Prediksi Jangka Sangat Pendek Daya Keluaran PLTS Menggunakan LSTM Berbasis Sky Clearness Index
DOI:
https://doi.org/10.26740/jte.v15n1.p38-45Keywords:
PLTS, Long Short-Term Memory, Sky Clearness Index, Prediksi Jangka Sangat Pendek, Daya KeluaranAbstract
Pembangkit Listrik Tenaga Surya (PLTS) merupakan salah satu sumber energi terbarukan yang potensial di Indonesia, namun daya keluarannya sangat dipengaruhi oleh kondisi atmosfer yang bersifat fluktuatif. Penelitian ini bertujuan mengembangkan model prediksi jangka sangat pendek daya keluaran PLTS menggunakan metode Long Short-Term Memory (LSTM) berbasis Sky Clearness Index (SCI). Data penelitian berupa tegangan, arus, dan SCI dikumpulkan dari sistem PLTS Universitas Negeri Surabaya dengan interval 5 menit selama periode Mei–Juni 2025. Model LSTM dirancang dengan dua lapisan tersembunyi, Adam Optimizer, dan fungsi loss Mean Squared Error (MSE). Dataset dibagi menjadi 80% data latih dan 20% data uji. Evaluasi kinerja model dilakukan menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa model LSTM berbasis SCI mampu memprediksi daya keluaran PLTS dengan akurasi tinggi, dengan nilai RMSE sebesar 0,644, MAE sebesar 0,536, dan MAPE sebesar 3,66%. Nilai MAPE di bawah 10% menunjukkan performa prediksi yang sangat baik untuk peramalan jangka sangat pendek. Dengan demikian, integrasi SCI sebagai variabel input terbukti efektif dalam meningkatkan keandalan prediksi daya keluaran PLTS secara real-time.
Downloads
References
Anggoro, M. D., Siregar, D., Ninggar, R., Wicaksono, S., & Lee, S. H. (2021). Study of Indonesia's Solar Energy Implementation Using Identification of Potency, Policies, and Cost-Benefit Analysis. Journal of Earth Energy Engineering, 10(3), 125-139.
Bui Duy, L., Nguyen Quang, N., Doan Van, B., Riva Sanseverino, E., Tran Thi Tu, Q., Le Thi Thuy, H., Le Quang, S., Le Cong, T., & Cu Thi Thanh, H. (2024). Refining Long Short- Term Memory Neural Network Input Parameters for Enhanced Solar Power Forecasting. Energies, 17(16).
Chicco, D., Warrens, M. J., & Jurman, G. (2021). The coefficient of determination R- squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation.
Ghimire, S., Deo, R. C., Raj, N., & Mi, J. (2022). Deep solar radiation forecasting with convolutional neural network and long short-term memory network algorithms. Applied Energy, 322, 119-135.
I. Kurniawan dkk. (2022). Indonesia's Renewable Energy Outlook: What to Expect in The Future Renewable Energy of Indonesia. A Brief Review. Elkawnie, 8(2), 298-310.
Jailani, N. L. M., Isa, N. A. M., & Sabri, N. (2023). Photovoltaic power forecasting using LSTM neural network based on meteorological parameters. Energy Reports, 9, 102-115.
Lauret, P., Alonso- Suárez, R., Le Gal La Salle, J., & David, M. (2022). Solar Forecasts Based on the Clear Sky Index or the Clearness Index: Which Is Better?. Solar, 2(4), 432-444.
Martins, G. S., & Giesbrecht, M. (2021). Clearness index forecasting: A comparative study between a stochastic realization method and a machine learning algorithm. Renewable Energy, 180, 787-805.
Nugraha, I. M. A., Luthfiani, F., Idrus, M. A., Desnanyaya, I. G. M. N., Siregar, J. S. M., Boikh, L. I., & Widagdo, A. (2023). Sosialisasi Pemanfaatan PLTS dan Lacuda Untuk Peningkatan Ekonomi Masyarakat Pesisir. Jurnal Widya Laksmi: Jurnal Pengabdian Kepada Masyarakat, 3(1), 9-13.
Wentz, V. H., et al. (2022). Solar power forecasting in smart grids: A hybrid convolutional neural network-autoencoder long short-term memory approach. Physica Scripta, 99(9), 95249.
Downloads
Published
How to Cite
Issue
Section
Abstract views: 10
,
PDF Downloads: 7
