Artikel Ilmiah : H1A021058 a.n. RANGGA WIBISANA PUTRA PAMUNGKAS
| NIM | H1A021058 |
|---|---|
| Namamhs | RANGGA WIBISANA PUTRA PAMUNGKAS |
| Judul Artikel | Analisa Performa Optimizer Algoritma Pembelajaran Mesin dalam Prediksi Iradiasi Matahari Berdasarkan Luas Penerangan (Lux) di Atap Gedung Jakarta Selatan |
| Abstrak (Bhs. Indonesia) | Energi surya merupakan salah satu sumber energi terbarukan yang memiliki potensi besar untuk dimanfaatkan dalam memenuhi kebutuhan energi secara berkelanjutan. Pemanfaatan energi surya yang optimal memerlukan prediksi iradiasi matahari yang akurat, khususnya untuk mengoptimalkan kinerja sistem photovoltaic (PV). Penelitian ini bertujuan membangun model prediksi iradiasi matahari berdasarkan data pengukuran lux harian menggunakan algoritma Long Short-Term Memory (LSTM), serta menganalisis secara sistematis performa tiga optimizer—Adam, RMSprop, dan SGD—dalam proses pelatihan model. Dataset penelitian diperoleh dari pengukuran lux di atap sebuah gedung di Jakarta Selatan selama satu tahun (Maret 2023 – Februari 2024) pada sudut pengukuran 75 derajat. Data mentah dikonversi dari lux ke iradiasi (W/m²), kemudian dinormalisasi dan disegmentasi menjadi format deret waktu agar dapat diproses oleh arsitektur Stacked LSTM. Evaluasi performa model dilakukan menggunakan metrik MAE, RMSE, dan MAPE. Hasil penelitian menunjukkan adanya perbedaan kinerja yang signifikan di antara ketiga optimizer. Pada data uji, model yang dilatih dengan SGD secara tak terduga menghasilkan error kuantitatif terendah. Namun, analisis kualitatif mengungkapkan bahwa prediksi model ini cenderung datar dan gagal menangkap volatilitas data (underfitting). Sebaliknya, model yang dilatih dengan optimizer Adam (η=0.001,β_1=0.5,β_2=0.85) terbukti paling unggul secara kualitatif dalam meniru fluktuasi dinamis dari data aktual. Berdasarkan kombinasi antara performa kuantitatif yang kompetitif dan kemampuan generalisasi kualitatif yang unggul, optimizer Adam dipilih sebagai konfigurasi terbaik. |
| Abtrak (Bhs. Inggris) | Solar energy is a renewable resource with substantial potential to meet energy demands sustainably. Achieving optimal utilization requires accurate solar irradiance prediction, particularly to enhance the performance of photovoltaic (PV) systems. This study develops a solar irradiance prediction model using daily lux measurement data and the Long Short-Term Memory (LSTM) algorithm, while systematically comparing the performance of three optimizers—Adam, RMSprop, and SGD—during model training. The dataset was obtained from lux measurements recorded on the rooftop of a building in South Jakarta over a one-year period (March 2023–February 2024) at a 75° measurement angle. Raw data were converted from lux to irradiance (W/m²), normalized, and segmented into a time-series format suitable for processing by a Stacked LSTM architecture. Model performance was evaluated using the MAE, RMSE, and MAPE metrics. The results revealed notable performance differences among the three optimizers. On the test set, the SGD-trained model unexpectedly achieved the lowest quantitative error; however, qualitative analysis showed its predictions were overly flat and failed to capture data variability (underfitting). In contrast, the Adam-trained model (η = 0.001, β₁ = 0.5, β₂ = 0.85) delivered superior qualitative performance, effectively replicating the dynamic fluctuations of the actual data. Considering both competitive quantitative accuracy and superior qualitative generalization, Adam was selected as the optimal configuration. |
| Kata kunci | Pembelajaran Mesin, Prediksi Deret Waktu, LSTM, Lux, Iradiasi Matahari, Optimizer, Adam, RMSprop, SGD, Analisis Performa. |
| Pembimbing 1 | Ir. Agung Mubyarto, S.T., M.T. |
| Pembimbing 2 | Ir. Muhammad Syaiful Aliim, S.T., M.T. |
| Pembimbing 3 | |
| Tahun | 2025 |
| Jumlah Halaman | 13 |
| Tgl. Entri | 2025-08-19 12:49:53.913829 |