<![CDATA[Sistem pelacakan matahari (solar tracker) berperan penting dalam meningkatkan efisiensi panel surya, terutama di wilayah tropis dengan kondisi cuaca dinamis. Namun, metode konvensional berbasis sensor seringkali kurang akurat dan adaptif terhadap perubahan lingkungan. Penelitian ini bertujuan mengembangkan sistem prediksi sudut pelacakan matahari menggunakan pendekatan machine learning agar posisi panel surya dapat diatur secara optimal. Metode yang digunakan menggabungkan algoritma Light Gradient Boosting Machine (LightGBM) untuk memprediksi sudut azimut dan elevasi berdasarkan data intensitas cahaya, suhu, dan kelembapan, serta Particle Swarm Optimization (PSO) untuk optimasi hyperparameter model. Proses pelatihan dan evaluasi dilakukan melalui simulasi menggunakan Python. Hasil evaluasi menunjukkan bahwa model mampu menghasilkan prediksi yang akurat dan stabil, dengan nilai Root Mean Square Error sebesar 10,683° untuk azimut dan 6,977° untuk elevasi, serta koefisien determinasi (R²) masing-masing sebesar 0,899 dan 0,895. Integrasi LightGBM dan PSO terbukti efektif dalam meningkatkan akurasi sistem solar tracker. Penelitian ini menunjukkan bahwa pendekatan berbasis machine learning berpotensi menjadi solusi yang lebih adaptif untuk sistem energi terbarukan di wilayah tropis seperti Yogyakarta.]]>
Copyrights © 2026
