38 BABVHasildanPembahasan V.1HasilPra-pemrosesanDataset PengumpulandatasetsensorkecepatanangindiperolehmelaluiStasiun MeteorologiJuandaSurabaya.Pra-pemrosesandatasetanemometerditinjau denganmemeriksaketersediaandata,mendeteksioutliersertatreatmentterhadap adanyamissingdata.Datasetmerupakandatakecepatananginmenitanperiode1 Januari2022-24Desember2023. Totaldataidealperlokasiyaitu1.041.120 data(60dataperjamx24jamperharix723hari).TabelV.1.menunjukkan ketersediaandatasetkecepatanangin. TabelV.1Tingkatketersediaandatasetkecepatanangin Lokasi JumlahDataAktual KetersediaanData(%) PraDeteksi Outlier PascaDeteksi Outlier PraDeteksi Outlier PascaDeteksi Outlier SB3 1.023.020 1.023.020 98,26 98,26 SB4 1.026.256 1.026.256 98,57 98,57 SB5 1.027.370 1.027.370 98,68 98,68 SB6 1.024.281 1.024.281 98,38 98,38 TabelV.1.membuktikanbahwatingkatketersediaandataset4anemometerdi BandaraInternasionalJuandaSurabayasangatbaikdengantingkat ketersediaan>95%padatahun2022-2023.Hasildeteksioutlierberbasisrange checkdanstepcheckjugamenunjukkanbahwadatasettidakmemilikioutlier.Hal iniberartitidakterdapatdatayangmelebihirentangkecepatananginnormalyaitu 40m/sberdasarkanrangecheck.Selainitu,tidakadaperubahandatakecepatan anginyangmelebihi30m/sselama1menitberdasarkanstepcheck. Langkahberikutnyayaitumelakukantreatmentterhadapmissingdata.Treatment menggunakanmetodeimputasiberbasisalgoritmaMICEuntukmelengkapi datasetkecepatanangin.SemuavariabelkecepatananginSB3,SB4,SB5danSB6 salingmelakukanregresisatusamalainsecaraiteratifuntukmengisikekosongan antardata.GambarV.1.menunjukkancontohhasilimputasidatakecepatanangin padaanemometerSB5. 39 Gambar V. 1 Plot data imputasi kecepatan angin anemometer SB5 Gambar V.1. menunjukkan contoh plot imputasi MICE pada data kecepatan angin anemometer SB5 tanggal 11 Juli 2022 pukul 5:50 - 6:19 UTC. Data imputasi dapat mengisi data kosong sesuai fluktuasi kecepatan angin. Data kecepatan aktual meningkat kemudian menurun setiap 2-3 menit. Pola ini dapat diikuti oleh data imputasi pada pukul 5:59 - 6:02 UTC dan 6:07 - 6:09 UTC. Tabel V.2. menunjukkan karakteristik statistikd kecepatan angin pra dan pasca dilakukan imputasi. Tabel V. 2 Karakteristik statisik dataset pra dan pasca imputasi Lokasi Persentase Data Imputasi Rata-rata (m/s) Maksimum (m/s) Standar Deviasi (m/s) Pra Imputasi Pasca Imputasi Pra Imputasi Pasca Imputasi Pra Imputasi Pasca Imputasi SB3 1,74 % 3,32 3,32 20,30 20,30 1,87 1,86 SB4 1,43 % 2,79 2,79 17,20 17,20 1,67 1,68 SB5 1,32 % 2,93 2,93 17,70 17,70 1,76 1,76 SB6 1,62 % 2,92 2,92 18,20 18,20 1,80 1,80 Tabel V.2. membuktikan bahwa imputasi MICE tidak mengubah karakteristik statistik dataset kecepatan angin asli secara signifikan. Tidak terdapat perubahan nilai rata-rata dan maksimum setelah proses imputasi. Perubahan karakteristik terjadi pada standar deviasi anemometer SB3 dan SB4 sebanyak 0,01 m/s. Hal ini mengindikasikan sebagian besar nilai data imputasi mendekati nilai rata-rata dataset asli, sehingga mengakibatkan penurunan standar deviasi. 40 V.2HasilEksplorasiDataset EksplorasidilakukanterhadapdatakecepatandanarahanginanemometerSB3, SB4,SB5danSB6yangsudahlengkap.Eksplorasimeliputipeninjauanterhadap karakteristikstatistik,autokorelasidatahistorisanemometer,sertakorelasiantar anemometer.Eksplorasibertujuanmempersiapkankonfigurasiinputdanoutput modelestimasi.TabelV.3.menunjukkanrata-ratadanstandardeviasikecepatan anginbulanansetiapanemometer. TabelV.3Rata-ratadanstandardeviasikecepatananginbulanan Bulan Rata-rata(m/s) StandarDeviasi(m/s) SB3SB4SB5SB6SB3SB4SB5SB6 Januari3,83,23,33,42,22,02,02,1 Februari4,03,23,43,62,11,91,92,0 Maret 2,82,42,62,61,61,51,61,6 April 2,72,32,42,41,41,31,51,4 Mei 3,22,72,82,81,71,51,61,6 Juni 3,12,62,72,81,61,51,61,5 Juli 3,42,83,03,01,71,61,71,7 Agustus3,83,23,33,31,91,71,81,9 September3,63,13,23,11,81,71,81,8 Oktober3,43,03,12,91,81,71,71,8 November2,82,52,62,41,61,51,51,5 Desember3,12,62,72,61,81,61,71,7 BerdasarkanTabelV.3.,nilairata-ratadanstandardeviasianemometerSB3,SB4, SB5danSB6cukupberkorelasikuat.Semuaanemometermengukurpeningkatan sertapenurunankecepatananginsecaraselaras.Nilaikecepatananginrata-rata bulananmeningkatdariperiodeDesember-FebruaridanJuni-Agustus.Halini mengindikasikanterjadinyaanginmonsuntimurandanbaratanyangmenguatdi BandaraJuandaSurabaya.Sementaraitu,kecepatananginrata-ratabulanan menurunpadaperiodeMaret-MeidanSeptember-November.Periodeini menunjukkananginperalihandarimonsunbaratkemonsuntimurdansebaliknya. Keselarasannilairata-ratakecepatanangindanstandardeviasipengukuransetiap sensormenunjukkanadanyakorelasiantaranemometer. 41 TabelV.4Korelasiantarsensorkecepatananginanemometer KorelasiSB4 SB5 SB6 SB3 0,64 0,62 0,40 SB4 0,74 0,50 SB5 0,53 TabelV.4.menunjukkankorelasiantarsensorkecepatananginanemometer.Nilai korelasiiniberbandinglurusterhadapkedekatanjarakantarsensor.Nilaikorelasi sensoryangberdekatan(jarak±2km)yaituSB3-SB4,SB4-SB5,SB5-SB6lebih tinggidibandingsensoryangberjauhan(jarak±4km)yaituSB3-SB5danSB4- SB6sertasensoryangberadadiujung-ujunglandasan(jarak6km)yaituSB3- SB6.Sensorkecepatananginyangberdekatanmemilikikorelasikuat,terutama SB4-SB5yangterletakberdampinganditengahsisilandasan.Sensoryang berjauhandanterletakdiujung-ujunglandasanberkorelasimoderatsatusamalain. NilaikorelasiinimenunjukkananemometerSB3,SB4,SB5danSB6berpotensi menjadiinputestimasisatusamalaindalamcooperativesensing. GambarV.2Plotautokorelasisensorkecepatananginanemometer Selainketerkaitanantaranemometer,nilaikorelasijugaditinjauterhadapdata historismasing-masingsensorkecepatananginitusendiri.GambarV.2. menunjukkanplotautokorelasisetiapsensorterhadaplagdatahistorissensordari 42 1-60menitsebelumnya.Nilaiautokorelasimenurunseiringmeningkatnyalag datahistoris.Gradienpenurunancukupcurampadalag1-5menitsebelumnya, kemudianmulaimelandaisetelahnya.Nilaiautokorelasipadalagdata1-5menit mendekatikorelasisangatkuatdenganR>0,8.Berdasarkanplotautokorelasipada GambarV.2.,nilaiautokorelasiterhadaplagdata1hingga30menitsebelumnya masihbersifatkuatdenganR>0,7,sedangkanautokorelasiterhadaplagdata31 hingga60menitsebelumnyabersifatmoderat. GambarV.3Plotautokorelasisensorkecepatananginjangkapanjang GambarV.3.menunjukkanplotautokorelasisensorkecepatananginyang diperpanjanghinggalag5harisebelumnya.Plotmengalamikenaikan autokorelasiberulangdilevelmoderatketikamencapaikelipatan1440menit.Hal inimengindikasikanadanyaperiodisitasdatakecepatananginsetiap1440menit atausetiap24jam.Datahistorispadalag24jamjugaperludipertimbangkan sebagaikandidatinputestimasi.Mengacuterhadapnilaiautokorelasimasing- masinganemometer,baikjangkapendekmaupunpanjang,datahistoriskecepatan anginberpotensimenjadiinputestimasisensoritusendiri. 43 Berikutnya,eksplorasidilanjutkanterhadaparahangindominanyangdiukuroleh anemometer.Secaraumum,anemometerdiBandaraInternasionalJuanda Surabayamengukurtigatipearahangindominanyaitutimuran,baratandan peralihan.TabelV.5.menunjukkanarahangindominanbulananyangdiukuroleh anemometerSB3,SB4,SB5danSB6. TabelV.5Arahangindominanbulanan Bulan ArahAnginDominan SB3 SB4 SB5 SB6 Januari-April BaratanBaratanBaratanBaratan Mei-Juli PeralihanPeralihanPeralihanPeralihan Agustus-November TimuranTimuranTimuranTimuran Desember PeralihanPeralihanPeralihanPeralihan PadaTabelV.5.,anemometerSB3,SB4,SB5danSB6mengalamiarahangin dominanbulananyangsamasepanjangtahun.Keempatanemometertersebut relatifterletakdalamsatuareaterbukasecaraberdekatandanjauhdariobjek penghalang,sehinggaarahangindominanyangdiukurberkaitaneratsatusama lain.Keterkaitaninimembuktikanbahwaarahanginperludipertimbangkandalam pemilihaninputestimasikecepatanangin.TabelV.6.menunjukkankorelasi kecepatananginapabiladatasetanemometerdiklasifikasikanberdasarkanarah angindominanyangterjadiyaitutimurandanbaratan. TabelV.6Korelasikecepatananginanemometersesuaiarahangin Timuran KorelasiSB4SB5 SB3 0.500.44 SB4 0.66 Baratan KorelasiSB5SB6 SB4 0.770.49 SB5 0.63 BerdasarkanTabelV.6.,korelasiantaranemometersaatangintimurancenderung lebihrendahdibandingsaatanginbaratan.MengacukembaliterhadapTabelV.1. 44 danTabelV.5,kecepatananginbaratanmemilikistandardeviasiyanglebih rendahdibandingkecepatanangintimuran,sehingganilaikorelasinyalebihtinggi. Bagaimanapun,secarakeseluruhan,korelasiantaranemometermasihbersifat moderat.Nilaikorelasicenderungmenguatapabiladitinjauberdasarkanarah angindominan.KorelasiterkuatdialamiolehanemometerSB4danSB5yang beradaditengahlandasan.Sementaraitu,korelasianemometeryangterletakdi ujung-ujunglandasanmelemah,baiksaatangintimuranmaupunbaratan. (a) (b) GambarV.4Korelasikecepatananginanemometertargetterhadaplag anemometerlainsaatangintimuran GrafikkorelasipadaGambarV.4.menunjukkanhubungankecepatanangin anemometertargetterhadaplagdatahistorisanemometeryangberdekatansesuai arahangintimuran.Grafiktersebutbertujuanmemeriksajedawaktuanemometer targetterhadapanemometerdisebelahnyaketikameresponkecepatanangindari arahtertentu.PadaGambarV.4.(a),anemometerSB4berperansebagaitarget, sedangkanlagdataanemometerSB3yangterletakdisebelahtimurnyaberperan sebagaiinput.Sementaraitu,padaGambarV.4.(b),anemometerSB5berperan sebagaitarget,sedangkanlagdataanemometerSB3danSB4yangterletakdi sebelahtimurnyaberperansebagaiinput.Keduagambarmenunjukkanpenurunan korelasiseiringbertambahnyalagdatahistoris.Halinimembuktikanbahwatidak terdapatjedawaktuyangsignifikanantaranemometerketikameresponkecepatan angindariarahtimuran. 45 (a) (b) GambarV.5Korelasikecepatananginanemometertargetterhadaplag anemometerlainsaatanginbaratan GrafikkorelasipadaGambarV.5.menunjukkanhubungankecepatanangin anemometertargetterhadaplagdatahistorisanemometeryangberdekatansesuai arahanginbaratan.PadaGambarV.5.(a),anemometerSB4berperansebagai target,sedangkanlagdataanemometerSB5danSB6yangterletakdisebelah baratnyaberperansebagaiinput.Sementaraitu,padaGambarV.5.(b), anemometerSB5berperansebagaitarget,sedangkanlagdataanemometerSB6 yangterletakdisebelahbaratnyaberperansebagaiinput.Keduagambar memperkuatindikasibahwatidakterdapatjedawaktuyangsignifikanantar anemometerketikameresponkecepatanangin,baikdariarahbaratanmaupun timuran.Nilaikorelasitertinggiantaranemometerterjadipadawaktupengukuran yangrelatifsama. V.3HasilEstimasiKecepatanAnginBerbasisCooperativeSensing SemuaskenarioestimasikecepatananginmenggunakanalgoritmaTCN. Berdasarkanhasileksplorasidata,hyperparameterTCNmenyesuaikan autokorelasisertakorelasitemporalantaranemometer.TabelV.7menunjukkan desainhyperparameterTCNuntukestimasikecepatananginanemometer. TabelV.7DesainhyperparameterTCN HyperparameterTCN Keterangan Panjangfilter(Nf) {32,64} Panjangkernelfilter 3 Faktordilatasi(d) {[1,2,4],[1,2,4,8]} 46 DesainhyperparameterTCNmenggunakanpanjangfilter32atau64,panjang kernelfilterk=3danfaktordilatasid=[1,2,4]atau[1,2,4,8]untuksetiapmodel estimasikecepatananginanemometer.Pertimbanganpemilihanhyperparameter panjangfilterdisesuaikanterhadapautokorelasimasing-masingsensor.Nilairata- rataautokorelasiSB3,SB4,SB5danSB6padalag30-60datasebelumnyayaitu 0,70sehinggatergolongautokorelasikuat.Nilaipanjangfiltermerupakanbasis bilangan2pangkatterdekatterhadapnilailagtersebutyaitu2 5 =32dan2 6 =64, sesuaibasisnilaifaktordilatasi.Halinibertujuanmempermudahproses komputasiTCN.Nilaifaktordilatasid=[1,2,4]atau[1,2,4,8]dipilihsesuaidesain algoritmaTCNpalingsederhana.FungsioptimasimenggunakanAdamoptimizer. V.3.1.HasilEstimasiKecepatanAnginMetodeArahAnginDominan Estimasikecepatananginmetodearahangindominanmembagidatasetmenjadi modelbaratan,timurandanperalihan.AnemometerSB4danSB5berperan sebagaitargetestimasisecarabergantian.TabelV.8menunjukkanperformahasil estimasikecepatananginmodelbaratan. TabelV.8Performaestimasikecepatananginmodelbaratan Target Estimasi BaselineInput Cooperative Sensing Hyperparameter TCN PerformaAkurasiEstimasi Nf d R RMSE (m/s) MAE (m/s) SB4 SB5 32 1,2,40,59 0,75 0,57 1,2,4,80,59 0,76 0,58 64 1,2,40,59 0,77 0,58 1,2,4,80,59 0,75 0,57 SB5danSB6 32 1,2,40,62 0,72 0,54 1,2,4,80,62 0,73 0,54 64 1,2,40,61 0,74 0,55 1,2,4,80,61 0,73 0,54 SB5 SB6 32 1,2,40,54 0,96 0,80 1,2,4,80,54 0,93 0,77 64 1,2,40,54 0,96 0,81 1,2,4,80,54 0,95 0,80 Perfomaestimasikecepatananginmodelbaratanmenghasilkankorelasimoderat terhadapdatakecepatananginaktualSB4danSB5.Semuanilaikoefisienkorelasi baselineinputberadapadarentang0,4-0,7.SemuanilaiRMSEdanMAEestimasi 47 kecepatananginmodelbaratanmasihmemenuhipersyaratanWMOyaitu RMSE