<![CDATA[Prediksi konsumsi energi listrik yang akurat sangat penting untuk perencanaan jaringan dan efisiensi pasokan. Penelitian ini membandingkan empat pendekatan, yaitu Deep Feedforward Neural Network (DFFNN), DFFNN dengan Genetic Algorithm (GA), DFFNN dengan Grey Wolf Optimizer (GWO), serta Long Short-Term Memory (LSTM), menggunakan teknik Sliding Window Cross-Validation (SWCV). Tiga skenario evaluasi dilakukan: tanpa SWCV (2015-2018 latih, 2019 uji), SWCV mode 1 (2015-2017 latih, 2018 uji), dan SWCV mode 2 (2016-2018 latih, 2019 uji). Hasil menunjukkan bahwa DFFNN-GWO unggul dalam efisiensi, rata-rata hanya membutuhkan <1.000 iterasi untuk konvergen dengan MSE terbaik mencapai 6.0×10E-5 dan akurasi uji hingga 0,94-0,99. LSTM menunjukkan kestabilan temporal dengan akurasi uji konsisten di atas 0,90, meskipun MSE stagnan di kisaran 0,047. DFFNN-GA menghasilkan prediksi sangat akurat pada beberapa run (AE ? 0,00), tetapi performanya fluktuatif dengan iterasi tinggi hingga >50.000. Sementara itu, DFFNN standar berfungsi sebagai baseline dengan MSE rata-rata ~1.0×10??, namun membutuhkan iterasi 10.000-25.000 untuk stabil. Analisis ketiga skenario menegaskan bahwa kedekatan temporal data latih dengan data uji (seperti pada SWCV mode 2) meningkatkan generalisasi semua model. Secara keseluruhan, kombinasi optimisasi metaheuristik dan validasi temporal terbukti meningkatkan akurasi dan efisiensi prediksi konsumsi energi listrik, dengan GWO menonjol pada efisiensi dan LSTM pada kestabilan jangka panjang.]]>
Copyrights © 2026
