Jurnal Telematika vol.
20 no.
e-ISSN: 2579-3772 doi: 10.
61769/telematika.
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) Icha Dwi Safira1.
Dian Candra Rini Novitasari2,*.
Nurissaidah Ulinnuha3.
Fajar Setiawan4
1,2,3
Program Studi Matematika.
UIN Sunan Ampel Surabaya Jl.
Dr.
Ir.
Soekarno No.
Kec.
Gn.
Anyar.
Surabaya.
Jawa Timur 60294.
Indonesia Forecasting.
Stasiun Meteorologi Maritim Perak II Surabaya Jl.
Kalimas Baru No.
Kec.
Pabean Cantikan.
Surabaya.
Jawa Timur 60165.
Indonesia 1dwiicha04@gmail.
ulinnuha@uinsby.
setiawan@bmkg.
*Korespondensi: diancrini@uinsa.
_____________________________________________________________________________________
AbstractAi Several islands in East Nusa Tenggara Province (NTT) are underdeveloped areas with insufficient Therefore, renewable energy power plants are needed, namely oscillating water column technology ocean wave power plants (PLTGL-OWC).
The objective of this study is to determine the performance of the bidirectional long short-term memory (Bi-LSTM) method in predicting the potential power generated from the height, length, and period of the Sawu Sea waves in NTT using PLTGL-OWC.
This study utilises Sawu Sea wave data collected every 12 hours over 9 months.
Bi-LSTM is used in this study because it can overcome the vanishing Gradient problem by utilising both the forward layer and the backward layer, making it more effective in solving complex issues, such as time series prediction.
This study conducted tests on hyperparameter batch size and hidden layer node configurations.
The smallest mean absolute percentage error (MAPE) prediction values obtained were 1943% for the wave height parameter, 11.
3585% for the wave length parameter, and 7.
1485% for the wave period It means that the Bi-LSTM method is suitable for predicting the electrical power generated by the PLTGL-OWC in the Sawu Sea, as the height and period parameters fall within the MAPE < 10% category, and the length parameter falls within the MAPE 10-20% category.
The average electrical power generated is 2,639,865.
948 watts per day over a 31-day period.
The Sawu Sea has the potential to serve as a renewable energy source in the NTT region.
KeywordsAi Bi-LSTM.
Sawu sea wave.
PLTGL-OWC, renewable energy, prediction, power plant AbstractAi Beberapa pulau di Provinsi Nusa Tenggara Timur (NTT) merupakan daerah tertinggal sehingga kurang terpenuhinya kebutuhan elektrifikasi.
Oleh karena itu, dibutuhkan pembangkit listrik energi terbarukan, yaitu pembangkit listrik tenaga gelombang laut teknologi oscillating water column (PLTGLOWC).
Tujuan dari penelitian ini adalah untuk mengetahui performa metode bidirectional long short-term memory (Bi-LSTM) dalam memprediksi potensi besar daya listrik yang dihasilkan dari tinggi, panjang, dan periode gelombang Laut Sawu.
NTT menggunakan PLTGL-OWC.
Penelitian ini menggunakan data gelombang Laut Sawu yang diambil setiap 12 jam selama periode 9 bulan.
Bi-LSTM digunakan pada penelitian ini karena mampu mengatasi masalah vanishing gradient dengan memanfaatkan forward layer dan backward layer yang dimiliki sehingga lebih efektif dalam memecahkan masalah kompleks, seperti prediksi time series.
Penelitian ini melakukan uji coba hyperparameter batch size dan node hidden layer.
Diperoleh nilai mean absolute percentage error (MAPE) prediksi terkecil adalah 9,1943% untuk parameter tinggi gelombang, 11,3585% untuk parameter panjang gelombang, dan 7,1485% untuk parameter periode gelombang.
Hal Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) tersebut berarti bahwa metode Bi-LSTM baik untuk memprediksi daya listrik yang dihasilkan oleh PLTGLOWC di Laut Sawu karena pada parameter tinggi dan periode termasuk kategori MAPE < 10% dan pada parameter panjang termasuk kategori MAPE 10-20%.
Hasil daya listrik yang dihasilkan rata-rata 865,948 watt per hari dalam 31 hari.
Hal tersebut menunjukkan bahwa Laut Sawu berpotensi sebagai sumber energi terbarukan di NTT.
Kata KunciAi Bi-LSTM, gelombang Laut Sawu.
PLTGL-OWC, energi terbarukan, prediksi, pembangkit ____________________________________________________________________________________ PENDAHULUAN Potensi dihasilkannya energi dari laut yang dimiliki Indonesia besar karena Indonesia merupakan negara maritim.
Luas wilayah Indonesia sebesar 9,8 juta km2, 81% diantaranya adalah laut.
Salah satu provinsi yang sebagian besar wilayahnya laut adalah Nusa Tenggara Timur (NTT).
Pada Provinsi NTT terdapat satu kota dan dua puluh satu kabupaten yang tersebar di tiga pulau besar dan beberapa pulau kecil.
Beberapa pulau di Provinsi NTT merupakan daerah tertinggal karena letaknya yang terpencil sehingga kurang tersentuh pembangunan dan kurang terpenuhinya kebutuhan elektrifikasi .
Berdasarkan Statistik Ketenagalistrikan 2020, rasio elektrifikasi NTT adalah 87,62%.
Angka tersebut merupakan angka rasio elektrifikasi terendah di Indonesia .
Rasio elektrifikasi tersebut menggambarkan tingkat ketersediaan daya listrik bagi masyarakat.
Namun.
NTT memiliki potensi energi alternatif yang sangat besar sehingga dapat digunakan sebagai sumber energi terbarukan untuk mendirikan pembangkit listrik.
Jika pemanfaatan energi terbarukan di NTT berjalan dengan baik, kemungkinan besar NTT akan mengatasi masalah defisitnya .
Oleh karena itu, dibutuhkan pembangkit listrik dengan sumber terbarukan di Provinsi NTT untuk mengatasi rendahnya rasio elektrifikasi salah satunya dari laut itu sendiri, yaitu gelombang laut.
Di wilayah perairan NTT, khususnya Laut Sawu memiliki gelombang yang cukup tinggi dan stabil sehingga berpotensi untuk dijadikan pembangkit listrik alternative, yaitu dengan pemanfaatan tinggi, panjang, serta periode Daya listrik yang dimanfaatkan diperoleh dari gelombang laut yang menghasilkan energi kinetik serta energi potensial melalui Pembangkit Listrik Tenaga Gelombang Laut Teknologi Oscillating Water Column (PLTGL-OWC) .
Energi tersebut yang nantinya sebagai pemasok daya listrik kepada Potensi Laut Sawu sebagai pembangkit listrik alternatif dapat dilihat dari prediksi besar daya listrik yang dihasilkan.
Metode yang bisa diaplikasikan untuk prediksi salah satunya, yaitu bidirectional long short-term memory (Bi-LSTM).
Forward dan backward merupakan input yang dimiliki oleh Bi-LSTM.
Dengan dua input tersebut, sistem kemungkinan mampu mempelajari informasi masa mendatang dan masa lalu .
Bi-LSTM merupakan metode pengembangan dari metode Long Short-Term Memory (LSTM).
LSTM adalah perkembangan dari recurrent neural network (RNN) yang menjadi solusi dari permasalahan vanishing gradient dalam RNN yang menyebabkan RNN tidak dapat mempelajari dengan benar .
LSTM diciptakan untuk mengurangi ketergantungan jangka panjang pada algoritma RNN .
LSTM bisa mempelajari mana data yang akan dibuang dan mana data yang memungkinkan untuk disimpan .
, tetapi LSTM memiliki kelemahan hanya bisa mempelajari dari arah maju .
Oleh karena itu, diciptakanlah metode BiLSTM yang berguna untuk memecahkan masalah yang kompleks, seperti prediksi time series, pengenalan tulisan tangan, dan deteksi ucapan .
Beberapa penelitian terdahulu melakukan prediksi daya listrik berdasarkan gelombang laut.
Terdapat penelitian yang memprediksi besar daya listrik di Banyuwangi dengan PLTGL-OWC menggunakan metode extreme learning machine (ELM) .
Kekurangan ELM yaitu tidak memiliki kemampuan untuk menangani data sekuensial atau temporal karena ELM tidak dirancang untuk dapat memproses ketergantungan jangka panjang, seperti data time series, sedangkan Bi-LSTM dapat mengatasi kekurangan Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) tersebut dengan forward dan backward layer yang dimilikinya .
Penelitian lain melakukan prediksi besar daya listrik di perairan pantai utara Kabupaten Sambas.
Kalimantan Barat yang diperoleh dari data angin yang dikonversi menjadi parameter gelombang laut .
inggi, panjang, dan period.
menggunakan metode SPM 1984 dan software CEDAS.
Parameter tersebut kemudian digunakan untuk menghitung energi gelombang linear yang selanjutnya dikonversikan menjadi daya listrik .
Metode SPM 1984 dan software CEDAS merupakan model empiris konvensional yang hanya bisa memprediksi dengan baik pada kondisi ideal .
inear dan stabi.
Sementara itu.
Bi-LSTM dapat mengatasi pola non-linear menggunakan fungsi aktivasi nonlinear .
igmoid dan tan.
yang ada di dalam arsitekturnya .
Penelitian lain menguji performa metode random forest dengan melakukan prediksi besar daya listrik di Mutriku Wave Farm berdasarkan data WEF dari model fisika (ECMWF), listrik aktual yang dihasilkan di Mutriku, dan data EOFs atmosfer dan oseanik .
Sama seperti ELM, metode Random Forest tidak memiliki kemampuan untuk menangani data sekuensial atau temporal .
Metode-metode yang digunakan dalam penelitian terdahulu masingmasing memiliki kekurangan.
Kekurangan pada setiap metode tersebut memberikan ruang untuk metode Bi-LSTM untuk mengatasi kekurangan yang ada.
Penelitian yang melakukan perbandingan metode Bi-LSTM dengan metode yang lain di antaranya penelitian yang membandingkan metode BP.
ELMAN.
RNN.
UNI-LSTM, dan Bi-LSTM untuk prediksi lalu lintas jalan bebas hambatan yang hasilnya.
Bi-LSTM paling unggul dengan MAPE masing-masing 4,32%, 5,56%, 9,49%, 5%, dan 1,54% .
Penelitian lain membandingkan LSTM dan Bi-LSTM untuk prediksi harga batu bara yang hasilnya Bi-LSTM lebih unggul dari LSTM dengan MAPE Bi-LSTM 7,847% dan MAPE LSTM 10,442% .
Penelitian lain membandingkan LSTM.
GRU, dan Bi-LSTM untuk prediksi harga mata uang kripto yang hasilnya Bi-LSTM paling unggul dengan MAPE parameter BTC masing-masing 1,31%, 1,18%, dan 1,16%.
MAPE parameter ETH masing-masing 1,30%, 1,21%, dan 1,16%.
dan MAPE parameter BNB masing-masing 1,26%, 1,16%, dan 10,08% .
Penelitian yang telah dijelaskan sebelumnya menunjukkan bahwa metode Bi-LSTM unggul untuk prediksi, akan tetapi metode Bi-LSTM belum pernah digunakan pada data gelombang Laut Sawu.
Oleh karena itu, tujuan dilakukannya penelitian ini yaitu untuk mengetahui performa metode Bi-LSTM dengan melakukan prediksi terhadap potensi besar daya listrik yang dihasilkan Laut Sawu.
NTT menggunakan PLTGL-OWC.
Dengan demikian, hasil dari prediksi tersebut dapat digunakan untuk pemanfaatan Laut Sawu sebagai penyumbang energi terbarukan bagi masyarakat NTT yang dapat meningkatkan rendahnya rasio elektrifikasi.
II.
METODOLOGI
Tahapan Penelitian Langkah-langkah yang dilakukan dalam penelitian ini diiperlihatkan dalam bentuk diagram alir pada Gambar 1.
Langkah perhitungan dimulai dari data yang telah diperoleh dilakukan preprocessing yang diawali dengan interpolasi kemudian dilakukan proses normalisasi data.
Setelah itu, dilakukan pembentukan data menjadi data deret waktu .
ime serie.
kemudian data dibagi untuk pelatihan .
dan pengujian .
Pada data training didapatkan model Bi-LSTM yang akan disimpan kemudian dibuat model LSTM untuk testing data.
Setelah itu, didapat hasil prediksi yang kemudian akan didenormalisasi dan dievaluasi menggunakan mean absolute percentage error (MAPE).
Data Penelitian Data yang diolah pada penelitian ini didapatkan dari Badan Stasiun Meteorologi Maritim Perak II Surabaya.
Data tersebut berupa data gelombang di Laut Sawu.
Nusa Tenggara Timur (NTT) setiap 12 jam Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) yang dimulai tanggal 1 Januari 2021 sampai 30 September 2022.
Tabel I menunjukkan sampel data gelombang yang diolah pada penelitian ini.
Data tersebut kemudian diprediksi menggunakan metode Bi-LSTM dengan langkah-langkah pada Gambar 1.
Hasil prediksi dari masing-masing variabel tersebut kemudian dihitung menggunakan metode PLTGL-OWC untuk menghitung daya listrik.
Pembangkit Listrik Tenaga Gelombang Laut Oscillating Water Column (PLTGL-OWC) Sistem yang dapat mengkonversi energi listrik dari gelombang laut salah satunya adalah oscilatting water column (OWC).
Prinsip kerjanya adalah lubang pintu OWC menangkap energi gelombang yang dapat menyebabkan ketidakstabilan gerakan di dalam kolom OWC kemudian menghasilkan tekanan udara.
Tekanan udara tersebut membuat baling-baling turbin yang terhubung pada generator listrik menjadi gerak dan mampu menghasilkan listrik .
Agar gerakan keluar-masuk udara pada chamber menghasilkan putaran yang searah, maka kedua turbin tersebut disusun dengan kemiringan letak medan turbin yang berlawan arah.
Besar daya listrik dipengaruhi oleh ukuran pada chamber.
Semakin besar luas chamber, maka akan menghasilkan energi listrik yang semakin besar .
Rumus konversi energi listrik yang didapatkan dari gelombang laut dengan menerapkan PLTGL-OWC terdapat pada Persamaan .
Gambar 1 Diagram alir penelitian TABEL I SAMPEL DATA GELOMBANG LAUT SAWU Tanggal 00/01/01/2021 12/01/01/2021 00/02/01/2021 12/02/01/2021 00/03/01/2021 Tinggi .
1,4602 1,5310 1,4021 1,3436 1,2966 Panjang .
386,7088 368,8618 332,8515 287,9363 229,2392 Periode .
15,1163 15,1381 14,3876 13,2668 11,3916 Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) 12/03/01/2021 1,1297 218,4209 y yuU y yci y yc y yca2 y yuI ycEyc = ycN Ea yca= 11,2743 .
ycEyc adalah daya listrik .
, yuU adalah massa jenis air .
ir laut = 1030 kg/m.
, yci adalah gaya gravitasi bumi .
,81 m/.
, yc adalah luas chamber, yca adalah amplitudo gelombang, yuI adalah panjang gelombang, dan ycN adalah periode gelombang.
Nilai yca diperoleh dari perhitungan menggunakan Persamaan .
, di mana Ea merupakan tinggi gelombang.
Bidirectional Long Short-Term Memory (Bi-LSTM) Bidirectional Long Short-Term Memory (Bi-LSTM) adalah bentuk dari pengembangan long shortterm memory (LSTM).
LSTM diciptakan untuk mengurangi ketergantungan jangka panjang pada algoritma RNN .
LSTM bisa mempelajari data yang akan dibuang atau data yang memungkinkan untuk disimpan karena setiap neuron LSTM terdapat gate yang mengatur memori dari setiap neuron itu sendiri .
Gambar 2 menunjukkan arsitektur LSTM.
Pada arsitektur LSTM terdapat tiga buah gate, di mana yceyc merupakan forget gate, ycnyc merupakan input gate, dan ycuyc merupakan output gate .
Persamaan untuk setiap gate ditunjukkan pada Persamaan .
Forget gate adalah gate yang memutuskan input dan output akan diteruskan ke cell state atau tidak .
Persamaan .
merupakan perhitungan untuk forget gate.
yceyc = yua.
cOyce y [EaycOe1 , ycuyc ] ycayce ) .
yceyc adalah forget gate, yua adalah fungsi sigmoid, ycOyce adalah bobot pada forget gate.
EaycOe1 adalah output dari waktu yc Oe 1, ycuyc adalah data input pada waktu yc, dan ycayce adalah bias dari forget gate.
Proses selanjutnya adalah menyeleksi informasi yang akan dipertahankan pada cell state .
, yaitu dengan menambahkan nilai kandidat baru CCt dan memperbarui informasi pada input gate ycnyc .
Terakhir adalah menentukan hidden state output Eayc .
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) Gambar 2 Arsitektur LSTM ycnyc = yua.
cOycn y [EaycOe1 , ycuyc ] ycaycn ) CCt = ycycaycuEaA.
cOyca y [EaycOe1 , ycuyc ] ycayca ) .
Persamaan .
adalah cell state gate untuk memperbarui nilai yaycOe1 yang lama ke nilai yayc yang baru.
yayc = yceyc y yaycOe1 ycnyc y yaCyc Nilai output didapatkan dari nilai yang dipilih oleh sigmoid gate.
ycuyc = yua.
cOycu y [EaycOe1 , ycuyc ] ycaycu ) Eayc = ycuyc y ycycaycuEaA.
ayc ) .
Tanh digunakan untuk mendapat nilai dalam rentang -1 hingga 1, ycOycn adalah bobot input gate, ycaycn adalah bias input gate, yaCyc adalah kandidat nilai baru yang ditambahkan di cell state, ycOyca adalah bobot cell state, ycayca adalah bias cell state, ycuyc adalah nilai output gate, ycOycu adalah bobot output gate, ycaycu adalah bias output gate.
Eayc adalah final output pada waktu ke yc, dan yayc adalah cell state.
Model LSTM hanya bisa menyebarkan informasi ke depan.
Akibatnya, keadaan waktu t berdasarkan informasi pada masa lalu saja .
Untuk itu, diperkenalkan metode bidirectional long short-term memory (Bi-LSTM).
Arsitektur Bi-LSTM dengan hidden layer yang terpisah .
orward layer dan backward laye.
dapat dilatih di kedua arah secara bersamaan .
Gambar 3 merupakan arsitektur Bi-LSTM.
Forward layer pada arsitektur Bi-LSTM sama dengan konsep LSTM yang melakukan perhitungan dengan urutan dari yc Oe 1, yc, lalu yc 1, tetapi backward layer, hidden layer, dan output dihitung dari yc 1.
E yc dan Ea EnEyc yaitu Persamaan .
t ke yc Oe 1.
Output dari kombinasi hidden layer Ea E yc ycOyc AEa EnEyc ycayc ycyc = ycOyc AEa Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) E t dan h E t merupakan output yt adalah output gate Bi-LSTM.
Uy adalah bobot untuk output gate pada h pada LSTM forward.
ycOyc adalah bobot untuk output gate pada EnE ht dan EnE ht merupakan output pada LSTM Mean Absolute Percentage Error (MAPE) Mean absolute percentage error (MAPE) menunjukkan seberapa besar kesalahan .
ingkat erro.
dalam prediksi dibandingkan dengan nilai aktualnya .
MAPE merupakan metode pengukuran hasil prediksi yang paling banyak digunakan karena kemampuannya dalam menghitung rata-rata kesalahan prediksi secara relatif .
Besar error dari hasil prediksi dapat dihitung menggunakan MAPE dengan rumus pada Persamaan .
ycU Oe ycUCycn Ocycuycn=1 | ycn ycUycn ycAyaycEya = y 100% ycu Yi merupakan nilai aktual data ke-ycn.
C Yi merupakan nilai hasil prediksi data ke- ycn, dan n merupakan jumlah data.
Semakin rendah nilai MAPE yang diperoleh dari hasil prediksi, maka semakin optimal prediksi yang dihasilkan sesuai dengan kriteria nilai MAPE, diperlihatkan pada Tabel II .
HASIL DAN PEMBAHASAN
Jumlah data yang diolah pada penelitian ini yaitu 1.
276 data dengan sampel data yang ditunjukkan pada Tabel 1.
Data tinggi, panjang, dan periode gelombang digunakan sebagai parameter untuk memprediksi daya listrik.
Data gelombang Laut Sawu yang dikumpulkan dari BMKG Perak II Surabaya memiliki 3,369% nilai yang hilang.
Oleh karena itu, perlu dilakukan preprocessing yang dimulai dari proses interpolasi yang digunakan pada penelitian ini untuk mengisi data-data yang hilang tersebut .
Setelah dilakukan interpolasi, langkah preprocessing selanjutnya adalah menormalisasi setiap parameter.
Tabel i menunjukkan hasil dari normalisasi setiap parameter data gelombang Laut Sawu.
Gambar 3 Arsitektur Bi-LSTM .
TABEL II
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) KRITERIA NILAI MAPE
MAPE
Kemampuan Prediksi
<10%
Sangat Baik 10-20% Baik 20-50% Cukup Baik >50% Buruk TABEL i SAMPEL NORMALISASI DATA Tinggi 0,2558 0,2746 0,2404 0,2249 0,2125 0,1682 Panjang 0,9900 0,9384 0,8342 0,7043 0,5345 0,5032 Periode 0,9673 0,9693 0,8990 0,7939 0,6182 0,6072 Jenis normalisasi yang digunakan yaitu normalisasi min-max .
Normalisasi min-max diterapkan pada penelitian ini untuk melakukan perubahan pada data yang memiliki interval nilai terlalu jauh menjadi antara 0 sampai 1.
Normalisasi dilakukan agar setiap parameter memiliki skala yang seragam karena rentang yang terlalu besar antar parameter akan mengalami kesulitan untuk mencapai konvergen .
Jaringan Bi-LSTM dilatih oleh input data dan variabel target.
Untuk itu dilakukan uji coba dalam proses penyusunan pola time series dari data total gelombang harian.
Pada penelitian ini, setiap parameter diuji coba menggunakan metode Bi-LSTM secara terpisah menggunakan pola 1 sampai pola 7 untuk menentukan pola yang paling optimal pada masing-masing parameter, serta untuk menghindari adanya parameter yang underfit .
ola terlalu pende.
atau overfit .
ola terlalu panjan.
Penggunaan pola series adalah karena telah terbukti optimal dalam prediksi LSTM .
Tabel IV merupakan hasil uji coba pola time series pada masing-masing parameter.
Data target dari uji coba adalah data yang berurutan setelah data input.
Tabel V hingga Tabel VII menunjukkan variabel input dan target pada setiap parameter.
Tabel V artinya untuk mendapatkan hasil prediksi tinggi gelombang satu hari ke depan, maka dibutuhkan data empat hari sebelumnya.
Tabel VI artinya untuk mendapatkan hasil prediksi tinggi gelombang satu hari ke depan, maka dibutuhkan data enam hari sebelumnya.
Tabel VII artinya untuk mendapatkan hasil prediksi periode gelombang satu hari ke depan, maka dibutuhkan data tujuh hari sebelumnya.
Data yang sudah berpola kemudian dibagi menjadi 2 bagian, yaitu data training yang digunakan untuk proses training dan data testing yang digunakan untuk proses testing.
Pembagian data pada penelitian ini yaitu 90:10 yang artinya 90% dari total data digunakan untuk proses training, sedangkan 10% sisanya digunakan untuk proses testing.
Terdapat 1.
148 data training yang dimulai dari 1 Januari 2022 sampai 28 Juli 2022 dan 128 data testing yang dimulai dari 29 Juli sampai 30 September 2022.
TABEL IV
HASIL UJI COBA POLA TIME SERIES
Pola
13,2375
11,5182
MAPE (%)
12,9234
13,1256
8,9345
7,8123
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) 13,8237 10,9124 12,3071 12,7123 11,8215 11,9234 12,5123 13,0034 11,7127 12,2156 7,6234 8,7123 7,8345 8,5432 7,4123 TABEL V
POLA DATA INPUT PARAMETER H
Data h Ea1 .
Ea2 .
Ea3 .
Ea4 Ea2 .
Ea3 .
Ea4 .
Ea5 Ea1272 .
Ea1273 .
Ea1274 .
Ea1275 Target Ea5 Ea6 Ea1276 Bi-LSTM memiliki beberapa hyparameter yang jika dikombinasikan dapat mempengaruhi kemampuannya dalam melakukan prediksi.
Hyperparameter tersebut adalah node hidden layer dan batch Pada Bi-LSTM, tuning hyperparameter node hidden layer dan batch size memberikan pengaruh signifikan terhadap stabilitas pelatihan .
dan akurasi prediksi.
Hal tersebut menunjukkan bahwa tidak semua hyperparameter perlu di-tuning secara bersamaan karena hyperparameter lain yang ditetapkan sudah memiliki nilai yang efektif .
Node hidden layer menyatakan banyaknya node yang ada di dalam hidden layer secara langsung memengaruhi kemampuan model mendeteksi pola dalam data, sedangkan batch size merupakan jumlah sampel yang diproses sebelum pembaruan bobot pada jaringan .
Node hidden layer yang digunakan untuk uji coba pada penelitian ini yaitu 5, 15, 50, dan 100, sedangkan batch size yang digunakan untuk uji coba pada penelitian ini yaitu 4, 8, 12, dan 16.
Pemilihan angka node hidden layer berdasarkan penelitian terdahulu yang menyatakan bahwa angka tersebut optimal dalam menghasilkan akurasi yang tinggi untuk prediksi .
Sementara itu, pemilihan angka batch size adalah faktor 2 .
ycu dengan n adalah bilangan asl.
karena memori pada GPU berbentuk blok yang optimal untuk ukuran faktor 2 sehingga dapat mempercepat komputasi .
Selain itu, batch size kecil telah terbukti menghasilkan generalisasi yang lebih baik dan lebih efektif dibandingkan dengan batch size besar .
Hasil dari berbagai kombinasi hyperparameter tersebut kemudian dianalisis untuk mengevaluasi kinerja model.
Tabel VII menunjukkan hasil uji coba hyperparameter.
Tabel Vi menyajikan nilai MAPE yang dihasilkan dari beberapa kali running.
Hasil dari beberapa kali running tersebut menunjukkan bahwa nilai MAPE terendah pada parameter Ea, yuI, dan T masing-masing yaitu 9,1943%, 11,3585%, dan 7,1485% pada penggunaan node hidden layer sebanyak 5 dan batch size 4, sedangkan nilai MAPE terbesar pada parameter Ea, yuI, dan T masing-masing yaitu 13,4545% pada node hidden layer 5 dan batch size 16, 12,4799% pada node hidden layer 100 dan batch size 16, dan 7,3953% pada node hidden layer 15 dan batch size 16.
Dari Tabel VII dapat diketahui bahwa semakin kecil batch size, maka semakin rendah juga nilai MAPE yang diperoleh.
Hal tersebut menunjukkan bahwa penggunaan TABEL VI
POLA DATA INPUT PARAMETER yuI
Data
Target
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) yuI1 , yuI2 , yuI3 , yuI4 , yuI5 , yuI6
yuI2 , yuI3 , yuI4 , yuI5 , yuI6 , yuI7
yuI1270 , yuI1271 , yuI1272 , yuI1273 , yuI1274 , yuI1275
yuI1276
TABEL VII
POLA DATA INPUT PARAMETER T
Data T ycN1 , ycN2 , ycN3 , ycN4 , ycN5 , ycN6 , ycN7
ycN2 , ycN3 , ycN4 , ycN5 , ycN6 , ycN7 , ycN8
ycN1269 , ycN1270 , ycN1271 , ycN1272 , ycN1273 , ycN1274 , ycN1275
Target
ycN1276
TABEL Vi
HASIL UJI COBA HYPERPARAMETER
Hyperparameter Node Hidden Layer
MAPE (%)
Batch Size
9,1943
10,1416
12,3511
13,4545
9,8754
10,9516
12,3281
13,2836
9,8930
11,3428
12,4118
13,2018
9,6841
11,1248
12,2885
13,2989
11,3585
11,6785
11,7876
12,3412
11,5365
11,8292
12,0942
12,2764
11,5524
11,7799
11,9116
12,3361
11,6686
11,7274
12,0224
12,4799
7,1485
7,1997
7,2365
7,3065
7,1576
7,2084
7,2211
7,3953
7,1883
7,2563
7,3924
7,5145
7,1814
7,2528
7,3665
7,5330
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) Gambar 4 Grafik hasil prediksi parameter tinggi batch size kecil cenderung menghasilkan prediksi yang lebih akurat.
Gambar 4, 5, dan 6 menunjukkan bahwa model yang digunakan mampu merepresentasikan pola masing-masing parameter dengan sangat baik.
Perbedaan tipis antara grafik data aktual dan data prediksi mengindikasikan bahwa nilai error kecil sehingga tingkat akurasi prediksi tergolong tinggi.
Setelah mendapatkan hasil prediksi, langkah selanjutnya adalah melakukan denormalisasi terhadap Denormalisasi data dilakukan untuk mengembalikan data ke dalam rentang nilai aslinya setelah diproses oleh model .
Hasil dari data yang telah didenormalisasi digunakan untuk menghitung prediksi besar daya listrik tiga puluh satu hari kedepan menggunakan PLTGL-OWC dengan Persamaan .
Hasil prediksi besar daya listrik tiga puluh satu hari kedepan ditunjukkan pada Gambar 7.
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) Gambar 5 Grafik hasil prediksi parameter panjang Gambar 6 Grafik hasil prediksi parameter periode Gambar 7 Grafik hasil prediksi besar daya listrik .
Gambar 7 merupakan representasi visual dari hasil prediksi daya listrik di Laut Sawu.
Prediksi ini diperoleh melalui perhitungan menggunakan Persamaan .
dengan mengumpamakan chamber pada PLTGL-OWC memiliki luas 35 m2.
Berdasarkan hasil prediksi daya listrik pada penelitian ini, rata-rata daya listrik yang dihasilkan pada 1 sampai 31 Oktober 2022 adalah 2.
865,948 watt per hari dengan daya listrik terendah pada 11 Oktober 2022 dan daya listrik terbesar pada 17 Oktober 2022.
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) IV.
SIMPULAN
Sistem prediksi daya listrik yang diterapkan menggunakan metode Bi-LSTM untuk pemanfaatan energi terbarukan di Laut Sawu dengan parameter tinggi gelombang Ea, panjang gelombang yuI, dan periode gelombang ycN terbukti efektif sesuai dengan tujuannya.
Dari beberapa kali uji coba.
MAPE terendah parameter Ea , yuI , dan T masing-masing 9,1943%, 11,3585%, dan 7,1485% diperoleh pada kombinasi hyperparameter node hidden layer 5 dan batch size 4.
Nilai MAPE tersebut menunjukkan bahwa Bi-LSTM baik untuk memprediksi daya listrik yang dihasilkan oleh PLTGL-OWC di Laut Sawu sesuai dengan tabel kriteria MAPE.
Hasil prediksi besar daya listrik yang dihasilkan rata-rata adalah 2.
865,948 watt per Angka tersebut menunjukkan potensi besar PLTGL-OWC di Laut Sawu dapat menyumbangkan energi terbarukan bagi masyarakat daerah Nusa Tenggara Timur (NTT), serta berperan dalam meningkatkan rendahnya rasio elektrifikasi.
Tantangan teknis, ekonomi, sosial, dan regulasi masih menjadi hambatan yang perlu diatasi.
Implikasi dari kondisi ini membuka peluang penelitian lebih lanjut, khususnya dalam pengembangan teknologi PLTGL-OWC yang lebih efisien dan tahan terhadap lingkungan laut.
Selain itu, penelitian kebijakan juga diperlukan untuk merumuskan regulasi yang adaptif, mendorong investasi, serta menjamin keberlanjutan program elektrifikasi nasional.
Dengan demikian.
PLTGL-OWC di Laut Sawu tidak hanya relevan sebagai solusi energi masa kini, tetapi juga sebagai agenda strategis penelitian dan inovasi di masa depan.
DAFTAR REFERENSI
Widyartono and R.
Rahmadian.
AuOTEC potential of East Nusa Tenggara Province in Indonesia,Ay IOP Conf.
Ser.
Mater.
Sci.
Eng.
, vol.
336, no.
1, pp.
1Ae7, 2018, doi: 10.
1088/1757-899X/336/1/012005.
Kementerian Energi dan Sumber Daya Mineral.
Direktorat Jenderal Ketenagalistrikan.
Statistik Ketenagalistrikan Tahun 2020, 34th ed.
Jakarta: Sekretariat Direktorat Jenderal Ketenagalistrikan, 2021.
Sambodo.
Fuady.
Negara.
Handoyo, and E.
Mychelisda.
Electricity Access and Community Welfare in Indonesia.
Jakarta, 2021, doi: 10.
1007/978-981-16-3611-0.
Jasron.
Mangesa.
Boimau.
Tarigan.
Maliwemu, and M.
Salombe.
AuAnalisa potensi gelombang laut sebagai sumber energi terbarukan menggunakan perangkat oscillating water column (OWC) di wilayah perairan Laut Timor,Ay LONTAR J.
Tek.
Mesin Undana, vol.
9, no.
1, pp.
14Ae20, 2022, doi: 10.
35508/ljtmu.
Olah.
AuUnderstanding LSTM networks,Ay ColahAos Blog, 2015.
[Onlin.
Available: http://colah.
io/posts/201508-Understanding-LSTMs/ He.
Chen.
Gao.
Ma.
Xu, and Q.
Zhu.
AuNovel double-layer bidirectional LSTM network with improved attention mechanism for predicting energy consumption,Ay ISA Trans.
, vol.
118, pp.
50Ae60, 2021.
Asyhar.
Foeady.
Thohir.
Arifin.
Haq, and D.
Novitasari.
AuImplementation of LSTM algorithm for cervical cancer using colposcopy data,Ay in Proc.
Int.
Conf.
Artif.
Intell.
Inf.
Commun.
(ICAIIC), 2020, pp.
485Ae489, doi: 10.
1109/ICAIIC48513.
Aldi.
Jondri, and A.
Aditsania.
AuAnalisis dan implementasi long short term memory neural network untuk prediksi harga Bitcoin,Ay e-Proceeding Eng.
, vol.
5, no.
2, pp.
3548Ae3555, 2018.
Hammad.
Shoaib.
Salahudin.
Baig.
Khan, and M.
Ullah.
AuRainfall forecasting in Upper Indus Basin using various artificial intelligence techniques,Ay Stoch.
Environ.
Res.
Risk Assess.
, vol.
35, no.
1Ae2, pp.
1Ae 23, 2021, doi: 0.
1007/s00477-021-02013-0.
Phiadelvira.
Haq.
Novitasari, and F.
Setiawan.
AuPrediksi besar daya listrik tenaga gelombang laut metode oscillating water column (PLTGL-OWC) di Banyuwangi menggunakan extreme learning machine (ELM),Ay Unnes J.
Math.
, vol.
11, no.
1, pp.
1Ae7, 2022, doi: 10.
15294/ujm.
Huyrfano-Maldonado.
Mora.
Vilches.
Hernyndez-Garcya.
Gutiyrrez, and M.
Vera.
AuA comprehensive review of extreme learning machine on medical imaging,Ay Neurocomputing, vol.
556, pp.
1Ae20, 2023, doi:
1016/j.
Goudjil.
Smail, and M.
Nahas.
AuAn end-to-end approach based on a bidirectional long short-term memory neural network for diagnosing wiring networks using reflectometry,Ay Sustainability, vol.
17, no.
14, pp.
1Ae20, 2025, doi:
3390/su17146241.
Safda.
Danial, and A.
Lestari.
AuGelombang laut sebagai energi alternatif pembangkit listrik tenaga gelombang laut di perairan Pantai Utara Kabupaten Sambas Kalimantan Barat,Ay JeLAST J.
Tek.
Kelautan.
PWK.
Sipil.
Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) .
dan Tambang, vol.
11, no.
1, pp.
1Ae8, 2024.
Huang and S.
Pu.
AuCEDAS: A compressed decentralized stochastic gradient method with improved convergence,Ay Ie Trans.
Automat.
Contr.
, vol.
70, no.
4, pp.
2242Ae2257, 2024, doi: 10.
1109/TAC.
Abduljabbar.
Dia, and P.
Tsai.
AuDevelopment and evaluation of bidirectional LSTM freeway traffic forecasting models using simulation data,Ay Sci.
Rep.
, vol.
11, no.
1, pp.
1Ae16, 2021, doi: 10.
1038/s41598-021-03282-z.
Serras.
Ibarra-Berastegi.
Syenz, and A.
Ulazia.
AuCombining random forests and physics-based models to forecast the electricity generated by ocean waves: A case study of the Mutriku wave farm,Ay Ocean Eng.
, vol.
189, pp.
1Ae12, 2019, doi: 10.
1016/j.
Tyralis and G.
Papacharalampous.
AuVariable selection in time series forecasting using random forests,Ay Algorithms, 10, no.
4, pp.
1Ae20, 2017, doi: 10.
3390/a10040114.
Siregar.
Nugraha.
Notodiputro.
Angraini, and L.
Mualifah.
AuThe comparison of long short-term memory and bidirectional long short-term memory for forecasting coal price,Ay Barekeng, vol.
19, no.
1, pp.
245Ae258, 2025, doi: 10.
30598/barekengvol19iss1pp245-258.
Priadinata.
Sudipa.
Meinarni.
Radhitya, and I.
Supartha.
AuComparative analysis of LSTM.
GRU, and Bi-LSTM deep learning models for time series cryptocurrency price forecasting,Ay Sink.
Penelit.
Tek.
Inform.
, vol.
9, no.
3, pp.
1024Ae1035, 2025, doi: 10.
33395/sinkron.
Arrohman and D.
Himawanto.
AuPeluang dan tantangan pengembangan teknologi oscilating water column (OWS) di Indonesia,Ay J.
Energi dan Teknol.
Manufaktur, vol.
4, no.
1, pp.
37Ae42, 2021, doi: 10.
33795/jetm.
Afifah and I.
Safira.
AuOptimalisasi desain turbin Wells pada sistem osilasi kolom air pembangkit listrik tenaga gelombang laut sebagai upaya meningkatkan potensi supply energi terbarukan pada masyarakat pesisir,Ay J.
Offshore Oil.
Prod.
Facil.
Renew.
Energy, vol.
4, no.
2, pp.
26Ae37, 2020, doi: 10.
30588/jo.
Wijaya.
AuPembangkit listrik tenaga gelombang laut menggunakan teknologi oscilating water column di perairan Bali,Ay Teknol.
Elektro, vol.
9, no.
2, pp.
165Ae174, 2010.
Wei.
Guan, and L.
Qu.
AuPrediction of sea surface temperature in the South China Sea by artificial neural networks,Ay Ie Geosci.
Remote Sens.
Lett.
, vol.
16, no.
12, pp.
1Ae5, 2019.
Pramesti.
Novitasari.
Setiawan, and H.
Khaulasari.
AuPrediction of sea surface current velocity and direction in Bali Strait using long short-term memory (LSTM),Ay Barekeng J.
Ilmu Mat.
dan Terap.
, vol.
16, no.
1, pp.
49Ae57, 2022, doi: 10.
30598/barekengvol16iss2pp451-462.
Haq et al.
AuLong short-term memory algorithm for rainfall prediction based on El-Nino and IOD data,Ay Procedia Comput.
Sci.
, vol.
179, pp.
829Ae837, 2021, doi: 10.
1016/j.
Zulfa.
Novitasari.
Setiawan.
Fanani, and M.
Hafiyusholeh.
AuPrediction of sea surface current velocity and direction using LSTM,Ay Indones.
Electron.
Instrum.
Syst.
(IJEIS), vol.
11, no.
1, pp.
93Ae100, 2021, doi:
1016/j.
Xu.
Meng.
Qiu.
Yu, and X.
Wu.
AuSentiment analysis of comment texts based on BiLSTM,Ay Ie Access, 7, pp.
1Ae11, 2019, doi: 10.
1109/ACCESS.
Maimaiti.
Wumaier.
Abiderexiti, and T.
Yibulayin.
AuBidirectional long short-term memory network with a conditional random field layer for Uyghur part-of-speech tagging,Ay Inf.
, vol.
8, no.
4, pp.
1Ae12, 2017, doi:
3390/info8040157.
Kim and N.
Moon.
AuBiLSTM model based on multivariate time series data in multiple field for forecasting trading area,Ay J.
Ambient Intell.
Humaniz.
Comput.
, vol.
11, no.
7, pp.
2805Ae2814, 2019, doi: 10.
1007/s12652-019-01398-9.
Prayudani.
Hizriadi.
Lase.
Fatmi, and Al-Khowarizmi.
AuAnalysis accuracy of forecasting measurement technique on random k-nearest neighbor (RKNN) using MAPE and MSE,Ay J.
Phys.
Conf.
Ser.
, vol.
1361, no.
1, pp.
1Ae 8, 2019, doi: 10.
1088/1742-6596/1361/1/012089.
Sun.
Haghighat, and B.
Fung.
AuA review of the state-of-the-art in data-driven approaches for building energy prediction,Ay Energy Build.
, vol.
221, p.
110022, 2020, doi: 10.
1016/j.
Rais.
Rousyati.
Thira.
Kholifah.
Purwati, and Y.
Kristania.
AuEvaluasi metode forecasting pada data kunjungan wisatawan mancanegara ke Indonesia,Ay Evolusi J.
Sains dan Manaj.
, vol.
8, no.
2, pp.
104Ae115, 2020, doi: 10.
31294/evolusi.
Moon.
Hong.
Choi.
Jung.
Chang, and J.
Son.
AuInterpolation of greenhouse environment data using multilayer perceptron,Ay Comput.
Electron.
Agric.
, vol.
166, pp.
1Ae8, 2019, doi: 10.
1016/j.
Puteri.
AuImplementasi long short term memory (LSTM) dan bidirectional long short term memory (BiLSTM) dalam prediksi harga saham syariah,Ay Euler J.
Ilm.
Mat.
Sains dan Teknol.
, vol.
11, no.
1, pp.
35Ae43, 2023, doi:
34312/euler.
Giusti.
Widodo, and S.
Adinugroho.
AuPrediksi penjualan mi menggunakan metode extreme learning machine (ELM) di Kober Mie Setan cabang Soekarno Hatta,Ay J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
2, no.
8, pp.
2972Ae2978, 2018.
Reynaldo.
Adikara, and R.
Wihandika.
AuAnalisis sentimen mengenai produk Toyota Avanza menggunakan Prediksi Besar Daya Listrik dari Gelombang Laut Sawu Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM) .
metode learning vector quantization versi 3 (LVQ .
dengan seleksi fitur Chi Square, lexicon-based features serta normalisasi min-max,Ay J.
Pengemb.
Teknol.
Inf.
dan Ilmu Komput.
, vol.
4, no.
3, pp.
830Ae839, 2020.
Musfiroh.
Novitasari.
Intan, and G.
Wisnawa.
AuPenerapan metode principal component analysis (PCA) dan long short-term memory (LSTM) dalam memprediksi curah hujan harian,Ay Build.
Informatics.
Technol.
Sci.
5, no.
1, pp.
1Ae11, 2023, doi: 10.
47065/bits.
Leites.
Cerqueira, and C.
Soares.
AuLag selection for univariate time series forecasting using deep learning: An empirical study,Ay arXiv preprint arXiv:2405.
11237, 2024, doi: 10.
1007/978-3-031-73503-5_26.
Siqueira et al.
AuSelection of temporal lags for predicting riverflow series from hydroelectric plants using variable selection methods,Ay Energies, vol.
13, no.
6, pp.
1Ae20, 2020, doi: 10.
3390/en13164236.
Gauch.
Kratzert.
Klotz.
Nearing.
Lin, and S.
Hochreiter.
AuRainfall-runoff prediction at multiple timescales with a single long short-term memory network,Ay Hydrol.
Earth Syst.
Sci.
, vol.
25, no.
4, pp.
2045Ae2062, 2021, doi: 10.
5194/hess-25-2045-2021.
Xiao.
Yin.
Zhang.
Qi.
Zhang, and Z.
Liu.
AuA dual-stage attention-based Conv-LSTM network for spatiotemporal correlation and multivariate time series prediction,Ay Int.
Intell.
Syst.
, vol.
36, no.
5, pp.
2036Ae2057, 2021, doi: 10.
1002/int.
Tomar.
Tomar.
Bhardwaj, and G.
Sinha.
AuDeep learning neural network prediction system enhanced with best window size in sliding window algorithm for predicting domestic power consumption in a residential building,Ay Comput.
Intell.
Neurosci.
, 2022, doi: 10.
1155/2022/7216959.
Syukriyah and A.
Purnama.
AuModelling time series data for stock prices prediction using bidirectional long shortterm memory,Ay Knowbase Int.
Knowl.
Database, vol.
4, no.
2, pp.
115Ae129, 2024.
Seidi.
Kaviari, and S.
Miller.
AuHyperparameter tuning of artificial neural network-based machine learning to optimize number of hidden layers and neurons in metal forming,Ay J.
Manuf.
Mater.
Process.
, vol.
9, no.
8, p.
260, 2025,
doi: 10.
3390/jmmp9080260.
Khan.
Awan.
Rasul.
Siddiqi, and A.
Pimanmas.
AuOptimized artificial neural network model for accurate prediction of compressive strength of normal and high strength concrete,Ay Clean.
Mater.
, vol.
10, p.
2023, doi: 10.
1016/j.
Rather.
AuLSTM-based deep learning model for stock prediction and predictive optimization model,Ay EURO J.
Decis.
Process.
, vol.
9, p.
100001, 2021, doi: 0.
1016/j.
Putra.
Suprapto, and A.
Bukhori.
AuModel klasifikasi berbasis multiclass classification dengan kombinasi Indobert embedding dan long short-term memory untuk tweet berbahasa Indonesia,Ay J.
Ilmu Siber dan Teknol.
Digit.
1, no.
1, pp.
1Ae28, 2022, doi: 10.
35912/jisted.
Masters and C.
Luschi.
AuRevisiting small batch training for deep neural networks,Ay arXiv preprint arXiv:1804.
Hwang.
Lee.
Gil, and C.
Lee.
AuDetermination of optimal batch size of deep learning models with time series data,Ay Sustainability, vol.
16, no.
14, pp.
1Ae11, 2024, doi: 10.
3390/su16145936.
Icha Dwi Safira, telah menyelesaikan pendidikan S1 Matematika di Universitas Islam Negeri Sunan Ampel Surabaya.
Saat ini sedang melanjutkan studi S2 Manajemen di Universitas Ciputra Surabaya.
Dian Candra Rini Novitasari, telah menyelesaikan pendidikan S3 Matematika dan Ilmu Pengetahuan Alam di Universitas Airlangga Surabaya.
Saat ini aktif sebagai dosen di Program Studi Matematika UIN Sunan Ampel Surabaya.
Nurissaidah Ulinnuha, telah menyelesaikan pendidikan S2 Teknik Informatika di Institut Teknologi Sepuluh Nopember.
Saat ini aktif sebagai dosen di Program Studi Matematika UIN Sunan Ampel Surabaya.
Fajar Setiawan, berprofesi sebagai forecaster di Stasiun Meteorologi Maritim Perak II Surabaya.