PREDICTION OF SOLAR IRRADIATION USING AN ARTIFICIAL NEURAL NETWORK ALGORITHM
Abstract
Prediksi iradiasi matahari merupakan hal yang krusial dalam merancang dan mengembangkan sistem energi terbarukan dengan energi matahari. Dalam tugas akhir ini dilakukan prediksi iradiasi matahari dengan meggunakan algoritma Artificial Neural Network (ANN) dalam bentuk model sekuensial. Model Sequential ANN dilatih dengan dataset yang mencakup berbagai faktor cuaca seperti suhu, kelembaban, tekanan udara, serta data radiasi matahari historis. Proses pelatihan dimulai dengan membagi dataset menjadi data latih dan data uji dengan tiga variasi komposisi data latih dan uji yang berbeda (80%:20%), (75%:25%), dan (66%:34%). Model ANN yang dibuat terdiri dari empat lapisan, satu lapisan masukan, dua lapisan tersembunyi dengan jumlah neuron (32, 64), dan satu lapisan keluaran. Melalui iterasi berulang, model diperbarui menggunakan algoritma optimisasi Adaptive Moment Estimation (ADAM) untuk mengoptimalkan parameter. Model ANN diuji dengan tiga variabel masukan iradiasi matahari yang berbeda (Global Horizontal Irradiance, Diffuse Horizontal Irradiance, dan Direct Normal Irradiance). Hasil pengujian menunjukkan bahwa model Sequential ANN mampu menghasilkan prediksi iradiasi matahari dengan tingkat akurasi yang signifikan. Hasil prediksi menunjukkan Mean Absolute Error (MAE=0,0029) , Mean Absolute Percentage Error (MAPE=2,3289%), Root Mean Square Error (RMSE=0,0038), dan Mean Square Error (MSE=0,0001) pada komposisi data latih dan uji (80%:20%).
References
[1] Harmini and T. Nurhayati, “PREDIKSI POWER SOLAR ENERGY MELALUI SOLAR PHOTOVOLTAIC ( SPV ) MENGGUNAKAN ARTIFICIAL NEURAL NETWORK – RADIAL BASIC FUNCTION ( ANN-RBF ),†SIMETRIS, vol. 12, no. 2, pp. 1–13, 2021.
[2] S. Sidda, “A Review on Artificial Intelligence Techniques in Electrical Drives Neural Networks , Fuzzy logic , and Genetic Algorithm,†Int. Conf. Smart Technol. dor Smart Nation, no. January, 2018.
[3] A. El Kounni, H. Radoine, H. Mastouri, and H. Bahi, “Solar Power Output Forecasting Using Artificial Neural Network,†2021.
[4] N. Yanti, E. P. Cynthia, Y. Vitriani, and G. Azmi, “Prediksi Radiasi Matahari Dengan Penerapan Metode Elman Recurrent Neural Network,†no. November, pp. 22–29, 2019.
[5] A. Prastawa and R. Dalimi, “Parameter Cuaca Sebagai Prediktor Model Prediksi Potensi Energi Surya Di Wilayah Indonesia,†J. Energi dan Lingkung., vol. 10, no. 1, pp. 55–62, 2014.
[6] N. Sehrawat, S. Vashisht, and A. Singh, “Solar irradiance forecasting models using machine learning techniques and digital twin : A case study with comparison,†Int. J. Intell. Networks, vol. 4, no. November 2022, pp. 90–102, 2023.
[7] P. Singla, M. Duhan, and S. Saroha, A comprehensive review and analysis of solar forecasting techniques. 2021.
[8] O. Nkuriyingoma, “Solar power plant generation forecasting using NARX neural network model : A case study,†Int. J. Energy Appl. Technol., vol. 80–92, no. December, 2021.
[9] L. Mahendra, J. Maknunah, B. Herwono, Y. Anggraini, and K. Nisa, “PREDIKSI DAYA KELUARAN PV BERBASIS JARINGAN SARAF TIRUAN PADA PUSAT PERBELANJAAN TANGERANG,†4th Conf. Innov. Appl. Sci. Technol. (CIASTECH 2021), no. 4, pp. 335–342, 2021.
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
