IMPLEMENTASI DAN EVALUASI KINERJA MODEL DEEP LEARNING TIME SERIES DALAM DASHBOARD SISTEM INFORMASI UNTUK PREDIKSI KONSUMSI LISTRIK KOTA MAKASSAR=IMPLEMENTATION AND PERFORMANCE EVALUATION OF THE DEEP LEARNING TIME SERIES MODEL IN THE INFORMATION SYSTEM DASHBOARD FOR PREDICTING ELECTRICITY CONSUMPTION IN MAKASSAR CITY


ANDINY, ZABRYNA (2026) IMPLEMENTASI DAN EVALUASI KINERJA MODEL DEEP LEARNING TIME SERIES DALAM DASHBOARD SISTEM INFORMASI UNTUK PREDIKSI KONSUMSI LISTRIK KOTA MAKASSAR=IMPLEMENTATION AND PERFORMANCE EVALUATION OF THE DEEP LEARNING TIME SERIES MODEL IN THE INFORMATION SYSTEM DASHBOARD FOR PREDICTING ELECTRICITY CONSUMPTION IN MAKASSAR CITY. Skripsi thesis, Universitas Hasanuddin.

[thumbnail of COVER] Image (COVER)
H071221066-OEftpg09wZR18oBA-20260211120123.png

Download (115kB)
[thumbnail of BAB 1-2] Text (BAB 1-2)
H071221066-1-2.pdf

Download (521kB)
[thumbnail of DAPUS] Text (DAPUS)
H071221066-dp.pdf

Download (115kB)
[thumbnail of FULL TEKS] Text (FULL TEKS)
H071221066-fullll.pdf
Restricted to Repository staff only until 29 January 2028.

Download (2MB)

Abstract (Abstrak)

Latar belakang. Konsumsi listrik di Kota Makassar terus meningkat seiring pertumbuhan jumlah pelanggan, sehingga menimbulkan kebutuhan prediksi yang akurat untuk mendukung perencanaan distribusi dan pengelolaan energi listrik. Metode konvensional seperti ARIMA dan regresi linear memiliki keterbatasan dalam menangani pola nonlinear serta ketergantungan jangka panjang pada data konsumsi listrik. Pendekatan deep learning, khususnya Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), mampu mempelajari pola temporal kompleks dan ketergantungan jangka panjang, sehingga menjadi alternatif yang efektif untuk prediksi konsumsi listrik. Tujuan. Penelitian ini bertujuan membangun dan mengevaluasi model prediksi konsumsi listrik di Kota Makassar menggunakan LSTM dan GRU, serta menyajikan hasil prediksi melalui dashboard sistem informasi berbasis Streamlit. Metode. Data historis bulanan konsumsi listrik dari PT PLN (Persero) Unit Induk Wilayah Sulselrabar, dengan total 136 baris data yang mencakup wilayah UP3 Makassar Utara dan Selatan, digunakan untuk melatih dan menguji model. Kinerja model dievaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE). Hasil. Hasil penelitian menunjukkan bahwa model GRU dengan batch size 32 memberikan performa terbaik secara konsisten pada kedua wilayah. Pada wilayah UP3 Makassar Selatan, model ini mencapai MAPE sebesar 4,09% dengan 124 epoch, sedangkan di UP3 Makassar Utara diperoleh MAPE 6,39% dengan 223 epoch. Perbedaan jumlah epoch menunjukkan bahwa karakteristik pola konsumsi listrik berbeda di tiap wilayah, sehingga memengaruhi proses pembelajaran model. Kesimpulan. GRU dengan konfigurasi yang tepat mampu memprediksi konsumsi listrik secara akurat, dan implementasi dashboard interaktif memungkinkan visualisasi yang informatif untuk mendukung analisis dan pengambilan keputusan terkait pengelolaan energi listrik.

Item Type: Thesis (Skripsi)
Uncontrolled Keywords: Prediksi konsumsi listrik; Deep Learning; LSTM; GRU; Streamlit
Subjects: T Technology > T Technology (General)
Divisions (Program Studi): Fakultas Matematika dan Ilmu Peng. Alam > Sistem Informasi
Depositing User: Unnamed user with username pkl2
Date Deposited: 10 Sep 2026 05:23
Last Modified: 10 Sep 2026 05:23
URI: http://repository.unhas.ac.id:443/id/eprint/57589

Actions (login required)

View Item
View Item