<![CDATA[Pengelolaan energi listrik pada lini produksi merupakan faktor penting dalam efisiensi biaya operasional dan keberlanjutan industri manufaktur. Beban listrik lini produksi bersifat nonlinier dan fluktuatif karena dipengaruhi pola operasi sif, jadwal produksi, dan perilaku mesin, sehingga sulit diprediksi menggunakan metode statistik konvensional. Penelitian ini menerapkan model deep learning Long Short-Term Memory (LSTM) untuk peramalan beban listrik jangka pendek satu jam ke depan. Data yang digunakan adalah dataset publik ElectricityLoadDiagrams (Trindade, 2015) dari UCI Machine Learning Repository versi agregasi per jam yang memuat 321 pelanggan selama 2012-2014; satu pelanggan dengan profil industri dan autokorelasi harian tinggi (0,984) dipilih sebagai representasi beban lini produksi. Data diproses melalui pembersihan, standardisasi Z-score, penambahan fitur kalender, dan pembentukan sliding window 24 jam. Model LSTM dilatih menggunakan algoritma Adam dan dibandingkan dengan ARIMA serta Multilayer Perceptron (MLP). Hasil pengujian pada 3.946 titik data menunjukkan model LSTM memberikan akurasi terbaik dengan MAPE 6,83%, lebih rendah dibanding ARIMA (7,31%) dan MLP (10,07%), serta koefisien korelasi 0,99 terhadap data aktual. Temuan ini menunjukkan LSTM mampu menangkap ketergantungan temporal beban listrik sehingga dapat mendukung perencanaan produksi, penjadwalan beban, dan efisiensi energi dalam manajemen industri.]]>
Copyrights © 2026
