Perbandingan Metode Decision Tree Regression dan Random Forest Regression untuk Pemeliharaan Prediktif pada Pembangkit Listrik Tenaga Surya. (Studi Kasus : Prediksi Degradasi Daya Akibat Debu Pada Panel Surya) = Comparison of Decision Tree Regression and Random Forest Regression Methods for Predictive Maintenance of Solar Power Plants. (Case Study: Prediction of Power Degradation Due to Dust on Solar Panels)

Peningkatan fokus pada pemanfaatan energi terbarukan sebagai upaya untuk mengurangi emisi karbon dan menjaga lingkungan telah menjadikan Pembangkit Listrik Tenaga Surya (PLTS) sebagai salah satu teknologi utama dalam hal ini. Namun, menjaga efisiensi dan keandalan sistem PLTS tetap optimal merupakan tantangan utama. Salah satu penyebab penurunan produktivitas pada PLTS adalah akumulasi debu pada permukaan panel surya, yang dapat mengurangi efisiensi dalam mengubah energi matahari menjadi listrik. Oleh karena itu, perawatan yang baik dan teratur pada panel surya menjadi krusial untuk memastikan kinerja yang efisien. Meskipun tantangan dalam hal aksesibilitas mungkin memerlukan biaya dan waktu tambahan, namun pendekatan pemeliharaan prediktif dapat membantu mengurangi pengeluaran yang tidak perlu. Salah satu metode dari pemeliharaan prediktif adalah prediksi degradasi daya akibat debu pada panel surya. Metode ini didasarkan pada variabel-variabel yang memengaruhi keluaran daya pada panel surya, seperti suhu, kelembapan, intensitas cahaya matahari, konsentrasi debu, dan arus listrik. Dalam melakukan prediksi keluaran daya pada PLTS, digunakan dua metode yaitu Decision Tree Regression dan Random Forest Regression. Hasil dari penelitian menunjukkan bahwa model Random Forest Regression pada kondisi lingkungan minim debu memiliki nilai mse, rmse, dan mae berturut-turut sebesar 0,00248, 0,0498, dan mae 0,03912. Sementara pada kondisi lingkungan sangat berdebu, model ini memiliki nilai mse, rmse, dan mae sebesar 0,00173, 0,04159, dan mae 0,04061. Di sisi lain, model Decision Tree Regression menunjukkan nilai mse, rmse, dan mae berturut-turut sebesar 0,00261, 0,05116, dan 0,04055 pada kondisi lingkungan minim debu, serta nilai mse, rmse, dan mae sebesar 0,00181, 0,04263, dan 0,04164 pada kondisi lingkungan sangat berdebu.

Keywords : PLTS, Prediksi, Decision Tree Regression, Random Forest Regression