Catatan bukti · UDINUS · SDGs
- Unit
- Rektorat UDINUS
- Periode
- 2025
- Tujuan
- Nomor
- 1c5df003-5a6f-460c-8501-ed47b4a51b9a
- Terbit
- 2026-10-30
UDINUS melaksanakan penelitian mengenai evaluasi model pembelajaran mesin untuk peramalan energi surya, dengan Hendi, Feri Nur dan Shidik, Guruh Fajar disebut sebagai peserta kegiatan. Kegiatan ini membahas pentingnya peramalan energi surya untuk mendukung keandalan dan efisiensi sistem fotovoltaik. Kegiatan tersebut juga merespons keterbatasan pendekatan yang telah ada, termasuk pemodelan temporal yang terbatas sehingga dapat mengurangi generalisasi serta biaya komputasi yang tinggi pada model pembelajaran mendalam yang kompleks.
Kegiatan ini mengusulkan model hibrida ringan yang disebut DTBoost. Model tersebut menggabungkan XGBoost dan Decision Tree Regressor dalam kerangka kerja dua tahap yang ditujukan untuk meningkatkan akurasi prediksi. Evaluasi menggunakan dataset publik dari pembangkit listrik tenaga surya di India. Dataset tersebut mencakup 34 hari dengan pengamatan pada interval 15 menit. Kinerja model dinilai menggunakan metrik standar berupa mean absolute error, mean squared error, root mean squared error, dan R2. Eksperimen perbandingan dilakukan terhadap model dasar yang mencakup artificial neural network, support vector regression, generalized additive model, dan XGBoost.
Hasil eksperimen yang dilaporkan menunjukkan bahwa DTBoost mencapai kinerja terbaik di antara model yang dievaluasi, termasuk skor R2 sebesar 0,99 dan tingkat kesalahan terendah. Sumber menyatakan bahwa DTBoost mengungguli model klasik maupun model pembelajaran mendalam. Sumber juga menyatakan bahwa model tersebut merupakan solusi praktis dan dapat diinterpretasikan untuk peramalan energi surya ketika data dan sumber daya komputasi terbatas. Melalui penelitian yang berfokus pada peramalan energi surya, kegiatan ini berkaitan dengan fokus energi bersih yang diidentifikasi dalam sumber. Kegiatan ini menjadi contoh kelembagaan penelitian UDINUS yang menangani peramalan energi bersih melalui evaluasi model komparatif dan pendekatan komputasi ringan.