Implementasi Metode Hybrid Backpropagation Neural Network dan Particle Swarm Optimization untuk Prediksi Konsumsi Listrik Rumah Tangga Berdasarkan Golongan Tarif : Implementation of Hybrid Backpropagation Neural Network and Particle Swarm Optimization for Predicting Household Electricity Consumption Based On Tariff Categories

Yuni Artha Chyntia Saragih (Institut Teknologi Sepuluh Nopember)
Erma Suryani (Institut Teknologi Sepuluh Nopember)

Malcom: Indonesian Journal of Machine Learning and Computer Science
Vol. 6 No. 2 (2026): MALCOM April 2026

Konsumsi listrik pada sektor rumah tangga terus meningkat seiring dengan pertumbuhan penduduk dan perkembangan sosial ekonomi. Penelitian ini mengusulkan model peramalan hybrid yang mengintegrasikan Backpropagation Neural Network (BPNN) dengan Particle Swarm Optimization (PSO) untuk meningkatkan akurasi prediksi konsumsi listrik rumah tangga berdasarkan golongan tarif. Data historis penjualan listrik bulanan periode 2020 sampai dengan 2024 digunakan sebagai dataset, yang mencakup jumlah pelanggan, daya tersambung, dan konsumsi energi. Hasil penelitian menunjukkan bahwa model BPNN–PSO memiliki kinerja yang lebih baik dibandingkan dengan BPNN murni. Proses optimasi berhasil menurunkan nilai Mean Absolute Percentage Error (MAPE) dari 57,97% menjadi 46,38% serta meningkatkan nilai koefisien determinasi (R²) dari –0,2403 menjadi 0,1831. Model yang diusulkan kemudian digunakan untuk memproyeksikan kebutuhan listrik periode 2025–2029 dan menunjukkan adanya tren pertumbuhan yang konsisten. Temuan ini membuktikan bahwa pendekatan hybrid BPNN–PSO dapat menjadi alat peramalan yang lebih andal dalam mendukung perencanaan dan pengambilan keputusan di sektor ketenagalistrikan.