Desain dan Pengembangan On-Grid Rooftop Solar PV Berdasar Delapan Arah Mata Angin Menggunakan Metode “Grid Search Cross Validation-Support Vector Machine (GSCV-SVM)”

Sahrin, Alfin (2024) Desain dan Pengembangan On-Grid Rooftop Solar PV Berdasar Delapan Arah Mata Angin Menggunakan Metode “Grid Search Cross Validation-Support Vector Machine (GSCV-SVM)”. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 7009212007_Dissertation.pdf - Accepted Version Restricted to Repository staff only until 1 April 2027. Download (7MB) | Request a copy

Abstract

Untuk mewujudkan Indonesia menuju Net Zero Emission (NZE) pada tahun 2060 diperlukan upaya dan strategi dalam pemanfaatan energi baru dan terbarukan. Pemanfaatan energi surya memiliki potensi yang sangat besar dan layak dari sisi teknis maupun lingkungan. Tujuan penelitian ini mendorong pemanfaatan energi surya dengan memasang sistem ongrid rooftop solar PV yang dipasang pada atap gedung pada 20 Ibukota Propinsi yang sesuai dengan standar bentuk dan model atap di Indonesia. Selain itu, pemanfaatan pemasangan sistem ongrid rooftop solar PV yang optimal dapat berkontribusi pengurangan emisi gas rumah kaca (GRK). Dengan mendesain dan mengembangkan beberapa konfigurasi sistem ongrid rooftop solar PV agar dapat optimal mengkonversi energi surya hingga pemanfaatan dengan memperhatikan ketepatan sudut azimuth dan kemiringan (tilt). Pemodelan estimasi dan klasifikasi impor energi yang dihasilkan dari sistem ongrid rooftop solar PV menggunakan metode metode Grid Search Cross Validation (GSCV) Support Vector Machine (SVM) dan membandingkan dengan algoritma machine learning berupa neural network (NN), linier regression (LR). Pada model klasifikasi impor energi dengan membandingkan algoritma k-nearest neighbor (k-NN), naïve bayes (NB), dan decision tree (DT), dan logistic regression (LR). Hasil perbandingan algoritma tersebut menghasilkan nilai root mean square error (RMSE) yang terkecil yaitu GSCV-NN pada model estimasi impor energi. Hasil RMSE mengalami peningkatan dari 53,184 menjadi 44,389 pada kombinasi satu arah, dari 145,562 menjadi 141,286 pada kombinasi dua arah, dan dari 81,442 menjadi 76,313 pada kombinasi tiga arah. Algoritma DT yang dioptimalkan dengan GSCV menjadi GSCV-DT menghasilkan akurasi model klasifikasi impor energi yang paling akurat pada kombinasi sudut azimuth satu arah sebesar 99,32%, kombinasi dua arah sebesar 99,03%, dan kombinasi tiga arah sebesar 93,55%. Hasil dari desain dan pengembangan sistem ongrid rooftop solar PV pada penelitian ini berkontribusi dapat menurunkan emisi gas rumah kaca (GRK). Kontribusi pemanfaatan energi terbarukan dengan sistem ongrid rooftop solar PV terhadap emisi GRK dapat menurunkan ketergantungan impor energi listrik dari jaringan listrik yang masih di dominasi oleh pembangkit fosil. Total efisiensi pengurangan GRK pada 20 Ibukota Propinsi di Indonesia yang terkecil berada di kota Denpasar dan yang tertinggi berada di kota Pontianak sesuai kapasitas sistem yang digunakan pada penelitian ini. Desain dan pengembangan konfigurasi sistem ongrid rooftop solar PV yang disesuaikan model dan bentuk atap bangunan telah berhasil dianalisis dan layak untuk di aplikasikan sebagai solusi percepatan pemanfaatan energi surya dan pengurangan emisi gas rumah kaca.
==================================================================================================================================
To realize Indonesia's Net Zero Emission (NZE) by 2060, efforts and strategies are needed to use new and renewable energy. The use of solar energy has enormous potential and is feasible from a technical and environmental perspective. The purpose of this study is to encourage the use of solar energy by installing an ongrid rooftop solar PV system on the roofs of buildings in 20 provincial capitals following the standard of roof shapes and models in Indonesia. In addition, the optimal use of installing an ongrid rooftop solar PV system can reduce greenhouse gas (GHG) emissions. By designing and developing several configurations of the rooftop solar PV ongrid system to optimally convert solar energy to utilization by paying attention to the accuracy of the azimuth and tilt angle. The estimation and classification modeling of energy imports generated from the rooftop solar PV ongrid system using the Grid Search Cross Validation (GSCV) Support Vector Machine (SVM) method and comparing it with machine learning algorithms in the form of neural network (NN), linear regression (LR). The energy import classification model compares the algorithms of k-nearest neighbor (k-NN), Naïve Bayes (NB), decision tree (DT), and logistic regression (LR). The results of the algorithm comparison produce the smallest root mean square error (RMSE) value, namely GSCV-NN, in the energy import estimation model. The RMSE results increased from 53,184 to 44,389 in one-direction combination, 145,562 to 141,286 in two-direction combinations, and 81,442 to 76,313 in three-direction combinations. The DT algorithm optimized with GSCV to GSCV-DT produces the most accurate energy import classification model on the combination of a one-direction azimuth angle of 99.32%, a two-direction combination of 99.03%, and a three-direction combination of 93.55%. The results of the design and development of the rooftop solar PV ongrid system in this study contribute to reducing greenhouse gas (GHG) emissions. The contribution of renewable energy utilization with the rooftop solar PV ongrid system to GHG emissions can reduce the dependence on electricity imports from the power grid, which fossil power plants still dominate. The total GHG reduction efficiency in the 20 provincial capitals in Indonesia is the smallest in the city of Denpasar and the highest in Pontianak, according to the capacity of the system used in this study. The design and development of the configuration of the ongrid rooftop solar PV system that is customized to the model and shape of the roof of the building has been successfully analyzed and is feasible to be applied as a solution to accelerate the use of solar energy and reduce greenhouse gas emissions.

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	ongrid rooftop solar PV, delapan arah mata angin, machine learning, emisi gas rumah kaca, eight cardinal directions, greenhouse gas emissions
Subjects:	Q Science > QC Physics > QC100.5 Measuring instruments (General)
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30001-(S3) PhD Thesis
Depositing User:	Alfin Sahrin
Date Deposited:	15 Jan 2025 03:07
Last Modified:	15 Jan 2025 03:07
URI:	http://repository.its.ac.id/id/eprint/116302

Actions (login required)

View Item