Electronic Theses and Dissertation

Pertumbuhan beban listrik yang terus meningkat menuntut pengelolaan sistem distribusi tenaga listrik yang andal dan adaptif, khususnya dalam upaya meminimalkan energy not supplied (ens) akibat gangguan sistem, pemeliharaan terencana, dan kondisi tidak normal lainnya. pada sistem distribusi tegangan menengah 20 kv kota banda aceh, nilai ens menjadi indikator penting dalam menilai kinerja keandalan dan kualitas pelayanan energi listrik. penelitian ini bertujuan untuk menganalisis secara kuantitatif pengaruh prediksi beban listrik berbasis kecerdasan artifisial terhadap penurunan ens pada sistem distribusi 20 kv banda aceh. model prediksi beban dikembangkan menggunakan arsitektur long short-term memory (lstm) dengan memanfaatkan data historis pembebanan dari gardu induk lambaro, jantho, krueng raya, dan ulee kareng sepanjang tahun 2024. data beban dipra-pemrosesan untuk menghilangkan anomali dan menangkap pola musiman sebelum digunakan dalam pelatihan dan pengujian model. hasil prediksi beban selanjutnya digunakan untuk mengestimasi nilai ens pada berbagai skenario operasi sistem, termasuk kondisi normal dan gangguan, dengan membandingkan nilai ens yang diperoleh dari pendekatan prediksi lstm dan metode konvensional. kinerja model prediksi dievaluasi menggunakan indikator mae, rmse, dan mape. hasil penelitian menunjukkan bahwa model lstm mampu memprediksi beban listrik dengan tingkat akurasi yang tinggi, dengan nilai mape terbaik sebesar 2,56% pada gardu induk ulee kareng. pemanfaatan hasil prediksi beban berbasis lstm terbukti mampu menurunkan nilai ens secara kuantitatif melalui perencanaan operasi dan penjadwalan pemeliharaan yang lebih proaktif, sehingga berkontribusi pada peningkatan keandalan sistem distribusi tenaga listrik di banda aceh. kata kunci: energy not supplied (ens), prediksi beban, lstm, sistem distribusi 20 kv, keandalan sistem.

The continuous growth of electrical load demands reliable and adaptive management of power distribution systems, particularly in efforts to minimize Energy Not Supplied (ENS) caused by system disturbances, scheduled maintenance, and other abnormal operating conditions. In the 20 kV medium-voltage distribution system of Banda Aceh City, ENS serves as a crucial indicator for assessing system reliability and quality of electricity supply. This study aims to quantitatively analyze the impact of artificial intelligence–based load forecasting on the reduction of ENS in the 20 kV distribution system of Banda Aceh. The load forecasting model was developed using a Long Short-Term Memory (LSTM) architecture, utilizing historical load data from the Lambaro, Jantho, Krueng Raya, and Ulee Kareng substations throughout 2024. The load data were preprocessed to remove anomalies and capture seasonal patterns before being used for model training and testing. The forecasted load results were then employed to estimate ENS under various system operating scenarios, including normal operating conditions and disturbance events, by comparing ENS values obtained using the LSTM-based forecasting approach with those derived from conventional methods. The forecasting model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The results indicate that the LSTM model is capable of accurately forecasting electrical load, achieving a best MAPE value of 2.56% at the Ulee Kareng Substation. The application of LSTM-based load forecasting is shown to quantitatively reduce ENS through more proactive operational planning and maintenance scheduling, thereby contributing to improved reliability of the power distribution system in Banda Aceh City. . Keywords: Energy Not Supplied (ENS), LSTM, 20 kV Distribution System, System Reliability.