Electronic Theses and Dissertation

Pertumbuhan konsumsi energi listrik di Kota Banda Aceh terus mengalami peningkatan, terutama pada periode beban puncak yang menjadi tantangan utama dalam menjaga keandalan sistem tenaga listrik. Ketidakakuratan prediksi beban puncak dapat mengakibatkan ketidakseimbangan suplai dan permintaan, menurunkan efisiensi operasi pembangkit, bahkan menimbulkan risiko pemadaman. Penelitian ini bertujuan mengembangkan model prediksi beban puncak berbasis machine learning dengan mengintegrasikan Multilayer Perceptron (MLP) dan algoritma optimasi Grey Wolf Optimizer (GWO) untuk menghasilkan performa prediksi yang lebih stabil dan presisi. Data yang digunakan berupa data historis beban listrik Kota Banda Aceh dari Januari 2024 hingga Januari 2025 serta variabel cuaca sebagai penunjang. Model yang dibangun dievaluasi menggunakan metrik Mean Square Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Erorr (MAE). Hasil prediksi menunjukkan bahwa model MLP dan GWO pada TD 1 menghasilkan kinerja terbaik dengan RMSE sebesar 0,1712 MWh, MAE 0,1382 MWh, R-squared 0,9940, dan MAPE 0,15%. Hal ini menunjukkan bahwa optimasi berbasis GWO mampu mempercepat proses konvergensi, meningkatkan stabilitas model, serta mempertajam kemampuan model dalam menangkap pola nonlinier beban puncak harian sehingga pendekatan integrasi MLP dan GWO efektif digunakan sebagai model prediksi beban puncak yang presisi. Model ini dapat menjadi referensi penting dalam proses perencanaan kapasitas pembangkit, penguatan jaringan distribusi, serta pengembangan strategi integrasi energi terbarukan di Kota Banda Aceh untuk mendukung sistem tenaga listrik yang lebih andal dan berkelanjutan.

Kata kunci: Prediksi beban puncak, Multilayer Perceptron, Grey Wolf Optimizer, Banda Aceh.

The growth of electrical energy consumption in Banda Aceh continues to rise, particularly during peak-load periods, which pose a major challenge in maintaining power system reliability. Inaccurate peak-load forecasting can lead to supply–demand imbalances, reduced power plant operational efficiency, and increased risk of outages. This study aims to develop a peak-load prediction model based on machine learning by integrating a Multilayer Perceptron (MLP) with the Grey Wolf Optimizer (GWO) algorithm to produce more stable and precise forecasting performance. The dataset used consists of historical electricity load data for Banda Aceh from January 2024 to January 2025. The developed model is evaluated using Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) metrics. The results reveal that the integrated MLP–GWO model achieves higher accuracy compared to the standard MLP. The prediction results indicate that the proposed MLP–GWO model under TD-1 achieved the best performance, yielding a RMSE of 0.1712 MWh, a MAE of 0.1382 MWh, a R-squared value of 0.9940, and a MAPE of 0.15%. Therefore, the MLP–GWO integration is effective as a precise peak-load forecasting model. his model may serve as a valuable reference for power generation capacity planning, distribution network reinforcement, and the development of renewable energy integration strategies in Banda Aceh to support a more reliable and sustainable power system. Keywords: Peak load prediction, Multilayer Perceptron, Grey Wolf Optimizer, Banda Aceh.