1 BAB I PENDAHULUAN I.1 Latar Belakang Di era industri saat ini, terjadi peningkatan yang signifikan dalam emisi karbon dioksida akibat pembakaran bahan bakar fosil. Jumlah emisi ������������������������ 2 ini bervariasi tergantung pada jenis bahan bakar fosil yang digunakan untuk menghasilkan listrik, dimana penggunaan batu bara menghasilkan emisi ������������������������ 2 yang lebih tinggi dibandingkan dengan gas alam atau minyak. Untuk mencapai target emisi bersih nol pada tahun 2050, diperlukan upaya yang sangat besar mengingat pertumbuhan ekonomi dan populasi yang terus meningkat (International Energy Agency, 2021). Dalam upaya mencapai netralitas karbon pada tahun 2050, energi terbarukan, terutama energi surya, menjadi solusi yang paling penting dan efisien di antara sumber energi bersih lainnya. Energi surya dapat menyumbang setengah dari pengurangan emisi hingga tahun 2030 dalam perjalanan menuju emisi bersih nol. International Renewable Energy Agency (IRENA) mengakui bahwa elektrifikasi dan efisiensi merupakan faktor utama yang mendorong transisi energi yang dimungkinkan oleh energi terbarukan berkelanjutan (International Renewable Energy Agency (IRENA), 2022). Terdapat peningkatan yang luar biasa dalam penggunaan energi surya fotovoltaik sebagai sumber energi terbarukan untuk pembangkitan listrik dalam beberapa tahun terakhir (Ao et al., 2008). Modul fotovoltaik merupakan unit dasar yang mengkonversi energi matahari menjadi listrik dalam sistem fotovoltaik. Karakteristik keluaran modul fotovoltaik bergantung pada tingkat penyinaran matahari, suhu sel fotovoltaik, dan tegangan keluaran modul fotovoltaik. Sistem fotovoltaik secara alami menunjukkan karakteristik nonlinear dalam hubungan antara arus dan tegangan serta daya dan tegangan, yang dapat bervariasi tergantung pada intensitas radiasi matahari dan komponen sistem fotovoltaik. Karena sifat intermiten sumber energi matahari, daya keluaran sistem fotovoltaik juga akan berfluktuasi seiring waktu (Ostovar et al., 2021). Karakteristik fluktuatif ini menjadi tantangan teknis dan finansial bagi operator sistem mikrogrid, terutama dalam menghadapi penetrasi energi surya yang semakin besar ke dalam 2 jaringan nasional. Variabilitas dan ketidakpastian produksi Pembangkit Listrik Tenaga Surya (PLTS) , bersama dengan ketidakmampuan untuk memprediksi dengan akurat produksi energi yang dihasikan, menjadi salah satu hambatan utama dalam pemanfaatan PLTS secara efektif (Verma & Singh, 2018). Prediksi yang tidak akurat dari produksi daya listrik yang dihasilkan oleh PLTS dapat menyebabkan risiko operasional, teknis, dan keuangan yang serius bagi pemilik PLTS dan operator jaringan listrik (Krechowicz et al., 2022) . Risiko teknis yang muncul dari ketidakakuratan dalam ramalan produksi listrik dari PLTS menyebabkan ketidakmampuan sistem energi nasional untuk merencanakan secara memadai operasi pembangkit listrik tenaga batu bara dan gas pada jam-jam tertentu. Dampaknya adalah potensial terjadinya kelebihan atau kekurangan beban, yang mengakibatkan fluktuasi frekuensi pada sistem kelistrikan. Sementara itu, risiko operasional mencakup penonaktifan otomatis PLTS ketika mencoba untuk memasukkan daya yang berlebihan ke dalam jaringan listrik. Dari sudut pandang sistem energi nasional, prediksi yang kurang tepat terhadap produksi energi dari PLTS menyebabkan kebutuhan untuk segera mengaktifkan unit-unit pembangkit daya konvensional yang besar. Proses start -up ini berlangsung dalam waktu yang relatif panjang dan melibatkan biaya yang signifikan. Konsekuensinya, terjadinya peningkatan biaya produksi energi, yang pada gilirannya dapat berdampak negatif terhadap stabilitas dan efisiensi ekonomi dari sistem energi secara keseluruhan. Dengan demikian, ketepatan prediksi produksi PLTS adalah aspek yang memegang peranan krusial dalam memitigasi resiko- resiko operasional dan ekonomi yang terkait dengan integrasi sumber energi terbarukan dalam jaringan kelistrikan nasional. Prediksi daya PLTS berbasis data-driven menggunakan Machine Learning merupakan metode yang menjanjikan. (Vu & Chung, 2022) melakukan penelitian penjadwalan pembangkit optimal dan pengelolaan cadangan operasi untuk mikrogrid terintegrasi Photovoltaic (PV) mandiri berdasarkan model prediksi iradiansi dan penutupan awan yang telah dilakukan menggunakan Recurrent Neural Network (RNN). Akan tetapi ML memiliki keterbatasan, akurasinya 3 bergantung pada kualitas dan kuantitas data yang digunakan pada pelatihan, kompleksitas komputasi dan tidak selalu konsisten dengan prinsip fisika (Ramirez-Vergara et al., 2022). Diperlukan metode pemodelan berbasis fisika untuk melengkapi keterbatasan dari ML. (Pombo et al., 2022) mengusulkan metode Phiysics Informed Machine Learrning (PIML) untuk memprediksi daya PV jangka pendek dan membandingkan kinerja berbagai algoritma. Hasil pengujian menunjukkan bahwa RF, dengan RMSE 11,7%, adalah yang terbaik diikuti oleh SVR dan LSTM. ( Muhammad, 2022) melakukan prediksi daya PLTS menggunakan metode informed machine learning dengan data cuaca (suhu, radiasi matahari dan kecepatan angin) sebagai tambahan informasi fisik yang dimasukkan ke ML. Hasil penilitian ini mampu mereduksi error dari penelitian referensi sebesar 80,33% untuk MAE dan 79,42% untuk RMSE. Dalam penelitian (Muhammad, 2022) masih terlihat adanya bias yang relatif tinggi ketika model diterapkan pada kerangka kembaran digita l mikrogrid cerdas. Hal ini diasumsikan disebabkan oleh keterbatasan data yang mengakibatkan model mengalami underfitting, terutama pada data operasi dan sudut matahari pada jam tertentu. Dalam penelitian ini, diajukan penggunaan variabel ekstrinsik dari sistem PLTS yang mencakup mode operasi PLTS, tegangan dan frekuensi dari mikrogrid ketika PLTS menerima pasokan daya dari jaringan listrik mikrogrid pada saat PLTS tidak menghasilkan daya. Selain itu, digunakan juga sudut azimut matahari yang diestimasi menggunakan pendekatan matematis untuk menghindari underfitting. Dengan mempertimbangkan faktor-faktor ini, model dapat memberikan prediksi yang akurat mengenai jumlah energi yang dapat diproduksi oleh sistem PV pada waktu tertentu. Metode yang dikembangkan dalam penelitian ini dikenal sebagai Physics- Informed Machine Learning, yang diimplementasikan dengan menggunakan algoritma eXtreme Gradient Boosting (XGBoost). Algoritma ini memiliki kemampuan untuk mengenali pola dan hubungan yang bersifat non- linear dalam data, sehingga mampu memberikan prediksi produksi energi PLTS yang lebih akurat. (Yan et al., 2021) memperkenalkan pengetahuan domain dalam prediksi dan optimasi di Port State Control . Metodenya adalah Domain Knowledge 4 Informed Machine Learning dengan menggunakan algoritma XGBoost. Parameter evaluasi yang digunakan mencakup MSE sebesar 12,470 dan MAE sebesar 2 ,372. (Dong et al., 2023) mempresentasikan model eXtreme Gradient Boosting yang dipandu oleh fisika untuk memprediksi produktivitas awal sumur minyak. Algoritma yang digunakan adalah physics -guided eXtreme Gradient Boosting (XGBoost), dengan parameter evaluasi MAPE sebesar 5,33% dan ������������ 2 sebesar 0,995. Dalam penelitian ini, data yang digunakan berasal dari lapangan sistem PLTS yang berlokasi di Laboratorium Manajemen Energi (ME) Institut Teknologi Bandung (ITB). Selanjutnya, model prediksi terbaik yang dihasilkan akan dipilih untuk diimplementasikan pada edge device sistem mikrogrid laboratorium manajemen energi. Hal ini memungkinkan penggunaan model prediksi secara real-time dalam mengatur operasi sistem PLTS untuk mendukung perencanaan operasi yang optimal pada sistem mikrogrid dalam menjaga keberlanjutan dan efisiensi sistem energi terbarukan. Adapun posisi penelitian ini ditampilkan dalam tabel I.1 berikut. Tabel I. 1 Posisi penelitian dalam kerangka referensi Penulis dan Tahun Judul Kontribusi Fitur Masukan Metode Pemodelan Algoritma Parameter Evaluasi Parejo (2021) Short-Term Power Forecasting Framework for Microgrids Using Combined Baseline and Regression Models Suhu, kelembaban, tekanan, radiasi global, dan curah hujan, daya PV dan external baseline (Beban, daya jaringan distribusi eksternal & mikroturbine) Combined Baseline and Regression Models (ML) ANN (MLPR) & RFR MAE, MAPE, RMSE, nRMSE, Yan (2021) Shipping Domain Knowledge Informed Prediction and Optimization in Port State Control Usia Kapal, Panjang Kapal, Kedalaman Kapal, Lebar Kapal, Jenis Kapal, Kinerja Bendera Kapal dan Kinerja Kapal Domain knowledge informed machine learning XGBoost MSE & MAE Pombo (2022) Benchmarking physics- informed machine learning- based short term PV-power forecasting tools Iradiansi, Produksi Energi, Kecepatan Angin, dan Suhu Udara, Daya DC, Daya AC, Suhu sell dan Suhu modul Physics-informed machine learning RF, SVM, CNN, LSTM & Hybrid RMSE, MAPE, dan ������������ 2 Muhammad , (2022) Prediksi Energi Listrik Pembangkit Listrik Tenaga Surya Menggunakan Metode Informed-Machine Learning PVLib, Pac, Iradiansi, Kecepatan angin, Suhu lingkungan Informed-ML DNN MSE, RMSE, dan MAE Alrashidi (2023) Short‑term photovoltaic power production forecasting based on novel hybrid data‑driven models Suhu Udara, Arah Angin, Kecepatan Angin, DNI, GHI, Tekanan, Daya PV Hybrid data‑driven Models with different Metaheuristic ANN & SVR RMSE, nRMSE, MAE & nMAE 5 Optimization Algorithms Yintao (2023) A physics-guided eXtreme gradient boosting model for predicting the initial productivity of oil wells Permeabilitas, ketebalan efektif, penurunan air tanah, viskositas minyak, dan koefisien koreksi. physics-guided eXtreme gradient boosting XGBoost RMSE, MAPE, dan ������������ 2 Hanadi (2024) Pengembangan Prediksi Produksi Pembangkit Listrik Tenaga Surya pada Sistem Mikrogrid Menggunakan Metode Physics-Informed Machine Learning Iradiansi, Suhu lingkungan, Keceptan angin, Sudut azimut, Pac, dan Sistem Mikrogrid (Tegangan, Frekuensi dan Mode Operasi) Physics Informed- ML XGBoost RMSE, MAPE, dan ������������ 2 I.2 Perumusan Masalahan Permasalahan yang dikaji pada penelitian ini adalah : 1. Bagaimana mengembangkan model prediksi produksi PLTS pada sistem mikrogrid Laboratorium ME agar tidak terjadi overfitting . 2.