<![CDATA[Abstrak - Pembangkit Listrik Tenaga Surya (PLTS) telah menjadi solusi utama dalam upaya memenuhi kebutuhan energi global yang semakin meningkat, sambil mengurangi dampak negatif terhadap lingkungan Pada penelitian ini, kami akan menggunakan algoritma KNN untuk memprediksi output listrik dari PLTS. Fokus utama penelitian ini adalah mengembangkan model prediksi yang dapat memberikan estimasi beban output berdasarkan data historis dan kondisi lingkungan saat ini. adapun metodologi penelitiannya yaitu dimulai dengan Study literatur dan observasi, Pengumpulan dan pengolahan datasheet, Pembuatan Program, Pembagian data uji dan data latih, Analisis hasil kinerjaK-Nearest Neighbor memiliki akurasi di kisaran 97% pada skenario 1, akurasi bernilai 98% kemudian pada skenario 2 akurasi sedikit bertambah sehingga menjadi 98%. Hasil akurasi yang linear pada kedua skenario menunjukkan bahwa model yang dilatih bisa merepresentasikan data dengan baik. Variabel data sangat berpengaruh dalam forecasting karena mereka menentukan seberapa baik model dapat mempelajari dan memahami pola yang mendasari dalam data untuk membuat prediksi yang akurat. 2. Penggunaan algoritma K-Nearest Neighbor pada penelitian ini, performa model forecasting secara keseluruhan sangat tergantung pada kualitas data, relevansi variabel, pemilihan metode yang tepat, serta pengolahan dan evaluasi data yang baik.Kata kunci:KNN, Forecasting, PLTS, algoritma Abstract - Solar Power Plants (PLTS) have become the main solution in efforts to meet increasing global energy needs, while reducing negative impacts on the environment. In this research, we will use the KNN algorithm to predict the electricity output from PLTS. The main focus of this research is to develop a prediction model that can provide output load estimates based on historical data and current environmental conditions. The research methodology starts with literature study and observation, data sheet collection and processing, program creation, distribution of test data and training data, analysis of performance results. K-Nearest Neighbor has an accuracy of around 97% in scenario 1, accuracy is 98% then in scenario 2 accuracy increased slightly to 98%. The linear accuracy results in both scenarios show that the trained model can represent the data well. Data variables are very influential in forecasting because they determine how well the model can learn and understand underlying patterns in the data to make accurate predictions. 2. Using the K-Nearest Neighbor algorithm in this research, the overall performance of the forecasting model is very dependent on data quality, relevance of variables, selection of the right method, as well as good data processing and evaluation.Keywords: KNN, Forecasting, Solar PV, algorithm]]>
