Perpustakaan Digital ITB

Laboratorium Manajemen Energi (Lab-ME) telah mengumpulkan data sistem kelistrikannya dari tahun 2014. Di era sistem internet, data merupakan emas baru. Data setelah diolah dan dianalisis akan memberikan suatu informasi baru yang memiliki nilai lebih. Data beban kelistrikan di Lab-ME yang telah terekam dari 2014 ini dijadikan suatu informasi untuk kajian jika pasokan kelistrikan dengan skenario Renewable Fraction (RF) 100% artinya 100% listrik bersumber dari energi terbarukan. Adanya faktor ketidakhandalan sistem dalam perekaman menjadikan data hilang. Data hilang tersebut diselesaikan dengan metode machine learning yaitu SVM sebagai algoritma estimator. Data beban kelistrikan beserta data cuaca sebagai bahan utama untuk melakukan kajian dalam penelitian ini. Dari data tersebut dianalisis untuk mencari perencanaan yang optimal menggunakan HOMER Pro untuk diperoleh nilai Unmet Electrical Load (UEL), Net Precent Cost (NPC) dan Cost of Energy (CoE). Data yang hilang diestimasi menggunakan metode SVM dengan Parameter C sebesar 5,179 dan nilai Gamma yang dihasilkan sebesar 0,051. Estimator tesebut memiliki nilai kepercayaan nilai MAE sebesar 0,178 sedangkan nilai MSE ialah 0,087 serta nilai RSME ialah 0,297 dan uji korelasi mendapatkan nilai rata-rata 0,929. Dari skenario yang paling optimal yakni PV+Baterai, konfigurasi yang optimal didapat pada MACS atau Maximum Annual Capacity Shortage sebesar 10% dengan hasil yang didapatkan dari komputasi memiliki kapasitas PV 4190 Wp, dengan baterai 30pcs (3.2V 100Ah), harga energi atau CoE sebesar Rp 6.824.00, Net Present Cost (NPC) Rp 482.925.900.00, tingkat ketidakandalan sistem atau Unmet Electrical Load (UEL) 7.48% (245 kWh/yr), serta produksi energi yang berlebih sebesar 30.7% (1456 kWh/yr)