Electronic Theses and Dissertation

Sistem kelistrikan Pulau Nias beroperasi sebagai isolated grid dengan karakteristik beban yang fluktuatif dan dipengaruhi oleh berbagai faktor eksternal, sehingga memerlukan prediksi beban yang akurat untuk mendukung keandalan operasi sistem. Penelitian ini bertujuan untuk mengembangkan model prediksi beban listrik jangka pendek berbasis Recurrent Neural Network (RNN) dengan arsitektur Sequence-to-Sequence (Seq2Seq) yang terintegrasi dengan variabel cuaca, serta mengevaluasi kinerja model menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE) guna menilai kelayakan penerapannya dalam konteks operasional sistem tenaga listrik. Model dikembangkan melalui tahapan pra-pemrosesan data, pembentukan sequence berbasis interval 30 menit, pelatihan model encoder–decoder LSTM, serta evaluasi kinerja menggunakan data uji terpisah. Model dikembangkan menggunakan data historis beban dan data cuaca, kemudian dilatih dengan dua skenario jumlah epoch, yaitu 50 dan 100 epoch. Hasil pengujian menunjukkan bahwa model mampu menghasilkan prediksi yang mendekati nilai aktual dan mengikuti pola fluktuasi beban secara konsisten. Evaluasi kinerja menunjukkan nilai MAE sebesar 0,3603 MW pada pelatihan 50 epoch dan meningkat menjadi lebih baik sebesar 0,2160 MW pada 100 epoch, yang mengindikasikan tingkat akurasi prediksi yang sangat baik. Dari perspektif sistem tenaga listrik, akurasi prediksi yang tinggi ini memiliki relevansi operasional yang penting, khususnya dalam mendukung perencanaan operasi pembangkit, pengelolaan beban puncak, serta pengendalian keseimbangan antara suplai dan permintaan daya pada sistem isolated grid. Selain itu, informasi prediksi beban berpotensi dimanfaatkan untuk membantu menjaga keandalan peralatan sistem, seperti transformator dan jaringan distribusi, melalui antisipasi pembebanan pada periode beban puncak. Dengan demikian, penelitian ini menunjukkan bahwa pendekatan RNN–Seq2Seq tidak hanya efektif secara statistik, tetapi juga layak dan relevan untuk diterapkan sebagai sistem pendukung pengambilan keputusan dalam pengelolaan sistem kelistrikan Pulau Nias.

Kata kunci: Prediksi beban listrik jangka pendek, RNN, Sequence-to-Sequence, isolated grid, deep learning.

The electrical power system of Nias Island operates as an isolated grid with load characteristics that are highly fluctuative and influenced by various external factors, thereby requiring accurate load forecasting to support system operational reliability. This study aims to develop a short-term electrical load forecasting model based on a Recurrent Neural Network (RNN) with a Sequence-to-Sequence (Seq2Seq) architecture integrated with weather variables, and to evaluate the model performance using Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE) metrics in order to assess its applicability in the operational context of power systems. The model was developed through data pre-processing, sequence formation using a 30-minute interval, training of an encoder–decoder LSTM model, and performance evaluation using a separate testing dataset. The model was trained using historical load data and weather data under two training scenarios, namely 50 epochs and 100 epochs. The testing results indicate that the model is capable of generating predictions that closely follow the actual load values and consistently capture load fluctuation patterns. Performance evaluation shows that the MAE value of 0.3603 MW obtained with 50 training epochs improves to 0.2160 MW when trained for 100 epochs, indicating a high level of forecasting accuracy. From a power system perspective, this high prediction accuracy has significant operational relevance, particularly in supporting generation operation planning, peak load management, and the control of supply–demand balance in isolated grid systems. Furthermore, load forecasting information can be utilized to help maintain the reliability of system equipment, such as transformers and distribution networks, by anticipating loading conditions during peak demand periods. Therefore, this study demonstrates that the RNN–Seq2Seq approach is not only statistically effective but also feasible and relevant as a decision-support system for the management of the Nias Island power system. Keywords: Short-term electricity load prediction, RNN, Sequence-to-Sequence, isolated grid, deep learning.