RAMADHAN, MUHAMAD NAUFAN SHEVA (2026) PERBANDINGAN MODEL LSTM DAN GRU UNTUK PREDIKSI DAYA KELUARAN PANEL SURYA BERDASARKAN DATA CUACA. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
Cover.pdf Download (479kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
BAB I.pdf Restricted to Registered users only Download (46kB) |
|
|
Text (BAB II)
BAB II.pdf Restricted to Registered users only Download (258kB) |
|
|
Text (BAB III)
BAB III.pdf Restricted to Registered users only Download (201kB) |
|
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (492kB) |
|
|
Text (BAB V)
BAB V.pdf Restricted to Registered users only Download (28kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (105kB) |
|
|
Text (LAMPIRAN)
Lampiran.pdf Restricted to Registered users only Download (525kB) |
Abstract
Electricity production from solar panels can fluctuate due to frequent weather changes, making the data unstable and difficult to predict. This instability complicates solar power generation system management, disrupting energy planning and distribution. Therefore, a predictive model capable of effectively learning from past patterns and relationships between weather variables is needed. This study aims to compare the performance of Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models in predicting solar panel power generation using time-series data encompassing multiple variables. The dataset used is historical data from the LSK South solar power plant in Hong Kong. The data includes several weather variables such as irradiance, rainfall, humidity, sea level pressure (SLP), temperature, visibility, and wind speed. The target variable in this dataset is the power output value of the power plant, LSKSouth_power, in watts (W). The research began with data cleaning, followed by a feature engineering process, which involved creating time-based features, such as hour and day of the year, which were then transformed into cyclical forms using the sine and cosine functions. The data was then divided into two parts: training data and test data, with a ratio of 80:20. Next, the data was normalized using the MinMaxScaler method. Before being processed by the LSTM and GRU models, the sequence data was generated using a sliding window technique. The models were evaluated based on three metrics: Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Coefficient of Determination (R²). The data testing showed that the LSTM model had an RMSE of 1717.22, an MAE of 889.97, and an R-squared of 0.8969. Meanwhile, the GRU model had an RMSE of 2012.78, an MAE of 1251.11, and an R-squared of 0.8584. Furthermore, a special assessment conducted only during the day showed that the LSTM model provided superior results compared to the GRU model, with an RMSE of 2326.71, an MAE of 1490.80, and an R² of 0.8630. The results of the study indicate that the Long Short-Term Memory (LSTM) model is capable of predicting solar panel output with greater accuracy than the Gated Recurrent Unit (GRU) model on the dataset used. These results are expected to serve as a basis for developing solar energy prediction systems utilizing deep learning. Keywords: Solar Energy Prediction, Multivariate Time Series, Deep Learning, Long Short-Term Memory, Gated Recurrent Uni. Produksi listrik dari panel surya bisa berubah-ubah karena cuaca yang sering berubah, sehingga datanya tidak tetap dan sulit diprediksi. Ketidakstabilan tersebut membuat pengelolaan sistem pembangkit listrik tenaga surya menjadi sulit karena bisa mengganggu perencanaan dan distribusi energi. Oleh karena itu, dibutuhkan model prediksi yang mampu belajar dari pola-pola yang sudah terjadi sebelumnya serta hubungan antar variabel-variabel cuaca secara efektif. Penelitian ini bertujuan untuk membandingkan kemampuan model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi daya yang dihasilkan oleh panel surya, dengan menggunakan data berupa urutan waktu yang mencakup beberapa variabel. Dataset yang digunakan adalah data historis dari pembangkit listrik tenaga surya LSK South di Hong Kong.Data tersebut mencakup beberapa variabel cuaca seperti irradiasi, curah hujan, kelembapan, tekanan permukaan laut (SLP), suhu, visibilitas, dan kecepatan angin.Variabel yang menjadi target dalam dataset ini adalah nilai output daya dari pembangkit listrik, yaitu LSK South_power, dengan satuan yang digunakan adalah Watt (W). Penelitian dimulai dengan membersihkan data, lalu dilanjutkan dengan proses feature engineering yaitu pembuatan fitur berdasarkan waktu seperti jam dan hari dalam setahun, yang kemudian diubah menjadi bentuk siklus menggunakan fungsi sinus dan kosinus. Data kemudian dibagi menjadi dua bagian, yaitu data latih dan data uji dengan rasio 80:20.Selanjutnya, data diberi normalisasi menggunakan metode MinMaxScaler.Sebelum diproses oleh model LSTM dan GRU, data sekuens dibuat dengan teknik sliding window. Model ini dinilai berdasarkan tiga metrik, yaitu Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Coefficient of Determination (R²). Uji coba data tersebut menunjukkan bahwa model LSTM memiliki nilai RMSE sebesar 1717,22, MAE sebesar 889,97, dan R kuadrat sebesar 0,8969.Sementara itu, model GRU memiliki RMSE sebesar 2012,78, MAE sebesar 1251,11, serta R kuadrat sebesar 0,8584. Selain itu, penilaian khusus dilakukan hanya pada siang hari dan menunjukkan bahwa model LSTM memberikan hasil yang lebih baik dibandingkan model GRU, dengan nilai RMSE sebesar 2326,71, MAE sebesar 1490,80, serta R² sebesar 0,8630. Hasil penelitian menunjukkan bahwa model Long Short-Term Memory (LSTM) mampu memberikan prediksi daya keluaran panel surya dengan akurasi lebih baik dibandingkan model Gated Recurrent Unit (GRU) pada dataset yang digunakan. Hasil penelitian ini diharapkan bisa menjadi dasar dalam membangun sistem prediksi energi surya yang memanfaatkan deep learning. Kata kunci: Prediksi Energi Matahari, Deret Waktu Multivariat, Pembelajaran Mendalam, Memori Jangka Panjang, Unit Rekuren Terjaga.
Actions (login required)
 |
View Item |
