%. ......Automatic Weather Station (AWS) experienced problems in the form of component damage and communication system failure, resulting in incomplete parameter data. Component damage also occurs in pyranometers. Decreased pyranometer performance results in deviations, uncertainty in measuring solar radiation intensity, and data gaps. Data imputation is one solution to minimize measurement deviations and the occurrence of missing AWS pyranometer data. This research aims to design and analyze the accuracy performance of the multisite AWS pyranometer solar radiation intensity data imputation model when a data gap occurs. This research attempts to utilize the spatio-temporal relationship of multisite AWS solar radiation intensity in the imputation model. The Long-Short Term Memory (LSTM) algorithm is used as an estimator in the multisite AWS pyranometer network. The data imputation modeling stage includes data collection, data pre-processing, creating missing data scenarios, LSTM design and model testing. This machine learning-based method is expected to be able to impute AWS data for missing data in minutes or hours, if AWS experiences system damage or communication network disruption. The MAPE value of the LSTM model for the AWS Cikancung pyranometer for missing data of 30 minutes, 1 hour and 3 hours respectively is 1.81%; 2.72% ; and 5.07%. The MAPE value of the LSTM model for AWS Cimalaka for missing data of 30 minutes, 1 hour and 3 hours respectively is 0.46%; 1.25% ; and 3.24%. The MAPE value of the LSTM model for AWS Cipasung for missing data of 30 minutes, 1 hour and 3 hours respectively is 2.30%; 1.67% ; and 0.94%.

Abstrak :
Penelitian ini didasarkan kebutuhan data intensitas radiasi matahari yang mendorong penggunaan sensor pyranometer yang semakin tinggi. Dalam rangka meningkatkan efisiensi kalibrasi pyranometer, perlu dikembangkan metode kalibrasi yang lebih efisien. Salah satu metode yang mampu memenuhi kebutuhan efektivitas kalibrasi pyranometer adalah Continous Sun Shade Method (CoSSM). Tujuan penelitian ini adalah menemukan teknik kalibrasi terbaik sebagai acuan metode kalibrasi pyranometer di Jakarta. Penelitian ini dilakukan di gedung BMKG Kemayoran Jakarta dari tanggal 9 Desember 2022 hingga 5 Februari 2023. Empat unit pyranometer UUT GHI, satu pyrheliometer (DNI), dan satu pyranometer standar dengan pembayang (DHI) digunakan dalam penelitian ini. Peneliti mengkombinasikan tiga faktor yaitu perbedaan jeda dengan 30, 60, dan 120 detik, data set dengan 10, 15, dan 20 data, serta data seri dengan 10, 15, dan 20 data. Data yang diperoleh kemudian dilakukan tiga tahapan filtrasi menggunakan python dan perhitungan manual. Nilai responsivitas yang dihasilkan kemudian dibandingkan dengan responsivitas kalibrasi di dalam ruangan yang terakreditasi menggunakan Mean Bias Difference . Hasil pengolahan data kalibrasi seharusnya menghasilkan 27 nilai responsivitas, namun hanya 16 teknik yang menghasilkan responsivitas karena kurangnya data akibat filtrasi. Hasil penelitian menunjukkan bahwa teknik dengan jeda 1 menit, 10 data set, dan 20 data seri menghasilkan nilai responsivitas dengan nilai RMSE paling kecil, 0,46. Oleh karena itu, teknik tersebut dapat dijadikan prototipe sistem kalibrasi CoSSM di luar ruangan di Jakarta. ......This research is based on the need for solar radiation intensity data, which has led to an increasing utilization of pyranometer sensors. In order to enhance the efficiency of pyranometer calibration, it is necessary to develop more efficient calibration methods. One of the methods capable of meeting the effectiveness requirements of pyranometer calibration is the Continuous Sun Shade Method (CoSSM). The objective of this study is to identify the best calibration technique as a reference for pyranometer calibration methods in Jakarta. The research was conducted at the BMKG Kemayoran Building in Jakarta from December 9, 2022, to February 5, 2023. Four units of UUT GHI pyranometers, one pyrheliometer (DNI), and one standard pyranometer with shading (DHI) were used in this study. The researcher combined three factors: time interval differences of 30, 60, and 120 seconds, data sets of 10, 15, and 20, and data series of 10, 15, and 20. The obtained data underwent three stages of filtration using Python and manual calculations. The resulting responsiveness values were then compared to the responsiveness of accredited indoor calibration using the Mean Bias Difference method. The calibration data processing was expected to yield 27 responsiveness values, but only 16 techniques produced responsiveness due to data loss caused by filtration. The research results show that the technique with a 1-minute interval, 10 data sets, and 20 data series yields responsivity values with the smallest RMSE value of 0.46. Therefore, this technique can be used as a prototype for the CoSSM outdoor calibration system in Jakarta.