Peramalan Jangka Sangat Pendek Daya Listrik PLTS On Grid Rumah Tinggal Sederhana Menggunakan Metode Recurrent Neural Network Long-Short Term Memory (RNN-LSTM) Berdasarkan Data Meteorologi

Pembangkit Listrik Tenaga Surya (PLTS) yang terintegrasi dengan sistem grid atau on grid pada rumah tinggal sederhana berfungsi sebagai cadangan energi atau bahkan menjadi energi utama listrik pada rumah tinggal sederhana. Produksi daya listrik PLTS ini dipengaruhi oleh data meteorologi. Permalan daya listrik PLTS on grid berguna untuk mengetahui daya listrik yang diproduksi.  Pada penelitian ini menggunakan metode peramalan Recurrent Neural Network Long Short Term Memory. Penelitian ini bertujuan untuk mengetahui peramalan daya listrik sangat pendek PLTS on grid pada rumah tinggal sederhana menggunakan metode recurrent neural network long-short­ term memory (RNN-LSTM) berdasarkan data meteorologi yaitu irradiasi matahari, suhu, kelembapan udara dan kecepatan angin dengan membandingkan hasil peramalan dan nilai aktual untuk dua jam kedepan. Hasil dari penelitian ini model peramalan dapat memprediksi daya listrik untuk dua jam kedepan dan menunjukan nilai akurasi peramalan MSE 0.0112  dan MAPE 20.91%. Dapat disimpulkan bahwa metode RNN-LSTM memiliki intrepetasi peramalan dengan predikat layak.

Kata Kunci: PLTS on grid, Peramalan, RNN-LSTM

Solar Power Plants that are integrated with a grid or on grid system in simple residential homes function as an energy reserve or even become the main energy for electricity in simple residential homes. PLTS electric power production is influenced by meteorological data. Forecasting the electric power of PLTS on grid is useful for knowing the electric power produced. In this study using the forecasting method Recurrent Neural Network Long Short Term Memory. This study aims to determine the prediction of very short electric power on grid PLTS in simple residential houses using the recurrent neural network long-short term memory (RNN-LSTM) method based on meteorological data, namely solar irradiation, temperature, humidity and wind speed by comparing forecasting results and actual values ​​for the next two hours. The results of this study the forecasting model can predict the electric power for the next two hours and shows the forecasting accuracy value of MSE 0.0112 and MAPE 20.91%. It can be concluded that the RNN-LSTM method has a forecasting interpretation with a feasible predicate.

Keywords: Solar Power Plant On Grid, Forecasting, RNN-LSTM