Pemodelan Prediksi Peramalan Kebutuhan Beban Listrik Menggunakan metode CNN-BiLSTM berdasarkan Peak Load Pada Konsumen Sektor Rumah Tangga.

Predictive Modeling of Electricity Load Demand Forecasting Using the CNN-BiLSTM method based on Peak Load in Household Sector Consumers.

Abstrak

Peningkatan kebutuhan energi listrik pada sektor rumah tangga menuntut adanya sistem peramalan beban listrik yang akurat dan responsif, khususnya dalam menghadapi fluktuasi beban puncak (peak load). Penelitian ini bertujuan untuk mengembangkan model prediksi kebutuhan beban listrik jangka pendek menggunakan metode hybrid Convolutional Neural Network dan Bidirectional Long Short-Term Memory (CNN-BiLSTM) pada konsumen sektor rumah tangga di Kecamatan Mojowarno, Kabupaten Jombang. Model ini dirancang untuk meningkatkan akurasi prediksi terhadap pola konsumsi listrik yang bersifat dinamis, non-linear, dan dipengaruhi oleh berbagai faktor temporal serta kondisi lingkungan.

Metode penelitian menggunakan pendekatan kuantitatif dengan tahapan meliputi pra-pemrosesan data, normalisasi, pembentukan data deret waktu menggunakan teknik sliding window, pembagian data menjadi data pelatihan, validasi, dan pengujian, serta proses pelatihan model menggunakan algoritma optimasi Adam. CNN digunakan untuk mengekstraksi fitur lokal dari data konsumsi listrik, sedangkan BiLSTM digunakan untuk menangkap hubungan temporal dua arah pada data deret waktu. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE).

Hasil penelitian menunjukkan bahwa model CNN-BiLSTM mampu memberikan performa prediksi yang baik dalam peramalan kebutuhan beban listrik jangka pendek, terutama pada kondisi beban puncak rumah tangga. Kombinasi CNN dan BiLSTM terbukti efektif dalam menangkap pola konsumsi listrik yang kompleks dan fluktuatif dibandingkan metode konvensional. Model ini diharapkan dapat membantu penyedia layanan listrik dalam melakukan perencanaan distribusi energi yang lebih efisien, mengurangi risiko overload, serta meningkatkan keandalan sistem kelistrikan.

Kata kunci: Peramalan Beban Listrik, CNN-BiLSTM, Peak Load, Deep Learning, Rumah Tangga, Short-Term Load Forecasting.

Abstract

The increasing demand for electrical energy in the household sector requires an accurate and responsive electrical load forecasting system, especially in dealing with peak load fluctuations. This study aims to develop a short-term electrical load forecasting model using a hybrid Convolutional Neural Network and Bidirectional Long Short-Term Memory (CNN-BiLSTM) method for household consumers in Mojowarno District, Jombang Regency. The model is designed to improve prediction accuracy for electricity consumption patterns that are dynamic, non-linear, and influenced by various temporal and environmental factors.

This research employed a quantitative approach with several stages, including data preprocessing, normalization, time-series data formation using the sliding window technique, data splitting into training, validation, and testing datasets, and model training using the Adam optimization algorithm. CNN was utilized to extract local features from electricity consumption data, while BiLSTM was applied to capture bidirectional temporal relationships within the time-series data. Model evaluation was conducted using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE).

The results indicate that the CNN-BiLSTM model provides good predictive performance for short-term electrical load forecasting, particularly under household peak load conditions. The combination of CNN and BiLSTM proved effective in capturing complex and fluctuating electricity consumption patterns compared to conventional methods. This model is expected to assist electricity providers in planning more efficient energy distribution, reducing the risk of overload, and improving the reliability of electrical power systems.

Keywords: Electrical Load Forecasting, CNN-BiLSTM, Peak Load, Deep Learning, Household Sector, Short-Term Load Forecasting.