Perpustakaan Digital ITB

Peramalan beban listrik jangka pendek (short-term load forecasting, STLF) merupakan fungsi mendasar dalam operasi sistem tenaga listrik karena menjadi dasar penyusunan Rencana Operasi Harian serta penyeimbangan pasokan dan permintaan. Namun, data beban bersifat non-stasioner. Distribusi data bergeser seiring waktu (concept drift), membuat model statis yang tidak diperbarui mengalami penurunan akurasi secara bertahap meskipun akurasi awalnya tinggi. Pada sistem kelistrikan Sulawesi Utara dan Gorontalo (SulutGo), pergeseran distribusi beban berlangsung sekitar tiga kali lebih cepat dibandingkan data rujukan, sehingga evaluasi statis tidak lagi memadai. Arsitektur hybrid CEEMDAN-LSTM-DNM (CLDNM) terbukti akurat untuk STLF, tetapi masih dievaluasi pada skenario pelatihan statis (offline). Di sisi lain, kerangka kerja continual learning berbasis deteksi concept drift (CDD-CL) efektif mengatasi degradasi akibat drift. Akan tetapi, urutan kesesuaian metodenya ditetapkan pada arsitektur LSTM tunggal di level mesin industri, belum pada arsitektur hybrid berbasis dekomposisi maupun beban sistem kelistrikan. Kebaruan penelitian ini terletak pada integrasi arsitektur CLDNM ke dalam kerangka CDD-CL berbasis regularisasi yang dipantau melalui Drift Detection Method (DDM), suatu penggabungan yang belum pernah dilakukan pada penelitian terdahulu. Penggabungan ini tidak bersifat langsung, karena penggantian arsitektur dasar dari LSTM tunggal menjadi CLDNM mengubah objek yang dikenai continual learning dari satu model menjadi sekumpulan sub-model yang memodelkan komponen dekomposisi berbeda skala frekuensi. Penelitian ini bertujuan menghasilkan model STLF yang adaptif terhadap concept drift beserta rekomendasi metode regularisasi yang paling sesuai untuk CLDNM. Rekomendasi diperoleh dengan menganalisis perubahan perilaku metode ketika arsitektur dasar diganti dari LSTM tunggal menjadi CLDNM. Lima metode regularisasi dibandingkan, yaitu Elastic Weight Consolidation (EWC), Online EWC (OEWC), Synaptic Intelligence (SI), Memory Aware Synapses (MAS), dan Learning without Forgetting (LWF). Metodologi mengikuti proses Cross-Industry Standard Process for Data Mining (CRISP-DM), dengan tahap deployment diperluas oleh kerangka CDD-CL untuk pemantauan dan pemeliharaan model. Data yang digunakan adalah beban operasional PLN sistem SulutGo beresolusi 30 menit periode Januari 2024 sampai November 2025 sebanyak 33.552 titik. Deret beban didekomposisi menggunakan CEEMDAN menjadi 14 Intrinsic Mode Function dan satu residu. Tiap komponen dimodelkan dengan kombinasi LSTM dan Dendritic Neuron Model (DNM). Eksperimen disusun dalam dua skenario. Skenario 1 memvalidasi dan menstabilkan baseline CLDNM secara offline dengan pembagian kronologis. Skenario 2 mengevaluasi integrasi continual learning dengan pembagian berbasis fase (warm-up, stream, dan test). Akurasi diukur dengan MAE, RMSE, MAPE, dan R², sedangkan retensi dan transfer pengetahuan diukur dengan Backward Transfer (BWT) dan Forward Transfer (FWT). Hasil eksperimen menunjukkan bahwa urutan kesesuaian metode regularisasi berubah ketika arsitektur dasar diganti menjadi CLDNM. Berbeda dari penelitian Zink dkk. (2025) yang menempatkan SI dan MAS sebagai metode terbaik pada arsitektur LSTM tunggal, pada arsitektur CLDNM hanya MAS yang tetap teratas dengan MAPE fase uji 1,336%, diikuti EWC (1,364%), sedangkan SI justru melemah dan LWF menjadi satu-satunya metode yang lebih buruk daripada baseline naive (1,579%). Seluruh instans adaptif mengungguli pendekatan offline (MAPE 3,093%), dengan MAS menekan galat sekitar 57%. Temuan ini menunjukkan bahwa kesesuaian metode regularisasi bergantung pada arsitektur dasar, sehingga hasil yang ditetapkan pada satu model tidak dapat langsung dipindahkan ke arsitektur berbasis dekomposisi. Sebagai sumbangan metodologis, penelitian ini menemukan bahwa kriteria pemilihan metode berbasis fase stream belum dapat diandalkan sebagai proksi kinerja uji, sehingga mengarahkan pada perlunya frozen validation window yang terpisah dari fase stream maupun uji. Dengan demikian, penelitian ini menyumbang pemahaman bahwa penerapan continual learning pada arsitektur dekomposisi memerlukan evaluasi ulang terhadap pemilihan metode, tidak cukup mengadopsi hasil dari arsitektur yang lebih sederhana.