SEMARANGUPDATE.COM – Dua dosen muda Fakultas Sains dan Matematika (FSM) Universitas Diponegoro (UNDIP) berhasil mengembangkan riset prediksi beban listrik jangka pendek atau Short-Term Load Forecasting (STLF).
Inovasi ini dirancang untuk mendukung terwujudnya ekosistem kelistrikan masa depan yang lebih cerdas, efisien, dan berkelanjutan.
Penelitian ini dipelopori oleh Henri Tantyoko, S.Kom., M.Kom. dan Satriawan Rasyid Purnama, S.Kom., M.Cs., dengan melibatkan lima orang mahasiswa, yakni Alvin Haristianto, Unggul Adimulia, Keisya Intan Nabila, Happy Desita Widyantari, dan Asy’syifa Shabrina Munir.
Dari riset tersebut, tim sukses menghasilkan dua publikasi jurnal pada ASSET dan satu publikasi konferensi pada ICDXA di periode 2025–2026.
Ketiga publikasi ini menjadi langkah awal dalam mengembangkan sistem prediksi beban listrik berbasis kecerdasan buatan untuk diterapkan pada smart grid.
Henri menjelaskan, akurasi prediksi beban listrik jangka pendek sangat vital bagi operasional sistem tenaga listrik. Hasil prediksi tersebut menjadi basis untuk menjadwalkan pembangkit, mengatur distribusi daya, dan mengelola cadangan listrik.
“Semakin akurat prediksi beban listrik, semakin efisien pula pengelolaan energi dan biaya operasional yang dapat dicapai. Hal ini juga penting untuk menjaga keandalan sistem dalam memenuhi kebutuhan listrik masyarakat,” terang Henri.
Tantangan di era smart grid dan energi terbarukan saat ini adalah pola konsumsi listrik yang sangat dinamis serta produksi energi (seperti surya dan angin) yang berfluktuasi. Guna merespons tantangan itu, tim dosen FSM UNDIP memanfaatkan teknologi machine learning dan deep learning.
Tim memadukan metode Variational Mode Decomposition (VMD) untuk memecah sinyal konsumsi listrik menjadi komponen yang lebih sederhana, yang kemudian dipelajari oleh model Long Short-Term Memory (LSTM) agar pola waktunya dapat dikenali secara presisi.
Dengan mengolah data konsumsi listrik rumah tangga selama satu tahun, metode yang dikembangkan ini terbukti mampu menekan tingkat kesalahan prediksi.
Ke depan, riset ini akan terus difokuskan pada pengembangan sistem prediksi beban listrik dalam smart grid demi mewujudkan efisiensi pengelolaan energi dan mendukung transisi sistem energi masa depan yang berkelanjutan. (*)
