Seiring dengan meningkatnya permintaan energi global dan upaya transisi menuju sumber energi yang lebih ramah lingkungan, pemanfaatan energi terbarukan seperti tenaga angin dan surya semakin berkembang pesat. Namun, tantangan utama dalam penerapan energi terbarukan adalah ketidakpastian dalam produksi daya akibat fluktuasi kondisi lingkungan seperti kecepatan angin dan intensitas radiasi matahari. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan metode pemodelan ketidakpastian yang lebih akurat untuk meningkatkan efisiensi estimasi daya listrik dari sumber energi terbarukan. Studi ini menggunakan pendekatan berbasis distribusi probabilitas Weibull untuk energi angin dan lognormal untuk energi surya serta mengintegrasikan sistem pemantauan real-time menggunakan stasiun cuaca otomatis berbasis IoT.
Dalam penelitian ini, data cuaca dikumpulkan secara otomatis melalui stasiun cuaca berbasis Internet of Things (IoT) yang dirancang untuk memantau kecepatan angin dan intensitas radiasi matahari dalam interval lima menit selama satu tahun penuh. Total data yang diperoleh meliputi 37.374 titik data untuk kecepatan angin dan 18.993 titik data untuk intensitas radiasi matahari. Data ini dianalisis menggunakan metode distribusi probabilitas Weibull dengan parameter skala dan bentuk untuk memodelkan ketidakpastian daya yang dihasilkan oleh turbin angin serta distribusi lognormal dengan estimasi nilai rata-rata dan deviasi standar untuk memprediksi daya listrik dari panel surya.
Selain itu, penelitian ini juga mengintegrasikan teknik fotogrametri 3D berbasis drone untuk mengevaluasi kondisi geografis dan menentukan lokasi optimal bagi instalasi pembangkit listrik tenaga angin dan surya. Teknologi ini menghasilkan peta topografi dengan resolusi tinggi, memungkinkan perhitungan optimalisasi lokasi turbin dan panel surya untuk meningkatkan efisiensi konversi energi.
Hasil penelitian menunjukkan bahwa dengan konfigurasi optimal, turbin angin berkapasitas 0,5 kW yang dipasang dalam sistem farm dengan 200 unit dapat mengonversi hingga 69% energi angin menjadi listrik, menghasilkan daya total sekitar 92,85 kW. Parameter distribusi Weibull yang diperoleh menunjukkan nilai faktor skala sebesar 1,3435 dan faktor bentuk sebesar 1,5528 untuk kecepatan angin rata-rata di lokasi penelitian.
Sementara itu, sistem pembangkit listrik tenaga surya dengan kapasitas 100 kW mampu mengubah sekitar 35% radiasi matahari menjadi energi listrik, dengan daya keluaran rata-rata sebesar 38,09 kWp. Parameter distribusi lognormal yang diperoleh menunjukkan bahwa intensitas radiasi matahari tertinggi mencapai 1136 W/m² dengan rata-rata intensitas sekitar 800 W/m².
Kombinasi kedua sistem ini memberikan kontribusi daya aktif sebesar 37 kW ke jaringan listrik, yang menunjukkan potensi besar dalam integrasi hybrid energi terbarukan. Simulasi pengaruh integrasi ke jaringan listrik menunjukkan bahwa energi yang dihasilkan memiliki kestabilan yang baik dengan harmonisasi daya yang minimal.
Analisis fotogrametri 3D menggunakan drone juga terbukti efektif dalam menentukan lokasi yang paling strategis untuk instalasi pembangkit listrik, dengan area pemetaan seluas 0,424 km² dan 117 citra udara yang dikalibrasi. Penggunaan data geografis ini meningkatkan efisiensi penempatan turbin angin dan panel surya untuk memaksimalkan produksi energi.
Penelitian ini memberikan kontribusi penting dalam meningkatkan akurasi estimasi daya listrik yang dihasilkan dari energi angin dan surya. Dengan mengadopsi pendekatan berbasis distribusi probabilitas dan pemanfaatan teknologi telemetri serta fotogrametri 3D, hasil studi ini dapat menjadi referensi berharga bagi perencana dan pengembang proyek energi terbarukan. Dengan demikian, penelitian ini dapat membantu dalam optimalisasi potensi sumber daya energi terbarukan serta mendukung pengembangan sistem kelistrikan yang lebih berkelanjutan dan efisien.
Penulis: Prisma Megantoro dkk.
Referensi: P. Megantoro et al., “Modeling the uncertainties and active power generation of wind-solar energy with data acquisition from telemetry weather measurement,” Results Eng., vol. 25, no. December 2024, p. 104392, 2025, doi: 10.1016/j.rineng.2025.104392. https://doi.org/10.1016/j.rineng.2025.104392
