Analisis Prediktif Peramalan Beban Listrik Dan Klasifikasi Efisiensi Penyulang Dengan Algoritma Random Forest

Sudiro, Decki Resdyanto (2025) Analisis Prediktif Peramalan Beban Listrik Dan Klasifikasi Efisiensi Penyulang Dengan Algoritma Random Forest. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032231120-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Perusahaan kelistrikan di Indonesia merencanakan target kinerja dan mengalokasikan anggaran investasi satu tahun ke depan dengan menyusun dokumen rencana kerja anggaran perusahaan. Metode peramalan beban pada dokumen perencanaan secara konvensional memiliki deviasi 22,05% s.d. 34,05%. Lalu, perbandingan usulan anggaran pada dokumen perencanaan dibandingkan realisasi hanya senilai 20,63% pada tahun 2021 hingga 57,22% pada tahun 2022 dari total anggaran investasi yang diusulkan, untuk itu diperlukan adanya prioritisasi alokasi anggaran. Penelitian ini bertujuan untuk : (1) mengembangkan model prediksi beban listrik pada penyulang untuk menentukan target penjualan dan (2) membuat model klasifikasi untuk memprioritaskan anggaran perbaikan sistem distribusi listrik berdasarkan karakteristik efisiensi penyulang untuk tujuan alokasi anggaran operasional dan investasi yang akurat.
Penelitian ini berfokus pada analisis fitur penyulang dengan-: (1) mengaplikasikan algoritma random forest regression pada peramalan beban listrik dari data kilowatt-hour (kWh) energi jual tahunan dan (2) membuat klasifikasi efisiensi penyulang dengan algoritma random forest classifier. Data yang dianalisis merupakan data fitur penyulang yang dipantau dan terkait langsung dengan kinerja utama perusahaan baik penjualan, keandalan maupun efisiensi.
Penelitian ini menghasilkan MAPE model regresi sebesar 5,7% atau angka ketepatan peramalan hingga 94,3% untuk memprediksi beban listrik selama 12 bulan ke depan. Selain itu, model klasifikasi efisiensi penyulang mencapai akurasi 97,1%. Kedua model tersebut menghasilkan perkiraan angka kesalahan yang berada dalam batas toleransi yang diterima perusahaan sebesar 10% pada proses perencanaan kinerja dan anggaran tahunan. Implikasi manajerial dari penelitian ini adalah memperbaiki nilai akurasi model peramalan beban listrik pada perencanaan kinerja dan anggaran perusahaan sebesar 16,35% hingga 28,35% serta memperbaiki metode prioritisasi anggaran dengan akurasi di atas 90% dan berpotensi menyelamatkan rupiah anggaran operasional maupun investasi perusahaan.
===========================================================================================================================================
Electricity companies in Indonesia plan performance targets and allocate investment budgets for the coming year by preparing corporate budget work plans. Conventional load forecasting methods in planning documents have a deviation of 22.05% to 34.05%. Furthermore, the comparison between the proposed budget in the planning documents and the actual implementation only reached 20.63% in 2021 and 57.22% in 2022 of the total proposed investment budget, thus necessitating the prioritization of budget allocation. This study aims to : (1) develop an electrical load prediction model for feeders to determine sales targets and (2) create a classification model to prioritize the budget for electrical distribution system repairs based on feeder efficiency characteristics for the purpose of accurate operational and investment budget allocation.
This study focuses on analyzing feeder features by: (1) applying the random forest regression algorithm to forecast electrical load from annual energy sales kilowatt-hour (kWh) data and (2) classifying feeder efficiency using the random forest classifier algorithm. The data analyzed consists of feeder’s feature data that is monitored and directly related to the company's key performance indicators, including sales, reliability, and efficiency.
The regression model developed in this study exhibited a mean absolute percentage error (MAPE) of 5.7%, indicating a forecasting accuracy of 94.3% for predicting electricity load over the subsequent 12 months. Furthermore, the efficiency classification model attained an accuracy of 97.1%. During the annual performance planning and budgeting process, both models yielded error estimates that remained within the company's acceptable tolerance limit of 10%. The managerial implications of this study are twofold. Firstly, the accuracy of the electricity load forecasting model in company performance planning and budgeting is improved by 16.35% to 28.35%. Secondly, the budget prioritization method is improved with an accuracy above 90%, which has the potential to save operational and investment budgets.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Machine Learning, Manajerial, Pembuatan Keputusan, Perusahaan Ketenagalistrikan, Random Forest, Decision Making, Electricity Company, Machine Learning, Managerial, Random Forest.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Decki Resdyanto Sudiro
Date Deposited:	29 Jul 2025 06:42
Last Modified:	29 Jul 2025 06:42
URI:	http://repository.its.ac.id/id/eprint/122975

Actions (login required)

View Item