Perbandingan Kinerja Jaringan Saraf Tiruan dan Seasonal Naïve Dalam Peramalan Konsumsi Listrik Bulanan Rumah Tangga: Studi Walk-Forward Validation
DOI:
https://doi.org/10.46576/bn.v9i1.7216Keywords:
Peramalan Listrik, Jaringan Saraf Tiruan, Seasonal Naïve, Walk-Forward Validation, Time SeriesAbstract
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.
References
Ahmad, N., Ghadi, Y., Adnan, M., & Ali, M. (2022). Load Forecasting Techniques for Power System: Research Challenges and Survey. IEEE Access, 10, 71054–71090. https://doi.org/10.1109/ACCESS.2022.3187839
Berriel, R. F., Lopes, A. T., Rodrigues, A., Varejao, F. M., & Oliveira-Santos, T. (2017). Monthly energy consumption forecast: A deep learning approach. Proceedings of the International Joint Conference on Neural Networks, 2017-May, 4283–4290. https://doi.org/10.1109/IJCNN.2017.7966398
Gajowniczek, K., & Zabkowski, T. (2017). Electricity forecasting on the individual household level enhanced based on activity patterns. PLOS ONE, 12(4), e0174098. https://doi.org/10.1371/JOURNAL.PONE.0174098
Groß, A., Lenders, A., Schwenker, F., Braun, D. A., & Fischer, D. (2021). Comparison of short-term electrical load forecasting methods for different building types. Energy Informatics 2021 4:3, 4(3), 13-. https://doi.org/10.1186/S42162-021-00172-6
Kouassi, K. H., & Moodley, D. (2020). An Analysis of Deep Neural Networks for Predicting Trends in Time Series Data. Communications in Computer and Information Science, 1342, 119–140. https://doi.org/10.1007/978-3-030-66151-9_8/TABLES/13
Krstev, S., Forcan, J., & Krneta, D. (2023). An Overview of Forecasting Methods for Monthly Electricity Consumption. Tehnički Vjesnik, 30(3), 993–1001. https://doi.org/10.17559/TV-20220430111309
Marvuglia, A., & Messineo, A. (2012). Using Recurrent Artificial Neural Networks to Forecast Household Electricity Consumption. Energy Procedia, 14, 45–55. https://doi.org/10.1016/J.EGYPRO.2011.12.895
Nti, I. K., Teimeh, M., Nyarko-Boateng, O., & Adekoya, A. F. (2020). Electricity load forecasting: a systematic review. Journal of Electrical Systems and Information Technology, 7(1). https://doi.org/10.1186/s43067-020-00021-8
Rodrigues, F., Cardeira, C., & Calado, J. M. F. (2014). The Daily and Hourly Energy Consumption and Load Forecasting Using Artificial Neural Network Method: A Case Study Using a Set of 93 Households in Portugal. Energy Procedia, 62, 220–229. https://doi.org/10.1016/J.EGYPRO.2014.12.383
