digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Rachel Delvin
PUBLIC Irwan Sofiyan

COVER Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 1 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 2 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 3 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 4 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB 5 Rachel Delvin
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

PUSTAKA Rachel Delvin
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.