Prediksi Daya Listrik Jangka Sangat Pendek Pembangkit Photovoltaic Berbasis Internet of Things Menggunakan Feed Forward Neural Network

Penggunaan daya listrik di kalangan masyarakat semakin meningkat seiring perkembangan teknologi pada zaman sekarang. Maka dapat dilakukan pemantauan dan prediksi daya listrik untuk mengatur ketersediaan baterai pada pembangkit photovoltaic. Penelitian prediksi daya listrik dilakukan dengan mengambil data dengan melakukan pengujian pemodelan monitoring daya listrik pembangkit photovoltaic berbasis IoT. Rumusan masalah berdasarkan latar belakang tersebut yaitu penggunaan daya listrik dapat dipantau dengan IoT dan diprediksi untuk jangka waktu satu jam sampai hari berikutnya serta, analisa akurasi error pada prediksi daya listrik yang dibandingkan dengan data pengujian untuk mendapatkan tingkat ketepatan terbaik. Bertujuan untuk pemantauan pemodelan yang dapat diakses melalui telepon pintar dan mendapatkan akurasi kesalahan terbaik pada prediksi daya listrik yang dibandingkan dengan data pengujian. Metode yang digunakan adalah metode eksperimen dengan pendekatan kuantitatif, dimulai dengan studi literatur, selanjutnya pengambilan data, dilanjutkan dengan analisis data, lalu membuat desain sistem peramalan, serta konfigurasi neural network, selanjutnya melakukan pembelajaran (training) dan pengujian (testing) pada software MATLAB. Kesalahan tertinggi prediksi sebesar 4,26% dan terendah pada sebesar 0,34 %. MSE pada traingdx sebesar 0.007844, Traincgb sebesar 0.043241 dan rata-rata MAPE  pada traingdx sebesar 2.65% dan Pada traincgb sebesar 2.6%. Tingkat ketepatan prediksi daya terbaik didapat pada traingdx sebesar 97,45% dan terkecil sebesar 97,15% pada traincgb pula. Semakin banyak pola dan jenis pembelajaran (train) yang dilakukan semakin baik pula hasil error yang dihasilkan.

Utilization of electric power in the community is increasing along with the development of technology today. So it can be done by monitoring and predicting electrical power to regulate the availability of batteries in photovoltaic plants. Electrical power prediction research is carried out by taking data by testing the IoT-based photovoltaic power monitoring modeling model. The formulation of the problem based on this background is that the use of electrical power can be monitored with IoT and predicted for a period of one hour to the next day as well as, analysis of error accuracy in the prediction of electrical power which is compared with test data to get the best level of accuracy. Aims for modeling monitoring that can be accessed via a smartphone and getting the best error accuracy on the electric power prediction compared to the test data. The method used is an experimental method with a quantitative approach, starting with a literature study, and data collection, followed by data analysis, then making a forecasting system design, and neural network configuration, then doing training and testing on the MATLAB software. The highest prediction error is 4.26% and the lowest is 0.34%. MSE on traingdx is 0.007844, Traincgb is 0.043241 and the average MAPE on traingdx is 2.65% and on traincgb is 2.6%. The best level of power prediction accuracy is obtained on traingdx of 97.45% and the smallest of 97.15% on traincgb as well. The more patterns and types of learning (train) that are carried out, the better the error results produced.