Peramalan Energi Photovoltaic dengan Menggunakan Algoritma Naïve Bayes Classifier dan K-Nearest Neighbors

Abstract

Energi surya yang melimpah diseluruh dunia dapat menjadi sumber energi yang ekonomis dalam penerapannya. Disebabkan hal itu, pemanfaatan energi surya terus meningkat sepanjang tahun. Banyak faktor yang mempengaruhi pembangkitan energi listrik melalui panel surya. Faktor-faktor tersebut meliputi kondisi atmosfer, lintasan matahari, kondisi cuaca, tutupan awan, karakteristik dari panel surya yang digunakan, serta faktor eksternal lainnya. Karena banyak faktor yang mempengaruhi produksi energi yang dihasilkan, maka penting untuk melakukan peramalan terhadap produksi energi yang dihasilkan oleh Photovoltaic. Hal ini dapat membantu dalam mengelola perencanaan dan manajemen sistem operasi serta meningkatkan efisiensi dari sistem energi surya. Pada penelitian ini, metode Machine Learning digunakan untuk memprediksi suatu label klasifikasi dari produksi energi yang dihasilkan oleh Photovoltaic. Fitur atau atribut yang digunakan untuk memprediksi produksi energi adalah Rata-rata Radiasi Matahari Harian, Rata-rata Suhu Panel Surya Harian, dan Total Durasi Pancaran Sinar Matahari Harian. Algoritma Naïve Bayes Classifier dan K-Nearest Neighbors digunakan untuk melatih model machine learning dalam beberapa skenario pengujian. Berdasarkan hasil penelitian, didapati bahwa model yang dilatih dengan dengan menggunakan K-Nearest Neighbors memiliki performa yang lebih baik secara keseluruhan daripada model Naïve Bayes Classifier.