ABSTRAK Rachel Delvin
PUBLIC Irwan Sofiyan
COVER Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 1 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 2 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 3 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 4 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 5 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
PUSTAKA Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Indonesia memiliki potensi tinggi untuk memanfaatkan solar irrandiance (fluks
radiasi Matahari) sebagai sumber energi listrik melalui pemasangan sel
photovoltaic (PV). Namun, fluks radiasi Matahari merupakan sumber energi yang
tidak dapat dikontrol sehingga kegiatan operasional sistem kelistrikan tenaga surya
memerlukan adanya suatu model yang dapat memprediksi fluks radiasi Matahari
agar pekerjaannya dapat berlangsung dengan optimal. Penelitian ini menggunakan
model Artifical Neural Network (ANN) yang khusus dirancang untuk data
berurutan, yaitu Recurrent Neural Network (RNN) untuk mengerjakan prediksi
fluks Radiasi Matahari satu jam ke depan. Tugas akhir ini bertujuan untuk
menganalisis dua model RNN, yaitu Long Short-Term Memory (LSTM) dan Gated
Recurrent Units (GRU) untuk menemukan model terbaik dalam memprediksi fluks
radiasi Matahari di dua lokasi, DKI Jakarta dan Nusa Tenggara Timur (NTT). DKI
Jakarta memiliki potensi produksi listrik bertenaga surya menggunakan PV sebesar
33 TWh/tahun dan NTT sebesar 1.025 TWh/tahun. Model mempelajari 9 input
parameter yang meliputi data meteorologi, keterangan geografis, dan keterangan
waktu melalui proses regresi. Data yang digunakan dalam penelitian ini merupakan
data dari 25 titik lokasi yang tersebar di kedua lokasi uji dari rentang tahun 2015-
2020 yang diperoleh dari National Solar Radiation Database (NSRDB). Penelitian
menemukan bahwa model RNN terbaik untuk set data uji DKI Jakarta adalah model
GRU dengan nilai RMSE, MAE, dan R2 yang dihasilkan secara berurutan sebesar
138,51 W/m2; 95,36 W/m2; dan 0,79. Model RNN terbaik untuk set data uji NTT
adalah model LSTM dengan nilai RMSE, MAE, dan R2 yang dihasilkan secara
berurutan sebesar 130,88 W/m2; 86,65 W/m2; dan 0,84. Kedua model tersebut
masing-masing memiliki waktu komputasi belajar kurang dari 50 menit.