digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Fikri Nur Muhammad
PUBLIC Irwan Sofiyan

COVER - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB I - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB II - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB III - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB IV - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB V - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

BAB VI - FIKRI NUR MUHAMMAD.pdf
PUBLIC Irwan Sofiyan

PUSTAKA Fikri Nur Muhammad
PUBLIC Irwan Sofiyan

Peningkatan produksi energi listrik yang dihasilkan oleh tenaga surya melalui Photovoltaic (PV) menghadirkan tantangan baru dalam menjaga stabilitas jaringan listrik karena variabilitas dan sifat intermittent yang dimiliki yang bergantung pada kondisi cuaca. Prediksi produksi energi listrik merupakan fitur manajemen energi yang sangat penting untuk sistem manajemen energi mikrogrid agar ke depannya dapat memastikan suplai daya listrik ke beban tidak terputus. Beberapa penelitian telah berupaya memanfaatkan Machine Learning guna melakukan prediksi energi listrik Pembangkit Listrik Tenaga Surya (PLTS), hal ini disebabkan karena Machine Learning khususnya dalam penggunaan Deep Learning semakin penting dan telah berhasil dalam berbagai bidang teknik dan ilmu pengetahuan. Terlepas dari keberhasilanya yang luar biasa dalam melakukan prediksi, Machine Learning memiliki keterbatasan ketika menangani data pelatihan yang tidak mencukupi. Solusi potensial menjadi integrasi tambahan dari pengetahuan sebelumnya yang dimasukkan ke dalam proses pelatihan dan mengarah pada gagasan kepada metode Informed Machine Learning. Oleh karena itu, dalam penelitian ini diusulkan prediksi energi listrik dari sistem PLTS menggunakan metode Informed Machine Learning dengan menambahkan masukkan data cuaca dan data produksi energi PLTS serta dilakukan dalam beberapa skenario pengujian dengan masing-masing skenario pengujian terbagi atas 2 (dua) rentang waktu yang berbeda yaitu tiap menit dan tiap jam. Penelitian ini merupakan salah satu deployment digital model guna mendukung kerangka kinerja Digital Twin. Dalam melakukan model prediksi, infrastruktur Big Data Analytics menjadi acuan dalam membantu alur penelitian. Pengukuran nilai performa model prediksi menggunakan nilai MAE (Mean Absolute Error), RMSE (Root Mean Square Error) dan NRMSE (Normalized Root Mean Square Error). Dengan metode Informed Machine Learning serta tuning model Deep Neural Network (DNN) didapatkan hasil terbaik nilai MAE 0,23 dan RMSE 0,34 (untuk set waktu rentang per menit) dan nilai MAE 0,23 dan RMSE 0,29 (untuk set waktu rentang per jam). Selain itu, didapat juga rata-rata reduksi error dari penelitan referensi untuk MAE sebesar 80,33% dan RMSE sebesar 79,42%. Hasil model prediksi dengan nilai performa rata-rata NRMSE menunjukkan dengan rentang waktu perjam NRMSE sebesar 0,67% lebih baik dibandingkan dengan rentang waktu per menit sebesar 0,96%