TY  - THES
TI  - PRAKIRAAN INTENSITAS IRADIASI MATAHARI KOTA BANDUNG MENGGUNAKAN METODE EXPONENTIAL SMOOTHING DAN ARTIFICIAL NEURAL NETWORK UNTUK MENGANALISIS DAYA KELUARAN PANEL SURYA
M1  - other
UR  - http://repository.upi.edu
KW  - Exponential Smoothing
KW  -  Artificial Neural Network
KW  -  Prakiraan
KW  -  Global Horizontal Irradiance (GHI)
KW  -  Pembangkit Listrik Tenaga Surya (PLTS).
Exponential Smoothing
KW  -  Artificial Neural Network
KW  -  forecasting
KW  -  Global Horizontal Irradiance (GHI)
KW  -  Solar Power Generation (SPG).
PB  - Universitas Pendidikan Indonesia
Y1  - 2023/08/30/
N1  - https://scholar.google.com/citations?hl=id&user=7RMh-4AAAAAJ

ID SINTA Dosen Pembimbing:
Tasma Sucita: 5993914
Dadang Lukman Hakim: 5994748
N2  - Penelitian ini bertujuan untuk membandingkan metode Exponential Smoothing dan Artificial Neural Network (ANN) dalam melakukan forecasting terhadap intensitas Global Horizontal Irradiance (GHI) sebagai input untuk pengembangan Pembangkit Listrik Tenaga Surya (PLTS). Data input yang digunakan meliputi nilai GHI, temperatur, dan Sky Insolation Clearness Index Kota Bandung dari tahun 2011 hingga 2020. Dengan menggunakan Exponential Smoothing, diperoleh model optimal dengan tingkat error 11 %. Sedangkan dengan metode ANN memperoleh model optimal pada pelatihan ke-5 dengan input layer 15, hidden layer 15, learning rate 0,06, dan momentum 0,8 memiliki tingkat MAPE sebesar 7,51 %. Hasil perbandingan menunjukkan bahwa metode ANN lebih unggul dibandingkan Exponential Smoothing berdasarkan tingkat MAPE. Selanjutnya, dilakukan perhitungan daya keluaran PLTS berdasarkan prakiraan GHI, di mana panel surya dengan efisiensi 15.3% dan luas permukaan 1.31 m2 mampu menghasilkan daya rata-rata sebesar 401.554 W selama tahun 2021-2025. Implikasi dari penelitian ini adalah metode ANN dapat digunakan sebagai referensi untuk melakukan forecasting untuk kepentingan pengembangan PLTS, dan rekomendasi untuk penelitian selanjutnya adalah melakukan pelatihan yang lebih banyak untuk meningkatkan akurasi model dan menggali teknik forecasting lain yang lebih kompleks.
The purpose of this study is to compare the Exponential Smoothing and Artificial Neural Network (ANN) methods for forecasting the Global Horizontal Irradiance (GHI) intensity, which serves as input for the development of Solar Power Generation (SPG). The input data encompass GHI values, temperature, and Sky Insolation Clearness Index for the city of Bandung from 2011 to 2020. Employing Exponential Smoothing, an optimal model is attained with an error rate of 11%. Conversely, the ANN method yields an optimal model during the 5th iteration of training, featuring an input layer of 15 neurons, a hidden layer of 15 neurons, a learning rate of 0.06, and a momentum of 0.8, culminating in a Mean Absolute Percentage Error (MAPE) of 7.51%. Comparative outcomes demonstrate the superiority of the ANN method over Exponential Smoothing based on the MAPE metric. Subsequently, calculations are performed to estimate the power output of SPPs grounded on the projected GHI values. Notably, a solar panel boasting an efficiency of 15.3% and a surface area of 1.31 m² is prognosticated to generate an average power output of 401.554 W during the period spanning 2021 to 2025. The implications of this study underscore the viability of the ANN method as a reference for forecasting, particularly for SPG development endeavors. It is recommended that future research focus on expanding training iterations to enhance model accuracy and explore alternative, more intricate forecasting techniques.
A1  - Rizky Heryanto Hidayahtulloh, -
AV  - restricted
ID  - repoupi108312
ER  -