Electronic Theses and Dissertation

Penggunaan sistem fotovoltaik (PV) berbasis Maximum Power Point Tracking dengan Artificial Neural Network (MPPT-ANN) memiliki potensi besar dalam meningkatkan efisiensi konversi energi matahari menjadi listrik, terutama di daerah dengan kondisi lingkungan yang variatif. Penelitian ini bertujuan untuk merancang dan menguji kinerja sistem MPPT-ANN dalam menjaga titik daya maksimum (MPP) pada panel surya di bawah berbagai kondisi iradian, suhu, dan beban listrik. Pengujian dilakukan melalui simulasi menggunakan data eksperimen dari berbagai variasi iradian mulai dari 1000 W/m² hingga 300 W/m², suhu berkisar dari 35°C sampai 23°C, serta beban 20Ω, 30Ω, dan 40Ω. Hasil simulasi menunjukkan bahwa sistem MPPT-ANN mampu melacak MPP secara cepat dan akurat dengan tingkat efisiensi pelacakan mencapai puncaknya sebesar 97,91%, sedangkan tanpa pengendalian MPPT efisiensi hanya berkisar sekitar 23% hingga 59%. Sistem MPPT berbasis ANN mampu beradaptasi secara langsung terhadap perubahan kondisi lingkungan yang dinamis, dengan waktu respon yang cukup singkat, sehingga daya keluaran panel surya selalu mendekati daya maksimum yang ideal. Analisis terhadap tingkat osilasi dan kestabilan sistem menunjukkan bahwa metode ini mampu mengurangi fluktuasi daya yang tidak diinginkan, bahkan saat kondisi iradian dan suhu berubah secara ekstrem. Selain itu, pengujian menunjukkan bahwa sistem mampu menghasilkan daya tertinggi sebesar 97,82 W pada iradian 1000 W/m², dengan pola respon yang konsisten dan stabil. Hasil ini menegaskan bahwa implementasi sistem MPPT-ANN sangat potensial untuk diaplikasikan dalam pengembangan sistem energi surya yang efisien dan adaptif, khususnya di daerah dengan kondisi lingkungan yang tidak menentu. Penggunaan teknologi ini diharapkan mampu meningkatkan potensi energi matahari secara signifikan dan mendukung pengembangan energi terbarukan secara berkelanjutan.
Kata kunci: Maximum Power Point Tracking (MPPT), PLTS, Artificial Neural Network (ANN), Beban bervariasi, Efisiensi Energi.

an Artificial Neural Network (MPPT-ANN) has great potential in increasing the efficiency of converting solar energy into electricity, especially in areas with variable environmental conditions. This study aims to design and test the performance of the MPPT-ANN system in maintaining the maximum power point (MPP) on solar panels under various irradiance, temperature, and electrical load conditions. The testing was conducted through simulation using experimental data from various irradiance variations ranging from 1000 W/m² to 300 W/m², temperatures ranging from 35°C to 23°C, and loads of 20Ω, 30Ω, and 40Ω. The simulation results show that the MPPT-ANN system is capable of tracking MPP quickly and accurately with a tracking efficiency level reaching a peak of 97.91%, whereas without MPPT control, the efficiency only ranges from around 23% to 59%. The ANN-based MPPT system is able to adapt directly to dynamic changes in environmental conditions, with a sufficiently short response time, so that the output power of the solar panel always approaches the ideal maximum power. Analysis of the system's oscillation and stability levels shows that this method is capable of reducing unwanted power fluctuations, even when irradiance and temperature conditions change extremely. In addition, testing shows that the system is capable of producing a maximum power of 97.82 W at an irradiance of 1000 W/m², with a consistent and stable response pattern. These results confirm that the implementation of the MPPT-ANN system has great potential for application in the development of efficient and adaptive solar energy systems, especially in areas with uncertain environmental conditions. The use of this technology is expected to significantly increase the potential of solar energy and support the sustainable development of renewable energy. Keywords: Maximum Power Point Tracking (MPPT), Solar Power Plant (SPP), Artificial Neural Network (ANN), Variable Load, Energy Efficiency.