Perpustakaan Digital ITB

Pertumbuhan Pembangkit Listrik Tenaga Surya (PLTS) skala besar menjadi komponen krusial dalam strategi transisi energi Indonesia guna mendukung agenda global menuju Net-Zero Emission. Namun demikian, sifat produksi energi surya yang intermiten dan sangat bergantung pada kondisi cuaca menghadirkan tantangan signifikan dalam menjaga keandalan serta stabilitas sistem kelistrikan. Oleh karena itu, kebutuhan akan sistem prediksi produksi energi yang akurat menjadi semakin mendesak. Penelitian ini bertujuan untuk merancang dan mengevaluasi sistem prediksi berbasis pembelajaran mendalam untuk PLTS skala utilitas, dengan membandingkan performa tiga arsitektur utama: Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), dan Bidirectional LSTM (BiLSTM). Studi kasus dilakukan pada dua sistem yaitu PLTS A dan PLTS B, dengan mempertimbangkan variasi data historis, pola cuaca lokal, dan faktor geografis. Dataset yang digunakan mencakup 33 variabel cuaca dan energi, yang kemudian diseleksi melalui analisis korelasi, multikolinearitas, serta memfilter data hilang. Variabel-variabel seperti iradiasi matahari, suhu, waktu, dan kondisi cuaca ikonik dipertahankan sebagai fitur utama yang berkontribusi terhadap prediksi output energi. Setiap model dioptimalkan melalui penyesuaian hiperparameter dan dievaluasi menggunakan empat metrik performa: Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), koefisien determinasi (R-Squared), dan Mean Absolute Scaled Error (MASE). Hasil evaluasi menunjukkan bahwa BiLSTM merupakan model dengan performa terbaik secara umum. Pada PLTS A, BiLSTM menghasilkan MAE sebesar 342,89 kWh, RMSE sebesar 476,94 kWh, dan RSquared sebesar 70,96%. Sementara pada PLTS B, diperoleh MAE sebesar 288,61 kWh, RMSE sebesar 416,62 kWh, dan R-Squared sebesar 70,05%. Uji sensitivitas terhadap horizon waktu prediksi menunjukkan bahwa performa terbaik diperoleh pada horizon harian, dengan R-Squared mencapai 77,37% dan MASE sebesar 0,45. Sebaliknya, akurasi menurun secara signifikan pada horizon mingguan dan bulanan. Temuan ini menegaskan pentingnya pembaruan data berkala dan pemilihan horizon prediksi yang sesuai untuk menjaga akurasi model. Hasil penelitian ini diharapkan dapat menjadi dasar dalam pengembangan sistem pendukung keputusan berbasis AI untuk perencanaan operasional dan integrasi PLTS dalam sistem tenaga nasional.