Pengembangan Sistem Short-Term Load Forecasting Menggunakan Metode XGBoost Untuk Optimasi Pemanfaatan Energi Pada PLTS Rooftop Commercial & Industrial

Ramadhani, Muhammad Zidane Ridlohu (2026) Pengembangan Sistem Short-Term Load Forecasting Menggunakan Metode XGBoost Untuk Optimasi Pemanfaatan Energi Pada PLTS Rooftop Commercial & Industrial. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 2040221099-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Peningkatan pemanfaatan Pembangkit Listrik Tenaga Surya (PLTS) rooftop pada sektor komersial dan industri memerlukan strategi pengelolaan energi yang mampu memaksimalkan penggunaan energi surya sekaligus memenuhi kebijakan zero export. Penelitian ini bertujuan mengembangkan sistem short-term load forecasting untuk mendukung optimasi pemanfaatan energi pada PLTS rooftop komersial dan industri melalui pengendalian daya keluaran PLTS (PV Output Control). Penelitian menggunakan data historis beban listrik, irradiance, dan temperature dengan resolusi waktu satu jam. Model forecasting dikembangkan menggunakan metode Extreme Gradient Boosting (XGBoost) dan Transformer, kemudian dievaluasi berdasarkan nilai Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Model dengan performa terbaik selanjutnya diimplementasikan pada sistem estimasi keluaran PLTS dan PV Output Control. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan nilai MAPE 10,54%, MAE 23,99 kW, dan RMSE 36,58 kW. Implementasi model tersebut menghasilkan Self-Consumption Ratio (SCR) sebesar 99,69%, Self-Sufficiency Ratio (SSR) sebesar 21,70%, dan total energi ekspor sebesar 154,92 kWh atau hanya 0,31% dari total energi photovoltaic yang dihasilkan. Hasil tersebut menunjukkan bahwa penerapan short-term load forecasting berbasis XGBoost mampu meningkatkan pemanfaatan energi PLTS secara signifikan, dengan energi yang diekspor ke jaringan listrik berhasil ditekan hingga mendekati nol.pada sektor komersial dan industri memerlukan strategi pengelolaan energi yang mampu memaksimalkan penggunaan energi surya sekaligus memenuhi kebijakan zero export. Penelitian ini bertujuan mengembangkan sistem short-term load forecasting untuk mendukung optimasi pemanfaatan energi pada PLTS rooftop komersial dan industri melalui pengendalian daya keluaran PLTS (PV Output Control). Penelitian menggunakan data historis beban listrik, irradiance, dan temperature dengan resolusi waktu satu jam. Model forecasting dikembangkan menggunakan metode Extreme Gradient Boosting (XGBoost) dan Transformer, kemudian dievaluasi berdasarkan nilai Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), dan Root Mean Square Error (RMSE). Model dengan performa terbaik selanjutnya diimplementasikan pada sistem estimasi keluaran PLTS dan PV Output Control. Hasil penelitian menunjukkan bahwa XGBoost memberikan performa terbaik dengan nilai MAPE 10,54%, MAE 23,99 kW, dan RMSE 36,58 kW. Implementasi model tersebut menghasilkan Self-Consumption Ratio (SCR) sebesar 99,69%, Self-Sufficiency Ratio (SSR) sebesar 21,70%, dan total energi ekspor sebesar 154,92 kWh atau hanya 0,31% dari total energi photovoltaic yang dihasilkan. Hasil tersebut menunjukkan bahwa penerapan short-term load forecasting berbasis XGBoost mampu meningkatkan pemanfaatan energi PLTS secara signifikan, dengan energi yang diekspor ke jaringan listrik berhasil ditekan hingga mendekati nol.
===========================================================================================================================
The increasing adoption of rooftop photovoltaic (PV) systems in the commercial and industrial sectors requires an energy management strategy capable of maximizing solar energy utilization while complying with the zero export policy. This study aims to develop a short-term load forecasting system to optimize energy utilization in commercial and industrial rooftop PV systems through PV Output Control. The proposed approach utilizes historical load, solar irradiance, and temperature data with an hourly time resolution. Forecasting models were developed using Extreme Gradient Boosting (XGBoost) and Transformer algorithms and evaluated based on Mean Absolute Percentage Error (MAPE), Mean Absolute Error (MAE), and Root Mean Square Error (RMSE). The best performing model was subsequently implemented in a PV power output estimation system and integrated with the PV Output Control strategy. The results demonstrate that the XGBoost model achieved the highest forecasting performance, with a MAPE of 10,54%, MAE of 23,99 kW, and an RMSE of 36,68 kW. Its implementation resulted in a Self-Consumption Ratio (SCR) of 99,69%, a Self-Sufficiency Ratio (SSR) of 21,70%, and a total exported energy of 154,92 kWh, representing only 0,31% of the total photovoltaic energy generated. These findings indicate that the proposed XGBoost based short-term load forecasting system effectively enhances PV energy utilization while reducing electricity exported to the grid to nearly zero.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Short-Term Load Forecasting, XGBoost, Transformer, Photovoltaic, PLTS Rooftop, Commercial & Industrial, Self-Consumption, Short-Term Load Forecasting, XGBoost, Transformer, Photovoltaic, PLTS Rooftop, Commercial & Industrial, Self-Consumption.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1001 Production of electric energy or power T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1056 Solar power plants. Ocean thermal power plants T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1087 Photovoltaic power generation
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Muhammad Zidane Ridlohu Ramadhani
Date Deposited:	05 Aug 2026 06:21
Last Modified:	05 Aug 2026 06:21
URI:	http://repository.its.ac.id/id/eprint/144058

Actions (login required)

View Item