Abstrak
Implementasi Sistem Prediksi Energi Pengisian Baterai Menggunakan Machine Learning Pada Sistem PLTS Hybird Penerangan Jalan Umum Dengan Tampilan Monitoring Berbasis WEB
Oleh :
Maulida Nabilah Badriah - I0721039 - Fak. Teknik
Dalam rangka mengurangi emisi dan gas rumah kaca serta untuk memanfaatkan
sumber daya alam yang dapat diperbarui, salah satu solusi yang dapat diterapkan
yaitu dengan penggunaan Energi Baru Terbarukan (EBT). Salah satu bentuk
pemanfaatan EBT yang paling umum digunakan adalan pemanfaatan Pembangkit
Listrik Tenaga Surya (PLTS) yang mengonversi energi matahari menjadi listrik.
Efisiensi penggunaan listrik pada PLTS menjadi faktor penting dalam memastikan
sistem bekerja optimal, mengingat produksi energi surya dapat bervariasi
tergantung pada kondisi lingkungan dan pola konsumsi listrik Untuk mengatasi
tantangan ini, penelitian ini menerapkan machine learning dengan menggunakan
beberapa metode machine learning diantaranya Random Forest, Support Vector
Regression , dan K-Nearest Neigbors (KNN). Model ini digunakan untuk
menganalisis data historis dan membuat prediksi terkait energi pengisian pada
baterai PLTS. Dengan adanya sistem prediksi ini, pengguna dapat mengoptimalkan
pemanfaatan energi dan memperkirakan kebutuhan listrik hingga tiga hari ke depan.
Hasil prediksi serta data dari PLTS ditampilkan melalui sistem informasi berbasis
web yang memungkinkan pemantauan PLTS dapat dilakukan dimana saja secara
real-time melalui website. Dari pengujian yang dilakukan dapat disimpulkan bahwa
metode Support Vector Regression dengan penambahan data cuaca menunjukan
hasil terbaik dengan MAPE rata-rata sebesar 10,77% MAE 43,52, dan RMSE
58,91.