Efisiensi dalam konsumsi energi listrik merupakan hal yang sangat penting dalam pengelolaan sumber daya berkelanjutan, pengurangan biaya, dan peningkatan keandalan pasokan energi. Penelitian ini bertujuan untuk meramalkan konsumsi energi listrik menggunakan algoritma Long Short-Term Memory (LSTM), sebuah teknik deep learning yang dirancang untuk menangani data deret waktu. Data histori konsumsi energi listrik pada tahun 2023 yang diperoleh dari PT PLN (Persero) digunakan sebagai data utama dalam penelitian ini. Proses penelitian meliputi beberapa tahapan, termasuk pengumpulan dan persiapan data, pelatihan model LSTM, validasi model, serta evaluasi hasil prediksi. Data histori bulanan dari Januari hingga Desember diproses melalui tahapan preprocessing untuk memastikan kualitas data yang optimal sebelum digunakan dalam pelatihan model. Model LSTM kemudian dilatih menggunakan data tersebut, dengan pembagian dataset menjadi data pelatihan dan data pengujian. Evaluasi performa model dilakukan menggunakan metrik Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Error (MAE) untuk menilai tingkat akurasi prediksi yang dihasilkan. Hasil penelitian menunjukkan bahwa model LSTM mampu menghasilkan prediksi konsumsi energi listrik dengan tingkat akurasi yang memadai. Metrik evaluasi menunjukkan nilai MSE sebesar 0,019, RMSE sebesar 0,138, dan MAE yang mendukung prediksi yang lebih stabil dan akurat. Prediksi yang dihasilkan memungkinkan penyedia layanan energi seperti PLN untuk menyesuaikan pasokan sesuai dengan permintaan yang diperkirakan, sehingga dapat mengurangi pemborosan energi dan meningkatkan efisiensi operasional. Penelitian ini juga memberikan wawasan yang lebih mendalam mengenai tren konsumsi energi listrik, yang dapat digunakan sebagai dasar pengambilan keputusan yang lebih baik dalam perencanaan dan distribusi energi.

Efficiency in electricity consumption is crucial for sustainable resource management, cost reduction, and enhancing the reliability of energy supply. This study aims to forecast electricity consumption using the Long Short-Term Memory (LSTM) algorithm, a deep learning technique designed to handle time series data. Historical electricity consumption data for the year 2023, obtained from PT PLN (Persero), serves as the primary dataset for this research. The research process includes several stages, such as data collection and preparation, LSTM model training, model validation, and prediction evaluation. Historical monthly data from January to December was processed through rigorous preprocessing steps to ensure optimal data quality before being used for model training. The LSTM model was then trained using this data, with the dataset split into training and testing sets. The model’s performance was evaluated using Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and Mean Absolute Error (MAE) metrics to assess the accuracy of the predictions generated. The results indicate that the LSTM model is capable of producing reasonably accurate electricity consumption forecasts. Evaluation metrics showed an MSE of 0.019, an RMSE of 0.138, and MAE values that support stable and accurate predictions. The forecasts enable energy providers like PLN to adjust supply according to the projected demand, thereby reducing energy waste and improving operational efficiency. This study also provides deeper insights into electricity consumption trends, which can be used to inform better decision-making in energy planning and distribution.