Temuan Utama

Penelitian ini menunjukkan bahwa integrasi model LSTM dengan data cuaca historis BMKG dan sensor IoT real-time mampu meningkatkan akurasi prediksi cuaca untuk mendukung efisiensi sistem PV off-grid. Hasil pengujian memperlihatkan bahwa meskipun model hanya dilatih dengan tiga hari data real-time, performanya tetap sangat baik dengan tingkat kesalahan yang rendah, yaitu MAPE sebesar 9,14% untuk prediksi Global Horizontal Irradiance (GHI) dan 6,08% untuk suhu udara. Temuan ini membuktikan bahwa pendekatan hybrid antara big data historis dan input sensor jangka pendek dapat menghasilkan prediksi yang reliabel tanpa memerlukan periode pelatihan yang panjang. Akurasi prediksi GHI berkontribusi langsung terhadap optimasi perencanaan pemanfaatan energi PV, terutama dalam pengelolaan baterai pada kondisi beban puncak dan penurunan produksi energi akibat cuaca. Sementara itu, prediksi suhu membantu meningkatkan stabilitas dan estimasi performa panel surya. Secara keseluruhan, penelitian ini membuktikan bahwa teknologi pembelajaran mendalam dapat diterapkan secara efektif untuk meningkatkan keandalan sistem energi terbarukan skala kecil di wilayah dengan variabilitas cuaca tinggi.

Potensi Manfaat

Sistem prediksi berbasis LSTM ini berpotensi meningkatkan efisiensi pengelolaan energi pada sistem PV off-grid melalui perencanaan beban dan kendali penyimpanan energi yang lebih akurat. Selain itu, integrasi data historis dan sensor real-time memberikan dasar pengembangan sistem pemantauan energi cerdas yang adaptif dan mendukung implementasi energi terbarukan di wilayah terpencil.