ESTIMASIKECEPATANANGINPADAJARINGAN ANEMOMETER DISTASIUNMETEOROLOGI JUANDA SURABAYAMENGGUNAKAN COOPERATIVESENSING, TEMPORALCONVOLUTIONAL NETWORKDANKOREKSI SPASIAL TESIS Karyatulissebagaisalahsatusyarat untukmemperolehgelarMagisterdari InstitutTeknologiBandung Oleh HARYASSUBYANTARA WICAKSANA NIM.23822008 (ProgramStudiMagisterInstrumentasidanKontrol) INSTITUTTEKNOLOGIBANDUNG Juni2024 1 ABSTRAK ESTIMASIKECEPATANANGINPADAJARINGAN ANEMOMETER DISTASIUNMETEOROLOGI JUANDA SURABAYAMENGGUNAKAN COOPERATIVESENSING, TEMPORALCONVOLUTIONAL NETWORKDANKOREKSI SPASIAL Oleh: HARYASSUBYANTARA WICAKSANA NIM.23822008 (PROGRAMSTUDIINSTRUMENTASI DANKONTROL) Anginadalahpergerakanmassaudaraatmosferikakibatadanya ketidaksetimbangantekananudarabaiksecarahorisontalmaupunvertikal. Anemometersebagaialatukurparameteranginterdiridarisensorkecepatandan arahangin.Kerusakansensoranginseringdiakibatkanolehkerusakantransduser, komponeninternalsertaperkabelan.Penggantiansensoranginmembutuhkan ketersediaansukucadangsertadurasiyangsignifikan,terlebihinstalasisensor beradapadaketinggian10meter.Ketidaktersediaandatakecepatananginmenjadi sangatkrusial,karenajaringananemometerterpasangdibandara.Sementaraitu, kegiatanpenerbanganmembutuhkaninformasimeteorologisecaracepatdan akurat.Penelitianinibertujuanmengembangkanmetodeestimasikecepatanangin berbasiscooperativesensingdanTemporalConvolutionalNetwork(TCN),serta mengkoreksinyasecaraspasial.Metodeestimasiinidiharapkandapatmenjadi alternatifdatakecepatananginjaringananemometerdibandara.Pra-pemrosesan datasetdilakukandenganmendeteksioutlierdanmelakukanmissingdata treatmentsecaratemporer.Estimasimenggunakancooperativesensing. Teknik inimengkombinasikandatasensor-sensorsecarasuplementerataukomplementer untukmengukurparametertertentu.Subkomponencooperativesensingterdiri darisensor,model,algoritmaestimasidanbesaranoutput.Sensormeliputi4 anemometerdiBandaraInternasionalJuandaSurabayayaituSB3,SB4,SB5dan SB6.Datasetmerupakandatakecepatananginpermenitperiode1Januari2022- 24Desember2023. Modelpenentuanbaselineinputestimasimenggunakanmetodearahangin dominandanpembobotankuadran.Metodearahangindominanmembagidataset modelestimasiberdasarkanarahangindominanyaitumodelbaratan,timurandan peralihan.Sementaraitu,metodepembobotankuadranmengkonversinilaiarah anginsetiapanemometermenjadibobottertentusesuaipembagiankuadrantanpa membagidataset.Kuadrandibagimenjadiarahyangmendekatitarget,menjauhi targetdanperalihan.Baselineinputmetodepembobotankuadranterdiridari1-3 2 lokasianemometerterdekat,datahistoris,sertakombinasidatahistorisdan anemometerterdekat.AnemometerSB4danSB5ditengahkonfigurasi disimulasikansebagaitargetestimasisecarabergantian. Totaldatasetperanemometeryaitu1.041.120data.Datasetkecepatanangin disegmentasimenjadi75%datalatihdan25%datauji.Algoritmaestimasi menggunakanTCN.HyperparameterTCNterdiridaripanjangfilter32,3kernel filtersertafaktordilatasid=[1,2,4].HasilestimasiTCNkemudiandiverifikasilalu dikoreksisecaraspasial.Jikahasilestimasisensorkecepatananginanemometer melebihiduakalistandardeviasispasialtersebut,makaditerapkankoreksi terhadaphasilestimasi.Baselineinputcooperativesensingmenggunakanmetode pembobotankuadranlebihefektifdibandingmembagidatasetmenggunakan metodearahangindominan.Hasilpenelitianmenunjukkananemometertarget SB4danSB5dapatdiestimasisecarabergantianberdasarkaninputdata anemometerterdekatdandatahistorisanemometer(data1-5menitsebelumnya) tersebut. Koreksispasialmampumemperbaikiperformaakurasiestimasikecepatanangin dengankoefisienkorelasimeningkatdari0,87ke0,88baikuntuktargetSB4 maupunSB5.RMSEmenurundari0,86m/ske0,83m/suntukSB4serta0,90m/s ke0,88m/suntukSB5.MAEmenurundari0,60m/ske0,58m/suntukSB4serta 0,64m/ske0,62m/suntukSB5.Secarakeseluruhan,performaTCNterkoreksi masihmemenuhipersyaratanWMOdenganRMSE