Forecasting Produksi Energi PLTS 1 kWp Menggunakan Mesin Pembelajaran Dengan Algoritma Support Vector Machine

Hasanudin Gufron; Dani Rusirawan; Lita Widyawati

doi:10.36787/jti.v16i2.843

Hasanudin Gufron Institut Teknologi Nasional Bandung
Dani Rusirawan Institut Teknologi Nasional Bandung
Lita Widyawati Institut Teknologi Nasional Bandung

DOI: https://doi.org/10.36787/jti.v16i2.843

Kata Kunci: plts, support vector machine, machine learning, forecasting

Abstrak

Isu krisis energi menuntut orang mencari sumber energi alternatif, PLTS menjadi pilihan yang menjanjikan untuk menjawab tantangan krisis energi tersebut. Namun PLTS tergantung oleh kondisi cuaca, sangat sulit memperkirakan berapa produksi energi pada suatu system PLTS. Penelitian peramalan produksi energi 1kWp menggunakan mesin pembelajaran dan support vector machine (SVM) telah dilakukan dan dibandingkan dengan model multiple linear regression (MLR), model peramalan dengan pendekatan deret waktu, data training periode Januari – Desember 2021 dan data tes periode Januari – Mei 2022. Konstruksi ramalannya adalah hasil produksi tiga hari kebelakang meramalkan produksi energi hari berikutnya. Hasil evaluasi MAPE pada data training SVM dan MLR adalah 19.79% dan 23.96%, sedangkan pada testing 21,79% dan 20.45%. Hasil peramalan harian diakumulasi perbulan dan dievaluasi, hasilnya MAPE 4.13% dan 5.56% masing-masing untuk SVM dan MLR. Kedua model SVM dan MLR layak dikembangkan lebih lanjut pada forecasting PLTS 1 kWp berdasarkan data deret waktu.

Abstract

The issue of the energy crisis requires people to look for alternative energy sources, SPP is a promising choice to answer the challenges. However SPP depends on weather conditions, it is very difficult to estimate energy production. Research on forecasting 1kWp energy production using machine learning and SVM has been carried out and compared with MLR, forecasting models with a time series approach, training data for the period January – December 2021 and test data for the period January – May 2022. MAPE evaluation results on SVM and MLR training data were 19.79% and 23.96%, while testing was 21.79% and 20.45%. Daily forecasting results are accumulated monthly and evaluated, the results are MAPE 4.13% and 5.56% for SVM and MLR, respectively. Both SVM and MLR models deserve to be further developed in forecasting PLTS 1 kWp based on time series data.