Electronic Theses and Dissertation

Kebutuhan energi yang terus meningkat mendorong berbagai upaya pemanfaatan energi surya sebagai sumber energi terbarukan yang berkelanjutan, namun pemetaan potensinya pada skala desa masih sangat terbatas. Kondisi ini mendorong dilakukannya penelitian di Kabupaten Aceh Besar yang memiliki 604 desa dengan karakteristik cuaca yang bervariasi antarwilayah, sehingga ketersediaan informasi potensi energi surya yang rinci pada tingkat desa menjadi penting sebagai dasar perencanaan pengembangan panel surya yang lebih tepat sasaran. Penelitian ini membangun model prediksi potensi energi surya tingkat desa menggunakan algoritma Random Forest berbasis data prakiraan cuaca harian BMKG. Pelabelan data dilakukan menggunakan pendekatan rule-based berdasarkan tiga parameter, yaitu suhu udara, kelembapan, dan kondisi cuaca, sedangkan fitur yang digunakan untuk melatih model Random Forest dibatasi pada suhu udara dan kelembapan relatif. Dari 158.262 baris data yang tersedia, data melewati tahap pembersihan dan pelabelan, lalu dibagi menjadi 70% data latih (110.783 sampel) dan 30% data uji
(47.479 sampel). SMOTE diterapkan hanya pada data latih untuk menyeimbangkan kelas sehingga jumlahnya menjadi 192.606 sampel, sedangkan data uji tetap dalam kondisi asli. Model yang dikembangkan mencapai akurasi 81,93% dengan nilai recall 0,99 pada kelas Potensial. Hasil prediksi menunjukkan bahwa desa Potensial didominasi wilayah dataran rendah yang memiliki suhu lebih stabil dan kelembapan
lebih rendah, sementara wilayah dataran tinggi cenderung Tidak Potensial karena suhu lebih dingin, kelembapan tinggi, dan tutupan awan yang lebih tebal. Hasil klasifikasi ini kemudian divisualisasikan dalam bentuk peta spasial sebaran potensi energi surya pada tingkat desa di Kabupaten Aceh Besar yang dapat dijadikan referensi dalam perencanaan pengembangan panel surya berbasis wilayah.

The growing demand for energy has driven efforts to harness solar energy as a sustainable renewable alternative, yet mapping its potential at the village level remains largely unavailable. This gap is particularly evident in Aceh Besar Regency, which encompasses 604 villages with varying weather characteristics across its territory, making detailed solar energy potential information at the village level essential for targeted solar panel development planning. This study develops a solar energy potential prediction model at the village level using a Random Forest algorithm based on daily weather forecast data from BMKG. Data labeling was conducted using a rule-based approach based on three parameters, namely air temperature, humidity, and weather conditions, while the features used to train the Random Forest model were limited to air temperature and relative humidity. A total of 158,262 rows of weather data were used, which underwent cleaning and labeling, then divided into 70% training data (110,783 samples) and 30% testing data (47,479 samples). SMOTE was applied exclusively to the training data to balance the classes, resulting in 192,606 training samples, while the testing data remained in its original distribution. The developed model achieved an accuracy of 81.93% with a recall value of 0.99 for the Potential class. Prediction results show that villages classified as Potential are predominantly located in lowland areas with more stable temperatures and lower humidity, while highland areas tend to be classified as Not Potential due to cooler temperatures, higher humidity, and thicker cloud cover. These classification results were then visualized as a spatial map of solar energy potential distribution at the village level in Aceh Besar Regency, which can serve as a reference for area-based solar panel development planning.