Perpustakaan Digital ITB

Pembangkit Listrik Tenaga Surya (PLTS) merupakan salah satu teknologi konversi energi terbarukan yang berperan penting dalam mendukung transisi energi di Indonesia. Namun, performa sistem PLTS sangat dipengaruhi oleh kondisi lingkungan, salah satunya adalah soiling—akumulasi debu atau partikel lain pada permukaan panel surya yang dapat menurunkan efisiensi konversi energi secara signifikan, khususnya di wilayah dengan tingkat polusi udara tinggi. Untuk mengatasi tantangan ini, diperlukan pengembangan sistem diagnosis otomatis yang mampu mendeteksi terjadinya soiling guna menunjang pemeliharaan sistem yang lebih baik. Penelitian ini bertujuan untuk menganalisis dampak soiling terhadap efisiensi sistem PLTS serta mengembangkan model diagnosis berbasis pembelajaran mesin. Studi dilakukan pada sistem PLTS 10 kWp di Gedung Center for Advanced Sciences (CAS), Institut Teknologi Bandung, dengan lima skenario variasi soiling dengan jumlah 1, 3, 6, 9, dan 12 panel yang tertutup bubuk bata merah. Parameter analisis mencakup karakteristik kurva I-V dan pemanfaatan algoritma Random Forest Regressor dan Classifier, baik dengan maupun tanpa penerapan Principal Component Analysis (PCA). Hasil eksperimen menunjukkan bahwa soiling pada 12 panel menyebabkan penurunan daya sebesar 83,33%, dari 464,1 W menjadi 77 W. Selain itu, integrasi PCA terbukti memberikan kontribusi positif dalam meningkatkan akurasi model diagnosis sebesar 4%, sehingga menghasilkan akurasi klasifikasi akhir mencapai 99%. Model diagnosis yang dikembangkan melalui pendekatan ini diharapkan dapat diimplementasikan sebagai referensi dalam perumusan strategi penjadwalan pembersihan dan pemeliharaan panel surya secara lebih terukur dan efisien. Dengan demikian, penerapan model ini berpotensi menjaga sekaligus meningkatkan efisiensi operasional sistem PLTS secara berkelanjutan serta mendukung optimalisasi kinerja sistem dalam jangka panjang.