SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI PRODUKSI LISTRIK PANEL SURYA DI JARINGAN FOG

Abstract

Penelitian tentang energi merupakan tema yang sangat penting dan memiliki banyak manfaatnya. Penelitian tersebut didasarkan adanya gangguan cuaca yang mengakibatkan ketersediaan daya listrik sulit diprediksi. Oleh karena itu, diperlukan sistem yang dapat memantau keberlanjutan dari sumber energi yang dihasilkan. Support vector machine (SVM) adalah metode yang digunakan untuk klasifikasi daya produksi listrik. Proses monitoring dengan teknik klasifikasi dimulai dengan memperoleh data suhu, kelembaban, intensitas cahaya dan daya dari sensor parameter fisis panel surya. Hasil masukan data dinormalisasi dan dilanjutkan ke fungsi radial basis function dan perhitungan sekuensial kuadratik untuk menghasilkan model fungsi hyperplane. Selanjutnya data uji diklasifikasi menggunakan fungsi hyperplane tersebut. Penelitian ini menghasilkan sistem informasi yang mampu memantau dan mengklasifikasikan produksi daya listrik dari fungsi hyperplane. Pengambilan data dilakukan pada 3 tahap yaitu: pada waktu pagi, siang dan sore hari. Akurasi tertinggi untuk klasifikasi produksi daya listrik dari surya panel adalah 90,10% ,precision 100%, recall 88,69% dan memiliki error rate sebesar 9,90%. Dengan akurasi rata-rata untuk monitoring klasifikasi adalah 82,00%. Perangkat ini mampu memberikan peringatan dini kepada manajer utilitas listrik untuk memantau dan menampilkan hasil produksi daya listrik yang ada di lapangan secara online dan realtime. Kata kunci :radial basis function, support vector machine, daya listrik, panel surya, confusion matrix. Energy research is a very important theme and has many benefits. The research is based on weather disturbances that make electricity power availability difficult to predict. Therefore, we need a system that can monitor the sustainability of the energy sources produced. Support vector machine (SVM) is a method used for classification of electric production power. The monitoring process with classification techniques begins by obtaining data on temperature, humidity, intensity and power from the physical parameters of solar panel sensors. The results of the input data are normalized and proceed to the radial basis function and quadratic sequential calculations to produce a hyperplane function model. Then the new data is classified using the hyperplane function. This research produces information systems that are able to monitor and classify the production of electric power from the hyperplane function. Data collection was carried out in 3 stages, there are: in the morning, afternoon and evening. The highest accuracy for the classification of electricity production from solar panel is 90,32%, precision 100%, recall 89,35% and has an error rate of 10%. The average accuracy of monitoring the classification is 82,33%. This device is able to provide an early warning to the electric utility manager to monitor and display the results of electric power production in the field online and in real time. Keywords: Radial Basis Functions, Support Vector Machine, Electric Power, Solar Panels, Confusion Matrix.