Perbandingan Kinerja Jaringan Saraf Tiruan dan Seasonal Naïve Dalam Peramalan Konsumsi Listrik Bulanan Rumah Tangga: Studi Walk-Forward Validation

Abstract

Penelitian ini bertujuan untuk membandingkan kinerja Jaringan Saraf Tiruan (Artificial Neural Network/ANN) dan metode Naïve dalam peramalan konsumsi listrik bulanan rumah tangga. Data yang digunakan merupakan deret waktu bulanan periode Januari 2020 hingga Desember 2024 sebanyak 60 observasi. Model ANN dibangun menggunakan pendekatan Multi-Layer Perceptron dengan fitur berbasis lag hingga 12 bulan, sedangkan metode pembanding meliputi Naïve-1 dan Seasonal Naïve-12. Evaluasi dilakukan menggunakan dua pendekatan, yaitu test set konvensional dan walk-forward validation multi-horizon (1, 3, 6, dan 12 bulan), dengan metrik MAE, RMSE, MAPE, dan R². Hasil pengujian pada test set menunjukkan bahwa ANN memiliki performa terbaik dengan MAE 2,30 kWh, RMSE 2,64 kWh, MAPE 0,43%, dan R² sebesar 0,9838, mengungguli kedua metode baseline. Namun, pada evaluasi walk-forward validation, Seasonal Naïve-12 secara konsisten memberikan performa terbaik pada seluruh horizon, dengan error yang lebih rendah dibandingkan ANN, terutama pada horizon panjang. Temuan ini menunjukkan bahwa meskipun ANN efektif dalam prediksi jangka pendek, metode sederhana berbasis musiman tetap lebih robust untuk peramalan multi-step pada data dengan pola musiman yang kuat. Penelitian ini menegaskan pentingnya penggunaan baseline sederhana dan metode evaluasi yang lebih realistis dalam studi peramalan deret waktu.