Terbit online pada laman web jurnal: http://journal.
id/index.
php/JASENS JOURNAL OF APPLIED SMART ELECTRICAL
NETWORK AND SYSTEMS (JASENS)
Vol.
5 No.
16 - 21
ISSN Media Elektronik: 2723-5467 Prediksi Temperatur Lingkungan dengan Recurrent Neural Network Menggunakan Data Historis Iradiasi Matahari Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 1Teknik Elektro.
Politeknik Negeri Sriwijaya 2Teknik Elektro.
Universitas Tridinanti Palembang diaz2002@gmail.
com , 1polarisma@polsri.
id , 1yurni_oktarina@polsri.
id , 2 hendramy@univ-tridinanti.
Abstract This research studies the use of Recurrent Neural Network (RNN) to predict ambient temperature in London using historical solar irradiation data.
The data used consists of Hi temperature, low temperature, temperature out, and solar irradiation collected for 24 hours from March 2014 to predict April 2014, with 80% for training, 10% for validation, and 10% for testing.
The results showed that RNN can perform well and provide stable and consistent The RMSE obtained for the prediction of Hi temperature, low temperature, temperature out, and solar irradiation are 4.
97, 4.
20, 4.
48, and 5.
03 This research is expected to help in predicting temperature conditions in the environment.
The results show that RNN can predict environmental temperature with high accuracy.
Keywords: Recurrent Neural Network.
Temperature Prediction Abstrak Penelitian ini mempelajari penggunaan Recurrent Neural Network (RNN) untuk memprediksi temperatur lingkungan di kota London menggunakan data historis iradiasi matahari.
Data yang digunakan terdiri dari Hi temperature, low temperature, temperature out, dan iradiasi matahari yang dikumpulkan selama 24 jam dari bulan maret 2014 untuk memprediksi bulan april 2014, dengan 80% untuk pelatihan, 10% untuk validasi, dan 10% untuk Hasil penelitian menunjukkan bahwa RNN dapat melakukan prediksi dengan baik dan memberikan hasil yang stabil dan konsisten.
RMSE yang didapat untuk prediksi hi temperature, low temperature, temperature out, dan iradiasi matahari adalah 4.
97, 4.
20, 4.
48, dan 5.
03 Penelitian ini diharapkan dapat membantu dalam memprediksi kondisi temperatur pada lingkungan.
Hasil penelitian menunjukkan bahwa RNN dapat memprediksi temperatur lingkungan dengan akurasi yang tinggi.
Kata kunci: Recurrent Neural Network.
Prediksi Temperatur Diterima Redaksi : 03-05-2024 | Selesai Revisi : 12-06-2024 | Diterbitkan Online : 30-06-2024 Pendahuluan musim semi.
Temperatur lingkungan adalah temperatur udara Iradiasi matahari adalah jumlah energi matahari per yang terjadi di sekitar suatu lokasi, dengan cara diukur satuan luas yang diterima oleh bumi dari matahari dalam dalam satuan Celsius (AC) atau Fahrenheit (AF).
bentuk radiasi elektromagnetik dalam satuan watt per Temperatur lingkungan pada setiap lokasi lingkungan meter persegi (W/m.
dapat berbeda tergantung pada musim dan kondisinya.
Efek Iradiasi yang didefinisikan sebagai jumlah Pada penelitian ini lokasi pengambilan data yang energi yang diserap oleh suatu benda dari sumber energi diuji berada pada kota London.
Data yang diambil seperti sinar matahari yang dapat mempengaruhi adalah data pada bulan maret dan bulan april, pada saat temperatur matahari terbit pukul 04.
40 dan terbenam pada pukul permukaan lingkungan tertentu.
Berdasarkan data set temperatur yang digunakan, pada bulan ini kota London berada di Iradiasi matahari mengalami perubahan secara fluktuatif dalam beberapa keadaan dapat meningkatkan Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
16 Ae 21 disekitar lingkungan lingkungan, dengan cara saat benda tersebut terkena menggunakan data historis irradiance matahari, guna sinar matahari langsung.
Hal ini terjadi karena benda membantu mengetahui suhu udara disuatu lokasi yang menerima energi sinar matahari secara langsung.
ingin digunakan.
Begitupun sebaliknya, iradiasi matahari juga dapat mengurangi temperatur suatu benda yang berada disekitar lingkungan tertentu, ada beberapa faktor yang Historis Data menyebabkan iradiasi matahari lemah seperti pada saat terhalang oleh objek seperti pohon dan gedung, permukaan tanah yang tidak rata, terhalang awan, jarak Input Data Set matahari yang jauh ,jam per hari dan musim.
Maka dengan menggunakan data historis iradiasi matahari, kita dapat memprediksi temperatur lingkungan dengan Recurrent Neural Network (RNN) adalah salah satu jenis saraf tiruan yang prosesnya dipanggil berulang- Evaluated Model RNN termasuk algoritma yang efektif dalam memprediksi data waktu di mana data memiliki struktur waktu yang kompleks.
Penggunaan RNN pada beberapa tahun terakhir telah meningkat secara Data Prediction signifikan dalam berbagai bidang, termasuk analisis data waktu, pengenalan suara, dan analisis teks.
Gambar 1.
Blok Diagram Proses Pengolahan Data Dalam penelitian ini.
RNN digunakan untuk 1 Historis Data Data yang digunakan merupakan data historis menggunakan data historis iradiasi matahari.
Data yang irrandiance matahari pada suatu lokasi.
Data ini didapat digunakan sebagai input untuk RNN dalam https://data.
uk/dataset/photovoltaic--pv-- Dengan menggunakan RNN, dapat melakukan prediksi temperatur lingkungan dengan lebih akurat dan memantau perubahan-perubahan yang terjadi dalam lingkungan.
Hal ini berguna dalam berbagai kegiatan seperti di bidang, perencanaan infrastruktur, perencanaan kota, dan pengelolaan lingkungan.
Metode Penelitian London solar-panel-energy-generation-data selama 2 bulan yang terdiri dari tanggal, waktu.
HI temperatur.
Low temperatur, temperatur out dan irradiance.
2 Input Data set Input data set merupakan tahapan memasukan data yang akan digunakan pada model.
Data yang digunakan pada penelitian kali ini merupakan data satu bulan, yang dimulai pada tanggal 1 maret sampai 31 maret dan 1 Penelitian ini menerapkan teknologi deep learning april sampai 30 april dari pukul 00.
00 Ae 23.
30, data ini dengan menggunakan recurrent neural network yang diambil di setiap jamnya pada satu hari yang sama.
mampu melakukan pengolahan data dan melakukan Jumlah data yang digunakan, sebanyak 1442 data yang Diharapkan penelitian ini dapat memberikan terdiri dari tanggal, waktu.
HI temperatur.
Low wawasan dalam dalam memprediksi temperature temperatur, temperatur out dan irradiance.
Journal of Applied Smart Electrical Network and Systems (JASENS) Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
16 Ae 21 Hi temperatur dalam data temperatur mengacu pada suhu tertinggi yang tercatat dalam periode waktu tertentu, seperti harian, mingguan, atau bulanan.
Penjelasan:
Low temperatur dalam data temperatur mengacu At = Nilai data Aktual pada suhu terendah yang tercatat dalam periode waktu Ft = Nilai hasil prediksi N= banyaknya data Oc = Summation (Jumlahkan keseluruhan nila.
Temperatur digunakan untuk merujuk pada temperature udara luar atau lingkungan di luar bangunan atau ruangan, yang diukur oleh sensor atau stasiun cuaca.
Yycu: Nilai aktual dari data ke-n 1 Data Cleaning Data N : Jumlah sampel data mengidentifikasi membuang data yang salah dari data ycu: Nilai prediksi dari model untuk data ke-n.
3 Data Training set, seperti data yang inkonsisten, inakurat, salah Data training merupakan proses menggabungkan format, atau eror lain yang dapat mengganggu proses model dengan data set untuk membantu model analisis data, selanjutnya proses data cleaning mempelajari dan memahami data yang diberikan.
Data training melibatkan proses pemrosesan data, seperti data mempersiapkan data sebelum masuk ke tahap analisis preprocessing, normalisasi, dan data augmentation, serta data atau pemodelan machine learning dengan proses pemilihan metode penggabungan data.
Proses data yang cukup beragam, dengan tingkat kekompleksitas training bertujuan untuk membantu model memahami data yang diberikan dan memodelkan data yang tepat kemampuan pengguna.
dan akurat.
Data yang digunakan dalam penelitian ini adalah 80%.
Data Testing Data testing merupakan proses menguji kinerja 2.
Data Validation model terhadap data set yang diberikan.
Data testing Data validation merupakan langkah untuk menilai ini bertujuan untuk menilai kinerja model dalam kinerja model terhadap data set yang tidak digunakan memprediksi dan memproses data sequential, seperti pada proses pemodelan.
Data validation dilakukan untuk menilai kinerja model dalam memprediksi data memprediksi nilai selanjutnya dalam data set.
Data yang tidak pernah dilihat sebelumnya, sehingga dapat testing pada penelitian ini juga menggunakan metode menilai kinerja model dalam menangani data yang baru seperti RMSE (Root Mean Square Erro.
dan MSE dan tidak terlalu terlindungi oleh kemampuan model (Mean Square Erro.
untuk menilai kinerja model dalam menangani data yang sudah dilihat sebelumnya.
dalam memprediksi nilai yang benar.
data testing yang Data validation yang digunakan dalam penelitian ini digunakan dalam penelitian ini adalah sebesar 10%.
adalah 10%.
Nilai RMSE yang rendah menunjukkan bahwa nilai yang dihasilkan suatu model perkiraan mendekati nilai Sedangkan nilai RMSE semakin besar, maka keakuratan nilai yang dihasilkan semakin tidak akurat (Herwanto et al.
, 2.
Gambar 2.
Diagram Blok Journal of Applied Smart Electrical Network and Systems (JASENS) Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
16 Ae 21 Pada Gambar 2 dijelaskan proses langkah Aelangkah Keunggulan RNN (Recurrent Neural Networ.
yang diawali dari data collecting atau mengumpulkan adalah Mampu memproses data berurutan, maka dari itu data, lalu masuk dalam proses data preprocessing yang RNN dapat memprediksi pola yang terjadi dalam data didalamnya ada seperti data cleaning, data testing, data berurutan.
training, data validation dan 4 Flowchart masuk ke dalam model RNN lalu melakukan testing model RNN pada data dan diakhir mengevaluasi data.
3 Model Building Recurrent Neural Network RNN (Recurrent Neural Networ.
adalah jenis arsitektur jaringan saraf tiruan yang secara spesifik dibuat untuk mengatasi data berurutan, seperti teks, waktu, dan audio.
RNN dapat menyimpan informasi dari langkah waktu sebelumnya dan memanfaatkannya dalam pengolahan data baru, sehingga sangat efisien dalam menangani tugas yang melibatkan urutan atau konteks temporal.
RNN dirancang untuk bekerja meniru aktivitas menghimpun informasi yang didapatkan sebelumnya untuk memprediksi masa depan.
Dengan demikian.
RNN sangat efektif dalam tugas-tugas yang melibatkan pola-pola yang muncul dalam urutan, seperti prediksi cuaca dan analisis deret waktu.
Gambar 4.
Flowchart Penelitian Gambar 4 merupakan flowchart dari penelitian yang akan dilakukan, dimulai dari memasukan input data set dan dilanjutkan dengan preprocessing data set yang dibagi menjadi data training 80%, data validation 10%, dan data testing 10%.
Pada tahap akhir model tersebut akan dievaluasi, jika nilai model evaluasi tidak optimal maka data akan dikirim kembali ke pada proses training data, begitupun sebaliknya, jika model berada dalam kategori optimal maka proses selesai.
Gambar 3.
Recurrent Neural Network Hasil dan Pembahasan Dimana t.
aktu/urutan inputan berdasarkan waktu/inputan data ke-.
Yt merupakan hasil output.
Dari gambar diatas proses yang dilakukan pada RNN itu secara berulang-ulang sehingga data inputan sebelumnya tersimpan ke memori RNN.
1 Input Data Input Data yang digunakan merupakan kumpulan data yang didapat dari data set pada kota london yang digunakan dalam penelitian ini.
Kumpulan data tersebut, terdiri dari hi temperatur, low temperatur, temperature out, dan irradiance.
Data ini dikumpulkan dari kota London selama 24 jam dari bulan maret 2014 untuk Journal of Applied Smart Electrical Network and Systems (JASENS) Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
16 Ae 21 memprediksi pada bulan april 2014.
Gambar 7.
hasil perbandingan prediksi dan actual Low temperatur Pada Gambar 7 dapat dilihat bahwa grafik menunjukan hasil perbandingan prediksi dan actual dari Gambar 5.
hasil perbandingan prediksi dan actual hi_temperatur low temperatur.
Suhu berada di 20AC dengan RMSE Pada Gambar 5 terlihat bahwa grafik menunjukan yang didapat yaitu 4.
Index menunjukan banyaknya hasil dari perbandingan prediksi dan actual dari hi data berjumlah 1440 yang terdiri dari satu hari penuh suhu tertinggi prediksi ada di 20AC dengan yaitu 24 jam dan selama 30 hari.
RMSE yang didapat yaitu 4.
97 dan pada grafik ini index menunjukan banyaknya data berjumlah 1440 yang terdiri dari satu hari penuh yaitu 24 jam dan selama 30 hari.
Gambar 8.
perbandingan prediksi dan actual irradiance Pada Gambar 8 menunjukan hasil perbandigan prediksi dan actual irradiance yang ada pada kota London dengan RMSE yang didapat yaitu 5.
Index Gambar 6.
hasil perbandingan prediksi dan actual temperatur_out menunjukan banyaknya data berjumlah 1440 yang Pada Gambar 6 dapat dilihat bahwa grafik terdiri dari satu hari penuh yaitu 24 jam dan selama 30 menunjukan hasil perbandingan prediksi dan actual hari.
dari temperature out.
Suhu prediksi tertinggi berada di Tabel 1.
Tabel Parameter 20AC dengan RMSE yang didapat yaitu 4.
Index Parameter Value menunjukan banyaknya data berjumlah 1440 yang Epochs terdiri dari satu hari penuh yaitu 24 jam dan selama 30 Batch Size Optimizer Adam Learning Rate Pada Tabel 1 ditunjukkan apa saja parameter yang digunakan pada Training model RNN.
Parameter ini berguna dalam efektif atau tidaknya sebuah training.
Journal of Applied Smart Electrical Network and Systems (JASENS) Raihan Aldiaz Rahman1.
Pola Risma1.
Yurni Oktarina1.
Hendra Marta Yudha2 Journal of Applied Smart Electrical Network and System (JASENS ) Vol .
5 No.
16 Ae 21 Kesimpulan Dalam menggunakan irradiance dengan metode Recurrent Neural Network guna mengetahui efektif atau tidaknya model RNN dan menciptakan harapan positif terhadap temperatur pada lingkungan.
Recurrent Neural Network dapat melakukan prediksi dengan sangat baik dan memberikan hasil yang stabil dan konsisten.
Pada Recurrent Neural Network menggunakan accurary.
Daftar Rujukan Makasudede.
AuRNN dengan tipe LSTM,Ay pp.
8Ae45, 2019.
Nugraha.
Ariawan, and W.
Arifin.
AuWeather Forecast From Time Series Data Using Lstm Algorithm,Ay J.
Teknol.
Inf.
Dan Komun.
, vol.
14, no.
1, pp.
144Ae152, 2023, doi: 10.
51903/jtikp.
Nketiah.
Chenlong.
Yingchuan, and S.
Aram.
AuRecurrent neural network modeling of multivariate time series and its application in temperature forecasting,Ay PLoS One, vol.
18, no.
5 May, pp.
1Ae18, 2023, doi:
1371/journal.
Han.
Ang.
Malkawi, and H.
Samuelson.
AuUsing recurrent neural networks for localized weather prediction with combined use of public airport data and onsite measurements,Ay Build.
Environ.
, vol.
192, p.
2021, doi: 10.
1016/j.
Shekar.
Mathew.
Yeswanth, and S.
Deivalakshmi.
AuA combined deep CNN-RNN network for rainfall-runoff modelling in Bardha Watershed.
India,Ay Artif.
Intell.
Geosci.
, vol.
5, no.
July 2023, p.
100073, 2024, doi:
1016/j.
Sri Rahayu.
Djamal.
Ilyas, and A.
Bon.
AuDaily temperature prediction using recurrent neural networks and long-short term memory,Ay Proc.
Int.
Conf.
Ind.
Eng.
Oper.
Manag.
, no.
August, pp.
2700Ae2709, 2020.
Luchia.
Tasia.
Ramadhani.
Rahmadeyan, and R.
Zahra.
AuPerformance Comparison Between Artificial Neural Network.
Recurrent Neural Network and Long Short-Term Memory for Prediction of Extreme Climate Change,Ay Public Res.
Eng.
Data Technol.
Comput.
Sci.
, vol.
1, no.
2, pp.
62Ae70, 2024, doi: 10.
57152/predatecs.
Cebeci.
AuA Recurrent Neural Network Model for Weather Forecasting,Ay UBMK 2019 - Proceedings, 4th Int.
Conf.
Comput.
Sci.
Eng.
, pp.
591Ae595, 2019, doi:
1109/UBMK.
Zhao.
Li.
Lu, and Z.
Wang.
AuA CNNAeRNN multi-label recognition,Ay Neurocomputing, vol.
322, pp.
47Ae57, 2018, doi:
1016/j.
London Data Store.
Photovoltaic (PV) Solar Panel Energy Generation data [Onlin.
pdate 2 years ag.
Tersedia:
https://data.
uk/dataset/photovoltaic--pv--solarpanel-energy-generation-data .
Journal of Applied Smart Electrical Network and Systems (JASENS)