KONSTRUKSI UJI KESESUAIAN MODEL GEOGRAPHICALLY WEIGHTED POLYNOMIAL REGRESSION

Geographically Weighted Polynomial Regression (GWPolR) is a generalization of Geographically Weighted Regression (GWR) model. By using the generalization, GWPolR has parameters much more than GWR model. In general, excess of the number of parameter will have a higher appropriate value. However, the model which has less parameter will have the excess for easing in application and its interpretation. Nevertheless, when the model has more the parameters, then the model will be better significantly to be used. Therefore, the aim of this paper is to construct the conformity between hypothesis test with respect to the GWPolR model. Keywords: Geographically weighted polynomial regression, Geographically Weighted Regression, uji kesesuaian model AbstrakGeographically Weighted Polynomial Regression (GWPolR) merupakan perumuman dari model Geographically Weighted Regression (GWR). Dengan perumuman tersebut, model GWPolR memiliki jumlah parameter yang lebih banyak daripada model GWR. Umumnya, kelebihan model dengan jumlah parameter lebih banyak adalah memiliki nilai kesesuaian lebih tinggi. Sebaliknya, model dengan jumlah parameter yang sedikit memiliki kelebihan berupa kemudahan dalam aplikasi dan interpretasinya. Namun demikian, jika model dengan jumlah parameter yang lebih banyak ternyata secara signifikan lebih baik maka sudah seharusnya model tersebut dipilih untuk digunakan. Oleh karena itu, tujuan paper ini adalah mengkonstruksi uji hipotesis kesesuaian model GWPolR. Kata Kunci: Geographically weighted polynomial regression, Geographically Weighted Regression, uji kesesuaian model

KONSTRUKSI UJI KESESUAIAN MODEL GEOGRAPHICALLY WEIGHTED POLYNOMIAL REGRESSION

Geographically Weighted Polynomial Regression (GWPolR) merupakan perumuman dari model Geographically Weighted Regression (GWR). Dengan perumuman tersebut, model GWPolR memiliki jumlah parameter yang lebih banyak daripada model GWR. Umumnya, kelebihan model dengan jumlah parameter lebih banyak adalah memiliki nilai kesesuaian lebih tinggi. Sebaliknya, model dengan jumlah parameter yang sedikit memiliki kelebihan berupa kemudahan dalam aplikasi dan interpretasinya. Namun demikian, jika model dengan jumlah parameter yang lebih banyak ternyata secara signifikan lebih baik maka sudah seharusnya model tersebut dipilih untuk digunakan. Oleh karena itu, tujuan paper ini adalah mengkonstruksi uji hipotesis kesesuaian model GWPolR

Analysis of parametric and non-parametric regression techniques to model the wind turbine power curve

Wind turbine power curve provides technical specification of the wind turbine in the form of nominal wind power readings. This information may used to monitor the performance of the power system, estimate the power produced by the turbine, optimize the operational cost, and improve the reliability of the power system. However, this information is not sufficient to accomplish these tasks. To accomplish these tasks, the accurate modeling of the wind power curve is required. In this article, various curve fitting techniques, namely polynomial regression, locally weighted polynomial regression, spline regression, piecewise polynomial regression, and smoothing spline, have been applied to model the power curve of wind turbine. All these techniques have been used to model the power curve on National Renewable Energy Laboratory (NREL) 2012 dataset with site-id 124693.