PAMUNGKAS, Rangga Wibisana Putra (2025) Analisa Performa Optimizer Algoritma Pembelajaran Mesin dalam Prediksi Iradiasi Matahari Berdasarkan Luas Penerangan (Lux) di Atap Gedung Jakarta Selatan. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Download (265kB)
	PDF (Legalitas) LEGALITAS-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only Download (4MB)
	PDF (Abstrak) ABSTRAK-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Download (1MB)
	PDF (BabI) BAB-I-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (969kB)
	PDF (BabII) BAB-II-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (1MB)
	PDF (BabIII) BAB-III-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only until 20 August 2026. Download (1MB)
	PDF (BabIV) BAB-IV-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only Download (5MB)
	PDF (BabV) BAB-V-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Download (952kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Download (920kB)
	PDF (Lampiran) LAMPIRAN-Rangga W. P. P.-H1A021058-Skripsi-2025.pdf Restricted to Repository staff only Download (1MB)

Abstract

Prediksi iradiasi matahari yang akurat sangat penting untuk mengoptimalkan kinerja sistem fotovoltaik, dan pemilihan optimizer berperan signifikan terhadap performa model. Penelitian ini menganalisis secara sistematis kinerja tiga optimizer—SGD, RMSprop, dan Adam—dalam melatih model Long Short-Term Memory (LSTM) untuk prediksi iradiasi matahari harian. Dataset yang digunakan berupa deret waktu univariat hasil pengukuran intensitas cahaya (lux) di atap sebuah gedung di Jakarta Selatan selama satu tahun, yang kemudian dikonversi menjadi iradiasi (W/m²). Arsitektur Stacked LSTM digunakan secara konsisten sebagai variabel kontrol untuk mengisolasi pengaruh dari 12 skenario konfigurasi optimizer yang berbeda. Evaluasi dilakukan secara kualitatif melalui analisis histori pelatihan dan secara kuantitatif menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa Adam dengan learning rate 0,001 memiliki kinerja pelatihan terbaik. Namun, pada tahap pengujian, model dengan optimizer SGD memberikan nilai kesalahan kuantitatif terendah meskipun prediksinya cenderung datar dan mengalami underfitting. Sebaliknya, Adam pada konfigurasi tertentu (Percobaan 12; η=0.001,β_1=0.5,β_2=0.85) mampu mereplikasi fluktuasi data aktual secara lebih akurat. Berdasarkan kombinasi antara performa kuantitatif yang kompetitif dan kemampuan generalisasi kualitatif yang baik, Adam dengan konfigurasi tersebut dipilih sebagai model terbaik. Penelitian ini memberikan panduan praktis dalam pemilihan optimizer dan menegaskan pentingnya evaluasi kualitatif pada pemodelan deret waktu yang bersifat stokastik.

Actions (login required)

View Item