10 BABIIITeoriDasar III.1PengukuranKecepatanAngin Anginadalahpergerakanmassaudaraatmosferikakibatadanya ketidaksetimbangantekananudarabaiksecarahorizontalmaupunvertikal. Perbedaantekananudaramemicugayagradientekananyangmenggerakkan massaudaradariareabertekananudaratinggimenujuareabertekananudara rendah(RohlidanVega,2018).Selainitu,anginjugadipengaruhiolehgaya Coriolis,gayasentrifugaldangayafriksi. GayaCoriolismenyebabkanarahanginterdorongketimurdibelahanbumiutara danterdorongkebaratdibelahanbumiselatan.Ketikabumiberotasi,atmosfer memilikikelembamanuntukmempertahankanpergerakannyasecaralurus. Sementaraitulintasannyaberbentuklengkung,sehinggamunculgayasentrifugal yangjugamempengaruhikecepatanangin.Gayafriksimunculketikaangin mengenaiobjek-objekdipermukaanbumi(Stull,2017). Parameteranginpermukaanmemilikibesarankecepatandanarahdalamvektor duadimensi.Kecepatananginuntukpengamatansinoptikdiukursetiapinterval 10menit.Sensorkecepatanangindiinstaldiketinggian10meterdaripermukaan tanah,denganjarakminimal10kalitinggipenghalangdisekitarsensor(Battista dkk.,2000).Sensorkecepatananginmemilikisyaratinstalasi.Letakinstalasi sensorharusmempertimbangkankondisilingkungansertaobjekpenghalang. Objekpenghalangmerupakanbendayangdiasumsikanmemilikiketinggianlebih dari4meter.Perbedaankelasmenentukanseberaparepresentatifpengukuran sensortersebutterhadapluasantertentu.TabelIII.1menunjukkankelassensor berdasarkanpersyarataninstalasiWMO(WMO,2018). TabelIII.1Klasifikasikelassensorkecepatanangin NoKelasSensor PersyaratanInstalasi 1 I a.Jarakinstalasidariobjekpenghalangminimal30 kalitinggipenghalang b.Jarakinstalasidariobjekpenghalangminimal15 11 NoKelasSensor PersyaratanInstalasi kalilebarpenghalang 2 II a.Jarakinstalasidariobjekpenghalangminimal10 kalitinggipenghalang b.Jarakinstalasidariobjekpenghalangminimal15 kalilebarpenghalang 3 III a.Jarakinstalasidariobjekpenghalangminimal5 kalitinggipenghalang b.Jarakinstalasidariobjekpenghalangminimal10 kalilebarpenghalang 4 IV a.Jarakinstalasidariobjekpenghalangminimal2,5 kalitinggipenghalang b.Jarakinstalasidariobjekpenghalangminimal40 meter Nilaikecepatanangindapatdinyatakandalamsatuanmeterpersekon,knot, kilometerperjam.Frekuensisamplingsensorkecepatananginyaitu4Hzdengan periodesamplingper0,25sekon,sementarafrekuensifluktuasianginyaitu0,25 Hz(WMO,2018).Hasilsamplinginikemudiandihitungmenjadinilaikecepatan anginrata-ratapermenitatau10menit.PersyaratanWMOterkaitpengukuran kecepatananginterterapadaTabelII.4. TabelIII.2PersyaratanpengukurankecepatananginWMO RentangResolusi MeanAbsolute ErrorMaksimum RootMeanSquared ErrorMaksimum 0-75m/s0,5m/s 3m/s 5m/s TabelIII.1Klasifikasikelassensorkecepatanangin(lanjutan) 12 Akurasisensorkecepatananginjugadipengaruhiolehkondisilingkungan meliputidistorsiakibatobjekpenghalangyangcukupbesar,faktortopografidan efekkekasarankontur(Wieringa,1986).Kondisilingkunganmenghasilkan koreksiterhadapoutputsensorkecepatanangin.Pengukurankecepatanangin terkoreksidinyatakansebagaiberikut(WMO,2018): ������ ���=������.��� ���.��� ���. ln10/���0��� ln���/���0��� . ln(60/���0���)ln(10/���0) ln(10/���0���)ln(60/���0) (III.1) Koreksidistorsi(CF)diterapkanjikasensorkecepatanangindiinstaldiatas gedung,kapalatauobjekbergerak.NilaiCF=1jikasensordipasangditiang10 meterdalamkeadaanstatis(Wessels,1983).Koreksitopografi(CT)diterapkan apabilasensorkecepatananginterpasangdiwilayahlembahataulereng perbukitan.NilaiCT=1jikasensordipasangdiwilayahdataranrendahatau datarantinggi(Cohendkk.,1984).Efekkekasarankonturkarenaadanyaobjek penghalangmenyebabkangayafriksiterhadappergerakanangin.Nilaiz=10 meterjikasensordipasangditiangketinggian10meterdannilaiz0=0,03meter jikasensordipasangdidataranterbuka(Wieringa,1986).Persamaanterkaitz0u dinyatakansebagaiberikut(WMO,2018): ��� 0���=���.��� −1,94.���.������$$$$ ������ (III.2) KonstantavonKarman(k=0,4)menyatakanprofilanginterhadapmedan turbulensidiatmosfer(Kondodkk.,1982).Perhitungankekasarankonturefektif (z0u)mempertimbangkanstandardeviasikecepatan(sd)danrata-rata(������$$$$) kecepatanangintahunan.SensorkecepatananginkelasItidakperlumenerapkan koreksi-koreksitersebut.Sementaraitu,sensorkecepatananginkelasII,IIIdan IVharusdikoreksiterlebihdahulu. III.2Anemometer Anemometeradalahalatyangmengukur,merekamdanmenyimpanparameter kecepatandanarahanginsecaraotomatis(WMO,2018).Anemometertergolong instrumenobservasicuacapermukaan.Cuacapermukaanmeliputidinamika kondisiatmosferdidekatpermukaanbumiataulangsungdipermukaantanah 13 (WMO,2019).Datakecepatananginanemometerdimanfaatkandalambidang agrometeorologi,aviasimaupunmaritim(BMKG,2014). Salahsatutipeanemometeryaituanemometerultrasonik.Anemometerini menggunakankomponentransduserultrasonik.Anemometerultrasonikmemiliki rentangpengukuranlebihlebarsertasensitivitasyanglebihtinggidibanding anemometertipepropellerataucupcounter.Anemometertipeultrasonikjuga tidaklebihrentanmengalamikerusakanmekanis. Konfigurasikomponenterdiridariduapasangtransduserultrasonikyang dipasangsecaraberhadapan.Masing-masingpasangantransduserberperan sebagaitransmitterdanreceiver(MicroStep,2018).GambarIII.1menunjukkan bentukfisikanemometerultrasonik. GambarIII.1Bentukfisiksensorkecepatanangintipeultrasonik (sumber:MicroStep,2018) Piezoelektrikberupaosilatorpadatransmittermembangkitkansinyalultrasonik. Sinyalinimenjalarmenujureceivermelaluimediumudarayangdipengaruhilaju angin.Pengukurankecepatanangindihitungberdasarkantimeofflightsinyal ultrasonikdaritransmitterkereceiver(Battistadkk.,2000).Ilustrasikonfigurasi transdusersertapenjalaransinyalultrasonikdananginditunjukkanpadaGambar III.2. 14 GambarIII.2Ilustrasikonfigurasitransduserultrasonik (sumber:XiedanWang,2011) BerdasarkanGambarIII.2.,sepasangtransduserultrasonik(S1danS2)dipasang berhadapanpadaarahutaradanselatan,sedangkansepasanglainnya(S3danS4) dipasangpadaarahtimurdanbarat.SinyalultrasonikdikirimdariS1menujuS2 dansebaliknya.Kemudian,sinyalultrasoniksecarabergantianjugadikirimdari S3menujuS4dansebaliknya.Durasipenjalarantransmisigelombangultrasonik inidipengaruhiolehkecepatansinyalultrasonikdankecepatanangin.Halini dinyatakanmelaluipersamaanberikut(XiedanWang,2011): ��� 12= ��� ������−������cos��� (III.3) ��� 21= ��� ������+������cos��� (III.4) ��� 34= ��� ��� ���−��� ���sin��� (III.5) ��� 43= ��� ������+������sin��� (III.6) Berdasarkanpersamaan(III.3)dan(III.4)sertapersamaan(III.5)dan(III.6),nilai kecepatananginpadamasing-masingsumbukonfigurasidiperolehsebagaiberikut: ��� ���cos���= ���(��� 12−��� 21) 2.��� 21.��� 12 (III.7) 15 ��� ���sin���= ���(���43−���34) 2.��� 43.��� 34 (III.8) Nilaikecepatananginanemometerultrasonik(VW)diperolehmelaluirata-rata persamaan(III.7)dan(III.8).Mengacupadakaidahtrigonometri,persamaan(III.7) dan(III.8)dapatmenghasilkanpersamaanarahangin(θ)sebagaiberikut: tan���= ��� 21.��� 12(��� 43−��� 34) ���43.���34(���21−���12) (III.9) θ=tan −1 ��� 21.��� 12(��� 43−��� 34) ��� 43.��� 34(��� 21−��� 12) (III.10) Perhitungankecepatandanarahangindiprosesdalamsistemperangkatlunak anemometerultrasonik,kemudiandisimpandalamdatalogger(Jia-jiadkk.,2020). Anemometerultrasonikterdiridaripencatudaya,sensor,datalogger,sistem komunikasidansistempentanahan.Sub-sistemanemometerultrasonikdiuraikan sebagaiberikut: a.Pencatudayaberfungsimenyediakanenergilistrikkedataloggerdansensor. Pencatudayaterdiridaripanelsurya,solarchargeregulatordanbaterai. b.Sensoranemometermeliputi4transduserultrasonik. c.Dataloggermerupakansebuahperangkatelektronikyangdigunakanuntuk mengumpulkan,merekamdanmenyimpandatadarisensor.Datalogger terdiridarirealtimeclock(RTC),memori,portinputsertaportoutput. d.Sistemkomunikasimenggunakanmodemuntukmengirimkandatamelalui FileTransferProtocol(FTP). e.Groundingatausistempentanahanberfungsiuntukmemproteksikomponen anemometerdarisurjahubungdansurjapetir.Sistempentanahanberdasarkan persyaratanoperasionalmaksimalmemilikinilai1ohmuntukinstalasi anemometerdigital(BMKG,2014). f.Sub-sistempenunjangyaitukomponen-komponenpendukungsistem anemometersepertitiang,flange,pondasi,enclosuredanpagarpengaman (Battistadkk.,2000). 16 Kondisilingkungandisekitaranemometerberpengaruhterhadaphasil pengukuransetiapsensor.Kelaikanoperasianemometerdigitaldipertahankan melaluipemeliharaandankalibrasilapang.Pemeliharaanrutindilakukanoleh teknisiBMKG.Sementaraitu,kalibrasilapangdiadakanrutinsetiapsetahun sekaliolehpetugaskalibrasiBMKG(BMKG,2015). III.3TemporalConvolutionalNetwork Temporalconvolutionalnetwork(TCN)merupakanalgoritmajaringansyaraf tiruanyangmemodifikasiarsitekturkonvolusidanrecurrentnetwork(Baidkk., 2018).Arsitekturrecurrentnetworkmemilikikelebihandalammengestimasi sinyaltimeseriessecarasekuensial.Namundemikian,arsitekturrecurrent networkmembutuhkankapasitasmemoricukupbesar,karenapelatihandilakukan terhadapinputsecarasekuensial(Hochreiter&Schmidhuber,1997). TCNmemilikiduakarakteristikyaitumenerapkankonvolusiyangbersifatkausal sertamengekstraksiseluruhinputsertaoutputdalampanjangsekuensialyang samasecaraparalel.Konvolusikausalbertujuanmencegahhilangnyakaitan informasiantarainputsaatinidansebelumnya.TCNjugamempunyai kemampuanmeninjaudatahistorisinputdalamsekuensialpanjanguntuk mengestimasioutput(Baidkk.,2018).TCNmenggunakantigateknik:konvolusi kausal,konvolusidilatasidankoneksiresidual(Lindkk.,2021). TCNmenggunakankombinasiarsitektur1-Dfully-convolutionalnetwork(FCN) dankonvolusikausal.FCNmengekstraksiinputmelaluioperasikonvolusi terhadapfilterkernelsatudimensisepanjangk.Arsitektur1-DFCNmemiliki panjanghiddenlayeryangsamadenganinputlayer,sehinggaperluditambahkan zeropaddingsejumlahk-1(Baidkk.,2018).Konvolusikausalmerupakanoperasi konvolusiketikaoutputpadawaktutdihasilkandarielemenpadawaktuthingga t-xdilayersebelumnya.GambarIII.3menunjukkanmekanismekonvolusikausal (Lindkk.,2021). 17 GambarIII.3Mekanismekonvolusikausal BerdasarkanGambarIII.3,diberikansuatuinputX=(x 1,x 2,x 3,x 4,x 5)dengan ��� ���∈���danoutput��� ���.Output��� ���dipengaruhiolehhubungankausalitasantarinput (x 1,x 2,x 3,x 4,x 5)secaraberturut-turut.Konvolusikausalmemberikanasumsi bahwadataoutputberhubungansesuaikronologisurutandatainput(Wandkk., 2019).GambarII.3menunjukkanTCNmenggunakanfilterkernelk=2,sehingga diberikanzeropaddingsejumlahk-1=1.Zeropaddingdiberikanpada��� 0 sedemikianrupa,sehinggapanjanghiddenlayersamadenganinputlayeryaitu5. Mekanismekonvolusikausalmemilikiketerbatasandalammengekstraksipanjang datainputhistoris.Konvolusidilatasiberupayamemperpanjangareaekstraksi datainputhistorismelaluiperluasanmedanrangsang(receptivefield)padahidden layer(Baidkk.,2018).Perluasanmedanrangsangbertujuanmemperkaya informasidaridatahistorisinput,sehinggameningkatkanakurasiestimasiTCN. Teknikinidilakukandenganmemberijarakantartargetkonvolusiinputperlayer secaraeksponensial(Lara-Benitezdkk.,2020).OperasikonvolusidilatasiF terhadapelementsecaramatematisdinyatakansebagaiberikut(YudanKoltun, 2016): F(t)=(x∗ df)(t)= i=0 k−1 f(i).x t−d.i� (III.11) PerluasanmedanrangsangTCNdapatdiimplementasikanmelaluipeningkatan nilaikataupeningkatannilaid.GambarIII.4menunjukkanmekanismekonvolusi dilatasi. 18 GambarIII.4Mekanismekonvolusidilatasi BerdasarkanGambarIII.4,nilaidlazimnyameningkatsecaraeksponensialantar layer.Peningkatannilaidmampumerepresentasikaninformasidatahistorisyang lebihlengkap,karenaoutputdihasilkanolehdatahistorisinputyangsemakin panjang(Baiet.al.,2018). KoneksiresidualdiadaptasidariarsitekturResNet(Hedkk.,2016).Arsitekturini bertujuanmengatasimasalahhilangnyagradienpadadeepnetworks.Teknik koneksiresidualdiimplementasikandenganmenambahkaninputsecaralangsung keoutputTCNmelaluikoneksipintas(bypass).Koneksipintasodinyatakan sebagaihasilfungsiaktivasigsebagaiberikut: o=g[x+���(x)] (III.12) F(x)menyatakanoutputsebagaihasiltransformasiinput.F(x)diperolehmelalui serangkaianproseskomputasipadahiddenlayerTCN(Baidkk.,2018).Gambar III.5menunjukkanmekanismekoneksiresidual. 19 GambarIII.5Mekanismekoneksiresidual BerdasarkanGambarIII.5,F(x)merupakanhasilkonvolusidilatasi,normalisasi bobot,fungsiaktivasirectifiedlinearunit(ReLU)dandropout.KonfigurasiF(x) menyesuaikanarsitekturTCNpadaGambarIII.4yangmempunyaiduahidden layerdanfaktordilatasibernilaidua.Normalisasibobot(weightnormalization) terhadapfilterkernelkonvolusiberfungsimempersingkatminimalisasierrorpada prosespelatihanTCN(SalimansdanKingma,2016).FungsiaktivasiReLU dinyatakansebagaiberikut(Hahnloserdkk.,2003): f(a)= max(0, a) (III.13) PerhitunganfungsiaktivasiReLUlebihsederhanadibandingfungsiaktivasi sigmoidatautangensialhiperbolik.KelebihaninimenyebabkanReLUmampu mengakselerasikomputasijaringansyaraftiruan(SharmadanAthaiya,2020). Selanjutnya,dropoutberfungsimencegahterjadinyaoverfittingpadaTCN. Dropoutmenghapusinputdarikoneksilayersebelumnyasecaraacakdisetiap epochpelatihan(Sristavadkk.,2014).KoneksipintasditunjukkanpadaGambar III.5melaluiprosespenambahaninputxkehasilF(x).Koneksiinimenggunakan konvolusi1x1. 20 III.4CooperativeSensing Cooperativesensingmerupakanprosedurtransformasidatadariberbagaisensor yangmenghasilkansuatudataparametertertentu(Lovendkk,2019).Prosedur transformasiinidapatmemuatmetodologikomputasiberbasisscaling, filtering, linearisasi,agregasi,smoothing, interpolasiataualgoritmamachinelearning (AlbertosdanGoodwin,2002).Cooperativesensingmengkombinasikansensor- sensorsecarasuplementerataukomplementergunameningkatkankandungan informasiparameteryangdiamati(Koch,2014). GambarIII.6Diagramblokcooperativesensing GambarIII.6menunjukkandiagramblokcooperativesensing. Subkomponen cooperativesensingterdiridarisensor,model,algoritmaestimasidanbesaran output.Sensorberfungsimengukursumberdataataubesaraninput.Model berfungsisebagaiinformasipriorterkaithubunganbesaraninputdanoutput. Algoritmaestimasiberfungsimengestimasibesaranoutputberdasarkan pengukuranmultisensordanpemodelan(HostettlerdanSarkka,2020). 21 GambarIII.7Tipecooperativesensing Cooperativesensingmengintegrasikanberbagaisensoruntukmengukursuatu parametersecarabersama-sama.Integrasisensordapatbertipehomogenatau heterogen.GambarIII.7menunjukkantipecooperativesensing.Sensorhomogen memilikipropertipengukuranyangsama.Integrasisensorhomogenidentik denganredundan.Sementaraitu,integrasisensorheterogenmemilikiproperti pengukurandanobjekukuryangberbedatetapimasihdalamsatuframeworkyang salingterkait.Integrasisensorjugadapatberkarakteristikstatisataudinamis. Staticcooperativesensortersusundarikombinasisensoryangtetap.Dynamic cooperativesensortersusundarikombinasisensoryangadaptifakibatadanya missingdatapadaformasisensor(Martindkk.,2021). Informasipriorpadamodeldapatmenyeleksisensorterefektifsebagaiinput algoritmaestimasi.Manfaatinformasiprioradalahmeminimalisirproses komputasisensorfusion.JikapengukuranMsensordipilihdaritotalNsensor, makaoutputcooperativesensingdinyatakandalamfungsipengukuranmulti sensorsebagaiberikut(Peniakdkk.,2021): y�=F MN(x 1,x 2, . . . ,x n) (III.14) Algoritmaestimasimengkombinasikansensordanmodeldalamsuatukonfigurasi komputasi.Konfigurasiinidapattersusundariestimator,verifier,setterdan selector.Konfigurasiinimampumengestimasi,memverifikasisertamengkoreksi 22 hasilpengukuransensorfisik.GambarIII.8menunjukkancontohkonfigurasi algoritmaestimasipadacooperativesensingkecepatanangindiplantturbinangin (LidanShen,2022). GambarIII.8Konfigurasicooperativesensing Estimatorsensormenggunakanalgoritmamachinelearningtertentu.Verifier sensordidesainberdasarkanperhitunganstatistikvarians(St)dalamsatu kelompoksensorsetiapwaktusampling.Settersensorhanyaditerapkanpadadata suspect.Setterberfungsimengkoreksinilaihasilpengukurandatasuspectmelalui adjustment.Nilaiadjustmentdihitungberdasarkanpersamaanmeanaverage percentageerror(MAPE).Nilaiterkoreksiinimerupakanoutputpengukuran berbasiscooperativesensing..