Analisis Daya Output pada Sistem Pembangkit Listrik Tenaga Surya Menggunakan Metode ANN

Jelita Mayang Sari (Universitas Al – Azhar Medan)
Nurul Hidayah (Universitas Al – Azhar Medan)
Khalyana Azzahra (Universitas Al – Azhar Medan)

Impression : Jurnal Teknologi dan Informasi
Vol. 5 No. 1 (2026): Maret 2026

Pemanfaatan pembangkit listrik tenaga surya (PLTS) di Indonesia terus mengalami peningkatan, terutama di Sumatera Utara yang memiliki tingkat iradiasi matahari berkisar 4,5–5,2 kWh/m²/hari. Akan tetapi, perubahan kondisi atmosfer menyebabkan ketidakstabilan daya keluaran PLTS sehingga diperlukan metode prediksi yang andal. Penelitian ini mengembangkan model estimasi daya output PLTS berbasis Artificial Neural Network (ANN) dan mengevaluasi performanya dengan membandingkannya terhadap metode konvensional. Data iradiasi matahari, suhu panel, dan kelembapan relatif dikumpulkan selama 12 bulan dari sistem PLTS berkapasitas 10 kWp yang berlokasi di Kota Medan. Model ANN menggunakan konfigurasi 3-5-1 yang terdiri atas tiga neuron input, lima neuron pada hidden layer, dan satu neuron output. Fungsi aktivasi ReLU diterapkan pada lapisan tersembunyi, sedangkan lapisan keluaran menggunakan fungsi aktivasi linear. Proses pelatihan model dioptimalkan menggunakan algoritma Adam. Hasil evaluasi menunjukkan nilai Mean Absolute Error (MAE) sebesar 0,187 kW, Root Mean Square Error (RMSE) sebesar 0,243 kW, dan koefisien determinasi (R²) sebesar 0,9812, lebih baik dibandingkan regresi linear dengan R² = 0,8934. Temuan ini menegaskan efektivitas ANN dalam mendukung sistem manajemen energi cerdas PLTS di wilayah tropis.   The utilization of solar power plants (PLTS) in Indonesia continues to increase, especially in North Sumatra, which has solar irradiation levels ranging from 4.5–5.2 kWh/m²/day. However, atmospheric fluctuations cause instability in PLTS output power, requiring a reliable predictive approach. This study developed an Artificial Neural Network (ANN)-based model for estimating PLTS output power and evaluated its performance by comparing it with conventional methods. Solar irradiation, panel temperature, and relative humidity data were collected over 12 months from a 10 kWp PLTS system located in Medan City. The ANN model used a 3-5-1 configuration consisting of three input neurons, five hidden neurons, and one output neuron. The hidden layer applied the ReLU activation function, while the output layer used a linear activation function. The training process was optimized using the Adam algorithm. Performance evaluation produced a Mean Absolute Error (MAE) of 0.187 kW, a Root Mean Square Error (RMSE) of 0.243 kW, and a coefficient of determination (R²) of 0.9812, outperforming linear regression with R² = 0.8934. These findings confirm the effectiveness of ANN for intelligent PLTS energy management systems in tropical regions.