<![CDATA[Penelitian ini bertujuan merancang sistem prediksi kebutuhan energi listrik harian dengan algoritma Long Short-Term Memory (LSTM) sebagai inti pemrosesan deret waktu. Pengembangan mengikuti model Waterfall, mencakup analisis kebutuhan, perancangan arsitektur, implementasi, dan pengujian. Akurasi prediksi sangat penting bagi keandalan pasokan listrik, sementara metode konvensional sering gagal menangkap pola non-linier dan ketergantungan temporal jangka panjang. Dalam fase pengujian, tiga konfigurasi parameter lookback (30, 60, 90 hari) diuji untuk menentukan konfigurasi dengan kesalahan terkecil. Dataset publik Australian Energy Market Operator (AEMO) digunakan, berisi 1.096 data harian dari Mei 2023 hingga April 2026. Data dinormalisasi dengan Min-Max dan dibentuk menjadi sekuens, lalu divalidasi secara berurutan menggunakan mekanisme Walk-Forward Validation. Evaluasi menggunakan lookback 30 hari menghasilkan nilai rata-rata validasi terbaik dengan Mean Absolute Error (MAE) 400.00 MW, Root Mean Squared Error (RMSE) 514.00 MW, dan Mean Absolute Percentage Error (MAPE) 5,40%. Performa ini juga lebih unggul dibandingkan model ARIMA (MAPE 11,69%) dan GRU (MAPE 8,40%) yang diuji sebagai model pembanding pada skema validasi yang sama. Sistem mampu mengikuti pola musiman dengan presisi, meski cenderung underestimasi pada beban puncak ekstrem akibat sifat univariat. Dari perspektif pengembangan perangkat lunak, sistem memenuhi kebutuhan fungsional dan terbukti layak sebagai perangkat pendukung keputusan untuk mengoptimalkan penjadwalan pembangkitan listrik secara praktis.]]>
