Perpustakaan Digital ITB

Sumber daya terbarukan dibutuhkan untuk memenuhi kebutuhan energi di masa depan secara berkelanjutan. Indonesia memiliki potensi sumber daya bayu yang besar, namun masih belum dimanfaatkan secara optimal. Karakteristik rerata kecepatan angin Indonesia yang rendah membutuhkan pengembangan teknologi yang ditargetkan untuk kondisi tersebut, salah satunya melalui teknologi PLTB skala kecil. Pemodelan kinerja PLTB skala kecil untuk pemetaan sumber daya bayu dapat membantu perencanaan pembangunan. Akan tetapi, sumber daya bayu sangat variatif terhadap waktu serta dipengaruhi oleh banyak variabel lingkungan, menyulitkan pemodelan kinerja PLTB dengan metode konvensional. Model pembelajaran mesin dapat menjadi solusi yang mampu memanfaatkan data pengukuran cuaca dan lingkungan di suatu lokasi untuk memprediksi kinerja PLTB dengan lebih akurat. Tugas akhir ini berfokus pada pengembangan model kinerja PLTB skala kecil PT Telenetina STU dengan nomor paten IDS000014232 menggunakan dua algoritma pembelajaran mesin, yaitu Random Forest dan Multi-Layer Perceptron. Data dikumpulkan selama 71 hari dari PLTB skala kecil PT Telenetina STU, menggunakan sensor cup anemometer dan stasiun cuaca, mencakup variabel kinerja PLTB seperti tegangan, arus, daya, dan energi, variabel angin seperti kecepatan dan arah angin, serta variabel meteorologi seperti kelembapan, suhu, kebisingan, dan curah hujan. Data tersebut kemudian digunakan untuk melatih kedua model pembelajaran mesin dengan pembagian data latih dan data uji sebesar 80:20. Model Random Forest mencapai hasil terbaik, dengan nilai RMSE sebesar 6,4 V untuk tegangan, 0,18 A untuk arus, 15,93 W untuk daya, dan 5,63 J untuk energi. Selain itu, juga diselidiki pengaruh hujan terhadap kinerja PLTB skala kecil PT Telenetina STU. Dari data yang diperoleh, kinerja PLTB skala kecil PT Telenetina STU tidak menurun, namun meningkat pada kondisi hujan, dengan rerata daya meningkat 15,9%, rerata kecepatan angin meningkat sebesar 20% dan rerata koefisien daya PLTB meningkat sebesar 19,9% dibandingkan kondisi tidak hujan.