Di balik melimpahnya potensi energi surya di Indonesia, terdapat tantangan besar dalam memanfaatkannya secara optimal untuk pembangkit listrik tenaga surya (PLTS), yakni ketidakpastian data iradiasi akibat tutupan awan yang dinamis dan cuaca maritim yang kompleks. Selama ini, keterbatasan jumlah alat ukur (pyranometer) di lapangan serta kurang akuratnya model konvensional sering kali menciptakan risiko tinggi dalam perencanaan dan investasi proyek energi terbarukan. Pertanyaannya, mungkinkah kita memanfaatkan kecanggihan satelit geostasioner untuk mendapatkan data iradiasi yang jauh lebih presisi dan andal untuk wilayah tropis?
Penjelasan / Isi Tulisan
Penelitian ini memberikan jawaban melalui pendekatan teknologi kecerdasan buatan (machine learning) yang mengoptimalkan data multispektral dari satelit GEO-KOMPSAT-2A (GK2A). Fokus utamanya adalah memetakan Global Horizontal Irradiance (GHI) secara sistematis dengan menganalisis kombinasi parameter input yang paling efektif. Melalui serangkaian pengujian pada enam konfigurasi model, penelitian ini mengkaji kontribusi berbagai variabel, mulai dari geometri matahari, sifat optik awan, hingga karakteristik termal inframerah dan data kelembapan atmosfer.
Hasil penelitian menunjukkan bahwa algoritma Categorical Boosting (CatBoost) secara konsisten menjadi model dengan performa terbaik, yang ditandai dengan nilai relative root mean square error (rRMSE) terendah serta bias yang minimal. Melalui analisis Shapley Additive Explanation (SHAP), tim peneliti mengungkap bahwa posisi matahari (sudut zenit dan azimut) merupakan prediktor paling menentukan, diikuti oleh saluran spektral visible dan inframerah dekat yang memetakan perilaku awan secara akurat. Model ini mampu mencapai akurasi tinggi dengan rRMSE 33,65% pada kondisi berawan parsial dan 25,07% saat langit cerah, performa yang secara substansial mengungguli model reanalisis konvensional seperti ERA5. Keandalan kerangka kerja ini pun telah divalidasi dengan data riil dari 36 stasiun pengukur di berbagai lokasi di Indonesia, menjadikannya solusi yang siap diterapkan dalam skala operasional.
Penutupan / Simpulan
Penelitian ini membuktikan bahwa integrasi antara data satelit GK2A dan kecerdasan buatan merupakan kunci untuk mengurai ketidakpastian data energi surya di wilayah tropis. Dengan menghadirkan estimasi yang jauh lebih akurat, studi ini menyediakan landasan ilmiah yang kuat bagi pengambil kebijakan dan investor dalam merancang infrastruktur energi yang efisien dan tepat sasaran. Dengan meminimalkan risiko melalui penyediaan data yang terpercaya, pengembangan PLTS di berbagai pelosok Indonesia kini dapat dilakukan dengan lebih percaya diri. Ini bukan sekadar tentang teknologi satelit, tetapi tentang membangun fondasi data yang presisi demi mempercepat transisi Indonesia menuju kemandirian energi yang berkelanjutan.
