Perpustakaan Digital ITB

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.