Laporan International Course Program (ICP) di Universitas Medan Area

Abstract

Prakiraan konsumsi listrik yang akurat sangat penting bagi stabilitas jaringan listrik, efisiensi operasional, dan perencanaan distribusi energi yang efektif bagi penyedia layanan utilitas. Studi ini menganalisis kinerja teknik pembelajaran mesin (*machine learning*) dalam memprediksi permintaan energi listrik per jam menggunakan dataset regional PJM East (PJME). Tujuan utamanya adalah mengevaluasi efektivitas prediksi algoritma XGBoost—yang disempurnakan melalui rekayasa fitur sistematis dan optimasi hiperparameter menggunakan Optuna—dibandingkan dengan model dasar (*baseline*). Tahapan pra-pemrosesan data mencakup pengurutan berdasarkan waktu, ekstraksi fitur temporal (jam, hari dalam seminggu, kuartal, bulan, tahun, dan hari dalam setahun), serta pembagian data latih dan uji secara kronologis dengan rasio 80:20 untuk mencegah kebocoran data. Hiperparameter untuk model XGBoost dioptimalkan secara sistematis menggunakan kerangka kerja optimasi Bayesian dari Optuna. Hasil empiris menunjukkan bahwa model XGBoost yang telah dioptimalkan dengan Optuna mencapai kinerja prediksi yang unggul; model ini mengungguli model dasar dengan mencatatkan koefisien determinasi (skor $R^2$) tertinggi serta nilai *Mean Absolute Error* (MAE) dan *Root Mean Squared Error* (RMSE) terendah. Analisis tingkat kepentingan fitur mengungkapkan bahwa siklus waktu harian (jam) dan musiman tahunan (hari dalam setahun) merupakan faktor penentu utama akurasi prediksi. Studi ini menyimpulkan bahwa kombinasi XGBoost dengan rekayasa fitur tingkat lanjut dan optimasi Optuna menghasilkan kerangka kerja yang tangguh dan sangat akurat untuk memprediksi konsumsi energi listrik, sehingga memberikan manfaat praktis bagi pengelolaan *smart grid*. Accurate electricity consumption forecasting is essential for power grid stability, operational efficiency, and effective energy distribution planning for utility providers. This study analyzes the performance of machine learning techniques in predicting hourly electricity energy demand using the PJM East (PJME) regional dataset. The primary objective is to evaluate the predictive effectiveness of the XGBoost algorithm, enhanced through systematic feature engineering and hyperparameter optimization via Optuna, compared to baseline models. Data preprocessing steps included timestamp sorting, temporal feature extraction (hour of day, day of week, quarter, month, year, and day of year), and an 80:20 chronological train-test split to prevent data leakage. Hyperparameters for the XGBoost model were systematically optimized using Optuna's Bayesian optimization framework. Empirical results demonstrate that the Optuna-tuned XGBoost model achieved superior predictive performance, outperforming baseline models by achieving the highest coefficient of determination (𝑅2 Score) alongside the lowest Mean Absolute Error (MAE) and Root Mean Squared Error (RMSE). Feature importance analysis revealed that intra-day time cycles (hour) and annual seasonality (dayofyear) serve as the primary drivers of prediction accuracy. The study concludes that combining XGBoost with advanced feature engineering and Optuna optimization provides a robust and highly accurate framework for electricity energy consumption prediction, offering practical utility for smart grid management.