Energi surya sering disebut sebagai salah satu harapan besar dalam transisi energi bersih. Di negara tropis seperti Indonesia, matahari hadir hampir sepanjang tahun. Namun, ada satu persoalan penting yang kerap luput dari perhatian masyarakat umum: listrik dari panel surya tidak selalu stabil. Awan, perubahan intensitas cahaya, suhu, dan kondisi lingkungan dapat membuat daya listrik yang dihasilkan naik-turun dalam waktu singkat.
Di sinilah teknologi prediksi berperan. Panel surya tidak cukup hanya dipasang, tetapi juga perlu “dibaca” perilakunya. Semakin baik kita memprediksi daya yang akan dihasilkan, semakin mudah sistem kelistrikan mengatur pasokan, menjaga kestabilan, dan memaksimalkan pemanfaatan energi terbarukan.
Sebuah penelitian berjudul “A Performance Comparison of the Extended Kalman Filter and the Unscented Kalman Filter for Photovoltaic Power Output Forecasting” membandingkan dua metode prediksi daya panel surya, yaitu Extended Kalman Filter atau EKF dan Unscented Kalman Filter atau UKF. Fokus utamanya adalah mencari metode yang lebih akurat dalam memperkirakan keluaran daya listrik dari sistem photovoltaic atau PV.
Mengapa prediksi daya surya penting?
Dunia masih banyak bergantung pada energi fosil untuk listrik dan transportasi. Masalahnya, pembakaran energi fosil menghasilkan emisi karbon yang berdampak pada lingkungan dan kesehatan manusia. Karena itu, energi terbarukan seperti tenaga surya menjadi pilihan yang semakin penting. Penelitian ini menegaskan bahwa Indonesia memiliki potensi besar karena iklim tropis dan paparan sinar matahari yang berlangsung sepanjang tahun.
Namun, energi surya memiliki sifat yang berubah-ubah. Saat intensitas radiasi matahari tinggi, daya listrik yang dihasilkan panel surya meningkat. Sebaliknya, ketika cahaya menurun, daya listrik juga ikut turun. Penelitian ini menunjukkan bahwa pola intensitas radiasi dan daya PV memiliki kemiripan, sehingga radiasi matahari menjadi salah satu faktor penting dalam pembentukan daya listrik.
Dengan prediksi yang akurat, operator sistem listrik dapat memperkirakan berapa besar daya yang akan masuk ke jaringan. Ini penting agar sistem tetap stabil, terutama ketika energi surya mulai digunakan dalam skala besar.
Data nyata dari lapangan
Kekuatan utama penelitian ini adalah penggunaan data lapangan, bukan hanya data simulasi. Data dikumpulkan langsung dari Mei hingga September 2024, terdiri dari 1.600 baris dan 5 kolom data. Parameter yang digunakan antara lain temperatur, intensitas radiasi, daya yang dihasilkan, dan durasi pengukuran. Panel surya yang digunakan memiliki kapasitas 200 watt-peak.
Penggunaan data nyata membuat hasil penelitian lebih dekat dengan kondisi sebenarnya di lapangan. Dalam sistem energi terbarukan, hal ini penting karena kondisi cuaca dan lingkungan sering kali tidak ideal dan sulit diprediksi secara sempurna.
EKF dan UKF: dua cara membaca sinyal yang berubah-ubah
Secara sederhana, Kalman Filter dapat dibayangkan sebagai metode untuk memperkirakan kondisi sebenarnya dari suatu sistem berdasarkan data yang tidak selalu sempurna. Dalam konteks panel surya, data cuaca dan daya listrik bisa berubah cepat, bahkan mengandung gangguan atau noise. Kalman Filter membantu memperhalus dan memperkirakan nilai yang paling masuk akal dari data tersebut.
Extended Kalman Filter bekerja dengan pendekatan linearisasi, yaitu menyederhanakan sistem yang tidak linear agar bisa dihitung lebih mudah. Sementara itu, Unscented Kalman Filter menggunakan pendekatan transformasi yang lebih fleksibel untuk menangani sistem nonlinear. Penelitian ini menjelaskan bahwa EKF menggunakan pendekatan ekspansi Taylor, sedangkan UKF menggunakan Unscented Transformation.
Dengan kata lain, EKF lebih sederhana dan efisien, sedangkan UKF lebih kuat dalam membaca pola yang kompleks dan berubah-ubah.
Hasil: UKF sedikit lebih unggul
Dalam simulasi prediksi 100 hari ke depan, kedua metode mampu mengikuti pola data aktual, meskipun daya PV memiliki fluktuasi yang dinamis. Pada pengaturan parameter noise R = 0,03, EKF menghasilkan nilai MSE 0,00881 dan RMSE 0,09386, sedangkan UKF menghasilkan MSE 0,00817 dan RMSE 0,09041. Nilai RMSE yang lebih kecil menunjukkan prediksi yang lebih akurat.
Pada pengujian kedua dengan parameter R = 0,01, hasilnya tidak jauh berbeda. EKF memperoleh RMSE 0,09381, sedangkan UKF tetap mencapai RMSE 0,09041. Artinya, UKF secara konsisten memberikan galat prediksi yang lebih kecil dibandingkan EKF.
Perbedaannya memang tidak terlalu besar, tetapi dalam sistem energi, perbedaan kecil dapat menjadi penting, terutama jika diterapkan pada sistem PV skala besar. Semakin akurat prediksi daya, semakin baik pula perencanaan operasi sistem listrik.
Apa maknanya bagi energi surya Indonesia?
Penelitian ini menunjukkan bahwa energi surya Indonesia tidak hanya membutuhkan panel dan infrastruktur fisik, tetapi juga membutuhkan sistem prediksi cerdas. Dengan bantuan metode seperti EKF dan UKF, keluaran daya panel surya dapat diperkirakan lebih akurat. Ini membuka peluang untuk sistem pemantauan PV secara real-time, pengaturan beban yang lebih baik, dan integrasi energi terbarukan yang lebih stabil ke jaringan listrik.
Kesimpulan penelitian menyatakan bahwa UKF memiliki akurasi lebih baik dengan RMSE 0,09041, dibandingkan EKF dengan RMSE 0,09381, sekaligus tetap memiliki efisiensi komputasi sekitar 0,1 hingga 0,3 detik. Hal ini menunjukkan potensi kedua metode untuk aplikasi pemantauan dan kontrol PV secara real-time.
Ke depan, metode Kalman Filter dapat dikembangkan lebih lanjut dengan pendekatan berbasis data seperti jaringan saraf tiruan, ensemble learning, atau metode adaptif lainnya. Penelitian ini juga menyarankan integrasi dengan pendekatan tersebut untuk meningkatkan akurasi, ketahanan, dan skalabilitas sistem energi terbarukan cerdas.
Penutup
Masa depan energi surya tidak hanya ditentukan oleh seberapa banyak panel dipasang, tetapi juga oleh seberapa cerdas sistem membaca dan memprediksi energi yang dihasilkan. Matahari memang tidak bisa dikendalikan, tetapi dengan data dan algoritma yang tepat, perilaku energi surya dapat dipahami dengan lebih baik.
Dalam konteks Indonesia, penelitian ini memberi pesan penting: potensi matahari yang besar harus diikuti dengan teknologi prediksi yang andal. Dengan begitu, energi surya bukan hanya menjadi simbol energi bersih, tetapi juga menjadi bagian nyata dari sistem kelistrikan yang stabil, efisien, dan siap menghadapi masa depan.
PENULIS: Rizky Amalia Sinulingga
Informasi detail dari riset ini dapat dilihat pada tulisan kami di:
Bottom of Form
Sinulingga, R. A., Herlambang, T., Triwinanto, P., Othman, Z., Idris, A., Mohammed, N., Aji, G. G., & Arief, M. R. (2026). A Performance Comparison of the Extended Kalman Filter and the Unscented Kalman Filter for Photovoltaic Power Output Forecasting. Engineering, Technology & Applied Science Research, 16(1), 30745–30750. https://doi.org/10.48084/etasr.13866
ISSN: 1792-8036
