Setiap kali lampu dinyalakan, jaringan listrik harus menyediakan energi pada saat yang hampir bersamaan. Masalahnya, kebutuhan esok hari tidak selalu sama dengan hari ini. Perubahan cuaca, hari kerja, dan kebiasaan pelanggan membuat permintaan terus bergerak.

Prediksi yang terlalu rendah berisiko membuat pasokan tidak cukup. Prediksi terlalu tinggi juga bukan jawaban karena operator harus menyiapkan cadangan yang tidak terpakai. Di sinilah data harian dapat membantu.

“Pola kemarin dan pekan lalu memberi petunjuk paling kuat tentang kebutuhan besok.”

Penelitian ini membaca 11.688 observasi periode 2014–2021 dari empat kelompok pelanggan. Empat pendekatan dibandingkan: Regresi Linier, LightGBM, XGBoost, dan gabungan LightGBM–XGBoost.

Model gabungan menghasilkan kesalahan persentase rata-rata 2,03 persen. Artinya, selisih prediksi terhadap konsumsi aktual relatif kecil. Fitur yang paling membantu bukan istilah yang jauh dari keseharian: pemakaian kemarin, pemakaian sepekan lalu, hari dalam minggu, dan suhu maksimum.

Prediksi tetap bukan kepastian. Namun, ketika digunakan secara transparan dan terus dievaluasi, ia dapat menjadi alat bantu untuk mengatur cadangan, menekan pemborosan, serta menjaga layanan tetap andal.