📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 11 dokumenPERANCANGAN SISTEM IOT UNTUK PENGAWASAN DAN KONTROL KOLAM BUDIDAYA IKAN DI LABORATORIUM BRIN
Penelitian di Laboratorium Akuakultur Air Tawar Badan Riset dan Inovasi Nasional (BRIN) menghadapi kendala inefisiensi akibat pemantauan kualitas air manual (grab sampling) yang menyita waktu, frekuensinya terbatas pada jam operasional, dan berpotensi memicu stres pada ikan uji. Untuk mengatasi masalah tersebut, penelitian ini merancang sistem pemantauan kualitas air berbasis Internet of Things (IoT) dan cloud yang beroperasi secara kontinu dan real-time. Sistem ini mengintegrasikan mikrokontroler ESP32, konverter presisi ADS1115, serta lima sensor (DO, pH, Suhu, ORP, dan TDS) yang diinstalasi pada ruang sirkulasi tertutup (probe box) di unit Recirculating Aquaculture System (RAS). Transmisi data dari sensor ke server memanfaatkan protokol MQTT dengan arsitektur Publish/Subscribe yang hemat daya, berefisiensi tinggi, dan ramah terhadap firewall institusi. Hasil pengujian lapangan menunjukkan keandalan sistem dengan tingkat kontinuitas pengiriman data mencapai 97,07% selama periode tujuh hari. Evaluasi kinerja membuktikan presisi instrumen yang sangat baik, di mana uji keterulangan seluruh parameter menghasilkan nilai koefisien variasi (CV) di bawah batas 5%. Analisis menggunakan uji t berpasangan dan uji ekivalensi (Two One-Sided Tests/TOST) juga mengonfirmasi bahwa sensor-sensor redundan memiliki kesesuaian pengukuran yang setara pada batas toleransi operasional. Didukung antarmuka visualisasi berbasis value mapping untuk sistem peringatan dini, implementasi IoT ini berhasil mengotomatisasi pengumpulan data, menjamin penerapan etika penelitian (refinement), dan membantu dalam meningkatkan efisiensi siklus riset serta publikasi ilmiah di BRIN.
DETEKSI SERANGAN DISTRIBUTED DENIAL OF SERVICE (DDOS) PADA SOFTWARE DEFINED NETWORKING (SDN) MENGGUNAKAN PENDEKATAN HYBRID DEEP LEARNING BERBASIS CNN-LSTM-TRANSFORMER
Teknologi Software-Defined Networking (SDN) menawarkan fleksibilitas pengelolaan jaringan melalui pemisahan control plane dan data plane. Namun, arsitektur terpusat ini kerentanan single point of failure terhadap serangan Distributed Denial-of-Service (DDoS) yang dapat melumpuhkan controller dan mengganggu ketersediaan layanan. Meskipun berbagai pendekatan deep learning telah diusulkan, mayoritas masih terbatas pada evaluasi offline menggunakan fitur dataset berdimensi tinggi yang tidak kompatibel dengan statistik protokol OpenFlow, serta minimnya validasi operasional secara real-time. Penelitian ini mengusulkan kerangka kerja deteksi dan mitigasi DDoS berbasis aliran (flow-based) menggunakan model hibrida CNN-LSTM-Transformer. Model ini mengintegrasikan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial, Long Short-Term Memory (LSTM) untuk dependensi temporal, dan Transformer untuk menangkap konteks global melalui mekanisme self-attention. Evaluasi offline dilakukan pada tiga dataset publik (CIC-DDoS2019, inSDN, dan CIC-IDS2017) menggunakan 71 fitur, sementara validasi real-time diimplementasikan pada testbed Mininet dan controller Ryu (OpenFlow 1.3) menggunakan 11 fitur operasional yang kompatibel dengan statistik OpenFlow. Hasil evaluasi offline menunjukkan model usulan mencapai tingkat akurasi 99,87% (CIC-DDoS2019), 99,98% (inSDN), dan 99,93% (CIC-IDS2017), dengan waktu konvergensi yang lebih cepat dan validation loss yang lebih rendah dibandingkan model tanpa Transformer. Pada fase validasi real-time, sistem mampu mendeteksi serangan flooding (UDP, TCP SYN, dan ICMP) dalam waktu 0,0693 hingga 0,2668 detik. Mekanisme mitigasi otonom menggunakan instruksi drop rules terbukti efektif mencegah saturasi komputasi dengan memulihkan utilisasi CPU controller dari 52,6%-91,4% ke rentang 0,7%-1,7%. Penelitian ini berhasil menjembatani kesenjangan (deployment gap) antara metrik klasifikasi offline dan kelayakan implementasi mitigasi pada jaringan SDN.
RANCANG BANGUN SISTEM AKUISISI DATA QCM MULTI-CHANNEL UNTUK DETEKSI SENYAWA ORGANIK VOLATIL
Quartz Crystal Microbalance (QCM) merupakan sensor berbasis perubahan massa yang memiliki potensi besar dalam aplikasi pemantauan gas polutan karena sensitivitasnya yang tinggi. Namun, tantangan utama dalam implementasinya meliputi kebutuhan sistem akuisisi data yang mampu membaca banyak kanal secara simultan serta peningkatan selektivitas sensor terhadap gas tertentu. Penelitian ini bertujuan untuk mengembangkan sistem akuisisi data QCM multi-channel berbasis mikrokontroler Teensy 3.2 yang terintegrasi dengan perangkat lunak antarmuka berbasis C# untuk pemantauan frekuensi dan suhu secara real-time. Untuk meningkatkan kinerja sensor, permukaan kristal QCM dimodifikasi dengan lapisan nanofiber Polyacrylonitrile (PAN) dan Polyvinylpyrrolidone (PVP) konsentrasi 10% (w/w) menggunakan metode electrospinning. Pengujian dilakukan dengan memaparkan sensor terhadap variasi analit Volatile Organic Compounds (metanol, etanol, aseton), uap air, dan campuran gas dengan variasi volume injeksi (50 ? 150 ?L). Hasil karakterisasi SEM menunjukkan bahwa nanofiber PVP memiliki morfologi serat yang seragam, sedangkan PAN didominasi oleh struktur beads. Data respons frekuensi menunjukkan bahwa sensor berbasis PVP memiliki sensitivitas tertinggi terhadap analit alkohol dan uap air, didorong oleh mekanisme ikatan hidrogen dan luas permukaan efektif yang besar. Sebaliknya, sensor berbasis PAN menunjukkan respons yang lebih rendah akibat morfologi beads dan sifat hidrofobik yang menghambat adsorpsi uap air, bahkan menghasilkan respons di bawah sensor tanpa lapisan (blank).
PENGEMBANGAN WEBSITE SISTEM PEMANTUAN PATROLI KEAMANAN (STUDI KASUS: KOTA BARU PARAHYANGAN)
Sistem keamanan di Kota Baru Parahyangan masih mengandalkan pelaporan manual melalui WhatsApp dan pencatatan Excel oleh command center, sehingga menyulitkan pemantauan real-time, validasi keberadaan petugas, serta pengelolaan tugas patroli berdasarkan wilayah. Untuk mengatasi permasalahan tersebut, dikembangkan website sistem pemantauan patroli keamanan menggunakan metodologi Waterfall yang terdiri dari enam tahap: Requirements, Design, Development, Testing, Deployment, dan Maintenance. Pada tahap Requirements, kebutuhan sistem dikumpulkan melalui wawancara dengan command center sebagai pengguna utama. Tahap Design mencakup perancangan use case diagram, alur proses, arsitektur sistem, struktur data, dan antarmuka pengguna. Sistem diimplementasikan pada tahap Development, lalu diuji pada tahap Testing melalui functional testing untuk memastikan kesesuaian fungsionalitas dengan skenario penggunaan. Sistem kemudian di-deploy secara terbatas ke lingkungan operasional command center, diikuti feedback interview untuk mengevaluasi kemudahan penggunaan dan kepuasan pengguna. Sistem ini dilengkapi fitur utama seperti pemantauan lokasi patroli secara real-time, visualisasi rute, pengelolaan petugas dan tugas, serta integrasi data CCTV dan laporan kejadian ke dalam peta interaktif. Hasil pengujian menunjukkan bahwa seluruh fitur berjalan sesuai ekspektasi tanpa bug kritis, dan pengguna memberikan respons positif terhadap manfaat sistem. Namun, terdapat beberapa masukan seperti peningkatan aspek responsif sistem, stabilitas titik lokasi, serta penambahan fitur sortir dan filter data. Sistem ini tidak mencakup tahap Maintenance karena masih bersifat proof of concept. Secara keseluruhan, sistem dinilai mampu meningkatkan efektivitas dan efisiensi pengawasan patroli oleh command center.
EVALUASI KOMPARATIF ALGORITMA PEMBELAJARAN MESIN DAN ARSITEKTUR DEPLOYMENT DETEKSI ANOMALI PADA WEB SERVER LOG DALAM LINGKUNGAN DINAMIS
Penulis mengkaji permasalahan deteksi anomali pada web server log dalam konteks meningkatnya volume data dan perubahan distribusi (concept drift). Penelitian ini bertujuan untuk mengevaluasi teknik deteksi anomali yang adaptif terhadap concept drift serta mengimplementasikannya dalam sistem pemrosesan data secara streaming. Metodologi yang digunakan adalah CRISP-DM, mencakup pemahaman masalah, eksplorasi dan pemrosesan data web server log hingga siap digunakan untuk pemodelan, evaluasi, dan deployment. Tiga pendekatan online unsupervised learning dibandingkan: iForestASD, MemStream, dan xStream, menggunakan data dari SCAR generator untuk tiga jenis concept drift—sudden, gradual, dan incremental. Selain itu, dilakukan perbandingan terhadap stream processor—Apache Flink dan Spark Structured Streaming—serta model serving—FastAPI dan MLflow Model Serve, untuk menentukan arsitektur deployment yang sesuai dengan kebutuhan fungsional dan nonfungsional. Hasil evaluasi menunjukkan bahwa iForestASD memiliki kinerja terbaik pada sudden drift (ROC-AUC 0,972) dan gradual drift (0,921), sedangkan MemStream unggul pada incremental drift (0,911). xStream menunjukkan kinerja rendah pada semua skenario. Dari sisi sistem, Flink unggul dalam end-to-end latensi dan efisiensi memori dibandingkan Spark. Untuk model serving, MLflow Model Serve menunjukkan latensi inferensi yang lebih rendah dan stabil dibandingkan FastAPI. Kombinasi Flink dan MLflow membentuk alur sistem deteksi anomali yang efisien dalam lingkungan real-time. Berdasarkan hasil evaluasi tersebut, sistem dinilai berhasil menjawab rumusan masalah dan memenuhi tujuan dari Tugas Akhir ini.
EVALUASI KINERJA ALGORITMA PENCARI RUTE DENGAN STUDI KASUS KOTA BANDUNG
Tugas akhir ini bertujuan untuk mengevaluasi dan menentukan algoritma pencarian rute terbaik dalam menemukan rute teroptimal menuju suatu lokasi. Permasalahan ini menjadi krusial terutama dalam situasi darurat seperti ambulans, polisi, dan pemadam kebakaran yang membutuhkan respons cepat untuk meminimalkan dampak dari suatu kejadian. Tugas akhir ini dilakukan dengan mengimplementasikan dan membandingkan tiga algoritma pencarian rute, yaitu Dijkstra, A*, dan Bidirectional A*. Ketiga algoritma tersebut diterapkan pada graf jalan Kota Bandung yang telah disesuaikan berdasarkan moda transportasi tertentu, serta mempertimbangkan kondisi lalu lintas aktual melalui integrasi data real-time dari Google Maps. Dalam pengevaluasian dilakukan pengklusteran berdasarkan moda transportasi. Hasil pengujian menunjukkan bahwa algoritma Bidirectional A* memberikan kinerja terbaik dibandingkan dua algoritma lainnya pada penentuan rute dengan moda transportasi sepeda motor dan kendaraan besar dengan studi kasus Kota Bandung. Algoritma A* memiliki kinerja terbaik pada moda transportasi pejalan kaki dengan studi kasus Kota Bandung. Untuk moda pejalan kaki algoritma A* dan Bidirectional A* memiliki kinerja yang sama. Pada tugas akhir ini ditemukan algoritma yang mampu menemukan rute teroptimal dengan moda transportasi mobil, sepeda motor, dan kendaraan besar ialah algoritma A* dan moda pejalan kaki ialah algoritma Bidirectional A*.
MENGOPTIMALKAN KINERJA ESP SANGAT BERGANTUNG PADA FREKUENSI DAN PARAMETER KESEHATAN POMPA
Electrical Submersible Pumps (ESPs) are one of the most common artificial lift methods used in both offshore and onshore oil fields. With real-time monitoring systems, ESP data is updated every minute, creating a large volume of information. This study examines how to utilize this data to automatically optimize ESP performance and predict pump health. The objective is to increase oil production by optimizing the ESP frequency. An iterative process is applied, where the frequency is increased step-by-step. At the same time, key pump health parameters—such as intake pressure, discharge pressure, motor temperature, intake temperature, vibration, and motor load—are monitored. If these values remain within a safe range (as defined by experts), the frequency continues to increase. If not, the process stops. To predict pump health, machine learning models are used. The vibration-y model using XGBoost achieved an R² of 0.79, while the vibration-x model reached an R² of 0.84. The intake pressure model, using an Extra-Trees Regressor, achieved an R² of 0.98, while the discharge pressure model reached an R² of 0.83. For motor temperature, the model achieved an R² of 0.99. The virtual flowrate model using AdaBoost Regressor resulted in an R² of 0.90. Virtual flow rate is only predicted for the most recent data, while the forecast values are calculated using the affinity law. For motor load and intake temperature, an analytical method will be used. The method was tested on two wells. For Well-19, increasing the frequency from 107 to 120 Hz raised production from 12,768 to 14,319 BFPD, with an oil gain of 10.85 BOPD. For Well-11, the frequency increased from 106 to 120 Hz, improving flow from 13,033 to 14,754 BFPD, and gaining 12.05 BOPD. This study presents a novel approach to utilizing machine learning and pump behavior to enhance oil production automatically. While the results are good enough, further improvements, such as panel split cross-validation and advanced time-series models (e.g., LSTM), could enhance future work.
PENGEMBANGAN ALGORITMA HIGH AVAIBILITY UNTUK OPTIMASI KOMUNIKASI SCADA PADA SUBSTATION AUTOMATION SYSTEM BERDASARKAN ANALISIS REALTIME DATA MINING
Dalam era digitalisasi energi, sistem SCADA memegang peran penting dalam mengawasi dan mengontrol infrastruktur kelistrikan modern. Namun, PLN UP2B Kaltimra menghadapi tantangan dengan High availability data yang tidak konsisten di gardu induk, yang menyebabkan keterlambatan pada pengukuran, pembaruan status, dan operasi kontrol, sehingga menghambat kinerja optimal. Untuk mengatasi tantangan ini, penelitian ini bertujuan untuk mengembangkan algoritma High availability berdasarkan analisis kecepatan dan kebenaran data (data velocity and veracity). Pengujian dilakukan dengan menggunakan Personal Computer (PC) atau Virtual Machine (VM) yang dilengkapi dengan Python dan library komunikasi di jaringan Front End. Data pengukuran dan status peralatan dikumpulkan melalui Real-Time Data Mining, dan metodologi CRISP-DM diterapkan untuk menganalisis data pengukuran dan status peralatan, mengidentifikasi faktor keterlambatan, serta mengembangkan solusi algoritmik. Analisis menunjukkan bahwa ketidakstabilan ketersediaan data sering disebabkan oleh pengambilan data berulang dari satu sensor, yang menyebabkan kemacetan, keterlambatan, atau pemutusan data. Penyelidikan lebih lanjut terhadap topologi jaringan direkomendasikan. Berdasarkan temuan ini, algoritma High availability dirancang dan diuji dalam sistem SCADA, Hasil pengujian menunjukkan algoritma autorestart yang dikembangkan berhasil meningkatkan tingkat availability komunikasi data sebesar 16,5%, dari kondisi awal yang mengalami kegagalan hingga 24% pada salah satu gardu induk menjadi hanya 7,5%. Rata-rata latensi komunikasi juga berhasil dikurangi dari 0,12 detik menjadi 0,05 detik. Dalam penerapan algoritma dengan Simulated Annealing, proses pengumpulan data yang sebelumnya menunjukkan kegagalan pada 25,33% data kini menjadi lebih stabil dengan error rate menurun hingga 1% pada perangkat yang diuji. Penelitian ini memberikan kontribusi dalam meningkatkan efisiensi dan keandalan SCADA PLN UP2B Kaltimra, menawarkan solusi yang relevan untuk menghadapi tantangan jaringan komunikasi dalam sistem kelistrikan modern.
PREDIKSI PERGERAKAN PENGGUNA PADA JARINGAN 5G DI JAKARTA UNTUK KEPENTINGAN HANDOVER DENGAN METODE LONG SHORT-TERM MEMORY
Sejak peluncuran pertama jaringan 5G pada tahun 2018, teknologi ini telah berkembang pesat dan kini mencakup sekitar 40% populasi dunia. 5G menawarkan bandwidth yang lebih tinggi, konektivitas lebih cepat, dan latensi yang lebih rendah dibandingkan dengan 4G. Untuk mencapai bandwidth tinggi ini, 5G beroperasi pada frekuensi lebih tinggi, yang meski membawa lebih banyak data, memiliki jangkauan lebih kecil dan mudah terhalang. Hal ini menyebabkan pengguna 5G mengalami lebih banyak handover dibandingkan 4G, sehingga performa handover menjadi penting dalam sebuah jaringan 5G. Salah satu cara untuk meningkatkan performa dan efisiensi handover adalah dengan melakukan prediksi pergerakan pengguna dengan algoritme seperti Markov Chain, Hidden Markov Model, dan metode machine learning seperti Support Vector Machine (SVM), XGBoost, Deep Neural Network (DNN), dan Long Short-Term Memory (LSTM). Perkembangan dalam algoritma LSTM terus membuktikan bahwa algoritma ini sangat baik untuk memprediksi data yang berkaitan dengan waktu. Karena itu, algoritma LSTM dapat menjadi algoritma yang cukup efisien untuk membuat prediksi pergerakan pengguna untuk kepentingan handover. Karena itu, tujuan dari penelitian ini adalah membuat suatu model LSTM yang dapat digunakan untuk prediksi multi-step-ahead yang akan mengambil 60 detik data historis dan memprediksi 10 detik data prediksi (x = 60, y = 10). Model ini akan didesain untuk memiliki rata-rata jarak dari data sebenarnya dan data prediksi kurang dari 20 meter dan latensi kurang dari 100 ms. Untuk membuat model ini, akan digunakan subsistem tampilan berupa Plotly dan TensorBoard untuk menampilkan hasil peta dan metrik-metrik pelatihan model. Sementara itu, dataset yang digunakan oleh pelatihan model ini adalah dataset Grab-Posisi dan framework yang digunakan untuk membangun model machine learning yang digunakan adalah framework TensorFlow, dimana keduanya merupakan bagian dari subsistem prediksi. Kombinasi subsistem ini dipilih karena simplisitas dalam implementasinya dan efisiensi dari masing-masing subsistem ini. ii Terdapat 6 variasi model yang dibangun dan dilatih, yakni: model dengan 16 unit dalam 1 layer, 32 unit dalam 1 layer, 64 unit dalam 1 layer, 128 unit dalam 1 layer, 32 unit dalam 2 layer (32 + 32), dan 64 unit dalam 2 layer (64 + 64). Semua variasi ini dilatih sebanyak 1000 epoch, namun terdapat pula satu variasi model dengan 16 unit yang dilatih sebanyak 3106 epoch. Metrik-metrik MAE, MSE, RMSE, dan rata-rata perbedaan dalam meter (avg_m_diff) dari setiap model lalu diukur untuk mendapatkan model dengan performa terbaik. Selain itu, hasil model juga akan dipetakan untuk memvisualisasi trayek pengguna yang diprediksi model dan dibandingkan dengan trayek pengguna nyata. Dari hasil pengujian, didapatkan bahwa model dengan 16 unit yang dilatih sebanyak 3106 epoch (model_16_lr001_v2) merupakan model yang paling akurat dalam melakukan prediksi. Model ini mencapai akurasi sebesar 16,99 meter dengan latensi 31 ms. Penelitian ini membuktikan bahwa metode LSTM dapat digunakan untuk memprediksi pergerakan pengguna dengan cukup akurat dan cepat untuk digunakan dalam penanganan handover pada sebuah jaringan 5G. Ke depannya, akurasi dari model dapat ditingkatkan dengan menaikkan jumlah epoch pelatihan dari tiap variasi model. Model dengan 32 neuron dan 64 neuron dipercaya memiliki potensial yang sama atau lebih besar dibandingkan dengan model dengan 16 neuron jika dilatih dalam epoch yang lebih besar.
PENGEMBANGAN PEMANTAUAN KONDISI SISTEM PEMBANGKIT LISTRIK TENAGA SURYA BERBASIS INTERNET OF THINGS DAN PLATFORM MAHADATA
Rencana Umum Energi Nasional (RUEN) pada tahun 2017 menargetkan penggunaan energi terbarukan lebih dari 66% pada tahun 2050. Sebagai negara tropis, Indonesia memiliki potensi energi surya lebih dari 400 GW. Energi surya bersifat intermiten sehingga pengembangannya akan terus dilakukan dengan menaikkan efisiensi dari produksi panel surya. Semakin besar perkembangan PLTS akan dibutuhkan teknologi lebih lanjut untuk memantau Kondisi sistem PLTS sehingga akan mempermudah deteksi kegagalan dan mengamati Kondisi sistem secara realtime dan online. Penelitian ini bertujuan untuk mengembangkan dan menganalisis Kondisi sistem pemantauan kondisi Pembangkit Listrik Tenaga Surya (PLTS) berbasis Internet of Things (IoT) dan platform mahadata di Gedung Villa Merah, ITB. Metodologi penelitian meliputi pengumpulan data dari inverter, pemrosesan data menggunakan bahasa pemrograman Python, penyimpanan data ke MySQL, dan visualisasi data menggunakan platform grafana. Pengujian sistem dilakukan dengan mengukur ketepatan data, volume data, waktu tunda, dan kecepatan data. Hasil pengujian menunjukkan bahwa sistem yang dikembangkan mampu mengakuisisi dan memantau data secara akurat dengan rata-rata volume data sebesar 0,07 KB, waktu tunda 1,06 detik, dan kecepatan data 0,06 KB/detik. Analisis ketepatan data menunjukkan MAE sebesar 2,29 Volt untuk kedua string, yang menunjukkan bahwa sistem mampu memantau kondisi PLTS dengan baik. Kesimpulan dari penelitian ini yaitu Sistem pemantauan kondisi PLTS berbasis IoT yang dikembangkan mampu mengakuisisi data dengan protokol Modbus TCP, memproses data menggunakan Python, menyimpannya di MySQL, serta memvisualisasikannya secara real-time menggunakan Grafana. Lalu Analisis Kondisi menunjukkan bahwa rata-rata volume data yang dihasilkan adalah 0,07 KB, waktu tunda 1,06 detik, dan kecepatan data 0,06 KB/detik. Saran untuk penelitian selanjutnya adalah integrasi dengan sistem manajemen energi di gedung dan pengembangan fitur notifikasi untuk kondisi tertentu pada sistem PLTS. Kata kunci: PLTS, internet of Things (IOT), pemantauan kondisi, akuisisi data, dan visualisasi data.
ESTIMASI KECEPATAN ANGIN PADA JARINGAN ANEMOMETER DI STASIUN METEOROLOGI JUANDA SURABAYA MENGGUNAKAN COOPERATIVE SENSING, TEMPORAL CONVOLUTIONAL NETWORK DAN KOREKSI SPASIAL
Kerusakan sensor angin sering diakibatkan oleh kerusakan transduser, komponen internal serta perkabelan. Ketidaktersediaan data kecepatan angin menjadi masalah yang krusial, misalkan jaringan anemometer terpasang di bandara. Penelitian ini berupaya mengembangkan metode estimasi kecepatan angin berbasis cooperative sensing dan Temporal Convolutional Network (TCN), serta mengkoreksinya secara spasial. Cooperative sensing terdiri dari sensor, model, algoritma estimasi dan besaran output. Sensor meliputi 4 anemometer yang terpasang di Bandara Internasional Juanda Surabaya yaitu SB3, SB4, SB5 dan SB6. Dataset merupakan data kecepatan angin per menit periode 1 Januari 2022-24 Desember 2023. Hyperparameter TCN teroptimal meliputi panjang filter (Nf) 32 dan faktor dilatasi d=[1,2,4]. Hasil penelitian menunjukkan anemometer target SB4 dan SB5 dapat diestimasi secara bergantian berdasarkan input data anemometer terdekat dan data historis anemometer. Koreksi spasial mampu memperbaiki performa akurasi estimasi kecepatan angin dengan koefisien korelasi meningkat dari 0,87 ke 0,88 baik untuk target SB4 maupun SB5. RMSE menurun dari 0,86 m/s ke 0,83 m/s untuk SB4 serta 0,90 m/s ke 0,88 m/s untuk SB5. MAE menurun dari 0,60 m/s ke 0,58 m/s untuk SB4 serta 0,64 m/s ke 0,62 m/s untuk SB5. Secara keseluruhan, performa metode estimasi terkoreksi masih memenuhi persyaratan WMO dengan RMSE<5 m/s dan MAE<3m/s. Kata kunci: estimasi, kecepatan angin, Temporal Convolutional Network