Perpustakaan Digital ITB
Pertumbuhan ekonomi Indonesia yang pesat telah mendorong peningkatan
signifikan dalam konsumsi energi listrik di berbagai segmen, termasuk rumah
tangga, bisnis, dan industri. Konsumsi energi listrik yang terus meningkat menjadi
tantangan bagi sektor energi dalam menjaga pasokan yang andal dan efisien,
terutama untuk memenuhi kebutuhan rumah tangga sebagai salah satu segmen
pengguna terbesar. Penelitian ini bertujuan untuk membangun model prediksi
konsumsi listrik segmen rumah tangga menggunakan algoritma Long Short-Term
Memory (LSTM), yang dikenal unggul dalam menganalisis data time series,
khususnya dengan pendekatan multivariat. Dengan mempertimbangkan
kompleksitas faktor-faktor yang memengaruhi konsumsi listrik, penelitian ini
berfokus pada identifikasi kombinasi sliding window dan variabel dan yang paling
relevan untuk meningkatkan akurasi prediksi.
Penelitian ini menggunakan enam variabel utama, yaitu konsumsi listrik,
penambahan pelanggan, penambahan daya tersambung, tingkat inflasi, Produk
Domestik Bruto (PDB) konsumsi rumah tangga, dan suhu rata-rata. Data historis
yang digunakan mencakup periode 2004–2023, yang dikumpulkan dari berbagai
sumber resmi seperti PT PLN (Persero), Badan Pusat Statistik (BPS), Bank
Indonesia (BI), dan Climate Change Knowledge Portal. Pendekatan analisis
dimulai dengan eksplorasi korelasi antarvariabel untuk menentukan relevansi
faktor-faktor tersebut terhadap konsumsi listrik rumah tangga. Selanjutnya, data
tersebut diolah untuk melatih model LSTM dalam memprediksi konsumsi listrik
berdasarkan berbagai skenario sliding window, yaitu 1 bulan, 3 bulan, 6 bulan, dan
12 bulan.
Hasil penelitian menunjukkan bahwa kombinasi variabel yang dipilih berdasarkan
analisis korelasi awal berpengaruh signifikan terhadap akurasi model prediksi. Dari
keempat skenario sliding window yang diuji, skenario dengan window size 12 bulan
memberikan hasil terbaik. Kombinasi variabel yang digunakan pada skenario ini
adalah penambahan pelanggan, tingkat inflasi, PDB konsumsi rumah tangga, dan konsumsi energi listrik rumah tangga. Dengan konfigurasi ini, model LSTM
menghasilkan Mean Absolute Percentage Error (MAPE) sebesar 2,44%, yang
menunjukkan tingkat akurasi prediksi yang sangat baik namun cenderung kurang
bisa menangkap pola fluktuatif bulanan.
Penelitian ini juga memberikan wawasan penting tentang pengaruh window size
dalam meningkatkan kemampuan model untuk mengenali pola musiman atau tren
jangka panjang dalam data konsumsi listrik..
Kontribusi penelitian ini tidak hanya terletak pada pengembangan model prediksi
yang akurat, tetapi juga pada implikasinya bagi perencanaan dan pengelolaan
konsumsi energi di masa depan. Model yang diusulkan dapat digunakan sebagai
alat bantu untuk mendukung pengambilan keputusan strategis, baik oleh
pemerintah maupun perusahaan penyedia energi, guna memastikan ketersediaan
listrik yang memadai bagi segmen rumah tangga. Lebih lanjut, temuan ini membuka
peluang untuk pengembangan penelitian serupa pada segmen tarif lainnya, seperti
bisnis, industri, sosial, dan publik. Dengan demikian, penelitian ini tidak hanya
memperkaya literatur akademik tetapi juga memberikan manfaat praktis dalam
mendukung transisi menuju sistem energi yang lebih berkelanjutan di Indonesia.