5 BABIITinjauanPustaka Padababinidibahasmengenaibeberapapenelitianterdahuluterkaitestimasi kecepatananginsertametodeyangberkaitan.Ringkasankontribusihasil penelitian-penelitianterkaitditunjukkanpadaTabelII.1. TabelII.1Penelitianterkaitestimasikecepatananginpadaanemometer No. Penulis Judul Penerbit Kontribusi 1 Yang Li danXiaojun Shen ANovelWindSpeed- Sensing Methodologyfor WindTurbines BasedonDigital TwinTechnology IEEE Transactions on Instrumentati onand Measurement ,2022 Mendesainsensor kecepatanangin multisiteberbasis digitaltwinuntuk plantturbinangin yangterdiridari komponenestimator, verifier,setterdan selector. 2 Christopher A.Fiebrich, CynthiaR. Morgan, dan Alexandria G. Mccombs QualityAssurance Proceduresfor Mesoscale MeteorologicalData Journalof Atmospheric andOceanic Technology, American Meteorologic alSociety, 2010 Mendeteksioutlier datamelaluirange checkdanstepcheck terhadaprawdataset parametermeteorologi termasukoutputsensor kecepatanangin. 3 A.Adib, S.S.O. Kalantarzad e,M.M. Shoustari, M.Lotfirad, SensitiveAnalysis ofMeteorological DataandSelecting Appropriate MachineLearning ModelforEstimation Applied Water Science,2023 Menerapkanseleksi inputterhadapmodel MLPdalam mengestimasinilai evapotranspirasi menggunakan 6 No. Penulis Judul Penerbit Kontribusi A.Liaghat, M. Oulapour ofReference Evapotranspiration koefisienkorelasi Pearsonantarvariabel. 4 ShaojieBai, J.Zico Kolterdan Vladlen Koltun AnEmpirical Evaluationof Generic Convolutionaland RecurrentNetworks forSequence Modeling Computing Research Repository (CoRR),2018 Memodifikasistruktur jaringansyaraftiruan konvolusi(CNN) menjadiTemporal Convolutional Network(TCN)untuk melakukanregresi padabeberapadataset sinyaldomainwaktu. 5 Benitez P.L.,Garcia M.C., Romera J.M.L.,dan Riquelme J.C. Temporal Convolutional NetworksAppliedto Energy-RelatedTime SeriesForecasting Applied Sciences, MDPI,2020 Mengimplementasikan algoritmaTCNuntuk memprediksi kebutuhansuplai energiuntuk kendaraanlistrikdi Spanyol. PenelitianLidanShen(2022)berusahamengembangkanmetodologipengukuran jaringananemometermenggunakandigitaltwinberbasisCNNdanbidirectional LSTM.Metodologiinibertujuansebagaipelengkapketikasebagiananemometer fisikmengalamikerusakan.KomponenanemometervirtualLidanShen(2022) terdiridariestimator,verifier,setterdanselektor.Konfigurasikomponenini mampumengestimasi,memverifikasisertamengkoreksihasilpengukuran anemometerfisik.Datapengukurankecepatanangindiambildariplantturbin angindiNorthChina. Jumlahanemometerfisikyangditelitisebanyak4sensor. Jarakrata-rataantarsensoryaitu5-8km.Datasetkecepatananginberdurasi19 hari(11-30November2016)denganintervalpengukuranper10menit.Performa TabelII.1Penelitianterkaitestimasikecepatananginpadaanemometer(lanjutan) 7 akurasipengukurananemometervirtualsecarakeseluruhanmenghasilkannilai RMSE0,45m/s. Namundemikian,penelitianLidanShen(2022)memilikibeberapapeluang pengembangan.Penelitianinibelummempertimbangkankemungkinanadanya outlierdanmissingdatapadapra-pemrosesandatasetpemodelan.Fiebrichdkk., (2010)menyusunprosedurterkaitdeteksioutliermelaluiqualitycontroldata setiapparameterstasiuncuacaotomatistermasukkecepatanangin.Wesonga (2015)memanfaatkanalgoritmaMultivariateImputationbyChainedEquation (MICE)untukmengimputasimissingdatakecepatanangindekadal.Penelitian Fiebrichdkk.(2010)danWesonga(2015)dapatmemperbaikipra-pemrosesan datasetkecepatanangin. PemilihankelompoksensorLidanShen(2022)sebagaiinputpemodelanhanya berdasarkanlajurarahangindominandisite.Adibdkk.(2023) mengimplementasikanadanyaseleksiinputsebelummendesainalgoritma machinelearningberdasarkankoefisienkorelasiantarvariabel.Inputpemodelan estimasisensorkecepatananginsebaiknyadipilihberdasarkananalisisarahangin dominandankoefisienkorelasiantarsensor.Halinidapatmenunjangakurasi modelsertamengurangibebankomputasimachinelearning. TabelII.2. menunjukkanpeluangpengembanganpenelitiantesis. TabelII.2Peluangpengembanganpenelitian Uraian PenelitianLidanShen (IEEE,2022) PeluangPengembangan (PenelitianTesis) Sektor Jaringananemometerdiplant turbinanginuntuksektor energi. Jaringananemometerpada bandarapenerbangandi sektormeteorologi. Pra- pemrosesan Belummempertimbangkan kemungkinanadanyaoutlier danmissingdatapadadataset pemodelan. Adanyadeteksioutlierdan imputasimissingdatapada datasetpemodelan.