FTMM NEWS – Energi surya kini semakin banyak dimanfaatkan sebagai sumber energi bersih dan ramah lingkungan. Panel surya mengubah sinar matahari menjadi listrik melalui sel fotovoltaik. Pada umumnya, banyak orang menganggap bahwa kinerja panel surya hanya bergantung pada intensitas cahaya matahari. Namun demikian, berbagai faktor lingkungan juga turut memengaruhi jumlah energi listrik yang dihasilkan. Oleh karena itu, data science dan machine learning membantu peneliti memahami faktor-faktor tersebut sekaligus meningkatkan efisiensi sistem energi surya.
Faktor yang Mempengaruhi Produksi Energi Panel Surya
Secara umum, kondisi lingkungan sangat memengaruhi produksi listrik dari panel surya. Salah satu faktor utama adalah radiasi matahari. Semakin tinggi intensitas radiasi yang diterima panel, semakin besar energi listrik yang dihasilkan. Selain itu, penelitian menunjukkan bahwa radiasi matahari memberikan pengaruh signifikan terhadap performa sistem fotovoltaik (Aggour et al., 2024).
Di sisi lain, suhu juga memengaruhi efisiensi panel surya. Ketika suhu panel meningkat, tegangan listrik pada sel surya menurun sehingga daya yang dihasilkan menjadi lebih kecil. Dengan demikian, kenaikan suhu dapat mengurangi efisiensi panel fotovoltaik karena perubahan karakteristik listrik pada sel surya (Hudișteanu et al., 2024). Selain itu, temperatur lingkungan juga turut memengaruhi performa sistem energi surya, terutama dalam kondisi cuaca tertentu (Buyukbicakci, 2025).
Pemanfaatan Data Science dan Machine Learning
Dalam sistem energi surya modern, operator pembangkit listrik secara aktif mengumpulkan berbagai data, seperti radiasi matahari, suhu udara, dan jumlah energi listrik yang dihasilkan. Selanjutnya, mereka menganalisis data tersebut menggunakan metode data science untuk menemukan pola yang memengaruhi produksi energi.
Lebih lanjut, sistem panel surya memanfaatkan machine learning untuk memprediksi produksi listrik. Model machine learning mengolah data cuaca serta data produksi sebelumnya untuk memperkirakan jumlah listrik yang akan dihasilkan pada waktu tertentu. Hasil penelitian menunjukkan bahwa model berbasis Artificial Neural Network (ANN) mampu memprediksi kinerja sistem fotovoltaik dengan akurasi tinggi (Kazem & Yousif, 2021).
Selain itu, panel surya modern juga menggunakan sensor untuk memantau kondisi sistem secara langsung. Sensor tersebut mencatat tegangan listrik, arus, suhu panel, serta energi yang dihasilkan. Oleh sebab itu, sistem dapat menilai performa panel berdasarkan hasil analisis data yang diperoleh dari sensor secara real-time.
Kesimpulan
Secara keseluruhan, pemanfaatan data science dan machine learning menunjukkan bahwa pengembangan energi terbarukan tidak hanya bergantung pada teknologi perangkat keras. Sebaliknya, kemampuan mengolah dan menganalisis data juga berperan penting dalam meningkatkan efisiensi sistem energi di masa mendatang. Oleh karena itu, integrasi antara teknologi dan analisis data menjadi kunci utama dalam pengembangan energi surya yang lebih optimal.
Daftar Pustaka
Aggour, H. S., Atia, D. M., Farghally, H. M., Soliman, M., & Omar, M. (2024). Electrical and Thermal Performance Analysis of Hybrid Photovoltaic/Thermal Water Collector Using Meta-Heuristic Optimization. https://jesit.springeropen.com/articles/10.1186/s43067-024-00146-0
Hudișteanu, V. S., Cherecheș, N. C., Țurcanu, F. E., Hudișteanu, I., & Romila, C. (2024). Impact of Temperature on the Efficiency of Monocrystalline and Polycrystalline Photovoltaic Panels. https://www.mdpi.com/2071-1050/16/23/10566
Buyukbicakci, E. (2025). Geographic and Thermal Impact on the Performance of Hybrid PV-TE Energy Systems. https://www.nature.com/articles/s41598-025-23850-x
Kazem, H. A., & Yousif, J. H. (2021). Prediction and Evaluation of Photovoltaic-Thermal Energy Systems Production Using Artificial Neural Network and Experimental Dataset. https://doi.org/10.1016/j.csite.2021.101297
Penulis : Anindya Widyaning Resti – Teknologi Sains Data
Editor : Angga I. Pratama
