JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt) Estmas Radas Matahar Peram ada Permukaan Horzontal dengan Etreme Learnng Machne (Stud Kasus d Surabaya) ur Ulfa Hdayatullah dan Ir. Ya umar, M. Jurusan eknk Fska, Fakultas eknolog Industr, Insttut eknolog Seuluh oember (IS) Jl. Aref Rahman Hakm, Surabaya 60 Indonesa e-mal: ulfa.hdayatullah0@mhs.e.ts.ac.d Abstrak Radas matahar meruakan sumber dar energ alternatf yang sangat berengaruh ada knera hotovoltac dalam menghaslkan energ. Sehngga memunculkan eneltan untuk mendaatkan estmas radas matahar eramnya ada hotovoltac. Estmas n menggunakan arngan syaraf truan (artfcal neural network/a) untuk memodelkan radas matahar eramnya. Jarngan syaraf truan meruakan sstem emrosesan nformas yang mengados sstem embelaaran ada otak manusa. Peneltan n menggunakan Etreme Learnng Machne yatu metode embelaaran baru dar arngan syaraf truan feedforward dengan satu hdden layer atau lebh dkenal dengan Sngle Hdden Layer Feedforward eural etwork (SLF). Hasl eneltan n menunukkan bahwa metode ELM memlk nla MSE yang lebh kecl dan learnng seed yang lebh ceat dbandngkan dengan metode backroagaton. Dar kedua metode yang dgunakan yatu backroagaton dan ELM untuk metode backroagaton memlk nla MSE sebesar 0,3378 dan dengan metode ELM ddaatkan MSE sebesar 5,88E-4. Selan tu untuk keceatan embelaaran atau learnng seed untuk roses testng ada metode backroagaton deroleh learnng seed sebesar 0,7 detk dan untuk metode ELM deroleh sebesar 0,056 detk. Kata Kunc Radas matahar, estmas, etreme learnng machne, backroagaton I. PEDAHULUA umber energ alternatf sebaga enggant bahan bakar Sfosl mash rama dbcarakan. Beberaa sumber energ alam yang terseda sebaga energ alternatf yang bersh, tdak berolus, aman, dan dengan ersedaan yang tdak terbatas dantaranya adalah energ surya. Penggunaan sumber energ lstrk yang beragam tamaknya tdak daat dhndar ada masa mendatang. Oleh sebab tu, engkaan terhada energ baru akan terus dlakukan. eknolog anel sel surya yang mengkonvers langsung cahaya matahar menad energ lstrk dengan menggunakan dvas semkonduktor yang dsebut sel surya banyak dka oleh enelt-enelt sebelumnya. Permasalahan saat n adalah bagamana menggunakan anel sel surya untuk mendaatkan keluaran lstrk yang otmal. Pemakaan anel sel surya umumnya dletakkan dengan oss tertentu dengan tana erubahan seert dhadakan ke atas. Dengan oss anel sel surya menghada ke atas dan ka anel dangga benda yang memunya ermukaan rata, maka anel sel surya akan mendaat radas matahar maksmum ada saat matahar tegak lurus dengan bdang anel []. Pada saat arah matahar tdak tegak lurus dengan bdang anel atau membentuk sudut θ, maka anel sel surya akan menerma radas lebh kecl. Dengan menurunnya radas yang dterma oleh anel sel surya, maka akan mengurang energ lstrk yang dkeluarkan oleh anel. Oleh karena tu derlukan eneltan lebh lanut untuk mendaatkan emodelan dar radas matahar eramnya. Pada eneltan sebelumnya sudah dlakukan emodelan untuk radas matahar eramnya dengan menggunakan arngan saraf truan feedforward backroagaton. Pada eneltan tersebut ddaatkan akuras yang mencaa 93,09 % dar estmas radas matahar eramnya dengan menggunakan arngan saraf feedforward backroagaton []. Hal tersebut menunukkan akuras yang lebh bak dbandngkan dengan menggunakan emodelan secara matemats. Jarngan saraf truan sendr meruakan sstem emrosesan nformas yang mengados sstem embelaaran ada otak manusa. Pada eneltan selanutnya telah dkembangkan metode baru dar arngan sarag truan yatu dengan metode Etreme Learnng Machne [3]. Etreme Learnng Machne meruakan metode embelaaran baru dar arngan saraf truan feedforward dengan satu hdden layer atau lebh dkenal dengan sngle hdden layer feedforward neural network (SLF) [4]. Sehngga ada eneltan n akan dgunakan metode Etreme Learnng Machne untuk estmas radas matahar eram ada ermukaan horzontal (stud kasus d Surabaya). II. EXREME LEARIG MACHIE Etreme Learnng Machne (ELM) meruakan metode embelaaran baru dar arngan saraf truan. Metode n ertama kal derkenalkan oleh Huang (004). ELM meruakan arngan saraf truan feedforward dengan sngle hdden layer atau basa dsebut dengan Sngle Hdden Layer Feedforward eural etworks (SLF) [5]. Metode embelaaran ELM dbuat untuk mengatas kelemahan-kelemahan dar arngan syaraf truan feedforward terutama dalam hal learnng seed. Huang et al mengemukaan dua alasan mengaa JS feedforward memunya leranng seed rendah, yatu :
JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt). Menggunakan slow gradent based learnng algorthm untuk melakukan tranng. Semua arameter ada arngan dtentukan secara teratve dengan menggunakan metode embelaaran tersebut Pada embelaaran dengan menggunakan conventonal gradent based learnng algorthm seert backroagraton (BP) dan varaanya Lavenberg Marquadt (LM) semua arameter ada JS feedforward harus dtentukan secara manual [6]. Parameter yang dmaksud adalah nut weght dan hdden bas. Parameter-arameter tersebut uga salng berhubungan antara layer yang satu dengan yang lan, sehngga membutuhkan learnng seed yang lama [5]. Sedangkan ada ELM, arameter-arameter seert nut weght dan hdden bas dlh secara random. ELM memlk learnng seed yang ceat dan mamu menghaslkan good generalzaton erformance [7]. Gambar. Struktur Etreme Learnng Machne Model matemats dar Etreme Learnng Machne lebh sederhana dan efektf dbandngkan dengan arngan saraf truan feedforward. Berkut model matemats dar Etreme Learnng Machne: Untuk umlah samel yang berbeda (X,t ) n X = [ X, X,..., X ] R () n m Xt = [ Xt Xt Xt n ],,..., R () Standart SLF dengan umlah hdden nodes sebanyak dan fungs aktvas g() daat dtulskan secara matemats sebaga berkut: β. g( ) = β. g( w + b ) = o (3) = = Dmana, J =,,..., w ( ) = w, w,..., w meruakan vektor dar weght yang m menghubungkan terhada hdden nodes dan nut nodes β ( ) = β, β,..., β meruakan weght vector yang m menghubungkan terhada hdden nodes dan outut nodes b = threshold dar th hdden nodes w = meruakan nner roduk dar w dan SLF dengan hdden nodes dan fungs aktfas g() dasumskan daat meng-aromate dengan tngkat error 0 dan daat dnotaskan sebaga berkut: = o t = 0 sehngga o t (4) β. g( w + b ) = t (5) = Persamaan datas daat dtulskan secara sederhana sebaga berkut: H β = (6) Dmana H adalah hdden layer outut matr. g ( w + b ) menunukkan outut dar hdden neuron yang berhubungan dengan nut, β meruakan matr dar outut weght, dan adalah matr dar target atau outut. Pada ELM nut weght dan hdden bas dtentukan secara acak, maka outut weght yang berhubungan dengan hdden layer daat dtentukan dar ersamaan: β = H (7) III. MEODE PEELIIA A. Pengumulan Data Data yang dgunakan adalah data dar radas matahar eram ada ermukaan horzontal (W/m ), temeratur udara ( o C), kelembaan relatf (%), dan keceatan angn (m/s) yang dambl selama bulan Me sama dengan Oktober 03 d Badan Meteorolog, Klmatolog, dan Geofska (BMKG) Perak I Surabaya. Pengamblan data dlaksanakan dar ukul 05.00 sama dengan ukul 8.00 eramnya. B. Estmas dengan Metode ELM Untuk melakukan estmas dengan metode ELM harus melalu beberaa tahaan. Secara gars besar dbag menad tga taha yatu, rerocessng data, tranng, dan testng. C. Pembagan Data Menad Data ranng dan estng Proses tranng dan testng derlukan dalam estmas dengan metode ELM. Proses tranng untuk mengembangkan model dar ELM, sedangkan testng dgunakan untuk mengevaluas kemamuan ELM. Oleh karena tu data dbag menad dua yatu data tranng dan testng. Menurut Zhang (997) beberaa eneltan membag data tranng dan testng dengan komoss untuk data tranng sebanyak 80% dar total data dan data testng sebanyak 0% dar total data. otal data yang dgunakan sebanyak 84 data untuk seta arameternya. Dar data tersebut kemudan dbag menad 80% dar total data untuk roses tranng yatu sebanyak 9 data dan 0% dar data total untuk roses testng yatu sebanyak 7 data. D. Pelathan (ranng) ELM uuan dar roses elathan n adalah untuk mendaatkan nut weght, bas, dan outut weght dengan tngkat kesalahan yang rendah. E. ormalsas Data ranng Data yang dnutkan ada ELM sebaknya dnormalsas sehngga memunya nla dengan range tertentu. Hal n derlukan karena fungs aktvas yang dgunakan akan menghaslkan outut dengan range data [0,] atau [-,]. Pada eneltan n untuk data tranng dnormalsas sehngga memunya range nla [-,]. Berkut rumus yang dgunakan untuk roses normalsas : X X mn X / ma X mn X (8) ( ) ( ) =
JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt) Dmana : X = nla hasl normalsas dengan range nla [-,] X = nla data asl yang belum dnormalsas mn X = nla mnmum ada data set ma X = nla maksmum ada data set F. Menentukan Fungs Aktvas dan Jumlah Hdden euron Pada roses tranng umlah hdden neuron dan fungs aktvas dar ELM harus dtentukan terlebh dahulu. Pada eneltan n dgunakan fungs aktvas sgmod bner dan lner, karena kedua fungs tersebut yang alng serng dgunakan ada ermasalahan forecastng dan fungs transfer ureln karena data yang akan destmas bersfat stasoner. Untuk umlah hdden neuron menurut Sun dkk (008), ELM menghaslkan outut eramalan yang stabl dengan umlah hdden neuron 0-000. Pada eneltan n dgunakan hdden neuron sebanyak 400 neuron. G. Menghtung Inut Weght, Bas of Hdden euon, dan Outut Weght Outut dar roses elathan ELM adalah nut dan outut weght serta bas dar hdden neuron dengan tngkat kesalahan rendah yang dukur dengan MSE dan MAPE. Inut weght dtentukan secara random, sedangkan outut weght meruakan nvers dar matr hdden layer dan outut. Secara matemats daat dtuls sebaga berkut : β = H (9) H = w,..., w, b,..., b,,..., ( ) g( w ) ( ) + b g w + b ( ) ( ) g w + b g w + b = β β = β (0) () t = () t H. Denormalsas Outut Outut yang dhaslkan dar roses elathan ddenormalsas, sehngga ddaatkan redcted sales dar data tranng. Rumus denormalsas adalah sebaga berkut : X = 0.5( X ) ( ) + ma X mn X + mn X (3) X = nla data setelah denormalsas X = nla outut sebelum denormalsas mn X = nla mnmum ada data set sebelum normalsas ma X =nla maksmum ada data set sebelum normalsas I. estng ELM Berdasarkan nut weght dan outut weght yang ddaatkan dar roses tranng, maka taha selanutnya adalah melakukan estmas dengan ELM. Data yang dguanakan adalah data testng sebanyak 0% dar data. Pada taha n data nut dnormalsas terlebh dahulu dengan range dan rumus normalsas yang sama dengan data tranng. Secara otomats outut dar roses n uga harus ddenormalsas. J. Analsa Hasl Estmas Setelah melalu berbaga tahaan datas, maka ddaatkan nla estmas radas matahar. Hasl yang ddaatkan tersebut kemudan danalsa aakah memlk tngkat kesalahan (MSE dan MAPE) yang kecl. Jka tngkat kesalahan yang dhaslkan mash relatf besar, maka devaluas kembal langkah-langkah yang telah dlakukan. Mula dar roses tranng, testng, mauun estmas hngga ddaatkan hasl yang otmal. Berkut rumus matemats dar Mean Square Error (MSE) dan Mean Absolut Precentage Error (MAPE). MSE = ( y t ) (4) = MAPE = y t ( 00) = y Dmana : = umlah data y = data outut (redcted sales) = data radas matahar aktual t (5) K. Membandngkan Hasl Estmas ELM dengan Backroagaton Setelah analss terhada hasl metode ELM dlakukan, maka akan dketahu nla MSE dan MAPE. Langkah selanutnya adalah membandngkan nla MSE dan MAPE tersebut dengan metode A. Metode A yang dgunakan adalah dengan algortma backroagaton dengan varannya Lavenberg-Marquadt. Selan nla MSE dan MAPE, uga dbandngkan waktu tranng untuk melhat erformans dar metode tersebut. IV. HASIL DA DISKUSI Metode ELM ada eneltan n dmlementaskan untuk mendaatkan estmas radas matahar dengan nut berua arah angn, keceatan angn, temeratur, dan kelembaan. Pada enentuan arstektur arngan n derlukan ola hubungan antara neuron atau node dan bobot tertentu untuk mendaatkan erforma yang bak. Performa dtentukan dar eror yang ddaat dar hubungan antara target yang dbutuhkan dengan outut. Pada tugas akhr n, outut dan target yang dbutuhkan adalah ntenstas radas matahar. Etreme learnng machne hanya menggunakan satu hdden layer ada arstektur arngannya. Untuk enentuan umlah node dawal embentukan arngan dlakukan engamblan data erforma saat arngan menggunakan node sebanyak buah sama dengan 400 node. Untuk masng-masng node dlakukan engulangan sebanyak tga kal sehngga ddaatkan nla rata-rata untuk Mean Square Error (MSE). MSE menggambarkan erforma dar arngan. Semakn kecl erforma atau nla MSE, maka arstektur arngan akan semakn bak karena memlk nla kesalahan yang kecl. Selanutnya untuk masng-masng emodelan arngan yatu dengan dengan menggunakan satu nut berua arah angn, keceatan angn, temeratur, kelembaan serta untuk outut yatu ntenstas radas matahar. 3
JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt) Pada arngan n dgunakan data sebanyak 364 data yang terbag menad 80% dar total data atau sebanyak 9 data untuk roses tranng dan 0% dar total data atau sebanyak 7 data untuk roses testng atau valdas. Dar data elathan dan valdas tersebut akan ddaatkan hasl smulas. Hasl smulas tersebut yang nantnya akan dbandngkan dengan nla target yatu ntenstas radas matahar. Kesalahan dar hasl smulas untuk roses elathan (tranng) dan data sebenarnya meruakan nla MSE. la MSE untuk elathan daat dbandngkan dengan nla MSE saat valdas untuk mendaatkan umlah node dan bobot terbak. Dar kelma ercobaan ada roses tranng data ddaatkan nla MSE sebaga berkut. abel la MSE untuk ranng ada Seta ode ode Perco- Perco- Perco- Perco- baan baan baan baan 3 4 5 40 0,07680 0,076696 0,07557 0,070835 0,0765 80 0,05699 0,056608 0,0570 0,060 0,058746 0 0,046895 0,04636 0,044773 0,04989 0,0469 60 0,0864 0,0354 0,03395 0,03343 0,03598 00 0,009 0,06 0,0058 0,0356 0,0083 40 0,008797 0,009577 0,04604 0,0405 0,0545 80 0,0004 0,000737 0,00004 0,0004 0,0003 30,44E-3 5,37E-3,E- 4,84E-4 4,57E-3 360,04E-3,84E-3,86E-3,33E-4,06E-4 400,5E-5,39E-3 3,4E-4 3,E-4,4E-4 Selanutnya dcar nla learnng rate atau learnng tme yang menunukkan keceatan arngan dalam melakukan embelaaran untuk masng-masng node ada seta dan ddaatkan hasl sebaga berkut. abel. la Learnng me untuk ranng ada Seta ode ode (Detk) (Detk) 3 (Detk) 4 (Detk) 5 (Detk) 40 0,0468 0,0468 0,0468 0,0468 0,0468 80 0,0468 0,0468 0,0468 0,0468 0,0468 0 0,078 0,078 0,07800 0,07800 0,0780 60 0,090 0,090 0,090 0,090 0,09 00 0,480 0,480 0,480 0,480 0,48 40 0,840 0,840 0,840 0,840 0,84 80 0,650 0,650 0,650 0,650 0,65 30 0,9640 0,9640 0,9640 0,9640 0,964 360 0,300 0,300 0,300 0,300 0,30 400 0,35880 0,35880 0,35880 0,35880 0,3588 Dar abel. tentang learnng tme untuk masngmasng ercobaan ddaatkan bahwa semakn banyak node yang dgunakan, maka keceatan embelaaran akan semakn membutuhkan waktu yang lama. Hal tersebut dtunukkan bahwa ada umlah node sebanyak 400 buah ddaatkan learnng tme sebesar 0,35880 ada kelma ercobaan. Gambar. la MSE ada ranng Data untuk Kelma. Dar abel. dtunukkan nla MSE untuk masngmasng ercobaan yang dlakukan sebanyak lma kal ercobaan. Pada seta node mula dar node hngga 400 node dlakukan engulangan sebanyak 5 kal ada roses tranng untuk mendaatkan nla MSE, namun ada tabel datas hanya dtamlkan sebagan dar umlah node yang ada yatu untuk kelatan 40 node. Dengan kelma ercobaan yang selanutnya dcar rata-rata dar nla MSEnya untuk menentukan arstektur yang akan dlh untuk dlakukan roses testng data. Berkut n akan dtunukkan rata-rata nla MSE untuk kelma ercobaan ada seta nodenya. Gambar. la Learnng me ada ranng Data untuk Kelma. Pada tranng ELM n dmlementaskan untuk nut arah angn, keceatan angn, temeratur, dan kelembaan. Sedangkan untuk target dar oututnya adalah radas matahar. Dengan menggunakan fungs aktvas sgmod dan umlah node yang sudah dtentukan sesua dengan arstektuk yang telah dlh berdasarkan nla MSE yang terkecl akan ddaatkan estmas radas matahar yang otmal. Berdasarkan ercobaan datas telah ddaatkan bahwa dengan menggunakan 400 buah hdden node ddaatkan nla MSE yang alng kecl. Hal nlah yang dadkan sebaga dasar untuk embentukan arngan untuk dlakukan tranng dan testng. Dar hasl tranng yang dlakukan 4
JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt) dengan menggunakan software Matlab ddaatkan hasl sebaga berkut. Gambar 3. ranng ELM. Dar grafk datas daat dsmulkan bahwa untuk tranng data yang memlk nla MSE terkecl atau memlk nla estmas dengan ELM yang dekat dengan target yatu ada tranng ELM dengan hdden node sebanyak 400 buah. Selanutnya dar roses tranng data tersebut dengan arstektur yang sama akan dgunakan untuk roses testng data untuk mendaatkan estmas radas matahar. Pada roses testng dgunakan 0 % dar total data yatu sebanyak 7 data. Data n kemudan dlakukan roses testng dengan menggunakan nut weght dan bas of hdden neuron dar hasl tranng data. Dar kesemblan data hasl testng daat dbandngkan untuk nla MSE dan learnng seednya. Dengan menggunakan arstektur arngan yang sudah dtentukan yatu dengan 4 nut yatu arah angn, keceatan angn, temeratur, dan kelembaan, 400 buah hdden node, dan buah outut yatu radas matahar. Selanutnya sebanyak 7 data dlakukan roses testng untuk mendaatkan estmas radas matahar. dengan ada saat roses tranng dan learnng seed yang auh lebh ceat dbandngkan dengan ada roses tranng. Dengan mengetahu nla tranng terbak yang sesua dengan MSE terkecl selanutnya dlakukan testng data untuk mengetahu estmas radas matahar yang dngnkan. Pada hasl testng dengan menggunakan metode ELM akan dbandngkan ketka estmas dengan menggunakan Backroagaton. Dar erbandngan nla estmas daat dlhat dar nla MSE dan learnng seed dar masngmasng arstektur. Berkut n akan dtamlkan erbandngan nla estmas dar kedua metode tersebut. abel 4. Perbandngan la MSE dan Learnng Seed dar Backroagaton dan ELM. Learnng Metode MSE Seed (detk) Backroagaton 0,3378 0,7 ELM 5,88E-4 0,056 Berkut n akan dtamlkan hasl estmas dar kedua metode tersebut dengan menggunakan grafk. Gambar 5. Hasl Estmas dengan Backroagaton dan ELM terhada Data Aktual, Gambar 4. estng ELM. Berkut n akan dtunukkan nla MSE dar testng data dan learnng seed yang dlakukan dengan umlah hdden node sebanyak 400 buah. abel 3. la MSE dan Learnng Seed dar Hasl estng Data. Learnng Seed Jumlah ode MSE estng estng (Detk) 400 5,88E-4 0,056 Berdasarkan tabel datas ddaatkan untuk nla MSE ada roses testng sebesar 5,88E-4 dengan learnng seed sebesar 0,056 detk. Hal n menunukkan bahwa untuk roses testng memlk MSE yang lebh kecl dbandngkan Pada abel 4. dan Gambar 5. menunukkan erbandngan nla MSE dan learnng seed antara Backroagaton dengan ELM. Dar kedua metode yang dguanakan yatu backroagaton dan ELM untuk metode backroagaton memlk nla MSE sebesar 0,3378 dan dengan metode ELM ddaatkan MSE sebesar 5,88E-4. Hal tersebut menunukkan bahwa untuk nla MSE terkecl untuk mendaatkan estmas radas matahar terletak ada metode ELM. Selan tu untuk keceatan embelaaran atau learnng seed untuk roses testng ada metode backroagaton deroleh learnng seed sebesar 0,7 detk dan untuk metode ELM deroleh sebesar 0,056 detk. Hal n menunukkan ada kasus n metode ELM memlk learnng seed yang lebh ceat dbandngkan dengan menggunakan backroagaton. Dengan nla MSE dan learnng seed ada ELM n daat dadkan untuk mendaatkan hasl estmas radas matahar. 5
JURAL EKIK POMIS Vol., o., (04) ISS: 337-3539 (30-97 Prnt) V. KESIMPULA Berdasarkan hasl dan embahasan yang telah dlakukan maka kesmulan eneltan n adalah sebaga berkut, enentuan ELM agar ddaatkan hasl estmas yang otmal adalah dengan krtera MSE yang terkecl untuk yatu dengan 4 nut, hdden node sebanyak 400 buah, dan outut. Dar hasl erbandngan antara estmas dengan menggunakan metode backroagaton dan ELM, ELM memlk MSE yang lebh kecl dan learnng seed yang lebh ceat dbandngkan dengan A. la MSE terkecl yatu sebesar 5,88E-4 dan learnng seed terceat sebesar 0,056 detk. Hal n menunukkan ada kasus n metode ELM memlk learnng seed yang lebh ceat dbandngkan dengan menggunakan backroagaton. DAF AR PUSAKA [] Abraham, A. 004. Meta-Learnng Evolutonary Artfcal eural etworks. Elsever scence : eurocomutng Journal. 56 c (004). -38. [] Demuth, H., dan Beale, m. 000. eural etwork oolbo For Use wth MALAB. Massachusetts : he Math Work Inc. [3] Huang, G.B., Zhu, Q.Y., dan Sew, C.K. 004. Etreme Learnng Machne : A ew Learnng Scheme of Feddforward neural etworks. Proceedng of Internatonal Jont Conference on eural etworks. Hungary, 5-9 Jul. [4] Huang, G.B., Zhu, Q.Y., dan Sew, C.K. 005. Etreme Learnng Machne : heory and alcatons. Elsever scence : eurocomutng. 70 (006) 489-50. [5] Mtchel,.M. 997. Machne learnng. Sngaura: McGraw-Hll. [6] Sun, Z.L., Cho,.M., Au, K.F., dan Yu, Y. 008. Sales Forecastng usng Etreme Learnng Machne wth Alcaton n Fashon Retalng. Elsever Decson Suort Systems 46 (008). 4-49. [7] Zhang, G., Pattuwo, B.E., dan Hu, M.Y. 997. Forecastng wth Artfcal eural etworks : he State of the Art. Elsever Internatonal Journal of Forecastng 4 (998) 35-6. [8] Yeng Cha Soh, Guang-Bn Huang, and Yuan Lan. wo-stage Etreme Learnng Machne for Regresson. eurocomutng, no. 73.. 308-3038. July 00. [9] Jorge Agulera, Florenca Almonacd, Gustavo ofuentes, and Pedro Zufra Leocado Hontora. Artfcal eural etworks Aled n PV System and Solar Radaton. In Artfcal Intellgence n Energy and Renewable. San: ova Scence. 006.. -38. [0] Benghanem M., Bendekhs M, and Mellt A. Artfcal eural etwork Model for Predcton Solar Radaton Data: Alcaton for Szng Stand-Alone Photovoltatc Power System. Algera, 005. [] B.Indu Ran, G.Saravana Ilango, and K.D.V.Sva Krshna Rao. Estmaton of Daly Global Solar Radaton Usng emerature, Relatve Humdty and Seasons wth A for Indan Statons. ruchraall, 0. [] Kassem, AS (009). Develoment of eural etwork Model to Estmate Hourly and Dffuse Solar Radaton on Horzontal Surface at Aleandra Cty (Egyt). Journal of Aled Scence Research 5(). [3] Sabran, Panggaea Ghyats (03). Kaan Potens Energ Matahar d Pulau arakan. Program Stud Meteorolog. Insttut eknolog Bandung. Bandung [4] Alharb, Maher Al (03). Daly Global Solar Radaton Usng A and Etreme Learnng Machne: A Case Study n Saud Araba. [5] Dng Shfe, Zhao Han, Zhang Yanan (03). Etreme Learnng Machne: Algorthm, heory, and Alcatons. Srnger. Sartf Intel Rev. DOI0.007/s046-03-9405-z 6