SEMARANG, HELOINDONESIA.COM - Dua dosen muda Fakultas Sains dan Matematika (FSM) Universitas Diponegoro (Undip) mengembangkan riset prediksi beban listrik jangka pendek atau Short-Term Load Forecasting (STLF) untuk mendukung sistem kelistrikan masa depan yang lebih cerdas, efisien, dan berkelanjutan.
Riset tersebut dikembangkan oleh Henri Tantyoko SKom MKom. bersama Satriawan Rasyid Purnama SKom MCs. dengan melibatkan mahasiswa Alvin Haristianto, Unggul Adimulia, Keisya Intan Nabila, Happy Desita Widyantari, dan Asy’syifa Shabrina Munir.
Baca juga: Perkuat Kolaboratif Bidang Industri, FE USM Gandeng PT Jordan Citra Niaga
Melalui penelitian tersebut, tim berhasil menghasilkan dua publikasi jurnal dan satu publikasi konferensi. Publikasi jurnal diterbitkan pada ASSET pada periode 2025–2026, sedangkan publikasi konferensi dipresentasikan pada ICDXA pada periode yang sama. Kedua publikasi tersebut menjadi langkah awal pengembangan sistem prediksi beban listrik berbasis kecerdasan buatan yang dapat diterapkan dalam ekosistem smart grid.
Henri menjelaskan, prediksi beban listrik jangka pendek memiliki peran penting dalam operasional sistem tenaga listrik. Hasil prediksi dapat digunakan sebagai dasar penjadwalan pembangkit, pengaturan distribusi daya, hingga pengelolaan 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,” jelas dia dalam keterangannya Selasa 7 Juli 2026.
Perkembangan smart grid dan meningkatnya pemanfaatan energi terbarukan menghadirkan tantangan baru dalam prediksi beban listrik. Pola konsumsi listrik kini semakin dinamis karena dipengaruhi aktivitas masyarakat, kondisi cuaca, serta karakteristik wilayah. Di sisi lain, sumber energi terbarukan seperti surya dan angin memiliki produksi yang fluktuatif.
Baca juga: Terkait Imbas OTT Muara Enim, Ini Tanggapan Ketua BPK Lampung
Untuk menjawab tantangan prediksi kebutuhan energi listrik yang semakin dinamis, tim dosen muda dari FSM Undip mengembangkan riset berbasis kecerdasan buatan dengan memanfaatkan pendekatan machine learning dan deep learning.
Salah satu pendekatan yang digunakan adalah kombinasi Variational Mode Decomposition (VMD) dan Long Short-Term Memory (LSTM). Metode VMD digunakan untuk menguraikan sinyal konsumsi listrik menjadi beberapa komponen yang lebih sederhana. Selanjutnya, setiap komponen dipelajari oleh model LSTM agar pola temporal konsumsi listrik dapat dikenali dengan lebih baik.
Penelitian ini mengolah data konsumsi listrik rumah tangga selama satu tahun untuk menghasilkan prediksi yang lebih akurat dan efisien. Hasil riset menunjukkan bahwa metode yang dikembangkan mampu menurunkan tingkat kesalahan prediksi, sekaligus mendorong pengembangan model yang lebih ringan agar dapat diterapkan pada sistem kelistrikan modern, termasuk smart grid.
Ke depan, riset ini akan diarahkan pada pengembangan sistem prediksi beban listrik dalam smart grid. Sistem tersebut diharapkan dapat membantu pengelolaan energi listrik secara lebih efisien, adaptif, dan mendukung transisi menuju sistem energi masa depan yang berkelanjutan. (Aji)
