Dukung Smart Grid, Dua Dosen Muda FSM UNDIP Kembangkan Riset Prediksi Beban Listrik

Semarang (USMNEWS) – 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, S.Kom., M.Kom. bersama Satriawan Rasyid Purnama, S.Kom., M.Cs. dengan melibatkan mahasiswa Alvin Haristianto, Unggul Adimulia, Keisya Intan Nabila, Happy Desita Widyantari, dan Asy’syifa Shabrina Munir.

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,” jelasnya.

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.

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.