Klasterisasi Efisiensi Solar Cell Tipe Polikristalin Menggunakan Algoritma K-Means

Permasalahan utama dalam analisis efisiensi panel surya tipe polikristalin adalah keterbatasan metode konvensional dalam menangani data yang kompleks dan berukuran besar. Untuk menjawab tantangan ini, penelitian ini mengembangkan pendekatan analisis data berbasis machine learning dengan menerapkan algoritma K-Means sebagai metode unsupervised learning. Tujuan utamanya adalah untuk mengidentifikasi pola-pola operasional yang memengaruhi efisiensi sistem panel surya, dengan mempertimbangkan parameter seperti tegangan, arus, daya, dan efisiensi keluaran. Data yang digunakan berasal dari platform Kaggle dan diproses melalui beberapa tahapan, yaitu konversi format, imputasi nilai hilang, penghapusan fitur tidak relevan, serta normalisasi menggunakan StandardScaler. Proses klasterisasi dilakukan menggunakan pustaka scikit-learn dengan bahasa Python. Penentuan jumlah klaster optimal dilakukan menggunakan metode Elbow dan Silhouette Score, yang menghasilkan enam klaster (k = 6). Visualisasi hasil klasterisasi dilakukan
menggunakan teknik reduksi dimensi Principal Component Analysis (PCA). Hasil menunjukkan bahwa K-Means efektif dalam mengelompokkan data berdasarkan performa, termasuk mengidentifikasi data anomali. Pendekatan ini terbukti berguna dalam mendukung pemantauan dan pengambilan keputusan berbasis data pada sistem energi terbarukan.
Kata Kunci: Efisiensi panel surya, K-Means, clustering, pra-pemrosesan data, PCA