Prediksi Switching Daya Listrik pada Sistem Hybrid Panel Surya Menggunakan Metode Support Vector Machine

Abstract

Efisiensi konversi daya sel surya organik telah meningkat secara signifikan selama dekade terakhir. Menurut penelitian efisiensi sel terbaik telah dilaporkan oleh National Renewable Energy Laboratory (NREL), efisiensi ini dua kali lebih besar daripada yang dilaporkan 10 tahun yang lalu (Fukuda dkk., 2020) (National Renewable Energy Laboratory, 2020). Belakangan ini, sebuah teknologi baru yang sedang diadopsi untuk mencapai stabilitas cahaya yang sangat baik dari sel surya organik telah diumumkan (Burlingame dkk., 2019). Dengan pertumbuhan yang cukup besar dalam pengumpulan data yang valid dan adanya peningkatan yang sangat pesat dalam pemanfaatan metode artifical intelegent (AI) khususnya machine learning di sektor industri dan rumah tangga, maka penting untuk mempelajari dan mengadopsi teknologi baru di lapangan (Zhao dkk., 2017). Teknik machine learning yang paling banyak diterapkan dalam bidang ini adalah artificial neural network (ANN), support vector machine (SVM), regresi dan pengelompokan distribusi gausian (Zhao dkk., 2017). Semisal panel surya dengan tenaga angin, Pada penelitian G.Y. Zhao 2017, yang berjudul “Energy Comsumtion in Machining: Classification, Ediction, and Reduction Strategy”, memberikan tinjauan keseluruhan tentang konsumsi energi dalam permesinan. Konsumsi energi diklasifikasikan pada tingkat mesin, proses, dan sistem. Konsumsi energi pada keadaan mesin yang berbeda juga dibahas. Semisal on grid dan off grid. Pada penelitian Nallathambi & Ramasamy 2017, yang berjudul “Prediction Of Electricity Consumption Based On DT And RF: An Application On USA Country Power Consumption”, algoritma decision trees (DT) dan random forest (RF) dianalisis dan hasilnya dibandingkan menggunakan alat MATLAB, dengan mempertimbangkan 237 sampel data data konsumsi listrik berasal dari negara-negara AS. Tingkat kesalahan klasifikasi DT lebih besar (0,906) daripada RF (0,198) dan akurasi prediksi RF dan DT masing-masing adalah 95,78%, 91,6%. Hasil eksperimen menunjukkan bahwa algoritma RF yang dihasilkan sekitar 100 trees menghasilkan akurasi klasifikasi yang lebih baik dibandingkan dengan algoritma DT. Pada penelitian terdahulu yang juga mendasari penggunaan sistem stabilitas daya listrik diantaranya, menggunakan metode Deep Learning untuk menganalisa sistem Decentral Smart Grid Control (DSGC) dan memperoleh nilai akurasi sebesar 99,62%.(Breviglieri dkk., 2021a). Berdasarkan hal tersebut di atas kemudian dibuat percobaan untuk memprediksi Switching pada sumber energi listrik tenaga surya dengan metode Support Vector Machine (SVM) yang dikombinasikan dengan daya listrik dari PLN.