Energi listrik merupakan kebutuhan dasar yang mendukung aktivitas perekonomian dan kehidupan sehari-hari masyarakat. PT PLN sebagai penyedia utama energi listrik di Indonesia, memiliki tanggung jawab untuk memastikan ketersediaan listrik yang memadai guna memenuhi permintaan yang terus meningkat, terutama di kawasan perkotaan seperti Kota Jambi. Penelitian ini bertujuan untuk membandingkan dua metode prediksi, yaitu Regresi Linear dan Long Short-Term Memory (LSTM), dalam memprediksi kebutuhan energi listrik jangka pendek di Kota Jambi, khususnya untuk daya R1 1300 VA. Metode Regresi Linear digunakan karena kesederhanaannya, sementara LSTM dipilih karena kemampuannya dalam menangani data time series yang kompleks. Penelitian ini menggunakan data historis dari PT PLN (Persero) UP3 Jambi yang mencakup periode 2013 hingga 2023. Pembagian data dilakukan dengan 80% untuk data training dan 20% untuk data testing. Evaluasi dilakukan menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Mean Squared Error (MSE). Hasil penelitian menunjukkan bahwa metode LSTM memberikan hasil terbaik dalam memprediksi jumlah pemakaian KWh dengan MAPE sebesar 0.04% dan MSE sebesar 0.0677, menunjukkan tingkat akurasi yang sangat tinggi. Di sisi lain, metode Regresi Linear memberikan hasil terbaik dalam memprediksi daya VA dengan MAPE sebesar 0.0018% dan MSE sebesar 0.0000047, yang sangat akurat untuk data yang lebih sederhana dan stabil. Berdasarkan hasil ini, disarankan agar LSTM digunakan untuk prediksi jangka panjang dengan mempertimbangkan fluktuasi yang lebih dinamis, sementara Regresi Linear dapat digunakan dalam situasi yang membutuhkan model yang lebih cepat dan sederhana.

Electrical energy is a basic need that supports economic activities and people's daily lives. PT PLN as the main provider of electrical energy in Indonesia, has the responsibility to ensure the availability of adequate electricity to meet the increasing demand, especially in urban areas such as Jambi City. This study aims to compare two prediction methods, namely Linear Regression and Long Short-Term Memory (LSTM), in predicting short-term electrical energy demand in Jambi City, especially for R1 1300 VA power. The Linear Regression method was used for its simplicity, while LSTM was chosen for its ability to handle complex time series data. This study used historical data from PT PLN (Persero) UP3 Jambi covering the period 2013 to 2023. Data division is done with 80% for training data and 20% for testing data. Evaluation is done using the Mean Absolute Percentage Error (MAPE) and Mean Squared Error (MSE) metrics. The results show that the LSTM method provides the best results in predicting the amount of KWh usage with a MAPE of 0.04% and MSE of 0.0677, indicating a very high level of accuracy. On the other hand, the Linear Regression method gave the best results in predicting VA power with a MAPE of 0.0018% and MSE of 0.0000047, which is very accurate for simpler and stable data. Based on these results, it is recommended that LSTM be used for long-term predictions considering more dynamic fluctuations, while Linear Regression can be used in situations that require faster and simpler models.