Prediksi Kebutuhan Energi Listrik Lima Tahun ke Depan di Kabupaten Jember Menggunakan LSTM dan GRU

Abstract

Kebutuhan energi listrik di Kabupaten Jember terus meningkat seiring pertumbuhan jumlah pelanggan, kapasitas daya tersambung, dan aktivitas ekonomi daerah. Perencanaan pasokan listrik jangka panjang oleh PLN dan pemerintah daerah memerlukan prediksi kebutuhan energi listrik yang akurat sebagai dasar pengambilan keputusan investasi infrastruktur. Karakteristik konsumsi listrik yang nonlinear, musiman, dan dipengaruhi berbagai faktor eksternal seperti pertumbuhan ekonomi dan iklim menjadikan forecasting jangka panjang (5 tahun ke depan) sebagai tantangan tersendiri. Penelitian ini bertujuan mengukur dan membandingkan performa dua arsitektur deep learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi kebutuhan energi listrik di Kabupaten Jember, menentukan tingkat akurasi prediksi yang dihasilkan, serta mengidentifikasi kombinasi fitur dan model yang paling unggul di antara keduanya. Penelitian menggunakan data sekunder deret waktu bulanan periode Januari 2015 hingga Juni 2025 dari UP3 PLN Jember, BPS Kabupaten Jember, dan Pos Meteorologi Jember, meliputi konsumsi listrik, daya tersambung, Produk Domestik Regional Bruto (PDRB), dan suhu rata-rata. Data PDRB triwulanan didisagregasi menjadi bulanan menggunakan metode Denton-Cholette (DC), dilanjutkan penanganan missing value, deteksi outlier, dan standarisasi Robust Scaler. Delapan kombinasi variabel (VC1-VC8) dibentuk dari kombinasi ketiga variabel eksogen tersebut bersama konsumsi listrik sebagai target. Setiap kombinasi dioptimasi menggunakan random search hyperparameter tuning dengan skema 24-fold walkforward validation (WFV) horizon satu bulan, menghasilkan 160 trial random search. Model terbaik tiap kombinasi variabel dipilih melalui ranking RMSE dan refinement threshold 2% dengan MAE sebagai tie breaker, kemudian dievaluasi pada test set 24-fold WFV serta digunakan untuk forecasting 60 bulan ke depan, dengan variabel kovariat diproyeksikan menggunakan Linear Regression, STL Extrapolation, dan Seasonal Naive.