Prediksi Sudut Solar Tracker Berbasis Light Gradient Boosting Machine (LightGBM) dengan Optimasi Hyperparameter Menggunakan Particle Swarm Optimization (PSO)

Jeremy Hanswilly Bungaran Pakpahan, Dr. Fitri Puspasari, S.Si., M.Sc.

2025 | Tugas Akhir | D4 TEKNOLOGI REKAYASA ELEKTRO

Penelitian ini bertujuan mengembangkan sistem prediksi sudut pelacakan matahari pada panel surya berbasis solar tracker menggunakan pendekatan machine learning. Sistem solar tracker berfungsi mengatur posisi panel secara dinamis mengikuti pergerakan matahari guna memaksimalkan penyerapan energi surya. Metode yang digunakan mengombinasikan algoritma Light Gradient Boosting Machine (LightGBM) untuk memprediksi sudut azimut dan elevasi berdasarkan variabel lingkungan seperti intensitas cahaya, suhu, dan kelembapan, dengan algoritma Particle Swarm Optimization (PSO) untuk mengoptimasi hyperparameter model.

Seluruh proses pelatihan dan evaluasi dilakukan melalui simulasi berbasis Python. Hasil evaluasi menunjukkan bahwa pendekatan ini mampu menghasilkan prediksi sudut pelacakan yang akurat dan konsisten. Nilai Root Mean Square Error (RMSE) tercatat sebesar 10,683° untuk sudut azimut dan 6,977° untuk sudut elevasi. Sementara itu, nilai koefisien determinasi (R^2) masing-masing mencapai 0,899 dan 0,895, menunjukkan bahwa model mampu menjelaskan sekitar 89,9?n 89,5% variabilitas data aktual.

Temuan ini membuktikan bahwa integrasi antara LightGBM dan PSO dapat meningkatkan akurasi sistem solar tracker, sehingga berpotensi meningkatkan efisiensi konversi energi pada panel surya. Pendekatan ini dinilai relevan diterapkan di wilayah tropis seperti Yogyakarta yang memiliki kondisi cuaca dinamis, serta membuka peluang pengembangan sistem energi terbarukan yang lebih adaptif dan cerdas di masa mendatang

This study aims to develop a sun-tracking angle prediction system for solar panels using a machine learning-based solar tracker. The tracker dynamically adjusts the panel’s orientation to follow the sun’s movement, thereby maximizing solar energy absorption. The proposed method integrates the Light Gradient Boosting Machine (LightGBM) algorithm for predicting azimuth and elevation angles based on environmental variables such as light intensity, temperature, humidity, and time, with Particle Swarm Optimization (PSO) used for hyperparameter tuning.

All training and evaluation processes were conducted through computational simulations using the Python programming language. The evaluation results show that the model produces accurate and consistent tracking angle predictions. The Root Mean Square Error (RMSE) values for azimuth and elevation angles are 10.683° and 6.977°, respectively. The coefficient of determination (R^2) reaches 0.899 for azimuth and 0.895 for elevation, indicating that approximately 89.9% and 89.5% of the variance in the actual values are explained by the model.

These results demonstrate that combining LightGBM with PSO significantly improves the accuracy of the solar tracking system, which can potentially enhance the energy conversion efficiency of solar panels. This approach is especially relevant in tropical regions like Yogyakarta, where weather conditions are highly dynamic, and presents a promising direction for developing smarter and more adaptive renewable energy systems.

Kata Kunci : Machine Learning, Light Gradient Boosting Machine, Particle Swarm Optimization, Solar Tracker