TESIS DIGITAL
Pemodelan Long Short-Term Memory (LSTM) Untuk Prediksi Pengisian Baterai Pada Solar Panel Skala Residensial = Predicting Battery Storage Of Residential PV Using Long Short-Term Memory (LSTM)
Panel listrik tenaga surya atau photovoltaic (PV) akhir-akhir ini berkembang pesat sebagai sumber energi alternatif terbarukan, terutama sejak adanya kenaikan tarif dasar listrik. Teknologi PV dapat digunakan sebagai pengganti Perusahaan Listrik Negara untuk mengurangi jumlah penggunaan listrik. Mengingat banyaknya manfaat teknologi PV, penting untuk dilakukan pemantauan dan analisis prediktif terhadap energi yang dihasilkan oleh teknologi PV untuk memaksimalkan pemanfaatan energi di masa depan. Pada penelitian ini dikembangkan sistem Internet of Things (IoT) untuk memonitoring dan mengumpulkan data secara real-time dalam waktu 27 hari dan diperoleh 7831 data untuk setiap parameter yang mempengaruhi produksi PV. Hasil seleksi fitur menggunakan korelasi Pearson menunjukkan bahwa parameter intensitas cahaya berdampak signifikan terhadap sistem produksi PV. Pada penelitian ini, metode Long Short-Term Memory (LSTM) digunakan untuk memprediksi produksi PV di masa mendatang. Dengan melakukan tuning hyperparameter menggunakan learning rate = 0.0001 dan 3000 epochs, nilai RMSE yang dihasilkan sebesar 171,5720. Hasil tersebut menunjukkan adanya perubahan nilai RMSE yang signifikan dibandingkan dengan menggunakan hyperparameter dengan learning rate yang lebih besar dan epoch yang lebih kecil. Model ini kedepannya diharapkan dapat diterapkan sebagai model sistem peramalan pada stasiun pengisian kendaraan listrik mengingat penggunaan kendaraan listrik yang semakin meningkat di masa yang akan datang.
Kata Kunci: Prediksi, energi listrik, solar panel, LSTM, Internet of Thing.
No other version available