Perpustakaan Digital ITB

Saat ini regulasi di dunia menekankan untuk penggunaan energi terbarukan (ET) dan menurunkan penggunaan energi fosil. ET yang sedang marak digunakan saat ini adalah energi surya, khususnya di Indonesia, karena potensi energi surya di Indonesia yang cukup tinggi, sekitar 3.200 GW. Namun, karakteristik energi surya yang fluktuatif menimbulkan permasalahan dalam proses manajemen energi. Untuk itu, sistem mikrogrid hadir menjadi solusi, dengan memungkinkan penggabungan energi matahari dengan jaringan listrik konvensional untuk membentuk sistem distribusi energi yang lebih efisien dan andal. Dengan pemanfaatan teknologi machine learning (ML), dapat membantu pembuatan model digital sistem mikrogrid untuk memprediksi daya yang dihasilkan oleh Pembangkit Listrik Tenaga Surya (PLTS), seperti yang telah diterapkan di Laboratorium Manajemen Energi, Program Studi Teknik Fisika Institut Teknologi Bandung (ITB). Pada penelitian tugas akhir ini, telah dilakukan perbaikan model prediksi daya keluaran PLTS dengan model pembelajaran Deep Neural Network (DNN) dengan metode pembaruan Event-Triggered Update (ETU). Tindakan ini dilakukan atas dasar model prediksi yang ada saat ini sudah kurang relevan dan memiliki error prediksi yang sangat besar. Perbaikan pada model berupa modifikasi hyperparameter, penambahan Angle of Incidence (AoI), penambahan mode operasi serta penambahan Custom Loss Function (CLF). Telah dibuat 3 variasi model perbaikan, yaitu model A, B, dan C. Berdasarkan hasil evaluasi model perbaikan pada data uji selama bulan Juni 2024, model C merupakan model terbaik dengan penurunan yang signifikan pada RMSE dan MAE sebesar 27,84% dan 34,10% jika dibandingkan dengan model yang ada saat ini. Model C memiliki nilai R2 tertinggi dan menghasilkan jumlah prediksi negatif yang relatif kecil. Selain itu, error produksi energi selama pengujian model sangat kecil, yaitu 2,34%. Hasil evaluasi model C dengan metode ETU, didapatkan hasil yang cukup baik, dimana model C dapat beradaptasi jika terdapat nilai nMAE dan nRMSE yang melebihi batas toleransi yang telah ditetapkan. Kata kunci: energi terbarukan, mikrogrid, perbaikan, pembangkit listrik tenaga surya, evaluasi, deep neural Network, event-triggered update.