Kajian Model Meta-Stacking pada Data Peramalan Penggunaan Beban Listrik di Jawa Barat

Abstract

Listrik merupakan salah satu aspek penting dalam kehidupan sehingga penting untuk menjaga keseimbangan antara jumlah pasokan dengan permintaannya. Salah satu Langkah untuk menjaga keseimbangan tersebut adalah dengan melakukan peramalan permintaan beban listrik ke depan. Kesalahan peramalan dapat berdampak pada efisiensi biaya operasional dan risiko ketidakseimbangan antara pasokan dan permintaan. Urgensi peramalan beban listrik yang akurat dikarenakan pola konsumsi listrik memiliki tren jangka panjang, fluktuatif, dan dipengaruhi peristiwa tertentu seperti hari besar serta gangguan eksternal (COVID-19) yang dapat memicu perubahan pola beban listrik. Ruang lingkup kajian pada penelitian ini difokuskan pada beban listrik di wilayah Jawa Barat dengan periode tahun 2006-2023, dengan evaluasi utama dilakukan pada data tahun 2023 untuk menilai performa model pada data yang belum teramati. Objek yang dianalisis dalam penelitian ini adalah beban listrik harian di Jawa Barat. Data yang tersedia adalah dalam bentuk interval 30 menit dengan satuan Megawatt (MW), kemudian diagregasi menjadi data harian menggunakan penjumlahan. Peubah eksogen yang digunakan pada penelitian ini adalah data cuaca dan faktor kalender. Data cuaca diambil dari beberapa stasiun BMKG di Jawa Barat yang kemudian dirata-ratakan untuk merepresentasikan kondisi Jawa Barat, sedangkan faktor kalender mencakup informasi hari libur nasional dan hari besar keagamaan. Faktor kalender tidak hanya diperlakukan sebagai peubah diskrit biner, melainkan dikodekan dengan fitur yang lebih beragam (kuarter, bulan, hari dalam minggu, weekend, hari libur, kode hari libur 0-16, serta kategori libur panjang/libur pendek) karena masing-masing hari libur memiliki kontribusi yang berbeda terhadap pola beban listrik. Tujuan penelitian ini adalah untuk membangun dan mengevaluasi model peramalan beban listrik berbasis meta-stacking, sekaligus membandingkannya dengan model individual pada beberapa skenario pemisahan data dan beberapa horizon peramalan. Evaluasi tidak hanya dilakukan berdasarkan MAPE, tetapi juga ketepatan arah tren (trend accuracy). Evaluasi juga dilakukan untuk menilai konsistensi performa model dalam kondisi data historis yang berbeda. Model meta-stacking terdiri atas dua level, yaitu level pertama adalah pemodelan base-models, di mana beberapa model dasar menghasilkan peramalan menggunakan skema peramalan out-of-fold (OOF), lalu level 1 di mana regresi linear berperan sebagai meta-learner yang akan menggabungkan informasi peramalan tersebut melalui pembobotan. Meta-learner diharapkan dapat memanfaatkan kelebihan yang komplementer dari setiap base-models. Alur analisis dijalankan secara berurutan mulai dari penggabungan dan penyiapan data, kemudian dilanjutkan dengan pelatihan model individual sebagai pembanding model meta-stacking, lalu pelatihan meta-stacking yang diawali dengan melakukan ekstraksi fitur pada base-models melalui skema peramalan OOF berbasis walk-forward validation. Selanjutnya, seluruh hasil peramalan OOF digabungkan sebagai input meta-learner. Mekanisme OOF digunakan sebagai strategi untuk mencegah meta-learner belajar dari peramalan yang sudah dilakukan pemodelan sebelumnya yang bisa menyebabkan model menjadi overconfident dan gagal menggeneralisir pada data test. Tahap evaluasi dilakukan pada periode data tahun 2023 dengan skenario pelatihan model yang berbeda, serta hasil pemodelan akan dievaluasikan pada beberapa horizon peramalan. Berdasarkan hasil penelitian, terdapat perbedaan keunggulan pada setiap model individual. Model deep learning (CNN-BiLSTM dan CNN-BiGRU) cenderung menghasilkan MAPE peramalan OOF yang lebih rendah pada 3 dari 5 skenario, sedangkan Windowed-XGBoost lebih unggul berdasarkan trend accuracy peramalan OOF pada seluruh skenario. Pada skenario 2018, terjadi gap yang signifikan antara performa deep learning dan Windowed-XGBoost karena MAPE peramalan OOF deep learning meningkat secara signifikan. Hal ini disebabkan oleh deep learning terdampak pada keterbatasan data train, di mana pelatihan dimulai dari 1 Januari 2018-31 Desember 2018 dan OOF dilakukan pada 1 tahun berikutnya, yaitu dari 1 Januari 2019. Evaluasi tambahan dilakukan melalui analisis korelasi pearson antara peramalan OOF dengan nilai aktual untuk memastikan hubungan linear yang menjadi asumsi penting dalam model regresi linear. Hasil korelasi menunjukkan Windowed-XGBoost konsisten memiliki korelasi linear tertinggi terhadap nilai aktual beban listrik pada seluruh skenario, lalu pola ini dihubungkan dengan pembobotan meta-learner yang cenderung memberi bobot lebih besar pada base-model yang memiliki hubungan linear paling kuat dengan nilai aktual. Evaluasi dilakukan dengan membandingkan nilai MAPE dan trend accuracy, serta menilai kemampuan generalisasi model. Hasil evaluasi menunjukkan rata-rata selisih train-test MAPE meta-stacking berada di angka 0,1% berdasarkan seluruh skenario, yang menunjukkan tingkat generalisasi yang sangat baik dan stabil pada setiap skenario. Meta-stacking secara konsisten menghasilkan performa yang baik pada seluruh skenario dibandingkan model individual. Meta-stacking mampu memberikan performa terbaik ketika dilatih pada skenario dengan periode pelatihan terpanjang, yaitu pada skenario 2006, dengan nilai MAPE sebesar 1,28% dan trend accuracy sebesar 87,40% pada data test. Konsistensi generalisir model meta-stacking menunjukkan bahwa model tersebut dapat diandalkan saat meramalkan data yang belum pernah dilihat sebelumnya oleh model sehingga lebih berguna untuk digunakan dalam perencanaan operasional ke depan. Keterbatasan utama tetap muncul berkaitan dengan kompleksitas perubahan pola beban listrik yang disebabkan oleh faktor kalender sehingga perbaikan variabel faktor kalender menjadi krusial karena hari libur terbukti memengaruhi pola konsumsi beban listrik. Meta-stacking merupakan pendekatan yang baik untuk peramalan beban listrik harian di Jawa Barat. Namun, arah pengembangan selanjutnya dapat dilakukan melalui penguatan fitur faktor kalender, evaluasi antar skenario yang lebih banyak, pemodelan residual, dan strategi untuk menangani perubahan pola yang jarang terjadi (pemilu dan COVID-19).

Electricity is an important aspect of life, so it is important to maintain a balance between supply and demand. One way to maintain this balance is to forecast future electricity demand. Forecasting errors can impact operational cost efficiency and the risk of imbalance between supply and demand. The urgency of accurate electricity load forecasting is due to the fact that electricity consumption patterns have long-term trends, are volatile, and are influenced by some events such as holidays and external disturbances (COVID-19) that can cause changes in electricity load patterns. The scope of this study focuses on electricity load in the West Java region for the period 2006-2023, with the main evaluation conducted on data from 2023 to evaluate the model's performance on unseen data. The object analyzed in this study is the daily electricity load in West Java. The available data is in the form of 30-minute intervals in Megawatts (MW), which is then aggregated into daily data using summation. The exogenous variables used in this study are weather data and calendar factors. Weather data was taken from several BMKG stations in West Java, which was then averaged to represent conditions in West Java, while calendar factors included information on national holidays and religious holidays. Calendar factors are not only treated as discrete binary variables, but are encoded with more diverse features (quarter, month, day of the week, weekend, holiday, holiday code 0-16, and long/short holiday category) because each holiday has a different contribution to the electricity load pattern. The purpose of this study is to develop and evaluate a meta-stacking-based electricity load forecasting model, while comparing it with individual models in several data splitting scenarios and several forecasting horizons. The evaluation is not only based on MAPE, but also on trend accuracy. The evaluation is also conducted to evaluate the consistency of the model performance in different scenarios. The meta-stacking model consists of two levels. The first level is base-model modeling, where several base-models generate forecasts using an out-of-fold (OOF) forecasting scheme. The second level is linear regression which acts as a meta-learner that combines the forecasted information through weighting. The meta-learner is expected to utilize the complementary strengths of each base-model. The analysis flow is carried out sequentially, starting from data merging and preparation, followed by training individual models as meta-stacking model comparators, then meta-stacking training, which begins with feature extraction in base models through an OOF forecasting scheme based on walk-forward validation. Next, all OOF forecasting results are combined as meta-learner input. The OOF mechanism is used as a strategy to prevent the meta-learner from learning from previously modelled forecasts, which can cause the model to become overconfident and fail to generalize on test data. The evaluation stage is carried out on the 2023 data period with different model training scenarios, and the modeling results will be evaluated on several prediction horizons. Based on the research results, there are differences in the advantages of each individual model. Deep learning models (CNN-BiLSTM and CNN-BiGRU) tend to produce lower OOF forecasting MAPE in 3 out of 5 scenarios, while Windowed-XGBoost is superior based on OOF forecasting trend accuracy in all scenarios. In the 2018 scenario, there was a significant gap between the performance of deep learning and Windowed-XGBoost because the MAPE of deep learning OOF forecasting increased significantly. This was because deep learning was affected by the limitations of the training data, where training began from January 1, 2018, to December 31, 2018, and OOF was performed in the following year, which is from January 1, 2019. An additional evaluation was conducted through a Pearson correlation analysis between OOF forecasting and actual values to ensure a linear relationship, which is an important assumption in linear regression models. The correlation results show that Windowed-XGBoost consistently has the highest linear correlation with actual electricity load values in all scenarios. This pattern is linked to meta-learner weighting, which tends to give greater weight to base models that have the strongest linear relationship with actual values. The evaluation was conducted by comparing the MAPE and trend accuracy values, as well as evaluating the model's generalization ability. The evaluation results show that the average train-test MAPE difference of meta-stacking is 0.1% based on all scenarios, which indicates an excellent and stable level of generalization in each scenario. Meta-stacking consistently produced good performance across all scenarios compared to individual models. Meta-stacking was able to provide the best performance when trained on the scenario with the longest training period, which is the 2006 scenario, with a MAPE value of 1.28% and a trend accuracy of 87.40% on the test data. The consistency of the meta-stacking model's generalization shows that the model is reliable when forecasting data that has never been seen before by the model, making it more useful for future operational planning. The main limitation remains related to the complexity of changes in electricity load patterns caused by calendar factors, so improving calendar factor variables is crucial because holidays have been proven to affect consumption electricity load patterns. Meta-stacking is a good approach for forecasting daily electricity load in West Java. However, further development can be pursued through strengthening calendar factor features, evaluating more scenarios, residual modeling, and strategies for handling rare pattern changes (such as elections and COVID-19).