Analisis Aplikasi Machine Learning dengan Model Extreme-Gradient Boosting dan Light-Gradient Boosting untuk Prediksi Energi PLTS Atap
Aska Ramadhan
Pengembangan energi terbarukan yang semakin meningkat dengan mulai banyaknya penggunaan pembangkit listrik tenaga surya, kondisi memberikan tantangan baru untuk menemukan solusi terbaru dalam menjaga kestabilan jaringan listrik PLTS dalam sistem on-grid. Faktor ketidakstabilan cuaca menjadi penentu dalam penggunaan energi listrik dari PLTS, salah satunya adalah dengan melakukan sistem prediksi yang akurat. Penggunaan machine learning dalam melakukan prediksi menjadi solusi terbaik kedepannya, bagaimana model machine learning dapat memberikan tingkat akurasi dan error yang semakin lebih baik, perlu untuk diteliti lebih lanjut. Penelitian ini menggunakan model algoritma dengan metode gradient boosting yaitu XGBoost dan LightGBM untuk memprediksi energi PLTS dengan metode menggabungkan variabel data cuaca dengan data aktual temperatur dan energi PLTS di lokasi Laboratorium Energi UKRIM Yogyakarta. Pemisahan validasi data antara train data dan test data menggunakan rasio 70:30. Sedangkan untuk penentuan hyper parameter pada kedua model dilakukan dengan metode randomizedsearchCV. Hasil yang diperoleh dari permodelan machine learning tersebut menghasilkan tingkat kecepatan prediksi model LightGBM yang jauh lebih cepat (0.86detik) daripada model XGBoost (19.9detik). Sedangkan untuk tingkat akurasi R2, LightGBM memiliki nilai 94.6% dan XGBoost 97.2%. Analisa tingkat error dengan menggunakan MAE dan RMSE diperoleh hasil normalisasi data masing-masing 2.86% dan 6.15% untuk LightGBM, sedangkan XGBoost memiliki hasil yang lebih rendah pada nilai 1.75% dan 4.31%. Kemudian untuk analisa menggunakan MAPE dan MdAPE pada LightGBM dihasilkan nilai 0.80% dan 14.63%, untuk XGBoost diperoleh hasil 0.36% dan 8.32%. Dari hasil plot grafik antara data prediksi dengan data aktual PLTS, terlihat bahwa LightGBM menghasilkan pola yang lebih stabil dan generalisasi data yang lebih baik dibandingkan XGBoost yang cenderung mendekati overfitting.
Kata kunci: machine learning, XGBoost, LightGBM, PLTS, prediksi