PENERAPAN ORANGE MACHINE LEARNING UNTUK MEMPREDIKSI KEBUTUHAN PEMELIHARAAN DAN EFISIENSI PANEL SURYA BERDASARKAN DATA KINERJA DAN DATA LINGKUNGAN

Abstract

          Pemeliharaan sistem panel surya merupakan faktor penting dalam menjaga efisiensi konversi energi dan keandalan sistem dalam jangka panjang. Penelitian ini bertujuan untuk membangun model prediksi berbasis Orange Machine Learning guna mengidentifikasi kebutuhan pemeliharaan dan mengevaluasi efisiensi sistem panel surya berdasarkan data historis kinerja dan lingkungan. Variabel input meliputi PV yield, total yield, consumption, peak power, global irradiation, dan suhu harian, sedangkan target prediksi adalah Performance Ratio (PR) dengan ambang batas pemeliharaan ditetapkan sebesar 75%. Metode yang digunakan adalah pendekatan kuantitatif eksperimental dengan algoritma Linear Regression sebagai model utama. Evaluasi model dilakukan dengan metrik MSE, RMSE, MAE, MAPE, dan R². Hasil penelitian menunjukkan bahwa model Linear Regression mampu memprediksi PR dengan akurasi tinggi (MAPE 7,6%% dan R² sebesar 0,849), serta efektif dalam mengklasifikasikan unit yang membutuhkan pemeliharaan. Selain itu, penelitian ini juga menyajikan analisis efisiensi panel surya berdasarkan luasan dan kapasitas, serta mengkaitkan nilai efisiensi aktual dengan nilai PR sebagai indikator performa sistem secara keseluruhan. Implikasi dari hasil ini menunjukkan bahwa pendekatan prediktif dapat meningkatkan efisiensi operasional, mendukung strategi condition-based maintenance, dan memberikan dasar pengambilan keputusan yang berbasis data. Penelitian selanjutnya disarankan mengeksplorasi model non-linier dan integrasi data waktu nyata (real-time) untuk pengelolaan sistem yang lebih adaptif.

          Maintenance of solar panel systems plays a critical role in sustaining energy conversion efficiency and ensuring long-term system reliability. This study aims to develop a predictive model using Orange Machine Learning to identify maintenance needs and evaluate the efficiency of solar panels based on historical performance and environmental data. The input variables include PV yield, total yield, consumption, peak power, global irradiation, and daily ambient temperature, with the target variable being the Performance Ratio (PR), using a 75% threshold to indicate maintenance necessity. A quantitative experimental approach is applied, employing Linear Regression as the primary algorithm. Model evaluation uses MSE, RMSE, MAE, MAPE, and R² metrics. The results indicate that the Linear Regression model predicts PR with high accuracy (MAPE 7,6%% and R² 0,849), and effectively classifies solar panel units requiring maintenance. Furthermore, this research incorporates efficiency analysis based on panel area and rated capacity, linking actual system efficiency with PR as a comprehensive performance indicator. The findings demonstrate that predictive approaches can enhance operational efficiency, support condition-based maintenance strategies, and provide a data-driven foundation for decision-making. Future research is recommended to explore non-linear models and real-time data integration for more adaptive solar panel management.