Analisis Prediksi Kecepatan Angin di Kabupaten Pekalongan dengan Algoritma Decision Tree Regression

Noviana Safira; Abdul Hakim Prima Yuniarto

doi:10.62048/qjms.v2i2.88

Penulis

Noviana Safira Program Studi Fisika, Institut Teknologi dan Sains Nahdlatul Ulama Pekalongan, Pekalongan, Indonesia
Abdul Hakim Prima Yuniarto Program Studi Fisika, Institut Teknologi dan Sains Nahdlatul Ulama Pekalongan, Pekalongan, Indonesia

DOI:

https://doi.org/10.62048/qjms.v2i2.88

Kata Kunci:

Decision Tree, Kecepatan Angin, Machine Learning, PLTB, Prediksi

Abstrak

Karakteristik pesisir Kabupaten Pekalongan mengindikasikan potensi angin yang substansial, sehingga mendorong perlunya studi mengenai pemanfaatan energi terbarukan. Penelitian ini bertujuan untuk memprediksi kecepatan angin dan mengestimasi daya listrik yang dapat dihasilkan menggunakan algoritma Decision Tree Regression. Model dibangun berdasarkan data iklim historis selama sebelas tahun (2013–2023) yang diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG). Evaluasi model menghasilkan nilai Mean Squared Error (MSE) sebesar 4,108 dan koefisien determinasi (R²) sebesar 0,049, yang menunjukkan kinerja prediksi masih terbatas. Hasil prediksi kecepatan angin tahun 2024 berkisar antara 3,8 hingga 7 m/s, dengan rata-rata 4,5 m/s. Kecepatan angin ini diproyeksikan menghasilkan daya listrik antara 844 hingga 5.277 watt, dengan rata-rata 1.599 watt per bulan, yang setara dengan potensi energi sebesar 191,88 kWh per bulan. Studi ini menyimpulkan bahwa meskipun ada potensi untuk pengembangan Pembangkit Listrik Tenaga Bayu (PLTB) skala kecil, seperti untuk penerangan jalan umum, akurasi model prediktif perlu ditingkatkan secara signifikan untuk aplikasi yang lebih kritis.

Referensi

Adistia, N. A., Nurdiansyah, R. A., Fariko, J., Vincent, V., & Simatupang, J. W. (2020). Potensi energi panas bumi, angin, dan biomassa menjadi energi listrik di Indonesia. TESLA: Jurnal Teknik Elektro, 22(2), 105. https://doi.org/10.24912/tesla.v22i2.9107

Andiyantama, M. Q., Zahira, I., & Irawan, A. (2021). Prediksi energi listrik kincir angin berdasarkan data kecepatan angin menggunakan LSTM. JITCE (Journal of Information Technology and Computer Engineering), 5(1), 1–7. https://doi.org/10.25077/jitce.5.01.1-7.2021

Ardiana, J. D. P., Y., & S. (2023). Analisis potensi energi angin sebagai PLTB di Pantai Watu Ulo Jember menggunakan data BMKG. Jurnal Pendidikan, Sains dan Teknologi, 2(4), 962–965. https://doi.org/10.47233/jpst.v2i4.1313

Chairunisa, G., Najib, M. K., Nurdiati, S., Imni, S. F., Sanjaya, W., Andriani, R. D., Henriyansah, Putri, R. S. P., & Ekaputri, D. (2024). Life expectancy prediction using decision tree, random forest, gradient boosting, and XGBoost regressions. Jurnal Sintak, 2(2), 71–82. https://doi.org/10.62375/jsintak.v2i2.249

Demolli, H., Dokuz, A. S., Ecemis, A., & Gokcek, M. (2019). Wind power forecasting based on daily wind speed data using machine learning algorithms. Energy Conversion and Management, 198, 111823. https://doi.org/10.1016/j.enconman.2019.111823

Fadila, M. S., Fitri, L., Dasuha, P., Fauzi, R., Matematika, P. S., Sains, F., & Selatan, L. (2024). Prediksi kecepatan angin harian Kota Bandar Lampung menggunakan recurrent neural network (RNN). Prosiding Seminar Nasional Sains dan Teknologi Seri 02, 1(2), 95–100.

Fahim, M., Sharma, V., Cao, T. V., Canberk, B., & Duong, T. Q. (2022). Machine learning-based digital twin for predictive modeling in wind turbines. IEEE Access, 10, 14184–14194. https://doi.org/10.1109/ACCESS.2022.3147602

Illahi, P. K., Viana, A. R., Permata, N. F. M., & Pratama, M. Y. (2023). Penerapan algoritma decision tree dan regresi linear untuk klasifikasi kanker payudara. SENTIMAS: Seminar Nasional Penelitian dan Pengabdian Masyarakat, 86–92. https://journal.irpi.or.id/index.php/sentimas

Karaman, Ö. A. (2023). Prediction of wind power with machine learning models. Applied Sciences (Switzerland), 13(20), 11455. https://doi.org/10.3390/app132011455

Puspita Sari, A., Hakim, E. A., Arman Prasetya, D., Arifuddin, R., & Dani, P. (2021). Sistem prediksi kecepatan dan arah angin menggunakan bidirectional long short-term memory. Seminar Keinsinyuran Program Studi Program Profesi Insinyur, 1(1), 6–16. https://doi.org/10.22219/skpsppi.v1i0.4196

Putri, I. P., Terttiaavini, T., & Arminarahmah, N. (2024). Analisis perbandingan algoritma machine learning untuk prediksi stunting pada anak. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(1), 257–265. https://doi.org/10.57152/malcom.v4i1.1078

Rahman, A., Sugiyarto, I., Faddillah, U., & Sudarsono, B. (2022). Prediksi kecepatan angin untuk mengetahui sumber energi alternatif menggunakan regresi ANN (Studi kasus Provinsi Aceh tahun 2022). Journal of Information Technology and Computer Science (INTECOMS), 5(2). https://journal.ipm2kpe.or.id/index.php/INTECOM/article/download/4990/2974

Retnoningsih, E., & Pramudita, R. (2020). Mengenal machine learning dengan teknik supervised dan unsupervised learning menggunakan Python. Bina Insani ICT Journal, 7(2), 156. https://doi.org/10.51211/biict.v7i2.1422

Ryan, M., & Alfiandy, S. (2022). Prediksi kecepatan angin 12 jam ke depan menggunakan automatic weather observing system (AWOS) berbasis regresi linear. Buletin GAW Bariri, 3(2), 1–7. https://doi.org/10.31172/bgb.v3i2.63

Nurjanah, S., Purbolingga, Y., Putri, D. M., Rahmawati, A., Fahrizal, F., & Akramunnas, B. W. (2024). Prediksi kecepatan angin untuk mengetahui potensi sumber energi alternatif menggunakan model regresi lasso: Studi kasus Kota Makassar pada tahun 2024. Jurnal Penelitian Rumpun Ilmu Teknik, 3(1), 278–288. https://doi.org/10.55606/juprit.v3i1.3501

Triyandi, E., Risma, P., Kusumanto, R., Dewi, T., & Oktarina, Y. (2021). Pembangkit energi listrik hybrid mini menggunakan turbin angin sumbu vertikal Savonius sebagai sumber energi alternatif. Journal of Applied Smart Electrical Network and Systems, 2(2), 49–56. https://doi.org/10.52158/jasens.v2i2.200

Wardhana, R. G., Wang, G., & Sibuea, F. (2023). Penerapan machine learning dalam prediksi tingkat kasus penyakit di Indonesia. Journal of Information System Management (JOISM), 5(1), 40–45. https://doi.org/10.24076/joism.2023v5i1.1136

Yeganeh-Bakhtiary, A., Eyvazoghli, H., Shabakhty, N., Kamranzad, B., & Abolfathi, S. (2022). Machine learning as a downscaling approach for prediction of wind characteristics under future climate change scenarios. Complexity, 2022, 8451812. https://doi.org/10.1155/2022/8451812

Yusuf, M., Setyanto, A., & Aryasa, K. (2022). Analisis prediksi curah hujan bulanan wilayah Kota Sorong menggunakan metode multiple regression. Jurnal Sains Komputer & Informatika (J-SAKTI), 6(1), 405–417.s