VEHA, KEANU ATZUL (2026) PREDIKSi DAYA LUARAN PER JAM BERBASIS DATA SATELIT MENGGUNAKAN HYBRID K-MEANS DAN LIGHTGBM PADA PLTS DI KOTA PADANG. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
Cover.pdf Download (414kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
Bab 1.pdf Restricted to Registered users only Download (35kB) |
|
|
Text (BAB II)
Bab 2.pdf Restricted to Registered users only Download (135kB) |
|
|
Text (BAB III)
Bab 3.pdf Restricted to Registered users only Download (253kB) |
|
|
Text (BAB IV)
Bab 4.pdf Restricted to Registered users only Download (316kB) |
|
|
Text (BAB V)
Bab 5.pdf Restricted to Registered users only Download (28kB) |
|
|
Text (DAFTAR PUSTAKA)
Daftar Pustaka.pdf Restricted to Registered users only Download (143kB) |
|
|
Text (LAMPIRAN)
Daftar Lampiran.pdf Restricted to Registered users only Download (231kB) |
Abstract
This study investigates the development of a model to predict hourly energy generation from Solar Photovoltaic (PV) power plants using a hybrid K-Means and LightGBM approach, leveraging satellite-derived weather data. A primary challenge in predicting solar energy output is the significant variability in generation caused by fluctuating weather conditions and the changing position of the sun, which complicates power plant operational planning and electrical system management. Furthermore, a lack of ground-based meteorological station data in various regions hinders the creation of accurate prediction models. To address this, the study utilizes historical solar energy generation data from Padang City combined with satellite-derived weather data from NASA’s Prediction of Worldwide Energy Resources (NASA POWER). Solar geometry calculations followed by the engineering of time-based features, lag features, and rolling statistics. The K-Means method is employed to cluster weather conditions based on meteorological characteristics and solar positioning, generating cluster labels that serve as additional features for the LightGBM model. A prediction model is then constructed to capture the relationships between historical generation data, weather parameters, solar geometry features, and clustering results to forecast hourly solar power output. Model performance is evaluated using metrics such as Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Symmetric Mean Absolute Percentage Error (SMAPE), and the Coefficient of Determination (R²). The study aims to produce a prediction model that is more accurate and responsive to weather fluctuations, thereby facilitating solar power plant operations and decision-making within electrical systems. Theoretically, this research contributes to the understanding of machine learning applications in solar energy forecasting through the integration of satellite weather data, solar geometry features, and the hybrid K-Means–LightGBM method. Practically, the developed model is expected to serve as a reference for creating more effective renewable energy forecasting systems and supporting solar energy utilization in Indonesia. Kata kunci: Produksi Daya PLTS, NASA POWER, K-Means, LightGBM, Machine Learning, Prediksi Produksi Daya. Penelitian ini mengkaji cara membuat model untuk memprediksi jumlah daya yang dihasilkan oleh Pembangkit Listrik Tenaga Surya (PLTS) setiap jam dengan menggunakan metode gabungan K-Means dan LightGBM berdasarkan data cuaca dari satelit. Tantangan utama dalam memprediksi daya dari PLTS adalah variasi besar dalam produksi akibat perubahan cuaca dan posisi matahari yang terus berubah, sehingga membuat perencanaan operasi pembangkit dan manajemen sistem listrik menjadi sulit. Selain itu, kurangnya data cuaca dari stasiun meteorologi di berbagai daerah menjadi hambatan dalam menciptakan model prediksi yang tepat. Untuk mengatasi masalah ini, penelitian ini menggunakan data historis produksi daya PLTS di Kota Padang yang dipadu dengan data cuaca dari NASA Prediction of Worldwide Energy Resources (NASA POWER) yang bersumber dari satelit. Selanjutnya, perhitungan fitur geometri solar diikuti dengan pembentukan fitur waktu, fitur lag, dan statistik bergulir sebagai bagian dari proses pengembangan fitur. Metode K-Means dipakai untuk mengelompokkan kondisi cuaca berdasarkan karakteristik meteorologi serta posisi matahari dan menghasilkan label cluster yang dijadikan fitur tambahan dalam model LightGBM. Model prediksi kemudian dibangun untuk memahami hubungan antara data historis produksi daya, parameter cuaca, fitur geometri solar, dan hasil pengelompokan untuk memprediksi daya PLTS setiap jam. Penilaian kinerja model dilakukan dengan menggunakan ukuran-ukuran seperti Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Symmetric Mean Absolute Percentage Error (SMAPE), dan Koefisien Determinasi (R²) untuk mengukur seberapa akurat model tersebut. Diharapkan, hasil penelitian ini bisa menciptakan model prediksi yang lebih tepat dan responsif terhadap perubahan cuaca, sehingga dapat membantu pengelolaan operasional PLTS serta proses pengambilan keputusan pada sistem listrik. Secara teori, diharapkan penelitian ini dapat menambah wawasan mengenai penerapan pembelajaran mesin dalam memprediksi produksi daya PLTS melalui integrasi data cuaca satelit, fitur geometri solar, dan metode gabungan K-Means– LightGBM. Secara praktis, model yang dibuat diharapkan dapat menjadi acuan dalam mengembangkan sistem prediksi energi terbarukan yang lebih efektif serta mendukung pemanfaatan energi matahari di Indonesia. Kata kunci: Produksi Daya PLTS, NASA POWER, K-Means, LightGBM, Machine Learning, Prediksi Produksi Daya
Actions (login required)
 |
View Item |
