<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="1710055">
 <titleInfo>
  <title>ANALISIS PERKIRAAN BEBAN LISTRIK PT PLN (PERSERO) UP3 BANDA ACEH DENGAN ALGORITMA XGBOOST UNTUK PERENCANAAN INFRASTRUKTUR KETENAGALISTRIKAN</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Alimuddin</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Prog. Magister Teknik Elektro Unsyiah</publisher>
   <dateIssued>2026</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Theses</form>
  <extent></extent>
 </physicalDescription>
 <note>Perencanaan pasokan listrik yang akurat sangat penting untuk menjaga stabilitas, efisiensi dan penyiapan infrastruktur sistem kelistrikan khususnya di wilayah PT PLN (Persero) UP3 Banda Aceh. Penelitian ini bertujuan untuk memprediksi beban listrik jangka pendek menggunakan algoritma Extreme Gradient Boosting (XGBoost), yang mampu memodelkan hubungan nonlinier dan kompleksitas data historis. Data yang digunakan mencakup beban listrik per jam, harian, dan mingguan, serta fitur berbasis waktu dan variabel cuaca. Model dibangun melalui tahapan pengumpulan data, pra-pemrosesan, pelatihan, dan evaluasi menggunakan metrik MAE, RMSE, dan MAPE. Hasil evaluasi kuantitatif menunjukkan bahwa konfigurasi terbaik diperoleh pada learning rate 0.1 dengan nilai RMSE sebesar 1,817 MWh, MAE sebesar 1,198 MWh dan MAPE sebesar 4,52%, yang mengindikasikan tingkat kesalahan prediksi relatif rendah dan model layak digunakan untuk prakiraan beban jangka pendek. Sementara itu, pada learning rate 0.5 diperoleh RMSE 2,047 MWh, MAE 1,368 MWh, dan MAPE 5,17% yang juga menunjukkan performa model kurang optimal. Pada konfigurasi learning rate 0,1 menunjukkan bahwa model mampu merepresentasikan pola pembebanan dengan baik. Kondisi ini mencerminkan bahwa karakteristik beban lebih stabil dan konsisten, sehingga hubungan antara variabel input dan beban dapat dipelajari secara efektif oleh model XGBoost. Dengan tingkat kesalahan di bawah 5%, model ini dinilai cukup andal untuk mendukung pengambilan keputusan operasional dan perencanaan infrastruktur, seperti perencanaan kapasitas trafo distribusi, penguatan penyulang, serta prioritas pengembangan jaringan distribusi. Implementasi model prediksi berbasis XGBoost ini diharapkan dapat menjadi alat bantu analitis yang efektif bagi PT PLN (Persero) UP3 Banda Aceh dalam mewujudkan perencanaan ketenagalistrikan yang lebih efisien dan berbasis data.&#13;
&#13;
Kata kunci: Prediksi beban listrik, XGBoost, Time series forecasting, Infrastruktur ketenagalistrikan, PLN UP3 Banda Aceh.&#13;
</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>ELECTRIC POWER - MEASUREMENT</topic>
 </subject>
 <subject authority="">
  <topic>ALGORITHMS</topic>
 </subject>
 <classification>621.374 5</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>1710055</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2026-01-23 10:29:14</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2026-02-09 15:06:49</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>