Perkembangan sistem energi tenaga Listrik yang semakin kompleks menuntut adanya
model prediksi dan klasifikasi yang akurat terhadap dinamika beban Listrik.
ketidakstabilan beban Listrik yang bersifat fluktuatif dapat mempengaruhi keandalan
sistem distribusi, sehingga diperlukan pendekatan cerdas untuk memodelkan pola beban
secara adaptif. Penelitian ini mengusulkan model klasifikasi dan respon Keputusan
dengan integrasi antara Learning Vector Quantization (LVQ) dan Perceptron guna
meningkatkan akurasi serta efisiensi dalam pengenalan pola beban Listrik. Metode LVQ
digunakan untuk melakukan klasifikasi awal terhadap pola beban berdasarkan
karakteristik
historis
data,
sedangkan metode Perceptron berfungsi untuk
mengoptimalkan hasil klasifikasi melalui pembelajaran linier dengan adaptif terhadap
perubahan nilai beban. Proses integrasi kedua model dilakukan dengan menggabungkan
bobot hasil pelatihan LVQ sebagai input awal pada jaringan Perceptron. Data yang
digunakan dalam penelitian ini berasal dari pencatatan beban Listrik harian yang
mencakup berbagai variasi waktu dan kondisi konsumsi energi. Hasil pengujian
menunjukkan bahwa integasi model LVQ dan Perceptron mampu meningkatkan Tingkat
akurasi hingga 97% untuk model LVQ dan akursi hingga 100% untuk model Perceptron.
Selain itu, model ini dapat memberikan respon keputusan yang lebih cepat dalam
memprediksi dinamika beban listrik, sehingga berpotensi diterapkan pada sistem
monitoring dan manajemen energi berbasis kecerdasan buatan.