Tujuan dari penelitian ini melakukan peramalan beban listrik berdasarkan data-data penggunaan di seluruh Indonesia. Peramalan disebabkan karena daya yang disuplai oleh pembangkit listrik jauh lebih besar, maka timbul masalah pemborosan energi. Sedangkan apabila daya yang disuplai rendah, maka akan terjadi pemadaman listrik lokal alternatif yang merugikan pelanggan. Penelitian ini berbasis web yang dapat meramalkan beban listrik pada golongan tarif industri di Indonesia, dengan dipengaruhi oleh jumlah unit neuron pada hidden layer, menggunakan algoritma backpropagation yang memungkinkan nilai error yang di dapat lebih rendah dan cukup baik untuk melakukan proses generalisasi karena didukung oleh data training dan pada proses pembelajaran yang menyesuaikan bobot. Keakuratan pada metode ini bisa di lihat dengan menggunakan MSE (Mean Squeare Error). Pada penelitian ini menggunakan data history pengguanan GWh beban listrik. Hasil pengujian dengan menggunakan data pelatihan 90% dan data pengujian 10%, dengan parameter yang diatur yaitu learning rate input adalah 0,5, learning rate bias input adalah 0,5, learning rate output adalah 0,5, dan learning rate bias output adalah 0,5, target MSE adalah 0,0001, dan maksimum epoch adalah 100000. Sehingga hasil akurasi sebesar 79,32%, MSE prediksi 0,00005646.

The purpose of this research is to forecast electrical loads based on usage data throughout Indonesia. Forecasting is because the power supplied by the power plant is much greater, so the problem of energy waste arises. Meanwhile, if the power supplied is low, there will be alternative local power outages that harm customers. This research is web which can predict the electrical load in the industrial tariff class in Indonesia, influenced by the number of neuron in hidden layeralgorithm backpropagation that allows the error to be lower and is good enough to carry out the generalization process because it is supported by training and on the learning process that adjusts the weights. The accuracy of this method can be seen by using MSE (Mean Squeare Error). In this study using historical GWh of electrical loads. The test results using 90% training data and 10% test data, with the parameters set, namely the learning rate input is 0.5, the learning rate input bias is 0.5, the learning rate output is 0.5, and the learning rate bias output is 0.5, the target MSE is 0.0001, and the maximum epoch is 100000. So the accuracy is 79.32%, the MSE prediction is 0.00005646.