• Login
    View Item 
    •   Home
    • MASTER THESES (Koleksi Tesis)
    • MT-Engineering
    • View Item
    •   Home
    • MASTER THESES (Koleksi Tesis)
    • MT-Engineering
    • View Item
    JavaScript is disabled for your browser. Some features of this site may not work without it.

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

    Thumbnail
    View/Open
    Thesis_SutranMariyanto(16feb2023).pdf (3.974Mb)
    Date
    2023-01-23
    Author
    MARIYANTO, Sutran
    Metadata
    Show full item record
    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.
    URI
    https://repository.unej.ac.id/xmlui/handle/123456789/113024
    Collections
    • MT-Engineering [9]

    UPT-Teknologi Informasi dan Komunikasi copyright © 2021  Perpustakaan Universitas Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    Repository Universitas Jember
    Repository Institut Pertanian Bogor
    Repository UIN Syarif Hidayatullah Jakarta
     

     

    Browse

    All of RepositoryCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

    My Account

    LoginRegister

    UPT-Teknologi Informasi dan Komunikasi copyright © 2021  Perpustakaan Universitas Jember
    Contact Us | Send Feedback

    Indonesia DSpace Group :

    Repository Universitas Jember
    Repository Institut Pertanian Bogor
    Repository UIN Syarif Hidayatullah Jakarta