PREDIKSI ENERGI YANG DIHASILKAN OLEH SISTEM FOTOVOLTAIK MENGGUNAKAN METODE RANDOM FOREST PADA SISTEM SMART STREET LIGHTING

    Dasep Rizwan Maulana, - and Ade Gafar Abdullah, - (2025) PREDIKSI ENERGI YANG DIHASILKAN OLEH SISTEM FOTOVOLTAIK MENGGUNAKAN METODE RANDOM FOREST PADA SISTEM SMART STREET LIGHTING. S1 thesis, Universitas Pendidikan Indonesia.

    Abstract

    Penelitian ini bertujuan memprediksi daya keluaran fotovoltaik pada sistem Smart Street Lighting (SSL) menggunakan algoritma Random Forest untuk mengatasi fluktuasi daya akibat faktor lingkungan seperti intensitas cahaya, suhu, kelembaban, dan kecepatan angin. Hasil menunjukan bahwa kombinasi parameter terbaik diperoleh pada ntrees = 400 dan mtry = 4, dengan nilai MAE sebesar 0,204349789, MSE sebesar 0,293097865, RMSE sebesar 0,541385136, R² sebesar 0,999022479, dan MAPE sebesar 9,45% dengan akurasi prediksi 90,55%. Hasil ini menunjukkan bahwa algoritma Random Forest memiliki performa yang sangat baik dalam memprediksi daya keluaran sistem fotovoltaik dan dapat digunakan sebagai model prediktif dalam implementasi SSL yang lebih efisien. Penelitian ini juga menunjukkan bahwa fitur kelembaban memberikan kontribusi paling signifikan terhadap hasil prediksi. Temuan ini dapat dijadikan acuan untuk pengembangan sistem pemantauan dan prediksi energi yang lebih akurat di masa mendatang. This study aims to predict photovoltaic (PV) output power in Smart Street Lighting (SSL) systems using a Random Forest algorithm to address power fluctuations caused by environmental factors such as light intensity, temperature, humidity, and wind speed. The results show that the optimal parameter combination is achieved with ntrees = 400 and mtry = 4, yielding high prediction accuracy (90.55%) with MAE = 0.204, MSE = 0.293, RMSE = 0.541, R² = 0.999, and MAPE = 9.45%. The Random Forest algorithm demonstrates excellent performance in predicting PV system output, making it suitable for predictive modeling in SSL implementations. Humidity was identified as the most significant contributing feature. These findings can serve as a reference for developing more accurate solar energy monitoring and prediction systems in the future.

    Baca Full Text klik disini
    [thumbnail of S_TE_2108010_Title.pdf] Text
    S_TE_2108010_Title.pdf
    Download (1MB)
    [thumbnail of S_TE_2108010_Chapter 1.pdf] Text
    S_TE_2108010_Chapter 1.pdf
    Download (289kB)
    [thumbnail of S_TE_2108010_Chapter 2.pdf] Text
    S_TE_2108010_Chapter 2.pdf
    Restricted to Staf Perpustakaan
    Download (472kB)
    [thumbnail of S_TE_2108010_Chapter 3.pdf] Text
    S_TE_2108010_Chapter 3.pdf
    Download (596kB)
    [thumbnail of S_TE_2108010_Chapter 4.pdf] Text
    S_TE_2108010_Chapter 4.pdf
    Restricted to Staf Perpustakaan
    Download (1MB)
    [thumbnail of S_TE_2108010_Chapter 5.pdf] Text
    S_TE_2108010_Chapter 5.pdf
    Download (253kB)
    [thumbnail of S_TE_2108010_Appendix.pdf] Text
    S_TE_2108010_Appendix.pdf
    Restricted to Staf Perpustakaan
    Download (1MB)
    Official URL: https://repository.upi.edu/
    Item Type: Thesis (S1)
    Additional Information: https://scholar.google.com/citations?view_op=list_works&hl=id&user=vHxHOxQAAAAJ ID SINTA Dosen Pembimbing: Ade Gafar Abdullah : 257412
    Uncontrolled Keywords: Random Forest, Prediksi, Sistem Potovoltaik, Smart Street Lighting Random Forest, Prediction, Photovoltaic System, Smart Street Lighting
    Subjects: L Education > L Education (General)
    T Technology > TK Electrical engineering. Electronics Nuclear engineering
    Divisions: Fakultas Pendidikan Teknik dan Industri > Jurusan Pendidikan Teknik Elektro > Program Studi Pendidikan Teknik Elektro
    Depositing User: Dasep Rizwan Maulana
    Date Deposited: 30 Oct 2025 03:02
    Last Modified: 30 Oct 2025 03:02
    URI: http://repository.upi.edu/id/eprint/144617

    Actions (login required)

    View Item View Item