Prediksi Suatu Wilayah Untuk Menjadi PLTS Dengan Machine Learning
Journal of Informatics and Interactive Technology · 2024
DOI: 10.63547/jiite.v1i2.6 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Informatics and Interactive Technology, 2024. Verfasst von Ratri Ismayanti und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
Listrik sudah menjadi kebutuhan pokok sebagian umat manusia karena semua aktivitas hampir berhubungan dengan listrik. Indonesia memiliki beberapa proyek Pembangkit Listrik dan Pembangkit Listrik yang terbesar dihasilkan dari PLTU yang mana bisa dampak yan kita rasakan adalah emisi gas rumah kaca dan polusi udara yang buruk dan juga sangat bergantung pada batu bara sedangangkan SDA tersebut tidak bisa diperbarui dengan fakta tersebut jika kita mengurangi penggunan batu bara maka akan menjadi boomerang bagi Indonesia sendiri. Penelitian ini bertujuan untuk memprediksi wilayah yang dapat berpotensi menjadi Pemangkit Listrik Tenaga Surya dengan pendekatan model regresi machine learning. Sehingga diharapkan penelitian ini bisa menjadi acuan dalam pengembangan Pembangkit Listrik Tenaga Surya di Indonesia. Metode yang digunakan adalah Liniear Regression(LR), Lasso Regression(LR), Ridge Regression(RR), dan Support Vector Regression (SVR). Koefisien R2 untuk radiasi sinar matahari berturut-turut adalah 0.924; 0.910; 0.917; 0.949; dan 0.987
Zitieren
APA
Ismayanti, R., & Baihaqi, W. M. (2024). Prediksi Suatu Wilayah Untuk Menjadi PLTS Dengan Machine Learning. Journal of Informatics and Interactive Technology. https://doi.org/10.63547/jiite.v1i2.6
Vancouver
Ismayanti R, Baihaqi WM. Prediksi Suatu Wilayah Untuk Menjadi PLTS Dengan Machine Learning. Journal of Informatics and Interactive Technology. 2024. doi:10.63547/jiite.v1i2.6
BibTeX
@article{Ismayanti2024,
author = {Ismayanti, Ratri and Baihaqi, Wiga Maulana},
title = {Prediksi Suatu Wilayah Untuk Menjadi PLTS Dengan Machine Learning},
journal = {Journal of Informatics and Interactive Technology},
year = {2024},
doi = {10.63547/jiite.v1i2.6}
}
EUVIMED