RANCANG BANGUN SISTEM DEEP LEARNING UNTUK PANEL SURYA BERBASIS INTERNET OF THINGS

Pemanfaatan Pembangkit Listrik Tenaga Surya (PLTS) sebagai pilar transisi energi bersih di Indonesia terus mengalami peningkatan. Namun, sistem PLTS konvensional masih menghadapi kendala dalam hal tata kelola data operasional yang tidak terpusat serta tingginya ketidakpastian (sifat stokastik) produksi daya akibat fluktuasi cuaca. Kondisi ini menyulitkan manajemen beban (load balancing) dan optimalisasi sistem penyimpanan energi secara real-time. Penelitian dan kerja praktik ini bertujuan untuk merancang, mengimplementasikan, dan menguji efektivitas sistem pemantauan cerdas (smart monitoring) terintegrasi yang menggabungkan infrastruktur Internet of Things (IoT) dengan algoritma prediksi berbasis Kecerdasan Buatan (AI). Sistem yang dibangun menggunakan sensor perangkat keras untuk mentransmisikan data telemetri menuju platform cloud Thingsboard. Arsitektur data engineering pipeline berbasis Python dan JavaScript dikembangkan untuk melakukan agregasi otomatis ke dalam database MongoDB. Untuk menangani distorsi linieritas waktu pada data time-series, dilakukan proses data augmentation dengan mentransformasikan stempel waktu (timestamp) menggunakan fungsi trigonometri (Sin/Cos of a Day and Year). Pemodelan prediktif dibangun menggunakan algoritma Deep Learning tipe Long Short-Term Memory (LSTM) yang diperkuat dengan mekanisme Sequence-to-Sequence (Seq2Seq) untuk memproyeksikan produksi energi 24 jam ke depan berdasarkan pola 48 jam masa lalu. LSTM-Seq2Seq berhasil dilatih dan dievaluasi menggunakan metrik Mean Squared Error (MSE). Pada fase pelatihan (training), model mencatatkan nilai MSE sebesar 0,801, sedangkan pada fase pengujian (testing) diperoleh nilai MSE sebesar 1,415 (pada faktor pengali skala 10:1). Selisih yang rendah (0,61) mengindikasikan model terbebas dari kendala overfitting maupun underfitting. Saat diimplementasikan pada server produksi lapangan (real deployment) dengan skala normal 1:1, deviasi kuadrat rata-rata antara produksi energi aktual dan hasil prediksi menyentuh angka sangat minimal yaitu 0.3437. Integrasi arsitektur IoT dan Deep Learning LSTM-Seq2Seq terbukti sangat efektif dan akurat dalam memprediksi tren harian produksi energi surya. Cetak biru (blueprint) sistem cerdas ini berhasil meningkatkan reliabilitas operasional PLTS, sekaligus membuka peluang implementasi predictive maintenance dan smart energy management yang adaptif di masa depan.