Perpustakaan Digital ITB

Untuk memenuhi kebutuhan listrik Indonesia yang terus meningkat, PT PLN (Persero) menerapkan langkah-langkah penting berdasarkan Peraturan Menteri Energi dan Sumber Daya Mineral No. 20 Tahun 2020 tentang Aturan Jaringan Sistem Tenaga Listrik. Salah satu dari Aturan Jaringan adalah Scheduled and Dispatch Code (SDC), yang memastikan kesiapan dan efisiensi sistem. Prediksi beban yang akurat, yang merupakan bagian penting dari SDC, masih menjadi tantangan karena keterbatasan metode tradisional yang mengandalkan persentase pertumbuhan periode sebelumya. Penelitian ini menggunakan model pembelajaran mendalam, yaitu Multi-Layer Perceptron (MLP) dan Long Short-Term Memory (LSTM), untuk meningkatkan akurasi peramalan pada sistem Jayapura dan Sorong. Data SCADA Januari 2020-Agustus 2024 digunakan dengan penyesuaian hyperparameter melalui pencarian grid. Evaluasi model menunjukkan LSTM unggul dibanding MLP, dimana paada sistem Jayapura, LSTM memiliki MAE 1.0519, RMSE 1.6528, dan MAPE 0.0135, sedikit lebih baik dari MLP dengan MAE 1.0597, RMSE 1.6804, dan MAPE 0.0136. Di sistem Sorong, LSTM juga lebih baik dengan MAE 1.3782, RMSE 1.8657, dan MAPE 0.0333, dibanding MLP dengan MAE 1.6192, RMSE 2.1661, dan MAPE 0.0390. Hasil ini menunjukkan LSTM memberikan prediksi yang lebih akurat dalam perencanaan beban. LSTM juga mengurangi kesalahan prediksi dibanding metode manual, dengan pengurangan kesalahan (Error Reduction) 70,6% di Jayapura dan 53,5% di Sorong. Temuan ini menunjukkan potensi LSTM dalam meningkatkan akurasi dan efisiensi perencanaan operasional untuk sistem tenaga listrik yang lebih andal dan ekonomis.