Kebutuhan listrik terus berubah seiring pertumbuhan aktivitas masyarakat dan perkembangan wilayah. Karena itu, kemampuan memperkirakan kebutuhan listrik menjadi penting agar penyediaan energi dapat direncanakan dengan lebih baik. Melihat persoalan tersebut, peneliti dari Universitas Negeri Gorontalo bersama peneliti dari Universiti Utara Malaysia dan Universitas Trisakti mengembangkan metode baru untuk meningkatkan ketepatan prediksi kebutuhan listrik dalam jangka pendek.

Penelitian yang dilakukan oleh Wahab Musa, Ku Ruhana Ku-Mahamud, Sardi Salim, dan Agung Sediyono memanfaatkan data kebutuhan listrik bulanan di Gorontalo selama 2012–2017. Data tersebut kemudian digunakan untuk mengembangkan dan menguji metode prediksi yang menggabungkan dua pendekatan komputasi. Penelitian tersebut diterbitkan dalam Journal of Information and Communication Technology, Volume 23 Nomor 1 Tahun 2024, dengan judul “Hybrid Real-Value-Genetic-Algorithm and Extended-Nelder-Mead Algorithm for Short Term Energy Demand Prediction.”

Hasil penelitian menunjukkan bahwa metode yang dikembangkan mampu memberikan tingkat kesalahan prediksi yang relatif rendah. Model terbaik menghasilkan MAPE sebesar 2,95 persen, dengan nilai MSE 0,13, RMSE 0,36, dan MAD 1,29. Hasil tersebut menunjukkan bahwa metode yang dikembangkan memiliki kinerja lebih baik dibandingkan beberapa metode pembanding yang digunakan dalam penelitian.

Data penelitian juga memperlihatkan adanya peningkatan kebutuhan listrik di Gorontalo. Sebagai gambaran, kebutuhan listrik pada Desember 2012 tercatat sekitar 22,19 GWh, sementara pada Desember 2017 telah mencapai sekitar 43,78 GWh. Kondisi tersebut menunjukkan pentingnya perencanaan kebutuhan energi yang semakin akurat.

Dalam penelitian ini, para peneliti menggabungkan metode Real-Value Genetic Algorithm (RVGA) dengan Extended Nelder-Mead (ENM). Secara sederhana, metode tersebut bekerja dengan mencari berbagai kemungkinan solusi, kemudian memperbaiki hasil terbaik secara bertahap hingga memperoleh prediksi yang lebih akurat.

Penelitian ini diharapkan dapat mendukung upaya perencanaan kebutuhan energi, khususnya dalam memperkirakan kebutuhan listrik bulanan. Dengan prediksi yang lebih baik, perencanaan penyediaan energi dapat dilakukan berdasarkan perkiraan kebutuhan yang lebih terukur.

Penelitian menggunakan 72 data kebutuhan listrik bulanan di Gorontalo periode 2012–2017, yang bersumber dari PT PLN Persero Wilayah Gorontalo. Sebanyak 76 persen data digunakan untuk proses pelatihan dan 24 persen untuk pengujian.

Hasil pengujian menunjukkan metode RVGA-ENM dengan konfigurasi terbaik menghasilkan MAPE 2,95 persen dan menjadi metode dengan kinerja terbaik dalam penelitian tersebut. Ke depan, pendekatan serupa masih dapat dikembangkan untuk membantu perencanaan kebutuhan energi dalam jangka yang lebih panjang.

Sumber: https://e-journal.uum.edu.my/index.php/jict/article/view/20064