Perpustakaan Digital ITB

Pembangkit Listrik Tenaga Surya (PLTS) memiliki keluaran daya yang berfluktuasi mengikuti kondisi lingkungan, sehingga pemantauan performa yang akurat menjadi penting. Pendekatan Digital Twin banyak dikaji untuk keperluan ini, tetapi umumnya bertumpu pada komputasi awan yang menambah latensi, ketergantungan jaringan, dan biaya. Penelitian ini mengembangkan Digital Twin PLTS yang berjalan langsung pada mikrokontroler ESP32 sebagai perangkat edge. Model machine learning memetakan enam parameter lingkungan dan operasional (radiasi matahari, suhu, kelembapan, kecepatan angin, arus total, dan tegangan rata-rata) menjadi estimasi daya. Dua algoritma, yaitu Linear Regression dan Extreme Gradient Boosting (XGBoost), dilatih dengan data tahun 2025, ditanamkan ke ESP32 sebagai kode C, lalu diuji dengan data tahun 2026 yang tidak dilibatkan saat pelatihan. Pada data 2026, XGBoost jauh lebih andal (RMSE ? 530,25 W, R² ? 0,95, nRMSE ? 5,30%) daripada Linear Regression (RMSE ? 1191,57 W, R² ? 0,73), meskipun ukuran kodenya jauh lebih besar ( ? 172,1 KB berbanding ? 0,41 KB). Penilaian derating menunjukkan XGBoost selalu memberi estimasi positif, sedangkan Linear Regression menghasilkan estimasi tak-fisis pada beberapa sampel. Penelitian menyimpulkan bahwa Digital Twin PLTS dapat berjalan sepenuhnya pada perangkat edge, dengan XGBoost sebagai pilihan utama ketika keandalan estimasi lintas-waktu diprioritaskan. Sebagai kajian pelengkap, penelitian ini juga menelaah kemampuan peramalan (forecasting) daya jangka sangat pendek. Pengujian out-of-time tahun 2026 menunjukkan seluruh model menghasilkan RMSE yang berdekatan (sekitar 832–862 W), dengan hasil terbaik pada Linear Regression jendela ke-2 (RMSE 832,62 W), sehingga hanya sedikit mengungguli baseline persistensi (865,45 W).