Anda di halaman 1dari 5

KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036

Vol.2 No.2 2017: 1-5

Studi Prakiraan Beban dan Potensi Pemanfaatan PV


untuk Mengurangi Beban Puncak di Penyulang
Unsyiah Menggunakan ANN
Muhammad Ridha Munawar #1, Hafidh Hasan #2, Ramdhan Halid Siregar #3
#
Jurusan Teknik Elektro dan Komputer, Fakultas Teknik, Universitas Syiah Kuala
Jl. Tgk. Syech Abdurrauf No.7 Darussalam, Banda Aceh 23111, Indonesia
1ridhamunawar@gmail.com

2hafidh.hasan@unsyiah.ac.id

3Ramdhan@unsyiah.ac.id

Abstrak— Kebutuhan beban listrik yang berubah-ubah misalnya adalah cuaca. Cuaca memiliki efek yang signifikan
disebabkan kondisi suatu daerah menjadi tantangan bagi pada beban, artinya jika terjadi perubahan pada temperatur,
operator sistem tenaga untuk menjaga tegangan, frekuensi dan maka beban yang dilayani oleh gardu induk juga akan berubah
daya listrik yang dibangkitkan selalu sesuai dengan permintaan seiring dengan perubahan temperatur. Agar tujuan tersebut
beban yang berubah-ubah. Tugas akhir ini mengajukan studi
dapat tercapai maka perusahaan pembangkit listrik tersebut
prakiraan beban jangka pendek pada penyulang Unsyiah dan
potensi pengurangan beban puncak ketika terhubung dengan harus mengetahui besarnya beban pada jangka pendek,
mikrogrid yang bersumber dari panel surya. Dua tipe prakiraan menengah ataupun jangka panjang.
akan dilakukan dalam studi ini. Pertama: prakiraan beban Penelitian yang menggunakan metode Jaringan Syaraf
menggunakan variabel-variabel yang mempengaruhi perilaku Tiruan (ANN) untuk memprakirakan kebutuhan energi listrik
konsumen yang berdampak pada pemakaian listrik, kedua: jangka pendek telah banyak dilakukan. Salah satu diantaranya
prakiraan produksi daya listrik mikrogrid menggunakan dilakukan oleh Suhartono (2009) dalam tulisannya yang
variabel-variabel cuaca. Kedua tipe prakiraan disimulasikan berjudul : “ Peramalan Konsumsi Listrik Jangka Pendek
dengan menggunakan metode Jaringan Syaraf Tiruan (ANN). dengan Arima Musiman Ganda dan Elman-Recurrent
Prakiraan radiasi matahari digunakan dalam menunjukkan
Network”. Pada penelitian tersebut, Suhartono menyimpulkan
seberapa besar potensi pemanfaatan panel surya untuk
mengurangi beban puncak. Hasil yang didapatkan adalah grafik bahwa ANN lebih baik digunakan untuk meramalkan
prakiraan radiasi matahari dan beban listrik yang sudah dapat konsumsi beban listrik dengan jangka pendek dengan rata-rata
mengikuti grafik data sebenarnya. Berdasarkan penelitian yang nilai error yang rendah sehingga disimpulkan bahwa model
dilakukan didapatkan bahwa jaringan syaraf tiruan yang telah ANN sudah cukup baik dalam memodelkan beban listrik
dilatih sudah mampu untuk digunakan dalam prakiraan radiasi harian [1].
matahari dan beban listrik dalam rentang waktu dari pukul Wilayah distribusi penyulang Unsyiah merupakan salah
07:00 sampai 18:00 pada hari Senin sampai Kamis. Dengan satu daerah yang berpotensi dihubungkan dengan PLTS
memanfaatkan 20% dari total keseluruhan atap bangunan di ukuran kecil yang berperan sebagai beban negatif. Untuk
Unsyiah sebagai daerah pemasangan panel surya, dapat
keperluan studi penulis memilih wilayah distribusi penyulang
mengurangi beban puncak di Unsyiah hingga 75%.
Unsyiah sebagai mikrogrid yang memiliki pembangkit sendiri
berupa PLTS. Sehingga akan dilakukan prakiraan beban
Kata Kunci— prakiraan beban, mikrogrid, ANN, energi jangka pendek dengan menggunakan metode ANN.
terbarukan, beban puncak.
II. DASAR TEORI
I. PENDAHULUAN
Dalam suatu sistem tenaga, daya listrik disalurkan dari A. Prakiraan Beban Listrik
jaringan distribusi menuju ke beban. Tantangan bagi operator Kebutuhan tenaga listrik suatu daerah tergantung dari letak
sistem tenaga adalah untuk menjaga tegangan, frekuensi dan daerah, jumlah penduduk, standar kehidupan, rencana
daya listrik yang dibangkitkan selalu sesuai dengan pembangunan atau pengembangan daerah di masa yang akan
permintaan beban yang berubah-ubah. Perubahan beban dapat datang. Prakiraan kebutuhan tenaga listrik yang kurang tepat
dibagi menjadi jangka pendek, menengah dan panjang. (lebih rendah dari permintaan) dapat menyebabkan kapasitas
Bidang ilmu yang mengkaji dan mengembangkan metode- pembangkitan tidak mencukupi untuk melayani konsumen
metode untuk menentukan ketiga tipe perubahan beban yang dapat merugikan perekonomian negara, dan sebaliknya,
tersebut dikenal sebagai Prakiraan Beban Listrik. bila prakiraan terlalu besar dari permintaan maka akan
Prakiraan beban jangka pendek menunjukkan prakiraan mengalami kelebihan pembangkitan yang merupakan
permintaan daya listrik setiap jam dalam satu hari. Persediaan pemborosan.
daya yang ada ditentukan oleh keakuratan dari prakiraan,

1
Vol.2 No.2 2017 @2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5

Prakiraan dalam hubungannya dengan horizon waktu, Keterangan:


dapat diklasifikasikan kedalam 3 kelompok, yaitu: Tcell =Suhu permukaan modul sel surya (operating
temperature)( ºC)
1) Prakiraan beban jangka pendek: prakiraan beban untuk
Tair = Suhu lingkungan (ºC)
jangka waktu beberapa jam sampai satu minggu kedepan,
NOCT = Suhu nominal sel surya beroperasi (ºC)
yang biasanya digunakan untuk menentukan batas beban
I = Radiasi matahari (W/m2)
maksimum dan beban minimum.
2) Prakiraan beban jangka menengah: prakiraan beban h. Untuk mendapatkan daya keluaran panel surya setelah
untuk jangka waktu satu bulan sampai satu tahun, yang biasa dikonversi dan sudah diubah menjadi tegangan AC, maka
digunakan untuk perencanaan perluasan jaringan transmisi, dapat menggunakan rumus berikut[16] :
jaringan distribusi, dan penambahan pembangkit listrik baru.
𝑃𝑜𝑢𝑡 = 𝐼 × 𝐴 × 𝐸𝑝 × 𝐸𝑖 (2)
3) Prakiraan beban jangka panjang: prakiraan beban
untuk jangka waktu diatas satu tahun, yang digunakan untuk
Keterangan:
perencanaan produk dan sumber daya[2].
Pout = Daya keluaran PV setelah dikonversi (Watt)
B. Konversi Energi Matahari I = Radiasi matahari (W/m2)
Daya yang dihasilkan oleh panel surya merupakan hasil A = Luas daerah pemasangan array sel surya (m2)
akhir dari tahapan – tahapan dalam mengkonversi energi Ep = Efisiensi panel surya
matahari. Energi yang dihasilkan oleh array panel surya Ei = Efisiensi inverter
dipengaruhi oleh beberapa faktor sebagai berikut :
 Luas dari array panel surya
i. Jika sudah didapatkan daya keluarannya maka
 Efisiensi konversi dari sebuah modul sel surya
dihitung pengaruh suhu permukaan modul sel surya saat
 Lokasi geografis dari tempat pemasangan panel surya
beroperasi (operating temperature) terhadap daya keluarannya.
 Sudut kemiringan pemasangan panel surya
Jika operating temperature lebih besar dari suhu standar yaitu
 Suhu panel surya saat beroperasi
25 ºC maka akan mengurangi daya keluaran modul sel surya,
Masih banyak faktor-faktor yang mempengaruhi energi akan tetapi jika operating temperature lebih kecil dari suhu
keluaran dari array panel surya seperti pada panel surya yang standar maka akan menambah daya keluaran modul sel
memiliki sistem tracking sehingga perhitungannya juga surya[3]. Maka digunakan persamaan berikut ini untuk
semakin rumit. Tahapan yang akan dijelaskan berikut ini mendapatkan daya keluaran sel surya yang dipengaruhi oleh
hanya bisa digunakan pada panel surya yang posisinya tetap. suhu :
Berikut adalah tahapan-tahapannya :
100+{(Tcell−Tnom) .Tcoeff}
a. Tentukan luas dari array panel surya yang terpasang Pt = Pout . (3)
b. Tentukan sudut kemiringan dari panel surya yang 100
dipasang. Jika dipasang pada atap kemiringan atap juga
ditambahkan. Keterangan:
c. Tentukan besar radiasi matahari berdasarkan letak Pt = Daya keluaran sel surya yang dipengaruhi oleh
suhu (Watt)
geografis dari tempat pemasangan sel surya.
Pout = Daya keluaran PV setelah dikonversi (Watt)
d. Tentukan besar efisiensi konversi dari sebuah panel
Tcell = Suhu permukaan modul sel surya (operating
surya. Besarnya efisiensi tergentung kepada jenis dan produk
temperature)( ºC)
panel surya yang ingin digunakan.
e. Tentukan efisiensi dari inverter yang digunakan, yang Tnom = Suhu lingkungan (ºC)
pada umumnya efisiensinya diatas 95% [3]. Tcoeff = Koefisien suhu (%/ ºC)
f. Tentukan pengaruh dari suhu pada permukaan sel C. Artificial Neural Network (ANN)
surya (operating temperature). Besar koefisien suhu pada
ANN adalah sistem komputasi dimana arsitektur dan
sebuah panel surya dapat dilihat pada spesifikasi pada panel
operasi diilhami dari pengetahuan tentang sel syaraf biologi
surya yang digunakan, misalnya -0,40%/ ºC. Referensi suhu
di dalam otak. Hal tersebut menjadikan ANN sangat cocok
normal pengoperasian modul sel surya yaitu 25ºC, yang
untuk menyelesaikan masalah dengan tipe sama seperti otak
digunakan sebagai standar dalam pengetesan laboratorium.
manusia. Suatu jaringan syaraf tiruan ditentukan oleh 3 hal:
g. Untuk mendapatkan besar suhu permukaan modul sel
 Pola-pola hubungan antar neuron yang disebut
surya saat beroperasi (operating temperature) dapat
arsitektur jaringan
menggunakan persamaan berikut ini[4] :
 Metode penentuan bobot penghubung yang disebut
𝑁𝑂𝐶𝑇−20
metode training / learning / algoritma
𝑇𝑐𝑒𝑙𝑙 = 𝑇𝑎𝑖𝑟 + I (1)  Fungsi aktivasi yang digunakan
800

2
Vol.2 No.2 2017 @2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5

D. Arsitektur Jaringan Backpropagation 𝛿𝑘 = (𝑡𝑘 − 𝑦𝑘 )𝑓′(𝑦𝑖𝑛𝑘 ) (8)


Backpropagation memiliki beberapa unit yang ada dalam
satu atau lebih layar tersembunyi. Arsitektur backpropagation Hitung koreksi bobot dan biasnya:
memiliki n buah masukan (ditambah sebuah bias), sebuah
layar tersembunyi yang terdiri dari p unit (ditambah semua ∆𝑊𝑗𝑘 = 𝛼𝛿𝑘 𝑧𝑗 (9)
bias), serta m buah unit keluaran.
1) Algoritma Dasar Jaringan Syaraf Tiruan ∆𝑤0𝑘 = 𝛼𝛿𝑘 (10)
Backpropagation: Pelatihan backpropagation meliputi 3 fase.
Fase pertama adalah fase maju. Pola masukan dihitung maju h. Langkah 7 : Tiap unit tersembunyi (zj, j = 1,....,p)
mulai dari layar masukan hingga layar keluaran menggunakn menjumlahkan delta masukannya (dari unit-unit di
fungsi aktivasi yang ditentukan. Fase kedua adalah fase lapisan atasnya).
mundur. Selih antara keluaran jaringan dengan target yang
diinginkan merupakan error yang terjadi. Error tersebut 𝛿𝑖𝑛𝑗 = ∑𝑚
𝑖=1 𝛿𝑘 𝑤𝑗𝑘 (11)
dipropagasikan mundur, dimulai dari garis yang berhubungan
langsung dengan unit-unit di layar keluaran. Fase ketiga
adalah modifikasi bobot untuk menurunkan error yang terjadi. Hitung error informasinya :

2) Algoritma Pelatihan Jaringan Backpropagation: 𝛿𝑗 = 𝛿𝑖𝑛𝑗 𝑓′(𝑧𝑖𝑛𝑗 ) (12)


Algoritma selengkapnya pelatihan jaringan backpropagation
adalah sebagai berikut [5]: Hitung koreksi bobot dan biasnya :
a. Langkah 0 : Inisialisasi bobot-bobot (tetapkan dalam
nilai acak kecil) ∆𝑣𝑖𝑗 = 𝛼𝛿𝑗 𝑥𝑖 (13)
b. Langkah 1 : Bila syarat berhenti adalah salah, kerjakan
langkah 2 sampai 9.
Memperbaiki bobot dan bias :
c. Langkah 2 : Untuk setiap pasangan pelatihan, kerjakan
i. Langkah 8 :Tiap-tiap unit output (Yk, k=1,2,3,...,m)
langkah 3 sampai 8.
memperbaiki bias dan bobotnya (j=0,1,2,...,p):
Propagasi maju :
d. Langkah 3 : Tiap unit masukan (xi, i= 1,....,n) menerima
isyarat masukan xi dan diteruskan ke unit-unit 𝑊𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑊𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑤𝑗𝑘 (14)
tersembunyi.
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
e. Langkah 4 : Tiap unit tersembunyi (zj, j = 1,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n)
menjumlahkan isyarat masukan berbobot,
𝑣𝑖𝑗(𝑏𝑎𝑟𝑢) = 𝑣𝑖𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑖𝑗 (15)
𝑧𝑖𝑛𝑗 = 𝑣0𝑗 + ∑𝑛𝑖=1 𝑥𝑖 𝑣𝑖𝑗 (4)
j. Langkah 9 : Uji syarat berhenti
dengan menerapkan fungsi aktivasi hitung : III. METODE PENELITIAN

𝑍𝑗 = 𝑓(𝑧𝑖𝑛𝑗 ) (5) A. Variabel Data yang Digunakan


Dalam melakukan prakiraan, hal yang sangat perlu
dan kirim isyarat ini ke unit-unit keluaran. ditentukan adalah variabel data yang digunakan. Hal ini akan
f. Langkah 5 : Tiap unit keluaran (yk, k = 1,....,m) mempengaruhi tingkat keakuratan dari prakiraan. Semakin
menjumlahkan isyarat masukan berbobot, banyak data masukan yang digunakan semakin akurat hasil
yang didapatkan.
𝑝 Pada penelitian ini dilakukan 2 prakiraan, yaitu prakiraan
𝑦𝑖𝑛𝑗 = 𝑤0𝑘 + ∑𝑖=1 𝑍𝑖 𝑤𝑗𝑘 (6)
radiasi matahari dan beban listrik. Pada prakiraan radiasi
matahari data masukan yang digunakan yaitu : waktu, suhu,
dengan menerapkan fungsi aktivasi hitung,
kelembaban dan indeks kecerahan langit. Sedangkan pada
prakiraan beban listrik data masukannya yaitu : waktu, suhu
𝑦𝑘 = 𝑓(𝑦𝑖𝑛𝑘 ) (7) dan kelembaban.
Data masukan yang telah disebutkan, dilakukan
Propagasi mundur : pengambilan data selama 4 hari. Dan juga pengambilan data
g. Langkah 6 : Tiap unit keluaran (yk, k = 1,...,m) beban listrik dan radiasi matahari selama 4 hari juga dilakukan
menerima pola sasaran berkaitan dengan pola pelatihan untuk proses pelatihan pada Matlab dan untuk memverifikasi
masukannya. Hitung error informasi :

3
Vol.2 No.2 2017 @2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5

data. Data-data yang diperoleh yaitu dalam rentang waktu perbandingan hasil prakiraan dan data sebenarnya seperti
pukul 07.00-18.00 pada wilayah distribusi penyulang Unsyiah. yang ditunjukkan pada gambar 2.
B. Proses Prakiraan pada Matlab 2500

Beban Listrik (kW)


Prakiraan dilakukan dengan metode Jaringan Syaraf Tiruan 2000
(ANN) yang disimulasikan menggunakan software Matlab. 1500
Untuk melakukan prakiraan pada Matlab dilakukan tahap-
tahap berikut ini: 1000
500
1) Pelatihan: Pada tahap pelatihan data yang digunakan
yaitu pada hari pertama sampai ketiga. Pelatihan ANN yang 0

14.30
07.00
07.45
08.30
09.15
10.00
10.45
11.30
12.15
13.00
13.45

15.15
16.00
16.45
17.30
dilakukan yaitu pelatihan terbimbing, sehingga ada input dan
target. Pada prakiraan radiasi matahari, input : suhu,
kelembaban, waktu dan indeks kecerahan langit. Dan target :
Data sebenarnya Data prakiraan
radiasi matahari. Sedangkan pada prakiraan beban listrik,
input : waktu, suhu dan kelembaban. Dan target : beban listrik. Gambar 2 Perbandingan beban listrik hasil simulasi dengan data sebenarnya
Tahap pelatihan dianggap selesai jika besar regresi hubungan pada hari ke-4
antara output dan target mendekati 1. Berdasarkan grafik dapat dilihat bahwa prakiraan beban
listrik sudah bisa mengikuti data sebenarnya yaitu dengan
2) Simulasi: Pada tahapan simulasi, jaringan syaraf yang
dapat menunjukkan trend beban listrik tersebut. Prakiraan
telah selesai dilatih akan digunakan untuk memprakirakan
beban listrik sebaiknya bernilai lebih besar dari data
radiasi matahari dan beban listrik dengan menggunakan data
sebenarnya dikarenakan jika prakiraannya lebih rendah maka
masukan pada hari keempat. Kemudian akan dibandingkan
dikhawatirkan tidak mampu menyediakan daya yang
data sebenarnya dan hasil prakiraan pada hari keempat.
dibutuhkan.
IV. HASIL DAN PEMBAHASAN
C. Penentuan Luas Daerah Pemasangan Panel Surya
A. Prakiraan Radiasi Matahari Pemasangan panel surya direncanakan dipasang pada atap
Dengan menggunakan jaringan syaraf yang telah selesai gedung fakultas dan gedung lainnya yang merupakan milik
dilatih pada software Matlab, maka didapatkan grafik Unsyiah. Perhitungan luas daerah pemasangan panel surya
perbandingan hasil prakiraan dan data sebenarnya seperti dilakukan dengan menggunakan bantuan Google Earth dan
yang ditunjukkan pada gambar 1. dilakukan pengukuran menggunakan perintah measure
distance.
1200 Setelah melakukan perhitungan luas atap gedung-gedung
Radiasi Matahari (W/m2)

1000 milik Unsyiah didapatkan total luas atap bangunan yaitu


800 sebesar 66414,5 m2. Akan tetapi dikarenakan seba-sebab
600 berikut ini yaitu : (1) pada beberapa gedung tidak sesuai untuk
400 di pasang panel surya, (2) atap yang terhalang oleh pepohonan,
dan (3) proses instalasi yang sulit untuk mengakses atap
200
gedung tersebut. Maka penulis mengasumsikan bahwa hanya
0 20% dari total luas atap bangunan yang bisa dimanfaatkan
10.45
07.00
07.45
08.30
09.15
10.00

11.30
12.15
13.00
13.45
14.30
15.15
16.00
16.45
17.30

untuk pemasangan panel surya. Sehingga pada perhitungan


akan digunakan luas daerah pemasangan panel surya yaitu
Data sebenarnya Data prakiraan sebesar 13282,9 m2 .

Gambar 1 Perbandingan radiasi matahari hasil simulasi dengan data D. Pengurangan Beban Puncak
sebenarnya pada hari ke-4 Setelah luas daerah ditentukan maka untuk mendapatkan
Berdasarkan grafik dapat dilihat bahwa prakiraan radiasi daya keluaran panel surya, perlu juga ditentukan spesifikasi
matahari sudah bisa mengikuti data sebenarnya yaitu dengan panel surya yang digunakan. Besar efisiensi modul sel surya
dapat menunjukkan trend radiasi matahari tersebut. Akan yaitu sebesar 15,4%. Besar suhu normal sel surya
tetapi pada beberapa waktu tidak dapat diikuti dikarenakan beroperasinya (NOCT) yaitu 45,7 ºC dan nilai koefisien
data masukan yang diperoleh pada waktu-waktu tersebut temperature dari dayanya yaitu –0,45%/ ºC. Nilai-nilai
masih acak atau tidak dapat dikenali polanya. tersebut akan digunakan pada perhitungan daya keluaran
panel surya dengan menggunakan persamaan (1),(2) dan (3).
B. Prakiraan Beban Listrik
Sehingga didapatkan daya yang dihasilkan oleh panel surya
Dengan menggunakan jaringan syaraf yang telah selesai yang ditunjukkan pada gambar 3.
dilatih pada software Matlab, maka didapatkan grafik

4
Vol.2 No.2 2017 @2017 kitektro
KITEKTRO: Jurnal Online Teknik Elektro e-ISSN: 2252-7036
Vol.2 No.2 2017: 1-5

2,5 REFERENSI
Beban Listrik (MW)

[1] Suhartono.2009.”Peramalan Konsumsi Listrik Jangka Pendek dengan


2 Arima Musiman Ganda dan Elman-Recurrent Neural Network”
[skripsi]. ITSN, Indonesia.
1,5 [2] Nasution, A.H, Manajemen Industri. Yogyakarta: Penerbit ANDI,
2006.
1 [3] Rexel Worldwide, How to Calculate the Output of a Solar
Photovoltaic System - A Detailed Guide, TheGrid. [Online]. Avaible:
0,5 http://thegrid.rexel.com/en-us/energy_efficiency/w/solar_renewable_
and_energy_efficiency/72/how-to-calculate-the-output-of-a-solar-pho
0 tovoltaic-system---a-detailed-guide [Accessed: 4 May 2017].

12.15
07.00
07.45
08.30
09.15
10.00
10.45
11.30

13.00
13.45
14.30
15.15
16.00
16.45
17.30
[4] Honsberg, C and Bowden, S, Nominal Operating Cell Temperature,
PVEducation.[Online].Avaible:http://pveducation.org/pvcdrom/modu
les/nominal-operating-cell-temperature [Accessed: 4 May 2017].
setelah pengurangan [5] M. A Green et al., “Solar Cell Eficiency Tabel”, in Prog.
Photovolt ,2015, pp. 1-9.
Daya keluaran PV setelah dikonversi
Data prakiraan
Gambar 3 Perbandingan beban listrik sebelum dan sesudah pemasangan
panel surya
Pada grafik dapat dilihat bahwa daya keluaran PV setelah
dikonversi bernilai lebih kecil dibandingkan dengan beban
listrik, sehingga daya keluaran PV hanya digunakan untuk
mengurangi beban puncak di penyulang Unsyiah. Pada grafik
yang diarsir dapat dilihat bahwa beban puncak pada
penyulang Unsyiah yang terjadi pada siang hari sudah
berkurang akibat suplai dari PV. Akan tetapi pada pagi dan
sore hari yaitu pukul 7:00-8:00 dan 16:00-18:00, beban
listriknya hanya terjasi sedikit pengurangan. Hal ini terjadi
akibat rendahnya nilai radiasi matahari pada pagi dan sore hari.
Beban puncak yang terjadi pada siang hari yang sebelumnya
mencapai 2 MW, setelah mendapat suplai dari panel surya
berkurang lebih dari 75% sehingga hanya tersisa sekitar 0,5
MW atau lebih rendah.

V. KESIMPULAN
Berdasarkan grafik hasil perbandingan data simulasi dan
data sebenarnya, dapat disimpulkan bahwa jaringan syaraf
yang telah dilatih sudah mampu untuk digunakan dalam
prakiraan radiasi matahari dan beban listrik dalam rentang
waktu dari pukul 07:00 sampai 18:00 pada hari Senin sampai
Kamis. Dengan mendapatkan prakiraan beban listrik pada
wilayah penyulang Unsyiah yang telah dipasang PLTS, maka
dapat membantu perencanaan operasional pembangkit harian
sehingga permasalahan kurangnya daya listrik yang
mengakibatkan pemadaman listrik bisa dihindari.
Berdasarkan asumsi spesifikasi dan luas daerah
pemasangan panel surya didapatkan bahwa beban puncak
yang terjadi pada siang hari yang sebelumnya mencapai 2
MW, setelah mendapat suplai dari panel surya maka hanya
tersisa sekitar 0,5 MW. Dapat disimpulkan bahwa dengan
memanfaatkan 20% dari total keseluruhan atap bangunan di
Unsyiah, mampu mengurangi 75% beban puncak di Unsyiah.
Kekurangan pada penelitian yang dilakukan yaitu data
masukan yang digunakan untuk pelatihan yaitu selama 3 hari
pengambilan data. Jika semakin lama hari pengambilan
datanya maka keakuratan hasil prakiraan yang didapatkan
akan semakin baik.

5
Vol.2 No.2 2017 @2017 kitektro