Perpustakaan Digital ITB

Salah satu faktor yang dapat mempengaruhi produksi daya Pembangkit Listrik Tenaga Surya (PLTS) adalah adanya naungan sebagian, yaitu tertutupnya sebagian modul PV oleh objek yang berada diatasnya. Terdapat berbagai jenis naungan sebagian yang memerlukan penanganan berbeda-beda. Oleh karena itu, diperlukan suatu metode klasifikasi jenis naungan sebagian yang terjadi agar dapat membantu proses perawatan PLTS. Salah satu tantangan merupakan belum adanya struktur penopang benda penutup untuk melakukan percobaan naungan sebagian berjarak, yang artinya benda menutupi modul PV memiliki jarak terhadap modul. Sebagai upaya untuk mengembangkan metode klasifikasi, dilakukan penelitian terhadap sistem PLTS yang terdapat pada Gedung Center for Advanced Sciences ITB. Untuk penelitian ini dipilih menggunakan algoritma pembelajaran mesin XGBoost (Extreme Gradient Boosting) dan algoritma Random Forest sebagai pembanding dikarenakan keduanya menggunakan metode pohon klasifikasi beruntun, dan hasil perbandingan akan menunjukkan algoritma mana yang memiliki potensi terbaik untuk digunakan sebagai metode klasifikasi kedepannya. Untuk pengembangan metode, diambil data menggunakan alat Solmetric PV Analyzer 1000S untuk kondisi normal dan 6 jenis penutupan. Dari hasil penelitian yang dilakukan ini, didapatkan desain struktur menggunakan batang siku lubang yang dapat digunakan untuk menopang penutup sehingga dapat diambilnya data penutupan berjarak. Hasil klasifikasi pembelajaran mesin juga menunjukkan bahwa pada algoritma baik XGBoost maupun Random Forest menggunakan variabel Vmpp secara dominan dengan nilai importance > 0.3 atau 30% untuk melakukan klasifikasi. Tingkat akurasi klasifikasi XGBoost mencapai 92% untuk data uji dan 66,8% untuk data validasi, sedangkan Random Forest mencapai 96% untuk data uji dan 52% untuk data validasi, yang menunjukkan tingkat overfitting Random Forest yang lebih tinggi, meskipun kedua algoritma masih kesulitan membedakan data penutupan menempel dengan data penutupan berjarak. Kesulitan membedakan data menempel dengan berjarak ini menjadi faktor ketidakakuratan terbesar untuk kedua algoritma.