Model Ensemble Gradient Boosting untuk Peramalan Konsumsi Listrik Harian Berbasis Fitur Cuaca dan Waktu

Abstract

Perkembangan sistem tenaga listrik global di era transisi energi saat ini ditandai oleh peningkatan permintaan listrik yang sangat pesat serta kompleksitas operasional yang belum pernah terjadi sebelumnya. Laporan International Energy Agency (IEA) pada tahun 2025 melaporkan bahwa konsumsi listrik dunia diproyeksikan tumbuh sekitar 3,3% pada tahun 2025 dan meningkat menjadi 3,7% pada tahun 2026, sebuah laju yang lebih dari dua kali lipat pertumbuhan permintaan energi total. Di Indonesia, data resmi Kementerian ESDM menunjukkan bahwa konsumsi listrik per kapita terus meningkat seiring dengan ekspansi program elektrifikasi dan integrasi sumber energi terbarukan seperti tenaga surya dan angin yang semakin masif. Namun, integrasi ini membawa tantangan tersendiri; sifat intermiten dari energi terbarukan menuntut presisi tinggi dalam perencanaan beban untuk menjaga keseimbangan supply-demand. Ketidakakuratan dalam peramalan beban listrik jangka pendek (Short-Term Load Forecasting, STLF) berpotensi menyebabkan inefisiensi biaya cadangan yang berlebihan atau risiko kekurangan pasokan yang berdampak fatal pada stabilitas frekuensi sistem. Penelitian ini bertujuan untuk mengembangkan model peramalan konsumsi listrik harian per kluster pelanggan menggunakan pendekatan ensemble machine learning yang menggabungkan kekuatan dua algoritma Gradient Boosting terkemuka, yaitu LightGBM dan XGBoost, yang dibandingkan dengan Regresi Linier sebagai baseline. Dataset yang digunakan berasal dari kompetisi peramalan beban listrik (Electric Energy Consumption Forecast) yang mencakup 15.088 baris data harian untuk periode 2014–2021, dengan variabel target konsumsi listrik serta 14 prediktor meteorologis lengkap, termasuk suhu, radiasi matahari, dan kecepatan angin. Metodologi penelitian mengikuti kerangka standar CRISP-DM, meliputi tahapan pembersihan data yang ketat, rekayasa fitur kalender, transformasi fitur siklis (sinus-kosinus) untuk menjaga kontinuitas temporal data waktu, fitur lag autoregresif untuk menangkap inersia beban, dan statistik bergulir. Hasil evaluasi menggunakan skema hold-out berbasis waktu menunjukkan bahwa model ensemble memberikan kinerja superior dengan RMSE 17,30 kWh, MAE 12,14 kWh, MAPE 2,03%, dan nilai R² mencapai 0,9960. Lebih lanjut, evaluasi menggunakan MASE sebesar 0,0383 membuktikan model ini jauh lebih akurat dibanding metode naif, memberikan nilai tambah informasi yang signifikan bagi operator. Analisis feature importance mengungkapkan bahwa konsumsi listrik masa lalu (lag_1 dan lag_7) adalah prediktor paling dominan, diikuti oleh fitur hari dalam minggu dan suhu maksimum. Temuan ini menegaskan bahwa penggabungan model Gradient Boosting dengan rekayasa fitur domain-spesifik mampu meningkatkan akurasi peramalan beban listrik secara signifikan dan siap diimplementasikan untuk mendukung efisiensi operasional utilitas listrik modern.