Prediksi Kecepatan Angin Jangka Pendek Menggunakan Metode Fuzzy Linear Regression Untuk Mendapatkan Masukan Pada Kontroler Turbin Angin

Transkripsi

1 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) Prediksi Kecepatan Angin Jangka Pendek Menggunakan Metode Fuzzy Linear Regression Untuk Mendapatkan Masukan Pada Kontroler Turbin Angin Achmad Royyan Damanhuri, Ardyono Priyadi, dan Mauridhi Hery Purnomo Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya royyandamanhuri@gmail.com, priyadi@ee.its.ac.id, hery@ee.its.ac.id Abstrak Saat ini penggunaan energi alternatif terbarukan seperti angin semakin meningkat karena bahan bakar fosil yang menjadi kebutuhan utama manusia semakin menipis. Pembangkit Listrik Tenaga Bayu (PLTB) merupakan pembangkit listrik yang mengkonversi energi angin menjadi energi listrik dengan menggunakan turbin angin. Angin yang berhembus tidaklah konstan tetapi selalu berubah-ubah sehingga dapat menyebabkan daya yang dihasilkan PLTB tidak konstan. Prediksi kecepatan angin jangka pendek menggunakan metode Fuzzy Linear Regression adalah salah satu solusi untuk mendapatkan masukan yang konstan pada turbin angin dengan cara menghitung rata rata kecepatan angin sehingga daya yang dihasilkan PLTB akan menjadi konstan. Rata rata kenaikan dan penurunan kecepatan angin dalam waktu tertentu akan menyebabkan daya yang dihasilkan PLTB juga berubah dalam waktu tertentu dan masih berada pada nilai konstan. Berdasarkan hasil simulasi menggunakan data tanpa reduksi didapatkan nilai rata-rata kesalahan 0.08 dan keluaran daya konstan yang paling tinggi adalah MW. Sedangkan nilai rata-rata kesalahan yang didapat dari hasil prediksi kecepatan angin menggunakan data dengan reduksi adalah 2.06 dan keluaran daya konstan yang paling tinggi adalah MW. Kata Kunci Angin, Fuzzy Linear Regression, Kecepatan Angin, Keluaran Daya Konstan I. PENDAHULUAN Energi fosil merupakan energi yang paling banyak digunakan oleh manusia. Ketersediaan energi fosil saat ini semakin menipis sehingga dibutuhkan sumber energi alternatif dan terbarukan yang tepat untuk menggantikannya. Energi dari alam seperti matahari, air, dan angin ini tersedia sangat banyak dan dapat dimanfaatkan sebagai pengganti energi fosil. Energi alternatif dan terbarukan ini dapat diolah sehingga dapat menghasilkan energi listrik. Alam yang selalu berfluktuasi menyebabkan sumber energi alternatif dan terbarukan ini tidak konsisten. Hal ini dapat menyebabkan daya keluaran yang dihasilkan oleh suatu pembangkit yang memanfaatkan energi ini menjadi tidak stabil juga. Pada sistem listrik yang terpasang Pembangkit Listrik Tenaga Bayu (PLTB), perubahan angin yang mendadak akan menyebabkan perubahan daya keluaran yang mendadak juga. Untuk meminimalkan fluktuasi perubahan daya, telah banyak cara yang digunakan. Cara yang sudah digunakan antara lain pengontrolan sudut kincir angin, sistem penyimpanan energi, dan lain lain. Oleh sebab itu, Tugas Akhir ini ditujukan untuk mendapatkan sebuah simulasi Fuzzy Linear Regression yang digunakan untuk memprediksi kecepatan angin jangka pendek sebagai masukan pada PLTB sehingga daya keluaran yang dihasilkan konstan dengan perubahan kecepatan angin yang berubah-ubah secara acak dalam periode waktu tertentu serta diharapkan dapat memberikan kontribusi dalam pengembangan PLTB. II. ANGIN DAN FUZZY LINEAR REGRESSION A. Angin Angin merupakan aliran udara yang timbul akibat adanya perbedaan tekanan udara. Udara yang panas di suatu tempat di permukaan Bumi menjadi lebih ringan dan naik ke atas. Hal ini menyebabkan tekanan udara turun. Untuk mengisi kekosongan udara di tempat tersebut, maka udara yang lebih dingin di tempat lain akan bergerak ke tempat yang panas tersebut, sehingga terjadilah aliran udara atau yang dikenal dengan angin [1]. Energi angin memiliki potensi yang cukup besar untuk dimanfaatkan menjadi energi listrik. Energi angin merupakan energi kinetik yang dapat dikonversikan menjadi energi mekanik hingga menjadi energi energi listrik dengan menggunakan turbin angin. Berdasarkan data yang diperoleh dari World Wind Energy Report 2013 yang diselenggarakan di Shanghai China, total kapasitas terpasang pembangkit listrik tenaga bayu di dunia sampai akhir tahun 2013 sebesar MW [2] ditampilkan pada Gambar 1 sebagai berikut: Gambar 1 Daya Terpasang Energi Angin Tahun

2 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) B. Fuzzy Linear Regression Metode Fuzzy Linear Regression diperkenalkan oleh Tanaka pada tahun 1982, suatu metode pemrograman linier yang diusulkan dengan parameter-parameter fuzzy segitiga simetris. Fuzzy Linear Regression digunakan untuk memodelkan hubungan antara variabel bebas dan variabel tak bebas [3,4]. Dalam metode regresi linier biasa, selisih antara nilai yang diamati dan nilai perkiraan dari objek diasumsikan sebagai kesalahan dalam pengamatan, dan selisih ini mempertimbangkan variabel-variabel acak. Batas atas dan batas bawah dari nilai perkiraan ditentukan dan probabilitas dari nilai yang diperkirakan akan berada pada kedua batas yang merepresentasikan kepercayaan dari perkiraan. Dapat disimpulkan bahwa analisis regresi linier adalah probabilistik. Sedangkan pada metode Fuzzy Linear Regression, selisih antara nilai yang diamati dan nilai perkiraan diasumsikan sebagai kerancuan yang muncul pada sistem tersebut. Keluaran dari spesifik masukan diasumsikan pada batas harga yang mungkin, misalnya keluaran dapat diambil dari sembarang nilai dari nilai yang mungkin tersebut. Analisis Fuzzy Linear Regression lebih lanjut menggunakan fungsi fuzzy untuk menampilkan koefisien-koefisien yang bertentangan dengan koefisien-koefisien crisp yang digunakan dalam analisis regresi linier. Fuzzy Linear Regression memperkirakan batasan harga yang mungkin, ditunjukkan oleh distribusi kemungkinan (possibility distribution) yang dikenal sebagai membership function. Membership function dibentuk dengan memberikan sebuah nilai keanggotaan kepada setiap harga perkiraan [5]. C. Doubly Fed Induction Generator (DFIG) Doubly Fed Induction Generator (DFIG) merupakan generator induksi dengan penguatan ganda dari stator dan rotor. Generator induksi yang digunakan pada DFIG adalah mesin asinkron tiga fasa jenis wound rotor [6]. DFIG digunakan pada PLTB yang bekerja dengan kecepatan rotor tidak konstan dan frekuensi stator konstan.untuk mengetahui perilaku dari sistem akibat perubahan kecepatan angin dan penetrasi yang cukup besar dari PLTB ke sistem tenaga listrik, diperlukan model yang dapat beroperasi pada frekuensi rendah dan waktu simulasi yang panjang. Untuk mendapatkan model tersebut, pada simulasi diasumsikan bahwa model DFIG terhubung pada grid dengan tegangan dan arus berupa gelombang sinus pada frekuensi dasar (50 Hz) [7]. III. METODE DAN PERANCANGAN PENELITIAN A. Lokasi Penelitian Tempat observasi dan pengambilan data untuk penyelesaian Tugas Akhir ini dilakukan di Desa Prambon, Kabupaten Nganjuk, Jawa Timur. Sedangkan proses selanjutnya antara lain: komputasi, analasis dan perhitungan, serta penyusunan laporan, dilakukan di Laboratorium Instrumentasi, Pengukuran dan Identifikasi Sistem Tenaga (LIPIST B-204) Jurusan Teknik Elektro, Fakultas Teknologi Industri (FTI), ITS Surabaya. B. Pengambilan Data Data yang akan diambil untuk mendukung penyelesain Tugas Akhir ini antara lain kecepatan angin, suhu, kelembaban udara, tekanan udara, dan arah angin. 1) Automatic Weather Station (AWS) Pengambilan data dalam Tugas Akhir ini menggunakan sebuah alat multifungsi yang disebut dengan Automatic Weather Station (AWS). Alat ini digunakan untuk mendapatkan data-data pendukung antara lain kecepatan angin, kelembaban udara, suhu, arah angin, dan tekanan udara. Bagian terpenting dari alat ini adalah sensor. 2) Teknik Pengambilan Data Untuk mendapatkan data yang akurat, maka pengambilan data dilakukan dengan cara meletakkan tiga buah AWS di tiga titik lokasi yang berbeda. Gambar 2 merupakan ilustrasi dari proses pengambilan data. Arah Angin Gambar 2 Ilustrasi Pengambilan Data B A Tiga buah AWS diletakkan masing-masing di titik A, B, dan C. Titik A dan B berada di pematang sawah, sedangkan titik C berada di atap rumah. Jarak antara titik lokasi A dan B ataupun A dan C sejauh 800 meter. 3) Jenis Data Data yang diperoleh dibagi menjadi dua jenis yaitu: 1. Data tanpa reduksi Data tanpa reduksi diperoleh dari titik A ke titik B. Disebut data tanpa reduksi dikarenakan tempat pengambilan data di titik A dan B samasama berada di pematang sawah sehingga tidak ada sesuatu yang dapat menghambat hembusan angin. 2. Data dengan reduksi Data dengan reduksi diperoleh dari titik A ke titik C. Disebut data dengan reduksi dikarenakan tempat pengambilan data di titik C di atap sebuah rumah yang berada di tengah pemukiman penduduk dan banyak pohon sehingga terdapat hambatan bagi hembusan angin. C. Perancangan Fuzzy Linear Regression Untuk perancangan Fuzzy Linear Regression menggunakan data tertentu yang diketahui label atau kelompoknya. Data yang digunakan sebagai data uji coba pada Tugas Akhir ini dibagi menjadi dua jenis yaitu data tanpa reduksi pada detik ke-1 sampai detik ke-100 (100 data awal) dan data dengan reduksi pada detik ke-1 sampai detik ke-100 (100 data awal). Dalam sistem Fuzzy Linear Regression, proses awal berupa pembuatan membership function dan rule- C

3 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) rule yang digunakan. Adapun penjelasan mengenai proses pembuatan membership function dan rule-rule yang digunakan adalah sebagai berikut. 1) Pembuatan Membership Function (MF) Membership function (MF) merupakan suatu fungsi yang digambarkan dalam bentuk kurva yang merepresentasikan gambaran dari pemetaan data masukan terhadap suatu kelompok tertentu. Dalam sistem ini, MF yang digunakan adalah segitiga. Untuk variabel masukan (antecedent) berupa fitur-fitur yang digunakan dan variabel keluaran (consequent) berupa hasil prediksi kecepatan angin. Jumlah variabel masukan sebanyak jumlah fitur yang digunakan, sedangkan jumlah variabel keluaran sebanyak satu variabel yaitu variabel keputusan. Pada variabel masukan dan variabel keluaran, nilai derajat keanggotaannya bisa dibagi menjadi 2 subset, 3 subset, dst. Adapun langkah-langkah pembuatan MF sebagai berikut: 1. Mencari nilai minimal, rata-rata, dan maksimal pada keseluruhan data. 2. Mencari posisi subset MF terbaik dengan membandingkan nilai rata-rata dari data tersebut. Dari perbandingan tersebut dapat disimpulkan bahwa kelompok yang mempunyai nilai rata-rata lebih kecil maka posisi MF-nya berada di sebelah kiri, sebaliknya berada di sebelah kanan. 2) Pembuatan Rules dan Kombinasi Rules Rules merupakan suatu aturan yang digunakan dalam fuzzy dalam menentukan suatu keputusan. Dalam pembuatan rules, langkah yang dilakukan adalah mendaftar semua kemungkinan yang ada dengan mengkombinasikan semua fitur yang digunakan. Apabila masing-masing variabel masukan terdapat 3 subset, maka jumlah rules yang digunakan adalah sebanyak 3 n, dimana n adalah jumlah fitur. Apabila variabel masukan terdapat 5 subset, maka jumlah rules yang digunakan sebanyak 5 n dst. 3) Pengecekan Dalam tahap ini dilakukan pengecekan rata-rata kesalahan dari hasil prediksi. Konsep regresi linier digunakan untuk mendapatkan rata-rata kesalahan yang paling kecil. Kesalahan (error) diperoleh dari selisih antara data keluaran dan hasil prediksi kecepatan angin. Rata-rata kesalahan yang ditentukan adalah kurang dari Apabila rata-rata kesalahan lebih besar dari 0.05, maka akan dilakukan proses update sistem dengan cara mengulangi proses dari pembuatan membership function untuk menentukan parameter MF yang baru. Selanjutnya, untuk masukan dibuat beberapa kondisi dengan cara membagi intervalnya menjadi beberapa bagian dengan interval baru yang lebih pendek. Hal ini membuat sistem menjadi adaptif sesuai dengan kondisi yang terjadi sehingga dapat meningkatkan keakuratan dari metode ini. Setiap kondisi dampaknya akan mempengaruhi parameter MF baru. Setelah sistem ter-update maka akan diuji kembali terhadap data uji coba awal. Apabila rata-rata kesalahan hasil prediksi yang baru masih belum sesuai dengan ketentuan, maka tahap selanjutnya adalah mengembangkan jumlah subset dari tiga subset menjadi lima subset dan seterusnya. 4) Simulasi Setelah mendapatkan sistem yang terbaik, tahap selanjutnya adalah simulasi. Simulasi ini bertujuan untuk menguji sistem dengan menggunakan data tertentu selain data uji coba yang digunakan dalam proses awal. Proses simulasi ini akan menampilkan keakuratan dari hasil prediksi dengan metode yang digunakan dibandingkan dengan data target yang telah direkam. D. Perancangan Model Fasor Doubly Fed Induction Generator (DFIG) Simulasi yang dilakukan menggunakan model fasor DFIG. Model ini merupakan model demo SymPowerSystems simulink toolbox dari MATLAB R2010a untuk Wind Farm (DFIG). Referensi masukan pada simulasi model fasor DFIG menggunakan hasil simulasi prediksi kecepatan angin yang sudah didapatkan pada proses sebelumnya. Simulasi ini dilakukan dalam 2 tahap yaitu: 1) Simulasi dengan metode Maximum Power Point Tracking (MPPT) Hasil simulasi ini adalah keluaran daya yang berfluktuatif mengikuti perubahan kecepatan angin. Hal ini karena DFIG menggunakan Maximum Power Point Tracking (MPPT) dengan metode pelacakan arah angin sehingga daya keluaran yang dihasilkan oleh DFIG akan selalu optimal. Nilai daya optimal (P Opt ) ini akan diambil untuk dijadikan daya referensi (P R ) pada tahap selanjutnya. 2) Simulasi dengan referensi daya konstan Pada simulasi ini, daya optimal (P Opt ) akan dirata-rata ke dalam beberapa periode untuk mendapatkan daya referensi (P R ) konstan. Dalam metode daya referensi konstan, daya tidak dapat naik atau turun secara tiba-tiba karena terjadi perubahan kecepatan angin tiap selang waktu tertentu, sehingga ada selang waktu untuk daya mengalami kenaikan atau penurunan (Δt). Oleh karena itu daya referensi (P R ) tidak konstan selama satu periode penuh karena terdapat waktu untuk mengalami perubahan dari daya tersebut. Dalam selang waktu dari perubahan daya (Δt), perubahan daya referensi sama dengan perubahan daya optimal yang sudah didapatkan sebelumnya. Untuk mendapatkan waktu daya referensi (P R ) saat konstan dengan cara menghitung selisih antara total waktu tiap periode (t) dengan selang waktu saat daya mengalami kenaikan atau penurunan (T = t- Δt). IV. IMPLEMENTASI SISTEM DAN ANALISIS DATA A. Hasil Simulasi Sistem Data yang digunakan adalah data simulasi. Data ini merupakan data selain data uji coba. Data yang digunakan adalah data pada detik ke-601 sampai detik ke ) Hasil Simulasi Sistem Menggunakan Data Tanpa Reduksi Untuk grafik perbandingan hasil simulasi prediksi kecepatan angin dengan target menggunakan 7 subset pada fitur kecepatan angin dapat dilihat pada Gambar 3.

4 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) Pada Tugas Akhir ini, hasil prediksi kecepatan angin yang dirata-rata dan akan digunakan sebagai referensi masukan pada PLTB adalah hasil simulasi yang menggunakan 7 subset untuk fitur kecepatan angin pada detik ke-601 sampai detik ke-700 menggunakan data tanpa reduksi dan data dengan reduksi yang dapat dilihat pada Gambar 3 dan Gambar 4. Untuk grafik rata-rata hasil prediksi pada Gambar 5 di bawah ini, didapatkan bahwa nilai rata-rata yang paling rendah adalah 5.8 m/s yang terjadi pada 50 detik ke-1. Sedangkan nilai rata-rata yang paling tinggi terjadi pada 50 detik ke-2 dengan nilai sebesar 8.4 m/s. Gambar 3 Grafik Perbandingan Hasil Prediksi VS Target Untuk Data Tanpa Reduksi ke-601 s/d 700 Menggunakan 7 Subset Pada Fitur Kecepatan Angin Berdasarkan Gambar 3, terlihat bahwa hasil prediksi kecepatan angin sangat baik karena sangat mendekati nilai target. Nilai kesalahan yang paling rendah adalah pada detik ke-605. Sedangkan nilai kesalahan yang paling tinggi didapatkan pada detik ke-640 dengan nilai kesalahan sebesar Rata-rata kesalahan yang didapatkan adalah ) Hasil Simulasi Sistem Menggunakan Data Dengan Reduksi Berdasarkan Gambar 4, terlihat bahwa hasil prediksi kecepatan angin tidak baik karena hasil prediksi berbeda dengan nilai target. Nilai kesalahan yang paling rendah adalah pada detik ke-674. Sedangkan nilai kesalahan yang paling tinggi didapatkan pada detik ke-638 dengan nilai kesalahan sebesar Dan rata-rata kesalahan yang didapatkan adalah Gambar 5 Grafik Rata-Rata Hasil Prediksi Kecepatan Angin Tiap 50 Detik Menggunakan Data Tanpa Reduksi Gambar 6 Grafik Rata-Rata Hasil Prediksi Kecepatan Angin Tiap 50 Detik Menggunakan Data Dengan Reduksi Gambar 4 Grafik Perbandingan Hasil Prediksi VS Target Untuk Data Dengan Reduksi ke-601 s/d 700 Menggunakan 7 Subset Pada Fitur Kecepatan Angin B. Rata-Rata Hasil Prediksi Kecepatan Angin Hasil prediksi kecepatan angin dirata-rata untuk mendapatkan hasil prediksi yang konstan dalam jangka waktu yang pendek sehingga referensi masukan untuk sistem PLTB konstan dalam selang waktu tertentu. Berdasarkan grafik rata-rata hasil prediksi pada Gambar 6, didapatkan bahwa nilai rata-rata yang paling rendah adalah 5.66 m/s yang terjadi pada 50 detik ke-2. Sedangkan nilai rata-rata yang paling tinggi terjadi pada 50 detik ke-1 dengan nilai sebesar 6.1 m/s. C. Simulasi Model Fasor Doubly Fed Induction Generator (DFIG) Pada Tugas Akhir ini, referensi masukan pada simulasi model fasor DFIG menggunakan 100 detik kecepatan angin dari hasil simulasi prediksi kecepatan angin yang menggunakan 7 subset untuk fitur kecepatan angin yaitu pada detik ke-601 sampai detik ke-700 menggunakan data tanpa

5 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) reduksi dan data dengan reduksi. Masukan kecepatan angin dirata-rata tiap 50 detik agar menghasilkan daya keluaran yang konstan. 1) Simulasi Menggunakan Masukan Hasil Prediksi Kecepatan Angin Untuk Data Tanpa Reduksi Pada Gambar 7 terdapat 2 daya referensi yang konstan berturut-turut Pr 1 sebesar pu dengan Δt 1 = 8 detik dan Pr 2 sebesar pu dengan Δt 2 = 28 detik. Sehingga didapatkan lama waktu saat daya referensi (P R ) konstan berturut-turut T 1 = 42 detik dan T 2 = 22 detik. 2) Simulasi Menggunakan Masukan Hasil Prediksi Kecepatan Angin Untuk Data Dengan Reduksi Pada Gambar 9 terdapat 2 daya referensi yang konstan berturut-turut Pr 1 sebesar pu dengan Δt 1 = 9 detik dan Pr 2 sebesar pu dengan Δt 2 = 1 detik. Sehingga didapatkan lama waktu saat daya referensi (P R ) konstan berturut-turut T 1 = 41 detik dan T 2 = 49 detik. Gambar 9 Daya Referensi Dengan Masukan Rata-Rata Kecepatan Angin Tiap 50 Detik Untuk Data Dengan Reduksi Gambar 7 Daya Referensi Dengan Masukan Rata-Rata Kecepatan Angin Tiap 50 Detik Untuk Data Tanpa Reduksi Untuk simulasi menggunakan masukan rata-rata kecepatan angin tiap 50 detik yang dipilih adalah daya referensi konstan dengan efisiensi 99% % karena kecepatan rotor tidak jatuh seperti yang terlihat pada Gambar 8. Untuk simulasi menggunakan masukan rata-rata kecepatan angin tiap 30 detik yang dipilih adalah daya referensi konstan dengan efisiensi 99% karena kecepatan rotor tidak jatuh seperti yang terlihat pada Gambar 10. Gambar 10 Keluaran Daya Listrik Konstan Untuk Rata-Rata Kecepatan Angin Tiap 50 Detik Untuk Data Dengan Reduksi Gambar 8 Keluaran Daya Listrik Konstan Untuk Rata-Rata Kecepatan Angin Tiap 50 Detik Untuk Data Tanpa Reduksi Berdasarkan Gambar 8,dapat dilihat pada saat T 1 = 40 detik (dari detik ke-11 sampai detik ke-50), daya yang dihasilkan sebesar MW. Pada saat T 2 = 18 detik (dari detik ke-82 sampai detik ke-100), daya yang dihasilkan sebesar MW. Berdasarkan Gambar 10,dapat dilihat pada saat T 1 = 39 detik (dari detik ke-12 sampai detik ke-50), daya yang dihasilkan sebesar 0.92 MW. Pada saat T 2 = 47 detik (dari detik ke-54 sampai detik ke-100), daya yang dihasilkan sebesar 0.57 MW.

6 JURNAL TEKNIK POMITS Vol. 1, No. 2, (2014) V. KESIMPULAN Berdasarkan hasil pembahasan di atas maka dapat dibuat beberapa kesimpulan sebagai berikut: 1. Untuk hasil simulasi prediksi kecepatan angin menggunakan data tanpa reduksi didapatkan nilai kesalahan yang paling rendah adalah pada detik ke-605. Sedangkan nilai kesalahan yang paling tinggi didapatkan pada detik ke-640 dengan nilai kesalahan sebesar Rata-rata kesalahan yang didapatkan adalah Untuk hasil simulasi prediksi kecepatan angin menggunakan data dengan reduksi didapatkan nilai kesalahan yang paling rendah adalah pada detik ke-674. Sedangkan nilai kesalahan yang paling tinggi didapatkan pada detik ke-638 dengan nilai kesalahan sebesar Dan rata-rata kesalahan yang didapatkan adalah Hasil simulasi model fasor DFIG menggunakan masukan kecepatan angin untuk data tanpa reduksi dengan rata-rata 50 detik menggunakan daya referensi dengan efisiensi 99% didapatkan hasil keluaran daya sebesar MW selama 40 detik (dari detik ke-11 sampai detik ke-50) dan MW selama 18 detik (dari detik ke-82 sampai detik ke- 100). 4. Hasil simulasi model fasor DFIG menggunakan masukan kecepatan angin untuk data dengan reduksi dengan rata-rata 50 detik menggunakan daya referensi dengan efisiensi 99% didapatkan hasil keluaran daya sebesar 0.92 MW selama 39 detik (dari detik ke-12 sampai detik ke-50) dan 0.57 MW selama 47 detik (dari detik ke-54 sampai detik ke-100). RIWAYAT PENULIS Achmad Royyan D. dilahirkan di Sampang pada 30 Agustus Penulis adalah putra dari pasangan Faqihul Muqoddam dan Elvin Soviati. Penulis memulai jenjang pendidikan di SDN Gunong Sekar I Sampang, SMPN 1 Sampang, dan SMA Darul Ulum 2 Unggulan BPPT RSBI Jombang hingga lulus tahun Pada tahun yang sama penulis melanjutkan pendidikan ke jenjang perguruan tinggi dan diterima di Institut Teknologi Sepuluh Nopember Surabaya pada Jurusan Teknik Elektro melalui jalur Program Beasiswa Santri Berprestasi dari Kementerian Agama RI. Semasa kuliah, penulis aktif sebagai Asisten Laboratorium Instrumentasi, Pengukuran, dan Identifikasi Sistem Tenaga (LIPIST). Penulis dapat dihubungi melalui royyandamanhuri@gmail.com DAFTAR PUSTAKA [1] Zakaria, Ahmad Zaki. Pemodelan Dan Pemetaan Potensi Energi Angin Menggunakan Jaringan Syaraf Tiruan (JST) Di Bendungan Karangkates Kabupaten Malang. Surabaya: Teknik Fisika, FTI-ITS. [2] World Wind Energy Association. Key Statistics of World Wind Energy Report Shanghai: World Wind Energy Association, [3] Jinn, Jann-Huei. A Study of Fuzzy Linear Regression. Michigan: Department of Statistics, Grand Valley State University. [4] Kumar, Amrender. FUZZY LINEAR REGRESSION. New Delhi: Indian Agricultural Statistics Research Institute. [5] Dharma, Agus. PERAMALAN BEBAN JANGKA PENDEK UNTUK HARI-HARI LIBUR MENGGUNAKAN METODE FUZZY LINEAR REGRESSION. Surabaya: Jurusan Teknik Elektro, ITS, [6] Abbey, Chad, Joos, Geza. A Doubly Fed Induction Machine and Energy Storage System for Wind Oower Generation. Aachen: IEEE PESC, July [7] Sidarjanto. Studi Tentang Penggunaan Refrensi Daya Listrik Konstan Pada Model Phasor Doubly Fed Induction Generator. Surabaya: Teknik Elektro, FTI-ITS, Nopember 2011.