Perpustakaan Digital ITB

Ketergantungan Indonesia pada energi fosil yang mencapai 67% mendorong urgensi pemanfaatan energi terbarukan, khususnya Pembangkit Listrik Tenaga Surya. Namun, karakteristik daya panel surya bersifat nonlinier dan sangat dipengaruhi oleh fluktuasi iradiansi serta suhu lingkungan. Penelitian ini bertujuan untuk meningkatkan kinerja sistem PLTS melalui penerapan metode Physics-Informed Machine Learning (PIML) untuk memprediksi duty cycle pada algoritma Maximum Power Point Tracker (MPPT) metode PIML pada MPPT dapat mengurangi pertubasi berulang yang dilakukan oleh metode Perturb and Observe (P&O), sehingga osilasi daya di sekitar titik MPP dapat diminimalkan. Pada pengujian kondisi Standard Test Condition, metode PIML menghasilkan efisiensi sebesar 70,34% pada topologi buck dan 97,71% pada topologi boost. Nilai ini lebih tinggi dibandingkan metode konvensional Perturb and Observe (P&O) yang menghasilkan efisiensi sebesar 65,44% pada buck dan 88,26% pada topologi boost. Secara keseluruhan, penggunaan metode PIML terbukti efektif dalam meningkatkan efisiensi.