RANCANG BANGUN MODEL DEEP LEARNING BIDIRECTIONAL LSTM UNTUK PERAMALAN DAYA KELUARAN PHOTOVOLTAIC BERBASIS INTERNET OF THINGS

Pemanfaatan energi surya melalui sistem photovoltaic (PV) menghadapi tantangan ketidakpastian produksi daya listrik akibat sifat intermiten sumber energi ini. Penelitian ini bertujuan merancang dan mengimplementasikan model deep learning Bidirectional Long Short-Term Memory (BiLSTM) untuk peramalan daya keluaran PV berbasis Internet of Things (IoT) di Kota Bandung, Indonesia. Model dikembangkan menggunakan TensorFlow dan Keras API dengan Python, memanfaatkan data historis dan real-time dari instalasi PV meliputi iradiasi surya (IR), daya keluaran PV (POWER), suhu permukaan PV (SURFACE), suhu (TEMP) dan kelembapan (HUMID) lingkungan, serta kecepatan angin (WS). Analisis korelasi menggunakan uji Pearson dan Spearman menunjukkan hubungan yang signifikan antara IR, SURFACE, TEMP, HUMID dan WS terhadap POWER. Optimisasi hyperparameter dilakukan pada optimizer, fungsi aktivasi dan learning rate. Hasil evaluasi menunjukkan model BiLSTM mencapai akurasi tinggi dengan Mean Absolute Error (MAE) 0,002832935, Root Mean Square Error (RMSE) 0,008154498, dan R2 0,999164402, mengungguli model ARIMA dengan peningkatan akurasi 98,81% dalam MAE dan 97,11% dalam RMSE. Konfigurasi optimizer Adam dengan learning rate 10-4 dan fungsi aktivasi Tanh memberikan kinerja terbaik. Implementasi model dalam sistem IoT menunjukkan tingkat akurasi 99,07% dalam kondisi normal, dengan selisih antara nilai prediksi dan aktual antara 0,06 hingga 0,21 Watt pada sebagian besar waktu pengukuran. Penelitian ini memberikan kontribusi terhadap pengembangan sistem manajemen energi yang lebih akurat dan responsif, mendukung integrasi energi terbarukan secara optimal, serta meningkatkan keberlanjutan dan keandalan penggunaan energi surya di Indonesia.