Prediksi Radiasi Surya Menggunakan Metode Long Short-Term Memory

Abstract

Penelitian ini memfokuskan pada optimalisasi pemanfaatan energi matahari di Kalimantan Barat, sebuah wilayah yang kaya akan sumber daya matahari, dengan total pembangkit listrik tenaga surya (PLTS) mencapai 1.58 MW. Untuk memprediksi potensi energi matahari, penelitian menggunakan metode jaringan syaraf tiruan Long Short-Term Memory (LSTM) dengan data yang diperoleh dari data logger yang merekam tegangan, arus, dan daya keluaran panel surya selama 57 hari dengan interval 1-2 detik, menghasilkan 4.294.273 data. Dalam pengolahan data, 80% digunakan untuk pelatihan dan sisanya untuk pengujian model LSTM. Model LSTM yang digunakan terdiri dari 2 layer LSTM, masing-masing dengan 50 node LSTM. Penggunaan Google Colaboratory sebagai platform komputasi memungkinkan pelatihan model LSTM dalam dua skenario, yaitu dengan epoch sebesar 1 dan 10. Evaluasi model dilakukan menggunakan metrik Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan R-squared (R2). Hasil pengujian menunjukkan bahwa model dengan epoch 10 memiliki nilai evaluasi yang lebih baik, dengan MSE sebesar 0.04444, RMSE sebesar 0.00456, MAE sebesar 0.06753, dan R2 sebesar 0.99961, menunjukkan performa prediksi energi matahari yang sangat akurat dan efisien.