Prediksi multi-output intensitas radiasi matahari dan daya keluaran panel surya menggunakan metode bidirectional long short-term memory (BiLSTM)

Pemanfaatan energi surya pada sistem Pembangkit Listrik Tenaga Surya (PLTS) memerlukan proses prediksi yang mampu memperkirakan besarnya radiasi matahari dan daya listrik yang dihasilkan panel surya. Perubahan kondisi lingkungan, seperti suhu udara, kelembaban, suhu permukaan panel, dan kecepatan angin, dapat menyebabkan keluaran panel surya berubah secara dinamis. Oleh karena itu, diperlukan pendekatan prediksi yang mampu mengenali pola historis pada data deret waktu. Penelitian ini bertujuan untuk mengembangkan model prediksi multi-output menggunakan metode Bidirectional Long Short-Term Memory (BiLSTM), membandingkan hasilnya dengan model Long Short-Term Memory (LSTM), serta mengintegrasikan model ke dalam sistem berbasis web. Dataset yang digunakan merupakan data historis PLTS yang terdiri dari variabel TEMP, HUMID, SURFACE_TEMP, WINDSPEED, IRADIATION, dan POWER. Data diproses melalui beberapa tahap, yaitu pembersihan data, normalisasi, dan pembentukan sequence dengan panjang 24 timestep. Model yang dibangun menghasilkan dua keluaran prediksi secara bersamaan, yaitu IRADIATION dan POWER. Evaluasi dilakukan menggunakan metrik MAE, RMSE, MAPE, dan R². Hasil pengujian menunjukkan bahwa BiLSTM menghasilkan performa lebih baik dibandingkan LSTM. Pada output IRADIATION, BiLSTM memperoleh MAE sebesar 41,204105, RMSE sebesar 94,118655, MAPE sebesar 153,33%, dan R² sebesar 0,786769. Pada output POWER, BiLSTM memperoleh MAE sebesar 2,103193, RMSE sebesar 4,874767, MAPE sebesar 69,64%, dan R² sebesar 0,769562. Model BiLSTM selanjutnya diimplementasikan pada backend Flask dan dihubungkan dengan frontend website agar data cuaca serta hasil prediksi dapat ditampilkan melalui dashboard. Berdasarkan hasil tersebut, BiLSTM dapat digunakan sebagai pendekatan prediksi energi surya pada sistem berbasis web.