PERAMALAN BEBAN JANGKA PENDEK DENGAN METODE BACKPROPAGATION NEURAL NETWORK PADA TRANSFORMATOR 150 kV GARDU INDUK WARU PT. PLN (Persero) BERDASARKAN FAKTOR BEBAN

Abstract

Peramalan beban listrik jangka pendek menjadi aspek penting dalam pengelolaan sistem tenaga listrik untuk menghindari beban lebih pada transformator yang dapat menyebabkan penurunan efisiensi hingga kerusakan peralatan. Penelitian ini bertujuan untuk mengembangkan model prediksi beban jangka pendek menggunakan metode Backpropagation Neural Network (BPNN) pada transformator 150 kV di Gardu Induk Waru, PT PLN (Persero), dengan mempertimbangkan faktor beban. Data yang digunakan mencakup daya aktif, daya reaktif, arus, dan faktor beban yang dicatat setiap 30 menit selama periode 1–7 Desember 2024. Pemodelan dilakukan dengan arsitektur jaringan saraf tiruan satu hidden layer yang terdiri dari lima neuron dan dilatih menggunakan algoritma Levenberg-Marquardt dengan 250 epoch. Hasil simulasi menunjukkan bahwa model BPNN mampu memberikan akurasi prediksi tinggi dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,48% dan Mean Squared Error (MSE) sebesar 0,0612. Temuan ini menunjukkan bahwa BPNN efektif dalam melakukan peramalan beban jangka pendek dan dapat diimplementasikan sebagai alat bantu pengambilan keputusan dalam perencanaan sistem tenaga listrik.