Muhammad Nazar Primary Author mixed material bibliography Banda Aceh Prog. Magister Teknik Elektro Unsyiah 2026

Theses

Unit Layanan Pelanggan (ULP) Sabang sebagai sistem kelistrikan terisolasi menghadapi tantangan dalam memenuhi kebutuhan energi yang terus meningkat akibat perkembangan sektor pariwisata, pertumbuhan pelanggan, serta dinamika konsumsi harian yang fluktuatif. Kondisi ini diperparah oleh keterbatasan kapasitas pembangkit berbasis PLTD sehingga diperlukan prediksi beban puncak jangka panjang yang akurat untuk mencegah risiko defisit daya maupun oversupply. Permasalahan utama penelitian ini adalah rendahnya akurasi metode prediksi konvensional dalam menangkap pola temporal dan nonlinier beban listrik. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan penggunaan arsitektur Recurrent Neural Network (RNN), khususnya Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), sebagai pendekatan prediktif yang lebih adaptif terhadap dinamika data deret waktu. Metode penelitian meliputi pra-pemrosesan data historis beban puncak harian, konfigurasi hyperparameter, pelatihan model menggunakan sequence length tujuh hari, serta evaluasi performa menggunakan metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa kedua model mampu mempelajari pola temporal dengan baik, namun GRU memberikan performa lebih unggul dengan nilai MAE 0.388, RMSE 0.486, dan MAPE 8.23%, dibandingkan LSTM dengan MAPE 8.62%. Model yang telah dilatih kemudian digunakan untuk memproyeksikan beban puncak bulan Januari 2030 menggunakan pendekatan autoregressive. Hasil prediksi menunjukkan bahwa GRU lebih responsif terhadap perubahan beban yang fluktuatif, sedangkan LSTM lebih stabil dalam menangkap pola musiman. Proyeksi beban puncak Januari 2030 yang dihasilkan kedua model berada pada rentang yang realistis dan konsisten dengan tren historis, sehingga layak dijadikan acuan dalam perencanaan kapasitas pembangkit dan strategi pengelolaan sistem kelistrikan di ULP Sabang. Kata kunci: Beban Puncak, RNN, LSTM, GRU, ULP Sabang 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1708933 2026-01-20 13:50:05 2026-01-20 15:54:55 machine generated