PERAMALAN KECEPATAN ANGIN MAKSIMUM DENGAN ENSEMBLE EMPIRICAL MODE DECOMPOSITION DAN TRANSFORMER NEURAL NETWORK
Total View This Week0
Total View This Week0
Institusion
Universitas Maritim Raja Ali Haji
Author
Pratama, Aditya Yudha
Matulatan, Tekad
Rathomi, Muhamad Radzi
Matulatan, Tekad
Rathomi, Muhamad Radzi
Subject
510 Mathematics/Matematika
Datestamp
2024-01-29 06:45:46
Abstract :
Penelitian ini berfokus pada penggunaan teknik Ensemble Empirical Mode Decomposition (EEMD) dan model Transformer Neural Network untuk meramalkan kecepatan angin. EEMD digunakan untuk mendekomposisi data kecepatan angin menjadi sejumlah intrinsic mode decomposition (IMF). Setiap IMF (hasil dekomposisi) mewakili komponen frekuensi yang berbeda dalam data, yang memungkinkan dapat untuk menangkap pola dan tren yang mungkin tidak terlihat dalam data mentah. IMF ini kemudian digunakan sebagai input untuk Transformer Neural Network, sebuah model yang telah menunjukkan kinerja yang luar biasa dalam berbagai tugas pemrosesan bahasa alami dan sekarang diadaptasi untuk peramalan waktu. Transformer memanfaatkan attention mechanism yang memungkinkan model untuk fokus pada pola-pola tertentu dari data input saat membuat prediksi. Data yang digunakan ialah kecepatan angin maksimum periode setahun 2022, dengan 365 hari, data diubah dalam dekomposisi sebanyak 9 fitur (IMF 1 s/d IMF 8 dan Residu). Data di framing dengan windows size 4 hari dan sliding size 1 hari. Hasil prediksi menggunakan input 4 hari dengan prediksi 1 hari berikutnya. Dapat dikatakan bahwa penelitian ini menyatakan Transformer Neural Network ini kurang cocok jika menggunakan data deret waktu harian dalam periode setahun. Meskipun begitu, pengujian Root Mean Square Error (RMSE) pada epoch 50 menunjukkan hasil yang lebih unggul dibandingkan dengan iterasi lainnya. Nilai RMSE untuk setiap fitur, dari IMF 1 sampai Residu, adalah 0,169; 0,072; 0,067; 0,051; 0,028; 0,008; 0,014; 0,005; dan 0,006.
Penelitian ini berfokus pada penggunaan teknik Ensemble Empirical Mode Decomposition (EEMD) dan model Transformer Neural Network untuk meramalkan kecepatan angin. EEMD digunakan untuk mendekomposisi data kecepatan angin menjadi sejumlah intrinsic mode decomposition (IMF). Setiap IMF (hasil dekomposisi) mewakili komponen frekuensi yang berbeda dalam data, yang memungkinkan dapat untuk menangkap pola dan tren yang mungkin tidak terlihat dalam data mentah. IMF ini kemudian digunakan sebagai input untuk Transformer Neural Network, sebuah model yang telah menunjukkan kinerja yang luar biasa dalam berbagai tugas pemrosesan bahasa alami dan sekarang diadaptasi untuk peramalan waktu. Transformer memanfaatkan attention mechanism yang memungkinkan model untuk fokus pada pola-pola tertentu dari data input saat membuat prediksi. Data yang digunakan ialah kecepatan angin maksimum periode setahun 2022, dengan 365 hari, data diubah dalam dekomposisi sebanyak 9 fitur (IMF 1 s/d IMF 8 dan Residu). Data di framing dengan windows size 4 hari dan sliding size 1 hari. Hasil prediksi menggunakan input 4 hari dengan prediksi 1 hari berikutnya. Dapat dikatakan bahwa penelitian ini menyatakan Transformer Neural Network ini kurang cocok jika menggunakan data deret waktu harian dalam periode setahun. Meskipun begitu, pengujian Root Mean Square Error (RMSE) pada epoch 50 menunjukkan hasil yang lebih unggul dibandingkan dengan iterasi lainnya. Nilai RMSE untuk setiap fitur, dari IMF 1 sampai Residu, adalah 0,169; 0,072; 0,067; 0,051; 0,028; 0,008; 0,014; 0,005; dan 0,006.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
