Electronic Theses and Dissertation

Abstrak kinerja modul surya dipengaruhi oleh beberapa faktor antara lain iradiasi matahari, jenis modul surya, suhu dan spektrum sinar matahari. suhu pada permukaan modul surya dapat berdampak langsung pada tegangan dan arus yang dihasilkan modul surya. salah satu cara untuk menurunkan pengaruh suhu modul dapat diatasi dengan menerapkan teknik pendinginan pasif. pada penelitian ini mengembangkan metode pendingin pasif pada modul surya jenis polycrystalline untuk menurunkan suhu modul dengan dua jenis material yaitu heatsink bentuk trapezoidal dan jenis material garam hidrat. kemudian melakukan analisa data untuk mendapatkan parameter output berupa daya dan efisiensi. selanjutnya penggunaan model prediktif untuk daya modul surya dengan metode multi linier regression (mlr), temperature coeficient of power (tc-p) dan artificial neural network (ann). hasil dari metode pendinginan menggunakan heatsink bentuk trapezoid menunjukkan penurunan suhu modul surya sebesar 2,01°c yaitu dari rata-rata suhu 45,87°c turun menjadi rata-rata suhu 43.86°c. modul surya berpendingin heatsink daya output rata-rata mencapai 96.68 watt dengan efisiensi mencapai 18,44% dari modul surya standar tanpa pendingin pasif heatsink 16.47% jadiada kenaikan efisiensi sebesar 1,97%. hasil dari metode pendinginan menggunakan garam hidrat menunjukkan penurunan suhu rata-rata sebesar 1,38°c yaitu dari rata-rata suhu 48,94°c turun menjadi rata-rata 47.57°c. modul surya berpendingin garam hidrat daya output mencapai 66.45 watt dengan efisiensi rata-rata sebesar 10,92% dibandingkan modul surya standar 10,34%, jadi ada kenaikan efisiensi sebesar 0.58%, untuk rata-rata iradiasi matahari 896,67 watt/m^2 saat pengukuran. pemodelan prediktif mlr, tc-p, dan ann untuk memprediksi daya output berdasarkan variasi suhu operasional, iradiasi dan kelembaban udara pada modul surya menggunakan pendingin garam hidrat. hasil prediktif menunjukkan ann memiliki kinerja yang lebih baik dalam memprediksi daya output modul surya. kata kunci: modul surya, pendingin pasif, heatsink, garam hidrat, predictive modelling

ABSTRACT Solar module performance is influenced by several factors including solar irradiation, type of solar module, temperature and sunlight spectrum. The temperature on the surface of the solar module can have a direct impact on the voltage and the current produced by the solar panel. One way to reduce the influence of surface panel temperature can be overcome by applying passive cooling techniques. This research will develop a passive cooling method for polycrystalline solar modules type to reduce the surface temperature with two types of materials. The cooling material used is a trapezoidal heatsink and hydrated salt material. The data analysis is to obtain output parameters in the form of power and efficiency. The use of the Multi linier regression (MLR), Temperature Coeficient of Power (TC-P) and Artificial Neural Network (ANN) methods is to develop a predictive model of the output power of salt hydrate cooled solar modules and uncooled solar modules. The results of the cooling method using a trapezoidal heatsink show a decrease in the temperature of the solar module by 2.01°C, namely from an average temperature of 45.87°C down to an average temperature of 43.86°C. Heatsink cooled solar modules have an average output power of 96.68 Watts with an efficiency of 18.44% compared to standard solar modules without heatsink passive cooling of 16.47%, so there is an increase in efficiency of 1.97%. The results of the cooling method using hydrated salt showed an average temperature reduction of 1.38°C, from an average temperature of 48.94°C to an average of 47.57°C. The output power reaches 66.45 Watts by Salt hydrate cooling method, with an average efficiency of 10.92% compared to standard solar modules of 10.34% so there is an increase in efficiency of 0.58% for an average solar irradiation of 896.67 Watts/m^2 at the day of measurement taken. The predictive modeling results show that ANN has better performance in predicting solar module output power compared to MLR and TC-P. Keywords: Solar Module, Passive Cooling, Heatsink, Salt Hydrate, Predictive Modeling.