Pada sistem tenaga listrik, daya yang dibangkitkan harus sama dengan daya beban. Sehingga diperlukan prediksi beban listrik agar tercapai keseimbangan pada sistem. Jika daya yang dibangkitkan lebih besar dari daya pada beban maka akan terjadi pemborosan energi listrik. Sebaliknya jika daya yang dibangkitkan lebih kecil dari daya beban maka akan terjadi overload. Penelitian ini bertujuan untuk meramalkan beban listrik jangka pendek yang dibangkitkan di PLTU Lati PT. Indo Pusaka Berau, Kabupaten Berau. Metodologi yang digunakan dalam penelitian ini yaitu membandingkan antara metode time series dan artificial neural network. Untuk menentukan kualitas hasil peramalan, data prediksi dibandingkan dengan data aktual menggunakan MAPE. Hasil penelitian diperoleh pada metode time series model ARMA (1, 2) merupakan model terbaik dengan MAPE sebesar 6,22%, namun pola beban menunjukkan pola musiman dengan model terbaik yaitu SARMA (1, 2) (0, 1)24 dengan MAPE sebesar 5,4%. Sedangkan hasil peramalan dengan metode artificial neural network, kombinasi model terbaik yaitu satu input layer dengan 24 neuron, satu hidden layer dengan 168 neuron, dan satu output layer pada pembagian data pelatihan (70%) dan pengujian (30%) diperoleh nilai MAPE sebesar 9,32%.

Kata Kunci: ANN, Beban Listrik, Time Series.

In an electrical power system, the generated power must match the load demand, making it essential to predict electrical loads to maintain system balance. If the generated power exceeds the load, energy wastage occurs. Conversely, if the power generated is less than the load power, an overload will occur. This study aimed to forecast the short-term electrical load generated at PLTU Lati PT. Indo Pusaka Berau, Berau Regency. The methodology involves comparing the time series and artificial neural network methods. To determine the quality of the forecasting results, the predicted data is compared with the actual data using MAPE. The study found that the ARMA (1, 2) time series model yielded the best results with a MAPE of 6.22%, though the load exhibited a seasonal pattern. The best model for this pattern was SARMA (1, 2) (0, 1) 24, achieving a MAPE of 5.4%. In contrast, the artificial neural network method's optimal model configuration involved one input layer with 24 neurons, one hidden layer with 168 neurons, and one output layer, using a training-to-testing data split of 70% and 30%. This model produced a MAPE of 9.32%. Keywords: ANN, Electrical Load, Time Series