<![CDATA[Peramalan beban listrik memiliki peran yang sangat penting dalam pengelolaan sistem tenaga modern karena hasil prediksi yang akurat berpengaruh langsung terhadap efisiensi operasi, keandalan sistem, perencanaan energi, pengalokasian sumber daya, serta stabilitas smart grid. Seiring meningkatnya kebutuhan listrik dan kompleksitas pola konsumsi energi, metode peramalan berbasis kecerdasan buatan, khususnya deep learning dan hybrid, semakin banyak dikembangkan untuk meningkatkan akurasi prediksi dibandingkan metode konvensional. Penelitian ini bertujuan untuk mengkaji perkembangan metode deep learning dan hybrid dalam peramalan beban listrik dengan fokus pada algoritma yang digunakan, variabel input, serta metrik evaluasi yang diterapkan. Metode penelitian menggunakan Systematic Literature Review (SLR) dengan mengacu pada kerangka PRISMA. Sebanyak 18 artikel ilmiah yang diterbitkan pada periode 2022–2026 dipilih melalui proses identifikasi, penyaringan, dan seleksi dari basis data Google Scholar, MDPI, Frontiers, dan arXiv. Hasil kajian menunjukkan bahwa beban historis, fitur waktu, dan variabel cuaca merupakan variabel input yang paling sering digunakan karena memiliki pengaruh signifikan terhadap pola konsumsi listrik. Dari sisi algoritma, penelitian terbaru menunjukkan pergeseran dari model deep learning tunggal menuju model Transformer dan pendekatan hybrid, seperti CNN-GRU, CNN-LSTM, serta BiLSTM-Transformer, yang terbukti lebih mampu menangkap karakteristik data deret waktu yang kompleks, nonlinier, dan dinamis. Sementara itu, metrik evaluasi yang paling banyak digunakan untuk mengukur performa model adalah Root Mean Square Error (RMSE), Mean Absolute Percentage Error (MAPE), dan Mean Absolute Error (MAE). Temuan penelitian ini menunjukkan bahwa integrasi data multivariat dengan model deep learning hybrid berpotensi meningkatkan akurasi peramalan beban listrik serta menjadi arah pengembangan yang menjanjikan dalam mendukung implementasi sistem smart grid yang lebih efisien, adaptif, dan berkelanjutan.]]>
