PERAMALAN RADIASI MATAHARI JANGKA SANGAT PENDEK MENGGUNAKAN METODE DECOMPOSITION – FEED FORWARD NEURAL NETWORK PADA SOLAR CELL.

VERY SHORT-TERM SOLAR RADIATION FORECASTING USING THE DECOMPOSITION – FEED FORWARD NEURAL NETWORK METHOD IN SOLAR CELLS.

Radiasi matahari merupakan parameter penting dalam sistem energi surya karena bersifat tidak linier dan dipengaruhi oleh berbagai faktor lingkungan. Penelitian ini bertujuan menganalisis kinerja Decomposition Feedforward Neural Network (DFFNN) dibandingkan Feedforward Neural Network (FFNN) dalam prediksi radiasi matahari jangka pendek. Data yang digunakan meliputi radiasi historis, variabel cuaca (suhu udara, kelembapan, dan kecepatan angin), serta variabel listrik (tegangan, arus, dan daya). Evaluasi dilakukan pada tahap testing dengan empat skenario input, yaitu semua variabel, variabel cuaca, variabel listrik, dan variabel radiasi saja. Hasil pengujian menunjukkan bahwa DFFNN memberikan performa terbaik pada seluruh skenario. Pada penggunaan semua variabel, DFFNN menghasilkan nilai MSE 97.36, MAE 3.71, MAPE 0.46%, dan R² 0.996, sedangkan FFNN menghasilkan MSE 2719.29, MAE 41.44, MAPE 5.48%, dan R² 0.875. Hasil ini menunjukkan bahwa DFFNN memiliki tingkat kesalahan yang jauh lebih rendah serta kemampuan generalisasi yang lebih baik. Dengan demikian, DFFNN dinyatakan lebih akurat dan andal untuk prediksi radiasi matahari jangka pendek.

Solar irradiance is a key parameter in solar energy systems due to its nonlinear behavior and strong dependence on environmental factors. This study aims to evaluate the performance of the Decomposition Feedforward Neural Network (DFFNN) compared to the Feedforward Neural Network (FFNN) for short-term solar irradiance prediction. The dataset consists of historical solar irradiance, meteorological variables (air temperature, relative humidity, and wind speed), and electrical variables (voltage, current, and power). Model performance was evaluated on the testing phase using four input scenarios: all variables, meteorological variables, electrical variables, and solar irradiance only. The results indicate that DFFNN consistently outperforms FFNN across all scenarios. When all variables are used, DFFNN achieves an MSE of 97.36, MAE of 3.71, MAPE of 0.46%, and an R² of 0.996, while FFNN records an MSE of 2719.29, MAE of 41.44, MAPE of 5.48%, and an R² of 0.875. These findings confirm that DFFNN produces significantly lower prediction errors and superior generalization capability, making it a reliable method for short-term solar irradiance forecasting.