Perpustakaan Digital ITB

Teknologi matahari (surya) adalah salah satu energi baru terbarukan (EBT) yang berpotensi berkelanjutan karena radiasi matahari ada di seluruh dunia dan tidak menghasilkan emisi gas rumah kaca. Potensi energi surya di Indonesia besar, sekitar 4,8 KWh/m² atau setara dengan 112.000 GWp, namun baru dimanfaatkan sekitar 10 MWp. Photovoltaic (PV) adalah teknologi yang mengubah energi matahari menjadi listrik dan merupakan komponen utama dari Pembangkit Listrik Tenaga Surya (PLTS). Meskipun teknologi PV telah berkembang pesat, kelemahan seperti degradasi kinerja dan penurunan nilai performance ratio (PR) masih ada. Pemodelan fisis dan pembelajaran mesin dapat membantu mendeteksi gangguan pada PLTS. Tugas akhir ini menggunakan algoritma XGBoost untuk mendeteksi, mengklasifikasikan, dan melakukan regresi nilai PR pada sistem PLTS hybrid di Laboratorium Manajemen Energi (Lab.ME) ITB. Data operasional dikumpulkan selama satu tahun dengan resolusi per menit. Hasil penelitian menunjukkan bahwa fitur penting untuk mendeteksi mode operasi ditentukan menggunakan metode korelasi Pearson dan pertimbangan teoritis, menghasilkan 15 fitur penting. Perhitungan nilai PR menunjukkan tingkat kesalahan hanya 1,49%. Klasifikasi mode operasi dengan XGBoost menunjukkan akurasi tinggi, mencapai 99,49%, dan 99,87% dengan hyperparameter tuning. Regresi nilai PR menggunakan XGBoost menunjukkan performa baik dengan nilai RMSE dan MAE mendekati 0, namun regresi linear kurang mampu merepresentasikan perubahan PR tahunan. Frekuensi mingguan memberikan representasi perubahan PR tahunan yang paling stabil.Pendekatan ini diharapkan dapat menghasilkan sistem deteksi kegagalan yang lebih akurat dan efisien, mendukung pengembangan energi terbarukan di Indonesia. Kata kunci: energi terbarukan, PV, XGBoost, PR, deteksi gangguan, pembelajaran mesin ?