JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print)
Estimasi Radiasi Matahari Perjam pada Permukaan Horizontal dengan Extreme Learning Machine (Studi Kasus di Surabaya) Nur Ulfa Hidayatullah dan Ir. Ya’umar, MT. Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia e-mail:
[email protected] Abstrak— Radiasi matahari merupakan sumber dari energi alternatif yang sangat berpengaruh pada kinerja photovoltaic dalam menghasilkan energi. Sehingga memunculkan penelitian untuk mendapatkan estimasi radiasi matahari perjamnya pada photovoltaic. Estimasi ini menggunakan jaringan syaraf tiruan (artificial neural network/ANN) untuk memodelkan radiasi matahari perjamnya. Jaringan syaraf tiruan merupakan sistem pemrosesan informasi yang mengadopsi sistem pembelajaran pada otak manusia. Penelitian ini menggunakan Extreme Learning Machine yaitu metode pembelajaran baru dari jaringan syaraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan Single Hidden Layer Feedforward Neural Network (SLFN). Hasil penelitian ini menunjukkan bahwa metode ELM memiliki nilai MSE yang lebih kecil dan learning speed yang lebih cepat dibandingkan dengan metode backpropagation. Dari kedua metode yang digunakan yaitu backpropagation dan ELM untuk metode backpropagation memiliki nilai MSE sebesar 0,3378 dan dengan metode ELM didapatkan MSE sebesar 5,88E-14. Selain itu untuk kecepatan pembelajaran atau learning speed untuk proses testing pada metode backpropagation diperoleh learning speed sebesar 0,2171 detik dan untuk metode ELM diperoleh sebesar 0,0156 detik.
mempunyai permukaan rata, maka panel sel surya akan mendapat radiasi matahari maksimum pada saat matahari tegak lurus dengan bidang panel [1]. Pada saat arah matahari tidak tegak lurus dengan bidang panel atau membentuk sudut θ, maka panel sel surya akan menerima radiasi lebih kecil. Dengan menurunnya radiasi yang diterima oleh panel sel surya, maka akan mengurangi energi listrik yang dikeluarkan oleh panel. Oleh karena itu diperlukan penelitian lebih lanjut untuk mendapatkan pemodelan dari radiasi matahari perjamnya. Pada penelitian sebelumnya sudah dilakukan pemodelan untuk radiasi matahari perjamnya dengan menggunakan jaringan saraf tiruan feedforward backpropagation. Pada penelitian tersebut didapatkan akurasi yang mencapai 93,09 % dari estimasi radiasi matahari perjamnya dengan menggunakan jaringan saraf feedforward backpropagation [2]. Hal tersebut menunjukkan akurasi yang lebih baik dibandingkan dengan menggunakan pemodelan secara matematis. Jaringan saraf tiruan sendiri merupakan sistem pemrosesan informasi yang mengadopsi sistem pembelajaran pada otak manusia. Pada penelitian selanjutnya telah dikembangkan metode baru dari jaringan sarag tiruan yaitu dengan metode Extreme Learning Machine [3]. Extreme Learning Machine merupakan metode pembelajaran baru dari jaringan saraf tiruan feedforward dengan satu hidden layer atau lebih dikenal dengan single hidden layer feedforward neural network (SLFN) [4]. Sehingga pada penelitian ini akan digunakan metode Extreme Learning Machine untuk estimasi radiasi matahari perjam pada permukaan horizontal (studi kasus di Surabaya).
Kata Kunci— Radiasi matahari, estimasi, extreme learning machine, backpropagation
I. PENDAHULUAN
S
umber energi alternatif sebagai pengganti bahan bakar fosil masih ramai dibicarakan. Beberapa sumber energi alam yang tersedia sebagai energi alternatif yang bersih, tidak berpolusi, aman, dan dengan persediaan yang tidak terbatas diantaranya adalah energi surya. Penggunaan sumber energi listrik yang beragam tampaknya tidak dapat dihindari pada masa mendatang. Oleh sebab itu, pengkajian terhadap energi baru akan terus dilakukan. Teknologi panel sel surya yang mengkonversi langsung cahaya matahari menjadi energi listrik dengan menggunakan divais semikonduktor yang disebut sel surya banyak dikaji oleh peneliti-peneliti sebelumnya. Permasalahan saat ini adalah bagaimana menggunakan panel sel surya untuk mendapatkan keluaran listrik yang optimal. Pemakaian panel sel surya umumnya diletakkan dengan posisi tertentu dengan tanpa perubahan seperti dihadapkan ke atas. Dengan posisi panel sel surya menghadap ke atas dan jika panel dianggap benda yang
II. EXTREME LEARNING MACHINE Extreme Learning Machine (ELM) merupakan metode pembelajaran baru dari jaringan saraf tiruan. Metode ini pertama kali diperkenalkan oleh Huang (2004). ELM merupakan jaringan saraf tiruan feedforward dengan single hidden layer atau biasa disebut dengan Single Hidden Layer Feedforward Neural Networks (SLFN) [5]. Metode pembelajaran ELM dibuat untuk mengatasi kelemahan-kelemahan dari jaringan syaraf tiruan feedforward terutama dalam hal learning speed. Huang et al mengemukaan dua alasan mengapa JST feedforward mempunya leraning speed rendah, yaitu : 1
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) 1.
Menggunakan slow gradient based learning algorithm untuk melakukan training 2. Semua parameter pada jaringan ditentukan secara iterative dengan menggunakan metode pembelajaran tersebut Pada pembelajaran dengan menggunakan conventional gradient based learning algorithm seperti backpropagration (BP) dan variaanya Lavenberg Marquadt (LM) semua parameter pada JST feedforward harus ditentukan secara manual [6]. Parameter yang dimaksud adalah input weight dan hidden bias. Parameter-parameter tersebut juga saling berhubungan antara layer yang satu dengan yang lain, sehingga membutuhkan learning speed yang lama [5]. Sedangkan pada ELM, parameter-parameter seperti input weight dan hidden bias dipilih secara random. ELM memiliki learning speed yang cepat dan mampu menghasilkan good generalization performance [7].
N
∑ βi.g ( wi x j + bi ) = t j
(5)
i =1
Persamaan diatas dapat dituliskan secara sederhana sebagai berikut: (6) Hβ = T Dimana H adalah hidden layer output matrix. g ( wi x j + bi ) menunjukkan output dari hidden neuron yang berhubungan dengan input xi , β merupakan matrix dari output weight, dan T adalah matrix dari target atau output. Pada ELM input weight dan hidden bias ditentukan secara acak, maka output weight yang berhubungan dengan hidden layer dapat ditentukan dari persamaan: β = H TT (7) III. METODE PENELITIAN A. Pengumpulan Data Data yang digunakan adalah data dari radiasi matahari perjam pada permukaan horizontal (W/m2), temperatur udara (oC), kelembapan relatif (%), dan kecepatan angin (m/s) yang diambil selama bulan Mei sampai dengan Oktober 2013 di Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) Perak I Surabaya. Pengambilan data dilaksanakan dari pukul 05.00 sampai dengan pukul 18.00 perjamnya. B. Estimasi dengan Metode ELM Untuk melakukan estimasi dengan metode ELM harus melalui beberapa tahapan. Secara garis besar dibagi menjadi tiga tahap yaitu, preprocessing data, training, dan testing.
Gambar 1. Struktur Extreme Learning Machine
Model matematis dari Extreme Learning Machine lebih sederhana dan efektif dibandingkan dengan jaringan saraf tiruan feedforward. Berikut model matematis dari Extreme Learning Machine: Untuk N jumlah sampel yang berbeda (Xi,ti) T (1) X i = Xi 1, Xi 2 , ... , Xi n ∈ Rn
[ Xt = [Xt
1
, Xt 2
] , ... , Xt ]
T
n
∈ Rm
C. Pembagian Data Menjadi Data Training dan Testing Proses training dan testing diperlukan dalam estimasi dengan metode ELM. Proses training untuk mengembangkan model dari ELM, sedangkan testing digunakan untuk mengevaluasi kemampuan ELM. Oleh karena itu data dibagi menjadi dua yaitu data training dan testing. Menurut Zhang (1997) beberapa penelitian membagi data training dan testing dengan komposisi untuk data training sebanyak 80% dari total data dan data testing sebanyak 20% dari total data. Total data yang digunakan sebanyak 84 data untuk setiap parameternya. Dari data tersebut kemudian dibagi menjadi 80% dari total data untuk proses training yaitu sebanyak 292 data dan 20% dari data total untuk proses testing yaitu sebanyak 72 data.
(2)
Standart SLFN dengan jumlah hidden nodes sebanyak N dan fungsi aktivasi g(x) dapat dituliskan secara matematis sebagai berikut:
∑ βi.gi(xj ) = ∑ βi.g ( wi x j + bi ) = o j N
N
i =1
i =1
(3)
Dimana, J = 1,2,...,N T wi = (wi 1 , wi 2 , ... , wm ) merupakan vektor dari weight yang
D. Pelatihan (Training) ELM Tujuan dari proses pelatihan ini adalah untuk mendapatkan input weight, bias, dan output weight dengan tingkat kesalahan yang rendah.
menghubungkan i terhadap hidden nodes dan input nodes T β i = (β i 1 , β i 2 , ... , β m ) merupakan weight vector yang menghubungkan i terhadap hidden nodes dan output nodes bi = threshold dari i th hidden nodes
E. Normalisasi Data Training Data yang diinputkan pada ELM sebaiknya dinormalisasi sehingga mempunyai nilai dengan range tertentu. Hal ini diperlukan karena fungsi aktivasi yang digunakan akan menghasilkan output dengan range data [0,1] atau [-1,1]. Pada penelitian ini untuk data training dinormalisasi sehingga mempunyai range nilai [-1,1]. Berikut rumus yang digunakan untuk proses normalisasi : X = 2 x X p − min X p / max X p − min X p − 1 (8)
wi x j = merupakan inner produk dari wi dan x j SLNF dengan N hidden nodes dan fungsi aktifasi g(x) diasumsikan dapat meng-approximate dengan tingkat error 0 dan dapat dinotasikan sebagai berikut:
(
N
∑ o j − t j = 0 sehingga o j − t j
(4)
j =1
2
)(
)
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) Dimana : X = nilai hasil normalisasi dengan range nilai [-1,1] X p = nilai data asli yang belum dinormalisasi
training. Secara otomatis output dari proses ini juga harus didenormalisasi. J. Analisa Hasil Estimasi Setelah melalui berbagai tahapan diatas, maka didapatkan nilai estimasi radiasi matahari. Hasil yang didapatkan tersebut kemudian dianalisa apakah memiliki tingkat kesalahan (MSE dan MAPE) yang kecil. Jika tingkat kesalahan yang dihasilkan masih relatif besar, maka dievaluasi kembali langkah-langkah yang telah dilakukan. Mulai dari proses training, testing, maupun estimasi hingga didapatkan hasil yang optimal. Berikut rumus matematis dari Mean Square Error (MSE) dan Mean Absolut Precentage Error (MAPE). 1 N 2 MSE = ∑ ( y i − t i ) (14) i 1 = N
min X p = nilai minimum pada data set max X p = nilai maksimum pada data set F. Menentukan Fungsi Aktivasi dan Jumlah Hidden Neuron Pada proses training jumlah hidden neuron dan fungsi aktivasi dari ELM harus ditentukan terlebih dahulu. Pada penelitian ini digunakan fungsi aktivasi sigmoid biner dan linier, karena kedua fungsi tersebut yang paling sering digunakan pada permasalahan forecasting dan fungsi transfer purelin karena data yang akan diestimasi bersifat stasioner. Untuk jumlah hidden neuron menurut Sun dkk (2008), ELM menghasilkan output peramalan yang stabil dengan jumlah hidden neuron 0-1000. Pada penelitian ini digunakan hidden neuron sebanyak 400 neuron.
MAPE =
ti
i =1
yi − ti yi
(100 )
(15)
= data radiasi matahari aktual
K. Membandingkan Hasil Estimasi ELM dengan Backpropagation Setelah analisis terhadap hasil metode ELM dilakukan, maka akan diketahui nilai MSE dan MAPE. Langkah selanjutnya adalah membandingkan nilai MSE dan MAPE tersebut dengan metode ANN. Metode ANN yang digunakan adalah dengan algoritma backpropagation dengan variannya Lavenberg-Marquadt. Selain nilai MSE dan MAPE, juga dibandingkan waktu training untuk melihat performansi dari metode tersebut.
H = (wi ,...., wN , bi ,...., bN , xi ,...., x N )
t1T T = t NT
N
∑
Dimana : N = jumlah data yi = data output (predicted sales)
G. Menghitung Input Weight, Bias of Hidden Neuon, dan Output Weight Output dari proses pelatihan ELM adalah input dan output weight serta bias dari hidden neuron dengan tingkat kesalahan rendah yang diukur dengan MSE dan MAPE. Input weight ditentukan secara random, sedangkan output weight merupakan invers dari matrix hidden layer dan output. Secara matematis dapat ditulis sebagai berikut : (9) β = H TT
g (w1 x1 + b1 ) g (wN x1 + bN ) = g (w1 x N + b1 ) g (wN x N + bN ) β 1T β = β NT
1 N
(10)
(11)
IV. HASIL DAN DISKUSI Metode ELM pada penelitian ini diimplementasikan untuk mendapatkan estimasi radiasi matahari dengan input berupa arah angin, kecepatan angin, temperatur, dan kelembapan. Pada penentuan arsitektur jaringan ini diperlukan pola hubungan antara neuron atau node dan bobot tertentu untuk mendapatkan performa yang baik. Performa ditentukan dari eror yang didapat dari hubungan antara target yang dibutuhkan dengan output. Pada tugas akhir ini, output dan target yang dibutuhkan adalah intensitas radiasi matahari. Extreme learning machine hanya menggunakan satu hidden layer pada arsitektur jaringannya. Untuk penentuan jumlah node diawal pembentukan jaringan dilakukan pengambilan data performa saat jaringan menggunakan node sebanyak 1 buah sampai dengan 400 node. Untuk masing-masing node dilakukan pengulangan sebanyak tiga kali sehingga didapatkan nilai rata-rata untuk Mean Square Error (MSE). MSE menggambarkan performa dari jaringan. Semakin kecil performa atau nilai MSE, maka arsitektur jaringan akan semakin baik karena memiliki nilai kesalahan yang kecil. Selanjutnya untuk masing-masing pemodelan jaringan yaitu dengan dengan menggunakan satu input berupa arah angin, kecepatan angin, temperatur, kelembapan serta untuk output yaitu intensitas radiasi matahari.
(12)
H. Denormalisasi Output Output yang dihasilkan dari proses pelatihan didenormalisasi, sehingga didapatkan predicted sales dari data training. Rumus denormalisasi adalah sebagai berikut : X = 0.5 x(X p + 1) x (max X p − min X p ) + min X p (13)
X = nilai data setelah denormalisasi X p = nilai output sebelum denormalisasi min X p = nilai minimum pada data set sebelum normalisasi max X p =nilai maksimum pada data set sebelum normalisasi I. Testing ELM Berdasarkan input weight dan output weight yang didapatkan dari proses training, maka tahap selanjutnya adalah melakukan estimasi dengan ELM. Data yang diguanakan adalah data testing sebanyak 20% dari data. Pada tahap ini data input dinormalisasi terlebih dahulu dengan range dan rumus normalisasi yang sama dengan data 3
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) Pada jaringan ini digunakan data sebanyak 364 data yang terbagi menjadi 80% dari total data atau sebanyak 292 data untuk proses training dan 20% dari total data atau sebanyak 72 data untuk proses testing atau validasi. Dari data pelatihan dan validasi tersebut akan didapatkan hasil simulasi. Hasil simulasi tersebut yang nantinya akan dibandingkan dengan nilai target yaitu intensitas radiasi matahari. Kesalahan dari hasil simulasi untuk proses pelatihan (training) dan data sebenarnya merupakan nilai MSE. Nilai MSE untuk pelatihan dapat dibandingkan dengan nilai MSE saat validasi untuk mendapatkan jumlah node dan bobot terbaik. Dari kelima percobaan pada proses training data didapatkan nilai MSE sebagai berikut.
Node
Selanjutnya dicari nilai learning rate atau learning time yang menunjukkan kecepatan jaringan dalam melakukan pembelajaran untuk masing-masing node pada setiap dan didapatkan hasil sebagai berikut. Tabel 2. Nilai Learning Time untuk Training pada Setiap Node
Tabel 1 Nilai MSE untuk Training pada Setiap Node PercoPercoPercoPercoPercobaan baan baan 1 baan 2 baan 3 4 5
Node
Percobaan 1 (Detik)
Percobaan 2 (Detik)
Percobaan 3 (Detik)
Percobaan 4 (Detik)
Percobaan 5 (Detik)
40
0,0468
0,0468
0,0468
0,0468
0,0468
80
0,0468
0,0468
0,0468
0,0468
0,0468
120
0,078
0,078
0,07800
0,07800
0,0780
160
0,10920
0,10920
0,10920
0,10920
0,1092
200
0,12480
0,12480
0,12480
0,12480
0,1248
240
0,21840
0,21840
0,21840
0,21840
0,2184
280
0,26520
0,26520
0,26520
0,26520
0,2652
40
0,076802
0,076696
0,075571
0,070835
0,076215
320
0,29640
0,29640
0,29640
0,29640
0,2964
80
0,05699
0,056608
0,057101
0,06021
0,058746
360
0,31200
0,31200
0,31200
0,31200
0,3120
120
0,046895
0,046316
0,044773
0,042989
0,042692
400
0,35880
0,35880
0,35880
0,35880
0,3588
160
0,028614
0,032524
0,033925
0,033413
0,032598
200
0,022109
0,0226
0,020581
0,023156
0,020813
240
0,008797
0,009577
0,014604
0,012405
0,012545
280
0,000124
0,000737
0,000104
0,0004
0,000321
320
1,44E-13
5,37E-13
1,2E-12
4,84E-14
4,57E-13
360
1,04E-13
1,84E-13
1,86E-13
1,33E-14
1,06E-14
400
2,5E-15
2,39E-13
3,24E-14
3,22E-14
2,42E-14
Dari Tabel 2. tentang learning time untuk masingmasing percobaan didapatkan bahwa semakin banyak node yang digunakan, maka kecepatan pembelajaran akan semakin membutuhkan waktu yang lama. Hal tersebut ditunjukkan bahwa pada jumlah node sebanyak 400 buah didapatkan learning time sebesar 0,358802 pada kelima percobaan.
Gambar 2. Nilai Learning Time pada Training Data untuk Kelima Percobaan.
Gambar 1. Nilai MSE pada Training Data untuk Kelima Percobaan.
Pada training ELM ini diimplementasikan untuk input arah angin, kecepatan angin, temperatur, dan kelembapan. Sedangkan untuk target dari outputnya adalah radiasi matahari. Dengan menggunakan fungsi aktivasi sigmoid dan jumlah node yang sudah ditentukan sesuai dengan arsitektuk yang telah dipilih berdasarkan nilai MSE yang terkecil akan didapatkan estimasi radiasi matahari yang optimal. Berdasarkan percobaan diatas telah didapatkan bahwa dengan menggunakan 400 buah hidden node didapatkan nilai MSE yang paling kecil. Hal inilah yang dijadikan sebagai dasar untuk pembentukan jaringan untuk dilakukan training dan testing. Dari hasil training yang dilakukan
Dari Tabel 1. ditunjukkan nilai MSE untuk masingmasing percobaan yang dilakukan sebanyak lima kali percobaan. Pada setiap node mulai dari 1 node hingga 400 node dilakukan pengulangan sebanyak 5 kali pada proses training untuk mendapatkan nilai MSE, namun pada tabel diatas hanya ditampilkan sebagian dari jumlah node yang ada yaitu untuk kelipatan 40 node. Dengan kelima percobaan yang selanjutnya dicari rata-rata dari nilai MSEnya untuk menentukan arsitektur yang akan dipilih untuk dilakukan proses testing data. Berikut ini akan ditunjukkan rata-rata nilai MSE untuk kelima percobaan pada setiap nodenya.
4
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) dengan menggunakan software Matlab didapatkan hasil sebagai berikut.
dengan pada saat proses training dan learning speed yang jauh lebih cepat dibandingkan dengan pada proses training. Dengan mengetahui nilai training terbaik yang sesuai dengan MSE terkecil selanjutnya dilakukan testing data untuk mengetahui estimasi radiasi matahari yang diinginkan. Pada hasil testing dengan menggunakan metode ELM akan dibandingkan ketika estimasi dengan menggunakan Backpropagation. Dari perbandingan nilai estimasi dapat dilihat dari nilai MSE dan learning speed dari masingmasing arsitektur. Berikut ini akan ditampilkan perbandingan nilai estimasi dari kedua metode tersebut. Tabel 4. Perbandingan Nilai MSE dan Learning Speed dari Backpropagation dan ELM.
Gambar 3. Training ELM.
Dari grafik diatas dapat disimpulkan bahwa untuk training data yang memiliki nilai MSE terkecil atau memiliki nilai estimasi dengan ELM yang dekat dengan target yaitu pada training ELM dengan hidden node sebanyak 400 buah. Selanjutnya dari proses training data tersebut dengan arsitektur yang sama akan digunakan untuk proses testing data untuk mendapatkan estimasi radiasi matahari. Pada proses testing digunakan 20 % dari total data yaitu sebanyak 72 data. Data ini kemudian dilakukan proses testing dengan menggunakan input weight dan bias of hidden neuron dari hasil training data. Dari kesembilan data hasil testing dapat dibandingkan untuk nilai MSE dan learning speednya. Dengan menggunakan arsitektur jaringan yang sudah ditentukan yaitu dengan 4 input yaitu arah angin, kecepatan angin, temperatur, dan kelembapan, 400 buah hidden node, dan 1 buah output yaitu radiasi matahari. Selanjutnya sebanyak 72 data dilakukan proses testing untuk mendapatkan estimasi radiasi matahari.
Metode
MSE
Backpropagation ELM
0,3378 5,88E-14
Learning Speed (detik) 0,2171 0,0156
Berikut ini akan ditampilkan hasil estimasi dari kedua metode tersebut dengan menggunakan grafik.
Gambar 5. Hasil Estimasi dengan Backpropagation dan ELM terhadap Data Aktual,
Pada Tabel 4. dan Gambar 5. menunjukkan perbandingan nilai MSE dan learning speed antara Backpropagation dengan ELM. Dari kedua metode yang diguanakan yaitu backpropagation dan ELM untuk metode backpropagation memiliki nilai MSE sebesar 0,3378 dan dengan metode ELM didapatkan MSE sebesar 5,88E-14. Hal tersebut menunjukkan bahwa untuk nilai MSE terkecil untuk mendapatkan estimasi radiasi matahari terletak pada metode ELM. Selain itu untuk kecepatan pembelajaran atau learning speed untuk proses testing pada metode backpropagation diperoleh learning speed sebesar 0,2171 detik dan untuk metode ELM diperoleh sebesar 0,0156 detik. Hal ini menunjukkan pada kasus ini metode ELM memiliki learning speed yang lebih cepat dibandingkan dengan menggunakan backpropagation. Dengan nilai MSE dan learning speed pada ELM ini dapat dijadikan untuk mendapatkan hasil estimasi radiasi matahari.
Gambar 4. Testing ELM.
Berikut ini akan ditunjukkan nilai MSE dari testing data dan learning speed yang dilakukan dengan jumlah hidden node sebanyak 400 buah. Tabel 3. Nilai MSE dan Learning Speed dari Hasil Testing Data.
Jumlah Node
MSE Testing
400
5,88E-14
Learning Speed Testing (Detik) 0,0156
Berdasarkan tabel diatas didapatkan untuk nilai MSE pada proses testing sebesar 5,88E-14 dengan learning speed sebesar 0,0156 detik. Hal ini menunjukkan bahwa untuk proses testing memiliki MSE yang lebih kecil dibandingkan
5
JURNAL TEKNIK POMITS Vol. 2, No. 2, (2014) ISSN: 2337-3539 (2301-9271 Print) V. KESIMPULAN Berdasarkan hasil dan pembahasan yang telah dilakukan maka kesimpulan penelitian ini adalah sebagai berikut, penentuan ELM agar didapatkan hasil estimasi yang optimal adalah dengan kriteria MSE yang terkecil untuk yaitu dengan 4 input, hidden node sebanyak 400 buah, dan 1 output. Dari hasil perbandingan antara estimasi dengan menggunakan metode backpropagation dan ELM, ELM memiliki MSE yang lebih kecil dan learning speed yang lebih cepat dibandingkan dengan ANN. Nilai MSE terkecil yaitu sebesar 5,88E-14 dan learning speed tercepat sebesar 0,0156 detik. Hal ini menunjukkan pada kasus ini metode ELM memiliki learning speed yang lebih cepat dibandingkan dengan menggunakan backpropagation. DAF TAR PUSTAKA [1]
[2] [3]
[4]
[5] [6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Abraham, A. 2004. Meta-Learning Evolutionary Artificial Neural Networks. Elsevier science : Neurocomputing Journal. 56 c (2004). 1-38. Demuth, H., dan Beale, m. 2000. Neural Network Toolbox For Use with MATLAB. Massachusetts : The Math Work Inc. Huang, G.B., Zhu, Q.Y., dan Siew, C.K. 2004. Extreme Learning Machine : A New Learning Scheme of Feddforward neural Networks. Proceeding of International Joint Conference on Neural Networks. Hungary, 25-29 Juli. Huang, G.B., Zhu, Q.Y., dan Siew, C.K. 2005. Extreme Learning Machine : Theory and applications. Elsevier science : Neurocomputing. 70 (2006) 489-501. Mitchel, T.M. 1997. Machine learning. Singapura: McGraw-Hill. Sun, Z.L., Choi, T.M., Au, K.F., dan Yu, Y. 2008. Sales Forecasting using Extreme Learning Machine with Application in Fashion Retailing. Elsevier Decision Support Systems 46 (2008). 411-419. Zhang, G., Pattuwo, B.E., dan Hu, M.Y. 1997. Forecasting with Artificial Neural Networks : The State of the Art. Elsevier International Journal of Forecasting 14 (1998) 35-62. Yeng Chai Soh, Guang-Bin Huang, and Yuan Lan. Two-Stage Extreme Learning Machine for Regression. Neurocomputing, no. 73. pp. 3028-3038. July 2010. Jorge Aguilera, Florencia Almonacid, Gustavo Nofuentes, and Pedro Zufiria Leocadio Hontoria. Artificial Neural Networks Applied in PV System and Solar Radiation. In Artificial Intelligence in Energy and Renewable. Spain: Nova Science. 2006. pp. 1-38. Benghanem M., Bendekhis M, and Mellit A. Artificial Neural Network Model for Prediction Solar Radiation Data: Application for Sizing Stand-Alone Photovoltatic Power System. Algeria, 2005. B.Indu Rani, G.Saravana Ilango, and K.D.V.Siva Krishna Rao. Estimation of Daily Global Solar Radiation Using Temperature, Relative Humidity and Seasons with ANN for Indian Stations. Tiruchirappalli, 2012. Kassem, AS (2009). Development of Neural Network Model to Estimate Hourly and Diffuse Solar Radiation on Horizontal Surface at Alexandria City (Egypt). Journal of Applied Science Research 5(11). Sabrian, Panggaea Ghiyats (2013). Kajian Potensi Energi Matahari di Pulau Tarakan. Program Studi Meteorologi. Institut Teknologi Bandung. Bandung Alharbi, Maher Ali (2013). Daily Global Solar Radiation Using ANN and Extreme Learning Machine: A Case Study in Saudi Arabia. Ding Shifei, Zhao Han, Zhang Yanan (2013). Extreme Learning Machine: Algorithm, Theory, and Applications. Springer. Sartif Intel Rev. DOI10.1007/s10462-013-9405-z
6
