Electronic Theses and Dissertation

Kebutuhan energi listrik di Kota Jantho menunjukkan kecenderungan meningkat seiring dengan pertumbuhan penduduk serta intensifikasi aktivitas ekonomi. Kondisi tersebut menuntut adanya perencanaan dan pengelolaan pasokan listrik yang andal agar kontinuitas pelayanan tetap terjaga. Dalam konteks ini, salah satu tantangan utama yang dihadapi adalah melakukan prediksi beban listrik jangka pendek secara akurat, mengingat pola konsumsi energi dipengaruhi oleh dinamika waktu, seperti perbedaan jam dan hari, serta faktor eksternal yang turut memengaruhi fluktuasi beban listrik. Penelitian ini mengusulkan model prakiraan beban listrik jangka pendek berbasis integrasi Recurrent Neural Network (RNN) dengan arsitektur Long Short-Term Memory (LSTM) dan algoritma Gradient Boosting Machine (GBM). Arsitektur LSTM mampu menangkap dependensi temporal jangka pendek dan panjang melalui mekanisme memory cell, sehingga lebih stabil dibandingkan RNN konvensional. Model LSTM digunakan sebagai model dasar dengan jendela input 24 jam untuk mempelajari pola historis beban listrik, sedangkan GBM berperan sebagai korektor residu untuk memperbaiki kesalahan prediksi yang bersifat nonlinier. Data penelitian berupa data historis beban listrik Kota Jantho selama satu tahun, dilengkapi variabel cuaca dan kalender. Evaluasi kinerja dilakukan menggunakan MAE, RMSE, dan R². Hasil pengujian menunjukkan bahwa model LSTM tunggal menghasilkan MAE 196,33 kWh, RMSE 306,89 kWh, dan R² 0,884, sedangkan model hibrida LSTM–GBM meningkatkan performa secara signifikan dengan MAE 119,29 kWh, RMSE 174,23 kWh, dan R² 0,978. Dengan demikian, integrasi LSTM dan GBM terbukti efektif meningkatkan akurasi dan keandalan prediksi beban listrik jangka pendek sekaligus menjadi rekomendasi praktis bagi PLN dan pemerintah daerah dalam mengantisipasi beban puncak serta mendukung perencanaan operasi sistem tenaga listrik di Kota Jantho.

Kata kunci: Prediksi, Beban Listrik, LSTM, GBM, Kota Jantho

The demand for electrical energy in Jantho City continues to increase in line with population growth and expanding economic activities, making reliable supply planning increasingly important. One of the main challenges is achieving high-accuracy short-term load forecasting, as both temporal factors and external variables, such as weather and calendar effects, influence consumption patterns. This study proposes a short-term electrical load forecasting model that integrates a Recurrent Neural Network (RNN) with a Long Short-Term Memory (LSTM) architecture and a Gradient Boosting Machine (GBM) algorithm. The LSTM architecture is capable of capturing both short-term and long-term temporal dependencies through its memory cell mechanism, making it more stable than conventional RNNs. The LSTM model is employed as the baseline predictor using a 24-hour input window to learn historical load patterns, while GBM functions as a residual corrector to refine nonlinear prediction errors. The dataset consists of one year of historical electrical load data from Jantho City, complemented by weather and calendar variables. Model performance is evaluated using MAE, RMSE, and R². Experimental results indicate that the standalone LSTM model achieves an MAE of 196.33 kWh, RMSE of 306.89 kWh, and R² of 0.884, whereas the hybrid LSTM–GBM model significantly improves performance, yielding an MAE of 119.29 kWh, RMSE of 174.23 kWh, and R² of 0.978. Therefore, the integration of LSTM and GBM is proven to effectively enhance the accuracy and reliability of short-term load forecasting and serves as a practical recommendation for the utility company (PLN) and local government in anticipating peak loads and supporting power system operation planning in Jantho City. Keywords: Electrical Load, Forecasting, LSTM, GBM, Jantho City