Laporkan Masalah

Pengembangan Model Prediksi Produksi Energi PLTS Atap Gedung SGLC Berbasis Data NASA POWER dan BMKG

Arkananta Firjatullah Ariza, Ir. Avrin Nur Widiastuti, S.T., M.Eng., IPM. ; Dr. Ir. I Wayan Mustika, S.T., M.Eng.

2026 | Skripsi | TEKNIK ELEKTRO

Gedung Smart Green Learning Center (SGLC) Fakultas Teknik Universitas Gadjah Mada menggunakan sistem Pembangkit Listrik Tenaga Surya (PLTS) atap berkapasitas 62,4 kWp sebagai salah satu komponen pendukung konsep green building. Produksi energi PLTS bersifat fluktuatif karena dipengaruhi oleh kondisi meteorologi, pola musiman, serta kualitas data monitoring. Selain mengevaluasi model prediksi, kajian ini menilai pengaruh sumber data meteorologi dengan membandingkan pendekatan BMKG tahap awal penelitian dan pendekatan NASA POWER sebagai komparasi empiris terarah. Fokus kajian diarahkan pada prediksi produksi energi PLTS, baik pada level harian maupun per jam, bukan pada prediksi konsumsi energi total gedung. Perhitungan Intensitas Konsumsi Energi (IKE) gedung tidak dilakukan karena data konsumsi total gedung tidak digunakan; IKE hanya ditempatkan sebagai konteks pengembangan lanjutan apabila data beban tersedia. Kajian ini memanfaatkan data produksi energi PLTS serta data meteorologi dan radiasi NASA POWER. Pada pendekatan BMKG, resolusi data harian menyebabkan pemodelan difokuskan pada forecasting energi harian. Pada pendekatan NASA POWER, data per jam diselaraskan dari UTC ke WIB, dibentuk menjadi target energi per jam dari meter kumulatif PLTS, lalu digunakan untuk dua jalur pemodelan, yaitu hourly forecasting dan direct daily forecasting. Dataset pemodelan direct daily NASA POWER mencakup 392 hari kalender pada 16 April 2025–12 Mei 2026, dengan 315 hari target produksi valid dan 30 sekuens holdout test pada 2–31 Maret 2026. Model yang dibandingkan adalah Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), dan Persistence Model. Kualitas hasil prediksi dievaluasi menggunakan metrik galat berbasis persentase, yaitu MAPE, sMAPE, WAPE, serta koefisien determinasi (R2) sebagai indikator kesesuaian tambahan. Pada pembagian data dan protokol yang tersedia, pendekatan NASA POWER menghasilkan kualitas prediksi harian yang lebih baik daripada hasil BMKG tahap awal, tetapi temuan ini diposisikan sebagai komparasi empiris terarah, bukan bukti superioritas final antarsumber data. Pada tahap BMKG harian, hasil prediksi terbaik diperoleh oleh Rolling XGBoost dengan MAPE 15,13?n R2 0,4101. Pada direct daily NASA POWER, XGBoost memperoleh WAPE 12,3341%, MAPE 12,75%, sMAPE 12,83%, dan R2 0,6159. Pada jalur pendukung agregasi prediksi per jam NASA POWER menjadi total harian, LSTM memperoleh metrik harian terbaik dengan WAPE 9,0636?n R2 0,8398, tetapi hasil ini tidak dijadikan klaim utama karena protokol dan cakupan ujinya tidak sepenuhnya identik dengan jalur direct daily. Evaluasi operasional tambahan terhadap data aktual Smart Campus Building UGM pada 1 Mei–28 Juni 2026 menunjukkan bahwa seri gabungan prediksi dengan LSTM sebagai primary model menghasilkan MAE 23,51 kWh/hari, MAPE 15,59%, dan WAPE 15,05%, lebih baik daripada XGBoost dengan MAE 29,67 kWh/hari, MAPE 19,41%, dan WAPE 18,99%. Dengan demikian, temuan utama yang paling kuat adalah bahwa NASA POWER layak dipertimbangkan sebagai sumber meteorologi dan radiasi alternatif untuk PLTS SGLC karena menyediakan fitur radiasi langsung, membuka analisis intrahari, dan dapat dievaluasi terhadap data aktual operasional, dengan syarat tetap divalidasi terhadap data lokal dan diuji kembali menggunakan protokol yang setara. Prediksi produksi energi PLTS lebih tepat dimanfaatkan sebagai masukan pendukung Building Energy Management System (BEMS), bukan sebagai dasar tunggal kontrol otomatis, untuk memperkirakan kontribusi energi terbarukan harian, mengevaluasi performa PLTS, dan mendukung pengelolaan energi gedung hijau berbasis data.

The Smart Green Learning Center (SGLC) building at the Faculty of Engineering, Universitas Gadjah Mada, uses a 62.4 kWp rooftop photovoltaic (PV) system as one of the supporting components of its green-building concept. PV energy production is highly variable because it is affected by meteorological conditions, seasonal patterns, and monitoring-data quality. In addition to evaluating forecasting models, this study analyzes the effect of meteorological data sources by comparing the initial BMKG-based approach and the NASA POWER-based approach as a directed empirical comparison. Therefore, this study focuses on forecasting PV energy production at both daily and hourly levels rather than predicting total building energy consumption. Building Energy Use Intensity (EUI/IKE) is not calculated because total building-load data are not used; it is treated only as future context if load data become available.


This study uses PV energy production data and NASA POWER meteorological and radiation data. In the BMKG-based approach, the daily resolution of the available weather data limited the modeling to daily energy forecasting. In the NASA POWER-based approach, hourly data are converted from UTC to WIB, transformed into hourly energy targets from the cumulative PV meter, and used to develop two modeling paths: hourly forecasting and direct daily forecasting. The direct-daily NASA POWER modeling dataset covers 392 calendar days from 16 April 2025 to 12 May 2026, with 315 valid target days and 30 holdout-test sequences for 2--31 March 2026. Three models are compared: Long Short-Term Memory (LSTM), Extreme Gradient Boosting (XGBoost), and the Persistence Model. Forecasting quality is evaluated using percentage-based error metrics, namely MAPE, sMAPE, WAPE, and the coefficient of determination ($R^2$) as an additional goodness-of-fit indicator.


Under the available data split and evaluation protocols, the NASA POWER-based approach produces better daily forecasting quality than the initial BMKG-based results; however, this finding is positioned as a directed empirical comparison rather than final evidence of absolute superiority between weather-data sources. In the BMKG daily stage, the best forecasting result is obtained by Rolling XGBoost with a MAPE of 15.13\% and an $R^2$ of 0.4101. In NASA POWER direct daily forecasting, XGBoost achieves a WAPE of 12.3341\%, a MAPE of 12.75\%, an sMAPE of 12.83\%, and an $R^2$ of 0.6159. In the supporting path that aggregates NASA POWER hourly forecasts into daily totals, LSTM achieves the best daily metrics with a WAPE of 9.0636\% and an $R^2$ of 0.8398, but this result is not used as the main claim because its protocol and test coverage are not fully identical to the direct-daily path. An additional operational evaluation against Smart Campus Building UGM actual data for 1 May--28 June 2026 shows that the combined forecast series with LSTM as the primary model achieves an MAE of 23.51 kWh/day, a MAPE of 15.59\%, and a WAPE of 15.05\%, outperforming XGBoost with an MAE of 29.67 kWh/day, a MAPE of 19.41\%, and a WAPE of 18.99\%. Thus, the strongest conclusion is that NASA POWER is worth considering as an alternative meteorological and radiation data source for SGLC PV forecasting because it provides direct radiation features, enables intraday analysis, and can be evaluated against operational actual data, provided that it is locally validated and retested under equivalent protocols. The PV energy production forecast is therefore more appropriate as decision-support input for a Building Energy Management System (BEMS), rather than as the sole basis for automatic control, by estimating daily renewable-energy contribution, evaluating PV system performance, and supporting data-driven green-building energy management.

Kata Kunci : PLTS, forecasting energi, NASA POWER, BMKG, XGBoost, LSTM, BEMS

  1. S1-2026-506019-abstract.pdf  
  2. S1-2026-506019-bibliography.pdf  
  3. S1-2026-506019-tableofcontent.pdf  
  4. S1-2026-506019-title.pdf