PREDIKSI DAYA KELUARAN PV PADA MUSIM PANCAROBA BERBASIS MODEL BILSTM DENGAN MEKANISME ATTENTION

Daya yang dihasilkan PV sangat bergantung pada intensitas radiasi matahari yang keberadaannya sangat dipengaruhi oleh kondisi cuaca dan iklim. Di musim pancaroba, intensitas cahaya matahari sangat fluktuatif yang berdampak pada daya keluaran PV yang tidak stabil dan sulit diprediksi. Penelitian ini bertujuan untuk memprediksi daya keluaran PV jangka pendek pada musim pancaroba menggunakan model deep learning Bidirectional Long Short-Term Memory (BiLSTM) dengan mekanisme attention. Model ini dikembangkan menggunakan TensorFlow dan Keras dengan Bahasa pemrograman Python. Model dilatih menggunakan data historis dari sensor iradiasi matahari, suhu udara, kelembapan, suhu permukaan panel, kecepatan angin, dan daya keluaran PV. Data ini dicuplik setiap 30 detik. Sebelum model BiLSTM diberikan pembobotan dilakukan proses kombinasi fungsi aktivasi, optimizer dan nilai learning rate. Untuk fungsi aktivasi meliputi 3 jenis yaitu tanh, relu, dan swish dengan optimizer menggunakan adam dan rmsprop serta nilai learning rate di setting di 10-3,10-4,10-5. Model BiLSTM diberikan pembobotan attention yang meliputi tiga jenis model. Ketiga jenis model tersebut adalah Bahdanau, Luong, dan Simple Attention. Data ini dievaluasi menggunakan MAE, RMSE, dan R². Hasil menunjukkan konfigurasi terbaik adalah Bahdanau Attention dengan fungsi aktivasi Tanh, optimizer Adam, dan learning rate 0.001, dengan capaian MAE sebesar 0.001412394, RMSE 0.004666106, dan R² sebesar 0.999726415. Evaluasi menunjukkan bahwa model BiLSTM dengan attention mampu mengikuti tren daya aktual dengan akurasi tinggi hal ini ditunjukkan nilai MAE dan RMSE, baik pada kondisi cuaca normal maupun kondisi fluktuatif di musim pancaroba.