ABSTRAK M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
COVER M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 1 M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 2 M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 3 M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 4 M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 5 M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
DAFTAR M Jhensen Marlen Budiman
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
2023 TA TF Muhammad Jhensen Marlen Budiman 13319019 LAMPIRAN.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Pemanfaatan sumber energi terbarukan menjadi tren yang sedang hangat
diperbincangkan. Salah satu pemanfaatannya ialah Pembangkit Listrik Tenaga
Surya (PLTS). Namun kegagalan sistem kerap terjadi pada sistem PLTS ini,
khususnya Partial Shading Condition (PSC). PSC terjadi ketika adanya bagian dari
modul panel surya yang terkena naungan/shading. Konsekuensi dari peristiwa ini
jika tidak ditanggulangi dengan cepat ialah munculnya fenomena hotspot pada
panel surya yang ternaungi serta dapat mengakibatkan kerusakan permanen pada
panel tersebut dan mempercepat degradasi umur panel. Sistem pemantauan kondisi
PLTS secara dalam jaringan yang ada pada saat ini (pada umumnya berasal dari
perangkat lunak inverter), dapat menampilkan adanya penurunan daya pada sistem
PLTS namun tidak dapat menunjukan terjadinya kegagalan dalam sistem PLTS
khususnya dalam keadaan PSC. Guna mencegah efek dari PSC ini, maka perlu
dilakukannya deteksi dan klasifikasi dari PSC yang terjadi dengan menggunakan
pendekatan pembelajaran mesin dalam keberjalanannya. Pada penelitian ini,
dilakukan skenario terjadinya PSC pada sistem PLTS dengan 3 kondisi, yaitu
Bloking Penuh, Semi Transparan, dan Bloking acak. Untuk deteksi dan klasifikasi
kegagalan sistem PLTS dalam PSC, digunakan algoritma pembelajaran mesin yaitu
model Support Vector Machine (SVM) dan Deep Neural Network (DNN).
Penelitian dilakukan dengan mengadopsi metodologi The Cross Industry Standard
Process for Data Mining (CRISP DM). Model DNN berhasil memberikan kinerja
yang lebih baik dibandingkan dengan model SVM baik dalam mendeteksi maupun
mengklasifikasi, dengan weighted average f1-score sebesar 100% pada model
deteksi dan 27% pada model klasifikasi. Kedua model berhasil untuk mendeteksi
kegagalan yang terjadi dengan baik, akan tetapi masih kesulitan untuk
mengklasifikasikan jenis kegagalan PSC yang terjadi.