Fakultas Ilmu dan Teknologi Kebumian
Program Studi Meteorologi PENERBITAN ONLINE AWAL Paper ini adalah PDF yang diserahkan oleh penulis kepada Program Studi Meteologi sebagai salah satu syarat kelulusan program sarjana. Karena paper ini langsung diunggah setelah diterima, paper ini belum melalui proses peninjauan, penyalinan penyuntingan, penyusunan, atau pengolahan oleh Tim Publikasi Program Studi Meteorologi. Paper versi pendahuluan ini dapat diunduh, didistribusikan, dan dikutip setelah mendapatkan izin dari Tim Publikasi Program Studi Meteorologi, tetapi mohon diperhatikan bahwa akan ada tampilan yang berbeda dan kemungkinan beberapa isi yang berbeda antara versi ini dan versi publikasi akhir.
© 2012 Program Studi Meteorologi Institut Teknologi Bandung
Pengujian Data NCEP-FNL dan CCMP Untuk Potensi Energi Angin (Studi Kasus Di Jawa Barat Tahun 2008) PIALA AMELDAM Program Studi Meteorologi, Fakultas Ilmu dan Teknologi Kebumian, Institut Teknologi Bandung
ABSTRAK Pemetaan potensi energi angin di Indonesia masih belum diketahui secara mendalam akibat kurangnya penelitian mengenai hal ini dan juga belum ada data hasil model yang memiliki resolusi cukup tinggi sebagai pendekatan terhadap data pengamatan. Pada penelitian ini, digunakan data global National Centers for Environmental Prediction – Final Analysis (NCEP-FNL) dengan resolusi 111 km x 111 km dan The Cross-Calibrated Multi-Platform (CCMP) dengan resolusi 25 km x 25 km sebagai pendekatan terhadap data pengamatan di Jawa barat selama tahun 2008. Kedua data estimasi tersebut perlu dilakukan statistical downscaling sehingga mampu mereduksi error pada data dan menghasilkan performa yang lebih baik, yaitu dengan metode regresi linear, delta, koreksi bias, kombinasi regresi linear + koreksi bias, dan delta + koreksi bias. Hasil menunjukkan bahwa metode terbaik adalah kombinasi metode regresi linear + koreksi bias. Dan juga data NCEP-FNL merupakan data yang paling cocok digunakan dalam metode ini. Data dan metode terbaik, kemudian digunakan untuk meninjau estimasi potensi energi angin 10 meter di Jawa Barat selama bulan Oktober – Desember tahun 2008 dengan turbin kecil (1500 kWh/year) dengan cut in 1.34 m/s dan cut off 17 m/s. Berdasarkan hasil yang diperoleh, terdapat 3 tempat terbaik yang memiliki potensi energi angin terbesar sekitar 80 – 100 %, yaitu Tg. Priok Jakarta, Soekarno – Hatta Jakarta, dan Sukabumi. Kata kunci: Statistical downscalling, regresi linear, metode delta, koreksi bias, potensi energi angin, turbin angin
1.
(Wilby, dkk., 1997). Statistical downscaling meliputi relasi kuantitatif antara variabel atmosfer skala besar (prediktor) dan variabel permukaan lokal (prediktan) (Wilby, dkk., 2004). Terdapat beberapa metode umum dalam statistical downscaling, yaitu regresi linear, Canonical Correlation Analyses (CCA), Artificial Neural Networks (ANN), Analogue technique, Delta Method, Bias Correction, dll. Model regresi dapat meminimalkan error antara variabel dalam skala besar dan variabel pada pengamatan (Formayer, 2005). Sedangkan, metode delta merupakan suatu metode untuk mengurangi nilai kesalahan/error pada data, yaitu dengan cara mengurai nilai data estimasi itu sendiri dengan nilai rata-rata dari data estimasi tersebut kemudian hasilnya ditambahkan dengan nilai rata-rata dari data observasi/aktual. Meulman, 1984 mengatakan bahwa metode delta mendefinisikan seluruh nilai rata-ratanya sendiri, mengabaikan informasi yang ada dari variasi di seluruh replikasi. Dengan menggunakan bias correction sebagai metode post-processing juga dapat mereduksi error dengan sangat baik (Sweeney, dkk., 2011). Metode bias correction merupakan salah satu metode downscaling yang memaksa distribusi peluang dari
Pendahuluan
Pemetaan potensi energi angin di Indonesia belum maksimal, padahal pemetaan potensi ini sangatlah bermanfaat, salah satunya sebagai panduan untuk merancang Pembangkit Listrik Tenaga Angin. Penyebab utamanya adalah buruknya database angin di Indonesia sehingga diperlukan peta/data global dari satelit untuk mendekati nilai/potensi energi angin tersebut. Pada penelitian ini, penulis menggunakan data global National Centers for Environmental Prediction – Final Analysis (NCEP-FNL) dan The CrossCalibrated Multi-Platform (CCMP) sebagai perbandingan dengan data observasi yang ada. Kedua data estimasi ini memiliki resolusi yang kasar sehingga error yang dihasilkannya cukup besar. Oleh karena itu, diperlukan suatu metode untuk melakukan koreksi terhadap kesalahan tersebut sehingga data tersebut dapat digunakan untuk estimasi potensi energi angin. Salah satu metode yang mampu memperbaiki error pada data secara statistik antara variabel skala besar (data estimasi) dan variabel skala kecil (data pengamatan) adalah metode statistical downscaling
1
simulasi historis untuk cocok terhadap distribusi observasinya (Wood, dkk., 2002). Metode bias correction tidak berusaha untuk mengoreksi secara statistik dari parameter yang disimulasikan, tapi lebih kepada mempertahankannya sebagai dasar untuk evaluasi model (Salathe, 2005). Hasil koreksi yang didapatkan dari metode statistical downscalling dapat digunakan sebagai dasar estimasi potensi energi angin permukaan. Estimasi potensi ini juga didasarkan atas daya/kemampuan suatu turbin dalam menangkap kecepatan angin dan mengubahnya semaksimal mungkin menjadi nilai daya listrik. Adapun perbandingan ketersediaan teknologi turbin angin terdapat pada Tabel 1.
Tabel 2
Tabel 1 Perbandingan Ketersediaan Teknologi Turbin Angin
Penelitian ini dimulai dengan mengumpulkan dan mempersiapkan semua data yang akan digunakan. Seluruh data kecepatan angin 10 meter ini merupakan data per 6 jam selama tahun 2008. Masing-masing dari data ini dipisahkan menjadi data untuk training dan data untuk validasi setiap metodenya nanti. Data training merupakan data 9 bulan pertama (JanuariSeptember) dan data validasinya merupakan data 3 bulan terakhir (Oktober-November). Statistical downscaling dilakukan sebagai cara pendekatan data estimasi terhadap data di setiap stasiun pengamatan agar menghasilkan performa yang lebih baik. Di dalam penelitian ini dilakukan beberapa cara untuk statistical downscaling, yaitu regresi linear, delta method, bias correction, kombinasi regresi linear + bias correction, dan kombinasi delta method + bias correction. Dalam menggunakan bias correction, terlebih dahulu data dipisahkan antara data dengan nilai ekstrim dan non ekstrim karena keduanya memiliki pola yang berbeda sehingga bila tidak dipisahkan akan mempengaruhi proses dalam bias correction dan hasilnya akan kurang maksimal. Pemisahan antara data bernilai ekstrim dan non ekstrim dilakukan dengan fast fourier transform menggunakan low pass filter (LPF) untuk data bernilai ektrim dan high pass filter (HPF) untuk data bernilai non ekstrim. Cara kombinasi dilakukan supaya mendapatkan hasil yang lebih maksimal dibandingkan dengan hasil kerja tiap metode tunggalnya. Setelah dilakukan semua cara statistical downscaling tersebut selanjutnya hasilnya diverifikasi dengan data observasinya untuk membandingkan error data sebelum dan sesudah dikoreksi. Verifikasi hasil koreksi ini menggunakan korelasi dan juga root mean square error (rmse). Nilai koefisien korelasi berkisar antara -1 hingga +1. Nilai +1 menunjukkan hubungan linear yang kuat yang berbanding lurus. Semakin mendekati +1, artinya kedua variabel menunjukkan pola yang semakin serupa. Nilai koefisien korelasi 0 menunjukkan tidak ada hubungan linear antara kedua variabel. Setelah didapatkan data dan cara/metode terbaik, selanjutnya data dan metode ini digunakan sebagai dasar penyajian estimasi potensi energi angin di setiap
Hub Height (m) Diameter (m) Cut in (m/s) Cut off (m/s)
2.
1500 kWh/year HONEYWELL
200 kWh/year WINFLEX 15/24
1000 kWh/year WINFLEX 36/40
10
26 – 48
40 – 70
± 1.8
17 – 21
36 – 52
1.34 17
3 22
4 18 – 25
Data dan Metode
Data yang akan diuji dalam penelitian ini adalah kumpulan data dari dataset NCEP. Dataset tersebut merupakan data global digunakan dalam menjalankan model global National Centers for Environmental Prediction berupa Final Analysis (NCEP FNL1) yang memiliki resolusi 111 km x 111 km dan data The Cross-Calibrated Multi-Platform (CCMP) dengan resolusi 25 km x 25 km. Lalu kedua data estimasi ini akan dibandingkan dengan data observasi selama tahun 2008 yang didapatkan dari Puslitbang Kementrian Energi dan Sumber Daya Mineral (ESDM) dan data Global Summary of The Day (GSOD) dari OGIMET. Data tersebut merupakan data kecepatan angin permukaan 10 meter dengan interval waktu 6 jam pada 8 stasiun pengamatan di Jawa Barat (Tabel 2).
1 U.S. National Centers for Environmental Prediction, ter-update secara harian: NCEP FNL Operational Model Global Tropospheric Analyses, dimulai dari 1999 Juli. Dataset ds083.2 dipublikasikan oleh CISL Data Support Section at the National Center for Atmospheric Research, Boulder, CO, tersedia online pada http://dss.ucar.edu/datasets/ds083.2/.
2
Pembagian wilayah pengamatan di Jawa Barat
St.
Nama Stasiun
X
Y
1 2
SERANG CURUG/BUDIARTO
-6.117 -6.233
106.133 106.650
3
JAKARTA/TG. PRIOK
-6.100
106.867
4
JAKARTA/OBSERVATORY
-6.183
106.833
5
JAKARTA/SOETTA
-6.117
106.650
6
BOGOR/CITEKO
-6.700
106.933
7
CIREBON/JATIWANGI
-6.750
108.267
8
SUKABUMI
-7.219
106.524
stasiun pengamatan. Jenis turbin yang digunakan sebagai standar penelitian ini adalah turbin kecil Honeywell karena berada pada ketinggian yang sama dengan data kecepatan angin yang digunakan (10 meter). Kemudian kecepatan angin 10 meter pada bulan validasi (Oktober-Desember) diplot ke dalam suatu grafik dan hasilnya akan dibandingkan dengan cut in (1.34 m/s) dan cut off (17 m/s) untuk standar turbin kecil. Hasil inilah yang menjadi dasar estimasi potensi energi angin di setiap stasiun pengamatan.
3.
Hasil dan Pembahasan
3.1. Metode Statistical Downscalling Metode statistical downscalling dalam penelitian ini terbagi ke dalam 5 cara, yaitu menggunakan regresi linear, delta method, bias correction, kombinasi regresi linear - bias correction, dan kombinasi delta method – bias correction. Berikut ini merupakan pembahasan mengenai hasil dari keseluruhan metode tersebut terhadap data NCEP-FNL dan CCMP.
3.1.1. Data NCEP-FNL
Perbandingan Korelasi Pada Data NCEP-FNL
Nilai Korelasi
1 0.8 0.6 0.4 0.2 0 -0.2
Stasiun 1
Stasiun 2
Stasiun 3
Stasiun 4
Data Awal Delta Method Bias Correction (Non Ekstrim) Delta Method + Bias Correction (Non Ekstrim) Bias Correction (Ekstrim) Delta Method + Bias Correction (Ekstrim)
Gambar 3.1.1.1
Stasiun 5
Stasiun 6
Stasiun 7
Stasiun 8
Regresi Linear Data Awal - Non Ekstrim Regresi + Bias Correction (Non Ekstrim) Data Awal - High pass (Ekstrim) Regresi + Bias Correction (Ekstrim)
Grafik Perbandingan Korelasi Keseluruhan Metode Statistical Downscalling pada Data NCEP-FNL, yaitu pada data validasi Oktober – Desember 2008
Gambar 3.1.1.1 menunjukkan korelasi dari hasil seluruh metode di dalam penelitian ini terhadap data NCEP-FNL. Pada grafik tersebut umumnya korelasi terbaik ditunjukkan oleh hasil koreksi dari metode regresi linear + bias correction pada data ekstrim (pada grafik berwarna ungu muda). Peningkatan korelasi dari hasil koreksi metode ini cukup signifikan dari nilai sebelumnya, sebagian besar nilai korelasinya di atas 0.7 dan ini berarti hubungan antara data estimasi dan observasi tersebut cukup baik bahkan lebih baik dibandingkan dengan hasil koreksi metode lainnya.
Adapun metode lainnya yang cukup baik hasilnya adalah kombinasi metode delta dan bias correction pada data ekstrim (pada Gambar 3.1.1.1 yang berwarna biru muda). Metode ini mampu memperbaiki korelasi dari data estimasi dengan baik yaitu sebagian besar korelasinya di atas 0.7. Pada stasiun pengamatan ke-6, data NCEP-FNL awalnya memiliki korelasi yang berbanding terbalik dari data observasinya dan kedua metode terbaik ini cukup mampu untuk memperbaiki dan meningkatkan korelasinya walaupun peningkatannya belum signifikan.
3
m/s
Perbandingan RMSE Pada Data NCEP-FNL 3 2.7 2.4 2.1 1.8 1.5 1.2 0.9 0.6 0.3 0 Stasiun 1
Stasiun 2
Stasiun 3
Stasiun 4
Data Awal Delta Method Bias Correction (Non Ekstrim) Delta Method + Bias Correction (Non Ekstrim) Bias Correction (Ekstrim) Delta Method + Bias Correction (Ekstrim)
Gambar 3.1.1.2
Stasiun 5
Stasiun 6
Stasiun 7
Stasiun 8
Regresi Linear Data Awal - Non Ekstrim Regresi + Bias Correction (Non Ekstrim) Data Awal - High pass (Ekstrim) Regresi + Bias Correction (Ekstrim)
Grafik Perbandingan RMSE Keseluruhan Metode Statistical Downscalling pada Data NCEP-FNL, yaitu pada data validasi Oktober – Desember 2008
Gambar 3.1.1.2 merupakan grafik nilai rmse dari hasil koreksi seluruh metode terhadap data NCEPFNL. Pada grafik tersebut ditunjukkan bahwa nilai rmse terkecil dihasilkan dari metode regresi linear + bias correction (warna ungu muda) dan delta method + bias correction (warna biru muda) pada data ekstrim. Kedua metode ini mampu bekerja dengan sangat baik dalam memperbaiki error pada data ekstrim, terlihat bahwa nilai rmse dari hasil koreksi kedua metode tersebut pada umumnya di bawah 0.3 dan hasil koreksinya menunjukkan bahwa reduksi error-nya sangat signifikan dari nilai sebelum dikoreksi (warna hijau tua pada grafik). Berdasarkan hasil yang ditunjukkan oleh Gambar 3.1.1.3, terlihat bahwa hasil downscalling dari kedua data estimasi ini (bawah) menunjukkan pola yang semakin baik dan datanya pun semakin mendekati nilai observasinya, kedua metode ini mampu mereduksi error dengan baik.
Bulan ke-
Gambar 3.1.1.3 Hasil kombinasi regresi linear + bias correction (kiri) dan kombinasi delta method + bias correction (kanan) untuk nilai ekstrim pada data NCEP-FNL di stasiun 5 – Soetta Jakarta. Garis hitam menunjukkan data pengamatan, sedangkan garis merah menunjukkan data estimasinya, kemudian data awal ada pada grafik bagian atas sedangkan hasilnya ada pada grafik bagian bawah.
3.1.2. Data CCMP
Nilai Korelasi
Perbandingan Korelasi Pada Data CCMP 1 0.8 0.6 0.4 0.2 0 Stasiun 1
Stasiun 2
Stasiun 3
Stasiun 4
Data Awal Delta Method Bias Correction (Non Ekstrim) Delta + Bias Correction (Non Ekstrim Bias Correction (Ekstrim) Delta + Bias Correction (Ekstrim)
Gambar 3.1.2.1
Stasiun 5
Stasiun 6
Stasiun 7
Stasiun 8
Regresi Linear Data Awal - Non Ekstrim Regresi + Bias Correction (Non Ekstrim) Data Awal - Ekstrim Regresi + Bias Correction (Ekstrim)
Grafik Perbandingan Korelasi Keseluruhan Metode Statistical Downscalling pada Data CCMP, yaitu pada data validasi Oktober – Desember 2008
Berdasarkan hasil yang ditunjukkan dalam Gambar 3.1.2.1, metode delta + bias correction
merupakan metode terbaik yang mampu meningkatkan korelasi pada data ekstrim CCMP.
4
Sebagian besar korelasi dari hasil koreksinya berada di atas 0.8, kecuali pada stasiun pengamatan 7. Data CCMP dan metode ini masih kurang cukup mampu dalam merepresentasikan nilai data ekstrim di stasiun pengamatan 7, terlihat bahwa nilai korelasinya menurun dari sebelumnya dan juga sangat buruk, yaitu
0.039822. Begitupun halnya dengan metode terbaik kedua, yaitu regresi linear + bias correction. Metode ini cukup mampu memperbaiki nilai korelasi dari data ekstrim, namun pada stasiun pengamatan ke 7, hasil koreksinya menurun cukup signifikan dari sebelumnya.
m/s
Perbandingan RMSE Pada Data CCMP 3 2.7 2.4 2.1 1.8 1.5 1.2 0.9 0.6 0.3 0
Stasiun 1
Stasiun 2
Stasiun 3
Stasiun 4
Data Awal Delta Method Bias Correction (Non Ekstrim) Delta + Bias Correction (Non Ekstrim Bias Correction (Ekstrim) Delta + Bias Correction (Ekstrim)
Gambar 3.1.2.2
Stasiun 5
Stasiun 6
Stasiun 7
Stasiun 8
Regresi Linear Data Awal - Non Ekstrim Regresi + Bias Correction (Non Ekstrim) Data Awal - Ekstrim Regresi + Bias Correction (Ekstrim)
Grafik Perbandingan RMSE Keseluruhan Metode Statistical Downscalling pada Data CCMP, yaitu pada data validasi Oktober – Desember 2008
Bila dibandingkan dengan hasil metode lainnya, secara keseluruhan metode regresi linear + bias correction dan delta + bias correction lebih baik dalam meningkatkan hubungan data estimasi dan observasi dan juga dalam mereduksi error pada data estimasinya. Namun kedua metode ini hanya mampu mereduksi error dengan baik pada data ekstrimnya karena bias correction ini bekerja maksimal hanya pada data ekstrimnya saja. Kombinasi dari metodemetode ini menghasilkan perbaikan error yang lebih baik dibandingkan dengan pengerjaan masing-masing metode itu sendiri tanpa saling dikombinasikan. Metode-metode lain di dalam penelitian kurang mampu memperbaiki error pada data. Regresi linear memiliki proses pengerjaan yang sederhana dan mengabaikan berbagai pengaruh terhadap nilai dalam data. Begitupun halnya dengan delta method, seperti yang dijelaskan oleh Meulman, 1984 bahwa kerja aplikasinya dibatasi dan metode delta mendefinisikan seluruh nilai rata-ratanya sendiri, mengabaikan informasi yang ada dari variasi di seluruh replikasi sehingga kedua metode ini tidak mampu bekerja maksimal dalam memperbaiki error. Error yang cukup besar ini karena NCEP-FNL merupakan data global yang memiliki resolusi yang besar (111 km x 111 km) dan dalam penelitian ini digunakan untuk titik pengamatan lokal sehingga menyebabkan nilai error yang besar, sedangkan data CCMP ditujukan untuk data pengamatan angin permukaan laut, namun stasiun pengamatan yang ditinjau terletak di Jawa Barat yang merupakan satu pulau yang besar sehingga lebih mendapat pengaruh lokal darat. Berdasarkan hasil dari berbagai metode dan kedua data estimasi tersebut, maka penggunaan metode regresi linear + bias correction merupakan metode terbaik dalam memperbaiki error data dan data terbaik
Gambar 3.1.2.2 menunjukkan bahwa kombinasi metode regresi linear + bias correction dan kombinasi metode delta + bias correction mampu memperbaiki nilai error pada data CCMP. Terlihat bahwa di seluruh stasiun pengamatan, nilai errornya berkurang sangat signifikan dari sebelum dikoreksi, termasuk pada stasiun pengamatan 7. Sebagian besar nilai rmse dari hasil koreksi keduanya berada di bawah 0.3. Gambar 3.1.2.3 memperlihatkan pola hasil downscalling (bawah) pada kedua metode terbaik tersebut semakin baik dan semakin mendekati dengan data observasinya. Hanya pada beberapa bagian kecil saja, kedua metode ini belum mampu mereduksi error dengan baik.
Bulan ke-
Gambar 3.1.2.3 Hasil kombinasi regresi linear + bias correction (kiri) dan kombinasi delta method + bias correction (kanan) untuk nilai ekstrim pada data CCMP di stasiun 5 – Soetta Jakarta. Garis hitam menunjukkan data pengamatan, sedangkan garis merah menunjukkan data estimasinya, kemudian data awal ada pada grafik bagian atas sedangkan hasilnya ada pada grafik bagian bawah.
5
yang didapatkan adalah data NCEP-FNL. Data dan metode terbaik ini kemudian digunakan untuk penyajian estimasi potensi energi angin pada ketinggian 10 meter untuk turbin kecil di Jawa Barat pada bulan Oktober – Desember tahun 2008. 3.2.
g. Cut in
Estimasi Potensi Energi Angin
h. a.
Cut in Cut in Tur
b.
Gambar 3.2.1 Grafik Kecepatan Angin Pada Ketinggian 10 meter Selama Bulan Oktober – Desember Tahun 2008 di Stasiun 1 – Serang, Banten (a), Stasiun 2 – Curug (b), Stasiun 3 – Tg. Priok Jakarta (c), Stasiun 4 – Observatorium Jakarta (d), Stasiun 5 – Soetta Jakarta (e), Stasiun 6 – Citeko Bogor (f), Stasiun 7 – Jatiwangi, Cirebon (g), dan Stasiun 8 – Sukabumi (h).
Cut in
c.
Gambar 3.2.1 menunjukkan estimasi potensi energi angin pada stasiun pengamatan di Jawa Barat. Dari grafik tersebut ditunjukkan bahwa nilai cut in untuk turbin kecil adalah 1.34 m/s dan cut off kecepatan anginnya 17 m/s. Namun cut off tidak dapat ditunjukkan oleh grafik di atas karena kecepatan angin maksimal dari semua stasiun pengamatan hanya sebesar 6 m/s. Stasiun pengamatan 1 – Serang Banten, 2 – Curug, 4 – Observatorium Jakarta, dan 7 – Jatiwangi Cirebon memiliki kondisi daerah yang hampir sama, yaitu dataran rendah, daerah perkotaan, dan pemukiman penduduk. Pada daerah ini aktivitas kotanya tergolong cukup padat, terutama pada Stasiun Observatorium Jakarta. Pola sirkulasi angin di daerah ini terganggu oleh adanya bangunan – bangunan tinggi dan pemukiman penduduk yang menjadi penghalang angin dan memungkinkan turbulensi sering terjadi akibat kekasaran permukaan tersebut sehingga kecepatannya menjadi lebih lambat Seperti yang ditunjukkan oleh Gambar 3.2.1 bahwa kecepatan angin ekstrim (garis putus-putus berwarna biru) dan non ekstrim (garis tebal berwarna hitam) pada daerah tersebut sebagian besar berada di bawah batas cut in turbin kecil sehingga daerah-daerah tersebut kurang cocok untuk potensi energi angin dengan turbin kecil. Gambar 3.2.2 juga menunjukkan bahwa persentase dari estimasi potensi energi angin pada daerah tersebut sangat kecil yaitu di bawah 40%.
Cut in
d.
Cut in
e.
Cut in
f.
Cut in Tur
6
Persentase (%)
Estimasi Potensi Energi Angin Ketinggian 10m untuk Turbin Kecil (1500 kWh/year) 100 80 60 40 20 0
Ekstrim Non Ekstrim Gambar 3.2.2
Stasiun 1 29.46 30.88
Stasiun 2 18.42 31.29
Stasiun 3 100.00 93.13
Stasiun 4 19.61 37.85
Stasiun 6 0.00 13.99
Stasiun 7 0.00 18.00
Stasiun 8 100.00 100.00
Grafik Estimasi Potensi Energi Angin Untuk Turbin Kecil Di Setiap Stasiun Pengamatan Pada Bulan Oktober-Desember 2008
pemanfaatan turbin kecil (1500 kWh/tahun). Dan saat ini, stasiun pengamatan 8 – Sukabumi juga sedang dalam pengembangan potensi energi angin pada ketinggian 50 meter oleh ESDM. Dari seluruh stasiun pengamatan dalam penelitian ini, maka didapatkan stasiun terbaik yang cocok untuk pengembangan energi angin turbin kecil pada bulan Oktober – Desember adalah stasiun pengamatan 3 – Tg. Priok Jakarta, stasiun 5 – Soetta Jakarta, dan stasiun 8 – Sukabumi. Gambar 3.2.1 dan Tabel 3.2.1 menunjukkan bahwa kecepatan angin, baik pada data ekstrim maupun non ekstrim di ketiga stasiun tersebut, sebagian besar berada di atas nilai cut in turbin kecil. Dan juga dari Gambar 3.2.3 dapat dilihat bahwa nilai estimasi potensi energi angin dari ketiga stasiun tersebut sangat besar, yaitu berkisar antara 80 - 100%.
Stasiun pengamatan ke 6 – Citeko berada di kaki Gunung Pangrango, Bogor, daerahnya sebagian besar dipadati oleh pemukiman penduduk dan tempat wisata. Hal inilah yang membuat kecepatan anginnya rendah akibat gesekan permukaan yang besar, sehingga kurang cocok untuk pemanfaatan energi angin dengan turbin kecil seperti yang terlihat dari Gambar 3.2.1.f dan Tabel 3.2.1. Gambar 3.2.2. juga menunjukkan bahwa nilai potensi energi angin pada stasiun tersebut rendah, yaitu di bawah 14%. Tabel 3.2.1 Kecepatan angin rata-rata 10 meter selama bulan Oktober – Desember 2008
Stasiun ke-
Stasiun 5 100.00 81.51
Kecepatan Angin Rata-rata (m/s) Ekstrim
Non Ekstrim
1
1.203
1.213
2
1.112
1.125
3 4
2.232 1.145
2.249 1.162
5 6
2.342 1.119
2.422 1.122
7
1.055
1.055
8
3.510
3.509
4.
Kesimpulan
Berdasarkan penelitian yang telah dilakukan, maka dapat disimpulkan bahwa data estimasi yang paling cocok digunakan dalam penelitian ini adalah data NCEP-FNL dan juga metode statistical downscalling terbaik adalah kombinasi regresi linear + bias correction dan kombinasi metode delta + bias correction. Sebagian besar nilai rmse dari hasil koreksi berada di bawah 0.3 dan nilai korelasinya di atas 0.75. Daerah yang memiliki potensi energi angin terbaik di Jawa Barat pada ketinggian 10 meter dengan menggunakan turbin kecil (1500 kWh/year) adalah pada stasiun pengamatan 3 – Tg. Priok Jakarta, stasiun 5 – Soetta Jakarta, dan stasiun 8 – Sukabumi dengan persentase estimasi potensi energi angin sekitar 80 – 100 % selama bulan Oktober – Desember 2008.
Stasiun pengamatan 3 – Tg. Priok Jakarta berada di pesisir Pantai Utara Jawa. Kondisi ini menjadi salah satu faktor utama yang menyebabkan kecepatan angin di daerah ini cukup besar. Tabel 3.2.1 menunjukkan bahwa nilai kecepatan angin rata-ratanya potensial untuk turbin kecil ini, yaitu 2.2 m/s. Kemudian daerah lainnya yang memiliki kecepatan angin yang potensial adalah stasiun pengamatan 5 – Soetta Jakarta (Gambar 3.2.1.e) dan stasiun 8 – Sukabumi (Gambar 3.2.1.h). Kondisi daerah stasiun 5 merupakan bandara udara dengan daerah persawahan di sekitarnya sehingga gesekan permukaan daerah tersebut kecil, penghalangnya kecil. Lalu, stasiun 8 merupakan daerah pegunungan dan pemukiman penduduk yang tidak terlalu padat, serta wilayahnya tidak jauh dari Pantai Selatan Jawa Barat sehingga kecepatan angin rata-rata di daerah ini potensial (Tabel 3.2.1) untuk
REFERENSI Atlas, R., Hoffman, R. N., Ardizzone, J., Leidner, S. M., Jusem, J. C., Smith, D. K., dkk. (2011). A CrossCalibrated, Multiplatform Ocean Surface Wind Velocity Product For Meteorological And Oceanographic Applications. American Meteorological Society.
7
Bayong. (2004). Klimatologi. Bandung: ITB. Bayong. (n.d.). Kumpulan Makalah - Sistem Angin. Retrieved January 23, 2012, from http://file.upi.edu/Direktori/SPS/PRODI.PENDIDIKA N_IPA/BAYONG_TJASYONO/Kumpulan_Makalah/S istem_Angin.pdf Fragoso, C. R. (2012). Prof. Carlos Ruberto Fragoso Jr. CTEC/UFAL. Diakses pada 1 Juni 2012, dari UFAL: http://www.ctec.ufal.br/professor/crfj/Graduacao/ MSH/Model%20evaluation%20\methods.doc Golding, E. (n.d.). Windmills for water lifting and generator of electricity on the farm . Buletin 17 FAO (Food and Agriculture Organization). Inomata, H., Takeuchi, K., & Fukami, K. (2011). Development of A Statistical Bias Correction Method For Daily Precipitation Data of GCM20. Journal of Japan Society of Civil Engineers, Ser. B1 (Hydraulic Engineering), Volume 67, Issue 4, pp.I_247-I_252 (2012). Member Countries. (n.d.). Retrieved December 17, 2011, from Organization of The Petroleum Exporting Countries: http://www.opec.org/opec_web/en/about_us/25.htmMe ulman, J. (1984). Correspondence Analysis and Stability. Netherlands: Department of Data Theory FWS/RUL.
OPEC (Organization of The Petroleum Exporting Countries). (n.d.). Retrieved December 17, 2011, from http://www.opec.org/opec_web/en/about_us/25.htm Organisasi Negara-negara Pengekspor Minyak Bumi. (n.d.). Retrieved December 19, 2011, from Wikipedia: http://id.wikipedia.org/wiki/Organisasi_NegaraNegara_Pengekspor_Minyak_Bumi Pertamina, PT. LAPI, Meteorologi ITB. (2012). PRASTUDI KELAYAKAN POTENSI ENERGI ANGIN. Jakarta. Physical Oceanography Distributed Active Archive Center. (n.d.). Retrieved January 23, 2012, from http://podaac.jpl.nasa.gov/announcements/2011-0823_PODAAC_CCMP_Data Sweeney, C., Lynch, P., Nolan, P., & Courtney, J. (2012). Post-processing COSMO output for improved wind forecasts. 33-34. The Honeywell Wind Turbine - Model WT6500. (n.d.). Retrieved September 5, 2012, from WindTronics: http://www.windtronics.com/honeywell-wind-turbine The Product. (n.d.). Retrieved September 12, 2012, from Winflex Wind Turbines: http://winflex.co.il/technology.html
8
