Electronic Theses and Dissertation

ABSTRAK

Pertumbuhan kebutuhan listrik dan kompleksitas jaringan distribusi menuntut PLN untuk memiliki prediksi beban yang akurat guna menjaga keandalan sistem. Tantangan ini terlihat jelas pada Penyulang SG 06 ULP Meureudu yang memiliki pola beban sangat fluktuatif, perbedaan signifikan antara beban rata-rata dan beban puncak, serta nilai load factor yang relatif rendah. Kondisi tersebut menjadikan prediksi beban konvensional kurang efektif, sehingga diperlukan model yang mampu menangkap pola temporal secara tepat. Penelitian ini membangun model short-term load forecasting berbasis arsitektur Gated Recurrent Unit (GRU) dengan memanfaatkan fitur waktu sebagai satu-satunya variabel input. Proses penelitian meliputi pengumpulan data historis, pra-pemrosesan, pembentukan time-series window, pelatihan model, dan evaluasi menggunakan RMSE, MAE, dan MAPE. Hasil penelitian menunjukkan bahwa model GRU mampu memberikan prediksi beban harian yang lebih stabil dan akurat dibandingkan pendekatan dasar. Hal ini ditandai dengan Hasil penelitian menunjukkan bahwa model GRU mampu memberikan prediksi beban harian yang lebih stabil dan akurat dibandingkan pendekatan ARIMA. Hal ini ditandai dengan nilai MAE 231,74 kVA milik GRU berbanding dengan 548,29 kVA milik ARIMA.

Kata kunci: Prediksi beban listrik, GRU, Short-Term Load Forecasting, Jaringan distribusi 20 kV, Penyulang SG 06.

ABSTRACT The growth of electricity demand and the increasing complexity of distribution networks require PLN to develop accurate load forecasting models to maintain system reliability. This challenge is evident in the SG 06 feeder of ULP Meureudu, which exhibits highly fluctuating load patterns, significant gaps between average and peak loads, and a relatively low load factor. These conditions make conventional forecasting approaches less effective, highlighting the need for a model capable of accurately capturing temporal patterns. This study develops a short-term load forecasting model using the Gated Recurrent Unit (GRU) architecture with time-based features as the sole input variables. The research process involves collecting historical load data, data preprocessing, forming time-series windows, training the GRU model, and evaluating performance using RMSE, MAE, and MAPE. The results of this study demonstrate that the GRU model delivers more stable and accurate daily load forecasting performance than the ARIMA approach. This is reflected in the significantly lower MAE of 231.74 kVA for the GRU model, compared to 548.29 kVA for the ARIMA model. Keywords: Electric Load Forecasting, GRU, Short-Term Load Forecasting, 20 kV Distribution Network, Feeder SG 06.