Perpustakaan Digital ITB

Penelitian ini berfokus pada konsumsi listrik pelanggan industri dengan kapasitas daya di atas 240.000 VA pada periode Januari 2019 – Mei 2024. Model Long Short-Term Memory (LSTM) digunakan sebagai metode utama dalam prediksi konsumsi listrik karena kemampuannya dalam menangkap pola hubungan temporal jangka panjang pada data deret waktu. Namun, tantangan utama dalam prediksi ini adalah pola konsumsi listrik yang tidak linier dan tidak stasioner, yang dapat mengurangi akurasi model. Untuk mengatasi tantangan tersebut, penelitian ini menerapkan teknik dekomposisi seperti Empirical Mode Decomposition (EMD) dan Seasonal-Trend Decomposition using LOESS (STL) guna memecah data konsumsi listrik menjadi komponen yang lebih mudah dipahami. Hasil dekomposisi EMD berupa Intrinsic Mode Function (IMF) dan STL yang terdiri dari tren, musiman, dan residu, kemudian dimodelkan menggunakan LSTM agar dapat menangkap pola dan ketergantungan data dengan lebih baik. Setelah setiap komponen diprediksi secara terpisah, hasilnya digabungkan kembali untuk membentuk total prediksi konsumsi listrik secara keseluruhan. Selain itu, penelitian ini juga mengimplementasikan algoritma genetika (GA) untuk melakukan optimasi hyperparameter secara otomatis, termasuk jumlah neuron pada hidden layer, dropout, learning rate, windowing, serta jumlah epoch. Hasil penelitian menunjukkan bahwa model LSTM dengan kombinasi teknik dekomposisi dan algoritma genetika mampu meningkatkan akurasi prediksi dibandingkan dengan model LSTM biasa. Pada industri peternakan, yang memiliki karakteristik data non-linier dan tidak stasioner, model terbaik adalah GA-EMD-LSTM dengan akurasi RMSE 1662.24 (meningkat , MAPE 2,37 dan CC 0.91. Sementara itu, pada industri pertanian, yang memiliki karakteristik non-linier dan stasioner, model terbaik adalah GA-STL-LSTM, dengan nilai RMSE 3335.80, MAPE 6.25 dan CC 0.96. Hasil ini membuktikan bahwa pendekatan berbasis dekomposisi dan algoritma genetika dapat secara efektif meningkatkan kinerja model LSTM dalam memprediksi konsumsi listrik industri.