OPTIMASI PENGISI DAYA PONSEL TENAGA SURYA PORTABEL MENGGUNAKAN KECERDASAN BUATAN UNTUK EFISIENSI ENERGI

Mogtaba Osman Abdo Ibrahim, Efendi S Wirateruna, Anang Habibi

Sari


Penelitian ini bertujuan merancang dan mengimplementasikan sistem smart charging pengisi daya ponsel tenaga surya portabel berbasis Artificial Neural Network (ANN) dengan algoritme Levenberg–Marquardt. Pendekatan eksperimen berbasis pengembangan sistem digunakan dengan metode kuantitatif, di mana data intensitas cahaya, suhu, dan arus dijadikan variabel input untuk memprediksi charging level baterai. Seluruh pengujian dilakukan secara simulasi numerik menggunakan perangkat lunak MATLAB tanpa implementasi perangkat keras. Arsitektur ANN yang dirancang menggunakan tiga variabel input dan satu variabel output berupa level pengisian baterai yang dikategorikan sebagai lambat, normal, dan cepat. Hasil pelatihan menunjukkan penurunan nilai Mean Squared Error (MSE) dari 0,273 menjadi sekitar 0,0001 dengan konvergensi optimal tanpa overfitting. Distribusi histogram error terkonsentrasi mendekati nol, dan grafik regresi menunjukkan korelasi kuat antara prediksi dan target dengan nilai R² > 0,95. Perbandingan output ANN terhadap target menunjukkan tingkat kesesuaian tinggi dengan error kurang dari 5%. Hasil penelitian membuktikan bahwa ANN mampu merepresentasikan perilaku sistem secara akurat dan layak diterapkan sebagai model prediksi charging level berbasis data untuk pengembangan sistem smart charging tenaga surya berbasis kecerdasan buatan.

Kata kunci: Smart charging, tenaga surya, Artificial Neural Network, Levenberg–Marquardt, charging level.


Teks Lengkap:

PDF

Referensi


Kumar, S. (2022). Penggunaan Reinforcement Learning (RL) untuk pengaturan adaptif sistem pengisian tenaga surya. Penelitian eksperimental berbasis simulasi dan implementasi AI adaptif.

Kumendong, I. M., & Pawarangan, I. (n.d.). Penerapan fisika komputasi dalam pengembangan sistem energi terbarukan. Jurusan Fisika, Fakultas MIPA dan Kebumian, Universitas Negeri Manado, Indonesia. [https://ojs.unsulbar.ac.id/index.php/phy]

Liu, X., Zhang, Y., & Chen, L. (2021). Implementasi ANN Controller (FLC) untuk Maximum Power Point Tracking pada sistem pengisian tenaga surya. Penelitian eksperimental dengan simulasi dan implementasi langsung.

Prasetyo, A. P. P., Sitorus, H. R., Isnanto, R. F., & Hermansyah, A. (n.d.). Design of a drowsiness prevention helmet with vibration and IoT-based theft detection alarms. [https://doi.org/10.25077/jitce.8.01.19-29.2024]

Rahman, A. (2020). Penerapan Artificial Neural Network (ANN) untuk optimalisasi kinerja sistem pengisi daya tenaga surya portabel. Penelitian eksperimental kuantitatif.

Rahmawati, I. (2024). Perbandingan algoritma AI untuk optimasi sistem pengisian energi surya portabel: ANN, FLC, GA, dan RL. Penelitian komparatif eksperimental.

Saina, A. R., & Prananda, R. P. (2024). Perancangan sistem tracking otomatis pada panel surya untuk mengoptimalkan daya keluaran. Program Studi Teknik Elektro, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta. [https://dspace.uii.ac.id/handle/123456789/51393]

Yuliani, D. (2023). Penerapan Algoritma Kecerdasan Buatan Hibrida (ANN–GA) untuk optimasi pengisi daya tenaga surya portabel. Penelitian eksperimental berbasis rekayasa sistem AI.

Zhou, H., Li, F., & Wang, J. (2021). Aplikasi Deep Learning untuk prediksi dan regulasi daya pada sistem pengisian daya tenaga surya portabel. Penelitian eksperimen kuantitatif dengan pendekatan AI-based predictive optimization.

Zuroida, A., Heryanto, I., & Ramandhani, A. S. (2025). Optimasi sistem pengisian MPPT berbasis ANN pada panel surya. (Received 24 Desember 2024; Revised 22 Februari 2025; Published 28 Februari 2025). [https://jurnal.polinema.ac.id/index.php/elposys/article/view/6852]


Refbacks

  • Saat ini tidak ada refbacks.