Laporkan Masalah

PEMODELAN BASELINE KONSUMSI LISTRIK PELANGGAN UNTUK ESTIMASI DAMPAK ENERGI PLTS ATAP BERBASIS MACHINE LEARNING: STUDI KASUS DKI JAKARTA

Merlin Julius Hutagalung, Prof. Ir. Nazrul Effendy, ST, MT, Ph.D., IPM., ASEAN Eng. ; Dr. Eng. Ir. Dwi Joko Suroso, S.T., M.Eng., IPP

2026 | Tesis | MAGISTER TEKNIK FISIKA

Penetrasi PLTS Atap mengubah pola konsumsi listrik pelanggan karena sebagian kebutuhan energi dapat dipenuhi langsung oleh pembangkitan di sisi pelanggan atau behind-the-meter. Akibatnya, energi yang tercatat pada kWh meter PLN tidak sepenuhnya merepresentasikan konsumsi aktual pelanggan. Penelitian ini membangun model konsumsi baseline berbasis machine learning untuk mengestimasi dampak energi dan pendapatan PLN akibat PLTS Atap di DKI Jakarta.

Penelitian menggunakan data load profile interval 15 menit periode Mei 2024–April 2025, yang terdiri atas data AMI pelanggan non-PLTS Atap dan data AMR pelanggan PLTS Atap. Data pelanggan non-PLTS Atap digunakan untuk melatih model konsumsi baseline, sedangkan data pelanggan PLTS Atap digunakan sebagai objek penerapan model. Konsumsi malam digunakan sebagai prediktor utama karena relatif tidak dipengaruhi oleh produksi PLTS Atap, sedangkan konsumsi siang diestimasi sebagai target baseline. Model XGBoost dipilih sebagai model utama karena sesuai untuk data tabular berskala besar dan memiliki kinerja prediksi yang baik.

Hasil penelitian menunjukkan bahwa konsumsi malam memiliki hubungan positif yang kuat terhadap konsumsi siang, terutama pada pelanggan daya ?33 kVA. Model XGBoost menghasilkan R² agregat sebesar 0,9764, SMAPE agregat 2,29%, dan R² row-level sebesar 0,7396. Pada periode Mei 2024–April 2025, PLTS Atap diperkirakan menurunkan penjualan listrik PLN di Jakarta sebesar 28.656.777 kWh atau setara Rp35.574.949.883. Pada tahun 2028, dampaknya diproyeksikan meningkat menjadi 97.139.910 kWh atau Rp120.279.961.248, setara sekitar 19,55?ri proyeksi penjualan energi pelanggan PLTS Atap. Hasil ini menunjukkan bahwa pertumbuhan PLTS Atap perlu dikelola tidak hanya sebagai bagian dari transisi energi, tetapi juga sebagai risiko strategis terhadap pendapatan PLN.


The penetration of rooftop photovoltaic (PV) systems changes customers’ electricity consumption patterns because part of the demand is supplied directly by behind-the-meter generation. As a result, the energy recorded by PLN’s kWh meter does not fully represent the customer’s actual electricity consumption. This study develops a machine learning-based baseline consumption model to estimate the energy and revenue impact of rooftop PV in Jakarta.

This study uses 15-minute interval load profile data from May 2024 to April 2025, consisting of AMI data from non-rooftop PV customers and AMR data from rooftop PV customers. Non-rooftop PV customer data are used to train the baseline consumption model, while rooftop PV customer data are used for model application. Nighttime consumption is used as the main predictor because it is relatively unaffected by rooftop PV generation, while daytime consumption is estimated as the baseline target. XGBoost is selected as the main model due to its suitability for large-scale tabular data and its strong predictive performance.

The results show that nighttime consumption has a strong positive relationship with daytime consumption, particularly for customers with connected power of ?33 kVA. The XGBoost model achieves an aggregate R² of 0.9764, aggregate SMAPE of 2.29%, and row-level R² of 0.7396. During May 2024–April 2025, rooftop PV is estimated to reduce PLN’s electricity sales in Jakarta by 28,656,777 kWh, equivalent to IDR 35,574,949,883. By 2028, the impact is projected to increase to 97,139,910 kWh or IDR 120,279,961,248, equivalent to approximately 19.55% of projected electricity sales to rooftop PV customers. These findings indicate that rooftop PV growth should be managed not only as part of the energy transition, but also as a strategic revenue risk for PLN.


Kata Kunci : PLTS Atap, machine learning, konsumsi baseline, behind-the-meter, XGBoost, penurunan pendapatan PLN, Jakarta.

  1. S2-2026-539022-abstract.pdf  
  2. S2-2026-539022-bibliography.pdf  
  3. S2-2026-539022-tableofcontent.pdf  
  4. S2-2026-539022-title.pdf