Prediksi Keluaran Daya Pembangkit Listrik Tenaga Surya Berbasis Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM)

Penelitian ini bertujuan untuk mengembangkan sebuah model prediksi keluaran daya tenaga surya berbasis Recurrent Neural Networks (RNN) dan Long Short-Term Memory (LSTM). Daya tenaga surya sangat dipengaruhi oleh faktor-faktor seperti cuaca, waktu, dan lingkungan sekitarnya. Oleh karena itu, prediksi yang akurat terkait dengan keluaran daya tenaga surya memiliki peran yang penting dalam mengoptimalkan penggunaan energi surya. Metode RNN dan LSTM digunakan karena mampu mengatasi masalah prediksi dengan data time series. Dataset yang digunakan dalam penelitian ini adalah data historis mengenai keluaran daya tenaga surya yang dikumpulkan dari ash disposal PT. POMI dengan variasi cuaca dan waktu yang berbeda serta data radiasi dan cuaca dari satelit NASA. Pada tahap eksperimen, dilakukan pemodelan dengan menggunakan RNN dan LSTM. Data latih yang akan digunakan diseleksi menggunakan uji korelasi Pearson, hasil analisis didapatkan variabel yang memiliki korelasi yang signifikan dengan keluaran daya adalah shortwave irradiance, UVA, PAR dan relative humidity. Pemodelan arsitektur RNN-LSTM dilakukan dengan melakukan hyperparameter tuning, dan didapatkan model terbaik dengan jumlah lapisan sebanya 2 hidden layer, jumlah LSTM sebanyak 4, learning rate 0.0001, dropout 0.2 dan optimizer Stochastic Gradient Descent. Hasil pemodelan RNN-LSTM dengan kinerja terbaik dengan nilai RMSE sebesar 0.199 untuk mid-term forecasting dan 0.2183 untuk long-term forecasting. ================================================================================================================================= This research aims to develop solar power output forecasting model based on Recurrent Neural Network (RNN) and Long Short-Term Memory (LSTM) methods. Solar power output is highly influenced by factors such as weather, time, and the surrounding environment. Therefore, accurate forecasting of solar power output plays a crucial role in optimizing the utilization of solar energy. RNN and LSTM methods are employed due to their ability to handle sequential data such as time series and learn complex patterns. The dataset used in this study consists of historical data on solar power output collected from PT POMI and solar irradiance data from NASA. The training dataset used was selected using the Pearson correlation test, the results of the analysis showed that the variables that had a significant correlation with power output were shortwave irradiance, UVA, PAR and relative humidity. In addition, several parameters such as data sequential length, number of layers, number of neurons, and dropout rate are also explored to obtain the best model. The best results use parameters with 2 hidden layers, 4 LSTM cells. The results of the RNN-LSTM modeling with the best performance with an RMSE value of 0.199 for mid-term forecasting and 0.2183 for long-term forecasting