Perpustakaan Digital ITB

Penelitian ini mengembangkan sistem monitoring, prediksi daya, dan analisis kesehatan operasional panel surya berbasis Internet of Things (IoT) dan Long Short-Term Memory (LSTM) untuk mendukung aplikasi stasiun pengisian kendaraan listrik. Sistem IoT digunakan untuk mengakuisisi data tegangan, arus, dan daya panel surya secara real time dan membentuk data deret waktu yang andal. Model LSTM diterapkan untuk merekonstruksi data yang hilang serta melakukan prediksi daya, kemudian dibandingkan dengan metode regresi linear dan ARIMA. Hasil pengujian menunjukkan bahwa LSTM memberikan akurasi prediksi yang lebih baik berdasarkan nilai RMSE dan mampu menangkap pola nonlinier serta dinamika temporal data fotovoltaik. Selain itu, penelitian ini mengusulkan metode analisis kesehatan operasional panel surya berbasis multi-indikator dan rule-based dengan memanfaatkan parameter daya maksimum harian, energi harian, waktu operasi efektif (uptime), kejadian dropout, dan kestabilan daya untuk mengklasifikasikan kondisi panel ke dalam kategori OK, WARNING, dan PROBLEM. Hasil analisis menunjukkan bahwa panel surya secara umum masih beroperasi dengan baik, meskipun terdapat variasi kestabilan pada beberapa periode, sehingga menegaskan pentingnya pemantauan dan evaluasi kesehatan panel surya secara berkelanjutan.