Perpustakaan Digital ITB

Dalam sistem kelistrikan, transformator (trafo) distribusi memiliki peran penting dalam menyalurkan energi listrik dari tegangan tinggi ke tegangan rendah sesuai kebutuhan pelanggan. Ketepatan perencanaan kebutuhan trafo distribusi menjadi krusial mengingat pola konsumsi energi yang dinamis dan fluktuatif. Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan trafo distribusi berbasis algoritma Long Short-Term Memory (LSTM) dengan dan tanpa integrasi dekomposisi wavelet untuk meningkatkan akurasi prediksi. Data historis dari riwayat pemakaian trafo distribusi periode 2013–2023 yang diperoleh dari aplikasi SAP ERP dianalisis menggunakan pendekatan kuantitatif dan uji stasioneritas. Model LSTM digunakan untuk memprediksi kebutuhan trafo dengan berbagai kapasitas (50 kVA, 100 kVA, 160 kVA, dan 250 kVA). Integrasi dekomposisi wavelet dilakukan untuk memisahkan komponen tren utama (lowfrequency) dan fluktuasi (high-frequency), guna mengurangi noise pada data. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Relative Mean Absolute Error (RelMAE), dan Symmetric Mean Absolute Percentage Error (SMAPE). Hasil penelitian menunjukkan bahwa integrasi dekomposisi wavelet pada LSTM menghasilkan peningkatan akurasi signifikan, dengan MAE terbaik sebesar 3,00 pada kapasitas trafo 250 kVA. Model Stacked LSTM menunjukkan performa unggul pada kapasitas trafo 50 kVA (MAE 1,51) dan 100 kVA (MAE 3,19), sedangkan Simple LSTM memberikan hasil terbaik pada kapasitas trafo 160 kVA (MAE 2,14). Evaluasi menggunakan RelMAE menunjukkan bahwa model prediksi memiliki tingkat error yang lebih rendah dibandingkan standar deviasi data dengan nilai 0,61 (250 kVA), 0,63 (100 kVA), 0,69 (160 kVA), dan 0,89 (50 kVA). Han ini menegaskan bahwa model mampu menghasilkan prediksi yang baik dalam menanggulangi shortage trafo di PLN UP3 Balikpapan.